CN111667693B - 用于确定预计到达时间的方法、装置、设备及介质 - Google Patents

用于确定预计到达时间的方法、装置、设备及介质 Download PDF

Info

Publication number
CN111667693B
CN111667693B CN202010543107.6A CN202010543107A CN111667693B CN 111667693 B CN111667693 B CN 111667693B CN 202010543107 A CN202010543107 A CN 202010543107A CN 111667693 B CN111667693 B CN 111667693B
Authority
CN
China
Prior art keywords
road section
route
estimated
attention
predicted
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
CN202010543107.6A
Other languages
English (en)
Other versions
CN111667693A (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 CN202010543107.6A priority Critical patent/CN111667693B/zh
Publication of CN111667693A publication Critical patent/CN111667693A/zh
Application granted granted Critical
Publication of CN111667693B publication Critical patent/CN111667693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Landscapes

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

Abstract

本申请涉及地图应用技术领域，公开了一种用于确定预计到达时间的方法、装置、设备及介质，该方法包括：获取待预估路线中每条路段的路段特征，该待预估路线包括至少一条路线；对每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征；利用所述路线特征预测所述待预估路线对应的预计到达时间。该方案通过对地图中待预估路线的每条路段的路段特征进行注意力权重分配，来提取各路段的局部特征，有效地提高局部拥堵场景的预计到达时间的准确性。

Description

用于确定预计到达时间的方法、装置、设备及介质
技术领域
本发明一般涉及地图应用技术领域，具体涉及一种用于确定预计到达时间的方法、装置、设备及介质。
背景技术
随着互联网技术的快速发展，人工智能技术已经广泛应用在各个不同领域当中，如医疗、教育、金融、交通等，其中，在交通领域，如智能导航方面，可以根据在线地图的起点和终点预估所有候选路线的到达时间，也可以在导航过程中，实时获取完成每条路线所需时间，从而为用户规划出最优出行路线。
目前，相关技术在预计到达时间的过程中，采用的是基于规则的逐路段累加方法或者基于树模型的机器学习算法。但是，基于规则的逐路段累加方法不仅需要依赖人工经验，而且每条路段的预估时间会进行累积误差，导致准确率低；基于树模型的机器学习算法获得的到达时间预估值也存在不准确的问题。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种用于确定预计到达时间的方法、装置、设备及介质，对待预估线路所包含的每条路段的路段特征进行注意力权重分配，有效地提高了预计到达时间的准确性。
一方面，本申请实施例提供了一种用于确定预计到达时间的方法，该方法包括：
获取待预估路线中每条路段的路段特征，该待预估路线包括至少一条路段；
对每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征；
利用路线特征预测所述待预估路线对应的预计到达时间。
一方面，本申请提供了一种用于确定预计到达时间的装置，该装置包括：
路段特征获取模块，用于获取待预估路线中每条路段的路段特征，该待预估路线包括至少一条路段；
注意力分配模块，用于对每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征；
到达时间预估模块，用于利用路线特征预测待预估路线对应的预计到达时间。
一方面，本申请实施例提供一种设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如上述第一方面的用于确定预计到达时间的方法。
一方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序用于实现如上第一方面的用于确定预计到达时间的方法。
本申请实施例中提供的用于确定预计到达时间的方法、装置、设备及介质，通过获取待预估路线中每条路段的路段特征，该待预估路线包括至少一条路段，并对每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征，利用路线特征预测待预估路线对应的预计到达时间。该方案通过对待预估路线的每条路段的路段特征进行注意力权重分配，来提取各路段的局部特征，有效地提高局部拥堵场景的预计到达时间的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请实施例提供的确定预计到达时间的应用系统的系统架构图；
图2为本申请实施例提供的确定预计到达时间方法的流程示意图；
图3为本申请实施例提供的注意力分配模型的结构示意图；
图4为本申请实施例提供的对所述每条路段的路段特征进行注意力权重分配方法的流程示意图；
图5为本申请实施例提供的待训练的注意力分配模型和全连接网络模型的结构示意图；
图6为本申请实施例提供的确定预计到达时间方法的流程示意图；
图7为本申请实施例提供的注意力分配模型和全连接网络模型的结构示意图；
图8为本申请实施例提供的得到待预估路线的预计到达时间和对应的评价指标方法的流程示意图；
图9为本申请实施例提供的得到待预估路线的预计到达时间和对应的评价指标的结构示意图；
图10为本申请实施例提供的训练预测模型方法的流程示意图；
图11为本申请实施例提供的用于确定预计到达时间装置的结构示意图；
图12为本申请另一实施例提供的用于确定预计到达时间装置的结构示意图；
