TW202236204A - 用於預測目的地位置之系統及方法 - Google Patents
用於預測目的地位置之系統及方法 Download PDFInfo
- Publication number
- TW202236204A TW202236204A TW111105973A TW111105973A TW202236204A TW 202236204 A TW202236204 A TW 202236204A TW 111105973 A TW111105973 A TW 111105973A TW 111105973 A TW111105973 A TW 111105973A TW 202236204 A TW202236204 A TW 202236204A
- Authority
- TW
- Taiwan
- Prior art keywords
- destination
- location
- data
- user
- locations
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000002123 temporal effect Effects 0.000 claims abstract description 27
- 230000000306 recurrent effect Effects 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- 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
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Social Psychology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Navigation (AREA)
Abstract
一種用於預測一目的地位置的系統可包括一或多個處理器以及一記憶體,該記憶體具有儲存於其中的指令。該等一或多個處理器可使用至少一個循環神經網路來:處理空間資料,該空間資料包含有有關於出發點位置及目的地位置的一第一組資訊;處理時間資料,該時間資料包含有有關於在該等出發點位置及該等目的地位置之時間的一第二組資訊;基於該空間資料及該時間資料確定隱藏狀態資料,其中該隱藏狀態資料包含有關於出發點-目的地關係的資料;接收來自一使用者的一當前輸入資料,其中該當前輸入資料包含有該使用者的一身份識別碼及該使用者的該當前出發點位置;以及基於該隱藏狀態資料及該當前輸入資料預測該目的地位置。
Description
發明領域
本發明的各個方面涉及一種用於預測目的地位置的系統。本發明的各個方面涉及一種用於預測目的地位置的方法。本發明的各個方面涉及一種儲存有電腦可執行代碼的非暫時性電腦可讀取媒體,該電腦可執行代碼包含有用於預測目的地位置的指令。本發明的各個方面涉及一種包含有用於預測目的地位置之指令的電腦可執行代碼。
發明背景
預測一旅行的該目的地係在人類行動中的一項任務,它在現實世界的場景中有多種的應用,從最佳化一電子調度系統的效率到預測及減少交通擁塞都有。特別的是,它在電子叫車的環境中引起了人們的興趣,歸功於智慧型手機技術的進步,它已經在全域範圍內流行起來並使客戶能夠使用他們的智慧型手機來叫車。
下一個目的地的推薦在計程車及叫車服務的運輸領域中很重要,在這些領域中,根據使用者當前的出發點,向使用者推薦個人化的目的地。
為了預測一使用者的下一個目的地,可以使用諸如頻率、循序學習、矩陣分解等模型基於一使用者的造訪順序來預測該使用者的下一個目的地。用於下一個目的地推薦任務的現有方法並非被設計來要同時從出發點及目的地序列中學習。它們被設計為僅從目標序列中做學習。因此,現有的解決方案可能不準確,並且可能會提供較不情境化及不切實際的推薦(例如非常遠的目的地)。
更重要的是,現有的方法沒有考慮該使用者當前輸入的出發點位置來執行該推薦,這使得它在現實世界的應用中非常的不切實際,因為即使該使用者傾向於乘車去附近的地方,但也可能被推薦到非常遠的目的地,導致出次優的性能。
發明概要
因此,提高預測一目的地位置的該準確性並實現對一車輛(或等效地,一使用者)目的地之準確及可靠的預測係所欲的。
本發明的一優點可以包括藉由學習來自出發點及目的地序列兩者的該等循序轉移,準確及可靠地預測一目的地位置。
本發明的一優點可以包括一可靠的預測系統,它可以是出發點感知的,這意味著它會基於該使用者當前所在位置或其輸入的出發點位置的知識來進行預測。
本發明的一優點可以包括一目的地位置預測的個人化,這可以透過使用者嵌入來學習及計算最能代表該使用者當前偏好之一隱藏表示來被實現,從而最佳地預測下一個目的地。這可被解讀為一個能夠理解使用者偏好的系統。
透過參考以下的描述及該等附圖,本文所揭露方面的這些及其他前述的優點及特徵將變得明顯。此外,應被理解的是,本文所描述各個方面的特徵並不是相互排斥的,並且可以以各種組合及排列的方式存在。
本發明總體上涉及用於目的地位置的系統。該系統可以包括一或多個處理器。該系統還可以包括一記憶體,其中儲存有指令,當該等指令由該等一或多個處理器執行時,可致使該等一或多個處理器使用至少一個循環神經網路來:處理空間資料,該空間資料可包括有關於出發點位置及目的地位置的一第一組資訊;處理時間資料,其可能包括有關於在該等出發點位置及該等目的地位置之時間的一第二組資訊;基於該空間資料及該時間資料確定隱藏狀態資料,其中該隱藏狀態資料可包括關於出發點-目的地關係的資料;接收來自使用者的當前輸入資料,其中當前輸入資料可以包括該使用者的一身份識別碼及該使用者當前的出發點位置;以及基於該隱藏狀態資料及該當前輸入資料預測該目的地位置。
根據一實施例,該當前輸入資料更可包括該使用者的一先前目的地。
根據一實施例,該第一組資訊可以包括本地出發點位置及本地目的地位置。該第二組資訊可以包括在該等本地出發點位置及該等本地目的地位置的時間。該等本地出發點位置及該等本地目的地位置可以是在一地理雜湊(geohash)內。
