CN111860906B - 一种确定预估到达时间的方法和系统 - Google Patents

Abstract

本申请实施例公开了一种确定预估到达时间的方法，所述方法包括：获取当前订单的相关数据，所述当前订单的相关数据至少包括：出发时间；基于所述当前订单的出发时间，获得所述出发时间对应的第一时间段的第一特征向量；获取多个第二时间段的第二特征向量，所述第二时间段和所述第一时间段相关；基于所述第一时间段的第一特征向量和所述多个第二时间段的第二特征向量，获得所述当前订单对应的目标特征向量；至少基于所述目标特征向量，获得所述当前订单的预估到达时间。

Description

一种确定预估到达时间的方法和系统

技术领域

本申请涉及交通技术领域，特别涉及一种确定预估到达时间的方法和系统。

背景技术

随着网约车市场的发展，打车平台给人们的生活带来便捷，而预估到达时间(Estimated Time of Arrival，ETA)是一个非常重要的技术指标，它用于预估到达指定目的地的时间，能够描述用户的出行所花费的时间和成本。在进行ETA计算时，时间是一个重要的计算特征，由于相邻时间段数据之间具有相似性，独立计算的结果准确性较低，使得ETA不能够被准确预估。因此，有必要提出一种确定预估到达时间的方法和系统，来对订单的到达时间进行有效的预估，提升用户体验感。

发明内容

本申请实施例之一提供一种确定预估到达时间的方法，所述方法包括：获取当前订单的相关数据，所述当前订单的相关数据至少包括：出发时间；基于所述当前订单的出发时间，获得所述出发时间对应的第一时间段的第一特征向量；获取多个第二时间段的第二特征向量，所述第二时间段和所述第一时间段相关；基于所述第一时间段的第一特征向量和所述多个第二时间段的第二特征向量，获得所述当前订单对应的目标特征向量；至少基于所述目标特征向量，获得所述当前订单的预估到达时间。

在一些实施例中，所述基于所述当前订单的出发时间，获得所述出发时间对应的第一时间段的第一特征向量，包括：根据预设的时间段划分方法对预设时间段进行处理，获得多个候选时间段；获取每个候选时间段的相关数据，所述相关数据至少包括：候选时间段的起始时间、候选时间段的结束时间、候选时间段对应的候选特征向量；基于多个候选时间段的起始时间和/或结束时间，从多个候选时间段中确定所述当前订单对应的第一时间段；指定所述第一时间段的候选时间段对应的候选特征向量作为所述第一时间段的第一特征向量。

在一些实施例中，所述获取多个第二时间段的第二特征向量，包括：基于所述第一特征向量的维度数量和预设维度数量，从所述多个候选时间段中确定多个第二时间段；指定作为所述第二时间段的候选时间段对应的候选特征向量作为所述第二时间段的第二特征向量。本申请实施例之一提供一种确定预估到达时间的装置，包括处理器，其特征在于，所述处理器用于执行确定预估到达时间方法。

在一些实施例中，所述从所述多个候选时间段中确定多个第二时间段，包括：确定所述第一特征向量的维度数量与所述预设维度数量之间的比值；基于所述比值，从所述多个候选时间段中选取包含所述第一时间段的多个第三时间段；指定所述多个第三时间段中除所述第一时间段外的其他时间段作为所述多个第二时间段。

在一些实施例中，所述至少基于所述预设维度数量的目标特征向量，获得所述当前订单的预估到达时间，包括：获取所述当前订单的订单特征；根据到达时间预测算法处理所述目标特征向量以及所述订单特征，获得所述当前订单的预估到达时间。

在一些实施例中，所述到达时间预测算法包括用于预估到达时间的预估模型；所述预估模型为机器学习模型，其基于以下操作获得：获取训练集，所述训练集包括多个样本对；利用所述训练集对初始模型进行训练，获得所述预估模型。

在一些实施例中，所述获取训练集，包括：获取历史订单的相关数据；

基于所述历史订单的相关数据和所述历史订单的到达时间，生成样本对；其中，所述历史订单的相关数据至少包括：历史订单特征、所述历史订单对应的特征向量。

本申请实施例之一提供一种确定预估达到时间的系统，所述系统包括：获取模块，用于获取当前订单的相关数据，所述当前订单的相关数据至少包括：出发时间；第一处理模块，用于基于所述当前订单的出发时间，获得所述出发时间对应的第一时间段的相关数据；所述第一处理模块，还用于获取多个第二时间段的相关数据，所述第二时间段和所述第一时间段相关；所述第一处理模块，还用于基于所述第一时间段的相关数据和所述多个第二时间段的相关数据，获得所述当前订单对应的预设维度数量的时间特征向量；第二处理模块，用于至少基于所述预设维度数量的时间特征向量，获得所述当前订单的预估到达时间。

