估计到达时间的系统和方法技术方案

本申请提供了用于估计与乘车订单相关联的到达时间的系统和方法。示例性方法可以包括：将运输信息输入到训练后的机器学习模型。运输信息可以包括与乘车订单相关联的起点和目标地，以及训练后的机器学习模型可以包括广度网络和深度神经网络。该方法进一步可以包括，基于训练后的机器学习模型，获得通过连接起点和目的地的路线到达目的地的估计时间。起点和目的地的路线到达目的地的估计时间。起点和目的地的路线到达目的地的估计时间。

【技术实现步骤摘要】
估计到达时间的系统和方法
分案说明
[0001]本申请是针对申请日为2017年11月23日，申请号为201780038508.2，专利技术名称为估计到达时间的系统和方法的中国申请，提出的分案申请。


[0002]本申请涉及用于估计到达时间的方法和设备。

技术介绍

[0003]车辆调度平台可以将运输请求分配给各个车辆，以分别提供运输服务。请求此类服务的用户可以为平台指示起点和目的地以确定一条或以上合适的路线。为了帮助估计服务费和/或为决定是否接受服务提供信息，准确预测到达目的地的到达时间是很重要的。

技术实现思路

[0004]本申请的各种实施例可以包括被配置为估计到达时间的系统、方法和非暂时性计算机可读介质。用于估计与乘车订单相关联的到达时间的方法可以包括将运输信息输入到训练后的机器学习模型。所述运输信息可以包括与所述乘车订单相关联的起点和目的地。所述训练后的机器学习模型可以包括的广度网络和深度神经网络。所述方法可以进一步包括，基于所述训练后的机器学习模型，获得通过连接所述起点和所述目的地的路线到达所述目的地的估计时间。
[0005]在一些实施例中，所述路线包括连接的链路序列，每个链路对应一个路段。所述运输信息进一步包括以下中的至少一个：司机标识、乘客标识、星期几、时间、天气、高峰时段确定、包含所述路线的形状、链路标识、链路速度限制、链路收费确定、链路道路宽度、链路道路等级、实时链路交通速度、链路长度或链路交通灯持续时间。
[0006]在一些实施例中，训练机器学习模型包括，对于至少两个历史车辆行程中的每一个历史车辆行程：获得与所述历史车辆行程相关的运输训练数据，所述运输训练数据包括连接历史起点和历史目的地的历史路线和真实历史行程时间；从所述运输训练数据获得一个或以上全局特征；将所述全局特征输入到所述广度网络以及将所述全局特征输入到所述深度神经网络，以分别获得输出基于所述广度网络以及所述深度神经网络的所述输出获得估计历史行程时间；以及至少基于所述估计历史行程时间和所述真实历史行程时间之间的差异的最小化，更新与所述广度网络和所述深度神经网络相关联的权重以获得所述训练后的机器学习模型。所述历史路线可以对应于连接的链路序列，每个链路对应一个路段。对于所述历史路线中所述链路，所述全局特征可以是统一的。所述局部特征可以分别与所述链路相关。
[0007]在一些实施例中，所述全局特征可以包括(1)稀疏特征，所述稀疏特征包括以下至少一个：司机标识、乘客标识、星期几、时间、天气或高峰时段确定；(2)第一密集特征，所述第一密集特征包括包含所述路线的形状。
[0008]在一些实施例中，将所述全局特征输入到所述广度网络，从所述广度网络获得所述输出，包括：获得至少两个特征乘积，所述每个特征乘积对应于所述全局特征中的每两个全局特征之间的乘积；以及基于所述全局特征和所述获得的特征乘积执行仿射变换，得到所述广度网络的输出。所述仿射变换可以将所述全局特征和所述获得的特征乘积映射到输出，并且所述全局特征和所述输出可以与所述权重中的一个或以上相关联。
[0009]在一些实施例中，所述深度神经网络可以包括前馈神经网络，所述前馈神经网络可以包括按照一定顺序排列的至少两个层，彼此相邻的每两个层可以与所述权重中的一个或以上相关联，所述至少两个层可以包括输入层、一个或以上隐藏层和输出层，所述全局特征可以包括稀疏特征和第一密集特征。将所述全局特征输入到所述深度神经网络，以从所述深度神经网络获得所述输出可包括：嵌入所述稀疏特征；连接所述第一密集特征和所述嵌入后的稀疏特征；以及将所述连接后的第一密集特征和稀疏特征馈送到所述前馈神经网络，以从所述前馈神经网络获得所述输出。
[0010]根据另一方面，本申请提供了一种用于估计与乘车订单相关联的到达时间的系统。所述系统可以在服务器上实现。所述系统可以包括处理器和存储指令的非暂时性计算机可读存储介质，所述指令在由所述处理器执行时使所述系统执行方法。所述方法可以包括将运输信息输入到训练后的机器学习模型。所述运输信息可以包括与所述乘车订单相关联的起点和目的地。所述训练后的机器学习模型包括耦合的广度网络、深度神经网络和递归神经网络。所述方法可以进一步包括，基于所述训练后的机器学习模型，获得通过连接所述起点和所述目的地的路线到达所述目的地的估计时间。
