首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

是否有一个here-api来获取特定目的地的ETA?

是的,HERE API 提供了获取特定目的地的预计到达时间(ETA)的功能。HERE 提供了多种 API 服务,其中 Routing APITraffic API 可以用来计算 ETA。

以下是使用 HERE Routing API 获取 ETA 的基本步骤:

  1. 获取 API 密钥: 首先,你需要在 HERE Developer 网站上注册并创建一个应用,以获取 API 密钥。
  2. 构建请求: 使用你的 API 密钥,构建一个请求来调用 Routing API 的 calculateRoute 方法。你需要提供起点和终点的坐标,以及其他可能需要的参数,如出行方式(驾车、步行、骑行或公共交通)。
  3. 发送请求: 通过 HTTP 请求发送构建好的请求到 HERE API。
  4. 处理响应: HERE API 会返回一个包含路线信息的响应,其中包括预计到达时间(ETA)。

下面是一个简单的示例,展示了如何使用 cURL 命令行工具发送请求:

代码语言:javascript
复制
curl -X GET \
  'https://route.ls.hereapi.com/routing/7.2/calculateRoute.json?apiKey={YOUR_API_KEY}&waypoint0=52.5160,13.3779&waypoint1=52.5206,13.3862&mode=fastest;car;traffic:enabled'

在这个示例中,{YOUR_API_KEY} 需要替换为你的实际 API 密钥,waypoint0waypoint1 分别代表起点和终点的坐标。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

Uber工程技术栈(三):看曾经独角兽背后用了哪些技术

不是说问题就通知工程师,它会采取针对性措施,缩短问题持续时间。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司机,而不是靠枯燥乏味SQL查询获取洞察力。Storm和Spark将数据流处理成有用业务度量指标。...可视化展示了react-map-gl功能,这是由Uber数据可视化团队为MapboxGL-JS开发一个包装器。...除了准确性外,问题规模值得关注:每一秒,整个公司系统都使用ETA信息做出数量众多决策。由于那些请求延迟时间必须在5毫秒左右,算法效率就成了个大问题。...我们预测引擎使用机器学习,基于结合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50%左右。

63920

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预测预估到达时间(ETA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模型,而其中最关键部分在于每一路段时间和每一个红绿灯时间获取。...考虑到路段通行状态每时每刻都在动态变化,一个比较实际做法是利用最新历史数据(比如,刚刚过去 5 分钟)估计路段实时通行时间,而把历史平均通行时间作为默认值填充信息缺失路段(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潜力,滴滴于 2015 年首创了一整套机器学习系统解决 ETA 问题。从类型上看,ETA一个很典型回归问题:给定输入特征,模型输出一个实数值,代表了预测行程时间。...线下实验中,滴滴对 2017 年前五月北京滴滴平台数据进行了适当过滤,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 模型较大幅度提升。

2.2K20

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、灵活计算能力,滴滴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速度计算,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 技术在其中作用。...海量数据结合算法,做出一个比较精准预测,给你带来人工智能初体验。 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一个模块——派单,也就是乘客跟司机匹配。...当前滴滴ETA可以预测每一单出行时长以及预估在每一个路口前等待时长。了这项技术,可以在更合适时间对运力进行更好调度。...在演讲最后,叶杰平表示:滴滴是一个数据、技术、体验驱动公司,人工智能已经在很多应用场景了比较成功应用。

1.5K70

即时配送ETA问题之亿级样本特征构造实践

从业务环节来看,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、商家来回交错场景。...以图5中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其中之一输出。所以样本在该棵树会有可能输出三个不同分类值,需要由3个bit值表达样本在该树中输出含义。...图中样本在第一棵树一个叶子节点输出,独热码表示为{100};而第二棵树四个叶子节点,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补充指标。 计算方法 Xi,样本i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机器学习问题,其特征丰富性决定了ETA上限。

