CN107945507B - 行程时间预测方法及装置 - Google Patents

Abstract

本发明公开了一种行程时间预测方法及装置，属于计算机技术领域。所述方法包括：获取行程时间预测请求；获取目标行驶路径对应的整体路径特征，整体路径特征包括用于指示当前时刻的道路交通状况的特征；根据整体路径特征和历史行程数据，计算目标行驶路径的预计行程时间。由于在预测时结合考虑目标行驶路径对应的整体路径特征和历史行程数据，利用历史行程数据对预测结果进行修正，以使得计算得到的预测结果的准确性更高。另外，由于直接根据目标行驶路径这一整条行驶路径获取对应的整体路径特征，无需对目标行驶路径进行分段处理，可避免因分段累加而造成的累积误差，提高预测结果的准确性。

Description

行程时间预测方法及装置

技术领域

本发明涉及计算机技术领域，特别涉及一种行程时间预测方法及装置。

背景技术

行程时间是指从某一路径的起点至终点所需的时长。目前，行程时间预测在诸多实际应用场景下得到广泛应用，例如到达时刻预测、路径推荐、订单分派等。

在现有技术中，采用如下方式预测行程时间：服务器接收行程时间预测请求，该行程时间预测请求用于请求对目标行驶路径的行程时间进行预估；服务器将目标行驶路径按路段进行划分，根据各个路段的长度和各个路段当前时刻的行驶速度，分别对车辆在各个路段的行程时间进行预估；并且，服务器根据各个路段的行程时间预估车辆到达各个路口的时刻，进而确定出车辆在各个路口的等待时间；而后服务器将各部分的预估时间进行累加得到目标行驶路径的预计行程时间。

采用现有技术提供的方案，由于服务器采用的各个路段的行驶速度并不能够准确反映车辆实际在该路段上的行驶速度，因此预估出的各个路段的行程时间并不准确，这也进一步影响到预估出的各个路口的等待时间的准确性。并且，各部分的预估时间的误差会不断累加，导致最终得到的预测结果的准确性较低。

发明内容

为了解决现有技术提供的方案，预测行程时间的准确性较低的问题，本发明实施例提供了一种行程时间预测方法及装置。所述技术方案如下：

第一方面，提供了一种行程时间预测方法，所述方法包括：

获取行程时间预测请求，所述行程时间预测请求用于请求预测从目标行驶路径的起点至终点的预计行程时间；

获取所述目标行驶路径对应的整体路径特征，所述整体路径特征包括用于指示当前时刻的道路交通状况的特征，所述整体路径特征包括实时路况特征和路径静态特征，所述实时路况特征用于指示当前时刻的道路交通状况的特征，所述路径静态特征用于指示所述目标行驶路径基本属性的特征，所述实时路况特征包括以下至少一项：所述目标行驶路径所包括的每一种拥堵情况的道路长度占所述目标行驶路径的总长度的比值、所述目标行驶路径所包括的每一种道路在当前时刻的行驶速度、所述目标行驶路径所包括的每一种道路在当前时刻的限速，所述路径静态特征包括以下至少一项：所述目标行驶路径所包括的每一种道路的道路长度占比、交通设施密度、所述目标行驶路径的总长度、实际出发时刻/时段/日期、实际到达时刻/时段/日期；

将所述整体路径特征作为行程时间计算模型的输入，采用所述行程时间计算模型计算所述目标行驶路径的所述预计行程时间；其中，所述行程时间计算模型根据历史行程数据训练得到，所述历史行程数据包括：多条历史行驶路径、每一条历史行驶路径对应的整体路径特征、每一条历史行驶路径的实际行程时间。

第二方面，提供了一种行程时间预测装置，所述装置包括：

请求获取模块，用于获取行程时间预测请求，所述行程时间预测请求用于请求预测从目标行驶路径的起点至终点的预计行程时间；

特征获取模块，用于获取所述目标行驶路径对应的整体路径特征，所述整体路径特征包括用于指示当前时刻的道路交通状况的特征，所述整体路径特征包括实时路况特征和路径静态特征，所述实时路况特征用于指示当前时刻的道路交通状况的特征，所述路径静态特征用于指示所述目标行驶路径基本属性的特征，所述实时路况特征包括以下至少一项：所述目标行驶路径所包括的每一种拥堵情况的道路长度占所述目标行驶路径的总长度的比值、所述目标行驶路径所包括的每一种道路在当前时刻的行驶速度、所述目标行驶路径所包括的每一种道路在当前时刻的限速，所述路径静态特征包括以下至少一项：所述目标行驶路径所包括的每一种道路的道路长度占比、交通设施密度、所述目标行驶路径的总长度、实际出发时刻/时段/日期、实际到达时刻/时段/日期；