在一些实施例中，所述第一处理模块，用于，根据预设的时间段划分方法对时间特征向量进行处理，获得多个时间段的相关数据，所述每个时间段的相关数据至少包括：时间段数据、时间段的起始时间、时间段的结束时间，所述每个时间段数据包括多个维度的参数；基于所述每个时间段的起始时间和/或每个时间段的结束时间，确定所述当前订单对应的第一时间段。

在一些实施例中，所述第一处理模块，还用于，根据预设的维度变化方法，对所述时间段数据进行处理，获得变动维度后的时间段数据，所述变动维度的时间段数据包括变动维度后的多个维度的参数。

在一些实施例中，所述第一处理模块，还用于，当将所述第一时间段的结束时间确定为一个第二时间段的起始时间时，根据时间段的维度数量和预设的时间特征的维度数量，确定第二时间段的数量；当将所述第一时间段的起始时间确定为一个时间段的结束时间时，根据时间段的维度数量和预设的时间特征的维度数量，确定第二时间段的数量。

在一些实施例中，所述第二处理模块，用于，根据预设的预估到达时间方法处理所述当前订单的相关数据，获得所述当前订单的预估到达时间；其中，所述当前订单的相关数据至少还包括当前订单特征。

在一些实施例中，所述第二处理模块，还用于，利用预设的预估到达时间模型处理当前订单的相关数据；所述预估达到时间模型通过以下方法获得：获取训练集，所述训练集包括多个样本对；利用所述训练集对初始模型进行训练，获得预估达到时间模型。

在一些实施例中，所述第二处理模块，还用于，获取历史订单的相关数据；

基于所述历史订单的相关数据和所述历史订单的到达时间，生成样本对；

其中，所述历史订单的相关数据至少包括：历史订单特征、所述历史订单对应的时间特征向量。

本申请实施例之一提供一种确定预估到达时间的装置，包括处理器，所述处理器用于执行确定预估到达时间方法。

本申请实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行确定预估到达时间的方法。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本申请一些实施例所示的确定预估到达时间的系统100的应用场景示意图；

图2是根据本申请一些实施例所示的确定预估到达时间的系统200的模块图；

图3是根据本申请一些实施例所示的确定预估到达时间的方法300的示例性流程图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些流程中，或从这些流程移除某一步或数步操作。

本申请的实施例可以应用于不同的运输系统，不同的运输系统包括但不限于陆地、海洋、航空、航天等中的一种或几种的组合。例如，出租车、专车、顺风车、巴士、代驾、火车、动车、高铁、船舶、飞机、热气球、无人驾驶的交通工具、收/送快递等应用了管理和/或分配的运输系统。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。例如，其他类似的引导用户停车系统。

本申请描述的“乘客”、“乘客端”、“用户终端”、“顾客”、“需求者”、“服务需求者”、“消费者”、“消费方”、“使用需求者”等是可以互换的，是指需要或者订购服务的一方，可以是个人，也可以是工具。同样地，本申请描述的“司机”、“司机端”、“提供者”、“供应者”、“服务提供者”、“服务者”、“服务方”等也是可以互换的，是指提供服务或者协助提供服务的个人、工具或者其他实体等。另外，本申请描述的“用户”可以是需要或者订购服务的一方，也可以是提供服务或者协助提供服务的一方。

图1是根据本申请的一些实施例所示的一种确定预估到达时间系统100的应用场景示意图。

如图1所示，确定预估到达时间系统100可以确定行程的预估到达时间。例如，确定预估到达时间系统100可以确定接单的司机到达乘客上车点的预估时间，又例如确定预估到达时间系统100可以确定乘客从出发点到达目的地的预估时间。确定预估到达时间系统100可以用于互联网或者其它网络的服务平台。例如，确定预估到达时间系统100可以是为交通运输提供服务的线上服务平台。在一些实施例中，确定预估到达时间系统100可以应用于网约车服务，例如出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等。在一些实施例中，确定预估到达时间系统100还可以应用于代驾、快递、外卖等。在另一些实施例中，确定预估到达时间系统100还可以应用于家政服务、出行(如旅游)服务、教育(如线下教育)服务等领域。如图1所示，确定预估到达时间系统100可以包括处理设备110、一个或一个以上终端120、存储设备130、网络140以及信息源150。

在一些实施例中，处理设备110可以处理从终端120、存储设备130和/或信息源150处获得的数据和/或信息。例如，处理设备110可以获取多个终端120的定位/轨迹信息和/或与行程相关的参与方(例如，司机和乘客)的特征信息。处理设备110可以处理上述所获取的信息和/或数据以执行本申请描述的一个或多个功能。在一些实施例中，处理设备110可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的(如：处理设备110可以是分布系统)。在一些实施例中，处理设备110可以是本地的或者远程的。例如，处理设备110可通过网络140访问存储于终端120、存储设备130和/或信息源150中的信息和/或资料。在一些实施例中，处理设备110可直接与终端120、存储设备130和/或信息源150连接以访问存储于其中的信息和/或资料。在一些实施例中，处理设备110可在云平台上执行。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。在另一些实施例中，处理设备110可以同时是终端120之一。

