TWI694388B - 用於估計到達時間的系統和方法 - Google Patents

用於估計到達時間的系統和方法 Download PDF

Info

Publication number
TWI694388B
TWI694388B TW107141575A TW107141575A TWI694388B TW I694388 B TWI694388 B TW I694388B TW 107141575 A TW107141575 A TW 107141575A TW 107141575 A TW107141575 A TW 107141575A TW I694388 B TWI694388 B TW I694388B
Authority
TW
Taiwan
Prior art keywords
link
neural network
network
route
feature
Prior art date
Application number
TW107141575A
Other languages
English (en)
Other versions
TW201926156A (zh
Inventor
傅昆
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 TW201926156A publication Critical patent/TW201926156A/zh
Application granted granted Critical
Publication of TWI694388B publication Critical patent/TWI694388B/zh

Links

Images

Classifications

    • 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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • 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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Social Psychology (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

提供了用於估計與乘車訂單相關的到達時間的系統和方法。示例性方法可以包括：將運輸資訊輸入到訓練後的機器學習模型。運輸資訊可以包括與乘車訂單相關的起點和目的地，且訓練後的機器學習模型可以包括耦合到多層感知器網路的寬網路、深度神經網路和遞迴神經網路。該方法可進一步包括，基於訓練後的機器學習模型，獲得通過連接起點和目的地的路線而到達目的地的估計時間。

