背景技術(shù)：

計(jì)算機(jī)驅(qū)動(dòng)的地圖服務(wù)幫助用戶定位興趣點(diǎn)(例如，特定的建筑物、地址等)等。許多地圖服務(wù)還提供路線規(guī)劃應(yīng)用，其可以建議從起點(diǎn)到目的地的最快或最理想的路線，并且有時(shí)甚至提供針對這些路線的預(yù)測的出行時(shí)間(例如，駕駛時(shí)間、步行時(shí)間等)。這些預(yù)測出行時(shí)間通常表示可以從歷史行程數(shù)據(jù)獲得的平均(平均)出行時(shí)間。

盡管平均出行時(shí)間提供了相當(dāng)準(zhǔn)確的出行時(shí)間的預(yù)測，但用于預(yù)測實(shí)際出行時(shí)間它不是完全準(zhǔn)確的。換句話說，平均出行時(shí)間永遠(yuǎn)不會(huì)一直給出完美的準(zhǔn)確結(jié)果。至少對于車輛出行，這可能是部分由于在出行時(shí)間中由駕駛員習(xí)慣/行為的差異、交通信號的未知定時(shí)、以及不可觀測的交通、道路和/或天氣狀況(僅命名有助于駕駛時(shí)間可變性的幾個(gè)因素)引起的相當(dāng)大的可變性。使用平均出行時(shí)間作為出行時(shí)間的預(yù)測不考慮出行時(shí)間的可變性，這進(jìn)而負(fù)面影響用戶體驗(yàn)。例如，如果預(yù)測的出行時(shí)間被低估，則用戶可能遲到，而如果預(yù)測的出行時(shí)間被高估，則用戶可能早于必要時(shí)離開，或者可能期待第三方地圖服務(wù)，希望找到具有更低的預(yù)計(jì)出行時(shí)間的路線。因此，由于出行時(shí)間預(yù)測的不準(zhǔn)確性，建議具有低平均出行時(shí)間但出行時(shí)間中高可變性的路線的地圖服務(wù)可能導(dǎo)致差的用戶體驗(yàn)。

技術(shù)實(shí)現(xiàn)要素：

本文描述了用于預(yù)測從起點(diǎn)在起始時(shí)間處開始并在目的地結(jié)束的行程的出行時(shí)間的可變性的技術(shù)和系統(tǒng)。最初，由于各種不確定性，人們可以將特定路線的出行時(shí)間認(rèn)為是具有可變性的數(shù)量(即給定路線上的未來出行時(shí)間是隨機(jī)變量)。機(jī)器學(xué)習(xí)模型可以從歷史行程數(shù)據(jù)進(jìn)行訓(xùn)練，并且被用于預(yù)測在特定時(shí)間沿著從起點(diǎn)到目的地的給定路線的出行時(shí)間(的概率分布)的可變性(隨機(jī)變量)。特別地，機(jī)器學(xué)習(xí)模型方法通過使用與行程相關(guān)聯(lián)的潛在變量(或“隨機(jī)效應(yīng)”)來解決本文中被稱為的“依賴性問題”，從而對構(gòu)成該行程的連續(xù)路段的相互依賴性進(jìn)行建模。

“依賴性問題”是指統(tǒng)一構(gòu)成路線的不同路段(在下文中“路段”可以與“鏈路”互換地使用)上的駕駛時(shí)間彼此密切相關(guān)的觀測。例如，如果一個(gè)人在路線的第一路段上比通常更快地駕駛車輛，則你可能期望該人在路線上的其他路段上同樣比通常更快地駕駛車輛。同樣地，駕駛員在行程的第一路段上經(jīng)歷的擁堵級別與駕駛員在第二路段、第三路段等上經(jīng)歷的擁堵級別密切相關(guān)。因此，依賴性問題表示：即使在考慮一天中的時(shí)間和其他解釋因素之后，沿著路線的個(gè)體路段的出行時(shí)間是相關(guān)的。

本文公開的技術(shù)和系統(tǒng)使用機(jī)器學(xué)習(xí)方法來對行程本身內(nèi)的路線路段上的出行時(shí)間的相互依賴性進(jìn)行建模，和在諸如整個(gè)道路網(wǎng)絡(luò)的特定路段網(wǎng)絡(luò)中的所有路段上的相互依賴性進(jìn)行建模相反。在“hofleitner,a.,herring,r.,abbeel,p.,andbayen,a.,learningthedynamicsofarterialtrafficfromprobedatausingadynamicbayesiannetwork.ieeetransactionsonintelligenttransportationsystems,pp.1679-1693,2012a”中描述的方法采用后一種方案來預(yù)測駕駛時(shí)間的可變性；即他們考慮在整個(gè)道路圖中代表每條道路路段上的交通擁堵的級別的潛在變量。當(dāng)在具有復(fù)雜交通動(dòng)態(tài)的高度相互連接的道路網(wǎng)絡(luò)中實(shí)現(xiàn)預(yù)測時(shí)，hofleitner系統(tǒng)是計(jì)算密集型的，使得這種方案僅適用于小型道路網(wǎng)絡(luò)。

本文公開的技術(shù)和系統(tǒng)使用機(jī)器學(xué)習(xí)模型，該機(jī)器學(xué)習(xí)模型包括與給定行程相關(guān)聯(lián)的潛在變量，從而忽略不是所考慮的行程的一部分的網(wǎng)絡(luò)中的剩余路段。因?yàn)闈撛谧兞颗c行程而不是整個(gè)道路圖相關(guān)聯(lián)，因此本文公開的系統(tǒng)比對跨在整個(gè)道路網(wǎng)絡(luò)中的所有路段的依賴性進(jìn)行建模的系統(tǒng)(諸如上述hofleitner系統(tǒng))是計(jì)算上更高效。

此外，通過對行程內(nèi)的路段相互依賴進(jìn)行建模，可以對高度互連路段和復(fù)雜的交通動(dòng)態(tài)(例如，商業(yè)規(guī)模的路線圖)的大型網(wǎng)絡(luò)進(jìn)行出行時(shí)間可變性的準(zhǔn)確預(yù)測。本文公開的技術(shù)和系統(tǒng)提供了對上述依賴問題的綜合解決方案，其導(dǎo)致更高精度駕駛時(shí)間可變性預(yù)測，以進(jìn)一步改善用戶體驗(yàn)。

此外，通過使用與行程而不是與道路網(wǎng)絡(luò)相關(guān)聯(lián)的潛在變量，同時(shí)在同一鏈路上出行的實(shí)體(例如，車輛)不需要具有相同的潛在變量值。對于上述hofleitner的方法不是這種情況。由于潛在變量捕獲(除了其它方面)車輛所經(jīng)歷的擁堵程度，所以本文描述的機(jī)器學(xué)習(xí)模型反映了在同一路段/鏈路上的不同車道中出行的車輛可以經(jīng)歷不同級別的擁堵，影響他們的個(gè)體出行時(shí)間的事實(shí)。例如，當(dāng)車輛排隊(duì)起來進(jìn)入特定的出口或轉(zhuǎn)彎時(shí)或者當(dāng)高占用車輛(hov)車道可用時(shí)，這會(huì)發(fā)生。

包括與行程相關(guān)聯(lián)的潛在變量的機(jī)器學(xué)習(xí)模型可以從如通過從移動(dòng)設(shè)備的基于位置的測量所報(bào)告的歷史行程數(shù)據(jù)進(jìn)行訓(xùn)練。一旦訓(xùn)練，該模型可用于預(yù)測出行時(shí)間可變性。

在一些實(shí)施例中，預(yù)測行程的出行時(shí)間的可變性的計(jì)算機(jī)實(shí)現(xiàn)方法包括接收與行程相關(guān)聯(lián)的起點(diǎn)、目的地和開始時(shí)間；獲得從起點(diǎn)向目的地行進(jìn)的候選路線；至少部分地基于包括與行程相關(guān)聯(lián)的潛在變量的機(jī)器學(xué)習(xí)模型，預(yù)測候選路線中的個(gè)體候選路線的出行時(shí)間的概率分布。

行程的出行時(shí)間的預(yù)測可變性可以被并入地圖服務(wù)輸出。例如，地圖服務(wù)輸出可以至少部分地基于概率分布從滿足或最小化標(biāo)準(zhǔn)(例如，出行時(shí)間的指定百分位數(shù))的候選路線中推薦一個(gè)或多個(gè)路線。地圖服務(wù)輸出可以進(jìn)一步提供針對基于預(yù)測概率分布的所推薦的一個(gè)或多個(gè)路線的出行時(shí)間的測量；例如，報(bào)告出行時(shí)間的指定百分位數(shù)。通過考慮出行時(shí)間的可變性，可以建議對于用戶通常比通過最小化平均駕駛時(shí)間獲得的路線更期望的路線。此外，本文公開的系統(tǒng)和技術(shù)可以通過例如減少用戶遲到和/或過早離開的機(jī)會(huì)來改善用戶體驗(yàn)。在某些情況下，出行時(shí)間的可變性的高精度預(yù)測諸如在協(xié)調(diào)緊急車輛的到達(dá)可能是非常有價(jià)值的，其可以顯著地提高關(guān)鍵患者(例如心臟病人)的存活率。

本發(fā)明內(nèi)容提供以簡化的形式介紹概念的選擇，其在以下具體實(shí)施方式中進(jìn)一步描述。本發(fā)明內(nèi)容不旨在標(biāo)識(shí)所要求保護(hù)的主題的關(guān)鍵特征或必要特征，也不旨在用于限制所要求保護(hù)的主題的范圍。

附圖說明

參照附圖描述具體實(shí)施方式。在附圖中，附圖標(biāo)記的最左邊的數(shù)字標(biāo)示附圖標(biāo)記首次出現(xiàn)的附圖。不同附圖中相同的附圖標(biāo)記指示相似或相同的項(xiàng)目。

圖1是具有包括與行程相關(guān)的潛在變量(“隨機(jī)效應(yīng)”)的機(jī)器學(xué)習(xí)模型的計(jì)算機(jī)驅(qū)動(dòng)的地圖系統(tǒng)的示例架構(gòu)的示意圖。

圖2是用于預(yù)測出行時(shí)間的可變性的系統(tǒng)的示意圖。

圖3是用于基于出行時(shí)間可變性預(yù)測在顯示器上提供地圖服務(wù)輸出的示例圖形用戶界面的屏幕呈現(xiàn)。

圖4是構(gòu)建可以被實(shí)現(xiàn)以預(yù)測在特定時(shí)間處的行程的出行時(shí)間的概率分布的機(jī)器學(xué)習(xí)模型的示例過程的流程圖。