在一些实施例中，处理设备110可以包含一个或多个子处理设备(如：单核处理器或多核处理器)。仅仅作为范例，处理设备110可包含中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。

在一些实施例中，终端120可以是带有数据获取、存储和/或发送功能的设备，可以包括任一用户或者非直接参与服务的终端、服务提供者终端、服务请求者终端和/或车载终端。所述服务提供者可以是提供服务的个人、工具或者其他实体。所述服务请求者可以是需要得到或者正在接受服务的个人、工具或者其他实体。例如，针对网约车服务而言，所述服务提供者可以是司机、第三方平台，所述服务请求者可以是乘客或者其它接受类似服务的个人或者设备(例如物联网设备)。在一些实施例中，终端120可以用于采集各类数据，包括但不限于与服务相关的数据。所采集数据可以是实时的，也可以是各类历史数据如用户过去的使用历史等等。数据可由终端120通过自身的传感器进行数据采集，也可以搜集外接传感器获取的数据，也可以读取存储在自身的存储器中的数据，还可以通过网络140读取存储在存储设备150中的数据。在一些实施例中，传感器可以包括定位装置、声音传感器、图像传感器、温湿度传感器、位置传感器、压力传感器、距离传感器、速度传感器、加速度传感器、重力传感器、位移传感器、力矩传感器、陀螺仪等或其任意组合等。在一些实施例中，终端120可以包括台式电脑120-1、笔记本电脑120-2、车辆内置设备120-3、移动设备120-4等中的一种或几种的组合。在一些实施例中，移动设备120-4可以包括智能家居设备、可穿戴设备、智能移动设备、增强现实设备等或其组合。在一些实施例中，可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或其任意组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(PDA)、游戏设备、导航设备、POS机等或其组合。在一些实施例中，车辆内置设备120-3可以包括车载计算机、汽车数据记录器、车载人机交互(HCI)系统、行车记录仪、车载电视等。在一些实施例中，终端120可以是具有用于定位终端120的位置的定位技术的设备。在一些实施例中，终端120可以将采集到的数据/信息通过网络140传输至处理设备110进行后续步骤。终端120还可以将采集到的数据/信息存储至自身的存储器中，或通过网络140传输至存储设备130进行存储。终端120还可以接收和/或显示由处理设备110生成的与预估到达时间相关的通知。在一些实施例中，可以有多个终端相互连接，共同采集各类数据，并由一个或者多个终端对这些数据进行预处理。

存储设备130可以存储数据和/或指令。在一些实施例中，存储设备130可以存储终端120获取的数据/信息。存储设备130还可以存储历史事件的历史交通运输服务数据，例如，一些事件的历史服务订单的订单数据、服务参与方数据、车辆相关数据等，及行程数据等。在一些实施例中，存储设备130可以存储处理设备110用于执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备130可以存储用户终端的各类实时或者和历史数据，例如，与历史服务相关的用户的历史记录，比如历史评价等。在一些实施例中，存储设备130可以是处理设备110或者终端120的一部分。在一些实施例中，存储设备130可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的挥发性只读存储器可以包括随机存取内存(RAM)。示例性的RAM可包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、闸流体RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性的ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电子可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用磁盘ROM等。在一些实施例中，存储设备130可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，一些历史数据可以统一存储在平台的一个云平台上，以便多个处理设备110或者终端120访问或者更新，以便保证数据的实时性和跨平台使用。

在一些实施例中，存储设备130可以连接到网络140以与预估到达时间系统100中的一个或以上组件(例如，处理设备110、终端120、信息源150)通信。预估到达时间系统100中的一个或以上组件可以通过网络140访问存储设备130中存储的数据或指令。在一些实施例中，存储设备130可以与预估到达时间系统100中的一个或以上组件(例如，处理设备110、终端120、信息源150)直接连接或通信。在一些实施例中，存储设备130可以是处理设备110的一部分。

网络140可以促进信息和/或数据的交换。在一些实施例中，确定预估到达时间系统100中的一个或以上组件(例如，处理设备110、终端120、存储设备130和信息源150)可以通过网络140向/从确定预估到达时间系统100中的其他组件发送和/或接收信息和/或数据。例如，处理设备110可以通过网络140从终端120和/或信息源150获取与交通运输服务相关的数据/信息。又例如，终端120可以通过网络140从处理设备110或存储设备130处获取预估的到达时间。预估的到达时间可以在终端120的界面上通过应用软件显示。在一些实施例中，网络140可以为任意形式的有线或无线网络或其任意组合。仅作为示例，网络140可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、移动通信(1G、2G、3G、4G、5G)网络、Wi-Fi、Li-Fi、窄带物联网(NB-IoT)等或其任意组合。在一些实施例中，预估到达时间系统100可以包括一个或以上网络接入点。例如，预估到达时间系统100可以包括有线或无线网络接入点，例如基站和/或无线接入点140-1、140-2、...，预估到达时间系统100的一个或以上组件可以通过其连接到网络140以交换数据和/或信息。

