TWI689744B - 用於確定預估到達時間的系統和方法及相關的非暫時性機器可讀取儲存媒體 - Google Patents

用於確定預估到達時間的系統和方法及相關的非暫時性機器可讀取儲存媒體 Download PDF

Info

Publication number
TWI689744B
TWI689744B TW107114158A TW107114158A TWI689744B TW I689744 B TWI689744 B TW I689744B TW 107114158 A TW107114158 A TW 107114158A TW 107114158 A TW107114158 A TW 107114158A TW I689744 B TWI689744 B TW I689744B
Authority
TW
Taiwan
Prior art keywords
feature
determining
machine learning
learning model
dimensional sparse
Prior art date
Application number
TW107114158A
Other languages
English (en)
Other versions
TW201901185A (zh
Inventor
鐘志遠
羅卿
王征
Original Assignee
大陸商北京嘀嘀無限科技發展有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 大陸商北京嘀嘀無限科技發展有限公司 filed Critical 大陸商北京嘀嘀無限科技發展有限公司
Publication of TW201901185A publication Critical patent/TW201901185A/zh
Application granted granted Critical
Publication of TWI689744B publication Critical patent/TWI689744B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • 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
    • G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q50/40—
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3438—Rendez-vous, i.e. searching a destination where several users can meet, and the routes to this destination for these users; Ride sharing, i.e. searching a route such that at least two users can share a vehicle for at least part of the route
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication

Abstract

用於確定預估到達時間(estimated time of arrival，ETA)的方法包括通過網路從使用者裝置接收開始位置和目的地。所述方法進一步包括獲得用於確定ETA的機器學習模型，所述ETA是根據一流程而產生，所述流程包括：獲取與隨選服務訂單相關的歷史資料；基於所述歷史資料來確定高維稀疏特徵；以及基於所述高維稀疏特徵來確定機器學習模型。所述方法進一步包括基於所述機器學習模型、所述開始位置和所述目的地，來確定目標路線的ETA，以及通過網路將確定的ETA發送到所述使用者裝置。

