CN110361019B - 用于预测导航时间的方法、装置、电子设备及可读介质 - Google Patents

Abstract

本发明公开了一种用于预测导航时间的方法、装置、电子设备及可读介质，属于导航技术领域。该方法包括：获取目标导航路径，所述目标导航路径包括多个路段；获取所述目标导航路径中每个所述路段的第一特征信息；根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时，其中，所述第一模型由第一深度学习模型通过历史导航数据训练得到；根据所述目标导航路径中每个路段的预测耗时得到所述导航路径的预测耗时。本发明能够更准确地得到每个路段的预测耗时，从而提高导航时间预测结果的准确度，有利于更准确的为导航用户推荐最快速的路线。

Description

用于预测导航时间的方法、装置、电子设备及可读介质

技术领域

本发明涉及导航技术领域，尤其涉及一种用于预测导航时间的方法、装置、电子设备及可读介质。

背景技术

随着导航技术的发展，越来越多的人借助导航系统来规划出行路线。导航系统在规划完导航路径后，通常会给出该导航路径的预测耗时，这为人们的出行带来了很大的方便。现有技术中，导航路径的时间预测方法通常为：在规划完导航路径后，根据该导航路径中每个路段的长度以及历史行驶速度，得到各个路段所需行驶时间，从而累计该导航路径中所有路段的行驶时间，得到该导航路径的预测耗时。该预测方法仅考虑了历史行驶速度，所得到的预测耗时的准确性较低。

发明内容

鉴于上述问题，本申请提供了一种用于预测导航时间的方法、装置、电子设备及可读介质，能够有效地提高导航时间预测结果的准确性。

第一方面，本发明实施例提供了一种用于预测导航时间的方法，所述方法包括：获取目标导航路径，所述目标导航路径包括多个路段；获取所述目标导航路径中每个所述路段的第一特征信息；根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时，其中，所述第一模型由第一深度学习模型通过历史导航数据训练得到；根据所述目标导航路径中每个路段的预测耗时得到所述导航路径的预测耗时。

进一步地，所述历史导航数据包括多个第一历史导航路径，每个所述第一历史导航路径包括多个路段。所述第一模型按照下述方式预先获得：获取第一样本数据，所述第一样本数据包括所述多个第一历史导航路径、每个所述第一历史导航路径中每个路段的第一特征信息以及每个所述第一历史导航路径中每个路段的实际耗时；将所述多个第一历史导航路径中每个路段的第一特征信息以及所述多个第一历史导航路径中每个路段的实际耗时作为训练样本，对预设的第一深度学习模型进行训练，得到所述第一模型。

进一步地，所述根据所述目标导航路径中每个路段的预测耗时得到所述导航路径的预测耗时包括：将所述目标导航路径中所有路段的预测耗时进行累加，得到所述目标导航路径的初测耗时；获取所述目标导航路径的第二特征信息；将所述目标导航路径的第二特征信息以及所述目标导航路径的初测耗时输入预设的第二模型，得到所述目标导航路径的预测耗时，其中，所述第二模型由第二深度学习模型通过历史导航数据训练得到。

进一步地，所述历史导航数据还包括多个第二历史导航路径，每个所述第二历史导航路径包括多个路段，所述第二模型按照下述方式预先获得：获取第二样本数据，所述第二样本数据包括所述多个第二历史导航路径、每个所述第二历史导航路径中每个路段的第一特征信息、每个所述第二历史导航路径的第二特征信息以及每个所述第二历史导航路径的实际耗时；根据每个所述第二历史导航路径中每个路段的第一特征信息以及所述第一模型，得到每个所述第二历史导航路径中每个路段的预测耗时；根据每个所述第二历史导航路径中每个路段的预测耗时得到该第二历史导航路径的初测耗时；将所述多个第二历史导航路径的第二特征信息、所述多个第二历史导航路径的所述初测耗时以及所述多个第二历史导航路径的实际耗时作为训练样本，对预设的第二深度学习模型进行训练，得到所述第二模型。

进一步地，所述第二特征信息包括：所述目标导航路径对应的用户身份信息、所述目标导航路径对应的天气相关信息、所述目标导航路径的静态特征信息以及所述目标导航路径的空间热度中的一种或多种组合。

进一步地，所述根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时包括：根据所述目标导航路径得到多个第一路段序列，每个所述第一路段序列均包括预设数量的按第一预设顺序排列的连续路段，其中，所述预设数量大于或等于2且小于所述目标导航路径包括的路段数量；选取任意一个所述第一路段序列作为第一目标路段序列，将所述第一目标路段序列中各路段的第一特征信息均输入所述第一模型，得到所述第一目标路段序列中排在最后一位的路段的预测耗时；将下一个所述第一路段序列作为第一目标路段序列，执行所述将所述第一目标路段序列中的路段的第一特征信息输入所述第一模型的步骤，直至处理完所有的所述第一路段序列，得到所述导航路径中每个路段的第一耗时；根据所述目标导航路径中每个路段的所述第一耗时得到所述目标导航路径中每个路段的预测耗时。

进一步地，所述目标导航路径包括M个路段，所述预设数量为N，M和N均为正整数，且N大于或等于2且小于或等于M。所述根据所述目标导航路径得到多个第一路段序列，包括：根据所述目标导航路径得到第一全路段序列，每个所述第一全路段序列均包括所述M个路段中的N个按第一预设顺序排列的连续路段；获取目标导航路径中按所述第一预设顺序排列的前N-1个路段；根据所述前N-1个路段以及预设的零路段得到第一补零路段序列；将所述第一全路段序列和所述第一补零路段序列均作为所述第一路段序列。

进一步地，所述第一预设顺序为由所述导航路径的起点到终点的顺序或由所述导航路径的终点到起点的顺序。

进一步地，所述根据所述目标导航路径中每个路段的所述第一耗时得到所述目标导航路径中每个路段的预测耗时包括：根据所述目标导航路径得到多个第二路段序列，每个所述第二路段序列均包括所述预设数量的按第二预设顺序排列的连续路段，其中，所述第二预设顺序为与所述第一预设顺序相反的顺序；选取任意一个所述第二路段序列作为第二目标路段序列，将所述第二目标路段序列中的路段的第一特征信息输入所述第一模型，得到所述第二目标路段序列中排在最后一位的路段的预测耗时；将下一个所述第二路段序列作为所述第二目标路段序列，执行所述将所述第二目标路段序列中的路段的第一特征信息输入所述第一模型的步骤，直至处理完所有的所述第二路段序列，得到所述目标导航路径中每个路段的第二耗时；根据所述目标导航路径中每个路段的所述第一耗时和所述第二耗时，得到所述目标导航路径中每个路段的预测耗时。

进一步地，所述第一特征信息包括：所述路段的路况信息、所述路段的距离信息、所述目标导航路径对应的时间信息、所述路段的区域热度信息、从所述目标导航路径的起点到所述路段的历史估计耗时、所述路段的道路信息和所述路段的路口信息中的一种或多种组合。

进一步地，所述第一深度学习模型为LSTM模型。

第二方面，本发明实施例还提供了一种用于预测导航时间的装置，所述装置包括：第一获取模块、第二获取模块、路段耗时预测模块以及路径耗时预测模块。第一获取模块，用于获取目标导航路径，所述目标导航路径包括多个路段。第二获取模块，用于获取所述目标导航路径中每个所述路段的第一特征信息。路段耗时预测模块，用于根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时，其中，所述第一模型由第一深度学习模型通过历史导航数据训练得到。路径耗时预测模块，用于根据所述目标导航路径中每个路段的预测耗时得到所述导航路径的预测耗时。

进一步地，所述历史导航数据包括多个第一历史导航路径，每个所述第一历史导航路径包括多个路段。所述路段耗时预测模块中的所述第一模型按照下述方式预先获得：获取第一样本数据，所述第一样本数据包括所述多个第一历史导航路径、每个所述第一历史导航路径中每个路段的第一特征信息以及每个所述第一历史导航路径中每个路段的实际耗时；将所述多个第一历史导航路径中每个路段的第一特征信息以及所述多个第一历史导航路径中每个路段的实际耗时作为训练样本，对预设的第一深度学习模型进行训练，得到所述第一模型。

进一步地，所述路径耗时预测模块包括：第一预测子模块，用于将所述目标导航路径中所有路段的预测耗时进行累加，得到所述目标导航路径的初测耗时；第二特征信息获取子模块，用于获取所述目标导航路径的第二特征信息；第二预测子模块，用于将所述目标导航路径的第二特征信息以及所述目标导航路径的初测耗时输入预设的第二模型，得到所述目标导航路径的预测耗时，其中，所述第二模型由第二深度学习模型通过历史导航数据训练得到。

