CN111582543A - 预测模型的生成方法、估计到达时间确定方法及装置 - Google Patents
预测模型的生成方法、估计到达时间确定方法及装置 Download PDFInfo
- Publication number
- CN111582543A CN111582543A CN202010251130.8A CN202010251130A CN111582543A CN 111582543 A CN111582543 A CN 111582543A CN 202010251130 A CN202010251130 A CN 202010251130A CN 111582543 A CN111582543 A CN 111582543A
- Authority
- CN
- China
- Prior art keywords
- passing time
- road section
- road
- positioning
- prediction model
- 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.)
- Pending
Links
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"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了预测模型的生成方法、估计到达时间确定方法及装置,涉及导航技术领域。具体实现方案为:在对车辆的变道路径进行规划时,结合与路径规划的障碍物信息对目标车道的参考线上采样点的横向位置的初始取值范围进行调整,以使调整后的横向位置的取值范围可避开障碍物,并根据各个采样点的纵向位置以及横向位置的当前取值范围,确定车辆的变道路径。由此,在避开障碍物的同时,实现了车辆的变道路径规划,提高了变道路径规划的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及地图导航技术领域,尤其涉及预测模型的生成方法、估计到达时间确定方法及装置。
背景技术
估计到达时间(Estimation Time of Arrival,ETA)指在数字地图中基于起始位置以及历史数据进行到达时间预估的技术。在数字地图导航场景中,估计到达时间的准确性对于用户出行规划具有十分重要的意义。
在估计数字地图中相应导航路径对应的估计到达时间的过程,准确估计导航路径中路段的通行时长对于准确估计达到时间是十分重要的,如果不能准确估计出对应路段的通行时长,将导致数字地图所提供的估计到达时间不准确,继而将影响用户的出行规划。
发明内容
本申请提出一种预测模型的生成方法、估计到达时间确定方法及装置,使得训练后的预测模型可以准确预测出路段中每个分段的通行时长,方便后续可结合每个分段的通行时长,准确拟合出路段的总通行时长。
本申请第一方面实施例提出了一种用于预测路段通行时长的预测模型的生成方法,包括:基于所述路段的路况特征信息,利用初始的预测模型,以得到所述路段的N个分段的第一预测通行时长,其中,N为大于1的整数,所述N个分段是对路段进行分段而得到的;获取样本车辆通过符合所述路况特征信息的目标分段所需的实际通行时长;其中,所述目标分段为所述路段的一部分;根据所述N个分段的第一预测通行时长,确定所述目标分段的第二预测通行时长;根据所述实际通行时长和所述第二预测通行时长之间的差异信息,训练所述预测模型,直至所述差异信息满足预设条件,以得到训练后的预测模型。
本申请实施例的用于预测路段通行时长的预测模型的生成方法,在生成预测模型的过程中,利用路段的路况特征信息,结合初始的预测模型,来预测出路段中N个分段的预测通行时长,然后,获取样本车辆通过符合路况特征信息的目标分段所需的实际通行时长,并基于N个分段的预测通行时长所确定出的目标分段的预测通行时长,然后,基于目标分段的实际通行时长和预测通行时长之间的差异信息对预测模型进行不断训练,直至差异信息满足预设条件,以得到训练后的预测模型。由此,使得训练后的预测模型可以准确预测出路段中每个分段的通行时长,方便后续可结合每个分段的通行时长,准确拟合出路段的总通行时长。
本申请第二方面实施例提出了一种使用上述实施例所得到的训练后的预测模型所进行的估计到达时间确定方法,包括:获取待导航车辆的导航路径,其中,所述导航路径包括路段;根据所述路段的当前路况特征信息和所述预测模型,确定到所述路段的N个分段的预测通行时长;根据所述N个分段的预测通行时长,确定所述路段的预测通行时长;根据所述路段的预测通行时长,确定所述导航路径的到达时间。
本申请实施例的估计到达时间确定方法,在确定导航路径的估计到达时间时,结合导航路径中路段的当前路况特征信息和上述预测模型,准确确定出路段中各个分段的通行时长,并根据各个分段的通行时长,确定出该路段的总通行时长,并基于该路段的通行时间,确定待导航车辆中导航路径的估计到达时间。由此,通过考虑到路段内部通行时长变化情况而建立的预测模型,准确确定出了路段中各个分段的通行时长,并结合各个分段的通行时长,准确确定出了整个路段的通行时长,从而提高了估计到达时间的预测准确性。