Description

用於確定預估到達時間的系統和方法及相關的非暫時性機器可讀取儲存媒體
本申請一般涉及用於數位路線規劃的系統和方法，尤其涉及用於確定預估到達時間(estimated time of arrival，ETA)的系統和方法。
本申請主張2017年5月22日提交之申請號為PCT/CN2017/085375的PCT申請案的優先權，其全部內容通過引用被包含於此。
隨選運輸服務，如線上預定計程車服務，為人們的日常出行提供了極大的方便。通過線上隨選服務平臺，請求者可以通過安裝在使用者設備(比如智慧行動電話)中的應用程式來請求隨選服務。然後，所述平臺的伺服器可以處理所述請求，並且基於多個不同因素或條件，例如到達指定位置的預估到達時間(ETA)，來確定服務提供者以執行所述隨選服務。確定所述ETA並提供最佳路線規劃，以滿足請求者的需求，這是可取的。
根據本申請的一態樣，可以包括儲存裝置和線上隨選服務平臺的至少一個處理器，所述至少一個處理器被配置為和所述儲存裝置通訊。所述儲存裝置可以包括用於確定預估到達時間(ETA)的一組指令。當所述至少一個處理器執行所述一組指令時，所述至少一個處理器可以執行以下操作中的一 個或多個操作。所述至少一個處理器可以通過網路從使用者裝置接收開始位置和目的地。所述至少一個處理器可以獲取用於確定ETA的機器學習模型，其中所述機器學習模型基於一流程而產生，所述流程包括：獲取與隨選服務訂單相關的歷史資料；基於所述歷史資料來確定高維稀疏特徵；基於所述高維稀疏特徵來確定機器學習模型。所述至少一個處理器可以基於所述機器學習模型、開始位置和目的地來確定目標路線的ETA。所述至少一個處理器可以通過所述網路將確定的ETA遞送給所述使用者裝置。
根據本申請的另一個態樣，一種方法可以包括以下操作的一個或多個操作。伺服器可以通過網路從使用者裝置接收開始位置和目的地。所述伺服器可以獲取用於確定ETA的機器學習模型，其中所述機器學習模型基於一流程而產生，所述流程包括：獲取與隨選服務訂單相關的歷史資料；基於所述歷史資料來確定高維稀疏特徵；基於所述高維稀疏特徵來確定機器學習模型。所述伺服器可以基於所述機器學習模型、開始位置和目的地來確定目標路線的ETA。所述伺服器可以通過所述網路將確定的ETA遞送給所述使用者裝置。
根據本申請的另一態樣，非暫時性機器可讀取儲存媒體可包括指令。當所述非暫時性機器可讀取儲存媒體被線上隨選服務平臺的至少一個處理器存取時，所述指令可以使所述至少一個處理器執行以下操作中之一項或多項操作。所述指令可以使所述至少一個處理器從使用者裝置接收開始位置和目的地。所述指令可以使所述至少一個處理器獲取用於確定ETA的機器學習模型，其中，所述機器學習模型基於一流程而產生，所述流程包括：獲取與隨選服務訂單相關的歷史資料；基於所述歷史資料來確定高維稀疏特徵；基於所述高維稀疏特徵來確定機器學習模型。所述指令可以使所述至少一個處理器基於所述機器學習模型、所述開始位置和所述目的地來確定目標路線的ETA。所述指令可以使所述至少一個處理器通過網路將確定的ETA遞送給所述使用者裝置。
另外的特徵將在接下來的描述中部分地闡述，並且對於本領域具有通常知識者在檢閱下文和附圖時將部分地變得顯而易見，或者可以通過示例的生產或操作而被學習。本申請的特徵可以通過實踐或使用在下面討論的詳細示例中闡述的方法、手段和組合的各個方面來實現和獲得。
100‧‧‧隨選服務系統
110‧‧‧伺服器
112‧‧‧處理引擎
120‧‧‧網路
120-1‧‧‧網際網路交換點
120-2‧‧‧網際網路交換點
130‧‧‧請求者終端
130-1‧‧‧行動裝置
130-2‧‧‧平板電腦
130-3‧‧‧膝上型電腦
130-4‧‧‧機動車輛內建裝置
140‧‧‧提供者終端
140-1‧‧‧行動裝置
140-2‧‧‧平板電腦
140-3‧‧‧膝上型電腦
140-4‧‧‧機動車輛內建裝置
150‧‧‧儲存器
200‧‧‧計算裝置
210‧‧‧內部通訊匯流排
220‧‧‧處理器
230‧‧‧ROM
240‧‧‧RAM
250‧‧‧通訊輸出埠
260‧‧‧I/O介面
270‧‧‧磁碟
302‧‧‧採集模組
304‧‧‧確定模組
306‧‧‧指示模組
310‧‧‧獲取單元
312‧‧‧機器學習模型確定單元
314‧‧‧機器學習模型更新單元
316‧‧‧ETA確定單元
400‧‧‧流程
402‧‧‧步驟
404‧‧‧步驟
406‧‧‧步驟
408‧‧‧步驟
410‧‧‧步驟
500‧‧‧流程
502‧‧‧步驟
504‧‧‧步驟
506‧‧‧步驟
508‧‧‧步驟
510‧‧‧步驟
512‧‧‧步驟
514‧‧‧步驟
516‧‧‧步驟
518‧‧‧步驟
700‧‧‧流程
702‧‧‧步驟
704‧‧‧步驟
706‧‧‧步驟
800‧‧‧流程
802‧‧‧步驟
804‧‧‧步驟
806‧‧‧步驟
808‧‧‧步驟
本申請以示例性實施例的方式來進一步描述。這些示例性實施例參考至圖式而被詳細地描述。這些實施例是非限制性的示例性實施例，其中相同的元件符號代表整個圖式的數個視圖之相似結構，並且其中：圖1係根據本申請的一些實施例所示的一種示例性隨選服務系統的方塊圖；圖2係根據本申請的一些實施例所示的一種隨選服務系統的示例性計算裝置的示意圖；圖3A係根據本申請的一些實施例所示的一種示例性處理引擎的方塊圖；圖3B係根據本申請的一些實施例所示的一種示例性確定模組的方塊圖；圖4係根據本申請的一些實施例所示的用於確定目標路線的ETA的一種示例性流程的流程圖；圖5係根據本申請的一些實施例所示的用於確定高維稀疏特徵的一種示例性流程的流程圖；圖6A到6E係根據本申請的一些實施例所示的用於確定高維稀疏特徵的示例性圖表的示意圖；圖7係根據本申請的一些實施例所示的用於更新機器學習模型的一種示例性流程的流程圖；以及 圖8係根據本申請的一些實施例所示的用於確定目標路線的ETA的一種示例性流程的流程圖。
下述描述是為了使本領域具有通常知識者能製造和使用本申請，並且該描述是在特定的應用及其要求的背景下提供的。對於本領域具有通常知識者來說，顯然可以對所揭露的實施例作出各種改變。另外，在不偏離本申請的精神和範圍的情況下，本申請中所定義的普遍原則可以適用於其他實施例和應用場景。因此，本申請並不限於所揭露的實施例，而應被給予與申請專利範圍一致的最寬泛的範圍。
此處使用的術語僅僅用來描述特定的示意性實施例，並且不具有限定性。如本申請和申請專利範圍中所示，除非上下文明確提示例外情形，「一」、「一個」、「一種」及/或「該」等詞並非特指單數，也可以包括複數。應該被理解的是，本申請中所使用的術語「包括」與「包含」僅提示已明確標識的特徵、整數、步驟、操作、元素、及/或組件，而不排除可以存在和添加其他一個或多個特徵、整數、步驟、操作、元素、組件、及/或其組合。
根據以下對附圖的描述，本申請所述的和其他的特徵、特色，以及相關結構元素的功能和操作方法，以及製造的經濟和部件組合更加顯而易見，這些都構成說明書的一部分。然而，應當理解，附圖僅僅是為了說明和描述的目的，並不旨在限制本申請的範圍。應當理解的是，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實施例的系統所執行的操作。應當理解的是，流程圖的操作不一定按照順序來精確地執行。相反，可以按照倒序執行或同時處理各種步驟。此外，可以將一個或多個其他操 作添加到這些流程圖中。可從這些流程圖中移除一個或多個操作。
此外，雖然本申請中揭露的系統和方法主要關於確定隨選服務請求的預估到達時間，但應該理解的是，這只是一個示例性實施例。本申請的系統和方法可以能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不同環境下的運輸系統，包括陸地、海洋、航空航太或類似物或其任意組合。運輸系統的運輸工具可以包括計程車、私人汽車、順風車、巴士、列車、子彈列車、高速鐵路、地鐵、船隻、航空器、太空船、熱氣球、無人駕駛運輸工具或類似物或其任意組合。所述運輸系統也可以包括用於管理及/或分配的任一種運輸系統，例如，接收及/或送快遞的系統。本申請的系統和方法的應用可以包括網頁、瀏覽器外掛程式、用戶端、客制系統、內部分析系統、人工智慧機器人或類似物或其任意組合。
在本申請中，術語「乘客」、「請求者」、「服務請求者」和「客戶」可以交換使用，其表示可以請求或預定服務的個體、實體或工具。在本申請中，術語「司機」、「提供者」、「服務提供者」和「供應方」也可以交換使用，其表示可以提供服務或促進該服務提供的個體、實體或工具。在本申請中，術語「使用者」可以表示可以請求服務、預定服務、提供服務或促進該服務提供的個體、實體或工具。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」和「乘客終端」可以交換使用，而且「司機」和「司機終端」可以交換使用。
本申請中的術語「服務」、「請求」和「服務請求」可以交替使用，表示由使用者、請求者、服務請求者、客戶、司機、提供者、服務提供者、供應者等或上述舉例的任意組合發起的請求。所述服務請求可以被乘客、請求者、服務請求者、客戶、司機、提供者、服務提供者、供應方中的任一個接受。所述服務請求可以是收費的或免費的。
本申請中使用的定位技術可以包括全球定位系統(GPS)、全球衛星導航系統(GLONASS)、北斗導航系統(COMPASS)、伽利略定位系統、准天頂衛星系統(QZSS)、無線保真(WiFi)定位技術或類似物或其任意組合。以上定位技術中的一個或多個可以在本申請中交換使用。
本申請的一態樣涉及用於確定預估到達時間(ETA)的線上系統和方法。所述系統和方法可以基於用於確定所述ETA的機器學習模型、開始位置和目的地來實現。在確定所述機器學習模型時，所述系統和方法可以基於與隨選服務訂單相關的一組歷史資料來確定高維稀疏特徵。
需要注意的是，線上隨選運輸服務，如線上預定計程車(包括線上預定計程車組合服務)，是起源於後網際網路時代的一種新服務形式。它為使用者和服務提供者提供了只在後網際網路時代才可能實現的技術方案。在網際網路時代之前，當使用者在街道上呼叫一輛計程車時，計程車預定請求和接受只能在乘客和一個看見該乘客的計程車司機之間發生。如果乘客通過電話招呼一輛計程車，計程車預定請求和接受只能在該乘客和服務提供者(例如，計程車公司或代理人)之間發生。然而，線上計程車允許一個使用者即時地和自動地向與該使用者相距一段距離的大量的個別服務提供者(例如，計程車)分配服務請求。它也允許多個服務提供者同時、即時地對該服務請求進行回應。因此，通過網際網絡，所述線上隨選運輸系統可以為使用者和服務提供者提供一個更加高效的交易平臺，這在網際網絡時代之前的傳統運輸服務系統中是無法實現的。
圖1係根據本申請的一些實施例所示的示例性隨選服務系統100的方塊圖。例如，所述隨選服務系統100可以是一個為運輸服務，例如計程車呼叫服務、駕駛服務、快捷汽車、共乘服務、巴士服務、司機雇傭、折返運轉服務，而提供的線上運輸服務平臺。所述隨選服務系統100可以是包含伺服器 110、網路120、請求者終端130、提供者終端140以及儲存器150的線上平臺。該伺服器110可包含處理引擎112。
在一些實施例中，所述伺服器110可以是單伺服器或者伺服器群。該伺服器群可以是集中式或分散式的(例如，伺服器110可以是分散式系統)。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可通過網路120存取儲存在請求者終端130、提供者終端140及/或儲存器150內的資訊及/或資料。在另一範例中，伺服器110可與請求者終端130、提供者終端140及/或資料儲存器150直接連接，並且存取儲存在其中的資訊及/或資料。在一些實施例中，伺服器110可在雲端平臺上執行。僅僅作為範例，該雲端平臺可以包括一私有雲、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，所述伺服器110可以在圖2中描述的包含了一個或者多個組件的計算裝置200上執行。
在一些實施例中，伺服器110可包含處理引擎112。該處理引擎112可處理與服務請求相關聯的資訊及/或資料來執行在本申請中揭示的伺服器110的一個或者多個功能。例如，所述處理引擎112可以收集多個歷史隨選服務的資訊，並且確定到達指定位置的ETA。在一些實施例中，處理引擎112可包括一個或者多個處理引擎(例如，單核心處理引擎或多核心處理器)。僅作為範例，處理引擎112可包括一中央處理單元(CPU)、特定應用積體電路(ASIC)、特定應用指令集處理器(ASIP)、圖形處理單元(GPU)、物理處理單元(PPU)、數位訊號處理器(DSP)、現場可程式閘陣列(FPGA)、可程式邏輯裝置(PLD)、控制器、微控制器單元、精簡指令集電腦(RISC)、微處理器或類似物或其任意組合。
