[发明专利]电子叫车服务

权利要求书

1.一种管理运输服务提供商的方法，该方法包括：-

提供商数据接收步骤：实时接收第一数据流，该第一数据流包括指示多个服务提供商中的每个服务提供商的数据，该数据包括对每个服务提供商的标识的指示、相应服务提供商的可用性数据以及对每个该相应服务提供商的位置的指示；

预测步骤：处理该第一数据流和存储的历史供给/需求数据，以提供对在包括多个地理区域的地区上的服务提供商的数量和服务请求的数量的预测，其中，该预测是按区域进行的；

过滤和选择步骤：使用可用性标准过滤该第一数据流以输出指示候选服务提供商的数据，其中，指示每个候选服务提供商的数据包括对与每个候选服务提供商的位置相关联的相应候选服务提供商的标识的指示；

优化步骤：将指示候选服务提供商的数据与所预测的服务提供商的数量和服务请求的数量进行组合，并且利用这些数据计算候选服务提供商从其当前区域移动到每个不同区域的距离/时间矩阵，从而确定有资格从其当前区域移动到相应新区域的一组候选服务提供商；以及

通知步骤：仅向每个有资格的服务提供商输出相应的通知，该通知包括对新区域中新位置的指示，由此至少一些区域中的服务提供商的数量向服务请求的数量趋近。

2.如权利要求1所述的方法，进一步包括实时接收请求数据流，该请求数据流包括指示请求者、请求时间、乘车位置和下车位置的数据中的至少一些。

3.如权利要求1所述的方法，进一步包括：-

实时接收请求数据流，该请求数据流具有指示请求者、请求时间、乘车位置和下车位置的数据中的至少一些；以及

存储所述请求数据流和该第一数据流中的数据。

4.如权利要求1所述的方法，进一步包括处理接收到的服务请求数据、服务提供商的状态和位置信息，并将结果存储为历史需求和供给数据。

5.如权利要求1所述的方法，其中，该预测步骤包括对历史供给和需求失衡数据应用预测过程，以预测由系统覆盖的每个区域在一个或多个即将到来的时间间隔内的失衡情况。

6.如权利要求5所述的方法，其中，该预测过程采用比如双季节性霍尔特-温特(DSHW)、差分自回归移动平均(ARIMA)等时间序列预测技术之一来进行需求和供给预测。

7.如权利要求5所述的方法，其中，该预测步骤包括使用比如递归神经网络(RNN)、长短期记忆(LSTM)等机器学习技术来进行需求和供给预测。

8.如权利要求7所述的方法，其中，该预测步骤另外包括使用来自存储外部供应数据的第三方数据存储装置的数据。

9.如权利要求1所述的方法，其中，该优化步骤包括接收预测的需求和供给数据、指示候选服务提供商的标识的数据、以及历史汇总时间-空间数据。

10.如权利要求9所述的方法，其中，该历史汇总时间-空间数据包括在给定时间段在每个地理地区找到下一份工作的平均时间或概率、平均价格乘数(增幅)、平均票价或平均收入中的至少一个。

11.如权利要求1所述的方法，其中，该优化步骤计算以下各项中的一项或多项：

i)候选服务提供商移动到每个地理地区的预期通知遵从概率矩阵；

ii)移动到每个不同地理地区的服务提供商候选者的“找到下一份工作的平均概率”矩阵；以及

iii)移动到每个不同地理地区的服务提供商候选者的“预期收入”矩阵。

12.如权利要求1所述的方法，其中，该优化步骤可被控制为实现选自以下各项的一个或多个目标：

i)最小化整个地区(国家、城市等)的总供给-需求失衡；

ii)最小化所有服务提供商候选者的总驾驶距离；

iii)最小化所有服务提供商候选者找到下一份工作的平均时间；以及

iv)最大化所有服务提供商候选者找到下一份工作的平均概率。