CN109974735B - 到达时间的预估方法、装置及计算机设备 - Google Patents
到达时间的预估方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN109974735B CN109974735B CN201910276948.2A CN201910276948A CN109974735B CN 109974735 B CN109974735 B CN 109974735B CN 201910276948 A CN201910276948 A CN 201910276948A CN 109974735 B CN109974735 B CN 109974735B
- Authority
- CN
- China
- Prior art keywords
- route
- road section
- arrival time
- estimation model
- overall
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种到达时间的预估方法、装置及计算机设备，该方法包括：确定待预估的路线；获取该路线的特征集合，该特征集合包括：组成该路线的路段序列中每条路段的路段特征，该路段序列包括至少一条路段，该路段特征为影响路段的通行时长的特征；将该路段序列中各条路段的路段特征输入第一预估模型，得到该第一预估模型预测出的该路线的第一预估到达时间，该第一预估模型为利用多条路线样本各自对应的特征集合和实际到达时间训练得到。本申请的方案有利于提高预估到达时间的准确度。
Description
技术领域
本申请涉及地图应用技术领域，尤其涉及一种到达时间的预估方法、装置及计算机设备。
背景技术
到达时间(到达时长)的预估是指，对于给定的一条路线，预估从该路线的起点到达该路线的终点所需耗费的时间。
到达时间的预估可以应用于多种场景，如，导航应用中，需要结合用户的起点和终点预估所有候选路线的到达时间，以便为提供耗时最短的路线或者为用户选择路线提供依据；又如，在外卖平台中，根据外卖配送订单对应的客户位置、店铺位置和骑手位置，计算骑手送餐所需的总耗时等。然而，影响一条路线的到达时间的因素较多，从而导致预估的到达时间的准确率较低，因此，如何准确预估一条路线的到达时间是本领域技术人员迫切需要解决的技术问题。
发明内容
有鉴于此，本申请提供了一种到达时间的预估方法、装置及计算机设备，以提高预估出的到达时间的准确度。
为实现上述目的，本申请提供了如下方案：
一方面，本申请提供了一种到达时间的预估方法，包括：
确定待预估的路线；
获取所述路线的特征集合，所述特征集合包括：组成所述路线的路段序列中每条路段的路段特征，所述路段序列包括至少一条路段，所述路段特征为影响路段的通行时长的特征；
将所述路段序列中各条路段的路段特征输入第一预估模型，得到所述第一预估模型预测出的所述路线的第一预估到达时间，所述第一预估模型为利用多条路线样本各自对应的特征集合和实际到达时间训练得到。
优选的，所述特征集合还包括：所述路线的路线整体特征，所述路线整体特征为影响所述路线整体通行时长的特征；
在所述得到所述第一预估模型预测出的所述路线的第一预估到达时间之后，还包括：
将所述路线的路线整体特征以及所述路线的第一预估到达时间输入第二预估模型，得到所述第二预估模型预测出的所述路线的第二预估到达时间，所述第二预估模型为利用多条路线样本各自对应的路线整体特征、第一预估到达时间以及实际到达时间训练得到。
优选的，在得到所述第一预估模型预测出的所述路线的第一预估到达时间之前，还包括：
获取所述第一预估模型对所述路段序列中各条路段的路段特征转换出的至少一个路段转换特征，其中，所述至少一个路段转换特征为所述第一预估模型在预测所述路线的第一预估到达时间之前对所述各条路段的路段特征进行转换得到的；
基于所述至少一个路段转换特征，确定用于表征所述路线的特征的路线综合特征；
所述将所述路线的路线整体特征、所述路线的第一预估到达时间输入第二预估模型，得到所述第二预估模型预测出的所述路线的第二预估到达时间，包括：
将所述路线的路线整体特征、所述路线的第一预估到达时间以及所述路线的路线综合特征输入第二预估模型，得到所述第二预估模型预测出的所述路线的第二预估到达时间，其中，所述第二预估模型为利用多条路线样本各自对应的路线整体特征、第一预估到达时间、路线综合特征以及实际到达时间训练得到。
优选的，所述特征集合还包括：所述路线的路线整体特征，所述路线整体特征为影响所述路线整体通行时长的特征；
所述将所述路段序列中各条路段的路段特征输入第一预估模型，包括：
将所述路线的路线整体特征以及所述路段序列中各条路段的路段特征输入第一预估模型。
优选的，所述获取所述第一预估模型对所述路段序列中各条路段的路段特征转换出的至少一个路段转换特征，包括：
获取所述第一预估模型对所述路段序列中各条路段的路段特征转换出的至少一个路段特征向量；
所述基于所述至少一个路段转换特征，确定用于表征所述路线的特征的路线综合特征，包括：
将所述至少一个路段特征向量中的最大值，确定为用于表征所述路线的特征的路线综合特征；
或者，确定所述至少一个路段特征向量的向量平均值，并将该向量平均值确定为用于表征所述路线的特征的路线综合特征。
优选的，所述第一预估模型为预先训练出的卷积神经网络模型；所述第二预估模型为基于神经网络模型之外的机器学习算法构建出的模型。
优选的，所述确定待预估的路线，包括：
确定待预估的路线以及所述路线的出发时刻；
所述获取所述路线的特征集合，包括：
获取所述路线对应所述出发时刻的特征集合。
又一方面，本申请还提供了一种到达时间的预估装置，包括：
路线确定单元，用于确定待预估的路线；
特征获取单元，用于获取所述路线的特征集合，所述特征集合包括：组成所述路线的路段序列中每条路段的路段特征，所述路段序列包括至少一条路段，所述路段特征为影响路段的通行时长的特征；
第一预估单元，用于将所述路段序列中各条路段的路段特征输入第一预估模型，得到所述第一预估模型预测出的所述路线的第一预估到达时间，所述第一预估模型为利用多条路线样本各自对应的特征集合和实际到达时间训练得到。
优选的，所述特征获取单元获取到的所述特征集合还包括：所述路线的路线整体特征，所述路线整体特征为影响所述路线整体通行时长的特征；
所述预估装置，还包括：
