TW202215313A - 供改進預測及資源管理估計潛在需求之通訊裝置及方法 - Google Patents

Abstract

提供一種用於預測對服務之需求的通訊伺服器裝置和方法，伺服器基於所接收的查詢來管理服務的提供。包括在過去時間段內的服務查詢的資料實例的資料記錄被接收。藉由將資料實例中的一個或多個的特徵的數值修改為標準化數值而衍生已修改資料記錄。該特徵為與由伺服器回應於查詢而提供服務的載客有關的參數。已修改資料記錄的資料實例輸入至分類模型中，其中該分類模型預計是否將進行一服務預訂。分類預計由該分類模型輸出，而且該過去時間段之潛在需求的估計基於分類預計而確定，供對服務之需求的改進預測。

Description

供改進預測及資源管理估計潛在需求之通訊裝置及方法

本發明一般與通訊領域有關。本發明的一個構想是關於用於基於已接收的消費者查詢來管理服務之提供、以及用於改進對服務需求之預測的通訊伺服器裝置。本發明的另一構想是關於一種用於對服務之提供的消費者需求的改進預測的方法。本發明的又一構想是關於一種基於對服務之消費者需求的改進預測對於服務之資源的改進管理的方法。

本發明的一個構想對於由通訊伺服器裝置所預訂和管理的運輸相關服務具有特定、但非排他性的應用。特別是，本發明提供了對於特定地理區域中的這些運輸相關服務之消費者需求的改進預測，以賦能資源的改進管理，諸如重新定位載具，以在相關時間於該地理區域中提供服務以滿足預測需求。

對於產品或服務之消費者需求的預測可使用於資源的管理。舉例而言，預測可使用來確保在未來的特定時間有適當的資源可用，以滿足消費者需求。傳統上用於資源管理的預測是基於先前的需求模式，其可使用預測演算法從歷史資料衍生。在由通訊伺服器預定及管理服務的情況中（例如，運輸相關服務，諸如所謂的「叫車（ride-hailing）」或遞送服務），可基於由通訊伺服器所記錄的歷史資料衍生過去消費者需求的數值。特別是，該通訊伺服器隨時間而保留了已履行的服務預訂的記錄以及消費者對未履行的服務之詢問（enquire）（在此稱為「查詢（query）」）的記錄。因此，過去時間段之消費者需求可被決定為在該時間段中已履行的服務預訂之總數量、已預訂的查詢的百分比、或是代表需求的類似參數。藉由預測演算法基於先前需求模式，使用基於已履行的服務預訂而確定的過去需求數值，可為特定的目前或未來時間段預測消費者需求。然而，基於過去時間段中之服務的實際完成度來確定過去的需求並不代表在該時間的真正消費者需求。因此，基於過去的服務的實際完成度來預測可能是不精確的，而且，結果無法最佳化資源管理以滿足消費者需求。

本發明的構想係於獨立請求項中提出。一些隨選的特徵則定義於附屬請求項中。

本文所揭露之技術的實施可提供數項技術優勢。特別是，本文所揭技術提供對於由一通訊伺服器所預訂和管理的服務之過去消費者需求的更精確呈現。這是藉由確定過去消費者需求的可靠估計而達成，從而賦能未來需求的改進預測，並且進而賦能具有改進效率的與服務的提供相關聯的資源管理。這類資源包含與服務的提供相關聯之實體資源、以及包括用於管理從預訂查詢到服務履行的服務的通訊伺服器裝置之通訊系統的資源。

在至少一些實施方式中，本文所揭露之技術藉由減少在特定時間段中由使用者查詢的數量而降低用於管理服務之通訊伺服器裝置的負荷。

在一種例示實施方式中，本文所揭露之技術的功能性可在配置以管理服務的通訊伺服器裝置上運行的軟體中實施。當於該通訊伺服器裝置上運行時，該伺服器裝置的硬體特徵可被使用以實施下述功能性，諸如使用收發器組件來設立安全通訊頻道。通訊伺服器裝置可與使用者的通訊設備（客戶設備）通訊以安排預訂、服務的履行等。客戶設備的功能性可於手持通訊設備（諸如行動電話）上運行的軟體中實施。實施本文所揭露之技術的功能性之軟體可含有在使用者已經從線上商店下載的「app」（一種電腦程式或電腦程式產品）中。當於例如使用者的行動電話上運行時，該行動電話的硬體特徵可被使用以實施下述功能性，諸如使用行動電話的收發器組件來設立與通訊伺服器裝置之安全通訊頻道。

先參照圖1，說明了一種通訊系統100。通訊系統100包括通訊伺服器裝置102、消費者通訊設備104和服務供應者通訊設備106。這些設備是藉由實施例如網際網路通訊協定的分別通訊鏈結110、112、114而連接於通訊網路108（例如網際網路）中。通訊設備104、106可藉由其他通訊網路（諸如公共交換電話網路（PSTN網路））來通訊，包含行動蜂巢式通訊網路，但這些於圖1中省略以求清晰。

通訊伺服器裝置102可以是如圖1中示意描述的單一伺服器，或是具有由分佈於多個伺服器組件上的伺服器裝置102所行使的功能性。在圖1的示例中，通訊伺服器裝置102可包括數個獨立組件，包含但不限於：一個或多個微處理器116、一記憶體118（例如一揮發性記憶體，諸如RAM）供可執行指令120的載入，定義伺服器裝置102的功能性的該可執行指令在處理器116的控制下實行。通訊伺服器裝置102也包括輸入/輸出模組122，其允許該伺服器於通訊網路108上通訊。使用者介面124被提供用於使用者控制，且可包括例如計算周邊設備，諸如顯示監視器、電腦鍵盤等。伺服器裝置102也包括資料庫126，其目的將於下述討論中變得明顯。

消費者通訊設備104可包括數個獨立組件，包含但不限於：一個或多個微處理器128、記憶體130（例如，揮發性記憶體，諸如RAM）供可執行指令132的載入，定義了消費者通訊裝置104的功能的該可執行指令在處理器128的控制下實行。消費者通訊設備104也包括輸入/輸出模組134，其允許消費者通訊設備104於通訊網路108上通訊。使用者介面136被提供用於使用者控制。若消費者通訊設備104為例如智慧型電話或平板設備，則使用者介面136將具有在許多智慧型電話或其他手持設備中普遍存在的觸控面板顯示器。或者是，若消費者通訊設備104為例如桌上型或膝上型電腦，則使用者介面可具有例如計算周邊設備，諸如顯示監視器、電腦鍵盤等。

服務供應者通訊設備106可為例如智慧型電話或平板設備，其具有與消費者通訊設備104相同或類似的硬體架構。

為便於說明，圖1的通訊系統100顯示單一消費者通訊設備104和單一服務供應者通訊設備106；在實務上，複數消費者通訊設備104和複數服務供應者通訊設備106可配置用於通訊網路108上與通訊伺服器裝置102同時或依序通訊。

根據本發明的實施方式，通訊伺服器裝置102確定潛在消費者需求估計，並基於所估計的潛在需求行使預測，如本文中所述。然而，需求估計和預測可在通訊系統100中任意處行使，並且其結果被轉發至通訊伺服器裝置102。