圖5是預(yù)測行程的出行時(shí)間的概率分布的示例過程的流程圖。

具體實(shí)施方式

本文描述的是用于預(yù)測行程的出行時(shí)間的可變性的技術(shù)和系統(tǒng)。盡管主要在車輛出行并且特別是在汽車(例如，轎車)中出行的駕駛時(shí)間的方面討論示例，但是應(yīng)當(dāng)理解，本文公開的技術(shù)和系統(tǒng)可以應(yīng)用于可以以某種方式被跟蹤的任何形式的出行(諸如非車輛出行(例如，經(jīng)由移動(dòng)或可穿戴式計(jì)算設(shè)備進(jìn)行跟蹤的行走或跑步))或任何形式的車輛出行(包括但不限于公共交通(例如公共汽車、火車等)、航空出行、海上或水上出行等)。此外，本文公開的技術(shù)和系統(tǒng)可適用于涉及計(jì)算機(jī)驅(qū)動(dòng)的路線規(guī)劃的任何類型的地圖服務(wù)中的實(shí)現(xiàn)，包括但不限于消費(fèi)者地圖服務(wù)、商業(yè)地圖服務(wù)(例如，用于出租車、公共交通等的地圖服務(wù))、應(yīng)急車隊(duì)管理、車隊(duì)決策支持系統(tǒng)(如車隊(duì)調(diào)度軟件)等。

示例系統(tǒng)

圖1是計(jì)算機(jī)驅(qū)動(dòng)地圖系統(tǒng)的示例架構(gòu)100的示意圖，架構(gòu)100包括機(jī)器學(xué)習(xí)模型102，其包括與行程相關(guān)聯(lián)的潛在變量104(或“隨機(jī)效應(yīng)104”)，其允許用于解決上述“依賴性問題”以提供出行時(shí)間可變性的高精度預(yù)測。可以根據(jù)歷史行程數(shù)據(jù)106來訓(xùn)練機(jī)器學(xué)習(xí)模型102，以便做出出行時(shí)間可變性的這種預(yù)測，其中可變性預(yù)測可以采取出行時(shí)間的概率分布的形式。應(yīng)當(dāng)理解，架構(gòu)100僅僅是合適的計(jì)算機(jī)驅(qū)動(dòng)地圖系統(tǒng)的一個(gè)示例，并且本文所描述的技術(shù)不限于使用圖1的系統(tǒng)100的性能。

系統(tǒng)100可以包括與用戶110相關(guān)聯(lián)的計(jì)算設(shè)備108(“客戶端設(shè)備108”)。計(jì)算設(shè)備108可以被實(shí)現(xiàn)為任何類型的計(jì)算設(shè)備，包括但不限于移動(dòng)電話(例如，智能手機(jī))、膝上型計(jì)算機(jī)、便攜式數(shù)字助理(pda)、電子書(電子書)閱讀器、便攜式游戲機(jī)、便攜式媒體播放器、游戲機(jī)、機(jī)頂盒(stb)、智能電視(tv)、個(gè)人計(jì)算機(jī)、膝上型計(jì)算機(jī)、車載計(jì)算機(jī)(例如，導(dǎo)航單元)等。用戶110還可以與他使用的用于從一個(gè)位置運(yùn)輸?shù)搅硪粋€(gè)位置的車輛112相關(guān)聯(lián)。應(yīng)當(dāng)理解，盡管圖1中被示出為與車輛112分離，但是計(jì)算設(shè)備108可以作為諸如導(dǎo)航系統(tǒng)的車載計(jì)算機(jī)的一部分集成在車輛112本身中。

如果用戶110期望在其車輛112中從起點(diǎn)114出行到目的地116，則用戶110可以利用計(jì)算設(shè)備108，以便在地圖上找到目的地116并且/或者計(jì)劃路線以使得從起點(diǎn)114到目的地116。圖1圖示了在一些情況下，如何可以存在從起點(diǎn)114到目的地116的多條候選路線(例如路線118a和路線118b)。因此，計(jì)算設(shè)備108可以包括一個(gè)或多個(gè)處理器120和一個(gè)或多個(gè)形式的計(jì)算機(jī)可讀存儲(chǔ)器122，其存儲(chǔ)具有預(yù)測部件126的地圖應(yīng)用124，除了被存儲(chǔ)在存儲(chǔ)器122中的其它可能的模塊或程序之外。處理器120可以被配置為執(zhí)行存儲(chǔ)在存儲(chǔ)器122中的指令、應(yīng)用、引擎或程序。在一些實(shí)施例中，處理器120可以包括硬件處理器，其包括但不限于硬件中央處理單元(cpu)、現(xiàn)場可編程門陣列(fpga)、復(fù)合可編程邏輯器件(cpld)、專用集成電路(asic)、片上系統(tǒng)(soc)或其組合。

計(jì)算設(shè)備108還可以包括附加數(shù)據(jù)存儲(chǔ)設(shè)備，諸如可移動(dòng)存儲(chǔ)裝置和/或不可移動(dòng)存儲(chǔ)裝置。計(jì)算機(jī)可讀介質(zhì)可以包括至少兩種類型的計(jì)算機(jī)可讀介質(zhì)，即計(jì)算機(jī)存儲(chǔ)介質(zhì)和通信介質(zhì)。存儲(chǔ)器122、可移動(dòng)存儲(chǔ)裝置和/或不可移動(dòng)存儲(chǔ)裝置都是計(jì)算機(jī)存儲(chǔ)介質(zhì)的示例。計(jì)算機(jī)存儲(chǔ)介質(zhì)可以包括用于諸如計(jì)算機(jī)可讀指令、數(shù)據(jù)結(jié)構(gòu)、程序模塊或其他數(shù)據(jù)的信息的存儲(chǔ)的任何方法或技術(shù)實(shí)現(xiàn)的易失性和非易失性、可移除和不可移除介質(zhì)。計(jì)算機(jī)存儲(chǔ)介質(zhì)包括但不限于隨機(jī)存取存儲(chǔ)器(ram)、只讀存儲(chǔ)器(rom)、可擦除可編程只讀存儲(chǔ)器(eeprom)、閃速存儲(chǔ)器或其它存儲(chǔ)器技術(shù)、光盤只讀存儲(chǔ)器cd-rom)、dvd或其他光學(xué)存儲(chǔ)器、磁帶盒、磁帶、磁盤存儲(chǔ)裝置或其他磁存儲(chǔ)設(shè)備、或可用于存儲(chǔ)所需信息、并且可由計(jì)算設(shè)備108訪問的任何其他非傳輸介質(zhì)。任何這樣的計(jì)算機(jī)存儲(chǔ)介質(zhì)可以是計(jì)算設(shè)備108的一部分。通常，計(jì)算機(jī)存儲(chǔ)介質(zhì)可以包括當(dāng)由處理器120執(zhí)行時(shí)執(zhí)行本文所述的各種功能和/或操作的計(jì)算機(jī)可執(zhí)行指令。

相比之下，通信媒體體現(xiàn)了計(jì)算機(jī)可讀指令、數(shù)據(jù)結(jié)構(gòu)、程序模塊或諸如載波的調(diào)制數(shù)據(jù)信號中的或其他傳輸機(jī)制中的其他數(shù)據(jù)。如本文所定義的計(jì)算機(jī)存儲(chǔ)介質(zhì)不包括通信介質(zhì)。

計(jì)算設(shè)備108還可以包括用于與計(jì)算設(shè)備108進(jìn)行接口連接的一個(gè)或多個(gè)輸入設(shè)備。這樣的輸入設(shè)備可以包括但不限于麥克風(fēng)、指點(diǎn)設(shè)備(例如，鼠標(biāo)、操縱桿等)、物理按鈕、遙控器、像機(jī)、觸摸屏顯示器和/或任何其它合適的輸入設(shè)備。例如，用戶110可以向計(jì)算設(shè)備108的觸摸屏顯示器提供觸摸輸入以指定目的地116，供地圖應(yīng)用程序124使用以規(guī)劃路線118。

地圖應(yīng)用程序124可以利用由用戶110指定的信息(例如，目的地116、行程的開始時(shí)間、偏好等)以及任何其他上下文信息、諸如時(shí)間、天氣條件、交通信息、等等，以使用被配置為訪問機(jī)器學(xué)習(xí)模型102、用于做出這種預(yù)測的預(yù)測部件126來規(guī)劃路線并預(yù)測那些路線的出行時(shí)間可變性。特別地，計(jì)算設(shè)備108可以包括一個(gè)或多個(gè)通信連接，其允許計(jì)算設(shè)備108經(jīng)由網(wǎng)絡(luò)130與一個(gè)或多個(gè)遠(yuǎn)程計(jì)算資源128(例如，一個(gè)或多個(gè)服務(wù)器)進(jìn)行通信(發(fā)送數(shù)據(jù)到/接收數(shù)據(jù)來自)。網(wǎng)絡(luò)126可以表示多種不同類型的有線和/或無線網(wǎng)絡(luò)(諸如有線網(wǎng)絡(luò)、因特網(wǎng)、局域網(wǎng)、移動(dòng)電話網(wǎng)絡(luò)、廣域網(wǎng)或這種網(wǎng)絡(luò)的組合)中的任何一種或組合。

利用通過網(wǎng)絡(luò)130訪問機(jī)器學(xué)習(xí)模型102，預(yù)測部件126可以利用機(jī)器學(xué)習(xí)模型102對從起點(diǎn)114運(yùn)行到目的地116的候選路線118做出出行時(shí)間可變性預(yù)測，以在指定的時(shí)間(例如，當(dāng)前時(shí)間、或用戶110指定的行程的未來開始時(shí)間)完成行程?？梢越?jīng)由計(jì)算設(shè)備108的一個(gè)或多個(gè)輸出設(shè)備(例如但不限于顯示器、揚(yáng)聲器、打印機(jī)等)向用戶110輸出一個(gè)或多個(gè)推薦路線118。例如，計(jì)算設(shè)備108的顯示器可以提供作為地圖應(yīng)用124的一部分的地圖上的推薦路線118的視覺輸出。此外，駕駛時(shí)間的測量可以由地圖應(yīng)用124輸出。駕駛時(shí)間的這種測量可以包括但不限于預(yù)計(jì)駕駛時(shí)間、駕駛時(shí)間的范圍、駕駛時(shí)間的百分比等等。顯示器上的輸出的形式可以是基于文本的、圖形化的或在顯示器上提供輸出的任何其它合適的方式。

轉(zhuǎn)向遠(yuǎn)程計(jì)算資源128，將更詳細(xì)地討論構(gòu)建機(jī)器學(xué)習(xí)模型102、訓(xùn)練(和更新/重新訓(xùn)練)機(jī)器學(xué)習(xí)模型102以及測試機(jī)器學(xué)習(xí)模型102的特征。通常，維護(hù)歷史行程數(shù)據(jù)106和機(jī)器學(xué)習(xí)模型102的遠(yuǎn)程計(jì)算資源128被示為包括一個(gè)或多個(gè)處理器132和一個(gè)或多個(gè)形式的計(jì)算機(jī)可讀存儲(chǔ)器132，其可以包括參照計(jì)算設(shè)備108的處理器120和計(jì)算機(jī)可讀存儲(chǔ)器122的上文描述的任一指定形式。