第二预估单元，用于在所述第一预估单元得到所述第一预估模型预测出的所述路线的第一预估到达时间之后，将所述路线的路线整体特征以及所述路线的第一预估到达时间输入第二预估模型，得到所述第二预估模型预测出的所述路线的第二预估到达时间，所述第二预估模型为利用多条路线样本各自对应的路线整体特征、第一预估到达时间以及实际到达时间训练得到。
又一方面，本申请还提供了一种计算机设备，包括：
处理器和存储器；
所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器用于存储所述程序，所述程序至少用于：
确定待预估的路线；
获取所述路线的特征集合，所述特征集合包括：组成所述路线的路段序列中每条路段的路段特征，所述路段序列包括至少一条路段，所述路段特征为影响路段的通行时长的特征；
将所述路段序列中各条路段的路段特征输入第一预估模型，得到所述第一预估模型预测出的所述路线的第一预估到达时间，所述第一预估模型为利用多条路线样本各自对应的特征集合和实际到达时间训练得到。
可见，本申请实施例，对于待预估到达时间的路线而言，会获取组成该路线的路段序列中各条路段的路段特征，并利用已经训练出的第一预估模型和该路线中各条路段的路段特征来预测到达时间，由于路线中每个路段的等级以及拥堵情况等都会影响到该路线的到达时间，而本申请综合考虑到路线上各个路段的路段特征来确定路线的到达时间，从而使得预测出的到达时间能够准确的反映出在该路线行驶所需的耗时，有利于提高了到达时间预估的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1示出了本申请的方案所适用的一种应用场景的系统组成架构示意图；
图2示出了本申请的到达时间的预估方法所适用的计算机设备的一种组成结构示意图；
图3示出了本申请一种到达时间的预估方法的一种流程示意图；
图4示出了本申请一种到达时间的预估方法的又一种流程示意图；
图5示出了到达时间的预估方法的一种实现逻辑示意图；
图6示出了本申请一种到达时间的预估方法的又一种流程示意图；
图7示出了门式卷积神经网络作为第一预估模型预测第一预估到达时间的框架流程示意图；
图8示出了本申请一种到达时间的预估装置的一种组成结构示意图；
图9示出了本申请一种到达时间的预估装置的又一种组成结构示意图。
具体实施方式
为了便于理解本申请的方案，先对本申请所涉及到的一些术语进行说明：
路线，在地图中路线是一条完成的连接起点和终点的路线。在实际场景中，路线的长度一般在一公里到十几公里的范围内。
路段，路段是路线的一个单元，在地图中路线被划分为一段或者多段的线段，每个线段为一条路段，每个路段可以对应一个唯一标识。如，按照路线中所涉及到的各个小的街区，将路线划分为多个路段。相应的，路线可以看成是一个或者多个路段构成的路段序列。一般情况下，路段是路线的一部分，在路线较短的情况下，路线本身就是一个路段。
预估到达时间(estimated time of arrival，ETA)也称为预计到达时间，是指预估出的完成路线的通行所需耗费的时长，如，给定地图中的一条路线，确定出行驶或者步行完该条路线所需耗费的时间。
实际到达时间，是指通行一条路线所需的实际时长。如，在地图服务的历史数据中，统计出行驶完一条路线所需的实际时长。在本申请实施例中，路线的实际到达时间可以用于训练用于预估路线到达时间的预测模型。
本申请实施例的方案适用于预估路线的到达时间，具体的，可以应用于任意需要基于地图确定路线所需耗时的场景。
为了便于理解，下面先对本申请适用的一种应用场景以及其系统组成架构进行说明。
以地图应用中的路线导航为例说明。如图1，其示出了本申请所适用的路线导航场景所对应的导航系统的组成结构示意图。
由图1可以看出，该导航系统可以包括：导航平台100，该导航平台100包括至少一台导航服务器101；
导航系统还可以包括：导航终端102，该导航终端通过通信网络与导航平台的导航服务器建立连接。导航终端可以为安装有导航应用的移动终端，或者是车载导航设备等。
其中，导航终端102可以获取用户输入或者设定的导航起点(起始位置点)和导航终点(结束位置点)，并将导航起点和导航终点发送给导航服务器101。
该导航服务器101，根据该导航起点和导航终点，从地图中确定出至少一条路线，并预估出路线的耗时(即，预估到达时间)。
进一步的，导航服务器101，还可以根据确定出的至少一条路线各自的耗时，向导航终端反馈该至少一条各自的耗时；或者是，从至少一条路线中确定出耗时最短的路线作为导航路线反馈给导航终端等。
可以理解的是，在用户基于导航终端所提供的导航路线前行(如步行或者驾车行驶等)的过程中，导航终端的位置也会变化，在该种情况下，导航服务器会基于导航终端的位置与导航路线的终点之间所构成的路线，来重新计算剩余所需的耗时。
其中，该导航终端的位置与导航路线的终点之间相当于一条新的路线，因此，此处剩余所需的耗时就相当于该新的路线的预估到达时间。
图1是以路线导航的应用场景为例进行说明，在实际应用中，在外卖配送平台以及打车平台等也均涉及到路线的到达时间的预估。如，在外卖配送平台为了能够为不同的配送员合理的分配外卖配送订单，需要根据外卖配送订单的客户位置、店铺位置以及各个配送员的位置，计算出不同配送员从取餐到配送外卖这一路线所需的到达时间。又如，在打车应用平台中，服务器为了合理的匹配用户和出租车，减少出租车的空驶时间或者减少用户的等待时长等，也需要进行路线规划，而在路线规划过程中就需要对各条路线的到达时间进行预估。
可以理解的是，对于其他应用场景而言，其与图1的系统组成相似，具体可以参照图1所示，在此不再赘述。
本申请实施例的到达时间的预估方法可以应用于计算机设备，该计算机设备可以为前面提供的几种应用场景中所涉及到的服务器中，也可以是其他需要确定路线的到达时间的设备。如图2所示，其示出了本申请的到达时间的预估方法所适用的一种计算机设备的一种组成结构示意图。
在图2中，该计算机设备200可以包括：处理器201、存储器202、通信接口203、输入单元204和显示器205和通信总线206。
处理器201、存储器202、通信接口203、输入单元204、显示器205、均通过通信总线206完成相互间的通信。
在本申请实施例中，该处理器201，可以为中央处理器(Central ProcessingUnit，CPU)或者可编程逻辑器件等。