通訊伺服器裝置102自消費者通訊設備104接收服務預訂請求訊息（預訂詢問或檢查，在此稱為「查詢」），其包含與所請求服務有關的資料。舉例而言，消費者可使用消費者通訊設備104、藉由「app」發送關於使用者特定服務的可用性和成本的查詢，如上述說明。在運輸相關服務的情況中，該訊息可包含諸如上車及下車位置、用於服務提供的時間窗、要運輸的貨物或乘客數量等資訊，下文將更詳細說明。通訊伺服器裝置102接收及處理查詢，並且向分別消費者通訊設備104發送服務履行載客訊息（載客訊息，本文中稱為「載客（offer）」），其包含與履行該服務請求之載客有關的資料。在運輸相關服務的情況中，該訊息可包含諸如預期上車時間、預期行程時間、服務價格等資訊，下文將更詳細說明。消費者可使用分別載客訊息中的資訊來決定是否要進行預訂該服務。若消費者決定要進行，消費者可發送請求訊息來預訂該服務（預訂訊息，在本文中稱為「預訂」）。因此，通訊伺服器裝置102自消費者通訊設備104接收預訂，其包含識別相關服務請求或履行載客的資料。通訊伺服器裝置102接著實行管理操作，其包含例如發送訊息至可用以履行該服務請求的已選擇服務提供者或載具的載具服務提供者通訊裝置106。

此外，根據例示實施方式，通訊伺服器裝置102行使消費者需求的預測，進而隨時間管理與服務的履行相關聯的資源。典型地，資源相關管理及預測旨在確保有適當數量的資源（例如運輸相關服務之服務提供者/載具）可用以提供服務，以滿足特定的目前或未來時間的預期或預測的消費者需求。消費者需求可與特定地理區域、特定消費者族群等以及時間相關聯。

典型地，預測技術預測在特定時間（例如，在「時間窗」的特定未來時間段中）的預期消費者需求。消費者需求通常由與過去實際已預訂/履行的服務之查詢有關的歷史資料所表示或從其所衍生。在例示實施方式中，通訊伺服器裝置102將未預訂/履行的服務查詢、以及已預訂/履行的服務查詢的資料記錄儲存於資料庫120、或另一本地或遠端資料儲存器中，供本文所述預測的使用。

本發明之發明人已理解，基於實際已預訂/履行的過去服務查詢所代表的、或單獨從其衍生的過去需求來預測目前或未來時間段中的預期消費者需求可能是不精確的。特別是，發明人已經意識到，真正的需求應該也要考慮未預訂/履行、但潛在地可能為已預訂/履行的過去服務查詢，例如，若在當時更多資源為可用，使得載客已經更有利於消費者。先前消費者需求的此構想並未被捕捉到。此外，發明人已經意識到，在即時預測的情況中，真正的需求也應該考慮潛在地可能已預訂/履行但預訂成果還不未知的查詢。

因此，基於由已預訂/履行的服務查詢（而非過去時間段中真正的、潛在的需求）所單獨表示的過去需求來預測需求可能會低估在目前或未來時間段中真正的、潛在的需求。結果地，使用低估的需求預測，資源管理可能無法被最佳化來完全滿足消費者需求。特別是，在運輸相關服務的情況中，服務提供者及/或載具可能未被重新定位至最佳地理位置來履行特定地理區域中的預期需求。

此外，低估對服務之消費者需求的預測可能會對通訊系統資源（例如通訊、資料儲存、處理及電力資源）的利用有不良衝擊，而且特別是通訊伺服器裝置102和消費者通訊設備104的資源。舉例而言，在初始查詢和載客訊息交換（在本文中稱為「查詢-載客」）之後，消費者隨後即可使用消費者通訊設備104對相同服務進行重複的進一步預訂查詢，以期取得改進的載客。這將通訊伺服器裝置102置於過度的額外負荷，其可能需要處理大量的對於無法履行的服務之消費者請求（亦即，消耗過度通訊、處理和資料儲存資源）、以及對消費者通訊設備104的負荷，其會導致過度的電池汲取（亦即消耗過度的電力資源）。此外，消費者可能會變得沮喪，而服務提供者可能會失去潛在的業務。

本發明之發明人提出了用以衍生過去時間段之消費者需求（在本文中稱為「潛在的消費者需求」或簡稱為「潛在需求」）的改進表示之技術。特別是，潛在需求不僅是基於實際（已履行）的預訂，也基於未被預訂/履行、但潛在地可能已被預訂/履行的預訂查詢。此外，在一些實施方式中，潛在需求也可基於具有未知預訂成果、且也潛在地可能仍被預訂/履行的最近查詢。雖然對於過去時間段之（已履行）預訂的數量是已知的，但有必要估計未預訂/履行、但潛在地可能已經被預訂/履行的服務之查詢數量、以及具有未知預訂成果而潛在地可能仍被預訂/履行的服務之查詢數量。下文說明用於確定這些估計的合適技術。

本發明之構想藉由估計（最近或遙遠的）過去時間段中的潛在需求，提供了目前或未來時間段中的消費者需求之改進預測，用於由伺服器通訊裝置進行的資源改進管理，如上述說明。

圖2為流程圖，其說明一種用於創建分類模型以估計潛在需求的方法200。根據實施方式需求，該方法200可由圖1的伺服器通訊裝置102行使、或於他處的另一組件或模組中行使。

該方法開始於步驟205。在步驟210，該方法接收與具有已知預訂成果的服務之查詢有關的歷史資料，供作為分類模型之訓練資料的使用。特別是，該歷史資料包含與橫越一時間段之預訂查詢相關聯的資料記錄。跨越其取得歷史資料之時間段足夠長以為了監督學習的適當數量的訓練資料（例如，3週/月），如下述說明。

已接收的歷史資料包括與跨越相關時間段中所有服務預訂查詢有關的資料記錄（在本文中也稱為「資料實例」，或簡稱為「實例」）。參閱圖3A，其說明與運輸相關服務之服務預訂查詢有關的例示歷史資料紀錄的列表。每一個資料記錄都包含「輸入資料」和「分類資料」，輸入資料包括特定的「查詢-載客」訊息交換中含有的資訊，「分類資料」包括來自「預訂」的資訊或包括該服務是否被預訂/履行的至少一指示符之相關聯訊息（例如，履行訊息）。因此，如圖2A所示，每一個資料實例（亦即，具有對應的「記錄/查詢ID」的行）包含「輸入資料」欄位，其包括用於複數參數（在本文中稱為「特徵」）之數值，該參數包含：「查詢時間」、「使用者ID」、「上車位置」、「下車位置」（亦即，與查詢訊息相關聯之參數），以及「載客時間」、「載客價格」、「載客等待時間」（亦即，與載客訊息相關聯的參數）等。此外，每一個資料實例包含至少一個「輸出資料」欄位，其包括例如：指示每一個資料實例的已知布林分類的參數數值（例如，「已預訂」（Y或1）、或「未預訂」（N或0））。在圖3A中，該「輸出資料」欄位顯示為「預訂已確認」，然而其他的資料欄位（諸如「預訂時間」）也可使用於布林分類。由於資料實例的分類是已知的，歷史資料即被使用作為用於監督學習之訓練資料，以創建合適的分類模型（亦即，用於將輸入資料映射至布林分類「預訂」或「未預訂」之模型）。