图13为本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。为了便于理解，下面对本申请实施例涉及的一些技术术语进行解释：
人工智能(Artificial Intelligence，简称AI)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、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
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。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件主要包括计算机视觉、语音处理技术、自然语言技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning，简称ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎么模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习使人工智能的核心，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。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
路线，是指从一地到另一地所经过的道路。在地图应用中，是一条完整的连接起点和终点的线路。在实际场景中，路线的长度一般在一公里至几十公里的范围内。
路段，是路线的一个单元，在地图中路线被划分为一段或者多段的线段，每个线段称为一条路段，每个路段可以对应有唯一的标识。例如，可以根据路线中所涉及的各个小的街区，将路线划分为多个路段。相应的，路线可以看成是一个或多个路段构成的路段序列，在实际场景中，路段的长度一般在几十米至几公里等范围。
注意力机制，是指根据输入信息的注意力分布来计算输入信息的加权平均。
卷积神经网络(Convolutional Neural Network，简称CNN)是一类包括卷积运算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。
预计到达时间(Estimated Time of Arrival，简称ETA)，也称预计到达时间，是指按照通行方式预估通行一条路线所需耗费的估计时长，例如给定地图中的一条路线，假设用户使用交通工具通行该线路或者采用步行方式通行该条路线所需耗费的时间。
实际到达时间((Actual Time of Arrival，简称ATA)，是指按照确定通行方式实测通行一条路线所需的实际时长。例如，在地图服务的历史数据中，统计出行驶完一条路线所需的实际时长。在本申请实施例中，路线的实际到达时间可以用于训练用于预估路线到达时间的预测模型。
自由流速度，是指车辆在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，路段平均速度和小客车的平均速度，交通流的理论速度是指交通密度趋于零时的速度；路段平均速度是指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；小客车的平均速度是指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。
如相关技术中提到的，移动终端可以获取到所需的路线信息，例如通过地图导航应用程序，或者内置在应用程序中调用接口获取内置地图数据或者外部提供的地图数据，地图导航应用程序可以根据起点和终点计算预计到达时间，以便向用户规划提供优选的行驶路线。目前，基于规则的逐路段累加方法或者基于树模型的机器学习算法计算预计到达时间准确率都较低。例如，基于规则的逐路段累加方法，其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，并加上每个路口的通过时间，得到整条路线的总时间。该方法在路况复杂的情况下，无法覆盖所有情形，导致预计的到达时间不准确，如果其中某个路段预计时间存在误差，该误差会累积计算，导致最终针对整条路线得到的预计到达时间的准确率较低。
基于树模型的机器学习算法，是先提取出整条路线的特征，例如全程总路程、触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，然后采用机器学习算法将这些特征输入树模型中进行训练。这类算法常采用的是梯度提升决策树(Gradient BoostingDecision Tree，简称GBDT)算法。该方法只考虑了路线的整体特征，未考虑各路段的局部特征，采用该方法预估得到的预计到达时间与实际到达时间偏差较大。
基于上述缺陷，本申请提供了一种确定预计到达时间的方法，期望提高线路的预计到达时间的准确率。
本申请实施例提供的确定预计到达时间的方法，应用于任何需要进行预计到达时间估测的场景。例如在导航应用程序中，在获取待预估路线的起点位置和终点位置后，可以获取待预估路线对应的预计到达时间，或者用户在按照导航路径的行驶过程中之后，通过预估的预计到达时间持续地向用户报告剩余行程所需要的时间。例如在外卖应用程序中，根据客户位置、店铺位置、快递员位置计算出快递员从取餐到送餐地总耗时，为快递员合理地分配订单。再例如，在打车应用程序中，根据用户位置和车辆位置，为用户规划合理的出行车辆。
图1是本申请实施例提供的一种用于确定预计到达时间方法的实施环境架构图。如图1所示，该实施环境架构包括：终端100和服务器200。
终端100可以是智能手机、平板电脑以及电子书阅读器等移动终端，智能电视、智能电视机顶盒等智能家居设备，还可以是智能眼镜、智能手表等智能可穿戴设备，本申请实施例对此不进行具体限定。
其中，终端100上可以安装有地图应用程序(Application，简称App)，或者包含地图功能的应用程序，用户可以通过该应用程序进行路线查询、地点查询等操作。
服务器200可以是一台服务器，也可以是由若干台服务器构成的服务器集群，或者服务器200可以包含一个或多个虚拟化平台，或者服务器200可以是一个云计算服务中心。
其中，服务器200可以为上述终端100中安装的应用程序提供后台服务。
终端100与服务器200之间通过有线或无线网络建立通信连接。可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan AreaNetwork，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。
