TW201903704A - 用於推薦預估到達時間的系統和方法 - Google Patents

用於推薦預估到達時間的系統和方法 Download PDF

Info

Publication number
TW201903704A
TW201903704A TW107114278A TW107114278A TW201903704A TW 201903704 A TW201903704 A TW 201903704A TW 107114278 A TW107114278 A TW 107114278A TW 107114278 A TW107114278 A TW 107114278A TW 201903704 A TW201903704 A TW 201903704A
Authority
TW
Taiwan
Prior art keywords
model
feature vector
wdl
eta
transportation service
Prior art date
Application number
TW107114278A
Other languages
English (en)
Other versions
TWI670677B (zh
Inventor
孫書娟
包新啟
王征
Original Assignee
大陸商北京嘀嘀無限科技發展有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 大陸商北京嘀嘀無限科技發展有限公司 filed Critical 大陸商北京嘀嘀無限科技發展有限公司
Publication of TW201903704A publication Critical patent/TW201903704A/zh
Application granted granted Critical
Publication of TWI670677B publication Critical patent/TWI670677B/zh

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G08G1/096811—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed offboard

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Marketing (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Development Economics (AREA)
  • Ecology (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本申請揭示了用於確定交通服務訂單的預估到達時間(ETA)的系統和方法。該系統可執行該方法以獲取至少一個第一特徵向量，所述至少一個第一特徵向量與歷史交通服務訂單的至少一個非量化特徵有關；獲取至少一個第二特徵向量，所述至少一個第二特徵向量與該歷史交通服務訂單的至少一個量化特徵有關；通過訓練混合模型獲得已訓練的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一個第一特徵向量是所述第一模型的輸入，所述至少一個第二特徵向量是所述第二模型的輸入；指示至少一個儲存媒體儲存所述已訓練的混合模型。