在步驟220，該方法行使特徵選擇以識別與分類有關的資料實例的「輸入資料」的特徵。步驟220可基於歷史資料、使用任何適當的特徵選擇技術來行使自動特徵選擇。此外、或可替代地，特徵選擇可涉及手動特徵選擇。特別是，使用者可定義被考慮為與使用者是否進行預訂之分類問題有關的資料實例的相關特徵，諸如「使用者ID」、「查詢時間」和「載客價格」。此外，使用者可定義從歷史資料的原始參數的數值所衍生、被考慮為與分類問題有關的新特徵（在本文中稱為「衍生特徵」）。特別地、但並非排他地，衍生特徵可指出服務預訂模式。圖3B說明了與使用者相關聯的例示衍生特徵，其可從圖3A的資料實例或記錄的原始資料特徵衍生；而圖3C說明了與地理區域相關聯的例示衍生特徵，其可從圖3A的原始資料記錄衍生。這些包含使用者的預訂通過率和地理區域之預訂密度（在特定時間段中）的衍生特徵，可由使用者定義為相關的選擇特徵，因為他們指出特定的使用者或區域服務預訂模式。

因此，在運輸相關服務之示例實施方式中，已選擇的（原始和衍生）特徵會落入圖3A至圖3C中所示的三種類別的其中一種。第一類別是查詢-載客資訊，諸如「查詢時間」、「上車位置」、「下車位置」、「距離」、「載客價格」、「載客等待時間」等，其典型地為原始資料參數。第二類別指出「使用者輪廓」之基於使用者的特徵，如「預訂通過率」、「標準價格預訂通過率」、「較高價格預訂通過率」、「忠誠消費者」等。第三類別是基於地理區域之特徵，諸如該地理區域之「總預訂通過率」、「預訂密度（上午/下午/傍晚/夜間）」等。

在步驟230，該方法使用機器學習演算法、所選擇的輸入特徵（例如，原始及衍生特徵）和步驟210中所接收的歷史資料作為訓練資料而創建（例如建立及訓練）分類模型。在示例實施方式中，步驟220使用梯度提升技術機器（GBM）模型，例如實施XGBoost演算法，來解決分類任務。在其他實施方式中，使用替選的機器學習技術，不只包含其他的提升演算法（諸如AdaBoost），還包含可被使用例如深度學習技術來解決分類問題而被使用的同屬的機器學習演算法。因此，步驟230藉由預計建模來行使監督機器學習，以創建使用歷史資料作為訓練資料的分類模型。已訓練的分類模型可使用任何合適技術予以最佳化。分類模型可被配置以回應於包括步驟220中所選擇的相關輸入特徵的數值之輸入資料而輸出布林分類或概率分類。

在步驟240，該方法將分類模型儲存於資料儲存器中。該分類模型包含相關特徵集，其包括與輸出分類（亦即，布林分類：「（已）預訂」（例如二進制1）或「非（已）預訂」（例如二進制0），或是「概率分類」，如上述說明）有關的查詢-載客訊息的輸入資料特徵（亦即，參數）。

在可選的步驟250，該方法使用回饋來更新分類模型，其包括具有已知布林分類預訂成果（亦即，「已預訂」或「非已預訂」）的服務查詢的新資料記錄或實例。該方法接著結束於步驟255。

使用圖2的方法200所生成的分類模型能夠根據布林分類「預訂」（例如二進制1）和「非已預訂」（例如二進制0）、或概率分類（例如介於零和一之間）而以所需確定度來分類代表新輸入資料（例如查詢-載客訊息交換的新資料實例）的訊號。典型地，訓練資料的量越大，分類模型的輸出分類就越肯定（亦即，可靠或精確）。在一些實施方式中，分類模型可以是概率模型，其輸出介於零和一之間的概率分類，其中零（0）表示「預訂」的可能性是0%（亦即等同於具有100%肯定性的布林分類「非預訂」），而一（1）表示「預訂」的可能性為100%（亦即等同於100%肯定性的布林分類「預訂」）。在一些實施方式中，分類模型可使用即時資料或與分類有關的其他歷史資料來最佳化或測試。

圖4為流程圖，其說明了根據本發明一種實施方式之用於估計過去時間段的潛在消費者需求的例示方法400。在例示實施方式中，方法400使用圖2使用的方法200所創建的分類模型。

方法400開始於步驟405。在步驟410，該方法接收包括在過去時間窗內所進行的服務查詢的資料實例的資料記錄，以供潛在需求估計。舉例而言，資料記錄可擷取自資料庫（例如圖1的資料庫126）或其他資料儲存器。舉例而言，資料實例可對應於圖3A中所示之運輸相關服務資料記錄，如上述說明。時間窗可以是遙遠過去中的時間段，且對於該時間段，所有資料實例的分類成果（亦即預訂成果）是已知的。舉例而言，用於歷史資料中特定的24小時、或7天之時段之服務查詢的資料記錄可從資料儲存器中擷取，資料儲存器可包含與管理該服務之通訊伺服器裝置相關聯的資料庫。可替代地，時間窗可以是最近時間段，諸如緊接在前的時間段。舉例而言，在有些資料實例的分類成果（亦即預訂結果）可能是未知的情況中，可直接從通訊伺服器裝置（例如，相關聯的資料儲存器）接收包括即時查詢-載客訊息交換的實例的資料記錄。資料記錄可對應於特定地理區域或與特定族群的人相關聯，需要對其進行需求估計。

在步驟420，該方法從已擷取的資料記錄選擇第一資料記錄/實例。在步驟430，該方法將輸入資料特徵的至少一個數值修改為「標準化數值」。特別是，儘管不是排他地，被標準化的至少一個輸入資料特徵與載客訊息相關聯。舉例而言，若在該相關時間窗期間對「載客價格」進行了加價、或添加 附加費（例如，因在特定地理區域中缺乏資源，諸如載具），則可降低特徵「載客價格」的數值，以移除加價並且因此反映該服務之標準化（例如，標準、正常或基本）價格。在另一示例中，若載客訊息指示在上車之前的長時間延遲，對應於特徵「載客等待時間」（其可能是因為例如需要從一鄰近地理區域移動資源（諸如載具）到該特定地理區域），特徵「載客等待時間」的數值可改變為此特徵（在該特定地理區域中）之標準化（例如，平均）數值。因此，步驟430衍生包括已修改資料實例的已修改資料記錄。在第一 料實例已具用於至少一個輸入資料特徵的標準化值的情況中，已修改資料實例為與已接收資料實例相同。

在步驟440，該方法將代表已選擇資料記錄之已修改輸入特徵數值的訊號（亦即，排除分類數值，若已知的話）輸入至該分類模型。分類模型行使訊號分類，以確定布林分類（亦即，「預訂」或「非預訂」）或為概率分類，如上述說明。