網路120可以促進資訊及/或資料的交換。在一些實施例中，所述隨選服務系統100的一個或多個元件(例如，伺服器110、請求者終端130、 提供者終端140、和儲存器150)可以通過所述網路120將資訊及/或資料發送至所述隨選服務系統100中的其他元件。例如，伺服器110可以通過網路120從請求者終端130接收服務請求。在一些實施例中，網路120可以是任意形式的有線或者無線網路，或其任意組合。僅作為範例，網路120可以包括一纜線網路、有線網路、光纖網路、電信網路、內部網路、網際網路、區域網路(LAN)、廣域網路(WAN)、無線區域網路(WLAN)、都會區域網路(MAN)、公用交換電話網路(PSTN)、藍牙網路，紫蜂(ZigBee)網路、近場通訊(NFC)或類似物或其任意組合。在一些實施例中，網路120可包括一個或者多個網路進接點。例如，網路120可包括有線或無線網路進接點比如基站及/或網際網路交換點120-1、120-2...。通過該網路進接點，隨選服務系統100的一個或多個組件可以連接至網路120以交換資訊及/或資料。
在一些實施例中，請求者可以是請求者終端130的一使用者。在一些實施例中，請求者終端130的使用者可以是除該請求者之外的其他人。例如，請求者終端130的使用者A可以通過請求者終端130為使用者B發送服務請求，或從伺服器110處接收服務及/或資訊或指令。在一些實施例中，提供者可以是提供者終端140的使用者。在一些實施例中，提供者終端140的使用者可以是除該提供者之外的其他人。例如，提供者終端140的使用者C可以為使用者D通過提供者終端140接收服務請求及/或從伺服器110處接收資訊或指令。在一些實施例中，「請求者」和「請求者終端」可互換使用，「提供者」和「提供者終端」可互換使用。
在一些實施例中，請求者終端130可以包括一行動裝置130-1、平板電腦130-2、膝上型電腦130-3、在機動車輛中之內建裝置130-4或類似物或其任意組合。在一些實施例中，行動裝置130-1可包括智慧居家裝置、可穿戴裝置、智慧行動裝置、虛擬實境裝置、擴增實境裝置或類似物或其任意組合。在 一些實施例中，智慧居家裝置可包括智慧照明裝置、智慧電器控制裝置、智慧監測裝置、智慧電視、智慧視訊攝影機、對講機或類似物或其任意組合。在一些實施例中，該可穿戴裝置可包括智慧手鐲、智慧鞋襪、智慧眼鏡、智慧頭盔、智慧手錶、智慧衣服、智慧背包、智慧附件或類似物或其任意組合。在一些實施例中，該智慧行動裝置可包括智慧型電話、個人數位助理(PDA)、遊戲裝置、導航裝置、銷售點(POS)裝置或類似物或其任意組合。在一些實施例中，該虛擬實境裝置及/或擴增實境裝置可包括虛擬實境頭盔、虛擬實境眼鏡、虛擬實境補丁、擴增實境頭盔、擴增實境眼鏡、擴增實境補丁或類似物或其任意組合。例如，該虛擬實境裝置及/或擴增實境裝置可包括Google Glass、Oculus Rift、HoloLens或Gear VR等。在一些實施例中，在機動車輛中之內建裝置可包括機載電腦或機載電視等。在一些實施例中，請求者終端130可以是具有用來確定請求者及/或請求者終端130位置的定位技術的裝置。
在一些實施例中，提供者終端140可以是與請求者終端130相似，或與請求者終端130相同的裝置。在一些實施例中，提供者終端140可以是具有用來確定提供者及/或提供者終端140位置的定位技術的裝置。在一些實施例中，請求者終端130及/或提供者終端140可以與其他定位裝置通訊來確定請求者、請求者終端130、提供者及/或提供者終端140的位置。在一些實施例中，請求者終端130及/或提供者終端140可以向伺服器110傳送定位資訊。
儲存器150可以儲存資料及/或指令。在一些實施例中，儲存器150可以儲存從請求者終端130及/或提供者終端140處獲取的資料。在一些實施例中，儲存器150可以儲存伺服器110用來執行或使用來完成本申請揭示的示例性方法的資料及/或指令。在一些實施例中，儲存器150可包括大容量儲存器、可抽取式儲存器、揮發性讀寫記憶體、唯讀記憶體(ROM)或類似物或其任意組合。示例性抽取式儲存器可包括一快閃驅動器、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包括一隨機存取記憶體(RAM)。示例性的RAM可包括一動態RAM(DRAM)、雙倍速率同步動態RAM(DDR SDRAM)、靜態RAM(SRAM)、閘流體RAM(T-RAM)和零電容RAM(Z-RAM)等。示例性ROM包括一遮罩ROM(MROM)、可程式ROM(PROM)、可清除可程式ROM(EPROM)、電子可抹除可程式ROM(EEPROM)、光碟ROM或數位通用軟碟ROM等。在一些實施例中，所述儲存器150可在雲端平臺上執行。僅僅作為範例，該雲端平臺可以包括一私有雲、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，所述儲存器150可以連接到所述網路120，以與所述隨選服務系統100的一個或多個元件(例如，伺服器110、請求者終端130、提供者終端140等)進行通訊。隨選服務系統100的一個或多個組件可以通過網路120存取儲存在資料儲存器150中的資料或指令。在一些實施例中，儲存器150可以與隨選服務系統100的一個或多個組件(例如，伺服器110、請求者終端130、提供者終端140等)直接連接或直接通訊。在一些實施例中，儲存器150可以是伺服器110的一部分。
在一些實施例中，所述隨選服務系統100中的一個或多個元件(例如，所述伺服器110、所述請求者終端130、所述提供者終端140)可存取所述儲存器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的一個或多個組件可以讀取及/或修改與請求者、提供者及/或公眾相關聯的資訊。例如，伺服器110可以在某一服務後讀取及/或修改一個或多個使用者的資訊。在另一範例中，當提供者終端140從請求者終端130接收到一個服務請求時，提供者終端140可以存取與請求者相關聯的資訊，但是不能修改請求者的相關資訊。
在一些實施例中，隨選服務系統100的一個或多個組件之間的資訊交換可以通過請求一個服務來實現。服務請求的物件可以是任一產品。在一些實施例中，該產品可以是有形產品或無形產品。該有形產品可以包括食物、藥物、日用品、化學產物、電器用品、衣服、汽車、住宅、奢侈品或類似物或其任意組合。該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、商用主機產品、嵌入式產品或類似物或其任意組合。行動上網產品可以是應用在行動終端上的軟體、程式、系統或類似物或其任意組合。可行動終端可以包括平板電腦、膝上型電腦、行動電話、個人數位助理(PDA)、智慧手錶、銷售點(POS)裝置、機上電腦、機上電視、可穿戴裝置或類似物或其任意組合。例如，產品可以是在電腦或行動電話上使用的任一軟體及/或應用程式。該軟體及/或應用程式可以與社交、購物、運輸、娛樂、學習、投資或類似物或其任意組合相關聯。在一些實施例中，與運輸相關聯的軟體及/或應用程式可以包括旅遊軟體及/或應用程式、運輸工具排程軟體及/或應用程式、地圖軟體及/或應用程式等。對於運輸工具排程軟體及/或應用程式，運輸工具可以是馬、馬車、人力車(例如，獨輪手推車、腳踏車、三輪車等)、汽車(例如，計程車、公車、私人汽車或類似物)、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計算裝置200的示例性硬體和軟體元件的方塊圖，在其上可以實現本申請所述伺服器110、所述請求者終端130及/或所述提供者終端140相應的功能。例如，所述處理引擎112可以在所述計算裝置200上實施並執行本申請所揭露的所述處理引擎112的功能。
所述計算裝置200可以是通用電腦或專用電腦，兩者都可以用於 實施本申請的隨選系統。所述計算裝置200可以用來實現本文所述隨選服務系統的任意部件。例如，所述處理引擎112可以在所述計算裝置200上通過其硬體、軟體程式、韌體或其組合來實施。
例如，所述計算裝置200可以包括與網路連接的通訊輸出埠250，以促進資料通訊。所述計算裝置200還可以包括用於執行程式指令的處理器220。所述示例性計算裝置可以包括內部通訊匯流排210、不同形式的程式儲存器和資料儲存，所述形式包括例如磁碟270和唯讀記憶體(ROM)230，或隨機存取儲存器(RAM)240，用於由所述計算裝置處理及/或傳輸各種資料檔。所述示例性計算裝置也可以包括儲存於ROM 230、RAM 240及/或其他形式的非暫時性儲存媒體中的、可由處理器220執行的程式指令。本申請的方法及/或流程可以以程式指令的方式實施。所述計算裝置200還包括支持所述計算裝置和其他元件之間輸入/輸出的I/O介面260。所述計算裝置200也可以通過網路通訊接收程式編程和資料。
僅為說明，圖2中只描述了一個處理器。還考慮了多個處理器。因此如本申請中所描述的由一個處理器執行的操作及/或方法步驟也可以由多個處理器聯合或單獨執行。例如，如果在本申請中，所述計算裝置200的處理器執行步驟A和步驟B，應當理解的是，步驟A和步驟B也可以由所述計算裝置200的兩個不同的處理器共同或獨立執行(例如，所述第一處理器執行步驟A，所述第二處理器執行步驟B，或者所述第一和所述第二處理器共同執行步驟A和步驟B)。
圖3A是基於本申請的一些實施例所示的示例性處理引擎112的方塊圖。所述處理引擎112可以包括採集模組302、確定模組304以及指示模組306。每個模組都可以是用於執行下述操作的硬體電路、一組儲存於一個或多個儲存媒體的指令，及/或所述硬體電路和一個或多個儲存媒體的組合。
所述採集模組302可以被配置為從一個或多個請求者獲取多個服務請求。在一些實施例中，服務請求可以是所述請求者對隨選服務的請求(例如，運輸服務和送貨服務)。例如，如果乘客需要計程車服務，乘客可以通過所述網路120從所述請求者終端130向所述伺服器110發送計程車請求。在一些實施例中，所述服務請求可以是所述請求者對地圖導航服務的請求。例如，所述司機可以通過使用導航應用及/或裝置來遵循導航指示。所述服務請求可以包括開始位置、目的地、駕駛時間(或行程持續時間)、服務類型或類似物或其任意組合。所述請求者可以決定所述目的地。所述採集模組302可以通過所述網路120從所述請求者終端獲取所述服務請求。所述服務請求可以被遞送給所述確定模組304或所述指示模組306，以被進一步處理。
所述隨選服務可以包括計程車呼叫服務、代駕服務、快捷服務、共乘服務、公車服務、短期代駕服務、班車服務、試駕服務、指定駕駛服務或類似物或其組合。在一些實施例中，所述隨選服務可以是線上預訂的其他送貨服務，諸如線上訂餐、線上購物或類似物或其組合。在一些實施例中，所述隨選服務可以是利用運輸工具將物品從一個地方轉移到另外一個地方的服務，例如送貨服務。所述運輸工具可以包括非機動運輸工具(例如，腳踏車或三輪車)、機動運輸工具(例如，汽車或貨車)、船舶(例如，小船或小艇)及/或航空器。在一些實施例中，所述運輸工具可以是無人操作的。例如，所述隨選服務可以是計程車服務。
所述採集模組302還可以獲取與多個服務訂單(即，已完成的服務請求)有關的歷史資料。例如，所述隨選服務系統100可以基於請求者發送的隨選服務請求來產生服務訂單，並將其保存到儲存器(例如，所述儲存器150)中，其中所述服務訂單可以被記錄和分類。再比如，對於計程車呼叫服務，如果司機接受服務請求並完成服務，則所述隨選服務系統100可以產生包 括與服務請求、乘客資訊、司機資訊及/或乘客資訊相關的資訊的服務訂單，或與服務請求的目標路線相關的任何其他資訊。所述隨選服務系統100可以將所述服務訂單遞送至所述乘客及/或所述司機。再比如，對於地圖導航服務，如果請求者通過所述網路120，從所述請求者終端130向所述伺服器110發送服務請求，則隨選服務系統100可基於所述服務請求，推薦一個或多個路線，並且在所述請求者確認所述服務請求的目標路線(或司機到達目的地)之後，所述隨選服務系統100可以產生包括與所述服務請求及/或所確認的目標路線相關的資訊的服務指令。
所述採集模組302可以提取及/或獲取與所述服務訂單相關的歷史資料。例如，所述採集模組302可以通過網路120從所述請求者終端130、所述提供者終端140及/或儲存器150獲取所述歷史資料，並將其記錄在所述儲存器150或所述隨選服務系統100的任何元件中。與所述服務訂單相關的歷史資料可以包括開始位置、目的地、實際到達時間(actual time of arrival，ATA)、路線資訊(例如，從開始位置到目的地的行駛距離、道路狀況)、交通燈資訊(例如，交通燈的數量、交通訊號燈的發光時間、提供者資訊(例如，運輸工具速度、超車頻率、駕駛經驗)、天氣狀況、交通事故資訊或類似物或其任意組合。所述採集模組302可以將所述歷史資料傳輸給所述確定模組304或所述指示模組306，以進一步處理。