时间计算模块，用于将所述整体路径特征作为行程时间计算模型的输入，采用所述行程时间计算模型计算所述目标行驶路径的所述预计行程时间；其中，所述行程时间计算模型根据历史行程数据训练得到，所述历史行程数据包括：多条历史行驶路径、每一条历史行驶路径对应的整体路径特征、每一条历史行驶路径的实际行程时间。

第三方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的方法。

第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序用于实现如第一方面所述的方法。

本发明实施例提供的技术方案带来的有益效果包括：

由于在预测目标行驶路径的预计行程时间时，除考虑目标行驶路径对应的整体路径特征之外，还结合考虑历史行程数据，利用历史行程数据对预测结果进行修正，以使得计算得到的预测结果的准确性更高。另外，由于直接根据目标行驶路径这一整条行驶路径获取对应的整体路径特征，无需对目标行驶路径进行分段处理，可避免因分段累加而造成的累积误差，提高预测结果的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例提供的行程时间预测方法的流程图；

图2A是本发明另一实施例提供的行程时间预测方法的流程图；

图2B是图2A所示实施例涉及的构建行程时间计算模型的流程图；

图2C是图2A所示实施例涉及的训练样本集的构建过程的示意图；

图2D是图2A所示实施例涉及的模型生成过程的示意图；

图2E是图2A所示实施例涉及的模型验证过程的示意图；

图3是本发明一个实施例提供的行程时间预测装置的框图；

图4示出了本发明一个实施例提供的服务器的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

在本发明实施例中，行程时间是指从某一路径的起点至终点所需的时长。实际行程时间是根据已有的历史行程数据，所获取的实际消耗的行程时间。也即，实际行程时间为真值。预计行程时间是根据目标行驶路径对应的整体路径特征和历史行程数据，所计算得到的预计消耗的行程时间。也即，预计行程时间为预测值。预计行程时间也可称为预计到达时间(Estimated Time of Arrival，ETA)。

另外，本发明实施例提供的技术方案，主要应用于对车辆的行程时间进行预测。例如，在通常情况下，车辆可以是汽车；在其它可能情况下，车辆也可以是电动车、摩托车、自行车等其它车辆。

本发明实施例提供的方法，各步骤的执行主体可以是服务器。例如，该服务器可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。为了便于描述，在下述方法实施例中，以各步骤的执行主体为服务器进行说明。

请参考图1，其示出了本发明一个实施例提供的行程时间预测方法的流程图。该方法可以包括如下几个步骤。

步骤101，获取行程时间预测请求，行程时间预测请求用于请求预测从目标行驶路径的起点至终点的预计行程时间。

服务器获取行程时间预测请求，例如服务器接收终端发送的行程时间预测请求。目标行驶路径可以是由用户自定义设定的行驶路径，也可以是由终端根据用户设定的路径规划条件(如起点和终点)规划生成的行驶路径。

步骤102，获取目标行驶路径对应的整体路径特征，整体路径特征包括用于指示当前时刻的道路交通状况的特征。

服务器在获取到行程时间预测请求之后，根据当前时刻目标行驶路径上的道路交通状况，获取目标行驶路径对应的整体路径特征。其中，当前时刻即是指服务器执行获取目标行驶路径对应的整体路径特征这一步骤的时刻。服务器可与交管部门的数据库对接，从交管部门的数据库中获取道路交通状况的相关数据。

