是否有一个here-api来获取特定目的地的ETA？ - 腾讯云开发者社区

文章/答案/技术大牛

发布

Uber工程技术栈（三）:看曾经的独角兽背后用了哪些技术

不是说有问题就通知工程师，它会采取针对性措施，缩短问题的持续时间。如果部署带来了某个问题，就会自动回滚。...城市运营团队可以在地图上查看所在城市中实时移动的司机，而不是靠枯燥乏味的SQL查询获取洞察力。Storm和Spark将数据流处理成有用的业务度量指标。...可视化展示了react-map-gl的功能，这是由Uber数据可视化团队为MapboxGL-JS开发的一个包装器。...除了准确性外，问题的规模值得关注：每一秒，整个公司的系统都使用ETA信息来做出数量众多的决策。由于那些请求的延迟时间必须在5毫秒左右，算法效率就成了个大问题。...我们的预测引擎使用机器学习，基于结合的用户历史及其他信号，预测乘客目的地。预测占了输入目的地的50%左右。

8442 0

加密流量分析在金融科技领域的高级安全与反欺诈应用

这两种信号的结合为自动化欺诈提供了高置信度的判定依据。案例分析：检测合成身份贷款欺诈在一个欺诈团伙利用合成身份申请贷款的场景中，ETA可以通过识别特定模式来提供预警。...通过对网络流量本身进行指纹识别，ETA能够准确判断一个金融平台上的用户何时正在与哪个特定的加密服务进行交互。因此，ETA不再仅仅是一个网络安全工具，它已成为加密货币监管的关键赋能技术。...第四部分：高级威胁检测与未来发展方向本分析部分的最后一节将探讨如何利用ETA对抗复杂的、有针对性的威胁，并展望金融科技领域加密流量安全的未来格局。...C2域名，从而隐藏流量的真实目的地。...ETA可以通过大规模监控TLS证书的属性来辅助检测此类攻击。

4261 0

您找到你想要的搜索结果了吗？

是的

没有找到

学界 | KDD 2018：滴滴提出WDR模型显著提升ETA预测精度

，在这篇文章中，滴滴技术团队设计了一种使用深度神经网络来预测预估到达时间（ETA）的方案，通过将 ETA 建模成一个时空回归问题，构建了一个丰富有效的特征体系，进一步提出 Wide-deep-recurrent...下图更为直观地展示了这种计算方法：这是完全根据物理结构构建起来的模型，而其中最关键的部分在于每一路段的时间和每一个红绿灯时间的获取。...考虑到路段的通行状态每时每刻都在动态变化，一个比较实际的做法是利用最新的历史数据（比如，刚刚过去的 5 分钟）来估计路段的实时通行时间，而把历史平均通行时间作为默认值来填充信息缺失的路段（若一个路段在最近没有滴滴车辆经过...为了更好地发挥海量出行数据的潜力，滴滴于 2015 年首创了一整套机器学习系统来解决 ETA 问题。从类型上看，ETA 是一个很典型的回归问题：给定输入特征，模型输出一个实数值，代表了预测的行程时间。...线下实验中，滴滴对 2017 年前五月北京滴滴平台的数据进行了适当的过滤，发现无论是 pickup（司机去接乘客）还是 trip（司机送乘客前往目的地），其 WDR 模型有较大幅度的提升。

2.7K2 0

滴滴大脑聪明程度远超 AlphaGo，叶杰平解密滴滴 AI 路径规划

云计算提供强大、灵活的计算能力，滴滴的业务场景对计算要求和实时性都非常高，用户输入一个目的地，最佳合理调度都由滴滴大脑以毫秒级的速度来计算，例如通过滴滴云计算搭建了大规模实时分单处理平台，可以实现多维度最佳订单匹配...在演讲中，叶杰平从目的地预测、智能派单、路径规划、和ETA、供需预测、服务评价几个应用场景入手，具体解析了AI 技术在其中的作用。...海量的数据结合算法，做出一个比较精准的预测，给你带来人工智能的初体验。预测目的地或者用户自己输入目的地之后，就进入到滴滴最核心的一个模块——派单，也就是乘客跟司机的匹配。...当前滴滴ETA可以预测每一单出行的时长以及预估在每一个路口前的等待时长。有了这项技术，可以在更合适的时间对运力进行更好的调度。...在演讲的最后，叶杰平表示：滴滴是一个数据、技术、体验驱动的公司，人工智能已经在很多应用场景有了比较成功的应用。