根據一實施例,該第一組資訊可以包括全域出發點位置及/或全域目的地位置 該第二組資訊可以包括在該等全域出發點位置及/或該等全域目的地位置的時間。該等全域出發點位置及/或該等全域目的地位置可能在該地理雜湊(geohash)之外。
根據一實施例,該系統可包括一編碼器。該編碼器可被組配成處理該空間資料及該時間資料。該編碼器可被組配來確定該隱藏狀態資料。
根據一實施例,該系統可包括一解碼器。該解碼器可被組配成從該使用者接收該當前輸入資料。該解碼器可被組配成從該編碼器接收該隱藏狀態資料。該解碼器可以被組配成基於該隱藏狀態資料及該當前輸入資料來預測該目的地位置。
根據一實施例,該解碼器可被組配成基於該隱藏狀態資料、該當前輸入資料及一第一預定權重來確定使用者的個人化偏好資料。
根據一實施例,該解碼器可被組配成基於該個人化偏好資料及具有一第二預定權重的該隱藏狀態資料來預測該目的地位置。
根據一實施例,該解碼器可被組配來確定該所預測目的地位置係一正確目的地位置的一機率。
本發明總體上涉及一種用於目的地位置的方法。該方法可以包括:使用至少一個循環神經網路來:處理空間資料,該空間資料可包括有關於出發點位置及目的地位置的一第一組資訊;處理時間資料,其可能包括有關於在該等出發點位置及該等目的地位置之時間的一第二組資訊;基於該空間資料及該時間資料確定隱藏狀態資料,其中該隱藏狀態資料可包括關於出發點-目的地關係的資料;接收來自使用者的當前輸入資料,其中當前輸入資料可以包括該使用者的一身份識別碼及該使用者當前的出發點位置;以及基於該隱藏狀態資料及該當前輸入資料預測該目的地位置。
根據一實施例,該當前輸入資料更可包括該使用者的一先前目的地。
根據一實施例,該第一組資訊可以包括本地出發點位置及本地目的地位置。該第二組資訊可以包括在該等本地出發點位置及該等本地目的地位置的時間。該等本地出發點位置及該等本地目的地位置可以是在一地理雜湊(geohash)內。
根據一實施例,該第一組資訊可以包括全域出發點位置及/或全域目的地位置 該第二組資訊可以包括在該等全域出發點位置及/或該等全域目的地位置的時間。該等全域出發點位置及/或該等全域目的地位置可能在該地理雜湊(geohash)之外。
根據一實施例,該方法可包括使用一編碼器來:處理該空間資料及該時間資料;以及確定該隱藏狀態資料。
根據一實施例,該方法可包括使用一解碼器來:從該使用者接收該當前輸入資料;從該編碼器接收該隱藏狀態資料;以及基於該隱藏狀態資料及該當前輸入資料來預測該目的地位置。
根據一實施例,該方法可包括使用該解碼器基於該隱藏狀態資料、該當前輸入資料及一第一預定權重來確定使用者的個人化偏好資料。
根據一實施例,該方法可包括使用該解碼器基於該個人化偏好資料及具有一第二預定權重的該隱藏狀態資料來預測該目的地位置。
根據一實施例,該方法可包括使用該解碼器來確定該所預測目的地位置係一正確目的地位置的一機率。
本發明總體上涉及一種儲存有電腦可執行代碼的非暫時性電腦可讀取媒體,該電腦可執行代碼包含有根據本發明之用於預測目的地位置的指令。
本發明一般涉及一種電腦可執行代碼,其包含有根據本發明之用於預測目的地位置的指令。
為了實現前面敘述及相關的目的,該等一或多個實施例包括了在下文中充分被描述並在該等請求項中被特別指出的該等特徵。以下描述及該等相關的附圖詳細闡述了該等一或多個方面的某些說明性特徵。然而,這些特徵僅表示了各個方面的該等原理可採用之各種方式中的幾種,並且本描述旨在包括所有的這些方面及其等價物。
較佳實施例之詳細說明
以下的詳細描述參考了該等附圖,該等附圖通過說明的方式圖示出可在其中實踐本發明的具體細節及實施例。這些實施例以足夠詳細的方式被描述以使本領域的習知技藝者能夠實踐本發明。在不脫離本發明範圍的情況下,其他實施例可被利用並且可以進行結構及邏輯上的改變。該等各種實施例不一定係相互排斥的,因為一些實施例可以與一或多個其他的實施例相結合以形成新的實施例。
在該等系統或伺服器或方法或電腦程式其中一個的上下文中所描述的實施例對於其他的系統或伺服器或方法或電腦程式會類似地有效並且反之亦然。
在一實施例的上下文中所描述的特徵可相應地適用在其他實施例中相同或相似的特徵。在一實施例的上下文中所描述的特徵可相應地適用於其他的實施例,即使在這些其他實施例中並沒有被明確地描述。此外,針對在一實施例上下文中之一特徵所描述之添加及/或組合及/或替代可相應地適用於在其他實施例中相同或相似的特徵。
「示例性」一詞在本文中被使用來表示「作為一示例、實例、或說明」。在本文中被描述為「示例性」的任何實施例或設計不一定被解讀為優於其他的實施例或設計或比起其他的實施例或設計更為有利。
在不同實施例的該上下文中,關於一特徵或元件所使用之該等冠詞「一」、「一個」及「該」包括對該等特徵或元件之一或多個的參考。
如在本文中所使用的,用語「及/或」包括該等相關聯所列項目之一或多個的任意及所有的組合。
該等術語「至少一個」及「一或多個」可被理解為包括大於或等於一的一數量(例如,一、二、三、四、[…]、等等)。該術語「複數個」可被理解為包括大於或等於二的一數量(例如,二、三、四、五、[…]、等等)。
在本說明書及該等請求項中的該等用語「複數」及「多個」明確地表示大於一的一數量。因此,任何明確援引上述用語(例如,「複數個[物件]」、「多個[物件]」)來指出物件數量的短語明確地指出多於一個的該等物件。用語「的群組」、「的集合」、「的收集」、「的系列」、「的序列」、「的分群」、等等,以及在本說明書及該等請求項中的類似用語,如果有的話,指的是等於或大於一的數量,即一或多個。術語「嚴格子集」、「縮減子集」、及「較小子集」係指一集合的一子集但該子集不等於該集合,即包含比該集合少之元素之該集合的一子集。
在本文中所使用的術語「資料」可被理解為包括以任何合適類比或數位形式的資訊,例如,被提供作為一檔案、一檔案的一部分、一檔案集合、一信號或串流、一信號或串流的一部分、一組信號或串流、等等。此外,術語「資料」還可被使用來意指對資訊的一參照,例如,以一指標的形式。然而,該術語資料不限於該等上述示例並且可以採用各種形式並表示在本領域中所理解的任何資訊。