上述用于指示当前时刻的道路交通状况的特征可称为实时路况特征，实时路况特征包括但不限于下列至少一项：行驶路径所包括的每一种拥堵情况(如极堵、拥堵、缓行、畅通等)的道路的长度占行驶路径的总长度的比值，行驶路径所包括的每一种道路在当前时刻的行驶速度，行驶路径所包括的每一种道路在当前时刻的限速。其中，道路的种类可按不同标准进行划分，如行政等级(如高速、快速、国道、省道、县道等)、功能等级、道路类型(如普通道路、上下线分离道路、隧道、主路、辅路、环岛、桥梁、匝道等)、交通流向(如单向通行和双向通行)、施工情况(如正在施工和未在施工)、通行状况(如禁止通行和允许通行)、车道数(如一车道、两车道、三车道、三车道以上)、是否高架路、坡度(如上坡路和下坡路)等。

可选地，整体路径特征还包括用于指示路径基本属性的特征，可称为路径静态特征。路径静态特征包括但不限于下列至少一项：道路长度占比，交通设施密度，行驶路径的总长度，实际出发时刻/时段/日期，实际到达时刻/时段/日期。示例性地，道路长度占比包括但不限于下列至少一项：行驶路径所包括的每一种行政等级的道路的长度占行驶路径的总长度的比值，行驶路径所包括的每一种功能等级的道路的长度占行驶路径的总长度的比值，行驶路径所包括的每一种道路类型的道路的长度占行驶路径的总长度的比值，行驶路径所包括的每一种交通流向的道路的长度占行驶路径的总长度的比值，行驶路径所包括的正在施工的道路和/或未在施工的道路的长度占行驶路径的总长度的比值，行驶路径所包括的禁止通行的道路和/或允许通行的道路的长度占行驶路径的总长度的比值，行驶路径所包括的每一种车道数的道路的长度占行驶路径的总长度的比值，行驶路径所包括的高架路的长度占行驶路径的总长度的比值，行驶路径所包括的上坡路和/或下坡路的长度占行驶路径的总长度的比值。交通设施密度包括但不限于下列至少一项：红绿灯个数与行驶路径的总长度的比值，收费站个数与行驶路径的总长度的比值，摄像头个数与行驶路径的总长度的比值，不同类型的路口(如合流路口、分流路口等)与行驶路径的总长度的比值。

上述介绍的特征仅是示例性和解释性的，并不用于限定本发明。在实际应用中，可设定大量的与行程时间相关的特征，以更好地反映行程时间的规律性变化。

在本发明实施例中，无需对目标行驶路径进行分段处理，直接根据目标行驶路径这一整条行驶路径获取对应的整体路径特征，可避免因分段累加而造成的累积误差。

步骤103，根据上述整体路径特征和历史行程数据，计算目标行驶路径的预计行程时间；其中，历史行程数据包括：多条历史行驶路径、每一条历史行驶路径对应的整体路径特征、每一条历史行驶路径的实际行程时间。

在本发明实施例中，服务器在预测目标行驶路径的预计行程时间时，除考虑目标行驶路径对应的整体路径特征之外，还结合考虑历史行程数据，利用历史行程数据对预测结果进行修正，以使得计算得到的预测结果(也即预计行程时间)的准确性更高。例如，可采用预设的数据处理算法对目标行驶路径对应的整体路径特征和历史行程数据进行处理，计算得到目标行驶路径的预计行程时间。又例如，可根据历史行程数据构建行程时间计算模型，通过行程时间计算模型根据目标行驶路径对应的整体路径特征计算得到目标行驶路径的预计行程时间。

服务器可记录各条行驶路径及对应的实际行程时间，并将其作为历史行程数据。每一条历史行驶路径对应的整体路径特征可以包括上文介绍的实时路况特征和路径静态特征。其中，某一条历史行驶路径对应的实时路况特征是指请求预测该历史行驶路况时的实时路况特征，也即服务器在预测该历史行驶路径的过程中执行获取该历史行驶路径对应的整体路径特征这一步骤时的实时路况特征。

综上所述，本实施例提供的方法，由于在预测目标行驶路径的预计行程时间时，除考虑目标行驶路径对应的整体路径特征之外，还结合考虑历史行程数据，利用历史行程数据对预测结果进行修正，以使得计算得到的预测结果的准确性更高。另外，由于直接根据目标行驶路径这一整条行驶路径获取对应的整体路径特征，无需对目标行驶路径进行分段处理，可避免因分段累加而造成的累积误差，提高预测结果的准确性。