Description

用於推薦預估到達時間的系統和方法
本申請一般涉及為交通服務訂單確定預估到達時間(estimated time of arrival，ETA)的系統和方法，尤其是，涉及使用混合模型確定所述ETA的系統和方法，所述混合模型包括第一模型和第二模型。
本申請主張2017年6月13日提交的編號為PCT/CN2017/088048國際申請號的優先權，其內容以引用的方式被包含於此。
隨著網路科技的發展，隨選服務，如線上計程車呼叫服務和運送服務等，在人們的日常生活中起著重要的作用。例如，線上計程車呼叫已被普通人(如乘客)頻繁使用。通過線上隨選服務平臺，使用者可以通過安裝在使用者裝置(如智慧行動電話終端)中的應用以隨選服務的形式請求隨選服務。
根據本申請的一態樣，提供一種系統。所述系統可包括至少一個非暫時性電腦可讀取儲存媒體和至少一個處理器，所述至少一個處理器與所述至少一個非暫時性電腦可讀取儲存媒體進行通訊。所述至少一個非暫時性電腦可讀取儲存媒體包括一組指令。當所述至少一個處理器執行該組指令時，所 述至少一個處理器可配置為執行以下操作中之一項或多項操作。所述至少一個處理器可獲取第一電信號，所述第一電信號編碼至少一個第一特徵向量的資料，所述至少一個第一特徵向量與歷史交通服務訂單的至少一個非量化特徵有關。所述至少一個處理器可獲取第二電信號，所述第二電信號編碼至少一個第二特徵向量的資料，所述至少一個第二特徵向量與所述歷史交通服務訂單的至少一個量化特徵有關。所述至少一個處理器可操作至少一個處理器的邏輯電路，以通過訓練混合模型來獲得已訓練的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一個第一特徵向量是所述第一模型的輸入，所述至少一個第二特徵向量是所述第二模型的輸入。所述至少一個處理器可發送第三電信號以指示至少一個儲存媒體將所述已訓練的混合模型的結構化資料儲存其中。
根據本申請的另一態樣，一種方法可包括以下操作中之一項或多項操作。線上隨選服務平臺的至少一個電腦伺服器可獲取第一電信號，所述第一電信號編碼至少一個第一特徵向量的資料，所述至少一個第一特徵向量與歷史交通服務訂單的至少一個非量化特徵有關。線上隨選服務平臺的至少一個電腦伺服器可獲取第二電信號，所述第二電信號編碼至少一個第二特徵向量的資料，所述至少一個第二特徵向量與所述歷史交通服務訂單的至少一個量化特徵有關。線上隨選服務平臺的至少一個電腦伺服器可操作至少一個處理器的邏輯電路，以通過訓練混合模型來獲得已訓練的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一個第一特徵向量是所述第一模型的輸入，所述至少一個第二特徵向量是所述第二模型的輸入。線上隨選服務平臺的至少一個電腦伺服器可發送第三電信號以指示至少一個儲存媒體將所述已訓練的混合模型的結構化資料儲存其中。
根據本申請的另一態樣，非暫時性機器可讀取儲存媒體可包含 指令。當非暫時性機器可讀取儲存媒體被線上隨選服務平臺的至少一個處理器存取時，所述指令可指示至少一個處理器執行以下操作中之一項或多項操作。所述指令可指示至少一個處理器獲取第一電信號，所述第一電信號編碼至少一個第一特徵向量的資料，所述至少一個第一特徵向量與歷史交通服務訂單的至少一個非量化特徵有關。所述指令可指示至少一個處理器獲取第二電信號，所述第二電信號編碼至少一個第二特徵向量的資料，所述至少一個第二特徵向量與所述歷史交通服務訂單的至少一個量化特徵有關。所述指令可指示至少一個處理器操作所述至少一個處理器的邏輯電路，以通過訓練混合模型來獲得已訓練的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一個第一特徵向量是所述第一模型的輸入，所述至少一個第二特徵向量是所述第二模型的輸入。所述指令可指示至少一個處理器發送第三電信號以指示至少一個儲存媒體將所述已訓練的混合模型的結構化資料儲存其中。
100‧‧‧隨選服務系統
110‧‧‧伺服器
112‧‧‧處理引擎
120‧‧‧網路
120-1‧‧‧網際網路交換點
120-2‧‧‧網際網路交換點
130‧‧‧請求者終端
130-1‧‧‧行動裝置
130-2‧‧‧平板電腦
130-3‧‧‧膝上型電腦
130-4‧‧‧內建裝置
140‧‧‧提供者終端
140-1‧‧‧行動裝置
140-2‧‧‧平板電腦
140-3‧‧‧膝上型電腦
140-4‧‧‧內建裝置
150‧‧‧運輸工具
160‧‧‧儲存裝置
170‧‧‧導航系統
170-1‧‧‧衛星
170-2‧‧‧衛星
170-3‧‧‧衛星
200‧‧‧計算裝置
210‧‧‧內部通訊匯流排
220‧‧‧中央處理單元(CPU)
230‧‧‧唯讀記憶體(ROM)
240‧‧‧隨機存取記憶體(RAM)
250‧‧‧通訊輸出埠
260‧‧‧I/O
270‧‧‧磁碟
280‧‧‧使用者介面元件
300‧‧‧行動裝置
310‧‧‧通訊平臺
320‧‧‧顯示器
330‧‧‧圖形處理單元(GPU)
340‧‧‧中央處理單元(CPU)
350‧‧‧I/O
360‧‧‧記憶體
370‧‧‧行動作業系統
380‧‧‧應用程式
390‧‧‧儲存器
400‧‧‧路線
L1、L2、...、L14‧‧‧紅綠燈
T1、T2、...、T27‧‧‧道路路段
510‧‧‧獲取模組
520‧‧‧訓練模組
530‧‧‧確定模組
540‧‧‧通訊模組
600‧‧‧流程
610‧‧‧操作
620‧‧‧操作
630‧‧‧操作
640‧‧‧操作
650‧‧‧操作
660‧‧‧操作
670‧‧‧操作
680‧‧‧操作
700‧‧‧流程
710‧‧‧操作
720‧‧‧操作
730‧‧‧操作
740‧‧‧操作
750‧‧‧操作
760‧‧‧操作
770‧‧‧操作
780‧‧‧操作
790‧‧‧操作
810‧‧‧第一輸入層
820‧‧‧第二輸入層
830‧‧‧隱藏層
840‧‧‧輸出層
本申請以示例性實施例的方式來進一步描述。這些示例性實施例參考至圖式而被詳細地描述。這些示例性實施例是非限定性的示例性實施例，其中相同的元件符號代表整個圖式的數個視圖之相似結構，並且其中：圖1係根據本申請的一些實施例所示的示例性的隨選服務系統的方塊圖；圖2係根據本申請的一些實施例所示的示例性的處理引擎的方塊圖；圖3係根據本申請的一些實施例所示的示例性的行動裝置的示例性硬體及/或軟體組件的示意圖；圖4係根據本申請的一些實施例所示的示例性的用於預測交通服務訂單的ETA的實體模型的示意圖；圖5係根據本申請的一些實施例所示的示例性的處理引擎的方塊圖； 圖6係根據本申請的一些實施例所示的一種用於確定交通服務訂單的ETA的示例性流程；圖7係根據本申請的一些實施例所示的一種用於確定ETA的混合模型的示例性流程；以及圖8係根據本申請的一些實施例所示的示例性的ETA的廣度深度學習(Wide and Deep Learning，WDL)模型的示意圖。
下述描述是為了使本領域具有通常知識者能製造和使用本申請，並且該描述是在特定的應用及其要求的背景下提供的。對於本領域具有通常知識者來說，顯然可以對所揭露的實施例作出各種改變。另外，在不偏離本申請的精神和範圍的情況下，本申請中所定義的普遍原則可以適用於其他實施例和應用場景。因此，本申請並不限於所揭露的實施例，而應被給予與申請專利範圍一致的最寬泛的範圍。
此處使用的術語僅僅用來描述特定的示意性實施例，並且不具有限定性。如本申請和申請專利範圍書中所示，除非上下文明確提示例外情形，「一」、「一個」、「一種」及/或「該」等詞並非特指單數，也可以包括複數。應該被理解的是，本申請中所使用的術語「包括」與「包含」僅提示已明確標識的特徵、整數、步驟、操作、元素，及/或元件，而不排除可以存在和添加其他一個或多個特徵、整數、步驟、操作、元素、元件，及/或其組合。
根據以下對圖式的描述，本申請所述的和其他的特徵、特色，以及相關結構元件的功能和操作方法，以及製造的經濟和部件組合更加顯而易見，這些都構成說明書的一部分。然而，應當理解，圖式僅僅是為了說明和描述的目的，並不旨在限制本申請的範圍。應當理解的是，圖式並不是按比例 的。
本申請中使用了流程圖用來說明根據本申請的實施例的系統所執行的操作。應當理解的是，流程圖的操作不一定按照順序來精確地執行。相反，可以按照倒序執行或同時處理各種步驟。此外，可以將一個或多個其他操作添加到這些流程中，或從這些流程中移除一個或多個操作。
此外，雖然本申請的系統和方法的描述主要是關於分配交通服務的請求，應該理解的是，並不旨在限制本申請。本申請的系統或方法還可應用於其他類型的隨選服務。例如，本申請的系統和方法可以應用於不同環境下的運輸系統，包括陸地、海洋、航空航太或類似物或其任意組合。所述運輸系統的運輸工具可以包括計程車、私家車、順風車、公車、列車、子彈列車、高鐵、地鐵、船舶、飛機、飛船、熱氣球、無人駕駛車輛或類似物或其任意組合。所述運輸系統也可以包括用於管理及/或分配的任一種運輸系統，例如，接收及/或送快遞的系統。本申請的系統和方法的應用可以包括網頁、瀏覽器外掛程式、用戶端、客制系統、內部分析系統、人工智慧機器人或類似物或其任意組合。
在本申請中，術語「乘客」、「請求者」、「服務請求者」和「客戶」可以交換使用，其表示可以請求或預定服務的個體、實體或工具。在本申請中，術語「司機」、「提供者」和「服務提供者」也可以交換使用，其表示可以提供服務或促進該服務提供的個體、實體或工具。
在本申請中，術語「服務」、「服務請求」、「請求」和「訂單」可以交換使用，其表示由乘客、服務請求者、客戶、司機、提供者、服務提供者或類似物或其任意組合所發起的請求。所述服務請求可以被乘客、服務請求者、客戶、司機、提供者、服務提供者中的任一個接受。所述服務請求可以是收費的或免費的。
在本申請中，「服務提供終端」和「司機終端」可以交換使用，其表示由服務提供者用來提供服務或促進該服務提供的行動終端。在本申請中，「服務請求終端」和「乘客終端」可以交換使用，其表示由服務請求者用來提供請求或預訂服務的行動終端。
本申請中使用的定位技術可以包括全球定位系統(GPS)、全球衛星導航系統(GLONASS)、北斗導航系統(COMPASS)、伽利略定位系統、准天頂衛星系統(QZSS)、無線保真(WiFi)定位技術或類似物或其任意組合。以上定位技術中的一個或多個可以在本申請中交換使用。
本申請的一態樣關於使用預估到達時間(ETA)的混合模型為交通服務訂單確定ETA的線上系統和方法。所述ETA的混合模型可包括兩個元件：第一模型，如線性回歸模型；第二模型，如深度神經網路模型。所述線性回歸模型處理如使用者的性別、位址的資訊等非量化特徵。所述深度神經網路模型處理量化特徵、如溫度、道路寬度、司機的表現分數等。
應當理解的是，本申請提供的系統和方法是關於訓練ETA模型的。訓練所述ETA模型需要歷史交通、駕駛記錄的大數據以及地區的地圖資訊。本領域具有通常知識者應該理解，在提交本申請時，沒有網路，無法收集大數據。因此，ETA和使用大數據訓練ETA模型都是根植於網際網路技術領域中的技術解決方案。
圖1係根據本申請的一些實施例所示的示例性的隨選服務系統100的方塊圖。例如，隨選服務系統100可以是一個用於運輸服務的線上運輸服務平臺。該隨選服務系統100可以包括伺服器110、網路120、請求者終端130、提供者終端140、運輸工具150、儲存裝置160以及以導航系統170。
所述隨選服務系統100可提供多項服務。示例性的服務可以包括計程車呼叫服務、汽車司機服務、快捷汽車、共乘服務、巴士服務、司機雇傭 和班車服務。在一些實施例中，隨選服務可以是任何一種線上服務，如外賣、購物或類似物或其任意組合。
在一些實施例中，伺服器110可以是單一伺服器或伺服器組。所述伺服器組可以是集中式或分散式的(例如，伺服器110可以是一分散式系統)。在一些實施例中，伺服器110可以是區域的或遠端的。例如，伺服器110可通過網路120存取儲存在請求者終端130、提供者終端140及/或儲存裝置160中的資訊及/或資料。在另一範例中，伺服器110可與請求者終端130、提供者終端140及/或儲存裝置160直接連接，以存取儲存在其中的資訊及/或資料。在一些實施例中，伺服器110可在一雲端平臺上執行。僅僅作為範例，所述雲端平臺可以包括私有雲、公共雲、混合雲、社區雲、分散式雲、內部雲、多層雲或類似物或其任意組合。在一些實施例中，伺服器110可在計算裝置200上執行，所述計算裝置200含有本申請圖2中所示的一個或多個元件。
