CN111160594B - 一种到达时间的预估方法、装置及存储介质 - Google Patents
一种到达时间的预估方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111160594B CN111160594B CN201811321447.3A CN201811321447A CN111160594B CN 111160594 B CN111160594 B CN 111160594B CN 201811321447 A CN201811321447 A CN 201811321447A CN 111160594 B CN111160594 B CN 111160594B
- Authority
- CN
- China
- Prior art keywords
- sample
- arrival time
- initial
- route
- determining
- 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 77
- 238000012549 training Methods 0.000 claims description 61
- 238000003066 decision tree Methods 0.000 claims description 32
- 125000004122 cyclic group Chemical group 0.000 claims description 21
- 238000009825 accumulation Methods 0.000 claims description 11
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种到达时间的预估方法、装置及存储介质,应用于信息处理技术领域。在本实施例的方法中,到达时间的预估装置可以根据待估计路线的整体特征确定初始到达时间,然后再根据待估计路线中各个路段的子特征及上述整体特征确定初始到达时间的残差,最后根据初始到达时间和残差可以得到待估计路线的最终到达时间。这样,在估计待估计路线的到达时间时,综合考虑了待估计路线的整体特征和局部特征(即各个路段的子特征),且考虑了在确定待估计路线的到达时间时的误差,提升了最终得到的最终到达时间的准确性。
Description
技术领域
本发明涉及信息处理技术领域,特别涉及一种到达时间的预估方法、装置及存储介质。
背景技术
目前在到达时间的预估(Estimated Time of Arrival,ETA)领域,最常用的算法有基于规则的逐路段累加方法和基于决策树模型的机器学习算法等。
基于规则的逐路段累加方法主要将整条路线划分为多个路段,根据每个路段的长度、速度和红绿灯等状况,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,就可以得到通过整条路线的总时间。这种方法对人工经验的依赖很强,需要人工设定各个路段的规则,但是由于现实路况十分复杂,人为设定的规则无法覆盖各种情形,导致最终得到的时间常常不准;更关键的是,这种方法是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,使得最终结果很难取得令人满意的准确率。
基于决策树模型的方法不再将整条路线划分为多个路段以进行逐路段的估计,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决策树模型的机器学习算法中,进行训练得到进行预估时间的决策树模型。这类算法只考虑了路线的整体特征,但是在现实中,如果某一个路段的极度拥堵,对整条路线的到达时间影响巨大,只考虑整体特征会导致最终得到的预估时间不准。
发明内容
本发明实施例提供一种到达时间的预估方法、装置及存储介质,实现了根据待估计路线的整体特征和待估计路线包括的各个路段的子特征确定最终到达时间。
本发明实施例第一方面提供一种到达时间的预估方法,包括:
获取待估计路线的整体特征,所述待估计路线包括多个路段;
获取所述多个路段中每个路段的子特征;
根据所述整体特征确定所述待估计路线的初始到达时间;
根据所述整体特征及各个路段的子特征确定所述初始到达时间的残差;
根据所述初始到达时间和所述初始到达时间的残差,确定所述待估计路线的最终到达时间。
本发明实施例第二方面提供一种到达时间的预估装置,包括:
特征获取单元,用于获取待估计路线的整体特征,所述待估计路线包括多个路段,获取所述多个路段中每个路段的子特征;
初始确定单元,用于根据所述整体特征确定所述待估计路线的初始到达时间;
残差确定单元,用于根据所述整体特征及各个路段的子特征确定所述初始到达时间的残差;
最终时间确定单元,用于根据所述初始到达时间和所述初始到达时间的残差,确定所述待估计路线的最终到达时间。
本发明实施例第三方面提供一种存储介质,所述存储介质储存多条指令,所述指令适于由处理器加载并执行如本发明实施例第一方面所述的到达时间的预估方法。
本发明实施例第四方面提供一种服务器,包括处理器和存储介质,所述处理器,用于实现各个指令;
所述存储介质用于储存多条指令,所述指令用于由处理器加载并执行如本发明实施例第一方面所述的到达时间的预估方法。
可见,在本实施例的方法中,到达时间的预估装置可以根据待估计路线的整体特征确定初始到达时间,然后再根据待估计路线中各个路段的子特征及上述整体特征确定初始到达时间的残差,最后根据初始到达时间和残差可以得到待估计路线的最终到达时间。这样,在估计待估计路线的到达时间时,综合考虑了待估计路线的整体特征和局部特征(即各个路段的子特征),且考虑了在确定待估计路线的到达时间时的误差,提升了最终得到的最终到达时间的准确性。
附图说明
为了更清楚地说明本发明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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种到达时间的预估方法的示意图;