本申请第三方面实施例提出了一种用于预测路段通行时长的预测模型的生成装置,包括:预测模块,用于基于所述路段的路况特征信息,利用初始的预测模型,以得到所述路段的N个分段的第一预测通行时长,其中,N为大于1的整数,所述N个分段是对路段进行分段而得到的;第一获取模块,用于获取样本车辆通过符合所述路况特征信息的目标分段所需的实际通行时长;其中,所述目标分段为所述路段的一部分;第一确定模块,用于根据所述N个分段的第一预测通行时长,确定所述目标分段的第二预测通行时长;训练模块,用于根据所述实际通行时长和所述第二预测通行时长之间的差异信息,训练所述预测模型,直至所述差异信息满足预设条件,以得到训练后的预测模型。
本申请实施例的用于预测路段通行时长的预测模型的生成装置,在生成预测模型的过程中,利用路段的路况特征信息,结合初始的预测模型,来预测出路段中N个分段的预测通行时长,然后,获取样本车辆通过符合路况特征信息的目标分段所需的实际通行时长,并基于N个分段的预测通行时长所确定出的目标分段的预测通行时长,然后,基于目标分段的实际通行时长和预测通行时长之间的差异信息对预测模型进行不断训练,直至差异信息满足预设条件,以得到训练后的预测模型。由此,使得训练后的预测模型可以准确预测出路段中每个分段的通行时长,方便后续可结合每个分段的通行时长,准确拟合出路段的总通行时长。
本申请第四方面实施例提出了一种使用上述实施例所得到的训练后的预测模型所进行的估计到达时间确定装置,包括:获取模块,用于获取待导航车辆的导航路径,其中,所述导航路径包括路段;第一确定模块,用于根据所述路段的当前路况特征信息和所述预测模型,确定到所述路段的N个分段的预测通行时长;第二确定模块,英语根据所述N个分段的预测通行时长,确定所述路段的预测通行时长;第三确定模块,用于根据所述路段的预测通行时长,确定所述导航路径的到达时间。
本申请实施例的估计到达时间确定装置,在确定导航路径的估计到达时间时,结合导航路径中路段的当前路况特征信息和上述预测模型,准确确定出路段中各个分段的通行时长,并根据各个分段的通行时长,确定出该路段的总通行时长,并基于该路段的通行时间,确定待导航车辆中导航路径的估计到达时间。由此,通过考虑到路段内部通行时长变化情况而建立的预测模型,准确确定出了路段中各个分段的通行时长,并结合各个分段的通行时长,准确确定出了整个路段的通行时长,从而提高了估计到达时间的预测准确性。
本申请第五方面实施例提出了一种电子设备,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本申请实施例的用于预测路段通行时长的预测模型的生成方法,或者,执行本申请实施例的估计到达时间确定方法。
本申请第六方面实施例提出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本申请实施例公开的用于预测路段通行时长的预测模型的生成方法,或者,本申请实施例公开的估计到达时间确定方法。
上述申请中的一个实施例具有如下优点或有益效果:通过预测模型输出路段的各个分段的预测通行时长,并获取该路段中目标分段的实际通行时长,并基于各个分段的预测通行时长,确定该目标分段的预测通行时长,并基于该目标分段的实际通行时长和预测通行时长之间的差异信息对预测模型进行训练,以通过训练后的预测模型来预测路段的通行时长的技术手段,所以克服了相关技术无法准确估计出对应路段的通行时长的技术问题,从而基于对路段分段细粒度建模,使得所得到的模型可以准确预测出对应路段的通行时长的技术效果。
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是根据本申请第一实施例的示意图;
图2是预测模型的模型结构示例图;
图3是目标分段以及各分段之间的位置关系示例图;
图4是根据本申请第二实施例的示意图;
图5是根据本申请第三实施例的示意图;
图6是根据本申请第四实施例的示意图;
图7是根据本申请第五实施例的示意图;
图8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。
相关技术中,通常是采用预先训练得到的预测模型,来对路段的通行时长进行预测。然而,在训练该预测模型的过程中,未考虑路段(link)内部通行时长变化,直接采用路段的总通行时长训练模型,从而使得所建立的模型,存在建模不精确的问题,进而使得该预测模型所预测的路段的通行时长不准确,影响了估计到达时间的准确性。为了可提供能够准确预测出路段的通行时长的预测模型,本实施例在生成预测模型的过程中,利用路段的路况特征信息,结合初始的预测模型,来预测出路段中N个分段的预测通行时长,然后,获取样本车辆通过符合路况特征信息的目标分段所需的实际通行时长,并基于N个分段的预测通行时长所确定出的目标分段的预测通行时长,然后,基于目标分段的实际通行时长和预测通行时长之间的差异信息对预测模型进行不断训练,直至差异信息满足预设条件,以得到训练后的预测模型。由此,使得训练后的预测模型可以准确预测出路段中每个分段的通行时长,方便后续可结合每个分段的通行时长,准确拟合出路段的总通行时长。
