JP2020502600A - サービスリクエストを割り振るシステムおよび方法 - Google Patents

Abstract

本開示は、オンラインツーオフラインサービスを提供するシステムおよび方法に関する。本方法は、サービスプロバイダに割り振られ且つサービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報を獲得することを含んでもよい。本方法は、第２のリクエスタ端末により実行されるアプリケーションを介して開始された第２のサービスリクエストに関連する第２の情報を獲得することをさらに含んでもよい。本方法は、少なくとも１つの訓練済み適合モデルを使用することにより第１の情報および第２の情報に基づいて適合パラメータを判断することと、適合パラメータが閾値よりも大きいかどうかを判断することとをさらに含んでもよい。本方法は、適合パラメータが閾値よりも大きいという判断の結果に基づいて、第２のサービスリクエストに関連するデータを送信することをさらに含んでもよい。【選択図】図１７

Description

関連出願の相互参照
本願は、参照により内容全体が本明細書に援用される、２０１７年６月１６日出願の中国特許出願第２０１７１０４５８６５４．２号および２０１７年６月１６日出願の中国特許出願第２０１７１０４５７３８９．６号の優先権を主張する。

技術分野
本開示は、全般的に、サービスリクエストを割り振るシステムおよび方法に関し、特に、機械学習に基づいてサービスリクエストを割り振るシステムおよび方法に関する。

インターネットの発達に伴い、新たなオンラインツーオフライン（Ｏ２Ｏ：Ｏｎｌｉｎｅ−ｔｏ−Ｏｆｆｌｉｎｅ）ビジネスモデルがインターネットおよびオフラインのトランザクションの組み合わせとして出現した。現在、Ｏ２Ｏサービスは高速な開発段階に入っており、輸送Ｏ２Ｏサービスが成功したＯ２Ｏサービスの代表となる。乗物サービスを例にとると、例えば急行サービス、プライベートサービス、ライドシェアサービス、運転サービス、レンタカーサービスなど、様々なタイプの乗物サービスがある。一部の事例では、２つ以上のサービスリクエストが同じ乗物を共有することもある（例えば相乗り）。相乗りが提供される場合、運転手は２人以上の乗客に同時にサービスを提供する必要があるので、複数の開始位置および／または目的地が関与するかもしれず、サービスリクエストの非効率的な分配から何らかの問題（例えば過度の回り道、低応答率）が生じるかもしれず、サービスの効率性とサービスリソースの活用との両方が損なわれることもある。したがって、サービスリクエストを効率的に分配するシステムおよび方法を提供することが望ましい。

本開示の一側面において、サービスリクエストを割り振る方法が提供される。本方法は、ターゲット情報を獲得するステップを含んでもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報と、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含んでもよい。本方法は、第２のサービスリクエストがサービスプロバイダに適合するかどうかを、訓練済みモデルを使用することにより、ターゲット情報に基づいて判断するステップをさらに含んでもよい。本方法は、第２のサービスリクエストがサービスプロバイダに適合するという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振るステップをさらに含んでもよい。

一部の実施形態において、本方法はさらに、ターゲット情報に基づいて特徴情報を獲得するステップと、訓練済みモデルに特徴情報を入力するステップとを含んでもよい。本方法は、訓練済みモデルにより判断された適合パラメータを獲得するステップをさらに含んでもよい。本方法は、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振るステップをさらに含んでもよい。

一部の実施形態において、本方法はさらに、ターゲット情報から第１の特徴情報を直接抽出するステップと、ターゲット情報に基づいて第２の特徴情報を推定するステップとを含んでもよい。

一部の実施形態において、第１のサービスリクエストに関連する第１の情報は、第１の開始位置、第１の目的地、および第１の開始時間を含んでもよく、第２のサービスリクエストに関連する第２の情報は、第２の開始位置、第２の目的地、および第２の開始時間を含んでもよい。

一部の実施形態において、第２の特徴情報は、第１のサービスリクエストの第１の当初経路の第１の距離、第２のサービスリクエストの第２の当初経路の第２の距離、第１のサービスリクエストに関連する第１の変更経路の第３の距離、第２のサービスリクエストに関連する第２の変更経路の第４の距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合時間、第１のサービスリクエストに関連する第１の回り道の距離、第２のサービスリクエストに関連する第２の回り道の距離、第１のサービスリクエストに関連する第１の回り道の時間、第２のサービスリクエストに関連する第２の回り道の時間、第１の回り道の距離と第１の距離との第１の比、第２の回り道の距離と第２の距離との第２の比、第２のサービスリクエストの迎車時間、サービスプロバイダの位置と第２のサービスリクエストの第２の開始位置との間の迎車距離、または迎車距離と第２のサービスリクエストに関連する第２の変更経路の第４の距離との第３の比のうちの１つ以上を含んでもよい。

一部の実施形態において、訓練済みモデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルのうちの少なくとも１つを含んでもよい。

本開示の別の側面において、サービスリクエストを割り振るための訓練済みモデルを決定するための訓練方法が提供される。訓練方法は、サンプル情報を獲得するステップを含んでもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。訓練方法は、サンプル情報に基づいて訓練済みモデルを決定するステップをさらに含んでもよい。

一部の実施形態において、訓練方法はさらに、サンプル情報に基づいて、過去の複数の輸送サービス記録それぞれのサンプルタイプを判断するステップを含んでもよい。サンプルタイプは、ポジティブサンプルタイプおよびネガティブサンプルタイプを含んでもよい。訓練方法は、過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、サンプル情報に基づいて判断するステップをさらに含んでもよい。訓練方法は、過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて、訓練済みモデルを決定するステップをさらに含んでもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、サンプル特徴情報は、第１のサンプル特徴情報および第２のサンプル特徴情報を含んでもよい。過去の輸送サービス記録に対応するサンプル特徴情報は、過去の輸送サービス記録に対応するサンプル情報から第１のサンプル特徴情報を直接抽出するステップと、過去の輸送サービス記録に対応するサンプル情報に基づいて、第２のサンプル特徴情報を推定するステップとにより、サンプル情報に基づいて獲得されてもよい。

一部の実施形態において、第１の過去の注文に関連する第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、および第１の過去の開始時間を含んでもよく、第２の過去の注文に関連する第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、および第２の過去の開始時間を含んでもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、第２のサンプル特徴情報は、第１の過去の注文の第１の過去の当初経路の第１の過去の距離、第２の過去の注文の第２の過去の当初経路の第２の過去の距離、第１の過去の注文に関連する第１の過去の変更経路の第３の過去の距離、第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合時間、第１の過去の注文に関連する第１の過去の回り道の距離、第２の過去の注文に関連する第２の過去の回り道の距離、第１の過去の注文に関連する第１の過去の回り道の時間、第２の過去の注文に関連する第２の過去の回り道の時間、第１の過去の回り道の距離と第１の過去の距離との第１の過去の比、第２の過去の回り道の距離と第２の過去の距離との第２の過去の比、第２の過去の注文の過去の迎車時間、過去のサービスプロバイダの過去の位置と第２の過去の注文の第２の過去の開始位置との間の過去の迎車距離、または過去の迎車距離と第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離との第３の過去の比のうちの１つ以上を含んでもよい。

一部の実施形態において、訓練済みモデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルのうちの少なくとも１つを含んでもよい。

本開示の別の側面において、サービスリクエストを割り振るデバイスが提供される。デバイスは、獲得モジュール、判断モジュール、および割り振りモジュールを含んでもよい。獲得モジュールは、ターゲット情報を獲得するように構成されてもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報と、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含んでもよい。判断モジュールは、第２のサービスリクエストがサービスプロバイダに適合するかどうかを、訓練済みモデルを使用することにより、ターゲット情報に基づいて判断するように構成されてもよい。割り振りモジュールは、第２のサービスリクエストがサービスプロバイダに適合するという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振るように構成されてもよい。

一部の実施形態において、判断モジュールは、第１の獲得ユニット、入力ユニット、第２の獲得ユニット、および判断ユニットを含んでもよい。第１の獲得ユニットは、ターゲット情報に基づいて特徴情報を獲得するように構成されてもよい。入力ユニットは、特徴情報を訓練済みモデルに入力するように構成されてもよい。第２の獲得ユニットは、訓練済みモデルによって判断された適合パラメータを獲得するように構成されてもよい。判断ユニットは、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振るように構成されてもよい。

一部の実施形態において、特徴情報は、第１の特徴情報および第２の特徴情報を含んでもよい。第１の獲得ユニットは、ターゲット情報から第１の特徴情報を直接抽出し、ターゲット情報に基づいて第２の特徴情報を推定するように構成されてもよい。

一部の実施形態において、第１のサービスリクエストに関連する第１の情報は、第１の開始位置、第１の目的地、および第１の開始時間を含んでもよく、第２のサービスリクエストに関連する第２の情報は、第２の開始位置、第２の目的地、および第２の開始時間を含んでもよい。

一部の実施形態において、第２の特徴情報は、第１のサービスリクエストの第１の当初経路の第１の距離、第２のサービスリクエストの第２の当初経路の第２の距離、第１のサービスリクエストに関連する第１の変更経路の第３の距離、第２のサービスリクエストに関連する第２の変更経路の第４の距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合時間、第１のサービスリクエストに関連する第１の回り道の距離、第２のサービスリクエストに関連する第２の回り道の距離、第１のサービスリクエストに関連する第１の回り道の時間、第２のサービスリクエストに関連する第２の回り道の時間、第１の回り道の距離と第１の距離との第１の比、第２の回り道の距離と第２の距離との第２の比、第２のサービスリクエストの迎車時間、サービスプロバイダの位置と第２のサービスリクエストの第２の開始位置との間の迎車距離、または迎車距離と第２のサービスリクエストに関連する第２の変更経路の第４の距離との第３の比のうちの１つ以上を含んでもよい。

一部の実施形態において、訓練済みモデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルのうちの少なくとも１つを含んでもよい。

本開示の別の側面において、サービスリクエストを割り振るための訓練済みモデルを決定する訓練デバイスが提供される。訓練デバイスは、獲得モジュールおよび訓練モジュールを含んでもよい。獲得モジュールは、サンプル情報を獲得するように構成されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。訓練モジュールは、訓練済みモデルをサンプル情報に基づいて決定するように構成されてもよい。

一部の実施形態において、訓練モジュールは、判断ユニット、獲得ユニット、および訓練ユニットを含んでもよい。判断ユニットは、サンプル情報に基づいて、過去の複数の輸送サービス記録それぞれのサンプルタイプを判断するように構成されてもよい。サンプルタイプは、ポジティブサンプルタイプおよびネガティブサンプルタイプを含んでもよい。獲得ユニットは、過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、サンプル情報に基づいて判断するように構成されてもよい。訓練ユニットは、過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて、訓練済みモデルを決定するように構成されてもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、サンプル特徴情報は、第１のサンプル特徴情報および第２のサンプル特徴情報を含んでもよい。獲得ユニットは、過去の輸送サービス記録に対応するサンプル情報から第１のサンプル特徴情報を直接抽出することと、過去の輸送サービス記録に対応するサンプル情報に基づいて第２のサンプル特徴情報を推定することとにより、過去の輸送サービス記録に対応するサンプル特徴情報をサンプル情報に基づいて獲得するように構成されてもよい。

一部の実施形態において、第１の過去の注文に関連する第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、および第１の過去の開始時間を含んでもよく、第２の過去の注文に関連する第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、および第２の過去の開始時間を含んでもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、第２のサンプル特徴情報は、第１の過去の注文の第１の過去の当初経路の第１の過去の距離、第２の過去の注文の第２の過去の当初経路の第２の過去の距離、第１の過去の注文に関連する第１の過去の変更経路の第３の過去の距離、第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合時間、第１の過去の注文に関連する第１の過去の回り道の距離、第２の過去の注文に関連する第２の過去の回り道の距離、第１の過去の注文に関連する第１の過去の回り道の時間、第２の過去の注文に関連する第２の過去の回り道の時間、第１の過去の回り道の距離と第１の過去の距離との第１の過去の比、第２の過去の回り道の距離と第２の過去の距離との第２の過去の比、第２の過去の注文の過去の迎車時間、過去のサービスプロバイダの過去の位置と第２の過去の注文の第２の過去の開始位置との間の過去の迎車距離、または過去の迎車距離と第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離との第３の過去の比のうちの１つ以上を含んでもよい。

一部の実施形態において、訓練済みモデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルのうちの少なくとも１つを含んでもよい。

本開示の別の側面において、実行可能命令を含むコンピュータストレージ媒体が提供される。実行可能命令は、ターゲット情報を獲得することを含んでもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報、割り振られるべき第２のサービスリクエストに関連する第２の情報、およびリアルタイム情報を含んでもよい。実行可能命令は、第２のサービスリクエストがサービスプロバイダに適合するかどうかを、訓練済みモデルを使用することにより、ターゲット情報に基づいて判断することをさらに含んでもよい。実行可能命令は、第２のサービスリクエストがサービスプロバイダに適合するという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振ることをさらに含んでもよい。

本開示の別の側面において、実行可能命令を含むコンピュータストレージ媒体が提供される。実行可能命令は、サンプル情報を獲得することを含んでもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。実行可能命令は、サンプル情報に基づいて訓練済みモデルを決定することをさらに含んでもよい。

本開示の別の側面において、電子デバイスが提供される。電子デバイスは、命令を実行するのに適したプロセッサ、および命令のセットを記憶するのに適したストレージデバイスを含んでもよい。命令のセットは、プロセッサによりロードされるのに適していてもよい。プロセッサは、ターゲット情報を獲得するために命令のセットを実行してもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報と、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含んでもよい。プロセッサは、第２のサービスリクエストがサービスプロバイダに適合するかどうかを、訓練済みモデルを使用することにより、ターゲット情報に基づいて判断するために命令のセットをさらに実行してもよい。プロセッサは、第２のサービスリクエストがサービスプロバイダに適合するという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振るために命令のセットをさらに実行してもよい。

本開示の別の側面において、電子デバイスは、命令を実行するのに適したプロセッサ、および命令のセットを記憶するのに適したストレージデバイスを含んでもよい。命令のセットは、プロセッサによりロードされるのに適していてもよい。プロセッサは、サンプル情報を獲得するために命令のセットを実行してもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。プロセッサは、サンプル情報に基づいて訓練済みモデルを決定するために命令のセットをさらに実行してもよい。

本開示の別の側面において、サービスリクエストを割り振る方法が提供される。本方法は、ターゲット情報を獲得するステップを含んでもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報と、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含んでもよい。本方法は、ターゲット情報に基づいて特徴情報を獲得するステップをさらに含んでもよい。本方法は、特徴情報を訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ入力するステップをさらに含んでもよい。本方法は、訓練済み線形回帰モデルに関連する第１の出力結果および訓練済み深層学習モデルに関連する第２の出力結果を加重することにより、第１のサービスリクエストおよび第２のサービスリクエストに関連する適合パラメータを判断するステップをさらに含んでもよい。本方法は、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振るステップをさらに含んでもよい。

一部の実施形態において、本方法は、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を、ターゲット情報に基づいて獲得するステップを含んでもよい。本方法は、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を変更することにより特徴情報を判断するステップをさらに含んでもよい。

一部の実施形態において、特徴情報は、第１の特徴情報、第２の特徴情報、および第３の特徴情報を含んでもよい。本方法は、非アイデンティティカテゴリの初期特徴情報を訓練済み統合モデルに入力して訓練済み統合モデルに関連する出力結果を正規化することにより、第１の特徴情報を判断するステップをさらに含んでもよい。本方法は、非アイデンティティカテゴリの初期特徴情報を正規化することにより第２の特徴情報を判断するステップと、アイデンティティカテゴリの初期特徴情報を離散化および正規化することにより第３の特徴情報を判断するステップとをさらに含んでもよい。

一部の実施形態において、第１のサービスリクエストに関連する第１の情報は、第１の開始位置、第１の目的地、および第１の開始時間を含んでもよく、第２のサービスリクエストに関連する第２の情報は、第２の開始位置、第２の目的地、および第２の開始時間を含んでもよい。

本開示の別の側面において、サービスリクエストを割り振るための訓練済みモデルを決定するための訓練方法が提供される。訓練方法は、サンプル情報を獲得するステップを含んでもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。訓練方法は、過去の複数の輸送サービス記録それぞれのサンプルタイプを判断するステップをさらに含んでもよい。サンプルタイプは、ポジティブサンプルタイプおよびネガティブサンプルタイプを含んでもよい。訓練方法は、過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、サンプル情報に基づいて判断するステップをさらに含んでもよい。訓練方法は、仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを、過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて調整することにより、訓練済み線形回帰モデルおよび訓練済み深層学習モデルを決定するステップをさらに含んでもよい。

一部の実施形態において、過去の複数の輸送サービス記録それぞれについて、訓練方法は、サンプル特徴情報を、仮の線形回帰モデルおよび仮の深層学習モデルに入力するステップを含んでもよい。本方法は、仮の線形回帰モデルに関連する第１のサンプル出力結果および仮の深層学習モデルに関連する第２のサンプル出力結果を加重することによって、参照適合パラメータを判断するステップをさらに含んでもよい。本方法は、過去の複数の輸送サービス記録それぞれの参照適合パラメータおよびサンプルタイプに基づいて、少なくとも１つのパラメータを調整するステップをさらに含んでもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、過去の輸送サービス記録に対応するサンプル特徴情報は、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を、サンプル情報の中の、過去の輸送記録に対応する関連情報に基づいて獲得するステップと、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を変更することによりサンプル特徴情報を判断するステップとにより、サンプル情報に基づいて獲得されてもよい。

一部の実施形態において、サンプル情報は、第１のサンプル特徴情報、第２のサンプル特徴情報、および第３のサンプル特徴情報を含んでもよい。訓練方法はさらに、非アイデンティティカテゴリの初期サンプル特徴情報を訓練済み統合モデルに入力して訓練済み統合モデルに関連するサンプル出力結果を正規化することにより、第１のサンプル特徴情報を判断するステップを含んでもよい。訓練方法は、非アイデンティティカテゴリの初期サンプル特徴情報を正規化することにより第２のサンプル特徴情報を判断するステップをさらに含んでもよい。訓練方法は、アイデンティティカテゴリの初期サンプル特徴情報を離散化および正規化することにより第３のサンプル特徴情報を判断するステップをさらに含んでもよい。

一部の実施形態において、本方法はさらに、過去の複数の輸送サービス記録それぞれのサンプルタイプおよび過去の複数の輸送サービス記録それぞれの非アイデンティティカテゴリの初期サンプル特徴情報に基づいて、訓練済み統合モデルを決定することを含んでもよい。

一部の実施形態において、第１の過去の注文に関連する第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、および第１の過去の開始時間を含んでもよく、第２の過去の注文に関連する第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、および第２の過去の開始時間を含んでもよい。

本開示の別の側面において、サービスリクエストを割り振るデバイスが提供される。デバイスは、第１の獲得モジュール、第２の獲得モジュール、入力モジュール、出力モジュール、および割り振りモジュールを含んでもよい。第１の獲得モジュールは、ターゲット情報を獲得するように構成されてもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報と、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含んでもよい。第２の獲得モジュールは、ターゲット情報に基づいて特徴情報を獲得するように構成されてもよい。入力モジュールは、特徴情報を訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ入力するように構成されてもよい。出力モジュールは、訓練済み線形回帰モデルに関連する第１の出力結果および訓練済み深層学習モデルに関連する第２の出力結果を加重することにより第１のサービスリクエストおよび第２のサービスリクエストに関連する適合パラメータを判断するように構成されてもよい。割り振りモジュールは、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振るように構成されてもよい。

一部の実施形態において、第２の獲得モジュールは、獲得ユニットおよび処理ユニットを含んでもよい。獲得ユニットは、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を、ターゲット情報に基づいて獲得するように構成されてもよい。処理ユニットは、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を変更することにより特徴情報を判断するように構成されてもよい。

一部の実施形態において、特徴情報は、第１の特徴情報、第２の特徴情報、および第３の特徴情報を含んでもよい。処理ユニットはさらに、非アイデンティティカテゴリの初期特徴情報を訓練済み統合モデルに入力して訓練済み統合モデルに関連する出力結果を正規化することにより、第１の特徴情報を判断するように構成されてもよい。処理ユニットは、非アイデンティティカテゴリの初期特徴情報を正規化することにより第２の特徴情報を判断するようにさらに構成されてもよい。処理ユニットは、アイデンティティカテゴリの初期特徴情報を離散化および正規化することにより第３の特徴情報を判断するようにさらに構成されてもよい。

一部の実施形態において、第１のサービスリクエストに関連する第１の情報は、第１の開始位置、第１の目的地、および第１の開始時間を含んでもよく、第２のサービスリクエストに関連する第２の情報は、第２の開始位置、第２の目的地、および第２の開始時間を含んでもよい。

本開示の別の側面において、サービスリクエストを割り振るための訓練済みモデルを決定する訓練デバイスが提供される。訓練デバイスは、第１の獲得モジュール、判断モジュール、第２の獲得モジュール、および調整モジュールを含んでもよい。第１の獲得モジュールは、サンプル情報を獲得するように構成されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。判断モジュールは、過去の複数の輸送サービス記録それぞれのサンプルタイプを判断するように構成されてもよい。サンプルタイプは、ポジティブサンプルタイプおよびネガティブサンプルタイプを含んでもよい。第２の獲得モジュールは、過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、サンプル情報に基づいて判断するように構成されてもよい。調整モジュールは、仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを、過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて調整することにより、訓練済み線形回帰モデルおよび訓練済み深層学習モデルを決定するように構成されてもよい。

一部の実施形態において、過去の複数の輸送サービス記録それぞれについて、調整モジュールは、サンプル特徴情報を、仮の線形回帰モデルおよび仮の深層学習モデルに入力するように構成されてもよい。調整モジュールは、仮の線形回帰モデルに関連する第１のサンプル出力結果および仮の深層学習モデルに関連する第２のサンプル出力結果を加重することによって、参照適合パラメータを判断するようにさらに構成されてもよい。調整モジュールは、過去の複数の輸送サービス記録それぞれの参照適合パラメータおよびサンプルタイプに基づいて、少なくとも１つのパラメータを調整するようにさらに構成されてもよい。

過去の複数の輸送サービス記録のうちの任意のものについて、第２の獲得モジュールは、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を、サンプル情報の中の、過去の輸送記録に対応する関連情報に基づいて獲得することと、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を変更することによりサンプル特徴情報を判断することとにより、過去の輸送サービス記録に対応するサンプル特徴情報をサンプル情報に基づいて獲得するように構成されてもよい。

一部の実施形態において、サンプル情報は、第１のサンプル特徴情報、第２のサンプル特徴情報、および第３のサンプル特徴情報を含んでもよい。第２の獲得モジュールは、非アイデンティティカテゴリの初期サンプル特徴情報を訓練済み統合モデルに入力して訓練済み統合モデルに関連するサンプル出力結果を正規化することにより第１のサンプル特徴情報を判断することと、非アイデンティティカテゴリの初期サンプル特徴情報を正規化することにより第２のサンプル特徴情報を判断することと、アイデンティティカテゴリの初期サンプル特徴情報を離散化および正規化することにより第３のサンプル特徴情報を判断することとによって、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を変更することにより、サンプル特徴情報を判断するように構成されてもよい。

一部の実施形態において、訓練デバイスはさらに、訓練モジュールを含んでもよい。訓練モジュールは、過去の複数の輸送サービス記録それぞれのサンプルタイプおよび過去の複数の輸送サービス記録それぞれの非アイデンティティカテゴリの初期サンプル特徴情報に基づいて、訓練済み統合モデルを決定するように構成されてもよい。

一部の実施形態において、第１の過去の注文に関連する第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、および第１の過去の開始時間を含んでもよく、第２の過去の注文に関連する第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、および第２の過去の開始時間を含んでもよい。

本開示の別の側面において、実行可能命令を含むコンピュータストレージ媒体が提供される。実行可能命令は、ターゲット情報を獲得することを含んでもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報と、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含んでもよい。実行可能命令は、ターゲット情報に基づいて特徴情報を獲得することをさらに含んでもよい。実行可能命令は、特徴情報を訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ入力することをさらに含んでもよい。実行可能命令は、訓練済み線形回帰モデルに関連する第１の出力結果および訓練済み深層学習モデルに関連する第２の出力結果を加重することにより、第１のサービスリクエストおよび第２のサービスリクエストに関連する適合パラメータを判断することをさらに含んでもよい。実行可能命令は、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振ることをさらに含んでもよい。

本開示の別の側面において、実行可能命令を含むコンピュータストレージ媒体が提供される。実行可能命令は、サンプル情報を獲得することを含んでもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。実行可能命令は、過去の複数の輸送サービス記録それぞれのサンプルタイプを判断することをさらに含んでもよい。サンプルタイプは、ポジティブサンプルタイプおよびネガティブサンプルタイプを含んでもよい。実行可能命令は、過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、サンプル情報に基づいて判断することを含んでもよい。実行可能命令は、仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて調整することにより、訓練済み線形回帰モデルおよび訓練済み深層学習モデルを決定することを含んでもよい。

本開示の別の側面において、電子デバイスが提供される。電子デバイスは、命令を実行するのに適したプロセッサ、および命令のセットを記憶するのに適したストレージデバイスを含んでもよい。命令のセットは、プロセッサによりロードされるのに適していてもよい。プロセッサは、ターゲット情報を獲得するために命令のセットを実行してもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報と、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含んでもよい。プロセッサは、ターゲット情報に基づいて特徴情報を獲得するために命令のセットをさらに実行してもよい。プロセッサは、特徴情報を訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ入力するために命令のセットをさらに実行してもよい。プロセッサは、訓練済み線形回帰モデルに関連する第１の出力結果および訓練済み深層学習モデルに関連する第２の出力結果を加重することにより第１のサービスリクエストおよび第２のサービスリクエストに関連する適合パラメータを判断するために命令のセットをさらに実行してもよい。プロセッサは、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振るために命令のセットをさらに実行してもよい。

本開示の別の側面において、電子デバイスが提供される。電子デバイスは、命令を実行するのに適したプロセッサ、および命令を記憶するのに適したストレージデバイスを含んでもよい。命令のセットは、プロセッサによりロードされるのに適していてもよい。プロセッサは、サンプル情報を獲得するために命令のセットを実行してもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。プロセッサは、過去の複数の輸送サービス記録それぞれのサンプルタイプを判断するために命令のセットをさらに実行してもよい。サンプルタイプは、ポジティブサンプルタイプおよびネガティブサンプルタイプを含んでもよい。プロセッサは、過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報をサンプル情報に基づいて判断するために、命令のセットをさらに実行してもよい。プロセッサは、仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて調整することにより訓練済み線形回帰モデルおよび訓練済み深層学習モデルを決定するために命令のセットをさらに実行してもよい。

本開示の別の側面において、オンラインツーオフラインサービスを提供するように構成されたシステムが提供される。システムは、命令のセットを含む少なくとも１つのストレージデバイス、および少なくとも１つのストレージデバイスと通信している少なくとも１つのプロセッサを含んでもよい。命令のセットを実行すると、少なくとも１つのプロセッサは、システムに、第１のサービスリクエストに関連する第１の情報を獲得させるように構成されてもよい。第１のサービスリクエストは、サービスプロバイダに割り振られたものであって、且つサービスプロバイダにより受諾されたものであってもよい。第１のサービスリクエストは、第１のリクエスタ端末により実行されるアプリケーションを介して開始されてもよい。少なくとも１つのプロセッサは、システムに、第２のサービスリクエストに関連する第２の情報を、リクエスト受信ポートを介して獲得させるようにさらに構成されてもよい。第２のサービスリクエストは、第２のリクエスタ端末により実行されるアプリケーションを介して開始されてもよい。少なくとも１つのプロセッサは、少なくとも１つの訓練済み適合モデルを使用することにより第１の情報および第２の情報に基づいて適合パラメータを判断するようにさらに構成されてもよい。少なくとも１つのプロセッサは、適合パラメータが閾値よりも大きいかどうかを判断するようにさらに構成されてもよい。少なくとも１つのプロセッサは、適合パラメータが閾値よりも大きいという判断の結果に基づいて、第２のサービスリクエストに関連するデータを、サービスプロバイダに関連するプロバイダ端末にネットワークを介して送信するようにさらに構成されてもよい。プロバイダ端末は、第２のサービスリクエストに関連するデータを受信するのに応答して、第２のサービスリクエストに関連する受信されたデータの少なくとも一部をグラフィックユーザインターフェースの中に表示してもよい。

一部の実施形態において、少なくとも１つのプロセッサはさらに、システムに、サービスプロバイダに関連する参照情報をデータリソースからネットワークを介して獲得させるように構成されてもよい。参照情報は、サービスプロバイダに関連するプロバイダ情報、気象情報、時間情報、または交通情報のうちの少なくとも１つを含んでもよい。少なくとも１つのプロセッサは、システムに、少なくとも１つの訓練済み適合モデルを使用することにより、第１の情報、第２の情報、および参照情報に基づいて適合パラメータを判断させるようにさらに構成されてもよい。

一部の実施形態において、第１の情報は、第１のサービスリクエストの第１の開始位置、第１のサービスリクエストの第１の目的地、または第１のサービスリクエストの第１の開始時間のうちの少なくとも１つを含んでもよく、第２の情報は、第２のサービスリクエストの第２の開始位置、第２のサービスリクエストの第２の目的地、または第２のサービスリクエストの第２の開始時間のうちの少なくとも１つを含んでもよい。

一部の実施形態において、少なくとも１つの訓練済み適合モデルは、第１の訓練済み適合モデルおよび第２の訓練済み適合モデルを含んでもよい。少なくとも１つのプロセッサは、システムにさらに、第１の訓練済み適合モデルを使用することにより第１の情報および第２の情報に基づいて第１の適合パラメータを判断させるように構成される。少なくとも１つのプロセッサは、システムに、第２の訓練済み適合モデルを使用することにより第１の情報および第２の情報に基づいて第２の適合パラメータを判断させるようにさらに構成される。少なくとも１つのプロセッサは、システムに、第１の適合パラメータおよび第２の適合パラメータに基づいて適合パラメータを判断させるようにさらに構成される。

一部の実施形態において、少なくとも１つの訓練済み適合モデルは、訓練プロセスに基づいて少なくとも１つのプロセッサにより訓練されてもよい。訓練プロセスは、少なくとも１つのポジティブ訓練サンプルおよび少なくとも１つのネガティブ訓練サンプルを含む複数の訓練サンプルを獲得することを含んでもよい。訓練プロセスは、複数の訓練サンプルのうちのそれぞれの訓練サンプルの特徴情報を抽出することをさらに含んでもよい。訓練プロセスは、複数の訓練サンプルの特徴情報に基づいて少なくとも１つの訓練済み適合モデルを決定することをさらに含んでもよい。

一部の実施形態において、少なくとも１つのポジティブ訓練サンプルおよび少なくとも１つのネガティブ訓練サンプルを獲得することは、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報か、第１の過去の注文とマッチングされた第２の過去の注文に関連する第２の過去の情報か、または過去のサービスプロバイダに関連する過去の参照情報かを含む過去の輸送サービス記録を獲得することと、第２の過去の注文が過去のサービスプロバイダにより受諾されたという判断の結果に基づいて、過去の輸送サービス記録に基づくポジティブ訓練サンプルを判断することと、第２の過去の注文が過去のサービスプロバイダにより受諾されなかったという判断の結果に基づいて、過去の輸送サービス記録に基づくネガティブ訓練サンプルを判断することとを含んでもよい。

一部の実施形態において、第１の過去の情報は、第１の過去の注文の第１の過去の開始位置、第１の過去の注文の第１の過去の目的地、または第１の過去の注文の第１の過去の開始時間のうちの少なくとも１つを含んでもよく、第２の過去の情報は、第２の過去の注文の第２の過去の開始位置、第２の過去の注文の第２の過去の目的地、または第２の過去の注文の第２の過去の開始時間のうちの少なくとも１つを含んでもよい。

一部の実施形態において、複数の訓練サンプルに基づいて少なくとも１つの訓練済み適合モデルを決定することは、少なくとも１つの仮の適合モデルを獲得することと、複数の訓練サンプルに対応する複数のサンプル適合パラメータを、少なくとも１つの仮の適合モデルと、複数の訓練サンプルの特徴情報とに基づいて判断することと、複数のサンプル適合パラメータが第１の事前設定済み条件を満たすかどうかを判断することと、複数のサンプル適合パラメータが第１の事前設定済み条件を満たすという判断の結果に基づいて、少なくとも１つの仮の適合モデルを少なくとも１つの訓練済み適合モデルとして指定することとを含んでもよい。

一部の実施形態において、複数の訓練サンプルに基づいて少なくとも１つの訓練済み適合モデルを決定することは、複数のサンプル適合パラメータが第１の事前設定済み条件を満たさないという判断の結果に基づいて少なくとも１つの仮の適合モデルを更新することを含んでもよい。

一部の実施形態において、少なくとも１つの訓練済み適合モデルは、第１の訓練済み適合モデルおよび第２の訓練済み適合モデルを含んでもよく、複数の訓練サンプルに基づいて少なくとも１つの訓練済み適合モデルを決定することは、第１の仮の適合モデルおよび第２の仮の適合モデルを獲得することと、複数の訓練サンプルに対応する第１の複数のサンプル適合パラメータを、第１の仮の適合モデルと、複数の訓練サンプルの特徴情報とに基づいて判断することと、複数の訓練サンプルに対応する第２の複数のサンプル適合パラメータを、第２の仮の適合モデルと、複数の訓練サンプルの特徴情報とに基づいて判断することと、第１の複数のサンプル適合パラメータおよび第２の複数のサンプル適合パラメータに関連するサンプル結果が第２の事前設定済み条件を満たすかどうかを判断することと、サンプル結果が第２の事前設定済み条件を満たすという判断の結果に基づいて、第１の仮の適合モデルおよび第２の仮の適合モデルを、第１の訓練済み適合モデルおよび第２の訓練済み適合モデルとしてそれぞれ指定することとを含む。

一部の実施形態において、複数の訓練サンプルに基づいて少なくとも１つの訓練済み適合モデルを決定することは、サンプル結果が第２の事前設定済み条件を満たさないという判断の結果に基づいて第１の仮の適合モデルおよび第２の仮の適合モデルのうちの少なくとも１つを更新することを含んでもよい。

一部の実施形態において、複数の訓練サンプルのうちのそれぞれの訓練サンプルの特徴情報は、複数の訓練サンプルのうちのそれぞれの訓練サンプルの第１の特徴情報、複数の訓練サンプルのうちのそれぞれの訓練サンプルの第２の特徴情報、および複数の訓練サンプルのうちのそれぞれの訓練サンプルの第３の特徴情報を含んでもよく、複数の訓練サンプルのうちのそれぞれの訓練サンプルの特徴情報を判断することは、複数の訓練サンプルのうちのそれぞれの訓練サンプルの初期特徴情報を抽出することであって、初期特徴情報は、非アイデンティティカテゴリの第１の初期特徴情報およびアイデンティティカテゴリの第２の初期特徴情報を含む、抽出することと、初期特徴情報を変更することにより複数の訓練サンプルのうちのそれぞれの訓練サンプルの特徴情報を判断することとを含んでもよい。