图2是本发明一个实施例提供的一种到达时间的预估方法的流程图;
图3是本发明一个实施例中训练深度网络模型的方法流程图;
图4是本发明一个实施例中初始深度网络模型的结构示意图;
图5是本发明应用实施例中训练RAN模型和GBDT模型的方法流程图;
图6是本发明应用实施例中初始RAN模型的结构示意图;
图7是本发明应用实施例中初始RAN模型中包括的循环单元的结构示意图;
图8是本发明实施例提供的一种到达时间的预估方法的示意图;
图9是本发明应用实施例中到达时间的预估装置的示意图;
图10是本发明实施例提供的另一种到达时间的预估装置的结构示意图;
图11是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排它的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供一种到达时间的预估方法,参考图1所示,主要可以由到达时间的预估装置按照如下的步骤进行到达时间的预估:
获取待估计路线的整体特征,所述待估计路线包括多个路段;获取所述多个路段中每个路段的子特征;根据所述整体特征确定所述待估计路线的初始到达时间;根据所述整体特征及各个路段的子特征确定所述初始到达时间的残差;根据所述初始到达时间和所述初始到达时间的残差,确定所述待估计路线的最终到达时间。
这样,在估计待估计路线的到达时间时,综合考虑了待估计路线的整体特征和局部特征(即各个路段的子特征),且考虑了在确定待估计路线的到达时间时的误差,提升了最终得到的最终到达时间的准确性。
本发明实施例的方法主要可以应用于但不限于如下的场景中:
(1)用户通过导航终端发起导航时,导航后台(即上述的到达时间的预估装置)会根据用户的导航请求确定若干条候选路线,然后利用本发明的方法确定每条候选路线的预计到达时间,然后从若干条候选路线中选择一条最快的路线,提供给用户。
(2)当导航终端进入导航状态以后,导航后台会每隔一定时间,利用本发明的方法确定导航终端当前所在位置到导航终点之间的剩余路程的预计到达时间,以方便用户安排行程。
(3)某些应用服务器(即上述的到达时间的预估装置)可以利用本发明的方法确定出一个等时可达圈,例如半小时可达圈、一小时可达圈等,方便用户通过相应的应用终端了解某地点的生活半径。
(4)外卖派送服务器(即上述的到达时间的预估装置)可以利用本发明的方法确定从外卖派送点出发到用户端的各条路线的耗时,从而更好的给配送员派单,提高送货效率。
(5)用户通过打车应用终端打车时,打车应用后台(即上述的到达时间的预估装置)可以利用本发明的方法确定用户选定路线的耗时,从而更好的安排司机师傅接单,提高客运效率。
本发明一个实施例提供一种到达时间的预估方法,主要是由上述的到达时间的预估装置所执行的方法,流程图如图2所示,包括:
步骤101,获取待估计路线的整体特征,待估计路线包括多个路段;获取这多个路段中每个路段的子特征。
可以理解,当到达时间的预估装置在发起了到达时间的预估流程后,会先获取待估计路线的整体特征及待估计路线所包括的多个路段中每个路段的子特征。
其中,整体特征是用于描述待估计路线整体的特征,具体可以包括:待估计路线的全程总长度和当前时刻待估计路线的平均速度,该整体特征还可以包括但不限于如下的信息:全程历史速度,全程平均限速,及全程平均自由流速度等等。其中,当前时刻待估计路线的平均速度主要是针对当前时刻之前的一段时间(比如5分钟,10分钟或15分钟内),该待估计路线中各个路段的定位数据,即全球定位系统(Global Position System,GPS)数据,对各个路段中的每个定位数据表示的采集点的速度进行平均即可得到各个路段的平均速度,然后对各个路段的平均速度进行调和平均,即可得到当前时刻待估计路线的平均速度;全程历史速度的计算与当前时刻待估计路线的平均速度的计算类似,不同的是全程历史速度的计算使用的是当天之前的数据,当前时刻待估计路线的平均速度的计算使用当天的数据;全程总长度和全程平均限速是待估计路线的道路属性,可以直接采集得到;全程平均自由流速度是指在待估计路线处于畅通的情况下的全程平均速度,可以通过历史数据挖掘得到。
需要说明的是,到达时间的预估装置在获取上述的当前时刻待估计路线的平均速度和全程平均自由流速度等速度的过程中,可以直接根据采集得到的信息进行计算;或者,需要先按照一定策略对采集得到的信息进行预处理后,再基于预处理后信息计算最终的全程平均自由流速度等。其中,一定策略可以包括过滤策略和融合策略等。
本实施例中,将待估计路线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标识,则待估计路线的标识可以为:该待估计路线所包括的各个路段标识所组成的序列。某一路段的子特征可以包括该路段的总长度和当前时刻该路段的平均速度,且该路段的子特征还可以包括但不限于如下的信息:道路等级,自由流速度,限速和当前时刻的路况等等。其中,当前时刻该路段的平均速度是针对当前时刻之前的一段时间(比如5分钟,10分钟或15分钟内),该路段的定位数据,即全球定位系统GPS数据,对该路段中的每个定位数据表示的采集点的速度进行平均即可得到该路段的平均速度;路段的总长度、道路等级和限速属于该路段的道路属性,可以直接采集得到;路况可以根据当前时刻的速度进行判断,如果速度较高(比如高于某一值),则为畅通,如果速度较低(比如低于某一值而大于另一值),则为缓行,如果速度很低(小于另一值),则为拥堵,具体路况可以根据实际的情况进行分析。
步骤102,根据上述步骤101获取的整体特征确定待估计路线的初始到达时间,这里初始到达时间是指按照一定的速度(即上述当前时刻的路线平均速度)经过待估计路线所用的时间。
