根据噪声多模态数据自动确定针对兴趣点的最优运输服务位置的制作方法

1.本披露内容的各方面总体上涉及运输服务，并且更具体地涉及最优运输服务位置的确定。


背景技术：

2.按需随选运输服务提供商(例如，驾驶员)从客户处接收将一个或多个人或物品从初始位置运输到目的地的请求。通常，客户指定供驾驶员接载一个或多个人或物品并开始行程的位置；然后驾驶员确定在目的地处将人或物品送达(drop off)以完成行程的位置。手动确定接载位置和送达位置经常会产生未针对实际路况进行优化的接载位置和送达位置，或者可能由于接载位置和/或送达位置选择不当而延迟接载时间或总行程时间。针对每个可能的兴趣点(poi)手动寻找合适的接载位置或送达位置管理起来较繁琐且不可扩展，并且令客户和驾驶员感到不快。


技术实现要素：

3.以下呈现了简化的发明内容，以提供对所披露的本发明的各方面的基本理解。本发明内容不是对所有预期方面的广泛概述，并且既不旨在标识所有方面的关键或重要元素，也不旨在描绘任何或所有方面的范围。唯一目的是要以简化形式呈现一个或多个方面的一些构思，作为随后呈现的更详细描述的序言。
4.提供了用于自动地推断或发现特定于兴趣点或兴趣区域(aoi)的、对于服务提供商和请求者双方均为合适或最优的运输服务位置(例如，接载位置、送达位置等)的解决方案。这些位置可以根据大量信号来推断，这些信号包括有噪声的全球定位系统(gps)、图像、视频、音频、电子钱包交易、远程通信数据(例如，来自汽车传感器的开门、关门、安全带使用)、以及来自提供商和请求者应用程序的用户交互数据。音频数据、视觉数据、文本数据和位置数据可以来自驾驶员应用程序和/或乘客应用程序。虽然对运输服务作为可以应用该解决方案的示例进行了展示，但是该解决方案可以扩展和推广到比如食物运送和物流等其他服务。
5.在本披露内容的一个方面，提供了一种用于运输服务的方法、计算机可读介质以及装置。该装置可以接收与兴趣点实体相关联的多个运输服务交易。针对该多个运输服务交易中的每个运输服务交易，该装置可以确定执行该运输服务交易的运输服务位置。该装置可以对针对该多个运输服务交易确定的运输服务位置进行聚类。该装置可以基于该聚类确定针对该兴趣点实体的一个或多个候选运输服务位置。该装置可以将该一个或多个候选运输服务位置提供给与要在该兴趣点实体处执行的运输服务交易相关联的客户或服务提供商。
6.为实现前述内容和相关的目的，所披露的方面包括在下文中充分描述并在权利要求中特别指出的特征。以下详细阐述的描述和附图展示了本披露内容的各方面的某些特
征。然而，这些特征仅指示了其中可以采用各方面的原理的各方式中的几个，并且这个描述旨在包括所有这些方面及其等同物。
附图说明
7.图1是展示了运输服务交易的示例的简图。
8.图2是自动确定针对兴趣点的最优服务位置的方法的流程图。
9.图3是展示了关于可以如何使用其他数据源来推断运输服务位置的总体框架的示例的简图。
10.图4是展示了针对1k个样本下的poi使用某个固定聚类参数获得的聚类结果的示例的简图。
11.图5是展示了针对以上图4中的20k个样本(例如，1个月的数据集)下描述的poi使用相同的固定聚类参数获得的聚类结果的示例的简图。
12.图6是展示了poi的5
‑
nn距离(单位为km)的累积分布函数的示例的图表。
13.图7是展示了针对以上图4和图5中描述的poi使用上述用于解决传统聚类算法问题的方法获得的聚类结果的示例的简图。
14.图8是运输服务的方法的流程图。
15.图9是展示了示例性设备中不同装置/部件之间的数据流的概念性数据流图。
16.图10是展示了采用处理系统的装置的硬件实施方式的示例的简图。
具体实施方式