所述確定模組304可以被配置為基於所述歷史資料來確定機器學習模型。所述歷史資料可以與N維坐標系統相關。每個維度可以與路線的一個屬性或特徵相關。所述歷史資料可以由所述確定模組340進一步分析，或者包含於一個訓練集之中，所述訓練集可以包括多個訓練樣本。所述機器學習模型可以由所述確定模組340利用所述訓練集來產生或訓練。
所述確定模組304還可以利用線上學習方法更新所述機器學習模 型。所述機器學習模型可以利用更新資料來更新。所述更新資料可以與一個或多個新的服務訂單相關。在一些實施例中，所述新的服務訂單可以在一段時間內(例如，每三個月)獲取。在一些實施例中，所述新的服務訂單可以基於服務訂單數目(例如，每10、100、1,000、或者10,000個服務訂單)來獲取。
在一些實施例中，所述機器學習模型可以儲存在儲存裝置中，作為可以在使用者終端(例如，司機終端)或線上平臺(例如，伺服器)中使用的應用或其一部分。例如，所述機器學習模型可以被傳輸到可以用作運輸服務的司機終端的智慧電話，並且所述司機可以登入所述應用，以確定從一個位置到另一個位置的ETA。再比如，所述機器學習模型可以儲存於在所述隨選服務系統100(例如，所述儲存器150)中，乘客可以通過所述網路120或有線連接下載或者使用所述機器學習模型。在一些實施例中，所述機器學習模型可以儲存到儲存媒體中。例如，所述機器學習模型可以儲存在非暫時性電腦可讀取儲存媒體(例如，通用序列匯流排(USB)快閃磁碟機)中，其可以被隨選服務系統100或使用者終端(例如，乘客終端)使用。
所述確定模組304還可以被配置為基於所述機器學習模型及/或更新的機器學習模型，來確定目標路線的預估到達時間(ETA)。目標路線的ETA可以是從開始位置到與服務請求有關的目的地的持續時間。例如，所述確定模組304可將所述開始位置與所述目的地之間的目標路線的ETA確定為5分鐘、2小時或6小時。再比如，所述確定模組304可以進一步基於天氣狀況(例如，霧度或雷暴)或交通事故資訊來動態調整所述開始位置與所述目的地之間的所述目標路線的ETA。
所述指示模組306可以被配置為使所述請求者終端(例如，司機終端)及/或所述提供者終端顯示所述ETA。例如，所述指示模組306可以通過網路120，向所述請求者終端130發送與隨選服務請求有關的ETA資訊。與所述 隨選服務請求有關的所述ETA資訊可以包括開始位置、目的地、ETA、方向、地圖或類似物或其組合。
所述處理引擎112中的模組可以通過有線連接或無線連接以互相連接或互相通訊。所述有線連接可以包括金屬纜線、光學纜線、混合纜線或類似物或其任意組合。所述無線連接可包括區域網路(LAN)、廣域網路路(WAN)、藍牙、ZigBee、近距離通訊(NFC)或類似物或其任意組合。任兩個模組可組合為單個模組，任一個模組可分成兩個或兩個以上單元。例如，所述採集模組302可以被整合到所述確定模組304中，以形成單個模組，所述單個模組既可以獲得服務訂單的歷史資料，又可以基於歷史資料來確定機器學習模型。
圖3B係根據本申請的一些實施例所示的一種示例性確定模組的方塊圖。所述確定模組304可以包括獲取單元310、機器學習模型確定單元312、機器學習模型更新單元314和ETA確定單元316。每個單元都可以是用於執行下述操作的硬體電路、一組儲存於一個或多個儲存媒體的指令，及/或所述硬體電路和一個或多個儲存媒體的組合。
所述獲取單元310可以被配置為獲取與多個服務訂單(即，已完成的服務請求)相關的歷史資料。所述獲取單元310可以從本申請中其他地方揭露的儲存裝置(例如，所述資料庫150、整合在所述處理引擎112中的儲存模組(未示出)等)獲得所述歷史資料。
所述機器學習模型確定單元312可以被配置為確定機器學習模型。所述機器學習模型確定單元312可以基於所述歷史資料來確定高維稀疏特徵。所述歷史資料可以包括在訓練集之中，所述訓練集包括多個訓練樣本。所述機器學習模型確定單元312可以利用所述高維稀疏特徵來確定及/或訓練機器學習模型。
所述機器學習模型更新單元314可以被配置為利用線上學習方法更新所述機器學習模型。所述機器學習模型更新單元314可以利用更新資料更新所述機器學習模型。所述資料更新可以與一個或多個新的服務訂單相關，基於所述服務訂單的數目進行(例如，每10、100、1,000、或10,000個服務訂單)。
所述ETA確定單元316可以被配置為確定目標路線的ETA。所述ETA確定單元316可以基於開始位置、目的地、和所述機器學習模型及/或已更新的機器學習模型，來確定所述目標路線的ETA。所述開始位置和目的地可以從服務請求的使用者終端接收而來。所述ETA確定單元316可以基於天氣條件動態調整所述開始位置和所述目的地之間的所述目標路線的ETA。
圖4係根據本申請的一些實施例所示的用於確定目標路線的ETA的一種示例性流程的流程圖。在一些實施例中，所述方法400可以由所述隨選服務系統100執行。例如，所述方法400可以被實現為儲存在儲存器150、儲存器ROM 230及/或RAM 240中的一組指令(例如，應用程式)。所述處理引擎112可以執行所述指令，並且當執行所述指令時，其可以被配置為使得所述伺服器110在線上隨選服務平臺中執行所述方法400。所述平臺可以為基於網際網絡的平臺，其通過所述網際網絡連接隨選服務提供者和請求者。
在步驟402中，所述處理引擎112(例如，所述採集模組302或所述獲取單元310)可以獲得與一個或多個隨選服務訂單有關的歷史資料。所述隨選服務訂單可以基於隨選服務請求產生，所述請求可以在儲存器(例如儲存器150)中記錄並分類。所述隨選服務訂單可以在一段時間段內被記錄。所述時間段可以由使用者或隨選服務系統100的管理員手動設置，或者由所述處理引擎112自我調整地設置(例如，收集一定數量的隨選服務訂單)。
與所述隨選服務有關的歷史資料可以包括基本路線資訊、運輸 工具資訊、提供者資訊或類似物或其組合。所述基本路線資訊可以包括開始位置、目的地、路線里程、開始及/或接送時間、所述實際到達時間(ATA)、路線的擁塞部分(例如，在高峰時段的擁擠道路)、路況、路線的交通燈資訊(例如，交通燈的數量、交通訊號燈的定時長度)、是否涉及收費或類似物或其組合。所述運輸工具資訊可以包括駕駛模式(例如，自動模式、手動模式)、運輸工具類型(例如，轎車、越野車(SUV)、多用途運輸工具)、乘員人數(對於高承載車輛(HOV)車道)或類似物或其組合。所述提供者資訊可以包括駕駛者的駕駛經驗(例如，駕駛里程、駕駛年數)、偏好的駕駛速度、超車頻率、性別、出生日期等。
在一些實施例中，所述歷史資料可以由所述處理引擎112利用電信號進行編碼。編碼與所述路線有關的歷史資料的電信號可以由司機終端或乘客終端產生。例如，由所述提供者終端140(例如，智慧行動電話)執行的所述司機終端可以將所述電信號遞送至所述處理引擎112。所述處理引擎112可以接收所述電信號。在一些實施例中，所述隨選服務系統100的部件可以通過有線連接或無線連接遞送所述電信號。例如，所述處理引擎112可以通過網路120從所述儲存器150獲取所述電信號。
在步驟404中，所述處理引擎112(例如，所述確定模組304，或所述機器學習模型確定單元312)可以基於所述歷史資料確定高維稀疏特徵。例如，所述處理引擎112可以從所述歷史資料中獲取及/或提取特徵，並且進一步基於所述特徵確定高維稀疏特徵。所述特徵可以影響路線的行駛時間。例如，如果道路的一部分由於車禍而處於交通堵塞中，則沿著包括所述路段的路線的行駛時間可能比正常情況下，或沿著不包括該道路的路線上的行駛時間長。
所述特徵可以通過使用例如梯度提升決策樹(gradient boosting decision tree，GBDT)演算法、獨熱編碼(one-hot encoding)演算法或類似物或其組合。例如，如果路線的特徵是分類特徵，則所述處理引擎112可以使用獨熱編碼演算法來將特徵編碼為數位形式。再比如，如果所述路線的特徵是連續特徵，則所述處理引擎112可以使用GBDT演算法將所述特徵編碼為數位形式。再比如，如果所述路線的特徵是分類特徵和連續特徵的組合，則處理引擎112可以使用獨熱編碼演算法及/或GBDT演算法將所述特徵編碼為數位形式。在本申請的其他地方(例如，結合圖5)描述了基於所述歷史資料確定所述高維稀疏特徵的詳細流程及/或方法。
圖5係根據本申請的一些實施例所示的用於確定所述高維稀疏特徵的示例性流程的流程圖。在一些實施例中，所述方法500可以由所述隨選服務系統100執行。例如，所述方法500可以被實現為儲存在儲存器150、儲存器ROM 230及/或RAM 240中的一組指令(例如，應用程式)。所述處理引擎112可以執行所述指令，並且當執行所述指令時，其可以被配置為使得所述伺服器110在線上隨選服務平臺中執行所述方法500。所述平臺可以為基於網際網絡的平臺，其通過所述網際網絡連接隨選服務提供者和請求者。
在步驟502中，所述處理引擎112(例如，所述採集模組302或所述獲取單元310)可以從所述歷史資料中獲取及/或提取特徵。所述特徵可以是路線的特徵。所述路線可以有多個路段。所述路段至少可以部分基於道路等級、紅綠燈、城市、省、國家、地理環境、與所述道路或所述路線相關的交通標識或類似物或其任意組合進行劃分。例如，所述路段可以基於所述道路等級進行劃分。所述道路等級可以包括一級高速公路、二級高速公路、三級高速公路、本地路段或類似物或其任意組合。再比如，所述路段可以基於紅綠燈及/或高路公路出口進行劃分。相應地，路線可以包括第一路段、第二路段、第三路段、......、第N路段。相鄰的兩個路段可以通過至少一個紅綠燈進行連接。再 比如，所述路段可以基於所述地理環境進行劃分。例如，河流、橋、鐵路、收費站或類似物或其任意組合可以用於將一條道路劃分成兩個相鄰的路段。
所述特徵可以包括交通狀況、路線的總行駛距離(或已行駛距離)、開始時間、結束時間、開始位置、目的地、衛星定位採樣點的序列、在指定道路等級上的行駛距離、路段數量、有交通燈的十字路口數量、每個交通燈的發光時間、無交通燈的十字路口數量、運輸工具狀態、司機的駕駛經驗或類似物或其任意組合。
所述交通狀況可以包括所述道路上的運輸工具平均移動速度(即時或預估的)。所述駕駛距離可以包括所述總距離或每個路段的距離。所述開始時間可以包括請求者被接到的時間、使用者(例如，司機)接收或確認服務請求的時間及/或請求者開始地圖導航服務的時間(例如，通過安裝在由使用者操作的智慧行動電話中的導航應用程式)。所述開始位置可以是乘客被接到的位置、乘客等待司機的位置及/或請求者開始地圖導航服務的位置。所述衛星定位採樣點的序列可以是包括可由定位技術(例如，GPS)確定的運輸工具位置及/或請求者位置的序列。從指定等級道路開始的行駛距離可以是運輸工具在特定等級道路上行駛的距離，例如高速公路、本地道路、一級道路、二級道路、三級道路、收費公路等。每個交通燈的發光時間可以是每個交通燈開啟及/或關閉的時間，或者每個交通燈的持續時間。例如，司機可在紅燈時停車，並在綠燈亮起時繼續行駛。再比如，綠燈亮的時間段允許所述司機起步或繼續行駛。路段的數量可以是一條路線中的路段的總數。所述運輸工具狀態可以包括交通服務請求的可用狀態(例如，是否可以接受服務請求)、回應機率、司機偏好、車型、駕駛模式、運輸工具當前乘客數量、運輸工具的最大乘客量、運輸工具顏色、司機服務等級、運輸工具當前速度、或任意運輸工具相關資訊或類似物或其任意組合。所述駕駛經驗可以包括司機的駕駛里程、駕駛年數、超 車頻率、偏好的駕駛速度或類似物或其任意組合。
在一些實施例中，可以至少部分地基於其他因素來獲得及/或提取所述特徵，例如從其他資源(例如，天氣預報系統、交通導引系統或交通無線電系統)。所述資訊可以包括天氣資訊、交通事故資訊、交通擁堵狀況、交通管制或任何路線相關資訊。所述天氣狀況可以包括即時天氣資訊、近乎即時的天氣資訊、天氣預報資訊等。所述處理引擎112可以從所述儲存裝置150、天氣狀況平臺(例如，天氣預報網站)、交通導引平臺及/或提供資訊的任何其他裝置等獲得資訊。例如，所述特徵可以基於與所述路線相關的資料和與所述路線相關的交通狀況來確定。
在一些實施例中，所述特徵可以包括分類特徵或連續特徵。如本文所用，分類特徵通常是指可以基於一些定性屬性從一小組離散值(通常是固定的)中取值的特徵。本文使用的連續特徵通常是指可以從無限的一組值中取值的特徵。