进一步地，所述历史导航数据还包括多个第二历史导航路径，每个所述第二历史导航路径包括多个路段。所述第二预测子模块中的所述第二模型按照下述方式预先获得：获取第二样本数据，所述第二样本数据包括所述多个第二历史导航路径、每个所述第二历史导航路径中每个路段的第一特征信息、每个所述第二历史导航路径的第二特征信息以及每个所述第二历史导航路径的实际耗时；根据每个所述第二历史导航路径中每个路段的第一特征信息以及所述第一模型，得到每个所述第二历史导航路径中每个路段的预测耗时；根据每个所述第二历史导航路径中每个路段的预测耗时得到该第二历史导航路径的初测耗时；将所述多个第二历史导航路径的第二特征信息、所述多个第二历史导航路径的所述初测耗时以及所述多个第二历史导航路径的实际耗时作为训练样本，对预设的第二深度学习模型进行训练，得到所述第二模型。

进一步地，所述第二特征信息包括：所述目标导航路径对应的用户身份信息、所述目标导航路径对应的天气相关信息、所述目标导航路径的静态特征信息以及所述目标导航路径的空间热度中的一种或多种组合。

进一步地，所述路段耗时预测模块包括：第一处理子模块，用于根据所述目标导航路径得到多个第一路段序列，每个所述第一路段序列均包括预设数量的按第一预设顺序排列的连续路段，其中，所述预设数量大于或等于2且小于所述目标导航路径包括的路段数量，选取任意一个所述第一路段序列作为第一目标路段序列，将所述第一目标路段序列中各路段的第一特征信息均输入所述第一模型，得到所述第一目标路段序列中排在最后一位的路段的预测耗时，将下一个所述第一路段序列作为第一目标路段序列，执行所述将所述第一目标路段序列中的路段的第一特征信息输入所述第一模型的步骤，直至处理完所有的所述第一路段序列，得到所述导航路径中每个路段的第一耗时；第二处理子模块，用于根据所述目标导航路径中每个路段的所述第一耗时得到所述目标导航路径中每个路段的预测耗时。

进一步地，所述目标导航路径包括M个路段，所述预设数量为N，M和N均为正整数，且N大于或等于2且小于或等于M。所述第一处理子模块具体用于：根据所述目标导航路径得到第一全路段序列，每个所述第一全路段序列均包括所述M个路段中的N个按第一预设顺序排列的连续路段；获取目标导航路径中按所述第一预设顺序排列的前N-1个路段；根据所述前N-1个路段以及预设的零路段得到第一补零路段序列；将所述第一全路段序列和所述第一补零路段序列均作为所述第一路段序列。

进一步地，所述第一预设顺序为由所述导航路径的起点到终点的顺序或由所述导航路径的终点到起点的顺序。

进一步地，所述第二处理子模块具体用于：根据所述目标导航路径得到多个第二路段序列，每个所述第二路段序列均包括所述预设数量的按第二预设顺序排列的连续路段，其中，所述第二预设顺序为与所述第一预设顺序相反的顺序；选取任意一个所述第二路段序列作为第二目标路段序列，将所述第二目标路段序列中的路段的第一特征信息输入所述第一模型，得到所述第二目标路段序列中排在最后一位的路段的预测耗时；将下一个所述第二路段序列作为所述第二目标路段序列，执行所述将所述第二目标路段序列中的路段的第一特征信息输入所述第一模型的步骤，直至处理完所有的所述第二路段序列，得到所述目标导航路径中每个路段的第二耗时；根据所述目标导航路径中每个路段的所述第一耗时和所述第二耗时，得到所述目标导航路径中每个路段的预测耗时。

进一步地，所述第一特征信息包括：所述路段的路况信息、所述路段的距离信息、所述目标导航路径对应的时间信息、所述路段的区域热度信息、从所述目标导航路径的起点到所述路段的历史估计耗时、所述路段的道路信息和所述路段的路口信息中的一种或多种组合。

进一步地，所述第一深度学习模型为LSTM模型。

第三方面，本发明实施例还提供了一种电子设备，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令。当所述指令由所述处理器执行时使所述电子设备执行以下操作：获取目标导航路径，所述目标导航路径包括多个路段；获取所述目标导航路径中每个所述路段的第一特征信息；根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时，其中，所述第一模型由第一深度学习模型通过历史导航数据训练得到；根据所述目标导航路径中每个路段的预测耗时得到所述导航路径的预测耗时。

第四方面，本发明实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述用于预测导航时间的方法的步骤。

在本发明实施例的技术方案中，先获取导航路径，再获取导航路径包括的每个路段的第一特征信息，然后根据每个路段的第一特征信息以及预设的第一模型，得到每个路段的预测耗时，其中，第一模型由第一深度学习模型通过历史导航数据训练得到，进而根据导航路径的所有路段的预测耗时得到导航路径的预测耗时。相比于现有技术，本发明实施例基于导航路径中路段的第一特征信息以及根据历史导航数据预先训练好的深度神经网络模型即第一模型，得到导航路径中路段的预测耗时，能够更准确地得到每个路段的预测耗时，从而提高导航时间预测结果的准确度，有利于更准确的为导航用户推荐最快速的路线。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明第一实施例提供的一种用于预测导航时间的方法的流程图；

图2为本发明第一实施例提供的一种具体应用场景中导航路径Q的示意图；

图3为本发明第一实施例提供的LSTM模型的递归神经网络结构示意图；

图4为本发明第一实施例提供的一种用于预测导航时间的方法中第一模型训练步骤的步骤流程图；

图5为图1中步骤S104的步骤流程图；

图6为本发明第一实施例提供的一种用于预测导航时间的方法中第二模型训练步骤的步骤流程图；

图7为本发明第二实施例提供的一种用于预测导航时间的装置的功能模块框图；

图8为本发明一示例性实施例示出的一种电子设备的结构示意图；

图9为本发明第三实施例提供的一种电子设备作为服务器时的结构示意图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参照图1，本发明第一实施例提供了一种用于预测导航时间的方法。如图1所示，所述方法包括以下步骤：

步骤S101，获取目标导航路径，所述目标导航路径包括多个路段；

本实施例中，目标导航路径为需要预测导航时间的导航路径。在导航操作中，用户通过导航应用客户端输入出发地和目的地，导航应用将获取的出发地和目的地信息发送给服务器，服务器依据预先加载的路网数据，得到导航路径。将得到的导航路径作为目标导航路径，根据本发明实施例提供的方法预测目标导航路径的导航时间。

目标导航路径包括多个路段，例如，如图2所示，在某一种具体的应用场景中，导航路径Q从起点S到终点E依次包括路段R1、路段R2、路段R3和路段R4。

步骤S102，获取所述目标导航路径中每个所述路段的第一特征信息；

目标导航路径中，每个路段均对应有第一特征信息。其中，第一特征信息可以包括：路段的路况信息以及路段的距离信息。具体的，路段的路况信息可以包括第一路况信息和第二路况信息中的至少一个。其中，第一路况信息为当前时刻路段的路况，第二路况信息为预测的到达该路段时该路段的路况。

由于目标导航路径包括多个路段，因此，相比于求路时刻的各路段的路况，从导航路径的起点到达某一路段时，该路段的路况可能已经发生改变。以上述示例导航路径Q来讲，从导航路径Q的起点到路段R3需要一定的时间，而这段时间可能会导致路段R3的路况相比于求路时刻路段R3的路况发生变化。因此，在本发明的较佳实施例中，将当前时刻路段的路况以及预测的到达该路段时该路段的路况均作为该路段的第一特征信息。

需要说明的是，当前时刻可以根据实际情况设定，例如，当前时刻可以为求得上述目标导航路径的时刻，即求路时刻。路段的路况即路段的拥堵情况，作为一种实施方式，可以用该路段的车流速度表示。

具体来讲，获取当前时刻路段的车流速度的实施方式可以为：查询数据库记录的该路段的相关历史车流速度，根据该路段的相关历史车流速度得到当前时刻该路段的车流速度。具体的，可以先判定当前时刻在当天所在的时间段，再查询数据库记录的预设历史期限内，该时间段的车流速度，将这些车流速度的平均值作为当前时刻该路段的车流速度。其中，预设历史期限可以根据需要设置，例如，可以是当天的前一个月、前一个季度或前半年等。

例如，一周七天，1天24小时，若以5分钟为一个时间段，当前时刻为2018年3月1日周四上午09：01，属于周四的09：00-09：05时间段，假设预设历史期限为前一个月，则查询前一个月内每个周四的09：00-09：05时间段该路段的车流速度，将前一个月内每个周四的09：00-09：05时间段该路段的车流速度的平均值作为当前时刻该路段的车流速度。