存儲(chǔ)器134可以包括地圖數(shù)據(jù)136，其包括關(guān)于諸如城市的區(qū)域的地理、地理特征和/或領(lǐng)土邊界的任何合適的信息。地圖數(shù)據(jù)136中的地理特征可以包括道路網(wǎng)絡(luò)，道路網(wǎng)絡(luò)包括主要道路(例如高速公路、城市快速公路等)。道路網(wǎng)絡(luò)數(shù)據(jù)庫可以根據(jù)道路的性質(zhì)和主要用途將道路分為不同級別(例如，0級-高速公路、1級–快速公路、2級-主干道路)。與道路相似的其他地理特征(例如小徑、路徑(例如，自行車路徑)等)可被存儲(chǔ)為路段(segment)的網(wǎng)絡(luò)并且類似于道路網(wǎng)絡(luò)分類。在這個(gè)意義上，地圖數(shù)據(jù)136在本文可以被描述為包括關(guān)于路段的網(wǎng)絡(luò)內(nèi)的路線的數(shù)據(jù)，其中多個(gè)路段可以構(gòu)成兩個(gè)興趣點(diǎn)之間的特定路線。此外，道路可以包括多個(gè)路段或個(gè)體路段。圖1示出了路線118a包括三個(gè)路段“a、b和c”，并且路線118b包括三個(gè)路段“d、e和f”。任何兩個(gè)路段之間的接合點(diǎn)可以表示交叉點(diǎn)或決策點(diǎn)，其中用戶110可以選擇多個(gè)可能方向之一從該連接點(diǎn)行進(jìn)。

存儲(chǔ)器134還可以包括上述歷史行程數(shù)據(jù)106(或“移動(dòng)性數(shù)據(jù)106”)?？梢砸愿鞣N方式收集歷史行程數(shù)據(jù)106，但是通?？梢詮膶?shí)際上圍繞某個(gè)區(qū)域出行的用戶(例如用戶110)的設(shè)備收集。這可以通過從任何合適類型的移動(dòng)計(jì)算設(shè)備(例如，移動(dòng)電話、車輛的導(dǎo)航單元等)報(bào)告的收集數(shù)據(jù)來實(shí)現(xiàn)。在一些實(shí)施例中，圖1的計(jì)算設(shè)備108可以包括當(dāng)計(jì)算設(shè)備108(由用戶110攜帶)圍繞一個(gè)區(qū)域移動(dòng)時(shí)，通過網(wǎng)絡(luò)130報(bào)告基于位置的測量和數(shù)據(jù)的這些移動(dòng)計(jì)算設(shè)備中的一個(gè)。在一些實(shí)施例中，這些基于位置的測量可以包括從移動(dòng)設(shè)備(例如，移動(dòng)電話、導(dǎo)航單元等)的gps接收器獲得的全球定位系統(tǒng)(gps)數(shù)據(jù)，并且該gps數(shù)據(jù)可以包括坐標(biāo)位置(例如，緯度和經(jīng)度坐標(biāo))、移動(dòng)設(shè)備的速度、航向和/或當(dāng)進(jìn)行基于位置的測量時(shí)的時(shí)間戳。然而，基于位置的測量不限于gps數(shù)據(jù)，因?yàn)榭梢允褂闷渌愋偷臄?shù)據(jù)來獲得關(guān)于與移動(dòng)設(shè)備或用戶相關(guān)聯(lián)的位置和/或速度和/或時(shí)間的信息，以及除了移動(dòng)計(jì)算設(shè)備之外的來源可以另外地或備選地用于從移動(dòng)設(shè)備收集數(shù)據(jù)。例如，可以與獲得在得到關(guān)于特定實(shí)體的出行時(shí)間的信息中是有用的基于位置的測量有關(guān)的使用蜂窩塔數(shù)據(jù)(“ping”)、無線網(wǎng)絡(luò)或接入點(diǎn)數(shù)據(jù)(例如，wifi設(shè)備)、道路儀表(例如，傳感器、照相機(jī)等)或任何其它類似的位置收集/發(fā)射設(shè)備。應(yīng)當(dāng)理解，報(bào)告基于位置的測量的移動(dòng)設(shè)備不必執(zhí)行地圖應(yīng)用(例如地圖應(yīng)用124)以便報(bào)告基于位置的測量，因?yàn)橐苿?dòng)設(shè)備就可以周期性地報(bào)告(實(shí)時(shí)地或分批地)與移動(dòng)設(shè)備相關(guān)聯(lián)的基于位置的測量序列，只要移動(dòng)設(shè)備通電。此外，跟蹤用戶位置的任何數(shù)據(jù)可以被匿名化以掩蓋或隱藏用戶的身份。包括在數(shù)據(jù)中的任何標(biāo)識(shí)信息可能需要用戶同意才能獲得該數(shù)據(jù)。

然后可以基于基于位置的測量來確定與移動(dòng)設(shè)備相關(guān)聯(lián)的出行時(shí)間(持續(xù)時(shí)間測量)以及可能的其他統(tǒng)計(jì)?？梢韵鄬︻l繁地報(bào)告基于位置的測量，以給出地圖數(shù)據(jù)136內(nèi)的任何特定路線的出行時(shí)間的詳細(xì)圖片。在一些實(shí)施例中，在地圖數(shù)據(jù)136中的路線的每個(gè)路段上的移動(dòng)設(shè)備的出行時(shí)間根據(jù)從移動(dòng)設(shè)備收集的數(shù)據(jù)進(jìn)行觀測或估計(jì)。從大量移動(dòng)設(shè)備收集這樣的數(shù)據(jù)可以創(chuàng)建歷史行程數(shù)據(jù)106的大型數(shù)據(jù)庫。此外，地圖數(shù)據(jù)136中的個(gè)體路段可以與取決于移動(dòng)設(shè)備穿過該路段的一天中的時(shí)間、或星期幾的不同移動(dòng)設(shè)備和/或相同或不同的設(shè)備的多個(gè)不同的駕駛時(shí)間相關(guān)聯(lián)。例如，市區(qū)的乘客很容易認(rèn)識(shí)到，在工作日的高峰時(shí)段的道路路段的駕駛時(shí)間可能與在午夜(或周末期間)相同路段的駕駛時(shí)間是明顯不同的。

歷史行程數(shù)據(jù)106還可以包括針對十字路口的駕駛時(shí)間，其中與十字路口相關(guān)聯(lián)的時(shí)間可能大大不同于給定變化的上下文。根據(jù)一個(gè)示例，圣誕購物季節(jié)期間中午在購物中心附近的一個(gè)十字路口左轉(zhuǎn)，與在星期二午夜在同一十字路口左轉(zhuǎn)相比時(shí)，可能花費(fèi)顯著更多的時(shí)間。在一些實(shí)施例中，歷史行程數(shù)據(jù)106還可以包括附加的上下文數(shù)據(jù)，諸如天氣條件、事件數(shù)據(jù)(例如專業(yè)足球游戲)以及可用于標(biāo)識(shí)駕駛時(shí)間中的模式并且形成與附加的上下文數(shù)據(jù)的關(guān)聯(lián)的類似的上下文數(shù)據(jù)。

建立機(jī)器學(xué)習(xí)模型

可以使用機(jī)器學(xué)習(xí)技術(shù)來構(gòu)建圖1的機(jī)器學(xué)習(xí)模型102，以便從先前觀測到的歷史行程數(shù)據(jù)106準(zhǔn)確地確定如何準(zhǔn)確地預(yù)測出行時(shí)間可變性(即出行時(shí)間的概率分布)。如本文所使用的機(jī)器學(xué)習(xí)可能屬于與允許計(jì)算機(jī)從觀測集中“學(xué)習(xí)”預(yù)測或解釋模型的技術(shù)的開發(fā)有關(guān)的人工智能。圖1的機(jī)器學(xué)習(xí)模型102可以是基于監(jiān)督機(jī)器學(xué)習(xí)、半監(jiān)督機(jī)器學(xué)習(xí)或無監(jiān)督機(jī)器學(xué)習(xí)的任何合適類型的機(jī)器學(xué)習(xí)模型。在一些實(shí)施例中，可以利用任何合適的機(jī)器學(xué)習(xí)方法用于優(yōu)化出行時(shí)間的可變性的預(yù)測，諸如圖形或概率模型、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林、決策樹或其他機(jī)器學(xué)習(xí)算法。可以利用任何合適的學(xué)習(xí)方法，諸如極大似然估計(jì)、最大后驗(yàn)估計(jì)或矩的方法或非參數(shù)估計(jì)?？梢岳萌魏魏线m的計(jì)算方法，例如期望最大化(em)、期望條件最大化(ecm)、變異貝葉斯或蒙特卡羅方法。

機(jī)器學(xué)習(xí)模型102表示出行時(shí)間可變性的預(yù)測模型，其捕獲地圖中的各個(gè)道路路段上的出行時(shí)間(例如駕駛時(shí)間)的概率分布(在路段級別或鏈接級別的可變性)，以及與行程相關(guān)聯(lián)的整個(gè)路線上的出行時(shí)間的概率分布(行程級別的可變性)。根據(jù)從歷史行程數(shù)據(jù)106估計(jì)的一些未知數(shù)量，模型102捕獲概率分布。模型102還捕獲不同路段上的出行時(shí)間的關(guān)系。特別地，模型102包括捕獲特定行程的不同路段上的出行時(shí)間的關(guān)系(概率依賴性)的術(shù)語(在本文中稱為“潛在變量”或“隨機(jī)效應(yīng)”104)，其適當(dāng)?shù)亟鉀Q了“依賴性問題。”

機(jī)器學(xué)習(xí)模型102還被設(shè)計(jì)為解釋可變性一些的來源影響整個(gè)行程(例如駕駛員的習(xí)慣/行為、車輛特性等)而可變性的其他的來源是局部的(例如，由于火車穿越、施工等的延遲)的事實(shí)。因此，包括在機(jī)器學(xué)習(xí)模型102中的潛在變量104表示與行程相關(guān)聯(lián)并且影響沿著行程的出行時(shí)間可變性的未測量或不可觀測(隱藏)量或條件。行程相關(guān)聯(lián)的潛在變量104可以采取各種形式，包括但不限于：(i)個(gè)體連續(xù)值的“行程效應(yīng)”，其捕獲在構(gòu)成路線118的所有道路路段上特定行程比通常行程更快或更慢的程度；(ii)“自回歸”效應(yīng)，其捕獲路線118中針對彼此靠近的路段的出行速度趨于相似的事實(shí)；和(iii)捕獲例如鏈路上的擁堵級別的潛在的分類變量，其依賴性可以跨鏈路被建模。個(gè)體道路路段的出行時(shí)間的概率分布以及那些駕駛時(shí)間的概率依賴性可以取決于一天中的時(shí)間、星期幾、觀測到的交通狀況、天氣情況以及的其他因素，以在模型102中指定的方式。