17.下面结合附图阐述的详细描述旨在作为各种可能配置的描述，而不是旨在表示本文描述的概念可以实践的唯一配置。为了提供对各种构思的透彻理解，详细的描述包括特定细节。然而，对于本领域技术人员来说显而易见的是，这些构思可以在没有这些特定细节的情况下实践。在一些情况下，以框图形式示出了众所周知的结构和部件，以避免难以理解这些构思。
18.现在将参考各种装置和方法来呈现提供运输服务的若干方面。这些装置和方法将在下面的详细描述中进行描述，并在附图中通过各种块、部件、电路、过程、算法等(统称为“元件”)进行展示。这些元件可以使用电子硬件、计算机软件或其任何组合来实施。这些元件是实施为硬件或是实施为软件取决于特定的应用和对整个系统施加的设计约束。
19.作为示例，元件、或元件的任何部分、或者元件的任何组合可以被实施为包括一个或多个处理器的“处理系统”。处理器的示例包括微处理器、微控制器、图形处理单元(gpu)、中央处理单元(cpu)、应用处理器、数字信号处理器(dsp)、精简指令集计算(risc)处理器、片上系统(soc)、基带处理器、现场可编程门阵列(fpga)、可编程逻辑器件(pld)、状态机、门控逻辑、分立硬件电路、以及被配置为执行贯穿本披露内容描述的各种功能的其他合适的硬件。处理系统中的一个或多个处理器可以执行软件。软件应当被宽泛地解释成意为指令、指令集、代码、代码段、程序代码、程序、子程序、软件部件、应用、软件应用、软件包、例程、子例程、对象、可执行件、执行的线程、规程、函数等，无论其是用软件、固件、中间件、微代码、硬件描述语言、还是其他术语来述及皆是如此。
20.相应地，在一个或多个示例实施例中，所描述的功能可以以硬件、软件、或其任何
组合来实施。如果以软件实施，则这些功能可以被存储在计算机可读介质上的一条或多条指令或代码上或被编码为计算机可读介质上的一条或多条指令或代码。计算机可读介质包括计算机存储介质。存储介质可以是可以由计算机访问的任何可用介质。作为示例而非限制，这种计算机可读介质可以包括随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程rom(eeprom)、光盘存储设备、磁盘存储设备、其他磁存储设备、上述类型的计算机可读介质的组合、或可以用于以可以由计算机访问的指令或数据结构的形式存储计算机可执行代码的任何其他介质。
21.图1是展示了运输服务交易的示例的简图100。在示例中，客户可以请求服务提供商106在poi 102处接载或送达搭乘人104。在一些实施例中，该客户可以是搭乘人104。poi 102可以占据较大的区域。因此，为了促进运输服务交易，可能需要确定精确的运输服务位置108。
22.知晓接载、送达和运送的精确服务位置对于打车和运送服务是至关重要的。虽然大多数映射解决方案都具有poi信息，但是它们很少具有关于各种接入点、入口和出口等的详细信息，这些详细信息对于成功地完成该服务的第一公里和最后一公里路段至关重要。为了这个目标，提供了一种基于机器学习的解决方案，以通过挖掘历史预订的gps轨迹来自动推断服务位置(例如，通过地图上的纬度坐标和经度坐标给出)。
23.推断精确的服务位置有助于知晓针对poi的接载和送达的确切位置，并因此知晓对应于在该poi处起始或结束的行程的行进时间。进一步地，推断精确的服务位置有助于发现乘客偏好或选择的新位置。因此，推断精确的服务位置有助于更好地估算行进时间并提升乘客和驾驶员双方的体验。
24.在本披露内容中，提供了一种用于推断针对poi的优选服务位置的自动化方法。虽然传统的实施方式广泛地使用gps探针，但是该解决方案的一些实施例可以容易地扩展以处理大量信号，包括图像、视频、声音、文本、远程通信、以及人类反馈。鉴于大多数传统方法仅依赖于gps数据进行poi推断，提供了一种解决方案以使用来自音频、视频、文本(例如，乘客
