费用预测方法及费用预测数据系统技术方案

本披露内容的一个方面涉及一种费用预测数据系统以及一种预测运输服务的费用的方法，该方法包括：在服务器处从数字设备接收包括服务时间的请求；在该服务器处计算预测费用；以及将该预测费用从该服务器发送到该数字设备。计算该预测费用使用该服务时间、长期波动预测和短期波动预测作为费用估计器中的输入。该长期波动预测可以使用长期波动预测器(LTSP)来计算，并且该短期波动预测可以使用短期波动预测器(STSP)来计算。该LTSP使用历史数据，并且该STSP使用该历史数据以及可能比该历史数据更新的近期数据。其他方面涉及波动预测系统、方法以及包括用于执行这些方法中的任何方法的指令的计算机产品。的指令的计算机产品。的指令的计算机产品。

【技术实现步骤摘要】
【国外来华专利技术】费用预测方法及费用预测数据系统


[0001]本披露内容的各方面涉及预测例如运输服务的波动和/或费用的方法。本披露内容的其他方面涉及计算机产品。本披露内容的其他方面涉及波动和/或费用预测数据系统。

技术介绍

[0002]在打车业务中，准确估计乘客前往特定位置的费用对于服务乘客并增强他们对服务的信心至关重要。一种简单的方法是假设未来的费用和波动分布与其历史分布相同或非常接近，并且在地理哈希到地理哈希对级别复制旧数据以直接提供服务。然而，一个主要的缺点是这种简单的方法容易出错且不准确。另一个困难是以很小的时间间隔存储地理哈希对键值(Key
‑
Value)特征需要大量的存储空间。因此，需要提供一种解决上述问题的改进的费用和/或波动估计方法。