為了對出行時(shí)間可變性建模，針對每個(gè)行程i∈i中采用的路線的估計(jì)可以利用歷史出行數(shù)據(jù)106，意味著所穿過的鏈路(或路段)的序列ri(使得ri,k是針對每個(gè)k∈{1,…,|ri|}的網(wǎng)絡(luò)鏈路的集合的元素)，針對每個(gè)鏈路ri,k穿過的距離di,k(使得針對除了行程的第一個(gè)和最后一個(gè)鏈路之外的所有鏈路，di,k等于鏈路ri,k的長度)和每個(gè)鏈路ri,k上的出行時(shí)間ti,k。獲得該估計(jì)被稱為“地圖匹配”。

已經(jīng)獲得ti,k的數(shù)值，ti,k的模型可以表示為幾個(gè)因子的乘積，如等式(1)所示：

在等式(1)中，ei和si,k分別是與行程和行程鏈路對相關(guān)聯(lián)的正值潛在變量104(或“隨機(jī)效應(yīng)104”)。潛在變量ei是前面提到的“行程效應(yīng)”，該形程效應(yīng)捕獲到行程i可能具有例如比行程中每個(gè)鏈接上的平均速度快10％的速度。這可能是例如由于駕駛員習(xí)慣/行為、車輛特性等引起的。潛在變量ei可以取任何正值。例如，對于每一個(gè)行程i，存在駕駛員在構(gòu)成路線118的所有路段上比平常駕駛得快或比平常駕駛得慢的趨勢。這個(gè)不可觀測的數(shù)量可以在歷史行程數(shù)據(jù)106中的每次歷史行程中被估計(jì)。例如，如果在特定時(shí)間在從起點(diǎn)114到目的地116的歷史行程數(shù)據(jù)106中觀測到特定的過去行程，則基于行程的出行時(shí)間，可以估計(jì)行程效應(yīng)ei，并且可以確定在行程的所有段上用戶開車比通?？?％。針對歷史行程數(shù)據(jù)106中其他歷史行程以類似方式估計(jì)該不可觀測量。在預(yù)測未來行程的出行時(shí)間的可變性時(shí)，將行程效應(yīng)ei視為不確定性的來源，并且預(yù)測部件126對這個(gè)未知數(shù)量進(jìn)行集成以預(yù)測路線118的出行時(shí)間的可變性。由于該行程效應(yīng)ei可以取任何值，所以它具有分布(參見下面的等式(2))。

潛在變量si,k表示在考慮行程效應(yīng)ei之前鏈路上的出行速度。等式(1)的模型將路線ri上的出行時(shí)間的可變性分解為兩種類型：由si,k捕獲的鏈路級可變性和由ei捕獲的和行程級可變性。ei可以以各種方式進(jìn)行建模，諸如log-t分布、γ分布或非參數(shù)規(guī)范。如何對ei進(jìn)行建模的一個(gè)示例是以下針對未知變量τ²：

log(ei)～n(0，τ²）(2)

潛在變量si,k捕獲局部可變性，例如由于本地交通狀況或鏈路ri,k上的結(jié)構(gòu)。si,k可以被建模為影響行程i中的鏈路ri,k的穿過的不可觀測的離散擁堵狀態(tài)qi,k∈{1,…,q}的函數(shù)。該擁堵狀態(tài)qi,k取決于行程，并且是上述分類潛在變量的一個(gè)示例，捕獲針對路線中彼此接近的路段的出行速度趨向于相似的事實(shí)。以這種方式，對于同時(shí)穿過相同鏈路ri,k的兩次行程，qi,k可以不同。對qi,k的條件，可以用對數(shù)正態(tài)分布對si,k進(jìn)行建模，如下：

在等式(3)中，針對的μj,q和是與在條件下鏈路j上的出行速度相關(guān)聯(lián)的未知參數(shù)。

讓b(i,k)∈b是行程i開始穿過鏈路ri,k的一周的時(shí)間段(例如，星期一上午交通高峰時(shí)段)。時(shí)間段可以以任何合適的方式定義。例如，一組時(shí)間段可以包括：(i)am高峰時(shí)段-工作日7-9am；(ii)pm高峰時(shí)段–工作日3-6pm；(iii)夜間-星期日至星期四晚上7pm-6am、星期五晚上8pm-9am、星期六晚上9pm-9am；(iv)工作日白天–工作日的剩余時(shí)間；和(v)周末白天-周末的剩余時(shí)間?？梢匀缦率褂冕槍矶聽顟B(tài)qi,k的markov模型：

是在時(shí)間段b∈b期間在鏈路j上開始的行程的初始擁堵狀態(tài)的未知概率向量，并且pj,b是在時(shí)間段b期間在鏈路j上的、以行程的先前鏈路中的擁堵狀態(tài)為條件的擁堵狀態(tài)的轉(zhuǎn)移矩陣。該模型捕獲了鏈路擁堵的趨勢遵循每周周期(例如在工作日高峰時(shí)段期間具有較高的擁堵概率)的事實(shí)。它還提供了第二種方式以捕獲跨鏈路的駕駛時(shí)間的依賴(除了行程效應(yīng)之外)。這個(gè)qi,k的規(guī)范產(chǎn)生針對log(si,k)的(非標(biāo)準(zhǔn)的)高斯混合模型：

這種混合模型是非標(biāo)準(zhǔn)的，因?yàn)閟i,k不被直接觀測，并且由于對擁堵狀態(tài)qi,k的馬爾科夫(markov)模型。為了具有統(tǒng)計(jì)可識(shí)別性，并且執(zhí)行對混合分量q的解釋作為增加的擁堵級別，可以對每個(gè)和放置限制μj,q-1≤μj,q。

由等式(1)-(4)表示的統(tǒng)計(jì)模型是足夠靈活的，以捕獲廣泛的行為。然而，并不是所有的網(wǎng)絡(luò)鏈路都將具有足夠的數(shù)據(jù)(根據(jù)具有ri,k＝j(luò)的鏈路遍歷i,k的數(shù)量)，以準(zhǔn)確估計(jì)鏈路特定參數(shù)μj,q,和pj,b。對于具有非常少的數(shù)據(jù)的鏈路j，可以使用每個(gè)道路類別中的個(gè)體參數(shù)集合，道路類別包括道路分類(例如，“高速公路”、“主干”或“街道”)和速度限制的組合。對于每個(gè)j，使得nj≡|{i∈i,k∈{1,…,|ri|}:j＝ri,k}|作為鏈路j的遍歷次數(shù)。定義最小數(shù)量m的遍歷，對于具有nj<m的鏈路，等式(5)可以被如下指定：

這里,對于的μc,q,和pj,c是與道路類別c相關(guān)聯(lián)的參數(shù)。

機(jī)器學(xué)習(xí)模型102集成了由于例如車道之間的結(jié)構(gòu)或速度差異引起的行程級別可變性(例如駕駛員效應(yīng))和鏈路級別的可變性。結(jié)合車輛在穿過鏈路時(shí)保持恒定速度(或沿著跨鏈路的特定速度曲線)的假設(shè)，它為行程期間的所有時(shí)間提供了車輛位置的真實(shí)模型。針對此原因，機(jī)器學(xué)習(xí)模型102可以用于在穿過該路線時(shí)給出路線的剩余出行時(shí)間的路線預(yù)測。機(jī)器學(xué)習(xí)模型102還捕獲每周周期、速度限制和道路分類的影響，這被認(rèn)為與駕駛速度強(qiáng)相關(guān)聯(lián)。

雖然本文提供了與行程相關(guān)聯(lián)的潛在變量104的特定示例，但是應(yīng)當(dāng)理解，機(jī)器學(xué)習(xí)模型102可以將額外的潛在變量104并入本文所描述的那些變量中。通常，在模型102中可以利用與行程相關(guān)聯(lián)的跨行程的路段/鏈路上的建模駕駛時(shí)間的依賴性的任何合適類型的潛在變量104，而不改變系統(tǒng)的基本特征。

訓(xùn)練機(jī)器學(xué)習(xí)模型

在構(gòu)建機(jī)器學(xué)習(xí)模型102之后，模型訓(xùn)練部件138可以使用歷史行程數(shù)據(jù)106來訓(xùn)練機(jī)器學(xué)習(xí)模型102以做出出行時(shí)間可變性的準(zhǔn)確預(yù)測。特別地，從歷史行程數(shù)據(jù)106中學(xué)習(xí)了指定個(gè)體路段上的出行時(shí)間的概率分布的未知數(shù)量、這些駕駛時(shí)間彼此的概率依賴性、以及諸如一天中的時(shí)間的附加因素的影響。在一些實(shí)施例中，模型訓(xùn)練部件138針對感興趣的每個(gè)地理區(qū)域(諸如特定的城市或甚至大陸)訓(xùn)練機(jī)器學(xué)習(xí)模型102。在這個(gè)意義上，機(jī)器學(xué)習(xí)模型102可以是區(qū)域特定的。對于每個(gè)這樣的區(qū)域，歷史行程數(shù)據(jù)106的子集(通常是最近收集的數(shù)據(jù)的集合)在學(xué)習(xí)過程中不被使用，而是代之以被保留用于在評估預(yù)測的質(zhì)量中使用。

訓(xùn)練/學(xué)習(xí)過程可以以各種方式完成。計(jì)算上高效的一種合適的方案是基于最大后驗(yàn)(map)估計(jì)。對于參數(shù)機(jī)器學(xué)習(xí)模型102，這可以涉及獲得參數(shù)的近似map估計(jì)。期望條件最大化(ecm)方案可被用于在訓(xùn)練期間獲取map估計(jì)。ecm與期望最大化(em)密切相關(guān)，但允許在參數(shù)向量可以被劃分為子向量的情況下的閉合形式更新，如果剩余參數(shù)已知?jiǎng)t每個(gè)子向量將具有封閉形式的em更新。

為了標(biāo)記簡單，可以丟棄等式(5)中常用參數(shù)的使用；處理這些的擴(kuò)展是直接的?，F(xiàn)在考慮觀測數(shù)據(jù)由變換值構(gòu)成，其中是在鏈路穿過i,k期間的對數(shù)平均速度。為了估計(jì)感興趣的未知量最大后驗(yàn)(map)估計(jì)器可以在在參數(shù)空間的支持上是統(tǒng)一的(不可積分的)先驗(yàn)分布下使用。無界參數(shù)空間上的這種統(tǒng)一先驗(yàn)通常用于存在很少或沒有與參數(shù)值有關(guān)的先驗(yàn)信息的情況中。在此統(tǒng)一先驗(yàn)下獲得map估計(jì)器也對應(yīng)于最大化觀測數(shù)據(jù)的密度乘以關(guān)于θ的隨后隨機(jī)效應(yīng)104的密度的乘積：

擁堵狀態(tài)qi,k不出現(xiàn)在參數(shù)矢量θ或表達(dá)式(6)中；擁堵狀態(tài)qi,k可以被視為丟失數(shù)據(jù)(在em的術(shù)語中)，并且表達(dá)式是對這些丟失數(shù)據(jù)的積分。因此，最大化表達(dá)式(6)的目標(biāo)是重要的，激勵(lì)ecm的使用。

雖然em和ecm通常被應(yīng)用于獲得似然函數(shù)的(局部)最大化，但是它們也可用于獲得后驗(yàn)密度的(局部)最大化。對于em，這可以通過在每次迭代中最大化完整數(shù)據(jù)對數(shù)似然加上對數(shù)先驗(yàn)密度的期望來實(shí)現(xiàn)，而不僅僅是完整的數(shù)據(jù)對數(shù)似然。對于ecm，可以以剩余參數(shù)為條件對每個(gè)參數(shù)子向量執(zhí)行此操作。

可以通過將參數(shù)向量劃分為三個(gè)子向量θ2＝({logei}i∈i)和θ3＝τ²來應(yīng)用ecm。首先，可以推導(dǎo)出以θ[-2]≡(θ1,θ3)為條件的θ2的更新等式。使用em的術(shù)語，由等式(1)-(4)表示的模型中的缺失數(shù)據(jù)是以及完整數(shù)據(jù)對數(shù)似然是：

在表達(dá)式(7)中，只有最后一項(xiàng)取決于{logei}i∈i，所以在更新θ2期間可以忽略剩余的項(xiàng)。另外，由于表達(dá)式(6)被最大化，所以可以添加來自{logei}i∈i的隨機(jī)效應(yīng)密度的對數(shù)的相關(guān)項(xiàng)，以產(chǎn)生：

可以關(guān)于以觀測數(shù)據(jù)和當(dāng)前參數(shù)估計(jì)為條件的丟失數(shù)據(jù)的分布來采取表達(dá)式(8)的期望。由于表達(dá)式(8)是涉及至多一個(gè)qi,k值的項(xiàng)的總和，所以這個(gè)期望是僅針對每個(gè)和的的函數(shù)。由于可以針對{qi,k}使用馬爾科夫(markov)模型(參見等式(4))，可以使用隱馬爾可夫模型的前向-后向算法為每個(gè)和計(jì)算

由于執(zhí)行以為條件的θ2的更新，所以θ2可以被視為未知參數(shù)，并且將視為已知。關(guān)注表達(dá)式(8)中的特定項(xiàng)產(chǎn)生如下：

為了最大化表達(dá)式(8)的期望，對于每個(gè)i∈i，以下可以相對于logei被最大化，其中且

這產(chǎn)生了更新的估計(jì)：

在其中例如針對所有j和q的相等的特殊情況下，大約是與其在模型下的期望之間的差在k∈{1,…,|ri|}上的平均，其是對于行程效應(yīng)潛在變量104的合理估計(jì)器。在i和k之間并行地計(jì)算φi,k(q)后，可以在i∈i上并行地進(jìn)行的計(jì)算。

以θ[-1]為條件的θ1的更新是針對每個(gè)的高斯混合模型參數(shù)的非標(biāo)準(zhǔn)em更新。為了導(dǎo)出這一點(diǎn)，請注意，表達(dá)式(7)中的所有項(xiàng)均是θ1的函數(shù)，因此與此更新相關(guān)。首先，可以考慮這些項(xiàng)的期望，記住由于執(zhí)行以為條件的θ1的更新，所以θ1可以被視為未知參數(shù)，可以被視為已知常數(shù)。還定義針對每一個(gè)和的(可以使用前向后向算法計(jì)算的另一個(gè)數(shù)量)，可以獲得以下內(nèi)容：

上述第一項(xiàng)是唯一涉及的項(xiàng)。因此，為了獲得的更新表達(dá)式，可以最大化以下內(nèi)容：

這產(chǎn)生以下更新：

也就是說，上述表達(dá)式產(chǎn)生在時(shí)間段b期間對于首先穿過鏈路j的所有行程i的分配概率φi,1(q)的平均值。類似地，的更新是：

高斯混合模型中em的標(biāo)準(zhǔn)計(jì)算表明，μj,q和的更新為：

類似地，以為條件的針對θ3＝τ²的更新為：

如本文所述的訓(xùn)練機(jī)器學(xué)習(xí)模型102可以有助于歷史行程數(shù)據(jù)106內(nèi)的模式、趨勢等的標(biāo)識(shí)，以便估計(jì)模型102中的其他變量中的潛在變量104。

在一些實(shí)施例中，模型訓(xùn)練部件138可以用新接收的歷史行程數(shù)據(jù)106來更新或重新訓(xùn)練機(jī)器學(xué)習(xí)模型102。更新可以周期性地被執(zhí)行(例如，每天一次、每周一次等)，或更新可以在諸如用戶發(fā)起的指令的觸發(fā)時(shí)、或者在自從最近的訓(xùn)練或更新發(fā)生接收新的歷史行程數(shù)據(jù)106的閾值量時(shí)等發(fā)生。

再次參考圖1，計(jì)算機(jī)可讀存儲(chǔ)器134還可以包括模型測試器140，其被配置為在其完全被指定和訓(xùn)練之后測試或檢查模型102以確保系統(tǒng)如期望工作。例如，機(jī)器學(xué)習(xí)模型102可以在特定上下文中進(jìn)行訓(xùn)練，使得它不能很好地用于預(yù)測新的和不同的上下文中的出行時(shí)間可變性。模型102的測試可以通過將經(jīng)訓(xùn)練的機(jī)器學(xué)習(xí)模型102應(yīng)用于歷史行程數(shù)據(jù)106的一部分(稱為“測試數(shù)據(jù)”)來完成，以執(zhí)行測試數(shù)據(jù)中的個(gè)體行程的出行時(shí)間可變性的預(yù)測。也就是說，歷史行程數(shù)據(jù)106的一部分可以用于訓(xùn)練模型102，而可以保留歷史行程數(shù)據(jù)106的剩余部分或另一部分(稱為測試數(shù)據(jù))(即，不用于訓(xùn)練模型102)用于測試模型102，并且對于測試數(shù)據(jù)中的每個(gè)行程，可以從機(jī)器學(xué)習(xí)模型102獲得出行時(shí)間的預(yù)測概率分布。該預(yù)測可以與行程的觀測到的出行時(shí)間進(jìn)行比較，并且基于預(yù)測與實(shí)際觀測出行時(shí)間的比較來評估預(yù)測的質(zhì)量。以這種方式，可以評估模型102在預(yù)測出行時(shí)間的可變性方面的準(zhǔn)確性，并且基于測試結(jié)果，可以采取步驟來改善機(jī)器學(xué)習(xí)模型102的性能。這可以涉及重建或者修改模型102本身，或者通過用更新的歷史行程數(shù)據(jù)106來重新訓(xùn)練模型102。

模型測試器140可以以各種方式測量用于預(yù)測出行時(shí)間的可變性的機(jī)器學(xué)習(xí)模型102的精度或質(zhì)量。例如，模型測試器140可以生成一組數(shù)字測量和/或圖形摘要，用于評估機(jī)器學(xué)習(xí)模型102的性能。數(shù)字測量和/或圖形摘要可以包括但不限于行程的預(yù)測的平均駕駛時(shí)間和觀測的駕駛時(shí)間之間平均差異，使用概率分布獲得的駕駛時(shí)間的預(yù)測間隔的質(zhì)量的數(shù)值測量，或預(yù)測概率分布的質(zhì)量的數(shù)值和圖形測量等。用于在預(yù)測出行時(shí)間可變性中評估機(jī)器學(xué)習(xí)模型102性能的至少一種類型的數(shù)值測量是從模型102獲得的出行時(shí)間的95％間隔預(yù)測的精度的測量?？梢酝ㄟ^使間隔的下限和上限取預(yù)測出行時(shí)間分布的不同分位數(shù)來獲得間隔預(yù)測(例如，可以以0.25和0.975分位數(shù)、或0和0.95分位數(shù)來獲得95％間隔)。另一種類型的數(shù)值測量是從模型中獲得的出行時(shí)間的點(diǎn)(“最佳”個(gè)體)預(yù)測的精確度的測量。為了獲得點(diǎn)預(yù)測，可以使用如蒙特卡羅近似的預(yù)測出行時(shí)間分布的幾何平均。替代地，可以使用預(yù)測出行時(shí)間分布的中位數(shù)，或者預(yù)測的出行時(shí)間分布的算術(shù)平均值來獲得點(diǎn)預(yù)測。

模型測試器140可以周期性地(例如，每周、每月等)測試模型102，以檢查對于給定區(qū)域的預(yù)測仍然是準(zhǔn)確的。在其他實(shí)施例中，模型102的測試可以在諸如用戶發(fā)起的指令的觸發(fā)時(shí)、或者自從最后的訓(xùn)練或更新發(fā)生接收到新的歷史行程數(shù)據(jù)106的閾值量時(shí)等發(fā)生。預(yù)測

在圖1中，當(dāng)在計(jì)算設(shè)備108上執(zhí)行時(shí)，地圖應(yīng)用124的預(yù)測部件126可以利用經(jīng)訓(xùn)練的機(jī)器學(xué)習(xí)模型102結(jié)合預(yù)測對應(yīng)于在指定時(shí)間從起點(diǎn)114到目的地116的行程的個(gè)體路線118的出行時(shí)間的概率分布。出行時(shí)間概率分布的預(yù)測可以表示從一組觀測的推論。該組觀測可以包括經(jīng)由到計(jì)算設(shè)備108的用戶輸入獲得的信息，諸如所接收的目的地，以及可能與行程相關(guān)聯(lián)的指定的未來開始時(shí)間?？梢詮挠?jì)算設(shè)備108的傳感器和/或網(wǎng)絡(luò)130上的遠(yuǎn)程資源獲得其他觀測，諸如當(dāng)前時(shí)間(一天中的時(shí)間和日期)、計(jì)算設(shè)備108的當(dāng)前位置或定位、以及其他上下文數(shù)據(jù)，諸如可以通過網(wǎng)絡(luò)130從遠(yuǎn)程資源獲得的天氣狀況、交通狀況等。預(yù)測是概率性的，因?yàn)樗槍Τ鲂袝r(shí)間的隨機(jī)變量計(jì)算隨機(jī)變量的概率分布。在一些實(shí)施例中，由預(yù)測部件126計(jì)算的概率分布包括方差、四分位數(shù)范圍和/或預(yù)測間隔。

當(dāng)對模型102進(jìn)行訓(xùn)練時(shí)，對于每個(gè)i和k，時(shí)間段b(i,k)是已知的。然而，當(dāng)進(jìn)行預(yù)測時(shí)，只有與行程中的第一鏈路ri,1相關(guān)聯(lián)的時(shí)間b(i,1)是已知的。當(dāng)進(jìn)行預(yù)測時(shí)，可以估計(jì)行程i開始穿過每個(gè)鏈路ri,k的時(shí)間t(i,k)，并且然后可以將b(i,k)估計(jì)為t(i,k)落入的時(shí)間段。為了針對每個(gè)k∈{2,…,|ri|}估計(jì)t(i,k)，可以使用行程的已知開始時(shí)間t(i,1)，加上穿過路線上至鏈路ri,k的所需的預(yù)測平均(幾何平均)時(shí)間：

此數(shù)量以封閉形式是不可用的。我們用蒙特卡羅對其進(jìn)行估計(jì)。

應(yīng)當(dāng)理解，盡管圖1示出了經(jīng)由網(wǎng)絡(luò)130與遠(yuǎn)程計(jì)算資源128通信的計(jì)算設(shè)備108的具體實(shí)現(xiàn)，但架構(gòu)100并不限于此。例如，在一些實(shí)施例中，可以省略網(wǎng)絡(luò)130，并且圖1的各種部件和設(shè)備可以被實(shí)現(xiàn)為個(gè)體的、集成的設(shè)備，而不需要網(wǎng)絡(luò)130本身，諸如可用作客戶端計(jì)算設(shè)備以維護(hù)模型102并且還執(zhí)行行程時(shí)間可變性的預(yù)測的高性能計(jì)算系統(tǒng)。預(yù)測部件126可以駐留在遠(yuǎn)程計(jì)算資源128上，這可能相當(dāng)于系統(tǒng)的更多的瘦客戶端實(shí)現(xiàn)。

圖2是用于預(yù)測出行時(shí)間的可變性并基于可變性預(yù)測來輸出路線建議和/或駕駛時(shí)間的測量的系統(tǒng)200的示意圖。系統(tǒng)200可以被實(shí)現(xiàn)為地圖服務(wù)的一部分，其包括被配置為在圖1的計(jì)算設(shè)備108上執(zhí)行的地圖應(yīng)用。系統(tǒng)200可以包括預(yù)測部件126和包括與行程相關(guān)聯(lián)的潛在變量104(或“隨機(jī)效應(yīng)104”)的機(jī)器學(xué)習(xí)模型102。在圖2的場景中，機(jī)器學(xué)習(xí)模型102已經(jīng)被圖1的模型訓(xùn)練部件138訓(xùn)練。

系統(tǒng)200可以包括輸入部件202，其被配置為以與行程相關(guān)聯(lián)的至少起點(diǎn)114、目的地116以及開始時(shí)間(例如，當(dāng)前時(shí)間或未來時(shí)間)的形式接收輸入。一些輸入可以經(jīng)由計(jì)算設(shè)備108處的用戶輸入來接收，諸如在執(zhí)行地圖應(yīng)用124時(shí)用戶110輸入目的地116。其他輸入可以通過計(jì)算設(shè)備108經(jīng)由計(jì)算設(shè)備108上的傳感器、或經(jīng)由網(wǎng)絡(luò)130從遠(yuǎn)程資源來獲得。在一些實(shí)施例中，輸入可以包括附加的上下文數(shù)據(jù)，例如天氣狀況、交通狀況、路況等。

系統(tǒng)200還可以包括路線生成器204，其被配置為獲得從起點(diǎn)114到目的地116行進(jìn)的候選路線118的集合。在一些實(shí)施例中，由路線生成器204獲得的候選路線118可以基于與個(gè)體候選路線118相關(guān)聯(lián)的平均駕駛時(shí)間?？梢詮臋C(jī)器學(xué)習(xí)模型102或從其他來源獲得針對個(gè)體路線118的平均駕駛時(shí)間的數(shù)據(jù)。在一些實(shí)施例中，由路線生成器204獲得的候選路線118可以基于其他數(shù)據(jù)，諸如開始時(shí)間(其可以包括一天中的時(shí)間和星期幾(例如，日期))，沿著個(gè)體路線118所在的收費(fèi)站的存在(以及可能的數(shù)量)、以及與路線相關(guān)聯(lián)的其他類似數(shù)據(jù)。

由路線生成器204生成的候選路線118的集合可以相對較大。例如，候選路線118的集合可以在數(shù)百個(gè)路線118或更多的數(shù)量級上。盡管由路線生成器204獲得潛在的大量候選路線118，但是使用諸如與個(gè)體路線118相關(guān)聯(lián)的平均駕駛時(shí)間的度量來獲得候選路線118大型集合在計(jì)算上是相對高效的。

給定來自路線生成器204的候選路線118的集合，預(yù)測部件126可以至少部分地基于包括與行程相關(guān)聯(lián)的潛在變量104的機(jī)器學(xué)習(xí)模型102來預(yù)測候選路線118中的個(gè)體路線的出行時(shí)間的概率分布206。圖2圖示了正態(tài)(或高斯)分布形式的示例概率分布206，盡管由預(yù)測部件126確定的概率分布206不受此限制。特別地，可以使用由本文中所述的模型所暗示的概率分布。

圖2還圖了概率分布206可以包括出行時(shí)間的百分位數(shù)208。例如，給定路線118a的預(yù)測概率分布206可以指定路線118a的出行時(shí)間(例如駕駛時(shí)間)的第70個(gè)百分位數(shù)為12分鐘。用于不同路線118b的預(yù)測概率分布206可以將路線118b的出行時(shí)間的第70個(gè)百分位數(shù)指定為10分鐘。應(yīng)當(dāng)理解，除了百分位數(shù)208之外，可以從概率分布206中收集對路線規(guī)劃應(yīng)用有用的大量信息。此外，由于與行程相關(guān)聯(lián)的潛在變量104，因?yàn)樗鼈儾东@在行程的候選路線118的個(gè)體道路路段的出行時(shí)間之間的關(guān)系，由預(yù)測部件126做出的出行時(shí)間可變性(概率分布206)的預(yù)測將提供高精度預(yù)測，其可以改善關(guān)于地圖服務(wù)和應(yīng)用124的客戶體驗(yàn)。以這種方式，概率分布預(yù)測可以被用于地圖服務(wù)輸出中的路線推薦和出行時(shí)間報(bào)告。

因此，系統(tǒng)200還可以包括排名器210，其被配置為根據(jù)至少部分地基于候選路線118中的個(gè)體候選路線的出行時(shí)間可變性預(yù)測(即，出行時(shí)間的概率分布206)的標(biāo)準(zhǔn)來對由路線生成器204獲得的候選路線118進(jìn)行排名。也就是說，該標(biāo)準(zhǔn)可以用于從候選路線118的集合中評估、排名和選擇路線。例如，候選路線118可以根據(jù)出行時(shí)間的指定百分位數(shù)(諸如出行時(shí)間的第70個(gè)百分位數(shù)或第80個(gè)百分位數(shù))進(jìn)行排名。百分位數(shù)208的選擇控制路線選擇的保守性。例如，特別是諸如冷藏卡車或混凝土運(yùn)送車的防風(fēng)險(xiǎn)應(yīng)用，可以使用較高的百分位數(shù)。另一種可能的排名標(biāo)準(zhǔn)是在指定時(shí)間之前車輛將到達(dá)目的地116的概率。如果路線選擇基于最小化標(biāo)準(zhǔn)，則排名可以從出行時(shí)間的百分點(diǎn)208的最低值到最高值，例如候選集合中的所有路線118中的最低值被排名最高。具有最佳排名的一個(gè)或多個(gè)路線118(例如，駕駛時(shí)間的第70個(gè)百分位數(shù)的最低值，或者在30分鐘內(nèi)達(dá)到的最高概率)可以由輸出部件212推薦給用戶110。

在一些實(shí)施例中，路線排名和選擇可以基于附加標(biāo)準(zhǔn)，例如最小化預(yù)測的平均駕駛時(shí)間、最小化集成預(yù)期的平均駕駛時(shí)間連同路線期望的其他測量(諸如路線是否具有收費(fèi)站)的另一路線標(biāo)準(zhǔn)等。

在一些實(shí)施例中，用于路線排名和選擇的標(biāo)準(zhǔn)可以基于用戶風(fēng)險(xiǎn)容忍的用戶說明。例如，地圖應(yīng)用124可以向用戶界面提供交互式工具，該交互工具允許用戶110控制他們所期望的預(yù)測的保守性，和/或在路線選擇中他們希望的預(yù)測的保守性。例如，用戶界面可以具有滑動(dòng)條，其中用戶110移動(dòng)條以指定對于他們晚到10分鐘比早到10分鐘更壞或更好。在其他示例中，交互式工具可以提供多個(gè)選擇選項(xiàng)或類似的選擇機(jī)制，以允許用戶110指定風(fēng)險(xiǎn)規(guī)避(或風(fēng)險(xiǎn)容忍)級別。地圖應(yīng)用124(經(jīng)由排名器210)可以將該測量轉(zhuǎn)換為用于路線選擇標(biāo)準(zhǔn)和/或所報(bào)告的出行時(shí)間標(biāo)準(zhǔn)的百分位數(shù)208。也就是說，路線選擇和出行時(shí)間報(bào)告的標(biāo)準(zhǔn)可以根據(jù)用戶110指定的風(fēng)險(xiǎn)容忍進(jìn)行調(diào)整。以這種方式，輸出部件212，如果提供行程時(shí)間的個(gè)體測量/值作為輸出，則可以提供出行時(shí)間的第80個(gè)百分點(diǎn)作為到更風(fēng)險(xiǎn)規(guī)避的人的輸出(意味著如果他們依賴該預(yù)測，則風(fēng)險(xiǎn)規(guī)避的用戶只有在20％的時(shí)間晚到)，而提供出行時(shí)間的第60個(gè)百分位給更具風(fēng)險(xiǎn)容忍的人(意味著如果風(fēng)險(xiǎn)容忍的用戶依賴于該預(yù)測，則風(fēng)險(xiǎn)容忍的用戶將在40％的時(shí)間內(nèi)晚到)。路線推薦可以以類似的方式運(yùn)行，以基于用戶110愿意承擔(dān)的風(fēng)險(xiǎn)級別來推薦路線。