‑
驾驶员聊天)和远程通信记录的各种多模态数据，该各种多模态数据全都可以进行组合以提供对服务位置的更精确的推断。在一些实施例中，提供了一种方法以在服务位置推断的不确定性较高时整合人类反馈。
25.图2是自动确定针对兴趣点的最优服务位置的方法的流程图200。在一些实施例中，该方法可以由装置(例如，图9或图10中示出的装置902/902')来执行。
26.在202处，该装置可以将具有噪声的gps数据与驾驶员应用程序交互数据进行组合(例如，当驾驶员通知该系统车辆已经到达时；不强制驾驶员尽可能准确地执行该动作)以推断每个驾驶员为与接载/送达事件相关联的每个poi实体触发该接载/送达事件的点。
27.由于驾驶员决定指示其已接载乘客(不可强制的动作)的时间和地点的变化、gps信号的固有噪声和不确定性，仅依赖于来自驾驶员应用程序交互的gps探测来推断poi的最优服务位置可能并不总是可靠的。因此，在一些实施例中，可以用附加信号(包括但不限于图像、视频、语音、远程通信、以及比如加速度计、陀螺仪等惯性运动传感器)来增强驾驶员交互数据和/或gps信号。
28.图3是展示了关于可以如何使用其他数据源来推断运输服务位置的总体框架的示例的简图300。在示例中，这些其他数据源可以包括环境302、驾驶员和乘客移动电话304、以
及车辆306。环境302可以提供(在308处)音频、视频和图像。驾驶员和乘客移动电话304可以提供(在310处)应用程序交互数据、gps数据、惯性测量单元(imu)传感器数据、以及文本(例如，乘客
‑
司机聊天)。车辆306可以提供(在312处)车门和安全带远程通信数据。在320处可以对来自不同源的数据进行组合以形成信号分辨率。在322处，可以获得所推断的运输服务位置的最终输出。
29.为了处理安全顾虑并解决乘后纠纷，已经使用了面对面相机和麦克风以记录数据并执行事后分析。然而，该数据可以更有效地用于服务其他目的。在一些实施例中，配备有面部检测和/或识别系统的面对面仪表板相机可以用于检测汽车内的面部，以检测并记录乘客何时上下车。当算法检测到车厢内的新面部时，这可以指示新的搭乘开始。类似地，不存在先前检测到的面部可以指示搭乘结束。可以将对应于这些事件的时刻和gps信号进行组合，以推断并细化最优服务位置和行程的持续时间。
30.通常，打车旅程以驾驶员和乘客彼此问候开始，驾驶员验证乘客的姓名和目的地，而乘客赞同这些细节。这也与同样具有唯一音频签名的车门关闭同时发生。在一些实施例中，通过对这些信号进行分析，可以得到音频签名以创建这种音频信号的规范形式(类似于个人助理中使用的唤醒词)。这些信号与gps数据结合可以用于标识确切的服务位置。
31.多年来，汽车内的远程通信传感器在汽车发生的活动的准确性和覆盖范围这两方面均得到了极大的提高。远程通信传感器可以包括车载gps(通常比手机gps接收器更准确)、附接到后门、加速度、刹车、儿童安全锁、雨刷等的传感器。在打车场景中，驾驶员可以连续服务一系列搭乘，在这种情况下，后门和后备箱门的开闭可以指示乘客正在上车或下车。在一些实施例中，这些活动的时间戳(如由远程通信传感器信号指示的)结合所记录的gps信号可以用于更准确地推断服务位置。
32.在一些实施例中，可以将接载位置的图像和视频与城市的现有图像数据库进行匹配，以缩小poi内的确切位置的范围。这主要在gps信号有噪音且不连贯(尤其在室内接载区域中)时是有用的。