在一些實施例中，伺服器110可包含一處理引擎112。該處理引擎112可處理與服務請求相相關的資訊及/或資料來執行在本申請中揭示的一個或者多個功能。例如，處理引擎112可基於請求者終端130的位置資訊確定一個或多個候選服務提供者終端。在一些實施例中，處理引擎112可包括一個或者多個處理引擎(例如，單晶片處理引擎或多晶片處理引擎)。僅作為範例，處理引擎112可包括一中央處理單元(CPU)、特定應用整合電路(ASIC)、特定應用指令集處理器(ASIP)、圖形處理單元(GPU)、物理運算處理單元(PPU)、數位訊號處理器(DSP)、現場可程式閘陣列(FPGA)、可程式邏輯裝置(PLD)、控制器、微控制器單元、精簡指令集電腦(RISC)、微處理器或類似物或其任意組合。
網路120可以促進資訊及/或資料的交換。一些實施例中，隨選服務系統100的一個或者多個元件(例如伺服器110、請求者終端130、提供者 終端140、運輸工具150、儲存裝置160和導航系統170)可以通過網路120遞送資訊至隨選服務系統100的其他元件。例如，伺服器110可以通過網路120從請求者終端130獲取服務請求。在一些實施例中，網路120可以是任意形式的有線或者無線網路，或其任意組合。僅作為範例，網路120可以是一纜線網路、有線網路、光纖網路、電信網路、內部網路、網際網路、區域網路(LAN)、廣域網路(WAN)、無線區域網路(WLAN)、都會區域網路(MAN)、公用交換電話網路(PSTN)、藍牙網路，紫蜂(Zig Bee)網路、近場通訊(NFC)或類似物或其任意組合。在一些實施例中，網路120可包括一個或者多個網路進接點。例如，網路120可包括有線或無線網路進接點比如基站及/或網際網路交換點120-1、120-2……。通過該網路進接點，隨選服務系統100的一個或多個元件可以連接至網路120以交換資訊及/或資料。
在一些實施例中，請求者可以是請求者終端130的一使用者。在一些實施例中，請求者終端130的使用者可以是除乘客之外的其他人。例如，請求者終端130的使用者A可以通過請求者終端130為乘客B發送服務請求，或從伺服器110處接收服務及/或資訊或指令。在一些實施例中，提供者可以是提供者終端140的一服務提供者。在一些實施例中，提供者終端140的使用者可以是除該提供者之外的其他人。例如，提供者終端140的使用者C可以為提供者D通過提供者終端140接收服務請求及/或從伺服器110處接收資訊或指令。在一些實施例中，「乘客」和「乘客終端」可互換使用，「提供者」和「提供者終端」可互換使用。在一些實施例中，提供者終端可以與一個或多個服務提供者相相關(如，夜班提供者或白班提供者)。
在一些實施例中，請求者終端130可以包括行動裝置130-1、平板電腦130-2、膝上型電腦130-3、在機動車輛中之內建裝置130-4或類似物或其任意組合。在一些實施例中，行動裝置130-1可包括一智慧居家裝置，可穿戴裝 置、智慧行動裝置、虛擬實境裝置、擴增實境裝置或類似物或其任意組合。在一些實施例中，智慧居家裝置可包括一智慧照明裝置、智慧電器控制裝置、智慧監測裝置、智慧電視、智慧視訊攝影機、對講機或類似物或其任意組合。在一些實施例中，該可穿戴裝置可包括一智慧手環、智慧鞋襪、智慧眼鏡、智慧頭盔、智慧手錶、智慧衣服、智慧背包、智慧配飾或類似物或其任意組合。在一些實施例中，該智慧行動裝置可包括智慧電話、個人數位助理(PDA)、遊戲裝置、導航裝置、銷售點(POS)裝置或類似物或其任意組合。在一些實施例中，該虛擬實境裝置及/或擴增實境裝置可包括一虛擬實境頭盔、虛擬實境眼鏡、虛擬實境補丁、擴增實境頭盔、擴增實境眼鏡、擴增實境補丁或類似物或其任意組合。例如，該虛擬實境裝置及/或擴增實境裝置可包括Google眼鏡、Oculus Rift、HoloLens或Gear VR等。在一些實施例中，在機動車輛中之內建裝置可包括一機載電腦或一機載電視等。在一些實施例中，請求者終端130可以是具有用來確定請求者及/或請求者終端130位置的定位技術的裝置。
提供者終端140可以包括多個提供者終端140-1、140-2、…、140-n。在一些實施例中，提供者終端140可以是與請求者終端130相似，或與請求者終端130相同的裝置。在一些實施例中，提供者終端140可以是具有用來執行線上隨選交通服務。在一些實施例中，提供者終端140可以是具有用來確定提供者、提供者終端140及/或與提供者終端140有關的運輸工具150位置的定位技術的裝置。在一些實施例中，請求者終端130及/或提供者終端140可以與其他定位裝置通訊來確定乘客、請求者終端130、提供者及/或提供者終端140的位置。在一些實施例中，請求者終端130及/或提供者終端140可以向伺服器110遞送定位資訊。在一些實施例中，提供者終端140也可以定期地發送伺服器110的可用性狀態。該可用性狀態可表示與提供者終端140有關的運輸工具150是否可用於載客。例如，請求者終端130及/或提供者終端140可以每隔30分鐘將定位資 訊和可用性狀態發送給伺服器110。又例如，每當使用者登入到與線上按交通服務系統相關的移動應用時，請求者終端130及/或提供者終端140可以將定位資訊和可用性狀態發送給伺服器110。
在一些實施例中，提供者終端140可對應一個或多個運輸工具150。運輸工具150可載乘客並前往目的地。運輸工具150可包括多個運輸工具150-1、150-2……150-n。一個運輸工具可對應一種服務(如，計程車呼叫服務、汽車司機服務、快捷汽車、共乘服務、司機雇傭、班車服務)。
儲存裝置160可以儲存資料及/或指令。在一些實施例中，儲存裝置160可以儲存從請求者終端130及/或提供者終端140處獲取的資料。在一些實施例中，儲存裝置160可以儲存伺服器110用來執行或使用來完成本申請揭示的示例性方法的資料及/或指令。在一些實施例中，儲存裝置160可以包括一大容量儲存器、可移式儲存器、揮發性讀寫記憶體、唯讀記憶體(ROM)或類似物或其任意組合。示例性的大容量儲存器可以包括一磁碟、光碟、固態硬碟等。示例性可移式儲存器可包括一快閃驅動器、軟磁碟、光碟、記憶卡、壓縮碟、磁帶等。示例性的揮發性讀寫記憶體可包括一隨機存取記憶體(RAM)。示例性的RAM可包括一動態RAM(DRAM)、雙倍速率同步動態RAM(DDR SDRAM)、靜態RAM(SRAM)、閘流體RAM(T-RAM)和零電容RAM(Z-RAM)等。示例性的ROM可包括一遮罩ROM(MROM)、可程式ROM(PROM)、可清除可程式ROM(PEROM)、電子可抹除可程式ROM(EEPROM)、光碟ROM或數位通用磁碟ROM等。在一些實施例中，儲存裝置160可在雲端平臺上執行。僅僅作為範例，該雲端平臺可以包括私有雲、公共雲、混合雲、社區雲、分散式雲、內部雲、多層雲或其任意組合。
在一些實施例中，儲存裝置160可以與網路120相連接並與隨選服務系統100的一個或多個元件(例如，伺服器110、請求者終端130、提供者 終端140等)進行通訊。隨選服務系統100的一個或多個元件可以通過網路120存取儲存在儲存裝置160中的資料或指令。在一些實施例中，儲存裝置160可以與隨選服務系統100的一個或多個元件(例如，伺服器110、請求者終端130、提供者終端140等)直接連接或直接通訊。在一些實施例中，儲存裝置160可以是伺服器110的一部分。
導航系統170可以確定與目標有關的資訊，例如，請求者終端130、提供者終端、運輸工具150等中的一個或多個。在一些實施例中，導航系統170可以是全球定位系統(GPS)、全球衛星導航系統(GLONASS)、北斗導航系統(COMPASS)、北斗導航衛星系統，伽利略定位系統、准天頂衛星系統(QZSS)等。該資訊可以包括目標物的位置、海拔、速度、或加速度，或者當前時間。導航系統170可以包括一個或多個衛星，例如，衛星170-1、衛星170-2、以及衛星170-3。衛星170-1通過衛星170-3可單獨地或獨立地確定上述提及的資訊。導航系統170可通過無線連接將上述提及的資訊發送到網路120、請求者終端130、提供者終端140、或運輸工具150。
在一些實施例中，隨選服務系統100(如伺服器110、請求者終端130、提供者終端140等)中的一個或多個元件可以允許存取儲存裝置160。在一些實施例中，當滿足一個或多個條件時，隨選服務系統100的一個或多個元件可以讀取及/或修改與乘客、提供者及/或公共相關的資訊。例如，伺服器110可以在某一服務完成後讀取及/或修改一個或多個使用者的資訊。在另一範例中，伺服器110可以在服務完成後讀取及/或修改一個或多個提供者的資訊。
在一些實施例中，隨選服務系統100的一個或多個元件之間的資訊交換可以通過請求一個服務來實現。服務請求的物件可以是任一產品。在一些實施例中，該產品可以包括食物、藥物、日用品、化學產物、電器用品、衣服、汽車、住宅、奢侈品或類似物或其任意組合。在一些其他實施例中，該無 形產品可以包括一服務產品、金融產品、知識產品、網際網路產品或類似物或其任意組合。網際網路產品可以包括一個人主機產品、Web產品、行動上網產品、商用主機產品、嵌入式產品或類似物或其任意組合。行動上網產品可以是應用在可行動終端上的軟體、程式、系統或類似物或其任意組合。可行動終端可以包括一平板電腦、膝上型電腦、行動電話、個人數位助理(PDA)、智慧手錶、銷售點(POS)裝置、機上電腦、機上電視、可穿戴裝置或類似物或其任意組合。例如，產品可以是在電腦或行動電話上使用的任一軟體及/或應用程式。該軟體及/或應用程式可以與社交、購物、運輸、娛樂、學習、投資或類似物或其任意組合相相關。在一些實施例中，與運輸相相關的軟體及/或應用程式可以包括一旅遊軟體及/或應用程式、運輸工具排程軟體及/或應用程式、地圖軟體及/或應用程式等。對於運輸工具排程軟體及/或應用程式，運輸工具可以是馬、馬車、人力車(例如，獨輪手推車、腳踏車、三輪車等)、汽車(例如，計程車、公車等)、列車、地鐵、船隻、航空器(例如，飛機、直升機、太空梭、火箭、熱氣球等)或類似物或其任意組合。
本領域具有通常知識者理解的是，當隨選服務系統100中的一個元件(或組件)執行時，該元件可通過電信號及/或電磁信號來執行。例如，當請求者終端130向伺服器110發出服務請求時，請求者終端130的處理器可產生編碼請求的電信號。然後請求者終端130的處理器可發送電信號至輸出端。如果請求者終端130通過有線網路與伺服器110通訊，輸出端可進一步連接到纜線，該纜線進一步將該電信號輸送到伺服器110的輸入端。如果請求者終端130通過無線網路與伺服器110通訊，請求者終端130的輸出端可以是一個或多個天線，該天線將電信號轉換成電磁信號。相似地，提供者終端130可通過電信號或電信號接收來自伺服器110的指令及/或服務請求。在諸如請求者終端130、提供者終端140及/或伺服器110的電裝置中，當其中的處理器處理指示、發送指 令，及/或執行動作時，該指令及/或動作可以通過電信號實施。例如，當處理器檢索或儲存儲存媒體中的資料時，該處理器可向儲存媒體的讀/寫裝置發送電信號，其中，該儲存媒體的讀/寫裝置可以讀取或寫入儲存媒體中的結構化資料。該結構化資料可通過電裝置的匯流排以電信號的形式被傳輸到該處理器上。在此，電信號可以指一個電信號、一系列電信號、及/或多個離散的電信號。
圖2係根據本申請的一些實施例所示的計算裝置200的示例性硬體和軟體元件的示意圖，其上可以實現本申請所述伺服器110、請求者終端130及/或提供者終端140相應的功能。例如，處理引擎112可以在計算裝置200上執行並配置為完成本申請所揭示的處理引擎112的功能。
所述計算裝置200可以是通用電腦或專用電腦，兩者均可用於實施本申請的隨選服務系統。該計算裝置200可用於執行在此描述的用於隨選服務的任意元件。例如，處理引擎112可通過其硬體、軟體程式、韌體或類似物或其任意組合在計算裝置200上執行。為方便起見，雖然僅顯示一個電腦，在此描述的與隨選服務相關的計算功能可以在多個相似平臺上以分散式方式執行，以分散處理負載。
例如，計算裝置200可包括連接到網路的通訊輸出埠250以促進資料通訊。計算裝置200也可包括以一個或多個處理器形式存在的中央處理單元(CPU)220，用於執行程式指令。示例性電腦平臺可包括內部通訊匯流排210，不同形式的程式儲存和資料儲存，例如，磁碟270，唯讀記憶體(ROM)230，或隨機存取記憶體(RAM)240，通過電腦用於處理及/或傳輸各種資料檔。示例性電腦平臺還可包括儲存在ROM 230、RAM 240、及/或其他形式的非暫時性儲存媒體的程式指令，以讓CPU 220來執行。本申請揭示的方法及/或流程可以按照程式指令執行。計算裝置200還可包括支援在電腦之間進行輸入/輸 出的I/O元件260，以及其他如使用者介面元件280的其他元件。計算裝置200還可通過網路通訊接收程式或資料。