该处理器可以调用存储器202中存储的程序，具体的，处理器可以执行如下图3以及图7所示流程中的操作。
存储器202中用于存放一个或者一个以上程序，程序可以包括程序代码，所述程序代码包括计算机操作指令，在本申请实施例中，该存储器中至少存储有处理器执行操作所需的程序。
具体的，该存储器中至少存储有用于实现以下功能的程序：
确定待预估的路线；
获取该路线的特征集合，该特征集合包括：组成该路线的路段序列中每条路段的路段特征，该路段序列包括至少一条路段，该路段特征为影响路段的通行时长的特征；
将该路段序列中各条路段的路段特征输入第一预估模型，得到该第一预估模型预测出的该路线的第一预估到达时间，该第一预估模型为利用多条路线样本各自对应的特征集合和实际到达时间训练得到。
在一种可能的实现方式中，该存储器202可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统等；存储数据区可存储根据计算机的使用过程中所创建的数据。
此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器等。
该通信接口203可以为通信模块的接口。
本申请还可以包括显示器204和输入单元205，该显示器204包括显示面板，如触摸显示面板等；该输入单元可以触摸感应单元、键盘等等。
当然，图2所示的计算机设备结构并不构成对本申请实施例中计算机设备的限定，在实际应用中计算机设备可以包括比图2所示的更多或更少的部件，或者组合某些部件。
结合以上共性，下面对本申请的到达时间的预估方法进行介绍。
如图3所示，其示出了本申请一种到达时间的预估方法一个实施例的流程示意图，本实施例的方法可以应用于前面提到的服务器等计算机设备，本实施例的方法可以包括：
S301，确定待预估的路线。
该路线为待预估到达时间的路线。
如，在以上提到的几种应用场景中，确定地图中待预估到达时间的路线。
S302，获取该路线的特征集合。
该特征集合至少包括：组成该路线的路段序列中每条路段的路段特征。
其中，该路段序列包括至少一条路段，该路段序列中至少一条路段具有先后顺序，通过路段序列中各条路线先后连接可以构成待预估的路线。在实际应用中，路线所包含的路段可以根据需要设定。
其中，路段的路段特征为影响路段的通行时长的特征。如，路段特征可以包括：路段的长度、路段的道路等级、路段的限速、路段的自由流速度、路段的路况、路段中的平均车速等等特征中的一种或者多种。
其中，路段的长度、路段的道路等级、限速以及自由流速度等路段特征属于路段的静态特征，该部分特征可以预先获取并存储到指定服务器或者存储区域中。
路段的平均车速可以根据全球定位系统(Global Positioning System，GPS)数据来得到，路段的路况也可以结合GPS数据以及其他数据确定。
可以理解的是，路段的静态特征不随时间的变化而变化，而不同时刻路段中的平均车速以及路况却会有所差异。在不设定该路线的出发时刻的情况下，可以默认出发时刻为当前时刻，相应的，可以获取路段中当前时刻的路况以及车速等。同时，还可以获取路段历史日期中对应当前时刻的同一时间段的路况以及车速。
可选的，在确定待预估的路线的情况下，还可以获取该待预估的路线的出发时刻，如用户输入或者设定的出发时刻，或者默认为当前时刻的出发时刻。相应的，在该步骤S302中可以基于该出发时刻，获取该路线对应该出发时刻的特征集合。如，获取该路线中各个路段的静态特征；在历史日期中对应该出发时刻的时间段内路段的历史平均车速和历史路况。如果出发时刻为当前时刻，还可以获取当前时刻路段的平均车速以及路况等特征。
其中，确定历史日期中该出发时刻所属的时间段内的历史平均车速以及历史路况可以根据指定时长内(如一个月内)采集到的历史GPS数据挖掘出的该时间段的平均车速以及路况等等。
S303，将该路段序列中各条路段的路段特征输入第一预估模型，得到该第一预估模型预测出的该路线的第一预估到达时间。
其中，为了便于与后续其他模型预测出的该路线的到达时间进行区分，将该第一预估模型预测出的该路线的到达时间称为第一预估到达时间。
其中，该第一预估模型为利用多条路线样本各自对应的特征集合和实际到达时间训练得到。其中，为了便于区分，将用于训练该第一预估模型的路线的特征集合称为路线样本的特征集合。该路线样本的特征集合与前面路线的特征集合相同，如，可以包括路线样本的各个路段的路段特征。
可以理解的是，考虑到不同时刻路线中各条路段的特征也会有所差别，因此，每个路线样本的特征集合可以为一条路线样本在一个历史时刻的特征集合。相应的，路线样本对应的实际到达时间可以为该路线样本在该历史时刻的实际到达时间。
其中，该第一预估模型可以根据需要选取不同类型的算法模型并训练得到。可选的，考虑到不同路线所包含的路段的数量会有所不同，因此，该第一预估模型需要支持对不定长的数据的处理，因此，本申请实施例的该第一预估模型可以为训练出的神经网络模型，如，卷积神经网络模型或者卷积神经网络模型中的门式卷积网络模型。
其中，基于路线样本的特征集合以及每个路线样本对应的实际到达时间训练该第一预估模型的具体训练过程可以有多种，如，可以依次利用多个路线样本的特征集合训练待训练的预估模型，并将预估模型预测出的到达时间分别与相应的路线样本的实际到达时间进行比对，直至预估模型的预测准确度符合要求，则将该预估模型确定为第一预估模型。当然，在实际训练过程中，训练过程可能会更为复杂，本申请对具体训练过程不加限制。
可以理解的是，在获得该路线的出发时刻的情况下，还可以依据该出发时刻以及该路线的到达时间，确定到达该路线的终点的到达时刻。
可以理解的是，本申请的发明人经研究发现，可以预先训练模型并依据路线的整体特征来预测到达时间。但是，该种预测方式仅仅考虑到路线的整体特征，而忽略了路线中各个路段的特征对到达时间的影响，如，如果一条路线中某个路段的极度拥挤，则对该条路线的到达时间影响巨大，从而使得基于路线的整体特征分析到达时间的精准度较低。为了弥补无法有效利用路线具备特征的不足，本申请实施例中，该第一预估模型是结合了路线中各条路段的路段特征来预测路线的到达时间，因此，路线中每条路段的路段特征都可以影响到预估到达时间，从而有利于提高精准度。
可选的，为了进一步提高预测出的到达时间的准确度，在本申请实施例中，获取到的该路线的特征集合中还可以包括：该路线的路线整体特征，该路线整体特征为影响所述路线整体通行时长的特征。