在步驟450，該方法接收該分類模型的訊號分類輸出，並將該分類輸出儲存於資料儲存器中作為「預計分類」。在已知（亦即，實際分類「已預訂」或「非預訂」）的情況中，基於已修改資料實例，訊號的分類可能與資料實例的原本已知分類不同。在例示實施方式中，藉由修改與載客相關聯之資料實例的至少一個特徵的數值，其中，舉例而言，已修改數值被「標準化」且可能更有利於消費者，當考慮使用者輪廓（例如使用者行為，諸如對定價的敏感性、等待時間等）時，資料實例可能藉由分類模型從「非預訂」（在原本資料中）重新分類為「預訂」（用於已修改資料）。這種「重新分類的」預訂實例對應於「已丟失」的需求，其在該時間窗中潛在地可能已經為已預訂/履行，亦即，在該過去時間段中不可能被預訂/履行（無論何種原因）的潛在需求。此外，基於已修改資料實例的輸入特徵數值，訊號的分類係可基於「標準化」載客來預計資料實例的預訂成果，其中實際的預訂分類尚屬未知。與即時查詢相關聯的這類預訂實例也對應於可能為已預訂/履行的潛在需求。

在步驟460，該方法考慮在步驟410所擷取的資料中是否有更多的資料記錄要考慮。若步驟460確定有更多的資料記錄要考慮，則該方法回到步驟420，其選擇下一個資料記錄。該方法接著於經由步驟420至460的迴圈中繼續，直到步驟460確定了已無更多資料記錄要考慮為止。該方法接著進行到步驟470。

在步驟470，該方法基於步驟450中儲存的資料實例之預計分類來確定該時間窗之潛在消費者需求估計。

在藉由分類模型的布林分類的情況中，潛在消費者需求可對應於具有輸出預計分類「預訂」的資料實例的總數量，或是可被定義為「預訂」對「非預訂」預計分類之比例等。

在藉由分類模型的概率分類的情況中，步驟470可使用上下臨界值來將預計分類映射至布林分類「預訂」和「未預訂」。舉例而言，可使用上臨界值為例如0.75（「預訂」概率為75%），使得具有預計分類大於或等於該上臨界值的所有資料記錄實例都被映射至布林分類「預訂」。同樣地，可使用下臨界值為例如0.25（「預訂」概率為25%），使得具有預計分類低於或等於該下臨界值的所有實例都被映射至布林分類「非預訂」。因此，在該時間窗中、具有介於上和下臨界值之間的預計分類的資料實例從布林分類中打折扣，因為這些資料實例的預計分類並不具有足夠的肯定性（亦即，所需的精確性或可靠性）。

在一例示實施方式中，步驟470可使用上限和下限來估計潛在需求。特別是，上限可對應於在該時間窗內之預訂查詢（資料實例）的總數量減去由分類模型映射至布林分類「非預訂」的實例的數量。因此，上限包含除了已分類為「非預訂」（具有所需程度的肯定性）且因而不代表潛在需求的資料實例以外的所有資料實例。舉例而言，這些資料實例可關注由消費者對於定價資訊所進行的查詢，而在當時並無預訂的打算。因此，上限表示在該時間窗期間的最大「潛在需求」，包括由分類模型所識別之「已捕捉的需求」（即已確認/履行的預訂）加上「已丟失的需求」（即可能已經履行的過去未履行之預訂）和資料實例中其分類成果（即預訂成果）尚屬未知的潛在需求，如上述說明。下限可對應於在該時間窗內由分類模型映射至布林分類「預訂」的實例的數量。可替代地，下限可對應於具有在步驟310中所擷取的原本資料中已知分類為「已預訂」的資料實例的數量。

步驟470可基於上限數值和下限數值計算潛在需求估計。在一個實施方式中，步驟470可計算估計的潛在需求為上限數值和下限數值的平均。舉例而言，估計的潛在需求可被計算為上限和下限的數值的平均或中位平均數。在其他實例中，步驟470可計算估計的潛在需求為上限數值和下限數值的另一定義函數。不使用上限和下限，其他估計潛在需求的方法也是可能的。

在步驟480，該方法儲存過去時間窗之估計的潛在需求的數值，並且使用估計的潛在需求用於預測目前或未來時間段之需求。特別是，步驟480將估計的潛在需求數值和指示相關聯時間窗的至少一個時間數值（例如，一時間索引）儲存在資料儲存器中。因此，藉由週期性地重複圖4的方法400，估計的潛在需求數值的時間序列可儲存於資料儲存器中（例如，以時間索引方式）。步驟480可由與通訊伺服器裝置相關聯的相同組件或模組作為執行步驟410至470的組件或模組來行使，或由一不同組件或模組行使。

舉例而言，在步驟480，該方法可將歷史資料的相對長歷時（例如，24小時、7天或更長，與中至長水平預測一致）的每15分鐘時間段之估計的潛在需求數值的時間序列輸入至預測模型，用於提前一天或提前一週的預測。可使用任何適當的預測模型來預測預期需求，諸如時間序列預測模型（Time Series Forecasting Model）。下文將參照圖5說明此預測的進一步細節、以及預測進行資源管理的使用。在另一示例中，在步驟480，該方法對於緊接在前的時間段（例如緊接在前的15分鐘，與短期水平一致）之估計的潛在需求數值輸入至預測模型用於目前或下一個時間窗（例如下一個15分鐘）之即時預測。可替代地，該方法可直接使用緊接在前時間段之估計的潛在需求數值作為目前或下一個時間段之潛在需求預測。舉例而言，預期的潛在需求可被確定為估計的潛在需求數值之已定義的百分比或函數、以及可選地其他因子（諸如一天的時間、天氣條件等）。這種即時預測可使用週期性或滾動式的採樣窗用於步驟410中視需要接收資料記錄。預期需求的即時預測可使用於即時資源管理，如本文所說明。該方法接著於步驟485結束。

因此，方法400對包括在過去時間窗（其可為緊接在前的時間段）中所取得和記錄（例如，從監視查詢-載客訊息交換）的服務預訂查詢的所有資料實例之資料記錄進行採樣。與一個或多個資料實例的載客相關聯的至少一個輸入資料的數值在將用於實例之輸入資料輸入至分類模型之前被修改（亦即，被標準化）。與載客訊息相關聯的至少一個輸入資料特徵的修改賦能分類模型不僅識別回應於採樣時間窗期間的查詢而進行的實際預訂的實例（亦即，具有已知的分類「已預訂」），還識別在採樣時間段期間「丟失」、但潛在地已經被履行的潛在需求相對應的查詢的實例。此外，分類模型能夠分類實際預訂結果尚屬未知的查詢的實例，進而從這些查詢識別潛在需求（基於已修改/已標準化的載客）。

在一個例示實施方式中，修改可降低「載客價格」。在這個情況中，對於在原本時間窗中被實際分類為「非預訂」的服務預訂查詢的實例而言，分類模型基於較低的「載客價格」和其他因子（例如與「使用者ID」相關聯的使用者輪廓）可將已修改的實例分類為「已預訂」。在其他示例中，修改可改變與載客訊息相關聯的其他特徵的數值，例如「載客等待時間」。

舉例而言，再次參閱圖3A，第3列中所顯示的查詢（記錄/查詢ID 035003）被分類為使用者（使用者ID S5161）「非預訂」。圖3B顯示使用者（使用者ID S5161）具有對於較高的載客價格的低預訂通過率（零），但對於標準載客價格則具有較佳的預訂通過率（30%）。因此，分類模型可預計（以所需程度的肯定性）使用者會基於「載客價格」之已修改的較低數值而「預訂」服務，並且因此將該資料實例重新分類為「已預訂」。

因此，藉由使用具有來自該時間窗之已修改（亦即標準化）的資料實例的分類模型，方法400能夠更精確地估計在對應的時間段期間的「潛在需求」。此潛在需求的估計可被使用以更精確地預測目前或未來時間段中的消費者需求、以及更有效率地管理相關聯的資源，如本文中所說明。