下面参考附图描述本申请实施例的预测模型的生成方法、估计到达时间确定方法及装置。
图1是根据本申请第一实施例的示意图。其中,需要说明的是,本实施例的用于预测路段通行时长的预测模型的生成方法的执行主体为用于预测路段通行时长的预测模型的生成装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括终端设备和服务器,该实施例对此不作限定。
如图1所示,该用于预测路段通行时长的预测模型的生成方法可以包括:
步骤101,基于路段的路况特征信息,利用初始的预测模型,以得到路段的N个分段的第一预测通行时长,其中,N为大于1的整数,N个分段是对路段进行分段而得到的。
在本实施例中,N个分段可以是按照预设的分段规则对路段进行分段而得到的,例如,N为10,可将路段进行均匀分割,以得到10个分段。
本实施例中的初始预测模型是采用将路段均匀分割N段的方式,并输出每个分段各自对应的预测通行时长。
本实施例中,路况特征信息可以包括基础路网属性,历史路况信息以及近期路况信息等。
其中,基础路网属性可以包括路段长度、路段车道数、路段限速等信息。其中,本实施例中预测模型的模型结构示例图,如图2所示,通过2可以看出,在将路段的路网属性、近期路况、历史时间和预测时间输入到模型后,对输入的信息进行特征向量处理,然后,在全连接层输出每个分段的预测通行时长。
步骤102,获取样本车辆通过符合路况特征信息的目标分段所需的实际通行时长;其中,目标分段为路段的一部分。
在本实施例中,为了使得后续可根据该模型所输出的各个分段的预测通行时长,准确确定出该路段的总通行时长,本实施例的目标分段的两个端点,其中一个端点可以位于该路段中的第一个路段中,另一个端点可以位于该路段中的最后一个路段中。
其中,本实施例中的目标分段可以为一个,或者多个。例如,目标分段可以为两个,路段平均划分了10个分段,分为第一分段、第二分段、…、第N分段、…以及第10分段,第一目标分段的两个端点,其中,一个端点可以位于该路段中的第一路段中,另一个端点可以位于该路段中的第5分段中,对于第二目标分段的两个端点,其中,一个端点可以位于该路段中的第五分段中,另一个端点可以位于第10分段中。当然,上述仅是一种示例,该实施例的目标分段还可以为其他形式,该实施例对此不作限定。
步骤103,根据N个分段的第一预测通行时长,确定目标分段的第二预测通行时长。
步骤104,根据实际通行时长和第二预测通行时长之间的差异信息,训练预测模型,直至差异信息满足预设条件,以得到训练后的预测模型。
具体地,在获取目标分段的实际通行时长和第二预测通行时长后,可通过平方误差损失函数对整体模型进行梯度回传训练,直至平方误差损失函数满足预设条件(例如,平方差损失函数已达到最小值),以得到训练后的预测模型。
本申请实施例的用于预测路段通行时长的预测模型的生成方法,在生成预测模型的过程中,利用路段的路况特征信息,结合初始的预测模型,来预测出路段中N个分段的预测通行时长,然后,获取样本车辆通过符合路况特征信息的目标分段所需的实际通行时长,并基于N个分段的预测通行时长所确定出的目标分段的预测通行时长,然后,基于目标分段的实际通行时长和预测通行时长之间的差异信息对预测模型进行不断训练,直至差异信息满足预设条件,以得到训练后的预测模型。由此,使得训练后的预测模型可以准确预测出路段中每个分段的通行时长,方便后续可结合每个分段的通行时长,准确拟合出路段的总通行时长。
在本申请的一个实施例中,为了可以结合模型输出的各个分段的预测通行时长,准确确定出目标分段对应的预测通行时长,在本申请的一个实施例中,根据N个分段的第一预测通行时长,确定目标分段的第二预测通行时长的具体实现方式可以为:根据每个分段与目标分段之间的位置关系,确定每个分段的权重;根据分段的权重,对N个分段的第一预测通行时长进行加权求和,以得到目标分段的第二预测通行时长。
本实施例中,结合每个分段和目标分段之间的位置关系,确定出每个分段的权重,基于每个分段的权重和预测时长,准确确定出的了目标分段对应的预测通行时长。
例如,将路段平均划分为10个分段,其中,10个分段和目标分段的位置关系示意,如图3所示,根据10个分段和目标分段的位置关系,可以看出,目标分段全覆盖了第二分段、第三分段、…、第9个分段,因此,可确定上述第二分段、第三分段、…、第9个分段的权重为1,对于第一个分段,可根据目标分段在第一分段中所覆盖的长度L以及第一分段的长度N之比,确定该分段的权重,图3中示意出在确定目标分段的预测通行时长时,该第一分段的权重为50%,对于第十分段,如果确定该目标分段在第十个分段所覆盖的长度为M米,而第十分段的长度为N米,此时,在计算目标分段的预测通行时长时,该第十分段的权重为M/N,图3中示意出了第十分段的权重为75%。