Description

用於估計到達時間的系統和方法
本申請涉及用於估計到達時間的方法和裝置。
本申請主張2017年11月23日提交的申請號為PCT/CN2017/112520的國際申請案的優先權，其內容以引用方式被包含於此。
運輸工具調度平臺可以將運輸請求分配給各個運輸工具，以分別提供運輸服務。請求此類服務的使用者可以為平臺指示起點和目的地以確定一條或多條合適的路線。為了説明估計服務費及/或為決定是否接受服務提供資訊，準確預測到達目的地的到達時間是很重要的。
本申請的各種實施例可以包括被配置用以估計到達時間的系統、方法和非暫時性電腦可讀取媒體。用於估計與乘車訂單相關的到達時間的方法可以包括將運輸資訊輸入到訓練後的機器學習模型。所述運輸資訊可以包括與所述乘車訂單相關的起點和目的地。所述訓練後的機器學習模型可以包括耦合到多層感知器網路的寬網路、深度神經網路和遞迴神經網路。所述方法可以進一步包括，基於所述訓練後的機器學習模型，獲得通過連接所述起點和所述目的地的路線而到達所述目的地的估計時間。
在一些實施例中，所述路線包括連接的鏈路的序列，每個鏈路對應一個路段。所述運輸資訊進一步包括以下中的至少一個：司機標識、乘客標識、星期幾、時間、天氣、高峰時段確定、包含所述路線的形狀、鏈路標識、鏈路速度限制、鏈路收費確定、鏈路道路寬度、鏈路道路等級、即時鏈路交通速度、鏈路長度或鏈路交通號誌燈持續時間。
在一些實施例中，訓練機器學習模型包括，對於複數個歷史運輸工具行程中的每一個歷史運輸工具行程：獲得與所述歷史運輸工具行程相關的運輸訓練資料，所述運輸訓練資料包括連接歷史起點和歷史目的地的歷史路線以及真實歷史行程時間；從所述運輸訓練資料獲得一個或多個（1）全域特徵和（2）局部特徵；將所述全域特徵輸入到所述寬網路、將所述全域特徵輸入到所述深度神經網路、以及將所述局部特徵輸入到所述遞迴神經網路，以分別獲得輸出；將來自所述寬網路、所述深度神經網路和所述遞迴神經網路的所述輸出輸入到所述多層感知器網路，以獲得估計歷史行程時間；以及至少基於所述估計歷史行程時間和所述真實歷史行程時間之間的差異的最小化，更新與所述寬網路、所述深度神經網路、所述遞迴神經網路和所述多層感知器網路相關的一個或多個權重。所述歷史路線可以對應於連接的鏈路的序列，每個鏈路對應一個路段。對於所述歷史路線中所述鏈路，所述全域特徵可以是統一的。所述局部特徵可以分別與所述鏈路相關。
在一些實施例中，所述全域特徵可以包括（1）稀疏特徵，所述稀疏特徵包括以下至少一個：司機標識、乘客標識、星期幾、時間、天氣或高峰時段確定；（2）第一密集特徵，所述第一密集特徵包括包含所述路線的形狀。所述局部特徵可以包括（1）與所述鏈路相對應的名義特徵，所述名義特徵包括以下至少一個：鏈路標識、鏈路速度限制、鏈路收費確定、鏈路道路寬度或鏈路道路等級；以及（2）與所述鏈路相應地關聯的第二密集特徵，所述第二密集特徵包括以下中的至少一個：即時鏈路交通速度、鏈路長度或鏈路交通號誌燈持續時間。
在一些實施例中，將所述全域特徵輸入到所述寬網路，以從所述寬網路獲得輸出，包括：獲得複數個特徵乘積，每個特徵乘積對應於所述全域特徵中的每兩個全域特徵之間的乘積；以及基於所述全域特徵和所獲得的特徵乘積來執行仿射變換，以從所述寬網路獲得輸出。所述仿射變換可以將所述全域特徵和所獲得的特徵乘積映射到輸出，並且所述全域特徵和所述輸出可以與所述權重中的一個或多個權重相關。
在一些實施例中，所述深度神經網路可以包括前饋神經網路，所述前饋神經網路可以包括按照一定順序排列的複數個層，彼此相鄰的每兩個層可以與所述權重中的一個或多個權重相關，所述複數個層可以包括輸入層、一個或多個隱藏層、以及輸出層，所述全域特徵可以包括稀疏特徵和第一密集特徵。將所述全域特徵輸入到所述深度神經網路，以從所述深度神經網路獲得輸出，可包括：嵌入所述稀疏特徵；連結所述第一密集特徵和嵌入後的所述稀疏特徵；以及將連結後的所述第一密集特徵和所述稀疏特徵饋送到所述前饋神經網路，以從所述前饋神經網路獲得輸出。
在一些實施例中，所述遞迴神經網路可以包括按照一定順序排列的複數個層，所述順序與所述鏈路的序列對應，彼此相鄰的每兩個層可以與所述權重中的一個或多個權重相關，除了第一層之外的所述層中的每一個層可以從先前層接收輸入和先前隱藏狀態，以及產生輸出和當前隱藏狀態。將所述局部特徵輸入到所述遞迴神經網路，以從所述遞迴神經網路獲得輸出可以包括，對於所述歷史行程中的每一個歷史行程：相應地將所述局部特徵作為輸入饋送到所述層，以獲得所述層的序列中最後一層的當前隱藏狀態。
在一些實施例中，所述遞迴神經網路包括耦合到長短期記憶網路的另一個多層感知器網路，所述另一個多層感知器網路和所述長短期記憶網路與所述權重中的一個或多個權重相關。將所述局部特徵輸入到所述遞迴神經網路，以從所述遞迴神經網路獲得輸出可以包括：將所述局部特徵饋送到所述另一個多層感知器網路，以獲得與所述鏈路對應相關的第一結果，以及將所述第一結果相應地作為輸入饋送到所述長短期記憶網路的各層，以獲得所述各層的最後一層的當前隱藏狀態。
在一些實施例中，所述多層感知器網路可以包括按照一定順序排列的複數個層，彼此相鄰的每兩個層可以與所述權重中的一個或多個權重相關，以及所述複數個層可以包括輸入層、一個或多個隱藏層、以及輸出層。
根據另一態樣，本申請提供了一種用於估計與乘車訂單相關的到達時間的系統。所述系統可以在伺服器上實現。所述系統可以包括處理器和儲存指令的非暫時性電腦可讀取儲存媒體，所述指令在由所述處理器執行時使所述系統執行一方法。所述方法可以包括將運輸資訊輸入到訓練後的機器學習模型。所述運輸資訊可以包括與所述乘車訂單相關的起點和目的地。所述訓練後的機器學習模型包括耦合到多層感知器網路的寬網路、深度神經網路和遞迴神經網路。所述方法可以進一步包括，基於所述訓練後的機器學習模型，獲得通過連接所述起點和所述目的地的路線而到達所述目的地的估計時間。
根據另一態樣，本申請提供了一種用於估計與乘車訂單相關的到達時間的方法。所述方法可以在伺服器上實現。所述方法可以包括從裝置接收從起點運輸到目的地的乘車訂單，確定連接所述起點和所述目的地的路線，獲取與所述路線相關的運輸資訊，將獲得的所述運輸資訊輸入到訓練後的機器學習模型，以獲得通過所述路線到達所述目的地的估計時間，以及將所述估計時間在所述裝置上播放。
根據另一態樣，本申請提供了一種用於估計與乘車訂單相關的達到時間的系統，包括處理器和儲存指令的非暫時性電腦可讀取儲存媒體，所述指令在由處理器執行時使得系統執行一方法。所述方法可以包括：從裝置接收從起點運輸到目的地的乘車訂單；確定連接所述起點和所述目的地的路線；獲取與所述路線相關的運輸資訊；將獲得的所述運輸資訊輸入到訓練後的機器學習模型，以獲得通過所述路線到達所述目的地的估計時間；以及將所述估計時間在所述裝置上播放。
根據另一態樣，本申請提供了一種儲存指令的非暫時性電腦可讀取儲存媒體，當所述指令由處理器執行時，使所述處理器執行用於估計與乘車訂單相關的到達時間的方法。所述方法可以包括：從裝置接收從起點運輸到目的地的乘車訂單；確定連接所述起點和所述目的地的路線；獲取與所述路線相關的運輸資訊；將獲得的所述運輸資訊輸入到訓練後的機器學習模型，以獲得通過所述路線到達所述目的地的估計時間；以及將所述估計時間在所述裝置上播放。
當參考圖式來考慮以下描述和所附申請專利範圍時，本申請揭露的系統、方法和非暫時性電腦可讀取媒體的這些和其他特徵，以及結構的相關組件的操作方法和功能，以及部件的組合和製造經濟性將更加顯而易見。本申請的所有圖式均構成說明書的一部分，其中在各個圖示中，相似的元件符號表示的相應部分。然而，應當理解的是，圖式僅用於說明和描述的目的，並不旨在作為限制本申請的定義。
運輸工具平臺可以被提供用於運輸服務。這樣的運輸工具平臺也可以被稱為運輸工具呼叫平臺或運輸工具調度平臺，可以通過安裝有平臺應用程式的諸如行動電話的裝置進行存取。通過所述應用程式，使用者（乘坐請求方）可以將運輸請求（例如，目的地、諸如所識別的上車位置或使用者的當前位置的起點）發送到運輸工具平臺。基於諸如最小距離、使用者的最低成本、司機的最低成本、運輸工具的可用性等各種因素，運輸工具平臺可以確定從起點到目的地的一個或多個運輸路線。運輸工具平臺還可以基於諸如靠近請求方的位置或上車位置等各種因素，通過應用程式將請求發送給運輸工具司機。所述運輸工具司機可以從請求中進行選擇，每個運輸工具司機可以選擇一個請求接受。當運輸請求與運輸工具匹配時，可以通過運輸工具平臺的應用程式通知使用者所確定的路線及/或到達的估計時間。所述到達的估計時間對於運輸工具平臺確定運輸服務的費用以及使用者確定是否接受運輸服務是重要的。此外，在運輸工具運輸使用者時，可以即時更新到達時間以幫助使用者調整時間表。
在現有技術中，到達時間的估計方法尚不成熟，準確性較低。示例性現有方法僅包括物理模型，其中行程時間是基於總距離和行進速度計算的。由於受到許多不同的因素的影響，行駛速度在同一路線中的不同路段可以是變化的。缺乏對所述變化的考慮至少是導致現有方法不準確的一個原因。
本申請揭露的系統和方法可以至少克服現有技術中的上述不足並提供準確的到達時間估計。儘管本申請是參考運輸工具調度場景來描述的，但是所揭露的系統和方法適用於各種用於估計運輸工具的到達時間的類似場景。本申請所揭露的系統和方法可以基於歷史資料，例如，歷史行程，來訓練機器學習模型以獲得訓練後的機器學習模型。訓練後的機器學習模型可以即時與使用者和司機的裝置通訊以提供估計。
所揭露的系統和方法使用的機器學習模型（或演算法）可以包括耦合到多層感知器（MLP）網路的寬網路、深度神經網路（DNN）和遞迴神經網路（RNN）。四個網路中的每一個網路可以包括關聯其輸入、中間狀態和輸出的各種權重。在示例訓練流程中，訓練資料可以包括各種行程和相關資訊，例如，起點、目的地、時間、位置、行駛時間等。可以從訓練資料獲得各種特徵，並相應地輸入到寬網路、DNN和RNN。寬網路、DNN和RNN的輸出可以被組合或以其他方式輸入到MLP，以獲得訓練資料中每次行程的估計到達時間。可以至少基於估計的到達時間和（歷史）行駛時間之間的差異的最小化來更新與寬網路、DNN、RNN和MLP相關的權重。因此，通過使用許多歷史行程訓練機器學習模型，可以獲得達到臨界值精度的訓練後的機器學習模型。
本申請的各種實施例包括被配置用以估計到達時間的系統、方法和非暫時性電腦可讀取媒體。在一些實施例中，用於估計與乘車訂單相關的到達時間的方法可以在伺服器上實現，並且可以包括從裝置接收用於從起點運輸到目的地的乘車訂單，確定連接起點和目的地的路線，獲得與路線相關的運輸資訊，將獲得的運輸資訊輸入到訓練後的機器學習模型，以獲得通過路線到達目的地的估計時間，以及將所述估計時間在裝置上播放。
在一些實施例中，路線可包括連接的鏈路的序列，每個鏈路對應一個路段。運輸資訊可以包括以下中的至少一個：司機標識、乘客標識、星期幾、時間、天氣、高峰時段確定、包含所述路線的形狀、鏈路標識、鏈路速度限制、鏈路收費確定、鏈路道路寬度、鏈路道路等級、即時鏈路交通速度、鏈路長度或鏈路交通號誌燈持續時間。
在一些實施例中，用於估計與乘車訂單相關的到達時間的方法可以包括將運輸資訊輸入到訓練後的機器學習模型。運輸資訊包括與乘車訂單相關的起點和目的地，且訓練後的機器學習模型包括耦合到多層感知器網路的寬網路、深度神經網路和遞迴神經網路。所述方法可以進一步包括，基於訓練後的機器學習模型，獲得通過連接起點和目的地的路線而到達目的地的估計時間。所述方法可以由諸如伺服器、行動電話等計算裝置來執行。