輸出部件212可以提供至少部分地基于預(yù)測概率分布206的任何合適類型的輸出。例如，滿足或最小化標(biāo)準(zhǔn)的一個(gè)或多個(gè)路線118可被推薦給用戶110。對于每個(gè)推薦路線118，輸出還可以包括可以基于出行時(shí)間的預(yù)測概率分布206的相應(yīng)路線118的出行時(shí)間的一些測量。例如，出行時(shí)間的測量可以包括總結(jié)出行時(shí)間中的可變性的個(gè)體預(yù)測出行時(shí)間(例如，出行時(shí)間的特定百分位數(shù)208)。在一些實(shí)施例中，輸出部件212可以經(jīng)由計(jì)算設(shè)備108的輸出部件向用戶110揭示其提供的出行時(shí)間的實(shí)際百分位數(shù)。在其他實(shí)施例中，輸出部件212可以給出相同概念的更簡單的圖形或數(shù)字顯示。

附加地或備選地，為了向用戶110提供個(gè)體預(yù)測的出行時(shí)間，輸出部件212可以提供推薦路線上出行時(shí)間的可變性的測量。一種方案是向用戶提供可能的出行時(shí)間的(范圍)上的下限和上限(例如，“駕駛時(shí)間預(yù)計(jì)在45和55分鐘之間”)。這些下限和上限可以使用各種間隔估計(jì)方法從預(yù)測分布206獲得。在一些實(shí)施例中，可以獲得通過使用該分布206的2.5和97.5百分位數(shù)來包含預(yù)測出行時(shí)間分布206的95％(或90％、或99％等)的間隔。此外，通過使用具有較高或較低概率的間隔可以控制這些下限和上限的保守性；關(guān)于99％的時(shí)間，99％的間隔是正確的(實(shí)際駕駛時(shí)間落在下限和上限之間)，并且關(guān)于90％的時(shí)間，90％的間隔是正確的。

向用戶110圖示在推薦路線118上的出行時(shí)間的可變性的另一種方案是提供視覺(例如，圖形)顯示，例如直方圖、時(shí)鐘上的圖形表示等。圖3是用于基于出行時(shí)間可變性預(yù)測在諸如計(jì)算設(shè)備108的顯示器的顯示器上提供地圖服務(wù)輸出的示例圖形用戶界面(gui)300的屏幕呈現(xiàn)。在圖3的示例中，用戶110可能已經(jīng)指定起點(diǎn)114和目的地之間的行程的至少目的地116。推薦路線118可以作為多個(gè)候選路線118中的路線118輸出給用戶，該路線沿著路線最小化駕駛時(shí)間的第80百分位數(shù)，該路線是從候選路線118中的每一個(gè)的駕駛時(shí)間的概率分布的預(yù)測確定的。

除了推薦路線118之外，gui300可以提供基于路線118的出行時(shí)間的預(yù)測概率分布206的出行時(shí)間302的測量。圖3所示的出行時(shí)間302的測量包括可能的出行時(shí)間的范圍(例如，17到20分鐘的駕駛時(shí)間)。圖3還示出了向用戶提供預(yù)測出行時(shí)間302基于可變性預(yù)測的指示304的示例。在該示例中，指示304是對用戶110說明“駕駛時(shí)間范圍包括針對推薦路線118的預(yù)測出行時(shí)間分布206的95％”。gui300還可以包括預(yù)測出行時(shí)間302的測量的視覺表示306。例如，視覺表示306可以包括表示用戶110可以期望到達(dá)目的地116的到達(dá)時(shí)間范圍的時(shí)鐘的圖形表示。

gui300還示出了交互式工具308，其可以向用戶110提供調(diào)整其風(fēng)險(xiǎn)容忍以調(diào)諧駕駛時(shí)間預(yù)測302的輸出的能力。例如，交互式工具308向用戶110提供如果他想要更保守的出行時(shí)間估計(jì)則將條向右滑到“風(fēng)險(xiǎn)規(guī)避”，或如果他對更自由的出行時(shí)間估計(jì)沒問題則將條向左滑到“風(fēng)險(xiǎn)容忍”的能力。

示例過程

圖4和圖5圖示了可以被執(zhí)行以執(zhí)行本文所描述的技術(shù)的示例過程。過程被圖示為邏輯流程圖中的框的集合，其表示可以以硬件、軟件或其組合實(shí)現(xiàn)的一系列操作。在軟件的上下文中，框表示存儲(chǔ)在一個(gè)或多個(gè)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上的計(jì)算機(jī)可執(zhí)行指令，其當(dāng)由一個(gè)或多個(gè)處理器執(zhí)行時(shí)，執(zhí)行所述操作。通常，計(jì)算機(jī)可執(zhí)行指令包括執(zhí)行特定功能或?qū)崿F(xiàn)特定抽象數(shù)據(jù)類型的例程、程序、對象、部件、數(shù)據(jù)結(jié)構(gòu)等。其中描述的操作的順序不旨在被解釋為限制，并且任何數(shù)量的所述框可以以任何順序和/或并行組合以實(shí)現(xiàn)該過程。此外，在一些實(shí)施例中，可以完全省略該過程的一個(gè)或多個(gè)框。

圖4是構(gòu)建和訓(xùn)練機(jī)器學(xué)習(xí)模型102的示例過程400的流程圖，該機(jī)器學(xué)習(xí)模型102可以被實(shí)現(xiàn)為預(yù)測在指定時(shí)間內(nèi)的行程的出行時(shí)間的概率分布206。為了方便起見，參考圖1的架構(gòu)100和圖2的系統(tǒng)200來描述過程400。

在402處，諸如遠(yuǎn)程計(jì)算資源128的計(jì)算設(shè)備可以接收歷史行程數(shù)據(jù)106(或移動(dòng)性數(shù)據(jù)106)。歷史行程數(shù)據(jù)106可以來自任何合適的來源，諸如向維護(hù)和操作遠(yuǎn)程計(jì)算資源128的實(shí)體銷售或租賃數(shù)據(jù)的第三方數(shù)據(jù)聚合器。歷史行程數(shù)據(jù)106可以源自移動(dòng)設(shè)備或其他位置感知設(shè)備，報(bào)告基于位置的測量至少包括位置數(shù)據(jù)和時(shí)間數(shù)據(jù)。例如，歷史行程數(shù)據(jù)106可以包括出行時(shí)間信息或從其中可以導(dǎo)出出行時(shí)間的信息。例如，來自移動(dòng)電話的gps數(shù)據(jù)通常包括位置、航向、速度和時(shí)間戳，該時(shí)間戳在報(bào)告周期性測量時(shí)導(dǎo)出在路線上的出行時(shí)間可能是有用的。

在404處，可以指定包括與行程相關(guān)聯(lián)的潛在變量104的機(jī)器學(xué)習(xí)模型102。例如，包括在機(jī)器學(xué)習(xí)模型102中的潛在變量104可以包括但不限于：“行程效應(yīng)”，其捕獲在構(gòu)成路線118的所有路段上特定行程比通常更快或更慢的程度；“自回歸”效應(yīng)，其捕獲對于在路線118中彼此靠近的路段出行速度趨于相似的事實(shí)；和/或捕獲例如鏈路上的擁堵級別的潛在分類變量，其依賴性可以跨鏈路被建模。

在406處，模型訓(xùn)練部件138可以使用歷史行程數(shù)據(jù)106來訓(xùn)練機(jī)器學(xué)習(xí)模型102。對于參數(shù)模型，訓(xùn)練可以包括估計(jì)模型的參數(shù)，包括模型中包括的潛在變量104。

圖5是預(yù)測行程的出行時(shí)間的概率分布206的示例過程500的流程圖。為了方便起見，參考圖1的架構(gòu)100和圖2的系統(tǒng)200來描述過程500。

在502處，輸入部件202可以接收與行程相關(guān)聯(lián)的至少一個(gè)起點(diǎn)114、目的地116和開始時(shí)間。在一些實(shí)施例中，可以在502處接收其他行程細(xì)節(jié)，諸如上下文數(shù)據(jù)(例如天氣狀況、交通狀況等)。

在504處，路線生成器204可以獲得從起點(diǎn)114行進(jìn)到目的地116的候選路線118。由路線生成器204的候選路線選擇可以部分地基于與可以從模型102獲得的個(gè)體候選路線相關(guān)聯(lián)的平均出行時(shí)間。

在506處，預(yù)測部件126可以至少部分地基于包括與行程相關(guān)聯(lián)的隨機(jī)效應(yīng)104的機(jī)器學(xué)習(xí)模型102來預(yù)測候選路線118中的個(gè)體候選路線的出行時(shí)間的概率分布206。與行程相關(guān)聯(lián)的隨機(jī)效應(yīng)104的使用通過捕獲行程的不同路段上的出行時(shí)間的關(guān)系來解決“依賴問題”。

在一些實(shí)施例中，機(jī)器學(xué)習(xí)模型102可以被用于更新出行時(shí)間預(yù)測路線。例如，當(dāng)用戶110在路線118上出行時(shí)，預(yù)測部件126可以將用戶110的當(dāng)前位置視為新預(yù)測的出行時(shí)間可變性的起點(diǎn)。也就是說，基于路線118上的用戶110的當(dāng)前位置，路線118的其余部分可以被視為好像在進(jìn)行實(shí)時(shí)的、更新的出行時(shí)間可變性預(yù)測中本身中的或本身的路線。在一些實(shí)施例中，可以評估過去的出行的路段以確定出行時(shí)間、速度或與過去出行的路段相關(guān)聯(lián)的其他有用信息，然后基于行程的過去出行路段的評估來更新預(yù)測。

在508處，輸出部件212(可能使用排名器210)至少部分地基于在506處預(yù)測的概率分布206，從候選路線118中推薦滿足或最小化標(biāo)準(zhǔn)的一個(gè)或多個(gè)路線118。例如，針對在508處的推薦可以選擇最小化出行時(shí)間的第80個(gè)百分位數(shù)的路線118。

在510處，輸出部件212可以提供推薦路線118的出行時(shí)間的測量。在至少一些情況下，這可以包括指示概率分布206的使用的測量。例如，測量可以提供基于駕駛時(shí)間的第80個(gè)分位數(shù)的出行時(shí)間的估計(jì)，以及可能的它是駕駛時(shí)間的第80個(gè)百分位數(shù)的指示。