例如,在本文中所使用的術語「處理器」或「控制器」可被理解為允許處理資料、信號、等等之任何種類的實體。該等資料、信號、等等可以根據一或多個由該處理器或控制器所執行的特定功能來被處理。
一處理器或控制器因此可以是或包括一類比電路、數位電路、混合信號電路、邏輯電路、處理器、微處理器、中央處理單元(CPU)、圖形處理單元(GPU)、數位信號處理器(DSP)、現場可規劃閘陣列(FPGA)、積體電路、特定應用積體電路(ASIC)、等等,或其之任意組合。以下將被進一步詳細描述之各個功能的任何其他類型的實現也可被理解為一處理器、控制器或邏輯電路。應被理解的是,在本文中所詳述的該等處理器、控制器、或邏輯電路中的任意兩個(或更多個)可被實現為具有等效功能性的一單一實體,並且相反地,在本文中所詳述的任意一單一處理器、控制器、或邏輯電路可以被實現為具有等效功能性之兩個(或更多個)分開的實體。
在本文中所詳述的該術語「系統」(例如,一驅動系統、一位置檢測系統、等等)可被理解為一組相互作用的元件,這些元件可以例如是,但不侷限於,一或多個機械組件、一或多個電子組件、一或多個指令(例如,被編碼在儲存媒體中)、一或多個控制器、等等。
在本文中被使用的一「電路」被理解為任何種類之邏輯實現的實體,其可以包括專用硬體或一處理器執行的軟體。因此,一電路可以是一類比電路、數位電路、混合信號電路、邏輯電路、處理器、微處理器、中央處理單元(「CPU」)、圖形處理單元(「GPU」)、數位信號處理器(「DSP」)、現場可規劃閘陣列(「FPGA」)、積體電路、特定應用積體電路(「ASIC」)、等等,或其之任意組合。以下將被進一步詳細描述之各個功能的任何其他類型的實現也可被理解為一「電路」。應被理解的是,在本文所詳述之任意兩個(或更多個)電路可被實現為具有本質上等效功能性的一單一電路,並且相反的是,在本文所詳述之任意單一電路可被實現為具有本質上等效功能性之兩個(或更多個)分開的電路。此外,對一「電路」的引用可以指共同形成一單一電路之兩或更多個電路。
如在本文中所使用的,「記憶體」可被理解為可以儲存資料或資訊以供檢索的一種非暫時性電腦可讀取媒體。本文所包括對「記憶體」的參照可因此被理解為是指依電性或非依電性記憶體,包括有隨機存取記憶體(「RAM」)、唯讀記憶體(「ROM」)、快閃記憶體、固態儲存、磁帶、硬碟、光碟、等等,或它們的任意組合。此外,可被理解的是,暫存器、移位暫存器、處理器暫存器、資料緩衝器、等等在本文中由該術語記憶體所包含。應被體認的是,被稱為「記憶體」或「一記憶體」的一單一組件可由多於一種不同類型的記憶體所組成,因此可指包括有一或多種類型記憶體的一集體式的組件。容易被理解的是,任意單一記憶體組件都可被分解成多個共同等效的該記憶體組件,反之亦然。此外,雖然記憶體可被描述為與一或多個其他的組件分隔開(諸如在該等附圖中),但應被理解的是,記憶體可被整合在另一個組件內,諸如在一公共整合式晶片上。
如在本文中所使用的,術語「地理雜湊(geohash)」可以是一城市或國家之分割區域預先定義的地理編碼單元。
以下的詳細描述參考了該等附圖,該等附圖通過說明的方式圖示出可在其中實踐本發明的具體細節及實施例。這些實施例以足夠詳細的方式被描述以使本領域的習知技藝者能夠實踐本發明。各個方面被提供用於該呈現的系統,並且各個方面被提供用於該等方法。將被理解的是,該系統的該等基本特性也適用於該等方法,反之亦然。在不脫離本發明範圍的情況下,其他方面可被利用並且可以進行結構及邏輯上的改變。該等各個方面不一定係相互排斥的,因為一些方面可以與一或多個其他的方面相結合以形成新的方面。
為了更容易理解並付諸實踐,現在將藉由舉例的方式而非限制的方式並參考該等附圖來描述本系統、方法、及其他特定的方面。為簡潔起見,特徵及屬性的重複描述可能被省略。
將被理解的是,本文針對一特定系統或裝置所描述之任意的性質也可以適用於本文所描述之任意的系統或裝置。還應當被理解的是,本文針對一特定方法所描述之任意的性質也可以適用於本文所描述之任意的方法。此外,應當被理解的是,對於本文所描述的任意裝置、系統、或方法,不一定所有所描述之該等組件或操作都將被包含在該裝置、系統、或方法中,而是可以只包括一些(但不是全部)組件或操作。
該術語「包含有」應被理解為類似於該術語「包括有」具有一廣泛的含義,並且將被理解為暗示包含一所述的整數或操作或整數或操作群組,但並不排除任何其他的整數或操作或整數或操作群組。這個定義也適用於該術語「包含有」一詞的變型諸如「包含」及「包括」。
在本文中該術語「耦合」(或「連接」)可被理解為電氣耦合或機械耦合,例如,附接或固定或附接,或僅接觸而沒有任何的固定,並且將被理解為直接耦合或間接耦合(換句話說:沒有直接接觸的耦合)兩者都可被提供。
在本文中該術語「實體」可被理解為一人類使用者、一企業、一使用者群組或一組織。
圖1根據本發明的一實施例的圖示出一系統100的一示意圖。
根據各種實施例,該系統100可以包括一伺服器110及/或一使用者裝置120。
在各種實施例中,該伺服器110及該使用者裝置120可透過通訊網路130彼此進行通訊。在一實施例中,即使圖1展示出把該伺服器110連接到該通訊網路130的一線路、把該使用者裝置120連接到該通訊網路130的一線路,該伺服器110及該使用者裝置120可能不實體地例如透過一電纜彼此連接。在一個實施例中,該伺服器110及該使用者裝置120能夠藉由網際網路通訊協定透過通訊網路130或透過一移動蜂巢式通訊網路進行無線通訊。
在各種實施例中,該伺服器110可以是如在圖1中示意性地被示出的一單一該伺服器,或具有由散佈在多個伺服器組件上之該伺服器110所執行的該功能。在一實施例中,該伺服器110可以包括一或多個伺服器處理器112。在一實施例中,由該伺服器110所執行的各種功能可以橫跨該(等)一或多個伺服器處理器來被執行。在一實施例中,由該伺服器110所執行的該等各種功能中每一個特定的功能可由該等一或多個伺服器處理器中一特定的伺服器處理器來執行。