用户通过应用程序进行路线查询时，可以在应用程序提供的操作界面上输入起点位置和终点位置，并将起点位置和终点位置发送至服务器200，服务器200在接收到该起点位置和终点位置后，基于各种规划策略向用户提供一条或多条路线给终端100。其中起点位置和终点位置的选取方式，可以是通过语音数据方式，基于人工智能语音识别算法从获取的语音数据中识别出起点位置和终点位置，还可以通过接收用户针对地图数据输入的选择指令，基于选择指令确定起点位置和终点位置。
为了便于理解和说明，下面通过图2至图13详细阐述本申请实施例提供的用于确定预计到达时间的方法、装置、设备及介质。
图2所示为本申请实施例的用于确定预计到达时间的方法的流程示意图，该方法可以由用于确定预计到达时间的装置执行，该用于确定预计达到时间的装置可以预先安装在上述图1所示的服务器200或者终端100。如图2所示，该方法包括：
S101、获取待预估路线中每条路段的路段特征，该待预估路线包括至少一条路段。
具体的，该待预估路线可以是基于起点位置和终点位置确定的完整线路。待预估线路可以包括一条路段，或者包括多条路段。即待预估线路可以用路段序列来表征。每条路段在地图数据中相当于一条线段。每条路段分配与之对应的唯一的路段标识，即link ID。
调用地图数据根据不同的推荐策略，可以获得相同的起点位置和终点位置对应的多条推荐路线，每一条推荐路线都可以作为待预估线路。推荐策略，例如是换乘次数最少，或者步行时间最少，或者红绿灯数最少，或者用时最少等。这里对推荐策略不作限定。
本申请实施例中，上述待预估路线可以包括一条路段，或者多条路段。与每条路段对应的路段特征为影响该路段的通行时长的特征。路段特征例如可以包括每个路段的长度、道路等级、自由流速度、平均限速、平均车速、红绿灯个数、拥堵里程占比、当前时刻的路况等。
S102、对每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征。
在获取到每条路段的路段特征后，针对路段特征进行注意力权重分配，例如其可以通过在卷积神经网络中引入注意力机制，或者通过预先构建的注意力分配模型来进行注意力权重分配。注意力分配模型可以是基于深度神经网络模型构建的，用于捕捉每条路段的局部特征。
在获得每条路段的局部特征之后，利用局部特征进行加权求和得到待预估线路的路线特征。本申请实施例中通过对每条路段进行注意力权重分配，来捕捉路段的局部特征，通过增加拥堵路段的注意力权重，来提升在局部拥堵场景中待预估路线对应预计到达时间的估计准确性。
优选地，本申请实施例还可以通过并行地对每条路段的路段特征进行特征提取和注意力权重分配，来降低算法的复杂度，提高预计到达时间的处理效率。
并行地对每条路段的路段特征进行特征提取和注意力权重分配，分别得到路段中间特征和路段注意力权重特征。路段中间特征是针对待预估线路所包含的各个路段的路段特征进行卷积处理得到的特征。路段注意力权重特征是针对待预估线路所包含的各个路段的路段特征进行加权平均处理得到的特征。
基于路段中间特征和路段注意力权重特征得到待预估路线的路线特征。路线特征是针对路段中间特征和路段注意力权重特征进行按位相乘处理得到的特征。
在确定路段中间特征时，针对待预估线路所包含的每条路段的路段特征利用一维卷积结构进行特征提取，得到路段中间特征。该路段中间特征为对提取的相邻路段特征进行卷积处理后得到的特征，可以包括待预估路线的每条路段的长度、平均车速、平均限速等特征。
在获取到待预估路线中的每条路段的路段特征后，可以根据待预估路线上不同路段的路况、车速等不同的路段特征，通过注意力机制，为不同的路段分配不同的路段注意力权重特征。其中，不同路段特征分配的路段注意力权重特征不相同。
为降低注意力权重分配处理算法的复杂度，本申请提出一种优选的注意力分配模型来实现注意力权重的分配。
通过调用注意力分配模型对每条路段的路段特征进行特征提取和注意力权重分配，该注意力分配模型包括至少一层并行特征结构。并行特征结构包括特征提取子模型和注意力权重分配子模型。请参见图3，图3为注意力分配模型的结构示意图。图3示出的注意力分配模型300包括两层并行特征结构，第一层并行特征结构301和第二层并行特征结构302，其中，第一层并行特征结构301包括特征提取子模型3011和注意力权重分配子模型3012。第二层并行特征结构302包括特征提取子模型3021和注意力权重分配子模型3022。
注意力分配模型300也可以仅包括一层并行特征结构(图中未示出)。
其中特征提取子模型用于对每条路段的路段特征进行特征提取，得到路段中间特征，注意力权重分配子模型用于对每条路段的路段特征进行注意力权重分配，得到路段注意力权重特征。
需要说明的是，在获取到待预估路段中每条路段的路段特征后，可以先将该每条路段的路段特征输入注意力分配模型中至少一层并行特征结构中的第一层并行特征结构，通过并行地将每条路段的路段特征输入第一层并行特征结构中的特征提取子模型和注意力权重分配子模型进行特征提取和注意力权重分配，从而得到第一路段中间特征和第一路段注意力权重特征，并对第一路段中间特征和第一路段注意力权重特征进行加权平均处理，得到第一输出路段特征，该第一输出路段特征为对路段特征进行注意力权重分配后得到的路段特征，可以反映各个路段的重要程度，对于拥堵或通行缓慢的路段分配较高的注意力权重。
将第一输出路段特征继续通过注意力分配模型中的第二层并行特征结构，通过与第一层并行特征结构相同的处理方法对第一输出路段特征再次进行特征提取和注意力权重分配，得到第二输出路段特征，直到通过最后一层并行特征结构的特征提取子模型输出路段中间特征，以及通过最后一层注意力权重分配子模型输出路段注意力权重特征，并将最后一层特征提取子模型输出路段中间特征和最后一层注意力权重分配子模型输出路段注意力权重特征进行加权平均处理，得到待预估路线的路线特征。其中，该路线特征包含待预估路线的整体路段的局部特征，包含了从多个路段对应的多个路段特征提取得到的综合特征。
可选的，在通过注意力权重分配子模型对每条路段的路段特征进行注意力权重分配时，如图4所示，可以通过如下方法步骤实现，该方法包括：
S201、对待预估路线的所有路段的路段特征进行平均值计算，确定平均路段特征。
S202、将每条路段的路段特征与平均路段特征进行作差计算，得到每条路段对应的差值。
S203、将每条路段对应的差值进行卷积和激活函数处理，得到每条路段的路段注意力权重特征。
在获取到待预估路线中的每条路段的路段特征后，可以对待预估路段的所有路段的路段特征计算平均值，得到平均路段特征，并计算每条路段的路段特征与平均路段特征的差值，然后对该组差值进行卷积处理，并在卷积后经过激活函数处理，从而得到每条路段对应的路段注意力权重特征。
其中，上述激活函数可以是Sigmoid函数，也可以是Tanh函数，还可以是ReLU函数，通过将卷积处理后的矩阵经过激活函数处理，能够将其映射到0～1之间。
S103、利用路线特征预测待预估路线对应的预计到达时间。