一部の実施形態において、初期特徴情報を変更することにより複数の訓練サンプルのうちのそれぞれの訓練サンプルの特徴情報を判断することは、訓練済み統合モデルおよび第１の初期特徴情報に基づいて第１の特徴結果を判断することと、第１の特徴結果を正規化することにより複数の訓練サンプルのうちのそれぞれの訓練サンプルの第１の特徴情報を判断することとを含んでもよい。

一部の実施形態において、初期特徴情報を変更することにより複数の訓練サンプルのうちのそれぞれの訓練サンプルの特徴情報を判断することは、第１の初期特徴情報を正規化することにより複数の訓練サンプルのうちのそれぞれの訓練サンプルの第２の特徴情報を判断することを含んでもよい。

一部の実施形態において、初期特徴情報を変更することにより複数の訓練サンプルのうちのそれぞれの訓練サンプルの特徴情報を判断することは、第２の初期特徴情報を離散化することと、離散化された第２の初期特徴情報を正規化することにより複数の訓練サンプルのうちのそれぞれの訓練サンプルの第３の特徴情報を判断することとを含んでもよい。

一部の実施形態において、少なくとも１つの訓練済み適合モデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルを含んでもよい。

本開示の別の側面において、方法が提供される。本方法は、少なくともプロセッサと、少なくとも１つのストレージデバイスと、ネットワークに接続された通信プラットフォームとを有するコンピューティングデバイス上で実装されてもよい。本方法は、第１のサービスリクエストに関連する第１の情報を獲得するステップを含んでもよい。第１のサービスリクエストは、サービスプロバイダに割り振られたものであって、且つサービスプロバイダにより受諾されたものであってもよい。第１のサービスリクエストは、第１のリクエスタ端末により実行されるアプリケーションを介して開始されてもよい。本方法は、第２のサービスリクエストに関連する第２の情報を、リクエスト受信ポートを介して獲得するステップをさらに含んでもよい。第２のサービスリクエストは、第２のリクエスタ端末により実行されるアプリケーションを介して開始されてもよい。本方法は、少なくとも１つの訓練済み適合モデルを使用することにより、第１の情報および第２の情報に基づいて適合パラメータを判断するステップをさらに含んでもよい。本方法は、適合パラメータが閾値よりも大きいかどうかを判断するステップをさらに含んでもよい。本方法は、適合パラメータが閾値よりも大きいという判断の結果に基づいて、第２のサービスリクエストに関連するデータを、サービスプロバイダに関連するプロバイダ端末にネットワークを介して送信するステップをさらに含んでもよい。プロバイダ端末は、第２のサービスリクエストに関連するデータを受信するのに応答して、第２のサービスリクエストに関連する受信されたデータの少なくとも一部をグラフィックユーザインターフェースの中に表示してもよい。

本開示の別の側面において、非一時的コンピュータ可読媒体が提供される。非一時的コンピュータ可読媒体は、少なくとも１つのプロセッサにより実行されると少なくとも１つのプロセッサに方法を実行するように指令する実行可能命令を備えてもよい。本方法は、第１のサービスリクエストに関連する第１の情報を獲得するステップを含んでもよい。第１のサービスリクエストは、サービスプロバイダに割り振られ且つサービスプロバイダにより受諾されたものであってもよく、第１のサービスリクエストは、第１のリクエスタ端末により実行されるアプリケーションを介して開始されてもよい。本方法は、第２のサービスリクエストに関連する第２の情報を、リクエスト受信ポートを介して獲得するステップをさらに含んでもよい。第２のサービスリクエストは、第２のリクエスタ端末により実行されるアプリケーションを介して開始されてもよい。本方法は、少なくとも１つの訓練済み適合モデルを使用することにより、第１の情報および第２の情報に基づいて適合パラメータを判断するステップをさらに含んでもよい。本方法は、適合パラメータが閾値よりも大きいかどうかを判断するステップをさらに含んでもよい。本方法は、適合パラメータが閾値よりも大きいという判断の結果に基づいて、第２のサービスリクエストに関連するデータを、サービスプロバイダに関連するプロバイダ端末にネットワークを介して送信するステップをさらに含んでもよい。プロバイダ端末は、第２のサービスリクエストに関連するデータを受信するのに応答して、第２のサービスリクエストに関連する受信されたデータの少なくとも一部をグラフィックユーザインターフェースの中に表示してもよい。

さらなる特徴について、一部は以下の説明に記載され、一部は以下の事項および添付図面を検討すると当業者には明らかとなり、または各例を作製もしくは運用することにより分かることもある。本開示の各特徴は、後述の詳細な例の中に記載される手順、手段、および組み合わせの様々な側面を実施または使用することにより実現および達成され得る。

本開示について、例示的な実施形態の点からさらに記載する。これらの例示的な実施形態は、図面を参照して詳しく記載される。これらの実施形態は、非限定的な例示的実施形態であり、同じ参照符号は、図面のうちいくつかの図面にわたって同様の構造を表現する。

本開示の一部の実施形態による、例示的なオンデマンドサービスシステムを示す概略図である。 本開示の一部の実施形態による、コンピューティングデバイスの例示的なハードウェアコンポーネントおよび／またはソフトウェアコンポーネントを示す概略図である。 本開示の一部の実施形態による、モバイルデバイスの例示的なハードウェアコンポーネントおよび／またはソフトウェアコンポーネントを示す概略図である。 本開示の一部の実施形態による、サービスリクエストを割り振る例示的なプロセスを示すフローチャートである。 本開示の一部の実施形態による、サービスリクエストを割り振る例示的なプロセスを示すフローチャートである。 本開示の一部の実施形態による、サービスリクエストを割り振るための訓練済みモデルを決定する例示的な訓練プロセスを示すフローチャートである。 本開示の一部の実施形態による、サービスリクエストを割り振るための訓練済みモデルを決定する例示的な訓練プロセスを示すフローチャートである。 本開示の一部の実施形態による、サービスリクエストを割り振る例示的なデバイスを示すブロック図である。 本開示の一部の実施形態による、サービスリクエストを割り振るための訓練済みモデルを決定する例示的な訓練デバイスを示すブロック図である。 本開示の一部の実施形態による、サービスリクエストを割り振る例示的なプロセスを示すフローチャートである。 本開示の一部の実施形態による、サービスリクエストを割り振る例示的なシナリオの概略図である。 本開示の一部の実施形態による、サービスリクエストを割り振る例示的なプロセスを示すフローチャートである。 本開示の一部の実施形態による、サービスリクエストを割り振るための少なくとも１つの訓練済みモデルを決定する例示的な訓練プロセスを示すフローチャートである。 本開示の一部の実施形態による、サービスリクエストを割り振る例示的なデバイスを示すブロック図である。 本開示の一部の実施形態による、サービスリクエストを割り振るための少なくとも１つの訓練済みモデルを決定する例示的な訓練デバイスを示すブロック図である。 本開示の一部の実施形態による例示的な処理エンジンを示すブロック図である。 本開示の一部の実施形態による、サービスプロバイダにサービスリクエストを割り振る例示的なプロセスを示すフローチャートである。 本開示の一部の実施形態による、２つの訓練済みモデルを使用することにより適合パラメータを判断する例示的なプロセスを示すフローチャートである。 本開示の一部の実施形態による、サービスリクエストを割り振るための少なくとも１つの訓練済み適合モデルを決定する例示的なプロセスを示すフローチャートである。 本開示の一部の実施形態による、サービスリクエストを割り振るための２つの訓練済み適合モデルを決定する例示的なプロセスを示すフローチャートである。

以下の説明は、いずれの当業者も本開示を準備および使用することができるように提示され、特定の用途およびその要求事項の文脈において提供される。開示された実施形態に対する様々な変更が、当業者には容易に明らかになるであろう。本明細書に定義された全般的な原理は、本開示の意図および範囲から逸脱することなく他の実施形態および用途に応用され得る。したがって、本開示は、示されるいくつかの実施形態に限定されず、特許請求の範囲に合致する最も広い範囲を与えられる。

本明細書で使用される用語は、特定の例示の実施形態を記載することのみを目的とし、限定的な意図はない。本明細書で使用される、単数形「ａ（或る）」、「ａｎ（或る）」、および「ｔｈｅ（この）」は、文脈によりそうでないことが明確に示されていない限り、複数形も含むよう意図されることもある。さらに、当然のことながら、「ｃｏｍｐｒｉｓｅ（備える）」、「ｃｏｍｐｒｉｓｅｓ（備える）」、および／または「ｃｏｍｐｒｉｓｉｎｇ（備えている）」、「ｉｎｃｌｕｄｅ（含む）」、「ｉｎｃｌｕｄｅｓ（含む）」、および／または「ｉｎｃｌｕｄｉｎｇ（含んでいる）」という用語は、本明細書で使用されるとき、記載された特徴、完全体、ステップ、動作、構成要素、および／またはコンポーネントの存在を指定するが、１つ以上の他の特徴、完全体、ステップ、動作、構成要素、コンポーネント、および／またはそれらのグループの存在または追加を除外するものではない。

本開示のこれらの特徴および他の特徴ならびに特性、ならびに構造の関連構成要素の動作方法および機能、ならびに部品の組み合わせおよび製造の簡潔さが、添付図面を参照しながら以下の説明を検討するとより明らかとなるであろう。添付図面はすべて本開示の一部を構成する。なお、当然のことながら、図面は例示および説明のためのものでしかなく、本開示の範囲を限定することは意図されていない。当然のことながら、図面は正確な縮尺ではない。

本開示において使用されるフローチャートは、本開示の一部の実施形態によりシステムが実施する動作を示す。当然のことながら、フローチャートの動作は、順序通りに実施されなくてもよい。逆に、動作は逆順でまたは同時に実施されてもよい。さらに、１つ以上の他の動作がフローチャートに追加されてもよい。１つ以上の動作がフローチャートから削除されてもよい。

さらに、本開示の中で開示されるシステムおよび方法は主としてオンデマンドサービスに関して記載されるが、同じく当然のことながら、これは例示的な一実施形態でしかない。本開示のシステムおよび方法は、他の任意の種類のオンデマンドサービスに応用され得る。例えば、本開示のシステムおよび方法は、陸、海、宇宙空間、または同様のもの、またはそれらの任意の組み合わせを含む、様々な環境の輸送システムに応用され得る。輸送システムの乗物は、タクシー、自家用車、ヒッチハイクに応じる車、バス、電車、超特急列車、高速鉄道、地下鉄、船、航空機、宇宙船、熱気球、自動運転車両、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。輸送システムはさらに、例えば速達を発送および／または受領するためのシステムなど、管理および／または配布のための任意の輸送システムをさらに含んでもよい。本開示のシステムおよび方法の応用は、ウェブページ、ブラウザのプラグイン、クライアント端末、カスタムシステム、内部分析システム、人工知能ロボット、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。

本開示における「乗客」、「リクエスタ（ｒｅｑｕｅｓｔｅｒ）」、「リクエスタ（ｒｅｑｕｅｓｔｏｒ）」、「サービスリクエスタ（ｓｅｒｖｉｃｅ ｒｅｑｕｅｓｔｅｒ）」、「サービスリクエスタ（ｓｅｒｖｉｃｅ ｒｅｑｕｅｓｔｏｒ）」、および「顧客」という用語は、サービスをリクエストまたは注文し得る個人、事業体、またはツールを指すために区別なく使用される。さらに、本開示における「運転手」、「プロバイダ」、「サービスプロバイダ」、および「サプライヤ」という用語は、サービスを提供し得る、またはサービスの提供を促進し得る個人、事業体、またはツールを指すために区別なく使用される。本開示における「ユーザ」という用語は、サービスをリクエストし得る、サービスを注文し得る、サービスを提供し得る、またはサービスの提供を促進し得る個人、事業体、またはツールを指す。本開示では、「リクエスタ」および「リクエスタ端末」という用語が区別なく使用されることもあり、「プロバイダ」および「プロバイダ端末」という用語が区別なく使用されることもある。

本開示では「リクエスト」、「サービス」、「サービスリクエスト」、および「注文」という用語は、乗客、リクエスタ、サービスリクエスタ、顧客、運転手、プロバイダ、サービスプロバイダ、サプライヤ、または同様のもの、またはそれらの任意の組み合わせにより開始され得るリクエストを指すために区別なく使用される。サービスリクエストは、乗客、リクエスタ、サービスリクエスタ、顧客、運転手、プロバイダ、サービスプロバイダ、またはサプライヤのいずれか１つにより受諾され得る。サービスリクエストは有料でも無料でもよい。

本開示において使用される測位技術は、グローバルポジショニングシステム（ＧＰＳ：ｇｌｏｂａｌ ｐｏｓｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ）、グローバルナビゲーション衛星システム（ＧＬＯＮＡＳＳ：ｇｌｏｂａｌ ｎａｖｉｇａｔｉｏｎ ｓａｔｅｌｌｉｔｅ ｓｙｓｔｅｍ）、コンパスナビゲーションシステム（ＣＯＭＰＡＳＳ）、ガリレオ測位システム、準天頂衛星システム（ＱＺＳＳ：ｑｕａｓｉ−ｚｅｎｉｔｈ ｓａｔｅｌｌｉｔｅ ｓｙｓｔｅｍ）、ワイヤレスフィディリティ（ＷｉＦｉ：ｗｉｒｅｌｅｓｓ ｆｉｄｅｌｉｔｙ）測位技術、または同様のもの、またはそれらの任意の組み合わせに基づいてもよい。上記の測位システムの１つ以上が、本開示において交換可能に使用され得る。

本開示の或る側面は、オンラインツーオフラインサービス（例えば輸送機関の相乗りサービス）のシステムおよび方法に関する。例えば、システムは、サービスプロバイダにより受諾された第１のサービスリクエストに関連する情報を獲得してもよい。システムは、割り振られるべき第２のサービスリクエストに関連する情報および参照情報（例えばサービスプロバイダのプロバイダ情報、交通情報、気象情報）をさらに獲得してもよい。システムはさらに、少なくとも１つの訓練済み適合モデルを使用することにより、第１のサービスリクエストに関連する情報、第２のサービスリクエストに関連する情報、および参照情報に基づいて、第１のサービスリクエストおよび第２のサービスリクエストの適合スコアを判断してもよい。さらにシステムは、適合スコアが閾値よりも大きいかどうかを判断してもよく、システムは、適合スコアが閾値よりも大きいという判断に応答して、第２のサービスリクエストをサービスプロバイダに割り振ってもよい。少なくとも１つの訓練済み適合モデルは、過去の複数の輸送サービス記録に基づいて訓練されてもよい。少なくとも１つの訓練済み適合モデルに従って、システムは、相乗りサービスに関連するサービスリクエストを効率的に割り振ることができる。

なお、オンラインタクシー配車サービスなど、オンラインのオンデマンドサービスは、ポストインターネット時代にのみ根ざす新たな形態のサービスである。オンラインのオンデマンドサービスは、ポストインターネット時代にのみ生じ得る技術的ソリューションをユーザおよびサービスプロバイダに提供する。プレインターネット時代には、乗客が車道のタクシーを呼び止めるとき、タクシーのリクエストおよび受諾は、乗客と乗客を見る１人のタクシー運転手との間でのみ発生する。乗客が電話でタクシーを呼ぶ場合、サービスリクエストおよび受諾は、乗客と１つのサービスプロバイダ（例えば１つのタクシー会社または仲介業者）との間でのみ発生し得る。一方、オンラインタクシーでは、サービスのユーザが、ユーザから距離の離れた膨大な数の個々のサービスプロバイダ（例えばタクシー）にサービスリクエストをリアルタイムに自動で配信できる。オンラインタクシーでは、複数のサービスプロバイダが同時にリアルタイムでサービスリクエストに応答することも可能である。したがって、オンデマンドサービスシステムは、インターネットを通して、はるかに効率が高いトランザクションプラットフォームを、従来のプレインターネットのオンデマンドサービスシステムでは決して出会わないかもしれないユーザとサービスプロバイダとに提供し得る。

図１は、本開示の一部の実施形態による、例示的なオンデマンドサービスシステムを示す概略図である。一部の実施形態において、オンデマンドサービスシステムは、オンラインツーオフラインサービスのためのシステムであってもよい。例えばオンデマンドサービスシステム１００は、タクシー配車、運転サービス、配達車両、急行車、相乗り、バスサービス、運転手雇用、およびシャトルサービスなどの輸送サービスのためのプラットフォームであってもよい。オンデマンドサービスシステム１００は、サーバ１１０、ネットワーク１２０、リクエスタ端末１３０、プロバイダ端末１４０、およびストレージ１５０を含んでもよい。

一部の実施形態において、サーバ１１０は、単一サーバであっても、またはサーバグループであってもよい。サーバグループは、集中型であっても、または分散型であってもよい（例えばサーバ１１０は分散型システムであってもよい）。一部の実施形態において、サーバ１１０はローカルであってもまたはリモートであってもよい。例えばサーバ１１０は、リクエスタ端末１３０、プロバイダ端末１４０、および／またはストレージ１５０に記憶された情報および／またはデータに、ネットワーク１２０を介してアクセスしてもよい。別の例としてサーバ１１０は、記憶された情報および／またはデータにアクセスするために、リクエスタ端末１３０、プロバイダ端末１４０、および／またはストレージ１５０に直接接続されてもよい。一部の実施形態において、サーバ１１０はクラウドプラットフォーム上に実装されてもよい。単なる例として、クラウドプラットフォームは、プライベートクラウド、パブリッククラウド、ハイブリッドクラウド、コミュニティクラウド、分散型クラウド、インタークラウド、マルチクラウド、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。一部の実施形態において、サーバ１１０は、図２に示される１つ以上のコンポーネントを有するコンピューティングデバイス２００上に実装されてもよい。

一部の実施形態において、サーバ１１０は処理エンジン１１２を含んでもよい。処理エンジン１１２は、本開示に記載された１つ以上の機能を実行するために、サービスリクエストに関する情報および／またはデータを処理してもよい。例えば処理エンジン１１２は、少なくとも１つの訓練済み適合モデルを使用することにより、第１のサービスリクエストに関連する第１の情報および第２のサービスリクエストに関連する第２の情報に基づいて適合パラメータを判断してもよい。適合パラメータは、第２のサービスリクエストと、第１のサービスリクエストを受諾したサービスプロバイダとに関連する適合度を示してもよい。一部の実施形態において、処理エンジン１１２は、１つ以上の処理エンジンを含んでもよい（例えばシングルコア処理エンジン（単数または複数）またはマルチコアプロセッサ（単数または複数））。処理エンジン１１２は、中央処理ユニット（ＣＰＵ：ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、特定用途向け集積回路（ＡＳＩＣ：ａｐｐｌｉｃａｔｉｏｎ−ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、特定用途向け命令セットプロセッサ（ＡＳＩＰ：ａｐｐｌｉｃａｔｉｏｎ−ｓｐｅｃｉｆｉｃ ｉｎｓｔｒｕｃｔｉｏｎ−ｓｅｔ ｐｒｏｃｅｓｓｏｒ）、グラフィックス処理ユニット（ＧＰＵ：ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、物理処理ユニット（ＰＰＵ：ｐｈｙｓｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、デジタルシグナルプロセッサ（ＤＳＰ：ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ：ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、プログラマブル論理デバイス（ＰＬＤ：ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｄｅｖｉｃｅ）、コントローラ、マイクロコントローラユニット、縮小命令セットコンピュータ（ＲＩＳＣ：ｒｅｄｕｃｅｄ ｉｎｓｔｒｕｃｔｉｏｎ−ｓｅｔ ｃｏｍｐｕｔｅｒ）、マイクロプロセッサ、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。

ネットワーク１２０は、情報および／またはデータのやり取りを促進してもよい。一部の実施形態において、オンデマンドサービスシステム１００の１つ以上のコンポーネント（例えばサーバ１１０、リクエスタ端末１３０、プロバイダ端末１４０、またはストレージ１５０）は、情報および／またはデータをオンデマンドサービスシステム１００の別のコンポーネント（単数または複数）にネットワーク１２０を介して送信してもよい。例えばサーバ１１０は、サービスリクエストをリクエスタ端末１３０からネットワーク１２０を介して獲得してもよい。一部の実施形態において、ネットワーク１２０は、任意のタイプの有線ネットワークもしくは無線ネットワーク、またはそれらの任意の組み合わせであってもよい。単なる例として、ネットワーク１２０は、ケーブルネットワーク、有線ネットワーク、光ファイバネットワーク、電気通信ネットワーク、イントラネット、インターネット、ローカルエリアネットワーク（ＬＡＮ：ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ワイドエリアネットワーク（ＷＡＮ：ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）、無線ローカルエリアネットワーク（ＷＬＡＮ：ｗｉｒｅｌｅｓｓ ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、メトロポリタンエリアネットワーク（ＭＡＮ：ｍｅｔｒｏｐｏｌｉｔａｎ ａｒｅａ ｎｅｔｗｏｒｋ）、公衆交換電話網（ＰＳＴＮ：ｐｕｂｌｉｃ ｓｗｉｔｃｈｅｄ ｔｅｌｅｐｈｏｎｅ ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）ネットワーク、ＺｉｇＢｅｅネットワーク、近距離無線通信（ＮＦＣ：ｎｅａｒ ｆｉｅｌｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ）ネットワーク、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。一部の実施形態においてネットワーク１２０は、１つ以上のネットワークアクセスポイントを含んでもよい。例えばネットワーク１２０は、基地局および／またはインターネット相互接続点１２０−１、１２０−２、…、などの有線または無線のネットワークアクセスポイントを含んでもよく、それらを通して、オンデマンドサービスシステム１００の１つ以上のコンポーネントがデータおよび／または情報をやり取りするためにネットワーク１２０に接続されてもよい。

一部の実施形態において、サービスリクエスタは、リクエスタ端末１３０のユーザであってもよい。一部の実施形態において、リクエスタ端末１３０のユーザはサービスリクエスタ以外の者であってもよい。例えばリクエスタ端末１３０のユーザＡは、リクエスタ端末１３０を使用して、ユーザＢのためのサービスリクエストを送ってもよく、またはサーバ１１０からサービスの確認および／もしくは情報、もしくは指示を受信してもよい。一部の実施形態において、サービスプロバイダは、プロバイダ端末１４０のユーザであってもよい。一部の実施形態において、プロバイダ端末１４０のユーザはサービスプロバイダ以外の者であってもよい。例えば、プロバイダ端末１４０のユーザＣは、プロバイダ端末１４０を使用して、ユーザＤに対するサービスリクエストおよび／またはサーバ１１０からの情報もしくは指示を受信してもよい。

一部の実施形態において、リクエスタ端末１３０は、モバイルデバイス１３０−１、タブレットコンピュータ１３０−２、ラップトップコンピュータ１３０−３、車両に組み込まれたデバイス１３０−４、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。一部の実施形態において、モバイルデバイス１３０−１は、スマートホームデバイス、ウェアラブルデバイス、スマートモバイルデバイス、仮想現実デバイス、拡張現実デバイス、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。一部の実施形態において、スマートホームデバイスは、スマート照明デバイス、インテリジェント電気装置の制御デバイス、スマート監視デバイス、スマートテレビ、スマートビデオカメラ、インターホン、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。一部の実施形態において、ウェアラブルデバイスは、スマートブレスレット、スマート履物、スマートグラス、スマートヘルメット、スマートウォッチ、スマート衣類、スマートバックパック、スマートアクセサリ、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。一部の実施形態においてスマートモバイルデバイスは、スマートフォン、携帯情報端末（ＰＤＡ：ｐｅｒｓｏｎａｌ ｄｉｇｉｔａｌ ａｓｓｉｓｔａｎｔ）、ゲーム用デバイス、ナビゲーションデバイス、販売時点情報管理（ＰＯＳ：ｐｏｉｎｔ ｏｆ ｓａｌｅ）デバイス、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。一部の実施形態において、仮想現実デバイスおよび／または拡張現実デバイスは、仮想現実ヘルメット、仮想現実グラス、仮想現実パッチ、拡張現実ヘルメット、拡張現実グラス、拡張現実パッチ、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。例えば仮想現実デバイスおよび／または拡張現実デバイスは、Ｇｏｏｇｌｅ Ｇｌａｓｓ（商標）、Ｏｃｕｌｕｓ Ｒｉｆｔ（商標）、Ｈｏｌｏｌｅｎｓ（商標）、Ｇｅａｒ ＶＲ（商標）などを含んでもよい。一部の実施形態において、車両に組み込まれたデバイス１３０−４は、オンボードコンピュータ、オンボードテレビなどを含んでもよい。一部の実施形態において、リクエスタ端末１３０は、サービスリクエスタおよび／またはリクエスタ端末１３０の位置を特定する測位技術を備えたデバイスであってもよい。

一部の実施形態において、プロバイダ端末１４０は、リクエスタ端末１３０と類似した、または同じデバイスであってもよい。一部の実施形態において、プロバイダ端末１４０は、サービスプロバイダおよび／またはプロバイダ端末１４０の位置を特定する測位技術を備えたデバイスであってもよい。一部の実施形態において、リクエスタ端末１３０および／またはプロバイダ端末１４０は、サービスリクエスタ、リクエスタ端末１３０、サービスプロバイダ、および／またはプロバイダ端末１４０の位置を判断するために別の測位デバイスと通信してもよい。一部の実施形態において、リクエスタ端末１３０および／またはプロバイダ端末１４０は、測位情報をサーバ１１０に送ってもよい。

ストレージ１５０は、サービスリクエストに関するデータおよび／または命令を記憶してもよい。一部の実施形態において、ストレージ１５０は、リクエスタ端末１３０および／またはプロバイダ端末１４０から獲得されたデータを記憶してもよい。一部の実施形態において、ストレージ１５０は、本開示に記載された例示的な方法を実行するためにサーバ１１０が実行または使用し得るデータおよび／または命令を記憶してもよい。一部の実施形態において、ストレージ１５０は、大容量ストレージ、リムーバブルストレージ、揮発性読み取り書き込みメモリ、読み取り専用メモリ（ＲＯＭ：ｒｅａｄ−ｏｎｌｙ ｍｅｍｏｒｙ）、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。例示的な大容量ストレージは、磁気ディスク、光ディスク、ソリッドステートドライブなどを含み得る。例示的なリムーバブルストレージは、フラッシュドライブ、フロッピーディスク、光ディスク、メモリカード、ジップディスク、磁気テープなどを含み得る。例示的な揮発性読み取り書き込みメモリは、ランダムアクセスメモリ（ＲＡＭ：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）を含み得る。例示的なＲＡＭは、ダイナミックＲＡＭ（ＤＲＡＭ：ｄｙｎａｍｉｃ ＲＡＭ）、ダブルデータレートシンクロナスダイナミックＲＡＭ（ＤＤＲ ＳＤＲＡＭ：ｄｏｕｂｌｅ ｄａｔａ ｒａｔｅ ｓｙｎｃｈｒｏｎｏｕｓ ｄｙｎａｍｉｃ ＲＡＭ）、スタティックＲＡＭ（ＳＲＡＭ：ｓｔａｔｉｃ ＲＡＭ）、サイリスタＲＡＭ（Ｔ−ＲＡＭ：ｔｈｙｒｉｓｔｏｒ ＲＡＭ）、およびゼロキャパシタＲＡＭ（Ｚ−ＲＡＭ：ｚｅｒｏ−ｃａｐａｃｉｔｏｒ ＲＡＭ）などを含んでもよい。例示的なＲＯＭは、マスクＲＯＭ（ＭＲＯＭ：ｍａｓｋ ＲＯＭ）、プログラマブルＲＯＭ（ＰＲＯＭ：ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、消去可能プログラマブルＲＯＭ（ＥＰＲＯＭ：ｅｒａｓａｂｌｅ ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、電気的消去可能プログラマブルＲＯＭ（ＥＥＰＲＯＭ：ｅｌｅｃｔｒｉｃａｌｌｙ ｅｒａｓａｂｌｅ ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、コンパクトディスクＲＯＭ（ＣＤ−ＲＯＭ：ｃｏｍｐａｃｔ ｄｉｓｋ ＲＯＭ）、およびデジタル多用途ディスクＲＯＭなどを含んでもよい。一部の実施形態において、ストレージ１５０は、クラウドプラットフォーム上に実装されてもよい。単なる例として、クラウドプラットフォームは、プライベートクラウド、パブリッククラウド、ハイブリッドクラウド、コミュニティクラウド、分散型クラウド、インタークラウド、マルチクラウド、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。

一部の実施形態において、ストレージ１５０は、オンデマンドサービスシステム１００の１つ以上のコンポーネント（例えばサーバ１１０、リクエスタ端末１３０、プロバイダ端末１４０）と通信するためにネットワーク１２０に接続されてもよい。オンデマンドサービスシステム１００の１つ以上のコンポーネントは、ストレージ１５０に記憶されたデータおよび／または命令にネットワーク１２０を介してアクセスしてもよい。一部の実施形態において、ストレージ１５０は、オンデマンドサービスシステム１００の１つ以上のコンポーネント（例えばサーバ１１０、リクエスタ端末１３０、プロバイダ端末１４０）と直接接続されてもよく、または直接通信してもよい。一部の実施形態において、ストレージ１５０は、サーバ１１０の一部であってもよい。

一部の実施形態において、オンデマンドサービスシステム１００の１つ以上のコンポーネント（例えばサーバ１１０、リクエスタ端末１３０、プロバイダ端末１４０）は、ストレージ１５０にアクセスする許可を有してもよい。一部の実施形態において、オンデマンドサービスシステム１００の１つ以上のコンポーネントは、１つ以上の条件が満たされると、サービスリクエスタ、サービスプロバイダ、および／または公衆に関する情報を読み取りおよび／または変更してもよい。例えばサーバ１１０は、サービスの完了後、１つ以上のサービスリクエスタの情報を読み取りおよび／または変更してもよい。別の例として、プロバイダ端末１４０は、リクエスタ端末１３０からサービスリクエストを受信するとサービスリクエスタに関する情報にアクセスしてもよいが、プロバイダ端末１４０はサービスリクエスタの関連情報を変更してはならない。

一部の実施形態では、オンデマンドサービスシステム１００の１つ以上のコンポーネントの情報のやり取りは、サービスをリクエストすることによって達成されてもよい。サービスリクエストの目的は、任意の製品とされ得る。一部の実施形態において、製品は、有形の製品であってもよく、または無形の製品であってもよい。有形の製品は、食品、薬、日用品、化学製品、電気器具、衣類、自動車、住宅、高級品、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。無形の製品は、サービス商品、金融商品、知識商品、インターネット商品、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。インターネット商品は、個別のホスト商品、ウェブ商品、モバイルインターネット商品、商業用ホスト商品、組み込み商品、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。モバイルインターネット商品は、モバイル端末のソフトウェア、プログラム、システム、または同様のもの、またはそれらの任意の組み合わせにおいて使用されてもよい。モバイル端末は、タブレットコンピュータ、ラップトップコンピュータ、携帯電話、携帯情報端末（ＰＤＡ）、スマートウォッチ、販売時点情報管理（ＰＯＳ）デバイス、オンボードコンピュータ、オンボードテレビ、ウェアラブルデバイス、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。例えば製品は、コンピュータまたは携帯電話で使用される任意のソフトウェアおよび／またはアプリケーションであってもよい。ソフトウェアおよび／またはアプリケーションは、社交、買物、輸送、娯楽、学習、投資、または同様のもの、またはそれらの任意の組み合わせに関係してもよい。一部の実施形態において、輸送に関係するソフトウェアおよび／またはアプリケーションは、旅行用のソフトウェアおよび／またはアプリケーション、乗物スケジューリング用のソフトウェアおよび／またはアプリケーション、地図作成用のソフトウェアおよび／またはアプリケーションなどを含んでもよい。乗物スケジューリング用のソフトウェアおよび／またはアプリケーションにおいて、乗物は、馬、馬車、人力車（例えば手押し車、自転車、三輪車）、自動車（例えばタクシー、バス、自家用車）、電車、地下鉄、船、航空機（例えば飛行機、ヘリコプター、スペースシャトル、ロケット、熱気球）、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。

当業者には当然のことながら、オンデマンドサービスシステム１００の構成要素（またはコンポーネント）が作動するとき、構成要素は、電気信号および／または電磁信号を用いて作動してもよい。例えば、リクエスタ端末１３０がサービスリクエストをサーバ１１０へ送出するとき、リクエスタ端末１３０のプロセッサは、リクエストをエンコードした電気信号を生成してもよい。次いで、リクエスタ端末１３０のプロセッサは、電気信号を出力ポートに送信してもよい。リクエスタ端末１３０が有線ネットワークを介してサーバ１１０と通信する場合、出力ポートは物理的にケーブルに接続されてもよく、ケーブルはさらに、電気信号をサーバ１１０の入力ポートに伝達してもよい。リクエスタ端末１３０が無線ネットワークを介してサーバ１１０と通信する場合、リクエスタ端末１３０の出力ポートは、電気信号を電磁信号に変換する１つ以上のアンテナであってもよい。同じく、プロバイダ端末１４０は、そのプロセッサの中の論理回路の動作を通してタスクを処理して、電気信号または電磁信号を介してサーバ１１０から命令および／またはサービスリクエストを受信してもよい。リクエスタ端末１３０、プロバイダ端末１４０、および／またはサーバ１１０などの電子デバイス内で、そのプロセッサが命令を処理し、命令を送出し、且つ／またはアクションを実行すると、電気信号を介して命令および／またはアクションが伝えられる。例えば、プロセッサは、ストレージ媒体（例えばストレージ１５０）からデータを読み出しまたは保存するとき、ストレージ媒体の読み取り／書き込みデバイスへ電気信号を送出することができ、読み取り／書き込みデバイスは、ストレージ媒体に構造化データを読み取りまたは書き込みすることができる。構造化データは、電気信号の形態で、電子デバイスのバスを介してプロセッサへ送信され得る。ここで、電気信号は、１つの電気信号、一連の電気信号、および／または複数の別々の電気信号を指す。

図２は、本開示の一部の実施形態による、コンピューティングデバイス２００の例示的なハードウェアコンポーネントおよび／またはソフトウェアコンポーネントを示す概略図である。一部の実施形態において、サーバ１１０、リクエスタ端末１３０、および／またはプロバイダ端末１４０は、コンピューティングデバイス２００上に実装されてもよい。例えば処理エンジン１１２は、コンピューティングデバイス２００に実装されて、本開示で開示される処理エンジン１１２の機能を実行するように構成されてもよい。