在一實施例中,該伺服器110可包括一記憶體114。在一實施例中,該伺服器110還可包括一資料庫。在一實施例中,該記憶體114及該資料庫可以是一個組件或者可以是分開的組件。在一實施例中,該伺服器的該記憶體114可以包括定義該伺服器110在該等一或多個伺服器處理器112之控制下執行之該功能的電腦可執行代碼。在一實施例中,該資料庫及/或記憶體114可以包括過去交通服務的歷史資料,例如,例如,一出發點位置及/或目的地位置、及/或在出發點位置的時間、及/或在目的地位置的時間及/或使用者設定檔,例如,使用者身份及/或使用者偏好。在一實施例中,該記憶體114可以包括或可以是諸如一非暫時性電腦可讀取媒體之類的一電腦程式產品。
根據各種實施例,一電腦程式產品可以儲存該電腦可執行代碼,其包括有根據該等各種實施例用於預測目的地位置的指令。在一實施例中,該電腦可執行代碼可以是一電腦程式。在一實施例中,該電腦程式產品可以是一非暫時性電腦可讀取媒體。在一實施例中,該電腦程式產品可以式在該系統100及/或該伺服器110中。
在一些實施例中,該伺服器110還可以包括允許該伺服器110在該通訊網路130上進行通訊的一輸入及/或輸出模組。在一實施例中,該伺服器110還可以包括用於該伺服器110之使用者控制的一使用者介面。在一實施例中,該使用者介面可包括例如諸如顯示器監視器的運算週邊裝置、使用者輸入裝置例如觸控螢幕裝置及電腦鍵盤。
在一實施例中,該使用者裝置120可包括一使用者裝置記憶體122。在一實施例中,該使用者裝置120可以包括一使用者裝置處理器124。在一實施例中,該使用者裝置記憶體122可以包括定義該使用者裝置120在該使用者裝置處理器124之控制下所執行之該功能的電腦可執行代碼。在一實施例中,該使用者裝置記憶體122可包括或者可以是諸如一非暫時性電腦可讀取媒體的一電腦程式產品。
在一實施例中,該使用者裝置120還可以包括允許該使用者裝置120在該通訊網路130上進行通訊的一輸入及/或輸出模組。在一實施例中,該使用者裝置120還可以包括供該使用者控制該使用者裝置120的一使用者介面。在一實施例中,該使用者介面可以是一觸控面板顯示器。在一實施例中,該使用者介面可以包括一顯示器監視器、一鍵盤或按鈕。
在一實施例中,該系統100可被使用來預測一目的地位置。在一實施例中,該記憶體114可以具有儲存在其中的指令。在一實施例中,該等指令當由該等一或多個處理器執行時可致使該處理器112使用至少一個循環神經網路來預測一目的地位置。
在一實施例中,該處理器112可使用至少一個循環神經網路來處理空間資料,該空間資料可包括有關於出發點位置及目的地位置的一第一組資訊。
在一實施例中,該處理器112可使用至少一個循環神經網路來處理處理時間資料,其可能包括有關於在該等出發點位置及該等目的地位置之時間的一第二組資訊。
在一實施例中,該處理器112可使用至少一個循環神經網路基於該空間資料及該時間資料確定隱藏狀態資料。在一實施例中,該隱藏狀態資料可包括關於出發點-目的地關係的資料。
在一實施例中,該處理器112可使用至少一個循環神經網路來接收來自使用者的當前輸入資料。在一實施例中,該當前輸入資料可以包括該使用者的一身份識別碼及該使用者當前的出發點位置。
在一實施例中,該處理器112可使用至少一個循環神經網路基於該隱藏狀態資料及該當前輸入資料預測該目的地位置。
在一實施例中,該當前輸入資料更可包括該使用者的一先前目的地。在一實施例中,在一實施例中,該使用者的前一目的地可被使用來預測該目的地位置。
在一實施例中,該第一組資訊可以包括本地出發點位置及/或本地目的地位置。在一實施例中,該第二組資訊可以包括在該等本地出發點位置及/或該等本地目的地位置的時間。在一實施例中,該等本地出發點位置及/或該等本地目的地位置可以是在一地理雜湊(geohash)內。該術語「地理雜湊(geohash)」可以是一城市或國家之分割區域預先定義的地理編碼單元。
在一實施例中,該第一組資訊可以包括全域出發點位置及/或全域目的地位置。在一實施例中,該第二組資訊可以包括在該等全域出發點位置及/或該等全域目的地位置的時間。在一實施例中,該等全域出發點位置及/或該等全域目的地位置可能在該地理雜湊(geohash)之外。
在一實施例中,該系統100可包括一編碼器。在一實施例中,該編碼器可被組配成處理該空間資料及該時間資料。在一實施例中,該編碼器可被組配來確定該隱藏狀態資料。
在一實施例中,該系統100可包括一解碼器。在一實施例中,該解碼器可被組配成從該使用者接收該當前輸入資料。在一實施例中,該解碼器可被組配成從該編碼器接收該隱藏狀態資料。在一實施例中,該解碼器可以被組配成基於該隱藏狀態資料及該當前輸入資料來預測該目的地位置。
在一實施例中,該解碼器可被組配成基於該隱藏狀態資料、該當前輸入資料及一第一預定權重來確定使用者的個人化偏好資料。
在一實施例中,該解碼器可被組配成基於該個人化偏好資料及具有一第二預定權重的該隱藏狀態資料來預測該目的地位置。
在一實施例中,該解碼器可被組配來確定該所預測目的地位置係一正確目的地位置的一機率。
圖2根據各種實施例展示出一種方法200的一流程圖。
根據各種實施例,用於預測一目的地位置的該方法200可被提供。在一實施例中,該方法200可包括一步驟202為使用至少一個循環神經網路來處理空間資料。該空間資料可包括有關於出發點位置及目的地位置的資訊。
在一實施例中,該方法200可包括一步驟204為使用至少一個循環神經網路來處理處理時間資料。該時間資料可能包括有關於在該等出發點位置及該等目的地位置之時間的資訊。
在一實施例中,該方法200可包括一步驟206為使用至少一個循環神經網路基於該空間資料及該時間資料確定隱藏狀態資料。
在一實施例中,該方法200可包括一步驟208為使用至少一個循環神經網路來接收來自使用者的當前輸入資料。該當前輸入資料可以包括該使用者的一身份識別碼及該使用者當前的出發點位置。
在一實施例中,該方法200可包括一步驟210為使用至少一個循環神經網路基於該隱藏狀態資料及該當前輸入資料預測該目的地位置。
在一實施例中,步驟202至210係以一種特定的順序被展示出,但是其他順序也是有可能的。在某些情況下步驟也可被合併。步驟202至210之任何合適的順序可被使用。
圖3根據各種實施例圖示出一示例性目的地推薦介面。