在一些實施例中，所述分類特徵可以包括所述開始位置、目的地、道路等級、運輸工具類型、駕駛模式、運輸工具顏色、道路狀況、天氣狀況、交通擁堵狀況、交通管制或類似物或其任意組合。例如，如果所述運輸工具類型包括轎車、SUV和MPV，則所述處理引擎112可以確定作為分類特徵的所述運輸工具類型。在一些實施例中，所述連續特徵可以包括行駛距離，路線的行駛時間、交通燈的數量、交通燈的發光時間、運輸工具速度、超車頻率、交通狀況、道路的數量、具有交通燈的十字路口的數量、每個交通燈的發光時間、無交通燈的十字路口的數量或類似物或其任意組合。
在步驟504中，所述處理引擎112(例如，所述確定模組304，或所述機器學習模型確定單元312)可以確定所述特徵是否是(或包括)分類特徵。如果所述處理引擎112確定所述特徵是分類特徵，則所述處理引擎112可以 通過使用獨熱編碼演算法基於所述特徵來確定所述高維稀疏特徵。另一態樣，所述處理引擎112確定該特徵不是(或不包括)分類特徵，則所述處理引擎112可通過使用GBDT演算法，來確定所述高維稀疏特徵。
在一些實施例中，如果所述處理引擎112確定特徵不是(或不包括)分類特徵，則所述處理引擎112可以確定該特徵是否包括連續特徵。
在一些實施例中，所述特徵可以包括多個特徵，包括例如分類特徵、連續特徵或類似物或其任意組合。例如，如圖6-A和圖6-B所示，當所述特徵包括行駛距離和道路類型時，所述處理引擎112可以將所述行駛距離確定為連續特徵，並且將所述道路類型確定為分類特徵。在一些實施例中，所述處理引擎112可以跳過步驟504，而進到步驟506。例如，如果所述處理引擎112確定所述分類特徵的數量小於預定值，則所述處理引擎112可以通過使用GBDT演算法(如圖6-A、6-C和6-E所示)，基於所述分類特徵和所述連續特徵，來確定所述高維稀疏特徵。
在一些實施例中，回應於確定所述特徵是(或包括)分類特徵，所述處理引擎112(例如，所述確定模組304或所述機器學習模型確定單元312)可執行步驟512，並確定所述特徵的屬性。所述特徵的屬性可以是所述特徵包括的可能狀態的數量，並且所述特徵中包括的狀態可以是相互排斥的。例如，如圖6-B所示，道路類型包括的可能狀態的數量是兩個(例如，單向道路和雙向道路)，所述處理引擎112可以確定所述道路類型的屬性為兩個。再比如，如圖6-D所示，所述運輸工具類型包括的可能狀態的數量是三個(例如，轎車、SUV和MPV)，所述處理引擎112可以確定所述道路類型的屬性為三個。
在步驟514中，所述處理引擎112(例如，所述確定模組304或者所述機器學習模型確定單元312)可以基於所述屬性確定獨熱編碼。所述獨熱 編碼可以以(例如)向量、矩陣或類似物或其任意組合的形式，來表示所述特徵包括的可能狀態。例如，所述獨熱編碼可以包括表示所述狀態「有效」或「無效」的二進位向量(例如，「1」表示狀態「有效」，「0」表示狀態「無效」)。在一些實施例中，所述獨熱編碼可以包括與所述屬性相關的一維元素、二維元素、三維元素、...、N維(其中N是整數)元素。例如，如果道路類型(即，特徵)的屬性是兩個，則所述處理引擎112可以確定所述道路類型的獨熱編碼是二維的(例如，「單向道路」，「雙向道路」)。如圖6-B所示，[1，0]可以表示單向道路的獨熱編碼，其可以表明所述道路是單向道路。[0，1]可以表示雙向道路的獨熱編碼，表明所述道路是雙向道路。再比如，如果所述運輸工具類型的屬性是三個，則所述處理引擎112可以確定所述運輸工具類型為三維的獨熱編碼(例如[「轎車」，「SUV」，「MPV」])如圖6-D所示，[1，0，0]可以表示轎車的獨熱編碼，[0，1，0]可以表示SUV的獨熱編碼，並且[0，0，1]可以表示MPV的獨熱編碼。
在步驟516中，所述處理引擎112(例如，所述確定模組304或所述機器學習模型確定單元312)可以基於所述獨熱編碼確定所述高維稀疏特徵。所述高維稀疏特徵可以為數學運算式(例如，向量或矩陣)，以描述整體路線的特徵。在一些實施例中，路線可以包括多個特徵，例如數百個特徵、數千個特徵、數百萬個特徵等。所述處理引擎112可以確定所述高維稀疏特徵，包括與多個特徵相關的部分及/或全部獨熱編碼。例如，對於計程車呼叫訂單，如果路線的特徵包括單向道路和SUV(例如[「單向道路」，「SUV」]、[「SUV」，「單向道路」])，所述處理引擎112可以確定單向道路的獨熱編碼是[1，0]，並且SUV的獨熱編碼是[0，1，0]，而且所述處理引擎112可以進一步確定高維稀疏特徵是[1，0，0，1，0]。
在一些實施例中，所述路線包括多個路段。所述高維稀疏特徵 不僅可以包括所述路線中的單個路段的特徵，而且還可以包括反映不同單個路段之間的相互作用的特徵。在一些實施例中，所述高維稀疏特徵可以是具有單個列或單個行的向量。所述高維稀疏特徵可以與N維坐標系統相關。每個維度可以與所述路線的一個屬性或特徵相關。在一些實施例中，所述高維稀疏特徵可以排除路線與另一路線的互動關係。例如，可以根據單個路線來確定所述高維稀疏特徵。在一些實施例中，所述高維稀疏特徵可以包括不同路線之間的互動關係。例如，目標路線的所述高維稀疏特徵可以根據所述路況可能影響目標路線的兩條或更多條路線(例如，數百條路線、數千條路線或數百萬條路線)來確定。所述高維稀疏特徵可以被進一步包括在訓練組中，所述訓練組可以包括多個訓練樣本。在一些實施例中，所述多個訓練樣本的每一個可以與每個隨選服務訂單的歷史資料相關。例如，如果計程車呼叫服務訂單完成，則所述處理引擎112可以確定與所述計程車呼叫服務訂單的歷史資料相關的高維稀疏特徵可以是訓練樣本，並且將與所述服務訂單相關的資料作為訓練樣本保存到儲存裝置中。所述高維稀疏特徵及/或所述訓練集可以用於通過使用本申請其他地方所述的機器學習方法來訓練及/或建立模型。
在一些實施例中，回應於確定所述特徵不是(或不包括)分類特徵(例如，所述特徵是或包括連續特徵)，所述處理引擎112(例如，所述確定模組304，或所述機器學習模型確定單元312)可執行步驟506，並基於所述特徵確定樹資訊。所述樹資訊可以包括樹的數量(例如，一棵樹、兩棵樹、...、N棵樹，其中N是整數)、樹的深度或類似物或其任意組合。樹的數量可以與反覆運演算法有關。所述反覆運算次數可以由使用者(通過例如，所述伺服器110、所述請求者終端130及/或所述提供者終端140的輸入)或所述隨選服務系統100的管理員手動設置，或者由所述處理引擎112自我調整地設置(例如，收集一定數量的隨選服務訂單)。樹的深度可能與所述特徵的數量有關。 例如，如果所述處理引擎112確定所述特徵的數量是5，並且所述樹反覆運算一次，則所述處理引擎112可以確定所述樹的數量是1，並且所述樹的深度是5。在一些實施例中，樹的數量可以根據所述深度自我調整地設置。例如，如果樹的深度小於預定值，則所述處理引擎112可以基於所述深度和總特徵來確定樹的數量。
在步驟508中，所述處理引擎112(例如，所述確定模組304或者所述機器學習模型確定單元312)可以基於所述樹資訊確定葉節點編碼。所述葉節點編碼可以包括二進位向量，所述二進位向量表示特徵的狀態是否滿足條件(例如，「1」可以表示滿足條件的特徵的狀態，「0」可以表示不滿足條件的特徵的狀態)。例如，如圖6-A所示，如果包括兩個特徵的所述歷史資料的行駛距離不多於500米，所述處理引擎112可以確定「行駛距離>500m」的葉節點編碼是0。並且，如果所述處理引擎112確定所述歷史資料的道路類型是單向道路，則所述處理引擎112還可以確定「單向道路」的葉節點編碼是1，並且「雙向公路」的葉節點編碼為0。再比如，如圖6-E所示，如果處理引擎112確定包括三個特徵的所述歷史資料的行駛距離不多於500米，所述處理引擎112可以確定「行駛距離>500m」的葉節點編碼是0。並且，如果所述處理引擎112確定所述歷史資料的道路類型是雙向道路，則所述處理引擎112還可以確定「單向」的葉節點編碼是0。而且，如果所述處理引擎112確定所述歷史資料的交通燈數量不多於兩個，則所述處理引擎112可以進一步確定「交通燈>2」的葉節點編碼為0，並且「交通燈
Figure 107114158-A0202-12-0025-18
2」的葉節點編碼為1。
在步驟510中，所述處理引擎112(例如，所述確定模組304，或所述機器學習模型確定單元312)可以基於所述葉節點編碼確定所述高維稀疏特徵。所述高維稀疏特徵可以為數學運算式(例如，向量或矩陣)，以描述整體路線的特徵。所述處理引擎112可以確定所述高維稀疏特徵包括與多個特徵 相關的部分及/或全部所述獨熱編碼。例如，如圖6-A所示，所述處理引擎112可以確定是高維稀疏特徵是[1，0，0]。例如，如圖6-E所示，所述處理引擎112可以確定是所述高維稀疏特徵是[0，1，0，0]。
在一些實施例中，所述處理引擎112可以通過使用所述獨熱編碼演算法，基於所述多個特徵的分類特徵來確定所述高維稀疏特徵，並且通過使用GBDT演算法(例如，如圖6-B和6-D所示)，基於所述多個特徵的連續特徵來確定所述高維稀疏特徵。例如，如果歷史資料包括所述分類特徵和所述連續特徵，所述處理引擎112(例如，所述確定模組304，或者所述機器學習模型確定單元312)可以執行步驟518，並且基於所述獨熱編碼的葉節點確定所述高維稀疏特徵。在一些實施例中，在步驟518中，所述處理引擎112可以將所述葉節點和所述獨熱編碼輸入到因數分解機(factorization machine，FM)，並且基於所述葉節點、獨熱編碼和FM的結果來產生所述高維稀疏特徵。
需要注意的是，上述描述僅是為了說明，並不構成對本申請範圍的限制。對於本領域具有通常知識者來說，根據本揭露的教導可以做出多種變化和修改。諸如此類的變化與改進，均在本申請的保護範圍之內。
回到圖4，可以基於所述高維稀疏特徵來確定步驟406中獲得的所述高維稀疏特徵的機器學習模型。在一些實施例中，所述機器學習模型可以由所述處理引擎112(例如，所述確定模組304或所述機器學習模型確定單元312)確定。或者，所述機器學習模型可由另一計算裝置(或其處理器)確定，並且所述處理引擎112可在步驟406中，從所述另一計算裝置(或儲存機器學習模型的儲存裝置)獲得所述機器學習模型。為了簡化說明，僅使用所述處理引擎112來描述確定所述機器學習模型的流程，但本領域具有通常知識者將理解，不同的處理器可以執行確定所述機器學習模型的流程。
在一些實施例中，所述機器學習模型可以包括因數分解機 (FM)、基於域的分解機(field-aware factorization machine，FFM)，或任何包括分解高階參數(例如，二階參數、三階參數)的其他模型或類似物或其任意組合。例如，所述處理引擎112可以將FM確定為機器學習模型，並且基於所述高維稀疏特徵來訓練所述FM。
例如，對於二階多項式，所述處理引擎112可以將FM確定為：
Figure 107114158-A0202-12-0027-1
 其中y(x)表示目標路線的ETA，i(i=1,2，...，n)和j(j=i+1，i+2，...，n)表示x的序列，n表示所述高維稀疏特徵的特徵項個數，x i 表示所述高維稀疏特徵的第i個特徵項，x j 表示高維稀疏特徵的第j個特徵項，w 0表示常量參數，w i 表示x i 的單項參數，〈vi,v j 〉表示x i x j 的二階參數，v i 表示第i個特徵項的隱式向量，並且
Figure 107114158-A0202-12-0027-2
。
在一些實施例中，所述處理引擎112可以基於所述高維稀疏特徵訓練所述FM。例如，對於所述二階多項式，所述處理引擎112可以將與計程車呼叫服務訂單相關的行駛持續時間確定為y(x)，並將與所述計程車呼叫服務訂單相關的高維稀疏特徵確定為x，然後將所述處理引擎112可以確定FM的恒定參數、單項參數和二階參數中的至少一個。
在一些實施例中，所述處理引擎112可以確定FFM為所述機器學習模型。例如，如果所述高維稀疏特徵的特徵項屬於不止一個場，則所述處理引擎112可將FFM確定為所述機器學習模型。所述FM可以是特定的FFM，所述高維稀疏特徵的特徵專案屬於一個域。
需要注意的是，上述描述僅是為了說明，並不構成對本申請範圍的限制。對於本領域具有通常知識者來說，根據本揭露的教導可以做出多種變化和修改。凡在本申請的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本申請的保護範圍之內。例如，可以使用包括多個訓練樣本 的訓練集來訓練及/或產生機器學習模型。