请参考图2A，其示出了本发明另一实施例提供的行程时间预测方法的流程图。该方法可以包括如下几个步骤。

步骤201，获取行程时间预测请求，行程时间预测请求用于请求预测从目标行驶路径的起点至终点的预计行程时间。

有关步骤201可参见上述步骤101的介绍和说明，此处不再赘述。

步骤202，获取目标行驶路径对应的整体路径特征，整体路径特征包括用于指示当前时刻的道路交通状况的特征。

有关步骤202可参见上述步骤102的介绍和说明，此处不再赘述。

步骤203，将整体路径特征作为行程时间计算模型的输入，采用行程时间计算模型计算目标行驶路径的预计行程时间；其中，行程时间计算模型根据历史行程数据训练得到。

行程时间计算模型是用于对行驶路径的行程时间进行预测的数学模型。在本实施例中，根据历史行程数据训练得到行程时间计算模型，能够充分考虑各个特征项，以使得得到的行程时间计算模型能够更为准确地计算预计行程时间。另外，采用建模的方式计算预计行程时间，能够使得计算过程更加直观、简单。

可选地，如图2B所示，采用如下步骤得到行程时间计算模型：

步骤21、根据历史行程数据构建训练样本集；

训练样本集包括多个训练样本，每一个训练样本包括：一条历史行驶路径对应的整体路径特征和该历史行驶路径的实际行程时间。

在一个示例中，结合参考图2C，其示出了训练样本集的构建过程的示意图。预先准备海量的历史行程数据；从上述海量的历史行程数据中进行路径抽取，选取一部分符合目标条件的历史行驶路径；对于每一条选取的历史行驶路径，根据该历史行驶路径对应的整体路径特征和该历史行驶路径的实际行程时间，构建一个训练样本。其中，目标条件包括但不限于下列至少一项：行驶路径的总长度较长，GPS回传间隔小而稳定，无明显跳跃和漂移，行驶路径以高等级道路为主，时空重合度低。可选地，训练样本的数量不少于预先准备的历史行程数据中历史行驶路径的总数的百分之十。

步骤22、采用机器学习算法对训练样本进行训练，得到行程时间计算模型。

可选地，机器学习算法为基于回归决策树的机器学习算法。在一个示例中，上述基于回归决策树的机器学习算法可以是GBDT(Gradient Boosting Decision Tree，梯度提升决策树)算法。GBDT算法又称为MART(Multiple Additive Regression Tree，多重累积回归树)，是一种迭代的决策树算法，该算法由多棵回归决策树组成，所有的回归决策树的计算结果累加起来即为模型的输出值。在本发明实施例中，采用基于回归决策树的机器学习算法，能够构建和训练适用于行程时间预测的模型。

另外，在本发明实施例中，并不限定也可采用其它机器学习算法对训练样本进行训练，如逻辑回归算法、随机森林算法、神经网络算法、深度学习算法等。在实际应用中，可通过实验选取合适的算法。其中，基于回归决策树的机器学习算法是一种适用于行程时间预测的算法。

在一个示例中，结合参考图2D，其示出了模型生成过程的示意图。以机器学习算法为基于回归决策树的机器学习算法(如GBDT算法)为例，将训练样本所包括的整体路径特征和实际行程时间输入至基于GBDT算法构建的行程时间计算模型，对该模型进行训练，最终得到回归决策森林，回归决策森林中包括多个回归决策树。

可选地，为了确保行程时间计算模型的预测精度，采用如下步骤对行程时间计算模型进行验证：

步骤23、根据历史行程数据构建验证样本集。

验证样本集包括多个验证样本，验证样本用于对模型进行验证。验证样本也称为测试样本。每一个验证样本包括：一条历史行驶路径对应的整体路径特征和该历史行驶路径的实际行程时间。构建验证样本时提取的特征项与构建训练样本时提取的特征项相同。

在上述预先准备的历史行程数据中，可从训练样本之外的历史行程数据中进行路径抽取，得到验证样本集。可选地，验证样本的数量不少于预先准备的历史行程数据中历史行驶路径的总数的百分之十。