预测到达该路段时该路段的车流速度的实施方式可以为：估算从目标导航路径的起点到达该路段的时刻；查询数据库记录的这一时刻该路段的相关历史车流速度；根据这一时刻该路段的相关历史车流速度得到到达该路段时该路段的车流速度。具体的，以目标导航路径中的某一路段为例，从目标导航路径的起点到达该路段的时刻可以为当前时刻加上起点到该路段之间(不包括该路段)的路段的历史平均耗时。例如，以上述示例导航路径Q来讲，假设当前时刻为t₀，路段R1的历史平均耗时为Δt₁，路段R2的历史平均耗时为Δt₂，路段R3的历史平均耗时为Δt₃，则从目标导航路径的起点到达路段R4的时刻t₄为t₀+Δt₁+Δt₂+Δt₃。

其中，每个路段的历史平均耗时可以通过查询并获取数据库中记录的该路段在对应时间段的历史耗时，并将这些历史耗时求平均值得到。或者，也可以查询并获取该路段在对应时间段的相关历史车流速度，计算这些历史车流速度的平均值，将该路段的长度除以这些历史车流速度的平均值得到该路段的历史平均耗时。例如，对于上述路段R1，可以查询并获取数据库中记录的该路段在t₀时刻对应时间段的历史耗时，求平均得到路段R1的历史平均耗时Δt₁；对于上述路段R2，可以查询并获取数据库中记录的该路段在t₀+Δt₁时刻对应时间段的历史耗时，求平均得到路段R1的历史平均耗时Δt₂。

本实施例中，路段的距离信息可以包括：从目标导航路径的起点到该路段的距离以及路段的长度。以目标导航路径中的某一路段为例，将目标导航路径的起点到该路段之间(不包括该路段)的所有路段的长度进行累加，就可以得到从目标导航路径的起点到该路段的距离。例如，以上述示例导航路径Q来讲，路段R1的长度为L1，路段R2的长度为L2，路段R3的长度为L3，路段R4的长度为L4，则从目标导航路径的起点到路段R3的距离为L1+L2。

另外，上述第一特征信息还可以包括以下特征中的一种或多种组合：目标导航路径对应的时间信息、路段的区域热度信息、从目标导航路径的起点到该路段的历史估计耗时、路段的道路信息和路段的路口信息。下面将分别对每个特征进行具体描述。

目标导航路径对应的时间信息可以包括：节假日属性、星期属性和时间段属性中的一个或多个组合。具体的，节假日属性用于表示当天是否是节假日，作为一种实施方式，可以用1和0表示，节假日属性为1表示当天是节假日，节假日属性为0表示当天不是节假日。星期属性用于表示当天是星期几，作为一种实施方式，可以用1、2、3、4、5、6和7表示，其中，1表示星期一，2表示星期二，以此类推，7表示星期天。时间段属性用于表示求路时刻所在的时间段，例如，1天24小时，若以5分钟为一个时间段，则一天可以分为288个时间段，求路时刻属于其中某一个时间段。

例如，当目标导航路径对应的时间信息包括节假日属性、星期属性和时间段属性时，在某一种具体的应用场景中，预测的导航路径对应的时间信息为：H＝0，W＝2，T＝9：00-9：05。其中，H表示节假日属性，W表示星期属性，T表示时间段属性。

本实施例中，路段的区域热度用于表征该路段周围预设区域的信息点如酒店、饭店等商铺信息被用户搜索的次数。路段的区域热度可以根据周围路网和POI(Point ofInformation，信息点)历史访问热度分为10个级别，级别越高，区域热度越大。例如，可以将当天的前三个月内，用户搜索次数为0～10次定义为级别1，用户搜索次数为11～100次定义为级别2，用户搜索次数为101～1000次定义为级别3，用户搜索次数为1001～2000次定义为级别4，用户搜索次数为2001～3000次定义为级别5，用户搜索次数为3001～4000次定义为级别6，用户搜索次数为4001～5000次定义为级别7，用户搜索次数为5001～6000次定义为级别8，用户搜索次数为6001～7000次定义为级别9，用户搜索次数为大于7000次定义为级别10。

本实施例中，以目标导航路径中的某一路段为例，从目标导航路径的起点到该路段的历史估计耗时可以为：目标导航路径的起点到该路段之间(不包括该路段)的路段的历史平均耗时的累加和。例如，以上述示例导航路径Q来讲，路段R1的历史平均耗时为Δt₁，路段R2的历史平均耗时为Δt₂，路段R3的历史平均耗时为Δt₃，路段R3的历史平均耗时为Δt₄，则从目标导航路径的起点到路段R1的历史估计耗时为0，从目标导航路径的起点到路段R2的历史估计耗时为Δt₁，从目标导航路径的起点到路段R3的历史估计耗时为Δt₁+Δt₂，从目标导航路径的起点到路段R4的历史估计耗时为Δt₁+Δt₂+Δt₃。

具体的，路段的道路信息可以包括：路段的车道数、路段的道路等级、路段的出边等级、路段的交通灯属性以及路段的转向类型中的一种或多种组合。需要说明的是，这些道路信息均可以通过预先加载的路网数据得到。

其中，道路等级具有不同的划分方式，具体可以根据需要设置，例如：公路的行政级别型等级分为国道、省道和县道，城市道路等级分快速路、主干路、次干路和支路四级。路段的交通灯属性用于表示路段是否有交通灯，作为一种实施方式，可以用1和0表示，交通灯属性为1表示该路段有交通灯，交通灯属性为0表示该路段没有交通灯。以目标导航路径中的某一路段为当前路段，当前路段的出边等级是指与当前路段相邻的下一路段的道路等级，当前路段的转向类型是指从当前路段行进到相邻的下一路段的转向。本实施例中，路段的转向类型可以包括：直行、右转、左转和调头，作为一种实施方式，可以用1表示直行，2表示右转，3表示左转，4表示调头。例如，以上述示例导航路径Q来讲，路段R1的出边等级为路段R2的道路等级，假设导航路径Q中，需要从路段R1左转进入路段R2，则路段R1的转向类型为左转，即路段R1的转向类型为3。

具体的，路段的路口信息可以包括：路口属性、路口类型以及路口最大等级中的一种或多种组合。需要说明的是，这些路口信息均可以通过预先加载的路网数据得到。

其中，路口属性用于表示道路是否是路口，即路段前方是否有路口。本实施例中，“前方”是指车辆沿目标导航路径方向行驶在该路段时的前方。路口属性可以用1和0表示，1表示是路口，0表示不是路口。道路的路口类型包括三叉路口、表示十字路口以及其它比十字路口复杂的路口。本实施例中，路段的路口类型可以用0、1、2和3表示，0表示不是路口，1表示是三叉路口，2表示十字路口，3表示比十字路口复杂的路口。路口最大等级用于表示当前路段前方有路口的情况下，该路口所包括的前方道路的最大道路等级。例如，路口所包括的前方道路包括有国道和省道，则路口最大等级为国道。可以理解的是，如果当前路段是路口前的一段道路，那么路口的规模会影响车辆进入当前路段的耗时。

需要说明的是，第一特征信息具体可以根据实际需要设置，除了包括上述特征以外，也可以包括其它与路段的耗时相关的特征，或者，也可以只包括上述第一特征信息中的部分特征。

步骤S103，根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时；

其中，第一模型由第一深度学习模型通过历史导航数据训练得到。发明人经研究发现，实际生活中每个路段的路况与该路段的前后相邻路段的路况是相关联的。因此，第一深度学习模型可以为LSTM(Long-short Term Memory，长短期记忆)模型。LSTM模型是一种特殊的RNN(Recurrent Neural Networks，循环神经网络)模型，是一种基于时间序列的神经网络模型。当然，在本发明的其他实施例中，第一深度学习模型也可以采用深度神经网络(Deep Neural Network，DNN)模型。

本发明的一实施例中，当第一模型采用训练好的LSTM模型时，上述根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时，可以包括以下步骤S201至步骤S204。

步骤S201，根据所述目标导航路径得到多个第一路段序列，每个所述第一路段序列均包括预设数量的按第一预设顺序排列的连续路段。

其中，所述预设数量大于或等于2且小于所述目标导航路径包括的路段数量。具体的，预设数量可以根据实际需要设置，例如，预设数量可以为2、3、4、5或10等。

步骤S202，选取任意一个所述第一路段序列作为第一目标路段序列，将所述第一目标路段序列中各路段的第一特征信息输入所述第一模型，得到所述第一目标路段序列中排在最后一位的路段的预测耗时。

步骤S203，将下一个所述第一路段序列作为第一目标路段序列，执行所述将所述第一目标路段序列中的路段的第一特征信息输入所述第一模型的步骤，直至处理完所有的所述第一路段序列，得到所述导航路径中每个路段的第一耗时。

步骤S204，根据所述目标导航路径中每个路段的所述第一耗时得到所述目标导航路径中每个路段的预测耗时。

本实施例中，假设目标导航路径总共包括M个路段，且上述步骤S201中所述的预设数量为N，M和N均为正整数，且N大于或等于2且小于或等于M。上述根据所述目标导航路径得到多个第一路段序列的步骤，包括：根据所述目标导航路径得到第一全路段序列，每个所述第一全路段序列均包括所述M个路段中的N个按第一预设顺序排列的连续路段；获取目标导航路径中按所述第一预设顺序排列的前N-1个路段；根据所述前N-1个路段以及预设的零路段得到第一补零路段序列；将所述第一全路段序列和所述第一补零路段序列均作为所述第一路段序列。

也就是说，第一路段序列包括第一全路段序列和第一补零路段序列，且第一全路段序列和第一补零路段序列均包括N个元素。每次使用第一路段序列中的N个连续路段的第一特征信息作为输入，预测第一路段序列中排在最后的一个路段的预测耗时。

上述步骤S201至步骤S204为路段耗时的预测步骤。本实施例中，路段耗时的预测可以采用正向预测的方式，也可以采用反向预测的方式，或者，还可以采用双向预测的方式。

第一种，采用正向预测的方式时，步骤S201中的第一预设顺序为由目标导航路径的起点到终点的顺序。

将目标导航路径中的路段表示为R_i，其中，i为大于或等于1且小于或等于M的整数。此时，从起点到终点，目标导航路径所包括的路段依次为：R₁，R₂，R₃，…，R_M。例如，当M＝100，N＝5时，第一全路段序列包括：{R₁，R₂，R₃，R₄，R₅}、{R₂，R₃，R₄，R₅，R₆}、…、{R₉₆，R₉₇，R₉₈，R₉₉，R₁₀₀}。当将{R₁，R₂，R₃，R₄，R₅}作为第一目标路段序列时，将路段R₁、R₂、R₃、R₄和R₅的所有第一特征信息输入第一模型，即对应X₀到X₄输入到图3中LSTM模型的一组神经网络A，最后可以得到路段R₅的预测耗时。图3中X₀到X₄表示输入，h₀到h₄表示输出。同理，可以分别得到路段R₆、R₇、…、R₁₀₀的预测耗时。这样就可以得到路段R₅至路段R₁₀₀的预测耗时。

目标导航路径中，按第一预设顺序排在前N-1位的路段，即R₁、…、R_N-1。由于仅靠R₁、…、R_N-1无法形成分别以R₁、…、R_N-1为最后一位的第一全路段序列，也就无法得到路段R₁、…、R_N-1的预测耗时，因此，对于R₁、…、R_N-1，可以通过补零的方式得到分别以R₁、…、R_N-1为最后一位的第一补零路段序列，以便能通过上述步骤S202和步骤S203，得到目标导航路径中每个路段的第一耗时，进而得到目标导航路径中每个路段的预测耗时。

其中，补零的具体实施方式可以为：分别将按第一预设顺序排在前N-1位的路段R_j，此时，j为大于或等于1且小于或等于N-1的整数，作为当前路段；将当前路段作为一个第一补零路段序列的第N位元素。按第一预设顺序，判断在当前路段之前是否还有其他路段，若没有其它路段，则将预设的零路段作为该第一补零路段序列的其他元素，若还有其它路段，则将排在当前路段前一位的路段作为该第一补零路段序列的第N-1位元素，并继续判断排在当前路段前一位的路段之前是否还有其它路段，以此类推，直至没有其他路段，则在第一补零路段序列的剩余元素位填补预设的零路段，从而得到分别以按第一预设顺序排在前N-1位的路段R_j为最后一位的第一补零路段序列。需要说明的是，零路段的所有第一特征信息均为0，且零路段可以理解为与任意路段均相邻。

例如，零路段可以用“0”表示，当M＝100，N＝5时，第一补零路段序列包括：{0，R₁，R₂，R₃，R₄}、{0，0，R₁，R₂，R₃}、{0，0，0，R₁，R₂}和{0，0，0，0，R₁}，分别以R₁、R₂、R₃和R₄作为最后一位。

第二种，采用反向预测的方式时，步骤S201中的第一预设顺序为由目标导航路径的终点到起点的顺序。例如，当M＝100，N＝5时，第一全路段序列分别为：{R₁₀₀，R₉₉，R₉₈，R₉₇，R₉₆}、{R₉₉，R₉₈，R₉₇，R₉₆，R₉₅}、…、{R₅，R₄，R₃，R₂，R₁}。同理，当将{R₁₀₀，R₉₉，R₉₈，R₉₇，R₉₆}作为第一目标路段序列时，将路段R₁₀₀、R₉₉、R₉₈、R₉₇和R₉₆的所有第一特征信息输入第一模型，即对应X₀到X₄输入到图3中LSTM模型的一组神经网络A，最后可以得到路段R₉₆的预测耗时。同理，可以分别得到路段R₉₅、…、R₁的预测耗时。这样就可以得到路段R₉₆至路段R₁的预测耗时。

相应地，对于目标导航路径中，按第一预设顺序排在前N-1位的路段，R_M、…、R_M-N+2，可以通过补零的方式得到分别以R_M、…、R_M-N+2为最后一位的第一补零路段序列，以便能通过上述步骤S202和步骤S203，得到目标导航路径中每个路段的第一耗时，进而得到目标导航路径中每个路段的预测耗时。

补零的具体实施方式可以参考上述实施例中的记载，区别仅在于，此时，j为大于或等于M-N+2且小于或等于M的整数，此处不再赘述。例如，当M＝100，N＝5时，第一补零路段序列包括：{0，R₁₀₀，R₉₉，R₉₈，R₉₇}、{0，0，R₁₀₀，R₉₉，R₉₈}、{0，0，0，R₁₀₀，R₉₉}和{0，0，0，0，R₁₀₀}，分别以R₁₀₀、R₉₉、R₉₈和R₉₇作为最后一位。

当路段耗时的预测采用正向预测的方式或采用反向预测的方式时，上述根据所述目标导航路径中每个路段的所述第一耗时得到所述目标导航路径中每个路段的预测耗时具体为：将所述目标导航路径中每个路段的所述第一耗时作为该路段的预测耗时。

第三种，采用双向预测的方式时，路段耗时的预测包括上述的正向预测和反向预测。此时，上述步骤S201中的第一预设顺序为由目标导航路径的起点到终点的顺序或由目标导航路径的终点到起点的顺序。且上述根据所述目标导航路径中每个路段的所述第一耗时得到所述目标导航路径中每个路段的预测耗时的步骤，包括以下步骤S301至步骤S304。

步骤S301，根据所述目标导航路径得到多个第二路段序列，每个所述第二路段序列均包括预设数量的按第二预设顺序排列的连续路段，其中，所述第二预设顺序为与所述第一预设顺序相反的顺序。

当上述步骤S201中的第一预设顺序为由目标导航路径的起点到终点的顺序时，步骤S301中的第二预设顺序为由目标导航路径的终点到起点的顺序。当上述步骤S201中的第一预设顺序为由目标导航路径的终点到起点的顺序时，步骤S301中的第二预设顺序为由目标导航路径的起点到终点的顺序。

步骤S302，选取任意一个所述第二路段序列作为第二目标路段序列，将所述第二目标路段序列中的路段的第一特征信息输入所述第一模型，得到所述第二目标路段序列中排在最后一位的路段的预测耗时。

步骤S303，将下一个所述第二路段序列作为所述第二目标路段序列，执行所述将所述第二目标路段序列中的路段的第一特征信息输入所述第一模型的步骤，直至处理完所有的所述第二路段序列，得到所述目标导航路径中每个路段的第二耗时。

步骤S301、步骤S302以及步骤S303的实施方式与上述步骤S201、步骤S202以及步骤S203的实施方式基本类似，不同之处在于由于上述步骤S201中的第一预设顺序与上述步骤S301中的第二预设顺序相反，得到的第一路段序列和第二路段序列也就不同。因此，步骤S301、步骤S302以及步骤S303的具体实施方式可以对应参照上述步骤S201、步骤S202以及步骤S203，此处不再赘述。