1.9K7 0

滴滴新算法让你应对女友？道翰天琼认知智能机器人平台API接口大脑为您揭秘-64

这些特点使得机器学习成为很好的ETA解决方案，能够利用海量交通数据来建模行程时间分布。...下面是一个示意图，假设用户从左上方的起点出发，想要前往右下角的终点，ETA系统将结合路网状态和用户信息对这段行程花费的时间做一个预估（图中示例的25分钟）。ETA的应用在滴滴平台上无处不在。...例如以下场景：1、选定目的地之后，乘客首先看到就是预估接驾时间和预计到达终点的时间。前者告诉乘客大约多久之后司机可以到达他指定的出发点，后者给了乘客关于旅途时长的一个预测。...如果这两个时间足够准确，乘客便会对行程有合理的心理预期，便于高效安排自己的事务。2、除了显示时间之外，其实还有一个数字隐藏了ETA的贡献，那就是预估价格。...为了解决这个问题，团队做了一个工作：基于路况分布来度量不同link的相似性，并利用metric learning来对link的embedding vector加强训练。

6382 0

即时配送的ETA问题之亿级样本特征构造实践

从业务的环节来看，打车分为派单、接人、送达三个环节，是一个司机接单到达指定地点接送乘客到达目的地的过程；而外卖则主要分为接单、到店、取餐、送达四个环节，是一个用户、骑手、商家来回交错的场景。...以图5中的第一棵树和第二棵树为例，第一棵树共有三个叶子节点，样本会在三个叶子节点的其中之一输出。所以样本在该棵树有会有可能输出三个不同分类的值，需要由3个bit值来表达样本在该树中输出的含义。...图中样本在第一棵树的第一个叶子节点输出，独热码表示为{100}；而第二棵树有四个叶子节点，且样本在第三个叶子节点输出，则表示为{0010}。...所以N分钟业务准时率是一个很好的补充指标。计算方法 Xi，样本i的有偏差值=(实际送达时长-预估时长)。若Xi < 0 ，表示骑手提前送达，等同于业务准时。...总结 ETA 作为是外卖配送场景中最重要变量之一，是一个复杂程度较高的机器学习问题，其特征的丰富性决定了ETA的上限。

8623 0

距离矩阵服务上线，实现最优派单及路径解决方案

同时，结合实时返回的ETA及跨城远距离计算能力，以及支持驾车、步行、骑行多种方式，可应用于网约车派单、多目的地最优路径智能计算等场景中，使应用场景得到进一步扩展。 ?...车头方向通过车辆GPS获取，调用本服务时做为输入参数传入。 d) 实时订单，除距离外，建议结合实时路况的预计到达时间（ETA）作为派单优先级条件之一。 ?...使用多对多矩阵式计算，计算备选订单中的各乘客、各目的地相互间距离。通过计算得到的互相间距离，并结合实际业务需要，计算得到拼车订单。 ?...与顺风车计算方式接近，不同的是，配送站或配送员有既定的工作范围，备选订单即为工作范围内所有订单，筛选过程相对简单。...目前已有美团、京东、达达等在各自行业内领先的大客户开始使用该距离矩阵服务，来优化自身的派单或配送效率。

2.1K2 0

美团配送实时特征平台建设实践

物理世界中，一个运单的完成过程是从用户下单开始到用户收餐骑手离客为止，需经历一系列室内室外的场景——用户下单，系统派单，骑手室外骑行到目的地然后下车步行到商家，等待取餐驻留室内，商家出餐，骑手取餐离店后步行上车...可以看到物理世界是比较复杂的一个过程，那就需要智能决策系统来做一定的调度，派给哪个骑手？何时到店取餐？同时要做一个合理的定价，针对恶劣天气和爬楼梯等特殊情况收的费用肯定是不同的，收多少配送费？...基于建设目标，设定了三阶段的演进计划：第一阶段——系统化：和业务系统划清边界、确定实时平台架构；将系统搭建起来，验证是否可以支撑业务场景；将新增特征进行收口管理。...在外卖的图中会显示每单的配送时长，看上去这是一个指标，但实际上这个指标从外卖到配送经过的链路是很长的，最少有五六个节点，虽然只是一个ETA的预估时间，但是涉及到的特征可能有60个左右；另外，商家列表页会几百个商家...针对以上背景，有两大策略来解决：开放策略：事件驱动，开放履约事件，让业务平台可以根据开放平台自己计算一些特征。