33.乘客经常与地图进行交互以选择接载或送达的针位置。这些“手动针”通常会在乘客未寻找到附近的接载点时使用。在一些实施例中，当将(无监督机器学习)聚类算法应用于随时间聚合的手动针时，可以揭示使用模式，这进而可以用于创建新的poi。这可以进一步标识poi数据库中可以通过更彻底的映射来修复的潜在盲点。
34.乘客经常在打车应用程序内使用文本对话来提供关于poi的附加信息。例如，乘客可能说“在标记为3的柱子旁边等待”。在一些实施例中，挖掘与poi和预订相关联的聊天记录可以揭示关于poi的附加属性并且可能有助于创建新的poi。
35.返回参考图2，在204处，该装置可以过滤数据中由于gps噪声过大和/或驾驶员交互不正确而造成的异常值(outliers)。
36.在206处，该装置可以使用聚类算法将每个相关联的poi实体的这种接载/送达点聚类在一起，其中，该算法的参数是根据每个poi的点数据集的结构来动态调整的。
37.在一些实施例中，聚类算法可以包括若干参数，例如，从某一点开始的最大邻域半径、以及期望的最小集群大小。通常，每个poi处的接载信号(对应于驾驶员的按钮按下的gps位置)的分布可能会有很大的差异。受欢迎的位置具有高密度且大差异的出现率，反之，不太为人所知的位置(例如，住宅poi)往往会有稀疏的集中出现率。因此，用于聚类参数的
固定值可能并不适用于所有情况。用于聚类参数的保守值可能倾向于为相同的poi创建超过必要数量的集群，而放宽这些参数可能会使必要的集群合并，并且还无法有效地去除异常值，因此对最终结果产生负面影响。
38.图4是展示了针对1k个样本下的poi使用某个固定聚类参数获得的聚类结果的示例的简图400。如所示出的，该聚类产生两个集群：402和406。
39.图5是展示了针对以上图4中的20k个样本(例如，1个月的数据集)下描述的poi使用相同的固定聚类参数获得的聚类结果的示例的简图500。如所示出的，聚类仅产生一个集群502，因为聚类算法将所有点连结在一起。
40.在一些实施例中，为了解决上述关于聚类算法的问题，提供了用于设置并调整参数的二阶段过程。在第一步骤期间，可以在所有实验中将聚类参数(例如，从某一点开始的最大邻域半径)固定为初始值，并且可以基于观察到的poi中的点的密度来设置另一参数(例如，期望的最小集群大小)。如果该聚类算法失败(即，如果其未返回任何有效集群)，则可以动态地调整(例如，逐渐放宽)聚类参数，以便适应观察。在一些实施例中，这种调整可能只允许连续几次尝试，并且，如果即使在最大尝试次数用尽之后该聚类仍然失败，则将报告“未找到集群”。
41.在一些实施例中，为了解决上述关于聚类算法的问题，可以自动选择聚类参数的值。聚类参数可能需要针对不同的数据集大小来重新调节，这取决于被聚类的poi的受欢迎度以及所使用的数据快照的周期。在一些实施例中，通过使用启发法(heuristics)来估计点密度，例如，k
‑
最近邻算法(k
‑
nn)距离，则可以自动决定用于每个poi的合适聚类参数。这可以在聚类流水线中实施。随着某些poi的数据集大小的增大，按下按扭可能会开始
‘
绘制’街道网络。这意味着曾经不同的集群可能会通过这些虚假数据点
‘
桥接’。
42.为此，在一些实施例中，针对poi中的每个点，可以测量到其k个最近邻域的平均距离。然后可以将聚类参数设置为该k
‑
nn距离分布的某一百分比p。例如，在一些实施例中，k＝3、4或5等，并且p＝90％、95％或99％等。将p设置地更高会使集群的
‘
包含性’更强(并且因此数量更少)。在一些实施例中，为了避免更稀疏的数据集上存在过大的集群，可以设置聚类参数的最大上限。
43.图6是展示了poi的5
‑