圖1示出了根據各種實施例的用於估計到達時間的示例環境100。如圖1所示，示例環境100可以包括至少一個計算系統102。計算系統102包括一個或多個處理器104和記憶體106。記憶體106可以是非暫時性的和電腦可讀取的。記憶體106可以儲存指令，當所述指令由一個或多個處理器104執行時，使得一個或多個處理器104執行本申請描述的各種操作。系統102可以在諸如行動電話、平板電腦、伺服器、電腦、可穿戴裝置（智慧手錶）等各種裝置上實現。上述系統102可以安裝有適當的軟體（例如，平臺程式等）及/或硬體（例如，電線、無線連接等）以存取環境100的其他裝置。
環境100可以包括一個或多個資料儲存（例如，資料儲存108）和可存取系統102的一個或多個計算裝置（例如，計算裝置109）。在一些實施例中，系統102可以被配置為從資料儲存108（例如，歷史運輸行程的資料庫或資料集）及/或計算裝置109（例如，電腦、伺服器、司機或乘客獲取運輸行程資訊使用的行動電話）獲得資料（例如，起點、目的地、時間、位置、行駛時間和過去運輸工具運輸行程的其他資料）。系統102可以使用所獲得的資料來訓練用於估計到達時間的機器學習模型。所述起點、目的地和其他位置資訊可以包括GPS（全球定位系統）座標。
環境100可以進一步包括耦合到系統102的一個或多個計算裝置（例如，計算裝置110和111）。計算裝置110和111可以包括諸如行動電話、平板電腦、電腦、可穿戴裝置（智慧手錶）等裝置。計算裝置110和111可以向系統102發送資料或從系統102接收資料。
在一些實施例中，系統102可以實現線上資訊或服務平臺。所述服務可以與運輸工具（例如，汽車、自行車、船、飛機等）相關，並且所述平臺可以被稱為運輸工具（叫車服務或乘車訂單調度）平臺。所述平臺可以接收運輸請求、匹配運輸工具以完成請求、安排接取乘客以及處理交易。例如，使用者可以使用計算裝置110（例如，安裝有與平臺相關的軟體的應用程式的行動電話）從平臺請求運輸。系統102可以接收請求並將其發送到各種運輸工具的司機（例如，通過將請求發佈到司機攜帶的行動電話）。運輸工具的司機可以使用計算裝置111（例如，安裝有與平臺相關的應用程式的另一個行動電話）來接收發佈的運輸請求並獲得上車位置資訊。費用（例如，運輸費用）可以在系統102和計算裝置110和111之間進行交易。一些平臺資料可以儲存在記憶體106中或者可以從資料儲存108及/或計算裝置109、110和111中讀取。例如，對於每次行程，起點和目的地的位置（例如，由計算裝置111發送的位置）、費用和行程時間可以由系統102獲得。這些行程資料可以合併到訓練資料中。
在一些實施例中，系統102和一個或多個計算裝置（例如，計算裝置109）可以整合在一個單獨的裝置或系統中。可替換地，系統102和一個或多個計算裝置可以作為單獨的裝置運行。資料儲存可以位於系統102可存取的任何位置，例如，在記憶體106中、在計算裝置109中、在耦合到系統102的另一裝置（例如，網路儲存裝置）中或其他儲存位置（例如，基於雲的儲存系統、網路檔案系統等）等。儘管在該圖中系統102和計算裝置109被示為獨立的元件，但是應當理解，系統102和計算裝置109可以由獨立裝置或耦合在一起的多個裝置實現。系統102可以由一個獨立系統或相互耦合的多個系統實現。通常，系統102、計算裝置109、資料儲存108和計算裝置110和111可以通過一個或多個可以傳輸資料的有線或無線網路（例如，網際網路）彼此通訊。下面參考圖2至圖5描述環境100的各個態樣。
圖2示出了根據各種實施例的用於調度乘車訂單的示例系統200。圖2中所示和下述的操作旨在說明。
在各種實施例中，系統102可以從資料儲存108及/或計算裝置109、110和111獲得資料202及/或資料206。計算裝置111可以與（例如，由其使用）服務運輸工具的司機相關，所述服務運輸工具包括，例如，計程車、叫車服務運輸工具等。計算裝置110可以與（例如，由其使用）請求運輸工具服務的使用者相關。資料202和資料206可以包括用於訓練機器學習模型的訓練資料及/或在應用訓練後的機器學習模型時用於估計到達時間的計算資料。例如，訓練資料和計算資料可以包括與行程有關的資訊（例如，起點、目的地）及/或與行程無關的資訊（例如，道路寬度、道路等級）。訓練資料可以預先收集以訓練機器模型，計算資料可以即時地或回應查詢204獲得。一些計算裝置可以包括各種感測器以記錄用於訓練或計算的資料。例如，GPS（全球定位系統）可以記錄運輸工具的即時位置。GPS或結合時鐘的速度計可以記錄相對於位置和時間的運輸工具速度。下面參考圖4A描述訓練資料的進一步細節。獲得的資料202及/或206可以儲存在記憶體106中。系統102可以用獲得的資料202及/或資料206（訓練資料）訓練機器學習模型以估計到達時間。
在一些實施例中，準備下乘車訂單的使用者可以使用計算裝置110將查詢204發送到系統102。查詢204可以從計算裝置110有意或無意地傳輸。查詢204可以包括用於估計到達時間的請求。可替換地，計算裝置110可以與正在請求或已請求運輸工具服務的使用者相關。也就是說，所述使用者可以已經接受或還未接受運輸工具服務。在前一種情況下，查詢204可以進一步包括諸如起點（例如，上車位置）、目的地等的資訊。因此，系統102可以應用訓練後的機器學習模型來估計到達時間並將資料207發送到計算裝置110或一個或多個其他裝置，例如計算裝置111。資料207可以包括到達目的地的估計時間。如果使用者尚未接受運輸工具服務，則所述使用者可以基於估計的到達時間來提出或取消運輸工具服務。如果使用者已經接受了運輸工具服務（例如，當與運輸工具一起行駛時），則使用者可以基於估計的到達時間來調整時間表。由於估計的到達時間可以與計畫的路線相關，因此運輸工具司機可以基於估計的到達時間來調整計畫的路線。例如，如果即時更新估計的到達時間，並且由於諸如計畫路線上的事故等原因出現堵車，則司機可以相應地切換替代路線。如果系統102確定當前行駛路線偏離最初計畫的路線（例如，基於運輸工具的即時位置跟蹤），則系統102可以更新計畫的路線並相應地更新估計的行駛時間。
所述到達時間估計可以由諸如伺服器、行動電話等的計算裝置觸發。在各種實施例中，用於估計與乘車訂單相關的到達時間的方法可包括將運輸資訊輸入到訓練後的機器學習模型。所述運輸資訊可包括起點（例如，上車位置）和與乘車訂單相關的目的地（即，從起點到目的地的運輸）。所述方法可以進一步包括，基於訓練後的機器學習模型，獲得通過連接起點和目的地的路線而到達目的地的估計時間。所述路線可以包括連接的鏈路的序列，每個鏈路對應一個路段。根據道路等級、限速、路燈等各種因素，街道可以包括許多鏈路（路段）。在一些實施例中，可以在這些因素中的一個或多個改變的位置處確定鏈路末端。所述運輸資訊可以進一步包括以下中的至少一個：司機標識、乘客標識、星期幾、時間、天氣、高峰時段確定、包含所述路線的形狀、鏈路標識、鏈路速度限制、鏈路收費確定、鏈路道路寬度、鏈路道路等級、即時鏈路交通速度、鏈路長度或鏈路交通號誌燈持續時間。如參考下面圖3A-3C所述，訓練後的機器學習模型可以包括耦合到多層感知器網路的寬網路、深度神經網路和遞迴神經網路。
圖3A示出了根據各種實施例的用於估計到達時間的示例機器學習模型305及其訓練流程310。圖3A中所示和下述的操作旨在說明。機器學習模型305可包括耦合到多層感知器網路308的寬網路302、深度神經網路304和遞迴神經網路306。
在一些實施例中，可以基於複數個歷史運輸工具行程中的每一個歷史運輸工具行程來執行訓練。訓練機器學習模型可以包括：（步驟301）獲取與歷史運輸工具行程相關的運輸訓練資料，所述運輸訓練資料包括連接歷史起點和歷史目的地的歷史路線和真實歷史行程時間；（步驟303a和303b）從運輸訓練資料獲得一個或多個全域特徵和局部特徵；將全域特徵輸入到寬網路302、將全域特徵輸入到深度神經網路304以及將局部特徵輸入到遞迴神經網路306以分別獲得輸出；將來自寬網路、深度神經網路和遞迴神經網路的輸出輸入到多層感知器網路308，以獲得估計歷史行程時間（步驟307）；以及（步驟309）至少基於估計歷史行程時間與真實歷史行程時間之間的差異的最小化，更新與寬網路、深度神經網路、遞迴神經網路和多層感知器網路相關的一個或多個權重。
在一些實施例中，所述運輸訓練資料可以從各種系統、裝置（例如，行動電話上的感測器）、資料儲存（例如，線上地圖資料儲存）等獲得。例如，運輸訓練資料可包括地圖資料、道路資料、乘車訂單資料等。運輸資料可以被預處理。例如，各種臨界值處理和過濾技術可用於從原始資料中去除雜訊。
在一些實施例中，可以從運輸資料獲得全域特徵和局部特徵。所述全域特徵可包括稀疏特徵和第一密集特徵。所述局部特徵（或者被稱為序列特徵）可以包括名義特徵和第二密集特徵。在一些情況下，與密集特徵相反，稀疏特徵作為資料表示包含大比例的零。此外，在一個示例中，運輸訓練資料可以對應於各種歷史行程。每個歷史行程可以與歷史路線相關，過去的運輸已經通過所述歷史路線從歷史起點到歷史目的地執行。所述歷史路線可以對應於連接的鏈路的序列，每個鏈路對應於一個路段。對於歷史路線中的鏈路，全域特徵可以是統一的，以及局部特徵可以分別與鏈路相關（即，可以不同於鏈路到鏈路）。街道可分為一個或多個鏈路。在某些情況下，路燈或路口劃分兩個或以上相鄰的鏈路。
在一些實施例中，參考但不限於全域特徵，稀疏特徵可以包括以下至少一個：司機標識（例如，儲存在系統102中的資料庫中的司機ID，該資料庫還儲存與該司機ID相關的其他資訊）、乘客標識（例如，儲存的與司機ID類似的乘客ID）、星期幾、時間（例如，時間戳記，當一天被分成等時間片（例如5分鐘）時的時間片）、天氣（例如，行程期間的天氣）或高峰時段確定（例如，過去的行程是否與預設的高峰交通時間重疊）。第一密集特徵（或者被稱為第一實數特徵）可以包括包含路線的形狀（例如，最小的正方形）。
參考但不限於局部特徵，在一些實施例中，與鏈路對應相關的名義特徵可以包括以下中的至少一個：鏈路標識（例如，儲存在系統102中的資料庫中的鏈路ID，所述資料庫也儲存與鏈路ID相關的其他資訊）、鏈路速度限制（例如，每個路段的車速限制）、鏈路收費確定（例如，每個路段是否有收費）、鏈路道路寬度或鏈路道路等級（例如，公路等級、地方道路等級）。相應地與鏈路相關的第二密集特徵（或者可選地被稱為第二實數特徵）可以包括以下中的至少一個：即時鏈路交通速度（例如，每個路段上的即時交通流速度）、鏈路長度、或鏈路交通號誌燈持續時間（例如，每個路段的路燈的紅燈或綠燈持續多長時間）。
全域和局部特徵中的每一個特徵都可能影響到達時間。例如，惡劣天氣和收費站可能會減慢行駛速度並延遲到達時間。又例如，鏈路速度限制可以設定通過該鏈路的行駛速度的理論上限。再例如，包含路線的最小方塊可以與其兩個相對角的座標位置相關，這可以用於確定兩個方塊是否鄰近。如果兩個方塊在地理上鄰近，則其對應的路線可以確定位於相同區域中並且在估計的到達時間中具有一定的相似性。