本实施例中，在通过注意力分配模型得到待预估路线的路线特征后，可以将该路线特征进行池化处理，得到待预估路线的特征向量，并对该特征向量进行预测处理，得到待预估路线对应的预计到达时间。
可选的，在对路线特征进行池化处理时，可以是最大池化处理，也可以是平均池化处理，通过对路线特征进行池化处理，能够对路线特征降维处理，压缩数据和参数的数量，减少过拟合，同时提高模型输出的容错性。
可选的，在对特征向量进行预测处理时，可以使用全连接网络模型，也可以使用DeepFM模型，还可以是密集网络(DenseNet)等其他神经网络模型。其中，全连接网络是串行结构的融合网络，DeepFM是并行结构的融合网络。优选地，全连接网络模型是多层级联的全连接层构建的。
在本申请实施例调用预先构建的注意力分配模型可以采用梯度下降算法进行训练得到。下面结合图5，以注意力分配模型包括两层并行特征结构，全连接网络模型包括两层接连的全连接层为例，详细说明训练注意力分配模型的过程。
如图5所示，待训练的注意力分配模型300'包括两层待训练的并行特征结构，第一层待训练并行特征结构301'和第二层待训练并行特征结构302'，第一层待训练并行特征结构301'，其包括待训练特征提取子模型3011'和待训练注意力权重分配子模型3012'。第二层待训练并行特征结构302'，其包括待训练特征提取子模型3021'和待训练注意力权重分配子模型3022'。
该待训练的模型还包括池化层303和待训练的待训练的全连接网络模型304。
构建训练数据集阶段，该训练数据集包括多个待预估线路为{L1，…，LK}，K取正整数。路段序列包括N条路段{link1，link2，…，linkN}，N取正整数。每条路段对应的M个训练路段特征为{f1，f2，…，fM}，M取正整数。训练路段的路段特征为影响训练路段的通行时间的特征，可以包括每个训练路段的长度、平均车速、平均限速、红绿灯个数、拥堵里程比等。该训练数据集还包括：与每条待预估线路对应的实际到达时间ATA。
在将每条路段的路段特征{f1，f2，…，fM}通过待训练的注意力分配模型300'的第一层待训练并行特征结构301'进行特征提取和注意力权重分配后，得到第一训练输出路段特征，然后将第一训练输出路段特征输入到第二层待训练并行特征结构302'，得到第二训练输出路段特征。
将第二训练输出路段特征通过池化层进行池化处理，得到特征向量，并将特征向量通过两个全连接层依次进行全连接处理，得到训练路线对应的预计到达时间ETA。
在获取到每个训练路段的路段特征后，先初始化注意力分配模型和全连接网络模型参数，得到待训练的注意力模型和全连接网络模型，并将每个训练路段的路段特征输入待训练注意力分配模型，得到训练路线特征，并将训练路线特征进行池化层池化处理后输入待训练的全连接网络模型，得到训练路线的预计到达时间ETA，并根据训练路线的预计到达时间ETA和完成该训练路线的实际到达时间ATA，计算损失函数loss(ETA,ATA)，按照训练算法迭代查找损失函数最小化时对应的待训练的注意力分配模型和全连接网络模型作为注意力分配模型和全连接网络模型。
可选的，该损失函数可以是平方损失函数，还可以是绝对值损失函数，其中，平方损失为：
loss(ETA,ATA)＝(ETA-ATA)2
绝对值损失可以是：
loss(ETA,ATA)＝|ETA-ATA|根据平方损失或绝对值损失计算得到训练数据的平均值损失：
Figure BDA0002539715380000121
依次求出平均值损失对模型中每层并行特征结构对应的参数θ的梯度，利用梯度下降法更新该参数θ，可以通过如下公式更新模型参数θ：
θ＝θ-α·梯度
其中，α为学习速率，根据经验值进行设定。
本实施例中通过机器学习算法训练构建注意力分配模型，明显降低了算法复杂度，其他相关注意力机制的算法复杂度为o(n2)，本申请实施例提供的注意力分配模型的算法复杂度仅为o(n)。
本申请实施例通过上述训练方法构建的注意力分配模型，其算法复杂度明显降低，提高了预计到达时间的处理效率。
为了更好的理解本申请实施例，下面结合图6-7来进一步说明本申请提出的用于确定预计达到时间的方法的完整流程图方法。
如图6所示，该方法可以包括以下步骤：
S301、获取待预估路线中每条路段的路段特征。
可选的，该每条路段的路段特征可以是从用户指定的位置获取的待预估路线中每条路段的路段特征，也可以是通过其他外部设备导入的待预估路线中每条路段的路段特征，还可以是用户输入的与待预估路线中每条路段相关的路段特征，本实施例对此不做限定。
S302、调用注意力分配模型对每条路段的路段特征进行特征提取和注意力权重分配，该注意力分配模型包括至少一层并行特征结构，每层并行特征结构包括特征提取子模型和注意力分配子模型。
S303、基于注意力分配模型的最后一层特征提取子模型输出的路段中间特征和最后一层注意力权重分配子模型输出的路段注意力权重特征，确定待预估路线的路线特征。
S304、对路线特征进行池化处理，得到待预估路线的特征向量。
S305、利用全连接网络模型对特征向量进行预测处理，得到待预估路线对应的预计到达时间。
上述步骤302中调用的注意力分配模型可以如图7所示，该注意力分配模型300包括两层并行特征结构，分别为第一层并行特征结构301和第二层的并行特征结构302，以及池化层330和全连接网络模型340，其中，全连接网络模型包括两个全连接层，分别为第一全连接层和第二全连接层。
示例性地，以地图软件的实际应用场景为例，用户可以输入起点和终点，例如起点位置为清华科技园，终点位置为海洋公园，从起点位置至终点位置有多条路线，包括路线1、路线2和路线3，需要将每条路线作为待预估路线，确定待预估路线的预计到达时间，并从多条路线中选择预计到达时间最短的路线作为最优路线。以路线1为例，先获取到路线1中每条路段的路段特征，例如路线1包括n条路段，每条路段包括m个路段特征，n、m取正整数，该m个路段特征可以包括路段长度、路段等级、平均限速、红绿灯个数、拥堵里程占比等路段特征。将路线1中n条路段的m个路段特征处理为大小是n*m维的矩阵，可以调用注意力分配模型对每条路段的路段特征进行特征提取和注意力权重分配，即对该路段特征分别进行两个分支处理，其中如图7并行特征结构中左边的分支，其为特征提取处理过程，图7并行特征结构中右边的分支为注意力权重分配处理过程。
在进行左边分支处理时，可以提取当前路段特征的相邻的两个路段特征，并对相邻的两个路段特征进行卷积处理，得到待预估路线的路段中间特征，为大小是n*m维的矩阵。该路段中间特征为对相邻两个路段特征进行卷积处理后得到的特征。例如得到的路段中间特征为如下n*m维的矩阵：
Figure BDA0002539715380000141
其中，Pnm为对第n个路段的第m个路段特征的相邻路段特征卷积处理后的特征。