图4是根据本申请第二实施例的示意图。
如图4所示,该方法可以包括:
步骤401,基于路段的路况特征信息,利用初始的预测模型,以得到路段的N个分段的第一预测通行时长,其中,N为大于1的整数,N个分段是对路段进行分段而得到的。
步骤402,获取样本车辆通过符合路况特征信息的路段的车辆导航信息。
其中,车辆导航信息,用于指示相应样本车辆在路段以预设定位时间间隔定位得到的定位点数据。
其中,其中,定位点数据包括定位点序列以及定位点序列中每个定位点的定位时间。
步骤403,将样本车辆的定位点序列映射到路网中,以获取路段上的映射定位点序列。
步骤404,根据从映射定位点序列中选择在路段上存在距离间隔的两个不同的映射定位点,确定目标分段,其中,两个不同的映射定位点为目标分段的两个端点。
在本实施中,为了可提高所训练出的预测模型的准确性,在本申请的一个实施例中,在获取映射定位点序列后,可从映射定位点序列中选择出距离间隔大于预设阈值的两个不同的映射定位点。
其中,预设阈值是根据路段的长度而确定的,例如,预设阈值可以为预设比例的路段长度,预设比例可以为80%。
步骤405,获取与选择出两个不同的映射定位点分别对应的两个定位点。
步骤406,根据两个定位点的定位时间之差,确定目标分段的实际通行时长。
步骤407,根据N个分段的第一预测通行时长,确定目标分段的第二预测通行时长。
步骤408,根据实际通行时长和第二预测通行时长之间的差异信息,训练预测模型,直至差异信息满足预设条件,以得到训练后的预测模型。
本实施例中,在样本车辆通过符合路况特征信息的路段的过程中,按照预设时间间隔定位得到定位点数据,并将定位点数据中的每个定位点映射到路网中,并以得到位于该路段上的映射定位点序列,并从映射定位点序列中选择出存在距离间隔的两个映射定位点,并基于所选择出的两个映射定位点序列,确定出目标分段,以及基于两个映射定位点序列所对应的两个定位点的定位时间之差,来准确确定出了目标分段的实际通行时长。由此,结合车辆定位数据,准确构建了用于训练预测模型的目标分段,以及该目标分段的实际通行时长,实现了训练数据的准确构建,进而可提高后续所生成的预测模型的准确性。
图5是根据本申请第三实施例的示意图。其中,需要说明的是,本实施例的估计到达时间确定方法的执行主体为估计到达时间确定装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括终端设备和服务器,该实施例对此不作限定。
如图5所示,该方法可以包括:
步骤501,获取待导航车辆的导航路径,其中,导航路径包括路段。
步骤502,根据路段的当前路况特征信息和预测模型,确定到路段的N个分段的预测通行时长。
其中,本实施例中的预测模型是基于上述实施例的预测模型的生成方法所得到的,该实施例对此不再赘述。
步骤503,根据N个分段的预测通行时长,确定路段的预测通行时长。
步骤504,根据路段的预测通行时长,确定导航路径的到达时间。
本申请实施例的估计到达时间确定方法,在确定导航路径的估计到达时间时,结合导航路径中路段的当前路况特征信息和上述预测模型,准确确定出路段中各个分段的通行时长,并根据各个分段的通行时长,确定出该路段的总通行时长,并基于该路段的通行时间,确定待导航车辆中导航路径的估计到达时间。由此,通过考虑到路段内部通行时长变化情况而建立的预测模型,准确确定出了路段中各个分段的通行时长,并结合各个分段的通行时长,准确确定出了整个路段的通行时长,从而提高了估计到达时间的预测准确性。
为了实现上述实施例,本申请实施例还提供一种用于预测路段通行时长的预测模型的生成装置。
图6是根据本申请第四实施例的示意图。
如图6所示,该用于预测路段通行时长的预测模型的生成装置100包括预测模块110、第一获取模块120、第一确定模块130和训练模块140,其中:
预测模块110,用于基于路段的路况特征信息,利用初始的预测模型,以得到路段的N个分段的第一预测通行时长,其中,N为大于1的整数,N个分段是对路段进行分段而得到的。
第一获取模块120,用于获取样本车辆通过符合路况特征信息的目标分段所需的实际通行时长;其中,目标分段为路段的一部分;
第一确定模块130,用于根据N个分段的第一预测通行时长,确定目标分段的第二预测通行时长;
训练模块140,用于根据实际通行时长和第二预测通行时长之间的差异信息,训练预测模型,直至差异信息满足预设条件,以得到训练后的预测模型。
在本申请的一个实施例中,第一确定模块130可以包括:
确定单元,用于根据每个分段与目标分段之间的位置关系,确定每个分段的权重。
计算单元,用于根据分段的权重,对N个分段的第一预测通行时长进行加权求和,以得到目标分段的第二预测通行时长。
在本申请的一个实施例中,该装置还可以包括:
第二获取模块,用于获取样本车辆通过符合路况特征信息的路段的车辆导航信息;其中,车辆导航信息,用于指示相应样本车辆在路段以预设定位时间间隔定位得到的定位点数据,其中,定位点数据包括定位点序列。