60730

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ETA解决方案,能够利用海量交通数据建模行程时间分布。...下面是一个示意图,假设用户从左上方起点出发,想要前往右下角终点,ETA系统将结合路网状态和用户信息对这段行程花费时间做一个预估(图中示例25分钟)。ETA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时间。前者告诉乘客大约多久之后司机可以到达他指定出发点,后者给了乘客关于旅途时长一个预测。...如果这两个时间足够准确,乘客便会对行程合理心理预期,便于高效安排自己事务。2、除了显示时间之外,其实还有一个数字隐藏了ETA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:基于路况分布度量不同link相似性,并利用metric learning对linkembedding vector加强训练。

46620

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,计算备选订单中各乘客、各目的地相互间距离。 通过计算得到互相间距离,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,不同是,配送站或配送员既定工作范围,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大客户开始使用该距离矩阵服务,优化自身派单或配送效率。

1.6K20

即时配送ETA问题之亿级样本特征构造实践

从业务环节来看,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、商家来回交错场景。...以图5中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其中之一输出。所以样本在该棵树会有可能输出三个不同分类值,需要由3个bit值表达样本在该树中输出含义。...图中样本在第一棵树一个叶子节点输出,独热码表示为{100};而第二棵树四个叶子节点,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补充指标。 计算方法: Xi,样本i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机器学习问题,其特征丰富性决定了ETA上限。

92150

美团配送实时特征平台建设实践

物理世界中,一个运单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一个过程,那就需要智能决策系统做一定调度,派给哪个骑手?何时到店取餐?同时要做一个合理定价,针对恶劣天气和爬楼梯等特殊情况收费用肯定是不同,收多少配送费?...基于建设目标,设定了三阶段演进计划: 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。...在外卖图中会显示每单配送时长,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链路是很长,最少有五六个节点,虽然只是一个ETA预估时间,但是涉及到特征可能有60个左右;另外,商家列表页会几百个商家...针对以上背景,两大策略解决: 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。

1.3K20

机器学习教程:使用摄像头在浏览器上玩真人快打

我们将开发一种监督深度学习模型,模型使用来自用户笔记本电脑相机图像,检测用户是否进行了出拳和踢腿。 在文章最后,我们可以建立一个模型玩真人快打: ?...请注意,在“Others”目录中,我们可能会有更多图像,因为出拳和踢腿照片比走路、转身照片要少。如果我们一个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类。...“尝试和看到什么”可能听起来不是最好方法,但这基本就是深度学习中超参数调整方法 – 基于我们对模型理解,我们使用直觉更新正交参数并凭经验检查模型是否表现很好。...一个n个元素向量,n – 1个元素是0,一个元素是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,我们如何教我们神经网络查看一系列帧而不是单个帧呢?

1.7K40

深度学习在美团配送ETA预估中探索与实践

配送是否准时还会作为骑手工作考核结果。...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ETA 下图是骑手履约全过程时间轴,过程中涉及各种时长参数,可以看到十几个节点,其中关键时长达到七个。...对于ETA建模,不光是简单一个时间预估,更需要是全链路时间预估,同时更需要兼顾"单量-运力-用户转化率"转化率之间平衡。...损失函数 2.3 业务规则融入模型 目前业务架构是"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。

1K21

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成功案例,他们都获得了海量数据,像谷歌和Facebook这样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新工具...云计算提供强大、灵活计算能力,滴滴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速度计算,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公司,这是解决“订单高效匹配”和“司机运力调度”关键技术。...当前滴滴ETA可以预测每一单出行时长以及预估在每一个路口前等待时长。了这项技术,可以在更合适时间对运力进行更好调度。   ...除了服务分外,滴滴还通过大数据和机器学习模型进行司乘判责。服务分里重要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,判断司机是否责?乘客是否责?

1.3K60

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成功案例,他们都获得了海量数据,像谷歌和Facebook这样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新工具...云计算提供强大、灵活计算能力,滴滴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速度计算,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公司,这是解决“订单高效匹配”和“司机运力调度”关键技术。...当前滴滴ETA可以预测每一单出行时长以及预估在每一个路口前等待时长。了这项技术,可以在更合适时间对运力进行更好调度。...除了服务分外,滴滴还通过大数据和机器学习模型进行司乘判责。服务分里重要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,判断司机是否责?乘客是否责?