僅僅為了說明，計算裝置200中僅描述了一個CPU及/或處理器。然而，應當理解的是，本申請揭示的計算裝置200還可包括多個CPU及/或處理器，因此本申請描述的操作步驟是由一個CPU及/或一個處理器執行，也可以由多個CPU及/或多個處理器共同地或單獨地執行。例如，在本揭露中，如果計算裝置200中的CPU及/或處理器都執行操作A和操作B，則應該理解，操作A和操作B也可以由計算裝置200中的兩個不同的CPU及/或處理器共同地或單獨地執行(例如，第一處理器執行操作A並且第二處理器執行操作B，或者第一處理器和第二處理器共同執行操作A和B)。
圖3係根據本申請的一些實施例所示的示例性的行動裝置300的示例性硬體及/或軟體組件的示意圖。如圖3所示，行動裝置300可包括一通訊平臺310、一顯示器320、一圖形處理單元(GPU)330、一中央處理單元(CPU)340、一I/O 350、一記憶體360、一儲存器390。在一些實施例中，任何其他合適的元件，包括但不限於系統匯流排或控制器(未顯示)，亦可包括於行動裝置300內。在一些實施例中，一行動作業系統370(例如，iOSTM、AndroidTM、Windows PhoneTM等)和一個或多個應用程式380可從儲存器390載入至記憶體360以藉由CPU 340執行。應用程式380可包括瀏覽器，或用於接收和呈現與影像處理相關的資訊或來自處理引擎112的其他資訊的任何其他合適的行動app。與所述資訊流的使用者互動可通過I/O 350實現，並通過網路120提供給處理引擎112及/或隨選服務系統100的其他元件。
為了實施本申請描述的各種模組、單元及其功能，電腦硬體平臺可用作本文中描述之一個或多個元件的硬體平臺。具有使用者介面元件的電腦可用於實施個人電腦(PC)或任何其他類型的工作站或終端裝置。若程式控 制得當，電腦亦可用作伺服器。
圖4係根據本申請的一些實施例所示的用於預測交通服務訂單ETA的示例性實體模型的示意圖。
處理引擎112可以確定路線400(如圖4中用粗體和實線所示)，該路線400與基於道路的地圖中描述的交通服務訂單對應。僅僅作為示範例，路線400可以包括10個道路路段(如，第一道路路段、第二道路路段、……和第十道路路段)和9個紅綠燈(如，第一紅綠燈、第二紅綠燈、……和第九紅綠燈)。兩個鄰近的道路路段(如，一個道路鏈或一個鏈)可以直接彼此連接或通過一個或多個紅綠燈連接(如，一個紅綠燈鏈，或一個鏈)。例如，圖4中，鏈T1和鏈T2由紅綠燈L1連接。運輸工具或其他物體穿過每個道路路段的時間可以基於其在每個道路路段中的速度來確定。處理引擎112可通過將穿過每個道路路段的時間和穿過每個紅綠燈的時間加總來確定路線400的ETA。或者，處理引擎112可以將路線400作為一個整體，採用不同的模型確定路線400的ETA。
在一些實施例中，處理引擎112可根據ETA模型確定路線400的ETA。ETA模型可基於一個或多個歷史服務訂單的資料訓練而來。例如，處理引擎112可從與歷史服務訂單相關的資料中提取一個或多個特徵向量。每個特徵向量可與歷史服務訂單的一個或多個特徵或條目有關，如歷史訂單的開始位置、結束位置、開始時間、結束時間、紅綠燈數目、歷史持續時間，或本申請其他地方描述的任何其他特徵。
然後處理引擎112可以基於特徵向量訓練ETA模型。本文中使用的術語「歷史服務訂單」可表示在任何時刻或預定時間段內(如某年以前、某月以前、某天以前等)已經完成的服務請求。隨選服務系統100可將該服務請求以及服務中的資料作為該歷史服務訂單保存在儲存元件中(如儲存裝置 160)。
在一些實施例中，ETA模型可與單個鏈(例如，T1、T2……T10、L1、L2……L9)有關，並通過加總所有時間來確定ETA。在一些實施例中，ETA模型可由全域視角中的特徵向量(以下簡稱「全域特徵向量」)來訓練。全域特徵向量不僅可以包含單個鏈的特徵，而且也可以包含描述不同鏈之間相互作用的特徵。然後ETA模型可根據基於道路的地圖中的總路線的特徵來確定ETA，而不是僅僅考慮單個道路路段的特徵。
在一些實施例中，ETA模型可以是包括第一模型和第二模型的ETA混合模型。ETA混合模型可基於與一個或多個歷史交通服務訂單有關的資料來訓練。例如，第一模型可以以第一特徵向量作為輸入，第二模型可以以第二特徵向量作為輸入。第一特徵向量可包括非量化特徵，第二特徵向量可包括量化特徵。進一步地，第一特徵向量可僅包括非量化特徵，第二特徵向量可僅包括量化特徵。本文中，量化特徵是指歷史服務訂單的可量化的和被量化的特徵。例如，道路寬度是一個用來描述道路情況的特徵，該特徵是可以定量測定的，因此是量化特徵(如用3米、10米等數字的描述)。非量化特徵可以指歷史服務訂單的不能定量測定特徵。例如，一個特定使用者的ID可以是歷史服務訂單中出現的特徵，或者是未出現在歷史服務訂單的特徵。因此沒有辦法使用數字衡量使用者的ID。相應地，使用者的ID是非量化特徵。
處理引擎112可以提取與歷史服務訂單的非量化特徵相關的第一特徵向量，以及與量化特徵有關的第二特徵向量。然後，處理引擎112可以基於該第一特徵向量和第二特徵向量來訓練ETA混合模型。第一特徵向量可以是第一模型的訓練輸入，第二特徵向量可以是第二模型的訓練輸入。
在一些實施例中，任何兩個鏈可以彼此相關。例如，在紐約曼哈頓第五大道中發生的事故可能會阻塞在該地的交通。為避開第五大道的交 通，愈來愈多的司機可能從第五大道轉向紐約的第一百三十八大道。隨著大量的運輸工具運行在第五大道和第一百三十八大道之間，第五大道和第一百三十八大道之間的所有大道的路線可以形成一個交通繁忙的狀態(如慢速)。因此，第五大道的交通情況可影響其周圍道路和街道的交通情況。
處理引擎112可基於資料確定ETA，該資料關於路線400中道路路段和其他道路地圖中的道路路段。路線400中的道路路段可以直接或間接地與其他道路地圖中的道路路段相關聯。例如，對應T22的道路路段(圖4中用虛線顯示)可能與路線400中道路路段(第一道路路段)有關；以及對應T22的道路路段中的速度可以影響所述第一道路路段或路線400中任何其他的道路路段中的速度。處理引擎112可基於路線中的道路路段和其他道路地圖的道路路段確定全域特徵向量。如圖4所示，在基於道路的地圖中，通過全域特徵向量訓練的ETA模型可以用於預測任何與服務請求相關的路線的ETA。
圖5係根據本申請的一些實施例所示的示例性的處理引擎112的方塊圖。處理引擎112可包括獲取模組510、訓練模組520、確定模組530，以及通訊模組540。各模組可包括用於執行以下動作的硬體電路、儲存於一個或多個儲存媒體中的一組指令，及/或所述硬體電路及一個或多個儲存媒體的任何組合。
獲取模組510可以被配置為獲得與交通服務訂單相關的資料。交通服務訂單可與交通服務相關，如計程車呼叫服務、汽車司機服務、快捷汽車、共乘服務、巴士服務、司機雇傭和接駁服務、郵政服務、食物訂購服務。交通服務訂單可以指在任意時刻(例如，當前)或在預定時間段內(如某年以前、某月以前、某天以前等)已經完成的服務請求。
與交通服務訂單相關的資料可包括訂單資訊、交易資訊、使用者資訊、地圖資訊、路線資訊、車輛資訊、天氣資訊、交通訊息、政策資訊、 新聞資訊或類似物或其任意組合。
在一些實施例中，獲取模組510可獲得編碼在一個或多個電信號中的資料。在一些實施例中，獲取模組510可通過網路120從請求者終端130或儲存裝置160中獲得資料。另外地或另選地，獲取模組510可從另一系統(如天氣情況平臺、交通導引平臺、交通廣播平臺、政策平臺、新聞平臺，及/或任何其他系統)中獲得至少部分所述資料。
訓練模組520可用於確定及/或獲得預估ETA的模型(也稱ETA模型)。ETA模型可用於確定交通服務訂單的ETA。訓練模組520可以是基於與一個或多個歷史交通服務訂單相關的資料產生的ETA模型。
在一些實施例中，所述ETA模型可以是包含至少兩個模型的混合模型。在一些實施例中，訓練模組520可以基於機器學習方法(如人工神經網路演算法、深度學習演算法、決策樹演算法、相關規則演算法、歸納邏輯程式設計演算法)確定及/或訓練ETA混合模型。在一些實施例中，訓練模組520可基於損失函數(例如，ETA混合模型產生的估計ETA和歷史交通服務訂單的實際到達時間之間的差異)確定ETA混合模型。
確定模組530可用於確定與交通服務訂單相關的一個或多個特徵向量。在一些實施例中，特徵向量可表示為一列或一行的向量。例如，特徵向量可以是按照1×N行列式表達的行向量(如1×108行列式)。在一些實施例中，特徵向量可對應N維坐標系。N維坐標系可與歷史交通服務訂單的N個條目或特徵相關。在一些實施例中，確定模組530可一次處理一個或多個第一特徵向量。例如，可以將m個第一特徵向量(如，三個列向量)整合到1×mN的向量或mxN的矩陣中，其中m為整數。
在一些實施例中，確定模組530可用於確定與非量化特徵相關的第一特徵向量，以及與交通服務訂單的量化特徵相關的第二特徵向量。非量化 特徵可以指歷史服務訂單的無法定量測定的特徵。量化特徵可以指歷史服務訂單的可量化的和被量化的特徵。
通訊模組540可用於將與交通服務訂單相關的ETA發送用於顯示的至少一個請求者終端130及/或提供者終端140。在一些實施例中，ETA可能通過使用者介面(未顯示)在至少一個終端上顯示。在一些實施例中，ETA可能以，例如，文本、圖像、音訊、視頻等格式顯示。在一些實施例中，通訊模組508可能通過合適的通訊協定(例如，超文字傳輸協定(HTTP)、位址解析協定(ARP)、動態主機組態協定(DHCP)、檔案傳輸協定(FTP)等)將ETA遞送至該至少一個終端。
處理引擎112的模組可通過有線連接或無線連接將彼此連接或通訊。有線連接可包括金屬纜線、光纜、混合纜線或類似物或其任意組合。無線連接可包括區域網路(LAN)、廣域網路(WAN)、藍牙、ZigBee、近場通訊(NFC)或類似物或其任意組合。在一些實施例中，任兩個模組可組合為單個模組，任一個模組可分成兩個或兩個以上單元。
圖6係根據本申請的一些實施例所示的一種用於確定交通服務訂單的ETA的示例性流程600。流程600可由隨選服務系統100執行。例如，流程600可實施為儲存在儲存裝置160中的一組指令(例如，應用程式)。處理引擎112可執行該組指令，進而可相應地被指示為在線上隨選服務平臺上用於執行流程600。所述平臺可以是一種通過網際網路連接隨選服務的提供者和請求者的基於網際網路的平臺。
在610，處理引擎112(如獲取模組510)可獲得與歷史交通服務訂單相關的第一資料。
所述歷史交通服務訂單可與交通服務有關，如計程車呼叫服務、汽車司機服務、快捷汽車、共乘服務、巴士服務、司機雇傭、接駁服務、 郵政服務、食物訂購服務。歷史交通服務訂單可以指在任意時刻或預定時間段內(如某年以前、某月以前、某天以前等)已經完成的服務請求。
與歷史交通服務訂單相關的第一資料可以包括訂單資訊、交易資訊、使用者資訊、地圖資訊、路線資訊、車輛資訊、天氣資訊、交通訊息、政策資訊、新聞資訊或類似物或其任意組合。在一些實施例中，所述第一資料可由處理引擎112使用一個或多個電信號來編碼。
處理引擎112可從隨選服務系統100中的儲存裝置(如儲存裝置160)中獲得第一資料。在一些實施例中，第一資料可以從使用者終端(如請求者終端130、提供者終端140)獲得。例如，處理引擎112可通過分析請求、服務請求、交易、導航資訊、使用者終端的電子地圖或類似物或其任意組合來從司機終端或乘客終端獲得第一資料。
在一些實施例中，處理引擎112可從另一系統中獲得第一資料的至少一部分。另一系統可以包括但不限於天氣情況平臺、交通導引平臺、交通廣播平臺、政策平臺、新聞平臺及/或任何包括與歷史交通服務訂單相關的資訊的其他系統。例如，處理引擎112可從交通導引平臺獲得交通訊息(如交通事故資訊、交通情況資訊、交通限制資訊)。又例如，處理引擎112可從天氣預報網站獲得天氣資訊(如即時的天氣資訊、近乎即時的天氣資訊、天氣預報資訊)。
在一些實施例中，處理引擎112可根據歷史交通服務訂單的特徵或特性來獲得第一資料。所述歷史交通服務訂單的特徵可以包括但不限於時間段、地區、天氣、日期(如工作日、週末或假期)。例如，假設歷史交通服務訂單發生在一天的預設時間段內，處理引擎112可獲得與一天的預設時間段對應的第一資料。又例如，假設歷史交通服務訂單發生在預設城市中，處理引擎112可獲得與預設城市對應的第一資料。
在一些實施例中，處理引擎112可獲得與多個歷史交通服務訂單相關的第一資料。所述多個歷史交通服務訂單可以是隨選服務系統100中歷史交通服務訂單的隨機子集。或者，所述多個歷史交通服務訂單可根據歷史交通服務訂單的特徵(如，日期、時間段、地區、天氣、日期)從隨選服務系統100中的歷史交通服務訂單中選擇。例如，所選的多個歷史交通服務訂單全部發生在某城市(如紐約)或某地區(如紐約長島區)中。又例如，所選的多個歷史交通服務訂單全部發生在一天中的某時間段(如，早上7：00至早上9：00、工作日、週末)期間內。再例如，所選的歷史交通服務訂單全部發生在具有某種天氣情況的日子中(如雨天、晴天等)。