具体地,到达时间的预估装置在确定初始到达时间时,可以根据一定的算法来确定,比如用上述获取的待估计路线的全程总长度与当前时刻待估计路线的平均速度的比值作为初始到达时间等;还可以通过预置的决策树模型或其它机器学习模型确定待估计路线的初始到达时间,预置的决策树模型或其它机器学习模型用于根据待估计路线的整体特征确定待估计路线的初始到达时间。
这里预置的决策树模型是一种机器学习模型,其具体的运行逻辑是预先设置在到达时间的预估装置中,且可以通过一定方法训练得到。
决策树模型具体可以为梯度提升决策树(Gradient Boosting Decision Tree,GBDT)等,该GBDT模型是通过顺序的训练一组决策树,其中每棵决策树都用来修正前面的决策树的误差,以此来逐渐逼近训练目标,该GBDT模型在许多任务上都取得了良好的效果,且由于其线上预测的计算性能很高,因此在工业界获得了广泛的应用。
具体地,在训练决策树模型时,可以先确定第一训练样本,在第一训练样本中包括:多条样本路线分别对应的整体特征及实际到达时间(Actual Time of Arrival,ATA);然后根据第一训练样本训练得到决策树模型。具体地,可以先设置预测值的初始值(比如0.5),并分别计算各条样本路线的实际到达时间与该初始值之间的值,得到每条样本路线的新残差;然后用各条样本路线的整体特征与新残差,训练一个回归树,并计算其权重;根据当前已训练好的回归树及其权重,将各个回归树预测的到达时间进行加权累加,得到当前的预测结果,然后计算当前的预测结果与真实到达时间差值,得到残差;循环执行训练回归树的步骤,直到回归树的数量达到预置值为止。
训练决策树模型的方法是比较成熟的训练方法,在此不进行具体赘述。其中,每一条样本路线可以从地图服务的历史数据中得到的一条历史轨迹,这样历史轨迹的实际到达时间也是确定的。
步骤103,根据各个路段的子特征及整体特征确定初始到达时间的残差,这里残差用于表示通过上述步骤102确定待估计路线的初始到达时间时的误差。
具体地,到达时间的预估装置在确定初始到达时间的残差时,可以根据一定的算法来确定,比如,可以先计算得到上述各个路段的总长度分别与对应路段的平均速度的比值,然后将这些比值的相加值与根据待估计路线的整体特征得到的初始到达时间相减,即可得到初始到达时间的残差;还可以通过预置的深度网络模型或其它机器学习模型确定初始到达时间的残差,预置的深度网络模型或其它机器学习模型用于根据各个路段的子特征及整体特征确定初始到达时间的残差。
这里预置的深度网络模型是另一种机器学习模型,其具体的运行逻辑是预先设置在到达时间的预估装置中,且可以通过一定方法训练得到。
在本实施例中,深度网络模型具体为循环神经网络(Recurrent Neural Network,RNN)模型,是一种有效处理序列问题的模型,其按照顺序依次处理序列中的各项元素,并给出处理后的结果。循环神经网络可以完成多种类型的任务,大体可以划分为下面几类:
多对一的任务,即输入一个序列,输出一个单一的结果,例如,文本的情感分析,通过RNN模型读入一行文字,处理后给出这段文字是积极的还是消极的、是好评还是差评;一对多的任务,即输入一个单一的内容,输出一个序列,例如,给出一张图片,通过RNN模型产生一行文本,用来描述图片里面的内容;多对多的任务,即输入一个序列,输出一个序列。例如,机器翻译中的汉译英任务,输入是一句中文,输出是它对应的英文翻译。而本实施例中,确定初始到达时间残差的属于多对一的任务,即输入路段的序列,给出初始到达时间的残差。
更具体地,循环累加网络(Recurrent Additive Network,RAN)是RNN中的一种特殊形式,它不断的读入序列中的元素,然后对它们进行加权累加,最后输出一组累加后的特征,作为整个序列的特征。在初始到达时间残差的确定这一任务中,比较适合采用这种类型的循环神经网络模型。
步骤104,根据初始到达时间和残差,确定待估计路线的最终到达时间,具体地,最终到达时间是上述初始到达时间与残差的累加值。
可见,在本实施例的方法中,在到达时间的预估装置可以根据待估计路线的整体特征确定初始到达时间,然后再根据待估计路线中各个路段的子特征及上述整体特征确定初始到达时间的残差,最后根据初始到达时间和残差可以得到待估计路线的最终到达时间。这样,在估计待估计路线的到达时间时,综合考虑了待估计路线的整体特征和局部特征(即各个路段的子特征),且考虑了确定待估计路线的到达时间的误差即残差,提升了最终得到的最终到达时间的准确性。
在一个具体的实施例中,如果到达时间的预估装置在执行上述步骤103时是通过预置的深度网络模型确定的,则到达时间的预估装置还可以通过如下的步骤训练得到预置的深度网络模型,流程图如图3所示,包括:
步骤201,确定初始深度网络模型。
具体地,到达时间的预估装置在确定初始深度网络模型时,会确定初始深度网络模型所包括的多层结构和各层机构中固定参数的初始值。
其中,初始深度网络模型可以包括残差确定模块和循环模块,其中,循环模块用于对任一条样本路线所包括的各个样本路段的子特征进行加权累加,输出累加特征;残差确定模块,用于根据循环模块输出的累加特征及各条样本路线的整体特征,分别确定各条样本路线的残差。其中,循环模块具体可以为上述的RAN网络,具体可以包括多个门控循环单元(Gated Recurrent Unit,GRU),或者多个最小门禁单元(Minimal Gated Unit,MGU),或者可以包括如图4所示的多个顺序连接的循环单元等。
具体地,在如图4的循环模块中,包括多个(图中以t个为例说明)顺序连接的循环单元,其中,这些循环单元中的第二循环单元(非排序在第一位的循环单元),用于根据前一循环单元的输出特征与某一样本路段的子特征得到累加特征,并输入到下一循环单元,或输入到残差确定模块。在这种情况下,残差确定模块用于根据这些循环单元中最后一个循环单元输出的累加特征,与各条样本路线的整体特征,确定各条样本路线的残差。
其中,对于排序在第一位的循环单元,即第一循环单元,并没有前一循环单元,则该第一循环单元用于根据一个初始序列和某一样本路段的子特征输出累加特征给下一循环单元。如图4的循环单元中,循环单元1为第一循环单元,循环单元2到循环单元t都为第二循环单元。
