[发明专利]预测和利用地图服务中出行时间的可变性

说明书

用于预测在特定时间处的行程的出行时间的可变性的系统可以利用包括与行程相关联的潜在变量的机器学习模型。机器学习模型可以从基于从移动设备报告的基于位置的测量的历史行程数据被训练。一旦被训练，机器学习模型可以被利用用于预测出行时间的可变性。一种处理可以包括：接收与行程相关联的起点、目的地和开始时间；获得从起点向目的地行进的候选路线；以及至少部分地基于机器学习模型预测针对候选路线中的个体候选路线的出行时间的概率分布。一个或多个路线可以基于预测的概率分布被推荐，并且可以提供针对所推荐的路线的出行时间的测量。

背景技术

计算机驱动的地图服务帮助用户定位兴趣点(例如，特定的建筑物、地址等)等。许多地图服务还提供路线规划应用，其可以建议从起点到目的地的最快或最理想的路线，并且有时甚至提供针对这些路线的预测的出行时间(例如，驾驶时间、步行时间等)。这些预测出行时间通常表示可以从历史行程数据获得的平均(平均)出行时间。

尽管平均出行时间提供了相当准确的出行时间的预测，但用于预测实际出行时间它不是完全准确的。换句话说，平均出行时间永远不会一直给出完美的准确结果。至少对于车辆出行，这可能是部分由于在出行时间中由驾驶员习惯/行为的差异、交通信号的未知定时、以及不可观测的交通、道路和/或天气状况(仅命名有助于驾驶时间可变性的几个因素)引起的相当大的可变性。使用平均出行时间作为出行时间的预测不考虑出行时间的可变性，这进而负面影响用户体验。例如，如果预测的出行时间被低估，则用户可能迟到，而如果预测的出行时间被高估，则用户可能早于必要时离开，或者可能期待第三方地图服务，希望找到具有更低的预计出行时间的路线。因此，由于出行时间预测的不准确性，建议具有低平均出行时间但出行时间中高可变性的路线的地图服务可能导致差的用户体验。

发明内容

本文描述了用于预测从起点在起始时间处开始并在目的地结束的行程的出行时间的可变性的技术和系统。最初，由于各种不确定性，人们可以将特定路线的出行时间认为是具有可变性的数量(即给定路线上的未来出行时间是随机变量)。机器学习模型可以从历史行程数据进行训练，并且被用于预测在特定时间沿着从起点到目的地的给定路线的出行时间(的概率分布)的可变性(随机变量)。特别地，机器学习模型方法通过使用与行程相关联的潜在变量(或“随机效应”)来解决本文中被称为的“依赖性问题”，从而对构成该行程的连续路段的相互依赖性进行建模。

“依赖性问题”是指统一构成路线的不同路段(在下文中“路段”可以与“链路”互换地使用)上的驾驶时间彼此密切相关的观测。例如，如果一个人在路线的第一路段上比通常更快地驾驶车辆，则你可能期望该人在路线上的其他路段上同样比通常更快地驾驶车辆。同样地，驾驶员在行程的第一路段上经历的拥堵级别与驾驶员在第二路段、第三路段等上经历的拥堵级别密切相关。因此，依赖性问题表示：即使在考虑一天中的时间和其他解释因素之后，沿着路线的个体路段的出行时间是相关的。

本文公开的技术和系统使用机器学习方法来对行程本身内的路线路段上的出行时间的相互依赖性进行建模，和在诸如整个道路网络的特定路段网络中的所有路段上的相互依赖性进行建模相反。在“Hofleitner,A.,Herring,R.,Abbeel,P.,and Bayen,A.,Learning the dynamics of arterial traffic from probe data using a dynamicBayesian network.IEEE Transactions on Intelligent Transportation Systems,pp.1679-1693,2012a”中描述的方法采用后一种方案来预测驾驶时间的可变性；即他们考虑在整个道路图中代表每条道路路段上的交通拥堵的级别的潜在变量。当在具有复杂交通动态的高度相互连接的道路网络中实现预测时，Hofleitner系统是计算密集型的，使得这种方案仅适用于小型道路网络。