其中，该路线的路线整体特征可以包括：路线的总长度、路线的全程平均限速、路线的全程平均自由流速，该路线的平均车速等等特征中的一种或者几种。其中，路线的平均车速可以为与路线的出发时刻对应的历史时间段内该路线的全程平均车速。或者是，在出发时刻为当前时刻的情况下，获取当前时刻该路线的全称平均车速。
其中，路线的路线整体特征可以基于路线中各个路段的路段特征得到，也可以通过其他方式得到。该路线的路线整体特征中除了当前时刻的平均车速以外的其他信息，可以为预先分析并存储在指定服务器或者指定存储区，该当前时刻的平均车速可以由该计算机设备从具备数据采集能力的设备获取，对此本申请不加限制。
相应的，在该步骤S303中，可以是将路线的路线整体特征以及该路线的路段序列中各条路段的路段特征输入第一预估模型，并获取该第一预估模型预测出的该路线的第一预估到达时间。
在该种情况下，该第一预估模型可以为利用多条路线样本各自对应的路线整体特征、各个路段的路段特征以及实际到达时间训练得到。
可以理解的是，为了能够更加准确的预估出路线的到达时间，还可以在第一预估模型预测出第一预估到达时间之后，结合该第一预估到达时间以及路线的路线整体特征，并利用传统的预估到达时间的模型来进一步预测该路线的到达时间。
如，参见图4，其示出了本申请一种到达时间的预估方法又一个实施例的流程示意图，本实施例的方法可以包括：
S401，确定待预估的路线。
S402，获取该路线的特征集合。
该特征集合至少包括：路线的路线整体特征，以及，组成该路线的路段序列中每条路段的路段特征。
该部分内容可以参见前面实施例的相关介绍，在此不再赘述。
S403，将路线的路线整体特征以及该路线的路段序列中各条路段的路段特征输入第一预估模型，并获取该第一预估模型预测出的该路线的第一预估到达时间。
其中，该第一预估模型为利用多条样本路线对应的路线整体特征、路线中各路段的路段特征以及实际到达时间训练得到。
可以理解的是，是以第一预估模型依据路线中各路段的路段特征以及路线的路线整体特征来确定第一预估到达时间为例说明，但是可以理解的是，对于第一预估模型仅仅依据路线中各路段的路段特征来预测该第一预估到达时间的情况也同样适用于本实施例。
S404，将该路线的路线整体特征以及该路线的第一预估到达时间输入第二预估模型，得到该第二预估模型预测出的该路线的第二预估到达时间。
其中，第二预估模型为利用多条路线样本各自对应的路线整体特征、第一预估到达时间以及实际到达时间训练得到。
其中，路线样本的路线整体特征可以参见前面关于路线整体特征的介绍。
该路线样本的第一预估到达时间为基于路线样本中各条路段的路段特征和路线样本的路线整体特征(路线整体特征为可选的)，并利用第一预估模型预测出的该路线样本的到达时间。
其中，该第二预估模型与第一预估模型不同，不同之处除了训练过程采用的样本不同之外，还可以是这两个预估模型属于基于不同算法模型训练出的预估模型。
可选的，考虑到该第二预估模型中的输入参数为路线整体特征而并涉及到路线的各个路段的路段特征，因此，不涉及每次输入的路段特征的数量不确定的情况，因此，第一预估模型为门式卷积神经网络等神经网络，而该第二预估模型可以为采用神经网络模型之外的机器学习算法构建出的模型。如，该第二预估模型可以为训练出的梯度提升决策树、因子分解机或者随机森林等等。
其中，第二预估模型的具体训练过程可以有多种，具体只要是保证基于训练样本训练该第二预估模型，以使得第二预估模型预估出的到达时间与该路线样本的实际到达时间的匹配度符合要求即可，本申请对具有的训练过程不加限制。
可以理解的是，为了便于区分，在本实施例中，将该第二预估模型预测出的该路线的到达时间成为第二预估到达时间。该第二预估到达时间可以作为最终预估出的该路线的到达时间。
可见，在本申请实施例中，在依据路线中各路段的路段特征，并利用第一预估模型预测出该路线的第一预估到达时间之后，还会将该第一预估到达时间、该路线的路线整体特征输入到第二预估模型再进行二次预测，并获得第二预估模型预估出该路线的第二预估到达时间。由于第一预估到达时间为结合路线中各路段的路段特征预测出的到达时间，而第二预估模型结合该第一预估到达时间和路线的路线整体特征进行预测，从而可以结合路线的整体特征以及各个局部的特征进行综合预测，从而有利于使得第二预估到达时间更为贴近通行该路线所需耗费的实际时长，因此，将该第二预估到达时间作为最终预测出的该路线的到达时间，进一步提高了到达时间预测的精准度。
可以理解的是，第一预估模型在预估该第一预估到达时间的过程中，同样需要对各个路段的路段特征进行转换，如，将路段特征转换能够表征该路段特征对整条路线的通行时长的影响程度的路段转换特征。其中，该路段转换特征并非是第一预估模型的输出而仅仅是第一预估模型处理的中间结果，但是该中间结果同样可以反映出路段序列各个路段对路线的通行时长的影响，在该种情况下，本申请还可以基于该中间结果，确定出能够表征该路线的一种新维度的特征，并将该特征也用于预测该第二预估到达时间，从而进一步提高预测出的第二预估到达时间的精准度。
如图5，其示出了本申请中到达时间的预估方法的一种实现逻辑示意图。由图5可以看出，第一预估模型的输入可以包括：路线中各路段的路段特征以及路线的路线整体特征。而该第一预估模型会输出一个预估到达时间，如图5中第一预估到达时间；同时，还会基于该第一预估模型的中间结果获得一个路线的新特征(该新特征后续称为路线的路线综合特征)。
相应的，该第二预估模型除了输入有路线的路线整体特征之外，还会输入该第一预估模型输出的第一预估到达时间以及基于第一预估模型的中间结果确定出的该路线的新特征，在此基础上，该第二预估模型会输出最终的预估到达时间，即第二预估到达时间。
由图5可以看出，该到达时间的预估采用了两种预估模型串联来综合确定路线的预估到达时间，从而提高预估出的到达时间的准确度。
下面结合图6对图5的实现逻辑进行详细介绍。
如图6所示，其示出了本申请一种到达时间的预估方法的又一种流程示意图，本实施例的方法可以包括：
S601，确定待预估的路线以及该路线的出发时刻。
S602，获取该路线对应该出发时刻的特征集合。
为了便于理解，本申请以确定预估路线的同时，确定路线的出发时刻为例说明。但是可以理解的是，在默认当前时刻为出发时刻的情况下，则无需确定该出发时刻，相应的，可以直接获取路线中的静态特征和/或与当前时刻该路线的相关动态特征。