[0011]根据另一方面，本申请提供了一种用于估计与乘车订单相关联的到达时间的方法。所述方法可以在服务器上实现。所述方法可以包括从设备接收从起点运输到目的地的乘车订单，确定连接所述起点和所述目的地的路线，获取与所述路线相关的运输信息，将所述获得的运输信息输入训练后的机器学习模型，以获得通过所述路线到达所述目的地的估计时间，以及将所述估计时间在所述设备上播放，所述训练后的机器学习模型包括耦合的广度网络和深度神经网络。
[0012]根据另一方面，本申请提供了一种用于估计与乘车订单相关联的达到时间的系统，包括处理器和存储指令的非暂时性计算机可读存储介质，所述指令在由处理器执行时使得系统执行方法。所述方法可以包括：从设备接收从起点运输到目的地的乘车订单；确定连接所述起点和所述目的地的路线；获取与所述路线相关的运输信息；将所述获得的运输信息输入训练后的机器学习模型，以获得通过所述路线到达所述目的地的估计时间；以及将所述估计时间在所述设备上播放；所述训练后的机器学习模型包括耦合的广度网络和深度神经网络。
[0013]根据另一方面，本申请提供了一种存储指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，使所述处理器执行用于估计与乘车订单相关联的到达时间的方法。所述方法可以包括：从设备接收从起点运输到目的地的乘车订单；确定连接所述起点和所述目的地的路线；获取与所述路线相关的运输信息；将所述获得的运输信息输入训练后的机器学习模型，以获得通过所述路线到达所述目的地的估计时间；以及将所述估计时间在所述设备上播放；所述训练后的机器学习模型包括耦合的广度网络和深度神经网络。
[0014]当结合参考附图来考虑以下描述和所附权利要求时，本申请披露的系统、方法和
非暂时性计算机可读介质的这些和其他特征，以及结构的相关元件的操作方法和功能，以及部件的组合和制造经济性将更加显而易见。本申请的所有附图均构成说明书的一部分，其中在各个附图中，相似的附图标记表示的相应部分。然而，应当理解的是，附图仅用于说明和描述的目的，并不旨在作为限制本申请的定义。
附图说明
[0015]本技术的各实施例的某些特征在所附权利要求中具体阐述。通过参考以下具体实施方式及其附图，将更好地理解本技术的特征和优点，其中具体实施方式详尽介绍了利用本申请原理的说明性实施例，所述附图包括：
[0016]图1示出了根据各种实施例的用于估计到达时间的示例环境。
[0017]图2示出了根据各种实施例的用于估计到达时间的示例系统。
[0018]图3A示出了根据各种实施例的用于估计到达时间的示例机器学习模型。
[0019]图3B示出了根据各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于估计与乘车订单相关联的到达时间的方法，包括：将运输信息输入到训练后的机器学习模型，其中：所述运输信息包括与所述乘车订单相关联的起点和目的地，以及所述训练后的机器学习模型包括广度网络和深度神经网络；基于所述训练后的机器学习模型，获得通过连接所述起点和所述目的地的路线到达所述目的地的估计时间。2.根据权利要求1所述的方法，其特征在于，训练所述机器学习模型包括，对于至少两个历史车辆行程中的每一个历史车辆行程：获取与所述历史车辆行程相关的运输训练数据，其中，所述运输训练数据包括连接历史起点和历史目的地的历史路线和真实历史行程时间，其中，所述历史路线对应于链路序列，每个所述链路对应于一个路段；从所述运输训练数据获取一个或以上全局特征；将所述全局特征输入到所述广度网络以及将所述全局特征输入到所述深度神经网络，以分别获得输出。3.根据权利要求2所述的方法，其特征在于，所述方法进一步包括：基于所述广度网络以及所述深度神经网络的所述输出获得估计历史行程时间；以及基于所述估计历史行程时间与所述真实历史行程时间之间的差异的最小化来更新与所述广度网络和所述深度网络相关联的权重以获得所述训练后的机器学习模型。4.根据权利要求2所述的方法，其特征在于：对于所述历史路线中所述链路，所述全局特征是统一的。5.根据权利要求2所述的方法，其特征在于，所述全局特征包括：稀疏特征，所述稀疏特征包括以下至少一个：司机标识、乘客标识、星期几、时间、天气或高峰时段确定；以及第一密集特征，所述第一密集特征包括包含所述路线的形状。6.根据权利要求2所述的方法，其特征在于，将所述全局特征到输入到所述广度网络，以从所述广度网络获得所述输出，包括：获得至少两个特征乘积，所述每个特征乘积对应于所述全局特征中的每两个全局特征之间的乘积。7.根据权利要求2所述的方法，其特征在于：所述深度神经网络包括前馈神经网络，所述全局特征包括稀疏特征和第一密集特征；以及将所述全局特征输入到所述深度神经网络，以从所述深度神经网络获得所述输出，包括：嵌入所述稀疏特征；连接所述第一密集特征和所述嵌入后的稀疏特征；以及将所述连接后的第一密集特征和稀疏特征馈送到所述前馈神经网络，以从所...

【专利技术属性】
技术研发人员：傅昆，王征，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：