CN111353009B - 建立路线耗时预估模型、预估路线耗时的方法及对应装置 - Google Patents

建立路线耗时预估模型、预估路线耗时的方法及对应装置 Download PDF

Info

Publication number
CN111353009B
CN111353009B CN202010079202.5A CN202010079202A CN111353009B CN 111353009 B CN111353009 B CN 111353009B CN 202010079202 A CN202010079202 A CN 202010079202A CN 111353009 B CN111353009 B CN 111353009B
Authority
CN
China
Prior art keywords
route
time
road
time consumption
road section
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
CN202010079202.5A
Other languages
English (en)
Other versions
CN111353009A (zh
Inventor
方晓敏
黄际洲
王凡
曾令科
梁海金
王海峰
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.)
Baidu Online Network Technology Beijing Co Ltd
Original Assignee
Baidu Online Network Technology Beijing 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 Baidu Online Network Technology Beijing Co Ltd filed Critical Baidu Online Network Technology Beijing Co Ltd
Priority to CN202010079202.5A priority Critical patent/CN111353009B/zh
Publication of CN111353009A publication Critical patent/CN111353009A/zh
Priority to US17/033,211 priority patent/US11719550B2/en
Application granted granted Critical
Publication of CN111353009B publication Critical patent/CN111353009B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3626—Details of the output of route guidance instructions
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

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

Abstract

本申请公开了一种建立路线耗时预估模型、预估路线耗时的方法及对应装置，设置人工智能技术领域。技术方案包括：从用户轨迹数据中获取训练数据，训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；利用训练数据训练得到路线耗时预估模型，其中路线耗时预估模型包括：路况子网络利用时间信息和路线所包含各路段的路网特征表示，预估路线所包含各路段的路况特征表示；整合子网络依据时间信息的特征表示、路线所包含各路段的向量表示以及路线所包含各路段的路况特征表示，确定路线的预估耗时；路线耗时预估模型的训练目标为：最小化路线的预估耗时与实际耗时的差距。本申请能够提高路线耗时预估的准确性。