上述的固定参数是指初始深度网络模型中各层结构在计算过程中所用到的固定的,不需要随时赋值的参数,比如权重,角度等参数。而到达时间的预估装置确定固定参数的初始值的过程,是对初始深度网络模型初始化的过程。
步骤202,确定第二训练样本,第二训练样本中包括:多条样本路线分别对应的整体特征和残差,及各条样本路线所包括的样本路段的子特征。
这里任一条样本路线分别对应的残差具体是:根据该条样本路线的整体特征确定该条样本路线的预估到达时间(比如由预置的决策树模型根据该条样本路线对应的整体特征确定预估到达时间),并根据该条样本路线的实际到达时间与预估到达时间得到样本路线的残差,即实际到达时间与预估到达时间的差值。
步骤203,通过初始深度网络模型分别确定各条样本路线的残差,得到初始残差结果,初始深度网络模型用于根据多条样本路线分别对应的整体特征及各条样本路线所包括的样本路段的子特征,确定各条样本路线的残差。
具体地,初始深度网络模型中的循环模块会对每一条样本路线所包括的各个样本路段的子特征进行加权累加,得到各条样本路线的累加特征;然后初始深度网络模型中的残差确定模块会根据各条样本路线的累加特征及各条样本路线的整体特征,分别确定各条样本路线的残差。
步骤204,根据初始残差结果和第二训练样本中各条样本路线的残差,计算与初始深度网络模型相关的损失函数值。
这里,与初始深度网络模型相关的损失函数可以包括:用于表示根据初始深度网络模型确定的各条样本路线的到达时间的残差,与各条样本路线的到达时间的实际残差之间的差别,即误差。该误差的数学表现形式通常使用交叉熵来建立损失函数,而深度网络模型的训练过程就是需要尽量减少该误差的值,该训练过程是通过反向传播求导及梯度下降等一系列数学优化手段不断的优化上述步骤201中确定的固定参数的初始值,并使得这一损失函数的计算值降至最低。因此,在执行本步骤204后,到达时间的预估装置还需要执行步骤205中的调整步骤。
步骤205,根据损失函数值调整初始深度网络模型中的固定参数值,以得到上述预置的深度网络模型。
具体地,到达时间的预估装置在调整固定参数值时,是根据损失函数值调整上述确定的固定参数的初始值。如果计算的损失函数的函数值较大,比如大于预置的值,则需要改变固定参数值,比如将某个权重的权重值减小等,使得按照调整后的固定参数值计算的损失函数的函数值减小。
需要说明的是,上述步骤203到205是通过初始深度网络模型对第二训练样本中各条样本路线的整体特征和各条样本路线所包括的样本路段的子特征进行处理得到初始残差结果后,根据初始残差结果对初始深度网络模型中的固定参数值的一次调整,而在实际应用中,需要通过不断地循环执行上述步骤203到205,直到对固定参数值的调整满足一定的停止条件为止。
因此,到达时间的预估装置在执行了上述实施例步骤201到205之后,还需要判断当前对固定参数值的调整是否满足预置的停止条件,如果满足,则结束流程;如果不满足,则针对调整固定参数值后的初始深度网络模型,返回执行上述步骤203到205的步骤。
其中,预置的停止条件包括但不限于如下条件中的任何一个:当前调整的固定参数值与上一次调整的固定参数值的差值小于一阈值,即调整的固定参数值达到收敛;及对固定参数值的调整次数等于预置的次数等。
以下以一个具体的应用实例来说明本发明中到达时间的预估方法,本实施例中应用在导航场景下,到达时间的预估装置具体可以为导航后台,且到达时间的预估装置通过决策树模型确定初始到达时间,通过深度网络模型确定初始到达时间的残差,其中,决策树模型具体为GBDT模型,深度网络模型具体为RAN模型,本实施例的方法具体可以包括如下两个部分:
(1)如图5所示,预置的决策树模型和深度网络模型的训练可以包括如下步骤:
步骤301,导航后台根据历史导航轨迹数据提取多条历史轨迹作为多条样本路线,且获取多条历史轨迹分别对应的实际到达时间(记为ATA)及整体特征,及获取各条历史轨迹所包括的多个样本路段的子特征。
步骤302,导航后台将上述多条实际到达时间(即ATA)及整体特征组成第一训练样本,训练GBDT模型。
步骤303,导航后台根据训练好的GBDT模型确定各条历史轨迹的预估到达时间,记为ETA0;计算每条历史轨迹的残差r,具体为实际到达时间与预估到达时间的差值,即r=ATA-ETA0。
步骤304,导航后台训练RAN模型。
具体地,在训练RAN模型时,可以通过如下步骤来实现:
步骤A、将上述多条历史轨迹的整体特征,各条历史轨迹所包括的多个样本路段的子特征,及上述步骤303计算得到的各条历史轨迹的残差组成第二训练样本;确定初始RAN模型(即初始深度网络模型)的结构,且初始化初始RAN模型。
具体地,如图6所示,确定的初始RAN模型可以包括多个顺序连接的循环单元“A”,及一个残差确定模块,其中,这些循环单元中的第二循环单元(非排序在第一位的循环单元)包括两个输入,即前一循环单元A输出的累加特征ct-1和某一样本路段的子特征xt,并输出累加特征ct给下一循环单元A或残差确定模块;而排序在第一位的循环单元,即第一循环单元则根据一个初始序列和某一样本路段的子特征xt,输出累加特征ct给下一循环单元A。残差确定模块,用于最后一个循环单元输出的累加特征与各条历史轨迹的整体特征,确定各条历史轨迹的残差,具体可以为全连接层,或者卷积神经网络,或DenseNet等其它神经网络,图6中以两个全连接层为例说明。
其中,如图7所示,任一循环单元在根据前一输出输出的累加特征ct-1和某一样本路段的子特征xt,输出累加特征ct时,可以通过如下公式1到3来实现:
it=σ(Wicct-1+Wixxt+bi) (2)
ft=σ(Wfcct-1+Wfxxt+bf) (3)
步骤B、由初始RAN模型确定各条历史轨迹的残差,得到初始残差结果。