技术实现思路

[0003]本披露内容的一个方面涉及一种预测运输服务的费用的方法。该方法可以包括在服务器处例如从数字设备接收包括服务时间的请求。该服务器可以是分布式服务器，其例如包括多于一个物理服务器。该方法可以进一步包括在该服务器处计算预测费用。该方法可以进一步将该预测费用从该服务器发送到该数字设备。计算该预测费用可以使用该服务时间、长期波动预测和短期波动预测作为费用估计器中的输入。
[0004]该长期波动预测可以使用长期波动预测器(LTSP)来计算，并且该短期波动预测可以使用短期波动预测器(STSP)来计算。该LTSP使用历史数据。该短期波动预测器可以使用近期数据，并且可以进一步使用以下各项中的一项：该历史数据和该长期波动预测。该近期数据可能比该历史数据更新。
[0005]本披露内容的另一个方面涉及一种预测运输服务的波动的方法。该方法可以包括在服务器处接收包括服务时间的请求。该方法可以进一步包括基于使用长期波动预测器计算的长期波动预测、使用短期波动预测器计算的短期波动预测、或它们的组合来在该服务器处提供预测波动。该方法可以进一步包括计算该长期波动预测。该方法可以进一步包括计算该短期波动预测。该LTSP可以是用历史数据训练的经训练长短期记忆(LSTM)神经网络。该STSP可以是用包括比该历史数据更新的近期数据的训练数据训练的经训练LSTM神经网络，其中，该训练数据可选地进一步包括该历史数据和/或该长期波动预测。
[0006]本披露内容的另一个方面涉及一种包括服务器的费用预测数据系统。该服务器可以被配置为例如从数字设备接收包括服务时间的请求。该服务器可以包括用于(例如，被配置为)基于历史数据计算长期波动预测的LTSP。该服务器可以包括用于(例如，被配置为)基于可能比该历史数据更新的近期数据计算短期波动预测的STSP。该服务器可以包括费用估计器，该费用估计器被配置为基于该服务时间以及以下各项中的至少一项来计算预测费用：该长期波动预测、该短期波动预测、该预测波动或它们的组合。该服务器可以被配置为将该预测费用发送到该数字设备。该服务器可以是分布式服务器，其例如包括多于一个物
理服务器、或者一个或多个计算机系统。
[0007]本披露内容的另一个方面涉及一种用于运输服务的波动预测数据系统。该波动预测数据系统可以包括被配置为接收包括服务时间的请求的服务器。服务器可以进一步被配置为提供预测波动。该预测波动可能是基于使用LTSP计算的长期波动预测；使用STSP计算的短期波动预测；或它们的组合。该LTSP可以包括用历史数据训练的第一经训练LSTM神经网络。该STSP可以包括用包括比该历史数据更新的近期数据的训练数据训练的第二经训练LSTM神经网络，其中，该训练数据可选地进一步包括该历史数据和/或该长期波动预测。
[0008]根据各种实施例，该近期数据可以具有比该历史数据更高的时间分辨率。
[0009]根据各种实施例，该近期数据可以包括来自从当前时间起经过的预定时间段内完成的交易的数据。
[0010]根据各种实施例，来自交易的数据可以是从实时交易数据流中获得的。
[0011]根据各种实施例，该预定时间段具有从2小时到24小时、优选地从5小时到8小时中选择的持续时间。
[0012]根据各种实施例，该长期波动预测可以存储在可能以规律的间隔更新的长期波动数据库中。
[0013]根据各种实施例，该规律的间隔可以等于或大于一天。
[0014]根据各种实施例，该更新可以包括计算多个规律的间隔(例如，7天)内的长期波动预测。
[0015]根据各种实施例，该多个规律的间隔可以按重复周期分组，例如一周或一个月。
[0016]根据各种实施例，近期数据可以以时间序列的形式被处理，并且可以被添加到该历史数据中。
[0017]根据各种实施例，该时间序列的数据点的时间间隔可以为至少一分钟，例如至少10分钟。
[0018]根据各种实施例，计算该预测费用可以进一步使用以下各项中的至少一项作为该费用估计器中的输入：服务时间、行驶速度、估计行驶持续时间、路线距离、上车位置、下车位置、交通工具类型、天气、事件。
[0019]根据各种实施例，该费用估计器可以包括分位数回归神经网络。
[0020]根据各种实施例，该预测费用、该长期波动预测和该短期波动预测中的每一者都可以是针对相同的地理哈希(例如，上车位置的地理哈希(geohash))提供(例如，计算)的。
[0021]根据各种实施例，该STSP可以包括经训练长短期记忆神经网络。
[0022]根据各种实施例，该LTSP可以包括经训练长短期记忆神经网络。
[0023]根据各种实施例，该历史数据可以存储在第一存储器中，并且该近期数据可以存储在第二存储器中，可选地，其中，该第一存储器和该第二存储器具有不同的类型。
[0024]本披露内容的另一个方面涉及一种计算机产品，该计算机产品包括用于执行根据各种实施例的预测费用的方法和/或预测费用的波动的方法的指令。
[0025]本披露内容的另一个方面涉及一种用于按照根据各种实施例的预测费用的方法来预测费用的费用预测数据系统。
[0026]本披露内容的另一个方面涉及一种用于按照根据各种实施例的预测费用的方法来预测波动的波动预测数据系统。
附图说明
[0027]当结合非限制性示例和附图考虑时，参考具体实施方式将更好地理解本专利技术，在附图中：
‑
图1A示出了根据一些实施例的费用预测数据系统100A的简图；
‑
图1B示出了根据一些实施例的费用预测数据系统100B的简图；
‑
图2示出了根据各种实施例的方法1000的流程图；
‑
图3A示出了用于说明可以如何更新长期波动数据库的方法2000的流程图；
‑
图3B示出了长期波动数据库中的长期波动数据的示意图。
‑
图4示出了用于说明可以如何更新短期波动数据库的方法3000的流程图；
‑
图5示出了作为图4的方法3000的变体的方法4000的流程图；以及
‑
图6示出了作为图5的方法4000的变体的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种预测运输服务的费用(20)的方法(1000)，该方法包括：在服务器(200)处接收(1100)包括服务时间的请求(10)；以及在该服务器处计算(1200)预测费用(20)；其中，计算该预测费用(20)使用该服务时间、长期波动预测和短期波动预测作为费用估计器(240)中的输入，其中，该长期波动预测是使用长期波动预测器(LTSP)(210)计算的，而该短期波动预测是使用短期波动预测器(STSP)(220)计算的，其中，该LTSP(210)使用历史数据(310)，并且该STSP(220)使用比该历史数据(310)更新的近期数据(410)以及以下各项中的至少一项：该历史数据和该长期波动预测。2.如权利要求1所述的方法(1000)，进一步包括从该服务器(200)向数字设备(50)发送(1300)该预测费用(20)。3.如权利要求1或权利要求2所述的方法(1000)，其中，该近期数据(410)具有比该历史数据(310)更高的时间分辨率。4.如前述权利要求1至3中任一项所述的方法(1000)，其中，该近期数据(410)包括来自从当前时间起经过的预定时间段内完成的交易的数据，其中，来自交易的数据是从实时交易数据流中获得的。5.如权利要求4所述的方法(1000)，其中，该预定时间段具有从2小时到24小时、优选地从5小时到8小时中选择的持续时间。6.如前述权利要求中任一项所述的方法(1000)，其中，该长期波动预测存储在以规律的间隔更新的长期波动数据库中。7.如权利要求6所述的方法(1000)，其中，该规律的间隔等于或大于一天。8.如权利要求6或权利要求7所述的方法(1000)，其中，该更新包括计算多个规律的间隔内的长期波动预测。9.如权利要求8所述的方法(1000)，其中，该多个规律的间隔按重复周期分组，例如一周或一个月。10.如前述权利要求中任一项所述的方法(1000)，其中，近期数据(410)以时间序列的形式被处理，并且被添加到该历史数据(310)中。11.如权利要求10所述的方法(1000)，其中，该时间序列的数据点的时间间隔为至少一分钟，例如至少10分钟。12.如前述权利要求中任一项所述的方法(1000)，其中，计算该预测费用(20)进一步使用以下各项中的至少一项作为该费用估计器中的输入：服务时间、行驶速度、估计行驶持续时间、路线距离、上车位置、下车位置、交通工具类型、天气、事件。13.如前述权利要求中任一项所述的方法(1000)，其中，该费用估计器(240)包括分位数回归神经网络。14.如前述权利要求中任一项所述的方法，其中，该预测费用(20)、该长期波动预测和该短期波动预测中的每一者都是针对相同的地理哈希计算的。15.如前述权利要求中任一项所述的方法，其中，该STSP(220)和该LTSP(210)中的至少一者包括相应的经训练长短期记忆神经网络。
16.一种计算机产...

【专利技术属性】
技术研发人员：仇学恒，李文橦，王晨，
申请(专利权)人：格步计程车控股私人有限公司，
类型：发明
国别省市：