映射模块,用于将样本车辆的定位点序列映射到路网中,以获取路段上的映射定位点序列。
第二确定模块,用于根据从映射定位点序列中选择在路段上存在距离间隔的两个不同的映射定位点,确定目标分段,其中,两个不同的映射定位点为目标分段的两个端点。
在本申请的一个实施例中,定位点数据还包括定位点序列中每个定位点的定位时间,第一获取模块120可以包括:
获取单元,用于获取与选择出两个不同的映射定位点分别对应的两个定位点;
确定单元,用于根据两个定位点的定位时间之差,确定目标分段的实际通行时长。
其中,需要说明的是,前述对用于预测路段通行时长的预测模型的生成方法的解释说明也适用于本实施例的用于预测路段通行时长的预测模型的生成装置,此处不再赘述。
本申请实施例的用于预测路段通行时长的预测模型的生成装置,在生成预测模型的过程中,利用路段的路况特征信息,结合初始的预测模型,来预测出路段中N个分段的预测通行时长,然后,获取样本车辆通过符合路况特征信息的目标分段所需的实际通行时长,并基于N个分段的预测通行时长所确定出的目标分段的预测通行时长,然后,基于目标分段的实际通行时长和预测通行时长之间的差异信息对预测模型进行不断训练,直至差异信息满足预设条件,以得到训练后的预测模型。由此,使得训练后的预测模型可以准确预测出路段中每个分段的通行时长,方便后续可结合每个分段的通行时长,准确拟合出路段的总通行时长。
为了实现上述实施例,本申请实施例还提供一种基于上述实施例训练后的预测模型所进行的估计到达时间确定装置。
图7是根据本申请第五实施例的示意图。
如图7所示,该估计到达时间确定装置200可以包括获取模块210、第一确定模块220、第二确定模块230和第三确定模块240,其中:
获取模块210,用于获取待导航车辆的导航路径,其中,导航路径包括路段。
第一确定模块220,用于根据路段的当前路况特征信息和预测模型,确定到路段的N个分段的预测通行时长。
第二确定模块230,英语根据N个分段的预测通行时长,确定路段的预测通行时长。
第三确定模块240,用于根据路段的预测通行时长,确定导航路径的到达时间。
其中,需要说明的是,前述对估计到达时间确定方法实施例的解释说明也适用于该实施例的估计到达时间确定装置,此处不再赘述。
本申请实施例的估计到达时间确定装置,在确定导航路径的估计到达时间时,结合导航路径中路段的当前路况特征信息和上述预测模型,准确确定出路段中各个分段的通行时长,并根据各个分段的通行时长,确定出该路段的总通行时长,并基于该路段的通行时间,确定待导航车辆中导航路径的估计到达时间。由此,通过考虑到路段内部通行时长变化情况而建立的预测模型,准确确定出了路段中各个分段的通行时长,并结合各个分段的通行时长,准确确定出了整个路段的通行时长,从而提高了估计到达时间的预测准确性。
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8所示,是根据本申请实施例的电子设备的框图。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8所示,该电子设备包括:一个或多个处理器81、存储器82,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8中以一个处理器81为例。
存储器82即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的用于预测路段通行时长的预测模型的生成方法,或者,估计到达时间确定方法。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用于预测路段通行时长的预测模型的生成方法,或者,估计到达时间确定方法。
存储器82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用于预测路段通行时长的预测模型的生成方法对应的程序指令/模块。处理器81通过运行存储在存储器82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用于预测路段通行时长的预测模型的生成方法。
存储器82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电子设备的使用所创建的数据等。此外,存储器82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82可选包括相对于处理器81远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。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。