对于右边分支进行处理时，可以对路线1的所有特征进行平均值计算，得到平均路段特征，该平均路段特征为m维向量，并将每个路段的路段特征与该平均路段特征作差处理，得到每条路段对应的差值，该差值大小为n*m维的矩阵，然后对该差值进行卷积处理，卷积处理后经过激活函数进一步处理，从而得到每条路段的路段注意力权重特征，该路段注意力权重特征大小为n*m的矩阵。该路段注意力权重特征为路线1的n个路段中每个路段的m个路段特征对应的注意力权重系数，得到的路段注意力权重特征为如下n*m维的矩阵：
Figure BDA0002539715380000142
其中，anm为第n个路段的第m个路段特征对应的路段注意力权重。例如：路线1的第1个路段的第1个路段特征为路段长度，该路段长度对应的路段注意力权重特征a11可以为0.4，第1个路段的第2个路段特征为路段等级，该路段等级对应的路段注意力权重特征a12为0.5。其中，某个路段的路段注意力权重特征越大，则对该路段对应的路段特征需要分配更多的注意力。
在得到左右两个分支的路段中间特征和路段注意力权重特征后，对其进行按位相乘，得到一组新的特征，大小为n*m维矩阵，例如，可以使用Hadamard乘法，并经过与上述相同的操作过程进行处理，直到将注意力机制模型的最后一层特征提取子模型输出的路段中间特征，和最后一层注意力权重分配子模型输出的路段注意力权重特征进行按位相乘，得到路线1的路线特征，为大小为n*m维的矩阵：
Figure BDA0002539715380000151
其中，Pnm×anm表示第n个路段的第m个路段特征对应的路线特征。该路线特征为从第n个路段对应的多个路段特征提取得到的综合特征，包含了对每个路段按照时间影响力进行权重分配后的注意力权重，如n个路段的每个路段的拥堵程度、路段长度的重要度、路段等级的重要度、平均限度程度等。
将路线特征经过池化层进行池化处理，得到大小为m维的特征向量，将特征向量依次输入全连接网络模型中的第一全连接层和第二全连接层进行全连接处理，得到路线1对应的预计到达时间。
通过上述方法可以确定出起点位置为清华科技园，终点位置为海洋公园的路线2和路线3的预计到达时间，并从多条路线中选择预计到达时间最短的路线作为最优出行路线。
以下为本实施例提供的确定预计到达时间方法与利用传统的梯度提升决策树方法确定预计到达时间比较结果。表1为本申请实施例提供的确定预计到达时间方法和传统的基于梯度提升决策树的方法进行时间预估的对比表。其中，平均绝对误差(MeanAbsolute Percent Error，简称MAPE)是一种常用的衡量预测效果的指标，其值越低，表示预测越准确。
平均百分误差(Mean Percentage Error，简称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。对于ETA预估问题而言，在同样的偏差下，预测的时间偏长一些对用户体验的伤害更小一点，因此，在绝对值相同时，大于零的MPE要好于小于零的MPE。
优良率和差评率是基于用户体验定义的两个指标，优良率可以反映用户的满意度，差评率反映了对用户伤害的程度。
Figure BDA0002539715380000161
从上述表1中可以看出，相比于传统的梯度提升决策树，本申请实施例提供的确定预计到达时间的方法不仅MAPE指标更低，而且MPE指标更接近于0，从负值变为正值。从优良率和差评率上看，本实施例提供的时间预估方法能够显著提升用户体验。从而表明，与传统的ETA预估方法相比，本申请实施例提供的确定预计到达时间的方法可以提升预测的准确率。
当对用户规划优选的出行路线时，在对特征向量进行预测处理时，还可以通过确定预计到达时间的评价指标来进一步为用户规划更优选的出行路线。在上述实施例的基础上，图8为本实施例提供的确定待预估路线的预计到达时间和评价指标方法的流程示意图。如图8所示，该方法包括：
S401、获取待预估路线中每条路段的路段特征。
S402、并行地对每条路段的路段特征进行特征提取和注意力权重分配，分别得到路段中间特征和每条路段的路段特征所对应的路段注意力权重特征。
S403、基于路段中间特征和路段注意力权重特征确定待预估路线的路线特征。
S404、对路线特征进行池化处理，得到待预估路线的特征向量。
S405、对特征向量进行预测处理，得到待预估路线对应的预计到达时间。
S406、对特征向量进行预估评价预测处理，得到待预估路线的预计到达时间的评价指标，该评价指标用于表示预计到达时间的不确定度。
具体的，请参见图9所示，在获取到每条路段的路段特征后，并行地对每条路段的路段特征进行特征提取和注意力权重分配。图9以注意力分配模型包括两层并行特征结构为例示出，通过调用预先训练好的注意力分配模型300并行地对每条路段的路段特征进行特征提取和注意力权重分配，该注意力分配模型300以两层并行特征结构示出，包括第一层并行特征结构301和第二层并行特征结构302，第一层并行特征结构包括特征提取子模型3011和注意力分配子模型3012。将每条路段的路段特征输入第一层并行特征结构中，通过特征提取子模型进行特征提取得到路段中间特征，并通过注意力分配子模型进行注意力权重分配得到路段注意力权重特征，对其进行按位相乘得到第一输出路段特征，并将第一输出路段特征输入第二层并行特征结构中进行与第一层并行特征结构相同的处理得到第二输出路段特征，从而基于最后一层特征提取子模型输出的路段中间特征和最后一层注意力权重分配子模型输出的路段注意力权重特征，确定待预估路线的路线特征。然后对路线特征通过池化层330进行池化处理，得到待预估路线的特征向量，并调用预先构建的预测模型350对特征向量进行预估时间预测处理和预估评价预测处理，得到待预估路线对应的预计到达时间，以及评价指标。其中，该评价指标用于表示预计到达时间的不确定度。
需要说明的是，预计到达时间的不确定度是指对预计到达时间的不能肯定的程度，也表明预计到达时间的可信赖度。其中，不确定度越小，表示待预估路线的预计到达时间与实际到达时间愈接近，不确定度越高，表示待预估路线的预计到达时间与实际到达时间愈远离。
其中，上述评价指标可以是预估评价方差。在对特征向量进行预测处理时，可以通过调用预先构建的预测模型对特征向量进行预测处理，得到待预估路线对应的预计到达时间和预估评价方差，该预测模型350是预先基于训练路段的预计到达时间、实际到达时间和预估方差按照训练算法进行训练构建。可选的，该预测模型可以包括第一全连接网络模型351和第二全连接网络模型352，其中，第一全连接网络模型通过对特征向量进行处理输出预计到达时间，第二全连接网络模型通过对特征向量进行处理输出预计评价方差。
示例性地，在为用户规划最优路线时，为用户提供了多条待选路线，且该待选路线的预计到达时间相同，但预估评价方差不同，可以通过比较预估评价方差的大小，将预估评价方差小的路线确定为更优路线，从而推荐给用户。