Description

建立路线耗时预估模型、预估路线耗时的方法及对应装置
技术领域
本申请涉及计算机应用技术领域，特别涉及人工智能技术领域。
背景技术
在地图类服务中，路线耗时预估是一个非常重要的模块，其用于预估经过该路线所需要的耗时。路线耗时预估可以用于向用户返回路线耗时作为参考，也可以用于诸如辅助进行最优路线的生成等其他场景。
现有的路线耗时预估中会使用路线中各路段的路况特征，而路况特征的获取通常作为一个独立的模型，利用该模型输出的路况特征进行路线耗时预估模型的训练。也就是说，获取路况特征的模型和路线耗时路线耗时预估模型是分别单独训练的，从而难以捕捉路况特征和路线耗时之间的内在联动关系，造成路线耗时预估的准确性不足。
发明内容
有鉴于此，本申请提供了一种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，以便于提高路线耗时预估的准确性。
第一方面，本申请提供了一种建立路线耗时预估模型的方法，该方法包括：
从用户轨迹数据中获取训练数据，所述训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；
利用所述训练数据训练得到所述路线耗时预估模型，其中所述路线耗时预估模型包括：路况子网络和整合子网络；
所述路况子网络利用所述时间信息和所述路线所包含各路段的路网特征表示，预估所述路线所包含各路段的路况特征表示；
所述整合子网络依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示，确定所述路线的预估耗时；
所述路线耗时预估模型的训练目标为：最小化所述路线的预估耗时与实际耗时的差距。
根据本申请一优选实施方式，所述路线耗时预估模型还包括：时间子网络和/或路段子网络；
所述时间子网络用于获取所述时间信息的特征表示；
所述路段子网络用于获取所述路线所包含各路段的向量表示。
根据本申请一优选实施方式，获取所述路线所包含各路段的向量表示包括：
获取所述路线所包含的各路段以及各路段的上下文；
针对每一条路段以及该路段的上下文，使用神经网络进行编码，得到该路段的向量表示。
根据本申请一优选实施方式，利用所述时间信息预估路段的路况特征表示包括：
获取路段在所述时间信息之前预设历史时长内各时间点的路况特征；
将该路段的路网特征、在所述时间信息之前预设历史时长内各时间点的路况特征以及所述历史时长内各时间点的特征进行拼接，得到该路段对应的时空张量；
利用注意力机制对所述时空张量进行映射，得到对该路段预估的路况特征表示。
根据本申请一优选实施方式，所述获取路段在所述时间信息之前预设历史时长内各时间点的路况特征包括：
从在所述时间信息之前预设历史时长内各时间点的路况图中，获取所述路段及其上下文对应的路况子图；
将所述路况子图进行编码，得到所述路段在所述时间信息之前预设历史时长内各时间点的路况特征。
根据本申请一优选实施方式，在所述进行拼接时，对预设历史时长内各时间点的部分路况特征进行随机掩膜。
根据本申请一优选实施方式，确定所述路线的预估耗时包括：
所述整合子网络依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示进行整合后，经过全连接层的映射分别得到各路段的预估耗时；
依据各路段的预估耗时，得到所述路线的预估耗时。
根据本申请一优选实施方式，最小化所述路线的预估耗时与实际耗时的差距包括：
依据所述路线的预估耗时与所述路线的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数；或者，
依据所述路线中各路段的预估耗时与各路段的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数；或者，
依据所述路线中各路段的预估耗时与各路段的实际耗时的差距，以及所述路线的预估耗时与所述路线的实际耗时的差距，确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数。
第二方面，本申请提供了一种预估路线耗时的方法，该方法包括：
获取待预估的路线以及进行预估的时间信息；
将所述路线和所述时间信息输入路线耗时预估模型，获取所述路线耗时预估模型输出的所述路线的预估耗时；
其中所述路线耗时预估模型采用如上所述的方法预先建立。
第三方面，本申请提供了一种建立路线耗时预估模型的装置，该装置包括：
第一获取单元，用于从用户轨迹数据中获取训练数据，所述训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；
模型训练单元，用于利用所述训练数据训练得到所述路线耗时预估模型，其中所述路线耗时预估模型包括：路况子网络和整合子网络；
所述路况子网络利用所述时间信息和所述路线所包含各路段的路网特征表示，预估所述路线所包含各路段的路况特征表示；
所述整合子网络依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示，确定所述路线的预估耗时；
所述路线耗时预估模型的训练目标为：最小化所述路线的预估耗时与实际耗时的差距。
根据本申请一优选实施方式，所述路线耗时预估模型还包括：时间子网络和/或路段子网络；
所述时间子网络用于获取所述时间信息的特征表示；
所述路段子网络用于获取所述路线所包含各路段的向量表示。
根据本申请一优选实施方式，所述路段子网络，具体用于获取所述路线所包含的各路段以及各路段的上下文；针对每一条路段以及该路段的上下文，使用神经网络进行编码，得到该路段的向量表示。
根据本申请一优选实施方式，所述路况子网络，具体用于获取路段在所述时间信息之前预设历史时长内各时间点的路况特征；将该路段的路网特征、在所述时间信息之前预设历史时长内各时间点的路况特征以及所述历史时长内各时间点的特征进行拼接，得到该路段对应的时空张量；利用注意力机制对所述时空张量进行映射，得到对该路段预估的路况特征表示。
根据本申请一优选实施方式，所述路况子网络在获取路段在所述时间信息之前预设历史时长内各时间点的路况特征时，具体执行：
从在所述时间信息之前预设历史时长内各时间点的路况图中，获取所述路段以及该路段的上下文对应的路况子图；
将所述路况子图进行编码，得到所述路段在所述时间信息之前预设历史时长内各时间点的路况特征。
根据本申请一优选实施方式，所述路况子网络，还用于在所述进行拼接时，对预设历史时长内各时间点的部分路况特征进行随机掩膜。
根据本申请一优选实施方式，所述整合子网络，具体用于依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示进行整合后，经过全连接层的映射分别得到各路段的预估耗时；依据各路段的预估耗时，得到所述路线的预估耗时。
根据本申请一优选实施方式，所述模型训练单元，具体用于：
依据所述路线的预估耗时与所述路线的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数；或者，
依据所述路线中各路段的预估耗时与各路段的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数；或者，
依据所述路线中各路段的预估耗时与各路段的实际耗时的差距，以及所述路线的预估耗时与所述路线的实际耗时的差距，确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数。
第四方面，本申请提供了一种预估路线耗时的装置，该装置包括：
第二获取单元，用于获取待预估的路线以及进行预估的时间信息；
耗时预估单元，用于将所述路线和所述时间信息输入路线耗时预估模型，获取所述路线耗时预估模型输出的所述路线的预估耗时；
其中所述路线耗时预估模型由如上所述的装置预先建立。
第五方面，本申请还提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
第六方面，本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的方法。
由以上技术方案可以看出，本申请中将对路线所包含各路段的路况特征的预测作为路线耗时预估模型的子网络融入路线耗时预估模型的训练，从而捕捉路况特征和路线耗时之间的内在联动关系，提高路线耗时预估的准确性。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1示出了可以应用本发明实施例的示例性系统架构；
图2为本申请实施例一提供的建立路线耗时预估模型的方法流程图；
图3为本申请实施例一提供的路线耗时预估模型的结构示意图；
图4为本申请实施例一提供的路况子网络进行路况预估的示意图；
图5为本申请实施例一提供的整合子网络的结构示意图；
图6为本申请实施例二提供的预估路线耗时的方法流程图；
图7为本申请实施例三提供的建立路线耗时预估模型的装置结构图；
图8为本申请实施例提供的预估路线耗时的装置结构图；
图9是用来实现本申请实施例的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了可以应用本发明实施例的示例性系统架构。如图1所示，该系统架构可以包括终端设备101和102，网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101和102通过网络103与服务器104交互。终端设备101和102上可以安装有各种应用，例如地图类应用、语音交互类应用、网页浏览器应用、通信类应用等。
终端设备101和102可以是能够支持并展现地图类应用的各种电子设备，包括但不限于智能手机、平板电脑、智能穿戴式设备等等。本发明所提供的装置可以设置并运行于上述服务器104中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。
例如，建立路线耗时预估模型的装置设置并运行于上述服务器104中，服务器104可以预先收集并维护各终端设备(包括101和102)在使用地图类应用过程中上传的用户轨迹数据，建立路线耗时预估模型的装置使用本发明实施例提供的方式建立路线耗时预估模型。当终端设备101或102的用户在使用地图类应用的过程中需要对某一条路线进行耗时的预估，则可以由设置并运行于服务器104中的预估路线耗时的装置进行路线耗时的预估，该预估结果可以返回终端设备101或102，也可以用于进行最优路线的确定，并将最优路线的确定结果返回给终端设备101或102。
服务器104可以是单一服务器，也可以是多个服务器构成的服务器群组。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
本申请的核心思想在于，将路况预估的部分融入路线耗时的路线耗时预估模型进行联合训练，从而充分考虑路线中各路段的路况与路线耗时预估的联动关系，提高路线耗时预估的准确性。下面结合实施例对本申请提供的方法进行详细描述，本申请的方法主要包括两个主要阶段，一个是建立用于预估路线耗时的路线耗时预估模型的阶段，另一个阶段是利用建立的路线耗时预估模型进行路线耗时预估的阶段，下面分别结合实施例一和实施例二对这两个阶段进行描述。
实施例一、
图2为本申请实施例一提供的建立路线耗时预估模型的方法流程图，如图2中所示，该方法可以包括以下步骤：
在201中，从用户轨迹数据中获取训练数据。
用户在使用地图类应用的过程中，会累积大量的用户轨迹数据。例如用户在使用导航过程中会存在导航轨迹数据；用户在使用定位功能时，会存在大量定位点的时间和位置信息；等等。这些数据体现了用户的轨迹，其中会包含一些用户经过某些路线的相关信息。从这些信息中可以提取出一部分作为训练数据。训练数据可以包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息。
需要说明的是，本申请实施例中建立的路线耗时预估模型可以针对不同的出行方式分别建立，相应地，在获取训练数据时，从对应的出行方式的用户轨迹数据中获取。例如，若建立了驾车方式对应的路线耗时预估模型，则从用户驾车的导航轨迹数据中获取训练数据。
在一种实现方式中，可以从用户的导航轨迹数据中获取训练数据。例如，一条训练数据可以包括：用户的导航路线、用户的导航时间以及用户经过该路线的实际耗时信息，其中该路线的实际耗时信息可以包括用户经过整个路线的实际耗时，也可以包括用户经过该路线所包括各路段的实际耗时。
在本申请实施例中，路线由至少一个路段构成，路段通常为两个路口之间的道路，一条路段除了两端之外，中间不包含其他路口。
在202中，利用训练数据训练得到路线耗时预估模型，路线耗时预估模型包括路况子网络和整合子网络，训练目标为：最小化路线的预估耗时与实际耗时的差距。
为了后续描述方便，对于上述的一条训练数据，假设表示为：(L,Tnag，TL)，其中，L表示用户的导航路线，Tnag表示导航时间，TL除了可以是路线的实际耗时信息之外，还可以是L所包含各路段的实际耗时所构成的集合，即{Tl1,…,Tli,…,Tlm}，下标li代表L所包含的第i条路段，m为L所包含的路段总数。
本申请所采用的路线耗时预估模型的结构可以如图3中所示，至少包括路况子网络和整合子网络，还可以包括时间子网络和路段子网络。
其中，时间子网络用于获取时间信息Tnag的特征表示，其中时间信息Tnag可以是时刻、星期、月份、节假日等信息的一种或任意组合。在本申请中，可以将时间信息Tnag采用诸如卷积神经网络等进行编码，得到时间信息Tnag的特征表示，该特征表示通常采用向量的形式。
路段子网络用于获取路线L所包含各路段的向量表示。其中，各路段的向量表示可以是各路段本身的向量表示，也可以是各路段及其上下文本身的向量表示。在本申请中优选后一种方式，以路段及其上下文用于预估该路段的耗时。路段的向量表示是将路段(或者路段及其上下文)映射到道路空间中得到的向量表示，例如可以是将路段的ID(标识)、名称、位置等中的至少一个在道路空间中进行映射，得到其在道路空间中的向量表示。路段的向量表示能够唯一表示一个路段。
通常一条路线由一个以上的路段构成，当包含多个路段时，由路段和路口交替组成，每个路口可能连接一个或多个路段。在本申请中可以采用一个上下文窗口，在确定某个路段表示为li的上下文时，使得该路段li位于该上下文窗口内，该窗口所包含的其他路段均为li的上下文。该窗口的大小可以采用实验值或经验值。也就是说，路段的上下文包括：在路线上该路段的上M个路段和下N个路段，其中M和N为预设的自然数。另外，经过深入地研究，发现通常一条路段li的下N个路段的路况等信息对li的耗时会产生更大的影响，因此优选设置N的值大于M的值。
路段子网络在获取路线所包含各路段的向量表示时，可以首先获取路线所包含的各路段以及各路段的上下文；然后针对每一条路段以及该路段的上下文，使用诸如卷积神经网络、循环神经网络等神经网络进行编码，得到该路段的向量表示。该向量表示体现的是路段及其上下文在道路空间中的向量表示，在一定程度上体现了路段及其上下文在路线中的连接关系、结构等信息。
路况子网络用于依据时间信息Tnag和路线L所包含各路段的路网特征表示，预估路线L所包含各路段的路况特征表示。也就是说，其功能用于进行路况信息的预估。
每一个路段的未来路况通常和自己的历史路况有关联，因此，路况子网络可以获取路段在上述Tnag之前预设历史时长内各时间点的路况特征；将路段的路网特征、在Tnag之前预设历史时长内各时间点的路况特征以及上述历史时长内各时间点的特征进行拼接，分别得到该路段对应的时空张量；利用注意力机制(Attention)对该时空张量进行映射，得到对该路段预估的路况特征表示。
但每一个路段的未来路况除了和自己的历史路况有关联之外，还和其相邻路段的历史路况信息有关联，因此作为一种优选的实施方式，路况子网络所采用的路段的路网特征是由该路段及其上下文的路网特征构成，路况特征也是路段及其上下文在Tnag之前预设历史时长内各时间点的路况特征。
在实施例中，路况子网络在进行路段的路况预估时，采用了一种新的时空图网络建模方式。如图4中所示，假设Tnag之前预设历史时长内存在n个时间点{t1,…,tj,…,tn},对于每个时间点均对应有一个相应的路况图，该路况图可以从路况数据库中获取，本申请并不限制路况图的具体产生和获取方式。路况图的图结构由路网决定。对于每一个路段li及其上下文均在tj对应有一个路况子图，那么在Tnag之前预设历史时长内存在n个时间点分别对应的路况子图，这n个路况子图进行编码后构成该路段的预设历史时长内的路况特征矩阵Xi (ST)。
对于路段li而言，历史时长内各时间点的时间特征Xi (T’)、路网特征Xi (S)以及Xi (ST)进行拼接后，构成一个3维的张量Xi (MST)，然后利用注意力机制将该张量Xi (MST)映射为对该路段li预估的路况特征表示，该路况特征表示通常采用向量表示。其中，3维的张量Xi (MST)作为注意力机制中的key(键)，映射得到的路况特征表示作为value(值)。当进行线上的路段耗时预测时，将时间信息的特征表示和路段的路网特征表示进行拼接后作为query(查询)。通过计算query与key的相似度，得到命中的value。需要说明的是，在进行拼接获得张量之前，还可以包括诸如对各特征表示的维度进行统一等处理，在此不做详述。
在利用注意力机制时，可以采用以下公式：
Figure BDA0002379677110000121
Figure BDA0002379677110000122
Figure BDA0002379677110000123
Figure BDA0002379677110000124
Figure BDA0002379677110000125
Attention(Qi,Ki,Vi)＝∑j,kα(Qi,Ki,j,k)Vi,j,k (6)
其中，下标i标识路线中第i个路段，下标j标识历史时长内的第j个时间点，下标k标识该第i个路段在路网中的空间维度，可以理解为相邻路段的数量。Q,K和V分别代表query、key和value。公式(1)～(3)中涉及的Act()函数为激活函数，公式(1)中涉及的Concat()用于将括号中的内容进行拼接。公式(4)是计算Qi和Ki,j,k之间的关联度，d(ATT)是query和key的维度。公式(5)是对计算的关联度进行归一化处理。公式(6)是将归一化后的关联度作为权重对value进行加权求和。上述公式中出现的W(Q)、b(Q)、W(K)、b(K)、W(V)和b(V)均为模型参数。
由于在线上进行路线耗时预估时，可能因为网络传输等问题造成一些历史路况信息的丢失，为了适应这种实际存在的问题，在模型训练过程中进行上述张量的拼接时，可以对预设历史时长内各时间点的部分路况特征进行随机Mask(掩膜)，例如将部分路况特征覆盖掉，用零向量代替。这种方式能够有效缓解和适应路线耗时预估过程中路况信息缺失或噪声所带来的影响，提高模型的稳定性。
整合子网络负责对之前三个子网络的信息进行整合来预估路线的耗时。即用于依据上述时间信息Tnag的特征表示、路线L所包含各路段的向量表示以及路线L所包含各路段在时间信息对应的路况特征表示，确定路线L的预估耗时。
作为其中一种实现方式，整合子网络可以将上述时间信息Tnag的特征表示、路线L所包含各路段的向量表示以及路线L所包含各路段的路况特征表示进行拼接后，通过全连接层直接映射为路线L的预估耗时。
在这种情况下，可以依据路线L的预估耗时与路线L的实际耗时TL的差距确定损失函数，依据损失函数进行前向反馈以更新路线耗时预估模型的参数。其中路线耗时预估模型的参数包括四个子网络的参数。
作为另一种实现方式，如图5中所示，整合子网络可以将上述时间信息Tnag的特征表示、路线L所包含各路段的向量表示以及路线L所包含各路段的路况特征表示分别按照路段进行拼接后，通过全连接层映射为各路段的预估耗时，然后对各路段的预估耗时进行整合(例如进行加和)得到路线L的预估耗时。
在这种实现方式下，可以依据路线L中各路段的预估耗时与各路段的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新路线耗时预估模型的参数。
也可以依据路线L中各路段的预估耗时与各路段的实际耗时的差距，以及路线L的预估耗时与路线的实际耗时的差距，确定一个总的损失函数，依据该损失函数进行前向反馈以更新路线耗时预估模型的参数。
但无论采用哪种损失函数的形式，其目标均是最小化路线L整体的预估耗时与实际耗时的差距。
上述实施例中所示的路线耗时预估模型的结构为一种优选的实施方式，但也可以采用其他形式的结构。例如，路线耗时预估模型中可以仅包括上述路况子网络和整合子网络，而时间子网络和路段子网络可以独立于路线耗时预估模型进行额外的训练，或者时间子网络和路段子网络也可以采用现有技术中已有的特征提取方式。
在采用上述实施例一中的方式预先训练得到路线耗时预估模型后，就可以利用该路线耗时预估模型进行线上的路线耗时预估。下面通过实施例二进行描述。
实施例二、
图6为本申请实施例二提供的预估路线耗时的方法流程图，如图6中所示，该方法可以包括以下步骤：
在601中，确定待预估的路线以及进行预估的时间信息。
当需要对一条路线进行耗时预估时，该路线就作为待预估的路线。例如用户要查询从起始点到目的点的路线，就可以将从起始点到目的点的至少一条路线分别作为待预估的路线，当前查询时间就可以作为进行预估的时间信息。再例如，用户从推荐路线中选择了一条路线进行导航，就可以将该路线作为待预估的路线，当前导航时间就可以作为进行预估的时间信息。在此不对所有应用场景进行穷举。
在602中，将该路线和时间信息输入路线耗时预估模型，获取路线耗时预估模型输出的该路线的预估耗时。
假设路线表示为Lcur，时间信息表示为Tcur，那么在预估模型中，Tcur输入时间子网络，由时间子网络获取Tcur的特征表示，例如将Tcur采用诸如卷积神经网络等进行编码，得到Tcur的特征表示。
Lcur输入路段子网络，由路段子网络获取Lcur所包含各路段的特征标识。作为一种优选的实施方式，可以针对Lcur所包含的各路段，分别获取路段以及该路段的上下文，对该路段及其上下文使用诸如卷积神经网络、循环神经网络等进行编码后，得到该路段的向量表示。该向量表示在一定程度上体现的是路段及其上下文在路线中的连接关系、结构等信息。
路段的上下文包括：在路线上该路段的上M个路段和下N个路段，其中M和N为预设的自然数。
路段子网络和时间子网络的输出作为路况子网络的输入，由路况子网络依据时间Tcur的特征表示和Lcur所包含各路段的路网特征表示，预估路线Lcur所包含各路段的路况特征表示。
具体地，路况子网络可以获取路段在上述Tcur之前预设历史时长内各时间点的路况特征；将路段的路网特征、在Tcur之前预设历史时长内各时间点的路况特征以及上述历史时长内各时间点的特征进行拼接，分别得到该路段对应的时空张量；利用注意力机制对该时空张量进行映射，得到对该路段预估的路况特征表示。
其中，上述时空张量可以作为query，通过计算和各key的关联度，找到关联度最高的key所对应的value，该value就是映射得到的对路段预估的路况特征表示。具体公式参见实施例一中的记载，在此不做赘述。
然后时间子网络、路段子网络和路况子网络的输出均作为整合子网络的输入，由这个子网络依据Tcur的特征表示、路线Lcur所包含各路段的向量表示以及路线Lcur所包含各路段在时间信息对应的路况特征表示，确定路线Lcur的预估耗时。
作为其中一种实现方式，整合子网络可以将Tcur的特征表示、路线Lcur所包含各路段的向量表示以及路线Lcur所包含各路段在时间信息对应的路况特征表示进行拼接后，通过全连接层直接映射为路线Lcur的预估耗时。
作为另一种实现方式，对应图5所示结构，整合子网络可以将Tcur的特征表示、路线Lcur所包含各路段的向量表示以及路线Lcur所包含各路段在时间信息对应的路况特征表示进行拼接后，通过全连接层映射为各路段的预估耗时，然后对各路段的预估耗时进行整合(例如进行加和)得到路线Lcur的预估耗时。
在不同应用场景下，得到路线的预估耗时可以进行后续不同的处理，例如用户要查询从起始点到目的点的路线时，分别针对各候选路线预估出耗时后，向用户推荐最优路线。再例如，用户选择一条路线进行导航时，可以将该路线的预估耗时返回给用户供用户参考。等等。
以上是对本申请所提供的方法进行的详细描述，下面结合实施例对本申请提供的装置进行详细描述。
实施例三、
图7为本申请实施例三提供的建立路线耗时预估模型的装置结构图，如图7中所示，该装置可以包括：第一获取单元01和模型训练单元02。其中各组成单元的主要功能如下：
第一获取单元01负责从用户轨迹数据中获取训练数据，训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息。
在一种实现方式中，可以从用户的导航轨迹数据中获取训练数据。例如，一条训练数据可以包括：用户的导航路线、用户的导航时间以及用户经过该路线的实际耗时信息，其中该路线的实际耗时信息可以包括用户经过整个路线的实际耗时，也可以包括用户经过该路线所包括各路段的实际耗时。