圖5為流程圖，其說明了根據本發明一種實施方式之用於預測短期水平和長期水平未來時間段之潛在需求的例示方法。舉例而言，該方法可預測對於一日之前或一週之前預測之潛在需求。

該方法開始於步驟505。在步驟510，該方法接收估計的潛在需求數值的時間序列。特別地，估計的潛在需求數值的時間序列會橫跨足夠長的時間段（例如，對於24小時、7天等之預測時間段）用於精確預測。在實施方式中，該序列涵蓋至少6週的歷史資料用於精確預測。每一個估計的潛在需求數值與已知過去時間段（例如，15分鐘時間窗）相關聯。因此，時間序列包含與每一個估計的潛在需求數值相關聯的時間數值（例如時間索引）。所接收之估計的潛在需求數值的時間序列可使用圖4的方法400取得，如上述說明。

在步驟520，該方法將代表所接收之估計的潛在需求數值的時間序列和相關聯的時間段（例如時間索引）之訊號輸入至預測模型中。步驟520可為相關的預測時間段使用任何適當的預測模型。舉例而言，步驟520可使用具有季節性循環（例如每日和每週循環）的時間序列預測模型，諸如加成雙重季節性霍爾特-溫特模型（Additive Double Seasonal Holt-Winters Model）。取決於應用需求，也可以使用任何其他合適的預測模型。實例包含ARIMA（整合移動平均自回歸模型）、以及甚至更加的進階LSTM（長短期記憶）為基礎的深度學習方法。

在步驟530，該方法接收及儲存包括來自預測模型的預測時間段之預期潛在需求的數值的輸出訊號。舉例而言，預測模型可為特定預測週期（例如一日之前預測之24小時週期、一週之前預測之7天週期等）的每15分鐘窗而輸出預期潛在需求數值。如本文所述，預期潛在需求數值可與特定地理區域、人的群組等相關聯。

在步驟540，該方法識別預測期間的預測需求中的趨勢。舉例而言，步驟540可識別在特定時間段之預測需求中的波峰，諸如在所謂的「尖峰時刻」時間和工作日的午餐時間、在天氣條件不佳（例如下雨或寒冷天氣）的時段等。同樣地，步驟540可識別在特定時間的低需求之波谷。其他趨勢可於步驟540中基於預測模型或其他模型的輸出而被識別。

在步驟550，該方法發送通訊至客戶設備，諸如本文中所述之服務提供者通訊設備和消費者通訊設備，供資源管理。舉例而言，步驟550可發送通訊至服務提供者設備，識別需求的波峰時間段（例如在特定地理區域中），進而重新定位資源（例如載具）以滿足在波峰時間段期間的需求。因此，步驟550可發送訊息至服務提供者設備以供進行資源管理，該訊息具有在特定時間重新定位至特定地理區域之請求。在另一示例中，步驟550可對消費者通訊設備發送通訊，識別低需求時間段。舉例而言，步驟550可對消費者通訊設備發送訊息已使用該服務，該訊息具有於低需求時間段期間的誘因（例如價格減少或其他特別載客）。因此，消費者被鼓勵在低需求時間段中發送查詢以減少因高需求時間期間的查詢量所導致的負荷。步驟550可對客戶設備發送與步驟540中所識別之趨勢有關的、任何類型的通訊，以用於根據需求預測的資源管理。該方法結束於步驟555。

參閱圖6，其說明了一種例示的通訊系統。該通訊系統包含通訊伺服器裝置600，其配置以根據本發明一種實施方式實施上述技術。特別是，通訊伺服器裝置600配置以基於所接收之消費者查詢來管理服務的提供，以及基於估計的潛在需求而預測對於服務之需求。通訊伺服器裝置600可對應於圖1的通訊伺服器裝置102。

通訊伺服器裝置600包括記憶體單元610、處理單元620和輸入/輸出（I/O）單元630。I/O單元630配置以於通訊網路640（例如網際網路）上與客戶設備650通訊（亦即，交換訊息，如本文所述）。舉例而言，客戶設備650可對應於圖1的消費者通訊設備104和服務提供者通訊設備106，而網路640可對應於圖1的網路108。此外，I/O單元630接收來自使用者介面660（例如，鍵盤、滑鼠、顯示器）的輸入資料。此外，通訊伺服器裝置600包含資料庫670，其儲存歷史資料記錄、以及可選的關於服務預訂查詢（或相當者）之目前（即時）資料記錄，如本文所述，例如，如圖3A中所示。可替代地、或除此之外，目前（即時）資料記錄可被儲存於其他資料儲存器中供處理。此外，資料庫可儲存諸如圖3B中所顯示之使用者輪廓、基於使用者之服務預訂模式記錄的資料記錄，及/或如圖3C中所示之基於地理區域之預訂模式記錄。此外，資料庫可儲存一個或多個分類模型的目前版本，其中每一個分類模型都與特定地理區域、人的群組等相關聯。舉例而言，可使用圖2的方法200來創建（建立、訓練及藉由回饋更新）分類模型。

記憶體單元610儲存包括由處理單元620執行以實施通訊伺服器裝置600的功能和操作之指令的處理模組680。特別是，處理模組680包含管理模組682、預測模組684、潛在需求估計模組686和機器學習分類模組688。

管理模組682配置以經由網路640和I/O單元630接收來自客戶設備650的查詢，對客戶設備650發送載客以回應於查詢，以及管理預訂直至履行，如本文所述。管理模組682進一步配置以將與查詢、載客和預訂相關聯的資料記錄儲存在資料庫670中，如本文所述。此外，管理模組682配置以基於預期的目前或未來消費者需求的預測而管理與服務相關聯的資源。舉例而言，管理模組682可對與服務提供者和載具相關聯的客戶設備650通訊定位訊息，以滿足在特定時間、特定地理區域中的預期的（亦即預測）需求。

預測模組684配置以預測預期的目前或未來消費者需求。舉例而言，預測模組684可預測在特定目前或未來時間、在特定地理區域中的預期消費者需求，例如使用圖4中所示之方法400的步驟480、或使用圖5中所示之方法500。預測模組684可使用任何適當的預測演算法。如本文所述，預測模組684使用基於歷史資料的估計的潛在需求、而非僅單獨基於實際的過去預訂之需求。潛在需求估計模組686配置以使用儲存於資料庫670中的歷史資料和對應的分類模型來估計特定地理區域中（在過去時間段中）的潛在需求，例如使用圖4中所示之方法400。機器學習分類模組688配置以創建（建立、訓練、以及可選地，更新）分類模型以供潛在需求估計模組686的使用，例如使用圖2中所顯示之方法200。

通訊伺服器裝置600可包括分佈式系統。舉例而言，通訊伺服器裝置600可包含複數個伺服器，其各包含包括管理模組682之記憶體單元、處理單元、I/O單元，並且具有對資料庫670的存取。預測模組684、潛在需求估計模組686及/或機器學習分類模組688可位於一個或多個分佈式伺服器中，或可集中位於例如經由網路640可存取每一伺服器的另一裝置中。