コンピューティングデバイス２００は、本明細書に記載されるオンデマンドサービスシステム１００の任意のコンポーネントを実装するために使用され得る。例えば処理エンジン１１２は、コンピューティングデバイス２００上にそのハードウェア、ソフトウェアプログラム、ファームウェア、またはそれらの組み合わせを用いて実装されてもよい。便宜上、かかるコンピュータは１つだけ示されているが、本明細書に記載されるオンデマンドサービスに関するコンピュータ機能は、処理負荷を分散させるためにいくつかの類似のプラットフォーム上に分散方式で実装されてもよい。

コンピューティングデバイス２００は、例えば、データ通信を促進するためにコンピューティングデバイス２００と接続されるネットワークと相互に接続された、ＣＯＭポート２５０を含んでもよい。コンピューティングデバイス２００は、プログラム命令を実行するために、１つ以上のプロセッサ（例えば論理回路）の形態のプロセッサ２２０をさらに含んでもよい。例えばプロセッサ２２０は、その中にインターフェース回路および処理回路を含んでもよい。インターフェース回路は、バス２１０から電子信号を受信するように構成されてもよく、この電子信号は、処理回路が処理する構造化データおよび／または命令をエンコードする。処理回路は、論理計算を実施でき、その結果、電子信号としてエンコードされる、結論、結果、および／または命令を判断することができる。次に、インターフェース回路は、バス２１０を介して処理回路からの電子信号を送り出すことができる。

コンピューティングデバイス２００はさらに、コンピューティングデバイスにより処理および／または送信される様々なデータファイル用に、例えばディスク２７０、読み取り専用メモリ（ＲＯＭ）２３０、またはランダムアクセスメモリ（ＲＡＭ）２４０を含む様々な形態のプログラムストレージおよびデータストレージを含んでもよい。例示的なコンピュータプラットフォームは、プロセッサ２２０により実行されるようにＲＯＭ２３０、ＲＡＭ２４０、および／または他のタイプの非一時的ストレージ媒体に記憶されたプログラム命令をさらに含んでもよい。本開示の方法および／またはプロセスは、プログラム命令として実装されてもよい。コンピューティングデバイス２００は、コンピュータと他のコンポーネントとの間の入力／出力をサポートするＩ／Ｏ（ｉｎｐｕｔ／ｏｕｔｐｕｔ）コンポーネント２６０をさらに含む。コンピューティングデバイス２００はさらに、ネットワーク通信を介してプログラミングおよびデータを受信してもよい。

単なる例示として、１つのみのプロセッサが図２に図示されている。複数のプロセッサも意図され、したがって、本開示に記載された１つのプロセッサにより実行される動作および／または方法のステップは、複数のプロセッサにより一緒にまたは別々に実行されることも可能である。例えば、本開示においてコンピューティングデバイス２００のプロセッサがステップＡおよびステップＢ両方を実行する場合、当然のことながらステップＡおよびステップＢは、コンピューティングデバイス２００において異なる２つのＣＰＵおよび／またはプロセッサにより一緒にまたは別々に実行されることもできる（例えば第１のプロセッサがステップＡを実行して第２のプロセッサがステップＢを実行する、または第１および第２のプロセッサが一緒にステップＡおよびＢを実行する）。

図３は、本開示の一部の実施形態による、リクエスタ端末１３０またはプロバイダ端末１４０が実装されてもよいモバイルデバイス３００の例示的なハードウェアコンポーネントおよび／またはソフトウェアコンポーネントを示す概略図である。図３に示されるように、モバイルデバイス３００は、通信プラットフォーム３１０、ディスプレイ３２０、グラフィック処理ユニット（ＧＰＵ）３３０、中央処理ユニット（ＣＰＵ）３４０、Ｉ／Ｏ３５０、メモリ３６０、モバイルオペレーティングシステム（ＯＳ：ｏｐｅｒａｔｉｎｇ ｓｙｓｔｅｍ）３７０、およびストレージ３９０を含んでもよい。一部の実施形態において、システムバスまたはコントローラ（図示せず）に限定されないがこれらを含む他の任意の適切なコンポーネントも、モバイルデバイス３００に含まれてもよい。

一部の実施形態において、モバイルオペレーティングシステム３７０（例えばｉＯＳ（商標）、Ａｎｄｒｏｉｄ（商標）、Ｗｉｎｄｏｗｓ Ｐｈｏｎｅ（商標）など）および１つ以上のアプリケーション３８０が、ＣＰＵ３４０による実行のためにストレージ３９０からメモリ３６０にロードされてもよい。アプリケーション３８０は、ブラウザ、またはオンデマンドサービスシステム１００からオンデマンドサービスに関する情報または他の情報を受信してレンダリングする他の任意の適切なモバイルアプリを含んでもよい。情報ストリームとのユーザインタラクションは、Ｉ／Ｏ３５０を介して実現されて、ネットワーク１２０を介して処理エンジン１１２および／またはオンデマンドサービスシステム１００の他のコンポーネントに提供されてもよい。

図４は、本開示の一部の実施形態による、サービスリクエストを割り振る例示的なプロセスを示すフローチャートである。一部の実施形態において、プロセス４００は、ストレージＲＯＭ２３０またはＲＡＭ２４０に記憶された命令のセット（例えばアプリケーション）として実装されてもよい。プロセッサ２２０および／または図８のモジュールが命令のセットを実行してもよく、命令を実行すると、プロセッサ２２０および／またはモジュールはプロセス４００を実行するように構成されてもよい。下記に提示される、例示されるプロセスの動作は、例示として意図されている。一部の実施形態において、プロセス４００は、記載されていない１つ以上の追加の動作を用いて、且つ／または本明細書において説明される動作のうちの１つ以上を用いずに達成され得る。さらに、図４に示され下記に記載されるプロセスの各動作の順序に、限定的な意図はない。

４１０において、ターゲット情報が獲得されてもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報と、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含んでもよい。プロバイダ情報およびリアルタイム情報は、集合的に参照情報と呼ばれてもよい。

一部の実施形態において、サービスリクエスト（例えば第１のサービスリクエスト、第２のサービスリクエスト）に関連するサービスは、乗物に関連するライドシェアサービス（例えば相乗りサービス）であってもよい。本開示の応用シナリオは、ライドシェアサービスを提供するサービスプロバイダがサービスリクエスト受諾して、別のサービスリクエストを割り振られるのを待っているシナリオとされてもよい。例えば相乗りサービスについて、サービスプロバイダは乗客を迎車する運転手であってもよい。第１のサービスリクエストは、サービスプロバイダにより受諾されたサービスリクエストであってもよい。第２のサービスリクエストは、割り振られるべきサービスリクエストであってもよい。

一部の実施形態において、サービスプロバイダのプロバイダ情報は、サービスプロバイダの個人特性を表現することができる様々な種類の情報を含んでもよい。相乗りサービスを例にとると、サービスプロバイダは、相乗りサービスを提供する運転手であってもよい。プロバイダ情報は、運転手のアイデンティティ（ＩＤ：ｉｄｅｎｔｉｔｙ）情報、運転手の性別情報、運転手の年齢情報、運転手のサービススコア情報、運転手の星情報、運転手の乗物タイプ情報、運転手の現在位置情報などを含んでもよいが、これらに限定はされない。

一部の実施形態において、第１のサービスリクエストに関連する第１の情報は、第１のサービスリクエストに含まれる様々な種類の情報を含んでもよい。例えば、第１のサービスリクエストに関連する第１の情報は、第１の開始位置、第１の目的地、第１の開始時間、第１のサービスリクエストの第１のユーザに関連する第１のユーザ情報などを含んでもよいが、これらに限定はされない。第２のサービスリクエストに関連する第２の情報は、第２のサービスリクエストに含まれる様々な種類の情報を含んでもよい。例えば、第２の情報は、第２の開始位置、第２の目的地、第２の開始時間、第２のサービスリクエストの第２のユーザに関連する第２のユーザ情報などを含んでもよいが、これらに限定はされない。本明細書で使用されるユーザ情報は、ユーザのＩＤ情報、ユーザの人物情報（例えば性別情報、年齢情報、趣味情報、職業情報）などを含んでもよいが、これらに限定はされない。本明細書で使用される開始時間（例えば第１の開始時間、第２の開始時間）は、ユーザ（例えば第１のユーザ、第２のユーザ）が出発したい時点を指す。

一部の実施形態において、リアルタイム情報は、現在の気象情報、現在の時間情報（例えば時点情報、週情報、グレゴリオ暦日付情報、太陰暦日付情報、祝日情報）、現在の交通情報などを含み得るが、これらに限定はされない。

４２０において、第２のサービスリクエストがサービスプロバイダに適合するかどうか（すなわち、第２のサービスリクエストがサービスプロバイダにより受諾された第１のサービスリクエストに適合するどうか）が、訓練済みモデルを使用することにより、ターゲット情報に基づいて判断されてもよい。

訓練済みモデルは、エクストリーム勾配ブースティング（ＸＧＢｏｏｓｔ：ｅｘｔｒｅｍｅ ｇｒａｄｉｅｎｔ ｂｏｏｓｔｉｎｇ）モデル、線形回帰モデル、または深層ニューラルネットワーク（ＤＮＮ：ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）モデルのうちの任意の１つを含んでもよい。当然のことながら、訓練済みモデルは、他のタイプの訓練済みモデルを含んでもよい。本開示における各タイプの訓練済みモデルの説明に、限定的な意図はない。

一部の実施形態において、第２のサービスリクエストがサービスプロバイダに適合するかどうかが、訓練済みモデルを使用することにより、ターゲット情報に基づいて、以下のプロセスに従って判断されてもよい。特徴情報が、ターゲット情報に基づいて獲得されてもよい。特徴情報は、入力として訓練済みモデルに導入されてもよい。訓練済みモデルにより判断された適合パラメータが、訓練済みモデルの出力として獲得されてもよい。オンデマンドシステム１００は、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、第２のサービスリクエストがサービスプロバイダに適合すると判断してもよい。

４３０において、第２のサービスリクエストは、第２のサービスリクエストがサービスプロバイダに適合するという判断の結果に基づいて、サービスプロバイダに割り振られてもよい。

サービスリクエストを割り振るプロセスが、本開示の上記の実施形態において提供される。ターゲット情報が獲得されてもよい。第２のサービスリクエストがサービスプロバイダに適合するかどうかが、訓練済みモデルを使用することにより、ターゲット情報に基づいて判断されてもよい。第２のサービスリクエストは、第２のサービスリクエストがサービスプロバイダに適合するという判断の結果に基づいて、サービスプロバイダに割り振られてもよい。本明細書で使用されるターゲット情報は、サービスプロバイダのプロバイダ情報、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報、割り振られるべき第２のサービスリクエストに関連する第２の情報、およびリアルタイム情報を含んでもよい。このプロセスによれば、第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービス効率およびサービスリソースの利用が改善されるかもしれない。

なお、上記の説明は、単に例示の目的で提供され、本開示の範囲を限定する意図はない。当業者の場合、本開示の教示に基づいて複数の変形または変更が構成され得る。しかしながら、そのような変形および変更は、本開示の範囲から逸脱しない。

図５は、本開示の一部の実施形態による、サービスリクエストを割り振る例示的なプロセスを示すフローチャートである。一部の実施形態において、プロセス５００は、ストレージＲＯＭ２３０またはＲＡＭ２４０に記憶された命令のセット（例えばアプリケーション）として実装されてもよい。プロセッサ２２０および／または図８のモジュールが命令のセットを実行してもよく、命令を実行すると、プロセッサ２２０および／またはモジュールはプロセス５００を実行するように構成されてもよい。下記に提示される、例示されるプロセスの動作は、例示として意図されている。一部の実施形態において、プロセス５００は、記載されていない１つ以上の追加の動作を用いて、且つ／または本明細書において説明される動作のうちの１つ以上を用いずに達成され得る。さらに、図５に示され下記に記載されるプロセスの各動作の順序に、限定的な意図はない。

５１０において、ターゲット情報が獲得されてもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報と、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含んでもよい。

５２０において、ターゲット情報に基づいて特徴情報が獲得されてもよい。一部の実施形態において、特徴情報は、第１の特徴情報（「第１の初期特徴情報」とも呼ばれる）および第２の特徴情報（「第２の初期特徴情報」とも呼ばれる）を含んでもよい。第１の特徴情報は、ターゲット情報に基づいて直接獲得されてもよい。第２の特徴情報は、ターゲット情報に基づいて推定されてもよい。具体的には、第１の特徴情報は、ターゲット情報から直接抽出されてもよい。第２の特徴情報は、例えば事前設定済みのアルゴリズム、事前設定済みの戦略、または事前設定済みのモデルに従い、ターゲット情報に基づいて推定されてもよい。

一部の実施形態において、第１の特徴情報は、サービスプロバイダの性別情報、サービスプロバイダの年齢情報、サービスプロバイダのサービススコア情報、サービスプロバイダの星情報、サービスプロバイダの乗物タイプ情報、サービスプロバイダの現在位置情報、気象情報、または時間情報のうちの１つ以上を含んでもよい。

一部の実施形態において、第２の特徴情報は、第１のサービスリクエストの第１の当初経路の第１の距離、第２のサービスリクエストの第２の当初経路の第２の距離、第１のサービスリクエストに関連する第１の変更経路の第３の距離、第２のサービスリクエストに関連する第２の変更経路の第４の距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合時間、第１のサービスリクエストに関連する第１の回り道の距離、第２のサービスリクエストに関連する第２の回り道の距離、第１のサービスリクエストに関連する第１の回り道の時間、第２のサービスリクエストに関連する第２の回り道の時間、第１の回り道の距離と第１の距離との第１の比、第２の回り道の距離と第２の距離との第２の比、第２のサービスリクエストの迎車時間、サービスプロバイダの位置と第２のサービスリクエストの第２の開始位置との間の迎車距離、または迎車距離と第２のサービスリクエストに関連する第２の変更経路の第４の距離との第３の比のうちの１つ以上を含んでもよい。

本明細書で使用される当初経路（例えば第１の当初経路、第２の当初経路）は、サービスリクエスト（例えば第１のサービスリクエスト、第２のサービスリクエスト）の開始位置（例えば第１の開始位置、第２の開始位置）からサービスリクエストの目的地（例えば第１の目的地、第２の目的地）までの推奨経路を指す。変更経路（例えば第１の変更経路、第２の変更経路）は、サービスプロバイダがサービスリクエストに関連する相乗りサービスを提供する場合の、サービスリクエスト（例えば第１のサービスリクエスト、第２のサービスリクエスト）の開始位置（例えば第１の開始位置、第２の開始位置）からサービスリクエストの目的地（例えば第１の目的地、第２の目的地）までの経路を指す。総合経路は、サービスプロバイダによって提供される相乗りサービスの経路を指す。回り道の距離（例えば第１の回り道の距離、第２の回り道の距離）は、変更経路の距離と、当初経路の距離との間の差を指す。回り道の時間（例えば第１の回り道の時間、第２の回り道の時間）は、変更経路の推定時間と、当初経路の推定時間との間の時間差を指す。

５３０において、特徴情報は、訓練済みモデルに入力として導入されてもよい。

５４０において、訓練済みモデルに基づいて適合パラメータが獲得されてもよい。一部の実施形態において、特徴情報は、訓練済みモデルに入力として導入されてもよく、訓練済みモデルにより判断された適合パラメータが、訓練済みモデルの出力として獲得されてもよい。適合パラメータは、第２のサービスリクエストとサービスプロバイダとの間の適合度を示してもよい。オンデマンドシステム１００は、適合パラメータが事前設定済みの閾値以上であれば、第２のサービスリクエストがサービスプロバイダに適合すると判断してもよい。

５５０において、適合パラメータが事前設定済みの閾値以上であれば、第２のサービスリクエストはサービスプロバイダに適合すると判断されてもよい。

５６０において、第２のサービスリクエストがサービスプロバイダに割り振られてもよい。

なお、プロセス４００の一部の動作に類似した動作について、図５では説明が繰り返されない場合がある。類似した動作のより詳細な説明は、図４において示された一部の実施形態において確認できる。

サービスリクエストを割り振るプロセスが、本開示の上記の実施形態において提供される。ターゲット情報が獲得されてもよい。特徴情報が、ターゲット情報に基づいて獲得されてもよい。特徴情報は、入力として訓練済みモデルに導入されてもよい。訓練済みモデルにより判断された適合パラメータが、訓練済みモデルの出力として獲得されてもよい。適合パラメータが事前設定済みの閾値以上であれば、第２のサービスリクエストはサービスプロバイダに適合すると判断されてもよく、第２のサービスリクエストがサービスプロバイダに割り振られてもよい。このプロセスによれば、第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービスリソースの利用が改善されるかもしれない。

なお、上記の説明は、単に例示の目的で提供され、本開示の範囲を限定する意図はない。当業者の場合、本開示の教示に基づいて複数の変形または変更が構成され得る。しかしながら、そのような変形および変更は、本開示の範囲から逸脱しない。

図６は、本開示の一部の実施形態による、サービスリクエストを割り振るための訓練済みモデルを決定する例示的な訓練プロセスを示すフローチャートである。一部の実施形態において、プロセス６００は、ストレージＲＯＭ２３０またはＲＡＭ２４０に記憶された命令のセット（例えばアプリケーション）として実装されてもよい。プロセッサ２２０および／または図９のモジュールが命令のセットを実行してもよく、命令を実行すると、プロセッサ２２０および／またはモジュールはプロセス６００を実行するように構成されてもよい。下記に提示される、例示されるプロセスの動作は、例示として意図されている。一部の実施形態において、プロセス６００は、記載されていない１つ以上の追加の動作を用いて、且つ／または本明細書において説明される動作のうちの１つ以上を用いずに達成され得る。さらに、図６に示され下記に記載されるプロセスの各動作の順序に、限定的な意図はない。

６１０において、サンプル情報が獲得されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の輸送サービス記録は、本開示の他の箇所で開示されたストレージデバイス（例えばストレージ１５０）から獲得されてもよい。過去の輸送サービス記録は、所定の期間（例えば先月、過去３か月、去年）内の過去の輸送サービス記録であってもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダの過去のプロバイダ情報、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。過去のサービスプロバイダの過去のプロバイダ情報と、過去のリアルタイム情報とは、集合的に過去の参照情報と呼ばれてもよい。

一部の実施形態において、過去のサービスプロバイダの過去のプロバイダ情報は、過去のサービスプロバイダの個人特性を表現することができる様々な種類の情報を含んでもよい。過去の相乗りサービスを例にとると、過去のサービスプロバイダは、過去の相乗りサービスを提供した過去の運転手であってもよい。過去のサービスプロバイダの過去のプロバイダ情報は、過去の運転手のＩＤ情報、過去の運転手の性別情報、過去の運転手の年齢情報、過去の運転手の過去のサービススコア情報、過去の運転手の過去の星情報、過去の運転手の過去の乗物タイプ情報、過去の運転手の過去の位置情報などを含んでもよいが、これらに限定はされない。

一部の実施形態において、第１の過去の注文に関連する第１の過去の情報は、第１の過去の注文に含まれる様々な種類の過去の情報を含んでもよい。例えば、第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、第１の過去の開始時間、および第１の過去の注文の第１の過去のユーザに関連する第１の過去のユーザ情報を含んでもよいが、これらに限定はされない。第２の過去の注文に関連する第２の過去の情報は、第２の過去の注文に含まれる様々な種類の過去の情報を含んでもよい。例えば、第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、第２の開始時間、および第２の過去の注文の第２の過去のユーザに関連する第２の過去のユーザ情報を含んでもよいが、これらに限定はされない。本明細書で使用される過去のユーザ情報は、過去のユーザのＩＤ情報、過去のユーザの人物情報（例えば性別情報、年齢情報、趣味情報、職業情報）などを含んでもよいが、これらに限定はされない。

一部の実施形態において、過去のリアルタイム情報は、過去の注文の時点で「リアルタイム」であった情報を含んでもよく、例えば、過去の気象情報、過去の時間情報（例えば過去の時点情報、過去の週情報、過去のグレゴリオ暦日付情報、過去の太陰暦日付情報、過去の祝日情報）、過去の交通情報などが含まれる。

６２０において、訓練済みモデルがサンプル情報に基づいて決定されてもよい。一部の実施形態において、訓練済みモデルは、エクストリーム勾配ブースティング（ＸＧＢｏｏｓｔ）モデル、線形回帰モデル、または深層ニューラルネットワークモデル（ＤＮＮ）のうちの任意の１つを含んでもよい。当然のことながら、訓練済みモデルは、他のタイプの訓練済みモデルを含んでもよい。本開示における各タイプの訓練済みモデルの説明に、限定的な意図はない。

一部の実施形態において、第１に、過去の複数の輸送サービス記録それぞれのサンプルタイプが、サンプル情報に基づいて判断されてもよい。サンプルタイプは、ポジティブサンプルタイプおよびネガティブサンプルタイプを含んでもよい。第２に、過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報が、サンプル情報に基づいて獲得されてもよい。第３に、過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて、訓練済みモデルが決定されてもよい。

サービスリクエストを割り振るための訓練済みモデルを決定する訓練プロセスが、本開示の上記の実施形態において提供される。サンプル情報が獲得されてもよい。サンプル情報に基づいて訓練済みモデルが決定されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。この訓練プロセスによれば、第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービスリソースの利用が改善されるかもしれない。

なお、上記の説明は、単に例示の目的で提供され、本開示の範囲を限定する意図はない。当業者の場合、本開示の教示に基づいて複数の変形または変更が構成され得る。しかしながら、そのような変形および変更は、本開示の範囲から逸脱しない。

図７は、本開示の一部の実施形態による、サービスリクエストを割り振るための訓練済みモデルを決定する例示的な訓練プロセスを示すフローチャートである。一部の実施形態において、プロセス７００は、ストレージＲＯＭ２３０またはＲＡＭ２４０に記憶された命令のセット（例えばアプリケーション）として実装されてもよい。プロセッサ２２０および／または図９のモジュールが命令のセットを実行してもよく、命令を実行すると、プロセッサ２２０および／またはモジュールはプロセス７００を実行するように構成されてもよい。下記に提示される、例示されるプロセスの動作は、例示として意図されている。一部の実施形態において、プロセス７００は、記載されていない１つ以上の追加の動作を用いて、且つ／または本明細書において説明される動作のうちの１つ以上を用いずに達成され得る。さらに、図７に示され下記に記載されるプロセスの各動作の順序に、限定的な意図はない。

７１０において、サンプル情報が獲得されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。

７２０において、過去の複数の輸送サービス記録それぞれのサンプルタイプが、サンプル情報に基づいて判断されてもよい。サンプルタイプは、ポジティブサンプルタイプおよびネガティブサンプルタイプを含んでもよい。

一部の実施形態において、過去の複数の輸送サービス記録それぞれのサンプルタイプが、サンプル情報の中の過去の評価情報および過去の応答情報に基づいて判断されてもよい。例えば、過去の輸送サービス記録の過去の評価情報が相対的に良いか、または過去の輸送サービス記録に含まれた第２の過去の注文が過去の輸送サービス記録の過去のサービスプロバイダにより受諾された場合、過去の輸送サービス記録に対応するサンプルタイプは、ポジティブサンプルタイプと判断されてもよい。過去の輸送サービス記録の過去の評価情報が相対的に悪いか、または過去の輸送サービス記録に含まれた第２の過去の注文が過去の輸送サービス記録の過去のサービスプロバイダにより受諾されなかった場合、過去の輸送サービス記録に対応するサンプルタイプは、ネガティブサンプルタイプと判断されてもよい。本明細書で使用される過去の評価情報は、ユーザ（例えば過去の輸送サービス記録に含まれる第１の過去の注文の第１の過去のユーザ、過去の輸送サービス記録に含まれる第２の過去の注文の第２の過去のユーザ）により提供される評価情報（例えばスコア、星、コメント）を指す。「過去の良い評価情報」という用語は、例えばスコアが閾値（例えば３）より高い、星が３つ星以上であるなど、第１の事前設定済み条件を評価情報が満たすことを指す。「過去の悪い評価情報」という用語は、例えばスコアが閾値（例えば３）より低い、星が３つ星未満であるなど、第２の事前設定済み条件を評価情報が満たすことを指す。本開示におけるポジティブサンプルタイプおよびネガティブサンプルタイプを決定するプロセスに、限定的な意図はない。

７３０において、過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報が、サンプル情報に基づいて判断されてもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、サンプル特徴情報は、第１のサンプル特徴情報および第２のサンプル特徴情報を含んでもよい。第１のサンプル特徴情報は、サンプル情報に基づいて直接獲得されてもよい。第２のサンプル特徴情報は、サンプル情報に基づいて推定されてもよい。具体的には、第１のサンプル特徴情報は、サンプル情報から直接抽出されてもよい。第２のサンプル特徴情報は、例えば事前設定済みのアルゴリズム、事前設定済みの戦略、または事前設定済みのモデルに従い、サンプル情報に基づいて推定されてもよい。

一部の実施形態において、第１のサンプル特徴情報は、過去のサービスプロバイダの性別情報、過去のサービスプロバイダの年齢情報、過去のサービスプロバイダの過去のサービススコア情報、過去のサービスプロバイダの過去の星情報、過去のサービスプロバイダの過去の乗物タイプ情報、過去のサービスプロバイダの過去の位置情報、過去の気象情報、または過去の時間情報のうちの１つ以上を含んでもよい。

一部の実施形態において、第２のサンプル特徴情報は、第１の過去の注文に関連する第１の過去の当初経路の第１の過去の距離、第２の過去の注文に関連する第２の過去の当初経路の第２の過去の距離、第１の過去の注文に関連する第１の過去の変更経路の第３の過去の距離、第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合時間、第１の過去の注文に関連する第１の過去の回り道の距離、第２の過去の注文に関連する第２の過去の回り道の距離、第１の過去の注文に関連する第１の過去の回り道の時間、第２の過去の注文に関連する第２の過去の回り道の時間、第１の過去の回り道の距離と第１の過去の注文に関連する第１の過去の当初経路の第１の過去の距離との第１の過去の比、第２の過去の回り道の距離と第２の過去の注文に関連する第２の過去の当初経路の第２の過去の距離との第２の過去の比、第２の過去の注文の過去の迎車時間、第２の過去の注文の過去の迎車距離、ならびに過去の迎車距離と第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離との第３の過去の比のうちの１つ以上を含んでもよい。

７４０において、過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて、訓練済みモデルが決定されてもよい。

一部の実施形態において、訓練済みモデルは以下のプロセスに基づいて決定されてもよい。第１に、データセットに関連するサンプル特徴情報が獲得されてもよい。データセットは、訓練データセットおよび検証データセットを含んでもよい（訓練データセットは第１の過去の複数の輸送サービス記録に対応してもよく、検証データセットは、第２の過去の複数の輸送サービス記録に対応してもよい）。第２に、現在のモデル（例えば仮のモデル）に関連する少なくとも１つのパラメータが、訓練データセットに関連するサンプル特徴情報に基づいて調整されてもよい。現在のモデルは、検証データセットに関連するサンプル特徴情報に基づいて検証されてもよい。第３に、現在のモデルは、検証データセットに関連するサンプル特徴情報に関連する検証結果が条件を満たすまで、訓練済みモデルとして指定されてもよい。

現在のモデルに関連する少なくとも１つのパラメータは、以下のプロセスに従って、訓練データセットに関連するサンプル特徴情報に基づいて調整されてもよい。訓練データセットに関連するサンプル特徴情報が、入力として現在のモデルに導入されてもよい。過去の複数の輸送サービス記録それぞれに対応する確率（すなわち、過去の輸送サービス記録のサンプルタイプがポジティブサンプルタイプである確率）が、現在のモデルの出力として獲得されてもよい。確率は、過去の複数の輸送サービス記録それぞれに対応する参照適合パラメータ（「サンプル適合パラメータ」とも呼ばれる）として指定されてもよい。さらに、複数の輸送サービス記録に対応する複数の参照適合パラメータおよび複数のサンプルタイプに基づいて受信者操作特性（ＲＯＣ：Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線が獲得されてもよい。曲線下の面積（ＡＵＣ：Ａｒｅａ Ｕｎｄｅｒ Ｃｕｒｖｅ）値が、ＲＯＣ曲線に基づいて獲得されてもよい。現在のモデルに関連する少なくとも１つのパラメータは、ＡＵＣ値が事前設定済みのＡＵＣ閾値以下であるという判断の結果に基づいて調整されてもよい。さらに、現在のモデルに関連する少なくとも１つのパラメータを調整するプロセスは繰り返されてもよい。現在のモデルを検証する動作は、ＡＵＣ値が事前設定済みのＡＵＣ閾値よりも大きいという判断の結果に基づいて実行されてもよい。

現在のモデルは、以下のプロセスに従って、検証データセットに関連するサンプル特徴情報に基づいて検証されてもよい。第１のＡＵＣ値が、訓練データセットに関連するサンプル特徴情報を現在のモデルに入力することにより獲得されてもよい。第２のＡＵＣ値が、検証データセットに関連するサンプル特徴情報を現在のモデルに入力することにより獲得されてもよい。第１のＡＵＣ値から第２のＡＵＣ値を減じることにより差が獲得されてもよい。現在のモデルに関連する少なくとも１つのパラメータを調整するプロセスが、差の絶対値が第２の事前設定済みの閾値よりも大きいという判断の結果に基づいて繰り返されてもよい。オンデマンドサービスシステム１００は、差の絶対値が第２の事前設定済みの閾値よりも小さいという判断の結果に基づいて、検証結果が条件を満たすと判断してもよい。

サービスリクエストを割り振るための訓練済みモデルを決定する訓練プロセスが、本開示の上記の実施形態において提供される。サンプル情報が獲得されてもよい。過去の複数の輸送サービス記録それぞれのサンプルタイプが、サンプル情報に基づいて判断されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報が、サンプル情報に基づいて判断されてもよい。過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて、訓練済みモデルが決定されてもよい。訓練プロセスに従って、ライドシェアサービスに関連するサービスリクエストを割り振るための訓練済みモデルが獲得されてもよい。第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービスリソースの利用が改善されるかもしれない。

なお、上記の説明は、単に例示の目的で提供され、本開示の範囲を限定する意図はない。当業者の場合、本開示の教示に基づいて複数の変形または変更が構成され得る。しかしながら、そのような変形および変更は、本開示の範囲から逸脱しない。

図８は、本開示の一部の実施形態による、サービスリクエストを割り振る例示的なデバイスを示すブロック図である。デバイス８００は、獲得モジュール８１０、判断モジュール８２０、および割り振りモジュール８３０を含んでもよい。一部の実施形態において、デバイス８００はサーバ１１０に統合されてもよい。例えばデバイス８００は、処理エンジン１１２の一部であってもよい。

獲得モジュール８１０は、ターゲット情報を獲得するように構成されてもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報と、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含んでもよい。

一部の実施形態において、サービスリクエスト（例えば第１のサービスリクエスト、第２のサービスリクエスト）に関連するサービスは、乗物に関連するライドシェアサービス（例えば相乗りサービス）であってもよい。本開示の応用シナリオは、ライドシェアサービスを提供するサービスプロバイダがサービスリクエスト受諾して、別のサービスリクエストを割り振られるのを待っているシナリオとされてもよい。例えば相乗りサービスについて、サービスプロバイダは乗客を迎車する運転手であってもよい。第１のサービスリクエストは、サービスプロバイダにより受諾されたサービスリクエストであってもよい。第２のサービスリクエストは、割り振られるべきサービスリクエストであってもよい。

一部の実施形態において、サービスプロバイダのプロバイダ情報は、サービスプロバイダの個人特性を表現することができる様々な種類の情報を含んでもよい。相乗りサービスを例にとると、サービスプロバイダは、相乗りサービスを提供する運転手であってもよい。プロバイダ情報は、運転手のアイデンティティ（ＩＤ：ｉｄｅｎｔｉｔｙ）情報、運転手の性別情報、運転手の年齢情報、運転手のサービススコア情報、運転手の星情報、運転手の乗物タイプ情報、運転手の現在位置情報などを含んでもよいが、これらに限定はされない。

一部の実施形態において、第１のサービスリクエストに関連する第１の情報は、第１のサービスリクエストに含まれる様々な種類の情報を含んでもよい。例えば、第１のサービスリクエストに関連する第１の情報は、第１の開始位置、第１の目的地、第１の開始時間、第１のサービスリクエストの第１のユーザに関連する第１のユーザ情報などを含んでもよいが、これらに限定はされない。第２のサービスリクエストに関連する第２の情報は、第２のサービスリクエストに含まれる様々な種類の情報を含んでもよい。例えば、第２の情報は、第２の開始位置、第２の目的地、第２の開始時間、第２のサービスリクエストの第２のユーザに関連する第２のユーザ情報などを含んでもよいが、これらに限定はされない。本明細書で使用されるユーザ情報は、ユーザのＩＤ情報、ユーザの人物情報（例えば性別情報、年齢情報、趣味情報、職業情報）などを含んでもよいが、これらに限定はされない。

一部の実施形態において、リアルタイム情報は、現在の気象情報、現在の時間情報（例えば時点情報、週情報、グレゴリオ暦日付情報、太陰暦日付情報、祝日情報）、現在の交通情報などを含み得るが、これらに限定はされない。

判断モジュール８２０は、第２のサービスリクエストがサービスプロバイダに適合するかどうかを、訓練済みモデルを使用することにより、ターゲット情報に基づいて判断するように構成されてもよい。

一部の実施形態において、訓練済みモデルは、事前訓練済みモデルであってもよい。訓練済みモデルは、エクストリーム勾配ブースティング（ＸＧＢｏｏｓｔ）モデル、線形回帰モデル、または深層ニューラルネットワーク（ＤＮＮ）モデルのうちの任意の１つを含んでもよい。当然のことながら、訓練済みモデルは、他のタイプの訓練済みモデルを含んでもよい。本開示における各タイプの訓練済みモデルの説明に、限定的な意図はない。

一部の実施形態において、第２のサービスリクエストがサービスプロバイダに適合するかどうかが、事前訓練済みモデルを使用することにより、ターゲット情報に基づいて、以下のプロセスに従って判断されてもよい。特徴情報が、ターゲット情報に基づいて獲得されてもよい。特徴情報は、入力として訓練済みモデルに導入されてもよい。訓練済みモデルにより判断された適合パラメータが、訓練済みモデルの出力として獲得されてもよい。オンデマンドシステム１００は、適合パラメータが閾値以上であるという判断の結果に基づいて、第２のサービスリクエストがサービスプロバイダに適合すると判断してもよい。

割り振りモジュール８３０は、第２のサービスリクエストがサービスプロバイダに適合するという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振るように構成されてもよい。