模型训练单元02负责利用训练数据训练得到路线耗时预估模型，其中路线耗时预估模型包括：路况子网络和整合子网络，还可以包括：时间子网络和/或路段子网络。
路况子网络用于利用上述时间信息和路线所包含各路段的路网特征表示，预估路线所包含各路段的路况特征表示。
整合子网络用于依据上述时间信息的特征表示、路线所包含各路段的向量表示以及路线所包含各路段的路况特征表示，确定路线的预估耗时。
路线耗时预估模型的训练目标为：最小化路线的预估耗时与实际耗时的差距。
时间子网络用于获取时间信息的特征表示。
路段子网络用于获取路线所包含各路段的向量表示。
具体地，路段子网络可以获取路线所包含的各路段以及各路段的上下文；针对每一条路段以及该路段的上下文，使用神经网络进行编码，得到该路段的向量表示。
路况子网络可以获取路段在时间信息之前预设历史时长内各时间点的路况特征；将该路段的路网特征、在时间信息之前预设历史时长内各时间点的路况特征以及历史时长内各时间点的特征进行拼接，得到该路段对应的时空张量；利用注意力机制对时空张量进行映射，得到对该路段预估的路况特征表示。
具体地，路况子网络在获取路段在时间信息之前预设历史时长内各时间点的路况特征时，可以从在时间信息之前预设历史时长内各时间点的路况图中，获取路段以及该路段的上下文对应的路况子图；将路况子图进行编码，得到路段在时间信息之前预设历史时长内各时间点的路况特征。
为了有效缓解和适应路线耗时预估过程中路况信息缺失或噪声所带来的影响，提高模型的稳定性，路况子网络还用于在进行拼接时，对预设历史时长内各时间点的部分路况特征进行随机Mask，即将部分路况特征覆盖掉，用零向量代替。
整合子网络具体用于依据时间信息的特征表示、路线所包含各路段的向量表示以及路线所包含各路段的路况特征表示进行整合后，经过全连接层的映射分别得到各路段的预估耗时；依据各路段的预估耗时，得到路线的预估耗时。
还存在另外一种方式，整合子网络具体用于依据时间信息的特征表示、路线所包含各路段的向量表示以及路线所包含各路段的路况特征表示进行整合后，经过全连接层的映射得到路线的预估耗时。
模型训练单元02在每一轮迭代进行前向反馈更新模型参数时，可以采用以下方式：
方式1：依据路线的预估耗时与路线的实际耗时的差距确定损失函数，依据损失函数进行前向反馈以更新路线耗时预估模型的参数。
方式2：依据路线中各路段的预估耗时与各路段的实际耗时的差距确定损失函数，依据损失函数进行前向反馈以更新路线耗时预估模型的参数。
方式3：依据路线中各路段的预估耗时与各路段的实际耗时的差距，以及路线的预估耗时与路线的实际耗时的差距，确定损失函数，依据损失函数进行前向反馈以更新路线耗时预估模型的参数。
实施例四、
图8为本申请实施例提供的预估路线耗时的装置结构图，如图8中所示，该装置可以包括：第二获取单元11和耗时预估单元12。其中各组成单元的主要功能如下：
第二获取单元11负责获取待预估的路线以及进行预估的时间信息；
耗时预估单元12负责将路线和时间信息输入路线耗时预估模型，获取路线耗时预估模型输出的路线的预估耗时。
其中，耗时预估单元12利用路线耗时预估模型对路线的预估耗时可以参见实施例二中的具体描述，在此不做详述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图9所示，是根据本申请实施例的建立路线耗时预估模型的方法或预估路线耗时的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示，该电子设备包括：一个或多个处理器901、存储器902，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的建立路线耗时预估模型的方法或预估路线耗时的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的建立路线耗时预估模型的方法或预估路线耗时的方法。
存储器902作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的建立路线耗时预估模型的方法或预估路线耗时的方法对应的程序指令/模块。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的建立路线耗时预估模型的方法或预估路线耗时的方法。
存储器902可以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、至少一个功能所需要的应用程序；存储数据区可存储根据该电子设备的使用所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
该电子设备还可以包括：输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接，图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息，以及产生与该电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
由以上描述可以看出，本申请提供的方法、装置、设备和计算机存储介质可以具备以下优点：
1)本申请中将对路线所包含各路段的路况特征的预测作为路线耗时预估模型的子网络融入路线耗时预估模型的训练，从而捕捉路况特征和路线耗时之间的内在联动关系，提高路线耗时预估的准确性。
2)本申请在路线耗时预估的过程中融入路段及其上下文，即融入路段之间的关系，进一步提高了路线耗时预估的准确性。
3)本申请中预测每个路段的耗时后，利用各路段的耗时确定整个路线的耗时。相比较端对端的预测方式(即将所有路段串起来建模直接预测路线的耗时)计算时间更短，且具有更加充足的训练数据。
4)本申请中将路网的图结构用于路况预测，并构造三维的时空张量进行建模，将时间(多个历史时间点)和空间(路线及其上下文的路况、路网结构图)的信息看做一个整体进行路况预测，充分捕获时空信息，进一步提高路线耗时预估的准确性。
5)本申请中通过在模型训练过程中对预设历史时长内各时间点的部分路况特征进行随机Mask，从而有效缓解和适应路线耗时预估过程中路况信息缺失或噪声所带来的影响，提高模型的稳定性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (20)

1.一种建立路线耗时预估模型的方法，其特征在于，该方法包括：
从用户轨迹数据中获取训练数据，所述训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；
利用所述训练数据训练得到所述路线耗时预估模型，其中所述路线耗时预估模型包括：路况子网络和整合子网络；
所述路况子网络利用所述时间信息和所述路线所包含各路段的路网特征表示，预估所述路线所包含各路段的路况特征表示；
所述整合子网络依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路况子网络预估得到的路线所包含各路段的路况特征表示，确定所述路线的预估耗时；
所述路线耗时预估模型的训练目标为：最小化所述路线的预估耗时与实际耗时的差距；
在所述训练过程中，利用所述训练目标对应的损失函数进行前向反馈以更新所述路线耗时预估模型的参数，所述参数包括所述路况子网络和所述整合子网络的参数。
2.根据权利要求1所述的方法，其特征在于，所述路线耗时预估模型还包括：时间子网络和/或路段子网络；
所述时间子网络用于获取所述时间信息的特征表示；
所述路段子网络用于获取所述路线所包含各路段的向量表示。
3.根据权利要求2所述的方法，其特征在于，获取所述路线所包含各路段的向量表示包括：
获取所述路线所包含的各路段以及各路段的上下文；
针对每一条路段以及该路段的上下文，使用神经网络进行编码，得到该路段的向量表示。
4.根据权利要求1所述的方法，其特征在于，利用所述时间信息预估路段的路况特征表示包括：
获取路段在所述时间信息之前预设历史时长内各时间点的路况特征；
将该路段的路网特征、在所述时间信息之前预设历史时长内各时间点的路况特征以及所述历史时长内各时间点的特征进行拼接，得到该路段对应的时空张量；
利用注意力机制对所述时空张量进行映射，得到对该路段预估的路况特征表示。
5.根据权利要求4所述的方法，其特征在于，所述获取路段在所述时间信息之前预设历史时长内各时间点的路况特征包括：
从在所述时间信息之前预设历史时长内各时间点的路况图中，获取所述路段及其上下文对应的路况子图；
将所述路况子图进行编码，得到所述路段在所述时间信息之前预设历史时长内各时间点的路况特征。
6.根据权利要求4所述的方法，其特征在于，在所述进行拼接时，对预设历史时长内各时间点的部分路况特征进行随机掩膜。
7.根据权利要求1所述的方法，其特征在于，确定所述路线的预估耗时包括：
所述整合子网络依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示进行整合后，经过全连接层的映射分别得到各路段的预估耗时；
依据各路段的预估耗时，得到所述路线的预估耗时。
8.根据权利要求7所述的方法，其特征在于，利用所述训练目标对应的损失函数进行前向反馈以更新所述路线耗时预估模型的参数包括：
依据所述路线的预估耗时与所述路线的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数；或者，
依据所述路线中各路段的预估耗时与各路段的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数；或者，
依据所述路线中各路段的预估耗时与各路段的实际耗时的差距，以及所述路线的预估耗时与所述路线的实际耗时的差距，确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数。
9.一种预估路线耗时的方法，其特征在于，该方法包括：
获取待预估的路线以及进行预估的时间信息；
将所述路线和所述时间信息输入路线耗时预估模型，获取所述路线耗时预估模型输出的所述路线的预估耗时；
其中所述路线耗时预估模型采用如权利要求1至8中任一项所述的方法预先建立。
10.一种建立路线耗时预估模型的装置，其特征在于，该装置包括：
第一获取单元，用于从用户轨迹数据中获取训练数据，所述训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；
模型训练单元，用于利用所述训练数据训练得到所述路线耗时预估模型，其中所述路线耗时预估模型包括：路况子网络和整合子网络；
所述路况子网络利用所述时间信息和所述路线所包含各路段的路网特征表示，预估所述路线所包含各路段的路况特征表示；
所述整合子网络依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路况子网络预估得到的路线所包含各路段的路况特征表示，确定所述路线的预估耗时；
所述路线耗时预估模型的训练目标为：最小化所述路线的预估耗时与实际耗时的差距；
其中所述模型训练单元在所述训练过程中，利用所述训练目标对应的损失函数进行前向反馈以更新所述路线耗时预估模型的参数，所述参数包括所述路况子网络和所述整合子网络的参数。
11.根据权利要求10所述的装置，其特征在于，所述路线耗时预估模型还包括：时间子网络和/或路段子网络；
所述时间子网络用于获取所述时间信息的特征表示；
所述路段子网络用于获取所述路线所包含各路段的向量表示。
12.根据权利要求11所述的装置，其特征在于，所述路段子网络，具体用于获取所述路线所包含的各路段以及各路段的上下文；针对每一条路段以及该路段的上下文，使用神经网络进行编码，得到该路段的向量表示。
13.根据权利要求10所述的装置，其特征在于，所述路况子网络，具体用于获取路段在所述时间信息之前预设历史时长内各时间点的路况特征；将该路段的路网特征、在所述时间信息之前预设历史时长内各时间点的路况特征以及所述历史时长内各时间点的特征进行拼接，得到该路段对应的时空张量；利用注意力机制对所述时空张量进行映射，得到对该路段预估的路况特征表示。
14.根据权利要求13所述的装置，其特征在于，所述路况子网络在获取路段在所述时间信息之前预设历史时长内各时间点的路况特征时，具体执行：
从在所述时间信息之前预设历史时长内各时间点的路况图中，获取所述路段以及该路段的上下文对应的路况子图；
将所述路况子图进行编码，得到所述路段在所述时间信息之前预设历史时长内各时间点的路况特征。
15.根据权利要求13所述的装置，其特征在于，所述路况子网络，还用于在所述进行拼接时，对预设历史时长内各时间点的部分路况特征进行随机掩膜。
16.根据权利要求10所述的装置，其特征在于，所述整合子网络，具体用于依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示进行整合后，经过全连接层的映射分别得到各路段的预估耗时；依据各路段的预估耗时，得到所述路线的预估耗时。
17.根据权利要求16所述的装置，其特征在于，所述模型训练单元，具体用于：
依据所述路线的预估耗时与所述路线的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数；或者，
依据所述路线中各路段的预估耗时与各路段的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数；或者，
依据所述路线中各路段的预估耗时与各路段的实际耗时的差距，以及所述路线的预估耗时与所述路线的实际耗时的差距，确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数。
18.一种预估路线耗时的装置，其特征在于，该装置包括：
第二获取单元，用于获取待预估的路线以及进行预估的时间信息；
耗时预估单元，用于将所述路线和所述时间信息输入路线耗时预估模型，获取所述路线耗时预估模型输出的所述路线的预估耗时；
其中所述路线耗时预估模型由如权利要求10至17中任一项所述的装置预先建立。
19.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
CN202010079202.5A 2020-02-03 2020-02-03 建立路线耗时预估模型、预估路线耗时的方法及对应装置 Active CN111353009B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010079202.5A CN111353009B (zh) 2020-02-03 2020-02-03 建立路线耗时预估模型、预估路线耗时的方法及对应装置
US17/033,211 US11719550B2 (en) 2020-02-03 2020-09-25 Method and apparatus for building route time consumption estimation model, and method and apparatus for estimating route time consumption