1.7K2 0

拆解滴滴大脑叶杰平谈出行领域算法技术

其中大数据就像工业革命时代的煤一样举足轻重，人工智能需要数据进行训练，纵观应用级深度学习的成功案例，他们都获得了海量数据，像谷歌和Facebook这样的公司都可以获取大量数据，这种优势让他们可以创造更有效的新工具...云计算提供强大、灵活的计算能力，滴滴的业务场景对计算要求和实时性都非常高，用户输入一个目的地，最佳合理调度都由滴滴大脑以毫秒级的速度来计算，例如通过滴滴云计算搭建了大规模实时分单处理平台，可以实现多维度最佳订单匹配...ETA指预估任意起终点所需的行驶时间，要求精准性。滴滴是国内第一家把机器学习成功应用到ETA的公司，这是解决“订单高效匹配”和“司机运力调度”的关键技术。...当前滴滴ETA可以预测每一单出行的时长以及预估在每一个路口前的等待时长。有了这项技术，可以在更合适的时间对运力进行更好的调度。...除了服务分外，滴滴还通过大数据和机器学习模型来进行司乘判责。服务分里重要的几项因素包括乘客取消订单、投诉，以及文字评价等，需要系统来作智能判责，针对当次取消行为，判断司机是否有责？乘客是否有责？

1.7K2 0

拆解滴滴大脑叶杰平谈出行领域算法技术

其中大数据就像工业革命时代的煤一样举足轻重，人工智能需要数据进行训练，纵观应用级深度学习的成功案例，他们都获得了海量数据，像谷歌和Facebook这样的公司都可以获取大量数据，这种优势让他们可以创造更有效的新工具...云计算提供强大、灵活的计算能力，滴滴的业务场景对计算要求和实时性都非常高，用户输入一个目的地，最佳合理调度都由滴滴大脑以毫秒级的速度来计算，例如通过滴滴云计算搭建了大规模实时分单处理平台，可以实现多维度最佳订单匹配...ETA指预估任意起终点所需的行驶时间，要求精准性。滴滴是国内第一家把机器学习成功应用到ETA的公司，这是解决“订单高效匹配”和“司机运力调度”的关键技术。...当前滴滴ETA可以预测每一单出行的时长以及预估在每一个路口前的等待时长。有了这项技术，可以在更合适的时间对运力进行更好的调度。　　...除了服务分外，滴滴还通过大数据和机器学习模型来进行司乘判责。服务分里重要的几项因素包括乘客取消订单、投诉，以及文字评价等，需要系统来作智能判责，针对当次取消行为，判断司机是否有责?乘客是否有责?

1.5K6 0

机器学习教程：使用摄像头在浏览器上玩真人快打

我们将开发一种有监督的深度学习模型，模型使用来自用户的笔记本电脑相机的图像，检测用户是否进行了出拳和踢腿。在文章的最后，我们可以建立一个模型来玩真人快打: ?...请注意，在“Others”目录中，我们可能会有更多的图像，因为出拳和踢腿的照片比走路、转身的照片要少。如果我们一个类有太多图像并且我们在所有类上训练模型，那么我们就有可能使它偏向于这个特定的类。...“尝试和看到什么”可能听起来不是最好的方法，但这基本就是深度学习中超参数的调整的方法 – 基于我们对模型的理解，我们使用直觉来更新正交参数并凭经验检查模型是否表现很好。...一个有n个元素的向量，有n – 1个元素是0，有一个元素是0，我们称为独热向量。然后，我们通过从MobileNet上叠加每个图像的输出来形成输入张量xs。...如下图显示，从某个角度看，两个踢法在特定的时间点看起来都很相似： ? ? 但是如果我们看看动作执行情况，就可以看出动作就完全不同了： ? 那么，我们如何教我们的神经网络来查看一系列帧而不是单个帧呢？

2K4 0

深度学习在美团配送ETA预估中的探索与实践-笔记

由于外卖ETA承担着承诺履约的责任，因此是否能够按照ETA准时送达，也是外卖骑手考核的指标、配送系统整体的重要指标；承诺一旦给出，系统调度和骑手都要尽力保证准时送达。...下图是骑手履约全过程的时间轴，过程中涉及各种时长参数，可以看到有十几个节点，其中关键时长达到七个。...对于ETA建模，不光是简单一个时间的预估，更需要的是全链路的时间预估，同时更需要兼顾”单量-运力-用户体验”之间的平衡。...2.3 业务规则融入模型目前的业务架构是“模型+规则”，在模型预估一个ETA值之后，针对特定业务场景，会有特定业务规则时间叠加以满足特定场景需求，例如在冬至时饺子品类的需求暴增，模型可能捕捉不到这样的异常点...Note: 业务架构：模型+规则，ETA与业务是紧密结合的，模型是一个初步的结果，不同的场景需要根据业务进行适当的调整。