步骤S304，根据所述目标导航路径中每个路段的所述第一耗时和所述第二耗时，得到所述目标导航路径中每个路段的预测耗时。

此时，对于目标导航路径的每个路段，均可以分别得到一个第一耗时和一个第二耗时。作为一种实施方式，可以计算每个路段的第一耗时和第二耗时的平均值，将所得的平均值作为该路段的预设耗时。也就是说，对于目标导航路径的每个路段R_i，路段R_i的预测耗时为路段R_i的第一耗时和第二耗时的平均值。

本发明的另一实施例中，当第一模型采用DNN模型时，上述根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时具体可以为：分别将目标导航路径中每个路段的第一特征信息输入第一模型，得到该路段的预设耗时。例如，当目标导航路径包括100个路段时，将路段R_i的第一特征信息输入第一模型得到路段R_i的预设耗时，此时，i为大于或等于1且小于或等于100的整数。

在本发明的一实施例中，在执行上述步骤S103之前，本发明提供的用于预测导航时间的方法还可以包括第一模型训练步骤。具体的，如图4所示，第一模型训练步骤包括：

步骤S401，获取第一样本数据，所述第一样本数据包括多个第一历史导航路径、每个所述第一历史导航路径中每个路段的第一特征信息以及每个所述第一历史导航路径中每个路段的实际耗时；

导航应用的历史数据库中存储有GPS(Global Positioning System，全球定位系统)日志。GPS日志中记录有历史导航路径，以及每个历史导航路径中每个路段的第一特征信息和实际耗时。其中，实际耗时为用户在按照历史导航路径行驶时，历史导航路径中每个路段实际使用的时间。本实施例中，具体可以从导航应用的历史数据库中采集多个历史导航路径，每个第一历史导航路径包括多个路段，将所采集的历史导航路径均作为第一历史导航路径。将第一历史导航路径的相关数据，作为第一样本数据。每个第一历史导航路径的相关数据包括每个路段的第一特征信息以及每个路段的实际耗时。可以理解的是，第一历史导航路径中每个路段的第一特征信息与上述目标导航路径中每个路段的第一特征信息所包括的特征类型相同，只是具体的数值不同，详细可以参考上述实施例的记载。

另外，为了使得训练的第一模型尽可能的准确，本实施例中采集的第一样本数据，即各个第一历史导航路径的时刻均匀分布在一个参考周期中。例如，若参考周期为一天，则需要保证一天24小时的每个时段都有第一样本数据；若参考周期为一周，则需要保证一周内的每一天都有第一样本数据。当然，第一样本数据的采集还可以参考其他因素，如空间热度等。

步骤S402，将所述多个第一历史导航路径中每个路段的第一特征信息以及所述多个第一历史导航路径中每个路段的实际耗时作为训练样本，对预设的第一深度学习模型进行训练，得到所述第一模型。

将所采集的多个第一历史导航路径中每个路段的第一特征信息作为训练特征，而每个路段的实际耗时作为模型学习的答案，对预设的第一深度学习模型进行训练，得到第一模型。

步骤S104，根据所述目标导航路径中每个路段的预测耗时得到所述导航路径的预测耗时。

作为一种实施方式，可以将目标导航路径的所有路段的预测耗时进行累加，将目标导航路径的所有路段的预测耗时之和作为目标导航路径的预测耗时，完成待测路径的导航时间的预测。

为了减小误差，进一步提高预测结果的准确性，作为另一种实施方式，如图5所示，上述步骤S104具体可以包括：

步骤S501，将所述目标导航路径中所有路段的预测耗时进行累加，得到所述目标导航路径的初测耗时；

例如，若目标导航路径包括100个路段，在根据上述步骤S103分别得到每个路段的预测耗时后，将这100个路段的预测耗时之和作为目标导航路径的初测耗时。

步骤S502，获取所述目标导航路径的第二特征信息；

第二特征信息包括：所述目标导航路径对应的用户身份信息、所述目标导航路径对应的天气相关信息、所述目标导航路径的静态特征信息以及所述目标导航路径的空间热度中的一种或多种组合。

其中，用户身份信息为请求该次导航操作的用户的唯一身份标识。例如，用户身份信息可以是用户的设备身份标识，即设备ID，或者，也可以是用户注册的账号或用户名等。可以理解的是，不同用户的驾驶习惯不同，可能会对路径耗时产生不同的影响。

另外，不同天气情况对路径耗时的影响也不同。本实施例中，目标导航路径对应的天气相关信息可以包括：当前时刻的能见度信息和地面情况信息。获取目标导航路径对应的天气相关信息的方式可以为：预先设置可以获取天气相关信息的API(ApplicationProgramming Interface，应用程序编程接口)，例如，SmartWeatherAPI接口；通过调用该API即可以获取所需要的天气相关信息。当然，除了这种方式外，也可以用其他的方式获取天气相关信息。

具体来讲，能见度，是反映大气透明度的一个指标，航空界定义为具有正常视力的人在当时的天气条件下还能够看清楚目标轮廓的最大距离，通常以米或公里表示。作为一种实施方式，可以预先设置能见度对应表，该能见度对应表包括不同的能见度等级以及每个能见度等级对应的能见度范围。不同的能见度等级用于反应能见度的好坏程度。例如，可以用0-5表示能见度由好到差，即能见度对应表包括六个不同能见度等级，分别对应用0、1、2、3、4和5表示。获取到当前时刻的能见度后，将所获取的能见度值与上述能见度对应表进行匹配，根据该能见度值所在的能见度范围得到该能见度值对应的能见度等级，将所得到的能见度等级作为当前时刻的能见度信息。作为另一种实施方式，也可以直接获取当前时刻的能见度作为当前时刻的能见度信息。

地面情况可以包括但不限于：正常、有雨水、有雪和路面热。作为一种实施方式，地面情况信息可以用0、1、2或3表示，其中，0表示正常，1表示有雨水，2表示有雪，3表示路面热。需要说明的是，地面正常是指地面没有沉积雨水、冰或雪，且地表温度低于预设温度值的情况。

作为一种实施方式，获取地面情况信息的方式可以为：获取当前时刻以前的预设时间段的实时天气数据及温度数据，根据预设规则以及所获取的实时天气数据及温度数据得到地面情况信息。其中，预设时间段可以根据实际情况设置，例如，可以是一小时或两小时等。

另外，预设规则可以根据实际需要设置，例如，可以设置地面情况对应表，地面情况对应表中，当天气情况为：阵雨、雷阵雨、雷阵雨伴有冰雹、雨夹雪、小雨、中雨、大雨、暴雨、大暴雨或特大暴雨等雨天，且温度T为：0＜T≤35℃，此时，对应的地面情况为地面有雨水；当天气情况为：阵雪、小雪、中雪、大雪或暴雪等下雪天，且温度T为：T≤5℃，此时，对应的地面情况为地面有雪；当天气情况为：多云，且温度T为：T＞35℃，此时，对应的地面情况为地面热；当天气情况为：多云或阴，且温度T为：0＜T≤35℃，此时，对应的地面情况为地面正常。此时，就可以将所获取的实时天气数据及温度数据与该地面情况对应表进行匹配，得到地面情况信息。当然，也可以设置其他的预设规则。

本实施例中，目标导航路径的静态特征信息为由目标导航路径本身所决定的固有特征，不同的目标导航路径的静态特征信息不同。具体来讲，目标导航路径的静态特征信息可以包括但不限于：目标导航路径的转向次数以及目标导航路径的路段长度信息。

其中，目标导航路径的转向次数可以包括但不限于：有灯左转次数、有灯右转次数、有灯调头次数和无灯调头次数。目标导航路径中，当从某一路段行驶到下一相邻路段需要根据路口处的信号灯指示左转，则记为一次有灯左转，当从某一路段行驶到下一相邻路段需要根据路口处的信号灯指示右转，则记为一次有灯右转，当从某一路段行驶到下一相邻路段需要根据路口处的信号灯指示调头，则记为一次有灯调头，当从某一路段行驶到下一相邻路段需要调头且调头处无信号灯指示，则记为一次无灯调头。

目标导航路径的路段长度信息可以包括但不限于：有路况路段长度、无路况路段长度以及不同等级道路长度。

可以理解的是，从路网数据中可以查找到道路的路况，即道路的拥堵情况。当然，也有部分道路的路况路网数据中没有记录，也就无法从路网数据中查找到。因此，其中，有路况路段长度为可以从路网数据中查找到拥堵情况的路段，无路况路段长度为无法从路网数据中查找到拥堵情况的路段。例如，以上述示例导航路径Q来讲，若路段R1、R2和R3为有路况路段，而路段R4为无路况路段，则示例导航路径Q的有路况路段长度为：L1+L2+L3，无路况路段长度为：L4。