參考但不限於寬網路302，在一些實施例中，將全域特徵（稀疏特徵和第一密集特徵）輸入到寬網路，以從寬網路獲得輸出可以包括：（步驟312）獲得複數個特徵乘積，每個特徵乘積對應於全域特徵中的每兩個全域特徵之間的乘積（例如，交叉）；以及（步驟322）基於全域特徵和所獲得的特徵乘積進行仿射變換，以從寬網路獲得輸出。所述仿射變換將全域特徵和所獲得的特徵乘積映射到輸出，並且所述全域特徵（輸入）和輸出與一個或多個權重相關。例如，如果兩個全域特徵是x和y，則它們的乘積xy可以是特徵乘積，並且可以對（x，y，xy）執行仿射變換以獲得w1 x+w1 y+w3 xy+b，其中w1 、w2 和w3 是x、y和xy上的線性變換，b是變換空間中的向量。權重可以包括w1 、w2 、w3 及/或b。
參考但不限於深度神經網路304，在一些實施例中，深度神經網路可以包括前饋神經網路（FNN）。參考下面圖3B描述的多層感知器（MLP）網路是FNN的示例。前饋神經網路可以包括按一定順序排列的複數個層。所述複數個層包括輸入層、一個或多個隱藏層、以及輸出層。彼此相鄰的每兩個層可以與一個或多個權重相關。全域特徵可包括稀疏特徵和第一密集特徵。將全域特徵輸入到深度神經網路以獲得來自深度神經網路的輸出可以包括：（步驟314）嵌入稀疏特徵（例如，應用sigmoid函數、應用局部線性嵌入），（步驟324）連結第一密集特徵和嵌入的稀疏特徵（例如，將特徵進行結合）；以及（步驟334）將連結的第一密集特徵和稀疏特徵饋送到前饋神經網路，以獲得來自前饋神經網路的輸出層的輸出。
參考但不限於遞迴神經網路306，在一些實施例中，遞迴神經網路可以包括按照一定順序排列的複數個層，所述順序與鏈路的序列相對應。彼此相鄰的每兩個層可以與權重中的一個或多個權重相關。除了第一層之外的每個層可以從先前層接收輸入和先前隱藏狀態，並且產生輸出和當前隱藏狀態。將局部特徵（名義特徵和第二密集特徵）輸入到遞迴神經網路以獲得來自遞迴神經網路的輸出可以包括對於每個歷史行程，相應地將局部特徵作為輸入饋送到這些層中以獲取層序列中最後一層的當前隱藏狀態。下面參考圖3C描述示例性遞迴神經網路。
可替換地，遞迴神經網路包括耦合到長短期記憶網路（LSTM）的多層感知器（MLP）網路，另一個多層感知器網路和長短期記憶網路各自與一個或多個權重相關。例如，MLP和LSTM可以包括與遞迴神經網路306的輸入和輸出相關的一個或多個權重。在一些實施例中，將局部特徵輸入到遞迴神經網路，以從遞迴神經網路獲得輸出可以包括：（步驟316）將局部特徵饋送到另一個多層感知器網路，以獲得與鏈路相對應的第一結果；以及（步驟326）將第一結果相應地作為輸入饋送到長短期記憶網路的各層，以獲得各層的最後一層的當前隱藏狀態。
參考但不限於多層感知器網路308，在一些實施例中，多層感知器網路可包括按照一定順序排列的複數個層。所述複數個層包括輸入層、一個或多個隱藏層、以及輸出層。彼此相鄰的每兩個層與一個或多個權重相關。輸入層可以包括來自寬網路302的輸出、來自深度神經網路304的輸出、以及來自遞迴神經網路306的輸出（例如，隱藏狀態）。下面參考圖3B描述示例性多層感知器網路。
在一些實施例中，在步驟307，可以從多層感知器網路308輸出估計歷史行程時間。在步驟309，如上所述，與機器學習模型305相關的權重（即，與寬網路302、深度神經網路304和遞迴神經網路306、以及多層感知器網路308相關的權重）可以至少基於來自步驟307的估計歷史行程時間與來自歷史資料的真實歷史行程時間之間的差異的最小化來更新。歷史行程時間可以被獨立地驗證、手動獲得、交叉檢查或以其他方式保持準確。在一個示例中，可以通過使用損失函數來計算估計歷史行程時間與真實歷史行程時間之間的誤差。所述誤差可以通過機器學習模型305傳播回來，例如，使用反向傳播演算法，根據隨機梯度下降一次一層更新每層的權重，這可以稱為倒推法。
在一些實施例中，在訓練結束時，權重已經被訓練，使得估計的到達時間的準確度高於臨界值。所述準確度可以使用歷史行程資料來驗證。在一些實施例中，當應用訓練後的機器學習模型來隨選估計到達時間時，可以將運輸資料饋送到與上述運輸訓練資料類似的模型。所述運輸資料可以包括諸如起點和目的地之類的資訊。諸如上述各種特徵的其他資料可以包含在運輸資料中或者可以從諸如線上資料儲存、雲裝置之類的其他源獲取。
圖3B示出了根據各種實施例的用於估計到達時間的示例性多層感知器結構。圖3B中所示和下述的操作旨在說明。
在諸如多層感知器網路的神經網路中，神經元可以用作基本構建塊。神經元可以接收輸入信號（例如，輸入資料），使用邏輯計算功能對輸入信號進行處理，並根據計算結果發送輸出信號（例如，輸出資料）。當這些神經元被排列成神經元網路時，被稱為神經網路。網路中的每列神經元稱為一層，網路可以有多層，每層有多個神經元。具有單個神經元的網路稱為感知器，具有多層神經元的網路稱為多層感知器（MLP）。例如，圖3B中示出了兩個隱藏層MLP（層A1 和層A2 ），其中輸入層包括網路的輸入（X1 、X2 、X3 、X4 ）。所述輸入層也稱為可見層，因為這可能是網路中唯一暴露的部分。隱藏層以不同比例或解析度從輸入層得到特徵，以形成高級特徵，並在輸出層輸出值或值向量。在每個隱藏層，網路可以將特徵計算為：
A1 =f(W1 ∗X)
A2 =f(W2 ∗A1 )
Figure 02_image001
=f(W3 ∗A2 )
其中，f是將權重（例如，W1 、W2 、W3 ）和前一層的輸出進行組合並輸出一個值的函數。對於所有隱藏層，函數f可以是相同的，或者可以是不同的。A1 、A2 和
Figure 02_image001
是第一隱藏層、第二隱藏層和最終輸出層的連續輸出。對於資料X的給定行作為網路的輸入，所述網路可以處理所述輸入以獲得A1 、A2 並最終獲得預測的輸出
Figure 02_image001
。這可以稱為正推法，並且所述網路可以稱為前饋網路。
圖3C示出了根據各種實施例的用於估計到達時間的示例遞迴神經網路（RNN）結構。圖3C中所示和下述的操作旨在說明。
由於路線可以被劃分為鏈路，而且由於運輸工具可能經由鏈路從起點行進到目的地，因此鏈路之間可以是呈序列的。遞迴神經網路可以利用序列資訊來估計到達時間。也就是說，輸入（和輸出）可以彼此依賴。RNN被稱為遞迴，因為它們對序列的每個元素執行相同的任務，輸出取決於先前的計算。RNN可以利用任意長序列中的資訊，例如，幾步之後的資訊。
圖3C示出了RNN的一部分（層t-1、層t、層t+1）。層t-1對應於路線的鏈路t-1、層t對應於路線的鏈路t、層t+1對應於路線的鏈路t+1。每個層（除第一層之外）可以從先前層接收輸入和隱藏狀態。例如，對於層t，它接收輸入t和隱藏狀態t-1。所述輸入可以用向量表示。隱藏狀態可以被稱為網路的「記憶體」。隱藏狀態t可以基於，例如，輸入t的非線性函數和每個與權值相關的隱藏狀態t-1來獲得。輸出t可以是與權值相關的隱藏狀態t的函數。
如上所示，所揭露的系統和方法可以顯著提高到達時間估計的準確性。寬網路和深度神經網路可以模型化路線的整體特徵。例如，通過交叉乘積，稀疏特徵可以被高精度地建模。此外，RNN可以模型化各種鏈路的特徵及其在到達時間估計中的差異。因此，所揭露的系統和方法顯著改進了現有技術。
圖4A示出了根據本申請的各種實施例所示的示例方法400的流程圖。方法400可以在各種環境，包括例如圖1的環境100中實現。示例方法400可以通過系統102（例如，處理器104、記憶體106）、計算裝置110（例如，與使用者相關的行動電話）或計算裝置111（例如，與運輸工具司機相關的行動電話）的一個或多個組件實現。示例方法400可以由類似於系統102的多個系統實現。下述方法400的操作旨在說明。取決於實施方式，示例方法400可以包括附加的、減少的、或替代性的步驟，所述步驟可以以各種順序執行或並行執行。
在步驟402處，可以將運輸資訊輸入到訓練後的機器學習模型。所述運輸資訊可以包括與乘車訂單相關的起點和目的地，所述訓練後的機器學習模型包括耦合到多層感知器網路的寬演算法、深度神經網路和遞迴神經網路。在步驟404，基於訓練後的機器學習模型，可以獲得通過連接起點和目的地的路線到達目的地的估計時間。
圖4B示出了根據本申請的各種實施例所示的示例方法450的流程圖。方法450可以在各種環境，包括例如圖1的環境100中實現。示例方法450可以由系統102的一個或多個元件（例如，處理器104、記憶體106）實現。示例方法450可以由類似於系統102的多個系統實現。下述方法450的操作旨在說明。取決於實施方式，示例方法450可以包括附加的、減少的、或替代性的步驟，所述步驟可以以各種順序執行或並行執行。下面描述的各種模組可以，例如，通過上面討論的方法訓練。
在步驟452，可以獲得與歷史運輸工具行程相關的運輸訓練資料，所述運輸訓練資料包括連接歷史起點和歷史目的地的歷史路線和真實歷史行程時間。在步驟454，可以從運輸訓練資料獲得一個或多個全域特徵和局部特徵。在步驟456，可以將全域特徵輸入到寬演算法、將全域特徵輸入到深度神經網路以及將局部特徵輸入到遞迴神經網路，以分別獲得輸出。在步驟458，可以將寬演算法、深度神經網路和遞迴神經網路的輸出輸入到多層感知器網路，以獲得估計歷史行程時間。在步驟460處，可以至少基於估計歷史行程時間和實際歷史行程時間之間的差異的最小化來更新與寬演算法、深度神經網路、遞迴神經網路和多層感知器網路相關的一個或多個權重。歷史路線可以對應於連接的鏈路的序列，每個鏈路對應於一個路段。對於歷史路線中的鏈路，全域特徵可以是統一的，並且局部特徵可以分別與鏈路相關（即，可以因鏈路不同而不同）。
圖4C示出了根據本申請的各種實施例所示的示例方法480的流程圖。方法480可以在各種環境，包括例如圖1的環境100中實現。示例方法480可以由系統102的一個或多個元件（例如，處理器104、記憶體106）實現。示例方法480可以由類似於系統102的多個系統實現。下述方法480的操作旨在說明。取決於實施方式，示例方法480可以包括附加的、減少的、或替代性的步驟，所述步驟可以以各種順序執行或並行執行。下面描述的各種模組可以，例如，通過上面討論的方法訓練。
在步驟482，可以從裝置（例如，諸如行動電話之類的計算裝置）接收從起點運輸到目的地的乘車訂單。在步驟484，可以確定連接起點和目的地的路線。例如，可以確定連接起點和距離的最短距離的路線或最常行駛的路線。在步驟486，可以獲得與路線相關的運輸資訊。在步驟488，可以將獲得的運輸資訊輸入訓練後的機器學習模型，以獲得通過所述路線到達目的地的估計時間。在步驟490，可以將估計時間在裝置上播放（例如，在螢幕上顯示、作為語音播放）。
可替換地，可以從裝置（例如，諸如行動電話之類的計算裝置）接收從起點運輸到目的地的乘車訂單。可以確定連接起點和目的地的一個或多個路線。可以獲得與所述路線相關的運輸資訊，並將所述運輸資訊輸入訓練後的機器學習模型，以獲得通過所述路線到達目的地的各種行程持續時間（不同於估計時間）。路線中的一個或多個，例如最快的路線，可以被確定以及和相應的估計到達時間一起在裝置上播放（例如，在螢幕上顯示、作為語音播放）。
本申請描述的技術由一個或多個專用計算裝置實現。所述專用計算裝置可以是執行所述技術的硬連線，或者可以包括電路或數位電子裝置，例如一個或多個特定應用積體電路（ASIC）或被持久地編程以執行這些技術的現場可程式閘陣列（FPGA），或者可以包括一個或多個硬體處理器，所述硬體處理器根據韌體、記憶體、其他儲存器或組合中的程式指令而被加以編程來執行技術。這種專用計算裝置還可以將定製的硬連線邏輯、ASIC或FPGA與定製程式設計相結合以實現這些技術。所述專用計算裝置可以是桌上型電腦系統、伺服器電腦系統、可擕式電腦系統、手持裝置、網路裝置或任何其他裝置或包含硬連線及/或程式邏輯以實現該技術的裝置的組合。計算裝置通常由作業系統軟體控制和協調。傳統的作業系統控制和計畫電腦的執行進程、執行記憶體管理、提供檔案系統、網路、輸入/輸出服務、以及提供使用者介面功能，例如圖形使用者介面（「GUI」）等。