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010079202.5A CN111353009B (zh) 2020-02-03 2020-02-03 建立路线耗时预估模型、预估路线耗时的方法及对应装置

Publications (2)

Publication Number Publication Date
CN111353009A CN111353009A (zh) 2020-06-30
CN111353009B true CN111353009B (zh) 2021-10-26

Family

ID=71196955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010079202.5A Active CN111353009B (zh) 2020-02-03 2020-02-03 建立路线耗时预估模型、预估路线耗时的方法及对应装置

Country Status (2)

Country Link
US (1) US11719550B2 (zh)
CN (1) CN111353009B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199198A (zh) * 2020-10-28 2021-01-08 上海特金无线技术有限公司 无人机探测的运算资源调配方法、装置、设备与介质
CN112560609B (zh) 2020-12-03 2022-11-15 北京百度网讯科技有限公司 路况预估方法、建立路况预估模型的方法及对应装置
CN112785083B (zh) * 2021-02-04 2022-05-10 腾讯科技（深圳）有限公司 到达时间的预估方法、装置、电子设备以及存储介质
CN115218912B (zh) * 2021-12-10 2023-11-21 广州汽车集团股份有限公司 导航时长预估方法、装置、车辆及设备
CN114419869B (zh) * 2022-03-30 2022-07-26 北京启醒科技有限公司 一种基于时序多维预测的城市灾害预警方法及系统
CN115394416B (zh) * 2022-10-27 2023-02-10 山东方格医疗器械有限公司 一种发药车数据监测管理系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110365A (zh) * 2009-12-28 2011-06-29 日电（中国）有限公司 基于时空关系的路况预测方法和系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106502985B (zh) * 2016-10-20 2020-01-31 清华大学 一种用于生成标题的神经网络建模方法及装置
CN110073426B (zh) * 2017-11-23 2021-10-26 北京嘀嘀无限科技发展有限公司 估计到达时间的系统和方法
US11125556B2 (en) * 2017-12-21 2021-09-21 Bce Inc. Method and system for monitoring and assessing road conditions
CN110470314B (zh) * 2018-05-09 2024-05-24 阿里巴巴（中国）有限公司 Eta模型生成方法和装置、eta预测方法和装置、电子设备
CN110163405B (zh) 2018-07-23 2022-03-25 腾讯大地通途（北京）科技有限公司 通行时间确定方法、装置、终端及存储介质
EP3881030A4 (en) * 2018-11-13 2022-11-16 Magna International Inc. SYSTEM AND METHOD FOR VEHICLE GUIDANCE USING LARGE AMOUNTS OF DATA
CN109670277B (zh) * 2019-02-19 2022-09-09 南京邮电大学 一种基于多模态数据融合与多模型集成的旅行时间预测方法
CN109754605B (zh) 2019-02-27 2021-12-07 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
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
CN110717627B (zh) 2019-09-29 2022-01-25 浙江大学 一种基于对偶图框架的全量交通预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110365A (zh) * 2009-12-28 2011-06-29 日电（中国）有限公司 基于时空关系的路况预测方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于Spark和浮动出租车全球定位系统数据的实时交通路况预测方法;程敏等;《集成技术》;20161115(第06期);全文 *
基于支持向量回归机的交通状态短时预测和北京某区域实例分析;郑勋烨等;《数学的实践与认识》;20100523(第10期);全文 *

Also Published As

Publication number Publication date
US20210239483A1 (en) 2021-08-05
US11719550B2 (en) 2023-08-08
CN111353009A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN111353009B (zh) 建立路线耗时预估模型、预估路线耗时的方法及对应装置
JP7196382B2 (ja) 更新道路を識別する方法、装置、デバイス及びコンピュータ記憶媒体
CN111292549B (zh) 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
CN111612249B (zh) 用于预测人流量的方法、装置、设备以及存储介质
JP7204826B2 (ja) 交通事故識別方法、装置、デバイス及びコンピュータ記憶媒体
CN112560496A (zh) 语义分析模型的训练方法、装置、电子设备及存储介质
CN111310987B (zh) 停车场空闲车位预测方法、装置、电子设备及存储介质
CN110765227A (zh) 道路交通网络模型构建方法及装置
CN112000700A (zh) 地图信息展示方法、装置、电子设备及存储介质
CN111325382B (zh) 停车场空闲车位预测方法、装置、电子设备及存储介质
CN111931067A (zh) 兴趣点推荐方法、装置、设备和介质
KR20220026999A (ko) 목적지 예측 방법, 장치, 전자 기기 및 저장 매체
CN112987064B (zh) 建筑物定位方法、装置、设备、存储介质和终端设备
CN110823237B (zh) 起点绑路及预测模型获取方法、装置及存储介质
CN112000893A (zh) 常驻区域预测方法、装置、设备及存储介质
KR20220058858A (ko) 구역 인기 예측 모델을 구축하는 방법, 구역 인기 예측 방법 및 장치
CN114715145B (zh) 一种轨迹预测方法、装置、设备及自动驾驶车辆
CN113158030B (zh) 异地兴趣点的推荐方法、装置、电子设备及存储介质
CN111522888B (zh) 挖掘兴趣点之间的竞争关系的方法和装置
CN110751853B (zh) 停车位数据的有效性识别方法和装置
CN111047107B (zh) 公路通行时间预测方法、装置、电子设备和存储介质
CN112700643A (zh) 输出车辆流向的方法、装置、路侧设备以及云控平台
KR102565438B1 (ko) 자연어에 기반하는 실내 자율 내비게이팅
CN111782748B (zh) 地图检索方法、信息点poi语义向量的计算方法和装置
CN111597282B (zh) 挖掘路网数据的方法、装置及电子设备

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