本文描述的環(huán)境和個(gè)體元件當(dāng)然可以包括許多其它邏輯、程序化和物理部件，其中附圖中所示的那些僅僅是與本文討論有關(guān)的示例。

本文描述的各種技術(shù)在所給出的示例中被假設(shè)為將在計(jì)算機(jī)可執(zhí)行指令或軟件(諸如程序模塊)的一般上下文中實(shí)現(xiàn)，該指令或軟件被存儲(chǔ)在計(jì)算機(jī)可讀存儲(chǔ)裝置中并由一個(gè)或多個(gè)計(jì)算機(jī)或諸如附圖中所圖示的那些的其他設(shè)備的處理器執(zhí)行。通常，程序模塊包括進(jìn)程、程序、對象、部件、數(shù)據(jù)結(jié)構(gòu)等，并且定義用于執(zhí)行特定任務(wù)或?qū)崿F(xiàn)特定抽象數(shù)據(jù)類型的操作邏輯。

其他架構(gòu)可以用于實(shí)現(xiàn)所描述的功能，并且旨在在本公開的范圍內(nèi)。此外，雖然上文為了討論的目的而定義了責(zé)任的具體分配，但是根據(jù)具體情況，各種功能和責(zé)任可以以不同的方式被分布和劃分。

類似地，軟件可以以各種方式并且使用不同的手段被存儲(chǔ)和分布，并且上述特定的軟件存儲(chǔ)裝置和執(zhí)行配置可以以許多不同的方式變化。因此，實(shí)現(xiàn)上述技術(shù)的軟件可以分布在各種類型的計(jì)算機(jī)可讀介質(zhì)上，不限于具體描述的存儲(chǔ)器的形式。

示例一：一種用于預(yù)測針對行程的出行時(shí)間的可變性并利用用于路線規(guī)劃的預(yù)測可變性的系統(tǒng)，該系統(tǒng)包括：一個(gè)或多個(gè)處理器；以及存儲(chǔ)器，存儲(chǔ)由一個(gè)或多個(gè)處理器可執(zhí)行的指令，所述存儲(chǔ)器包括：輸入部件，用于接收與所述行程相關(guān)聯(lián)的起點(diǎn)、目的地和開始時(shí)間；路線生成器，用于獲得從起點(diǎn)向目的地行進(jìn)的候選路線；預(yù)測部件，至少部分地基于包括與該行程相關(guān)聯(lián)的潛在變量的機(jī)器學(xué)習(xí)模型來預(yù)測針對候選路線中的個(gè)體候選路線的出行時(shí)間的概率分布；以及輸出部件，用于：至少部分地基于標(biāo)準(zhǔn)來從候選路線中推薦一個(gè)或多個(gè)路線，該標(biāo)準(zhǔn)至少部分地基于概率分布；以及提供針對所推薦的一個(gè)或多個(gè)路線中的個(gè)體路線的出行時(shí)間的測量。

示例二：根據(jù)示例1所述的系統(tǒng)，還包括排名器，用于在輸出部件推薦一個(gè)或多個(gè)路線之前，根據(jù)最小化標(biāo)準(zhǔn)的路線排名候選路線。

示例三：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的系統(tǒng)，其中標(biāo)準(zhǔn)包括以下各項(xiàng)中的至少一個(gè)：出行時(shí)間的百分位數(shù)、或在指定時(shí)間之前到達(dá)目的地將發(fā)生的概率。

示例四：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的系統(tǒng)，其中被包括在機(jī)器學(xué)習(xí)模型中的潛在變量包括捕獲在行程的不同路段上的出行時(shí)間的概率依賴性的未觀測量。

示例五：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的系統(tǒng)，其中潛在變量包括以下各項(xiàng)中的至少一項(xiàng)：捕獲出行時(shí)間的行程級別可變性的潛在變量，作為在構(gòu)成針對行程的路線的所有路段上特定行程比通常更快或更慢的程度；捕獲出行時(shí)間的路段級別可變性的潛在變量，作為在路線中彼此靠近的針對行程的路線的路段上出行速度相似的趨勢；或捕獲路段上的擁堵級別的潛在變量。

示例六：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的系統(tǒng)，其中出行時(shí)間的測量包括出行時(shí)間的范圍。

示例七：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的系統(tǒng)，其中出行時(shí)間的范圍被描繪在系統(tǒng)的顯示器上的圖形表示中。

示例八：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的系統(tǒng)，還包括用戶界面，用于提供調(diào)整針對用戶的風(fēng)險(xiǎn)規(guī)避級別的交互式虛擬工具的，所述風(fēng)險(xiǎn)規(guī)避級別在風(fēng)險(xiǎn)的所述級別的調(diào)整時(shí)引起標(biāo)準(zhǔn)的調(diào)整。

示例九：一種計(jì)算機(jī)實(shí)現(xiàn)的方法，包括：接收與所述行程相關(guān)聯(lián)的起點(diǎn)、目的地和開始時(shí)間；獲得從起點(diǎn)向目的地行進(jìn)的候選路線；至少部分地基于包括與所述行程相關(guān)聯(lián)的隨機(jī)效應(yīng)的機(jī)器學(xué)習(xí)模型來預(yù)測候選路線中的個(gè)體路線的出行時(shí)間的概率分布；至少部分地基于標(biāo)準(zhǔn)來從候選路線中推薦一個(gè)或多個(gè)路線，該標(biāo)準(zhǔn)至少部分地基于該概率分布；以及提供針對所推薦的一個(gè)或多個(gè)路線中的個(gè)體路線的出行時(shí)間的測量。

示例十：根據(jù)示例九所述的方法，其中所述標(biāo)準(zhǔn)包括以下各項(xiàng)中的至少一個(gè)：出行時(shí)間的百分位數(shù)、或到達(dá)目的地將在指定時(shí)間之前發(fā)生的概率。

示例十一：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，其中被包括在機(jī)器學(xué)習(xí)模型中的潛在變量包括捕獲在行程的不同路段上的出行時(shí)間的概率依賴性的未觀測量。

示例十二：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，其中潛在變量包括以下各項(xiàng)中的至少一項(xiàng)：捕獲出行時(shí)間的行程級別可變性的潛在變量，作為在構(gòu)成針對行程的路線的所有路段上特定行程比通常更快或更慢的程度；捕獲出行時(shí)間的路段級別可變性的潛在變量，作為針對在路線中彼此靠近的針對行程的路線的路段出行速度相似的趨勢；或捕獲路段上的擁堵水平的潛在變量。

示例十三：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，其中出行時(shí)間的測量包括出行時(shí)間的范圍。

示例十四：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，還包括：經(jīng)由用戶界面提供用于調(diào)整針對用戶的風(fēng)險(xiǎn)規(guī)避水平的交互式虛擬工具；經(jīng)由交互式虛擬工具接收風(fēng)險(xiǎn)水平的調(diào)整；以及基于調(diào)整來向上或向下調(diào)整標(biāo)準(zhǔn)。

示例十五：一種訓(xùn)練機(jī)器學(xué)習(xí)模型以被用于預(yù)測行程的出行時(shí)間的概率分布的計(jì)算機(jī)實(shí)現(xiàn)方法，所述方法包括：接收至少部分地基于從移動(dòng)設(shè)備報(bào)告的基于位置的測量的歷史行程數(shù)據(jù)，基于位置的測量的個(gè)體基于位置的測量至少包括位置數(shù)據(jù)和時(shí)間數(shù)據(jù)；以及使用歷史行程數(shù)據(jù)來訓(xùn)練機(jī)器學(xué)習(xí)模型，機(jī)器學(xué)習(xí)模型包括與從起點(diǎn)到目的地的行程相關(guān)聯(lián)的潛在變量。

示例十六：根據(jù)示例十五所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，還包括通過將機(jī)器學(xué)習(xí)模型應(yīng)用于未用于訓(xùn)練機(jī)器學(xué)習(xí)模型的歷史行程數(shù)據(jù)的一部分來測試機(jī)器學(xué)習(xí)模型在預(yù)測出行時(shí)間的概率分布方面的性能。

示例十七：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中機(jī)器學(xué)習(xí)模型的性能通過以下各項(xiàng)中的至少一項(xiàng)來測量：行程時(shí)間的95％間隔預(yù)測的精度的測量；或行程時(shí)間的點(diǎn)預(yù)測的精度的測量。

示例十八：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的計(jì)算機(jī)實(shí)現(xiàn)方法，用自從訓(xùn)練后的新接收的歷史行程數(shù)據(jù)來周期性地重新訓(xùn)練機(jī)器學(xué)習(xí)模型。

示例十九：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的方法，其中所述重新訓(xùn)練在閾值量的新接收的歷史行程數(shù)據(jù)的接收時(shí)發(fā)生。

示例二十：根據(jù)前述示例(單獨(dú)的或組合的)中任一項(xiàng)所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，其中在機(jī)器學(xué)習(xí)模型中包括的潛在變量包括捕獲在行程的不同路段上的出行時(shí)間的概率依賴性的未觀測量。

示例二十一：一種用于預(yù)測行程的出行時(shí)間的可變性并利用路線規(guī)劃的預(yù)測可變性的系統(tǒng)，該系統(tǒng)包括：用于執(zhí)行計(jì)算機(jī)可執(zhí)行指令的部件(例如，處理器，包括例如硬件處理器，諸如中央處理單元(cpu)、片上系統(tǒng)(soc)等)；以及用于存儲(chǔ)計(jì)算機(jī)可執(zhí)行指令的部件(例如，存儲(chǔ)器、諸如ram、rom、eeprom、閃存等的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì))，所述用于存儲(chǔ)的部件包括：用于接收以與行程相關(guān)聯(lián)的起點(diǎn)、目的地和開始時(shí)間的形式輸入的部件；用于生成從起點(diǎn)向目的地行進(jìn)的候選路線的部件；用于至少部分地基于包括與所述行程相關(guān)聯(lián)的潛在變量的機(jī)器學(xué)習(xí)模型來預(yù)測針對所述候選路線中的個(gè)體候選路線的出行時(shí)間的概率分布的部件；以及用于提供以下形式的輸出的部件：至少部分地基于標(biāo)準(zhǔn)來從候選路線中推薦一個(gè)或多個(gè)路線，該標(biāo)準(zhǔn)至少部分地基于概率分布；以及提供所推薦的一個(gè)或多個(gè)路線中的個(gè)體路線的出行時(shí)間的測量。

示例二十二：根據(jù)示例二十一所述的系統(tǒng)，還包括用于提供交互式虛擬工具的部件，交互式虛擬工具用于調(diào)整在風(fēng)險(xiǎn)的水平的調(diào)整時(shí)導(dǎo)致標(biāo)準(zhǔn)的調(diào)整的用戶的風(fēng)險(xiǎn)規(guī)避水平。

結(jié)論

最后，盡管各種實(shí)施例已經(jīng)用特定于結(jié)構(gòu)特征和/或方法動(dòng)作的語言來描述，但是應(yīng)當(dāng)理解，附加表示中定義的主題不一定限于所描述的具體特征或動(dòng)作。相反，具體特征和動(dòng)作被公開為實(shí)現(xiàn)所要求保護(hù)的主題的示例形式。