如圖6所示，可提供包括電腦可讀取媒體692和程式指令694之電腦程式產品690。電腦可讀取媒體692可包括非暫態儲存媒體。程式指令694可由處理器執行，以執行本文所述之方法的操作，諸如圖2之方法200、圖4之方法400、以及圖5之方法500。電腦程式產品690可經由使用者介面660和I/O單元630而被上傳至通訊伺服器裝置600的記憶體610，作為一個或多個處理模組680，其包含預測模組684、潛在需求估計模組686和機器學習分類模組688。因此，程式指令694可由處理單元620執行以行使本文所述技術。

因此，從前述說明和圖式即可理解，提供了一種用於基於所接收消費者查詢而管理服務的提供、以及用於預測對於該服務之需求的通訊伺服器裝置600，其包括處理器620和記憶體610，該通訊伺服器裝置600配置以於處理器620的控制下執行記憶體610中所儲存的指令680，以：接收包括過去時間段內的服務查詢的資料實例（其每一個包括複數資料特徵）之資料記錄；將該資料實例中的一個或多個的特徵的數值修改為標準化數值，以衍生包括已修改資料實例的已修改資料記錄，其中該特徵為與由該通訊伺服器裝置600回應於對應消費者查詢而提供請求服務之載客有關的參數載客；將已修改資料記錄的資料實例的已選擇輸入特徵的數值輸入至分類模型中，供該分類模型基於輸入特徵的數值而預計是否為每一個資料實例進行服務預訂；對於已修改資料記錄的每一個資料實例，自分類模型接收包括分類預計之輸出；以及基於該分類預計確定該過去時間段之潛在需求估計，供目前或未來時間段中服務之需求的改進預測。

此外，也提供了一種通訊系統，其包括通訊伺服器裝置600用於管理與服務的提供有關之查詢及用於預測對於服務之需求、機器學習分類模組688用於創建分類模型、以及潛在需求估計模組686用於估計在過去時間段中對於該服務之需求，該通訊伺服器裝置600、該分類模組688和該潛在需求估計模組686配置通過通訊裝備彼此通訊，其中：該機器學習分類模組688包括第一處理器和第一記憶體，該分類模組配置以於第一處理器的控制下執行第一記憶體中所儲存的第一指令，以：接收包括由伺服器通訊裝置600隨時間而記錄的服務查詢的資料實例之歷史資料記錄，其中每一個資料實例包括複數個特徵之數值和指示是否進行服務預訂之已知分類數值；基於所接收的歷史資料記錄行使特徵選擇，以識別該分類之相關特徵；以及藉由預計建模使用機器學習演算法來創建分類模型，其中預計建模包括基於歷史資料記錄作為訓練資料之監督學習；且其中：潛在需求估計模組686包括第二處理器和第二記憶體，潛在需求估計模組配置以於第二處理器的控制下執行第二記憶體中儲存的第二指令，以：接收包括在過去時間段內之服務查詢的資料實例之資料記錄，每一個資料實例包括複數資料特徵；將資料實例中的一個或多個的特徵的數值修改為標準化數值，以衍生包括已修改資料實例的已修改資料記錄，其中該特徵為與由該通訊伺服器裝置600回應於對應消費者查詢而提供請求服務之載客有關的參數；將已修改資料記錄的資料實例的已選擇輸入特徵的數值輸入至分類模型，供分類模型基於輸入特徵的數值預計是否針對於每一個資料實例進行服務預訂；對於每一個資料實例自分類模型接收包括分類預計之輸出；以及基於分類預計確定過去時間段之潛在需求估計；以及其中通訊伺服器裝置600配置以基於使用過去時間段中的估計的潛在需求而確定的目前或未來時間段中的預期消費者需求的預測而管理與該服務相關聯的資源。

再者，還提供了一種用於基於已接收消費者查詢而管理服務的提供之通訊伺服器裝置600中預測對於服務之需求的方法，該方法包括：接收資料記錄，該資料記錄包括在過去時間段內的服務查詢的資料實例，每一個資料實例包括複數資料特徵；將資料實例中的一個或多個資料實例的特徵的數值修改為標準化數值，以衍生包括已修改資料實例之已修改資料記錄，其中該特徵為與由該通訊伺服器裝置600回應於對應消費者查詢而提供請求服務之載客有關的參數載客；將已修改資料實例的已選擇輸入特徵的數值輸入至分類模型，其中該分類模型基於輸入特徵的數值針對每一個資料實例預計是否將進行服務預訂；對於每一個資料實例，自分類模型接收輸出分類預計；以及基於分類預測，確定過去時間段之一潛在需求估計，用於對於目前或未來時間段中之服務的需求進行改進預測。

更甚者，提供了一種用於創建分類模型以供通訊伺服器裝置預測需求以用於基於所接收的消費者查詢以管理服務之提供的方法，該方法包括：接收由伺服器通訊裝置隨時間而記錄的服務查詢的歷史資料實例，其中每一資料實例包括複數特徵之數值和指示是否進行了服務預訂之已知分類數值；基於所接收的歷史資料行使特徵選擇，以識別分類之相關特徵；以及藉由預計建模使用機器學習演算法創建分類模型，其中預計建模包括基於歷史資料實例作為訓練資料之監督學習。

尤甚者，提供了包括用於實施上述方法之指令的電腦程式產品，以及儲存有指令的非暫態儲存媒體，該指令在由處理器執行時，使得處理器行使上述方法。

如本文所述，揭露了一種用於預測對服務之需求的通訊伺服器裝置和電腦實施方法，該伺服器基於已接收查詢來管理服務的提供。接收包括在過去時間段內的服務查詢的資料實例的資料紀錄。藉由將資料實例中的一個或多個資料實例的特徵的數值修改為標準化數值而衍生已修改資料記錄。該特徵為與由伺服器回應於查詢而提供的服務之一載客有關的參數。已修改資料記錄的資料實例輸入至分類模型，其中分類模型預計是否將進行服務預訂。分類預計由分類模型輸出，而且該過去時間段之潛在需求估計基於分類預計而確定，供對於服務之需求的改進預測。藉由以此方式取得潛在需求估計，即可改進預測。這賦能與服務相關聯的資源的管理更有效率，如本文所述。可基於使用來自緊接在前時間段的資料記錄之潛在需求估計來即時預測，而且資源可更有效率地被即時管理，如本文所述。此外，可基於潛在需求估計的一時間序列來進行一日之前和一週之前預測可基於潛在需求估計的時間序列，而且可以根據已識別的趨勢來管理資源。如本文所述，所管理的資源可為與服務的提供相關聯之實體資源、以及與用於預訂、管理和履行服務之通訊系統相關聯的資源，這些包含通訊伺服器裝置和客戶設備（例如行動設備）的處理、資料儲存、電力資源、以及相關聯之通訊裝備（例如通訊網路）的通訊資源。有些實施方式減少了通訊伺服器裝置上的負荷，其對應於目前正在處置的查詢量。

圖2、圖4和圖5的流程圖僅說明了本發明的例示實施方式。在其他實施方式中，流程圖中的一個或多個步驟可省略或由替代步驟所取代。此外，該等步驟能夠以任何適當次序來進行。

上述說明係關於一種管理運輸相關服務之提供的通訊伺服器裝置，但本發明之原理也可應用於其他類型服務的提供、或物品的提供。用語「消費者」意欲涵蓋需要該服務的人和裝置。同樣地，用語「服提供者」意欲涵蓋與該服務相關聯的人和裝置（例如自動載具）。