在620，處理引擎112(如確定模組530)可以確定與歷史交通服務訂單的非量化特徵相關的第一特徵向量。
在一些實施例中，所述第一特徵向量可包括多個歷史交通服務訂單的非量化特徵。進一步地，在一些實施例中，所述第一特徵向量可僅僅包括多個非量化特徵。
非量化特徵可以是未根據量度描述的特徵(如未通過量值測量)或者是不能根據該量度進行描述的特徵，因此該特徵不是量化的或者不能被量化。例如，使用者的性別僅僅定性地描述為男性或女性。不能用量值量化地描述為多少百分比的男性/女性，及/或使用者是什麼程度的男性/女性。在一些實施例中，非量化特徵可以以非實值表達(如字母、字串、代碼、圖表)的格式來描述。在一些實施例中，非量化特徵也可被稱為稀疏特徵。
非量化特徵可以包括但不限於非量化的使用者特徵、非量化的交易特徵、非量化的路線特徵、非量化的交通特徵、非量化的新聞特徵、非量化的運輸工具特徵。非量化的使用者特徵可包括司機的ID、司機的性別(如男性)、司機的偏好(如偏好於晚上工作)、司機的評價(如耐心的)、乘客的 姓名、乘客的性別、乘客的偏好或類似物或其任意組合。非量化的交易特徵可包括支付方式等。非量化的路線特徵可包括開始位置的地名(如時代廣場)、上車位置的地名、目的地的地名、路線中的道路名、道路種類(如高速)、以及城市名或類似物或其任意組合。非量化的天氣特徵可包括對天氣的描述(如雨天、熱天)、空氣品質等級(如良好)或類似物或其任意組合。非量化的天氣特徵可包括交通情況的描述(交通阻塞)、交通事故資訊、以及交通限制或類似物或其任意組合。非量化的新聞特徵可包括事件如音樂會、展覽、比賽、促銷或類似物或其任意組合的描述。非量化的運輸工具特徵運輸工具類型、運輸工具的顏色、運輸工具的品牌或類似物或其任意組合。
在一些實施例中，第一特徵向量可被表達為一行或一列的向量。例如，特徵向量可以是按照1×N行列式表達的行向量(如1×108行列式)。在一些實施例中，特徵向量可對應N維坐標系。N維坐標系可與歷史交通服務訂單的N個條目或特徵相關。在一些實施例中，處理引擎112可以一次處理一個或多個第一特徵向量。例如，可以將m個第一特徵向量(如，三個列向量)整合到1×mN的向量或mxN的矩陣中，其中m為整數。
在一些實施例中，處理引擎112可以確定歷史服務訂單相關的第一特徵向量的結構化資料。所述第一特徵向量的結構化資料可由處理引擎112根據B-樹、雜湊表等來構建或檢索。在一些實施例中，結構化資料可以以資料庫的形式儲存或保存在儲存裝置160中。第一特徵向量可用於產生多個訓練樣本。所述多個訓練樣本可形成訓練集，所述訓練集可用於發現潛在的預測關係，或用於建立估計模型。
在630，處理引擎112(如確定模組530)可以確定與歷史交通服務訂單的量化特徵相關的第二特徵向量。
在一些實施例中，第二特徵向量可包括多個歷史交通服務訂單 的量化特徵。進一步地，在一些實施例中，第二特徵向量可僅僅包括多個量化特徵。
所述可量特徵可以是可通過量度測定的特徵，因此該特徵通過實值表達(如數值、數學公式、數學模型等)來描述。相應地，量化特徵可以是實際用一個或多個值來量化的可量化特徵。量化特徵可包括量化使用者特徵、量化交易特徵、量化路線特徵、量化天氣特徵、量化交通特徵、量化新聞特徵、量化運輸工具特徵或類似物或其任意組合。
量化使用者特徵可包括司機的歷史交通服務訂單數目、由乘客評價的司機表現評分、乘客的歷史交通服務訂單數目、由司機評價的乘客表現評分或類似物或其任意組合。量化交易特徵可包括預估費用、單價(如每單位距離的價格)、實際費用或類似物或其任意組合。量化特徵路線特徵可包括開始位置的座標、開始時間、到達時間、持續時間、路程的距離、十字路口數目、有紅綠燈的十字路口數目、無紅綠燈的十字路口數目、小路的數目或類似物或其任意組合。量化天氣特徵可包括空氣品質指數、溫度、能見度、濕度、氣壓、風速、PM2.5指數或類似物或其任意組合。量化交通特徵可包括車流量、交通事故數目、速度(如平均速度、瞬時速度)或類似物或其任意組合。量化新聞特徵可包括事件的數目，如音樂會數目、比賽數目或類似物或其任意組合。量化運輸工具特徵可包括運輸工具座位數目、後備箱體積、負載量(如運輸工具可載產品的重量)或類似物或其任意組合。
在一些實施例中，如操作620所描述的，第二特徵向量可由一列或一行的向量表示。在一些實施例中，如操作620所描述的，處理引擎112可以確定與歷史服務訂單相關的第二特徵向量的結構化資料。
在640，處理引擎112(如訓練模組520)可通過訓練混合模型來確定及/或獲得預估到達時間(ETA)混合模型。所述混合模型包括至少兩個模 型。所述至少兩個模型可以是應用同一數學理論的模型。或者，所述至少兩個模型可以是應用不同數學理論的不同種類的模型。出於說明目的，本申請採用包含兩種不同類型的模型的混合模型作為示例。
例如，所述混合模型可包括第一模型和第二模型。第一模型可採用第一特徵向量(如非量化特徵)作為輸入；第二模型可採用第二特徵因素(如量化特徵)作為其輸入。進一步地，第一模型可以是線性回歸模型，第二模型可以是深度神經網路模型。分別如610和620所述的，第一特徵向量可以是非實值特徵向量，第二特徵向量可以是實值特徵向量。
在一些實施例中，處理引擎112可將與非量化特徵相關的第一特徵向量轉變為二元特徵向量。另外地或另選地，處理引擎112可將該二元特徵向量輸入第一訓練模型中。特徵向量中非量化特徵對應的值可在二元特徵向量中記為0或1。出於說明目的，假設非量化特徵是司機的性別，對應於男性的值在特徵向量中可為0，以及對應於女性的值在特徵向量中可為1。
在一些實施例中，與非量化特徵相關的第一特徵向量可以被轉變為實值向量，進而將其輸入第二模型中訓練。第一特徵向量的轉變可以根據非量化特徵與實值之間對應的關係來執行。非量化特徵與實值之間的對應關係可以記錄在表格、圖片、數學運算式等中。例如，司機的職業和實值之間的對應關係可以記錄在職業和其對應的實值的對應表格(如查閱資料表)中，所述對應表格儲存於儲存裝置(如儲存裝置160)中。處理引擎112可從資料庫中檢索所述對應關係，並根據所述對應關係將與司機的職業相關的特徵向量轉變為實值特徵向量。
在一些實施例中，處理引擎112可基於機器學習方法確定及/或訓練ETA混合模型。機器學習方法可包括人工神經網路演算法、深度學習演算法、決策樹演算法、相關規則演算法、歸納邏輯程式演算法、支援向量機演算 法、聚類演算法、貝葉斯網路演算法、強化學習演算法、表示學習演算法、相似度度量學習演算法、稀疏字典學習演算法、遺傳演算法、基於規則的機器學習演算法或類似物或其任意組合。
在一些實施例中，ETA混合模型可包括多個子混合模型。所述多個子混合模型中的每一個可對應於歷史服務訂單發生的和交付的預設場景。例如，所述預設場景可以是預設日期、一天中的時間段、地圖中的地區、天氣或類似物或其任意組合。例如，ETA混合模型的第一子混合模型可對應於雨天。又例如，ETA混合模型的第二子混合模型可對應於早上9：00至早上10：00。又例如，ETA混合模型的第三子混合模型可對應於紐約市曼哈頓的工作日。
ETA混合模型的子混合模型可以根據具有對應的特徵的歷史交通服務訂單相關的資料來確定。例如，對應於雨天的第一子混合模型可以根據雨天發生的歷史交通服務訂單相關的資料來確定。又例如，對應於早上9：00至早上10：00的第二子混合模型可以根據具有對應的特徵的歷史交通服務訂單相關的資料來確定，其中，該歷史交通服務訂單的開始時間及/或結束時間是在早上9：00至早上10：00。又例如，對應於紐約市曼哈頓的工作日的第三子混合模型可以根據具有對應的特徵的歷史交通服務訂單相關的資料來確定，其中，所述歷史交通服務訂單發生在工作日，以及其開始位置或結束位置是在曼哈頓。
在一些實施例中，混合模型可以是廣度深度學習(Wide and Deep Learning，WDL)模型，該WDL模型包括及/或結合線性回歸模型和深度神經網路(Deep Neural Network，DNN)模型。與非量化特徵相關的第一特徵向量可以是線性回歸模型的訓練輸入，與量化特徵相關的第二特徵向量可以是DNN模型的訓練輸入。在一些實施例中，處理引擎112可基於損失函數(如ETA混合模型產生的預估ETA和歷史交通服務訂單的實際到達時間之間的差異)確定ETA混合模型。在一些實施例中，可以使用線性回歸模型和DNN模型 的輸出的加權和作為預測值，或者使用它們的輸出的對數的加權和作為預測值，以結合線性回歸模型和DNN模型。關於確定ETA混合模型的更多描述可在本申請的其他地方找到(如圖7及其描述)。關於WDL模型的更多模型可以在本申請的其他地方找到(如圖8及其描述)。
在650，處理引擎112(如獲取模組510)可獲得與交通服務訂單相關的第二資料。
交通服務訂單可以是如610所描述的任何一個交通服務訂單，所述交通服務訂單的ETA待確定。交通服務訂單可以是即時交通服務訂單、預約交通服務訂單、待處理的交通服務訂單。即時交通服務訂單可以是要求提供者立刻或基本上立刻處理和開始服務的交通服務訂單，及/或是請求者希望在當前時間或者預定時間接收服務的交通服務訂單，所述預定時間對本領域具有通常知識者來說相當接近當前時間。預約交通服務訂單可指不要求提供者立刻開始服務，及/或請求者希望及/或期望在預定時間接收服務的交通服務訂單，所述預定時間對本領域具有通常知識者來說距離當前時間相當長。待處理交通服務訂單可以是正在進行的交通服務訂單，其正在被服務提供者處理。
與交通服務訂單相關的第二資料可包括訂單資訊、交易資訊、使用者資訊、地圖資訊、路線資訊、車輛資訊，和任何其他相關資訊或類似物或其任意組合。處理引擎112可從隨選服務系統100中的儲存裝置(如儲存裝置160)或另一系統(如，天氣情況平臺、交通導引平臺、新聞平臺)中獲得第二資料。在一些實施例中，第二資料可以是結構資料，其由處理引擎112編碼在一個或多個電信號中。與交通服務訂單相關的第二資料可基本類似於610所描述的與交通服務訂單相關的第一資料，在此不再贅述。
在660，處理引擎112(如確定模組530)可以確定與歷史交通服務訂單的非量化特徵相關的第三特徵向量。操作660可由基本類似於620的方式 執行，在此不再贅述。
在670，處理引擎112(如確定模組530)可以確定與交通服務訂單的量化特徵相關的第四特徵向量。操作670可由基本類似於630的方式執行，在此不再贅述。
在680，處理引擎112(如確定模組530)可基於第三特徵向量、第四特徵向量以及包括第一模型和第二模型的ETA混合模型來確定交通服務訂單的ETA。處理引擎112可將第三特徵向量輸入第一模型，將第四特徵向量輸入第二模型，來確定交通服務訂單的ETA。在一些實施例中，操作580可在電子裝置上實施，如智慧行動電話、個人數位助理(PDA)、平板電腦、筆記型電腦、電腦(車載電腦)、遊戲便攜站(PSP)、智慧眼鏡、智慧手錶、可穿戴裝置、虛擬顯示器裝置、顯示增強型裝置(如GoogleTM眼鏡、Oculus Rift、HoloLens或Gear VR)或類似物或其任意組合。
應當理解的是，上述流程600的描述僅僅是為說明的目的提供的，並不旨在限制本申請的範圍。對於本領域的具有通常知識者來說，可在不背離本申請原則的情況下對上述方法和系統的應用形式和細節作出各種修正和改變。
然而，這些修正和改變也落入本申請的範圍內。在一些實施例中，可加入或省略一個或多個操作。例如，可省略操作650至680。又例如，可在680後執行附加操作，將交通服務訂單的ETA通過網路120發送到至少一個終端(如，請求者終端130、提供者終端140)。在一些實施例中，流程600中的操作順序可以改變。例如，可以同時或者以任何順序執行620和630。
在一些實施例中，620之前，處理引擎112可以確定與歷史交通服務訂單特徵相關的特徵向量。所述特徵向量可包括歷史交通服務訂單的非量化特徵和量化特徵。處理引擎112可基於特徵向量確定與非量化特徵相關的第 一特徵向量，以及與量化特徵相關的第二特徵向量。
在一些實施例中，如640所描述的，ETA混合模型可包括多個子混合模型。每一個子混合模型可對應日期、一天中的時間段、地圖中的地區、天氣或類似物或其任意組合。在680，處理引擎112可選擇對應於交通服務訂單的子混合模型，並可根據第三特徵向量、第四特徵向量和所選的子混合模型確定交通服務訂單的ETA。對應於交通服務訂單的子混合模型可基於交通服務訂單的特徵(如日期、一天中的時間段、地圖中的地區、天氣等)來選擇。例如，處理引擎112可以確定交通服務訂單開始位置的地區或交通服務訂單結束位置所在的地區，並根據該開始位置或結束位置來選擇對應於地圖中的該地區的ETA子混合模型。又例如，處理引擎112可以確定交通服務訂單的開始時間結束時間所在的時間段，並根據開始時間和結束時間確定與該時間段對應的ETA子混合模型。
