CN110400015B - 一种时间估计方法及其装置、设备 - Google Patents

一种时间估计方法及其装置、设备 Download PDF

Info

Publication number
CN110400015B
CN110400015B CN201910678512.6A CN201910678512A CN110400015B CN 110400015 B CN110400015 B CN 110400015B CN 201910678512 A CN201910678512 A CN 201910678512A CN 110400015 B CN110400015 B CN 110400015B
Authority
CN
China
Prior art keywords
route
road section
road
time
estimated
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
Application number
CN201910678512.6A
Other languages
English (en)
Other versions
CN110400015A (zh
Inventor
姜正申
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910678512.6A priority Critical patent/CN110400015B/zh
Publication of CN110400015A publication Critical patent/CN110400015A/zh
Application granted granted Critical
Publication of CN110400015B publication Critical patent/CN110400015B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种时间估计方法及其装置、设备，所述方法包括：基于获取到的起点位置和终点位置，确定第一待估计路线；获取第一待估计路线中包括的每条路段在出发时刻的路段特征；基于所述每条路段的路段特征，确定所述第一待估计路线的第一路线特征；确定每条路段的路段特征对应的目标权值，并将每条路段的路段特征和对应的目标权值进行加权求和，得到所述第一待估计路线的第二路线特征；通过训练好的神经网络模型对所述第一待估计路线的第一路线特征和所述第二路线特征进行处理，得到第一预计到达时间；通过本申请，能够给予地图中不同的路段不同的权值来计算预计到达时间，从而提高地图应用预计达到时间的准确率。

Description

一种时间估计方法及其装置、设备
技术领域
本申请涉及机器学习技术领域，尤其涉及一种时间估计方法及其装置、设备。
背景技术
人工智能(AI，Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、智能导航、机器人、智能医疗和智能客服等。其中机器学习作为人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。基于智能导航的广泛应用，人们可以利用在线地图获取到从起点到达终点的各种路线之外，还需要获取完成每条路线所需要的时间，以便选择最优出行路线。
目前，在ETA预估的领域，最常用的算法有基于规则的逐路段累加方法和基于树模型的机器学习算法等。基于规则的逐路段累加方法不仅需要依据人工经验，并且会带来累计误差，准确率低；基于树模型的机器学习算法只考虑了路线的整体特征，也会造成ETA预估不准的问题。
发明内容
本申请实施例提供一种时间估计方法、装置及存储介质，能够通过给予不同的路段不同的权值来计算预计到达时间，从而提高预计达到时间的准确率。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种时间估计方法，包括：
基于获取到的起点位置和终点位置，确定第一待估计路线；
获取第一待估计路线中包括的每条路段在出发时刻的路段特征；
基于所述每条路段的路段特征，确定所述第一待估计路线的第一路线特征；
确定每条路段的路段特征对应的目标权值，并将每条路段的路段特征和对应的目标权值进行加权求和，得到所述第一待估计路线的第二路线特征；
通过训练好的神经网络模型进行基于所述第一待估计路线的第一路线特征和所述第二路线特征的预测操作，得到第一预计到达时间。
本申请实施例提供一种时间估计装置，所述装置包括：
第一确定模块，用于基于获取到的起点位置和终点位置，确定第一待估计路线；
第一获取模块，用于获取第一待估计路线中包括的每条路段在出发时刻的路段特征；
第二确定模块，用于基于所述每条路段的路段特征，确定所述第一待估计路线的第一路线特征；
加权求和模块，用于确定每条路段的路段特征对应的目标权值，并将每条路段的路段特征和对应的目标权值进行加权求和，得到所述第一待估计路线的第二路线特征；
第一预测模块，用于通过训练好的神经网络模型进行基于所述第一待估计路线的第一路线特征和所述第二路线特征的预测操作，得到第一预计到达时间。
本申请实施例提供一种时间估计设备，所述设备至少包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的方法。
本申请实施例提供一种存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的方法。
本申请实施例具有以下有益效果：
在进行预计到达时间估计时，首先根据构成第一待估计路线的各个路段的路段特征确定出第一待估计路线的整体路线特征，并且还为不同的路段给予不同的权值，从而实现为不同的路段给予不同的注意力，进而再将各个路段的路段特征进行加权求和得到第一待估计路线的加权路线特征，这样再通过训练好的神经网络模型对第一待估计路线的整体路线特征和加权路线特征进行处理，得到的第一预计到达时间更加准确。
附图说明
图1A为本申请实施例时间估计方法的网络架构示意图；
图1B为本申请实施例时间估计的另一网络架构示意图；
图2为本申请实施例提供的服务器的一个组成结构示意图；
图3为本申请实施例提供的时间估计方法的一个实现流程示意图；
图4为本申请实施例神经网络模型的训练流程示意图；
图5为本申请实施例时间估计方法的又一种实现流程示意图；
图6为本申请实施例ETA时间估计模型前向传播的实现流程示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
如果申请文件中出现“第一/第二”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。
1)路线，是指是指从一地到另一地所经过的道路。在地图数据中，路线是用路段(link)序列来表达的。在地图数据中，道路被划分为一段一段的线段，这些线段的长度在几十米到几公里不等，每个线段称为一个路段，并被赋予一个全局唯一的id。因此，地图中的一条路线，就是这条路线中所有路段组成的序列。
2)路段，在交通领域，路段是交通网络上相邻两个节点之间的交通线路。
3)自由流速度，不受上下游条件影响的交通流运行速度，通常包括下列三种情况下的车辆速度：交通流的理论速度，是交通密度趋于零时的速度，亦即几乎没有车辆时的速度；在交通量很小的条件下，车辆通过没有信号交叉口的城市干道的路段平均速度；在交通量很小的条件下，高速公路基本路段或多车道公路路段上小客车的平均速度。
4)注意力机制，源于对人类视觉的研究。在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息，这一机制通常被称为注意力机制。
为了更好地理解本申请实施例中提供的时间估计方法，首先对人工智能以及相关技术中ETA预估方案及存在的缺点进行说明。
随着着无线通信技术和移动终端的不断发展，移动终端可以随时随地利用无线通信技术获取需要的信息。在线地图在移动终端的普及，给人们的出行带来了极大的便利，人们可以利用在线地图获取到从起点到达终点的各种路线之外，还需要获取完成每条路线所需要的时间，以便选择最优出行路线。而预计到达时间(Estimated Time of Arrival，ETA)作为在线地图中的一个基础功能，正是能够实现给定地图上的一条路线和出发时间，给出走完这条路线所需要的时间这一功能。
目前在ETA预估的领域，最常用的算法有基于规则的逐路段累加方法和基于树模型的机器学习算法等。
基于规则的逐路段累加方法依赖人工经验，根据每个路段的长度、速度、红绿灯等状况，估计出每个路段的通过时间，再加上每个路口的通过时间，这样累加起来，就构成了整条路线的总时间。这种方法对人工经验的依赖很强，并且，现实路况十分复杂，人为设定的规则无法覆盖各种情形，导致给出的时间常常不准。更关键的是，这种方法将各路段的预估时间进行累加，因此每个路段预估时间的误差也会进行累积，这就使得最终结果很难取得令人满意的准确率。
基于树模型的方法是近年来兴起的一种ETA预估方法。在该方法中不再逐路段的进行估计，而是先提取出整条路线的特征，例如全程总路程、出发时刻的全程平均速度、全程红绿灯总数、全程拥堵里程占比等，然后将这些特征输入到基于树模型的机器学习算法中，进行训练。目前，这一类算法中最常用的就是梯度提升决策树(GBDT，GradientBoosting Decision Tree)算法。在该方法中，只考虑了路线的整体特征，而忽略了各路段的特征。然而，在现实当中，一条极度拥堵的路段，对整条路线的到达时间影响巨大，只考虑整体特征会导致这种情况下ETA不准。
基于此，在本申请实施例中，结合了路线的整体特征和各路段的特征，通过对各路段分配不同的注意力，即对它们的特征进行加权求和，进而得到各路段的综合特征，然后，与路线的整体特征一起，输入深度神经网络，进行权重的学习，从而提高ETA的准确率。
下面说明实现本申请实施例的装置的示例性应用，本申请实施例提供的装置可以实施为服务器。下面，将说明装置实施为服务器时涵盖服务器的示例性应用。
参见图1A，图1A为本申请实施例时间估计方法的网络架构示意图，如图1A所示，在该网络架构中至少包括用户终端100、服务器200和网络300。为实现支撑一个示例性应用，用户客户端100通过网络300连接服务器200。网络300可以是广域网或者局域网，又或者是二者的组合，使用无线链路实现数据传输。
在用户终端100中可以安装有地图应用程序(Application，App)，用户可以通过该App进行路线查询、地点查询等等操作。在用户通过该App进行路线查询时，可以输入起点和终点，然后将起点和终点发送给服务器200，服务器200在接收到起点和终点后，可以从地图信息中确定出从起点到达终点的各种路线，并将最优的一条或者最优的多条路线返回给用户终端100，并且服务器200还可以根据用户设置的出发时刻确定出预计到达时间，在返回路线的同时，还可以返回每条路线对应的预计到达时间。
需要说明的是，在一些实施例中，用户还可以直接输入语音，用户终端100将语音信息发送给服务器200，服务器进行语音识别，获取起点和终点，再进一步最优路线，及最优路线对应的预计达到时间，并将最优路线和预计到达时间发送给用户终端100。
图1B为本申请实施例时间估计的另一网络架构示意图，如图1B所示，在该网络架构中至少包括乘客终端100、服务器200、网络300和司机终端400。为实现支撑一个示例性应用，用户客户端100通过网络300连接服务器200，司机终端400也通过网络300连接服务器200。网络301可以是广域网或者局域网，又或者是二者的组合，使用无线链路实现数据传输。为了显示乘客终端100与司机终端400的区别，在图1B中示例性地将司机终端400示为搭载在车辆中的终端。
在司机终端400和乘客终端100中均可以按照有网络约车的App，其中司机终端400中安装的可以是司机版App，司机终端在打开该App的情况下，可以实时向服务器201发送位置信息，并且可以通过该App接收服务器201发送的订单，查看订单信息等。乘客终端100中安装的可以是乘客版App，乘客可以通过该App发送订单给服务器201，以使得服务器201可以根据乘客订单和司机的位置信息，确定出离乘客最近的车辆信息，并将对乘客的订单派发给该车辆对应的司机终端400，并且由服务器201向乘客终端100返回指派的车辆信息、司机信息以及预计到达起点的时间。
在司机接到乘客之后，服务器201还会根据车辆的实时位置和目的地确定出到达目的地的预计到达时间，并将预计到达时间发送到乘客终端100和司机终端400，以使得司机和乘客更好的了解行程信息。
本申请实施例提供的装置可以实施为硬件或者软硬件结合的方式，下面说明本申请实施例提供的装置的各种示例性实施。
服务器200可以是单个的服务器，也可以是由多各服务器构成的服务器集群、云计算中心等，根据图2示出的服务器200的示例性结构，可以预见服务器200的其他的示例性结构，因此这里所描述的结构不应视为限制，例如可以省略下文所描述的部分组件，或者，增设下文所未记载的组件以适应某些应用的特殊需求。
图2所示的服务器200包括：至少一个处理器210、存储器240、至少一个网络接口220和用户接口230。终端200中的每个组件通过总线系统250耦合在一起。可理解，总线系统250用于实现这些组件之间的连接通信。总线系统250除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统250。
用户接口230可以包括显示器、键盘、鼠标、触感板和触摸屏等。
存储器240可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)。易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本申请实施例描述的存储器240旨在包括任意适合类型的存储器。
本申请实施例中的存储器240能够存储数据以支持服务器200的操作。这些数据的示例包括：用于在服务器200上操作的任何计算机程序，如操作系统和应用程序。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。
作为本申请实施例提供的方法采用软件实施的示例，本申请实施例所提供的方法可以直接体现为由处理器210执行的软件模块组合，软件模块可以位于存储介质中，存储介质位于存储器240，处理器210读取存储器240中软件模块包括的可执行指令，结合必要的硬件(例如，包括处理器210以及连接到总线250的其他组件)完成本申请实施例提供的方法。
作为示例，处理器210可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
将结合前述的实现本申请实施例的装置的示例性应用和实施，说明实现本申请实施例的方法。
参见图3，图3为本申请实施例提供的时间估计方法的一个实现流程示意图，可以应用于图1A和图1B所示的服务器200，根据地图服务或乘车服务在用户终端100中实现方式，服务器200有各种差异性的部署方式。
例如，当地图服务或者乘车服务在用户终端100中是以专用的APP的形式实现时，服务器200可以是专门用于实现本申请实施例提供的时间估计方法的一个或多个服务器，其通过网络300直接与用户终端100通信以完成必要的数据和信息的传输。
再例如，当地图服务或乘车服务是在用户终端100中是以耦合到各种已有APP(例如社交APP)中的模块或插件(例如小程序)实现时，服务器200可以包括用于实现这些已有APP的基本业务功能的业务服务器、以及用于实现本申请实施例提供的时间估计方法的地图服务器，地图服务器直接与模块或插件通信，也可以间接通过业务服务器与模块或插件通信；当然，可以理解地，地图服务器和业务服务器的区别主要在于所承载业务逻辑，因此，地图服务器和业务服务器实际上也可以是同一服务器。
在下文的描述中，为了描述方便，将上述各种可能方式的服务器都统称为服务器，因此服务器200不应简单理解为一个或一类服务器，而是根据上述的示例，在实际应用中为了支撑地图服务或乘车服务而部署的各种可能形式的服务器，将结合图3示出的步骤进行说明。
步骤S101，服务器基于获取到的起点位置和终点位置，确定第一待估计路线。
这里，步骤S101在实现时，可以是服务器基于用户终端发送的起点位置和终点位置，通过地图数据，确定出能够从起点位置到达终端位置的一条或多条可行路线，作为第一待估计路线。一般情况下，第一待估计路线可以是至少两条，例如第一待估计路线可以是从起点位置到终点位置中转弯最少的路线，还可以是从起点位置到终点位置红绿灯最少的路线等。
步骤S102，服务器获取第一待估计路线中包括的每条路段在出发时刻的路段特征。
这里，服务器在获取到起点位置和终点位置的同时，还可以获取到出发时刻，因此为了更准确地预估达到终点位置的时间，因此需要计算第一待估计路线中包括的每个路段在出发时刻的路段特征。
在本申请实施例中，路段特征可以包括多个，例如可以包括路段的长度、出发时刻的平均车速、平均限速、红绿灯个数等。
步骤S103，服务器基于所述每条路段的路段特征，确定所述第一待估计路线的第一路线特征。
这里，第一路线特征可以包括第一待估计路线的长度、第一待估计路线的在出发时刻的全程平均车速、全程平均限速等。
步骤S103在实现时，是基于每条路段的路段特征统计出第一待估计路线的第一路线特征。例如，可以将各条路段的长度相加得到第一待估计路线的全程长度；基于各条路段在出发时刻的平均车速和各条路段的长度确定出通过每条路段所需的时长，并将每条路段所需的时长相加，并基于全程总长和总时长确定全程平均车速。
步骤S104，服务器确定每条路段的路段特征对应的目标权值，并将每条路段的路段特征和对应的目标权值进行加权求和，得到所述第一待估计路线的第二路线特征。
这里，服务器可以是根据已经训练学习好的权重计算参数和每条路段的路段特征确定每条路段的路段特征对应的目标权值，当一条路段有多个路段特征时，那么每个路段特征分别对应一个权值。
假设第一待估计路线中包括M条路段，每条路段有K个特征，那么在实现时，将M条路段的第一个路段特征进行加权求和，得到第一个第二路线特征，将M条路段的第二个路段特征进行加权求和，得到第二个第二路线特征，……，直至将M条路段的第K个路段特征进行加权求和，得到第K个第二路线特征。
步骤S105，服务器通过神经网络模型进行基于所述第一待估计路线的第一路线特征和所述第二路线特征的预测操作，得到第一预计到达时间。
这里，步骤S105中使用的是训练好的神经网络模型，进一步地，可以是全连接神经网络模型。步骤S105在实现时，可以是将第一待估计路线的第一路线特征和第二路线特征作为神经网络模型的输入，以使得该神经网络模型对到达时间进行预测估计，从而得到第一待估计路线对应的第一预计到达时间。
由于第二路线特征可以认为是加权特征，也就是说，第二路线特征可以反应各个路段的重要程度，对于拥堵或者同行缓慢的路段给予更高的注意力，从而能够提高预计到达时间的准确率。
在本申请实施例提供的时间估计方法中，首先根据构成第一待估计路线的各个路段的路段特征确定出第一待估计路线的整体路线特征，并且还为不同的路段给予不同的权值，从而实现为不同的路段给予不同的注意力，进而再将各个路段的路段特征进行加权求和得到第一待估计路线的加权路线特征，这样再通过训练好的神经网络模型对第一待估计路线的整体路线特征和加权路线特征进行处理，得到的第一预计到达时间更加准确。
在步骤S105中使用的是训练好的神经网络模型，也就是说在进行时间估计之前，需要得到训练好的神经网络模型。图4为本申请实施例神经网络模型的训练流程示意图，如图4所示，所述流程包括：
步骤S201，服务器基于历史数据获取训练路线中每条训练路段的路段特征和完成所述训练路线的实际时间。
这里，在实际实现过程中，可以是获取多条训练路线，并获取每条训练路线中包括的每条训练路段的路段特征以及完成每条训练路线的实际时间。
步骤S202，服务器基于所述每条训练路段的路段特征，确定所述训练路线的第一训练路线特征。
这里，步骤S202在实现时跟步骤S102是类似的，是基于每条训练路段的路段特征统计出训练路线的第一训练路线特征。第一训练路线特征可以是训练训练的整体特征。
步骤S203，服务器通过所述每条训练路段的路段特征、第一训练路线特征和所述实际时间训练所述神经网络模型。
这里，步骤S203在实现时，可以是服务器首先通过权值计算参数的初始值确定出各个训练路段的初始目标权值，再基于初始目标权值得到训练路线的第二训练路段特征，最后通过第一训练路线特征、第二训练路线特征和实际时间训练所述神经网络。
在一些实施例中，步骤S203可以通过步骤S2031至步骤S2034实现，将结合各步骤进行说明。
步骤S2031，服务器获取权值计算参数的初始值。
这里，权值计算参数包括注意力系数和偏置参数，获取权值计算参数的初始值也即是获取注意力系数的初始值和偏置参数的初始值。假设在获取训练路段的路段特征时，获取的是K个路段特征，那么注意力系数为K*K的矩阵。偏置参数为K维列向量，即偏置参数为K*1的矩阵。
在本申请实施例中，注意力系数和偏置参数可以是随机获取的，还可以是用户预先设置好的。
步骤S2032，服务器基于所述初始值和所述每条训练路段的路段特征，确定每条训练路段的路段特征对应的初始目标权值。
这里，步骤S2302在实现时，可以是根据所述注意力系数和每条训练路段对应的K个路段特征，确定每条训练路段对应的K个路段特征的重要程度参数，；然后根据所述偏置参数和所述每条路段对应的K个路段特征的重要程度参数，确定所述每条路段对应的K个路段特征的初始权值；最后对所述每条训练路段对应的第i个路段特征的初始权值进行归一化，得到每条训练路段对应的第i个路段特征的初始目标权值，i＝1，2，…，K。
步骤S2033，服务器基于每条训练路段的路段特征和对应的初始目标权值，确定所述训练路线的第二训练路线特征。
这里，假设有N条训练路段，那么步骤S2033在实现时，是将N条训练路段的第i个路段特征和对应的初始目标权值进行加权求和，得到所述训练路线的第i个路段特征。
步骤S2034，通过所述神经网络模型进行基于所述第一训练路线特征和第二训练路线特征的预测处理，将得到的预测时间与所述实际时间的差值在所述神经网络模型中进行反向传播，以更新所述权值计算参数和所述神经网络模型的参数。
这里，步骤S2034在实现时，是通过所述神经网络模型进行基于所述第一训练路线特征和第二训练路线特征的预测处理，得到预测时间，然后将得到的预测时间与所述实际时间的差值在所述神经网络模型中进行反向传播，也即从输出层到输入层传播，以逐层更新神经网络模型中各个层的系数和权值计算参数。
在步骤S2034使用的可以是全连接神经网络模型，在一些实施例中，还可以使用卷积神经网络模型、密集网络(DenseNet)等其他神经网络模型。
通过上述的步骤S201至步骤S203就完成了用于进行时间估计的神经网络模型的训练过程，并且能够得到训练好的权值计算参数，也就是说权值计算参数是通过机器学习算法自动学习得到的，不依赖人工经验，不仅能够减少人工操作，提高处理效率，还能够避免人为主观误差，从而在利用训练好的神经网络和权值计算参数进行预计到达时间的估计时，能够提高准确率。
在一些实施例中，图3示出的步骤S102可以通过步骤S2031至步骤S2034实现，下面结合各步骤进行说明。
步骤S1021，服务器基于每条路段的起点和终点，获取每条路段的长度。
这里，由于路段是交通网络上相邻两个节点之间的交通线路，那么路段的长度可以认为是路段的起点到终点的直线距离，那么在获取到每条路段的起点或终点后可以获取到每条路段的长度。
在一些实施例中，路段的长度还可以是直接通过地图数据获取到的。
步骤S1022，服务器基于所述每条路段的地图信息获取每条路段的平均限速。
这里，由于在地图信息中，已经将不同路段的限速设置好了，因此每个路段的平均限速可以根据相应的地图信息获取到。当一条路段中只有一个限速信息，那么该路段的平均限速即为该限速；当一条路段中有多个限速信息时，可以是将多个限速直接求平均得到平均限速，还可以是根据每个限速对应的限速长度计算出通行时间，再根据总限速长度和总通行时间确定出平均限速。
步骤S1023，服务器基于每条路段对应的历史数据，确定与出发时刻间隔预设时长的未来时刻和历史时刻的平均车速。
这里，未来时刻是指，从出发时刻往后间隔预设时长的时刻；历史时刻是指，从出发时刻往前间隔预设时长的时刻。例如出发时刻为10:30，预设时长为5分钟，那么未来时刻为10:35，历史时刻为10:25。
在一些实施例中，为了使得估算的预计到达时间更准确，以及使得数据更加完备，可以确定多个间隔预设时长的历史时刻和未来时刻的平均车速。例如，出发时刻为10:30，那么可以确定多个未来时刻，即10:35、10:40、10:45等，以及多个历史时刻，即10:25、10:20、10:15等。
步骤S1024，服务器判断是否到达出发时刻。
这里，判断是否到达出发时刻可以认为是判断出发时刻是否为当前时刻，当未到达出发时刻时，进入步骤S1025；当到达出发时刻时，进入步骤S1026。
步骤S1025，当未到达出发时刻时，基于每条路段对应的历史数据确定平均自由流速度和出发时刻的平均车速。
这里，如果未到达出发时刻，那么出发时刻时的平均车速只能依靠历史数据得出，在实现时，可以是获取一天前出发时刻对应的历史数据对出发时刻的平均车速进行估计，还可以是获取过去的一周内出发时刻对应的历史数据，对出发时刻的平均车速进行估计。
在确定平均自由流速度时，可以是通过获取预设时间段内的历史数据，例如可以是获取凌晨12点该路段的历史数据，以确定该路段的平均自由流速度。
步骤S1026，当到达出发时刻时，基于获取到的路网数据确定每条路段在出发时刻的平均车速。
这里，当到达出发时刻时，也即出发时刻即为当前时刻，那么就可以根据实时的路网数据确定每条路段在出发时刻的平均车速。
步骤S1027，基于每条路段对应的历史数据确定平均自由流速度。
这里，步骤S1027在实现时，同样地，可以是通过获取预设时间段内的历史数据，例如可以是获取凌晨12点该路段的历史数据，以确定该路段的平均自由流速度。
通过上述的步骤S1021至步骤S1027就完成了获取第一待估计路线中包括的每条路段在出发时刻的路段特征的实现过程，从而能够再后续步骤中，根据每条路段在出发时刻的路段特征确定出路线的整体特征、加权特征，从而进行预计达到时间的估计。
在一些实施例中，图3示出的步骤S103可以通过步骤S1031至步骤S1034实现，将结合各步骤进行说明。
步骤S1031，服务器基于每条路段的长度，确定所述第一待估计路线的全程长度。
这里，在确定出一条路线包括的各个路段的长度后，那么将各个路段的长度进行求和操作，集合确定出该路线的全程长度。
步骤S1032，服务器基于每条路段在出发时刻的平均车速，确定所述第一待估计路线在出发时刻的全程平均车速。
这里，步骤S1032在实现时，可以是将第一待估计路线中包括的各条路段的平均车速进行平均计算，得到第一待估计路线在出发时刻的全程平均车速，还可以是基于每条路段的长度和每条路段的平均车速，确定每条路段的通行时间，然后根据全程长度和总通行时间确定全程平均车速。
步骤S1033，服务器基于每条路段的平均限速和平均自由流速度，分别确定所述第一待估计路线的全程平均限速和全称平均自由流速度。
这里，步骤S1033的实现过程与步骤S1032是类似的，可以参照步骤S1032的实现过程实现。
步骤S1034，服务器基于所述第一待估计路线对应的历史数据，确定与出发时刻间隔预设时长的历史时刻和未来时刻的全程平均车速。
这里，步骤S1034在实现时，可以是根据各个路段在历史时刻的平均车速确定第一待估计路线在历史时刻的全程平均车速，根据各个路段在未来时刻的平均车速确定第一待估计路线在未来时刻的全程平均车速。进一步的实现过程与步骤S1032是类似的，可以参照步骤S1032的实现过程实现。
通过上述的步骤S1031至步骤S1034就基于各个路段的路段特征得到的第一待估计路线的整体路线特征。
在一些实施例中，每条路段对应有多个路段特征，例如包括路段的长度、出发时刻路段的平均车速、红绿灯数量、平均限速等等，假设每条路段对应K个路段特征，对应地，可以通过以下步骤实现步骤S104中的“确定每条路段的路段特征的目标权值”：
步骤41，服务器获取训练好的权值计算参数。
这里，所述权值计算参数至少包括注意力系数和偏置参数。
步骤42，服务器根据所述注意力系数和所述每条路段对应的K个路段特征，确定每个路段对应的K个路段特征的重要程度参数。
这里，K为正整数。如果每条路线对应K个特征，那么在本申请实施例中，注意力系数为K*K的矩阵Wa。假设第一待估计路线中包括M条路段，那么M条路段的路段特征构成了M*K的矩阵X，步骤42在实现时，是通过X*Wa来把X的每一行K个特征都转换成一行K个权重，分别表示K个特征的重要度，Wa中第i行第j列的元素反映第i个特征对第j个权重的贡献程度。
步骤43，服务器根据所述偏置参数和所述每条路段对应的K个路段特征的重要程度参数，确定所述每条路段对应的K个路段特征的初始权值。
这里，偏置参数可以是K维列向量。有些特征本身就是重要的，这部分权重不依赖其他特征，所以就要用B来拟合，以保证确定出的初始权值的准确度。
初始权值可以是M*K的矩阵。
步骤44，服务器对所述每条路段对应的第i个路段特征的初始权值进行归一化，得到每条路段对应的第i个路段特征的目标权值。
这里，M条路段对应的第i个路段特征的目标权值相加为1，i＝1，2，…，K。步骤44在实现时，可以是将初始权值矩阵按列进行归一化，使得每一列的权值相加为1。
通过步骤41至步骤44，就为每个路段的路段特征分配了基于注意力机制确定出的目标权值，从而能够使得需要更多注意力的路段的权值高，需要较少注意力的路段的权值低，进一步再通过权值对各路段特征进行加权求和，得到第一待估计路线的加权特征，在进行ETA估计时既考虑了各路段的特征，又考虑了整条路线的特征，因此对个别路段极度拥堵的情形也具有良好的效果。
在一些实施例中，在步骤S105之后，所述方法还包括：
步骤S106，在车辆行驶过程中，服务器获取车辆的实时位置。
步骤S107，服务器基于所述实时位置和第一待估计路线的终点位置，确定第二待估计路线。
步骤S108，服务器获取所述第二待估计路线的第一路线特征和第二路线特征。
这里，服务器获取第二待估计路线的第一路线特征的实现过程可以参考步骤S102至步骤S103的实现过程，服务器获取第二待估计路线的第二路线特征的实现过程可以参考步骤S104的实现过程。
步骤S109，服务器通过训练好的神经网络模型进行基于所述第二待估计路线的第一路线特征和所述第二路线特征的预测操作，得到第二预计到达时间。
这里，步骤S109的实现过程可以参考步骤S105的实现过程。
步骤S106至步骤S109可以应用于用户发起导航之后，在行程进行过程中，持续地向用户报告剩余行程所需要的时间的场景，还可以应用于在线乘车服务过程中，乘客搭载车辆之后，服务器持续向乘客和司机报告剩余行程所需要时间的场景，以便用户能够及时了解行程信息。
基于前述的实施例，本申请实施例再提供一种时间估计方法，应用于图1B所示的网络架构，图5为本申请实施例时间估计方法的又一种实现流程示意图，如图5所示，所述方法包括：
步骤S501，乘客终端获取乘车的上车地点、下车地点和出发时刻。
这里，乘客终端获取乘车的上车地点、下车地点和乘车时间的方式可以是通过乘客输入的文本信息获取，还可以是通过乘客点击网络地图的位置信息获取，还可以通过拾取乘客的语音并进行语音识别获取。
在本申请实施例中，乘客订单中的上车地点和下车地点可以是属于不同城市的地点，也可以是属于相同城市的地点。
步骤S502，乘客终端根据所述上车地点、下车地点出发时刻生成乘车订单。
步骤S503，乘客终端发送所述乘车订单到服务器。
步骤S504，服务器基于所述乘车订单中的上车地点获取周边N个车辆的车辆位置。
这里，步骤S504在实现时，可以是服务器基于乘车订单中的上车地点获取与该上车地点距离最近的N个车辆的车辆位置。
步骤S505，服务器基于N个车辆位置和上车地点确定N条第一待估计路线。
步骤S506，服务器获取所述第一待估计路线中包括的每条路段在出发时刻的路段特征。
步骤S507，服务器基于所述每条路段的路段特征，确定所述第一待估计路线的第一路线特征。
步骤S508，服务器确定每条路段的路段特征对应的目标权值，并将每条路段的路段特征和对应的目标权值进行加权求和，得到所述第一待估计路线的第二路线特征。
步骤S509，服务器通过神经网络模型进行基于所述第一待估计路线的第一路线特征和所述第二路线特征的预测操作，得到第一预计到达时间。
这里，对于N条第一待估计路线，服务器分别执行步骤S506至步骤S509就得到了N条第一待估计路线对应的第一预计到达时间。
步骤S510，服务器根据确定出的N个第一预计到达时间确定派单车辆。
这里，步骤S510在实现时，可以是将N个第一预计到达时间中最早的时间对应的车辆确定为派单车辆，这样在准确计算出各个车辆接驾所需的耗时的前提下，能够更合理地为司机派单，从而提高客运效率。
步骤S511，服务器将所述乘车订单和第一预计到达时间发送给派单车辆的司机终端。
步骤S512，服务器向乘客终端返回车辆信息和第一预计到达时间。
这里，车辆信息可以包括车辆品牌、车牌号、颜色等。
步骤S513，当乘客上车后，服务器获取车辆的实时位置。
步骤S514，服务器基于所述实时位置和下车地点，确定第三待估计路线。
步骤S515，服务器获取所述第三待估计路线的第一路线特征和第二路线特征；
步骤S516，服务器通过训练好的神经网络模型进行基于所述第三待估计路线的第一路线特征和所述第二路线特征的预测操作，得到第三预计到达时间。
步骤S517，服务器将第三预计到达时间发送给乘客终端和司机终端。
需要说明的是，本申请实施例中与其它实施例中相同步骤或概念的解释可以参考其它实施例中的描述。
本申请实施例提供的时间估计方法应用于乘车服务过程中，当乘客选择了上车地点和下车地点之后，乘客终端将上车地点和下车地点发送给服务器，服务器基于上车地点和各个可调度车辆的的车辆位置，确定出各个可调度车辆到达上车地点的第一预计到达时间，并选择一个能够最快到达上车地点的车辆作为派单车辆，从而能够提高客运效率及用户体验；另外在乘客成功搭载到车辆，并且车辆行驶过程中，服务器会根据车辆的实时位置持续的计算到达下车地点的位置的第三预计到达时间，并返回给乘客和司机，以便乘客和司机能够更及时地了解行驶进度。
下面，将说明本申请实施例在一个实际的应用场景中的示例性应用。
为了更好地理解本申请实施例，首先对本申请实施例中使用的关键技术—注意力机制进行相关说明。
注意力机制是深度学习领域近年来兴起的一种方法，它借鉴了人类在完成某些任务时，会有注意力分配的现象。例如，人类在进行翻译任务时，会注意语言中的主谓宾等，并且在翻译对应部分时，更多的注意源语言中的对应部分。又如，图片描述任务，即用一句简短的话来描述图片内容，人类在进行描述时，会注意图片中的某些部分，同时忽略其他不重要的部分。深度学习通过引入这一机制大大提高了机器翻译等任务的效果，从而证明了这一方法的有效性。具体的，算法通过对文本或图片不同位置赋予不同权重，来体现对这些位置注意力的不同，从而模拟注意力机制。
类似地，在进行ETA预估时，同样需要分配注意力。对于一条路线，不同路段对ETA的影响是不一样的，例如，长路段比短路段需要更多的注意力，拥堵路段比畅通路段需要更多的注意力等等。因此，在本申请实施例中，通过在ETA预估的机器学习算法中引入注意力机制，自动地为不同路段赋予不同权重。与现有的ETA预估方法相比，本申请实施例提供的ETA估计方法能更充分的利用各路段的特征，从而提升ETA的准确率。
为了更好地将注意力机制应用于本申请实施例提供的时间估计方法中，在本实施中，将一条路线的特征分为两部分：一部分是从整条路线中提取出来的；另一部分是路线中各路段的特征加权得到的。
整条路线中的特征包括：全程总长度、出发时刻全程的平均车速、根据历史数据挖掘的出发时刻前后5分钟(10分钟、15分钟，以此类推)的全程平均车速，全程平均限速、全程平均自由流速度等等。
各路段的加权特征通过这样的方式进行计算：首先提取出每个路段的K维特征，然后为每个路段的K个特征分别设置一个待学习的权重，再使用这些权重对所有路段的特征进行加权平均，得到K个加权后的特征，以此作为整条路线的加权特征。最后，这些加权特征与整条路线的其他特征一起，构成了这条路线的全部特征。
得到路线的全部特征以后，可以使用深度神经网络(Deep Neural Network，DNN)对全程总时间进行预测，并将预测结果的误差进行反向传播，从而优化各路段的K个特征的权重，以及深度神经网络的权重。
本申请实施例提供的ETA估计方法，可以通过以下步骤实现：
步骤61，根据历史导航轨迹数据提取各个路段的特征，并根据各路段的特征统计出路线的整体特征，将整体特征和各路段特征放在一起，作为一条路线的全部特征集合；
步骤62，从历史导航轨迹数据中提取走完整条路线的时间，作为训练使用的真值，特征和真值共同组成了训练集；
步骤63，使用训练集训练基于注意力机制的ETA预估模型；
步骤64，将训练好的模型用于预测ETA。
在本申请实施例中，基于注意力机制的ETA预估模型可以看作一个前馈的神经网络，其前向传播的步骤如图6所示，包括以下步骤：
步骤71，将M个路段的K个特征组织为一个M×K维的输入矩阵X。
步骤72，计算M×K维的权重矩阵。
这里，在实现过程中，可以按照公式(1-1)计算一个M×K维的注意力矩阵A：
Figure BDA0002144020920000211
其中，
Figure BDA0002144020920000212
是注意力系数，在实现时可以是K×K维矩阵，1为全1的M维列向量，B是偏置K维列向量，/>
Figure BDA0002144020920000213
和B是待学习的参数。按公式(1-1)计算得到的A矩阵为M×K维矩阵。
然后将得到的A矩阵进行列归一化，即使得A矩阵的每一列的和都为1，此时即得到的M×K维的权重矩阵。
步骤73，将输入矩阵X和注意力矩阵A进行元素级乘法(即Hadamard乘法)，得到新的输入矩阵X’，并对M个路段的特征进行求和，得到路线的K维加权后的特征。
这里，可以按照公式(1-2)将输入矩阵X和注意力矩阵A进行元素级乘法：
X′＝A⊙X (1-2)；
其中，⊙表示元素级乘法。
步骤74，获取L个整条路线的特征。
步骤75，将路线的K维加权后的特征和L个整条路线的特征输入标准的全连接神经网络。
步骤76，得到最终的ETA。
在本申请实施例中，基于注意力机制的ETA预估模型可使用标准的反向传播算法进行训练，来得到一组较好的参数，即
Figure BDA0002144020920000221
B以及全连接神经网络里面的参数。
需要说明的是，上述仅是以全连接神经网络进行示例性说明，在实际应用过程中，还可以使用卷积神经网络、DenseNet等其他神经网络。
以下对本实施提供的ETA估计方法的实际应用效果进行说明。
表1为将本申请实施例提供的ETA估计方法与GBDT方法进行时间估计的对比表，其中，GBDT是一种常用的估计驾车时间的方法，平均绝对百分误差(MAPE，Mean AbsolutePercent Error)和平均百分误差(MPE，Mean Percentage Error)是两种常用的衡量预测效果的指标。MAPE衡量预测的精确度，其值越低，表示预测越准确；MPE衡量预测结果的偏差，大于零表示预测结果偏大，小于零则表示偏小，这一指标越接近于0，表示预测结果偏差越小。
表1
GBDT 本申请所述方法
MAPE 12.92％ 12.73％
MPE -2.05％ -0.61％
从表1中可以看出，本申请实施例提供的ETA估计方法不仅在MAPE上低于GBDT，而且MPE也更接近于0，从而说明，本申请实施例提供的方法既提高了预测精度，又降低了预测偏差。
下面说明软件模块的示例性结构，在一些实施例中，如图2所示，装置440中的软件模块，即为时间估计装置80可以包括：
第一确定模块81，用于基于获取到的起点位置和终点位置，确定第一待估计路线；
第一获取模块82，用于获取第一待估计路线中包括的每条路段在出发时刻的路段特征；
第二确定模块83，用于基于所述每条路段的路段特征，确定所述第一待估计路线的第一路线特征；
加权求和模块84，用于确定每条路段的路段特征对应的目标权值，并将每条路段的路段特征和对应的目标权值进行加权求和，得到所述第一待估计路线的第二路线特征；
第一预测模块85，用于通过训练好的神经网络模型进行基于所述第一待估计路线的第一路线特征和所述第二路线特征的预测操作，得到第一预计到达时间。
在一些实施例中，所述装置还包括：
第二获取模块，用于基于历史数据获取训练路线中每条训练路段的路段特征和完成所述训练路线的实际时间；
第三确定模块，用于基于所述每条训练路段的路段特征，确定所述训练路线的第一训练路线特征；
训练模块，用于通过所述每条训练路段的路段特征、第一训练路线特征和所述实际时间训练所述神经网络模型。
在一些实施例中，所述训练模块还用于：
获取权值计算参数的初始值；
基于所述初始值和所述每条训练路段的路段特征，确定每条训练路段的路段特征对应的初始目标权值；
基于每条训练路段的路段特征和对应的初始目标权值，确定所述训练路线的第二训练路线特征；
通过所述神经网络模型进行基于所述第一训练路线特征和第二训练路线特征的预测处理，将得到的预测时间与所述实际时间的差值在所述神经网络模型中进行反向传播，以更新所述权值计算参数和所述神经网络模型的参数。
在一些实施例中，所述第一获取模块82还用于：
基于每条路段的起点和终点，获取每条路段的长度；
基于所述每条路段的地图信息获取每条路段的平均限速；
基于每条路段对应的历史数据，确定与出发时刻间隔预设时长的未来时刻和历史时刻的平均车速；
当未到达出发时刻时，基于每条路段对应的历史数据确定平均自由流速度和出发时刻的平均车速。
在一些实施例中，所述第一获取模块82还用于：
当到达出发时刻时，基于获取到的路网数据确定每条路段在出发时刻的平均车速；
基于每条路段对应的历史数据确定平均自由流速度。
在一些实施例中，所述第二确定模块83还用于：
基于每条路段的长度，确定所述第一待估计路线的全程长度；
基于每条路段在出发时刻的平均车速，确定所述第一待估计路线的全程平均车速；
基于每条路段的平均限速和平均自由流速度，分别确定所述第一待估计路线的全程平均限速和全称平均自由流速度；
基于所述每条路段在与出发时刻间隔预设时长的未来时刻和历史时刻的平均车速，确定所述未来时刻和历史时刻的全程平均车速。
在一些实施例中，所述加权求和模块84还用于：
获取训练好的权值计算参数，其中，所述权值计算参数至少包括注意力系数和偏置参数；
根据所述注意力系数和所述每条路段对应的K个路段特征，确定每个路段对应的K个路段特征的重要程度参数，K为正整数；
根据所述偏置参数和所述每条路段对应的K个路段特征的重要程度参数，确定所述每条路段对应的K个路段特征的初始权值；
对所述每条路段对应的第i个路段特征的初始权值进行归一化，得到每条路段对应的第i个路段特征的目标权值，其中，M条路段对应的第i个路段特征的目标权值相加为1，i＝1，2，…，K，M为所述第一待估计路线中包括的路段总数。
在一些实施例中，所述装置还包括：
第三获取模块，用于在车辆行驶过程中，获取车辆的实时位置；
第四确定模块，用于基于所述实时位置和第一待估计路线的终点位置，确定第二待估计路线；
第四获取模块，用于获取所述第二待估计路线的第一路线特征和第二路线特征；
第二预测模块，用于通过训练好的神经网络模型进行基于所述第二待估计路线的第一路线特征和所述第二路线特征的预测操作，得到第二预计到达时间。
作为本申请实施例提供的方法采用硬件实施的示例，本申请实施例所提供的方法可以直接采用硬件译码处理器形式的处理器410来执行完成，例如，被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex ProgrammableLogic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件执行实现本申请实施例提供的方法。
本申请实施例提供一种存储有可执行指令的存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的方法，例如，如图3、图4、图5和图6示出的方法。
在一些实施例中，存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
综上所述，通过本申请实施例是通过机器学习算法自动学习得到不同路段的权值，并不需要依赖人工经验；并且不对各路段分别进行时间预估，因此，不存在误差累积的问题；既考虑了各路段的特征，又考虑了整条路线的特征，通过利用注意力机制，对不同路况的路段采用不同的权值，这样对个别路段极度拥堵的情形也具有良好的效果，从而提高预计到达时间的准确性。
以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。

Claims (10)

1.一种时间估计方法，其特征在于，所述方法包括：
基于获取到的起点位置和终点位置，确定第一待估计路线；
获取第一待估计路线中包括的每条路段在出发时刻的路段特征；
基于所述每条路段的路段特征，确定所述第一待估计路线的第一路线特征；
通过对每条路段的路段特征对应的初始权值进行归一化，确定每条路段的路段特征对应的目标权值，并将每条路段的路段特征和对应的目标权值进行加权求和，得到所述第一待估计路线的第二路线特征，所述每条路段的路段特征包括多个特征，其中，所述初始权值是由偏置参数和路段特征的重要程度参数确定的，所述第二路线特征能够反映各个路段的重要程度；
通过神经网络模型进行基于所述第一待估计路线的第一路线特征和所述第二路线特征的预测操作，得到第一预计到达时间。
2.根据权利要求1中所述的方法，其特征在于，所述方法还包括：
基于历史数据获取训练路线中每条训练路段的路段特征和完成所述训练路线的实际时间；
基于所述每条训练路段的路段特征，确定所述训练路线的第一训练路线特征；
通过所述每条训练路段的路段特征、第一训练路线特征和所述实际时间训练所述神经网络模型。
3.根据权利要求2中所述的方法，其特征在于，所述通过所述每条训练路段的路段特征、第一训练路线特征和所述实际时间训练所述神经网络模型，包括：
获取权值计算参数的初始值；
基于所述初始值和所述每条训练路段的路段特征，确定每条训练路段的路段特征对应的初始目标权值；
基于每条训练路段的路段特征和对应的初始目标权值，确定所述训练路线的第二训练路线特征；
通过所述神经网络模型进行基于所述第一训练路线特征和第二训练路线特征的预测处理，将得到的预测时间与所述实际时间的差值在所述神经网络模型中进行反向传播，以更新所述权值计算参数和所述神经网络模型的参数。
4.根据权利要求1中所述的方法，其特征在于，获取第一待估计路线中包括的每条路段在出行时刻的路段特征，包括：
基于每条路段的起点和终点，获取每条路段的长度；
基于所述每条路段的地图信息获取每条路段的平均限速；
基于每条路段对应的历史数据，确定与出发时刻间隔预设时长的未来时刻和历史时刻的平均车速；
当未到达出发时刻时，基于每条路段对应的历史数据确定平均自由流速度和出发时刻的平均车速。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
当到达出发时刻时，基于获取到的路网数据确定每条路段在出发时刻的平均车速；
基于每条路段对应的历史数据确定平均自由流速度。
6.根据权利要求1中所述的方法，其特征在于，所述基于所述每条路段的路段特征，确定所述第一待估计路线的第一路线特征，包括：
基于每条路段的长度，确定所述第一待估计路线的全程长度；
基于每条路段在出发时刻的平均车速，确定所述第一待估计路线的全程平均车速；
基于每条路段的平均限速和平均自由流速度，分别确定所述第一待估计路线的全程平均限速和全称平均自由流速度；
基于所述每条路段在与出发时刻间隔预设时长的未来时刻和历史时刻的平均车速，确定所述未来时刻和历史时刻的全程平均车速。
7.根据权利要求1中所述的方法，其特征在于，每条路段对应K个路段特征，对应地，确定每条路段的路段特征的目标权值，包括：
获取训练好的权值计算参数，其中，所述权值计算参数至少包括注意力系数和偏置参数；
根据所述注意力系数和所述每条路段对应的K个路段特征，确定每个路段对应的K个路段特征的重要程度参数，K为正整数；
根据所述偏置参数和所述每条路段对应的K个路段特征的重要程度参数，确定所述每条路段对应的K个路段特征的初始权值；
对所述每条路段对应的第i个路段特征的初始权值进行归一化，得到每条路段对应的第i个路段特征的目标权值，其中，M条路段对应的第i个路段特征的目标权值相加为1，i＝1，2，…，K，M为所述第一待估计路线中包括的路段总数。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：
在车辆行驶过程中，获取车辆的实时位置；
基于所述实时位置和第一待估计路线的终点位置，确定第二待估计路线；
获取所述第二待估计路线的第一路线特征和第二路线特征；
通过训练好的神经网络模型进行基于所述第二待估计路线的第一路线特征和所述第二路线特征的预测操作，得到第二预计到达时间。
9.一种时间估计装置，其特征在于，所述装置包括：
第一确定模块，用于基于获取到的起点位置和终点位置，确定第一待估计路线；
第一获取模块，用于获取第一待估计路线中包括的每条路段在出发时刻的路段特征；
第二确定模块，用于基于所述每条路段的路段特征，确定所述第一待估计路线的第一路线特征；
加权求和模块，用于通过对每条路段的路段特征对应的初始权值进行归一化，确定每条路段的路段特征对应的目标权值，并将每条路段的路段特征和对应的目标权值进行加权求和，得到所述第一待估计路线的第二路线特征，所述每条路段的路段特征包括多个特征，其中，所述初始权值是由偏置参数和路段特征的重要程度参数确定的，所述第二路线特征能够反映各个路段的重要程度；
第一预测模块，用于通过训练好的神经网络模型进行基于所述第一待估计路线的第一路线特征和所述第二路线特征的预测操作，得到第一预计到达时间。
10.一种时间估计设备，其特征在于，所述设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至8任一项所述的方法。
CN201910678512.6A 2019-07-25 2019-07-25 一种时间估计方法及其装置、设备 Active CN110400015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910678512.6A CN110400015B (zh) 2019-07-25 2019-07-25 一种时间估计方法及其装置、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910678512.6A CN110400015B (zh) 2019-07-25 2019-07-25 一种时间估计方法及其装置、设备

Publications (2)

Publication Number Publication Date
CN110400015A CN110400015A (zh) 2019-11-01
CN110400015B true CN110400015B (zh) 2023-05-23

Family

ID=68326152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910678512.6A Active CN110400015B (zh) 2019-07-25 2019-07-25 一种时间估计方法及其装置、设备

Country Status (1)

Country Link
CN (1) CN110400015B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260095B (zh) * 2020-01-16 2021-08-03 重庆特斯联智慧科技股份有限公司 一种基于物联网的景点资源调度方法和系统
CN111292549B (zh) * 2020-02-03 2022-03-22 百度在线网络技术（北京）有限公司 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置
CN111353009B (zh) 2020-02-03 2021-10-26 百度在线网络技术（北京）有限公司 建立路线耗时预估模型、预估路线耗时的方法及对应装置
CN111311945B (zh) * 2020-02-20 2021-07-09 南京航空航天大学 一种融合视觉和传感器信息的驾驶决策系统及方法
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
CN111489553B (zh) * 2020-04-26 2022-02-25 百度在线网络技术（北京）有限公司 一种路线规划方法、装置、设备和计算机存储介质
CN111667693B (zh) * 2020-06-15 2022-02-15 腾讯科技（深圳）有限公司 用于确定预计到达时间的方法、装置、设备及介质
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
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
CN113627477A (zh) * 2021-07-07 2021-11-09 武汉魅瞳科技有限公司 车辆多属性识别方法及系统
CN113902427B (zh) * 2021-12-09 2022-10-04 腾讯科技（深圳）有限公司 一种预估到达时间的确定方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108663064A (zh) * 2018-07-03 2018-10-16 中国联合网络通信集团有限公司 最快线路确定方法和装置
CN109583656A (zh) * 2018-12-06 2019-04-05 重庆邮电大学 基于a-lstm的城市轨道交通客流量预测方法
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN109974735A (zh) * 2019-04-08 2019-07-05 腾讯科技（深圳）有限公司 到达时间的预估方法、装置及计算机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9248221B2 (en) * 2014-04-08 2016-02-02 Incuvate, Llc Aspiration monitoring system and method
US10258647B2 (en) * 2015-09-01 2019-04-16 Particle Dynamics International, Llc Iron-polysaccharide complexes and methods for the preparation thereof

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108663064A (zh) * 2018-07-03 2018-10-16 中国联合网络通信集团有限公司 最快线路确定方法和装置
CN109583656A (zh) * 2018-12-06 2019-04-05 重庆邮电大学 基于a-lstm的城市轨道交通客流量预测方法
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN109974735A (zh) * 2019-04-08 2019-07-05 腾讯科技（深圳）有限公司 到达时间的预估方法、装置及计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汽车导航交互设计中的任务分析与应用;张超;《知网博士论文辑》;20170615(第6期);1-180页 *

Also Published As

Publication number Publication date
CN110400015A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
CN110400015B (zh) 一种时间估计方法及其装置、设备
Yao et al. Short‐term traffic speed prediction for an urban corridor
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
Ghannadpour et al. A multi-objective dynamic vehicle routing problem with fuzzy time windows: Model, solution and application
Ke et al. Data-driven analysis on matching probability, routing distance and detour distance in ride-pooling services
CN111582559B (zh) 一种到达时间的预估方法及装置
Kato et al. Comparative analysis of transit assignment: evidence from urban railway system in the Tokyo Metropolitan Area
CN111667693B (zh) 用于确定预计到达时间的方法、装置、设备及介质
CN114692984B (zh) 基于多步耦合图卷积网络的交通预测方法
CN110570656B (zh) 定制公共交通线路方法及装置
Xiong et al. An integrated and personalized traveler information and incentive scheme for energy efficient mobility systems
Kamel et al. A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks
Schmaranzer et al. Population-based simulation optimization for urban mass rapid transit networks
Xu et al. A taxi dispatch system based on prediction of demand and destination
Yu et al. An improved headway-based holding strategy for bus transit
Zou et al. When will we arrive? a novel multi-task spatio-temporal attention network based on individual preference for estimating travel time
Xia et al. A distributed EMDN-GRU model on Spark for passenger waiting time forecasting
Zhang et al. Performance evaluation and obstacle factors analysis of urban public transport priority
Zhao et al. Traffic flow prediction based on optimized hidden Markov model
CN116663742A (zh) 基于多因素和模型融合的区域运力预测方法
CN112686457B (zh) 路线到达时间预估方法及装置、电子设备、存储介质
CN114724414B (zh) 城市空中交通分担率的确定方法、装置、电子设备及介质
Deng et al. Research on operation characteristics and safety risk forecast of bus driven by multisource forewarning data
Papoutsis et al. Bayesian hierarchical models for the prediction of the driver flow and passenger waiting times in a stochastic carpooling service
Panagiotopoulos et al. Cognitive intelligence of highly automated vehicles in a car‐sharing context

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