應理解本發明僅已藉由示例而加以說明，可在不脫離如附請求項之精神和範疇下對本文所述技術進行諸般修飾。所揭示技術包括了可以單獨方式提供之技術、以及可彼此結合而提供之技術。因此，關於一項技術所描述的特徵也能夠與另一技術結合呈現。

100:通訊系統 102:通訊伺服器裝置 104:消費者通訊設備 106:服務提供者通訊裝置 108:通訊網路 110、112、114:通訊鏈結 116、128:微處理器 118、130:記憶體 120、132:指令 122、134:輸入/輸出模組（I/O模組） 124、136、660:使用者介面 126、6700:資料庫 600:伺服器裝置 610:記憶體單元 620:處理單元 630:輸入/輸出單元（I/O單元） 640:網路 650:客戶設備 680:處理模組 682:管理模組 684:預測模組 686:潛在需求估計模組 688:機器學習分類模組 690:電腦程式產品 692:電腦可讀取媒體 694:程式指令

本發明現將藉由示例方式、並且參照如附圖式來加以說明，其中： 圖1為說明第一例示通訊系統之示意方塊圖，該第一例示通訊系統包括用於服務管理和需求預測的通訊伺服器裝置； 圖2為流程圖，其說明根據本發明一種實施方式之用於創建分類模型以估計潛在消費者需求的例示方法； 圖3A至圖3C說明了根據本發明一種實施方式之例示資料記錄； 圖4為流程圖，其說明了根據本發明一種實施方式之用於估計過去時間段之潛在消費者需求的例示方法； 圖5為流程圖，其說明了根據本發明一種實施方式之用於預測未來時間段之潛在需求的例示方法；以及 圖6為方塊圖，其說明了根據本發明一種實施方式之另一例示通訊系統，該另一例示通訊系統包括用於服務管理及需求預測之通訊伺服器裝置。

400:方法

405、410、420、430、440、450、460、470、480、485:步驟

Claims (20)