圖5示出了電腦系統500的方塊圖，在該電腦系統500上可以實現本申請描述的任何實施例。系統500可以對應於上述系統102。電腦系統500包括匯流排502或用於交流資訊的其他通訊機制、一個或多個與匯流排502耦合用於處理資訊的硬體處理器504。硬體處理器504可以是，例如，一個或多個通用微處理器。處理器504可以對應於上述處理器104。
電腦系統500還包括與匯流排502耦合用於儲存由處理器504執行的資訊和指令的主記憶體506，例如，隨機存取記憶體（RAM）、快取及/或其他動態儲存裝置。主記憶體506還可以用於在處理器504執行待執行指令期間儲存臨時變數或其他中間資訊。當這些指令儲存在處理器504可存取的儲存媒體中時，可使電腦系統500成為被定製為執行指令中指定的操作的專用機器。電腦系統500進一步包括唯讀記憶體（ROM）508或耦合到匯流排502的用於儲存處理器504的靜態資訊和指令的其他靜態儲存裝置。儲存裝置510，例如磁碟、光碟或USB大拇哥驅動器（快閃記憶體驅動器）等，被提供和耦合到匯流排502，用於儲存資訊和指令。主記憶體506、ROM 508及/或儲存器510可以對應於上述記憶體106。
電腦系統500可以使用定製的硬連線邏輯、一個或多個ASIC或FPGA、韌體及/或程式邏輯來實現本申請描述的技術，所述程式邏輯與電腦系統組合使電腦系統500成為或被編程為特殊用途機器。根據一個實施例，回應於處理器504執行主記憶體506中包含的一個或多個指令中的一個或多個序列，電腦系統500執行本申請中的技術。這些指令可以從另一儲存媒體，例如儲存裝置510，讀入主記憶體506。主記憶體506中包含的指令的序列的執行使得處理器504執行本申請描述的處理步驟。在替代性實施例中，可以使用硬連線電路代替軟體指令或與軟體指令組合。
主記憶體506、ROM 508及/或儲存器510可以包括非暫時性儲存媒體。這裡使用的術語「非暫時性媒體」和類似術語是指儲存使機器以特定方式操作的資料及/或指令的任何媒體。這種非暫時性媒體可以包括非揮發性媒體及/或揮發性媒體。非揮發性媒體包括，例如光碟或磁碟，如儲存裝置510。揮發性媒體包括動態記憶體，例如主記憶體506。非暫時性媒體的常見形式包括，例如，軟碟、軟性磁碟、硬碟、固態硬碟、磁帶、或任何其他磁性資料儲存媒體、CD-ROM、任何其他光學資料儲存媒體、具有孔圖案的任何物理媒體、RAM、PROM、EPROM、FLASH-EPROM、NVRAM、任何其他記憶體晶片或盒式磁帶、以及上述形式的網路版本。
電腦系統500還包括耦合到匯流排502的通訊介面518。通訊介面518提供耦合到一個或多個網路鏈路的雙向資料通訊，所述網路鏈路連接到一個或多個本地網路。例如，通訊介面518可以是整合式服務數位網路（ISDN）卡、纜線數據機、衛星數據機或用於提供與相應類型的電話線路進行資料通訊連接的數據機。又例如，通訊介面518可以是提供與相容的LAN（或與WAN通訊的WAN元件）之間的資料通訊連接的區域網路（LAN）卡。也可以實現無線鏈路。在任何此類實施方式中，通訊介面518發送和接收攜帶代表各類資訊的數位資料流的電信號、電磁信號或光信號。
電腦系統500可以通過網路、網路鏈路和通訊介面518發送訊息並接收包括程式碼的資料。以網際網路為例，伺服器可以通過網際網路、ISP、本地網路和通訊介面518為應用程式發送請求碼。
所接收的碼可以在收到後由處理器504執行、及/或儲存在儲存裝置510或其他非揮發性儲存器中以供後續執行。
在前面部分中描述的流程、方法和演算法中的每一個可以由編碼模組實現，並且通過該編碼模組實現完全自動化或半自動化。所述編碼模組通過一個或多個包括電腦硬體的電腦系統或電腦處理器執行。所述流程和演算法可由應用特定電路部分地或完全地實現。
上述各種特徵和流程可以彼此獨立地使用，或者可以以各種方式組合。所有可能的組合和子組合落入本申請的範圍內。另外，在一些實施中可以省略某些方法或流程塊。本申請描述的方法和流程也不限於任何特定順序，並且與其相關的步驟或狀態可以以其他合適順序執行。例如，所描述的步驟或狀態可以以不同於具體揭露的順序執行，或者多個步驟或狀態可以組合為單個步驟或狀態。示例性步驟或狀態可以串列、並行或以其他方式執行。可以向所揭露的示例實施例添加步驟或狀態或從其中移除步驟或狀態。本申請描述的示例系統和元件可以與描述不同地配置。例如，相比於與所揭露的示例實施例，可以添加、移除或重新佈置元件。
可以至少部分地通過演算法來執行本申請描述的示例方法的各種操作。所述演算法可以被包含在儲存在記憶體（例如，上述的非暫時性電腦可讀取儲存媒體）中的程式碼或指令中。這種演算法可以包括機器學習演算法或模型。在一些實施例中，機器學習演算法或模型可以不明確地對電腦進行編程以執行功能，但是可以從訓練資料中學習以建立執行該功能的預測模型（訓練後的機器學習模型）。
本申請描述的示例方法的各種操作可以至少部分地由一個或多個處理器執行，所述一個或多個處理器可以臨時配置（例如，通過軟體）或永久配置為執行相關操作。無論是臨時配置還是永久配置，所述處理器都可以構成由處理器實現的運行以執行本申請描述的一個或多個操作或功能的引擎。
類似地，本申請描述的方法可以至少部分地由特定處理器或作為硬體示例的處理器實現。例如，方法的操作的至少一部分可以由一個或多個處理器或處理器實現的引擎來執行。此外，一個或多個處理器還可以運行以支援「雲端計算」環境中的相關操作的性能或實現「軟體即服務」（SaaS）。例如，所述操作的至少一部分可以由一組電腦（作為包括處理器的機器的示例）執行，這些操作可以通過網路（例如，網際網路）和一個或多個適當的介面（例如，應用程式介面（API）存取。
某些操作的執行可以在處理器之間分配，不僅駐留在單個機器內，而且部署在多個機器上。在一些示例實施例中，處理器或處理器實現的引擎可以位於單個地理位置（例如，在家庭環境、辦公室環境或伺服器群內）。在其他示例實施例中，處理器或處理器實現的引擎可以分佈在多個地理位置。
在整個說明書中，多個實例可以實現為單個實例描述的元件、操作或結構。儘管一個或多個方法的各個操作被示出並描述為單獨的操作，但是可以同時執行各個操作的一個或多個操作，並且不需要以所示的順序執行操作。在示例配置中作為單獨元件呈現的結構和功能可以實現為組合結構或元件。類似地，作為單個元件呈現的結構和功能可以實現為單獨的元件。這些和其他變化、修改、添加和改進都落入本申請主題的範圍內。
儘管已經參考特定示例性實施例描述了本申請主題，但是可以在不脫離本申請的實施例的較寬範圍的情況下對這些實施例進行各種修改和改變。本申請主題的這些實施例可單獨地或共同地由術語「申請」指代，此舉僅為描述方便，而不旨在當實際有多於一個揭露或概念被揭露時主動將本申請的範圍限制於任何單個的揭露或概念。
本申請所示的實施例已被描述的足夠詳盡，使得本領域具有通常知識者能夠實施所揭露的內容。其他實施例也可以從所揭露的內容中推出並使用，使得可以在不脫離本申請的範圍的情況下，對本申請實施例作出結構和邏輯上的替換和改變。因此，具體實施方式不應被視為具有限制意義，並且各種實施例的範圍僅由所附申請專利範圍以及這些申請專利範圍所賦予的等價物的全部範圍來限定。
本申請所述流程圖及/或圖式中描繪的任何流程描述、元素或步驟應理解為潛在地表示模組、部件、或編碼中的部分，這些模組、部件、或編碼中的部分包括用於實現特定邏輯功能或流程步驟的一個或多個可執行指令。本領域具有通常知識者可以理解的是，本申請描述的實施例的範圍內還包括備選實施方式。在這些備選實施方式中，組件或功能可以被刪除，或取決於所涉及的功能而不由所示出的或論述的順序來執行，包括實質上同時執行或以相反的順序執行。
如本申請所用，術語「或」可以解釋為包含性或排他性含義。此外，可以為在此描述為單個實例的資源、操作或結構提供多個實例。另外，各種資源、操作、引擎和資料儲存之間的邊界在某種程度上是任意的，並且在特定說明性配置的上下文中示出了特定操作。設想的其他功能的分配可以落入本申請的各種實施例的範圍內。通常，在示例配置中作為單獨資源呈現的結構和功能可以以組合結構或組合資源實現。類似地，作為單獨資源呈現的結構和功能可以以多個分離的資源實現。這些以及其他變化、修改、添加和改進均落入由所附申請專利範圍表示的本申請的實施例的範圍內。相應地，說明書和圖式應被視為說明性的而非限制性的。
條件語言，例如，除其他之外、「可」、「可以」或「可能」，除非另有明確說明，或者在使用的上下文中另有理解，通常旨在表達某些實施例包括，而其他實施例不包括的某些特徵、元素及/或步驟。因此，這種條件語言並非旨在暗示特徵、元素及/或步驟以任何要求的方式在一個或多個實施例中存在，或者暗示一個或多個實施例必然包含用於判斷的邏輯，有或沒有使用者輸入或提示，這些特徵、元素及/或步驟是否包括在任何特定實施例中或是在任何特定實施例中執行。
100‧‧‧環境 102‧‧‧計算系統 104‧‧‧處理器 106‧‧‧記憶體 108‧‧‧資料儲存 109‧‧‧計算裝置 110‧‧‧計算裝置 111‧‧‧計算裝置 200‧‧‧系統 202‧‧‧資料 204‧‧‧查詢 206‧‧‧資料 207‧‧‧資料 301‧‧‧步驟 302‧‧‧寬網路 303a‧‧‧步驟 303b‧‧‧步驟 304‧‧‧深度神經網路 305‧‧‧機器學習模型 306‧‧‧遞迴神經網路 307‧‧‧步驟 308‧‧‧多層感知器網路 309‧‧‧步驟 310‧‧‧訓練流程 312‧‧‧步驟 314‧‧‧步驟 316‧‧‧步驟 322‧‧‧步驟 324‧‧‧步驟 326‧‧‧步驟 334‧‧‧步驟 400‧‧‧方法 402‧‧‧步驟 404‧‧‧步驟 450‧‧‧方法 452‧‧‧步驟 454‧‧‧步驟 456‧‧‧步驟 458‧‧‧步驟 460‧‧‧步驟 480‧‧‧方法 482‧‧‧步驟 484‧‧‧步驟 486‧‧‧步驟 488‧‧‧步驟 490‧‧‧步驟 500‧‧‧電腦系統 502‧‧‧匯流排 504‧‧‧處理器 506‧‧‧主記憶體 508‧‧‧唯讀記憶體 510‧‧‧儲存器 518‧‧‧通訊介面
本技術的各實施例的某些特徵在所附申請專利範圍中具體闡述。通過參考以下具體實施方式及其圖式，將更佳地理解本技術的特徵和優點，其中具體實施方式詳盡介紹了利用本申請原理的說明性實施例，所述圖式包括：
圖1示出了根據各種實施例的用於估計到達時間的示例環境。
圖2示出了根據各種實施例的用於估計到達時間的示例系統。
圖3A示出了根據各種實施例的用於估計到達時間的示例機器學習模型。
圖3B示出了根據各種實施例的用於估計到達時間的示例性多層感知器結構。
圖3C示出了根據各種實施例的用於估計到達時間的示例遞迴神經網路結構。
圖4A示出了根據各種實施例的用於估計到達時間的示例方法的流程圖。
圖4B示出了根據各種實施例的用於估計到達時間的示例方法的流程圖。
圖4C示出了根據各種實施例的用於估計到達時間的示例方法的流程圖。
圖5示出了可以實現本申請描述的任何實施例的示例電腦系統的方塊圖。
100‧‧‧環境
102‧‧‧計算系統
104‧‧‧處理器
106‧‧‧記憶體
108‧‧‧資料儲存
109‧‧‧計算裝置
110‧‧‧計算裝置
111‧‧‧計算裝置