S603，将路线的路线整体特征以及该路线的路段序列中各条路段的路段特征输入第一预估模型，并获取该第一预估模型对路段序列中各条路段的路段特征转换出的至少一个路段转换特征，以及，该第一预估模型预测出的该路线的第一预估到达时间。
其中，该路段转换特征为该第一预估模型在预测该路线的第一预估到达时间之前对各条路段的路段特征进行转换得到的。在实际应用中，路段转换特征可以基于路段序列中至少两个相邻路段的路段特征确定。
在一种可能的情况下，该路段转换特征可以为对路段特征转换出的，用于反映该路段特征对路线的到达时间的影响程度的量化特征。如，在该第一预估模型将各条路段的路段特征转换为至少一个路段特征向量的情况下，则可以获取转换出的至少一个路段特征向量。
其中，转换出的路段转换特征的数量可以根据需要设定，如，可以基于路段序列中路段的数量，设定转换出相应数量的路段转换特征；也可以是无论路段序列中路段的数量如何，转换出的路段转换特征的数量都是一固定值。需要说明的是，在本实施例中，也可以仅仅将该路线的路段序列中各条路段的路段特征输入到该第一预估模型，而将路线整体特征与路线中各路段的路段特征同时输入第一预估模型仅仅一种可选的实现方式。
S604，基于转换出的至少一个路段转换特征，确定用于表征该路线的特征的路线综合特征。
其中，该路线综合特征是从不同于前面路线整体特征的另一种维度反映路线特征的新特征。前面的路线整体特征是基于路线自身的属性以及关联的GPS数据分析得到的，可直观反映该路线所需的通行时长的数据。而该路线综合特征是在第一预估模型对各个路段的路段特征进行转换后，基于转换后出各个路段转换特征分析出对路线的通行时长的影响性较为显著的特征。
如，以路段转换特征为路段特征向量为例，确定该路线综合特征的方式也可以有多种：
在一种可能的情况中，可以确定该至少一个路段特征向量的向量平均值，并将该向量平均值确定为路线综合特征。可以理解的是，至少一个路段特征向量为用于表征影响路线中路段所需耗时的特征的量化形式，如，路段特征向量可以反映路段的拥堵程度。相应的，路线中所有路段的路段特征转换出的该至少一个路段特征向量的平均值就可以反映出表征影响整条路线所需耗时的特征的量化形式。如，路线中所有路段的拥堵程度的平均值可以反映出路线的平均拥堵情况。
在又一种可能的情况中，将该至少一个路段特征向量中的最大值确定为该路线综合特征。可以理解的是，在一条路线中，最为拥堵的路段，对于该路线所需的耗时的影响最大，因此，至少一个路段特征向量的最大值可以反映出对于该路线的通行耗时影响最大的特征，在此基础上，可以将至少一个路段特征向量作为该路线综合特征有利于后续合理预估路线的到达时间。
为了便于理解，本实施例的方案，下面以第一预估模型为门式卷积网络为例说明。
如图7所示，其示出了本申请在第一预估模型为门式卷积网络模型的情况下，该门式卷积网络模型确定第一预估到达时间的原理示意图。
在图7中，以门式卷积网络模型的输入包括：路线中各个路段的路段特征以及路线的路线整体特征为例说明。
相应的，该门式卷积网络模型为利用多条路线样本各自对应的路线整体特征、各条路段的路段特征以及实际到达时间训练得到。其中，训练该门式卷积网络模型所采用的方式可以有多种方式，如，可以使用梯度下降法及其变形进行训练，例如，可以采用小批量梯度下降、随机梯度下降以及基于动量的梯度下降法等等训练该门式卷积网络模型。
在图7中门式卷积网络模型输入的路段特征为路线包括的6条路段对应的路段特征701(如图7中最底部所示)，因此，图7中输入有6个路段特征。当然，在实际应用中，不同路线的路段的数量会有所不同，相应的，输入该门式卷积网络模型的路段特征的数量也会有所差别。
其中，图7中卷积层701以两层为例，但实际应用中门式卷积网络中卷积层的层数可以根据需要设定。相应的，卷积所用的卷积核大小等参数也可以根据需要设定。
其中，对于每个路段特征，每层卷积层都会输出两个向量，如图7中卷积层连接的两个小方框702，每个方框702代表一个向量。其中，每个向量的维数可以是相同的。
在每层卷积层将路段特征转换为两个向量之后，门式卷积网络会将路段特征转换出的两个向量输入门式线性单元(Gated Linear Units)处理，如图7中标出门式线性单元部分为图7中的703所示。针对每一个路段的路段特征，在门式线性单元中，会将该路段特征的一个向量做S型函数(sigmoid函数)变换，然后将变换后的向量与另一个向量相乘，则相乘的乘积就是该路段的输出向量，如图7中门式线性单元的输出向量如方框704所示。
其中，经过若干层卷积层中的门式线性单元后，最后一层卷积层中的门式线性单元的输出向量就可以作为门式卷积网络的中间结果，从而提取出多个输出向量。在此基础上，将多个输出向量的平均值确定为路线的路线综合特征；或者是，将多个输出向量的最大值确定为路线的路线综合特征。该路线综合特征提供了比路线的路线整体特征更多的信息。其中，该路线综合结果会与该门式卷积网络最终预测出的预估到达时间一起输入到第二预估模型(训练出的梯度提升决策树)中。
在经过最后一层卷积层得到的输出向量之后，输出向量会经过池化后输入到全连接网络层。同时，路线的路线整体特征也会输入到全连接网络层，从而通过该全连接网络层输出预估出的到达时间(即第一预估到达时间)。
以上是以门式卷积神经网络进行的说明，但是可以理解的是对于第一预估模型为其他卷积神经网络，也同样适用于本实施例，其原理相似，在此不再赘述。
S605，将该路线的路线整体特征、该路线的第一预估到达时间以及该路线的路线综合特征输入第二预估模型，得到该第二预估模型预测出的该路线的第二预估到达时间。
在本实施例中，该第二预估模型为利用多条路线样本各自对应的路线整体特征、第一预估到达时间、路线综合特征以及实际到达时间训练得到。
可见，在本实施例中，在利用第一预估模型预估第一预估到达时间的过程中，还会提取该第一预估模型对于各个路段的路段特征的转换结果，并将该转换结果作为路线综合特征来表征该路线在另一维度上的特征，在此基础上，可以将路线的路线整体特征，第一预估模型输出的第一预估到达时间以及从第一预估模型中提取出的该路线综合特征输入到第二预估模型，从而使得第二预估模型不仅仅依据路线的整体特征，还会结合基于各个路段的特征确定出的第一预估时间以及路线综合特征以及结合路线来综合确定第二预估到达时间，从而更为结合路线中整体以及局部更为全面的特征来预测该第二预估到达时间，进一步提高了最终预测出的该第二预估到达时间的准确度。