サービスリクエストを割り振るデバイスが、本開示の上記の実施形態において提供される。ターゲット情報が獲得されてもよい。第２のサービスリクエストがサービスプロバイダに適合するかどうかが、訓練済みモデルを使用することにより、ターゲット情報に基づいて判断されてもよい。第２のサービスリクエストは、第２のサービスリクエストがサービスプロバイダに適合するという判断の結果に基づいて、サービスプロバイダに割り振られてもよい。本明細書で使用されるターゲット情報は、サービスプロバイダのプロバイダ情報、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報、割り振られるべき第２のサービスリクエストに関連する第２の情報、およびリアルタイム情報を含んでもよい。このデバイスによれば、第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービス効率およびサービスリソースの利用が改善されるかもしれない。

一部の代わりの実施形態において、判断モジュール８２０は、第１の獲得ユニット、入力ユニット、第２の獲得ユニット、および判断ユニットを含んでもよい（図８に図示せず）。

第１の獲得ユニットは、ターゲット情報に基づいて特徴情報を獲得するように構成されてもよい。

一部の実施形態において、特徴情報は、第１の特徴情報（「第１の初期特徴情報」とも呼ばれる）および第２の特徴情報（「第２の初期特徴情報」とも呼ばれる）を含んでもよい。第１の特徴情報は、ターゲット情報に基づいて直接獲得されてもよい。第２の特徴情報は、ターゲット情報に基づいて推定されてもよい。具体的には、第１の特徴情報は、ターゲット情報から直接抽出されてもよい。第２の特徴情報は、例えば事前設定済みのアルゴリズム、事前設定済みの戦略、または事前設定済みのモデルに従い、ターゲット情報に基づいて推定されてもよい。

一部の実施形態において、第１の特徴情報は、サービスプロバイダの性別情報、サービスプロバイダの年齢情報、サービスプロバイダのサービススコア情報、サービスプロバイダの星情報、サービスプロバイダの乗物タイプ情報、サービスプロバイダの現在位置情報、気象情報、または時間情報のうちの１つ以上を含んでもよい。

一部の実施形態において、第２の特徴情報は、第１のサービスリクエストの第１の当初経路の第１の距離、第２のサービスリクエストの第２の当初経路の第２の距離、第１のサービスリクエストに関連する第１の変更経路の第３の距離、第２のサービスリクエストに関連する第２の変更経路の第４の距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合時間、第１のサービスリクエストに関連する第１の回り道の距離、第２のサービスリクエストに関連する第２の回り道の距離、第１のサービスリクエストに関連する第１の回り道の時間、第２のサービスリクエストに関連する第２の回り道の時間、第１の回り道の距離と第１の距離との第１の比、第２の回り道の距離と第２の距離との第２の比、第２のサービスリクエストの迎車時間、サービスプロバイダの位置と第２のサービスリクエストの第２の開始位置との間の迎車距離、または迎車距離と第２のサービスリクエストに関連する第２の変更経路の第４の距離との第３の比のうちの１つ以上を含んでもよい。

入力ユニットは、特徴情報を訓練済みモデルに入力するように構成されてもよい。

第２の獲得ユニットは、訓練済みモデルによって判断された適合パラメータを獲得するように構成されてもよい。

一部の実施形態において、特徴情報は、訓練済みモデルに入力として導入されてもよく、訓練済みモデルにより判断された適合パラメータは、訓練済みモデルの出力として獲得されてもよい。適合パラメータは、第２のサービスリクエストとサービスプロバイダとの間の適合度を示してもよい。オンデマンドシステム１００は、適合パラメータが事前設定済みの閾値以上であれば、第２のサービスリクエストがサービスプロバイダに適合すると判断してもよい。

判断ユニットは、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振るように構成されてもよい。

サービスリクエストを割り振るデバイスが、本開示の上記の実施形態において提供される。ターゲット情報が獲得されてもよい。特徴情報が、ターゲット情報に基づいて獲得されてもよい。特徴情報は、入力として訓練済みモデルに導入されてもよい。訓練済みモデルにより判断された適合パラメータが、訓練済みモデルの出力として獲得されてもよい。適合パラメータが事前設定済みの閾値以上であれば、第２のサービスリクエストはサービスプロバイダに適合すると判断されてもよく、第２のサービスリクエストがサービスプロバイダに割り振られてもよい。このデバイスによれば、第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービスリソースの利用が改善されるかもしれない。

一部の代わりの実施形態において、特徴情報は、第１の特徴情報および第２の特徴情報を含んでもよい。

第１の獲得ユニットは、ターゲット情報から第１の特徴情報を直接抽出し、ターゲット情報に基づいて第２の特徴情報を推定するように構成されてもよい。

一部の代わりの実施形態において、第１のサービスリクエストに関連する第１の情報は、第１の開始位置、第１の目的地、および第１の開始時間を含んでもよい。第２のサービスリクエストに関連する第２の情報は、第２の開始位置、第２の目的地、および第２の開始時間を含んでもよい。

一部の代わりの実施形態において、第２の特徴情報は、第１のサービスリクエストの第１の当初経路の第１の距離、第２のサービスリクエストの第２の当初経路の第２の距離、第１のサービスリクエストに関連する第１の変更経路の第３の距離、第２のサービスリクエストに関連する第２の変更経路の第４の距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合時間、第１のサービスリクエストに関連する第１の回り道の距離、第２のサービスリクエストに関連する第２の回り道の距離、第１のサービスリクエストに関連する第１の回り道の時間、第２のサービスリクエストに関連する第２の回り道の時間、第１の回り道の距離と第１の距離との第１の比、第２の回り道の距離と第２の距離との第２の比、第２のサービスリクエストの迎車時間、サービスプロバイダの位置と第２のサービスリクエストの第２の開始位置との間の迎車距離、または迎車距離と第２のサービスリクエストに関連する第２の変更経路の第４の距離との第３の比のうちの１つ以上を含んでもよい。

一部の代わりの実施形態において、訓練済みモデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルのうちの少なくとも１つを含んでもよい。

デバイス８００の中のモジュールは、有線接続または無線接続を介して相互に接続または連絡されてもよい。有線接続は、金属ケーブル、光ケーブル、ハイブリッドケーブル、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。ワイヤレス接続は、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ、近距離無線通信（ＮＦＣ）、または同様のもの、またはそれらの任意の組み合わせを含み得る。モジュールのうちの２つ以上が単一モジュールに組み合わされてもよく、モジュールのうちの任意の１つが２つ以上のユニットに分割されてもよい。

図９は、本開示の一部の実施形態による、サービスリクエストを割り振るための訓練済みモデルを決定する例示的な訓練デバイスを示すブロック図である。訓練デバイス９００は、獲得モジュール９１０および訓練モジュール９２０を含んでもよい。一部の実施形態において、訓練デバイス９００はサーバ１１０に統合されてもよい。例えば、訓練デバイス９００は、処理エンジン１１２のコンポーネント（例えば訓練モジュール１６４０）に統合されてもよい。

獲得モジュール９１０は、サンプル情報を獲得するように構成されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダの過去のプロバイダ情報、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。過去のサービスプロバイダの過去のプロバイダ情報と、過去のリアルタイム情報とは、集合的に過去の参照情報と呼ばれてもよい。

一部の実施形態において、過去のサービスプロバイダの過去のプロバイダ情報は、過去のサービスプロバイダの個人特性を表現することができる様々な種類の情報を含んでもよい。過去の相乗りサービスを例にとると、過去のサービスプロバイダは、過去の相乗りサービスを提供した過去の運転手であってもよい。過去のサービスプロバイダの過去のプロバイダ情報は、過去の運転手のＩＤ情報、過去の運転手の性別情報、過去の運転手の年齢情報、過去の運転手の過去のサービススコア情報、過去の運転手の過去の星情報、過去の運転手の過去の乗物タイプ情報、過去の運転手の過去の位置情報などを含んでもよいが、これらに限定はされない。

一部の実施形態において、第１の過去の注文に関連する第１の過去の情報は、第１の過去の注文に含まれる様々な種類の過去の情報を含んでもよい。例えば、第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、第１の過去の開始時間、および第１の過去の注文の第１の過去のユーザに関連する第１の過去のユーザ情報を含んでもよいが、これらに限定はされない。第２の過去の注文に関連する第２の過去の情報は、第２の過去の注文に含まれる様々な種類の過去の情報を含んでもよい。例えば、第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、第２の開始時間、および第２の過去の注文の第２の過去のユーザに関連する第２の過去のユーザ情報を含んでもよいが、これらに限定はされない。本明細書で使用される過去のユーザ情報は、過去のユーザのＩＤ情報、過去のユーザの人物情報（例えば性別情報、年齢情報、趣味情報、職業情報）などを含んでもよいが、これらに限定はされない。

一部の実施形態において、過去のリアルタイム情報は、過去の注文の時点で「リアルタイム」であった情報を含んでもよく、例えば、過去の気象情報、過去の時間情報（例えば過去の時点情報、過去の週情報、過去のグレゴリオ暦日付情報、過去の太陰暦日付情報、過去の祝日情報）、過去の交通情報などが含まれる。

訓練モジュール９２０は、訓練済みモデルをサンプル情報に基づいて決定するように構成されてもよい。

一部の実施形態において、訓練済みモデルは、エクストリーム勾配ブースティング（ＸＧＢｏｏｓｔ）モデル、線形回帰モデル、または深層ニューラルネットワークモデル（ＤＮＮ）のうちの任意の１つを含んでもよい。当然のことながら、訓練済みモデルは、他のタイプの訓練済みモデルを含んでもよい。本開示における各タイプの訓練済みモデルの説明に、限定的な意図はない。

一部の実施形態において、第１に、過去の複数の輸送サービス記録それぞれのサンプルタイプが、サンプル情報に基づいて判断されてもよい。サンプルタイプは、ポジティブサンプルタイプおよびネガティブサンプルタイプを含んでもよい。第２に、過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報が、サンプル情報に基づいて獲得されてもよい。第３に、過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて、訓練済みモデルが決定されてもよい。

サービスリクエストを割り振るための訓練済みモデルを決定する訓練デバイスが、本開示の上記の実施形態において提供される。サンプル情報が獲得されてもよい。サンプル情報に基づいて訓練済みモデルが決定されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。この訓練デバイスによれば、第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービスリソースの利用が改善されるかもしれない。

一部の代わりの実施形態において、訓練モジュール９２０は、判断ユニット、獲得ユニット、および訓練ユニットを含んでもよい（図９に図示せず）。

判断ユニットは、サンプル情報に基づいて、過去の複数の輸送サービス記録それぞれのサンプルタイプを判断するように構成されてもよい。サンプルタイプは、ポジティブサンプルタイプおよびネガティブサンプルタイプを含んでもよい。

一部の実施形態において、過去の複数の輸送サービス記録それぞれのサンプルタイプが、サンプル情報の中の過去の評価情報および過去の応答情報に基づいて判断されてもよい。例えば、過去の輸送サービス記録の過去の評価情報が相対的に良いか、または過去の輸送サービス記録に含まれた第２の過去の注文が過去の輸送サービス記録の過去のサービスプロバイダにより受諾された場合、過去の輸送サービス記録に対応するサンプルタイプは、ポジティブサンプルタイプと判断されてもよい。過去の輸送サービス記録の過去の評価情報が相対的に悪いか、または過去の輸送サービス記録に含まれた第２の過去の注文が過去の輸送サービス記録の過去のサービスプロバイダにより受諾されなかった場合、過去の輸送サービス記録に対応するサンプルタイプは、ネガティブサンプルタイプと判断されてもよい。本開示におけるポジティブサンプルタイプおよびネガティブサンプルタイプを決定するプロセスに、限定的な意図はない。

獲得ユニットは、過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、サンプル情報に基づいて獲得するように構成されてもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、サンプル特徴情報は、第１のサンプル特徴情報および第２のサンプル特徴情報を含んでもよい。第１のサンプル特徴情報は、サンプル情報に基づいて直接獲得されてもよい。第２のサンプル特徴情報は、サンプル情報に基づいて推定されてもよい。具体的には、第１のサンプル特徴情報は、サンプル情報から直接抽出されてもよい。第２のサンプル特徴情報は、例えば事前設定済みのアルゴリズム、事前設定済みの戦略、または事前設定済みのモデルに従い、サンプル情報に基づいて推定されてもよい。

一部の実施形態において、第１のサンプル特徴情報は、過去のサービスプロバイダの性別情報、過去のサービスプロバイダの年齢情報、過去のサービスプロバイダの過去のサービススコア情報、過去のサービスプロバイダの過去の星情報、過去のサービスプロバイダの過去の乗物タイプ情報、過去のサービスプロバイダの過去の位置情報、過去の気象情報、または過去の時間情報のうちの１つ以上を含んでもよい。

一部の実施形態において、第２のサンプル特徴情報は、第１の過去の注文に関連する第１の過去の当初経路の第１の過去の距離、第２の過去の注文に関連する第２の過去の当初経路の第２の過去の距離、第１の過去の注文に関連する第１の過去の変更経路の第３の過去の距離、第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合時間、第１の過去の注文に関連する第１の過去の回り道の距離、第２の過去の注文に関連する第２の過去の回り道の距離、第１の過去の注文に関連する第１の過去の回り道の時間、第２の過去の注文に関連する第２の過去の回り道の時間、第１の過去の回り道の距離と第１の過去の注文に関連する第１の過去の当初経路の第１の過去の距離との第１の過去の比、第２の過去の回り道の距離と第２の過去の注文に関連する第２の過去の当初経路の第２の過去の距離との第２の過去の比、第２の過去の注文の過去の迎車時間、第２の過去の注文の過去の迎車距離、ならびに過去の迎車距離と第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離との第３の過去の比のうちの１つ以上を含んでもよい。

訓練ユニットは、過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて、訓練済みモデルを決定するように構成されてもよい。

一部の実施形態において、訓練済みモデルは以下のプロセスに基づいて決定されてもよい。第１に、データセットに関連するサンプル特徴情報が獲得されてもよい。データセットは、訓練データセットおよび検証データセットを含んでもよい（訓練データセットは第１の過去の複数の輸送サービス記録に対応してもよく、検証データセットは、第２の過去の複数の輸送サービス記録に対応してもよい）。第２に、現在のモデル（例えば仮のモデル）に関連する少なくとも１つのパラメータが、訓練データセットに関連するサンプル特徴情報に基づいて調整されてもよい。現在のモデルは、検証データセットに関連するサンプル特徴情報に基づいて検証されてもよい。第３に、現在のモデルは、検証データセットに関連するサンプル特徴情報に関連する検証結果が条件を満たすまで、訓練済みモデルとして指定されてもよい。

現在のモデルに関連する少なくとも１つのパラメータは、以下のプロセスに従って、訓練データセットに関連するサンプル特徴情報に基づいて調整されてもよい。訓練データセットに関連するサンプル特徴情報が、入力として現在のモデルに導入されてもよい。過去の複数の輸送サービス記録それぞれに対応する確率（すなわち、過去の輸送サービス記録のサンプルタイプがポジティブサンプルタイプである確率）が、現在のモデルの出力として獲得されてもよい。確率は、過去の複数の輸送サービス記録それぞれに対応する参照適合パラメータ（「サンプル適合パラメータ」とも呼ばれる）として指定されてもよい。さらに、複数の輸送サービス記録に対応する複数の参照適合パラメータおよび複数のサンプルタイプに基づいて受信者操作特性（ＲＯＣ）曲線が獲得されてもよい。曲線下の面積（ＡＵＣ）値が、ＲＯＣ曲線に基づいて獲得されてもよい。現在のモデルに関連する少なくとも１つのパラメータは、ＡＵＣ値が事前設定済みのＡＵＣ閾値以下であるという判断の結果に基づいて調整されてもよい。さらに、現在のモデルに関連する少なくとも１つのパラメータを調整するプロセスは繰り返されてもよい。現在のモデルを検証する動作は、ＡＵＣ値が事前設定済みのＡＵＣ閾値よりも大きいという判断の結果に基づいて実行されてもよい。

現在のモデルは、以下のプロセスに従って、検証データセットに関連するサンプル特徴情報に基づいて検証されてもよい。第１のＡＵＣ値が、訓練データセットに関連するサンプル特徴情報を現在のモデルに入力することにより獲得されてもよい。第２のＡＵＣ値が、検証データセットに関連するサンプル特徴情報を現在のモデルに入力することにより獲得されてもよい。第１のＡＵＣ値から第２のＡＵＣ値を減じることにより差が獲得されてもよい。現在のモデルに関連する少なくとも１つのパラメータを調整するプロセスが、差の絶対値が第２の事前設定済みの閾値よりも大きいという判断の結果に基づいて繰り返されてもよい。オンデマンドサービスシステム１００は、差の絶対値が第２の事前設定済みの閾値よりも小さいという判断の結果に基づいて、検証結果が条件を満たすと判断してもよい。

サービスリクエストを割り振るための訓練済みモデルを決定する訓練デバイスが、本開示の上記の実施形態において提供される。サンプル情報が獲得されてもよい。過去の複数の輸送サービス記録それぞれのサンプルタイプが、サンプル情報に基づいて判断されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報が、サンプル情報に基づいて判断されてもよい。過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて、訓練済みモデルが決定されてもよい。この訓練デバイスによれば、第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービスリソースの利用が改善されるかもしれない。

一部の代わりの実施形態において、過去の複数の輸送サービス記録それぞれについて、対応するサンプル特徴情報は、第１のサンプル特徴情報および第２のサンプル特徴情報を含んでもよい。

獲得ユニットは、過去の輸送サービス記録に対応するサンプル情報から第１のサンプル特徴情報を直接抽出することと、過去の輸送サービス記録に対応するサンプル情報に基づいて第２のサンプル特徴情報を推定することとにより、過去の輸送サービス記録に対応するサンプル特徴情報をサンプル情報に基づいて獲得するように構成されてもよい。

一部の代わりの実施形態において、第１の過去の注文に関連する第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、および第１の過去の開始時間を含んでもよい。第２の過去の注文に関連する第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、および第２の過去の開始時間を含んでもよい。

一部の代わりの実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、第２のサンプル特徴情報は、第１の過去の注文の第１の過去の当初経路の第１の過去の距離、第２の過去の注文の第２の過去の当初経路の第２の過去の距離、第１の過去の注文に関連する第１の過去の変更経路の第３の過去の距離、第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合時間、第１の過去の注文に関連する第１の過去の回り道の距離、第２の過去の注文に関連する第２の過去の回り道の距離、第１の過去の注文に関連する第１の過去の回り道の時間、第２の過去の注文に関連する第２の過去の回り道の時間、第１の過去の回り道の距離と第１の過去の距離との第１の過去の比、第２の過去の回り道の距離と第２の過去の距離との第２の過去の比、第２の過去の注文の過去の迎車時間、過去のサービスプロバイダの過去の位置と第２の過去の注文の第２の過去の開始位置との間の過去の迎車距離、または過去の迎車距離と第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離との第３の過去の比のうちの１つ以上を含んでもよい。

一部の代わりの実施形態において、訓練済みモデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルのうちの少なくとも１つを含んでもよい。

なお、図９に図示される一部のモジュールは、本開示に記載された他の機能を実行するように構成されてもよい。例えば獲得モジュール９１０は、獲得モジュール８１０の機能を実行するようにさらに構成されてもよく、つまり獲得モジュール９１０は、ターゲット情報を獲得するようにさらに構成されてもよい。

訓練デバイス９００の中のモジュールは、有線接続または無線接続を介して相互に接続または連絡されてもよい。有線接続は、金属ケーブル、光ケーブル、ハイブリッドケーブル、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。ワイヤレス接続は、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、Ｂｌｕｅｔｏｏｔｈ、ＺｉｇＢｅｅ、近距離無線通信（ＮＦＣ）、または同様のもの、またはそれらの任意の組み合わせを含み得る。モジュールのうちの２つ以上が単一モジュールに組み合わされてもよく、モジュールのうちの任意の１つが２つ以上のユニットに分割されてもよい。

本開示の一部の実施形態は、コンピュータ可読プログラムコードが具現化されている１つ以上のコンピュータ可読媒体において具現化された、コンピュータプログラム製品の形態をとることもできる。例えば、コンピュータ可読ストレージ媒体には、ディスクストレージ、ＣＤ−ＲＯＭ、および光学メモリが含まれるが、これらに限定はされない。

本開示は、第１の命令を含む第１のコンピュータストレージ媒体をさらに提供してもよい。少なくとも１つのプロセッサによって実行すると、第１の命令は、少なくとも１つのプロセッサに、本開示の他の箇所に記載されたプロセス（例えばプロセス４００、プロセス５００）を実行するように指令してもよい。本開示は、第２の命令を含む第２のコンピュータストレージ媒体をさらに提供してもよい。少なくとも１つのプロセッサによって実行すると、第２の命令は、少なくとも１つのプロセッサに、本開示の他の箇所に記載されたプロセス（例えばプロセス６００、プロセス７００）を実行するように指令してもよい。

図１０は、本開示の一部の実施形態による、サービスリクエストを割り振る例示的なプロセスを示すフローチャートである。一部の実施形態において、プロセス１０００は、ストレージＲＯＭ２３０またはＲＡＭ２４０に記憶された命令のセット（例えばアプリケーション）として実装されてもよい。プロセッサ２２０および／または図１４のモジュールが命令のセットを実行してもよく、命令を実行すると、プロセッサ２２０および／またはモジュールはプロセス１０００を実行するように構成されてもよい。下記に提示される、例示されるプロセスの動作は、例示として意図されている。一部の実施形態において、プロセス１０００は、記載されていない１つ以上の追加の動作を用いて、且つ／または本明細書において説明される動作のうちの１つ以上を用いずに達成され得る。さらに、図１０に示され下記に記載されるプロセスの各動作の順序に、限定的な意図はない。

１０１０において、ターゲット情報が獲得されてもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報と、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含んでもよい。プロバイダ情報およびリアルタイム情報は、集合的に参照情報と呼ばれてもよい。

一部の実施形態において、サービスリクエストに関連するサービスは、乗物に関連するライドシェアサービス（例えば相乗りサービス）であってもよい。本開示の応用シナリオは、ライドシェアサービスを提供するサービスプロバイダがサービスリクエスト受諾して、別のサービスリクエストを割り振られるのを待っているシナリオとされてもよい。例えば相乗りサービスについて、サービスプロバイダは乗客を迎車する運転手であってもよい。第１のサービスリクエストは、サービスプロバイダにより受諾されたサービスリクエストであってもよい。第２のサービスリクエストは、割り振られるべきサービスリクエストであってもよい。

一部の実施形態において、サービスプロバイダのプロバイダ情報は、サービスプロバイダの個人特性を表現することができる様々な種類の情報を含んでもよい。相乗りサービスを例にとると、サービスプロバイダは、相乗りサービスを提供する運転手であってもよい。プロバイダ情報は、運転手のアイデンティティ（ＩＤ：ｉｄｅｎｔｉｔｙ）情報、運転手の性別情報、運転手の年齢情報、運転手のサービススコア情報、運転手の星情報、運転手の乗物タイプ情報、運転手の現在位置情報などを含んでもよいが、これらに限定はされない。

一部の実施形態において、第１のサービスリクエストに関連する第１の情報は、第１のサービスリクエストに含まれる様々な種類の情報を含んでもよい。例えば、第１のサービスリクエストに関連する第１の情報は、第１の開始位置、第１の目的地、第１の開始時間、第１のサービスリクエストの第１のユーザに関連する第１のユーザ情報などを含んでもよいが、これらに限定はされない。第２のサービスリクエストに関連する第２の情報は、第２のサービスリクエストに含まれる様々な種類の情報を含んでもよい。例えば、第２の情報は、第２の開始位置、第２の目的地、第２の開始時間、第２のサービスリクエストの第２のユーザに関連する第２のユーザ情報などを含んでもよいが、これらに限定はされない。本明細書で使用されるユーザ情報は、ユーザのＩＤ情報、ユーザの人物情報（例えば性別情報、年齢情報、趣味情報、職業情報）などを含んでもよいが、これらに限定はされない。本明細書で使用される開始時間（例えば第１の開始時間、第２の開始時間）は、ユーザ（例えば第１のユーザ、第２のユーザ）が出発したい時点を指す。

一部の実施形態において、リアルタイム情報は、現在の気象情報、現在の時間情報（例えば時点情報、週情報、グレゴリオ暦日付情報、太陰暦日付情報、祝日情報）、現在の交通情報などを含み得るが、これらに限定はされない。

１０２０において、ターゲット情報に基づいて特徴情報が獲得されてもよい。一部の実施形態において、まず、ターゲット情報に基づいて初期特徴情報が獲得されてもよい。初期特徴情報は、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を含んでもよい。次に、特徴情報を獲得するために、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報が変更されてもよい。

一部の実施形態において、初期特徴情報は、第１の初期特徴情報および第２の初期特徴情報を含んでもよい。第１の初期特徴情報は、ターゲット情報に基づいて直接獲得されてもよい。第２の初期特徴情報は、ターゲット情報に基づいて推定されてもよい。具体的には、第１の初期特徴情報は、ターゲット情報から直接抽出されてもよい。第２の初期特徴情報は、例えば事前設定済みのアルゴリズム、事前設定済みの戦略、または事前設定済みのモデルに従い、ターゲット情報に基づいて推定されてもよい。

一部の実施形態において、第１の初期特徴情報は、サービスプロバイダの性別情報、サービスプロバイダの年齢情報、サービスプロバイダのサービススコア情報、サービスプロバイダの星情報、サービスプロバイダの乗物タイプ情報、サービスプロバイダの現在位置情報、気象情報、または時間情報のうちの１つ以上を含んでもよい。

一部の実施形態において、第２の初期特徴情報は、第１のサービスリクエストに関連する第１の当初経路の第１の距離、第２のサービスリクエストに関連する第２の当初経路の第２の距離、第１のサービスリクエストに関連する第１の変更経路の第３の距離、第２のサービスリクエストに関連する第２の変更経路の第４の距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合時間、第１のサービスリクエストに関連する第１の回り道の距離、第２のサービスリクエストに関連する第２の回り道の距離、第１のサービスリクエストに関連する第１の回り道の時間、第２のサービスリクエストに関連する第２の回り道の時間、第１の回り道の距離と第１のサービスリクエストに関連する第１の当初経路の第１の距離との第１の比、第２の回り道の距離と第２のサービスリクエストに関連する第２の当初経路の第２の距離との第２の比、第２のサービスリクエストの迎車時間、第２のサービスリクエストの迎車距離、ならびに迎車距離と第２のサービスリクエストに関連する第２の変更経路の第４の距離との第３の比のうちの１つ以上を含んでもよい。当初経路、変更経路、回り道の距離、および／または回り道の時間のより詳細な説明は、本開示の他の箇所で確認できる（例えば図４およびその説明）。

一部の実施形態において、初期特徴情報は、アイデンティティカテゴリの初期特徴情報（例えばＩＤカテゴリに関連する特徴情報）および非アイデンティティカテゴリの初期特徴情報（例えば非ＩＤカテゴリに関連する特徴情報）を含んでもよい。特徴情報を獲得するために、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報が変更されてもよい。特徴情報は、第１の特徴情報、第２の特徴情報、および第３の特徴情報を含んでもよい。

一部の実施形態において、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報は、以下の動作に基づいてそれぞれ変更されてもよい。非アイデンティティカテゴリの初期特徴情報は、入力として訓練済み統合モデルに導入されてもよい。訓練済み統合モデルは、非アイデンティティカテゴリの初期特徴情報を、各決定木の葉ノード（各葉ノードは加重値に対応する）にマッピングしてもよい。葉ノードは、ターゲットノードとして指定されてもよく、ターゲットノードに対応する加重値は、特徴値として指定されてもよい。その結果、統合モデルにおける非アイデンティティカテゴリの初期特徴情報に関連する特徴表現が、訓練済み統合モデルに関連する出力結果として指定されてもよい。さらに、訓練済み統合モデルに関連する出力結果を正規化することにより第１の特徴情報が獲得されてもよい。非アイデンティティカテゴリの初期特徴情報を正規化することにより第２の特徴情報が獲得されてもよい。アイデンティティカテゴリの初期特徴情報を離散化および正規化することにより第３の特徴情報が獲得されてもよい。本明細書で使用される訓練済み統合モデルは、エクストリーム勾配ブースティング（ＸＧＢ：Ｅｘｔｒｅｍｅ Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ）モデルを含むがこれに限られない、任意の妥当な統合モデルであってもよい。訓練済み統合モデルの説明に、限定的な意図はない。

１０３０において、特徴情報は、入力として訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ導入されてもよい。

一部の実施形態において、訓練済み線形回帰モデルは、任意の妥当な線形回帰モデルとされ得る。訓練済み深層学習モデルは、任意の妥当な深層学習モデル（例えば深層ニューラルネットワーク（ＤＮＮ）モデル）とされ得る。訓練済み線形回帰モデルおよび訓練済み深層学習モデルの説明に、限定的な意図はない。

１０４０において、第１のサービスリクエストおよび第２のサービスリクエストに関連する適合パラメータが、訓練済み線形回帰モデルに関連する第１の出力結果（「第１の適合パラメータ」とも呼ばれる）および訓練済み深層学習モデルに関連する第２の出力結果（「第２の適合パラメータ」とも呼ばれる）を加重することにより判断されてもよい。

一部の実施形態において、特徴情報は、入力として訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ導入されてもよい。訓練済み線形回帰モデルに関連する第１の出力結果および訓練済み深層学習モデルに関連する第２の出力結果を加重することにより、適合パラメータが判断されてもよい。適合パラメータは、第２のサービスリクエストとサービスプロバイダとの間の適合度を示してもよい。オンデマンドサービスシステム１００は、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、第２のサービスリクエストがサービスプロバイダに適合すると判断してもよい。

一部の実施形態において、訓練済み線形回帰モデルに関連する第１の出力結果および訓練済み深層学習モデルに関連する第２の出力結果が、第１の出力結果に対応する第１の重み付け係数および第２の出力結果に対応する第２の重み付け係数に基づいて重み付けされてもよく、第１の重み付け係数および第２の重み付け係数は、同じであってもまたは異なってもよい。第１の重み付け係数および第２の重み付け係数は、オンデマンドサービスシステム１００のデフォルト設定であってもよく、または種々の状況の下で調整可能であってもよい。

１０５０において、第２のサービスリクエストは、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、サービスプロバイダに割り振られてもよい。

なお、上記の説明は、単に例示の目的で提供され、本開示の範囲を限定する意図はない。当業者の場合、本開示の教示に基づいて複数の変形または変更が構成され得る。しかしながら、そのような変形および変更は、本開示の範囲から逸脱しない。

図１１は、本開示の一部の実施形態による、サービスリクエストを割り振る例示的なシナリオの概略図である。

図１１に示されるとおり、初期特徴情報は、ターゲット情報に基づいて判断されてもよい。初期特徴情報は、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報として分類されてもよい。第１の特徴情報は、非アイデンティティカテゴリの初期特徴情報を統合モデルに入力して統合モデルに関連する出力結果を正規化することにより判断されてもよい。非アイデンティティカテゴリの初期特徴情報を正規化することにより第２の特徴情報が判断されてもよい。アイデンティティカテゴリの初期特徴情報を離散化および正規化することにより第３の特徴情報が判断されてもよい。第１の特徴情報、第２の特徴情報、および第３の特徴情報が特徴情報と見なされてもよく、入力として訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ導入されてもよい。訓練済み線形回帰モデルに関連する第１の出力結果および訓練済み深層学習モデルに関連する第２の出力結果を加重することにより、適合パラメータが判断されてもよい。第２のサービスリクエストは、適合パラメータに基づいて割り振られてもよい。

サービスリクエストを割り振るプロセスが、本開示の上記の実施形態において提供される。ターゲット情報が獲得されてもよい。特徴情報が、ターゲット情報に基づいて判断されてもよい。特徴情報は、入力として訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ導入されてもよい。線形回帰モデルに関連する第１の出力結果および深層学習モデルに関連する第２の出力結果を加重することにより、適合パラメータが判断されてもよい。第２のサービスリクエストは、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、サービスプロバイダに割り振られてもよい。本明細書で使用されるターゲット情報は、サービスプロバイダのプロバイダ情報、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報、割り振られるべき第２のサービスリクエストに関連する第２の情報、およびリアルタイム情報を含んでもよい。第２のサービスリクエストとサービスプロバイダとの適合度が線形回帰モデルおよび深層学習モデルの組み合わせに基づいて判断されるので、第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービスリソースの利用が改善されるかもしれない。

図１２は、本開示の一部の実施形態による、サービスリクエストを割り振る例示的なプロセスを示すフローチャートである。一部の実施形態において、プロセス１２００は、ストレージＲＯＭ２３０またはＲＡＭ２４０に記憶された命令のセット（例えばアプリケーション）として実装されてもよい。プロセッサ２２０および／または図１４のモジュールが命令のセットを実行してもよく、命令を実行すると、プロセッサ２２０および／またはモジュールはプロセス１２００を実行するように構成されてもよい。下記に提示される、例示されるプロセスの動作は、例示として意図されている。一部の実施形態において、プロセス１２００は、記載されていない１つ以上の追加の動作を用いて、且つ／または本明細書において説明される動作のうちの１つ以上を用いずに達成され得る。さらに、図１２に示され下記に記載されるプロセスの各動作の順序に、限定的な意図はない。

１２１０において、ターゲット情報が獲得されてもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報、割り振られるべき第２のサービスリクエストに関連する第２の情報、およびリアルタイム情報を含んでもよい。

１２２０において、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報が、ターゲット情報に基づいて獲得されてもよい。

１２３０において、特徴情報が、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を変更することにより判断されてもよい。

１２４０において、特徴情報は、入力として訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ導入されてもよい。

１２５０において、第１のサービスリクエストおよび第２のサービスリクエストに関連する適合パラメータが、訓練済み線形回帰モデルに関連する第１の出力結果および訓練済み深層学習モデルに関連する第２の出力結果を加重することにより判断されてもよい。

１２６０において、第２のサービスリクエストは、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、サービスプロバイダに割り振られてもよい。

なお、プロセス１０００の一部の動作に類似した動作について、図１２では説明が繰り返されない場合がある。類似した動作のより詳細な説明は、図１０において示された一部の実施形態において確認できる。

サービスリクエストを割り振るプロセスが、本開示の上記の実施形態において提供される。ターゲット情報が獲得されてもよい。アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報が、ターゲット情報に基づいて獲得されてもよい。特徴情報が、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を変更することにより獲得されてもよい。特徴情報は、入力として訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ導入されてもよい。訓練済み線形回帰モデルに関連する第１の出力結果および訓練済み深層学習モデルに関連する第２の出力結果を加重することにより、適合パラメータが判断されてもよい。第２のサービスリクエストは、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、サービスプロバイダに割り振られてもよい。本明細書で使用されるターゲット情報は、サービスプロバイダのプロバイダ情報、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報、割り振られるべき第２のサービスリクエストに関連する第２の情報、およびリアルタイム情報を含んでもよい。アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報をそれぞれ変更することにより特徴情報が獲得され、さらに第２のサービスリクエストとサービスプロバイダとの適合度が訓練済み線形回帰モデルおよび訓練済み深層学習モデルの組み合わせに基づいて判断されるので、第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービスリソースの利用が改善されるかもしれない。