在一實施例中,該示例性目的地推薦介面300可以包括一當前出發點位置302。在一實施例中,針對當前出發點位置302,可包括至少一個推薦目的地。在一實施例中,該至少一個推薦目的地可由一種用於預測目的地位置的系統來預測。在一實施例中,該系統可從該當前出發點位置302預測使用者可以行進到的前X個目的地位置,其中X可以是一預定值。在一實施例中,該系統可以基於一使用者身份識別碼來預測該等前X個目的地位置。也就是說,來自該當前出發點位置302的該等前X個目的地位置可能隨著使用者的不同而不同。
在一實施例中,至少一個推薦目的地可以包括一第一推薦目的地304A。在一實施例中,至少一個推薦目的地可以包括一第二推薦目的地304B。在一實施例中,至少一個推薦目的地可以包括一第三推薦目的地304C。在一實施例中,該第一推薦目的地304A可以是該系統預測為該最有可能目的地的一目的地。在一實施例中,該第三推薦目的地304C可以是該系統預測為在所有推薦位置中該最不可能目的地的一目的地。
在一實施例中,以下的問題公式化可被使用:
令
為
使用者的該集合而
為供在
中該等使用者造訪之
N個位置的該集合,其中每一個位置
在使用者軌跡資料集中可能具有一出發點
或一目的地
的角色,或兩者兼而有之。每位使用者
可能有一個上車(出發點)及下車(目的地)值組的OD序列
,其可以記錄他們的計程車旅程,並且
可能是所有使用者的OD序列的集合。在
中所有的位置造訪,無論出發點還是目的地,都可能有自己的位置座標
及時間戳
。
在一實施例中,該出發點感知的下一個目的地推薦任務的該目標可以是考慮以下各項中的至少一個:該使用者
、該當前出發點
、及OD值組的該歷史序列
以推薦來自
的一目的地的有序集合。在一實施例中,該下一個目的地
可以在該推薦集合中排名靠前。在一實施例中,
可以是來自該訓練分區的該等集合,為了清楚起見帶有該上標
。
圖4根據各種實施例圖示出在出發點與目的地之間的示例性關係。
在圖4的一地圖400中,至少一個出發點位置可以位在地圖400中。該至少一個出發點位置可以包括一第一出發點位置402A、一第二出發點位置402B、及一第三出發點位置402C。
在圖4的一地圖400中,至少一個目的地位置可以位在地圖400中。該至少一個目的地位置可以包括一第一目的地位置402A、一第二目的地位置402B、及一第三目的地位置402C。
在一實施例中,該至少一個目的地位置可被使用來藉由學習目的地-目的地(DD)關係來學習及/或預測下一個目的地。
在一實施例中,納入諸如一出發點序列或資訊之類的出發點位置有助於學習出發點-出發點(OO)及/或出發點-目的地(OD)關係。
現有的成果及方法並沒有研究出發點-出發點(OO)及/或出發點-目的地(OD)關係及/或如何包括出發點資訊。學習出發點-出發點(OO)及/或出發點-目的地(OD)關係的一優點為可能會產生一模型,該模型可以從兩個序列中做最佳地學習,從而最好地執行該任務。
圖5A根據各種實施例圖示出在一本地視圖中在出發點與目的地之間的示例性關係。
在圖5A的一地圖中,至少一個位置可以在該地圖500中。該至少一個目的地位置可以包括一第一位置502A、一第二位置502B、一第三位置502C、一第四位置502D、一第五位置502E。在一實施例中,對於該至少一個位置,可以為該至少一個位置的每個位置獲得空間及/或時間因素。在一實施例中,對於空間因素,可以獲得在出發點與目的地之間的該等關係。在一實施例中,對於時間因素,可以獲得每個位置的時槽嵌入。時間間隔也可被獲得。
在圖5A的該地圖中,該空間及該時間因素可以在一本地視圖中。 在一實施例中,本地視圖可以被認為是在一地理雜湊(geohash)內的位置。
圖5B根據各種實施例圖示出在一全域視圖中在出發點與目的地之間的示例性關係。
在圖5B的一地圖中,至少一個位置可以在該地圖510中。該至少一個目的地位置可以包括一第一位置512A、一第二位置512B、一第三位置512C、一第四位置512D、一第五位置512E。在一實施例中,對於該至少一個位置,可以為該至少一個位置的每個位置獲得空間及/或時間因素。在一實施例中,對於空間因素,可以獲得在出發點與目的地之間的該等關係。在一實施例中,對於時間因素,可以獲得每個位置的時槽嵌入。時間間隔也可被獲得。
在圖5B的該地圖中,該空間及該時間因素可以是在一全域視圖中。 在一實施例中,全域視圖可以被認為是不在一地理雜湊(geohash)內的位置。在一實施例中,可藉由計算從一位置到所有其他位置的逐對間隔來計算該空間及/或該時間因素以了解它們有「多遠」及有「多近」。
圖6根據本發明的一個實施例圖示出一循環神經網路的一示意圖。
在一實施例中,該循環神經網路600可以是一空間-時間LSTM(ST-LSTM)模型。在一實施例中,可以使用針對多分類問題之具有交叉熵損失的一Adam優化器來訓練該模型。在一實施例中,該Adam優化器可以具有1的批量大小。該Adam優化器可以使用15個人工智慧訓練型樣及/或一0.0001的學習率進行訓練。
在圖6的該實例中,該空間及該時間因素可被併入到在一 LSTM中的新空間及時間單元狀態中。在一實施例中,該ST-LSTM模型可以是具有空間及時間單元狀態之一LSTM模型的一擴展。該ST-LSTM模型可基於在本地及全域視圖兩者中的該等空間及時間因素來學習出發點-目的地關係。在一實施例中,從一LSTM模型到一ST-LSTM模型的該擴展可能會尋求要允許出發點-目的地關係可被學習,因為該LSTM能夠在給定一出發點或一目的地序列的情況下分別地學習出發點-出發點或目的地-目的地關係,但無法學習出發點-目的地關係。
在一實施例中,給定用於時步
的一輸入位置
,
,
可以是用於該空間單元狀態的輸入及遺忘閥(即
、以及單元輸入
之該等對應的權重矩陣。這些權重矩陣可以學習用於該位置之地理雜湊(geohash)嵌入
及空間區間向量
的表示。對應於偏差
的權重矩陣
,
可以學習該前一隱藏狀態
的一表示,其可以強制執行一循環結構,並且可以學習用於該空間單元狀態的循序相依關係。在計算該等表示之後,sigmoid
及雙曲正切
的激活函數可被套用。然後,該空間單元狀態
可以從該等閥及單元輸入被計算出,其中
是該 Hadamard 乘積。以下的等式可被使用於計算該空間單元狀態
:
.