步骤24、对于每一个验证样本，将验证样本的整体路径特征作为行程时间计算模型的输入，采用行程时间计算模型计算验证样本的预计行程时间。

步骤25、根据各个验证样本的实际行程时间和预计行程时间，计算行程时间计算模型的质量评价参数。

质量评价参数用于指示行程时间计算模型的预测精度。并且，根据质量评价参数设定预设条件，该预设条件用于判定模型的预测精度是否达到预设的精度要求。当质量评价参数符合预设条件时，说明模型的预测精度达到预设的精度要求；当质量评价参数不符合预设条件时，说明模型的预测精度未达到预设的精度要求。

例如，质量评价参数可以是模型的误差率、准确率等。在一个示例中，本步骤包括如下两个子步骤：对于每一个验证样本，根据验证样本的实际行程时间和预计行程时间，计算误差率；获取误差率小于第一阈值的验证样本的数量占验证样本的总数的比值，该比值为质量评价参数。例如，将验证样本的实际行程时间和预计行程时间的差值的绝对值，除以验证样本的实际行程时间，得到误差率。相应地，预设条件包括比值小于第二阈值。

步骤26、检测质量评价参数是否符合预设条件。若是，则执行下述步骤27；若否，则执行下述步骤28。

步骤27、确定行程时间计算模型的预测精度达到预设的精度要求。

步骤28、调整训练样本集。并在步骤28之后再次从步骤22开始执行。

可选地，调整训练样本集包括：调整所获取的特征项和/或调整训练样本。例如，可以在原有的特征项的基础上，进一步增加特征项，尤其是一些与行程时间关联性较强的特征项。又例如，进一步增加训练样本的数量，采用更多的训练样本进行训练。

在一个示例中，结合参考图2E，其示出了模型验证过程的示意图。每一个验证样本包括：一条历史行驶路径对应的整体路径特征和该历史行驶路径的实际行程时间。将验证样本的整体路径特征作为行程时间计算模型的输入，计算验证样本的预计行程时间，而后根据各个验证样本的实际行程时间和预计行程时间，计算模型的质量评价参数(如误差率)。

验证结果为预测精度已达到预设的精度要求的行程时间计算模型，即可用于对目标行驶路径的行程时间进行预测。在本发明实施例中，通过采用验证样本对模型进行验证，有助于提高模型的预测精度和稳定性。

综上所述，本实施例提供的方法，通过根据历史行程数据训练得到行程时间计算模型，能够充分考虑各个特征项，以使得得到的行程时间计算模型能够更为准确地计算预计行程时间。另外，采用建模的方式计算预计行程时间，能够使得计算过程更加直观、简单。

在一个示例中，当实际应用场景为到达时刻预测时，上述步骤103或203之后还包括：根据目标行驶路径对应的计划出发时刻和预计行程时间，计算预计到达时刻。在此场景下，在训练和验证的过程中，将历史行驶路径对应的实际出发时刻，或者实际出发时刻对应的时段(如第几个小时)和/或日期(如星期几)作为一项特征。相应地，在预测过程中，将目标行驶路径对应的预计出发时刻，或者预计出发时刻对应的时段和/或日期作为一项特征。通过上述方式，实现到达时刻预测。

在另一示例中，当实际应用场景为出发时刻推荐时，上述步骤103或203之后还包括：根据目标行驶路径对应的计划到达时刻和预计行程时间，计算预计出发时刻。在此场景下，在训练和验证的过程中，将历史行驶路径对应的实际到达时刻，或者实际到达时刻对应的时段(如第几个小时)和/或日期(如星期几)作为一项特征。相应地，在预测过程中，将目标行驶路径对应的预计到达时刻，或者预计到达时刻对应的时段和/或日期作为一项特征。通过上述方式，实现出发时刻推荐。

本发明实施例提供的技术方案，对于个人用户来说，提供更为精准的预计行程时间，方便用户选择最优的出行线路，或者安排最好的出行时间，有助于节省用户出行的时间成本和经济成本。对于诸如叫车平台、外卖平台等企业用户来说，更精准的行程时间预测将提高订单分派的准确度，提高成单率。