具体地,导航后台可以向第一循环单元输入一个全0向量作为初始序列,由该第一循环单元根据初始序列与某一条历史轨迹中第一样本路段的特征x1,及上述公式1到3,计算得到一个累加特征c1,并输出给下一循环单元;下一循环单元根据前一累加特征c1与该条历史轨迹中第二样本路段的特征x2,及上述公式1到3,计算得到一个累加特征c2,并输出给下一循环单元;这样依次类推,这些循环单元中最后一个循环单元根据前一累加特征ct-1与该条历史轨迹中最后一个样本路段的特征xt,及上述公式1到3,计算得到一个累加特征ct。
累加特征ct与该条历史轨迹的整体特征拼接起来,组成一组新的特征,该组新的特征经过连个全连接层,得到该条历史轨迹的残差。
按照上述的方法,可以得到各条历史轨迹的残差。
步骤C、导航后台可以根据初始残差结果及第二训练样本中各条历史轨迹的残差,计算初始RAN模型的损失函数,并根据损失函数调整初始RAN模型中的固定参数值。
经过循环执行上述步骤B和C,可以得到一个最终的RAN模型。
(2)参考图8所示,可以通过如下方法确定待估计路线的到达时间
对于一个待估计路线来说,需要先获取该待估计路线的整体特征,及待估计路线所包括的多个路段分别对应的子特征;通过上述训练好的GBDT模型确定待估计路线的初始到达时间,通过上述训练好的RAN模型确定初始到达时间的残差;最后将初始到达时间与残差的累加值作为待估计路线的最终到达时间。
经过测试,导航后台在预估任一条路线的到达时间时,采用本实施例的方法,及采用基于GBDT模型的方法,可以得到预估结果(预估的到达时间)的两个衡量参数,即平均绝对百分误差(Mean Absolute Percent Error,MAPE)及平均百分误差(Mean PercentageError,MPE),如下表1所示,
表1
衡量参数 | GBDT模型 | 本实施例的方法 |
MAPE | 12.92% | 12.65% |
MPE | -2.05% | -0.84% |
其中,MAPE衡量预估结果的精确度,其值越低,表示预估结果越准确;MPE衡量预估结果的偏差,如果MPE的值大于零表示预估结果偏大,如果MPE的值小于零则表示预估结果偏小,这一指标的值越接近于0,表示预估结果偏差越小。
从表1中可以看出,相比于仅使用GBDT模型的情况,本发明实施例中的方法综合了GBDT模型和RAN模型,在MAPE指标上取得了不小的提升,同时MPE的值也更接近于0,可见,本发明实施例的方法可以同时提升预估精度和降低预估偏差。
本发明实施例还提供一种到达时间的预估装置,其结构示意图如图9所示,具体可以包括:
特征获取单元10,用于获取待估计路线的整体特征,所述待估计路线包括多个路段,及获取所述多个路段中每个路段的子特征。
这里,待估计路线的整体特征包括全程总长度和当前时刻待估计路线的平均车速,且还可以包括但不限于如下的信息:全程历史速度,全程平均限速,及全程平均自由流速度等;某一路段的子特征包括当前路段的总长度和当前时刻该路段的平均速度,且该路段的子特征还可以包括但不限于如下的信息:道路等级,自由流速度,限速,及当前时刻的路况等。
初始确定单元11,用于根据所述特征获取单元10获取的整体特征确定所述待估计路线的初始到达时间。
具体地,初始确定单元11通过预置的决策树模型确定所述待估计路线的初始到达时间,所述决策树模型用于根据所述特征获取单元10获取的整体特征确定所述待估计路线的初始到达时间。
残差确定单元12,用于根据所述特征获取单元10获取的整体特征及各个路段的子特征,确定所述初始到达时间的残差。
具体地,残差确定单元12,用于通过预置的深度网络模型确定所述初始到达时间的残差,所述深度网络模型用于根据所述特征获取单元10获取的整体特征及各个路段的子特征,确定所述初始到达时间的残差。
最终时间确定单元13,用于根据所述初始确定单元11确定的初始到达时间和所述残差确定单元12确定的初始到达时间的残差,确定所述待估计路线的最终到达时间。即将初始到达时间与残差累加后,即可得到最终到达时间。
可见,在本实施例的装置中,初始确定单元11中根据待估计路线的整体特征确定初始到达时间,然后残差确定单元12中再根据待估计路线中各个路段的子特征及上述整体特征确定初始到达时间的残差,最后最终时间确定单元13根据初始到达时间和残差可以得到待估计路线的最终到达时间。这样,在估计待估计路线的到达时间时,综合考虑了待估计路线的整体特征和局部特征(即各个路段的子特征),且考虑了在确定待估计路线的到达时间时的误差,提升了最终得到的最终到达时间的准确性。
参考图10所示,在一个具体的实施例中,到达时间的预估装置除了可以包括如图9所示的结构外,还可以包括:模型确定单元14,样本确定单元15,损失函数单元16,调整单元17,及训练单元18,其中模型确定单元14,样本确定单元15,损失函数单元16和调整单元17用于训练深度网络模型,训练单元18用于训练决策树模型:
模型确定单元14,用于确定初始深度网络模型。
具体地,上述模型确定单元14,具体用于确定所述初始深度网络模型的结构,所述初始深度网络模型包括残差确定模块和循环模块,其中,循环模块用于对任一条样本路线所包括的各个样本路段的子特征进行加权累加,并输出累加特征;所述残差确定模块,用于根据所述循环模块输出的累加特征及各条样本路线的整体特征,分别确定所述各条样本路线的残差;确定所述初始深度网络模型中固定参数的初始值。
其中,所述循环模块包括多个门控循环单元,或多个最小门禁单元;
或者,包括多个顺序连接的循环单元,其中,所述多个循环单元中的第二循环单元,用于根据前一循环单元的输出特征与某一样本路段的子特征得到累加特征,并输入到下一循环单元,或输入到所述残差确定模块;所述多个循环单元中的第一循环单元,用于根据一初始序列和某一样本路段的子特征得到累加特征,并输入到下一循环单元,所述第一循环单元为排序在第一位的循环单元,第二循环单元的排序非第一位。
样本确定单元15,用于确定第二训练样本,所述第二训练样本中包括:多条样本路线分别对应的整体特征和残差,及各条样本路线所包括的样本路段的子特征。
任一条所述样本路线的残差具体是:根据所述样本路线的整体特征确定该条样本路线的预估到达时间,并根据所述样本路线的实际到达时间与所述预估到达时间得到所述样本路线的残差。