本实施例中通过注意力分配模型得到路线特征后，并通过调用预先构建的预测模型进行预测处理后，得到待预估路线对应的预计到达时间和预估评价方差，能够基于预估评价方差表示的不确定度，进一步使得为用户推荐的优选路线准确度更高。
上述实施例中包括训练好的预测模型，以下为构建上述预测模型过程的描述。图10为构建预测模型方法的流程示意图。如图10所示，该方法包括：
S501、构建历史训练数据，历史训练数据包括历史训练线路的训练路段的训练路段特征和训练路线对应的实际到达时间。
获取历史数据，并从历史数据中获取多条训练路线，其中，每条训练路线包括多个训练路段的路段特征，并确定出每条训练路线的路段特征和完成每条训练路线的实际到达时间。该训练路段的路段特征为影响训练路段的通行时间的特征，可以包括每个训练路段的长度、平均车速、平均限速、红绿灯个数、拥堵里程比等。
在获取到每个训练路段的路段特征后，可以先初始化注意力分配模型和预测模型参数，得到待训练注意力分配模型和待训练预测模型。
S502、将训练路段的路段特征输入待训练注意力分配模型，得到训练路线的路线特征。
S503、将训练路线的路线特征输入待训练预测模型进行预测处理，得到训练路线的预计到达时间和预估方差。
将训练路段的路段特征输入待训练注意力分配模型进行特征提取和注意力分配后，得到训练路线的路线特征，并将训练路段的路段特征输入待训练预测模型进行预测处理，从而得到训练路线的预计到达时间和预估方差。该待训练预测模型可以包括第一待训练预测模型和第二待训练预测模型，其中，第一待训练预测模型用于输出训练路线的预计到达时间，第二待训练预测模型用于输出训练路线的预估方差。
S504、基于实际到达时间、训练路线的预计到达时间和预估方差，计算损失函数。
S505、按照训练算法迭代查找所述损失函数最小化时对应的待训练预测模型为预测模型。
在得到实际到达时间、训练路线的预计到达时间和预估方差后，可以使用最大似然估计的方法计算损失函数。
具体的，设y为训练路线的实际到达时间，μ表示训练路线的预计到达时间，σ表示预估标准差，Var表示预估方差。由于μ和Var为通过待训练的注意力分配模型和待训练预测模型预测得到的值，因此为网络参数的函数，可以写成μ(θ)和Var(θ)，其中，θ为网络网络参数。
假设概率密度函数为：
Figure BDA0002539715380000191
对于N个独立同分布的数据点，即N条待训练路线，其对数似然函数为：
Figure BDA0002539715380000201
其中，μi为第i条训练路线的预计到达时间，σi为第i条训练路线的预估标准差，yi为第i条训练路线的实际到达时间。
因此，最大化对数似然函数，等价于最小化下面目标函数：
Figure BDA0002539715380000202
因此，对于单个样本，即对于单个训练路线，其损失函数为：
Figure BDA0002539715380000203
其中，μ(θ)为预计到达时间与模型参数的函数，Var(θ)为预估方差与模型参数的函数，y为实际到达时间。
按照损失函数最小化，更新模型参数，且损失函数最小化时对应的待训练注意力分配模型为注意力分配模型，对应的待训练预测模型为预测模型，可以在输入待预估路线的各个路段的路段特征后，通过注意力分配模型和预测模型，同时预测得到待预估路线对应的预计到达时间和预估评价方差。
本实施例中通过机器学习算法训练注意力分配模型和预测模型，不仅降低了算法复杂度，而且提高了处理效率，进而能够使得待预估路线通过训练好的注意力分配模型和预测模型进行处理后，不仅能够得到预计到达时间，而且能够得到预估评价方差，进一步根据预估评价方差和预计到达时间规划的优选的路线更加精确。
另一方面，图11为本申请实施例提供的一种用于确定预计到达时间的装置的结构示意图。该装置可以为终端或服务器内的装置，如图11所示，该装置700包括：
路段特征获取模块710，用于获取待预估路线中每条路段的路段特征，所述待预估路线包括至少一条路段；
注意力分配模块720，用于对所述每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征；
到达时间预计模块730，用于利用所述路线特征预测所述待预估路线对应的预计到达时间。
可选的，参见图12，上述注意力分配模块720，包括：
注意力分配单元721，用于并行地对所述每条路段的路段特征进行特征提取和注意力权重分配，分别得到路段中间特征和每条路段的路段特征所对应的注意力权重；
路线特征确定单元722，用于基于所述路段中间特征和所述注意力权重确定所述待预估路线的路线特征。
可选的，上述注意力分配单元721，具体用于：
调用注意力分配模型对所述每条路段的路段特征进行特征提取和注意力权重分配，所述注意力分配模型包括至少一层并行特征结构，每层并行特征结构包括特征提取子模型和注意力权重分配子模型，其中所述特征提取子模型用于对所述每条路段的路段特征进行特征提取，得到路段中间特征；所述注意力权重分配子模型用于对所述每条路段的路段特征进行注意力权重分配，得到路段注意力权重特征；
基于注意力分配模型的最后一层特征提取子模型输出的路段中间特征和最后一层路段注意力权重分配子模型输出的路段注意力权重特征，确定所述待预估路线的路线特征。
可选的，上述注意力分配单元721，具体用于：
对所述待预估路线的所有路段的路段特征进行平均值计算，确定平均路段特征；
将所述每条路段的路段特征与所述平均路段特征进行作差计算，得到每条路段对应的差值；
将所述每条路段对应的差值进行卷积和激活函数处理，得到所述每条路段的注意力权重。
可选的，上述到达时间预计模块730，包括：
特征向量确定单元731，用于对所述路线特征进行池化处理，得到所述待预估路线的特征向量；
到达时间预计单元732，用于对所述特征向量进行预测处理，得到所述待预估路线对应的预计到达时间。
可选的，上述到达时间预计单元732，具体用于：
对所述特征向量进行预估时间预测处理，得到所述待预估路线对应的预计到达时间；或者，对所述特征向量分别进行预估时间预测处理和预估评价预测处理，得到所述待预估路线的预计到达时间和预计到达时间的评价指标，所述评价指标用于表示所述预计到达时间的不确定度。
可选的，上述到达时间预计单元732，具体用于：
调用预先构建的预测模型对所述特征向量进行预估时间预测处理和预估评价预测处理，得到所述待预估路线对应的预计到达时间和预估评价方差，所述预测模型是基于路段的预计到达时间和预估评价方差构建的损失函数按照训练算法进行训练构建的。
可以理解的是，本实施例的用于确定预计到达时间的装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，在此不再赘述。