nn距离(单位为km)的累积分布函数(cdf)的示例的图表600。如所示出的，大约80％的点处于其邻域l m之内。进一步地，99％的点处于其邻域14m之内。
44.图7是展示了针对以上图4和图5中描述的poi使用上述用于解决传统聚类算法问题的方法获得的聚类结果的示例的简图700。如所示出的，标识了五个集群702、704、706、708、710。
45.返回参考图2，在208处，该装置可以推断每个集群的聚合点或代表点，以作为该poi的合适的接载/送达点。在一些实施例中，集群的聚合点或代表点可以是所估计的该集群的最密集的点。在一些实施例中，可以将推断出的点进行存储以用于进一步分析、人类验证，或者直接更新当前的poi数据库以获得合适的点。
46.一些实施例可以定期执行，分批获取输入数据(例如，在一周或一个月内累积的数据)、分批对其进行处理并生成或更新输出的最优服务位置。然而，以这种方式执行不可避免地会导致变化延迟。在进行再次处理之前，这个过程需要等待一周/一个月的时间来积累数据。另外，由于数据是分批进行处理的，因此处理过程需要密集的计算和/或较长的持续
时间。
47.一些实施例可以执行
‘
在线/增量学习’(而不是
‘
批量学习’)，因此解决了这些问题。有效地，可以重构学习算法，以便通过仅接收小批量的
‘
新数据点’、结合对系统迄今为止已学到的所有
‘
旧数据’的
‘
现有记忆’来更新最优服务位置。在极端情况下，可以用接收到的每一个单个新数据点来计算更新。
48.这允许系统以计算高效的方式对不断变化的条件(例如，现有道路的意外封闭或入口的重新定位)做出更快且即时的反应。在某些其他情况下，这还允许标记异常情况——例如一个服务位置带有受欢迎目的地的名称，但由于一些手动(插入/删除)错误而发生大幅移动。例如，可以修改聚类算法以允许即时接收到的增量变化。
49.返回参考图2，在210处，该装置可以将这种点的人类验证数据存储并反馈到模型中，以辅助改进聚类算法。一些实施例可以没有人类输入，并且可以单纯
‘
机械地’执行。然而，人类专业经验显然仍旧是有价值的，尤其是在与语境、时间或行为高度相关的方面更是如此。一些实施例可以具有致力于管理服务位置数据的人类专家团队，但是上述方法有助于使大部分过程自动化且意在增强人类团队执行其工作的能力和速度。
50.通常情况下，这样的工作动态需要自动化系统来
‘
盲目地’处理和输出结果，人类团队将在必要时进行评估和/或校正。在一些实施例中，对该工作流程的改进涉及以某种方式对评估结果进行
‘
排序’(使得人类团队优先考虑最
‘
重要的校正’)，和/或以某种方式反馈结果以改进系统，通常经由创建或维护算法/系统的团队。
51.对这种机器辅助人类管理范式的一个重大改进涉及到
‘
主动学习’。实质上，一些实施例的系统主动选择其尝试解决的特定聚类任务并
‘
询问’人类专家其解决方案是否
‘
正确’，目的是在后续任务中改进自身。
52.在一些实施例中，主动学习系统可以执行这些步骤：1.给定基线模型和一组参数，找到其中一些数据的最优服务位置。并不需要使用所有现有数据，一个子集就可以了。简单来说，这些输出最优点可以被称为
‘
提议的解决方案’。2.评估所提议的哪些解决方案应示出给人类专家以获得反馈。这可以通过以下操作来完成：a.首先，衡量这些度量中的任一个：
■
对所提议解决方案的正确性的不确定性，例如，算法判断其推断可能是错误的并且将需要人类专家对其进行校正。
■
潜在人类专家答案的信息量，例如，算法判断人类对这个提议的解决方案的答案具有在尽可能少的迭代中提高模型的整体正确性的最高潜力。
■
该数据点的重要性，例如，因为该位置是高值poi，所以使该位置正确很重要。
■