对应本申请的到达时间的预估方法，本申请还提供了一种到达时间的预估装置。
如图8所示，其示出了本申请一种到达时间的预估装置的一种组成结构示意图，本实施例的装置应用于前面提到的计算机设备，该装置可以包括：
路线确定单元801，用于确定待预估的路线；
特征获取单元802，用于获取所述路线的特征集合，所述特征集合包括：组成所述路线的路段序列中每条路段的路段特征，所述路段序列包括至少一条路段，所述路段特征为影响路段的通行时长的特征；
第一预估单元803，用于将所述路段序列中各条路段的路段特征输入第一预估模型，得到所述第一预估模型预测出的所述路线的第一预估到达时间，所述第一预估模型为利用多条路线样本各自对应的特征集合和实际到达时间训练得到。
在一种可能的情况中，该特征获取单元802获取到的特征集合还包括：所述路线的路线整体特征，所述路线整体特征为影响所述路线整体通行时长的特征；
相应的，该第一预估单元在将所述路段序列中各条路段的路段特征输入
第一预估模型时，具体用于，将所述路线的路线整体特征以及所述路段序列中各条路段的路段特征输入第一预估模型。
可选的，所述路线确定单元，具体用于，确定待预估的路线以及所述路线的出发时刻；
所述特征获取单元具体为，用于获取所述路线对应所述出发时刻的特征集合。
如图9，其示出了本申请一种到达时间的预估装置的又一种组成结构示意图，在本实施例中该特征获取单元获取到的所述特征集合还包括：所述路线的路线整体特征，所述路线整体特征为影响所述路线整体通行时长的特征；
同时，与图8的装置相比，图9所示的装置中还包括：
第二预估单元804，用于在所述第一预估单元得到所述第一预估模型预测出的所述路线的第一预估到达时间之后，将所述路线的路线整体特征以及所述路线的第一预估到达时间输入第二预估模型，得到所述第二预估模型预测出的所述路线的第二预估到达时间，所述第二预估模型为利用多条路线样本各自对应的路线整体特征、第一预估到达时间以及实际到达时间训练得到。
在一种可能的情况中，该装置还可以包括：
中间特征获取单元805，用于在第一预估单元得到所述第一预估模型预测出的所述路线的第一预估到达时间之前，获取所述第一预估模型对所述路段序列中各条路段的路段特征转换出的至少一个路段转换特征，其中，所述至少一个路段转换特征为所述第一预估模型在预测所述路线的第一预估到达时间之前对所述各条路段的路段特征进行转换得到的；
特征综合单元806，用于基于所述至少一个路段转换特征，确定用于表征所述路线的特征的路线综合特征；
相应的，所述第二预估单元804，具体为，用于将所述路线的路线整体特征、所述路线的第一预估到达时间以及所述路线的路线综合特征输入第二预估模型，得到所述第二预估模型预测出的所述路线的第二预估到达时间，其中，所述第二预估模型为利用多条路线样本各自对应的路线整体特征、第一预估到达时间、路线综合特征以及实际到达时间训练得到。
可选的，所述中间特征获取单元，具体为，用于获取所述第一预估模型对所述路段序列中各条路段的路段特征转换出的至少一个路段特征向量；
所述特征综合单元，包括：
第一特征综合子单元，用于将所述至少一个路段特征向量中的最大值，确定为用于表征所述路线的特征的路线综合特征；
或者，
第二特征综合子单元，用于确定所述至少一个路段特征向量的向量平均值，并将该向量平均值确定为用于表征所述路线的特征的路线综合特征。
在以上任意一个装置的实施例中，所述第一预估模型为预先训练出的卷积神经网络模型；所述第二预估模型为基于神经网络模型之外的机器学习算法构建出的模型。
另一方面，本申请还提供了一种存储介质，该存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现如上任意一个实施例中所描述的到达时间的预估方法。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种到达时间的预估方法，其特征在于，包括：
确定待预估的路线；
获取所述路线的特征集合，所述特征集合包括：组成所述路线的路段序列中每条路段的路段特征和所述路线的路线整体特征，所述路段序列包括至少一条路段，所述路段特征为影响路段的通行时长的特征，所述路线整体特征为影响所述路线整体通行时长的特征；
将所述路段序列中各条路段的路段特征输入第一预估模型，获取所述第一预估模型对所述路段序列中各条路段的路段特征转换出的至少一个路段转换特征，得到所述第一预估模型预测出的所述路线的第一预估到达时间，所述第一预估模型为利用多条路线样本各自对应的特征集合和实际到达时间训练得到；
基于所述至少一个路段转换特征，确定用于表征所述路线的特征的路线综合特征；
将所述路线的路线整体特征、所述路线的第一预估到达时间以及所述路线的路线综合特征输入第二预估模型，得到所述第二预估模型预测出的所述路线的第二预估到达时间，其中，所述第二预估模型为利用多条路线样本各自对应的路线整体特征、第一预估到达时间、路线综合特征以及实际到达时间训练得到。
2.根据权利要求1所述的到达时间的预估方法，其特征在于，所述将所述路段序列中各条路段的路段特征输入第一预估模型，包括：
将所述路线的路线整体特征以及所述路段序列中各条路段的路段特征输入第一预估模型。
3.根据权利要求1所述的到达时间的预估方法，其特征在于，所述获取所述第一预估模型对所述路段序列中各条路段的路段特征转换出的至少一个路段转换特征，包括：
获取所述第一预估模型对所述路段序列中各条路段的路段特征转换出的至少一个路段特征向量；
所述基于所述至少一个路段转换特征，确定用于表征所述路线的特征的路线综合特征，包括：
将所述至少一个路段特征向量中的最大值，确定为用于表征所述路线的特征的路线综合特征；
或者，确定所述至少一个路段特征向量的向量平均值，并将该向量平均值确定为用于表征所述路线的特征的路线综合特征。
4.根据权利要求1至3任一项所述的到达时间的预估方法，其特征在于，所述第一预估模型为预先训练出的卷积神经网络模型；所述第二预估模型为基于神经网络模型之外的机器学习算法构建出的模型。
5.根据权利要求1至3任一项所述的到达时间的预估方法，其特征在于，所述确定待预估的路线，包括：
确定待预估的路线以及所述路线的出发时刻；
所述获取所述路线的特征集合，包括：
获取所述路线对应所述出发时刻的特征集合。
6.一种到达时间的预估装置，其特征在于，包括：
路线确定单元，用于确定待预估的路线；