圖7係根據本申請的一些實施例所示的一種用於確定ETA的混合模型的示例性流程700。流程700可由隨選服務系統100執行。例如，流程700可實施為儲存在儲存裝置160中的一組指令(例如，應用程式)。處理引擎112可執行該組指令，進而可相應地被指示為在線上隨選服務平臺上執行流程700。所述平臺可以是一種通過網際網路連接隨選服務的提供者和請求者的基於網際網路的平臺。在一些實施例中，流程700可以是圖6所示操作640中的一個實施例。
在710，處理引擎112(如訓練模組520)可獲得與歷史交通服務訂單相關的資料。操作710可通過基本類似於圖6中所描述的610的方式執行。在此不再贅述。
在720，處理引擎112(如訓練模組520)可以確定與歷史交通服務訂單非量化特徵相關的第一特徵向量。操作720可通過基本類似於圖6中所描 述的620的方式執行，在此不再贅述。
在730，處理引擎112(如訓練模組520)可以確定與歷史交通服務訂單量化特徵相關的第二特徵向量。操作730可通過基本類似於圖6中所描述的630的方式執行。在此不再贅述。
在740，處理引擎112(如訓練模組520)可獲得歷史交通服務訂單的實際到達時間(actual time of arrival，ATA)。處理引擎112可通過網路120從儲存裝置160中獲得歷史交通服務訂單的ATA。所述歷史交通服務訂單的ATA可以是提供者讓乘客下車的時間點。
在750，處理引擎112(如訓練模組520)可獲得包括第一模型和第二模型的混合模型。所述混合模型可包括由隨選服務系統100設置的預設值或者可在不同條件下進行調整。所述混合模型可以是WDL模型，該WDL模型包括圖8所示的線性回歸模型和DNN模型。所述WDL模型可包括多個初始參數，例如，核的數目、每個核的大小、處理層的數目、第一模型和第二模型的權重等。混合模型的初始參數可包括隨選服務系統100設置的預設值或可在不同條件下進行調整。
在760，基於歷史交通服務訂單的混合模型、第一特徵向量和第二特徵向量，處理引擎112可以確定及/或選擇歷史交通服務訂單的樣本ETA。處理引擎112可將第一特徵向量輸入第一模型中、將第二特徵向量輸入第二模型中，以及可基於所述多個參數確定樣本ETA。在一些實施例中，結合操作640所描述的，第一特徵向量可轉變成實值向量並被輸入第二模型中。在一些實施例中，樣本ETA可以是第一模型的輸出和第二模型的輸出的加權和。
在770，處理引擎112(如訓練模組520)可基於ATA和樣本ETA確定損失函數。損失函數可顯示混合模型的準確率。在一些實施例中，處理引擎112可基於ATA和樣本ETA之間的差異確定損失函數。ATA和樣本ETA之間的 差異可基於演算法來確定，所述演算法包括，例如，平均絕對誤差百分比(MAPE)、均方誤差(MSE)、均方根誤差(RMSE)或類似物或其任意組合。僅作為示例，處理引擎112可根據下文所描述的方程式(1)，基於MAPE來確定損失函數：
其中，ETAs指樣本ETA。
在780，處理引擎112(如訓練模組520)可以確定損失函數(ATA和樣本ETA之間的差異)的值是否小於臨界值。所述臨界值可以是隨選服務系統100設置的預設值或者可在不同條件下進行調整。
回應於損失函數的值小於臨界值的確定結果，在790中，處理引擎112可將混合模型儲存為已訓練的ETA混合模型。在一些實施例中，處理引擎112可將已訓練的ETA混合模型儲存為結構化資料。ETA混合模型的結構化資料可以由處理引擎112根據B-樹或雜湊表構建或檢索。在一些實施例中，結構化資料可以以資料庫的形式儲存或保存在儲存裝置160中。
另一態樣，回應於損失函數的值大於或等於臨界值的確定結果，處理引擎112可返回至750執行流程700以更新混合模型，直至損失函數的值小於臨界值。例如，處理引擎112可更新多個初始參數(如核函數數目、每個核函數的頻寬、處理層數目、第一模型和第二模型的權重)。進一步地，如果處理引擎112根據已更新的參數確定損失函數的值小於臨界值，處理引擎112可將已更新的混合模型儲存為流程790已訓練的混合模型。另一態樣，如果處理引擎112基於已更新的參數確定損失函數的值大於臨界值，處理引擎112可仍返回750執行流程700，以進一步更新參數。步驟750-780的反覆運算會持續進行，直至處理引擎112基於最新已更新的參數確定損失函數的值小於臨界值，並且處理引擎112可將已更新的初始混合模型儲存為已訓練的神經網路模型。
圖8係根據本申請的一些實施例所示的示例性的ETA的WDL模型的示意圖。所述WDL模型可包括廣度元件(圖8中所示的左側的元件)和深度元件(圖8中所示的右側的組件)。
在一些實施例中，所述廣度元件可以是線性回歸模型，深度元件可以是DNN模型。WDL模型可包括第一輸入層810和輸出層840。DNN模型可進一步包括第二輸入層820和隱藏層830。第二輸入層820還可被稱為DNN模型的密集嵌入。第一輸入層810、第二輸入層820以及輸出層840分別可包括一個或多個人工神經元(如圖8所示的圓圈)。在一些實施例中，第一輸入層810可以是稀疏、非實值特徵向量(如與歷史交通服務訂單非量化特徵相關的第一特徵向量)的輸入層。第二輸入層820可以是密集、實值特徵向量(如與歷史交通服務訂單量化特徵相關的第二特徵向量)的輸入層。
線性回歸模型可用下述方程式(2)來描述：y=wTx+b, 方程式(2)
其中x=[x 1 ；x 2 ；…,x d ]指包括d個特徵的特徵向量；W=[w 1 ；w 2 ；…；w d ]指與線性回歸模型相關的參數；b是線性回歸模型的偏置；以及y指線性回歸模型的輸出。
如圖6所述，輸入線性回歸模型中的特徵向量可以是第一特徵向量，所述第一特徵向量與歷史交通服務訂單的非量化特徵有關。在一些實施例中，所述第一特徵向量可轉換為二元第一特徵向量，進一步被輸入線性回歸模型中。所述二元第一特徵向量可以基於下述轉換方程式(3)來確定： 其中，C ki 指布林變數，当第i特征包含在第k變數中時，所述布林變數等於1，否則等於0。
僅僅是示範例，對於如司機的性別的二元非量化特徵來說，司 機的性別是女性時轉換方程式(如性別=女性)可等於1，司機的性別是男性時轉換方程式則等於0。或者，司機的性別是女性時轉換方程式(如性別=女性)可等於0，司機的性別是男性時轉換方程式則等於1。
在DNN模型中，第i層的每個人工神經元可以與第(i-1)層的每個人工神經元連接，以及第i層的每個人工神經元可以與第(i+1)層的每個人工神經元連接。
DNN模型的輸入第二輸入層的特徵向量可包括第二特徵向量，該第二特徵向量與圖6中所描述的歷史交通服務訂單的量化特徵相關。所述第二特徵向量可以是實值向量。另外地或另選地，DNN模型中，輸入第二輸入層的特徵向量可以包括與非量化特徵相關的已轉換的第一特徵向量。結合圖6所描述的操作640，可以基於非量化特徵與實值之間對應的關係將第一特徵向量轉換為實值向量，以此構建已轉換的第一特徵向量。
所述第二特徵向量或已轉換的第一特徵向量可被隨機初始化，並進一步被輸入至第二輸入層。第二特徵向量或已轉換的第一特徵向量的值可在訓練中確定，以使混合模型的損失函數(如圖7所描述的)最小化。第二特徵向量或已轉換的第一特徵向量可以向前被輸入DNN模型的隱藏層。最後隱藏的輸出向量可以是DNN模型的輸出。每個隱藏層可執行下述方程式(4)：a(l+1)=f(W(l)a(l)+b(l)) 方程式(4)，其中，l指層數；f指激勵函數(如ReLU激勵函數)；a(l)指第l層的輸出向量；b(l)指第l層DNN模型的偏置；W(l)指第l層DNN模型的權重。
線性回歸模型和DNN模型的輸出的加權和可以作為預測值，可將所述兩者模型進行結合，所述預測值可以進一步提供給用於訓練的損失函數。或者，使用線性回歸模型和DNN模型的輸出邏輯勝算的加權和，可將該兩者模型結合為估計函數，進一步，該估計函數饋送給損失函數用於訓練。
在訓練中，與線性回歸模型相關的參數、與DNN模型相關的參數及其兩者和的權重均可以被優化。在一些實施例中，可以利用mini-batch隨機優化，將梯度從輸出中同時反向傳播給線性回歸模型和WDL模型，以訓練線性回歸模型和DNN模型。例如，WDL模型可基於Follow-the-regularized-leader(FTRL)演算法來訓練。
應當理解的是，圖8所示的WDL模型僅僅是為說明的目的提供的，並不旨在限制本申請的範圍。對於本領域的具有通常知識者來說，可在不背離本申請原則的情況下對上述方法和系統的應用形式和細節作出各種修正和改變。例如，DNN模型可以有任何隱藏層數。又例如，DNN模型可通過深度學習方法來修正或訓練。
上文已對基本概念做了描述，顯然，對於本領域具有通常知識者來說，上述申請揭露僅僅作為示例，而並不構成對本申請的限定。雖然此處並沒有明確說明，本領域具有通常知識者可能會對本申請進行各種修改、改進和修正。該類修改、改進和修正在本申請中被建議，所以該類修改、改進、修正仍屬於本申請示範實施例的精神和範圍。
此外，本申請使用了特定術語來描述本申請的實施例。如「一個實施例」、「一實施例」、及/或「一些實施例」意指與本申請至少一個實施例相關的某一特徵、結構或特點。因此，應強調並注意的是，本說明書中在不同位置兩次或多次提及的「一實施例」或「一個實施例」或「一替代性實施例」並不一定是指同一實施例。此外，本申請的一個或多個實施例中的某些特徵、結構或特點可以進行適當的組合。
此外，本領域具有通常知識者可以理解，本申請的各態樣可以通過若干具有可專利性的種類或情況進行說明和描述，包括任何新的和有用的流程、機器、產品、或物質的組合，或對他們的任何新的和有用的改進。相應 地，本申請的各個態樣可以完全由硬體執行、可以完全由軟體(包括韌體、常駐軟體、微碼等)執行、也可以由硬體和軟體組合執行。以上硬體或軟體均可被稱為「單元」、「模組」、或「系統」。此外，本申請的各態樣可能表現為位於一個或多個電腦可讀取媒體中的電腦產品，該產品包括電腦可讀取程式編碼。
電腦可讀取信號媒體可包含一個內含有電腦程式編碼的傳播資料信號，例如在基帶上或作為載波的一部分。該傳播信號可能有多種表現形式，包括電磁形式、光形式等等、或合適的組合形式。電腦可讀取信號媒體可以是除電腦可讀取儲存媒體之外的任何電腦可讀取媒體，該媒體可以通過連接至一個指令執行系統、裝置或裝置以實現通訊、傳播或傳輸供使用的程式。位於電腦可讀取信號媒體上的程式編碼可以通過任何合適的媒體進行傳播，包括無線電、纜線、光纖纜線、射頻信號等或任何上述媒體的組合。
本申請各部分操作所需的電腦程式編碼可以用任意一種或多種程式語言編寫，包括物件導向程式設計語言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常規程式化程式設計語言如C語言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，動態程式設計語言如Python、Ruby和Groovy，或其他程式設計語言等。該程式編碼可以完全在使用者電腦上運行、或作為獨立的軟體包在使用者電腦上運行、或部分在使用者電腦上運行部分在遠端電腦運行、或完全在遠端電腦或伺服器上運行。在後種情況下，遠端電腦可以通過任何網路形式與使用者電腦連接，比如區域網路(LAN)或廣域網路(WAN)，或連接至外部電腦(例如通過使用網路服務供應商(ISP)之網際網路)，或在雲計算環境中，或作為服務使用如軟體即服務(SaaS)。
此外，除非申請專利範圍中明確說明，本申請所述處理元件和 序列的順序、數位字母的使用、或其他名稱的使用，並非用於限定本申請流程和方法的順序。儘管上述揭露中通過各種示例討論了一些目前認為有用的本申請的實施例，但應當理解的是，該類細節僅起到說明的目的，附加的申請專利範圍並不僅限於揭露的實施例，相反地，申請專利範圍旨在覆蓋所有符合本申請的實施例的精神和範圍的修正和均等組合。例如，雖然以上所描述的系統元件可以通過硬體裝置實現，但是也可以只通過軟體的解決方案來實現，如在現有的伺服器或行動裝置上的安裝。
同理，應當注意的是，為了簡化本申請揭露的表述，從而幫助對一個或多個申請實施例的理解，前文對本申請實施例的描述中，有時會將多種特徵歸併至一個實施例、圖式或對其的描述中。但是，這種揭露方法並不意味著本申請標的所需要的特徵比每個申請專利範圍中提及的特徵多。實際上，所要求保護的標的之特徵要少於上述揭露的單個實施例的全部特徵。