在一實施例中,給定用於時步
的一輸入位置
,
可以是用於該時間單元狀態的輸入及遺忘閥(即
,及單元輸入
之該等對應的權重矩陣。這些權重矩陣可以學習用於該位置之地理雜湊(geohash)嵌入
及時間間隔向量
的表。對應於偏差
的權重矩陣
,
可以學習該前一隱藏狀態
的一表示,這可以強制執行一循環結構,並且可以學習用於該時間單元狀態的循序相依關係。在計算該等表示之後,sigmoid
及雙曲正切
的激活函數可被套用。然後,該時間單元狀態
可以從該等閥及單元輸入被計算出,其中
是該 Hadamard 乘積。以下的等式可被使用於計算該時間單元狀態
:
.
在一實施例中,可以把該等三個隱藏狀態融合為用於該當前時步的該輸出隱藏狀態。在一實施例中,為了計算用於時步
之該ST-LSTM的該隱藏狀態
,可以使用來自該單元狀態
、空間單元狀態
及時間單元狀態
之該串接
的該權重矩陣
來學習一表示。該表示可以經歷雙曲正切函數
及使用該LSTM 的現有輸出閥
進行Hadamard乘積
。以下的等式可被使用來計算該隱藏狀態
:
.
在一實施例中,該空間及時間單元狀態在加上該LSTM的單元狀態可以使得OD關係能夠被學習,因為只有該LSTM可能無法學習OD關係。
圖7根據本發明的一個實施例圖示出一編碼器及一解碼器系統的一示意圖。
在一實施例中,利用該循環神經網路模型(例如,該ST-LSTM模型),一個人化的偏好注意(PPA)模型可被揭露。該PPA可以是一空間時間出發點-目的地個人化偏好注意力(STOD-PPA)。該PPA模型可以是或可以使用一編碼器-解碼器架構。
在一實施例中,該系統可以包括一編碼器。在一實施例中,該編碼器可以對該使用者的歷史出發點及目的地序列進行編碼以擷取他們的偏好。在一實施例中,該編碼器可以使用該循環神經網路模型來學習OO、DD及OD關係。在一實施例中,因為每位使用者的OD值組序列
被劃分為訓練及測試分區,該訓練分區
可被使用並且可被分別地被拆開成分開的出發點序列
及目的地序列
。在一實施例中,為了效率起見,
的該第一出發點
及
的該最後一個目的地
可被省略,以使得該編碼器及該解碼器兩者都將使用該同一組輸入序列,這可以允許為每位使用者執行批量訓練。在一實施例中,
兩者都可被單獨地編碼,分別使用
的該等ST-LSTM:
.
在一實施例中,這可以允許OO及DD關係可以在它們自己的 ST-LSTM中被學習,以及從該等新提出的空間及時間單元狀態中來學習OD關係。在一實施例中,針對使用者
可以把
及
兩者連接起來用於所有隱藏狀態
的一最終集合作為該編碼器的該輸出,以供該解碼器在訓練及測試中使用以預測下一個目的地。
在一實施例中,該系統可以包括一解碼器。在一實施例中,該解碼器可以對該經編碼的隱藏狀態進行編碼,以在給定該當前出發點、及/或一先前目的地及/或該使用者ID的情況下執行下一個目的地或下車點的該預測任務。在一實施例中,在對OD序列
進行編碼之後,可以套用該個人化偏好注意力 (PPA)解碼器模組來注意所有經編碼的OD隱藏狀態,並且可基於該使用者的動態偏好來計算出一發點感知的個人化隱藏表示。
在一實施例中,這可以允許OO及DD關係可以在它們自己的 ST-LSTM中被學習,以及從該等新提出的空間及時間單元狀態中來學習OD關係。在一實施例中,針對使用者
可以把
及
兩者連接起來用於所有隱藏狀態
的一最終集合作為該編碼器的該輸出,以供該解碼器在訓練及測試中使用以預測下一個目的地。
在一實施例中,該解碼器可為在
中每一個經編碼的隱藏狀態計算一注意力分數。在一實施例中,藉由在對出發點及目的地序列兩者進行編碼之後採用該前一目的地
、當前出發點
及當前使用者
以及每一個隱藏狀態
的該等嵌入輸入來計算該注意力分數。在一實施例中,可以使用以下等式來計算該注意力分數
:
.
其中
可以是一權重矩陣用以學習用於該等串接輸入的一表示,然後跟著該Leaky ReLU激活函數
,然後在整個
上套用一softmax正規化。
在一實施例中,下一個目的地的機率分佈可以使用以下的等式來被計算:
其中
可使用該權重矩陣
被投影到該位置數量或|L|,之後跟著一softmax函數藉由學習
作為一多分類問題來推導所有位置的一機率分佈。因此,我們可以按降序對該分佈進行排序,以獲得該最終排名的推薦集合,其中下一個目的地位置
應該被高位排名。
圖8A根據各種實施例圖示出資料集的示例性統計。
在圖8A中,展示了七個資料集SE1-SE7。在一實施例中,每一個資料集可以包括指出以下之至少一項的資料:使用者數量、及/或位置數量、及/或出發點位置數量、及/或目的地位置數量、及/或旅程數量。在一實施例中,該位置數量可以等於出該發點位置數量及該目的地位置數量。
圖8B根據各種實施例圖示出圖8A的該等資料集SE-1到SE-4的示例性性能。圖8C根據各種實施例圖示出圖8A的該等資料集SE-5到SE-7的示例性性能。
在圖8B及8C中,該等評估結果被展示,其中該STOD-PPA模型超越所有的現有方法。在圖8B及8C中,該STOD-PPA及其在不同的隨機種子上運行10次之後的標準差,超越了該LSTPM,該LSTPM-OD擴展也考慮了出發點及目的地資訊以進行公平比較,以及其他現有的方法及基線,針對所有資料集及所有的指標。Acc@K可以評估該排名列表到
K的品質而MAP評估整個排名列表的品質。
在一實施例中,可以使用Acc@𝐾的標準度量,其中K可以是𝐾 ∈ {1, 5, 10}。K及平均精度均值(MAP)可被使用於評估。Acc@𝐾可衡量被設置到𝐾之該推薦的該性能,其中𝐾越小,要獲得良好的性能就越具有挑戰性。在一實施例中,在Acc@1中,如果實際的下一個目的地位在該預測排名集合的該第一位置(𝐾 = 1)中,
即,被給予該最高的機率,則可被給予1分。在一實施例中,在Acc@1中,如果實際的下一個目的地被給予該最低的機率,則可被給予0分。在一實施例中,Acc@𝐾聚焦在前𝐾名。在一實施例中,MAP可以評估該整個推薦集合的品質及/或可以測量該模型的整體性能。
圖9根據本發明的一個實施例圖示出一編碼器及一解碼器系統的示意圖。
圖9展示了來自一資料集的一示例測試用例,其中該模型可被解讀為了解該等使用者偏好。在一實施例中,一使用者ID 3250、一先前目的地ID 1321及當前出發點ID 6的一測試輸入值組可被使用作為給該PPA解碼器的輸入。該PPA解碼器可以在來自該使用者歷史的OD序列之該等經編碼的OD隱藏狀態套用該個人化偏好注意力。在一實施例中,在該編碼器中,該對應的出發點及目的地ID序列,以及為每一個隱藏狀態所計算的注意力權重(為清楚起見以百分比表示)可由該PPA解碼器來完成。在一實施例中,所計算之權重的一顯著差異可被使用來最佳地執行該預測的任務並且可以支援可解釋性。例如,從1671到1331的轉移有最高的權重,而出發點ID 79有最低的權重。在該實例中,以實際的目的地ID 1671,該STOD-PPA方法能夠正確地預測該目的地 ID 1671具有最高的機率分數0.93。
雖然已經參考了特定的實施例具體地展示及描述了本發明,但本領域的習知技藝者應當理解的是,在不脫離如由所附請求項所限定之本發明精神及範圍的情況下,可以在其中進行形式及細節上的各種改變。因此,本發明的範圍係由所附請求項來指出,並因此旨在包括落入該等請求項等價物之含義及範圍內所有的變化。
100:系統
110:伺服器
112:伺服器處理器
114:記憶體
120:使用者裝置
122:使用者裝置記憶體
124:使用者裝置處理器
130:通訊網路
200:方法
202〜210:步驟
300:目的地推薦介面
302:當前出發點位置
304A:第一推薦目的地
304B:第二推薦目的地
304C:第三推薦目的地
400、500、510:地圖
402A:第一出發點位置
402B:第二出發點位置
402C:第三出發點位置
404A:第一目的地位置
404B:第二目的地位置
404C:第三目的地位置
502A、512A:第一位置
502B、512B:第二位置
502C、512C:第三位置
502D、512D:第四位置
502E、512E:第五位置
600:循環神經網路
在該等附圖中,在該等不同視圖中相同的附圖參考標記通常指相同的部分。該等附圖不一定按比例被繪製,而通常是把重點放在要說明之本發明的該等原理上。為了清楚起見,可以任意擴大或縮小該等各種特徵或元件的尺寸。在以下的描述中,本發明的各個方面係參考以下的該等附圖進行描述,其中:
圖1根據本發明的一實施例圖示出一系統100的一示意圖。
圖2根據各種實施例展示出一種方法200的流程圖。
圖3根據各種實施例圖示出一示例性目的地推薦介面。
圖4根據各種實施例圖示出在出發點與目的地之間的示例性關係。
圖5A根據各種實施例圖示出在一本地視圖中在出發點與目的地之間的示例性關係。
圖5B根據各種實施例圖示出在一全域視圖中在出發點與目的地之間的示例性關係。
圖6根據本發明的一個實施例圖示出一循環神經網路的一示意圖。
圖7根據本發明的一個實施例圖示出一編碼器及一解碼器系統的一示意圖。
圖8A根據各種實施例圖示出資料集的示例性統計。
圖8B根據各種實施例圖示出圖8A的該等資料集SE-1到SE-4的示例性性能。
圖8C根據各種實施例圖示出圖8A的該等資料集SE-5到SE-7的示例性性能。
圖9根據本發明的一個實施例圖示出一編碼器及一解碼器系統的示意圖。
400:地圖
402A:第一出發點位置
402B:第二出發點位置
402C:第三出發點位置
404A:第一目的地位置
404B:第二目的地位置
404C:第三目的地位置
Claims (20)
- 一種用於預測一目的地位置的系統,其包含有: 一或多個處理器,及 一記憶體,其具有儲存於其中的指令,當該等指令由該等一或多個處理器執行時,致使該等一或多個處理器使用至少一個循環神經網路來: 處理空間資料,該空間資料包含有關於出發點位置及目的地位置的一第一組資訊; 處理時間資料,該時間資料包含有關於在該等出發點位置及該等目的地位置之時間的一第二組資訊; 基於該空間資料及該時間資料確定隱藏狀態資料,其中該隱藏狀態資料包含有關於出發點-目的地關係的資料; 接收來自一使用者的一當前輸入資料,其中該當前輸入資料包含有該使用者的一身份識別碼及該使用者的該當前出發點位置;以及 基於該隱藏狀態資料及該當前輸入資料來預測該目的地位置。
- 如請求項1之系統,其中該當前輸入資料更包含該使用者的一先前目的地。
- 如請求項1至2中任一項之系統,其中該第一組資訊包含本地出發點位置及本地目的地位置,其中該第二組資訊包含在該等本地出發點位置及該等本地目的地位置的時間,以及其中該等本地出發點位置及該等本地目的地位置係在一地理雜湊(geohash)內。
- 如請求項3之系統,其中該第一組資訊包含有全域出發點位置及全域目的地位置,其中該第二組資訊包含有在該等全域出發點位置及該等全域目的地位置的時間,以及其中該等全域出發點位置及該等全域目的地位置係在該地理雜湊(geohash)之外。
- 如請求項1至4中任一項之系統,其更包含有: 一編碼器,該編碼器被組配來處理該空間資料及該時間資料,以及被組配來確定該隱藏狀態資料。
- 如請求項5之系統,其更包含有: 一解碼器,該解碼器被組配來從該使用者接收該當前輸入資料、從該編碼器接收該隱藏狀態資料、以及基於該隱藏狀態資料及該當前輸入資料來預測該目的地位置。
- 如請求項6之系統,其中該解碼器被組配以基於該隱藏狀態資料、該當前輸入資料以及一第一預定權重來確定該使用者的個人化偏好資料。
- 如請求項7之系統,其中該解碼器被組配以基於該個人化偏好資料及具有一第二預定權重的該隱藏狀態資料來預測該目的地位置。
- 如請求項6至8中任一項之系統,其中該解碼器被組配來確定所預測之該目的地位置係一正確目的地位置的一機率。
- 一種用於預測一目的地位置的方法,其包含有: 使用至少一個循環神經網路來: 處理空間資料,該空間資料包含有關於出發點位置及目的地位置的資訊; 處理時間資料,該時間資料包含有關於在該等出發點位置及該等目的地位置之時間的資訊; 基於該空間資料及該時間資料來確定出發點-目的地關係; 接收來自一使用者的一當前輸入資料,其中該當前輸入資料包含有該使用者的一身份識別碼及該使用者的該當前出發點位置;以及 基於該等出發點-目的地關係及該當前輸入資料來預測該目的地位置。
- 如請求項10之方法,其中該當前輸入資料更包含該使用者的一先前目的地。
- 如請求項10至11中任一項之方法,其中第一組資訊包含本地出發點位置及本地目的地位置,其中第二組資訊包含在該等本地出發點位置及該等本地目的地位置的時間,以及其中該等本地出發點位置及該等本地目的地位置係在一地理雜湊(geohash)內。
- 如請求項12之方法,其中該第一組資訊包含有全域出發點位置及全域目的地位置,其中該第二組資訊包含有在該等全域出發點位置及該等全域目的地位置的時間,以及其中該等全域出發點位置及該等全域目的地位置係在該地理雜湊(geohash)之外。
- 如請求項10至13中任一項之方法,其更包含有: 使用一編碼器來: 處理該空間資料及該時間資料;以及 確定該隱藏狀態資料。
- 如請求項14之方法,其更包含有: 使用一解碼器來: 從該使用者接收該當前輸入資料; 從該編碼器接收該隱藏狀態資料;以及 基於該隱藏狀態資料及該當前輸入資料來預測該目的地位置。
- 如請求項15之方法,其更包含有: 使用該解碼器基於該隱藏狀態資料、該當前輸入資料以及一第一預定權重來確定使用者的個人化偏好資料。
- 如請求項16之方法,其更包含有: 使用該解碼器基於該個人化偏好資料及具有一第二預定權重的該隱藏狀態資料來預測該目的地位置。
- 如請求項15至17中任一項之方法,其更包含有: 使用該解碼器來確定所預測之該目的地位置係一正確目的地位置的一機率。
- 一種儲存有電腦可執行代碼之非暫時性的電腦可讀取媒體,該電腦可執行代碼包含有用於根據請求項1至18中之任一項預測目的地位置的指令。
- 一種電腦可執行代碼,其包含有用於根據請求項1至19中之任一項預測目的地位置的指令。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SG10202102123Q | 2021-03-02 | ||
SG10202102123Q | 2021-03-02 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202236204A true TW202236204A (zh) | 2022-09-16 |