信息源150可以用于为确定预估到达时间系统100提供信息的来源。在一些实施例中，信息源150可以用于为确定预估到达时间系统100提供与交通运输服务相关的信息，例如，天气情况、交通信息、地理信息、法律法规信息、新闻事件、生活资讯、生活指南信息等。在一些实施例中，信息源150还可以是其他第三方平台，可以提供服务请求方和/或服务提供方的征信记录，如信贷记录等。信息源150可以在单个中央服务器、通过通信链路连接的多个服务器或多个个人设备中实现。当信息源150在多个个人设备中实现时，个人设备可以生成内容(例如，被称为“用户生成内容”)，例如，通过将文本、语音、图像和视频上载到云服务器。信息源可以由多个个人设备和云服务器生成。存储设备130、处理设备110以及终端120同时也可以是信息源。例如，终端120实时反馈的速度和定位信息，可以作为信息源提供交通状况信息供其他设备获取使用。

图2是根据本申请一些实施例所示的确定预估到达时间的系统200的模块图。

如图2所示，系统200可以包括：获取模块210、第一处理模块220、第二处理模块230。

获取模块210，可以用于获取当前订单的相关数据，所述当前订单的相关数据至少包括出发时间。

第一处理模块220，可以用于基于当前订单的出发时间，获得出发时间对应的第一时间段的第一特征向量、以及多个第二时间段的第二特征向量，其中，所述第二时间段和所述第一时间段相关。在一些实施例中，第一处理模块220可以根据预设的时间段划分方法对预设时间段进行划分，获得多个候选时间段以及相关数据，并且基于多个候选时间段的起始时间和/或结束时间以及对应的候选特征向量，确定当前订单对应的第一时间段。在一些实施例中，第一处理模块220还可以基于时间段的维度数量和预设的时间特征的维度数量，确定多个第二时间段。例如，第一处理模块220可以将第一时间段的结束时间确定为一个第二时间段的起始时间，或者将第一时间段的起始时间确定为一个第二时间段的结束时间，再根据时间段的维度数量和预设的时间特征的维度数量，确定多个第二时间段。

第一处理模块220，还可以用于基于第一时间段的第一特征向量和多个第二时间段的第二特征向量，获得当前订单对应的预设维度数量的目标特征向量。

第二处理模块230，用于至少基于所述预设维度数量的目标特征向量，获得当前订单的预估到达时间。在一些实施例中，第二处理模块230可以利用预设的预估到达时间模型处理当前订单的相关数据。在一些实施例中，第二处理模块230还可以用于获取历史订单的相关数据，并生成用于训练预估到达时间模型的样本对。

应当理解，图2所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要注意的是，以上描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可以在不背离这一原理的情况下，对实施上述方法和系统的应用领域进行形式和细节上的各种修正和改变。

图3是根据本申请一些实施例所示的确定预估到达时间的方法300的示例性流程图。所述方法300可以在图1的处理设备110上实现。如图3所示，确定预估到达事件的方法300可以包括：

步骤301，获取当前订单的相关数据。具体的，该步骤301可以由获取模块210执行。

在一些实施例中，当服务请求者通过服务平台(例如，网约车服务平台、共享汽车服务平台等)发起用车服务请求时，获取模块210可以从服务平台的后台数据库中获取当前订单的相关数据。服务请求者可以为需要用车的乘客，也可以是为其他运送对象(例如，货物等)发起订单的用户。本申请为描述方便，在一些地方使用“乘客”或“用户”表示“服务请求者”。

上述当前订单是指服务请求者当前需要使用交通工具出行的请求，所述当前订单的相关数据至少包括出发时间，所述订单出发时间可以为乘客到达上车点确认出发的时间，且所述订单出发时间可以为具体的时间点，如出发时间为12:30。

在一些实施例中，所述当前订单的相关数据还可以包括订单编号、订单的起始地点(如，乘客上车的地点)、行程目的地、订单预计行驶里程、订单发起时间(乘客发起订单的时间)、订单行程中交通情况、订单行程中天气情况、发起订单的乘客信息(如，乘客的基本身份信息)等中的一种或任意几种的组合。

步骤303，基于当前订单的出发时间，获得出发时间对应的第一时间段的第一特征向量。具体的，该步骤303可以由第一处理模块220执行。

在一些实施例中，处理设备110(例如，第一处理模块220)可以根据预设的时间段划分方法对预设时间段进行处理，以获得多个候选时间段。例如，将一天24小时划分为每5分钟一个候选时间段，共计288个候选时间段，并且按照时间顺序依次将候选时间段进行编号，如，时间段为00:00～00:05的候选时间段的编号t＝0、时间段为00:05～00:10的候选时间段的编号t＝1、时间段为00:10～00:15的候选时间段的编号t＝2…。第一处理模块220可以获取每个候选时间段的相关数据，所述每个候选时间段的相关数据至少包括候选时间段的起始时间、候选时间段的结束时间和候选时间段对应的候选特征向量等中的一种或其任意几种组合。在一些实施例中，候选时间段的相关数据还可以包括该时间段所处的日期以及所处日期是星期几等。在一些实施例中，所有候选时间段的相关数据可以构成一个嵌入表，该嵌入表对应了一个矩阵。在一些实施例中，嵌入表对应的矩阵可以为多个特征向量组成的向量组矩阵。在一些实施例中，该矩阵的维度数量可以根据实际情况确定。具体的，候选时间段的相关数据在嵌入过程中通过与嵌入表比对，可以在嵌入表中查询到对应的特征向量，即候选特征向量。即将候选时间段的相关数据进行向量化处理。

在一些实施例中，通过对将嵌入表的维度数量与特征向量的实际所需维度数量设定为相同数量，候选时间段的相关数据在嵌入过程中可以得到实际所需要维度数量的特征向量。在一些实施例中，特征向量的维度数量为其所含分量的个数，例如向量a1＝(1,0,0),向量a1的维度数量便为3。

在一些实施例中，候选时间段的相关数据在嵌入过程中可以改变维度数量以得到实际所需要维度数量的特征向量。在一些实施例中，改变维度数量包括降维和增维处理。具体的，候选时间段对应的候选特征向量与嵌入表对应的向量矩阵相乘可以得到具有实际所需维度数量的特征向量。例如，候选时间段对应的特征向量是一个1x20的矩阵(20维行向量)，而嵌入表对应的是一个5维的行数为20列数为5的矩阵(该矩阵的维度数量可以根据实际情况设定)，两者相乘，可得到一个1x5的矩阵(5维行向量)，从而实现20维的特征向量降到5维。

在一些实施例中，降维处理的方法可以包括属性选择方法、或映射方法，所述属性选择方法可以包括过滤法、包装法、嵌入法，所述映射方法可以包括线性映射方法(如，PCA、LDA、SVD等)、非线性映射方法(如，核方法、二维化、流行学习等)、神经网络、聚类等。由于本申请主要采用降维处理，对增维处理就不必过多描述。

在一些实施例中，可以基于多个候选时间段的起始时间和/或结束时间，从多个候选时间段中确定当前订单对应的第一时间段。具体的，将当前订单中包括的订单发起时间、订单受理时间和出发时间中的至少一个与嵌入表中候选时间段的相关数据进行比对。例如，出发时间为00:13，则对应的候选时间段为00:10～00:15，t＝2，其中候选时间段00:10～00:15为第一时间段。在一些实施例中，第一时间段的候选时间段对应的候选特征向量为第一特征向量。为了方便说明，以下描述仅作为示例。

一天24小时可以划分为5分钟一个总共288个的候选时间片段，每个候选时间片段对应的候选特征向量的维度数量可以是5维、10维、15维、20维等，一般，第一特征向量的维度数量可以根据实际情况进行调整。在一些实施例中，由于时间段之间存在相似性。例如，若当前订单的出发时间为00:17，则对应的第一时间段为00:15～00:20，t＝3，若当前订单的出发时间为00:13，则对应的第一时间段为00:10～00:15，t＝2。如果不考虑相邻时间段之间的相似性，时间段00:16～00:20，t＝3，与时间段00:10～00:15，t＝2，具有两个完全不同的第一特征向量。而实际情况中，在出发时间为00:13出发与00:17出发，两个时间段之间是存在相似性的(例如，交通状况或天气情况相似)，因此可以基于相邻时间段之间的相似性，可以设置一个预设维度数量对288个候选时间片段对应的候选特征向量在嵌入过程中进行降维处理，例如，第一特征向量的维度数量为20维，其预设维度数量为5维，第一特征向量进行降维处理后，第一特征向量的维度数量为5维。具体的，可以将嵌入表的维度数量设定为5维，然后20维的第一特征向量与5维的嵌入表矩阵相乘，所得向量为5维的第一特征向量。

步骤305，获取多个第二时间段的第二特征向量，所述第二时间段和所述第一时间段相关。具体的，该步骤305可以由第一处理模块220执行。

在一些实施例中，可以基于第一特征向量的维度数量和预设维度数量，从多个候选时间段中确定多个第二时间段。具体的，可以基于第一特征向量的维度数量与预设维度数量的比值，从多个候选时间段选取包含第一时间段的多个第三时间段，然后将多个第三时间段中除第一时间段以外的其他时间段作为第二时间段。在一些实施例中，第二时间段与第一时间段相关，例如在时间顺序上相邻。在一些实施例中，多个第三时间段依次相邻，其中一个第三时间段为第一时间段，其余的第三时间段为第二时间段。在一些实施例中，该第一时间段是这多个第三时间段中的第一个时间段，也可以是最后一个时间段。在一些实施例中，该第一时间段可以位于多个第三时间段的任意位置。为了方便说明，以下描述仅作为示例。