1. 一種用於基於已接收的消費者查詢來管理該服務的提供和用於預測對該服務之需求的通訊伺服器裝置，該包括一處理器和一記憶體，該通訊伺服器裝置配置以在該處理器的控制下執行該記憶體中儲存的指令： 以接收資料記錄，該資料記錄包括在一過去時間段內的服務查詢的資料實例，每一資料實例包括複數個資料特徵； 以將該資料實例的一個或多個資料實例的一特徵的一數值修改為一標準化數值，以衍生包括該已修改資料實例之已修改資料記錄，其中該特徵係與由該通訊伺服器裝置回應於一對應消費者查詢而提供一請求服務之一載客有關的一參數； 以將該已修改資料記錄的該資料實例的已選擇輸入特徵的數值輸入至一分類模型，供該分類模型基於該輸入特徵的該數值來預計是否針對每一資料實例進行一服務預訂； 以針對該已修改資料記錄的每一資料實例，自該分類模型接收包括一分類預計之一輸出；以及 以基於該分類預計，確定該過去時間段之一潛在需求的估計，供一目前或未來時間段中服務的需求改進預測。
2. 如請求項1所述的通訊伺服器裝置，其中該一個或多個資料實例的一特徵的一數值成為一標準化數值的該修改係改進該載客以回應該查詢而提供該服務載客。
3. 如請求項2所述的通訊伺服器裝置，其中該特徵係選自由載客價格、等待時間、折扣等所組成之群組。
4. 如請求項1、請求項2或請求項3所述的通訊伺服器裝置，其中該通訊伺服器裝置係進一步配置以執行該記憶體中儲存的指令： 以藉由下述來確定該過去時間段之一潛在需求的估計： 定義一上限為資料實例的該總數量減去其中指示將不進行一服務預訂的該分類預計之資料實例的該數量， 定義一下限為其中指示將進行一服務預訂的該分類預計之資料實例的該數量；以及 基於該上限和該下限計算一潛在需求的估計。
5. 如前述請求項中任一項所述的通訊伺服器裝置，其中該資料記錄包括在一緊接在前時間段內的服務查詢的資料實例，且其中該通訊伺服器裝置係配置以在該處理器的控制下執行該記憶體中所儲存的指令： 以基於該緊接在前時間段之該估計的潛在需求，執行一目前時間段中之服務需求的即時預測。
6. 如前述請求項中任一項所述的通訊伺服器裝置，其中該通訊伺服器裝置係配置以在該處理器的控制下執行該記憶體中所儲存的指令： 以週期性地接收資料記錄，該資料記錄包括在一緊接在前時間段內之服務查詢的資料實例，以及 以記錄每一時間段之一潛在需求的估計以產生一時間序列供輸入至一預測演算法，以用於至少一天前服務需求的預測。
7. 如前述請求項中任一項所述的通訊伺服器裝置，其中該已接收的資料記錄包括於一定義地理區域之一過去時間段內的服務查詢的資料實例，用於估計該定義地理區域中的潛在需求的使用，其中該通訊伺服器裝置係配置以在該處理器的控制下執行該記憶體中儲存的指令： 以發送一通訊至一個或多個服務提供者客戶設備，用於基於該地理區域中對於一目前或未來時間段中的服務之需求的預測來管理該地理區域內之服務提供者資源的該位置。
8. 如前述請求項中任一項所述的通訊伺服器裝置，其中該分類模型是基於服務查詢的歷史資料實例作為訓練資料藉由使用一機器學習演算法和監督學習的預計建模而衍生的，該歷史資料實例每一者具有用於該選擇的輸入特徵之數值和指示是否進行了一服務預訂之一已知分類。
9. 如前述請求項中任一項所述的通訊伺服器裝置，該通訊伺服器裝置係配置以在該處理器的控制下藉由執行該記憶體中所儲存的指令來創建該分類模型： 以接收歷史資料記錄，該歷史資料記錄包括由該伺服器通訊裝置隨時間而記錄的服務查詢的資料實例，其中每一資料實例包括用於複數特徵之數值以及指示是否進行了一服務預訂的一已知分類數值； 以基於­該接收的歷史資料記錄執行特徵選擇，以識別該分類之相關特徵；以及 以藉由使用一機器學習演算法的預計建模來創建一分類模型，其中該預計建模包括基於該歷史資料記錄作為訓練資料之監督學習。
10. 一種包括用於管理與服務的提供有關的查詢和用於預測對該服務之需求的一通訊伺服器裝置、用於創建一分類模型的一機器學習分類模組、以及用於估計一過去時間段中對該服務之需求的一潛在需求估計模組的通訊系統，該通訊伺服器裝置、該分類模組和該潛在需求估計模組係配置以經由通訊裝備彼此通訊，其中： 該機器學習分類模組包括一第一處理器和一第一記憶體，該分類模組係配置以在該第一處理器的控制下執行在該第一記憶體中所儲存的第一指令： 以接收歷史資料記錄，該歷史資料記錄包括由該伺服器通訊裝置隨時間而記錄的服務查詢的資料實例，其中每一資料實例包括用於複數特徵之數值和指示是否進行了一服務預訂之一已知分類數值； 以基於該接收的歷史資料記錄而執行特徵選擇，以識別該分類之相關特徵；以及 以藉由使用一機器學習演算法之預計建模來創建一分類模型，其中該預計建模包括基於該歷史資料記錄作為訓練資料之監督學習；且 其中： 該潛在需求估計模組包括一第二處理器和一第二記憶體，該潛在需求估計模組係配置以在該第二處理器的控制下執行該第二記憶體中所儲存的指令： 以接收資料記錄，該資料記錄包括在一過去時間段內的服務查詢的資料實例，每一資料實例包括複數資料特徵； 以將該資料實例的一個或多個的一特徵的數值修改為一標準化數值，以衍生包括該已修改資料實例之已修改資料記錄，其中該特徵係與由該通訊伺服器裝置回應一對應消費者查詢而提供一請求服務之一載客有關的一參數， 以將該已修改資料記錄的該資料實例的已選擇輸入特徵的數值輸入至一分類模型中，供該分類模型基於該輸入特徵的該數值以預計是否為每一資料實例將進行一服務預訂； 以對於每一資料實例自該分類模型接收包括一分類預計之一輸出；以及 以基於該分類預計，確定該過去時間段之一潛在需求的估計；以及 其中，該通訊伺服器裝置係配置以基於使用在該過去時間段中的該估計的潛在需求而確定的一目前或未來時間段中的一預期消費者需求預測來管理與該服務相關聯之資源。
11. 一種用於管理與該服務的提供有關的查詢以及用於預測對該服務之需求的通訊伺服器裝置，該通訊伺服器裝置係配置以創建一分類模型及估計在一過去時間段中對該服務之需求，其中： 該通訊伺服器裝置包括用於執行一機器學習分類之一第一處理器和一第一記憶體，該通訊伺服器裝置係配置以在該第一處理器的控制下執行該第一記憶體中所儲存的第一指令： 以接收歷史資料記錄，該歷史資料記錄包括由該伺服器通訊裝置隨時間而記錄的服務查詢的資料實例，其中每一資料實例包括用於複數特徵之數值和指示是否進行了一服務預訂之一已知分類數值； 以基於該已接收的歷史資料記錄執行特徵選擇，以識別該分類之相關特徵；以及 以藉由使用一機器學習演算法之預計建模來創建一分類模型，其中該預計建模包括基於該歷史資料記錄作為訓練資料之監督學習；且 其中： 該通訊伺服器裝置包括用於執行一潛在需求估計的一第二處理器和一第二記憶體，該通訊伺服器裝置係配置以在該第二處理器的控制下執行該第二記憶體中所儲存的第二指令： 以接收資料記錄，該資料記錄包括在一過去時間段內之服務查詢的資料實例，每一資料實例包括複數資料特徵； 以將該資料實例中的一個或多個的一特徵的一數值修改為一標準化數值，以衍生包括該已修改資料實例的已修改資料記錄，其中該特徵為與由該通訊伺服器裝置回應一對應消費者查詢而提供的一請求服務之一載客有關的一參數； 以將該已修改資料記錄的該資料實例的已選擇輸入特徵的數值輸入至一分類模型中，供該分類模型基於該輸入的特徵的該數值預測是否將為每一資料實例進行一服務預訂； 以對於每一資料實例自該分類模型接收包括一分類預計之一輸出；以及 以基於該分類預計確定該過去時間段之一潛在需求的估計；以及 其中該通訊伺服器裝置係配置以基於使用該過去時間段中該估計的潛在需求而確定的一目前或未來時間段中之預期消費者需求的一預測，管理與該服務相關聯之資源。
12. 一種用於預測一通訊伺服器裝置中對於該服務之需求以基於已接收的消費者查詢來管理該服務之該提供的方法，該方法包括： 接收資料記錄，該資料記錄包括在一過去時間段內的服務查詢的資料實例，每一資料實例包括複數資料特徵； 將該資料實例中的一個或多個的一特徵的一數值修改為一標準化數值，以衍生包括該已修改資料實例之已修改資料記錄，其中該特徵與由該通訊伺服器裝置回應於一對應消費者查詢而提供一請求服務之一載客有關的一參數； 將該已修改資料實例的已選擇輸入特徵的數值輸入至一分類模型中，其中該分類模型基於該輸入特徵的該數值預計是否將為每一資料實例進行一服務預訂； 對於每一資料實例，自該分類模型接收一輸出分類預計；以及 基於該分類預計確定該過去時間段之一潛在需求的估計，以供一目前或未來時間段中之服務的需求的改進預測。
13. 如請求項12所述的方法，其中該一個或多個資料實例的一特徵的數值成為一標準化數值的該修改改進了回應於該查詢而提供該服務之該載客。
14. 如請求項12或請求項13所述的方法，進一步包括： 藉由下述確定該過去時間段之一潛在需求的估計： 定義一上限為資料實例的該總量數減去其中指示將不進行一服務預訂的該分類預計之資料實例的該數量， 定義一下限為其中指示將進行一服務預訂的該分類預計之資料實例的該數量；以及 基於該上限和該下限計算一潛在需求的估計。
15. 如請求項12、請求項13或請求項14所述的方法，其中該資料記錄包括在一緊接在前時間段內的服務查詢的資料實例，該方法進一步包括： 基於該緊接在前時間段之該估計的潛在需求，執行一目前時間段中之服務需求的即時預測。
16. 如請求項12至請求項15中任一項所述的方法，進一步包括： 週期性接收包括在一緊接在前時間段內的服務查詢的資料實例之資料記錄，以及 記錄每一時間段之一潛在需求估計，以生成一時間序列供輸入至一預測演算法以用於至少一天前的服務需求的預測。
17. 如請求項12至請求項16中任一項所述的方法，其中該已接收的資料記錄包括一定義地理區域之一過去時間段內的服務查詢的資料實例，用於估計該定義地理區域中的潛在需求的使用，該方法進一步包括： 由該通訊伺服器裝置發送一通訊至一個或多個服務提供者客戶裝置，以基於該地理區域中一目前或未來時間段中對於服務的需求的預測管理該地理區域內的服務供應者資源的位置。
18. 如請求項12至請求項17中任一項所述的方法，進一步包括： 藉由下述創建該分類模型： 接收歷史資料記錄，該歷史資料記錄包括由該伺服器通訊裝置隨時間而記錄的服務查詢的實例，其中每一資料實例包括用於複數特徵之數值和指示是否已進行一服務預訂之一已知分類數值； 基於該已接收的歷史資料執行特徵選擇，以識別該分類之相關特徵：以及 藉由使用一機器學習演算法之預計建模來創建一分類模型，其中該預計建模包括基於該歷史資料記錄作為訓練資料之監督學習。
19. 一種用於創建一通訊伺服器裝置之一分類模型以預測需求用於基於已接收的消費者查詢來管理服務之該提供的方法，該方法包括： 接收由一伺服器通訊裝置隨時間所記錄的服務查詢的歷史資料實例，其中每一資料實例包括用於複數特徵之數值和指示是否已進行一服務預訂之一已知分類數值； 基於該已接收的歷史資料執行特徵選擇，以識別該分類之相關特徵；以及 藉由使用一機器學習演算法之預計建模來創建一分類模型，其中該預計建模包括基於該歷史資料實例作為訓練資料之監督學習。
20. 一種電腦程式、電腦程式產品或非暫態儲存媒體，其包括用於實施如請求項12或請求項19所述方法的指令。

Images