目标导航路径中各个路段的道路等级可能不同，获取目标导航路径中不同等级的道路长度。例如，以上述示例导航路径Q来讲，若路段R1、R2和R3为主干路，路段R4为次干路，则目标导航路径中，主干路的长度为：L1+L2+L3，次干路的长度为：L4。

具体来讲，目标导航路径的空间热度可以根据该导航路径中每个路段的区域热度得到。每个路段的区域热度的获取具体可以参照上述实施例中的相应内容，此处不再赘述。本实施例中，根据目标导航路径中每个路段的区域热度得到该目标导航路径的空间热度的实施方式有多种。例如，可以获取目标导航路径中所有路段的区域热度的平均值，作为该目标导航路径的空间热度。又例如，可以先去掉区域热度最大的路段和区域热度最小的路段，再将目标导航路径的剩余路段的区域热度求平均得到该目标导航路径的空间热度。再例如，可以获取目标导航路径中，所有路段的区域热度的最大值，将该最大值作为该目标导航路径的空间热度。

需要说明的是，第二特征信息具体可以根据实际需要设置，除了包括上述特征以外，也可以包括其它与目标导航路径的耗时相关的特征，或者，也可以只包括上述第二特征信息中的部分特征。

步骤S503，将所述目标导航路径的第二特征信息以及所述目标导航路径的初测耗时输入预设的第二模型，得到所述目标导航路径的预测耗时。

其中，所述第二模型由第二深度学习模型通过历史导航数据训练得到。本实施例中，第二深度学习模型可以为DNN模型。

将步骤S501得到的目标导航路径的初测耗时以及步骤S502得到的目标导航路径的第二特征信息均输入预先训练好的第二模型，第二模型则可以输出该目标导航路径的预测耗时。这样就可以对步骤S501得到的目标导航路径的初测耗时做进一步修正。

本发明实施例可以利用第二模型对不同用户、不同天气情况以及不同目标导航路径的预测耗时进行了修正，进一步提高了导航时间预测结果的准确度，能够更加精确的预测到达时间，可以更准确的为导航用户推荐最快速的路线。

在本发明的一实施例中，在执行上述步骤S503之前，本发明提供的用于预测导航时间的方法还可以包括第二模型训练步骤。具体的，如图6所示，第二模型训练步骤包括：

步骤S601，获取第二样本数据，所述第二样本数据包括多个第二历史导航路径、每个所述第二历史导航路径中每个路段的第一特征信息、每个所述第二历史导航路径的第二特征信息以及每个所述第二历史导航路径的实际耗时；

本实施例中，具体可以从导航应用的历史数据库中采集多个历史导航路径，每个历史导航路径包括多个路段，将所采集的历史导航路径均作为第二历史导航路径。需要说明的是，第二历史导航路径与上述第一模型训练步骤中采集的第一历史导航路径为不同的历史导航路径。将所采集的第二历史导航路径的相关数据，作为第二样本数据。每个第二历史导航路径的相关数据包括：第二历史导航路径中每个路段的第一特征信息、第二历史导航路径的第二特征信息以及第二历史导航路径的实际耗时。可以理解的是，第二历史导航路径中每个路段的第一特征信息与上述目标导航路径中每个路段的第一特征信息所包括的特征类型相同，只是具体的数值不同，第二历史导航路径的第二特征信息与上述目标导航路径的第二特征信息所包括的特征类型相同，只是具体的数值不同，详细可以参考上述实施例的记载。

另外，为了使得训练的第二模型尽可能的准确，本实施例中采集的第二样本数据，即各个第二历史导航路径的时刻均匀分布在一个参考周期中。例如，若参考周期为一天，则需要保证一天24小时的每个时段都有第二样本数据；若参考周期为一周，则需要保证一周内的每一天都有第二样本数据。当然，第二样本数据的采集还可以参考其他因素，如空间热度等。

步骤S602，根据每个所述第二历史导航路径中每个路段的第一特征信息以及所述第一模型，得到每个所述第二历史导航路径中每个路段的预测耗时；

步骤S603，根据每个所述第二历史导航路径中每个路段的预测耗时得到该第二历史导航路径的初测耗时；

先根据每个第二历史导航路径中每个路段的第一特征信息输入上述步骤S103中的第一模型，得到每个第二历史导航路径中每个路段的预测耗时。具体的输入方式可以参考上述步骤S103，此处不再赘述。然后，将每个第二历史导航路径中的所有路段的预测耗时之和，作为该第二历史导航路径的初测耗时。

步骤S604，将所述多个第二历史导航路径的第二特征信息、所述多个第二历史导航路径的所述初测耗时以及所述多个第二历史导航路径的实际耗时作为训练样本，对预设的第二深度学习模型进行训练，得到所述第二模型。

将每个第二历史导航路径的第二特征信息以及根据上述步骤S603得到的该第二历史导航路径的初测耗时作为训练特征，将每个第二历史导航路径的实际耗时作为模型学习的答案，对预设的第二深度学习模型进行训练，得到第二模型。第二深度学习模型可以采用DNN模型。例如，可以使用两个隐藏层DNN神经网络，每层神经网络节点个数为256个，将每个第二历史导航路径的第二特征信息及初测耗时作为输入，对应将每个第二历史导航路径的实际耗时作为模型学习的答案，进行训练学习。

综上所述，在本发明实施例提供的用于预测导航时间的方法，先获取导航路径，再获取导航路径包括的每个路段的第一特征信息，然后根据每个路段的第一特征信息以及预设的第一模型，得到每个路段的预测耗时，其中，第一模型为根据历史导航数据预先训练好的深度神经网络模型，进而根据导航路径的所有路段的预测耗时得到导航路径的预测耗时。相比于现有技术，本发明实施例基于导航路径中路段的第一特征信息以及根据历史导航数据预先训练好的深度神经网络模型即第一模型，得到导航路径中路段的预测耗时，能够更准确地得到每个路段的预测耗时，从而提高导航时间预测结果的准确度，有利于更准确的为导航用户推荐最快速的路线。

请参照图7，示出了本发明第二实施例提供的一种用于预测导航时间的装置的模块框图。所述用于预测导航时间的装置700包括：

第一获取模块701，用于获取目标导航路径，所述目标导航路径包括多个路段；

第二获取模块702，用于获取所述目标导航路径中每个所述路段的第一特征信息；

路段耗时预测模块703，用于根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时，其中，所述第一模型由第一深度学习模型通过历史导航数据训练得到；

路径耗时预测模块704，用于根据所述目标导航路径中每个路段的预测耗时得到所述导航路径的预测耗时。

进一步地，所述历史导航数据包括多个第一历史导航路径，每个所述第一历史导航路径包括多个路段。所述路段耗时预测模块703中的所述第一模型按照下述方式预先获得：获取第一样本数据，所述第一样本数据包括所述多个第一历史导航路径、每个所述第一历史导航路径中每个路段的第一特征信息以及每个所述第一历史导航路径中每个路段的实际耗时；将所述多个第一历史导航路径中每个路段的第一特征信息以及所述多个第一历史导航路径中每个路段的实际耗时作为训练样本，对预设的第一深度学习模型进行训练，得到所述第一模型。

进一步地，所述路径耗时预测模块704包括：第一预测子模块，用于将所述目标导航路径中所有路段的预测耗时进行累加，得到所述目标导航路径的初测耗时；第二特征信息获取子模块，用于获取所述目标导航路径的第二特征信息；第二预测子模块，用于将所述目标导航路径的第二特征信息以及所述目标导航路径的初测耗时输入预设的第二模型，得到所述目标导航路径的预测耗时，其中，所述第二模型由第二深度学习模型通过历史导航数据训练得到。

进一步地，所述历史导航数据还包括多个第二历史导航路径，每个所述第二历史导航路径包括多个路段。所述第二预测子模块中的所述第二模型按照下述方式预先获得：获取第二样本数据，所述第二样本数据包括所述多个第二历史导航路径、每个所述第二历史导航路径中每个路段的第一特征信息、每个所述第二历史导航路径的第二特征信息以及每个所述第二历史导航路径的实际耗时；根据每个所述第二历史导航路径中每个路段的第一特征信息以及所述第一模型，得到每个所述第二历史导航路径中每个路段的预测耗时；根据每个所述第二历史导航路径中每个路段的预测耗时得到该第二历史导航路径的初测耗时；将所述多个第二历史导航路径的第二特征信息、所述多个第二历史导航路径的所述初测耗时以及所述多个第二历史导航路径的实际耗时作为训练样本，对预设的第二深度学习模型进行训练，得到所述第二模型。