第一时间段00:10～00:15，t＝2对应的特征向量的维度数量与其预设维度数量分别为20维和5维，其比值为4，因为嵌入过程的最终输出的仍为20维的特征向量，则需要根据第一时间段从多个候选时间段中提取4个第三时间段的降维后的5维特征向量来构成20维特征向量。其中，4个第三时间段依次相邻，其中的一个第三时间段为第一时间段，其余三个为第二时间段，例如，司机出发时间为00:13，第一时间段为00:10～00:15，t＝2，计算时需要获取00:00～00:05，t＝0、00:05～00:10，t＝1、00:11～00:15，t＝2、00:15～00:20，t＝3或00:10～00:15，t＝2、00:15～00:20，t＝3、00:20～00:25，t＝4、00:25～00:30，t＝5，四个候选时间段对应的5维特征向量来构成20维的特征向量。其中，00:11～00:15，t＝2为第一时间段，00:00～00:05，t＝0、00:05～00:10，t＝1、00:15～00:20，t＝3或00:15～00:20，t＝3、00:20～00:25，t＝4、00:25～00:30，t＝5为第二时间段。在一些实施例中，第二时间段的候选时间段对应的候选特征向量为第二特征向量。

在一些实施例中，当将第一时间段作为多个第三时间段中的第一个时间段，所述第一时间段的结束时间确定为一个第二时间段的起始时间时，可以根据第一时间段的维度数量和预设维度数量，确定第二时间段。

具体地，可以基于第一特征向量的维度数量与预设维度数量的比值，从多个候选时间段选取包含第一时间段的多个第三时间段，然后将多个第三时间段中除第一时间段以外的其他时间段作为第二时间段。其中，第一时间段作为多个第三时间段中的第一个时间段。在步骤303获得出发时间对应的第一时间段的相关数据后，可以基于第一时间段的结束时间，将第一时间段的结束时间确定为第一个第二时间段的起始时间，然后基于时间段的长度，确定第一个第二时间段的结束时间；在确定第一个第二时间段的起始时间和结束时间之后，再将第一个第二时间段的结束时间确定为第二个第二时间段的起始时间，然后按照上述方法，依次获取多个第二时间段的起始时间和结束时间，由此确定多个第二时间段。例如，第一特征向量的维度数量为20维、预设维度数量为5维，由此可得，第三时间段数量为4，其中第一时间段数量为1、与第一时间段相关的第二时间段数量为3。假设出发时间为00:28，对应的第一时间段为00:25～00:30，t＝5，则第一时间段的结束时间为00:30。将第一时间段的结束时间确定为第一个第二时间段的起始时间，则第一个第二时间段的起始时间为00:30，基于时间段的长度为5min，则第一个第二时间段的结束时间为00:35，由此确定第一个第二时间段为00:30～00:35，t＝6。将第一个第二时间段的结束时间确定为第二个第二时间段的起始时间，则第二个第二时间段的起始时间为00:35，按照上述方法，依次确定第二个第二时间段为00:35～00:40，t＝7，第三个第二时间段为00:40～00:45(t＝8)。

在一些实施例中，当第一时间段为多个第三时间段中最后一个时间段，将所述第一时间段的起始时间确定为一个第二时间段的结束时间时，可以根据第一时间段的维度数量和预设的时间特征的维度数量，确定第二时间段。

具体地，可以基于第一特征向量的维度数量与预设维度数量的比值，从多个候选时间段选取包含第一时间段的多个第三时间段，然后将多个第三时间段中除第一时间段以外的其他时间段作为第二时间段。其中，第一时间段作为多个第三时间段中的最后一个时间段。在步骤303获得出发时间对应的第一时间段的相关数据后，可以基于第一时间段的起始时间，将第一时间段的起始时间确定为第一个第二时间段的结束时间，然后基于时间段的长度，确定第一个第二时间段的起始时间；在确定第一个第二时间段的起始时间和结束时间之后，再将第一个第二时间段的起始时间确定为第二个第二时间段的结束时间，然后按照上述方法，依次获取多个第二时间段的起始时间和结束时间，由此确定多个第二时间段。例如，第一特征向量的维度数量为20维、预设维度数量为5维，由此可得，第三时间段的数量为4，其中第一时间段的数量为1、与第一时间段相关的第二时间段数量为3。假设出发时间为00:28，对应的第一时间段为00:25～00:30，t＝5，则第一时间段的起始时间为00:25。将第一时间段的起始时间确定为第一个第二时间段的结束时间，则第一个第二时间段的结束时间为00:25，基于时间段的长度为5min，则第一个第二时间段的起始时间为00:20，由此确定第一个第二时间段为00:20～00:25，t＝4。将第一个第二时间段的起始时间确定为第二个第二时间段的结束时间，则第二个第二时间段的结束时间为00:20，按照上述方法，依次确定第二个第二时间段为00:15～00:20，t＝3，第三个第二时间段为00:10～00:15，t＝2。