図１３は、本開示の一部の実施形態による、サービスリクエストを割り振るための訓練済みモデルを決定する例示的な訓練プロセスを示すフローチャートである。一部の実施形態において、プロセス１３００は、ストレージＲＯＭ２３０またはＲＡＭ２４０に記憶された命令のセット（例えばアプリケーション）として実装されてもよい。プロセッサ２２０および／または図１５のモジュールが命令のセットを実行してもよく、命令を実行すると、プロセッサ２２０および／またはモジュールはプロセス１３００を実行するように構成されてもよい。下記に提示される、例示されるプロセスの動作は、例示として意図されている。一部の実施形態において、プロセス１３００は、記載されていない１つ以上の追加の動作を用いて、且つ／または本明細書において説明される動作のうちの１つ以上を用いずに達成され得る。さらに、図１３に示され下記に記載されるプロセスの各動作の順序に、限定的な意図はない。

１３１０において、サンプル情報が獲得されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダの過去のプロバイダ情報、サービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。過去のサービスプロバイダの過去のプロバイダ情報と、過去のリアルタイム情報とは、集合的に過去の参照情報と呼ばれてもよい。

一部の実施形態において、過去のサービスプロバイダの過去のプロバイダ情報は、過去のサービスプロバイダの個人特性を表現することができる様々な種類の情報を含んでもよい。過去の相乗りサービスを例にとると、過去のサービスプロバイダは、過去の相乗りサービスを提供した過去の運転手であってもよい。過去のサービスプロバイダの過去のプロバイダ情報は、過去の運転手のＩＤ情報、過去の運転手の性別情報、過去の運転手の年齢情報、過去の運転手の過去のサービススコア情報、過去の運転手の過去の星情報、過去の運転手の過去の乗物タイプ情報、過去の運転手の過去の位置情報などを含んでもよいが、これらに限定はされない。

一部の実施形態において、第１の過去の注文に関連する第１の過去の情報は、第１の過去の注文に含まれる様々な種類の過去の情報を含んでもよい。例えば、第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、第１の過去の開始時間、および第１の過去の注文の第１の過去のユーザに関連する第１の過去のユーザ情報を含んでもよいが、これらに限定はされない。第２の過去の注文に関連する第２の過去の情報は、第２の過去の注文に含まれる様々な種類の過去の情報を含んでもよい。例えば、第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、第２の開始時間、および第２の過去の注文の第２の過去のユーザに関連する第２の過去のユーザ情報を含んでもよいが、これらに限定はされない。本明細書で使用される過去のユーザ情報は、過去のユーザのＩＤ情報、過去のユーザの人物情報（例えば性別情報、年齢情報、趣味情報、職業情報）などを含んでもよいが、これらに限定はされない。

一部の実施形態において、過去のリアルタイム情報は、過去の注文の時点で「リアルタイム」であった情報を含んでもよく、例えば、過去の気象情報、過去の時間情報（例えば過去の時点情報、過去の週情報、過去のグレゴリオ暦日付情報、過去の太陰暦日付情報、過去の祝日情報）、過去の交通情報などが含まれる。

１３２０において、過去の複数の輸送サービス記録それぞれのサンプルタイプが、サンプル情報に基づいて判断されてもよい。サンプルタイプは、ポジティブサンプルタイプおよびネガティブサンプルタイプを含んでもよい。

一部の実施形態において、過去の複数の輸送サービス記録それぞれのサンプルタイプが、サンプル情報の中の過去の評価情報および過去の応答情報に基づいて判断されてもよい。例えば、過去の輸送サービス記録の過去の評価情報が相対的に良いか、または過去の輸送サービス記録に含まれた第２の過去の注文が過去の輸送サービス記録の過去のサービスプロバイダにより受諾された場合、過去の輸送サービス記録に対応するサンプルタイプは、ポジティブサンプルタイプと判断されてもよい。過去の輸送サービス記録の過去の評価情報が相対的に悪いか、または過去の輸送サービス記録に含まれた第２の過去の注文が過去の輸送サービス記録の過去のサービスプロバイダにより受諾されなかった場合、過去の輸送サービス記録に対応するサンプルタイプは、ネガティブサンプルタイプと判断されてもよい。サンプルタイプの判断についてのさらなる説明は、本開示の他の箇所で確認できる（例えば図７およびその説明）。

１３３０において、過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報が、サンプル情報に基づいて判断されてもよい。

一部の実施形態において、まず、過去の複数の輸送サービス記録それぞれの初期サンプル特徴情報がサンプル情報に基づいて獲得されてもよい。初期サンプル特徴情報は、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を含んでもよい。次に、サンプル特徴情報が、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を変更することにより判断されてもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、初期サンプル特徴情報は、第１の初期サンプル特徴情報および第２の初期サンプル特徴情報を含んでもよい。第１の初期サンプル特徴情報は、サンプル情報に基づいて直接獲得されてもよい。第２の初期サンプル特徴情報は、サンプル情報に基づいて推定されてもよい。具体的には、第１の初期サンプル特徴情報は、サンプル情報から直接抽出されてもよい。第２の初期サンプル特徴情報は、例えば所定のアルゴリズム、事前設定済みの戦略、または事前設定済みのモデルに従い、サンプル情報に基づいて推定されてもよい。

一部の実施形態において、過去の輸送サービス記録に対応する第１の初期サンプル特徴情報は、過去の輸送サービス記録の過去のサービスプロバイダの性別情報、過去のサービスプロバイダの年齢情報、過去のサービスプロバイダの過去のサービススコア情報、過去のサービスプロバイダの過去の星情報、過去のサービスプロバイダの過去の乗物タイプ情報、過去のサービスプロバイダの過去の位置情報、過去の気象情報、または過去の時間情報のうちの１つ以上を含んでもよい。

一部の実施形態において、過去の輸送サービス記録に対応する第２の初期サンプル特徴情報は、第１の過去の注文に関連する第１の過去の当初経路の第１の過去の距離、第２の過去の注文に関連する第２の過去の当初経路の第２の過去の距離、第１の過去の注文に関連する第１の過去の変更経路の第３の過去の距離、第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合時間、第１の過去の注文に関連する第１の過去の回り道の距離、第２の過去の注文に関連する第２の過去の回り道の距離、第１の過去の注文に関連する第１の過去の回り道の時間、第２の過去の注文に関連する第２の過去の回り道の時間、第１の過去の回り道の距離と第１の過去の注文に関連する第１の過去の当初経路の第１の過去の距離との第１の過去の比、第２の過去の回り道の距離と第２の過去の注文に関連する第２の過去の当初経路の第２の過去の距離との第２の過去の比、第２の過去の注文の過去の迎車時間、第２の過去の注文の過去の迎車距離、ならびに過去の迎車距離と第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離との第３の過去の比のうちの１つ以上を含んでもよい。

一部の実施形態において、初期サンプル特徴情報は、アイデンティティカテゴリの初期サンプル特徴情報（例えばＩＤカテゴリに関連する特徴情報）および非アイデンティティカテゴリの初期サンプル特徴情報（例えば非ＩＤカテゴリに関連する特徴情報）を含んでもよい。サンプル特徴情報は、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を変更することにより判断されてもよい。サンプル特徴情報は、第１のサンプル特徴情報、第２のサンプル特徴情報、および第３のサンプル特徴情報を含んでもよい。

一部の実施形態において、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報は、以下の動作に基づいてそれぞれ変更されてもよい。第１のサンプル特徴情報は、非アイデンティティカテゴリの初期サンプル特徴情報を訓練済み統合モデルに入力して訓練済み統合モデルに関連する出力結果を正規化することにより判断されてもよい。非アイデンティティカテゴリの初期サンプル特徴情報を正規化することにより第２のサンプル特徴情報が判断されてもよい。アイデンティティカテゴリの初期サンプル特徴情報を離散化および正規化することにより第３のサンプル特徴情報が判断されてもよい。本明細書で使用される、訓練済み統合モデルは、エクストリーム勾配ブースティング（ＸＧＢ）モデルを含むがこれに限られない、任意の妥当な訓練済み統合モデルであってもよい。サンプル特徴情報の判断についてのさらなる説明は、本開示の他の箇所で確認できる（例えば図７およびその説明）。

１３４０において、仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを、過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて調整することにより、訓練済み線形回帰モデルおよび訓練済み深層学習モデルが判断されてもよい。

一部の実施形態において、過去の複数の輸送サービス記録それぞれのサンプル特徴情報は、入力として仮の線形回帰モデルおよび仮の深層学習モデルにそれぞれ導入されてもよい。参照適合パラメータ（「サンプル適合パラメータ」とも呼ばれる）は、仮の線形回帰モデルに関連する第１のサンプル出力結果（「第１のサンプル適合パラメータ」とも呼ばれる）および仮の深層学習モデルに関連する第２のサンプル出力結果（「第２のサンプル適合パラメータ」とも呼ばれる）を加重することにより判断されてもよい。仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータは、過去の複数の輸送サービス記録それぞれの参照適合パラメータおよびサンプルタイプに基づいて調整されてもよい。

具体的には、訓練済み線形回帰モデルおよび訓練済み深層学習モデルは、以下のプロセスに基づいて決定されてもよい。第１に、データセットに関連するサンプル特徴情報が獲得されてもよい。データセットは、訓練データセットおよび検証データセットを含んでもよい（訓練データセットは第１の過去の複数の輸送サービス記録に対応してもよく、検証データセットは第２の過去の複数の輸送サービス記録に対応してもよい）。第２に、現在の線形回帰（例えば仮の線形回帰モデル）および現在の深層学習モデル（例えば仮の深層学習モデル）に関連する少なくとも１つのパラメータが、訓練データセットに関連するサンプル特徴情報に基づいて調整されてもよい。現在の線形回帰モデルおよび現在の深層学習モデルは、検証データセットに関連するサンプル特徴情報に基づいて検証されてもよい。第３に、検証結果が条件を満たすまで、現在の線形回帰モデルおよび現在の深層学習モデルが、訓練済み線形回帰モデルおよび訓練済み深層学習モデルとして指定されてもよい。

現在の線形回帰モデルおよび現在の深層学習モデルに関連する少なくとも１つのパラメータは、以下のプロセスに従って、訓練データセットに関連するサンプル特徴情報に基づいて調整されてもよい。訓練データセットに関連するサンプル特徴情報は、入力として現在の線形回帰モデルおよび現在の深層学習モデルにそれぞれ導入されてもよい。過去の複数の輸送サービス記録それぞれについて、参照適合パラメータが、現在の線形回帰モデルに関連する第１の確率（すなわち、過去の輸送サービス記録のサンプルタイプがポジティブサンプルタイプである確率）および現在の深層学習モデルに関連する第２の確率（すなわち、過去の輸送サービス記録のサンプルタイプがポジティブサンプルタイプである確率）を加重することにより判断されてもよい。さらに、複数の輸送サービス記録に対応する参照適合パラメータおよびサンプルタイプに基づいて受信者操作特性（ＲＯＣ）曲線が獲得されてもよい。曲線下の面積（ＡＵＣ）値が、ＲＯＣ曲線に基づいて獲得されてもよい。現在の線形回帰モデルおよび現在の深層学習モデルに関連する少なくとも１つのパラメータは、ＡＵＣ値が事前設定済みのＡＵＣ閾値以下であるという判断の結果に基づいて調整されてもよい。さらに、現在の線形回帰モデルおよび現在の深層学習モデルに関連する少なくとも１つのパラメータを調整するプロセスは繰り返されてもよい。現在の線形回帰モデルおよび現在の深層学習モデルを検証する動作は、ＡＵＣ値が事前設定済みのＡＵＣ閾値よりも大きいという判断の結果に基づいて実行されてもよい。

現在の線形回帰モデルおよび現在の深層学習モデルは、以下のプロセスに従って、検証データセットに関連するサンプル特徴情報に基づいて検証されてもよい。第１のＡＵＣ値は、訓練データセットに関連するサンプル特徴情報を現在の線形回帰モデルおよび現在の深層学習モデルに入力することにより獲得されてもよい。第２のＡＵＣ値は、検証データセットに関連するサンプル特徴情報を現在の線形回帰モデルおよび現在の深層学習モデルに入力することにより獲得されてもよい。第１のＡＵＣ値から第２のＡＵＣ値を減じることにより差が獲得されてもよい。現在の線形回帰モデルおよび現在の深層学習モデルに関連する少なくとも１つのパラメータを調整するプロセスは、差の絶対値が第２の事前設定済みの閾値よりも大きいという判断の結果に基づいて繰り返されてもよい。オンデマンドサービスシステム１００は、差の絶対値が第２の事前設定済みの閾値よりも小さいという判断の結果に基づいて、検証結果が条件を満たすと判断してもよい。

一部の実施形態において、訓練済み線形回帰モデルは、任意の妥当な線形回帰モデルとされ得る。訓練済み深層学習モデル（例えば深層ニューラルネットワーク（ＤＮＮ）モデル）は任意の妥当な深層学習モデルとされ得る。訓練済み線形回帰モデルおよび訓練済み深層学習モデルの説明に、限定的な意図はない。

サービスリクエストを割り振るための訓練済みモデル（例えば訓練済み線形回帰モデル、訓練済み深層学習モデル）を決定するための訓練プロセスが、本開示の上記の実施形態において提供される。サンプル情報が獲得されてもよい。過去の複数の輸送サービス記録それぞれのサンプルタイプが、サンプル情報に基づいて判断されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報が、サンプル情報に基づいて判断されてもよい。仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを、過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて調整することにより、訓練済み線形回帰モデルおよび訓練済み深層学習モデルが決定されてもよい。訓練プロセスに従って、ライドシェアサービスに関連するサービスリクエストを割り振るための訓練済みモデルが獲得されてもよい。第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービスリソースの利用が改善されるかもしれない。

一部の代わりの実施形態において、上記のプロセスはさらに、過去の複数の輸送サービス記録それぞれのサンプルタイプおよび過去の複数の輸送サービス記録それぞれの非アイデンティティカテゴリの初期サンプル特徴情報に基づいて、訓練済み統合モデルを決定することを含んでもよい。

一部の実施形態において、以下のプロセスに従って、過去の複数の輸送サービス記録それぞれのサンプルタイプおよび過去の複数の輸送サービス記録それぞれの非アイデンティティカテゴリの初期サンプル特徴情報に基づいて、訓練済み統合モデルが決定されてもよい。第１に、データセットに関連する非アイデンティティカテゴリの初期サンプル特徴情報が獲得されてもよい。データセットは、訓練データセットおよび検証データセットを含んでもよい（訓練データセットは第１の過去の複数の輸送サービス記録に対応してもよく、検証データセットは、第２の過去の複数の輸送サービス記録に対応してもよい）。第２に、現在の統合モデル（例えば仮の統合モデル）に関連するパラメータが、訓練データセットに関連する非アイデンティティカテゴリのサンプル特徴情報に基づいて調整されてもよい。現在の統合モデルは、検証データセットに関連する非アイデンティティカテゴリのサンプル特徴情報に基づいて検証されてもよい。第３に、検証結果が条件を満たすまで、現在の統合モデルが訓練済み統合モデルとして指定されてもよい。

なお、上記の説明は、単に例示の目的で提供され、本開示の範囲を限定する意図はない。当業者の場合、本開示の教示に基づいて複数の変形または変更が構成され得る。しかしながら、そのような変形および変更は、本開示の範囲から逸脱しない。

図１４は、本開示の一部の実施形態による、サービスリクエストを割り振る例示的なデバイスを示すブロック図である。デバイス１４００は、第１の獲得モジュール１４１０、第２の獲得モジュール１４２０、入力モジュール１４３０、出力モジュール１４４０、および割り振りモジュール１４５０を含んでもよい。一部の実施形態において、デバイス１４００はサーバ１１０に統合されてもよい。例えばデバイス１４００は、処理エンジン１１２の一部であってもよい。

第１の獲得モジュール１４１０は、ターゲット情報を獲得するように構成されてもよい。ターゲット情報は、サービスプロバイダのプロバイダ情報、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報、割り振られるべき第２のサービスリクエストに関連する第２の情報、およびリアルタイム情報を含んでもよい。プロバイダ情報およびリアルタイム情報は、集合的に参照情報と呼ばれてもよい。

一部の実施形態において、サービスリクエストに関連するサービスは、乗物に関連するライドシェアサービス（例えば相乗りサービス）であってもよい。本開示の応用シナリオは、ライドシェアサービスを提供するサービスプロバイダがサービスリクエスト受諾して、別のサービスリクエストを割り振られるのを待っているシナリオとされてもよい。例えば相乗りサービスについて、サービスプロバイダは乗客を迎車する運転手であってもよい。第１のサービスリクエストは、サービスプロバイダにより受諾されたサービスリクエストであってもよい。第２のサービスリクエストは、割り振られるべきサービスリクエストであってもよい。

一部の実施形態において、サービスプロバイダのプロバイダ情報は、サービスプロバイダの個人特性を表現することができる様々な種類の情報を含んでもよい。相乗りサービスを例にとると、サービスプロバイダは、相乗りサービスを提供する運転手であってもよい。プロバイダ情報は、運転手のアイデンティティ（ＩＤ：ｉｄｅｎｔｉｔｙ）情報、運転手の性別情報、運転手の年齢情報、運転手のサービススコア情報、運転手の星情報、運転手の乗物タイプ情報、運転手の現在位置情報などを含んでもよいが、これらに限定はされない。

一部の実施形態において、第１のサービスリクエストに関連する第１の情報は、第１のサービスリクエストに含まれる様々な種類の情報を含んでもよい。例えば、第１のサービスリクエストに関連する第１の情報は、第１の開始位置、第１の目的地、第１の開始時間、第１のサービスリクエストの第１のユーザに関連する第１のユーザ情報などを含んでもよいが、これらに限定はされない。第２のサービスリクエストに関連する第２の情報は、第２のサービスリクエストに含まれる様々な種類の情報を含んでもよい。例えば、第２の情報は、第２の開始位置、第２の目的地、第２の開始時間、第２のサービスリクエストの第２のユーザに関連する第２のユーザ情報などを含んでもよいが、これらに限定はされない。本明細書で使用されるユーザ情報は、ユーザのＩＤ情報、ユーザの人物情報（例えば性別情報、年齢情報、趣味情報、職業情報）などを含んでもよいが、これらに限定はされない。本明細書で使用される開始時間（例えば第１の開始時間、第２の開始時間）は、ユーザ（例えば第１のユーザ、第２のユーザ）が出発したい時点を指す。

一部の実施形態において、リアルタイム情報は、現在の気象情報、現在の時間情報（例えば時点情報、週情報、グレゴリオ暦日付情報、太陰暦日付情報、祝日情報）、現在の交通情報などを含み得るが、これらに限定はされない。

第２の獲得モジュール１４２０は、ターゲット情報に基づいて特徴情報を獲得するように構成されてもよい。

一部の実施形態において、まず、ターゲット情報に基づいて初期特徴情報が獲得されてもよい。初期特徴情報は、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を含んでもよい。次に、特徴情報を獲得するために、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報が変更されてもよい。

一部の実施形態において、初期特徴情報は、第１の初期特徴情報および第２の初期特徴情報を含んでもよい。第１の初期特徴情報は、ターゲット情報に基づいて直接獲得されてもよい。第２の初期特徴情報は、ターゲット情報に基づいて推定されてもよい。具体的には、第１の初期特徴情報は、ターゲット情報から直接抽出されてもよい。第２の初期特徴情報は、例えば事前設定済みのアルゴリズム、事前設定済みの戦略、または事前設定済みのモデルに従い、ターゲット情報に基づいて推定されてもよい。

一部の実施形態において、第１の初期特徴情報は、サービスプロバイダの性別情報、サービスプロバイダの年齢情報、サービスプロバイダのサービススコア情報、サービスプロバイダの星情報、サービスプロバイダの乗物タイプ情報、サービスプロバイダの現在位置情報、気象情報、または時間情報のうちの１つ以上を含んでもよい。

一部の実施形態において、第２の初期特徴情報は、第１のサービスリクエストに関連する第１の当初経路の第１の距離、第２のサービスリクエストに関連する第２の当初経路の第２の距離、第１のサービスリクエストに関連する第１の変更経路の第３の距離、第２のサービスリクエストに関連する第２の変更経路の第４の距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合距離、第１のサービスリクエストおよび第２のサービスリクエストに関連する総合経路の総合時間、第１のサービスリクエストに関連する第１の回り道の距離、第２のサービスリクエストに関連する第２の回り道の距離、第１のサービスリクエストに関連する第１の回り道の時間、第２のサービスリクエストに関連する第２の回り道の時間、第１の回り道の距離と第１のサービスリクエストに関連する第１の当初経路の第１の距離との第１の比、第２の回り道の距離と第２のサービスリクエストに関連する第２の当初経路の第２の距離との第２の比、第２のサービスリクエストの迎車時間、第２のサービスリクエストの迎車距離、ならびに迎車距離と第２のサービスリクエストに関連する第２の変更経路の第４の距離との第３の比のうちの１つ以上を含んでもよい。

一部の実施形態において、初期特徴情報は、アイデンティティカテゴリの初期特徴情報（例えばＩＤカテゴリに関連する特徴情報）および非アイデンティティカテゴリの初期特徴情報（例えば非ＩＤカテゴリに関連する特徴情報）を含んでもよい。特徴情報を獲得するために、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報が変更されてもよい。特徴情報は、第１の特徴情報、第２の特徴情報、および第３の特徴情報を含んでもよい。

一部の実施形態において、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報は、以下の動作に基づいてそれぞれ変更されてもよい。非アイデンティティカテゴリの初期特徴情報は、入力として訓練済み統合モデルに導入されてもよい。訓練済み統合モデルは、非アイデンティティカテゴリの初期特徴情報を、各決定木の葉ノード（各葉ノードは加重値に対応する）にマッピングしてもよい。葉ノードは、ターゲットノードとして指定されてもよく、ターゲットノードに対応する加重値は、特徴値として指定されてもよい。その結果、統合モデルにおける非アイデンティティカテゴリの初期特徴情報に関連する特徴表現が、訓練済み統合モデルに関連する出力結果として指定されてもよい。さらに、訓練済み統合モデルに関連する出力結果を正規化することにより第１の特徴情報が獲得されてもよい。非アイデンティティカテゴリの初期特徴情報を正規化することにより第２の特徴情報が獲得されてもよい。アイデンティティカテゴリの初期特徴情報を離散化および正規化することにより第３の特徴情報が獲得されてもよい。本明細書で使用される訓練済み統合モデルは、エクストリーム勾配ブースティング（ＸＧＢ）モデルを含むがこれに限られない、任意の妥当な統合モデルであってもよい。訓練済み統合モデルの説明に、限定的な意図はない。

入力モジュール１４３０は、特徴情報を訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ入力するように構成されてもよい。

一部の実施形態において、訓練済み線形回帰モデルは、任意の妥当な線形回帰モデルとされ得る。訓練済み深層学習モデルは、任意の妥当な深層学習モデル（例えば深層ニューラルネットワーク（ＤＮＮ）モデル）とされ得る。訓練済み線形回帰モデルおよび訓練済み深層学習モデルの説明に、限定的な意図はない。

出力モジュール１４４０は、訓練済み線形回帰モデルに関連する第１の出力結果および訓練済み深層学習モデルに関連する第２の出力結果を加重することにより第１のサービスリクエストおよび第２のサービスリクエストに関連する適合パラメータを判断するように構成されてもよい。

一部の実施形態において、特徴情報は、入力として訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ導入されてもよい。訓練済み線形回帰モデルに関連する第１の出力結果および訓練済み深層学習モデルに関連する第２の出力結果を加重することにより、適合パラメータが判断されてもよい。適合パラメータは、第２のサービスリクエストとサービスプロバイダとの間の適合度を示してもよい。オンデマンドサービスシステム１００は、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、第２のサービスリクエストがサービスプロバイダに適合すると判断してもよい。

割り振りモジュール１４５０は、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、第２のサービスリクエストをサービスプロバイダに割り振るように構成されてもよい。

サービスリクエストを割り振るデバイスが、本開示の上記の実施形態において提供される。ターゲット情報が獲得されてもよい。特徴情報が、ターゲット情報に基づいて判断されてもよい。特徴情報は、入力として訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ導入されてもよい。線形回帰モデルに関連する第１の出力結果および深層学習モデルに関連する第２の出力結果を加重することにより、適合パラメータが判断されてもよい。第２のサービスリクエストは、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、サービスプロバイダに割り振られてもよい。本明細書で使用されるターゲット情報は、サービスプロバイダのプロバイダ情報、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報、割り振られるべき第２のサービスリクエストに関連する第２の情報、およびリアルタイム情報を含んでもよい。第２のサービスリクエストとサービスプロバイダとの適合度が線形回帰モデルおよび深層学習モデルの組み合わせに基づいて判断されるので、第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービスリソースの利用が改善されるかもしれない。

一部の代わりの実施形態において、第２の獲得モジュール１４２０は、獲得ユニットおよび処理ユニットを含んでもよい（図１４に図示せず）。

獲得ユニットは、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を、ターゲット情報に基づいて獲得するように構成されてもよい。

処理ユニットは、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を変更することにより特徴情報を判断するように構成されてもよい。

サービスリクエストを割り振るデバイスが、本開示の上記の実施形態において提供される。ターゲット情報が獲得されてもよい。アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報が、ターゲット情報に基づいて獲得されてもよい。特徴情報が、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を変更することにより獲得されてもよい。特徴情報は、入力として訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ導入されてもよい。第１のサービスリクエストおよび第２のサービスリクエストに関連する適合パラメータが、訓練済み線形回帰モデルに関連する第１の出力結果および訓練済み深層学習モデルに関連する第２の出力結果を加重することにより判断されてもよい。第２のサービスリクエストは、適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、サービスプロバイダに割り振られてもよい。本明細書で使用されるターゲット情報は、サービスプロバイダのプロバイダ情報、サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報、割り振られるべき第２のサービスリクエストに関連する第２の情報、およびリアルタイム情報を含んでもよい。アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報をそれぞれ変更することにより特徴情報が獲得され、第２のサービスリクエストとサービスプロバイダとのさらなる適合度が訓練済み線形回帰モデルおよび訓練済み深層学習モデルの組み合わせに基づいて判断されるので、第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービスリソースの利用が改善されるかもしれない。

一部の代わりの実施形態において、特徴情報は、第１の特徴情報、第２の特徴情報、および第３の特徴情報を含んでもよい。

処理ユニットは、非アイデンティティカテゴリの初期特徴情報を訓練済み統合モデルに入力して訓練済み統合モデルに関連する出力結果を正規化することにより第１の特徴情報を判断するように構成されてもよい。処理ユニットは、非アイデンティティカテゴリの初期特徴情報を正規化することにより第２の特徴情報を判断してもよい。処理ユニットは、アイデンティティカテゴリの初期特徴情報を離散化および正規化することにより第３の特徴情報を判断してもよい。

一部の代わりの実施形態において、第１のサービスリクエストに関連する第１の情報は、第１の開始位置、第１の目的地、および第１の開始時間を含んでもよい。第２のサービスリクエストに関連する第２の情報は、第２の開始位置、第２の目的地、および第２の開始時間を含む。

デバイス１４００の中のモジュールは、有線接続または無線接続を介して相互に接続または連絡されてもよい。有線接続は、金属ケーブル、光ケーブル、ハイブリッドケーブル、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。ワイヤレス接続は、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、Ｂｌｕｅｔｏｏｔｈ、ＺｉｇＢｅｅ、近距離無線通信（ＮＦＣ）、または同様のもの、またはそれらの任意の組み合わせを含み得る。モジュールのうちの２つ以上が単一モジュールに組み合わされてもよく、モジュールのうちの任意の１つが２つ以上のユニットに分割されてもよい。

図１５は、本開示の一部の実施形態による、サービスリクエストを割り振るための訓練済みモデルを決定する例示的な訓練デバイスを示すブロック図である。訓練デバイス１５００は、第１の獲得モジュール１５１０、判断モジュール１５２０、第２の獲得モジュール１５３０、および調整モジュール１５４０を含んでもよい。一部の実施形態において、訓練デバイス１５００はサーバ１１０に統合されてもよい。例えば、訓練デバイス１５００は、処理エンジン１１２のコンポーネント（例えば訓練モジュール１６４０）に統合されてもよい。

第１の獲得モジュール１５１０は、サンプル情報を獲得するように構成されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダの過去のプロバイダ情報、サービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。過去のサービスプロバイダの過去のプロバイダ情報と、過去のリアルタイム情報とは、集合的に過去の参照情報と呼ばれてもよい。

一部の実施形態において、過去のサービスプロバイダの過去のプロバイダ情報は、過去のサービスプロバイダの個人特性を表現することができる様々な種類の情報を含んでもよい。過去の相乗りサービスを例にとると、過去のサービスプロバイダは、過去の相乗りサービスを提供した過去の運転手であってもよい。過去のサービスプロバイダの過去のプロバイダ情報は、過去の運転手のＩＤ情報、過去の運転手の性別情報、過去の運転手の年齢情報、過去の運転手の過去のサービススコア情報、過去の運転手の過去の星情報、過去の運転手の過去の乗物タイプ情報、過去の運転手の過去の位置情報などを含んでもよいが、これらに限定はされない。

一部の実施形態において、第１の過去の注文に関連する第１の過去の情報は、第１の過去の注文に含まれる様々な種類の過去の情報を含んでもよい。例えば、第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、第１の過去の開始時間、および第１の過去の注文の第１の過去のユーザに関連する第１の過去のユーザ情報を含んでもよいが、これらに限定はされない。第２の過去の注文に関連する第２の過去の情報は、第２の過去の注文に含まれる様々な種類の過去の情報を含んでもよい。例えば、第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、第２の開始時間、および第２の過去の注文の第２の過去のユーザに関連する第２の過去のユーザ情報を含んでもよいが、これらに限定はされない。本明細書で使用される過去のユーザ情報は、過去のユーザのＩＤ情報、過去のユーザの人物情報（例えば性別情報、年齢情報、趣味情報、職業情報）などを含んでもよいが、これらに限定はされない。

一部の実施形態において、過去のリアルタイム情報は、過去の注文の時点で「リアルタイム」であった情報を含んでもよく、例えば、過去の気象情報、過去の時間情報（例えば過去の時点情報、過去の週情報、過去のグレゴリオ暦日付情報、過去の太陰暦日付情報、過去の祝日情報）、過去の交通情報などが含まれる。

判断モジュール１５２０は、過去の複数の輸送サービス記録それぞれのサンプルタイプを判断するように構成されてもよい。

一部の実施形態において、過去の複数の輸送サービス記録それぞれのサンプルタイプが、サンプル情報の中の過去の評価情報および過去の応答情報に基づいて判断されてもよい。例えば、過去の輸送サービス記録の過去の評価情報が相対的に良いか、または過去の輸送サービス記録に含まれた第２の過去の注文が過去の輸送サービス記録の過去のサービスプロバイダにより受諾された場合、過去の輸送サービス記録に対応するサンプルタイプは、ポジティブサンプルタイプと判断されてもよい。過去の輸送サービス記録の過去の評価情報が相対的に悪いか、または過去の輸送サービス記録に含まれた第２の過去の注文が過去の輸送サービス記録の過去のサービスプロバイダにより受諾されなかった場合、過去の輸送サービス記録に対応するサンプルタイプは、ネガティブサンプルタイプと判断されてもよい。

第２の獲得モジュール１５３０は、過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、サンプル情報に基づいて判断するように構成されてもよい。

一部の実施形態において、まず、過去の複数の輸送サービス記録それぞれの初期サンプル特徴情報がサンプル情報に基づいて獲得されてもよい。初期サンプル特徴情報は、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を含んでもよい。次に、サンプル特徴情報が、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を変更することにより判断されてもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、初期サンプル特徴情報は、第１の初期サンプル特徴情報および第２の初期サンプル特徴情報を含んでもよい。第１の初期サンプル特徴情報は、サンプル情報に基づいて直接獲得されてもよい。第２の初期サンプル特徴情報は、サンプル情報に基づいて推定されてもよい。具体的には、第１の初期サンプル特徴情報は、サンプル情報から直接抽出されてもよい。第２の初期サンプル特徴情報は、例えば所定のアルゴリズム、事前設定済みの戦略、または事前設定済みのモデルに従い、サンプル情報に基づいて推定されてもよい。

一部の実施形態において、過去の輸送サービス記録に対応する第１の初期サンプル特徴情報は、過去の輸送サービス記録の過去のサービスプロバイダの性別情報、過去のサービスプロバイダの年齢情報、過去のサービスプロバイダの過去のサービススコア情報、過去のサービスプロバイダの過去の星情報、過去のサービスプロバイダの過去の乗物タイプ情報、過去のサービスプロバイダの過去の位置情報、過去の気象情報、または過去の時間情報のうちの１つ以上を含んでもよい。

一部の実施形態において、過去の輸送サービス記録に対応する第２の初期サンプル特徴情報は、第１の過去の注文に関連する第１の過去の当初経路の第１の過去の距離、第２の過去の注文に関連する第２の過去の当初経路の第２の過去の距離、第１の過去の注文に関連する第１の過去の変更経路の第３の過去の距離、第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合距離、第１の過去の注文および第２の過去の注文に関連する過去の総合経路の過去の総合時間、第１の過去の注文に関連する第１の過去の回り道の距離、第２の過去の注文に関連する第２の過去の回り道の距離、第１の過去の注文に関連する第１の過去の回り道の時間、第２の過去の注文に関連する第２の過去の回り道の時間、第１の過去の回り道の距離と第１の過去の注文に関連する第１の過去の当初経路の第１の過去の距離との第１の過去の比、第２の過去の回り道の距離と第２の過去の注文に関連する第２の過去の当初経路の第２の過去の距離との第２の過去の比、第２の過去の注文の過去の迎車時間、第２の過去の注文の過去の迎車距離、ならびに過去の迎車距離と第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離との第３の過去の比のうちの１つ以上を含んでもよい。

一部の実施形態において、初期サンプル特徴情報は、アイデンティティカテゴリの初期サンプル特徴情報（例えばＩＤカテゴリに関連する特徴情報）および非アイデンティティカテゴリの初期サンプル特徴情報（例えば非ＩＤカテゴリに関連する特徴情報）を含んでもよい。サンプル特徴情報は、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を変更することにより判断されてもよい。サンプル特徴情報は、第１のサンプル特徴情報、第２のサンプル特徴情報、および第３のサンプル特徴情報を含んでもよい。