在步驟408中，所述處理引擎112(例如，所述確定模組304、所述機器學習模型更新單元314，或不同的計算裝置)可以使用線上學習方法來更新所述機器學習模型。例如，如果所述處理引擎112記錄另一隨選服務訂單，所述處理引擎112可以獲取與另一隨選服務訂單相關的最近歷史資料，並基於所述最近歷史資料更新所述機器學習模型。所述最新歷史資料可以包括已行駛距離和至少一個最近特徵。在一些實施例中，所述最近歷史資料可以包括至少一個歷史服務訂單，所述歷史服務訂單不同於用於確定上述機器學習方法中包含的服務訂單。在一些實施例中，所述線上學習方法可以是基於所述最近歷史資料來優化機器學習模型的方法。
在一些實施例中，可以基於用於更新圖7中所示的機器學習模型的示例性方法700，來執行所述方法400的步驟408。在一些實施例中，所述方法700可以由所述隨選服務系統100執行。例如，所述方法700可以被實現為儲存在儲存器150、儲存器ROM 230及/或RAM 240中的一組指令(例如，應用程式)。所述處理引擎112可以執行所述指令，並且當執行所述指令時，其可以被配置為使得所述伺服器110在線上隨選服務平臺中執行所述方法700。所述平臺可以為基於網際網絡的平臺，其通過所述網際網絡連接隨選服務提供者和請求者。
在步驟702中，所述處理引擎112可以獲得及/或提取與另一個隨選服務有關的最近歷史資料。步驟702可以用與步驟402基本相同的方式執行。
在一些實施例中，所述另一隨選服務訂單可以不同於用於確定所述機器學習模型的隨選服務訂單。在一些實施例中，所述最近歷史資料可能與多個隨選服務訂單有關，所述多個隨選服務訂單不同於用於確定所述機器學習模型的多個隨選服務訂單。所述多個隨選服務訂單可以在一段時間段內被記 錄。所述時間段可以由使用者或隨選服務系統100的管理員手動設置，或者由所述處理引擎112自我調整地設置(例如，收集一定數量的隨選服務訂單)。
在步驟704中，所述處理引擎112可以基於所述最近歷史資料確定最近的高維稀疏特徵。所述最近的高維稀疏特徵的確定可以用與步驟404基本相同的方式執行。
在步驟706中，所述處理引擎112(例如，所述確定單元304或所述機器學習模型更新單元314)可以基於所述最近的高維稀疏特徵來更新所述機器學習模型。所述更新方法可以是線上學習方法。所述線上學習方法可以包括跟隨正則領導者(follow the regularized leader，FTRL)、線上梯度下降(online gradient descent，OGD)、隨機梯度下降(stochastic gradient descent，SGD)、前後向分裂方法(forward-backward splitting method，FOBOS)或正則對偶平均(regularized dual averaging，RDA)或類似物或其任意組合。例如，如果所述處理引擎112基於所述最近的高維稀疏特徵來確定包括參數w的機器學習模型，則所述處理引擎112可以通過公式(2)用FTRL來更新所述機器學習模型的參數w：
Figure 107114158-A0202-12-0029-3
 其中w t+1表示更新的參數，t表示反覆運算次數，w表示所述機器學習模型的參數，g表示w的梯度的損失函數，
Figure 107114158-A0202-12-0029-4
，η t 表示學習速率，λ 1表示L1正則化係數。在一些實施例中，所述學習速率可以隨著反覆運算次數增加而降低。在一些實施例中，所述L1正則化係數可以是零。
需要注意的是，上述描述僅是為了說明，並不構成對本申請範圍的限制。對於本領域具有通常知識者來說，根據本揭露的教導可以做出多種變化和修改。凡在本申請的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本申請的保護範圍之內。
回到圖4，在步驟410中，所述處理引擎112(例如，所述確定模組304或所述ETA確定單元316)可以基於所述機器學習模型確定目標路線的ETA。例如，如果所述處理引擎112從使用者裝置接收到開始位置和目的地，所述處理引擎112可以基於所述開始位置和所述目的地確定目標路線，然後基於所述目標路線確定所述目標路線的ETA機器學習模型。在一些實施例中，所述處理引擎112可以基於所述未更新的機器學習模型，確定所述目標路線的ETA。例如，所述處理引擎112可以跳過步驟408，而進到步驟410。
在一些實施例中，步驟410可以在電子裝置中執行，例如智慧行動電話、個人數位助理(PDA)、平板電腦、手提電腦、車用電腦(機載電腦)、可擕式遊戲站(PSP)、智慧眼鏡、智慧手錶、可穿戴裝置、虛擬顯示裝置、現實增強裝置(例如GoogleTM眼鏡、Oculus Rift、HoloLens或Gear VR)或類似物或其任意組合。
在一些實施例中，可以基於確定圖8所示目標路線的ETA的示例性方法800，來執行所述方法400的步驟410。在一些實施例中，所述方法800可以由所述隨選服務系統100執行。例如，所述方法800可以被實現為儲存在儲存器150、儲存器ROM 230及/或RAM 240中的一組指令(例如，應用程式)。所述處理引擎112可以執行所述指令，並且當執行所述指令時，其可以被配置為使得所述伺服器110在線上隨選服務平臺中執行所述方法800。所述平臺可以為基於網際網絡的平臺，其通過所述網際網絡連接隨選服務提供者和請求者。
在步驟802中，所述處理引擎112(例如，採集模組302)可以從使用者裝置(例如，請求者終端130)接收開始位置和目的地。所述開始位置和目的地可以與可由乘客發送的用於計程車叫車服務的請求相關。所述隨選服務系統可以根據所述開始位置和所述目的地接收所述請求，並確定目標路線。在一些實施例中，當司機確認或接收來自所述隨選服務系統100的服務請求 時，可從所述提供者終端140獲得所述目標路線。在一些實施例中，當乘客建立對運輸服務的請求並且確認從所述隨選服務系統100發送的服務請求時，可以從所述請求者終端130獲得所述目標路線。在一些實施例中，所述處理引擎112可以基於所述開始位置和所述目的地來確定可能與地圖(例如，北京的基於道路的地圖)相關的多個目標路線，並且多個目標路線可以之間可以直接或間接相關。在一些實施例中，所述目標路線可以包括本申請其他地方(例如在步驟502中)所述的多個路段。
在步驟804中，所述處理引擎112(例如，所述確定模組304)可以基於所述開始位置和目的地來確定目標高維稀疏特徵。在一些實施例中，所述目標高維稀疏特徵可以包括N個維度，其中所述N可以回應於從包括所述開始位置和所述目的地的目標路線獲得的N個特徵。例如，如果所述處理引擎112可以從所述目標路線中選擇2000個特徵，則可以將包括2000列或2000行的向量確定為目標高維稀疏特徵。
在一些實施例中，所述目標高維稀疏特徵的維度可以小於所述高維稀疏特徵的維度。如果所述目標路線中的一個或多個特徵被遺漏，則與所述目標路線相關的目標高維稀疏特徵的維度可能減小，並且具有減少維度的目標高維稀疏特徵(例如具有R列或R行的向量或，其中R可能小於N)。在一些實施例中，如果所述目標路線中的一個或多個特徵被遺漏，則所述處理引擎112可以確定仍然具有N列或N行的目標高維稀疏特徵；並且與缺失特徵相關的列或行可以由內定值(例如，空值)描述。
在步驟806中，所述處理引擎112(例如，所述確定模組304)可以基於所述機器學習模型和所述目標高維稀疏特徵來確定所述目標路線的ETA。所述處理引擎112可以將所述目標高維稀疏特徵確定為所述機器學習模型的輸入，並且所述機器學習模型可以根據輸入產生輸出。例如，如果涉及接受 來自所述隨選服務系統100的計程車呼叫服務的請求，則所述處理引擎112可以確定具有一個或多個路段的目標路線。所述處理引擎112可以根據所述目標路線確定具有N個維度的目標高維稀疏特徵，並且所述處理引擎112可以通過將所述目標高維稀疏特徵輸入到所述機器學習模型中，來進一步確定所述目標路線的ETA
在808中，所述處理引擎112(例如，所述指示模組306)可以遞送所述已確定的ETA。在一些實施例中，所述已確定的ETA可以被傳輸到包括電子裝置的所述請求者終端130及/或所述提供者終端140，所述電子裝置諸如智慧行動電話、個人數位助理(PDA)、平板電腦、手提電腦、車用電腦(機載電腦)、可擕式遊戲站(PSP)、智慧眼鏡、智慧手錶、可穿戴裝置、虛擬顯示裝置、現實增強裝置(例如GoogleTM Glass、Oculus Rift、HoloLens或Gear VR)或類似物或其任意組合。在一些實施例中，所述處理引擎112可以將所述已確定的ETA傳輸到所述提供者終端140、所述請求者終端130及/或所述隨選服務系統100的任何元件(例如，所述儲存器150)。所述終端可以在使用者介面中顯示所述接收到的ETA。在一些實施例中，所述確定的ETA可以發送給司機，所述司機可以決定是否選擇服務請求的所述目標路線(例如，司機可以根據另外一條不同於目標路線的路線駕駛計程車)。
上文已對基本概念做了描述，顯然，對於已閱讀此詳細揭露的本領域具有通常知識者來講，上述詳細揭露僅作為示例，而並不構成對本申請的限制。雖然此處並沒有明確說明，本領域具有通常知識者可能會對本申請進行各種變更、改良和修改。該類變更、改良和修改在本申請中被建議，並且該類變更、改良、修改仍屬於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。如「一個實施例」、「一實施例」、及/或「一些實施例」意指與本申請至少一個實施 例相關所描述的一特定特徵、結構或特性。因此，應強調並注意的是，本說明書中在不同部分兩次或多次提到的「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、結構或特性可以進行適當的組合。
此外，本領域具有通常知識者可以理解，本申請的各個態樣可以通過若干具有可專利性的種類或情況進行說明和描述，包括任何新的和有用的流程、機器、產品或物質的組合，或對他們的任何新的和有用的改良。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)執行、也可以由硬體和軟體組合執行以上硬體或軟體均可被稱為「單元」、「模組」或「系統」。此外，本申請的各個態樣可能表現為內含於一個或多個電腦可讀取媒體中的電腦程式產品，該電腦可讀取媒體具有內含於其上之電腦可讀取程式編碼。
電腦可讀取訊號媒體可能包括一個內含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。所述傳播訊號可能有多種形式，包括電磁形式、光形式或類似物、或合適的組合形式。電腦可讀取訊號媒體可以是除電腦可讀取儲存媒體之外的任何電腦可讀取媒體，該媒體可以通過連接至一個指令執行系統、裝置或設備以實現通訊、傳播或傳輸供使用的程式。內含於電腦可讀取訊號媒體上的程式編碼可以通過任何合適的介質進行傳播，包括無線電、纜線、光纖電纜、RF、或類似介質、或任何上述介質的合適組合。
用於執行本申請的各態樣操作的電腦程式碼可以以一種或多種程式設計語言的任何組合來編寫，所述程式設計語言包括物件導向的程式設計語言(諸如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等)、傳統程式設計語言(諸如「C」程式設計語言、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。該程式碼可以完全在使用者電腦上運行、或作為獨立的套裝軟體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上運行、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，例如，區域網路(LAN)或廣域網路(WAN)，或連接至外部電腦(例如通過使用網路服務供應商(ISP)之網際網路)，或在雲端計算環境中，或作為服務使用如軟體即服務(SaaS)。
此外，除非請求項中明確說明，本申請所述處理元素和序列的順序、數字字母的使用、或其他名稱的使用，並非意欲限定本申請流程和方法的順序。儘管上述揭露中通過各種示例討論了一些目前認為有用的發明實施例，但應當理解的是，該類細節僅起到說明的目的，附加的請求項並不僅限於揭露的實施例，相反地，請求項意欲覆蓋所有符合本申請實施例精神和範圍的修正和均等組合。例如，雖然以上所描述的系統組件可以通過硬體裝置實現，但是也可以只通過軟體的解決方案來實現，如在現有的伺服器或行動裝置上的安裝。
同理，應當注意的是，為了簡化本申請揭示的表述，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，這種揭示方法並不意味著本申請標的所需要的特徵比每個請求項中涉及的特徵多。實際上，所要求保護的標的之特徵要少於上述揭露的單個實施例的全部特徵。
400:流程
402:步驟
404:步驟
406:步驟
408:步驟
410:步驟

Claims (20)

  1. 一種用於確定預估到達時間(estimated time of arrival，ETA)的系統，包括：一個儲存裝置，所述儲存裝置儲存一組指令；以及線上隨選服務平臺的至少一個處理器，所述至少一個處理器被配置為與所述儲存裝置通訊，其中，當執行該組指令時，所述至少一個處理器被配置為使所述系統：通過網路從使用者裝置接收開始位置和目的地；獲得用於確定ETA的機器學習模型，其中，所述機器學習模型是根據用以產生機器學習模型的流程而產生的，所述流程包括：獲取與隨選服務訂單相關的歷史資料，基於所述歷史資料來確定高維稀疏特徵，以及基於所述高維稀疏特徵來確定機器學習模型；基於所述機器學習模型、所述開始位置和所述目的地來確定目標路線的ETA；以及經由所述網路將確定的ETA發送到所述使用者裝置。
  2. 如申請專利範圍第1項之系統，其中，確定所述高維稀疏特徵涉及梯度提升決策樹演算法或獨熱編碼演算法中的至少一種。
  3. 如申請專利範圍第1項之系統，其中，為了確定所述高維稀疏特徵，所述至少一個處理器進一步被配置為使所述系統：從所述歷史資料中獲取特徵；基於所述特徵確定樹資訊；基於所述樹資訊確定葉節點編碼；以及基於所述葉節點編碼來確定所述高維稀疏特徵。
  4. 如申請專利範圍第1項之系統，其中，為了確定所述高維稀疏特徵，所述至少一個處理器進一步被配置為使所述系統：從所述歷史資料中獲取特徵；確定所述特徵是否為分類特徵；當所述特徵是分類特徵時，確定所述特徵對應的屬性；基於所述屬性確定獨熱編碼；以及基於所述獨熱編碼來確定所述高維稀疏特徵。
  5. 如申請專利範圍第4項之系統，其中，為了確定所述高維稀疏特徵，所述至少一個處理器進一步被配置為使所述系統：當所述特徵不是分類特徵時，根據所述特徵確定樹資訊；基於所述樹資訊確定葉節點編碼；以及基於所述葉節點編碼和所述獨熱編碼來確定所述高維稀疏特徵。
  6. 如申請專利範圍第1項之系統，其中，基於所述高維稀疏特徵來確定所述機器學習模型涉及因數分解機(factorization machine，FM)或基於域的分解機(field-aware factorization machine，FFM)中的至少一個。
  7. 如申請專利範圍第1項之系統，其中，為了獲取所述機器學習模型，所述至少一種處理器進一步被配置為使所述系統利用線上學習方法來更新所述機器學習模型。
  8. 如申請專利範圍第7項之系統，其中，所述線上學習方法涉及跟隨正則領導者(follow the regularized leader，FTRL)、線上梯度下降(online gradient descent，OGD)、隨機梯度下降(stochastic gradient descent，SGD)、前後向分裂方法(forward-backward splitting method，FOBOS)或正則對偶平均(regularized dual averaging，RDA)中的至少一個。
  9. 如申請專利範圍第7項之系統，其中，為了利用所述線上學習方 法來更新所述機器學習模型，所述至少一種處理器進一步被配置為使所述系統：獲取與另一隨選服務訂單相關的最近歷史資料；基於所述最近歷史資料來確定最近高維稀疏特徵；以及基於所述最近高維稀疏特徵來更新所述機器學習模型。
  10. 如申請專利範圍第1項之系統，其中，所述歷史資料包括基本路線資訊、運輸工具資訊，或提供者資訊中的至少一個。
  11. 一種用於確定預估到達時間(ETA)的方法，包括：通過網路由伺服器從使用者裝置接收開始位置和目的地；由所述伺服器獲取用於確定預估到達時間的機器學習模型，其中，所述機器學習模型是根據一流程而產生的，所述流程包括：獲取與隨選服務訂單相關的歷史資料，基於所述歷史資料來確定高維稀疏特徵，以及基於所述高維稀疏特徵來確定機器學習模型；基於所述機器學習模型、所述開始位置和所述目的地，由所述伺服器確定目標路線的預估到達時間；以及通過所述網路由所述伺服器將確定的預估到達時間發送到所述使用者裝置。
  12. 如申請專利範圍第11項之方法，其中，確定所述高維稀疏特徵涉及梯度提升決策樹演算法或獨熱編碼演算法中的至少一種。
  13. 如申請專利範圍之第11項之方法，確定所述高維稀疏特徵進一步包括：從所述歷史資料中獲取特徵；基於所述特徵確定樹資訊； 基於所述樹資訊確定葉節點編碼；以及基於所述葉節點編碼來確定所述高維稀疏特徵。
  14. 如申請專利範圍之第11項之方法，確定所述高維稀疏特徵進一步包括：從所述歷史資料中獲取特徵；確定所述特徵是否為分類特徵；當所述特徵是分類特徵時，確定所述特徵對應的屬性；基於所述屬性確定獨熱編碼；以及基於所述獨熱編碼來確定所述高維稀疏特徵。
  15. 如申請專利範圍之第14項之方法，確定所述高維稀疏特徵進一步包括：當所述特徵不是分類特徵時，根據所述特徵確定樹資訊；基於所述樹資訊確定葉節點編碼；以及基於所述葉節點編碼和所述獨熱編碼來確定所述高維稀疏特徵。
  16. 如申請專利範圍之第11項之方法，其中，基於所述高維稀疏特徵來確定機器學習模型涉及因數分解機或基於域的分解機中的至少一種。
  17. 如申請專利範圍之第11項之方法，其中，獲取所述機器學習模型進一步包括：由所述伺服器通過線上學習方法來更新所述機器學習模型。
  18. 如申請專利範圍之第17項之方法，其中，所述線上學習方法涉及跟隨正則領導者、線上梯度下降、隨機梯度下降、前後向分裂方法或正則對偶平均中的至少一個。
  19. 如申請專利範圍之第17項之方法，其中，通過所述線上學習方法來更新所述機器學習模型進一步包括： 獲取與另一隨選服務訂單相關的最近歷史資料；基於所述最近歷史資料來確定最近高維稀疏特徵；以及基於所述最近高維稀疏特徵來更新所述機器學習模型。
  20. 一種包括指令的非暫時性機器可讀取儲存媒體，當所述非暫時性機器可讀取儲存媒體由線上隨選服務平臺的至少一個處理器存取時，所述指令使所述至少一個處理器：通過網路從使用者裝置接收開始位置和目的地；獲得用於確定ETA的機器學習模型，其中，所述機器學習模型是根據用以產生機器學習模型的流程而產生的，所述流程包括：獲取與隨選服務訂單相關的歷史資料，基於所述歷史資料來確定高維稀疏特徵，以及基於所述高維稀疏特徵來確定機器學習模型；基於所述機器學習模型、所述開始位置和所述目的地來確定目標路線的ETA；以及經由所述網路將確定的ETA發送到所述使用者裝置。
TW107114158A 2017-05-22 2018-04-26 用於確定預估到達時間的系統和方法及相關的非暫時性機器可讀取儲存媒體 TWI689744B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
??PCT/CN2017/085375 2017-05-22
WOPCT/CN2017/085375 2017-05-22
PCT/CN2017/085375 WO2018213996A1 (en) 2017-05-22 2017-05-22 Systems and methods for determining estimated time of arrival