以上各项的适当平衡。b.然后，示出(2a)中(多个)度量排名较高的解决方案。3.将(2b)中优先考虑的解决方案示出给人类专家(例如，经由计算机仪表板或者其他合适的人机界面)。然后，人类专家提供
‘
正确答案’作为基础真理(例如，如由人类专家判断的最优服务位置真实所处的位置)。4.将人类专家的判断反馈给系统，并且自动微调模型参数，以减小其自身与人类
提供的基础事实答案的误差。5.利用新微调的模型和参数且在完全不同的数据子集上或之前使用的其中一些数据上，从步骤1开始重复。
53.因此，与随机示出示例以供人类反馈的情况相比，所管理的服务位置的质量以更快的速度和更少的人类交互得到改善。这是因为人类专家仅需要在最需要他们的地方花费精力提供更有信息量的答案。
54.虽然本披露内容集中于打车，但是本领域普通技术人员将认识到，本披露内容中所描述的技术可以推广到比如物品(比如食物或商品)的收集和运送等其他应用。在这些情况下，可以使用相同的方法来推断服务位置，即，取件位置、泊车位置、以及物品运送位置等。
55.在一些实施例中，可以将推断出的poi的最优运输服务位置提供给自动车辆(也称为自动驾驶车辆)。该自动车辆可以基于最优运输服务位置在poi处提供运输/运送服务，以实现本披露内容中描述的各种益处。
56.图8是运输服务的方法的流程图800。在一些实施例中，该方法可以由装置(例如，图9或图10中示出的装置902/902')来执行。在一些实施例中，由该方法执行的操作可以对应于以上参考图2描述的操作。
57.在802处，该装置可以接收与兴趣点实体相关联的多个运输服务交易。在一些实施例中，运输服务交易可以包括由服务提供商应客户的请求接载或送达一个或多个人或者一个或多个物品。
58.在804处，针对该多个运输服务交易中的每个运输服务交易，该装置可以确定执行该运输服务交易的运输服务位置。在一些实施例中，运输服务位置可以是接载位置、送达位置、或运送位置中的一个。
59.在一些实施例中，该运输服务位置可以基于gps数据和提供商应用软件交互数据来确定。在一些实施例中，该运输服务位置可以基于该运输服务位置的图像、该运输服务位置的视频、远程通信数据、音频信号、仪表板相机输出、客户交互、或聊天记录中的至少一项来确定。
60.在806处，该装置可以对针对该多个运输服务交易确定的运输服务位置进行聚类。在一些实施例中，为了对运输服务位置进行聚类，该装置可以迭代地放宽聚类参数。在这样的实施例中，这些聚类参数可以包括最大邻域半径和形成有效集群所需的最小点数。
61.在一些实施例中，为了对运输服务位置进行聚类，针对这些运输服务位置中的每个运输服务位置，该装置可以测量到该运输服务位置的k个最近邻域的平均距离。该装置可以自动将聚类的最大邻域半径调整为k最近邻距离分布的百分比。在一些实施例中，k可以是3、4或5等，并且百分比可以是90％、95％或99％等。
62.在808处，该装置可以基于该聚类确定针对该兴趣点实体的一个或多个候选运输服务位置。
63.在810处，该装置可以将该一个或多个候选运输服务位置提供给与要在该兴趣点实体处执行的运输服务交易相关联的客户或服务提供商。
64.在一些实施例中，该装置可以进一步选择所提议的解决方案以寻求人类反馈。该装置可以基于该人类反馈来细化该一个或多个候选运输服务位置。
65.在一些实施例中，该装置可以接收与该兴趣点实体相关联的第二多个运输服务交易。该第二多个运输服务交易可以是最近的交易。该装置可以基于该第二多个运输服务交易来更新该一个或多个候选运输服务位置。
66.图9是展示了示例性装置902中不同装置/部件之间的数据流的概念性数据流图900。装置902可以是一个计算设备或是包括多个计算设备的系统。