特征获取单元，用于获取所述路线的特征集合，所述特征集合包括：组成所述路线的路段序列中每条路段的路段特征和所述路线的路线整体特征，所述路段序列包括至少一条路段，所述路段特征为影响路段的通行时长的特征，所述路线整体特征为影响所述路线整体通行时长的特征；
第一预估单元，用于将所述路段序列中各条路段的路段特征输入第一预估模型，得到所述第一预估模型预测出的所述路线的第一预估到达时间，所述第一预估模型为利用多条路线样本各自对应的特征集合和实际到达时间训练得到；
中间特征获取单元，用于在所述第一预估单元得到所述第一预估模型预测出的所述路线的第一预估到达时间之前，获取所述第一预估模型对所述路段序列中各条路段的路段特征转换出的至少一个路段转换特征；
特征综合单元，用于基于所述至少一个路段转换特征，确定用于表征所述路线的特征的路线综合特征；
第二预估单元，用于将所述路线的路线整体特征、所述路线的第一预估到达时间以及所述路线的路线综合特征输入第二预估模型，得到所述第二预估模型预测出的所述路线的第二预估到达时间，其中，所述第二预估模型为利用多条路线样本各自对应的路线整体特征、第一预估到达时间、路线综合特征以及实际到达时间训练得到。
7.一种计算机设备，其特征在于，包括：
处理器和存储器；
所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器用于存储所述程序，所述程序至少用于：
确定待预估的路线；
获取所述路线的特征集合，所述特征集合包括：组成所述路线的路段序列中每条路段的路段特征和所述路线的路线整体特征，所述路段序列包括至少一条路段，所述路段特征为影响路段的通行时长的特征，所述路线整体特征为影响所述路线整体通行时长的特征；
将所述路段序列中各条路段的路段特征输入第一预估模型，获取所述第一预估模型对所述路段序列中各条路段的路段特征转换出的至少一个路段转换特征，得到所述第一预估模型预测出的所述路线的第一预估到达时间，所述第一预估模型为利用多条路线样本各自对应的特征集合和实际到达时间训练得到；
基于所述至少一个路段转换特征，确定用于表征所述路线的特征的路线综合特征；
将所述路线的路线整体特征、所述路线的第一预估到达时间以及所述路线的路线综合特征输入第二预估模型，得到所述第二预估模型预测出的所述路线的第二预估到达时间，其中，所述第二预估模型为利用多条路线样本各自对应的路线整体特征、第一预估到达时间、路线综合特征以及实际到达时间训练得到。
8.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现如权利要求1-5任意一项所述的到达时间的预估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910276948.2A CN109974735B (zh) | 2019-04-08 | 2019-04-08 | 到达时间的预估方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910276948.2A CN109974735B (zh) | 2019-04-08 | 2019-04-08 | 到达时间的预估方法、装置及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109974735A CN109974735A (zh) | 2019-07-05 |
| CN109974735B true CN109974735B (zh) | 2021-02-02 |
Family
ID=67083432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910276948.2A Active CN109974735B (zh) | 2019-04-08 | 2019-04-08 | 到达时间的预估方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109974735B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110400015B (zh) * | 2019-07-25 | 2023-05-23 | 腾讯科技（深圳）有限公司 | 一种时间估计方法及其装置、设备 |
| WO2021022487A1 (en) * | 2019-08-06 | 2021-02-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining an estimated time of arrival |
| CN112561112B (zh) * | 2019-09-10 | 2024-08-27 | 北京三快在线科技有限公司 | 订单分配的方法、装置、计算机可读存储介质及电子设备 |
| CN114365205A (zh) * | 2019-09-19 | 2022-04-15 | 北京嘀嘀无限科技发展有限公司 | 确定在线到离线服务中的预估到达时间的系统和方法 |
| CN111582543A (zh) * | 2020-04-01 | 2020-08-25 | 北京百度网讯科技有限公司 | 预测模型的生成方法、估计到达时间确定方法及装置 |
| CN111582559B (zh) * | 2020-04-21 | 2024-02-20 | 腾讯科技（深圳）有限公司 | 一种到达时间的预估方法及装置 |
| CN111724586B (zh) * | 2020-05-11 | 2022-03-11 | 清华大学 | 通勤时间预测方法、通勤时间预测模型的训练方法和装置 |
| CN112269948B (zh) * | 2020-10-16 | 2024-03-22 | 北京百度网讯科技有限公司 | 估计剩余路线时长的方法、装置、设备和计算机存储介质 |
| CN114547960A (zh) * | 2020-11-27 | 2022-05-27 | 顺丰科技有限公司 | 运单派件耗时预测模型的构建方法、装置和计算机设备 |
| CN112525213B (zh) * | 2021-02-10 | 2021-05-14 | 腾讯科技（深圳）有限公司 | Eta的预测方法、模型训练方法、装置及存储介质 |