Claims (26)

  1. 一種用於估計與乘車訂單相關的到達時間的方法，包括：將運輸資訊輸入到訓練後的機器學習模型，其中：所述運輸資訊包括與所述乘車訂單相關的起點和目的地，以及所述訓練後的機器學習模型包括耦合到多層感知器網路的寬網路、深度神經網路和遞迴神經網路；基於所述訓練後的機器學習模型，獲得通過連接所述起點和所述目的地的路線而到達所述目的地的估計時間；將來自所述寬網路、所述深度神經網路和所述遞迴神經網路的輸出輸入到所述多層感知器網路，以獲得估計歷史行程時間。
  2. 如申請專利範圍第1項之方法，其中，訓練所述機器學習模型包括，對於複數個歷史運輸工具行程中的每一個歷史運輸工具行程：獲取與所述歷史運輸工具行程相關的運輸訓練資料，其中，所述運輸訓練資料包括連接歷史起點和歷史目的地的歷史路線以及真實歷史行程時間，其中，所述歷史路線對應於鏈路的序列，每個鏈路對應於一個路段；從所述運輸訓練資料獲取一個或多個全域特徵和局部特徵；以及將所述全域特徵輸入到所述寬網路、將所述全域特徵輸入到所述深度神經網路、以及將所述局部特徵輸入到所述遞迴神經網路，以分別獲得輸出。
  3. 如申請專利範圍第2項之方法，其中：對於所述歷史路線中的所述鏈路，所述全域特徵是統一的，以及所述局部特徵分別與所述鏈路相關。
  4. 如申請專利範圍第2項之方法，其中，所述全域特徵包括：稀疏特徵，所述稀疏特徵包括以下至少一個：司機標識、乘客標識、星期幾、時間、天氣或高峰時段確定；以及 第一密集特徵，所述第一密集特徵包括包含所述路線的形狀。
  5. 如申請專利範圍第2項之方法，其中，所述局部特徵包括：與所述鏈路相對應的名義特徵，所述名義特徵包括以下至少一個：鏈路標識、鏈路速度限制、鏈路收費確定、鏈路道路寬度或鏈路道路等級；以及與所述鏈路相應地關聯的第二密集特徵，所述第二密集特徵包括以下中的至少一個：即時鏈路交通速度、鏈路長度或鏈路交通號誌燈持續時間。
  6. 如申請專利範圍第2項之方法，其中，將所述全域特徵輸入到所述寬網路，以從所述寬網路獲得輸出，包括：獲得複數個特徵乘積，每個特徵乘積對應於所述全域特徵中的每兩個全域特徵之間的乘積。
  7. 如申請專利範圍第2項之方法，其中：所述深度神經網路包括前饋神經網路；以及將所述全域特徵輸入到所述深度神經網路，以從所述深度神經網路獲得輸出，包括：嵌入所述稀疏特徵；連結所述第一密集特徵和嵌入後的所述稀疏特徵；以及將連結後的所述第一密集特徵和所述稀疏特徵饋送到所述前饋神經網路，以從所述前饋神經網路獲得輸出。
  8. 如申請專利範圍第2項之方法，其中：所述遞迴神經網路包括按照一定順序排列的複數個層，所述順序與所述鏈路的序列相對應；以及將所述局部特徵輸入到所述遞迴神經網路，以從所述遞迴神經網路獲得輸出，包括，對於所述歷史行程中的每一個歷史行程：相應地將所述局部特徵作為輸入饋送到所述層，以獲得所述層的序列 中最後一層的當前隱藏狀態。
  9. 如申請專利範圍第2項之方法，其中：所述遞迴神經網路包括耦合到長短期記憶網路的另一個多層感知器網路；以及將所述局部特徵輸入到所述遞迴神經網路，以從所述遞迴神經網路獲得輸出，包括：將所述局部特徵饋送到所述另一個多層感知器網路，以獲得與所述鏈路對應相關的第一結果；以及將所述第一結果相應地作為輸入饋送到所述長短期記憶網路的各層，以獲得所述各層的最後一層的當前隱藏狀態。
  10. 如申請專利範圍第1項之方法，其中：所述路線包括連接的鏈路的序列，每個鏈路對應一個路段；以及所述運輸資訊進一步包括以下中的至少一個：司機標識、乘客標識、星期幾、時間、天氣、高峰時段確定、包含所述路線的形狀、鏈路標識、鏈路速度限制、鏈路收費確定、鏈路道路寬度、鏈路道路等級、即時鏈路交通速度、鏈路長度或鏈路交通號誌燈持續時間。
  11. 一種用於估計與乘車訂單相關的到達時間的系統，所述系統在伺服器上實現，所述系統包括處理器和儲存指令的非暫時性電腦可讀取儲存媒體，所述指令在由所述處理器執行時使所述系統執行一方法，所述方法包括：將運輸資訊輸入到訓練後的機器學習模型，其中：所述運輸資訊包括與所述乘車訂單相關的起點和目的地，以及所述訓練後的機器學習模型包括耦合到多層感知器網路的寬網路、深度神經網路和遞迴神經網路；基於所述訓練後的機器學習模型，獲得通過連接所述起點和所述目的地的 路線而到達所述目的地的估計時間；將來自所述寬網路、所述深度神經網路和所述遞迴神經網路的輸出輸入到所述多層感知器網路，以獲得估計歷史行程時間。
  12. 如申請專利範圍第11項之系統，其中，訓練所述機器學習模型包括，對於複數個歷史運輸工具行程中的每一個歷史運輸工具行程：獲取與所述歷史運輸工具行程相關的運輸訓練資料，其中，所述運輸訓練資料包括連接歷史起點和歷史目的地的歷史路線以及真實歷史行程時間，其中，所述歷史路線對應於鏈路的序列，每個鏈路對應於一個路段；從所述運輸訓練資料獲取一個或多個全域特徵和局部特徵；以及將所述全域特徵輸入到所述寬網路、將所述全域特徵輸入到所述深度神經網路、以及將所述局部特徵輸入到所述遞迴神經網路，以分別獲得輸出。
  13. 如申請專利範圍第12項之系統，其中：對於所述歷史路線中的所述鏈路，所述全域特徵是統一的，以及所述局部特徵分別與所述鏈路相關。
  14. 如申請專利範圍第12項之系統，其中，所述全域特徵包括：稀疏特徵，所述稀疏特徵包括以下至少一個：司機標識、乘客標識、星期幾、時間、天氣或高峰時段確定；以及第一密集特徵，所述第一密集特徵包括包含所述路線的形狀。
  15. 如申請專利範圍第12項之系統，其中，所述局部特徵包括：與所述鏈路相對應的名義特徵，所述名義特徵包括以下至少一個：鏈路標識、鏈路速度限制、鏈路收費確定、鏈路道路寬度或鏈路道路等級；以及與所述鏈路相應地關聯的第二密集特徵，所述第二密集特徵包括以下中的至少一個：即時鏈路交通速度、鏈路長度或鏈路交通號誌燈持續時間。
  16. 如申請專利範圍第12項之系統，其中，將所述全域特徵輸入到 所述寬網路，以從所述寬網路獲得輸出，包括：獲得複數個特徵乘積，每個特徵乘積對應於所述全域特徵中的每兩個全域特徵之間的乘積。
  17. 如申請專利範圍第12項之系統，其中：所述深度神經網路包括前饋神經網路；以及將所述全域特徵輸入到所述深度神經網路，以從所述深度神經網路獲得輸出，包括：嵌入所述稀疏特徵；連結所述第一密集特徵和嵌入後的所述稀疏特徵；以及將連結後的所述第一密集特徵和所述稀疏特徵饋送到所述前饋神經網路，以從所述前饋神經網路獲得輸出。
  18. 如申請專利範圍第12項之系統，其中：所述遞迴神經網路包括按照一定順序排列的複數個層，所述順序與所述鏈路的序列相對應；以及將所述局部特徵輸入到所述遞迴神經網路，以從所述遞迴神經網路獲得輸出，包括，對於所述歷史行程中的每一個歷史行程：相應地將所述局部特徵作為輸入饋送到所述層，以獲得所述層的序列中最後一層的當前隱藏狀態。
  19. 如申請專利範圍第12項之系統，其中：所述遞迴神經網路包括耦合到長短期記憶網路的另一個多層感知器網路；以及將所述局部特徵輸入到所述遞迴神經網路，以從所述遞迴神經網路獲得輸出，包括：將所述局部特徵饋送到所述另一個多層感知器網路，以獲得與所述鏈 路對應相關的第一結果；以及將所述第一結果相應地作為輸入饋送到所述長短期記憶網路的各層，以獲得所述各層的最後一層的當前隱藏狀態。
  20. 如申請專利範圍第11項之系統，其中：所述路線包括連接的鏈路的序列，每個鏈路對應一個路段；以及所述運輸資訊進一步包括以下中的至少一個：司機標識、乘客標識、星期幾、時間、天氣、高峰時段確定、包含所述路線的形狀、鏈路標識、鏈路速度限制、鏈路收費確定、鏈路道路寬度、鏈路道路等級、即時鏈路交通速度、鏈路長度或鏈路交通號誌燈持續時間。
  21. 一種用於估計與乘車訂單相關的到達時間的方法，包括：從裝置接收從起點運輸到目的地的乘車訂單；確定連接所述起點和所述目的地的路線；獲取與所述路線相關的運輸資訊；將獲得的所述運輸資訊輸入到訓練後的機器學習模型，以獲得通過所述路線到達所述目的地的估計時間；以及將所述估計時間在所述裝置上播放；其中，所述訓練後的機器學習模型包括耦合到多層感知器網路的寬網路、深度神經網路和遞迴神經網路。
  22. 如申請專利範圍第21項之方法，其中：所述路線包括連接的鏈路的序列，每個鏈路對應一個路段；以及所述運輸資訊包括以下中的至少一個：司機標識、乘客標識、星期幾、時間、天氣、高峰時段確定、包含所述路線的形狀、鏈路標識、鏈路速度限制、鏈路收費確定、鏈路道路寬度、鏈路道路等級、即時鏈路交通速度、鏈路長度或鏈路交通號誌燈持續時間。
  23. 一種用於估計與乘車訂單相關的到達時間的系統，包括處理器和儲存指令的非暫時性電腦可讀取儲存媒體，所述指令在由所述處理器執行時使所述系統執行一方法，所述方法包括：從裝置接收從起點運輸到目的地的乘車訂單；確定連接所述起點和所述目的地的路線；獲取與所述路線相關的運輸資訊；將獲得的所述運輸資訊輸入到訓練後的機器學習模型，以獲得通過所述路線到達所述目的地的估計時間；以及將所述估計時間在所述裝置上播放；其中，所述訓練後的機器學習模型包括耦合到多層感知器網路的寬網路、深度神經網路和遞迴神經網路。
  24. 如申請專利範圍第23項之系統，其中：所述路線包括連接的鏈路的序列，每個鏈路對應一個路段；以及所述運輸資訊包括以下中的至少一個：司機標識、乘客標識、星期幾、時間、天氣、高峰時段確定、包含所述路線的形狀、鏈路標識、鏈路速度限制、鏈路收費確定、鏈路道路寬度、鏈路道路等級、即時鏈路交通速度、鏈路長度或鏈路交通號誌燈持續時間。
  25. 一種儲存指令的非暫時性電腦可讀取儲存媒體，當所述指令由處理器執行時，使所述處理器執行用於估計與乘車訂單相關的到達時間的方法，所述方法包括：從裝置接收從起點運輸到目的地的乘車訂單；確定連接所述起點和所述目的地的路線；獲取與所述路線相關的運輸資訊；將獲得的所述運輸資訊輸入到訓練後的機器學習模型，以獲得通過所述路 線到達所述目的地的估計時間；以及將所述估計時間在所述裝置上播放；其中，所述訓練後的機器學習模型包括耦合到多層感知器網路的寬網路、深度神經網路和遞迴神經網路。
  26. 如申請專利範圍第25項之非暫時性電腦可讀取儲存媒體，其中：所述路線包括連接的鏈路的序列，每個鏈路對應一個路段；以及所述運輸資訊包括以下中的至少一個：司機標識、乘客標識、星期幾、時間、天氣、高峰時段確定、包含所述路線的形狀、鏈路標識、鏈路速度限制、鏈路收費確定、鏈路道路寬度、鏈路道路等級、即時鏈路交通速度、鏈路長度或鏈路交通號誌燈持續時間。
TW107141575A 2017-11-23 2018-11-22 用於估計到達時間的系統和方法 TWI694388B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
??PCT/CN2017/112520 2017-11-23
PCT/CN2017/112520 WO2019100279A1 (en) 2017-11-23 2017-11-23 System and method for estimating arrival time
WOPCT/CN2017/112520 2017-11-23