电子设备还可以包括:输入装置83和输出装置84。处理器81、存储器82、输入装置83和输出装置84可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置83可接收输入的数字或字符信息,以及产生与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84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。
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 (12)
1.一种用于预测路段通行时长的预测模型的生成方法,其特征在于,所述方法包括:
基于所述路段的路况特征信息,利用初始的预测模型,以得到所述路段的N个分段的第一预测通行时长,其中,N为大于1的整数,所述N个分段是对路段进行分段而得到的;
获取样本车辆通过符合所述路况特征信息的目标分段所需的实际通行时长;其中,所述目标分段为所述路段的一部分;
根据所述N个分段的第一预测通行时长,确定所述目标分段的第二预测通行时长;
根据所述实际通行时长和所述第二预测通行时长之间的差异信息,训练所述预测模型,直至所述差异信息满足预设条件,以得到训练后的预测模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述N个分段的第一预测通行时长,确定目标分段的第二预测通行时长,包括:
根据每个所述分段与所述目标分段之间的位置关系,确定每个所述分段的权重;
根据所述分段的权重,对所述N个分段的第一预测通行时长进行加权求和,以得到所述目标分段的第二预测通行时长。
3.根据权利要求1所述的方法,其特征在于,在所述获取样本车辆通过符合所述路况特征信息的目标分段所需的实际通行时长之前,还包括:
获取所述样本车辆通过符合所述路况特征信息的所述路段的车辆导航信息;其中,所述车辆导航信息,用于指示相应样本车辆在所述路段以预设定位时间间隔定位得到的定位点数据,其中,所述定位点数据包括定位点序列;
将所述样本车辆的定位点序列映射到路网中,以获取所述路段上的映射定位点序列;
根据从所述映射定位点序列中选择在所述路段上存在距离间隔的两个不同的映射定位点,确定所述目标分段,其中,所述两个不同的映射定位点为所述目标分段的两个端点。
4.根据权利要求3所述的方法,其特征在于,所述定位点数据还包括所述定位点序列中每个定位点的定位时间,所述获取样本车辆在所述路段特征信息下通过所述目标分段的实际通行时长,包括:
获取与选择出两个不同的映射定位点分别对应的两个定位点;
根据所述两个定位点的定位时间之差,确定所述目标分段的实际通行时长。
5.一种使用如权利要求1-4任一项的训练后的预测模型所进行的估计到达时间确定方法,所述方法包括:
获取待导航车辆的导航路径,其中,所述导航路径包括路段;
根据所述路段的当前路况特征信息和所述预测模型,确定到所述路段的N个分段的预测通行时长;
根据所述N个分段的预测通行时长,确定所述路段的预测通行时长;
根据所述路段的预测通行时长,确定所述导航路径的到达时间。
6.一种用于预测路段通行时长的预测模型的生成装置,其特征在于,所述装置包括:
预测模块,用于基于所述路段的路况特征信息,利用初始的预测模型,以得到所述路段的N个分段的第一预测通行时长,其中,N为大于1的整数,所述N个分段是对路段进行分段而得到的;
第一获取模块,用于获取样本车辆通过符合所述路况特征信息的目标分段所需的实际通行时长;其中,所述目标分段为所述路段的一部分;
第一确定模块,用于根据所述N个分段的第一预测通行时长,确定所述目标分段的第二预测通行时长;
训练模块,用于根据所述实际通行时长和所述第二预测通行时长之间的差异信息,训练所述预测模型,直至所述差异信息满足预设条件,以得到训练后的预测模型。
7.根据权利要求6所述的装置,其特征在于,所述第一确定模块,包括:
确定单元,用于根据每个所述分段与所述目标分段之间的位置关系,确定每个所述分段的权重;
计算单元,用于根据所述分段的权重,对所述N个分段的第一预测通行时长进行加权求和,以得到所述目标分段的第二预测通行时长。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取所述样本车辆通过符合所述路况特征信息的所述路段的车辆导航信息;其中,所述车辆导航信息,用于指示相应样本车辆在所述路段以预设定位时间间隔定位得到的定位点数据,其中,所述定位点数据包括定位点序列;
映射模块,用于将所述样本车辆的定位点序列映射到路网中,以获取所述路段上的映射定位点序列;
第二确定模块,用于根据从所述映射定位点序列中选择在所述路段上存在距离间隔的两个不同的映射定位点,确定所述目标分段,其中,所述两个不同的映射定位点为所述目标分段的两个端点。
9.根据权利要求8所述的装置,其特征在于,所述定位点数据还包括所述定位点序列中每个定位点的定位时间,所述第一获取模块,包括:
获取单元,用于获取与选择出两个不同的映射定位点分别对应的两个定位点;
确定单元,用于根据所述两个定位点的定位时间之差,确定所述目标分段的实际通行时长。