Claims (20)

  1. 一種系統，包含：至少一個非暫時性電腦可讀取儲存媒體，所述至少一個非暫時性電腦可讀取儲存媒體包括一組指令；至少一個處理器，所述至少一個處理器與所述至少一個非暫時性電腦可讀取儲存媒體進行通訊，其中，在執行該組指令時，所述至少一個處理器被指示為：獲取至少一個第一特徵向量，所述至少一個第一特徵向量與歷史交通服務訂單的至少一個非量化特徵有關；獲取至少一個第二特徵向量，所述至少一個第二特徵向量與所述歷史交通服務訂單的至少一個量化特徵有關；通過訓練混合模型來獲得已訓練的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一個第一特徵向量是所述第一模型的輸入，所述至少一個第二特徵向量是所述第二模型的輸入；以及指示至少一個儲存媒體儲存所述已訓練的混合模型。
  2. 如申請專利範圍第1項之系統，其中所述混合模型是預估到達時間(Estimated Time of Arrival，ETA)的廣度深度學習(Wide and Deep Learning，WDL)模型；所述第一模型是線性回歸模型；以及所述第二模型是深度神經網路模型。
  3. 如申請專利範圍第2項之系統，其中所述ETA的WDL模型包括多個WDL子模型，所述多個WDL子模型的每個WDL子模型對應一天中的時間段或地圖中的地區中的至少一個。
  4. 如申請專利範圍第2項之系統，其中為了獲取ETA的已訓練的 WDL模型，所述至少一個處理器進一步被指示為：獲取所述歷史交通服務訂單的實際到達時間(ATA)；獲取所述WDL模型；基於所述WDL模型、所述第一特徵向量、和所述第二特徵向量，確定所述歷史交通服務訂單的樣本ETA；基於所述ATA和所述樣本ETA，確定損失函數；確定所述損失函數的值是否小於臨界值；以及回應於所述損失函數的值小於所述臨界值的確定結果，將所述WDL模型儲存為ETA的已訓練的WDL模型。
  5. 如申請專利範圍第4項之系統，其中所述損失函數是平均絕對誤差百分比函數。
  6. 如申請專利範圍第1項之系統，其中所述至少一個非量化特徵包括使用者的ID、使用者的性別、使用者的偏好、使用者的評價、支付方式、開始位置的地名、上車位置的地名、目的地的地名、路線中的道路名、道路種類、城市名、天氣的描述、空氣品質等級、交通情況的描述、交通限制、事件的描述、運輸工具類型、運輸工具的顏色，或者運輸工具的品牌中的至少一種。
  7. 如申請專利範圍第1項之系統，其中，所述至少一個量化特徵包括使用者歷史交通服務訂單的數目、使用者的表現評分、預估費用、單價、實際費用、開始位置的座標、開始時間、到達時間、持續時間、路程的距離、十字路口數目、有紅綠燈的十字路口數目、無紅綠燈的十字路口數目、小路數目、空氣品質指數、溫度、能見度、濕度、氣壓、風速、PM2.5指數、交通量、交通事故的數目、速度、事件數目、車座數目、後備箱體積，或負載量。
  8. 一種在計算裝置上實施的方法，所述計算裝置包括至少一個處 理器、至少一個非暫時性電腦可讀取儲存媒體、以及連接至網路的通訊平臺，所述方法包括：獲取至少一個第一特徵向量，所述至少一個第一特徵向量與歷史交通服務訂單的至少一個非量化特徵有關；獲取至少一個第二特徵向量，所述至少一個第二特徵向量與所述歷史交通服務訂單的至少一個量化特徵有關；通過訓練混合模型來獲得已訓練的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一個第一特徵向量是所述第一模型的輸入，所述至少一個第二特徵向量是所述第二模型的輸入；以及指示至少一個儲存媒體儲存所述已訓練的混合模型。
  9. 如申請專利範圍第8項之方法，其中所述混合模型是預估到達時間(Estimated Time of Arrival，ETA)的廣度深度學習(Wide and Deep Learning，WDL)模型；所述第一模型是線性回歸模型；以及所述第二模型是深度神經網路模型。
  10. 如申請專利範圍第9項之方法，其中所述ETA的WDL模型包括多個WDL子模型，所述多個WDL子模型的每個WDL子模型對應一天中的時間段或地圖中的地區中的至少一個。
  11. 如申請專利範圍第9項之方法，其中為了獲取ETA的已訓練的WDL模型，所述至少一個處理器進一步被指示為：獲取所述歷史交通服務訂單的實際到達時間(actual time of arrival，ATA)；獲取所述WDL模型；基於所述WDL模型、所述第一特徵向量、和所述第二特徵向量，確定所述 歷史交通服務訂單的樣本ETA；基於所述ATA和所述樣本ETA，確定損失函數；確定所述損失函數的值是否小於臨界值；以及回應於所述損失函數的值小於所述臨界值的確定結果，將所述WDL模型儲存為ETA的已訓練的WDL模型。
  12. 如申請專利範圍第11項之方法，其中所述損失函數是平均絕對誤差百分比函數。
  13. 如申請專利範圍第8項之方法，其中所述至少一個非量化特徵包括使用者的ID、使用者的性別、使用者的偏好、使用者的評價、支付方式、開始位置的地名、上車位置的地名、目的地的地名、路線中的道路名、道路種類、城市名、天氣的描述、空氣品質等級、交通情況的描述、交通限制、事件的描述、運輸工具類型、運輸工具的顏色，或者運輸工具的品牌中的至少一種。
  14. 如申請專利範圍第8項之方法，其中，所述至少一個量化特徵包括使用者歷史交通服務訂單的數目、使用者的表現評分、預估費用、單價、實際費用、開始位置的座標、開始時間、到達時間、持續時間、路程的距離、十字路口數目、有紅綠燈的十字路口數目、無紅綠燈的十字路口數目、小路數目、空氣品質指數、溫度、能見度、濕度、氣壓、風速、PM2.5指數、交通量、交通事故的數目、速度、事件數目、車座數目、後備箱體積，或負載量。
  15. 一種非暫時性電腦可讀取媒體，所述非暫時性電腦可讀取媒體包含指令，在被至少一個處理器存取時，所述至少一個處理器被指示為：獲取至少一個第一特徵向量，所述至少一個第一特徵向量與歷史交通服務訂單的至少一個非量化特徵有關；獲取至少一個第二特徵向量，所述至少一個第二特徵向量與所述歷史交通 服務訂單的至少一個量化特徵有關；通過訓練混合模型來獲得已訓練的混合模型，所述混合模型包括第一模型和第二模型，其中所述至少一個第一特徵向量是所述第一模型的輸入，所述至少一個第二特徵向量是所述第二模型的輸入；以及指示至少一個儲存媒體儲存所述已訓練的混合模型。
  16. 如申請專利範圍第15項之非暫時性電腦可讀取媒體，其中所述混合模型是預估到達時間(ETA)的廣度深度學習(Wide and Deep Learning，WDL)模型；所述第一模型是線性回歸模型；以及所述第二模型是深度神經網路模型。
  17. 如申請專利範圍第16項之非暫時性電腦可讀取媒體，其中為了獲取ETA的已訓練的WDL模型，所述至少一個處理器進一步被指示為：獲取所述歷史交通服務訂單的實際到達時間(ATA)；獲取所述WDL模型；基於所述WDL模型、所述第一特徵向量、和所述第二特徵向量，確定所述歷史交通服務訂單的樣本ETA；基於所述ATA和所述樣本ETA,確定損失函數；確定所述損失函數的值是否小於臨界值；以及回應於所述損失函數的值小於所述臨界值的確定結果，將所述WDL模型儲存為ETA的已訓練的WDL模型。
  18. 如申請專利範圍第17項之非暫時性電腦可讀取媒體，其中所述損失函數是平均絕對誤差百分比函數。
  19. 如申請專利範圍第15項之非暫時性電腦可讀取媒體，其中所述至少一個非量化特徵包括使用者的ID、使用者的性別、使用者的偏好、使用者 的評價、支付方式、開始位置的地名、上車位置的地名、目的地的地名、路線中的道路名、道路種類、城市名、天氣的描述、空氣品質等級、交通情況的描述、交通限制、事件的描述、運輸工具類型、運輸工具的顏色，或者運輸工具的品牌中的至少一種。
  20. 如申請專利範圍第15項之非暫時性電腦可讀取媒體，其中，所述至少一個量化特徵包括使用者歷史交通服務訂單的數目、使用者的表現評分、預估費用、單價、實際費用、開始位置的座標、開始時間、到達時間、持續時間、路程的距離、十字路口數目、有紅綠燈的十字路口數目、無紅綠燈的十字路口數目、小路數目、空氣品質指數、溫度、能見度、濕度、氣壓、風速、PM2.5指數、交通量、交通事故的數目、速度、事件數目、車座數目、後備箱體積，或負載量。
TW107114278A 2017-06-13 2018-04-26 用於推薦預估到達時間的系統和方法 TWI670677B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/CN2017/088048 WO2018227368A1 (en) 2017-06-13 2017-06-13 Systems and methods for recommending an estimated time of arrival
??PCT/CN2017/088048 2017-06-13