一部の実施形態において、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報は、以下の動作に基づいてそれぞれ変更されてもよい。第１のサンプル特徴情報は、非アイデンティティカテゴリの初期サンプル特徴情報を訓練済み統合モデルに入力して訓練済み統合モデルに関連する出力結果を正規化することにより判断されてもよい。非アイデンティティカテゴリの初期サンプル特徴情報を正規化することにより第２のサンプル特徴情報が判断されてもよい。アイデンティティカテゴリの初期サンプル特徴情報を離散化および正規化することにより第３のサンプル特徴情報が判断されてもよい。本明細書で使用される、訓練済み統合モデルは、エクストリーム勾配ブースティング（ＸＧＢ）モデルを含むがこれに限られない、任意の妥当な訓練済み統合モデルであってもよい。

調整モジュール１５４０は、仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて調整することにより、訓練済み線形回帰モデルおよび訓練済み深層学習モデルを決定するように構成されてもよい。過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダの過去のプロバイダ情報、サービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。

一部の実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、関連情報は、過去のリアルタイム情報、過去のサービスプロバイダの過去のプロバイダ情報、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および第１の過去の注文とマッチングされて過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含んでもよい。過去のサービスプロバイダの過去のプロバイダ情報と、過去のリアルタイム情報とは、集合的に過去の参照情報と呼ばれてもよい。

一部の実施形態において、過去の複数の輸送サービス記録それぞれのサンプル特徴情報は、入力として仮の線形回帰モデルおよび仮の深層学習モデルにそれぞれ導入されてもよい。参照適合パラメータ（「サンプル適合パラメータ」とも呼ばれる）は、仮の線形回帰モデルに関連する第１のサンプル出力結果（「第１のサンプル適合パラメータ」とも呼ばれる）および仮の深層学習モデルに関連する第２のサンプル出力結果（「第２のサンプル適合パラメータ」とも呼ばれる）を加重することにより判断されてもよい。仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータは、過去の複数の輸送サービス記録それぞれの参照適合パラメータおよびサンプルタイプに基づいて調整されてもよい。

具体的には、訓練済み線形回帰モデルおよび訓練済み深層学習モデルは、以下のプロセスに基づいて決定されてもよい。第１に、データセットに関連するサンプル特徴情報が獲得されてもよい。データセットは、訓練データセットおよび検証データセットを含んでもよい（訓練データセットは第１の過去の複数の輸送サービス記録に対応してもよく、検証データセットは、第２の過去の複数の輸送サービス記録に対応してもよい）。第２に、現在の線形回帰（例えば仮の線形回帰モデル）および現在の深層学習モデル（例えば仮の深層学習モデル）に関連する少なくとも１つのパラメータが、訓練データセットに関連するサンプル特徴情報に基づいて調整されてもよい。現在の線形回帰モデルおよび現在の深層学習モデルは、検証データセットに関連するサンプル特徴情報に基づいて検証されてもよい。第３に、検証結果が条件を満たすまで、現在の線形回帰モデルおよび現在の深層学習モデルが、訓練済み線形回帰モデルおよび訓練済み深層学習モデルとして指定されてもよい。

現在の線形回帰モデルおよび現在の深層学習モデルに関連する少なくとも１つのパラメータは、以下のプロセスに従って、訓練データセットに関連するサンプル特徴情報に基づいて調整されてもよい。訓練データセットに関連するサンプル特徴情報は、入力として現在の線形回帰モデルおよび現在の深層学習モデルにそれぞれ導入されてもよい。過去の複数の輸送サービス記録それぞれについて、参照適合パラメータが、現在の線形回帰モデルに関連する第１の確率（すなわち、過去の輸送サービス記録のサンプルタイプがポジティブサンプルタイプである確率）および現在の深層学習モデルに関連する第２の確率（すなわち、過去の輸送サービス記録のサンプルタイプがポジティブサンプルタイプである確率）を加重することにより判断されてもよい。さらに、複数の輸送サービス記録に対応する参照適合パラメータおよびサンプルタイプに基づいて受信者操作特性（ＲＯＣ）曲線が獲得されてもよい。曲線下の面積（ＡＵＣ）値が、ＲＯＣ曲線に基づいて獲得されてもよい。現在の線形回帰モデルおよび現在の深層学習モデルに関連する少なくとも１つのパラメータは、ＡＵＣ値が事前設定済みのＡＵＣ閾値以下であるという判断の結果に基づいて調整されてもよい。さらに、現在の線形回帰モデルおよび現在の深層学習モデルに関連する少なくとも１つのパラメータを調整するプロセスは繰り返されてもよい。現在の線形回帰モデルおよび現在の深層学習モデルを検証する動作は、ＡＵＣ値が事前設定済みのＡＵＣ閾値よりも大きいという判断の結果に基づいて実行されてもよい。

現在の線形回帰モデルおよび現在の深層学習モデルは、以下のプロセスに従って、検証データセットに関連するサンプル特徴情報に基づいて検証されてもよい。第１のＡＵＣ値は、訓練データセットに関連するサンプル特徴情報を現在の線形回帰モデルおよび現在の深層学習モデルに入力することにより獲得されてもよい。第２のＡＵＣ値は、検証データセットに関連するサンプル特徴情報を現在の線形回帰モデルおよび現在の深層学習モデルに入力することにより獲得されてもよい。第１のＡＵＣ値から第２のＡＵＣ値を減じることにより差が獲得されてもよい。現在の線形回帰モデルおよび現在の深層学習モデルに関連する少なくとも１つのパラメータを調整するプロセスは、差の絶対値が第２の事前設定済みの閾値よりも大きいという判断の結果に基づいて繰り返されてもよい。オンデマンドサービスシステム１００は、差の絶対値が第２の事前設定済みの閾値よりも小さいという判断の結果に基づいて、検証結果が条件を満たすと判断してもよい。

一部の実施形態において、訓練済み線形回帰モデルは、任意の妥当な線形回帰モデルとされ得る。訓練済み深層学習モデル（例えば深層ニューラルネットワーク（ＤＮＮ）モデル）は任意の妥当な深層学習モデルとされ得る。訓練済み線形回帰モデルおよび訓練済み深層学習モデルの説明に、限定的な意図はない。

サービスリクエストを割り振るための訓練済みモデルを決定する訓練デバイスが、本開示の上記の実施形態において提供される。サンプル情報が獲得されてもよい。過去の複数の輸送サービス記録それぞれのサンプルタイプが、サンプル情報に基づいて判断されてもよい。サンプル情報は、過去の複数の輸送サービス記録それぞれの中の関連情報を含んでもよい。過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報が、サンプル情報に基づいて判断されてもよい。仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを、過去の複数の輸送サービス記録それぞれのサンプル特徴情報およびサンプルタイプに基づいて調整することにより、訓練済み線形回帰モデルおよび訓練済み深層学習モデルが決定されてもよい。訓練デバイスに従って、相乗りサービスに関連するサービスリクエストを割り振るための訓練済みモデルが獲得されてもよい。第２のサービスリクエストとサービスプロバイダとのマッチングはより妥当かもしれず、サービスリソースの利用が改善されるかもしれない。

一部の代わりの実施形態において、調整モジュール１５４０は、過去の複数の輸送サービス記録それぞれのサンプル特徴情報を、仮の線形回帰モデルおよび仮の深層学習モデルにそれぞれ入力するように構成されてもよい。調整モジュール１５４０は、仮の線形回帰モデルに関連する第１のサンプル出力結果および仮の深層学習モデルに関連する第２のサンプル出力結果を加重することによって、参照適合パラメータを判断してもよい。調整モジュール１５４０はさらに、仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを、過去の複数の輸送サービス記録それぞれの参照適合パラメータおよびサンプルタイプに基づいて調整してもよい。

一部の代わりの実施形態において、過去の複数の輸送サービス記録のうちの任意のものについて、第２の獲得モジュール１５３０は、以下のプロセスに従って、サンプル情報に基づくサンプル特徴情報を獲得してもよい。第２の獲得モジュール１５３０は、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を、サンプル情報の中の、過去の輸送記録に対応する関連情報に基づいて獲得してもよい。第２の獲得モジュール１５３０は、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報をそれぞれ変更することによりサンプル特徴情報を判断してもよい。

一部の代わりの実施形態において、サンプル情報は、第１のサンプル特徴情報、第２のサンプル特徴情報、および第３のサンプル特徴情報を含んでもよい。

第２の獲得モジュール１５３０は、以下のプロセスに従って、アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報をそれぞれ変更することにより、サンプル特徴情報を判断してもよい。第２の獲得モジュール１５３０は、非アイデンティティカテゴリの初期サンプル特徴情報を訓練済み統合モデルに入力して訓練済み統合モデルに関連するサンプル出力結果を正規化することにより、第１のサンプル特徴情報を判断してもよい。第２の獲得モジュール１５３０は、非アイデンティティカテゴリの初期サンプル特徴情報を正規化することにより第２のサンプル特徴情報を判断してもよい。第２の獲得モジュール１５３０は、アイデンティティカテゴリの初期サンプル特徴情報を離散化および正規化することにより第３のサンプル特徴情報を判断してもよい。

一部の代わりの実施形態において、訓練デバイス１５００はさらに、訓練モジュールを含んでもよい（図１５に図示せず）。訓練モジュールは、過去の複数の輸送サービス記録それぞれのサンプルタイプおよび過去の複数の輸送サービス記録それぞれの非アイデンティティカテゴリの初期サンプル特徴情報に基づいて、訓練済み統合モデルを決定するように構成されてもよい。

一部の実施形態において、以下のプロセスに従って、過去の複数の輸送サービス記録それぞれのサンプルタイプおよび過去の複数の輸送サービス記録それぞれの非アイデンティティカテゴリの初期サンプル特徴情報に基づいて、訓練済み統合モデルが決定されてもよい。第１に、データセットに関連する非アイデンティティカテゴリの初期サンプル特徴情報が獲得されてもよい。データセットは、訓練データセットおよび検証データセットを含んでもよい（訓練データセットは第１の過去の複数の輸送サービス記録に対応してもよく、検証データセットは、第２の過去の複数の輸送サービス記録に対応してもよい）。第２に、現在の統合モデル（例えば仮の統合モデル）に関連するパラメータが、訓練データセットに関連する非アイデンティティカテゴリのサンプル特徴情報に基づいて調整されてもよい。現在の統合モデルは、検証データセットに関連する非アイデンティティカテゴリのサンプル特徴情報に基づいて検証されてもよい。第３に、検証結果が条件を満たすまで、現在の統合モデルが訓練済み統合モデルとして指定されてもよい。

一部の代わりの実施形態において、第１の過去の注文に関連する第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、および第１の過去の開始時間を含んでもよく、第２の過去の注文に関連する第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、および第２の過去の開始時間を含んでもよい。

なお、図１５に図示される一部のモジュールは、本開示に記載された他の機能を実行するように構成されてもよい。例えば、第１の獲得モジュール１５１０は第１の獲得モジュール１４１０の機能を実行するようにさらに構成されてもよく、つまり第１の獲得モジュール１５１０は、ターゲット情報を獲得するようにさらに構成されてもよい。

訓練デバイス１５００の中のモジュールは、有線接続または無線接続を介して相互に接続または連絡されてもよい。有線接続は、金属ケーブル、光ケーブル、ハイブリッドケーブル、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。ワイヤレス接続は、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、Ｂｌｕｅｔｏｏｔｈ、ＺｉｇＢｅｅ、近距離無線通信（ＮＦＣ）、または同様のもの、またはそれらの任意の組み合わせを含み得る。モジュールのうちの２つ以上が単一モジュールに組み合わされてもよく、モジュールのうちの任意の１つが２つ以上のユニットに分割されてもよい。

本開示は、第１の命令を含む第１のコンピュータストレージ媒体をさらに提供してもよい。少なくとも１つのプロセッサによって実行すると、第１の命令は、少なくとも１つのプロセッサに、本開示の他の箇所に記載されたプロセス（例えばプロセス１０００、プロセス１２００）を実行するように指令してもよい。本開示は、第２の命令を含む第２のコンピュータストレージ媒体をさらに提供してもよい。少なくとも１つのプロセッサによって実行すると、第２の命令は、少なくとも１つのプロセッサに、本開示の他の箇所に記載されたプロセス（例えばプロセス１３００）を実行するように指令してもよい。

図１６は、本開示の一部の実施形態による例示的な処理エンジンを示すブロック図である。処理エンジン１１２は、第１の獲得モジュール１６１０、第２の獲得モジュール１６２０、判断モジュール１６３０、訓練モジュール１６４０、および送信モジュール１６５０を含んでもよい。

第１の獲得モジュール１６１０は、第１のサービスリクエストに関連する第１の情報を獲得するように構成されてもよい。第１のサービスリクエストは、サービスプロバイダに割り振られたものであって、且つサービスプロバイダにより受諾されたものであってもよい。第１の情報についてのさらなる説明は、本開示の他の箇所で確認できる（例えば図４、図８、図１０、図１４、およびそれらの説明）。一部の実施形態において、第１のサービスリクエストの第１のサービスリクエスタは、第１のリクエスタ端末（例えばリクエスタ端末１３０）にインストールされその端末によって実行されるアプリケーション（例えばアプリケーション３８０）を介して第１のサービスリクエストを開始してもよい。

第２の獲得モジュール１６２０は、第２のサービスリクエストに関連する第２の情報を、リクエスト受信ポート（例えばＣＯＭポート２５０）を介して獲得するように構成されてもよい。第２のサービスリクエストは、割り振られるべきサービスリクエストであってもよい。第２の情報についてのさらなる説明は、本開示の他の箇所で確認できる（例えば図４、図８、図１０、図１４、およびそれらの説明）。一部の実施形態において、第２のサービスリクエストの第２のサービスリクエスタは、第２のリクエスタ端末（例えばリクエスタ端末１３０）にインストールされその端末によって実行されるアプリケーション（例えばアプリケーション３８０）を介して第２のサービスリクエストを開始してもよい。第２のリクエスタ端末は、第１のサービスリクエスタ端末と異なってもよい。

判断モジュール１６３０は、少なくとも１つの訓練済み適合モデルを使用することにより、第１の情報および第２の情報に基づいて適合パラメータを判断するように構成されてもよい。適合パラメータは、第１のサービスリクエストと第２のサービスリクエストとの間の適合度を示してもよい。適合パラメータが大きいほど、第１のサービスリクエストと第２のサービスリクエストとの間の適合度は高くてもよい。

一部の実施形態において、判断モジュール１６３０は、本開示の他の箇所で開示された訓練デバイス９００、訓練デバイス１５００、訓練モジュール１６４０、またはストレージデバイス（例えばストレージ１５０）から少なくとも１つの訓練済み適合モデルを獲得してもよい。一部の実施形態において、少なくとも１つの訓練済み適合モデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、深層学習ネットワークモデル、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。

一部の実施形態において、判断モジュール１６３０はさらに、サービスプロバイダに関連する参照情報を獲得し、第１の情報、第２の情報、および参照情報に基づいて適合パラメータを判断してもよい。一部の実施形態において、参照情報は、サービスプロバイダに関連するプロバイダ情報、気象情報、時間情報、交通情報、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。参照情報についてのさらなる説明は、本開示の他の箇所で確認できる（例えば図４、図８、図１０、図１４、およびそれらの説明）。

訓練モジュール１６４０は、適合パラメータが閾値よりも大きいかどうかを判断するように構成されてもよい。閾値は、オンデマンドサービスシステム１００のデフォルト設定であってもよく、または種々の状況の下で調整可能であってもよい。

送信モジュール１６５０は、適合パラメータが閾値よりも大きいという判断の結果に基づいて、第２のサービスリクエストに関連するデータを、サービスプロバイダに関連するプロバイダ端末１４０にネットワーク１２０を介して送信するように構成されてもよい。一部の実施形態において、第２のサービスリクエストに関連するデータは、第２のサービスリクエストに関連する第２の情報（例えば第２の開始位置、第２の目的地、第２の開始時間）、第１のサービスリクエストと第２のサービスリクエストとの間の適合パラメータ、サービスプロバイダの位置から第２の開始位置までの推定経路、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。第２のサービスリクエストに関連するデータを受信するのに応答して、プロバイダ端末１４０は、第２のサービスリクエストに関連する受信されたデータの少なくとも一部をグラフィックユーザインターフェースの中に表示してもよい。

処理エンジン１１２の中の各モジュールは、有線接続または無線接続を介して相互に接続または連絡されてもよい。有線接続は、金属ケーブル、光ケーブル、ハイブリッドケーブル、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。ワイヤレス接続は、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、Ｂｌｕｅｔｏｏｔｈ、ＺｉｇＢｅｅ、近距離無線通信（ＮＦＣ）、または同様のもの、またはそれらの任意の組み合わせを含み得る。モジュールのうちの２つ以上が単一モジュールに組み合わされてもよく、モジュールのうちの任意の１つが２つ以上のユニットに分割されてもよい。例えば、第１の獲得モジュール１６１０および第２の獲得モジュール１６２０は、第１のサービスリクエストに関連する第１の情報の獲得および第２のサービスリクエストに関連する第２の情報の獲得の両方を、リクエスト受信ポートを介して行うことができる、単一のモジュールとして組み合わされてもよい。別の例として、処理エンジン１１２は、上述したモジュールにより生成されるデータを記憶するために使用できるストレージモジュール（図示せず）を含んでもよい。さらなる例として、訓練モジュール１６４０は不必要かもしれず、少なくとも１つの訓練済み適合モデルが、本開示の他の箇所で開示されたストレージデバイス（例えばストレージ１５０）から獲得されてもよい。

図１７は、本開示の一部の実施形態による、サービスプロバイダにサービスリクエストを割り振る例示的なプロセスを示すフローチャートである。一部の実施形態において、プロセス１７００は、ストレージＲＯＭ２３０またはＲＡＭ２４０に記憶された命令のセット（例えばアプリケーション）として実装されてもよい。プロセッサ２２０および／または図１６のモジュールが命令のセットを実行してもよく、命令を実行すると、プロセッサ２２０および／またはモジュールはプロセス１７００を実行するように構成されてもよい。下記に提示される、例示されるプロセスの動作は、例示として意図されている。一部の実施形態において、プロセス１７００は、記載されていない１つ以上の追加の動作を用いて、且つ／または本明細書において説明される動作のうちの１つ以上を用いずに達成され得る。さらに、図１７に示され下記に記載されるプロセスの各動作の順序に、限定的な意図はない。

１７１０において、処理エンジン１１２（例えば第１の獲得モジュール１６１０）（例えばプロセッサ２２０のインターフェース回路）は、第１のサービスリクエストに関連する第１の情報を獲得してもよい。第１のサービスリクエストは、サービスプロバイダに割り振られたものであって、且つサービスプロバイダにより受諾されたものであってもよい。第１の情報についてのさらなる説明は、本開示の他の箇所で確認できる（例えば図４、図８、図１０、図１４、およびそれらの説明）。一部の実施形態において、第１のサービスリクエストの第１のサービスリクエスタは、第１のリクエスタ端末（例えばリクエスタ端末１３０）にインストールされその端末によって実行されるアプリケーション（例えばアプリケーション３８０）を介して第１のサービスリクエストを開始してもよい。

１７２０において、処理エンジン１１２（例えば第２の獲得モジュール１６２０）（例えばプロセッサ２２０のインターフェース回路）は、第２のサービスリクエストに関連する第２の情報を、リクエスト受信ポート（例えばＣＯＭポート２５０）を介して獲得してもよい。第２のサービスリクエストは、割り振られるべきサービスリクエストであってもよい。第２の情報についてのさらなる説明は、本開示の他の箇所で確認できる（例えば図４、図８、図１０、図１４、およびそれらの説明）。一部の実施形態において、第２のサービスリクエストの第２のサービスリクエスタは、第２のリクエスタ端末（例えばリクエスタ端末１３０）にインストールされその端末によって実行されるアプリケーション（例えばアプリケーション３８０）を介して第２のサービスリクエストを開始してもよい。第２のリクエスタ端末は、第１のサービスリクエスタ端末と異なってもよい。

１７３０において、処理エンジン１１２（例えば判断モジュール１６３０）（例えばプロセッサ２２０の処理回路）は、少なくとも１つの訓練済み適合モデルを使用することにより、第１の情報および第２の情報に基づいて適合パラメータを判断してもよい。適合パラメータは、第１のサービスリクエストと第２のサービスリクエストとの間の適合度を示してもよい。適合パラメータが大きいほど、第１のサービスリクエストと第２のサービスリクエストとの間の適合度は高くてもよい。

一部の実施形態において、処理エンジン１１２は、本開示の他の箇所で開示された訓練デバイス９００、訓練デバイス１５００、訓練モジュール１６４０、またはストレージデバイス（例えばストレージ１５０）から少なくとも１つの訓練済み適合モデルを獲得してもよい。一部の実施形態において、少なくとも１つの訓練済み適合モデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、深層学習ネットワークモデル、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。

一部の実施形態において、処理エンジン１１２はさらに、サービスプロバイダに関連する参照情報を獲得し、第１の情報、第２の情報、および参照情報に基づいて適合パラメータを判断してもよい。一部の実施形態において、参照情報は、サービスプロバイダに関連するプロバイダ情報、気象情報、時間情報、交通情報、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。参照情報についてのさらなる説明は、本開示の他の箇所で確認できる（例えば図４、図８、図１０、図１４、およびそれらの説明）。

１７４０において、処理エンジン１１２（例えば判断モジュール１６３０）（例えばプロセッサ２２０の処理回路）は、適合パラメータが閾値よりも大きいかどうかを判断してもよい。閾値は、オンデマンドサービスシステム１００のデフォルト設定であってもよく、または種々の状況の下で調整可能であってもよい。

１７５０において、処理エンジン１１２（例えば送信モジュール１６５０）（例えばプロセッサ２２０のインターフェース回路）は、適合パラメータが閾値よりも大きいという判断の結果に基づいて、第２のサービスリクエストに関連するデータを、サービスプロバイダに関連するプロバイダ端末１４０にネットワーク１２０を介して送信してもよい。一部の実施形態において、第２のサービスリクエストに関連するデータは、第２のサービスリクエストに関連する第２の情報（例えば第２の開始位置、第２の目的地、第２の開始時間）、第１のサービスリクエストと第２のサービスリクエストとの間の適合パラメータ、サービスプロバイダの位置から第２の開始位置までの推定経路、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。第２のサービスリクエストに関連するデータを受信するのに応答して、プロバイダ端末１４０は、第２のサービスリクエストに関連する受信されたデータの少なくとも一部をグラフィックユーザインターフェースの中に表示してもよい。

なお、上記の説明は、単に例示の目的で提供され、本開示の範囲を限定する意図はない。当業者の場合、本開示の教示に基づいて複数の変形または変更が構成され得る。しかしながら、そのような変形および変更は、本開示の範囲から逸脱しない。

図１８は、本開示の一部の実施形態による、２つの訓練済みモデルを使用することにより適合パラメータを判断する例示的なプロセスを示すフローチャートである。一部の実施形態において、プロセス１８００は、ストレージＲＯＭ２３０またはＲＡＭ２４０に記憶された命令のセット（例えばアプリケーション）として実装されてもよい。プロセッサ２２０および／または図１６のモジュールが命令のセットを実行してもよく、命令を実行すると、プロセッサ２２０および／またはモジュールはプロセス１８００を実行するように構成されてもよい。下記に提示される、例示されるプロセスの動作は、例示として意図されている。一部の実施形態において、プロセス１８００は、記載されていない１つ以上の追加の動作を用いて、且つ／または本明細書において説明される動作のうちの１つ以上を用いずに達成され得る。さらに、図１８に示され下記に記載されるプロセスの各動作の順序に、限定的な意図はない。一部の実施形態において、プロセス１７００の動作１７３０は、プロセス１８００に基づいて実行されてもよい。

１８１０において、処理エンジン１１２（例えば判断モジュール１６３０）（例えばプロセッサ２２０の処理回路）は、第１の訓練済み適合モデル（例えば、図１０〜１５に関連して記載された、訓練済み線形回帰モデル）を使用することにより、第１の情報および第２の情報に基づく第１の適合パラメータを判断してもよい。第１の適合パラメータは、第１の訓練済み適合モデルに関連し第１の情報および第２の情報に基づく第１の出力結果を指す。

１８２０において、処理エンジン１１２（例えば判断モジュール１６３０）（例えばプロセッサ２２０の処理回路）は、第２の訓練済み適合モデル（例えば、図１０〜１５に関連して記載された、訓練済み線形深層学習モデル）を使用することで、第１の情報および第２の情報に基づく第２の適合パラメータを判断してもよい。第２の適合パラメータは、第２の訓練済み適合モデルに関連し第１の情報および第２の情報に基づく第２の出力結果を指す。

１８３０において、処理エンジン１１２（例えば判断モジュール１６３０）（例えばプロセッサ２２０の処理回路）は、第１の適合パラメータおよび第２の適合パラメータに基づいて適合パラメータを判断してもよい。一部の実施形態において、処理エンジン１１２は、第１の適合パラメータと第２の適合パラメータとを加重することによって適合パラメータを判断してもよい。一部の実施形態において、処理エンジン１１２は、第１の適合パラメータおよび第２の適合パラメータを、第１の適合パラメータに対応する第１の重み付け係数および第２の適合パラメータに対応する第２の重み付け係数に基づいて加重してもよい。第１の重み付け係数および第２の重み付け係数は、同じであっても、または異なってもよい。第１の重み付け係数および第２の重み付け係数は、オンデマンドサービスシステム１００のデフォルト設定であってもよく、または種々の状況の下で調整可能であってもよい。

なお、上記の説明は、単に例示の目的で提供され、本開示の範囲を限定する意図はない。当業者の場合、本開示の教示に基づいて複数の変形または変更が構成され得る。しかしながら、そのような変形および変更は、本開示の範囲から逸脱しない。

図１９は、本開示の一部の実施形態による、複数の訓練サンプルの特徴情報に基づいて少なくとも１つの訓練済み適合モデルを決定する例示的なプロセスを示すフローチャートである。一部の実施形態において、プロセス１９００は、ストレージＲＯＭ２３０またはＲＡＭ２４０に記憶された命令のセット（例えばアプリケーション）として実装されてもよい。プロセッサ２２０および／または訓練モジュール１６４０が命令のセットを実行してもよく、命令を実行すると、プロセッサ２２０および／または訓練モジュール１６４０はプロセス１９００を実行するように構成されてもよい。下記に提示される、例示されるプロセスの動作は、例示として意図されている。一部の実施形態において、プロセス１９００は、記載されていない１つ以上の追加の動作を用いて、且つ／または本明細書において説明される動作のうちの１つ以上を用いずに達成され得る。さらに、図１９に示され下記に記載されるプロセスの各動作の順序に、限定的な意図はない。

１９１０において、処理エンジン１１２（例えば訓練モジュール１６４０）（例えばプロセッサ２２０のインターフェース回路）は、少なくとも１つのポジティブ訓練サンプルおよび少なくとも１つのネガティブ訓練サンプルを含む複数の訓練サンプルを獲得してもよい。処理エンジン１１２は、過去の複数の輸送サービス記録に基づいて複数の訓練サンプルを獲得してもよい。過去の複数の輸送サービス記録それぞれが、過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、第１の過去の注文とマッチングされた第２の過去の注文に関連する第２の過去の情報、過去のサービスプロバイダに関連する過去の参照情報、または同様のもの、またはそれらの任意の組み合わせを含んでもよい。本開示の他の箇所に記載されているように、ポジティブ訓練サンプルは、ポジティブサンプルタイプの過去の輸送サービス記録に対応し、ネガティブ訓練サンプルは、ネガティブサンプルタイプの過去の輸送サービス記録に対応する。過去の複数の輸送サービス記録のさらに詳細な説明は、本開示の他の箇所で確認できる（例えば図６、図７、図９、図１３、図１５、およびそれらの説明）。

１９２０において、処理エンジン１１２（例えば訓練モジュール１６４０）（例えばプロセッサ２２０の処理回路）は、訓練サンプルそれぞれの特徴情報（本明細書では「サンプル特徴情報」とも呼ばれる）を抽出してもよい。

一部の実施形態において、動作７３０および／または動作１３３０に関連して記載されたように、特徴情報は、複数の訓練サンプルから獲得された第１の初期特徴情報および複数の訓練サンプルに基づいて推定された第２の初期特徴情報を含んでもよい。

一部の実施形態において、動作１３３０に関連して記載されたように、処理エンジン１１２は、アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を変更することにより、特徴情報（例えば第１の特徴情報、第２の特徴情報、第３の特徴情報）を獲得してもよい。例えば、処理エンジン１１２は、訓練済み統合モデル（例えば図１３に関連して記載された訓練済み統合モデル）および非アイデンティティカテゴリの初期特徴情報に基づいて、第１の特徴結果を判断してもよい。処理エンジン１１２は、第１の特徴結果を正規化することにより、複数の訓練サンプルそれぞれの第１の特徴情報をさらに判断してもよい。別の例として、処理エンジン１１２は、非アイデンティティカテゴリの初期特徴情報を正規化することにより、複数の訓練サンプルそれぞれの第２の特徴情報を判断してもよい。さらなる例として、処理エンジン１１２は、アイデンティティカテゴリの初期特徴情報を離散化および正規化することにより、複数の訓練サンプルそれぞれの第３の特徴情報を判断してもよい。特徴情報についてのさらに詳細な説明は、本開示の他の箇所で確認できる（例えば図１３およびその説明）。

１９３０において、処理エンジン１１２（例えば訓練モジュール１６４０）（例えばプロセッサ２２０の処理回路）は、少なくとも１つの仮の適合モデルを獲得してもよい。少なくとも１つの仮の適合モデルは、仮の勾配ブースティングモデル、仮の線形回帰モデル、仮の深層学習ネットワークモデルなどを含んでもよい。仮の適合モデルは、オンデマンドサービスシステム１００のデフォルト設定であってもよくまたはオペレータによって定義されてもよい、少なくとも１つの仮のパラメータ（例えば重み行列、バイアスベクトル）を含んでもよい。

１９４０において、処理エンジン１１２（例えば訓練モジュール１６４０）（例えばプロセッサ２２０の処理回路）は、複数の訓練サンプルに対応する複数のサンプル適合パラメータを、少なくとも１つの仮の適合モデルと、複数の訓練サンプルの特徴情報とに基づいて判断してもよい。具体的な訓練サンプルを例にとると、サンプル適合パラメータは、訓練サンプルに含まれる第２の過去の注文と第１の過去の注文との間の適合度を示してもよい。

１９５０において、処理エンジン１１２（例えば訓練モジュール１６４０）（例えばプロセッサ２２０の処理回路）は、サンプル適合パラメータが第１の事前設定済み条件を満たすかどうかを判断してもよい。例えば、処理エンジン１１２は、サンプル適合パラメータに基づいてＲＯＣ曲線およびＡＵＣ値を獲得してもよい。さらに処理エンジン１１２は、ＡＵＣ値が事前設定済みのＡＵＣ閾値以下であるかどうかを判断してもよい。ＲＯＣ曲線およびＡＵＣ値についてのさらなる説明は、本開示の他の箇所で確認できる（例えば図７、図１３、およびそれらの説明）。別の例として、処理エンジン１１２は、少なくとも１つの仮の適合モデルの損失関数を判断し、サンプル適合パラメータに基づいて損失関数の値を判断してもよい。さらに、処理エンジン１１２は、損失関数の値が損失閾値未満かどうかを判断してもよい。損失閾値は、オンデマンドサービスシステム１００のデフォルト設定であってもよく、または種々の状況の下で調整可能であってもよい。

サンプル適合パラメータが第１の事前設定済み条件を満たすという判断に応答して、処理エンジン１１２（例えば訓練モジュール１６４０）（例えばプロセッサ２２０の処理回路）は、２０４０において、少なくとも１つの仮の適合モデルを少なくとも１つの訓練済み適合モデルとして指定してもよい。他方、サンプル適合パラメータが第１の事前設定済み条件を満たさないという判断に応答して、処理エンジン１１２は、少なくとも１つの仮の適合モデルの更新に戻る１９３０ようにプロセス１９００を実行してもよい。例えば処理エンジン１１２は、少なくとも１つの更新済み適合モデルをもたらすために、少なくとも１つの仮の適合モデルに関連する少なくとも１つの仮のパラメータを更新してもよい。

処理エンジン１１２は、少なくとも１つの更新済み適合モデルに基づいて判断された複数の更新済みサンプル適合パラメータが、第１の事前設定済み条件を満たすかどうかをさらに判断してもよい。更新済みサンプル適合パラメータが第１の事前設定済み条件を満たすという判断に応答して、処理エンジン１１２は、１９６０において、少なくとも１つの更新済み適合モデルを少なくとも１つの訓練済み適合モデルとして指定してもよい。他方、更新済みサンプル適合パラメータが第１の事前設定済み条件をまだ満たさないという判断に応答して、処理エンジン１１２は、複数の更新済みサンプル適合パラメータが第１の事前設定済み条件を満たすまで、少なくとも１つの更新済み適合モデルをなお更新してもよい（すなわち、プロセス１９００は１９３０に進む）。

なお、上記の説明は、単に例示の目的で提供され、本開示の範囲を限定する意図はない。当業者の場合、本開示の教示に基づいて複数の変形または変更が構成され得る。しかしながら、そのような変形および変更は、本開示の範囲から逸脱しない。例えば処理エンジン１１２は、新たに獲得された過去の複数の輸送トリップ記録に基づいて、一定の時間間隔（例えば月ごと、２か月ごと）で訓練済み適合モデルを更新してもよい。

図２０は、本開示の一部の実施形態による、２つの訓練済みモデルを決定する例示的なプロセスを示すフローチャートである。一部の実施形態において、プロセス２０００は、ストレージＲＯＭ２３０またはＲＡＭ２４０に記憶された命令のセット（例えばアプリケーション）として実装されてもよい。プロセッサ２２０および／または訓練モジュール１６４０が命令のセットを実行してもよく、命令を実行すると、プロセッサ２２０および／または訓練モジュール１６４０はプロセス２０００を実行するように構成されてもよい。下記に提示される、例示されるプロセスの動作は、例示として意図されている。一部の実施形態において、プロセス２０００は、記載されていない１つ以上の追加の動作を用いて、且つ／または本明細書において説明される動作のうちの１つ以上を用いずに達成され得る。さらに、図２０に示され下記に記載されるプロセスの各動作の順序に、限定的な意図はない。

２０１０では、１９２０に関連して記載されたように、処理エンジン１１２（例えば訓練モジュール１６４０）（例えばプロセッサ２２０の処理回路）は、第１の仮の適合モデル（例えば仮の線形回帰モデル）および第２の仮の適合モデル（例えば仮の深層学習モデル）を獲得してもよい。

２０２０において、処理エンジン１１２（例えば訓練モジュール１６４０）（例えばプロセッサ２２０の処理回路）は、複数の訓練サンプルに対応する第１の複数のサンプル適合パラメータを、第１の仮の適合モデルと、複数の訓練サンプルの特徴情報とに基づいて判断してもよい。

２０３０において、処理エンジン１１２（例えば訓練モジュール１６４０）（例えばプロセッサ２２０の処理回路）は、複数の訓練サンプルに対応する第２の複数のサンプル適合パラメータを、第２の仮の適合モデルと、複数の訓練サンプルの特徴情報とに基づいて判断してもよい。

２０４０において、処理エンジン１１２（例えば訓練モジュール１６４０）（例えばプロセッサ２２０の処理回路）は、第１の複数のサンプル適合パラメータおよび第２の複数のサンプル適合パラメータに関連するサンプル結果が第２の事前設定済み条件を満たすかどうかを判断してもよい。一部の実施形態において、処理エンジン１１２は、第１の複数のサンプル適合パラメータおよび第２の複数のサンプル適合パラメータを加重することによりサンプル結果を判断してもよい。第２の事前設定済み条件は、第１の事前設定済み条件と同じであっても、または異なってもよい。

サンプル結果が第２の事前設定済み条件を満たすという判断に応答して、処理エンジン１１２（例えば訓練モジュール１６４０）（例えばプロセッサ２２０の処理回路）は、２０５０において、第１の仮の適合モデルおよび第２の仮の適合モデルを、第１の訓練済み適合モデルおよび第２の訓練済み適合モデルとしてそれぞれ指定してもよい。他方、サンプル結果が第２の事前設定済み条件を満たさないという判断に応答して、処理エンジン１１２は、第１の仮の適合モデルおよび第２の仮の適合モデルの更新に戻る２０１０ようにプロセス２０００を実行してもよい。例えば処理エンジン１１２は、第１の更新済み適合モデルおよび第２の更新済み適合モデルをもたらすために、第１の仮の適合モデルおよび第２の仮の適合モデルに関連する少なくとも１つの仮のパラメータを更新してもよい。

さらに処理エンジン１１２は、第１の更新済み適合モデルおよび第２の更新済み適合モデルに基づく更新済みサンプル結果が、第２の事前設定済み条件を満たすかどうかを判断してもよい。更新済みサンプル結果が第２の事前設定済み条件を満たすという判断に応答して、処理エンジン１１２は、２０５０において、第１の更新済み適合モデルおよび第２の更新済み適合モデルを、第１の訓練済み適合モデルおよび第２の訓練済み適合モデルとしてそれぞれ指定してもよい。他方、更新済みサンプル結果がまだ第２の事前設定済み条件を満たさないという判断に応答して、処理エンジン１１２は、第１の更新済み適合モデルおよび第２の更新済み適合モデルを、更新済みサンプル結果が第２の事前設定済み条件を満たすまで、なお更新してもよい。

なお、上記の説明は、単に例示の目的で提供され、本開示の範囲を限定する意図はない。当業者の場合、本開示の教示に基づいて複数の変形または変更が構成され得る。しかしながら、そのような変形および変更は、本開示の範囲から逸脱しない。例えば処理エンジン１１２は、新たに獲得された過去の複数の輸送トリップ記録に基づいて、一定の時間間隔（例えば月ごと、２か月ごと）で、第１の訓練済み適合モデルおよび／または第２の訓練済み適合モデルを更新してもよい。

基本的な概念を上述したが、この詳細な開示を読んだ後、当業者には、前述の詳細な開示が例示としてのみの提示を意図されており限定的でないことが相当に明らかであろう。本明細書で明示的に述べてはいないが、当業者は様々な変更、改善、および修正に想到でき、それが意図される。当該の変更、改善、および修正は、本開示により示唆されることを意図されており、本開示の例示的な実施形態の意図および範囲内にある。

さらに、本開示の実施形態について記載するために特定の用語が使用された。例えば、「一実施形態」、「或る実施形態」、および／または「一部の実施形態」という用語は、一部の実施形態に関連して記載された特定の特徴、構造、または特性が、本開示の少なくとも１つの実施形態に含まれることを意味する。したがって、強調され且つ当然のことであるが、本明細書の様々な部分における「或る実施形態」または「一実施形態」または「代わりの実施形態」への２つ以上の言及は、必ずしもすべて同じ実施形態を指すとは限らない。さらに、特定の特徴、構造、または特性は、本開示の１つ以上の実施形態に適するように組み合わされ得る。

さらに、当業者には当然のことながら、本開示の各側面は、任意の新規および有用なプロセス、機械、製品、もしくは組成物、またはそれらの任意の新規および有用な改善を含む、特許を受けられるいくつかの分類または文脈のいずれかで本明細書に示され記載され得る。したがって、本開示の各側面は、完全にハードウェア、完全にソフトウェア（ファームウェア、常駐ソフトウェア、マイクロコードなどを含む）、または本明細書においてすべて概して「ユニット」、「モジュール」、もしくは「システム」と呼ばれ得るソフトウェアおよびハードウェアの実装の組み合わせで実施装されてもよい。さらに本開示の各側面は、コンピュータ可読プログラムコードが具現化された１つ以上のコンピュータ可読媒体において具現化された、コンピュータプログラム製品の形態をとることもできる。

コンピュータ可読信号媒体は、例えば、ベースバンドに、または搬送波の一部として、コンピュータ可読プログラムコードが具現化された伝搬データ信号を含んでもよい。そのような伝搬信号は、電磁気、光学、または同様のもの、またはそれらの任意の適切な組み合わせを含む様々な形態のいずれかをとってよい。コンピュータ可読信号媒体は、コンピュータ可読ストレージ媒体でなく、且つ命令実行システム、装置、またはデバイスによって、またはそれに関連して使用されるプログラムの伝達、伝搬、または搬送をすることができる、任意のコンピュータ可読媒体としてもよい。コンピュータ可読信号媒体上に具現化されたプログラムコードは、無線、有線、光ファイバケーブル、ＲＦ、または同様のもの、または前述のものの任意の適切な組み合わせを含む、任意の適切な媒体を使用して送信されてもよい。

本開示の各側面の動作を実行するコンピュータプログラムコードは、Ｊａｖａ、Ｓｃａｌａ、Ｓｍａｌｌｔａｌｋ、Ｅｉｆｆｅｌ、ＪＡＤＥ、Ｅｍｅｒａｌｄ、Ｃ＋＋、Ｃ＃、ＶＢ．ＮＥＴ、Ｐｙｔｈｏｎ、もしくは同様のものなどのオブジェクト指向プログラミング言語、「Ｃ」プログラミング言語、Ｖｉｓｕａｌ Ｂａｓｉｃ、Ｆｏｒｔｒａｎ ２００３、Ｐｅｒｌ、ＣＯＢＯＬ ２００２、ＰＨＰ、ＡＢＡＰなどの従来の手続きプログラミング言語、Ｐｙｔｈｏｎ、Ｒｕｂｙ、およびＧｒｏｏｖｙなどの動的プログラミング言語、または他のプログラミング言語を含む、１つ以上のプログラミング言語の任意の組み合わせで書かれていてもよい。プログラムコードは、完全にユーザのコンピュータ上で実行されても、部分的にユーザのコンピュータ上で実行されても、スタンドアロンソフトウェアパッケージとして実行されても、部分的にユーザのコンピュータ上で且つ部分的にリモートコンピュータ上で実行されても、または完全にリモートコンピュータもしくはサーバ上で実行されてもよい。後者のシナリオでは、リモートコンピュータが、ローカルエリアネットワーク（ＬＡＮ）もしくはワイドエリアネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを介してユーザのコンピュータに接続されてもよく、または接続は、（例えばインターネットサービスプロバイダを使用しインターネットを介して）外部コンピュータに対して行われるものであっても、もしくはクラウドコンピューティング環境におけるものであっても、もしくはソフトウェアアズアサービス（ＳａａＳ：Ｓｏｆｔｗａｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ）などのサービスとして提供されるものであってもよい。

さらに、処理要素またはシーケンスの記載された順序、またはしたがって、数字、文字、もしくは他の指定の使用は、特許請求されるプロセスおよび方法を、特許請求の範囲に指定され得る以外にいかなる順序にも限定する意図はない。上記開示は、本開示の多様であり有用な実施形態と現在考えられるものを様々な例を通して検討するが、当然のことながら、そのような詳細は、当該目的のためのものでしかなく、添付の特許請求の範囲は、開示された実施形態に限定されず、それどころか、開示された実施形態の意図および範囲内の変更および等価な構成を対象とすることが意図される。例えば、上述した様々なコンポーネントの実装は、ハードウェアデバイスにおいて具現化されてもよいが、例えば既存のサーバまたはモバイルデバイスにインストールするなど、ソフトウェアのみのソリューションとして実装されることもあり得る。

同じく当然のことながら、本開示の実施形態の前述の説明においては、ときには様々な特徴が本開示を簡素化する目的で単一の実施形態、図面、またはそれらの説明にグループ化されて、様々な実施形態のうちの１つ以上についての理解を支援している。しかしながら、この開示方法は、特許請求される主題が各請求項に明示的に記載されるよりも多くの特徴を必要とするとの意図を反映するものと解釈されてはならない。むしろ、特許請求される主題は、前述の開示された単一の実施形態のうち一部の特徴にあることもある。

Claims (97)