综上所述，本申请实施例提供的用于确定预计到达时间的装置，路段特征获取模块获取待预估路线中每条路段的路段特征，该待预估路线包括至少一个路段，并通过注意力分配模块对每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征，通过到达时间预估模块利用路线特征预测待预估路线对应的预计到达时间。该装置通过对待预估路线的每条路段的路段特征进行注意力权重分配，来提取各路段的局部特征，有效地提高局部拥堵场景的预计到达时间的准确性。
本申请实施例提供的设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如上述的用于确定预计到达时间的方法。下面参考图13，图13为本申请实施例的终端设备或服务器的计算机系统的结构示意图。
如图13所示，计算机系统1300包括中央处理单元(CPU)1301，其可以根据存储在只读存储器(ROM)1302中的程序或者从存储部分1303加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。在RAM 1303中，还存储有系统1300操作所需的各种程序和数据。CPU 1301、ROM1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
以下部件连接至I/O接口1305：包括键盘、鼠标等的输入部分1306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307；包括硬盘等的存储部分1308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1310上，以便于从其上读出的计算机程序根据需要被安装入存储部分1308。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1303从网络上被下载和安装，和/或从可拆卸介质1311被安装。在该计算机程序被中央处理单元(CPU)1301执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器，包括：路段特征获取模块、注意力分配模块和到达时间预估模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，路段特征获取模块还可以被描述为“用于获取待预估路线中每条路段的路段特征”的模块。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或者多个程序，当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的用于确定预计到达时间的方法：获取待预估路线中每条路段的路段特征；对每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征；利用所述路线特征预测待预估路线对应的预计到达时间。
综上所述，本实施例中提供的用于确定预计到达时间的方法、装置、设备及介质，通过获取待预估路线中每条路段的路段特征，该待预估路线包括至少一条路段，并对每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征，利用路线特征预测待预估路线对应的预计到达时间。该方案通过对待预估路线的每条路段的路段特征进行注意力权重分配，来提取各路段的局部特征，有效地提高局部拥堵场景的预计到达时间的准确性。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种用于确定预计到达时间的方法，其特征在于，包括：
获取待预估路线中每条路段的路段特征，所述待预估路线包括至少一条路段；
对所述每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征；
利用所述路线特征预测所述待预估路线对应的预计到达时间，
其中，对所述每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征，包括：
调用注意力分配模型对所述每条路段的路段特征进行特征提取和注意力权重分配，所述注意力分配模型包括至少一层并行特征结构，每层并行特征结构包括特征提取子模型和注意力权重分配子模型，其中所述特征提取子模型用于对所述每条路段的路段特征进行特征提取，得到路段中间特征；所述注意力权重分配子模型用于对所述每条路段的路段特征进行注意力权重分配，得到路段注意力权重特征；
基于所述注意力分配模型的最后一层特征提取子模型输出的路段中间特征和最后一层注意力权重分配子模型输出的路段注意力权重特征，确定所述待预估路线的路线特征。
2.根据权利要求1所述的方法，其特征在于，对所述每条路段的路段特征进行注意力权重分配，包括：
对所述待预估路线的所有路段的路段特征进行平均值计算，确定平均路段特征；
将所述每条路段的路段特征与所述平均路段特征进行作差计算，得到每条路段对应的差值；
将所述每条路段对应的差值进行卷积和激活函数处理，得到所述每条路段的路段注意力权重特征。
3.根据权利要求1所述的方法，其特征在于，利用所述路线特征预测所述待预估路线对应的预计到达时间，包括：
对所述路线特征进行池化处理，得到所述待预估路线的特征向量；
对所述特征向量进行预测处理，得到所述待预估路线对应的预计到达时间。
4.根据权利要求3所述的方法，其特征在于，对所述特征向量进行预测处理，还包括：
对所述特征向量进行预估时间预测处理，得到所述待预估路线对应的预计到达时间；或者，
对所述特征向量分别进行预估时间预测处理和预估评价预测处理，得到所述待预估路线的预计到达时间和预计到达时间的评价指标，所述评价指标用于表示所述预计到达时间的不确定度。
5.根据权利要求4所述的方法，其特征在于，所述评价指标为预估评价方差时，则所述对所述特征向量分别进行预估时间预测处理和预估评价预测处理，包括：
调用预先构建的预测模型对所述特征向量进行预估时间预测处理和预估评价预测处理，得到所述待预估路线对应的预计到达时间和预估评价方差，所述预测模型是基于路段的预计到达时间和预估评价方差构建的损失函数按照训练算法进行训练构建的。
6.根据权利要求5所述的方法，其特征在于，所述基于路段的预计到达时间和预估评价方差构建的损失函数按照训练算法进行训练构建预测模型包括：
构建历史训练数据，所述历史训练数据包括历史训练线路的训练路段的训练路段特征和所述训练路线对应的实际到达时间；
将所述训练路段的路段特征输入待训练注意力分配模型，得到所述训练路线的路线特征；
将所述训练路线的路线特征输入待训练预测模型进行预测处理，得到所述训练路线的预计到达时间和预估方差；
基于所述实际到达时间、所述训练路线的预计到达时间和预估方差，计算损失函数；
按照训练算法迭代查找所述损失函数最小化时对应的待训练预测模型为预测模型。