损失函数单元16,用于通过所述模型确定单元14确定的初始深度网络模型分别,确定所述各条样本路线的残差,得到初始残差结果,初始深度网络模型用于根据所述样本确定单元15确定的第二训练样本中多条样本路线分别对应的整体特征,及各条样本路线所包括的样本路段的子特征,确定所述各条样本路线的残差;根据所述初始残差结果和所述第二训练样本中各条样本路线的残差,计算与所述初始深度网络模型相关的损失函数值。
调整单元17,用于根据所述损失函数单元16计算的损失函数值调整所述初始深度网络模型中的固定参数值,以得到上述预置的深度网络模型。
所述调整单元17,还用于如果对所述固定参数值的调整满足如下任一停止条件,则停止对所述固定参数值的调整:对所述固定参数值的调整次数等于预置的次数,当前调整的固定参数值与上一次调整的固定参数值的差值小于一阈值。
这样,上述的残差确定单元12会按照调整单元17调整后得到的最终深度网络模型,确定初始到达时间的残差。
训练单元18,用于确定第一训练样本,所述第一训练样本包括:多条样本路线分别对应的整体特征和实际到达时间;根据所述第一训练样本训练得到所述预置的决策树模型。这样,上述初始确定单元11会根据训练单元18训练好的决策树模型确定上述初始到达时间。
本发明实施例还提供一种服务器,比如上述的到达时间的预估装置,其结构示意图如图11所示,该服务器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(central processing units,CPU)20(例如,一个或一个以上处理器)和存储器21,一个或一个以上存储应用程序221或数据222的存储介质22(例如一个或一个以上海量存储设备)。其中,存储器21和存储介质22可以是短暂存储或持久存储。存储在存储介质22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20可以设置为与存储介质22通信,在服务器上执行存储介质22中的一系列指令操作。
具体地,在存储介质22中储存的应用程序221包括到达时间预估的应用程序,且该程序可以包括上述到达时间的预估装置中的特征获取单元10,初始确定单元11,残差确定单元12,最终时间确定单元13,及模型确定单元14,样本确定单元15,损失函数单元16,调整单元17和训练单元18,在此不进行赘述。更进一步地,中央处理器20可以设置为与存储介质22通信,在服务器上执行存储介质22中储存的到达时间预估的应用程序对应的一系列操作。
服务器还可以包括一个或一个以上电源23,一个或一个以上有线或无线网络接口24,一个或一个以上输入输出接口25,和/或,一个或一个以上操作系统223,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述方法实施例中所述的由到达时间的预估装置所执行的步骤可以基于该图11所示的服务器的结构。
本发明实施例还提供一种存储介质,所述存储介质储存多条指令,所述指令适于由处理器加载并执行如上述到达时间的预估装置所执行的到达时间的预估方法。
本发明实施例还提供一种服务器,包括处理器和存储介质,所述处理器,用于实现各个指令;
所述存储介质用于储存多条指令,所述指令用于由处理器加载并执行如上述到达时间的预估装置所执行的到达时间的预估方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM)、随机存取存储器(RAM)、磁盘或光盘等。
以上对本发明实施例所提供的到达时间的预估方法、装置及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种到达时间的预估方法,其特征在于,包括:
获取待估计路线的整体特征,所述待估计路线包括多个路段;
获取所述多个路段中每个路段的子特征;
根据所述整体特征及决策树模型确定所述待估计路线的初始到达时间;所述决策树模型是根据第一训练样本训练得到的,所述第一训练样本包括多条样本路线分别对应的整体特征和实际到达时间;
根据所述整体特征及各个路段的子特征确定所述初始到达时间的残差;
根据所述初始到达时间和所述初始到达时间的残差,确定所述待估计路线的最终到达时间;
所述根据所述整体特征及各个路段的子特征确定所述初始到达时间的残差,具体包括:
通过预置的深度网络模型确定所述初始到达时间的残差,所述深度网络模型用于根据所述整体特征及各个路段的子特征确定所述初始到达时间的残差;其中,所述深度网络模型是根据第二训练样本训练得到,所述第二训练样本包括多条样本路线分别对应的整体特征和残差,及各条样本路线所包括的样本路段的子特征,所述第二训练样本中的残差是由所述决策树模型输出的到达时间及实际到达时间计算的。
2.如权利要求1所述的方法,其特征在于,所述待估计路线的整体特征包括:所述待估计路线的全程总长度和当前时刻所述待估计路线的平均速度;
所述路段的子特征包括:所述路段的总长度和当前时刻所述路段的平均速度。
3.如权利要求1或2所述的方法,其特征在于,
所述根据所述整体特征确定所述待估计路线的初始到达时间,具体包括:通过预置的决策树模型确定所述待估计路线的初始到达时间,所述决策树模型用于根据所述整体特征确定所述待估计路线的初始到达时间;
则所述方法还包括:
确定第一训练样本,所述第一训练样本包括:多条样本路线分别对应的整体特征和实际到达时间;
根据所述第一训练样本训练得到所述预置的决策树模型。
4.如权利要求1或2所述的方法,其特征在于,
所述方法还包括:
确定初始深度网络模型;
确定所述第二训练样本;
通过所述初始深度网络模型分别确定所述各条样本路线的残差,得到初始残差结果,所述初始深度网络模型用于根据所述多条样本路线分别对应的整体特征及各条样本路线所包括的样本路段的子特征,确定所述各条样本路线的残差;
根据所述初始残差结果和所述第二训练样本中各条样本路线的残差,计算与所述初始深度网络模型相关的损失函数值;