67.装置902可以包括基于多模态数据来确定poi的运输服务位置的位置确定部件904。在一个实施例中，位置确定部件904可以执行以上参考图2中的202或图8中的804所描述的操作。
68.装置902可以包括对由位置确定部件904提供的运输服务位置进行聚类的聚类部件906。在一个实施例中，聚类部件906可以执行以上参考图2中的206或图8中的806所描述的操作。
69.装置902可以包括基于由聚类部件906获得的集群来确定poi的候选运输服务位置的位置优化部件908。在一个实施例中，位置优化部件908可以执行以上参考图2中的208或图8中的808所描述的操作。
70.装置902可以包括执行上述图2和图8的流程图中的算法的每个块的附加部件。这样，上述图2和图8的流程图中的每个块可以由一个部件来执行，并且该装置可以包括这些部件中的一个或多个。各部件可以是具体被配置为执行所述过程/算法的一个或多个硬件部件，由被配置为执行所述过程/算法的处理器实施，存储在计算机可读介质中以供处理器实施，或其某种组合。
71.图10是展示了采用处理系统1014的装置902'的硬件实施方式的示例的简图1000。在一些实施例中，装置902’可以是以上参考图9所描述的装置902。装置902’可以包括一个或多个计算设备。处理系统1014可以用通常由总线1024表示的总线架构来实施。取决于处理系统1014的具体应用和整体设计约束，总线1024可以包括任何数量的互连总线和桥。总线1024将包括一个或多个处理器和/或硬件部件(由处理器1004、部件904、906、908和计算机可读介质/存储器1006表示)的各种电路链接在一起。总线1024还可以链接比如定时源、外围设备、电压调节器和功率管理电路等各种其他电路，这些电路是本领域公知的，并且因此不再作任何进一步描述。
72.处理系统1014包括耦合到计算机可读介质/存储器1006的处理器1004。处理器1004负责通用处理，包括执行存储在计算机可读介质/存储器1006上的软件。该软件当由处理器1004执行时使处理系统1014执行上文针对任何特定装置描述的各种功能。计算机可读介质/存储器1006还可以用于存储由处理器1004在执行软件时操纵的数据。处理系统1014进一步包括部件904、906、908中的至少一个。这些部件可以是运行在处理器1004中的软件部件、驻留/存储在计算机可读介质/存储器1006中的软件部件、耦合到处理器1004的一个或多个硬件部件、或其某种组合。
73.在下文中，将展示本披露内容的各个方面：
74.示例1是一种用于运输服务的方法、装置或计算机程序。该装置可以：接收与兴趣点实体相关联的多个运输服务交易；针对该多个运输服务交易中的每个运输服务交易，确定执行该运输服务交易的运输服务位置；对针对该多个运输服务交易确定的运输服务位置进行聚类；基于该聚类确定针对该兴趣点实体的一个或多个候选运输服务位置；并且将该
一个或多个候选运输服务位置提供给与要在该兴趣点实体处执行的运输服务交易相关联的客户或者服务提供商。
75.在示例2中，示例1的主题可以可选地包括：运输服务位置可以是接载位置、送达位置、或运送位置中的一个，其中，运输服务交易可以包括由服务提供商应客户的请求接载或送达一个或多个人或者一个或多个物品。
76.在示例3中，示例1或示例2的主题可以可选地包括：该运输服务位置可以基于gps数据和提供商应用软件交互数据来确定。
77.在示例4中，示例1至示例3中任一个的主题可以可选地包括：该运输服务位置可以基于该运输服务位置的图像、该运输服务位置的视频、远程通信数据、音频信号、仪表板相机输出、客户交互、或聊天记录中的至少一项来确定。