Publications (2)

Publication Number Publication Date
TW201926156A TW201926156A (zh) 2019-07-01
TWI694388B true TWI694388B (zh) 2020-05-21

Family

ID=64050821

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107141575A TWI694388B (zh) 2017-11-23 2018-11-22 用於估計到達時間的系統和方法

Country Status (7)

Country Link
US (2) US10127496B1 (zh)
EP (1) EP3507783B1 (zh)
JP (1) JP6804792B2 (zh)
CN (3) CN113850371A (zh)
CA (1) CA3028278A1 (zh)
TW (1) TWI694388B (zh)
WO (1) WO2019100279A1 (zh)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018227368A1 (en) * 2017-06-13 2018-12-20 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for recommending an estimated time of arrival
US10816351B1 (en) * 2017-07-14 2020-10-27 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US10557713B1 (en) * 2017-07-14 2020-02-11 Uber Technologies, Inc. Generation of trip estimates using real-time data and historical data
US11037055B2 (en) * 2017-10-30 2021-06-15 DoorDash, Inc. System for dynamic estimated time of arrival predictive updates
CA3028278A1 (en) * 2017-11-23 2019-05-23 Beijing Didi Infinity Technology And Development Co., Ltd. System and method for estimating arrival time
US10979857B2 (en) * 2018-05-03 2021-04-13 Curbside Inc. Content conversion tracking based on location data
US11410020B2 (en) * 2018-07-06 2022-08-09 Geet Garg Machine learning models for predicting time in traffic
CN109146156B (zh) * 2018-08-03 2021-12-03 大连理工大学 一种用于预测充电桩系统充电量的方法
US10970668B2 (en) 2018-11-15 2021-04-06 DoorDash, Inc. Depot dispatch protocol for autonomous last-mile deliveries
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
US11391586B2 (en) * 2019-01-31 2022-07-19 Here Global B.V. Method and apparatus for discovery of semantic nodes for map-based dynamic location sampling
DE102019205519A1 (de) * 2019-04-16 2020-10-22 Robert Bosch Gmbh Verfahren zum Ermitteln von Fahrverläufen
CN111783503A (zh) * 2019-04-21 2020-10-16 泰州悦诚科技信息咨询中心 电子设备状态切换方法
CN110414731B (zh) * 2019-07-23 2021-02-02 北京三快在线科技有限公司 订单分配的方法、装置、计算机可读存储介质及电子设备
US11781874B2 (en) * 2019-09-12 2023-10-10 Lyft, Inc. Transportation route error detection and adjustment
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
EP3806007A1 (en) * 2019-10-09 2021-04-14 Bayerische Motoren Werke Aktiengesellschaft Methods, computer programs and systems for assigning vehicles to vehicular tasks and for providing a machine-learning model
CN110993070B (zh) * 2019-10-17 2023-04-07 山东科技大学 基于神经网络的医院门诊等待时间预测方法
CN110942211A (zh) * 2019-12-12 2020-03-31 武汉中海庭数据技术有限公司 一种基于深度神经网络的预估达到时间预测方法及装置
CN111141302B (zh) * 2019-12-26 2023-10-27 斑马网络技术有限公司 车辆驾驶到达时间的预估方法、装置及电子设备
CN111353009B (zh) * 2020-02-03 2021-10-26 百度在线网络技术（北京）有限公司 建立路线耗时预估模型、预估路线耗时的方法及对应装置
CN111292549B (zh) * 2020-02-03 2022-03-22 百度在线网络技术（北京）有限公司 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置
GB202001468D0 (en) 2020-02-04 2020-03-18 Tom Tom Navigation B V Navigation system
CN113252054B (zh) * 2020-02-11 2023-11-28 株式会社日立制作所 一种导航方法和导航系统
CN111582559B (zh) * 2020-04-21 2024-02-20 腾讯科技（深圳）有限公司 一种到达时间的预估方法及装置
CN111724586B (zh) * 2020-05-11 2022-03-11 清华大学 通勤时间预测方法、通勤时间预测模型的训练方法和装置
CN111833600B (zh) * 2020-06-10 2022-07-08 北京嘀嘀无限科技发展有限公司 通行时间预测方法、装置及数据处理设备
EP3971780A1 (en) * 2020-07-24 2022-03-23 Tata Consultancy Services Limited Method and system for dynamically predicting vehicle arrival time using a temporal difference learning technique
US11164084B1 (en) * 2020-11-11 2021-11-02 DeepCube LTD. Cluster-connected neural network
CN113112059A (zh) * 2021-03-31 2021-07-13 亿海蓝（北京）数据技术股份公司 船舶靠泊时间预测方法及系统
US20230090377A1 (en) * 2021-07-30 2023-03-23 PCS Software, Inc. System and Method for Optimizing Backhaul Loads in Transportation System
FR3126382A1 (fr) * 2021-08-26 2023-03-03 Psa Automobiles Sa Systeme de gestion thermique d’habitacle d’un vehicule automobile en fonction d’une prediction de destination
CN113781278A (zh) * 2021-09-10 2021-12-10 未鲲(上海)科技服务有限公司 基于特征识别的事件提示方法、装置、设备及存储介质
CN114822061B (zh) * 2022-03-30 2023-11-28 阿里巴巴（中国）有限公司 到达时间预估方法、装置、电子设备及计算机程序产品
CN115376308A (zh) * 2022-05-26 2022-11-22 南京工程学院 一种汽车行驶时间的预测方法
CN116011912A (zh) * 2022-12-30 2023-04-25 广州联雅网络科技有限公司 跨境电商智能发货方法及装置、设备、存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170300814A1 (en) * 2016-04-13 2017-10-19 Google Inc. Wide and deep machine learning models
WO2017181932A1 (en) * 2016-04-18 2017-10-26 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for recommending an estimated time of arrival