1.1K20

深度学习在美团配送ETA预估中探索与实践-笔记

由于外卖ETA承担着承诺履约责任,因此是否能够按照ETA准时送达,也是外卖骑手考核指标、配送系统整体重要指标;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时间轴,过程中涉及各种时长参数,可以看到十几个节点,其中关键时长达到七个。...对于ETA建模,不光是简单一个时间预估,更需要是全链路时间预估,同时更需要兼顾”单量-运力-用户体验”之间平衡。...2.3 业务规则融入模型 目前业务架构是“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需求暴增,模型可能捕捉不到这样异常点...Note: 业务架构:模型+规则,ETA与业务是紧密结合,模型是一个初步结果,不同场景需要根据业务进行适当调整。

66820

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、每一月高峰期确切时间很大不同。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长度和相应速度特征。 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。...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模型集成技术,从而观察是否可以减少训练运行中模型差异。

81340

深度学习在美团配送ETA预估中探索与实践

配送是否准时还会作为骑手工作考核结果。...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ETA 下图是骑手履约全过程时间轴,过程中涉及各种时长参数,可以看到十几个节点,其中关键时长达到七个。...对于ETA建模,不光是简单一个时间预估,更需要是全链路时间预估,同时更需要兼顾"单量-运力-用户转化率"转化率之间平衡。...损失函数 2.3 业务规则融入模型 目前业务架构是"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。

63610

Golang任务队列machinery使用与源码剖析(二)

然而,做技术一般都是强迫症,两个配置文件存在于一个项目的确是一个十分ugly现象,为了解决这一问题,machinery环境变量配置模式作用就体现出来了。...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,我们需要执行任务之间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执行回调需求...链式任务结果获取获取是最后一个任务执行结果,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参数中有一个Immutable,chain任务会根据每一个任务Immutable参数数值决定是否帮我们将上一个任务返回值通过参数传递给chain中一个任务

7.1K101

(数据科学学习手札44)在Keras中训练多层感知机

mnist数据集方法在国内被ban,这里采用mnist.npz文件从本地获取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,我们需要做是对数据进行预处理,因为本文只用到多层感知机对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空间结构信息...= 0.2   现在到了最关键网络结构搭建部分,对于多层感知机,我们使用序贯模型Sequential初始化,序贯模型特点是网络各组件按照其向后传播路径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数据集方法在国内被ban,这里采用mnist.npz文件从本地获取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数据集方法在国内被ban,这里采用mnist.npz文件从本地获取

1.5K60

HBase在滴滴出行应用场景和最佳实践

通过调研,了解到关于地理索引一套比较通用GeohHash算法 。 GeoHash是将二维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获取数据入口。...) + ts/1000 + user_id 场景三:ETA ETA是指每次选好起始和目的地后,提示出预估时间和价格。...当用户有使用HBase存储需求,我们会让用户在DHS上注册项目。介绍业务场景和产品相关细节,以及是否高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资源一个准确预估。如果用户难以估计,我们会以线上或者线下讨论方式与用户讨论帮助确定这些信息。

1.8K60

【美团技术解析】深度学习在美团配送ETA预估中探索与实践

配送是否准时还会作为骑手工作考核结果。...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ETA 下图是骑手履约全过程时间轴,过程中涉及各种时长参数,可以看到十几个节点,其中关键时长达到七个。...对于ETA建模,不光是简单一个时间预估,更需要是全链路时间预估,同时更需要兼顾"单量-运力-用户转化率"转化率之间平衡。...损失函数 2.3 业务规则融入模型 目前业务架构是"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。

1.1K20

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,滴滴研究者正不断挑战更加精确到达时间预估结果,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 框架挖掘时空图中丰富语义信息,有效提升了预估到达时间任务精确度。...当前大多数工作致力于建立丰富特征系统提高 ETA 任务准确性,然而这些特征系统很少考虑到空间信息构建与挖掘。...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 周内变化趋势,从中可观察到周一到周五工作日明显近似的高峰时段(早上 8 点左右以及晚上 6 点左右),而周六日高峰时段则从早 8 点持续到晚上 6 点左右

1.4K30
领券