Publications (2)

Publication Number Publication Date
TW201903704A true TW201903704A (zh) 2019-01-16
TWI670677B TWI670677B (zh) 2019-09-01

Family

ID=64659710

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107114278A TWI670677B (zh) 2017-06-13 2018-04-26 用於推薦預估到達時間的系統和方法

Country Status (5)

Country Link
US (1) US20200011692A1 (zh)
EP (1) EP3586285A1 (zh)
CN (1) CN109416878B (zh)
TW (1) TWI670677B (zh)
WO (1) WO2018227368A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI724809B (zh) * 2019-08-09 2021-04-11 開曼群島商創新先進技術有限公司 模型參數確定方法、裝置和電子設備
TWI773507B (zh) * 2021-09-01 2022-08-01 國立陽明交通大學 預測系統可靠度之方法與裝置

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10816351B1 (en) * 2017-07-14 2020-10-27 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US11015952B1 (en) 2017-09-27 2021-05-25 United Services Automobile Association (Usaa) Systems and methods for transportation management
US11037055B2 (en) * 2017-10-30 2021-06-15 DoorDash, Inc. System for dynamic estimated time of arrival predictive updates
CN111598642A (zh) * 2019-02-21 2020-08-28 北京嘀嘀无限科技发展有限公司 一种风险判定方法、系统、装置及存储介质
CN110263973B (zh) * 2019-05-15 2024-02-02 创新先进技术有限公司 预测用户行为的方法及装置
CN111862585B (zh) * 2019-07-23 2021-11-02 北京嘀嘀无限科技发展有限公司 用于交通预测的系统和方法
CN111860903A (zh) * 2019-09-18 2020-10-30 北京嘀嘀无限科技发展有限公司 一种确定预估到达时间的方法和系统
CN112541246A (zh) * 2019-09-20 2021-03-23 拉扎斯网络科技（上海）有限公司 一种数据处理的方法、装置、可读存储介质和电子设备
CN113313439B (zh) * 2020-02-26 2024-04-05 北京京东振世信息技术有限公司 一种计算妥投时长的方法和装置
CN111860906B (zh) * 2020-04-24 2024-04-26 北京嘀嘀无限科技发展有限公司 一种确定预估到达时间的方法和系统
CN111784475A (zh) * 2020-07-06 2020-10-16 北京嘀嘀无限科技发展有限公司 一种订单信息处理方法、系统、装置及存储介质
US20220034667A1 (en) * 2020-07-30 2022-02-03 Here Global B.V. Method, apparatus, and computer program product for estimating a time-of-arrival at a destination
KR20220073896A (ko) * 2020-11-26 2022-06-03 현대자동차주식회사 차량의 주행 제어 장치 및 방법
CN113011672B (zh) * 2021-03-29 2024-04-19 上海寻梦信息技术有限公司 物流时效预测方法、装置、电子设备及存储介质
CN113112059A (zh) * 2021-03-31 2021-07-13 亿海蓝（北京）数据技术股份公司 船舶靠泊时间预测方法及系统
US20220343248A1 (en) * 2021-04-26 2022-10-27 GoBrands, Inc. Systems and methods of predicting estimated times of arrival based on historical information

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI452540B (zh) * 2010-12-09 2014-09-11 Ind Tech Res Inst 影像式之交通參數偵測系統與方法及電腦程式產品
CN102646332B (zh) * 2011-02-21 2014-03-12 日电（中国）有限公司 基于数据融合的交通状态估计装置和方法
US8909476B2 (en) * 2012-03-22 2014-12-09 Here Global B.V. Method and apparatus for recommending content based on a travel route
TWI522974B (zh) * 2014-10-06 2016-02-21 Chunghwa Telecom Co Ltd 到站時間預測系統與方法
JP6437815B2 (ja) * 2014-12-22 2018-12-12 株式会社ゼンリンデータコム 情報処理システム、及び情報処理方法
US10175054B2 (en) * 2015-01-11 2019-01-08 Microsoft Technology Licensing, Llc Predicting and utilizing variability of travel times in mapping services
WO2016116048A1 (zh) * 2015-01-20 2016-07-28 北京嘀嘀无限科技发展有限公司 一种为按需服务提供信息的系统及方法
EP3252705A4 (en) * 2015-01-29 2018-07-04 Beijing Didi Infinity Technology and Development Co., Ltd. Order allocation system and method
US20160284349A1 (en) * 2015-03-26 2016-09-29 Binuraj Ravindran Method and system of environment sensitive automatic speech recognition
US10019671B2 (en) * 2015-06-12 2018-07-10 Conduent Business Services, Llc Learning mobility user choice and demand models from public transport fare collection data
JP2018533105A (ja) * 2015-08-14 2018-11-08 クアルコム，インコーポレイテッド モバイルデバイス挙動を分類するために正規化信頼性値を使用すること
CN106485935B (zh) * 2016-12-26 2019-04-05 重庆西楚智捷科技有限公司 一种基于gps预测公交到站时间的方法
AU2018282300B2 (en) * 2017-06-16 2020-11-12 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for allocating service requests
WO2019089985A1 (en) * 2017-11-01 2019-05-09 Avis Budget Car Rental, LLC Connected user communication and interface system with shuttle tracking application
JP6804792B2 (ja) * 2017-11-23 2020-12-23 ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド 到着時間を推定するためのシステムおよび方法
US11704608B2 (en) * 2017-12-29 2023-07-18 Lyft, Inc. Session-based transportation dispatch

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI724809B (zh) * 2019-08-09 2021-04-11 開曼群島商創新先進技術有限公司 模型參數確定方法、裝置和電子設備
TWI773507B (zh) * 2021-09-01 2022-08-01 國立陽明交通大學 預測系統可靠度之方法與裝置

Also Published As

Publication number Publication date
CN109416878B (zh) 2022-04-12
TWI670677B (zh) 2019-09-01
US20200011692A1 (en) 2020-01-09
EP3586285A4 (en) 2020-01-01
CN109416878A (zh) 2019-03-01
WO2018227368A1 (en) 2018-12-20
EP3586285A1 (en) 2020-01-01

Similar Documents

Publication Publication Date Title
TWI670677B (zh) 用於推薦預估到達時間的系統和方法
AU2020201991B2 (en) Systems and methods for recommending an estimated time of arrival
CN109478364B (zh) 确定预计到达时间的方法及系统
TWI673659B (zh) 用於確定預估到達時間的電子系統和方法及相關的非暫時性電腦可讀取媒體
CN109478275B (zh) 分配服务请求的系统和方法
US20200050938A1 (en) Systems and methods for improvement of index prediction and model building
CN110537212B (zh) 确定预估到达时间的系统与方法
JP7047096B2 (ja) オンラインツーオフラインサービスに関する推定された到着時間を決定するためのシステムおよび方法
TWI675184B (zh) 用於路線規劃的系統、方法及非暫時性電腦可讀取媒體
CN109948822B (zh) 一种地理区域内网约车供需缺口预测方法