根据所述损失函数值调整所述初始深度网络模型中的固定参数值,以得到所述预置的深度网络模型。
5.如权利要求4所述的方法,其特征在于,任一条所述样本路线的残差具体是:
根据所述样本路线的整体特征确定所述样本路线的预估到达时间,并根据所述样本路线的实际到达时间与所述预估到达时间确定所述样本路线的残差。
6.如权利要求4所述的方法,其特征在于,所述通过所述初始深度网络模型分别确定所述各条样本路线的残差,得到初始残差结果,具体包括:
所述初始深度网络模型对每一条样本路线所包括的各个样本路段的子特征进行加权累加,得到所述各条样本路线的累加特征;
所述初始深度网络模型根据所述各条样本路线的累加特征及各条样本路线的整体特征,分别确定所述各条样本路线的残差。
7.如权利要求4所述的方法,其特征在于,如果对所述固定参数值的调整满足如下任一停止条件,则停止对所述固定参数值的调整:
对所述固定参数值的调整次数等于预置的次数,当前调整的固定参数值与上一次调整的固定参数值的差值小于一阈值。
8.一种到达时间的预估装置,其特征在于,包括:
特征获取单元,用于获取待估计路线的整体特征,所述待估计路线包括多个路段,获取所述多个路段中每个路段的子特征;
初始确定单元,用于根据所述整体特征及决策树模型确定所述待估计路线的初始到达时间;所述决策树模型是根据第一训练样本训练得到的,所述第一训练样本包括多条样本路线分别对应的整体特征和实际到达时间;
残差确定单元,用于根据所述整体特征及各个路段的子特征确定所述初始到达时间的残差;
最终时间确定单元,用于根据所述初始到达时间和所述初始到达时间的残差,确定所述待估计路线的最终到达时间;
所述残差确定单元,具体用于通过预置的深度网络模型确定所述初始到达时间的残差,所述深度网络模型用于根据所述整体特征及各个路段的子特征确定所述初始到达时间的残差;其中,所述深度网络模型是根据第二训练样本训练得到,所述第二训练样本包括多条样本路线分别对应的整体特征和残差,及各条样本路线所包括的样本路段的子特征,所述第二训练样本中的残差是由所述决策树模型输出的到达时间及实际到达时间计算的。
9.如权利要求8所述的装置,其特征在于,还包括:
模型确定单元,用于确定初始深度网络模型;
样本确定单元,用于确定所述第二训练样本;
损失函数单元,用于通过所述初始深度网络模型分别确定所述各条样本路线的残差,得到初始残差结果,所述初始深度网络模型用于根据所述多条样本路线分别对应的整体特征及各条样本路线所包括的样本路段的子特征,确定所述各条样本路线的残差;根据所述初始残差结果和所述第二训练样本中各条样本路线的残差,计算与所述初始深度网络模型相关的损失函数值;
调整单元,用于根据所述损失函数值调整所述初始深度网络模型中的固定参数值,以得到所述预置的深度网络模型。
10.如权利要求9所述的装置,其特征在于,任一条所述样本路线的残差具体是:根据所述样本路线的整体特征确定所述样本路线的预估到达时间,并根据所述样本路线的实际到达时间与所述预估到达时间得到所述样本路线的残差。
11.如权利要求9所述的装置,其特征在于,
所述模型确定单元,具体用于确定所述初始深度网络模型的结构,所述初始深度网络模型包括残差确定模块和循环模块,其中,循环模块用于对任一条样本路线所包括的各个样本路段的子特征进行加权累加,输出累加特征;所述残差确定模块用于根据所述累加特征及各条样本路线的整体特征,确定所述各条样本路线的残差;确定所述初始深度网络模型中固定参数的初始值;
所述损失函数单元,具体用于根据所述损失函数值调整所述固定参数的初始值。
12.如权利要求11所述的装置,其特征在于,所述循环模块包括多个门控循环单元,或多个最小门禁单元;
或者,包括多个顺序连接的循环单元,其中,多个所述循环单元中的第二循环单元,用于根据前一循环单元的输出特征与某一样本路段的子特征得到累加特征,并输入到下一循环单元,或输入到所述残差确定模块;多个所述循环单元中的第一循环单元,用于根据一初始序列和某一样本路段的子特征得到累加特征,并输入到下一循环单元,所述第一循环单元为排序在第一位的循环单元,第二循环单元的排序非第一位。
13.如权利要求9所述的装置,其特征在于,
所述调整单元,还用于如果对所述固定参数值的调整满足如下任一停止条件,则停止对所述固定参数值的调整:对所述固定参数值的调整次数等于预置的次数,当前调整的固定参数值与上一次调整的固定参数值的差值小于一阈值。
14.一种存储介质,其特征在于,所述存储介质储存多条指令,所述指令适于由处理器加载并执行如权利要求1至7任一项所述的到达时间的预估方法。
15.一种服务器,其特征在于,包括处理器和存储介质,所述处理器,用于实现各个指令;
所述存储介质用于储存多条指令,所述指令用于由处理器加载并执行如权利要求1至7任一项所述的到达时间的预估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811321447.3A CN111160594B (zh) | 2018-11-07 | 2018-11-07 | 一种到达时间的预估方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811321447.3A CN111160594B (zh) | 2018-11-07 | 2018-11-07 | 一种到达时间的预估方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160594A CN111160594A (zh) | 2020-05-15 |
CN111160594B true CN111160594B (zh) | 2022-05-06 |
Family