需要补充说明的一点是，在执行上述步骤103之前，服务器还可对目标行驶路径对应的整体路径特征进行变换处理，得到处理后的整体路径特征。对于不同的特征项，所做的变换处理可以相同，也可以不同。在本发明实施例中，对变换处理的具体方式不作限定，例如取对数、取整或者乘以预设系数等。对特征项进行变换处理，其目的是为了使得用于计算的特征项能够得到更为准确的预计行程时间。在实际应用中，对特征项所做的变换处理的方式可通过实验进行验证和确定。服务器根据处理后的整体路径特征和历史行程数据，计算目标行驶路径的预计行程时间。例如，服务器将处理后的整体路径特征作为行程时间计算模型的输入，采用行程时间计算模型计算目标行驶路径的预计行程时间。另外，若采用行程时间计算模型预测行程时间，则在模型构建过程中，也需要对历史行驶路径对应的整体路径特征进行变换处理。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

请参考图3，其示出了本发明一个实施例提供的行程时间预测装置的框图。该装置具有实现上述方法示例的功能，所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该装置可以包括：请求获取模块310、特征获取模块320和时间计算模块330。

请求获取模块310，用于执行上述步骤101或步骤201。

特征获取模块320，用于执行上述步骤102或步骤202。

时间计算模块330，用于执行上述步骤103或步骤203。

可选地，该装置还包括：第一构建模块和模型训练模块。

第一构建模块，用于执行上述步骤21。

模型训练模块，用于执行上述步骤22。

可选地，该装置还包括：第二构建模块、第一计算模块、第二计算模块、参数检测模块和样本调整模块。

第二构建模块，用于执行上述步骤23。

第一计算模块，用于执行上述步骤24。

第二计算模块，用于执行上述步骤25。

参数检测模块，用于执行上述步骤26。

样本调整模块，用于执行上述步骤28。

模型训练模块，还用于在调整训练样本集之后，再次执行上述步骤22。

可选地，第二计算模块，包括：误差计算单元和比值获取单元。误差计算单元，用于对于每一个验证样本，根据所述验证样本的实际行程时间和预计行程时间，计算误差率。比值获取单元，用于获取所述误差率小于第一阈值的验证样本的数量占所述验证样本的总数的比值，所述比值为所述质量评价参数。其中，所述预设条件包括所述比值小于第二阈值。

可选地，该装置还包括：特征处理模块。特征处理模块，用于对整体路径特征进行变换处理，得到处理后的整体路径特征。时间计算模块330，用于根据目标行驶路径对应的处理后的整体路径特征和历史行程数据，计算目标行驶路径的预计行程时间。

可选地，该装置还包括：到达预计模块或者出发预计模块。到达预计模块，用于根据目标行驶路径对应的计划出发时刻和预计行程时间，计算预计到达时刻。出发预计模块，用于根据目标行驶路径对应的计划到达时刻和预计行程时间，计算预计出发时刻。

相关细节可参考上述方法实施例。

需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图4示出了本发明一个实施例提供的服务器的结构示意图。该服务器用于实施上述实施例中提供的方法。具体来讲：

所述服务器400包括中央处理单元(CPU)401、包括随机存取存储器(RAM)402和只读存储器(ROM)403的系统存储器404，以及连接系统存储器404和中央处理单元401的系统总线405。所述服务器400还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)406，和用于存储操作系统413、应用程序414和其他程序模块415的大容量存储设备407。

所述基本输入/输出系统406包括有用于显示信息的显示器408和用于用户输入信息的诸如鼠标、键盘之类的输入设备409。其中所述显示器408和输入设备409都通过连接到系统总线405的输入输出控制器410连接到中央处理单元401。所述基本输入/输出系统406还可以包括输入输出控制器410以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器410还提供输出到显示屏、打印机或其他类型的输出设备。

所述大容量存储设备407通过连接到系统总线405的大容量存储控制器(未示出)连接到中央处理单元401。所述大容量存储设备407及其相关联的计算机可读介质为服务器400提供非易失性存储。也就是说，所述大容量存储设备407可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。

不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器404和大容量存储设备407可以统称为存储器。

根据本发明的各种实施例，所述服务器400还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器400可以通过连接在所述系统总线405上的网络接口单元411连接到网络412，或者说，也可以使用网络接口单元411来连接到其他类型的网络或远程计算机系统(未示出)。

