估计到达时间的系统和方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113850371A(43)申请公布日2021.12.28(21)申请号202111106261.8G01C21/34(2006.01)(22)申请日2017.11.23(62)分案原申请数据201780038508.22017.11.23(71)申请人北京嘀嘀无限科技发展有限公司地址100193北京市海淀区东北旺路西路8号院34号楼(72)发明人傅昆王征(74)专利代理机构成都七星天知识产权代理有限公司51253代理人戴勇灵(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06N20/00(2019.01)权利要求书2页说明书13页附图8页(54)发明名称估计到达时间的系统和方法(57)摘要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。CN113850371ACN113850371A权利要求书1/2页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，以从所述前馈神经网络获得所述输出。8.根据权利要求1所述的方法，其特征在于：所述路线包括连接的链路序列，每个链路对应一个路段；以及2CN113850371A权利要求书2/2页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。9.一种用于估计与乘车订单相关联的到达时间的系统，所述系统在服务器上实现，所述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，所述指令在由所述处理器执行时使所述系统执行如权利要求1‑8中任意一项所述的方法。10.一种用于估计与乘车订单相关联的到达时间的方法，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。11.一种用于估计与乘车订单相关联的到达时间的系统，包括处理器和存储指令的非暂时性计算机可读