10.一种使用如权利要求6-9任一项的训练后的预测模型所进行的估计到达时间确定装置,所述装置包括:
获取模块,用于获取待导航车辆的导航路径,其中,所述导航路径包括路段;
第一确定模块,用于根据所述路段的当前路况特征信息和所述预测模型,确定到所述路段的N个分段的预测通行时长;
第二确定模块,英语根据所述N个分段的预测通行时长,确定所述路段的预测通行时长;
第三确定模块,用于根据所述路段的预测通行时长,确定所述导航路径的到达时间。
11.一种电子设备,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1-5中任一项所述的方法,或者,权利要求6所述的方法。
12.一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1-5任一项所述的方法,或者,权利要求6所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010251130.8A CN111582543A (zh) | 2020-04-01 | 2020-04-01 | 预测模型的生成方法、估计到达时间确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010251130.8A CN111582543A (zh) | 2020-04-01 | 2020-04-01 | 预测模型的生成方法、估计到达时间确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582543A true CN111582543A (zh) | 2020-08-25 |
Family
ID=72111486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010251130.8A Pending CN111582543A (zh) | 2020-04-01 | 2020-04-01 | 预测模型的生成方法、估计到达时间确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582543A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116136417A (zh) * | 2023-04-14 | 2023-05-19 | 北京理工大学 | 一种面向越野环境的无人驾驶车辆局部路径规划方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007083464A1 (ja) * | 2006-01-17 | 2007-07-26 | Pioneer Corporation | ナビゲーション装置及び到着予想時刻算出方法 |
CN108932264A (zh) * | 2017-05-26 | 2018-12-04 | 腾讯科技(深圳)有限公司 | 导航问题的确定方法、装置及存储介质 |
CN109417767A (zh) * | 2017-04-27 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 用于确定预估到达时间的系统和方法 |
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 |
CN110163405A (zh) * | 2018-07-23 | 2019-08-23 | 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 |
CN110361019A (zh) * | 2018-04-11 | 2019-10-22 | 北京搜狗科技发展有限公司 | 用于预测导航时间的方法、装置、电子设备及可读介质 |
CN110375760A (zh) * | 2019-07-29 | 2019-10-25 | 北京百度网讯科技有限公司 | 路线确定方法、装置、设备和介质 |
CN110470314A (zh) * | 2018-05-09 | 2019-11-19 | 高德信息技术有限公司 | Eta模型生成方法和装置、eta预测方法和装置、电子设备 |
-
2020
- 2020-04-01 CN CN202010251130.8A patent/CN111582543A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007083464A1 (ja) * | 2006-01-17 | 2007-07-26 | Pioneer Corporation | ナビゲーション装置及び到着予想時刻算出方法 |
CN109417767A (zh) * | 2017-04-27 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 用于确定预估到达时间的系统和方法 |