ID=70554641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811321447.3A Active CN111160594B (zh) | 2018-11-07 | 2018-11-07 | 一种到达时间的预估方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160594B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529388A (zh) * | 2020-12-03 | 2021-03-19 | 领悦数字信息技术有限公司 | 试驾用时评估装置、试驾用时评估方法以及介质 |
CN113847923A (zh) * | 2021-08-18 | 2021-12-28 | 北京百度网讯科技有限公司 | 预估到达时间的计算方法、装置、电子设备和可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945507A (zh) * | 2016-10-13 | 2018-04-20 | 腾讯科技(深圳)有限公司 | 行程时间预测方法及装置 |
CN108288096A (zh) * | 2017-01-10 | 2018-07-17 | 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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10234300B2 (en) * | 2015-11-13 | 2019-03-19 | Here Global B.V. | Private and personalized estimation of travel time |
CN114973677A (zh) * | 2016-04-18 | 2022-08-30 | 北京嘀嘀无限科技发展有限公司 | 用于确定预计到达时间的方法和设备 |
-
2018
- 2018-11-07 CN CN201811321447.3A patent/CN111160594B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945507A (zh) * | 2016-10-13 | 2018-04-20 | 腾讯科技(深圳)有限公司 | 行程时间预测方法及装置 |
CN108288096A (zh) * | 2017-01-10 | 2018-07-17 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN111160594A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11143522B2 (en) | Travel time prediction method, apparatus and server | |
CN108288096B (zh) | 用于估算行程时间、模型训练的方法及装置 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN110443969B (zh) | 一种火点检测方法、装置、电子设备及存储介质 | |
Yang et al. | Travel cost inference from sparse, spatio temporally correlated time series using markov models | |
EP3035314A1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
CN108108831B (zh) | 一种目的地预测方法及装置 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
CN108444486B (zh) | 一种导航路线排序方法和装置 | |
CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
CN111667693B (zh) | 用于确定预计到达时间的方法、装置、设备及介质 | |
CN111737826B (zh) | 一种基于增强学习的轨道交通自动仿真建模方法及装置 | |
AU2020223740A1 (en) | Face beauty prediction method and device based on multitask migration | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
CN109556609A (zh) | 一种基于人工智能的避碰方法及装置 | |
Schnitzler et al. | Combining a Gauss-Markov model and Gaussian process for traffic prediction in Dublin city center. | |
CN111862583B (zh) | 一种车流量预测方法及装置 | |
CN110779526B (zh) | 一种路径规划方法、装置及存储介质 | |
CN112330054A (zh) | 基于决策树的动态旅行商问题求解方法、系统及存储介质 | |
CN115687764B (zh) | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 | |
CN112820111A (zh) | 一种异常车辆识别方法、装置和电子设备 | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
CN116811895B (zh) | 车辆运行速度确定模型处理方法和车辆运行速度确定方法 | |
CN117132958B (zh) | 道路要素识别方法及相关装置 |
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 |