在一些实施例中，当第一时间段位于多个第三时间段的中间位置，可以将第一时间段的起始时间作为一个第二时间段的结束时间，第一时间段的结束时间作为另一个第二时间段的起始时间，然后根据时间段的长度来分别确定两个第二时间段的起始时间和结束时间，最后再根据确定好的第二时间段确定其他第二时间段。具体示例可参见前文所述。

步骤307，基于所述第一时间段的第一特征向量和所述多个第二时间段的第二特征向量，获得所述当前订单对应的目标特征向量。具体的，该步骤307可以由第一处理模块220执行。

在一些实施例中，基于第一时间段的相关数据和多个第二时间段的相关数据，可以将第一时间段的时间特征向量与多个第二时间段的时间特征向量进行合并，即，同时提取第一时间段的第一特征向量和多个第二时间段的第二特征向量共同组成当前订单对应的预设维度数量的目标特征向量。例如，第一时间段的维度数量为20维、预设维度数量为5维，基于步骤303和步骤305所获取的第一时间段和多个第二时间段，若出发时间为00:28，则需要同时提取00:25～00:30(t＝5)、00:30～00:35(t＝6)、00:35～00:40(t＝7)、00:40～00:45(t＝8)，或者同时提取00:25～00:30(t＝5)、00:20～00:25(t＝4)、00:15～00:20(t＝3)、00:10～00:15(t＝2)四个时间段的5维特征向量，共同组成当前订单对应的20维目标特征向量。

步骤309，至少基于预设维度数量的目标特征向量，获得当前订单的预估到达时间。具体的，该步骤309可以由第二处理模块230执行。

在一些实施例中，处理设备110(例如，第二处理模块230)可以根据到达时间预测方法处理所述当前订单的相关数据，获得所述当前订单的预估到达时间。在一些实施例中，所述当前订单的相关数据至少还包括预设维度数量的目标特征向量以及当前订单特征。

所述当前订单特征可以包括：地点特征、距离特征、时间特征、路况特征等，所述地点特征可以包括订单的起始地点特征、目的地特征，所述距离特征可以包括订单预计行驶距离特征、所述时间特征可以包括订单出发时间特征，所述路况特征可以包括订单行驶路线中交通状况特征和天气情况特征等。

在一些实施例中，到达时间预测算法可以由用于预估到达时间的预估模型执行。具体的，处理设备110(例如，第二处理模块230)可以利用预估模型处理当前订单的相关数据。在一些实施例中，预估模型为机器学习模型。所述预估达到时间模型通过以下方法获得：获取训练集，所述训练集包括多个样本对；利用所述训练集对初始模型进行训练，获得预估模型。

所述预估到达时间模型可以是基于嵌入法(Embedding)的机器学习模型。

在一些实施例中，所述预估模型可以通过以下方法训练得到：

1)获取训练集，对训练集中的样本数据进行预处理，使其符合训练的要求。预处理可以包括格式转换，归一化，标识等。

2)将样本数据划分为训练集，验证集，测试集。可以对数据按一定的比例随机地进行划分，所述比例可以是训练集80％，验证集15％，测试集5％。

3)将训练集中的样本数据输入待训练的预估到达时间模型进行训练，并获取训练后的模型。

4)将验证集中的样本数据输入步骤3)训练后的模型进行计算，获得输出值。

5)对比样本数据在步骤4)中的输出值与相应样本数据的标识，如果对比结果理想，则转入步骤6)进行测试。如果认为对比结果需要改进，则根据该结果调整预估到达时间模型的参数，并基于调整参数后的模型，再次执行步骤3)。

6)将测试集中的样本数据输入训练后的模型进行计算，获得输出值。

7)对比样本数据在步骤6)中的输出值与相应样本数据的标识，判断训练结果是否达到要求。如果训练结果未达到要求，则重新准备样本数据或者重新划分训练集、验证集、测试集，进行继续训练。

对上述说明的预估到达时间模型的训练方法，可以进行各种变化，比如可以按其他方法或比例划分训练集、验证集和测试集，可以忽略其中某些步骤，可以增加其他步骤等。

所述预估到达时间模型的训练过程可以在处理设备110上执行，也可以在另外的设备上执行，并将训练好的预估到达时间模型应用到处理设备110上。所述训练过程可以多次或迭代进行。

在一些实施例中，处理设备110可以获取训练集，包括：获取历史订单的相关数据；基于所述历史订单的相关数据和所述历史订单的到达时间，生成样本对。其中，所述历史订单的相关数据至少包括：历史订单特征、所述历史订单对应的目标特征向量。

在一些实施例中，所述历史订单可以包括在服务平台(如，网约车平台)上，曾经由某服务请求者(如，乘客)发出订单，并由某服务提供者(如，司机)完成的订单。所述历史订单的相关数据可以包括一个或多个历史订单相关的信息和或特征，例如，历史订单的相关数据可以包括历史订单编号、历史订单的起始地点、历史订单的行程目的地、历史订单行驶路程、历史订单的出发时间、历史订单的到达时间、历史订单的预估到达时间、发起历史订单的乘客信息(如，乘客的基本身份信息)、历史订单行程中交通情况、历史订单行程中天气情况等一种或多种的任意组合。

在一些实施例中，一旦某个订单完成，该订单即可以被视为历史订单。终端120(如，服务请求者终端、或服务提供者终端)可以通过网络140将相关的历史订单数据传输到系统100的存储设备130中。处理设备110可以从该系统100的存储设备130中获得历史订单的相关数据。

应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。

本申请实施例可能带来的有益效果包括但不限于：基于相邻时间段之间的相似性，对时间特征进行降维处理，从而可以提高网约车平台对行程订单到达时间预估的准确性，提升用户体验。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (10)

1.一种确定预估到达时间的方法，其特征在于，所述方法包括：

获取当前订单的相关数据，所述当前订单的相关数据至少包括：出发时间；

基于所述当前订单的出发时间，获得所述出发时间对应的第一时间段的第一特征向量；

获取多个第二时间段的第二特征向量，所述第二时间段和所述第一时间段在时间顺序上相关；

基于所述第一时间段的第一特征向量和所述多个第二时间段的第二特征向量，获得所述当前订单对应的目标特征向量；

至少基于所述目标特征向量，获得所述当前订单的预估到达时间。

2.根据权利要求1所述的方法，其特征在于，所述基于所述当前订单的出发时间，获得所述出发时间对应的第一时间段的第一特征向量，包括：

根据预设的时间段划分方法对预设时间段进行处理，获得多个候选时间段；

获取每个候选时间段的相关数据，所述相关数据至少包括：候选时间段的起始时间、候选时间段的结束时间、候选时间段对应的候选特征向量；

基于多个候选时间段的起始时间和/或结束时间，从多个候选时间段中确定所述当前订单对应的第一时间段；

指定所述第一时间段的候选时间段对应的候选特征向量作为所述第一时间段的第一特征向量。

3.根据权利要求2所述的方法，其特征在于，所述获取多个第二时间段的第二特征向量，包括：

基于所述第一特征向量的维度数量和预设维度数量，从所述多个候选时间段中确定多个第二时间段；

指定作为所述第二时间段的候选时间段对应的候选特征向量作为所述第二时间段的第二特征向量。

4.根据权利要求3所述的方法，其特征在于，所述从所述多个候选时间段中确定多个第二时间段，包括：

确定所述第一特征向量的维度数量与所述预设维度数量之间的比值；

基于所述比值，从所述多个候选时间段中选取包含所述第一时间段的多个第三时间段；

指定所述多个第三时间段中除所述第一时间段外的其他时间段作为所述多个第二时间段。

5.根据权利要求1所述的方法，其特征在于，所述至少基于所述目标特征向量，获得所述当前订单的预估到达时间，包括：

获取所述当前订单的订单特征；

根据到达时间预测算法处理所述目标特征向量以及所述订单特征，获得所述当前订单的预估到达时间。

6.根据权利要求5所述的方法，其特征在于，所述到达时间预测算法包括用于预估到达时间的预估模型；所述预估模型为机器学习模型，其基于以下操作获得：

获取训练集，所述训练集包括多个样本对；

利用所述训练集对初始模型进行训练，获得所述预估模型。

7.根据权利要求6所述的方法，其特征在于，所述获取训练集，包括：

获取历史订单的相关数据；

基于所述历史订单的相关数据和所述历史订单的到达时间，生成样本对；

其中，所述历史订单的相关数据至少包括：

历史订单特征、所述历史订单对应的特征向量。

8.一种确定预估到达时间的系统，其特征在于，所述系统包括：

获取模块，用于获取当前订单的相关数据，所述当前订单的相关数据至少包括：出发时间；

第一处理模块，用于基于所述当前订单的出发时间，获得所述出发时间对应的第一时间段的相关数据；

所述第一处理模块，还用于获取多个第二时间段的相关数据，所述第二时间段和所述第一时间段在时间顺序上相关；

所述第一处理模块，还用于基于所述第一时间段的相关数据和所述多个第二时间段的相关数据，获得所述当前订单对应的预设维度数量的时间特征向量；

第二处理模块，用于至少基于所述预设维度数量的时间特征向量，获得所述当前订单的预估到达时间。

9.一种确定预估到达时间的装置，包括处理器，其特征在于，所述处理器用于执行权利要求1～7中任一项所述的确定预估到达时间方法。

10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～7任一项所述的确定预估到达时间方法。