| CN114719880B (zh) * | 2022-06-01 | 2022-09-23 | 阿里巴巴（中国）有限公司 | 模型训练方法、装置及电子设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109155104A (zh) * | 2016-04-18 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 推荐估计到达时间的系统和方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104637334B (zh) * | 2015-02-10 | 2017-07-07 | 中山大学 | 一种公交车到站时间实时预测方法 |
| CN104900061B (zh) * | 2015-05-29 | 2017-08-08 | 内蒙古工业大学 | 路段行程时间监测方法及装置 |
| US10380509B2 (en) * | 2016-02-03 | 2019-08-13 | Operr Technologies, Inc. | Method and system for providing an individualized ETA in the transportation industry |
| CN107665375A (zh) * | 2016-07-29 | 2018-02-06 | 滴滴（中国）科技有限公司 | 代驾司机到达代驾乘客位置的时间预估方法及装置 |
| CN107945507B (zh) * | 2016-10-13 | 2020-08-11 | 腾讯科技（深圳）有限公司 | 行程时间预测方法及装置 |
| CN108288096B (zh) * | 2017-01-10 | 2020-08-21 | 北京嘀嘀无限科技发展有限公司 | 用于估算行程时间、模型训练的方法及装置 |
| EP3635706B1 (en) * | 2017-06-22 | 2021-11-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for estimating time of arrival |
-
2019
- 2019-04-08 CN CN201910276948.2A patent/CN109974735B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109155104A (zh) * | 2016-04-18 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 推荐估计到达时间的系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109974735A (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109974735B (zh) | 到达时间的预估方法、装置及计算机设备 | |
| CN108286980B (zh) | 一种预测目的地和推荐驾驶路线的方法 | |
| CN107945507B (zh) | 行程时间预测方法及装置 | |
| US20160300318A1 (en) | Fare determination system for on-demand transport arrangement service | |
| CN111324824B (zh) | 一种目的地推荐方法、其装置、电子设备及可读存储介质 | |
| CN112074845A (zh) | 用于优化拼车策略的深度强化学习 | |
| US9959339B2 (en) | Journey time estimation | |
| CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
| CN102183252A (zh) | 数据处理装置、数据处理方法和程序 | |
| US8682633B2 (en) | Cost evaluation and prediction | |
| CN104599002B (zh) | 预测订单价值的方法及设备 | |
| CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
| Ozdemir et al. | A hybrid HMM model for travel path inference with sparse GPS samples | |
| CN117561517A (zh) | 用于在路线规划应用中预测交通状况的计算机实现的设备和方法 | |
| CN115164922A (zh) | 一种路径规划方法、系统、设备及存储介质 | |
| CN111582527A (zh) | 行程时间的预估方法、装置、电子设备和存储介质 | |
| CN113228067A (zh) | 用于管理运输相关服务请求的通信服务器装置、方法和通信系统 | |
| CN110458664B (zh) | 一种用户出行信息预测方法、装置、设备及存储介质 | |
| CN112785044B (zh) | 公共交通工具的实时满载率预测方法、装置、设备和介质 | |
| CN112686457B (zh) | 路线到达时间预估方法及装置、电子设备、存储介质 | |
| CN111612198B (zh) | 预测拼单成功率的方法、装置和电子设备 | |
| CN113536128A (zh) | 交通枢纽换乘方式的推荐方法及电子设备 | |
| CN114548463A (zh) | 线路信息预测方法、装置、计算机设备和存储介质 | |
| US20190339086A1 (en) | Method and device for providing vehicle navigation simulation environment | |
| JP2000011289A (ja) | 交通流データ予測装置および交通流データ予測方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |