TWI676783B - 用於預估到達時間之方法及系統 - Google Patents

用於預估到達時間之方法及系統 Download PDF

Info

Publication number
TWI676783B
TWI676783B TW107100204A TW107100204A TWI676783B TW I676783 B TWI676783 B TW I676783B TW 107100204 A TW107100204 A TW 107100204A TW 107100204 A TW107100204 A TW 107100204A TW I676783 B TWI676783 B TW I676783B
Authority
TW
Taiwan
Prior art keywords
historical
data
model
characteristic data
processor
Prior art date
Application number
TW107100204A
Other languages
English (en)
Other versions
TW201829982A (zh
Inventor
王征
Zheng Wang
傅昆
Kun Fu
Original Assignee
大陸商北京嘀嘀無限科技發展有限公司
Beijing Didi Infinity Technology And Development Co., Ltd.
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, Beijing Didi Infinity Technology And Development Co., Ltd. filed Critical 大陸商北京嘀嘀無限科技發展有限公司
Publication of TW201829982A publication Critical patent/TW201829982A/zh
Application granted granted Critical
Publication of TWI676783B publication Critical patent/TWI676783B/zh

Links

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
    • 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
    • G06N20/00—Machine learning
    • 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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/048—Activation functions

Abstract

本申請是關於一種用於確定與目標行程相關的預估到達時間的方法及系統。該方法包括：藉由處理器提取與目標行程相關的樣本特性資料，其中所述樣本特性資料包含對應於與目標行程相關的路徑的第一特徵資料，及對應於所述路徑的鏈路的第二特徵資料；獲取用於預估到達時間的預測模型；及依據所述預測模型及所述樣本特性資料，藉由所述處理器確定與所述目標行程相關的預估到達時間(ETA)。

Description

用於預估到達時間之方法及系統
本申請涉及機器學習和地圖服務，尤其涉及使用機器學習技術來預估到達時間之系統及方法。
本申請主張2017年1月10日提交之編號為201710016048.5之中國申請以及2017年5月31日提交之編號為PCT/CN2017/086530之PCT申請之優先權，其全部內容以引用之方式包含於此。
許多依據位置之服務和/或應用(諸如web地圖服務、導航服務和線上隨選運輸服務)可能需要精確的預估到達時間(estimated time of arrival，ETA)來提供服務。例如，地圖服務可能需要即時自動更新車輛的ETA，以向使用者提供地圖服務的駕駛指導、導航建議、定位資訊及其它資訊。
根據本申請的一個態樣，提供了一種系統。所述系統可以包括電腦可讀儲存媒體及與所述電腦可讀儲存媒體通訊的一處理器。所述電腦可讀儲存媒體儲存用於確定與一行程相關的預估到達時間的指令集。當所述處理器執行所述指令集時，所述處理器執行下述一個或多個操作：提取與一目標行程相關的樣本特徵資料，其中，所述樣本特性資料包括相應於與所述目標行程相關 的路徑的第一特徵資料，及相應於所述路徑的鏈路的第二特徵資料；獲取用於預估到達時間的一預測模型；依據所述預測模型及所述樣本特性資料，確定與所述目標行程相關的預估到達時間(ETA)。
根據本申請的另一個態樣，提供了一種方法。所述方法可以包括一個或多個以下操作。所述處理器可以提取與一目標行程相關的樣本特徵資料，其中，所述樣本特性資料包括相應於與所述目標行程相關的路徑的第一特徵資料，及相應於所述路徑的鏈路的第二特徵資料。所述處理器可以獲取用於預估到達時間的一預測模型。所述處理器可以依據所述預測模型及所述第二特徵資料，確定隱藏狀態資訊(hidden state information)。所述處理器可以依據所述預測模型及所述第一特徵資料，確定與所述目標行程相關的預估到達時間(ETA)。
在一些實施例中，所述路徑的鏈路對應於所述路徑的至少一部分。
在一些實施例中，確定與所述目標行程相關的預估到達時間可以進一步包括依據所述預測模型及所述第二特徵資料，確定隱藏狀態資訊。及至少部分依據所述隱藏狀態資訊，確定與所述目標行程相關的預估到達時間。
在一些實施例中，所述方法可以進一步包括獲取一個或多個歷史行程；依據與所述一個或多個歷史行程相關的鏈路的資料，將所述一個或多個歷史行程分組為一組或多組，其中所述一個或多個歷史行程與包含該鏈路的複數個路徑相關連；針對所述一組或多組歷史行程中的各組歷史行程，提取歷史特性資料及歷史到達時間資料；依據所述歷史特性資料及所述歷史到達時間資料，生成所述訓練資料；以及依據所述訓練資料確定所述預測模型。
在一些實施例中，為確定所述預測模型，該方法可以進一步包括從所述一個或多個歷史行程中，識別第一複數個訓練行程及第二複數個訓練行 程；提取與所述第一複數個訓練行程相關的第一歷史特性資料及第一歷史到達時間資料；依據所述第一歷史特性資料及所述第一歷史到達時間資料，確定一第一ETA確定模型；提取與所述第二複數個訓練行程相關的第二歷史特性資料及第二歷史到達時間資料；依據所述第二歷史特性資料及所述第二歷史到達時間資料，修改所述第一ETA確定模型以確定一第二ETA確定模型；依據所述第一ETA確定模型或所述第二ETA確定模型中的至少一個，確定是否滿足一匹配條件；以及回應於確定滿足所述匹配條件，將所述第二ETA確定模型確定為所述預測模型。在一些實施例中，該方法進一步包括依據所述第一ETA確定模型或所述第二ETA確定模型中的至少一個，確定一損失函數；以及確定所述損失函數是否收斂於一第一值。
在一些實施例中，所述方法可以進一步包括從所述一個或多個歷史行程中，選擇第三複數個歷史行程；依據所述第三複數個歷史行程的第三歷史特性資料及第三歷史到達時間資料，確定一誤差；以及可以確定所述誤差是否小於一第二值。
在一些實施例中，所述預測模型可以包括一時間序列模型或一回歸模型中的至少一個。
在一些實施例中，所述時間序列模型包含一遞迴(recurrent)類神經網路。在一些實施例中，所述回歸模型包含一多層感知器。
本申請的一部分附加特徵將在下面的描述中進行說明。通過對以下描述和相應附圖的檢查或者對實例的生產或操作的瞭解，本申請的一部分附加特徵對於本領域普通技術人員會變得清楚。本申請的特徵可以通過對以下描述的具體實施例的各種態樣的方法、手段和組合的實踐或使用得以實現和達到。
100‧‧‧隨選服務系統
110‧‧‧伺服器
112‧‧‧處理引擎
120‧‧‧網路
120-1~120-2‧‧‧網際網路交換點
130‧‧‧乘客終端
130-1‧‧‧移動裝置
130-2‧‧‧平板電腦
130-3‧‧‧膝上型電腦
130-4‧‧‧車輛內建裝置
140‧‧‧司機終端
140-1‧‧‧移動裝置
140-2‧‧‧平板電腦
140-3‧‧‧膝上型電腦
140-4‧‧‧車輛內建裝置
150‧‧‧資料儲存器
200‧‧‧計算裝置
210‧‧‧匯流排
220‧‧‧處理器
230‧‧‧唯讀記憶體
240‧‧‧隨機存取記憶體
250‧‧‧通訊端口
260‧‧‧輸入/輸出部件
270‧‧‧磁碟
280‧‧‧使用者介面
300‧‧‧處理器
310‧‧‧獲取單元
320‧‧‧分組單元
330‧‧‧提取單元
340‧‧‧訓練單元
350‧‧‧確定單元
410‧‧‧比較部件
420‧‧‧修正部件
500‧‧‧過程
510-530‧‧‧步驟
600‧‧‧過程
610-640‧‧‧步驟
700‧‧‧過程
710-730‧‧‧步驟
701‧‧‧過程
715-735‧‧‧步驟
800‧‧‧過程
810-890‧‧‧步驟
本文提供的圖用於進一步理解本申請，並構成本申請的一部分。本申請的示例性實施例和描述被用來解釋本申請，這些實施例並非旨在限制性的。在這些附圖中，相同的元件符號表示相同的結構。
圖1係根據本申請的一些實施例的一示例性隨選運輸服務系統的方塊圖；圖2係根據本申請的一些實施例的一示例性計算裝置的方塊圖；圖3係根據本申請的一些實施例的一用於預估到達時間的示例性處理器的方塊圖；圖4係根據本申請的一些實施例的一示例性訓練單元的方塊圖；圖5係根據本申請的一些實施例的一用於確定與目標行程相關的預估到達時間的示例性過程的流程圖；圖6係根據本申請的一些實施例的另一用於確定與目標行程相關的預估到達時間的示例性過程的流程圖；圖7A係根據本申請的一些實施例的一用於確定預測模型的示例性過程的流程圖；圖7B係根據本申請的一些實施例的一用於確定訓練資料的示例性過程的流程圖；及圖8係根據本申請的一些實施例的一用於確定預測模型的示例性過程的流程圖。
下述描述是為了使本領域的普通技術人員能製造和使用本申請，並且該描述是在特定的應用場景及其要求的背景下提供的。對於本領域的普通技術人員來說，顯然可以對所揭露的實施例作出各種改變。另外，在不偏 離本申請的原則和範圍的情況下，本申請中所定義的通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，而是符合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中所示，除非上下文明確提示例外情形，“一”、一個”、“一種”和/或“該”等詞並非特指單數，也可以包括複數。還應當理解，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、整體、步驟、操作、元件(element)和/或部件(component)，而不排除可以存在和添加其他一個或多個特徵、整體、步驟、操作、元件、部件和/或其組合的情況。
根據以下對附圖的描述，本申請所述的和其他的特徵、特性、操作方法、相關元件結構的功能、部件的組合和經濟的產品更加顯而易見，這些都構成說明書的一部分。然而，應當理解，附圖僅僅是為了說明和描述得目的，並不旨在限制本申請的範圍。應當理解的是，附圖並不是按比例的。
本申請中使用了流程圖用來說明根據本申請的一些實施例的系統所執行的操作。應當理解，流程圖中的操作不一定按照順序來執行。相反，可以按照倒序或同時處理各種步驟。同時，也可以將一個或多個其他操作添加到這些流程圖中，或從這些流程圖移除一步或多步操作。
此外，雖然本申請描述的系統和方法主要是關於處理服務訂單，應該理解，這只是一個示例性的實施例。本申請的系統和方法可適用於其他任一種隨選服務。例如，本申請的系統和方法可以應用於包括陸地、海洋、航空航太或類似物或其任意組合的不同環境的運輸系統。所述運輸系統的車輛可以包括一計程車、私家車、順風車(hitch)、公車、列車、子彈列車、高速鐵路、地鐵、船隻、飛機、太空船、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和/或分配的任一運輸系統，例如，發送和/或 接收快遞的系統。本申請的系統和方法的應用場景可以包括網頁、瀏覽器外掛程式、客戶終端、定制系統、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”、“請求方”、“服務請求方”和“客戶”可以交換使用，其表示可以請求或訂購一服務的個體、實體。此外，在本申請中，術語“司機”、“提供方”、“服務提供方”和“供應方”也可以交換使用，其表示可以提供服務或協助提供服務的個體、實體或工具。在本申請中，術語“使用者”可以表示用於請求服務、訂購服務、提供服務或協助提供服務的個體、實體。例如，使用者可以是乘客、司機、操作者或類似物或其任意組合。在本申請中，“乘客”、“使用者設備”、“使用者終端”和“乘客終端”可以互換使用，“司機”和“司機終端”可以互換使用。
術語“服務請求”表示由使用者(諸如乘客、請求方、操作者、服務請求方、顧客、司機、提供方、服務提供方、供應方)所發起(initial)的請求。所述服務請求可以與介於二個或多個位置之間的行程相關。在一些實施例中，所述行程可以包含一訂單，所述訂單係由在一計程車運輸服務系統中的乘客所發起。所述服務請求可以是收費的或免費的。
該系統可以應用於很多領域，例如計程車運輸服務、駕駛應用程式、分發應用程式、地圖應用程式或導航應用程式。
根據本申請的一些實施例，服務請求可以由一個或多個機器學習演算法來處理，諸如類神經網路演算法、排序演算法、回歸演算法、基於實例(instance-based)之演算法、正規化演算法、決策樹演算法、貝氐演算法、叢集(clustering)演算法、關聯規則(association rule)演算法、深度學習演算法、降維(reduced dimension)演算法、或類似物或其組合。舉例而言，類神經網路可以包括遞迴類神經網路、感知器類神經網路、霍普菲爾網路(Hopfield network)、自組織映射(self-organizing map，SOM)或學習向量量化(learning vector quantization，LVQ)等。回歸演算法可以包括邏輯回歸(logistic regression)、逐步回歸(stepwise regression)、多元適應性雲形回歸(multivariate adaptive regression spline)或者本地散點平滑估計(locally estimated scatterplot smoothing)等。排序演算法可以包括插入排序、選擇排序、合併排序、錐形排序(heap sort)、氣泡排序(bubble sort)、希爾排序(shell sort)、梳排序(comb sort)、計數排序(counting sort)、桶排序(bucket sort)、基數排序(radix sort)或類似物或其任意組合。基於實例的演算法可以包括k-最近鄰(k-nearest neighbor，KNN)演算法、學習向量量化(LVQ)或者自組織映射演算法(SOM)等。正規化演算法可以包括RIDge回歸、最小絕對壓縮挑選機制(least absolute shrinkage and selection operator，LASSO)或彈性網(elastic net)等。決策樹演算法可以包括分類及回歸樹(classification and regression tree，CART)、疊代二元樹3代(Iterative Dichotomiser 3，ID3)、C4.5、卡方自動交互檢測(chi-squared automatic interaction detection，CHAID)、決策樹樁(decision stump)、隨機森林(random forest)、多元適應性雲形回歸(multivariate adaptive regression spline，MARS)或梯度提升機(gradient boosting machine，GBM)等。貝氐演算法可以包括單純貝氐演算法(native Bayesian algorithm)、平均單依賴估計量(averaged one-dependence estimator，AODE)或貝氐認知網路(Bayesian belief network，BBN)等。基於核(kernel-based)的演算法可以包括支援向量機(SVM)、徑向基底函數(radial basis function，RBF)或線性判別分析(linear discriminate analysis，LDA)等。叢集演算法可以包括k均值叢集演算法、模糊c均值叢集演算法、分層叢集演算法、高斯叢集演算法、基於MST的叢集演算法、核k-均值叢集演算法、基於密度的叢集演算法(density-based clustering algorithm)等。關聯規則演算法可以包括Apriori演算法或Eclat演算法等。深度學習演算法可以包括受 限波爾茲曼機(restricted Boltzmann machine，RBN)、深度信念網路(deep belief network，DBN)、卷積網路(convolutional network)、堆疊自動編碼器(stacked autoencoder)等。降維演算法可以包括主成份分析(principle component analysis，PCA)、部份最小平方回歸(partial least square regression，PLS)、Sammon映射，多維尺度(multi-dimensional scaling，MDS)或投影追蹤(Projection Pursuit)等。
本申請的一態樣涉及用於確定一行程(例如，由乘客發起的訂單)的預估到達時間的線上系統和方法。為此，系統可以首先從與一服務請求方相關聯的一終端獲得該行程，然後提取與該行程相關的特性資料。接著，系統獲得一用於確定預估到達時間的預測模型。依據所述預測模型和所述特性資料確定與該行程有關的預估到達時間。由於該特性資料包括與該行程相關的路徑之特徵資料和路徑中的至少一個鏈路的特徵資料，所以可以提高與行程有關的到達時間的預估精度。
需要注意，所述技術問題和解決方案源於線上隨選運輸服務。該線上隨選運輸服務是一種只存在於後網際網路時代的新形式的服務形式。它為使用者(如：服務請求方)和服務提供方(如：司機)提供了僅在後網際網路時代才可能實現的技術解決方案。在前網際網路時代，當使用者在街上招呼計程車時，計程車服務的請求和接受只可能發生在乘客和看到該乘客的計程車司機之間。如果乘客通過電話呼叫計程車，計程車服務的請求和接受只可能發生在該乘客和一個服務提供方(如：計程車客運業或代理商)之間。然而，線上呼叫計程車允許一個服務使用者即時自動地向距離該使用者一段距離的大量的服務提供方(如：計程車)發佈一服務請求。並且還可以允許多個服務請求方同時即時地對該服務請求進行回應。因此，通過網際網路，所述線上隨選運輸服務系統可以為使用者及服務提供方提供一個更加高效的交易平臺，這在傳統的前網際網路運輸服務系統中是從未發生過的。當系統從一乘客接收到一訂單 (一行程)，該系統可以確定與該訂單相關的一預估到達時間。根據該預估到達時間，該乘客可以規劃他或她的時間。根據該預估到達時間，該系統可以將該訂單與其他訂單綁定到一起，並且將該綁定後的結果發送給一司機以使得訂單的分配更加合理。
圖1係根據一些實施例所示的一示例性隨選服務系統100的方塊圖。例如，隨選服務系統100可以是為一運輸服務，如計程車呼叫服務、駕駛服務、快捷汽車、共乘、公車服務、司機雇傭和接駁服務而提供的線上運輸服務平臺。該隨選服務系統100可以是一包含一伺服器110、網路120、一個或多個使用者終端(例如，一個或多個乘客終端130、司機終端140)和資料儲存器150的線上平臺。該伺服器110可以包括一處理引擎112。應該注意，圖1中所示的隨選服務系統僅僅是示例性的，並不旨在限制本申請的範圍。在一些實施例中，隨選服務系統100可以包括乘客終端130或司機終端140。例如，在導航系統中，使用者可以使用安裝在他/她的終端中的一導航應用程式在兩個位置之間導航他/她的行程，並且該系統可以確定與該行程相關的一預估到達時間。“乘客”和“服務提供方/司機/司機終端”的使用是針對線上運輸服務平臺。當使用“服務請求方”、“使用者”、“使用者終端”、“終端”或“使用者設備”時，視為針對包括線上運輸服務和導航服務在內的所有基於位置的服務(location-based service，LBS)。
在一些實施例中，伺服器110可以是一單一伺服器或者一伺服器組。伺服器組可以是集中式的或分散式的(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可以是本地的或遠端的。例如，伺服器110可以通過網路120存取儲存在一個或多個使用者終端(如：一個或多個乘客終端130、司機終端140)和/或資料儲存器150中的資訊和/或資料。再例如，伺服器110可以直接連接到一個或多個使用者終端(如：一個或多個乘客終端130、司機終端140)和/或資料儲存器150以存取儲存在其中的資訊和/或資料。在一些實 施例中，伺服器110可以在一個雲端平臺上實現。僅僅作為範例，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可以在圖2中描述的包含了一個或者多個部件的計算裝置200執行。
在一些實施例中，伺服器110可以包括一處理引擎112。該處理引擎112可以處理與服務請求相關的資訊和/或資料以執行本揭露中描述的一個或多個功能。例如，處理引擎112可以依據從一個或多個乘客終端130獲取的服務請求來確定一預估到達時間資訊。在一些實施例中，處理引擎112可以包括一個或多個處理引擎(例如，單核心處理引擎或多核心處理器)。僅僅作為範例，處理引擎112可以包括一中央處理單元(CPU)、特定應用積體電路(ASIC)、特定應用指令集處理器(ASIP)、影像處理器(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可以促進資訊和/或資料的交換。在一些實施例中，隨選服務系統100中的一個或多個部件(例如，伺服器110、一個或多個乘客終端130、一個或多個司機終端140和資料儲存器150)可以通過網路120向隨選服務系統100的其他部件發送資訊和/或資料。例如，伺服器110可以通過網路120從乘客終端130獲取/得到服務請求。在一些實施例中，網路120可以是任意形式的有線網路或無線網路中，或其任意組合。僅僅作為範例，網路120可以包括電纜網路、線纜網路、光纖網路、電信網路、內部網路、網際網路、區域網路(LAN)、廣域網路路(WAN)、無線區域網路(WLAN)、都會區域網路(MAN)、公共交換電話網路(PSTN)、藍牙網路、紫蜂網路、近場通訊(NFC)網路或類似物其任意組合。在一些實施例中，網路120可以包括一個或多個網路交換點。例如， 網路120可以包括有線或無線網路交換點，如基站和/或網際網路交換點120-1、120-2、......，通過該網際網路交換點，隨選服務系統100的一個或多個部件可以連接到網路120以交換資料和/或資訊。
在一些實施例中，服務請求方可以是乘客終端130的一使用者。在一些實施例中，乘客終端130的使用者可以是服務請求方以外的其他人。例如，乘客終端130的使用者A可以使用乘客終端130，為使用者B發送一服務請求或從伺服器110接收服務和/或資訊或指令。在一些實施例中，提供方可以是司機終端140的一使用者。在一些實施例中，司機終端140的使用者可以是提供方外的其他人。例如，司機終端140的使用者C可以使用服務方終端140，為使用者D接收一個服務請求和/或從伺服器110接收資訊或指令。
在一些實施例中，乘客終端130可以包括一移動裝置130-1、平板電腦130-2、膝上型電腦130-3、機動車輛內建裝置130-4或類似物或其任意組合。在一些實施例中，移動裝置130-1可以包括智慧家居裝置、可穿戴裝置、智慧移動裝置、虛擬實境裝置、增強實境裝置或類似物或其任意組合。在一些實施例中，智慧家居裝置可以包括智慧照明裝置、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，可穿戴裝置可以包括智慧手環、智慧鞋襪、智慧眼鏡、智慧頭盔、智慧手錶、智慧穿著、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，該智慧移動裝置可以包括智慧型電話、個人數位助理(PDA)、遊戲裝置、導航裝置、POS裝置或類似物或其任意組合。在一些實施例中，虛擬實境裝置和/或增強實境裝置可以包括一虛擬實境頭盔、虛擬實境眼鏡、虛擬實境眼罩、增強實境頭盔、增強實境眼鏡、增強實境眼罩或類似物或其任意組合。例如，虛擬實境裝置和/或增強實境裝置可以包括Google Glass、Oculus Rift、Hololens、Gear VR等。在一些實施例中，機動車輛內建裝置130-4可以包括車載電腦、車載電視等。 在一些實施例中，乘客終端130可以是一具有定位技術的裝置。所述定位技術可以用於確定請求方和/或乘客終端130的位置。
在一些實施例中，司機終端140可以是一個與乘客終端130類似或者相同的裝置。在一些實施例中，司機終端140可以是具有用來確定司機或者司機終端140位置的定位技術的裝置。在一些實施例中，乘客終端130和/或司機終端140可以與一個或多個其他定位裝置通訊以確定請求方、乘客終端130、司機和/或司機終端140之位置。在一些實施例中，乘客終端130和/或司機終端140可以將定位資訊發送至伺服器110。
資料儲存器150可以儲存資料和/或指令。在一些實施例中，資料儲存器150可以儲存從一個或多個使用者端(例如，一個或多個乘客終端130和/或司機終端140)獲得的資料。在一些實施例中，資料儲存器150可以儲存供伺服器110執行或使用的資料和/或指令，伺服器110可以通過執行或使用所述資料和/或指令以實現本申請描述的示例性方法。在一些實施例中，資料儲存器150可以包括大容量儲存器、可移式儲存器、揮發性讀寫記憶體、唯讀記憶體(ROM)或類似物其任意組合。示例性的大容量儲存器可以包括磁碟、光碟、固態磁碟等。示例性的可移除儲存器可以包括快閃驅動器、軟碟、光碟、記憶卡、壓縮碟、磁帶等。示例性的揮發性讀寫記憶體可以包括隨機存取記憶體(RAM)。示例性的隨機存取記憶體可以包括動態隨機存取記憶體(DRAM)、雙倍速率同步動態隨機存取記憶體(DDR SDRAM)、靜態隨機存取記憶體(SRAM)、閘流體隨機存取記憶體(T-RAM)和零電容隨機存取記憶體(Z-RAM)等。示例性的唯讀記憶體可以包括遮罩唯讀記憶體(MROM)、可程式唯讀記憶體(PROM)、可抹除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(EEPROM)、壓縮碟唯讀記憶體(CD-ROM)和數位通用磁碟唯讀記憶體等。在一些實施例中，資料儲存器150可以在一個雲端平臺上實現。僅僅作為範例， 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，資料儲存器150可以與網路120連接以與隨選服務系統100中的一個或多個部件(例如，伺服器110、一個或多個使用者終端等)通訊。隨選服務系統100中的一個或多個部件可以通過網路120存取儲存於資料儲存器150中的資料或指令。在一些實施例中，資料儲存器150可以直接與隨選服務系統100中的一個或多個部件(例如，伺服器110、一個或多個使用者終端等)連接或通訊。在一些實施例中，資料儲存器150可以是伺服器110的一部分。
在一些實施例中，隨選服務系統100的一個或多個部件(例如，伺服器110、一個或多個使用者終端等)被允許存取資料儲存器150。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的一個或多個部件可以讀取和/或修改與服務請求方、司機和/或公眾相關的資訊。例如，在完成一個服務後，伺服器110可以讀取和/或修改一個或多個使用者的資訊。又例如，當從乘客終端130接收到一個服務請求時，司機終端140可以存取與所述請求方相關資訊，但司機終端140不能修改所述服務請求方的相關資訊。
在一些實施例中，隨選服務系統100中的一個或多個部件之間的資訊交換，可以通過請求一服務來實現。所述服務請求的客體可以是任何產品。在一些實施例中，所述產品可以是一個有形產品或一個無形產品。有形產品可以包括食品、醫藥、日用品、化學產品、電器、衣物、汽車、房屋、奢侈品或類似物或其任意組合。無形產品可以包括服務產品、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個人主機產品、Web產品、行動上網產品、商業主機產品、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移動終端上的軟體、程式、系統或類似物或其任意組合。移動終端可以包括平板電腦、膝上型電腦、行動電話、掌上電腦(PDA)、 智慧手錶、POS裝置、車載電腦、車載電視、可穿戴裝置或類似物或其任意組合。例如，所述產品可以是用於電腦或行動電話中的任意的軟體和/或應用程式。軟體和/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關。在一些實施例中，與運輸相關的軟體和/或應用程式可以包括旅行軟體和/或應用程式、載具排程軟體和/或應用程式、地圖軟體和/或應用程式等。在載具排程軟體和/或應用程式中，載具可以包括馬、馬車、人力車(例如手推車、腳踏車、三輪車等)、汽車(例如，計程車、公車、私人汽車等)、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。
圖2係根據本申請的一些實施例所示的一計算裝置200的示例性硬體和軟體部件的方塊圖，其上可以實現本申請所述伺服器110、一個或多個使用者終端(例如，一個或多個乘客終端130、司機終端140)相應的功能。例如，處理引擎112可以在計算裝置200上執行並被配置為完成本申請中所揭露的處理引擎112的功能。
計算裝置200可以是一通用電腦或一專用電腦。這兩種電腦都可以用來實現本申請所揭示的隨選服務系統100。計算裝置200可以用來實現當前所描述的隨選服務系統100的任意部件。例如，處理引擎112可以在計算裝置200上通過其硬體、軟體程式、韌體或其組合實現。圖中為了方便起見只描述了一台電腦，但是本申請所描述的與隨選服務相關的電腦功能可以以分散式的方式由一組相似的平臺所實施，以分散處理負載。
舉例而言，計算裝置200可以包括與網路連接的通訊端口250，以促進資料通訊。計算裝置200還可以包括一處理器220用來執行程式指令，該處理器220以一個或多個處理器的形式存在。示例性的電腦平臺可以包括一內部通訊匯流排210、不同形式的程式儲存器和資料儲存器，例如，磁碟270和唯讀記 憶體(ROM)230或隨機存取記憶體(RAM)240，能夠用於儲存由電腦處理和/或傳輸的各種各樣的資料檔案。示例性的電腦平臺還可以包括儲存於唯讀記憶體230、隨機存取記憶體240和/或其他類型的非暫態儲存媒體中的能夠被處理器220執行的程式指令。本申請揭示的方法和/或過程可以以程式指令的方式來實現。計算裝置200還包括輸入/輸出部件260，用於支援電腦與此處其他部件例如使用者介面元件280之間的輸入/輸出。計算裝置200也可以通過網路通訊接收程式和資料。
計算裝置200還可以包括一與硬碟通訊的硬碟控制器、一與數字小鍵盤/鍵盤通訊的數字小鍵盤/鍵盤控制器、一與串列週邊設備通訊的序列介面控制器、一與並行週邊設備通訊的平行介面控制器、一與顯示器通訊的顯示控制器或類似物或其任何組合。
僅僅為了說明，計算裝置200中僅示例性描述了一個CPU和/或處理器。然而，應當理解，本申請中的計算裝置200可以包括多個CPU和/或處理器，因此本申請中描述的由一個CPU和/或處理器執行的操作和/或方法步驟也可以由多個CPU和/或處理器共同或者分別執行。例如，在本申請中，如果計算裝置200的CPU和/或處理器執行步驟A和步驟B，應當理解的是，步驟A和步驟B也可以由計算裝置200的兩個不同的CPU和/或處理器共同或分別執行(例如，第一處理器執行步驟A，第二處理器執行步驟B，或者第一和第二處理器共同執行步驟A和步驟B)。
圖3係根據本申請的一些實施例所示的一用於預估到達時間的示例性處理器300的方塊圖。處理器300可與電腦可讀儲存器(例如，資料儲存器150、乘客終端130或司機終端140等)通訊，且可執行儲存於電腦可讀儲存媒體中的指令。處理器300可包括一獲取單元310、一分組單元320、一提取單元330、一訓練單元340及一確定單元350。
獲取單元310可以獲取與服務請求方相關連的服務請求。服務請求可包括關於與複數個司機相關的目標行程或一個或多個歷史行程的資訊。在一些實施例中，目標行程可與使用者(例如，乘客)經由乘客終端130發起的訂單相關連。在一些實施例中，目標行程可包括兩個或多個位置之間的行程。在一些實施例中，歷史行程可以指一個或多個已完成的訂單。在一些實施例中，歷史行程可以包括任何兩個位置之間的旅行。獲取單元310可經由乘客終端130或司機終端140獲取目標行程或歷史行程。獲取單元310可從資料儲存器150獲取歷史行程。
分組單元320可以將獲取單元310獲取的一個或多個歷史行程分組為一組或多組。在一些實施例中，分組單元320可依據與一個或多個歷史行程相關的路徑的鏈路資料(例如，與歷史訂單相關的路徑的鏈路的數量)，將一個或多個歷史行程分組為一組或多組。
提取單元330可以提取與獲取單元310獲取的目標行程相關或一個或多個歷史行程相關的資料。例如，提取單元330可提取與目標行程相關的特性資料(亦稱為「樣本特性資料」)。再例如，提取單元330可提取與一個或多個歷史行程相關的歷史特性資料及歷史到達時間資料。在一些實施例中，提取單元330可依據一個或多個歷史行程，提取複數個訓練行程。該複數個訓練行程可用於訓練用於預估到達時間的預測模型。
訓練單元340可以通過提取單元330提取的資料訓練一模型。例如，訓練單元340可依據一個或多個歷史行程，訓練用於預估到達時間的一預測模型。
確定單元350可以確定用於預估到達時間的一預測模型。例如，確定單元350可確定與目標行程相關的預估到達時間。
圖4係根據本申請的一些實施例的一示例性訓練單元400的方塊 圖。根據本申請的一些實施例，訓練單元400可以包括一比較部件410和一修正部件420。
比較部件410可以將比較匹配結果與一預定值。舉例而言，比較部件410還可以將訓練預測模型期間生成的誤差或損失函數與一預定值進行比較，以確定是否完成訓練。
修正部件420可以修改預測模型的參數。在一些實施例中，預測模型包括一時間序列模型及一回歸模型。在訓練預測模型的過程中，修正部件420可以修改相應於時間序列模型的參數及相應於回歸模型的參數。
圖5係根據本申請的一些實施例所示的一用於確定與目標行程相關的預估到達時間的示例性過程500的流程圖。在一些實施例中，用於確定與目標行程相關的預估到達時間的過程500可在圖1所示的系統100中實施。在一些實施例中，過程500可作為儲存於資料儲存器150中的一組或多組指令集並由處理引擎112或處理器300調用和/或執行。在一些實施例中，過程500可實施於使用者終端和/或伺服器。
在510，處理器300(例如，獲取單元310)可獲取與目標行程相關的資訊。目標行程可以是一個或多個位置之間的行程。在一些實施例中，目標行程可以是使用者(例如，乘客)經由乘客終端130發起的一訂單。該訂單可涉及一起始位置及一目的地。目標行程可以為該起始位置與該目的地之間的行程。在一些實施例中，與目標行程相關連的資訊和/或資料可包括一起始位置、一目的地、從該起始位置至該目的地之間的路徑、一起始時間、與目標行程相關的日期資料、交通資料、與目標行程相關的使用者資料、與目標行程相關的旅行模式(travel mode)資料或類似物或其任意組合。在一些實施例中，從起始位置至目的地之間的路徑可包括一個或多個鏈路。一路徑中的各個鏈路可對應於路徑中的至少一部分。日期資料可包括年、月、日(例如，工作日、週末、 假日)等。交通資料可包括堵塞狀況、平均交通速度、人流量、載具流量或類似物或其任意組合。與目標行程相關的使用者資料可以包括關於可提供與目標行程相關的服務的一個或多個使用者(諸如可完成與目標行程相關的服務訂單的司機)的資訊和/或資料。使用者資料可包括例如使用者識別符、姓名、別名、性別、年齡、電話號碼、職業、等級、使用時間、駕駛經驗、載具使用時間、車牌號碼、駕駛執照號碼、認證狀態、使用者習慣/偏好(例如，駕駛速度)、額外服務能力(如汽車行李箱的大小、全景天窗等額外特徵)或類似物或其任意組合。與旅行模式相關的載具可包括馬、馬車、人力車(例如，腳踏車、三輪車等)、汽車(例如，計程車、公車、私人汽車等)、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。與目標行程相關的資訊和/或資料可儲存於一個或多個使用者終端(例如，一個或多個乘客終端130或一個或多個司機終端140)。在一些實施例中，與目標行程相關的資訊和/或資料可儲存於資料儲存器150。與目標行程相關的資訊和/或資料可進一步藉由伺服器110經由網路120存取。
在520，處理器300可獲取一用於預估到達時間的預測模型。在一些實施例中，該預測模型可以是提前訓練好的模型。可替代地或另外，該預測模型可即時訓練和/或更新。該預測模型可使用一種或多種機器學習技術來訓練。在一些實施例中，預測模型可通過執行圖7A至圖8中描述的一個或多個操作來確定。
在530，處理器300(例如，確定單元350)可依據預測模型，確定與目標行程相關的一預估到達時間。在一些實施例中，處理器300可首先確定針對目標行程的路徑的一行程時間。隨後，處理器300可依據與目標行程相關的行程時間及起始時間，確定該預估到達時間。在一些實施例中，該起始時間可由使用者經由使用者終端指定。在一些實施例中，處理器300可針對多個使用者 (例如，可提供運輸服務的多個活躍司機)確定與訂單相關的預估到達時間。依據與使用者相關的使用者資料(例如，駕駛速度)，針對不同使用者可確定不同的預估到達時間。例如，處理器300可分別針對第一使用者及第二使用者確定第一預估到達時間及第二預估到達時間。當與第一使用者相關連的第一駕駛速度(例如，平均駕駛速度)大於與第二使用者相關連的第二駕駛速度時，第一預估到達時間可早於第二預估到達時間。在一些實施例中，當不考慮與不同使用者相關連的不同使用者資料時，處理器300可確定與目標訂單相關的一統一的預估到達時間。
在一些實施例中，依據預估到達時間，處理器300可以確定出可以完成該目標訂單的一合適使用者(例如，一司機)。在一些實施例中，處理器300可確定與當前司機正在執行的一訂單(本文中亦稱為「當前訂單」)相關的ETA。依據與當前訂單相關的ETA，處理器300可確定一新訂單是否適於分配給當前司機。
在一些實施例中，依據與兩個或兩個以上訂單中的至少一個訂單相關的至少一個ETA，處理器300可以確定是否可組合所述兩個或兩個以上的訂單。例如，處理器300可接收一第一訂單(目標訂單)及一第二訂單。第一訂單可對應於第一起始位置、第一目的地位置及第一起始時間。第二訂單可對應於第二起始位置、第二目的地及第二起始時間。第一起始時間早於第二起始時間。處理器300可確定與第一起始位置與第一目的地之間的一路徑相關的第一ETA。處理器300還可確定與第一目的地與第二起始位置之間的一路徑相關的第二ETA。處理器300可依據第一ETA或第二ETA中的至少一個，確定是否組合該第一訂單與第二訂單。若處理器300確定可將第一訂單與第二訂單組合在一起，則處理器300可將第一訂單及第二訂單分配給同一司機。
圖6係根據本申請的一些實施例所示的另一用於確定與目標行程 相關的預估到達時間的示例性過程600的流程圖。在一些實施例中，過程600可在圖1所示的系統100上執行。在一些實施例中，過程600可作為儲存於資料儲存器150中的一個或多個指令並由處理引擎112或處理器300調用和/或執行。在一些實施例中，過程600可實施於使用者終端和/或伺服器。
在610，處理器300(例如，提取單元330)可提取目標行程的特性資料(亦稱為「樣本特性資料」)。在一些實施例中，所述樣本特性資料可包括第一特徵資料及第二特徵資料。本文中使用的第一特徵資料可以指關於與目標行程的路徑相關連的一個或多個特徵的資料。例如，第一特徵資料可包括該路徑的起始位置、路徑的目的地、與路徑相關的一個或多個紅綠燈資料、路徑的鏈路數量、關於路徑中一個或多個交叉路口的資料、與路徑相關的時間資料、交通資料、與路徑相關的使用者資料、與路徑相關的旅行模式資料或類似物或其任意組合。時間資料可包括年、月、日(例如，工作日、週末、假日)、時間點或類似物。交通資料可包括堵塞狀況、平均交通速度、人流量、載具流量或類似物或其任意組合。與路徑相關的使用者資料可包括關於可提供與路徑相關的服務的一個或多個使用者(如可完成與路徑相關的服務訂單的司機)之資訊和/或資料。使用者資料可包括例如使用者識別符、姓名、別名、性別、年齡、電話號碼、職業、等級、使用時間、駕駛經驗、載具使用時間、車牌號碼、駕駛執照號碼、認證狀態、使用者習慣/偏好、額外服務能力(如汽車行李箱的大小、全景天窗等額外特徵)或類似物或其任意組合。與旅行模式相關的載具可包括馬、馬車、人力車(例如，腳踏車、三輪車等)、汽車(例如，計程車、公車、私人汽車等)、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。關於與路徑相關的一個或多個紅綠燈資料可包括紅綠燈的數量、紅綠燈的狀態等。關於一個或多個交叉路口的資料可包括交叉路口的數量、交叉路口的交通資料等。
在一些實施例中，本文中使用的第二特徵資料可以指關於與目標行程的路徑中的一個或多個鏈路相關連的一個或多個特徵的資料。依據與路徑相關的地圖資料(例如，該路徑的地圖)，路徑可被分成一個或多個部分。各鏈路可對應於該路徑的一部分。在一些實施例中，依據一個或多個預定電腦實施規則，路徑可分為多個鏈路。在一些實施例中，使用不同技術，路徑可被分為多組鏈路。與目標行程相關的第二特徵資料可以包括對應於路徑的各鏈路的特徵資料。對應鏈路的特徵資料可以包括與鏈路相關的識別資料(例如，鏈路標識)、與鏈路相關的一個或多個紅綠燈資料、關於與鏈路相關的一個或多個交叉路口的資料、與鏈路相關之時間資料、與鏈路相關的交通資料、與鏈路相關之使用者資料、與鏈路相關的旅行模式資料或類似物或其任意組合。鏈路的識別資料可以包括可用於識別鏈路的任何資訊，諸如鏈路的獨特識別符。與路徑的各鏈路相關的時間資料可包括年、月、日(例如，工作日、週末、假日)、時間點或類似物。與路徑的各鏈路相關的交通資料可包括堵塞狀況、平均交通速度、人流量、載具流量或類似物或其組合。與路徑的各鏈路相關的使用者資料可包括關於可完成與鏈路相關的訂單的使用者資訊和/或資料(例如，藉由提供針對包括鏈路在內的路徑的運輸服務)。關於使用者的資訊和/或資料可包括使用者識別符、姓名、別名、性別、年齡、電話號碼、職業、等級、使用時間、駕駛經驗、載具使用時間、車牌號碼、駕駛執照號碼、認證狀態、使用者習慣/偏好(通常的駕駛速度)、額外服務能力(如汽車行李箱的大小、全景天窗等額外特徵)或類似物或其任意組合。與路徑的各鏈路相關的旅行模式的載具可包括馬、馬車、人力車(例如，腳踏車、三輪車等)、汽車(例如，計程車、公車、私人汽車等)、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。與路徑的各鏈路相關的一個或多個紅綠燈的資料可包括該鏈路的紅綠燈數量、該鏈路的紅綠燈狀態等。與路徑的各鏈路相 關的一個或多個交叉路口資料可包括該鏈路的交叉路口的數量、該鏈路的交叉路口的交通資料等。在一些實施例中，目標行程的第二特徵資料可以是時間序列，該時間序列是按照時間順序由對應於路徑的各鏈路的特徵資料所組成的。在一些實施例中，處理器300可針對該路徑的一個或多個鏈路生成一個或多個特徵向量。例如，處理器可依據鏈路的標識、使用者識別符(例如，司機的識別符)等，生成第一特徵向量。在一些實施例中，第一特徵向量可以為一嵌入向量。再例如，處理器可依據一個或多個諸如與鏈路相關的時間資訊、一周內某一天的編號等的離散特徵生成第二特徵向量。在一些實施例中，處理器300可處理第二特徵向量以生成一獨熱(one-hot)向量。再例如，處理器可依據一個或多個諸如與鏈路相關的即時速度、與鏈路相關的ETA等數位特徵，生成一第三特徵向量。在一些實施例中，目標行程的第二特徵資料可以包括第一特徵向量、第二特徵向量和/或第三特徵向量中的一個或多個。
在620，處理器(例如，獲取單元310)可獲取一預測模型。在一些實施例中，該預測模型可以包括一時間序列模型及一回歸模型。該時間序列模型可包括遞迴類神經網路、卷積類神經網路、隱藏馬可夫模型、感知器類神經網路、霍普菲爾網路、自組織映射(SOM)或學習向量量化(LVQ)或類似物或其任意組合。回歸模型可包括多層感知機類神經網路、增強演算法模型、邏輯斯回歸模型、逐步回歸模型、多元適應性雲形回歸、本地散點平滑估計或類似物或其任意組合。
在630，處理器300(例如，確定單元350)可依據預測模型，確定隱藏狀態資訊。在一些實施例中，處理器300可依據預測模型(例如，時間序列模型)及所述第二特徵資料，確定所述隱藏狀態資訊。舉例而言，處理器300可依據該預測模型(例如，時間序列模型)處理第二特徵資料，以輸出該隱藏狀態資訊。更具體而言，例如，可在所述時間序列模型中按照時間順序輸入對 應於時間序列中路徑的鏈路的特徵資料。處理器300可使用該時間序列模型(例如，遞迴類神經網路)處理對應於第一條鏈路的特徵資料，生成第一個輸出。隨後，可將對應於時間序列中第二條鏈路的特徵資料及第一個輸出，輸入該時間序列模型中以生成第二個輸出。其他鏈路的特徵資料可以用類似方式進行處理。當對應於最後的一條鏈路的特徵資料輸入到時間序列模型時，將生成最後一個輸出。在一些實施例中，隱藏狀態資訊可以是時間序列模型的最後一個輸出。在一些實施例中，可以依據鏈路的標識所確定的順序，將鏈路的特徵資料使用該時間序列模型(例如，遞迴類神經網路)進行處理。
在640，處理器300(例如，確定單元350)可依據所述隱藏狀態資訊、特性資料和/或預測模型，確定與目標行程相關的預估到達時間。在一些實施例中，可將630生成的隱藏狀態資訊及與該目標行程相關的第一特徵資料輸入回歸模型，以確定與該目標行程相關的預估到達時間。該回歸模型可包括一多層感知器類神經網路。
圖7A係根據本申請的一些實施例的一用於確定預測模型的示例性過程700的流程圖。在一些實施例中，過程700可在圖1所示的系統100中執行。在一些實施例中，過程700可作為儲存於資料儲存器150中的一個或多個指令並由處理引擎112或處理器300調用和/或執行。在一些實施例中，過程700可實施於使用者終端和/或伺服器。
在710，處理器300(例如，獲取單元310)可獲取與一個或多個歷史行程相關的資訊。歷史行程可與一個或多個歷史訂單相關。各歷史行程可包括一個或多個位置之間的行程。在一些實施例中，歷史訂單可與線上服務平臺的特定使用者相關連(例如，一運輸服務平臺中的確定數量的司機、在特定時間可用於提供服務的司機)。歷史行程可包括特定時段(例如近兩個月、近六個月、近十個月、近一年、近兩年等)的行程。歷史行程可包括處於週末或工 作日的行程。再例如，歷史行程可包括處於某一天給定時間(例如，早晨、下午、夜晚)的訂單。歷史行程可包括在一個或多個特定位置(例如，城市、城市的行政區域)的行程。
處理器300可從資料儲存器150獲取關於一個或多個歷史行程的資料。與一個或多個歷史行程相關的資訊和/或資料還可藉由伺服器110經由網路120進行存取。在一些實施例中，與一個或多個歷史行程相關的資訊和/或資料可儲存於使用者終端(例如，乘客終端130或司機終端140)。例如，與歷史行程相關的資訊和/或資料通常可被生成並記錄於基於位置的服務(LBS)的應用程式(例如，駕駛應用程式、地圖應用程式、導航應用程式、社交媒體應用程式等)。再例如，與一個或多個歷史行程相關的資訊和/或資料可以由LBS應用程式下載的歷史地圖資訊進行記錄。
在一些實施例中，與一個或多個歷史行程相關的資訊和/或資料可包括歷史行程之特性資料(本文中亦稱為「歷史特性資料」)。歷史特性資料可包括相應於與歷史行程相關的路徑的一個或多個特徵相關的資料(本文中亦稱為「第一歷史特徵資料」)，和/或相應於與歷史行程相關的一個或多個鏈路的一個或多個特徵相關的資料(本文中亦稱為「第二歷史特徵資料」)。與歷史行程相關的第一歷史特徵資料可包括與歷史行程相關的路徑的起始位置、與歷史行程相關的路徑的目的地、關於與歷史行程相關的路徑的一個或多個紅綠燈的資料、與歷史行程相關的路徑的鏈路的數量、關於與歷史行程相關的路徑中的一個或多個交叉路口的資料、與歷史行程的路徑相關的時間資料、交通資料、與歷史行程的路徑相關的使用者資料、與歷史行程之路徑相關的旅行模式資料或類似物，或其任意組合。時間資料可包括年、月、日(例如，工作日、週末、假日)、時間點等。交通資料可包括堵塞狀況、平均交通速度、人流量、載具流量或類似物，或其任意組合。與路徑相關的使用者資料可包括關於可駕駛載具 執行目標行程的使用者的資訊和/或資料，例如，使用者識別符、姓名、別名、性別、年齡、電話號碼、職業、等級、使用時間、駕駛經驗、載具使用時間、車牌號碼、駕駛執照號碼、認證狀態、使用者習慣/偏好(例如駕駛速度)、額外服務能力(如汽車行李箱的大小、全景天窗等額外特徵)或類似物，或其任意組合。與旅行模式相關的載具可包括馬、馬車、人力車(例如，腳踏車、三輪車等)、汽車(例如，計程車、公車、私人汽車等)、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。關於一個或多個紅綠燈的資料可包括紅綠燈的數量、紅綠燈的狀態等。關於一個或多個交叉路口的資料可包括交叉路口的數量、交叉路口的交通資料等。
在一些實施例中，與歷史行程相關的第二歷史特徵資料可包括關於歷史行程的路徑的一個或多個鏈路的資料。在一些實施例中，與歷史行程相關的第二歷史特徵資料可包括相應於與歷史行程相關的路徑的各鏈路的特徵資料。相應於與歷史行程相關的路徑的鏈路的特徵資料可包括與鏈路相關的識別資料(例如，鏈路標識)、與鏈路相關的一個或多個紅綠燈的資料、關於與鏈路相關的一個或多個交叉路口的資料、與鏈路相關的時間資料、與鏈路相關的交通資料、與鏈路相關的使用者資料、與鏈路相關的旅行模式資料或類似物，或其任意組合。鏈路的識別資料可包括可用於識別鏈路的任何資訊，如鏈路的獨特識別符。與路徑的各鏈路相關的時間資料可包括年、月、日(例如，工作日、週末、假日)等。與關於歷史行程的路徑的各鏈路相關的交通資料可包括堵塞狀況、平均移動速度、人流量、載具流量或類似物或其組合。與關於歷史行程的路徑的各鏈路相關的使用者資料可包括關於可完成與鏈路相關的訂單的使用者的資訊和/或資料(例如，藉由提供針對包括鏈路在內的路徑的運輸服務)。關於使用者的資訊和/或資料可包括識別符號、姓名、別名、性別、年齡、電話號碼、職業、等級、使用時間、駕駛經驗、載具使用時間、車牌號碼、駕駛執照 號碼、認證狀態、使用者習慣/偏好(例如，駕駛的速度)、額外服務能力(如汽車行李箱的大小、全景天窗等額外特徵)或類似物或其任意組合。與關於歷史行程的路徑的各鏈路相關的旅行模式的載具可包括馬、馬車、人力車(例如，腳踏車、三輪車等)、汽車(例如，計程車、公車、私人汽車等)、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。與關於歷史行程的路徑的各鏈路相關的紅綠燈的資料可包括該鏈路的紅綠燈的數量、該鏈路的紅綠燈的狀態等。關於與關於歷史行程的路徑的各鏈路相關的一個或多個交叉路口的資料可包括該鏈路的交叉路口的數量、鏈路的交叉路口的交通資料等。
在一些實施例中，處理器300可針對與歷史行程相關的路徑的一個或多個鏈路生成一個或多個特徵向量。例如，處理器300可依據鏈路的標識、使用者識別符(例如，司機的識別符)等，生成一第一歷史特徵向量。在一些實施例中，第一歷史特徵向量可以為一嵌入向量(embedding vector)。再例如，處理器300可依據一個或多個諸如與鏈路相關的時間資訊、一周內某一天的編號等離散特徵生成一第二歷史特徵向量。在一些實施例中，處理器300可處理第二歷史特徵向量以生成一獨熱向量。再例如，處理器300可依據一個或多個諸如與鏈路相關的即時速度、與鏈路相關的ETA等數值特徵生成一第三歷史特徵向量。在一些實施例中，歷史行程的第二歷史特徵資料可包括該第一歷史特徵向量、第二歷史特徵向量和/或第三歷史特徵向量中的一個或多個。
處理器300還可以獲取與各歷史行程相關的到達時間(本文中亦稱為「歷史到達時間資料」)。與各歷史行程相關的到達時間可以為完成該歷史行程的實際時間。
在720，處理器300可依據關於一個或多個歷史行程的資料(例如，歷史特性資料及歷史到達時間資料)，生成訓練資料。在一些實施例中，訓 練資料可包括與所述歷史行程相關的歷史特性資料及歷史到達時間資料。在一些實施例中，訓練資料可包括從一個或多個歷史行程(本文中亦稱為「訓練行程」)提取的資料。所述訓練行程可依據任何合適標準從所述歷史行程中進行選擇。例如，處理器300可從一個或多個歷史行程中選擇出現於特定時間段(例如，一年、一個月、一天)的歷史行程作為訓練行程。再例如，處理器300可從一個或多個歷史行程中選擇出現於特定位置(例如，城市、城市的行政區域)的歷史行程作為訓練行程。在一些實施例中，訓練資料可包括與所述訓練行程相關的歷史特性資料及歷史到達時間資料。在一些實施例中，與所述訓練資料相關的歷史特性資料可以包括與訓練行程相關的路徑資料、與訓練行程相關的一個或多個鏈路資料、與訓練行程相關的實際到達時間資料等。
在一些實施例中，與各訓練行程相關的路徑的鏈路的數量可滿足一個或多個條件。例如，鏈路的數量可小於一第一閾值。再例如，鏈路的數量可大於一第二閾值。又例如，鏈路的數量可在一範圍(例如，所述第一閾值與所述第二閾值之間的範圍)之內。還例如，與訓練行程相關的路徑的鏈路的最大數量和與訓練行程相關的路徑的鏈路的最小數量之間的差值不超過一預設閾值。所述預設閾值可以為任何合理的值。
在730，處理器300(例如，確定單元350)可依據所述訓練資料，確定所述預測模型。依據所述預測模型，處理器300可通過執行過程500和/或600中的一步或多步操作，確定與目標行程相關的預估到達時間。
圖7B係根據本申請的一些實施例的一用於生成訓練資料的示例性過程701的流程圖。在一些實施例中，過程701可以在圖1所示的系統100中執行。在一些實施例中，過程701可作為儲存於資料儲存器150中的一個或多個指令並由處理引擎112或處理器300調用和/或執行。在一些實施例中，過程701可實施於使用者終端和/或伺服器。
在715，處理器300(例如，分組單元320)可依據與一個或多個歷史行程相關的鏈路，將一個或多個歷史行程分組為一組或多組。在一些實施例中，對應於所述歷史行程的路徑可包括不同數量的鏈路。處理器300可依據與歷史行程相關連的鏈路的數量，將歷史行程劃分為一組或多組。各組可對應於一特定數量的鏈路和/或一數量範圍內的鏈路。在一些實施例中，可依據與歷史行程相關的鏈路的最大數量和/或與歷史行程相關的鏈路的最小數量，確定鏈路的一個或多個數量範圍。例如，可將鏈路的最大數量與鏈路的最小數量之間的範圍分割一個或多個部分，以此來確定一個或多個範圍。例如，鏈路的數量可劃分為三個範圍(例如，[1，10]、[11，20]、[21，30])。隨後，處理器300(例如，分組單元320)可相應地依據鏈路的數量，將歷史行程分組為三組(例如，組A、組B及組C)。例如，鏈路數量範圍為[1，10]的歷史行程可分為組A。鏈路數量範圍為[11，20]的歷史行程可分為組B。鏈路數量範圍為[21，30]的歷史行程可分為組C。
在725，處理器300(例如，提取單元330)可針對一組或多組歷史行程中的各組歷史行程，提取歷史特性資料及歷史到達時間資料。
在735，處理器300可依據歷史特性資料及歷史到達時間資料，針對一組或多組歷史行程的各組歷史行程，生成訓練資料。處理器300可依據組內的歷史特性資料及歷史到達時間資料，確定一預測模型。在一些實施例中，處理器300可以針對各組確定一ETA確定模型。在一些實施例中，處理器300可依據所有組的歷史特性資料及歷史到達時間資料，確定一ETA確定模型。例如，用於訓練預測模型的過程可包括幾個階段。在不同階段，可使用相應於不同組的歷史特性資料及歷史到達時間資料。在一些實施例中，處理器300可提取來自各組的歷史特性資料及歷史到達時間資料中的一部分，以生成訓練資料。
根據本申請的一些實施例，處理器300(例如，確定單元350)可 依據所述訓練資料，確定所述預測模型。依據所述預測模型，處理器300可以確定與所述目標行程相關的預估到達時間(例如，藉由執行過程500和/或600中描述的一個或多個操作)。
圖8係根據本申請的一些實施例所示的用於確定預測模型的示例性過程800的流程圖。在一些實施例中，用於確定預測模型的過程800可以在圖1所示的系統100中實施。在一些實施例中，過程800可作為儲存於資料儲存器150中的一個或多個指令並由處理引擎112或處理器300調用和/或執行。在一些實施例中，過程800可實施於使用者終端和/或伺服器。
在810，處理器300(例如，獲取單元310)可獲取一個或多個歷史行程。例如，通過執行步驟710中描述的一項或多項操作。
在820，處理器300可依據一個或多個歷史行程，獲取一個或多個初始訓練行程(本文中亦稱為「第一複數個訓練行程」)。在一些實施例中，處理器300可從歷史行程中選擇一個或多個行程作為初始訓練行程。在一些實施例中，處理器300可將所述一個或多個歷史行程劃分為一組或多組。隨後，處理器300可將一組中的歷史行程選為初始訓練行程。例如，歷史行程可通過執行步驟715描述的一項或多項操作來劃分。在一些實施例中，處理器300可從一組或多組中選擇一個或多個歷史行程，以生成初始訓練行程。
在830，處理器300(例如，提取單元330)可依據初始訓練行程，生成初始訓練資料。在一些實施例中，初始訓練資料可包括與初始訓練行程相關的特性資料(本文中亦稱為「第一歷史特性資料」)及與初始訓練行程相關的到達時間(本文中亦稱為「第一歷史到達時間資料」)。
在840，處理器300(例如，確定單元350)可依據初始訓練資料，確定第一ETA確定模型。第一ETA確定模型可包括一時間序列模型或一回歸模型中的至少一個。提前訓練的時間序列模型可包括遞迴類神經網路、卷積類神經 網路、隱藏馬可夫模型、感知器類神經網路、霍普菲爾網路、自組織映射(SOM)或學習向量量化(LVQ)或類似物或其任意組合。回歸模型可包括多層感知機類神經網路、增強演算法、邏輯斯回歸模型、逐步回歸模型、多元適應性雲形回歸、本地散點平滑估計或類似物或其任意組合。
在850，處理器300(例如，獲取單元310)可依據一個或多個歷史行程，獲取一個或多個更新的訓練行程(亦稱為「第二複數個訓練行程」)。處理器300可通過執行820中描述的一項或多項操作來確定第二複數個訓練行程。
在860，處理器300可依據更新的訓練行程，生成更新的訓練資料。更新的訓練資料可包括與更新的訓練行程相關的歷史特性資料及與更新的訓練行程相關的歷史到達時間資料。
在870，處理器300(例如，確定單元350)可依據更新的訓練資料，確定第二ETA確定模型。在一些實施例中，處理器300(例如，訓練單元340中的修正部件420)可依據第二歷史特性資料及第二歷史到達時間資料，修改第一ETA確定模型(例如，時間序列模型或回歸模型中的至少一個)的至少一個參數，以確定第二ETA確定模型。例如，處理器300可依據第一ETA確定模型及與更新的訓練行程相關的歷史特性資料，針對第二複數個訓練行程中的各訓練行程確定預估到達時間。隨後，處理器300可比較第二複數個訓練行程的預估到達時間與第二歷史到達時間資料。處理器300可依據所述比較內容，生成一比較結果。所述比較結果可以指示第二複數個訓練行程的預估到達時間與第二歷史到達時間之間的差值。處理器300可依據比較結果確定是否修改第一ETA確定模型中的參數，並確定用於修改第一ETA確定模型中的至少一個參數的調整值。在一些實施例中，回應於確定第二複數個訓練行程的預估到達時間與第二歷史到達時間資料之間的相對較大的差值，處理器300可生成相對較大的調整值。類似 地，回應於確定第二複數個訓練行程的預估到達時間與第二歷史到達時間資料之間的相對較小的差值，處理器300可生成相對較小的調整值。
在880，處理器300可確定是否滿足一匹配條件。在一些實施例中，若滿足該匹配條件，則處理器300可將第二ETA確定模型確定為預測模型。若不滿足匹配條件，則處理器300可再執行850至880以獲取用於訓練模型的新的訓練資料，從而確定預測模型。
在一些實施例中，所述匹配條件可包括確定一損失函數是否收斂為一第一值。可依據第一ETA確定模型和/或第二ETA確定模型，確定該損失函數。例如，若該損失函數收斂為第一值，則處理器300可在890將第二ETA確定模型確定為預測模型。若損失函數不收斂為第一值，則處理器300可再返回850。
在一些實施例中，所述匹配條件可包括確定一誤差是否小於一第二值。可依據來自一個或多個歷史行程的第三複數個歷史行程(亦稱為「測試行程」)及第二ETA確定模型確定該誤差。例如，處理器300可從一個或多個歷史行程中選擇第三複數個歷史行程。第三複數歷史行程可與初始訓練行程及更新的訓練行程不同。處理器300(例如，提取單元330)可提取與測試行程相關的特性資料(本文中亦稱為「第三歷史特性資料」)及與第三複數個歷史行程相關的到達時間(本文中亦稱為「第三歷史到達時間資料」)。第三歷史特性資料可包括相應於與第三複數個歷史行程的每個歷史行程相關的路徑的特徵資料，及與第三複數個歷史行程的每個歷史行程相關的路徑的一個或多個鏈路的特徵資料。依據第三歷史特性資料及第二ETA確定模型，處理器300(例如，確定單元350)可確定與第三複數個歷史行程相關的預估到達時間。隨後，處理器300可確定與第三複數個歷史行程相關的預估到達時間和與第三複數個歷史行程相關的第三歷史到達時間資料之間的誤差。若所述誤差小於第二值，則處理器300可在890將第二ETA確定模型確定為預測模型。若所述誤差不小於第二值，則處理 器300可返回至850。
在一些實施例中，所述匹配條件可包括確定所述誤差是否小於第二值及確定所述損失函數是否收斂為第一值。第二值及損失函數可以是任何合理的值。
上文已對基本概念做了描述，顯然，對於閱讀此詳細揭露後的本領域普通技術人員來講，上述詳細揭露旨在作為示例，而並不構成對本申請的限定。雖然此處並沒有明確說明，本領域普通技術人員可以對本申請進行各種修改、改進和修正。這類修改、改進和修正在本申請中被建議，所以所述修改、改進、修正仍屬本申請示範實施例的精神和範圍。
同時，本申請使用了特定術語來描述本申請的實施例。舉例而言，術語“一個實施例”、“一實施例”、和/或“一些實施例”意指與本申請至少一個實施例相關之某一特徵、結構或特性。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，本領域普通技術人員可以理解，本申請的各態樣可以通過若干具有可以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過程、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、微代碼等)執行、也可以由硬體和軟體組合執行。以上硬體或軟體均可以被稱為“模組”、“單元”、“部件”、“裝置”或“系統”。此外，本申請的各態樣可以表現為內嵌於一個或多個電腦可讀媒體中的電腦程式產品，所述電腦程式產品包括內嵌於其中的電腦可讀程式編碼。
電腦可讀訊號媒體可以包含一個內嵌有電腦程式編碼的傳播資 料訊號，例如在基帶上或作為載波的一部分。所述傳播訊號可以有多種表現形式，包括電磁形式、光形式或類似物或合適的組合形式。電腦可讀訊號媒體可以是除電腦可讀儲存媒體之外的任何電腦可讀媒體，所述媒體可以通過連接至一個指令執行系統、設備或裝置以實現通訊、傳播或傳輸供使用的程式。位嵌於電腦可讀訊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、電纜、光纖纜線、RF、或類似介質、或任何上述介質的組合。
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設計語言編寫，包括物件導向程式設計語言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python或類似物，常規程式化程式設計語言如C語言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，動態程式設計語言諸如Python、Ruby和Groovy，或其他程式設計語言。所述程式設計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)或廣域網路路(WAN)，或連接至外部電腦(例如通過網際網路服務提供方)，或在雲端計算環境中，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過程和方法順序至任何的順序。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發明實施例，但應當理解的是，所述細節僅起到說明的目的，附加之的申請專利範圍並不僅限於揭露的實施例，相反，申請專利範圍旨在覆蓋所有符合本申請實施例實質和範圍的修正和均等組合。舉例而言，雖然以上所描述的各種構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得以實現， 諸如在現有的伺服器或移動裝置上安裝所描述的軟體。
同理，應當注意的是，為了簡化協助認識一個或多個各種實施例的揭露，從而幫助對一個或多個發明實施例的理解，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、附圖或對其的描述中。但是，這種揭露方法並不意味著本申請物件所需要的特徵比申請專利範圍中提及的特徵多。實際上，實施例的特徵要少於上述揭露的單個實施例的全部特徵。

Claims (20)

  1. 一種用於預估到達時間之系統，其包括：一電腦可讀儲存媒體，儲存用於預估到達時間的指令集；及與所述電腦可讀儲存媒體通訊的一處理器，其中當執行所述指令集時，所述處理器被指示以：提取與一目標行程相關的樣本特性資料，其中所述目標行程包括一路徑，所述路徑包括多個鏈路，所述樣本特性資料包括對應於所述路徑的第一特徵資料及對應於所述多個鏈路中的一個鏈路的第二特徵資料；獲取用於預估到達時間的一預測模型；及依據所述預測模型及所述樣本特性資料，確定與所述目標行程相關的一預估到達時間(ETA)。
  2. 如申請專利範圍第1項之系統，其中，所述預測模型包括一時間序列模型及一回歸模型。
  3. 如申請專利範圍第2項之系統，其中，為確定與所述目標行程相關的所述預估到達時間，所述處理器進一步被指示以：依據所述時間序列模型及所述第二特徵資料，確定隱藏狀態資訊；及依據所述回歸模型、第一特徵資料與隱藏狀態資訊，確定與所述目標行程相關的所述預估到達時間。
  4. 如申請專利範圍第1項之系統，其中，為獲取所述預測模型，所述處理器被指示以：依據一個或多個歷史行程，生成訓練資料；及依據所述訓練資料，確定所述預測模型。
  5. 如申請專利範圍第4項之系統，其中，為獲取所述預測模型，所述處理器進一步被指示以：依據與所述一個或多個歷史行程相關的鏈路的資料，將所述一個或多個歷史行程分組為一組或多組，其中所述一個或多個歷史行程與包含所述鏈路的複數個路徑相關連；針對所述一組或多組歷史行程中的各組歷史行程，提取歷史特性資料及歷史到達時間資料；及依據所述歷史特性資料及所述歷史到達時間資料，生成所述訓練資料。
  6. 如申請專利範圍第4項之系統，其中，為確定所述預測模型，所述處理器被指示以：從所述一個或多個歷史行程中，識別第一複數個訓練行程及第二複數個訓練行程；提取與所述第一複數個訓練行程相關的第一歷史特性資料及第一歷史到達時間資料；依據所述第一歷史特性資料及所述第一歷史到達時間資料，確定一第一ETA確定模型；提取與所述第二複數個訓練行程相關的第二歷史特性資料及第二歷史到達時間資料；及依據所述第二歷史特性資料及所述第二歷史到達時間資料，修改所述第一ETA確定模型以確定一第二ETA確定模型。
  7. 如申請專利範圍第6項之系統，其中，為確定所述預測模型，所述處理器進一步被指示以：依據所述第一ETA確定模型或所述第二ETA確定模型中的至少一個，確定是否滿足一匹配條件；及回應於確定滿足所述匹配條件，將所述第二ETA確定模型確定為所述預測模型。
  8. 如申請專利範圍第7項之系統，其中，為確定是否滿足所述匹配條件，所述處理器被指示以：依據所述第一ETA確定模型或所述第二ETA確定模型中的至少一個，確定一損失函數；及確定所述損失函數是否收斂於一第一值。
  9. 如申請專利範圍第7項之系統，其中，為確定是否滿足所述匹配條件，所述處理器被指示以：從所述一個或多個歷史行程中，選擇第三複數個歷史行程；依據與所述第三複數個歷史行程相關的第三歷史特性資料及第三歷史到達時間資料，確定一誤差；及確定所述誤差是否小於一第二值。
  10. 如申請專利範圍第1項之系統，其中，所述預測模型包含時間序列模型或回歸模型中的至少一個。
  11. 如申請專利範圍第10項之系統，其中所述時間序列模型包含一遞迴類神經網路。
  12. 如申請專利範圍第10項之方法，其中，所述回歸模型包含一多層感知器。
  13. 一種用於預估到達時間之方法，其包含：藉由一處理器提取與一目標行程相關的樣本特性資料，其中所述目標行程包括一路徑，所述路徑包括多個鏈路，所述樣本特性資料包含對應於所述路徑的第一特徵資料及對應於所述多個鏈路中的一個鏈路的第二特徵資料；獲取用於預估到達時間的一預測模型；及依據所述預測模型及所述樣本特性資料，藉由所述處理器確定與所述目標行程相關的一預估到達時間(ETA)。
  14. 如申請專利範圍第13項之方法，其中，所述預測模型包括一時間序列模型及一回歸模型。
  15. 如申請專利範圍第13項之方法，其中，確定與所述目標行程相關的所述預估到達時間進一步包括：依據所述時間序列模型及所述第二特徵資料，確定隱藏狀態資訊；及依據所述回歸模型、第一特徵資料與隱藏狀態資訊，確定與所述目標行程相關的所述預估到達時間。
  16. 如申請專利範圍第13項之方法，其中，獲取所述預測模型包括：依據一個或多個歷史行程，生成訓練資料；及依據所述訓練資料，確定所述預測模型。
  17. 如申請專利範圍第16項之方法，其進一步包括：依據與所述一個或多個歷史行程相關的鏈路的資料，將所述一個或多個歷史行程分組為一組或多組，其中所述一個或多個歷史行程與包括所述鏈路的複數個路徑相關連；針對所述一組或多組歷史行程中的各組歷史行程，提取歷史特性資料及歷史到達時間資料；及依據所述歷史特性資料及所述歷史到達時間資料，生成所述訓練資料。
  18. 如申請專利範圍第16項之方法，其中，確定所述預測模型包括：從所述一個或多個歷史行程中，識別第一複數個訓練行程及第二複數個訓練行程；提取與所述第一複數個訓練行程相關的第一歷史特性資料及第一歷史到達時間資料；依據所述第一歷史特性資料及所述第一歷史到達時間資料，確定一第一ETA確定模型；提取與所述第二複數個訓練行程相關的第二歷史特性資料及第二歷史到達時間資料；及依據所述第二歷史特性資料及所述第二歷史到達時間資料，修改所述第一ETA確定模型以確定一第二ETA確定模型。
  19. 如申請專利範圍第18項之方法，其進一步包括：依據所述第一ETA確定模型或所述第二ETA確定模型中的至少一個，確定是否滿足一匹配條件；及回應於確定滿足所述匹配條件，將所述第二ETA確定模型確定為所述預測模型。
  20. 如申請專利範圍第19項之方法，其中，確定是否滿足所述匹配條件包含：依據所述第一ETA確定模型或所述第二ETA確定模型中的至少一個，確定一損失函數；及確定所述損失函數是否收斂於一第一值。
TW107100204A 2017-01-10 2018-01-03 用於預估到達時間之方法及系統 TWI676783B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
??201710016048.5 2017-01-10
CN201710016048.5A CN108288096B (zh) 2017-01-10 2017-01-10 用于估算行程时间、模型训练的方法及装置
??PCT/CN2017/086530 2017-05-31
WOPCT/CN2017/086530 2017-05-31
PCT/CN2017/086530 WO2018129850A1 (en) 2017-01-10 2017-05-31 Method and system for estimating time of arrival