进一步地，所述第二特征信息包括：所述目标导航路径对应的用户身份信息、所述目标导航路径对应的天气相关信息、所述目标导航路径的静态特征信息以及所述目标导航路径的空间热度中的一种或多种组合。

进一步地，所述路段耗时预测模块703包括：第一处理子模块和第二处理子模块。第一处理子模块，用于根据所述目标导航路径得到多个第一路段序列，每个所述第一路段序列均包括预设数量的按第一预设顺序排列的连续路段，其中，所述预设数量大于或等于2且小于所述目标导航路径包括的路段数量，选取任意一个所述第一路段序列作为第一目标路段序列，将所述第一目标路段序列中各路段的第一特征信息均输入所述第一模型，得到所述第一目标路段序列中排在最后一位的路段的预测耗时，将下一个所述第一路段序列作为第一目标路段序列，执行所述将所述第一目标路段序列中的路段的第一特征信息输入所述第一模型的步骤，直至处理完所有的所述第一路段序列，得到所述导航路径中每个路段的第一耗时。第二处理子模块，用于根据所述目标导航路径中每个路段的所述第一耗时得到所述目标导航路径中每个路段的预测耗时。

进一步地，所述目标导航路径包括M个路段，所述预设数量为N，M和N均为正整数，且N大于或等于2且小于或等于M。所述第一处理子模块具体用于：根据所述目标导航路径得到第一全路段序列，每个所述第一全路段序列均包括所述M个路段中的N个按第一预设顺序排列的连续路段；获取目标导航路径中按所述第一预设顺序排列的前N-1个路段；根据所述前N-1个路段以及预设的零路段得到第一补零路段序列；将所述第一全路段序列和所述第一补零路段序列均作为所述第一路段序列。

进一步地，所述第一预设顺序为由所述导航路径的起点到终点的顺序或由所述导航路径的终点到起点的顺序。

进一步地，所述第二处理子模块具体用于：根据所述目标导航路径得到多个第二路段序列，每个所述第二路段序列均包括所述预设数量的按第二预设顺序排列的连续路段，其中，所述第二预设顺序为与所述第一预设顺序相反的顺序；选取任意一个所述第二路段序列作为第二目标路段序列，将所述第二目标路段序列中的路段的第一特征信息输入所述第一模型，得到所述第二目标路段序列中排在最后一位的路段的预测耗时；将下一个所述第二路段序列作为所述第二目标路段序列，执行所述将所述第二目标路段序列中的路段的第一特征信息输入所述第一模型的步骤，直至处理完所有的所述第二路段序列，得到所述目标导航路径中每个路段的第二耗时；根据所述目标导航路径中每个路段的所述第一耗时和所述第二耗时，得到所述目标导航路径中每个路段的预测耗时。

进一步地，所述第一特征信息包括：所述路段的路况信息以及所述路段的距离信息。

进一步地，所述第一特征信息还包括：所述目标导航路径对应的时间信息、所述路段的区域热度信息、从所述目标导航路径的起点到所述路段的历史估计耗时、所述路段的道路信息和所述路段的路口信息中的一种或多种组合。

进一步地，所述第一深度学习模型为LSTM模型。

需要说明的是，本发明实施例所提供的用于预测导航时间的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

另外，本发明第三实施例提供了一种电子设备，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述电子设备执行以下操作：

获取目标导航路径，所述目标导航路径包括多个路段；

获取所述目标导航路径中每个所述路段的第一特征信息；

根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时，其中，所述第一模型由第一深度学习模型通过历史导航数据训练得到；

根据所述目标导航路径中每个路段的预测耗时得到所述导航路径的预测耗时。

需要说明的是，本发明实施例所提供的电子设备中，上述每个步骤的具体实现及产生的技术效果和前述方法实施例相同，为简要描述，本实施例未提及之处可参考前述方法实施例中相应内容。

图8是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

请参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件802可以包括一个或多个处理器820来执行指令，以完成上述第一实施例提供的用于预测导航时间的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理部件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件806为电子设备800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

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804，上述指令可由电子设备800的处理器820执行以完成上述方法。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。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得该电子设备能够执行一种用于预测导航时间的方法，所述方法包括：获取目标导航路径，所述目标导航路径包括多个路段；获取所述目标导航路径中每个所述路段的第一特征信息；根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时，其中，所述第一模型由第一深度学习模型通过历史导航数据训练得到；根据所述目标导航路径中每个路段的预测耗时得到所述导航路径的预测耗时。

图9是本发明实施例中电子设备为服务器时的结构示意图。该服务器1900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)1922(例如，一个或一个以上处理器)和存储器1932，一个或一个以上存储应用程序1942或数据1944的存储介质1930(例如一个或一个以上海量存储设备)。其中，存储器1932和存储介质1930可以是短暂存储或持久存储。存储在存储介质1930的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1922可以设置为与存储介质1930通信，在服务器1900上执行存储介质1930中的一系列指令操作。

服务器1900还可以包括一个或一个以上电源1926，一个或一个以上有线或无线网络接口1950，一个或一个以上输入输出接口1958，一个或一个以上键盘1956，和/或，一个或一个以上操作系统1941，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制

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 (22)

1.一种用于预测导航时间的方法，其特征在于，所述方法包括：

获取目标导航路径，所述目标导航路径包括多个路段；

获取所述目标导航路径中每个所述路段的第一特征信息；

根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时，其中，所述第一模型由第一深度学习模型通过历史导航数据训练得到；

根据所述目标导航路径中每个路段的预测耗时得到所述导航路径的预测耗时，包括：将所述目标导航路径中所有路段的预测耗时进行累加，得到所述目标导航路径的初测耗时，将所述目标导航路径的第二特征信息以及所述初测耗时输入预设的第二模型，得到所述目标导航路径的预测耗时，其中，所述第二模型由第二深度学习模型通过历史导航数据训练得到。

2.根据权利要求1所述的方法，其特征在于，所述历史导航数据包括多个第一历史导航路径，每个所述第一历史导航路径包括多个路段，所述第一模型按照下述方式预先获得：

获取第一样本数据，所述第一样本数据包括所述多个第一历史导航路径、每个所述第一历史导航路径中每个路段的第一特征信息以及每个所述第一历史导航路径中每个路段的实际耗时；

将所述多个第一历史导航路径中每个路段的第一特征信息以及所述多个第一历史导航路径中每个路段的实际耗时作为训练样本，对预设的第一深度学习模型进行训练，得到所述第一模型。

3.根据权利要求1所述的方法，其特征在于，所述历史导航数据还包括多个第二历史导航路径，每个所述第二历史导航路径包括多个路段，所述第二模型按照下述方式预先获得：

获取第二样本数据，所述第二样本数据包括所述多个第二历史导航路径、每个所述第二历史导航路径中每个路段的第一特征信息、每个所述第二历史导航路径的第二特征信息以及每个所述第二历史导航路径的实际耗时；

根据每个所述第二历史导航路径中每个路段的第一特征信息以及所述第一模型，得到每个所述第二历史导航路径中每个路段的预测耗时；

根据每个所述第二历史导航路径中每个路段的预测耗时得到该第二历史导航路径的初测耗时；

将所述多个第二历史导航路径的第二特征信息、所述多个第二历史导航路径的所述初测耗时以及所述多个第二历史导航路径的实际耗时作为训练样本，对预设的第二深度学习模型进行训练，得到所述第二模型。

4.根据权利要求1所述的方法，其特征在于，所述第二特征信息包括：所述目标导航路径对应的用户身份信息、所述目标导航路径对应的天气相关信息、所述目标导航路径的静态特征信息以及所述目标导航路径的空间热度中的一种或多种组合。

5.根据权利要求1所述的方法，其特征在于，所述根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时包括：

根据所述目标导航路径得到多个第一路段序列，每个所述第一路段序列均包括预设数量的按第一预设顺序排列的连续路段，其中，所述预设数量大于或等于2且小于所述目标导航路径包括的路段数量；

选取任意一个所述第一路段序列作为第一目标路段序列，将所述第一目标路段序列中各路段的第一特征信息均输入所述第一模型，得到所述第一目标路段序列中排在最后一位的路段的预测耗时；

将下一个所述第一路段序列作为第一目标路段序列，执行所述将所述第一目标路段序列中的路段的第一特征信息输入所述第一模型的步骤，直至处理完所有的所述第一路段序列，得到所述导航路径中每个路段的第一耗时；

