[發明專利]估計到達時間的系統和方法

在審

• 申請號: 202111106261.8
• 申請日: 2017-11-23
• 公開（公告）號: CN113850371A
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 傅昆;王征
• 申請（專利權）人: 北京嘀嘀無限科技發展有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N20/00;G01C21/34
• 代理公司: 成都七星天知識產權代理有限公司 51253
• 代理人: 戴勇靈

本申請提供了用于估計與乘車訂單相關聯的到達時間的系統和方法。示例性方法可以包括：將運輸信息輸入到訓練后的機器學習模型。運輸信息可以包括與乘車訂單相關聯的起點和目標地，以及訓練后的機器學習模型可以包括廣度網絡和深度神經網絡。該方法進一步可以包括，基于訓練后的機器學習模型，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。

分案說明

本申請是針對申請日為2017年11月23日，申請號為201780038508.2，發明名稱為估計到達時間的系統和方法的中國申請，提出的分案申請。

技術領域

本申請涉及用于估計到達時間的方法和設備。

背景技術

車輛調度平臺可以將運輸請求分配給各個車輛，以分別提供運輸服務。請求此類服務的用戶可以為平臺指示起點和目的地以確定一條或以上合適的路線。為了幫助估計服務費和/或為決定是否接受服務提供信息，準確預測到達目的地的到達時間是很重要的。

發明內容

本申請的各種實施例可以包括被配置為估計到達時間的系統、方法和非暫時性計算機可讀介質。用于估計與乘車訂單相關聯的到達時間的方法可以包括將運輸信息輸入到訓練后的機器學習模型。所述運輸信息可以包括與所述乘車訂單相關聯的起點和目的地。所述訓練后的機器學習模型可以包括的廣度網絡和深度神經網絡。所述方法可以進一步包括，基于所述訓練后的機器學習模型，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序列，每個鏈路對應一個路段。所述運輸信息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、實時鏈路交通速度、鏈路長度或鏈路交通燈持續時間。

在一些實施例中，訓練機器學習模型包括，對于至少兩個歷史車輛行程中的每一個歷史車輛行程：獲得與所述歷史車輛行程相關的運輸訓練數據，所述運輸訓練數據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；從所述運輸訓練數據獲得一個或以上全局特征；將所述全局特征輸入到所述廣度網絡以及將所述全局特征輸入到所述深度神經網絡，以分別獲得輸出基于所述廣度網絡以及所述深度神經網絡的所述輸出獲得估計歷史行程時間；以及至少基于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，更新與所述廣度網絡和所述深度神經網絡相關聯的權重以獲得所述訓練后的機器學習模型。所述歷史路線可以對應于連接的鏈路序列，每個鏈路對應一個路段。對于所述歷史路線中所述鏈路，所述全局特征可以是統一的。所述局部特征可以分別與所述鏈路相關。

在一些實施例中，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)第一密集特征，所述第一密集特征包括包含所述路線的形狀。

在一些實施例中，將所述全局特征輸入到所述廣度網絡，從所述廣度網絡獲得所述輸出，包括：獲得至少兩個特征乘積，所述每個特征乘積對應于所述全局特征中的每兩個全局特征之間的乘積；以及基于所述全局特征和所述獲得的特征乘積執行仿射變換，得到所述廣度網絡的輸出。所述仿射變換可以將所述全局特征和所述獲得的特征乘積映射到輸出，并且所述全局特征和所述輸出可以與所述權重中的一個或以上相關聯。

在一些實施例中，所述深度神經網絡可以包括前饋神經網絡，所述前饋神經網絡可以包括按照一定順序排列的至少兩個層，彼此相鄰的每兩個層可以與所述權重中的一個或以上相關聯，所述至少兩個層可以包括輸入層、一個或以上隱藏層和輸出層，所述全局特征可以包括稀疏特征和第一密集特征。將所述全局特征輸入到所述深度神經網絡，以從所述深度神經網絡獲得所述輸出可包括：嵌入所述稀疏特征；連接所述第一密集特征和所述嵌入后的稀疏特征；以及將所述連接后的第一密集特征和稀疏特征饋送到所述前饋神經網絡，以從所述前饋神經網絡獲得所述輸出。