CN108932264A (zh) * | 2017-05-26 | 2018-12-04 | 腾讯科技(深圳)有限公司 | 导航问题的确定方法、装置及存储介质 |
CN110361019A (zh) * | 2018-04-11 | 2019-10-22 | 北京搜狗科技发展有限公司 | 用于预测导航时间的方法、装置、电子设备及可读介质 |
CN110470314A (zh) * | 2018-05-09 | 2019-11-19 | 高德信息技术有限公司 | Eta模型生成方法和装置、eta预测方法和装置、电子设备 |
CN110163405A (zh) * | 2018-07-23 | 2019-08-23 | 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 |
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 |
CN110375760A (zh) * | 2019-07-29 | 2019-10-25 | 北京百度网讯科技有限公司 | 路线确定方法、装置、设备和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116136417A (zh) * | 2023-04-14 | 2023-05-19 | 北京理工大学 | 一种面向越野环境的无人驾驶车辆局部路径规划方法 |
CN116136417B (zh) * | 2023-04-14 | 2023-08-22 | 北京理工大学 | 一种面向越野环境的无人驾驶车辆局部路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111679302B (zh) | 车辆定位方法、装置、电子设备和计算机存储介质 | |
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 | |
CN110823237B (zh) | 起点绑路及预测模型获取方法、装置及存储介质 | |
CN111982138B (zh) | 预测模型获取及路径规划方法、装置及存储介质 | |
CN112598819B (zh) | 自动驾驶系统的测试方法、装置、电子设备及存储介质 | |
CN112884837B (zh) | 道路定位方法、装置、设备及存储介质 | |
CN110647675B (zh) | 停留点识别及预测模型训练方法、装置及存储介质 | |
CN112529890A (zh) | 用于处理轨迹的方法、装置、路侧设备以及云控平台 | |
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 | |
CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
CN114547223A (zh) | 轨迹预测方法、轨迹预测模型的训练方法及装置 | |
CN110823236A (zh) | 路径规划方法、装置、电子设备及存储介质 | |
CN112800159A (zh) | 地图数据处理方法及装置 | |
CN112269930A (zh) | 建立区域热度预测模型、区域热度预测的方法及装置 | |
CN110930187A (zh) | 店铺到访人群挖掘方法、装置、设备和介质 | |
CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
CN111582543A (zh) | 预测模型的生成方法、估计到达时间确定方法及装置 | |
CN110751853B (zh) | 停车位数据的有效性识别方法和装置 | |
CN113029136A (zh) | 定位信息处理的方法、设备、存储介质及程序产品 | |
CN110033088B (zh) | 估计gps数据的方法和装置 | |
CN111783037A (zh) | 一种车辆里程预估模型优化方法、装置、设备及存储介质 | |
KR20210040875A (ko) | 도로망 데이터 처리 방법, 장치, 전자기기, 컴퓨터 저장매체 및 프로그램 | |
CN112382090A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN112381305A (zh) | 打车时长预估方法、装置、电子设备及存储介质 | |
CN113139138A (zh) | 信息推荐方法和装置、电子设备、存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
RJ01 | Rejection of invention patent application after publication |