1. サービスリクエストを割り振る方法であって、
   サービスプロバイダのプロバイダ情報と、前記サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含むターゲット情報を獲得するステップと、
   前記第２のサービスリクエストが前記サービスプロバイダに適合するかどうかを、訓練済みモデルを使用することにより、前記ターゲット情報に基づいて判断するステップと、
   前記第２のサービスリクエストが前記サービスプロバイダに適合するという前記判断の結果に基づいて、前記第２のサービスリクエストを前記サービスプロバイダに割り振るステップと、
   を含む方法。
2. 前記第２のサービスリクエストが前記サービスプロバイダに適合するかどうかを、訓練済みモデルを使用することにより、前記ターゲット情報に基づいて判断するステップは、
   前記ターゲット情報に基づいて特徴情報を獲得するステップと、
   前記特徴情報を前記訓練済みモデルに入力するステップと、
   前記訓練済みモデルにより判断された適合パラメータを獲得するステップと、
   前記適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、前記第２のサービスリクエストを前記サービスプロバイダに割り振るステップと、
   を含む、請求項１に記載の方法。
3. 前記特徴情報は、第１の特徴情報および第２の特徴情報を含み、前記ターゲット情報に基づいて特徴情報を獲得するステップは、
   前記ターゲット情報から前記第１の特徴情報を直接抽出するステップと、
   前記ターゲット情報に基づいて前記第２の特徴情報を推定するステップと、
   を含む、請求項２に記載の方法。
4. 前記第１のサービスリクエストに関連する前記第１の情報は、第１の開始位置、第１の目的地、および第１の開始時間を含み、前記第２のサービスリクエストに関連する前記第２の情報は、第２の開始位置、第２の目的地、および第２の開始時間を含む、請求項３に記載の方法。
5. 前記第２の特徴情報は、前記第１のサービスリクエストの第１の当初経路の第１の距離、前記第２のサービスリクエストの第２の当初経路の第２の距離、前記第１のサービスリクエストに関連する第１の変更経路の第３の距離、前記第２のサービスリクエストに関連する第２の変更経路の第４の距離、前記第１のサービスリクエストおよび前記第２のサービスリクエストに関連する総合経路の総合距離、前記第１のサービスリクエストおよび前記第２のサービスリクエストに関連する前記総合経路の総合時間、前記第１のサービスリクエストに関連する第１の回り道の距離、前記第２のサービスリクエストに関連する第２の回り道の距離、前記第１のサービスリクエストに関連する第１の回り道の時間、前記第２のサービスリクエストに関連する第２の回り道の時間、前記第１の回り道の距離と前記第１の距離との第１の比、前記第２の回り道の距離と前記第２の距離との第２の比、前記第２のサービスリクエストの迎車時間、前記サービスプロバイダの位置と前記第２のサービスリクエストの前記第２の開始位置との間の迎車距離、または前記迎車距離と前記第２のサービスリクエストに関連する前記第２の変更経路の前記第４の距離との第３の比、のうちの１つ以上を含む、請求項４に記載の方法。
6. 前記訓練済みモデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルのうちの少なくとも１つを含む、請求項１〜５のいずれか一項に記載の方法。
7. サービスリクエストを割り振るための訓練済みモデルを決定する訓練方法であって、
   過去の複数の輸送サービス記録それぞれの中の関連情報を含むサンプル情報を獲得するステップであって、前記過去の複数の輸送サービス記録のうちの任意のものについて、前記関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、前記過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および前記第１の過去の注文とマッチングされて前記過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含む、前記獲得するステップと、
   前記サンプル情報に基づいて前記訓練済みモデルを決定するステップと、
   を含む方法。
8. 前記サンプル情報に基づいて前記訓練済みモデルを決定するステップは、
   前記過去の複数の輸送サービス記録それぞれのサンプルタイプを、前記サンプル情報に基づいて判断するステップであって、前記サンプルタイプはポジティブサンプルタイプおよびネガティブサンプルタイプを含む、前記判断するステップと、
   前記過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、前記サンプル情報に基づいて判断するステップと、
   前記過去の複数の輸送サービス記録それぞれの前記サンプル特徴情報および前記サンプルタイプに基づいて、前記訓練済みモデルを決定するステップと、
   を含む、請求項７に記載の方法。
9. 前記過去の複数の輸送サービス記録のうちの任意のものについて、前記サンプル特徴情報は、第１のサンプル特徴情報および第２のサンプル特徴情報を含み、前記過去の輸送サービス記録に対応する前記サンプル特徴情報は、
   前記過去の輸送サービス記録に対応する前記サンプル情報から前記第１のサンプル特徴情報を直接抽出するステップと、
   前記過去の輸送サービス記録に対応する前記サンプル情報に基づいて、前記第２のサンプル特徴情報を推定するステップと、
   により、前記サンプル情報に基づいて獲得される、請求項８に記載の方法。
10. 前記第１の過去の注文に関連する前記第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、および第１の過去の開始時間を含み、前記第２の過去の注文に関連する前記第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、および第２の過去の開始時間を含む、請求項９に記載の方法。
11. 前記過去の複数の輸送サービス記録のうちの任意のものについて、前記第２のサンプル特徴情報は、前記第１の過去の注文の第１の過去の当初経路の第１の過去の距離、前記第２の過去の注文の第２の過去の当初経路の第２の過去の距離、前記第１の過去の注文に関連する第１の過去の変更経路の第３の過去の距離、前記第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離、前記第１の過去の注文および前記第２の過去の注文に関連する過去の総合経路の過去の総合距離、前記第１の過去の注文および前記第２の過去の注文に関連する前記過去の総合経路の過去の総合時間、前記第１の過去の注文に関連する第１の過去の回り道の距離、前記第２の過去の注文に関連する第２の過去の回り道の距離、前記第１の過去の注文に関連する第１の過去の回り道の時間、前記第２の過去の注文に関連する第２の過去の回り道の時間、前記第１の過去の回り道の距離と前記第１の過去の距離との第１の過去の比、前記第２の過去の回り道の距離と前記第２の過去の距離との第２の過去の比、前記第２の過去の注文の過去の迎車時間、前記過去のサービスプロバイダの過去の位置と前記第２の過去の注文の第２の過去の開始位置との間の過去の迎車距離、または前記過去の迎車距離と前記第２の過去の注文に関連する前記第２の過去の変更経路の前記第４の過去の距離との第３の過去の比、のうちの１つ以上を含む、請求項１０に記載の方法。
12. 前記訓練済みモデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルのうちの少なくとも１つを含む、請求項７〜１１のいずれか一項に記載の方法。
13. サービスリクエストを割り振るデバイスであって、
    サービスプロバイダのプロバイダ情報と、前記サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含むターゲット情報を獲得するように構成された獲得モジュールと、
    前記第２のサービスリクエストが前記サービスプロバイダに適合するかどうかを、訓練済みモデルを使用することにより、前記ターゲット情報に基づいて判断するように構成された判断モジュールと、
    前記第２のサービスリクエストが前記サービスプロバイダに適合するという前記判断の結果に基づいて、前記第２のサービスリクエストを前記サービスプロバイダに割り振るように構成された割り振りモジュールと、
    を備えたデバイス。
14. 前記判断モジュールは、
    前記ターゲット情報に基づいて特徴情報を獲得するように構成された第１の獲得ユニットと、
    前記特徴情報を前記訓練済みモデルに入力するように構成された入力ユニットと、
    前記訓練済みモデルにより判断された適合パラメータを獲得するように構成された第２の獲得ユニットと、
    前記適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、前記第２のサービスリクエストを前記サービスプロバイダに割り振るように構成された判断ユニットと、
    を含む、請求項１３に記載のデバイス。
15. 前記特徴情報は、第１の特徴情報および第２の特徴情報を含み、前記第１の獲得ユニットは、
    前記ターゲット情報から前記第１の特徴情報を直接抽出することと、
    前記ターゲット情報に基づいて前記第２の特徴情報を推定することと、
    をするように構成されている、請求項１４に記載のデバイス。
16. 前記第１のサービスリクエストに関連する前記第１の情報は、第１の開始位置、第１の目的地、および第１の開始時間を含み、前記第２のサービスリクエストに関連する前記第２の情報は、第２の開始位置、第２の目的地、および第２の開始時間を含む、請求項１５に記載のデバイス。
17. 前記第２の特徴情報は、前記第１のサービスリクエストの第１の当初経路の第１の距離、前記第２のサービスリクエストの第２の当初経路の第２の距離、前記第１のサービスリクエストに関連する第１の変更経路の第３の距離、前記第２のサービスリクエストに関連する第２の変更経路の第４の距離、前記第１のサービスリクエストおよび前記第２のサービスリクエストに関連する総合経路の総合距離、前記第１のサービスリクエストおよび前記第２のサービスリクエストに関連する前記総合経路の総合時間、前記第１のサービスリクエストに関連する第１の回り道の距離、前記第２のサービスリクエストに関連する第２の回り道の距離、前記第１のサービスリクエストに関連する第１の回り道の時間、前記第２のサービスリクエストに関連する第２の回り道の時間、前記第１の回り道の距離と前記第１の距離との第１の比、前記第２の回り道の距離と前記第２の距離との第２の比、前記第２のサービスリクエストの迎車時間、前記サービスプロバイダの位置と前記第２のサービスリクエストの前記第２の開始位置との間の迎車距離、または前記迎車距離と前記第２のサービスリクエストに関連する前記第２の変更経路の前記第４の距離との第３の比、のうちの１つ以上を含む、請求項１６に記載のデバイス。
18. 前記訓練済みモデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルのうちの少なくとも１つを含む、請求項１３〜１７のいずれか一項に記載のデバイス。
19. サービスリクエストを割り振るための訓練済みモデルを決定する訓練デバイスであって、
    過去の複数の輸送サービス記録それぞれの中の関連情報を含むサンプル情報を獲得するように構成された獲得モジュールであって、前記過去の複数の輸送サービス記録のうちの任意のものについて、前記関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、前記過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および前記第１の過去の注文とマッチングされて前記過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含む、前記獲得モジュールと、
    前記サンプル情報に基づいて前記訓練済みモデルを決定するように構成された訓練モジュールと、
    を備えた訓練デバイス。
20. 前記訓練モジュールは、
    前記過去の複数の輸送サービス記録それぞれのサンプルタイプを、前記サンプル情報に基づいて判断するように構成された判断ユニットであって、前記サンプルタイプはポジティブサンプルタイプおよびネガティブサンプルタイプを含む、前記判断ユニットと、
    前記過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、前記サンプル情報に基づいて判断するように構成された獲得ユニットと、
    前記過去の複数の輸送サービス記録それぞれの前記サンプル特徴情報および前記サンプルタイプに基づいて、前記訓練済みモデルを決定するように構成された訓練ユニットと、
    を含む、請求項１９に記載の訓練デバイス。
21. 前記過去の複数の輸送サービス記録のうちの任意のものについて、前記サンプル特徴情報は、第１のサンプル特徴情報および第２のサンプル特徴情報を含み、前記獲得ユニットは、前記過去の輸送サービス記録に対応する前記サンプル特徴情報を、
    前記過去の輸送サービス記録に対応する前記サンプル情報から、前記第１のサンプル特徴情報を直接抽出することと、
    前記過去の輸送サービス記録に対応する前記サンプル情報に基づいて、前記第２のサンプル特徴情報を推定することと、
    により、前記サンプル情報に基づいて獲得するように構成されている、請求項２０に記載の訓練デバイス。
22. 前記第１の過去の注文に関連する前記第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、および第１の過去の開始時間を含み、前記第２の過去の注文に関連する前記第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、および第２の過去の開始時間を含む、請求項２１に記載の訓練デバイス。
23. 前記過去の複数の輸送サービス記録のうちの任意のものについて、前記第２のサンプル特徴情報は、前記第１の過去の注文の第１の過去の当初経路の第１の過去の距離、前記第２の過去の注文の第２の過去の当初経路の第２の過去の距離、前記第１の過去の注文に関連する第１の過去の変更経路の第３の過去の距離、前記第２の過去の注文に関連する第２の過去の変更経路の第４の過去の距離、前記第１の過去の注文および前記第２の過去の注文に関連する過去の総合経路の過去の総合距離、前記第１の過去の注文および前記第２の過去の注文に関連する前記過去の総合経路の過去の総合時間、前記第１の過去の注文に関連する第１の過去の回り道の距離、前記第２の過去の注文に関連する第２の過去の回り道の距離、前記第１の過去の注文に関連する第１の過去の回り道の時間、前記第２の過去の注文に関連する第２の過去の回り道の時間、前記第１の過去の回り道の距離と前記第１の過去の距離との第１の過去の比、前記第２の過去の回り道の距離と前記第２の過去の距離との第２の過去の比、前記第２の過去の注文の過去の迎車時間、前記過去のサービスプロバイダの過去の位置と前記第２の過去の注文の第２の過去の開始位置との間の過去の迎車距離、または前記過去の迎車距離と前記第２の過去の注文に関連する前記第２の過去の変更経路の前記第４の過去の距離との第３の過去の比、のうちの１つ以上を含む、請求項２２に記載の訓練デバイス。
24. 前記訓練済みモデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルのうちの少なくとも１つを含む、請求項１９〜２３のいずれか一項に記載の訓練デバイス。
25. 実行可能命令を含むコンピュータストレージ媒体であって、前記実行可能命令は、
    サービスプロバイダのプロバイダ情報と、前記サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含むターゲット情報を獲得することと、
    前記第２のサービスリクエストが前記サービスプロバイダに適合するかどうかを、訓練済みモデルを使用することにより、前記ターゲット情報に基づいて判断することと、
    前記第２のサービスリクエストが前記サービスプロバイダに適合するという前記判断の結果に基づいて、前記第２のサービスリクエストを前記サービスプロバイダに割り振ることと、
    を含む、コンピュータストレージ媒体。
26. 実行可能命令を含むコンピュータストレージ媒体であって、前記実行可能命令は、
    過去の複数の輸送サービス記録それぞれの中の関連情報を含むサンプル情報を獲得することであって、前記過去の複数の輸送サービス記録のうちの任意のものについて、前記関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、前記過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および前記第１の過去の注文とマッチングされて前記過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含む、前記獲得することと、
    前記サンプル情報に基づいて前記訓練済みモデルを決定することと、
    を含む、コンピュータストレージ媒体。
27. 命令を実行するのに適したプロセッサと、
    命令のセットを記憶するのに適したストレージデバイスと、
    を備えた電子デバイスであって、前記命令のセットは、前記プロセッサによりロードされるのに適しており、前記プロセッサは、
    サービスプロバイダのプロバイダ情報と、前記サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含むターゲット情報を獲得することと、
    前記第２のサービスリクエストが前記サービスプロバイダに適合するかどうかを、訓練済みモデルを使用することにより、前記ターゲット情報に基づいて判断することと、
    前記第２のサービスリクエストが前記サービスプロバイダに適合するという前記判断の結果に基づいて、前記第２のサービスリクエストを前記サービスプロバイダに割り振ることと、
    のために前記命令のセットを実行する、電子デバイス。
28. 命令を実行するのに適したプロセッサと、
    命令のセットを記憶するのに適したストレージデバイスと、
    を備えた電子デバイスであって、前記命令のセットは、前記プロセッサによりロードされるのに適しており、前記プロセッサは、
    過去の複数の輸送サービス記録それぞれの中の関連情報を含むサンプル情報を獲得することであって、前記過去の複数の輸送サービス記録のうちの任意のものについて、前記関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、前記過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および前記第１の過去の注文とマッチングされて前記過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含む、前記獲得することと、
    前記サンプル情報に基づいて訓練済みモデルを決定することと、
    のために前記命令のセットを実行する、電子デバイス。
29. サービスリクエストを割り振る方法であって、
    サービスプロバイダのプロバイダ情報と、前記サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含むターゲット情報を獲得するステップと、
    前記ターゲット情報に基づいて特徴情報を獲得するステップと、
    前記特徴情報を訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ入力するステップと、
    前記訓練済み線形回帰モデルに関連する第１の出力結果および前記訓練済み深層学習モデルに関連する第２の出力結果を加重することにより、前記第１のサービスリクエストおよび前記第２のサービスリクエストに関連する適合パラメータを判断するステップと、
    前記適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、前記第２のサービスリクエストを前記サービスプロバイダに割り振るステップと、
    を含む方法。
30. 前記ターゲット情報に基づいて特徴情報を判断するステップは、
    アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を、前記ターゲット情報に基づいて獲得するステップと、
    前記アイデンティティカテゴリの前記初期特徴情報および前記非アイデンティティカテゴリの前記初期特徴情報を変更することにより前記特徴情報を判断するステップと、
    を含む、請求項２９に記載の方法。
31. 前記特徴情報は、第１の特徴情報、第２の特徴情報、および第３の特徴情報を含み、前記アイデンティティカテゴリの前記初期特徴情報および前記非アイデンティティカテゴリの前記初期特徴情報を変更することにより前記特徴情報を判断するステップは、
    前記非アイデンティティカテゴリの前記初期特徴情報を訓練済み統合モデルに入力して前記訓練済み統合モデルに関連する出力結果を正規化することにより前記第１の特徴情報を判断するステップと、
    前記非アイデンティティカテゴリの前記初期特徴情報を正規化することにより前記第２の特徴情報を判断するステップと、
    前記アイデンティティカテゴリの前記初期特徴情報を離散化および正規化することにより前記第３の特徴情報を判断するステップと、
    を含む、請求項３０に記載の方法。
32. 前記第１のサービスリクエストに関連する前記第１の情報は、第１の開始位置、第１の目的地、および第１の開始時間を含み、前記第２のサービスリクエストに関連する前記第２の情報は、第２の開始位置、第２の目的地、および第２の開始時間を含む、請求項２９〜３１のいずれか一項に記載の方法。
33. サービスリクエストを割り振るための訓練済みモデルを決定する訓練方法であって、
    過去の複数の輸送サービス記録それぞれの中の関連情報を含むサンプル情報を獲得するステップであって、前記過去の複数の輸送サービス記録のうちの任意のものについて、前記関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、前記過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および前記第１の過去の注文とマッチングされて前記過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含む、前記獲得するステップと、
    前記過去の複数の輸送サービス記録それぞれのサンプルタイプを判断するステップであって、前記サンプルタイプはポジティブサンプルタイプおよびネガティブサンプルタイプを含む、前記判断するステップと、
    前記過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、前記サンプル情報に基づいて判断するステップと、
    仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを、前記過去の複数の輸送サービス記録それぞれの前記サンプル特徴情報および前記サンプルタイプに基づいて調整することにより、訓練済み線形回帰モデルおよび訓練済み深層学習モデルを決定するステップと、
    を含む方法。
34. 仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを、前記過去の複数の輸送サービス記録それぞれの前記サンプル特徴情報および前記サンプルタイプに基づいて調整することは、
    前記過去の複数の輸送サービス記録それぞれについて、前記サンプル特徴情報を、前記仮の線形回帰モデルおよび前記仮の深層学習モデルに入力するステップと、
    前記仮の線形回帰モデルに関連する第１のサンプル出力結果および前記仮の深層学習モデルに関連する第２のサンプル出力結果を加重することによって、参照適合パラメータを判断するステップと、
    前記過去の複数の輸送サービス記録それぞれの前記参照適合パラメータおよび前記サンプルタイプに基づいて、前記少なくとも１つのパラメータを調整するステップと、
    を含む、請求項３３に記載の方法。
35. 前記過去の複数の輸送サービス記録のうちの任意のものについて、前記過去の輸送サービス記録に対応する前記サンプル特徴情報は、
    アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を、前記サンプル情報の中の、前記過去の輸送記録に対応する前記関連情報に基づいて獲得するステップと、
    前記アイデンティティカテゴリの前記初期サンプル特徴情報および前記非アイデンティティカテゴリの前記初期サンプル特徴情報を変更することにより前記サンプル特徴情報を判断するステップと、
    により、前記サンプル情報に基づいて獲得される、請求項３２に記載の方法。
36. 前記サンプル情報は、第１のサンプル特徴情報、第２のサンプル特徴情報、および第３のサンプル特徴情報を含み、前記アイデンティティカテゴリの前記初期サンプル特徴情報および前記非アイデンティティカテゴリの前記初期サンプル特徴情報を変更することにより前記サンプル特徴情報を判断するステップは、
    前記非アイデンティティカテゴリの前記初期サンプル特徴情報を訓練済み統合モデルに入力して前記訓練済み統合モデルに関連するサンプル出力結果を正規化することにより前記第１のサンプル特徴情報を判断するステップと、
    前記非アイデンティティカテゴリの前記初期サンプル特徴情報を正規化することにより前記第２のサンプル特徴情報を判断するステップと、
    前記アイデンティティカテゴリの前記初期サンプル特徴情報を離散化および正規化することにより前記第３のサンプル特徴情報を判断するステップと、
    を含む、請求項３５に記載の方法。
37. 前記方法はさらに、
    前記過去の複数の輸送サービス記録それぞれの前記サンプルタイプおよび前記過去の複数の輸送サービス記録それぞれの前記非アイデンティティカテゴリの前記初期サンプル特徴情報に基づいて、前記訓練済み統合モデルを決定するステップ
    を含む、請求項３６に記載の方法。
38. 前記第１の過去の注文に関連する前記第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、および第１の過去の開始時間を含み、前記第２の過去の注文に関連する前記第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、および第２の過去の開始時間を含む、請求項３３〜３７のいずれか一項に記載の方法。
39. サービスリクエストを割り振るデバイスであって、
    サービスプロバイダのプロバイダ情報と、前記サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含むターゲット情報を獲得するように構成された第１の獲得モジュールと、
    前記ターゲット情報に基づいて特徴情報を獲得するように構成された第２の獲得モジュールと、
    前記特徴情報を訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ入力するように構成された入力モジュールと、
    前記訓練済み線形回帰モデルに関連する第１の出力結果および前記訓練済み深層学習モデルに関連する第２の出力結果を加重することにより、前記第１のサービスリクエストおよび前記第２のサービスリクエストに関連する適合パラメータを判断するように構成された出力モジュールと、
    前記適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、前記第２のサービスリクエストを前記サービスプロバイダに割り振るように構成された割り振りモジュールと、
    を備えたデバイス。
40. 前記第２の獲得モジュールは、
    アイデンティティカテゴリの初期特徴情報および非アイデンティティカテゴリの初期特徴情報を、前記ターゲット情報に基づいて獲得するように構成された獲得ユニットと、
    前記アイデンティティカテゴリの前記初期特徴情報および前記非アイデンティティカテゴリの前記初期特徴情報を変更することにより前記特徴情報を判断するように構成された処理ユニットと、
    を含む、請求項３９に記載のデバイス。
41. 前記特徴情報は、第１の特徴情報、第２の特徴情報、および第３の特徴情報を含み、前記処理ユニットは、
    前記非アイデンティティカテゴリの前記初期特徴情報を訓練済み統合モデルに入力して前記訓練済み統合モデルに関連する出力結果を正規化することにより前記第１の特徴情報を判断することと、
    前記非アイデンティティカテゴリの前記初期特徴情報を正規化することにより前記第２の特徴情報を判断することと、
    前記アイデンティティカテゴリの前記初期特徴情報を離散化および正規化することにより前記第３の特徴情報を判断することと、
    をするように構成されている、請求項４０に記載のデバイス。
42. 前記第１のサービスリクエストに関連する前記第１の情報は、第１の開始位置、第１の目的地、および第１の開始時間を含み、前記第２のサービスリクエストに関連する前記第２の情報は、第２の開始位置、第２の目的地、および第２の開始時間を含む、請求項３９〜４１のいずれか一項に記載のデバイス。
43. サービスリクエストを割り振るための訓練済みモデルを決定する訓練デバイスであって、
    過去の複数の輸送サービス記録それぞれの中の関連情報を含むサンプル情報を獲得するように構成された第１の獲得モジュールであって、前記過去の複数の輸送サービス記録のうちの任意のものについて、前記関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、前記過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および前記第１の過去の注文とマッチングされて前記過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含む、前記第１の獲得モジュールと、
    前記過去の複数の輸送サービス記録それぞれのサンプルタイプを判断するように構成された判断モジュールであって、前記サンプルタイプはポジティブサンプルタイプおよびネガティブサンプルタイプを含む、前記判断モジュールと、
    前記過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、前記サンプル情報に基づいて判断するように構成された第２の獲得モジュールと、
    仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを、前記過去の複数の輸送サービス記録それぞれの前記サンプル特徴情報および前記サンプルタイプに基づいて調整することにより、訓練済み線形回帰モデルおよび訓練済み深層学習モデルを決定するように構成された調整モジュールと、
    を備えた訓練デバイス。
44. 前記調整モジュールは、
    前記過去の複数の輸送サービス記録それぞれについて、前記サンプル特徴情報を、前記仮の線形回帰モデルおよび前記仮の深層学習モデルに入力することと、
    前記仮の線形回帰モデルに関連する第１のサンプル出力結果および前記仮の深層学習モデルに関連する第２のサンプル出力結果を加重することによって、参照適合パラメータを判断することと、
    前記過去の複数の輸送サービス記録それぞれの前記参照適合パラメータおよび前記サンプルタイプに基づいて、前記少なくとも１つのパラメータを調整することと、
    をするように構成されている、請求項４３に記載の訓練デバイス。
45. 前記過去の複数の輸送サービス記録のうちの任意のものについて、前記第２の獲得モジュールは、前記過去の輸送サービス記録に対応する前記サンプル特徴情報を、
    アイデンティティカテゴリの初期サンプル特徴情報および非アイデンティティカテゴリの初期サンプル特徴情報を、前記サンプル情報の中の、前記過去の輸送記録に対応する前記関連情報に基づいて獲得することと、
    前記アイデンティティカテゴリの前記初期サンプル特徴情報および前記非アイデンティティカテゴリの前記初期サンプル特徴情報を変更することにより前記サンプル特徴情報を判断することと、
    により、前記サンプル情報に基づいて獲得するように構成されている、請求項４３に記載の訓練デバイス。
46. 前記サンプル情報は、第１のサンプル特徴情報、第２のサンプル特徴情報、および第３のサンプル特徴情報を含み、前記第２の獲得モジュールは、
    前記非アイデンティティカテゴリの前記初期サンプル特徴情報を訓練済み統合モデルに入力して前記訓練済み統合モデルに関連するサンプル出力結果を正規化することにより前記第１のサンプル特徴情報を判断することと、
    前記非アイデンティティカテゴリの前記初期サンプル特徴情報を正規化することにより前記第２のサンプル特徴情報を判断することと、
    前記アイデンティティカテゴリの前記初期サンプル特徴情報を離散化および正規化することにより前記第３のサンプル特徴情報を判断することと、
    によって、前記アイデンティティカテゴリの前記初期サンプル特徴情報および前記非アイデンティティカテゴリの前記初期サンプル特徴情報を変更することにより、前記サンプル特徴情報を判断するように構成されている、請求項４５に記載の訓練デバイス。
47. 前記訓練デバイスはさらに、
    前記過去の複数の輸送サービス記録それぞれの前記サンプルタイプおよび前記過去の複数の輸送サービス記録それぞれの前記非アイデンティティカテゴリの前記初期サンプル特徴情報に基づいて、前記訓練済み統合モデルを決定するように構成された訓練モジュール
    を含む、請求項４６に記載の訓練デバイス。
48. 前記第１の過去の注文に関連する前記第１の過去の情報は、第１の過去の開始位置、第１の過去の目的地、および第１の過去の開始時間を含み、前記第２の過去の注文に関連する前記第２の過去の情報は、第２の過去の開始位置、第２の過去の目的地、および第２の過去の開始時間を含む、請求項４３〜４７のいずれか一項に記載の訓練デバイス。
49. 実行可能命令を含むコンピュータストレージ媒体であって、前記実行可能命令は、
    サービスプロバイダのプロバイダ情報と、前記サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含むターゲット情報を獲得することと、
    前記ターゲット情報に基づいて特徴情報を獲得することと、
    前記特徴情報を訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ入力することと、
    前記訓練済み線形回帰モデルに関連する第１の出力結果および前記訓練済み深層学習モデルに関連する第２の出力結果を加重することにより、前記第１のサービスリクエストおよび前記第２のサービスリクエストに関連する適合パラメータを判断することと、
    前記適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、前記第２のサービスリクエストを前記サービスプロバイダに割り振ることと、
    を含む、コンピュータストレージ媒体。
50. 実行可能命令を含むコンピュータストレージ媒体であって、前記実行可能命令は、
    過去の複数の輸送サービス記録それぞれの中の関連情報を含むサンプル情報を獲得することであって、前記過去の複数の輸送サービス記録のうちの任意のものについて、前記関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、前記過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および前記第１の過去の注文とマッチングされて前記過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含む、前記獲得することと、
    前記過去の複数の輸送サービス記録それぞれのサンプルタイプを判断することであって、前記サンプルタイプはポジティブサンプルタイプおよびネガティブサンプルタイプを含む、前記判断することと、
    前記過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、前記サンプル情報に基づいて判断することと、
    仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを、前記過去の複数の輸送サービス記録それぞれの前記サンプル特徴情報および前記サンプルタイプに基づいて調整することにより、訓練済み線形回帰モデルおよび訓練済み深層学習モデルを決定することと、
    を含む、コンピュータストレージ媒体。
51. 命令を実行するのに適したプロセッサと、
    命令のセットを記憶するのに適したストレージデバイスと、
    を備えた電子デバイスであって、前記命令のセットは、前記プロセッサによりロードされるのに適しており、前記プロセッサは、
    サービスプロバイダのプロバイダ情報と、前記サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報と、割り振られるべき第２のサービスリクエストに関連する第２の情報と、リアルタイム情報とを含むターゲット情報を獲得することと、
    前記ターゲット情報に基づいて特徴情報を獲得することと、
    前記特徴情報を訓練済み線形回帰モデルおよび訓練済み深層学習モデルにそれぞれ入力することと、
    前記訓練済み線形回帰モデルに関連する第１の出力結果および前記訓練済み深層学習モデルに関連する第２の出力結果を加重することにより、前記第１のサービスリクエストおよび前記第２のサービスリクエストに関連する適合パラメータを判断することと、
    前記適合パラメータが事前設定済みの閾値以上であるという判断の結果に基づいて、前記第２のサービスリクエストを前記サービスプロバイダに割り振ることと、
    のために前記命令のセットを実行する、電子デバイス。
52. 命令を実行するのに適したプロセッサと、
    前記命令を記憶するのに適したストレージデバイスと、
    を備えた電子デバイスであって、前記命令のセットは、前記プロセッサによりロードされるのに適しており、前記プロセッサは、
    過去の複数の輸送サービス記録それぞれの中の関連情報を含むサンプル情報を獲得することであって、前記過去の複数の輸送サービス記録のうちの任意のものについて、前記関連情報は、過去のリアルタイム情報、過去のサービスプロバイダに関連する過去のプロバイダ情報、前記過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報、および前記第１の過去の注文とマッチングされて前記過去のサービスプロバイダに割り振られた第２の過去の注文に関連する第２の過去の情報を含む、前記獲得することと、
    前記過去の複数の輸送サービス記録それぞれのサンプルタイプを判断することであって、前記サンプルタイプはポジティブサンプルタイプおよびネガティブサンプルタイプを含む、前記判断することと、
    前記過去の複数の輸送サービス記録それぞれに対応するサンプル特徴情報を、前記サンプル情報に基づいて判断することと、
    仮の線形回帰モデルおよび仮の深層学習モデルに関連する少なくとも１つのパラメータを、前記過去の複数の輸送サービス記録それぞれの前記サンプル特徴情報および前記サンプルタイプに基づいて調整することにより、訓練済み線形回帰モデルおよび訓練済み深層学習モデルを決定することと、
    のために前記命令のセットを実行する、電子デバイス。
53. オンラインツーオフラインサービスを提供するように構成されたシステムであって、
    命令のセットを含む少なくとも１つのストレージデバイスと、
    前記少なくとも１つのストレージデバイスと通信している少なくとも１つのプロセッサと、
    を備えたシステムであって、前記命令のセットを実行すると、前記少なくとも１つのプロセッサは前記システムに、
    サービスプロバイダに割り振られ且つ前記サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報を獲得することであって、前記第１のサービスリクエストは、第１のリクエスタ端末により実行されるアプリケーションを介して開始される、前記第１の情報を獲得することと、
    リクエスト受信ポートを介して第２のサービスリクエストに関連する第２の情報を獲得することであって、前記第２のサービスリクエストは、第２のリクエスタ端末により実行されるアプリケーションを介して開始される、前記第２の情報を獲得することと、
    少なくとも１つの訓練済み適合モデルを使用することにより、前記第１の情報および前記第２の情報に基づいて適合パラメータを判断することと、
    前記適合パラメータが閾値よりも大きいかどうかを判断することと、
    前記適合パラメータが前記閾値よりも大きいという前記判断の結果に基づいて、前記第２のサービスリクエストに関連するデータを前記サービスプロバイダに関連するプロバイダ端末にネットワークを介して送信することであって、前記プロバイダ端末は、前記第２のサービスリクエストに関連する前記データを受信するのに応答して、前記第２のサービスリクエストに関連する前記受信されたデータの少なくとも一部をグラフィックユーザインターフェースの中に表示する、前記送信することと、
    をさせるように構成されている、システム。
54. 前記少なくとも１つの訓練済み適合モデルを使用することにより前記第１の情報および前記第２の情報に基づいて前記適合パラメータを判断するために、前記少なくとも１つのプロセッサは、前記システムにさらに、
    データリソースから、前記サービスプロバイダに関連する参照情報を前記ネットワークを介して獲得することであって、前記参照情報は、前記サービスプロバイダに関連するプロバイダ情報、気象情報、時間情報、または交通情報のうちの少なくとも１つを含む、前記参照情報を獲得することと、
    前記少なくとも１つの訓練済み適合モデルを使用することにより、前記第１の情報、前記第２の情報、および前記参照情報に基づいて前記適合パラメータを判断することと、
    をさせるように構成されている、請求項５３に記載のシステム。
55. 前記第１の情報は、前記第１のサービスリクエストの第１の開始位置、前記第１のサービスリクエストの第１の目的地、または前記第１のサービスリクエストの第１の開始時間のうちの少なくとも１つを含み、前記第２の情報は、前記第２のサービスリクエストの第２の開始位置、前記第２のサービスリクエストの第２の目的地、または前記第２のサービスリクエストの第２の開始時間のうちの少なくとも１つを含む、請求項５３に記載のシステム。
56. 前記少なくとも１つの訓練済み適合モデルは、第１の訓練済み適合モデルおよび第２の訓練済み適合モデルを含み、前記少なくとも１つの訓練済み適合モデルを使用することにより前記第１の情報および前記第２の情報に基づいて前記適合パラメータを判断するために、前記少なくとも１つのプロセッサは、前記システムにさらに、
    前記第１の訓練済み適合モデルを使用することにより、前記第１の情報および前記第２の情報に基づいて第１の適合パラメータを判断することと、
    前記第２の訓練済み適合モデルを使用することにより、前記第１の情報および前記第２の情報に基づいて第２の適合パラメータを判断することと、
    前記第１の適合パラメータおよび前記第２の適合パラメータに基づいて前記適合パラメータを判断することと、
    をさせるように構成されている、請求項５３に記載のシステム。
57. 前記少なくとも１つの訓練済み適合モデルは、訓練プロセスに基づいて前記少なくとも１つのプロセッサにより訓練され、前記訓練プロセスは、
    少なくとも１つのポジティブ訓練サンプルおよび少なくとも１つのネガティブ訓練サンプルを含む複数の訓練サンプルを獲得することと、
    前記複数の訓練サンプルのうちのそれぞれの訓練サンプルの特徴情報を抽出することと、
    前記複数の訓練サンプルの前記特徴情報に基づいて前記少なくとも１つの訓練済み適合モデルを決定することと、
    を含み、前記少なくとも１つのポジティブ訓練サンプルおよび前記少なくとも１つのネガティブ訓練サンプルを獲得することは、
    過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報か、前記第１の過去の注文とマッチングされた第２の過去の注文に関連する第２の過去の情報か、または前記過去のサービスプロバイダに関連する過去の参照情報かを含む、過去の輸送サービス記録を獲得することと、
    前記第２の過去の注文が前記過去のサービスプロバイダにより受諾されたという判断の結果に基づいて、前記過去の輸送サービス記録に基づくポジティブ訓練サンプルを判断することと、
    前記第２の過去の注文が前記過去のサービスプロバイダにより受諾されなかったという判断の結果に基づいて、前記過去の輸送サービス記録に基づくネガティブ訓練サンプルを判断することと、
    を含む、請求項５３に記載のシステム。
58. 前記第１の過去の情報は、前記第１の過去の注文の第１の過去の開始位置、前記第１の過去の注文の第１の過去の目的地、または前記第１の過去の注文の第１の過去の開始時間のうちの少なくとも１つを含み、前記第２の過去の情報は、前記第２の過去の注文の第２の過去の開始位置、前記第２の過去の注文の第２の過去の目的地、または前記第２の過去の注文の第２の過去の開始時間のうちの少なくとも１つを含む、請求項５７に記載のシステム。
59. 前記複数の訓練サンプルに基づいて前記少なくとも１つの訓練済み適合モデルを決定することは、
    少なくとも１つの仮の適合モデルを獲得することと、
    前記複数の訓練サンプルに対応する複数のサンプル適合パラメータを、前記少なくとも１つの仮の適合モデルと、前記複数の訓練サンプルの前記特徴情報とに基づいて判断することと、
    前記複数のサンプル適合パラメータが第１の事前設定済み条件を満たすかどうかを判断することと、
    前記複数のサンプル適合パラメータが前記第１の事前設定済み条件を満たすという前記判断の結果に基づいて、前記少なくとも１つの仮の適合モデルを前記少なくとも１つの訓練済み適合モデルとして指定することと、
    を含む、請求項５７に記載のシステム。
60. 前記複数の訓練サンプルに基づいて前記少なくとも１つの訓練済み適合モデルを決定することは、
    前記複数のサンプル適合パラメータが前記第１の事前設定済み条件を満たさないという前記判断の結果に基づいて、前記少なくとも１つの仮の適合モデルを更新すること、
    を含む、請求項５９に記載のシステム。
61. 前記少なくとも１つの訓練済み適合モデルは、第１の訓練済み適合モデルおよび第２の訓練済み適合モデルを含み、前記複数の訓練サンプルに基づいて前記少なくとも１つの訓練済み適合モデルを決定することは、
    第１の仮の適合モデルおよび第２の仮の適合モデルを獲得することと、
    前記複数の訓練サンプルに対応する第１の複数のサンプル適合パラメータを、前記第１の仮の適合モデルと、前記複数の訓練サンプルの前記特徴情報とに基づいて判断することと、
    前記複数の訓練サンプルに対応する第２の複数のサンプル適合パラメータを、前記第２の仮の適合モデルと、前記複数の訓練サンプルの前記特徴情報とに基づいて判断することと、
    前記第１の複数のサンプル適合パラメータおよび前記第２の複数のサンプル適合パラメータに関連するサンプル結果が第２の事前設定済み条件を満たすかどうかを判断することと、
    前記サンプル結果が前記第２の事前設定済み条件を満たすという前記判断の結果に基づいて、前記第１の仮の適合モデルおよび前記第２の仮の適合モデルを、前記第１の訓練済み適合モデルおよび前記第２の訓練済み適合モデルとしてそれぞれ指定することと、
    を含む、請求項５７に記載のシステム。
62. 前記複数の訓練サンプルに基づいて前記少なくとも１つの訓練済み適合モデルを決定することは、
    前記サンプル結果が前記第２の事前設定済み条件を満たさないという前記判断の結果に基づいて前記第１の仮の適合モデルおよび前記第２の仮の適合モデルのうちの少なくとも１つを更新すること、
    を含む、請求項６１に記載のシステム。
63. 前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報は、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの第１の特徴情報、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの第２の特徴情報、および前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの第３の特徴情報を含み、前記複数の訓練サンプルのうちのそれぞれの訓練サンプルの前記特徴情報を判断することは、
    前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの初期特徴情報を抽出することであって、前記初期特徴情報は、非アイデンティティカテゴリの第１の初期特徴情報およびアイデンティティカテゴリの第２の初期特徴情報を含む、前記抽出することと、
    前記初期特徴情報を変更することにより前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報を判断することと、
    を含む、請求項５７に記載のシステム。
64. 前記初期特徴情報を変更することにより前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報を判断することは、
    訓練済み統合モデルおよび前記第１の初期特徴情報に基づいて、第１の特徴結果を判断することと、
    前記第１の特徴結果を正規化することにより、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記第１の特徴情報を判断することと、
    を含む、請求項６３に記載のシステム。
65. 前記初期特徴情報を変更することにより前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報を判断することは、
    前記第１の初期特徴情報を正規化することにより、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記第２の特徴情報を判断すること、
    を含む、請求項６３に記載のシステム。
66. 前記初期特徴情報を変更することにより前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報を判断することは、
    前記第２の初期特徴情報を離散化することと、
    前記離散化された第２の初期特徴情報を正規化することにより、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記第３の特徴情報を判断することと、
    を含む、請求項６３に記載のシステム。
67. 前記少なくとも１つの訓練済み適合モデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルを含む、請求項５３に記載のシステム。
68. 少なくとも１つのプロセッサと、少なくとも１つのストレージデバイスと、ネットワークに接続された通信プラットフォームとを有するコンピューティングデバイス上で実装される方法であって、前記方法は、
    サービスプロバイダに割り振られ且つ前記サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報を獲得するステップであって、前記第１のサービスリクエストは、第１のリクエスタ端末により実行されるアプリケーションを介して開始される、前記第１の情報を獲得するステップと、
    リクエスト受信ポートを介して第２のサービスリクエストに関連する第２の情報を獲得するステップであって、前記第２のサービスリクエストは、第２のリクエスタ端末により実行されるアプリケーションを介して開始される、前記第２の情報を獲得するステップと、
    少なくとも１つの訓練済み適合モデルを使用することにより、前記第１の情報および前記第２の情報に基づいて適合パラメータを判断するステップと、
    前記適合パラメータが閾値よりも大きいかどうかを判断するステップと、
    前記適合パラメータが前記閾値よりも大きいという前記判断の結果に基づいて、前記第２のサービスリクエストに関連するデータを前記サービスプロバイダに関連するプロバイダ端末にネットワークを介して送信するステップであって、前記プロバイダ端末は、前記第２のサービスリクエストに関連する前記データを受信するのに応答して、前記第２のサービスリクエストに関連する前記受信されたデータの少なくとも一部をグラフィックユーザインターフェースの中に表示する、前記送信するステップと、
    を含む方法。
69. 前記少なくとも１つの訓練済み適合モデルを使用することにより、前記第１の情報および前記第２の情報に基づいて前記適合パラメータを判断するステップは、
    データリソースから、前記サービスプロバイダに関連する参照情報を前記ネットワークを介して獲得するステップであって、前記参照情報は、前記サービスプロバイダに関連するプロバイダ情報、気象情報、時間情報、または交通情報のうちの少なくとも１つを含む、前記参照情報を獲得するステップと、
    前記少なくとも１つの訓練済み適合モデルを使用することにより、前記第１の情報、前記第２の情報、および前記参照情報に基づいて前記適合パラメータを判断するステップと、
    を含む、請求項６８に記載の方法。
70. 前記第１の情報は、前記第１のサービスリクエストの第１の開始位置、前記第１のサービスリクエストの第１の目的地、または前記第１のサービスリクエストの第１の開始時間のうちの少なくとも１つを含み、前記第２の情報は、前記第２のサービスリクエストの第２の開始位置、前記第２のサービスリクエストの第２の目的地、または前記第２のサービスリクエストの第２の開始時間のうちの少なくとも１つを含む、請求項６８に記載の方法。
71. 前記少なくとも１つの訓練済み適合モデルは、第１の訓練済み適合モデルおよび第２の訓練済み適合モデルを含み、前記少なくとも１つの訓練済み適合モデルを使用することにより前記第１の情報および前記第２の情報に基づいて前記適合パラメータを前記判断するステップは、
    前記第１の訓練済み適合モデルを使用することにより、前記第１の情報および前記第２の情報に基づいて第１の適合パラメータを判断するステップと、
    前記第２の訓練済み適合モデルを使用することにより、前記第１の情報および前記第２の情報に基づいて第２の適合パラメータを判断するステップと、
    前記第１の適合パラメータおよび前記第２の適合パラメータに基づいて前記適合パラメータを判断するステップと、
    を含む、請求項６８に記載の方法。
72. 前記少なくとも１つの訓練済み適合モデルは、訓練プロセスに基づいて前記少なくとも１つのプロセッサにより訓練され、前記訓練プロセスは、
    少なくとも１つのポジティブ訓練サンプルおよび少なくとも１つのネガティブ訓練サンプルを含む複数の訓練サンプルを獲得するステップと、
    前記複数の訓練サンプルのうちのそれぞれの訓練サンプルの特徴情報を抽出するステップと、
    前記複数の訓練サンプルの前記特徴情報に基づいて前記少なくとも１つの訓練済み適合モデルを決定するステップと、
    を含み、前記少なくとも１つのポジティブ訓練サンプルおよび前記少なくとも１つのネガティブ訓練サンプルを獲得するステップは、
    過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報か、前記第１の過去の注文とマッチングされた第２の過去の注文に関連する第２の過去の情報か、または前記過去のサービスプロバイダに関連する過去の参照情報かを含む、過去の輸送サービス記録を獲得するステップと、
    前記第２の過去の注文が前記過去のサービスプロバイダにより受諾されたという判断の結果に基づいて、前記過去の輸送サービス記録に基づくポジティブ訓練サンプルを判断するステップと、
    前記第２の過去の注文が前記過去のサービスプロバイダにより受諾されなかったという判断の結果に基づいて、前記過去の輸送サービス記録に基づくネガティブ訓練サンプルを判断するステップと、
    を含む、請求項６８に記載の方法。
73. 前記第１の過去の情報は、前記第１の過去の注文の第１の過去の開始位置、前記第１の過去の注文の第１の過去の目的地、または前記第１の過去の注文の第１の過去の開始時間のうちの少なくとも１つを含み、前記第２の過去の情報は、前記第２の過去の注文の第２の過去の開始位置、前記第２の過去の注文の第２の過去の目的地、または前記第２の過去の注文の第２の過去の開始時間のうちの少なくとも１つを含む、請求項７２に記載の方法。
74. 前記複数の訓練サンプルに基づいて前記少なくとも１つの訓練済み適合モデルを決定するステップは、
    少なくとも１つの仮の適合モデルを獲得するステップと、
    前記複数の訓練サンプルに対応する複数のサンプル適合パラメータを、前記少なくとも１つの仮の適合モデルと、前記複数の訓練サンプルの前記特徴情報とに基づいて判断するステップと、
    前記複数のサンプル適合パラメータが第１の事前設定済み条件を満たすかどうかを判断するステップと、
    前記複数のサンプル適合パラメータが前記第１の事前設定済み条件を満たすという前記判断の結果に基づいて、前記少なくとも１つの仮の適合モデルを前記少なくとも１つの訓練済み適合モデルとして指定するステップと、
    を含む、請求項７２に記載の方法。
75. 前記複数の訓練サンプルに基づいて前記少なくとも１つの訓練済み適合モデルを前記決定するステップは、
    前記複数のサンプル適合パラメータが前記第１の事前設定済み条件を満たさないという前記判断の結果に基づいて、前記少なくとも１つの仮の適合モデルを更新するステップ、
    を含む、請求項７４に記載の方法。
76. 前記少なくとも１つの訓練済み適合モデルは、第１の訓練済み適合モデルおよび第２の訓練済み適合モデルを含み、前記複数の訓練サンプルに基づいて前記少なくとも１つの訓練済み適合モデルを前記決定するステップは、
    第１の仮の適合モデルおよび第２の仮の適合モデルを獲得するステップと、
    前記複数の訓練サンプルに対応する第１の複数のサンプル適合パラメータを、前記第１の仮の適合モデルと、前記複数の訓練サンプルの前記特徴情報とに基づいて判断するステップと、
    前記複数の訓練サンプルに対応する第２の複数のサンプル適合パラメータを、前記第２の仮の適合モデルと、前記複数の訓練サンプルの前記特徴情報とに基づいて判断するステップと、
    前記第１の複数のサンプル適合パラメータおよび前記第２の複数のサンプル適合パラメータに関連するサンプル結果が第２の事前設定済み条件を満たすかどうかを判断するステップと、
    前記サンプル結果が前記第２の事前設定済み条件を満たすという前記判断の結果に基づいて、前記第１の仮の適合モデルおよび前記第２の仮の適合モデルを、前記第１の訓練済み適合モデルおよび前記第２の訓練済み適合モデルとしてそれぞれ指定するステップと、
    を含む、請求項７２に記載の方法。
77. 前記複数の訓練サンプルに基づいて前記少なくとも１つの訓練済み適合モデルを決定するステップは、
    前記サンプル結果が前記第２の事前設定済み条件を満たさないという前記判断の結果に基づいて前記第１の仮の適合モデルおよび前記第２の仮の適合モデルのうちの少なくとも１つを更新するステップ、
    を含む、請求項７６に記載の方法。
78. 前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報は、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの第１の特徴情報、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの第２の特徴情報、および前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの第３の特徴情報を含み、前記複数の訓練サンプルのうちのそれぞれの訓練サンプルの前記特徴情報を前記判断するステップは、
    前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの初期特徴情報を抽出するステップであって、前記初期特徴情報は、非アイデンティティカテゴリの第１の初期特徴情報およびアイデンティティカテゴリの第２の初期特徴情報を含む、前記抽出するステップと、
    前記初期特徴情報を変更することにより前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報を判断するステップと、
    を含む、請求項７２に記載の方法。
79. 前記初期特徴情報を変更することにより前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報を判断するステップは、
    訓練済み統合モデルおよび前記第１の初期特徴情報に基づいて、第１の特徴結果を判断するステップと、
    前記第１の特徴結果を正規化することにより、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記第１の特徴情報を判断するステップと、
    を含む、請求項７８に記載の方法。
80. 前記初期特徴情報を変更することにより前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報を判断するステップは、
    前記第１の初期特徴情報を正規化することにより、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記第２の特徴情報を判断するステップ、
    を含む、請求項７８に記載の方法。
81. 前記初期特徴情報を変更することにより前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報を判断するステップは、
    前記第２の初期特徴情報を離散化するステップと、
    前記離散化された第２の初期特徴情報を正規化することにより、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記第３の特徴情報を判断するステップと、
    を含む、請求項７８に記載の方法。
82. 前記少なくとも１つの訓練済み適合モデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルを含む、請求項６８に記載の方法。
83. 少なくとも１つのプロセッサにより実行されると前記少なくとも１つのプロセッサに方法を実行するように指令する実行可能命令を備えた、非一時的コンピュータ可読媒体であって、前記方法は、
    サービスプロバイダに割り振られ且つ前記サービスプロバイダにより受諾された第１のサービスリクエストに関連する第１の情報を獲得するステップであって、前記第１のサービスリクエストは、第１のリクエスタ端末により実行されるアプリケーションを介して開始される、前記第１の情報を獲得するステップと、
    リクエスト受信ポートを介して第２のサービスリクエストに関連する第２の情報を獲得するステップであって、前記第２のサービスリクエストは、第２のリクエスタ端末により実行されるアプリケーションを介して開始される、前記第２の情報を獲得するステップと、
    少なくとも１つの訓練済み適合モデルを使用することにより、前記第１の情報および前記第２の情報に基づいて適合パラメータを判断するステップと、
    前記適合パラメータが閾値よりも大きいかどうかを判断するステップと、
    前記適合パラメータが前記閾値よりも大きいという前記判断の結果に基づいて、前記第２のサービスリクエストに関連するデータを前記サービスプロバイダに関連するプロバイダ端末にネットワークを介して送信するステップであって、前記プロバイダ端末は、前記第２のサービスリクエストに関連する前記データを受信するのに応答して、前記第２のサービスリクエストに関連する前記受信されたデータの少なくとも一部をグラフィックユーザインターフェースの中に表示する、前記送信するステップと、
    を含む、非一時的コンピュータ可読媒体。
84. 前記少なくとも１つの訓練済み適合モデルを使用することにより、前記第１の情報および前記第２の情報に基づいて前記適合パラメータを判断するステップは、
    データリソースから、前記サービスプロバイダに関連する参照情報を前記ネットワークを介して獲得するステップであって、前記参照情報は、前記サービスプロバイダに関連するプロバイダ情報、気象情報、時間情報、または交通情報のうちの少なくとも１つを含む、前記参照情報を獲得するステップと、
    前記少なくとも１つの訓練済み適合モデルを使用することにより、前記第１の情報、前記第２の情報、および前記参照情報に基づいて前記適合パラメータを判断するステップと、
    を含む、請求項８３に記載の非一時的コンピュータ可読媒体。
85. 前記第１の情報は、前記第１のサービスリクエストの第１の開始位置、前記第１のサービスリクエストの第１の目的地、または前記第１のサービスリクエストの第１の開始時間のうちの少なくとも１つを含み、前記第２の情報は、前記第２のサービスリクエストの第２の開始位置、前記第２のサービスリクエストの第２の目的地、または前記第２のサービスリクエストの第２の開始時間のうちの少なくとも１つを含む、請求項８３に記載の非一時的コンピュータ可読媒体。
86. 前記少なくとも１つの訓練済み適合モデルは、第１の訓練済み適合モデルおよび第２の訓練済み適合モデルを含み、前記少なくとも１つの訓練済み適合モデルを使用することにより前記第１の情報および前記第２の情報に基づいて前記適合パラメータを前記判断するステップは、
    前記第１の訓練済み適合モデルを使用することにより、前記第１の情報および前記第２の情報に基づいて第１の適合パラメータを判断するステップと、
    前記第２の訓練済み適合モデルを使用することにより、前記第１の情報および前記第２の情報に基づいて第２の適合パラメータを判断するステップと、
    前記第１の適合パラメータおよび前記第２の適合パラメータに基づいて前記適合パラメータを判断するステップと、
    を含む、請求項８３に記載の非一時的コンピュータ可読媒体。
87. 前記少なくとも１つの訓練済み適合モデルは、訓練プロセスに基づいて前記少なくとも１つのプロセッサにより訓練され、前記訓練プロセスは、
    少なくとも１つのポジティブ訓練サンプルおよび少なくとも１つのネガティブ訓練サンプルを含む複数の訓練サンプルを獲得することと、
    前記複数の訓練サンプルのうちのそれぞれの訓練サンプルの特徴情報を抽出することと、
    前記複数の訓練サンプルの前記特徴情報に基づいて前記少なくとも１つの訓練済み適合モデルを決定することと、
    を含み、前記少なくとも１つのポジティブ訓練サンプルおよび前記少なくとも１つのネガティブ訓練サンプルを獲得することは、
    過去のサービスプロバイダにより受諾された第１の過去の注文に関連する第１の過去の情報か、前記第１の過去の注文とマッチングされた第２の過去の注文に関連する第２の過去の情報か、または前記過去のサービスプロバイダに関連する過去の参照情報かを含む、過去の輸送サービス記録を獲得することと、
    前記第２の過去の注文が前記過去のサービスプロバイダにより受諾されたという判断の結果に基づいて、前記過去の輸送サービス記録に基づくポジティブ訓練サンプルを判断することと、
    前記第２の過去の注文が前記過去のサービスプロバイダにより受諾されなかったという判断の結果に基づいて、前記過去の輸送サービス記録に基づくネガティブ訓練サンプルを判断することと、
    を含む、請求項８３に記載の非一時的コンピュータ可読媒体。
88. 前記第１の過去の情報は、前記第１の過去の注文の第１の過去の開始位置、前記第１の過去の注文の第１の過去の目的地、または前記第１の過去の注文の第１の過去の開始時間のうちの少なくとも１つを含み、前記第２の過去の情報は、前記第２の過去の注文の第２の過去の開始位置、前記第２の過去の注文の第２の過去の目的地、または前記第２の過去の注文の第２の過去の開始時間のうちの少なくとも１つを含む、請求項８７に記載の非一時的コンピュータ可読媒体。
89. 前記複数の訓練サンプルに基づいて前記少なくとも１つの訓練済み適合モデルを決定することは、
    少なくとも１つの仮の適合モデルを獲得することと、
    前記複数の訓練サンプルに対応する複数のサンプル適合パラメータを、前記少なくとも１つの仮の適合モデルと、前記複数の訓練サンプルの前記特徴情報とに基づいて判断することと、
    前記複数のサンプル適合パラメータが第１の事前設定済み条件を満たすかどうかを判断することと、
    前記複数のサンプル適合パラメータが前記第１の事前設定済み条件を満たすという前記判断の結果に基づいて、前記少なくとも１つの仮の適合モデルを前記少なくとも１つの訓練済み適合モデルとして指定することと、
    を含む、請求項８７に記載の非一時的コンピュータ可読媒体。
90. 前記複数の訓練サンプルに基づいて前記少なくとも１つの訓練済み適合モデルを前記決定することは、
    前記複数のサンプル適合パラメータが前記第１の事前設定済み条件を満たさないという前記判断の結果に基づいて、前記少なくとも１つの仮の適合モデルを更新すること、
    を含む、請求項８９に記載の非一時的コンピュータ可読媒体。
91. 前記少なくとも１つの訓練済み適合モデルは、第１の訓練済み適合モデルおよび第２の訓練済み適合モデルを含み、前記複数の訓練サンプルに基づいて前記少なくとも１つの訓練済み適合モデルを前記決定することは、
    第１の仮の適合モデルおよび第２の仮の適合モデルを獲得することと、
    前記複数の訓練サンプルに対応する第１の複数のサンプル適合パラメータを、前記第１の仮の適合モデルと、前記複数の訓練サンプルの前記特徴情報とに基づいて判断することと、
    前記複数の訓練サンプルに対応する第２の複数のサンプル適合パラメータを、前記第２の仮の適合モデルと、前記複数の訓練サンプルの前記特徴情報とに基づいて判断することと、
    前記第１の複数のサンプル適合パラメータおよび前記第２の複数のサンプル適合パラメータに関連するサンプル結果が第２の事前設定済み条件を満たすかどうかを判断することと、
    前記サンプル結果が前記第２の事前設定済み条件を満たすという前記判断の結果に基づいて、前記第１の仮の適合モデルおよび前記第２の仮の適合モデルを、前記第１の訓練済み適合モデルおよび前記第２の訓練済み適合モデルとしてそれぞれ指定することと、
    を含む、請求項８７に記載の非一時的コンピュータ可読媒体。
92. 前記複数の訓練サンプルに基づいて前記少なくとも１つの訓練済み適合モデルを決定することは、
    前記サンプル結果が前記第２の事前設定済み条件を満たさないという前記判断の結果に基づいて前記第１の仮の適合モデルおよび前記第２の仮の適合モデルのうちの少なくとも１つを更新すること、
    を含む、請求項９１に記載の非一時的コンピュータ可読媒体。
93. 前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報は、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの第１の特徴情報、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの第２の特徴情報、および前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの第３の特徴情報を含み、前記複数の訓練サンプルのうちのそれぞれの訓練サンプルの前記特徴情報を前記判断することは、
    前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの初期特徴情報を抽出することであって、前記初期特徴情報は、非アイデンティティカテゴリの第１の初期特徴情報およびアイデンティティカテゴリの第２の初期特徴情報を含む、前記抽出することと、
    前記初期特徴情報を変更することにより前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報を判断することと、
    を含む、請求項８７に記載の非一時的コンピュータ可読媒体。
94. 前記初期特徴情報を変更することにより前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報を判断することは、
    訓練済み統合モデルおよび前記第１の初期特徴情報に基づいて、第１の特徴結果を判断することと、
    前記第１の特徴結果を正規化することにより、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記第１の特徴情報を判断することと、
    を含む、請求項９３に記載の非一時的コンピュータ可読媒体。
95. 前記初期特徴情報を変更することにより前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報を判断することは、
    前記第１の初期特徴情報を正規化することにより、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記第２の特徴情報を判断すること、
    を含む、請求項９３に記載の非一時的コンピュータ可読媒体。
96. 前記初期特徴情報を変更することにより前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記特徴情報を判断することは、
    前記第２の初期特徴情報を離散化することと、
    前記離散化された第２の初期特徴情報を正規化することにより、前記複数の訓練サンプルのうちの前記それぞれの訓練サンプルの前記第３の特徴情報を判断することと、
    を含む、請求項９３に記載の非一時的コンピュータ可読媒体。
97. 前記少なくとも１つの訓練済み適合モデルは、エクストリーム勾配ブースティングモデル、線形回帰モデル、または深層学習ネットワークモデルを含む、請求項８３に記載の非一時的コンピュータ可読媒体。
    
    

Images