所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行。上述一个或者一个以上程序包含用于执行上述方法的指令。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由服务器的处理器执行以完成上述方法实施例中的各个步骤。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种行程时间预测方法，其特征在于，所述方法包括：

获取行程时间预测请求，所述行程时间预测请求用于请求预测从目标行驶路径的起点至终点的预计行程时间；

获取所述目标行驶路径对应的整体路径特征，所述整体路径特征包括用于指示当前时刻的道路交通状况的特征，所述整体路径特征包括实时路况特征和路径静态特征，所述实时路况特征用于指示当前时刻的道路交通状况的特征，所述路径静态特征用于指示所述目标行驶路径基本属性的特征，所述实时路况特征包括以下至少一项：所述目标行驶路径所包括的每一种拥堵情况的道路长度占所述目标行驶路径的总长度的比值、所述目标行驶路径所包括的每一种道路在当前时刻的行驶速度、所述目标行驶路径所包括的每一种道路在当前时刻的限速，所述路径静态特征包括以下至少一项：所述目标行驶路径所包括的每一种道路的道路长度占比、交通设施密度、所述目标行驶路径的总长度、实际出发时刻/时段/日期、实际到达时刻/时段/日期；

将所述整体路径特征作为行程时间计算模型的输入，采用所述行程时间计算模型计算所述目标行驶路径的所述预计行程时间；其中，所述行程时间计算模型根据历史行程数据训练得到，所述历史行程数据包括：多条历史行驶路径、每一条历史行驶路径对应的整体路径特征、每一条历史行驶路径的实际行程时间。

2.根据权利要求1所述的方法，其特征在于，所述将所述整体路径特征作为行程时间计算模型的输入，采用所述行程时间计算模型计算所述目标行驶路径的所述预计行程时间之前，还包括：

根据所述历史行程数据构建训练样本集，所述训练样本集包括多个训练样本，每一个训练样本包括：一条历史行驶路径对应的整体路径特征和所述历史行驶路径的实际行程时间；

采用机器学习算法对所述训练样本进行训练，得到所述行程时间计算模型。

3.根据权利要求2所述的方法，其特征在于，所述采用机器学习算法对所述训练样本进行训练，得到所述行程时间计算模型之后，还包括：

根据所述历史行程数据构建验证样本集，所述验证样本集包括多个验证样本，每一个验证样本包括：一条历史行驶路径对应的整体路径特征和所述历史行驶路径的实际行程时间；

对于每一个验证样本，将所述验证样本的整体路径特征作为所述行程时间计算模型的输入，采用所述行程时间计算模型计算所述验证样本的预计行程时间；

根据各个所述验证样本的实际行程时间和预计行程时间，计算所述行程时间计算模型的质量评价参数，所述质量评价参数用于指示所述行程时间计算模型的预测精度；

检测所述质量评价参数是否符合预设条件；

若所述质量评价参数不符合所述预设条件，则调整所述训练样本集，并再次从所述采用机器学习算法对所述训练样本进行训练，得到所述行程时间计算模型的步骤开始执行。

4.根据权利要求3所述的方法，其特征在于，所述根据各个所述验证样本的实际行程时间和预计行程时间，计算所述行程时间计算模型的质量评价参数，包括：

对于每一个验证样本，根据所述验证样本的实际行程时间和预计行程时间，计算误差率；

获取所述误差率小于第一阈值的验证样本的数量占所述验证样本的总数的比值，所述比值为所述质量评价参数；

其中，所述预设条件包括所述比值小于第二阈值。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述整体路径特征和历史行程数据，计算所述目标行驶路径的所述预计行程时间之前，还包括：

对所述整体路径特征进行变换处理，得到处理后的整体路径特征；

所述根据所述整体路径特征和历史行程数据，计算所述目标行驶路径的所述预计行程时间，包括：

根据所述处理后的整体路径特征和所述历史行程数据，计算所述目标行驶路径的所述预计行程时间。

6.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述整体路径特征和历史行程数据，计算所述目标行驶路径的所述预计行程时间之后，还包括：

根据所述目标行驶路径对应的计划出发时刻和所述预计行程时间，计算预计到达时刻；

或者，

根据所述目标行驶路径对应的计划到达时刻和所述预计行程时间，计算预计出发时刻。

7.一种行程时间预测装置，其特征在于，所述装置包括：

请求获取模块，用于获取行程时间预测请求，所述行程时间预测请求用于请求预测从目标行驶路径的起点至终点的预计行程时间；

特征获取模块，用于获取所述目标行驶路径对应的整体路径特征，所述整体路径特征包括用于指示当前时刻的道路交通状况的特征，所述整体路径特征包括实时路况特征和路径静态特征，所述实时路况特征用于指示当前时刻的道路交通状况的特征，所述路径静态特征用于指示所述目标行驶路径基本属性的特征，所述实时路况特征包括以下至少一项：所述目标行驶路径所包括的每一种拥堵情况的道路长度占所述目标行驶路径的总长度的比值、所述目标行驶路径所包括的每一种道路在当前时刻的行驶速度、所述目标行驶路径所包括的每一种道路在当前时刻的限速，所述路径静态特征包括以下至少一项：所述目标行驶路径所包括的每一种道路的道路长度占比、交通设施密度、所述目标行驶路径的总长度、实际出发时刻/时段/日期、实际到达时刻/时段/日期；

时间计算模块，用于将所述整体路径特征作为行程时间计算模型的输入，采用所述行程时间计算模型计算所述目标行驶路径的所述预计行程时间；其中，所述行程时间计算模型根据历史行程数据训练得到，所述历史行程数据包括：多条历史行驶路径、每一条历史行驶路径对应的整体路径特征、每一条历史行驶路径的实际行程时间。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第一构建模块，用于根据所述历史行程数据构建训练样本集，所述训练样本集包括多个训练样本，每一个训练样本包括：一条历史行驶路径对应的整体路径特征和所述历史行驶路径的实际行程时间；

模型训练模块，用于采用机器学习算法对所述训练样本进行训练，得到所述行程时间计算模型。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

第二构建模块，用于根据所述历史行程数据构建验证样本集，所述验证样本集包括多个验证样本，每一个验证样本包括：一条历史行驶路径对应的整体路径特征和所述历史行驶路径的实际行程时间；

第一计算模块，用于对于每一个验证样本，将所述验证样本的整体路径特征作为所述行程时间计算模型的输入，采用所述行程时间计算模型计算所述验证样本的预计行程时间；

第二计算模块，用于根据各个所述验证样本的实际行程时间和预计行程时间，计算所述行程时间计算模型的质量评价参数，所述质量评价参数用于指示所述行程时间计算模型的预测精度；

参数检测模块，用于检测所述质量评价参数是否符合预设条件；

样本调整模块，用于当所述质量评价参数不符合所述预设条件时，调整所述训练样本集；

所述模型训练模块，还用于在调整所述训练样本集之后，再次采用所述机器学习算法对所述训练样本进行训练，得到所述行程时间计算模型。

10.根据权利要求9所述的装置，其特征在于，所述第二计算模块，包括：

误差计算单元，用于对于每一个验证样本，根据所述验证样本的实际行程时间和预计行程时间，计算误差率；

比值获取单元，用于获取所述误差率小于第一阈值的验证样本的数量占所述验证样本的总数的比值，所述比值为所述质量评价参数；

其中，所述预设条件包括所述比值小于第二阈值。

11.根据权利要求7至10任一项所述的装置，其特征在于，所述装置还包括：

特征处理模块，用于对所述整体路径特征进行变换处理，得到处理后的整体路径特征；

所述时间计算模块，用于根据所述处理后的整体路径特征和所述历史行程数据，计算所述目标行驶路径的所述预计行程时间。

12.根据权利要求7至10任一项所述的装置，其特征在于，所述装置还包括：

到达预计模块，用于根据所述目标行驶路径对应的计划出发时刻和所述预计行程时间，计算预计到达时刻；

或者，

出发预计模块，用于根据所述目标行驶路径对应的计划到达时刻和所述预计行程时间，计算预计出发时刻。

13.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至6任一项所述的方法。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，所述程序用于实现如权利要求1至6任一项所述的方法。

Images