根据所述目标导航路径中每个路段的所述第一耗时得到所述目标导航路径中每个路段的预测耗时。

6.根据权利要求5所述的方法，其特征在于，所述目标导航路径包括M个路段，所述预设数量为N，M和N均为正整数，且N大于或等于2且小于或等于M，

所述根据所述目标导航路径得到多个第一路段序列，包括：

根据所述目标导航路径得到第一全路段序列，每个所述第一全路段序列均包括所述M个路段中的N个按第一预设顺序排列的连续路段；

获取目标导航路径中按所述第一预设顺序排列的前N-1个路段；

根据所述前N-1个路段以及预设的零路段得到第一补零路段序列；

将所述第一全路段序列和所述第一补零路段序列均作为所述第一路段序列。

7.根据权利要求5所述的方法，其特征在于，所述第一预设顺序为由所述导航路径的起点到终点的顺序或由所述导航路径的终点到起点的顺序。

8.根据权利要求5所述的方法，其特征在于，所述根据所述目标导航路径中每个路段的所述第一耗时得到所述目标导航路径中每个路段的预测耗时包括：

根据所述目标导航路径得到多个第二路段序列，每个所述第二路段序列均包括所述预设数量的按第二预设顺序排列的连续路段，其中，所述第二预设顺序为与所述第一预设顺序相反的顺序；

选取任意一个所述第二路段序列作为第二目标路段序列，将所述第二目标路段序列中的路段的第一特征信息输入所述第一模型，得到所述第二目标路段序列中排在最后一位的路段的预测耗时；

将下一个所述第二路段序列作为所述第二目标路段序列，执行所述将所述第二目标路段序列中的路段的第一特征信息输入所述第一模型的步骤，直至处理完所有的所述第二路段序列，得到所述目标导航路径中每个路段的第二耗时；

根据所述目标导航路径中每个路段的所述第一耗时和所述第二耗时，得到所述目标导航路径中每个路段的预测耗时。

9.根据权利要求1所述的方法，其特征在于，所述第一特征信息包括：所述路段的路况信息、所述路段的距离信息、所述目标导航路径对应的时间信息、所述路段的区域热度信息、从所述目标导航路径的起点到所述路段的历史估计耗时、所述路段的道路信息和所述路段的路口信息中的一种或多种组合。

10.根据权利要求1所述的方法，其特征在于，所述第一深度学习模型为LSTM模型。

11.一种用于预测导航时间的装置，其特征在于，所述装置包括：

第一获取模块，用于获取目标导航路径，所述目标导航路径包括多个路段；

第二获取模块，用于获取所述目标导航路径中每个所述路段的第一特征信息；

路段耗时预测模块，用于根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时，其中，所述第一模型由第一深度学习模型通过历史导航数据训练得到；

路径耗时预测模块，用于根据所述目标导航路径中每个路段的预测耗时得到所述导航路径的预测耗时，包括：将所述目标导航路径中所有路段的预测耗时进行累加，得到所述目标导航路径的初测耗时，将所述目标导航路径的第二特征信息以及所述初测耗时输入预设的第二模型，得到所述目标导航路径的预测耗时，其中，所述第二模型由第二深度学习模型通过历史导航数据训练得到。

12.根据权利要求11所述的装置，其特征在于，所述历史导航数据包括多个第一历史导航路径，每个所述第一历史导航路径包括多个路段，所述路段耗时预测模块中的所述第一模型按照下述方式预先获得：

获取第一样本数据，所述第一样本数据包括所述多个第一历史导航路径、每个所述第一历史导航路径中每个路段的第一特征信息以及每个所述第一历史导航路径中每个路段的实际耗时；

将所述多个第一历史导航路径中每个路段的第一特征信息以及所述多个第一历史导航路径中每个路段的实际耗时作为训练样本，对预设的第一深度学习模型进行训练，得到所述第一模型。

13.根据权利要求11所述的装置，其特征在于，所述历史导航数据还包括多个第二历史导航路径，每个所述第二历史导航路径包括多个路段，所述第二模型按照下述方式预先获得：

获取第二样本数据，所述第二样本数据包括所述多个第二历史导航路径、每个所述第二历史导航路径中每个路段的第一特征信息、每个所述第二历史导航路径的第二特征信息以及每个所述第二历史导航路径的实际耗时；

根据每个所述第二历史导航路径中每个路段的第一特征信息以及所述第一模型，得到每个所述第二历史导航路径中每个路段的预测耗时；

根据每个所述第二历史导航路径中每个路段的预测耗时得到该第二历史导航路径的初测耗时；

将所述多个第二历史导航路径的第二特征信息、所述多个第二历史导航路径的所述初测耗时以及所述多个第二历史导航路径的实际耗时作为训练样本，对预设的第二深度学习模型进行训练，得到所述第二模型。

14.根据权利要求11所述的装置，其特征在于，所述第二特征信息包括：所述目标导航路径对应的用户身份信息、所述目标导航路径对应的天气相关信息、所述目标导航路径的静态特征信息以及所述目标导航路径的空间热度中的一种或多种组合。

15.根据权利要求11所述的装置，其特征在于，所述路段耗时预测模块包括：

第一处理子模块，用于根据所述目标导航路径得到多个第一路段序列，每个所述第一路段序列均包括预设数量的按第一预设顺序排列的连续路段，其中，所述预设数量大于或等于2且小于所述目标导航路径包括的路段数量，选取任意一个所述第一路段序列作为第一目标路段序列，将所述第一目标路段序列中各路段的第一特征信息均输入所述第一模型，得到所述第一目标路段序列中排在最后一位的路段的预测耗时，将下一个所述第一路段序列作为第一目标路段序列，执行所述将所述第一目标路段序列中的路段的第一特征信息输入所述第一模型的步骤，直至处理完所有的所述第一路段序列，得到所述导航路径中每个路段的第一耗时；

第二处理子模块，用于根据所述目标导航路径中每个路段的所述第一耗时得到所述目标导航路径中每个路段的预测耗时。

16.根据权利要求15所述的装置，其特征在于，所述目标导航路径包括M个路段，所述预设数量为N，M和N均为正整数，且N大于或等于2且小于或等于M，

所述第一处理子模块具体用于：根据所述目标导航路径得到第一全路段序列，每个所述第一全路段序列均包括所述M个路段中的N个按第一预设顺序排列的连续路段；获取目标导航路径中按所述第一预设顺序排列的前N-1个路段；根据所述前N-1个路段以及预设的零路段得到第一补零路段序列；将所述第一全路段序列和所述第一补零路段序列均作为所述第一路段序列。

17.根据权利要求15所述的装置，其特征在于，所述第一预设顺序为由所述导航路径的起点到终点的顺序或由所述导航路径的终点到起点的顺序。

18.根据权利要求15所述的装置，其特征在于，所述第二处理子模块具体用于：

根据所述目标导航路径得到多个第二路段序列，每个所述第二路段序列均包括所述预设数量的按第二预设顺序排列的连续路段，其中，所述第二预设顺序为与所述第一预设顺序相反的顺序；

选取任意一个所述第二路段序列作为第二目标路段序列，将所述第二目标路段序列中的路段的第一特征信息输入所述第一模型，得到所述第二目标路段序列中排在最后一位的路段的预测耗时；

将下一个所述第二路段序列作为所述第二目标路段序列，执行所述将所述第二目标路段序列中的路段的第一特征信息输入所述第一模型的步骤，直至处理完所有的所述第二路段序列，得到所述目标导航路径中每个路段的第二耗时；

根据所述目标导航路径中每个路段的所述第一耗时和所述第二耗时，得到所述目标导航路径中每个路段的预测耗时。

19.根据权利要求11所述的装置，其特征在于，所述第一特征信息包括：所述路段的路况信息、所述路段的距离信息、所述目标导航路径对应的时间信息、所述路段的区域热度信息、从所述目标导航路径的起点到所述路段的历史估计耗时、所述路段的道路信息和所述路段的路口信息中的一种或多种组合。

20.根据权利要求11所述的装置，其特征在于，所述第一深度学习模型为LSTM模型。

21.一种电子设备，其特征在于，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述电子设备执行以下操作：

获取目标导航路径，所述目标导航路径包括多个路段；

获取所述目标导航路径中每个所述路段的第一特征信息；

根据所述目标导航路径中每个所述路段的第一特征信息以及预设的第一模型，得到每个所述路段的预测耗时，其中，所述第一模型由第一深度学习模型通过历史导航数据训练得到；

根据所述目标导航路径中每个路段的预测耗时得到所述导航路径的预测耗时，包括：将所述目标导航路径中所有路段的预测耗时进行累加，得到所述目标导航路径的初测耗时，将所述目标导航路径的第二特征信息以及所述初测耗时输入预设的第二模型，得到所述目标导航路径的预测耗时，其中，所述第二模型由第二深度学习模型通过历史导航数据训练得到。

22.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-10中任一项所述方法的步骤。

Images