78.在示例5中，示例1至示例4中任一个的主题可以可选地包括：该装置可以：选择所提议的解决方案以寻求人类反馈；并且基于该人类反馈来细化该一个或多个候选运输服务位置。
79.在示例6中，示例1至示例5中任一个的主题可以可选地包括：为了对运输服务位置进行聚类，该装置可以动态地调整聚类参数。
80.在示例7中，示例6的主题可以可选地包括：这些聚类参数可以包括最大邻域半径和形成集群所需的最小点数。
81.在示例8中，示例1至示例7中任一个的主题可以可选地包括：为了对运输服务位置进行聚类，该装置可以：针对这些运输服务位置中的每个运输服务位置，估计该运输服务位置的点密度分布；并且基于所估计的点密度分布来自动地调整该聚类的最大邻域半径。
82.在示例9中，示例8的主题可以可选地包括：k可以是2到10之间的整数，并且百分比可以介于90％到99.9％之间。
83.在示例10中，示例1至示例9中任一个的主题可以可选地包括：该装置可以：接收与该兴趣点实体相关联的第二多个运输服务交易；并且基于该第二多个运输服务交易来更新该一个或多个候选运输服务位置。
84.本领域技术人员将理解，本文使用的术语仅用于描述各实施例的目的，并不旨在限制本发明。如本文所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文另有明确指示。还应当理解，当在本说明书中使用时，术语“包括(comprises)”和/或“包含(comprising)”指定所陈述的特征、整体、步骤、操作、元件和/或部件的存在，但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、部件和/或其群组。
85.应当理解的是，所披露的过程/流程图中方框的特定顺序或层次是示例性方法的说明。基于设计偏好，应当理解的是，可以重新排列过程/流程图中方框的特定顺序或层次。进一步地，一些方框可以组合或省略。所附的方法权利要求以样本顺序呈现各方框的元素，并且不意味着限于所呈现的特定顺序或层次。
86.提供前面的描述是为了使本领域的任何技术人员能够实践本文所描述的各方面。对这些方面的各种修改对于本领域技术人员来说将是显而易见的，并且本文定义的一般原理可以应用于其他方面。因此，权利要求不旨在局限于本文所示的方面，而是符合与语言权利要求一致的全部范围，其中除非特别说明，否则对单数形式的元件的引用并不旨在意味着“一个且仅一个”，而是“一个或多个”。词语“示例性”在本文用于意指“用作示例、实例或
说明”。本文描述为“示例性”的任何方面不一定被解释为优选于或优于其他方面。除非特别说明，否则术语“一些”是指一个或多个。比如“a、b或c中的至少一个”、“a、b或c中的一个或多个”、“a、b和c中的至少一个”、“a、b和c中的一个或多个”、以及“a、b、c或其任何组合”等的组合可以包括a、b和/或c的任何组合，并且可以包括a的倍数、b的倍数、或c的倍数。具体地讲，比如“a、b或c中的至少一个”、“a、b或c中的一个或多个”、“a、b和c中的至少一个”、“a、b和c中的一个或多个”、以及“a、b、c或它们任何组合”等的组合可以是仅a、仅b、仅c、a和b、a和c、b和c、或a和b和c，其中任何此类组合可能包含a、b或c中的一个或多个成员。本领域普通技术人员已知或以后将会知道的贯穿本披露内容所描述的各方面的元件的所有结构和功能等同物都通过引用明确地结合于此，并且旨在由权利要求涵盖。此外，本文披露的任何内容都不旨在奉献给公众，无论这种披露内容是否在权利要求中明确叙述。词语“模块”、“机构”、“元件”、“设备”等不可以代替词语“装置”。因此，任何权利要求要素都不应解释为装置加功能，除非该要素是使用短语“用于
……
的装置”明确叙述。