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5839114A (en) * 1996-02-29 1998-11-17 Electronic Data Systems Corporation Automated system for selecting an initial computer reservation system
JP2000311243A (ja) * 1999-04-28 2000-11-07 Sony Corp 画像色補正方法及び装置
US20030125961A1 (en) * 2001-12-27 2003-07-03 Caterpillar Inc. Autonomous rental store
WO2006099429A2 (en) * 2005-03-14 2006-09-21 Thaler Stephen L Neural network development and data analysis tool
US7603231B2 (en) * 2005-11-12 2009-10-13 Alpine Electronics, Inc. Navigation method and system having improved arrival detection function for large scale destination
CN101606846B (zh) * 2009-07-10 2011-01-12 中国科学技术大学 基于神经网络定位器的pet探测器信号处理设备
US8498953B2 (en) * 2010-03-30 2013-07-30 Sap Ag Method for allocating trip sharing
US10796176B2 (en) * 2010-06-07 2020-10-06 Affectiva, Inc. Personal emotional profile generation for vehicle manipulation
JP2012008771A (ja) * 2010-06-24 2012-01-12 Sony Corp 情報処理装置、情報処理システム、情報処理方法およびプログラム
US20140088865A1 (en) * 2012-09-27 2014-03-27 Siemens Industry, Inc. Apparatus and method for predicting arrival times in a transportation network
US9286793B2 (en) * 2012-10-23 2016-03-15 University Of Southern California Traffic prediction using real-world transportation data
JP6266238B2 (ja) * 2013-07-03 2018-01-24 クラリオン株式会社 接近物検出システム、及び車両
CN104123836B (zh) * 2014-07-29 2016-04-06 北京嘀嘀无限科技发展有限公司 基于城市叫车订单时间地点组合的订单推送系统
CN104794886A (zh) * 2014-08-12 2015-07-22 北京东方车云信息技术有限公司 网络租车系统中打车费用预估系统和方法
TWI522974B (zh) * 2014-10-06 2016-02-21 Chunghwa Telecom Co Ltd 到站時間預測系統與方法
CN104318757B (zh) * 2014-11-03 2016-04-20 大连海事大学 一种公交专用道上的公交车车路段运行时间预测方法
US10175054B2 (en) * 2015-01-11 2019-01-08 Microsoft Technology Licensing, Llc Predicting and utilizing variability of travel times in mapping services
CN105303817B (zh) * 2015-09-16 2019-01-29 北京嘀嘀无限科技发展有限公司 一种出行方式的规划方法及装置
US9493157B2 (en) * 2015-01-29 2016-11-15 Toyota Motor Engineering & Manufacturing North America, Inc. Autonomous vehicle operation in obstructed occupant view and sensor detection environments
JP6093790B2 (ja) * 2015-03-12 2017-03-08 エヌ・ティ・ティ・コミュニケーションズ株式会社 測位装置、測位方法、測位プログラム、測位システム及び測位端末
CN105279563A (zh) * 2015-09-30 2016-01-27 传成文化传媒（上海）有限公司 一种基于电视的车辆预定方法及系统
JP6575818B2 (ja) * 2016-03-25 2019-09-18 パナソニックＩｐマネジメント株式会社 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、運転支援システム、プログラム
US10452068B2 (en) * 2016-10-17 2019-10-22 Uber Technologies, Inc. Neural network system for autonomous vehicle control
CN106652534B (zh) * 2016-12-14 2019-08-16 北京工业大学 一种预测公交车到站时间的方法
CN106874511B (zh) * 2017-03-06 2020-05-05 云南电网有限责任公司电力科学研究院 一种基于绝缘子金属附件腐蚀电荷量预测系统的数据库
CN106971545B (zh) * 2017-05-16 2019-07-30 青岛大学 一种公交车到站时间预测方法
CN106981198B (zh) * 2017-05-24 2020-11-03 北京航空航天大学 用于旅行时间预测的深度学习网络模型及其建立方法
CN107633317B (zh) * 2017-06-15 2021-09-21 北京百度网讯科技有限公司 建立行程规划模型以及规划出游行程的方法、装置
CA3028278A1 (en) * 2017-11-23 2019-05-23 Beijing Didi Infinity Technology And Development Co., Ltd. System and method for estimating arrival time

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170300814A1 (en) * 2016-04-13 2017-10-19 Google Inc. Wide and deep machine learning models
WO2017181932A1 (en) * 2016-04-18 2017-10-26 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for recommending an estimated time of arrival

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LIU YANGDONG ET AL, "Short-term travel time prediction by deep learning: A comparison of different LSTM-DNN models", 2017 IEEE 20TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), IEEE, (20171016), doi:10.1109/ITSC.2017.8317886, pages 1 - 8, XP033330538
LIU YANGDONG ET AL, "Short-term travel time prediction by deep learning: A comparison of different LSTM-DNN models", 2017 IEEE 20TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), IEEE, (20171016), doi:10.1109/ITSC.2017.8317886, pages 1 - 8, YANJIE DUAN ET AL, "Travel time prediction with LSTM neural network", 2016 IEEE 19TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), IEEE, (20161101), doi:10.1109/ITSC.2016.7795686, pages 1053 - 1058, *
LIU YANGDONG; WANG YIZHE; YANG XIAOGUANG; ZHANG LINAN: "Short-term travel time prediction by deep learning: A comparison of different LSTM-DNN models", 2017 IEEE 20TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), IEEE, 16 October 2017 (2017-10-16), pages 1 - 8, XP033330538, DOI: 10.1109/ITSC.2017.8317886 *
YANJIE DUAN ET AL, "Travel time prediction with LSTM neural network", 2016 IEEE 19TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), IEEE, (20161101), doi:10.1109/ITSC.2016.7795686, pages 1053 - 1058, XP033028469
YANJIE DUAN; YISHENG LV; FEI-YUE WANG: "Travel time prediction with LSTM neural network", 2016 IEEE 19TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), IEEE, 1 November 2016 (2016-11-01), pages 1053 - 1058, XP033028469, DOI: 10.1109/ITSC.2016.7795686 *

Also Published As

Publication number Publication date
US20190226855A1 (en) 2019-07-25
CA3028278A1 (en) 2019-05-23
CN110073426B (zh) 2021-10-26
CN113865606A (zh) 2021-12-31
JP6804792B2 (ja) 2020-12-23
US10527436B2 (en) 2020-01-07
JP2020502601A (ja) 2020-01-23
EP3507783B1 (en) 2021-11-10
AU2017421868A1 (en) 2019-06-06
WO2019100279A1 (en) 2019-05-31
CN110073426A (zh) 2019-07-30
CN113850371A (zh) 2021-12-28
EP3507783A4 (en) 2019-07-31
TW201926156A (zh) 2019-07-01
EP3507783A1 (en) 2019-07-10
US10127496B1 (en) 2018-11-13

Similar Documents

Publication Publication Date Title
TWI694388B (zh) 用於估計到達時間的系統和方法
US20230342708A1 (en) Integrated multi-location scheduling, routing, and task management
CN110431544B (zh) 行驶时间和距离预估系统和方法
JP6568240B2 (ja) 運輸サービスの料金を求める方法及びシステム
JP6637054B2 (ja) オン・デマンドサービスの情報を提供する方法及びシステム
CN110675621B (zh) 预测交通信息的系统和方法
JP6965426B2 (ja) 到着時間を推定するためのシステムおよび方法
US20190385121A1 (en) Trip inferences and machine learning to optimize delivery times
CN111066048B (zh) 用于乘车订单分派的系统和方法
WO2020001261A1 (en) Systems and methods for estimating an arriel time of a vehicle
TW201738811A (zh) 推薦預計到達時間的系統及方法
CN111833600B (zh) 通行时间预测方法、装置及数据处理设备
CN109891469B (zh) 交通信号灯配时系统与方法
CN110782648B (zh) 确定预计到达时间的系统和方法
WO2022073444A1 (en) Systems and methods for dispatching shared rides through ride-hailing platform
CN112106021B (zh) 提供车辆导航模拟环境的方法和装置
US10989546B2 (en) Method and device for providing vehicle navigation simulation environment