Publications (2)

Publication Number Publication Date
TW201829982A TW201829982A (zh) 2018-08-16
TWI676783B true TWI676783B (zh) 2019-11-11

Family

ID=62819425

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107100204A TWI676783B (zh) 2017-01-10 2018-01-03 用於預估到達時間之方法及系統

Country Status (8)

Country Link
US (1) US10816352B2 (zh)
EP (1) EP3479306B1 (zh)
JP (1) JP6677802B2 (zh)
CN (2) CN108288096B (zh)
AU (2) AU2017317611A1 (zh)
GB (1) GB2564181A (zh)
TW (1) TWI676783B (zh)
WO (1) WO2018129850A1 (zh)

Families Citing this family (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3455840A4 (en) * 2017-06-13 2019-07-31 Beijing Didi Infinity Technology And Development Co., Ltd. SYSTEMS AND METHODS FOR ESTIMATED ARRIVAL TIME DETERMINATION
US10557713B1 (en) * 2017-07-14 2020-02-11 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US10816351B1 (en) * 2017-07-14 2020-10-27 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US10801850B2 (en) * 2017-08-09 2020-10-13 Curbside Inc. Arrival predictions based on destination specific model
US11037055B2 (en) * 2017-10-30 2021-06-15 DoorDash, Inc. System for dynamic estimated time of arrival predictive updates
US10915853B2 (en) * 2018-02-28 2021-02-09 DoorDash, Inc. System for dynamic effort-based delivery value predictive updates
WO2019245555A1 (en) * 2018-06-21 2019-12-26 Visa International Service Association System, method, and computer program product for machine-learning-based traffic prediction
CN110956299B (zh) * 2018-09-26 2022-08-30 北京嘀嘀无限科技发展有限公司 一种到达时间预估方法及装置
FR3086622B1 (fr) * 2018-09-28 2022-06-24 Renault Sas Dispositif de planification d'un chemin et/ou d'une trajectoire d'un vehicule automobile
CN109408498B (zh) * 2018-10-09 2022-12-13 厦门理工学院 基于特征矩阵决策树的时间序列特征识别与分解方法
CN111047044B (zh) * 2018-10-11 2022-02-01 腾讯大地通途（北京）科技有限公司 Eta模型的训练方法、eta预估方法、装置及设备
CN111160594B (zh) * 2018-11-07 2022-05-06 腾讯大地通途（北京）科技有限公司 一种到达时间的预估方法、装置及存储介质
CN110782648B (zh) * 2018-12-03 2022-02-18 北京嘀嘀无限科技发展有限公司 确定预计到达时间的系统和方法
CN109489679B (zh) * 2018-12-18 2019-12-17 成佳颖 一种导航路径中的到达时间计算方法
CN109740811A (zh) * 2018-12-28 2019-05-10 斑马网络技术有限公司 通行速度预测方法、装置和存储介质
CN111415024A (zh) * 2019-01-04 2020-07-14 北京嘀嘀无限科技发展有限公司 一种到达时间预估方法以及预估装置
CN111435088A (zh) * 2019-01-15 2020-07-21 北京嘀嘀无限科技发展有限公司 一种道路匹配方法、装置、电子设备及存储介质
CN111461380A (zh) * 2019-01-21 2020-07-28 北京嘀嘀无限科技发展有限公司 一种位置预测方法以及装置
CN111461379A (zh) * 2019-01-21 2020-07-28 北京嘀嘀无限科技发展有限公司 一种位置预测方法以及装置
CN111721306B (zh) * 2019-03-20 2022-07-05 北京嘀嘀无限科技发展有限公司 道路匹配方法、装置、电子设备及可读存储介质
CN109974735B (zh) * 2019-04-08 2021-02-02 腾讯科技（深圳）有限公司 到达时间的预估方法、装置及计算机设备
CN111862657B (zh) * 2019-04-24 2022-09-09 北京嘀嘀无限科技发展有限公司 一种确定路况信息的方法及装置
CN111858786B (zh) * 2019-06-06 2023-12-22 北京嘀嘀无限科技发展有限公司 用于在路径规划中提供通行时间置信度的系统和方法
CN110298500B (zh) * 2019-06-19 2022-11-08 大连理工大学 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法
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
TWI724515B (zh) * 2019-08-27 2021-04-11 聯智科創有限公司 機器學習服務提供方法
WO2021051329A1 (en) * 2019-09-19 2021-03-25 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining estimated time of arrival in online to offline services
JP7272238B2 (ja) * 2019-11-07 2023-05-12 トヨタ自動車株式会社 情報処理装置、情報処理システム、およびプログラム
CN110954119B (zh) * 2019-11-11 2022-02-18 广东振业优控科技股份有限公司 一种基于大数据的城市道路机动车最优线路诱导方法
CN111143835B (zh) * 2019-11-18 2021-12-31 深圳供电局有限公司 基于机器学习的电力计量系统业务逻辑非侵入式防护方法
TWI736048B (zh) * 2019-12-05 2021-08-11 中華電信股份有限公司 計算預測旅行時間的電子裝置和方法
CN111343726B (zh) * 2020-02-27 2023-03-24 中国联合网络通信集团有限公司 用户调度方法及装置
SG11202113325VA (en) * 2020-03-11 2021-12-30 Grabtaxi Holdings Pte Ltd Method of predicting fare and fare prediction data system
CN111813640A (zh) * 2020-03-25 2020-10-23 北京嘀嘀无限科技发展有限公司 用于预测用户行为的方法、装置、电子设备和存储介质
CN111860931A (zh) * 2020-03-31 2020-10-30 北京嘀嘀无限科技发展有限公司 一种到达时长提醒方法、装置、设备和存储介质
CN111832797A (zh) * 2020-04-10 2020-10-27 北京嘀嘀无限科技发展有限公司 数据处理方法、数据处理装置、存储介质和电子设备
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
CN113554206B (zh) * 2020-04-26 2024-05-07 百度在线网络技术（北京）有限公司 等车时间预估方法、装置、设备及存储介质
JP7251535B2 (ja) * 2020-09-11 2023-04-04 トヨタ自動車株式会社 配車システム、配車サーバ、及び配車方法
GB2599710A (en) * 2020-10-09 2022-04-13 Daimler Ag A method for determining a personalized estimated time of arrival of a motor vehicle as well as a corresponding assistance system
CN112529305A (zh) * 2020-12-16 2021-03-19 北京交通大学 一种基于深度学习的快递员揽件顺序预测方法
US20220194404A1 (en) * 2020-12-23 2022-06-23 Beijing Didi Infinity Technology And Development Co., Ltd. Method and system for warning drivers in orders with high risk
US20220207478A1 (en) * 2020-12-29 2022-06-30 Uber Technologies, Inc. Reinforcement learning model optimizing arrival time for on-demand delivery services
CN112907953B (zh) * 2021-01-27 2022-01-28 吉林大学 一种基于稀疏gps数据的公交行程时间预测方法
US20220300878A1 (en) * 2021-03-17 2022-09-22 Volvo Car Corporation Rental vehicle system optimization
US20230004931A1 (en) * 2021-06-30 2023-01-05 Transportation Ip Holdings, Llc Systems and methods for estimating time of arrival of vehicle systems
US20230029497A1 (en) * 2021-07-28 2023-02-02 Ford Global Technologies, Llc Stranded motorist assistance system
KR20230070901A (ko) * 2021-11-15 2023-05-23 현대자동차주식회사 내비게이션 경로의 도착예정시간 제공 장치 및 그 방법
KR102573988B1 (ko) * 2021-11-29 2023-09-01 연세대학교 산학협력단 딥러닝 기반의 노면 상태 모니터링 시스템 및 모니터링 방법
CN114222300B (zh) * 2022-02-23 2022-04-26 南京理工大学 一种车载控制器局域网络入侵检测方法及设备
US20230368121A1 (en) * 2022-05-11 2023-11-16 Global Spatial Technology Solutions Inc. System and method for enhanced estimated time of arrival for vessels
DE102022114218B3 (de) 2022-06-07 2023-09-14 Audi Aktiengesellschaft Verfahren zum Schätzen einer Zeitangabe eines Eintritts eines zukünftigen Ereignisses, insbesondere eines Verkehrsereignisses, sowie Kraftfahrzeug
WO2024035340A1 (en) * 2022-08-11 2024-02-15 Grabtaxi Holdings Pte. Ltd. Vehicle speed or travel time estimation
WO2024054153A1 (en) * 2022-09-05 2024-03-14 Grabtaxi Holdings Pte. Ltd. Method and system for estimating a time of arrival of a driver at a location