Publications (2)

Publication Number Publication Date
TW201901185A TW201901185A (zh) 2019-01-01
TWI689744B true TWI689744B (zh) 2020-04-01

Family

ID=64395050

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107114158A TWI689744B (zh) 2017-05-22 2018-04-26 用於確定預估到達時間的系統和方法及相關的非暫時性機器可讀取儲存媒體

Country Status (4)

Country Link
US (1) US11085792B2 (zh)
CN (2) CN110537212B (zh)
TW (1) TWI689744B (zh)
WO (1) WO2018213996A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11410020B2 (en) * 2018-07-06 2022-08-09 Geet Garg Machine learning models for predicting time in traffic
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
CN110222167B (zh) * 2019-07-03 2023-04-07 创新先进技术有限公司 一种获取目标标准信息的方法和系统
CN111860903A (zh) * 2019-09-18 2020-10-30 北京嘀嘀无限科技发展有限公司 一种确定预估到达时间的方法和系统
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
CN110986985B (zh) * 2019-12-17 2022-07-12 广州小鹏汽车科技有限公司 车辆行程推送方法、装置、介质、控制终端及汽车
CN111681430B (zh) * 2020-04-30 2022-03-29 安徽科力信息产业有限责任公司 实时预测未来机动车到达信号灯路口停止线台数的方法
CN111681415B (zh) * 2020-04-30 2023-06-20 安徽科力信息产业有限责任公司 一种快速路机动车数量实时预测方法及系统
US20220101273A1 (en) * 2020-09-30 2022-03-31 Commonwealth Edison Company Methods and systems for forecasting estimated time of restoration during service interruption
CN112529388A (zh) * 2020-12-03 2021-03-19 领悦数字信息技术有限公司 试驾用时评估装置、试驾用时评估方法以及介质
CN113129580B (zh) * 2021-03-09 2022-04-26 北京航空航天大学 一种基于北斗大数据和人脸识别的车辆调度系统
US20230004931A1 (en) * 2021-06-30 2023-01-05 Transportation Ip Holdings, Llc Systems and methods for estimating time of arrival of vehicle systems

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140248909A1 (en) * 2013-01-16 2014-09-04 Nataraj Kuntagod Method and system for resource optimized, coarse and fine grained location tracking for planned journey
CN104123841A (zh) * 2014-08-14 2014-10-29 苏州大学 一种车辆到站时间的获取方法及系统
TWI494903B (zh) * 2010-04-23 2015-08-01
CN106056950A (zh) * 2016-06-30 2016-10-26 大连楼兰科技股份有限公司 基于obd设备的车联网周边信息推送系统及方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6317686B1 (en) 2000-07-21 2001-11-13 Bin Ran Method of providing travel time
US8483962B2 (en) 2009-12-21 2013-07-09 Entertainment Machine Operator Method for providing route information and the system thereof
JP2012008659A (ja) 2010-06-22 2012-01-12 Sony Corp データ処理装置、データ処理方法、およびプログラム
US20130151149A1 (en) * 2011-12-07 2013-06-13 Ford Global Technologies, Llc Vehicle navigation system synchronization with user calendar
US9863777B2 (en) * 2013-02-25 2018-01-09 Ford Global Technologies, Llc Method and apparatus for automatic estimated time of arrival calculation and provision
US9303997B2 (en) * 2013-03-15 2016-04-05 Apple Inc. Prediction engine
CN104517155A (zh) * 2013-09-26 2015-04-15 Sap欧洲公司 用于动态路径优化的系统和方法
US9640074B2 (en) * 2013-12-16 2017-05-02 BusWhere LLC Permissions-based tracking of vehicle positions and arrival times
US9911170B2 (en) 2014-08-21 2018-03-06 Uber Technologies, Inc. Arranging a transport service for a user based on the estimated time of arrival of the user
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
US20160239903A1 (en) * 2015-02-12 2016-08-18 Cloudcar, Inc. System and method for efficient order fulfillment using real-time location data
CN106156992A (zh) * 2015-04-24 2016-11-23 宇龙计算机通信科技(深圳)有限公司 一种出发时间提示方法及装置
CN105260471B (zh) 2015-10-19 2019-03-26 广州品唯软件有限公司 商品个性化排序模型训练方法及系统
US20170154348A1 (en) * 2015-11-30 2017-06-01 Xerox Corporation Dynamic pricing systems and related methods
US10685416B2 (en) * 2015-12-10 2020-06-16 Uber Technologies, Inc. Suggested pickup location for ride services
US20190316926A1 (en) * 2016-02-03 2019-10-17 Kevin Sunlin Wang Method and system for providing an individualized eta in the transportation industry
US10380509B2 (en) * 2016-02-03 2019-08-13 Operr Technologies, Inc. Method and system for providing an individualized ETA in the transportation industry
CN105787082A (zh) 2016-03-03 2016-07-20 腾讯科技（深圳）有限公司 信息推送方法及信息推送系统
CN105868847A (zh) 2016-03-24 2016-08-17 车智互联（北京）科技有限公司 一种购物行为的预测方法及装置
CN105702073B (zh) * 2016-04-13 2018-01-02 徐亚国 一种基于路网决策点行程时间索引值的动态转向导航方法
US10885472B2 (en) * 2016-06-28 2021-01-05 International Business Machines Corporation Dynamic transportation pooling
US20180315148A1 (en) * 2017-04-28 2018-11-01 Lyft, Inc. Dynamic optimized reassignment of providers at a geohash level

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI494903B (zh) * 2010-04-23 2015-08-01
US20140248909A1 (en) * 2013-01-16 2014-09-04 Nataraj Kuntagod Method and system for resource optimized, coarse and fine grained location tracking for planned journey
CN104123841A (zh) * 2014-08-14 2014-10-29 苏州大学 一种车辆到站时间的获取方法及系统
CN106056950A (zh) * 2016-06-30 2016-10-26 大连楼兰科技股份有限公司 基于obd设备的车联网周边信息推送系统及方法

Also Published As

Publication number Publication date
CN114944059B (zh) 2023-11-03
US20200096361A1 (en) 2020-03-26
CN114944059A (zh) 2022-08-26
WO2018213996A1 (en) 2018-11-29
CN110537212A (zh) 2019-12-03
US11085792B2 (en) 2021-08-10
CN110537212B (zh) 2022-06-07
TW201901185A (zh) 2019-01-01

Similar Documents

Publication Publication Date Title
TWI689744B (zh) 用於確定預估到達時間的系統和方法及相關的非暫時性機器可讀取儲存媒體
TWI638320B (zh) 推薦預計到達時間的系統、方法及非暫態電腦可讀儲存媒體
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
CN109478275B (zh) 分配服务请求的系统和方法
TWI703516B (zh) 用於預估到達時間的方法以及系統
US20200300650A1 (en) Systems and methods for determining an estimated time of arrival for online to offline services
CN112236787A (zh) 用于生成个性化目的地推荐的系统和方法
US20200104889A1 (en) Systems and methods for price estimation using machine learning techniques
CN110839346A (zh) 用于分配服务请求的系统和方法
WO2020151725A1 (zh) 一种位置预测方法以及装置
CN113924460B (zh) 确定服务请求的推荐信息的系统和方法