Family
ID=83155642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111105973A TW202236204A (zh) | 2021-03-02 | 2022-02-18 | 用於預測目的地位置之系統及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240044663A1 (zh) |
CN (1) | CN116806345A (zh) |
TW (1) | TW202236204A (zh) |
WO (1) | WO2022186769A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2016212530A1 (en) * | 2015-01-27 | 2017-08-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for providing information for an on-demand service |
AU2016309857A1 (en) * | 2015-08-20 | 2018-03-08 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining information related to a current order based on historical orders |
WO2019232776A1 (en) * | 2018-06-08 | 2019-12-12 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for generating personalized destination recommendations |
CN109543886B (zh) * | 2018-11-06 | 2021-10-08 | 斑马网络技术有限公司 | 目的地的预测方法、装置、终端和存储介质 |
CN111242395B (zh) * | 2020-04-26 | 2020-07-31 | 北京全路通信信号研究设计院集团有限公司 | 用于od数据的预测模型构建方法及装置 |
-
2022
- 2022-02-09 WO PCT/SG2022/050065 patent/WO2022186769A1/en active Application Filing
- 2022-02-09 US US18/256,649 patent/US20240044663A1/en active Pending
- 2022-02-09 CN CN202280008028.2A patent/CN116806345A/zh active Pending
- 2022-02-18 TW TW111105973A patent/TW202236204A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2022186769A1 (en) | 2022-09-09 |
CN116806345A (zh) | 2023-09-26 |
US20240044663A1 (en) | 2024-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018090545A1 (zh) | 融合时间因素的协同过滤方法、装置、服务器和存储介质 | |
US11429653B2 (en) | Generating estimated trait-intersection counts utilizing semantic-trait embeddings and machine learning | |
CN107609711A (zh) | 一种报考信息的提供方法、装置、设备及存储介质 | |
CN110570044A (zh) | 基于循环神经网络和注意力机制的下一个地点预测方法 | |
CN114418035A (zh) | 决策树模型生成方法、基于决策树模型的数据推荐方法 | |
CN107239477B (zh) | 一种融合空间相关性的地理数据支持向量回归方法 | |
Huynh et al. | Context-similarity collaborative filtering recommendation | |
CN112396211A (zh) | 一种数据预测方法及装置、设备和计算机存储介质 | |
CN111858947A (zh) | 自动知识图谱嵌入方法和系统 | |
CN106156857B (zh) | 变分推理的数据初始化的方法和装置 | |
US20240046785A1 (en) | System and method for predicting road traffic speed | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
CN113129053B (zh) | 信息推荐模型训练方法、信息推荐方法及存储介质 | |
CN113326449A (zh) | 预测交通流量的方法、装置、电子设备和介质 | |
CN113609337A (zh) | 图神经网络的预训练方法、训练方法、装置、设备及介质 | |
TW202236204A (zh) | 用於預測目的地位置之系統及方法 | |
CN115270002B (zh) | 一种基于知识蒸馏的物品推荐方法、电子设备及存储介质 | |
Davami et al. | Improving the performance of mobile phone crowdsourcing applications | |
US20170160730A1 (en) | Production system having constraint evaluator generating constrained sequences | |
Choi et al. | Regularized boxplot via convex clustering | |
CN113850427A (zh) | 时间序列的预测方法和电子设备,及计算机存储介质 | |
Nielsen et al. | Machine learning to support the presentation of complex pathway graphs | |
US20190137539A1 (en) | Systems and methods for estimating a condition from sensor data using random forest classification | |
WO2022004399A1 (ja) | 操作予測装置及びそのモデル学習方法、操作予測方法 | |
CN116049733A (zh) | 基于神经网络的效能评估方法、系统、设备与存储介质 |