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140288821A1 (en) * 2013-03-22 2014-09-25 Navteq B.V. Vehicle Arrival Prediction
TW201518143A (zh) * 2013-11-11 2015-05-16 Wistron Corp 車輛預警系統及車輛預警方法
WO2016174745A1 (ja) * 2015-04-28 2016-11-03 株式会社日立製作所 到着時刻予測装置、到着時刻予測システム及びプログラム
CN106096767A (zh) * 2016-06-07 2016-11-09 中国科学院自动化研究所 一种基于lstm的路段行程时间预测方法

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3099934B2 (ja) * 1994-09-08 2000-10-16 株式会社東芝 走行所要時間予測装置
JPH1079096A (ja) * 1996-09-03 1998-03-24 Toshiba Corp 経路選択支援情報提供装置
JP3529619B2 (ja) * 1998-04-22 2004-05-24 株式会社東芝 走行所要時間予測装置
US6317088B1 (en) 2000-06-02 2001-11-13 Joyce Y. Lindsay Satellite antenna deicing device
US6317686B1 (en) * 2000-07-21 2001-11-13 Bin Ran Method of providing travel time
JP3753423B2 (ja) * 2002-03-15 2006-03-08 財団法人生産技術研究奨励会 走行所要時間予測装置及び方法
JP4255007B2 (ja) 2003-04-11 2009-04-15 株式会社ザナヴィ・インフォマティクス ナビゲーション装置、およびその旅行時間算出方法
US7739040B2 (en) * 2006-06-30 2010-06-15 Microsoft Corporation Computation of travel routes, durations, and plans over multiple contexts
US7739031B2 (en) * 2006-09-05 2010-06-15 Nissan Technical Center North America, Inc. Vehicle on-board unit
US8577594B2 (en) 2006-10-25 2013-11-05 Motorola Mobility Llc Apparatus and method for route navigation of multiple destinations
CN101673463B (zh) * 2009-09-17 2011-12-14 北京世纪高通科技有限公司 一种基于时间序列的交通信息预测方法及装置
JP2011099798A (ja) * 2009-11-09 2011-05-19 Hitachi Ltd 渋滞範囲予測方法および装置
CN102081859B (zh) 2009-11-26 2014-10-01 上海遥薇(集团)有限公司 一种公交车到站时间预测模型控制方法
GB201018815D0 (en) * 2010-11-08 2010-12-22 Tomtom Int Bv High-definition weather for improved routing and navigation systems
US9037519B2 (en) * 2012-10-18 2015-05-19 Enjoyor Company Limited Urban traffic state detection based on support vector machine and multilayer perceptron
US9122987B2 (en) 2013-01-17 2015-09-01 Mitsubishi Electric Research Laboratories, Inc. Method for predicting future travel time using geospatial inference
US20160069695A1 (en) * 2013-04-17 2016-03-10 Tom Tom Navigation B.V. Methods and apparatus for providing travel information
US9752886B2 (en) * 2013-06-27 2017-09-05 Sap Se Mobile trip planner and live route update system
TWI569226B (zh) * 2014-02-12 2017-02-01 Chunghwa Telecom Co Ltd Logistics Delivery Arrival Time Estimation System and Method with Notification Function
US10175054B2 (en) 2015-01-11 2019-01-08 Microsoft Technology Licensing, Llc Predicting and utilizing variability of travel times in mapping services
CN104637334B (zh) * 2015-02-10 2017-07-07 中山大学 一种公交车到站时间实时预测方法
JP6363534B2 (ja) * 2015-03-04 2018-07-25 株式会社Ｎｔｔドコモ 経路探索装置、経路探索システム、経路探索方法及びプログラム
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
US10234300B2 (en) * 2015-11-13 2019-03-19 Here Global B.V. Private and personalized estimation of travel time
CN105631707A (zh) * 2015-12-23 2016-06-01 北京奇虎科技有限公司 基于决策树的广告点击率预估方法与应用推荐方法及装置
CN105469602B (zh) * 2015-12-31 2017-08-11 北京航空航天大学 一种基于ic卡数据的公交乘客候车时间范围的预测方法
CN105679021B (zh) * 2016-02-02 2018-11-06 招商局重庆交通科研设计院有限公司 基于交通大数据的行程时间融合预测及查询方法
US10072938B2 (en) * 2016-04-29 2018-09-11 Bayerische Motoren Werke Aktiengesellschaft Method and system for determining and providing a personalized ETA with privacy preservation
CN106017496A (zh) * 2016-05-25 2016-10-12 南京信息职业技术学院 一种基于路况的实时导航方法
CN105894848A (zh) * 2016-06-29 2016-08-24 合肥民众亿兴软件开发有限公司 一种基于网络的公交车到站时间预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140288821A1 (en) * 2013-03-22 2014-09-25 Navteq B.V. Vehicle Arrival Prediction
TW201518143A (zh) * 2013-11-11 2015-05-16 Wistron Corp 車輛預警系統及車輛預警方法
WO2016174745A1 (ja) * 2015-04-28 2016-11-03 株式会社日立製作所 到着時刻予測装置、到着時刻予測システム及びプログラム
CN106096767A (zh) * 2016-06-07 2016-11-09 中国科学院自动化研究所 一种基于lstm的路段行程时间预测方法

Also Published As

Publication number Publication date
US10816352B2 (en) 2020-10-27
WO2018129850A1 (en) 2018-07-19
CN110168313A (zh) 2019-08-23
JP2019511020A (ja) 2019-04-18
TW201829982A (zh) 2018-08-16
US20180209808A1 (en) 2018-07-26
GB201803663D0 (en) 2018-04-25
AU2019279920A1 (en) 2020-01-16
CN108288096A (zh) 2018-07-17
EP3479306A4 (en) 2019-07-24
CN108288096B (zh) 2020-08-21
CN110168313B (zh) 2022-10-25
JP6677802B2 (ja) 2020-04-08
EP3479306A1 (en) 2019-05-08
GB2564181A (en) 2019-01-09
AU2017317611A1 (en) 2018-07-26
AU2019279920B2 (en) 2021-07-29
EP3479306B1 (en) 2021-01-13

Similar Documents

Publication Publication Date Title
TWI676783B (zh) 用於預估到達時間之方法及系統
CN109478275B (zh) 分配服务请求的系统和方法
TWI670677B (zh) 用於推薦預估到達時間的系統和方法
CN109478364B (zh) 确定预计到达时间的方法及系统
TWI724958B (zh) 用於線上到線下服務的系統、方法和電腦可讀取媒體
TWI703516B (zh) 用於預估到達時間的方法以及系統
CN111862585B (zh) 用于交通预测的系统和方法
CN112236787A (zh) 用于生成个性化目的地推荐的系统和方法
TW201903659A (zh) 用於確定預估到達時間的系統和方法
US20200300650A1 (en) Systems and methods for determining an estimated time of arrival for online to offline services
CN110839346A (zh) 用于分配服务请求的系统和方法
CN111274472A (zh) 信息推荐方法、装置、服务器及可读存储介质
CN111159317B (zh) 用于确定路径拓扑关系的系统和方法
CN112243487A (zh) 用于按需服务的系统和方法
CN109948822B (zh) 一种地理区域内网约车供需缺口预测方法
TWI705338B (zh) 使用條件隨機域模型確定文本屬性的系統及方法