1.1K2 0

图神经网络让预估到达准确率提升50%，谷歌地图实现新突破

很多人使用谷歌地图（Google Maps）获取精确的交通预测和预估到达时间（Estimated Time of Arrival，ETA）。...它们使用 Google Maps 平台获取接送时间信息并基于乘车时间估计价格。...例如，早晚高峰每天都会有，但每一天、每一月的高峰期确切时间有很大不同。道路质量、限速、交通事故等因素也增加了交通预测模型的复杂度。...这意味着超级路段覆盖了一组路段，其中每个路段都有特定的长度和相应的速度特征。首先，该团队为每个超级路段训练了一个全连接神经网络模型。初步结果良好，表明神经网络在预测行程时间方面是很有潜力的。...所以，在预定义训练阶段之后，研究者首先采用一种指数衰减学习率计划来稳定参数。此外，研究者还探究和分析了以往研究中被证明有效的模型集成技术，从而观察是否可以减少训练运行中的模型差异。

1K4 0

深度学习在美团配送ETA预估中的探索与实践

配送是否准时还会作为骑手的工作考核结果。...而在打车场景，用户更加关心是否能打到车，ETA仅提供一个参考，司机端对此也不是特别关注。...外卖及打车中的ETA 下图是骑手履约全过程的时间轴，过程中涉及各种时长参数，可以看到有十几个节点，其中关键时长达到七个。...对于ETA建模，不光是简单一个时间的预估，更需要的是全链路的时间预估，同时更需要兼顾"单量-运力-用户转化率"转化率之间的平衡。...损失函数 2.3 业务规则融入模型目前的业务架构是"模型+规则"，在模型预估一个ETA值之后，针对特定业务场景，会有特定业务规则时间叠加以满足特定场景需求，各项规则由业务指标多次迭代产生。

7651 0

Golang任务队列machinery使用与源码剖析（二）

然而，做技术的一般都是有强迫症的，两个配置文件存在于一个项目的确是一个十分ugly的现象，为了解决这一问题，machinery的环境变量配置模式的作用就体现出来了。...return worker.taskFailed(signature, err) } ... } 我们看到，当任务执行失败后，将会首先判断tasks.ErrRetryTaskLater是否有被实现...，支持实时执行、或者延时执行，同时在出错后支持重试等功能，这些在部分场合已经十分适用了，但是，在更多场景下，我们需要执行的任务之间有上下依赖需要串行执行、或者任务之间完全并行不相关、又或者根据结果成功失败来执行回调的需求...链式任务的结果获取，获取的是最后一个任务的执行结果，调用方式与普通任务获取无异，方式如下： // 调用代码 results, err := chainAsyncResult.Get(time.Duration...这时候我们回头看一下Signature的参数中有一个Immutable，chain任务会根据每一个任务的Immutable参数的数值来决定是否帮我们将上一个任务的返回值通过参数传递给chain中的下一个任务

7.5K10 1

HBase在滴滴出行的应用场景和最佳实践

通过调研，了解到关于地理索引有一套比较通用的GeohHash算法。 GeoHash是将二维的经纬度转换成字符串，每一个字符串代表了某一矩形区域。...如果查询范围非常大（比如进行省级别的分析），还额外提供了MR的获取数据的入口。...) + ts/1000 + user_id 场景三：ETA ETA是指每次选好起始和目的地后，提示出的预估时间和价格。...当用户有使用HBase存储的需求，我们会让用户在DHS上注册项目。介绍业务的场景和产品相关的细节，以及是否有高SLA要求。...之后是新建表以及对表性能需求预估，我们要求用户对自己要使用的资源有一个准确的预估。如果用户难以估计，我们会以线上或者线下讨论的方式与用户讨论帮助确定这些信息。

2K6 0

（数据科学学习手札44）在Keras中训练多层感知机

mnist数据集的方法在国内被ban，这里采用mnist.npz文件来从本地获取mnist数据 path = r'D:\anaconda\Lib\site-packages\keras\datasets...2.2 数据预处理　　在获得所需数据并成功读入后，我们需要做的是对数据进行预处理，因为本文只用到多层感知机来对mnist数据实现分类，并没有条件利用到每一个28X28格式手写数字灰度值样本的空间结构信息...= 0.2 　　现在到了最关键的网络结构搭建的部分，对于多层感知机，我们使用序贯模型Sequential来初始化，序贯模型的特点是网络的各组件按照其向后传播的路径来add，针对本例如下： '''网络结构搭建部分...= 0.2 '''数据预处理部分''' #因为keras中在线获取mnist数据集的方法在国内被ban，这里采用mnist.npz文件来从本地获取mnist数据 path = r'D:\anaconda...= 0.2 #设置隐层神经元个数 N_HIDDEN = 128 '''数据预处理部分''' #因为keras中在线获取mnist数据集的方法在国内被ban，这里采用mnist.npz文件来从本地获取

1.8K6 0

加密货币治理的技术与战略框架

其中最重要的一项规定是"旅行规则"(Travel Rule),该规则要求VASPs在处理超过特定阈值的虚拟资产转移时,必须获取、持有并传送交易的发送方和接收方的身份信息。...加密流量分析(ETA)作为战略管控机制本部分是针对用户特定要求进行的专业深度剖析。...这种通信通常表现为长时间存活的TCP连接,伴随着稳定、有节奏的数据包交换。矿机定期从矿池获取计算任务,并提交计算结果。...用于ETA加密货币检测的关键元数据和流特征活动类型关键ETA特征非法挖矿长时间存活的数据流、高数据包发送频率、每个数据包的数据量较小、连接到已知的矿池IP地址范围或特定端口(如3333, 4444)、重复的包长和时间序列...(如Tor的512字节信元)、连接Tor入口节点时特有的TLS握手异常、多层加密导致的流量统计特征变化交易所API交易短暂而频繁的HTTPS(API调用)连接、针对特定API功能(如"获取价格"、"下单

7571 0

【美团技术解析】深度学习在美团配送ETA预估中的探索与实践

1.3K2 0

KDD 2020 Oral | 更精确地预估到达时间，滴滴新研究提出异质时空图卷积网络

在打的赶往目的地时，我们经常会问这样一个问题。但如果我们打的是滴滴，这个问题就不用开口问了。因为，滴滴的研究者正不断挑战更加精确的到达时间预估结果，相关结果被 KDD 2020 接收为Oral论文。...在这篇论文中，滴滴 AI Labs 技术团队针对预估到达时间任务构建了一个异质时空图，并提出了 HetETA 框架来挖掘时空图中的丰富语义信息，有效提升了预估到达时间任务的精确度。...当前大多数工作致力于建立丰富的特征系统来提高 ETA 任务的准确性，然而这些特征系统很少考虑到空间信息的构建与挖掘。...图表 2：沈阳车流示意图此外，ETA 任务也与道路交通速度的时序信息息息相关。...图 3 描述了沈阳某道路路段交通状况在 2 周内的变化趋势，从中可观察到周一到周五工作日有明显近似的高峰时段（早上 8 点左右以及晚上 6 点左右），而周六日的高峰时段则从早 8 点持续到晚上 6 点左右

1.6K3 0

点击加载更多

Uber工程技术栈（三）:看曾经的独角兽背后用了哪些技术

加密流量分析在金融科技领域的高级安全与反欺诈应用

学界 | KDD 2018：滴滴提出WDR模型显著提升ETA预测精度

滴滴大脑聪明程度远超 AlphaGo，叶杰平解密滴滴 AI 路径规划

滴滴新算法让你应对女友？道翰天琼认知智能机器人平台API接口大脑为您揭秘-64

即时配送的ETA问题之亿级样本特征构造实践

距离矩阵服务上线，实现最优派单及路径解决方案

美团配送实时特征平台建设实践

拆解滴滴大脑叶杰平谈出行领域算法技术

拆解滴滴大脑叶杰平谈出行领域算法技术

机器学习教程：使用摄像头在浏览器上玩真人快打

深度学习在美团配送ETA预估中的探索与实践-笔记

图神经网络让预估到达准确率提升50%，谷歌地图实现新突破

深度学习在美团配送ETA预估中的探索与实践

Golang任务队列machinery使用与源码剖析（二）

HBase在滴滴出行的应用场景和最佳实践

（数据科学学习手札44）在Keras中训练多层感知机

加密货币治理的技术与战略框架

【美团技术解析】深度学习在美团配送ETA预估中的探索与实践

KDD 2020 Oral | 更精确地预估到达时间，滴滴新研究提出异质时空图卷积网络

相关资讯

热门标签

活动推荐

运营活动

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