7.一种用于确定预计到达时间的装置，其特征在于，所述装置包括：
路段特征获取模块，用于获取待预估路线中每条路段的路段特征，所述待预估路线包括至少一条路段；
注意力分配模块，用于对所述每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征；
到达时间预估模块，用于利用所述路线特征预测所述待预估路线对应的预计到达时间，
所述注 意力分配模块包括：
注意力分配单元，用于并行地对所述每条路段的路段特征进行特征提取和注意力权重分配，分别得到路段中间特征和每条路段的路段特征所对应的注意力权重；
路线特征确定单元，用于基于所述路段中间特征和所述注意力权重确定所述待预估路线的路线特征；
其中，所述注意力分配单元，具体用于：
调用注意力分配模型对所述每条路段的路段特征进行特征提取和注意力权重分配，所述注意力分配模型包括至少一层并行特征结构，每层并行特征结构包括特征提取子模型和注意力权重分配子模型，其中所述特征提取子模型用于对所述每条路段的路段特征进行特征提取，得到路段中间特征；所述注意力权重分配子模型用于对所述每条路段的路段特征进行注意力权重分配，得到路段注意力权重特征；
基于注意力分配模型的最后一层特征提取子模型输出的路段中间特征和最后一层注意力权重分配子模型输出的路段注意力权重特征，确定所述待预估路线的路线特征。
8.一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器用于执行所述程序时实现如权利要求1-6任一项所述的用于确定预计到达时间的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于实现如权利要求1-6任一项所述的用于确定预计到达时间的方法。
CN202010543107.6A 2020-06-15 2020-06-15 用于确定预计到达时间的方法、装置、设备及介质 Active CN111667693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010543107.6A CN111667693B (zh) 2020-06-15 2020-06-15 用于确定预计到达时间的方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010543107.6A CN111667693B (zh) 2020-06-15 2020-06-15 用于确定预计到达时间的方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111667693A CN111667693A (zh) 2020-09-15
CN111667693B true CN111667693B (zh) 2022-02-15

Family

ID=72387622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010543107.6A Active CN111667693B (zh) 2020-06-15 2020-06-15 用于确定预计到达时间的方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111667693B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488636A (zh) * 2020-12-18 2021-03-12 浪潮软件股份有限公司 一种物流配送任务的均衡调度方法
CN112686457B (zh) * 2021-01-04 2022-06-03 腾讯科技（深圳）有限公司 路线到达时间预估方法及装置、电子设备、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
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008261655A (ja) * 2007-04-10 2008-10-30 Alpine Electronics Inc 車載用オーディオ／ビデオ／ナビゲーションシステム
CN101246021B (zh) * 2007-12-18 2011-05-11 北京捷易联科技有限公司 一种智能导航的实现方法、设备及系统
US9076330B2 (en) * 2012-09-28 2015-07-07 International Business Machines Corporation Estimation of arrival times at transit stops
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
CN110942211A (zh) * 2019-12-12 2020-03-31 武汉中海庭数据技术有限公司 一种基于深度神经网络的预估达到时间预测方法及装置

Also Published As

Publication number Publication date
CN111667693A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN111667693B (zh) 用于确定预计到达时间的方法、装置、设备及介质
CN112700072B (zh) 交通状况预测方法、电子设备和存储介质
CN110400015B (zh) 一种时间估计方法及其装置、设备
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
CN111860155B (zh) 一种车道线的检测方法及相关设备
CN110537212B (zh) 确定预估到达时间的系统与方法
CN111582559B (zh) 一种到达时间的预估方法及装置
CN112382099B (zh) 交通路况预测方法、装置、电子设备及存储介质
CN110942211A (zh) 一种基于深度神经网络的预估达到时间预测方法及装置
CN112884235B (zh) 出行推荐方法、出行推荐模型的训练方法、装置
CN112435469A (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
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
CN115311860B (zh) 一种交通流量预测模型的在线联邦学习方法
CN115063274A (zh) 基于对象技术能力的虚拟现实飞行训练方案生成方法
CN112309138A (zh) 交通信号控制方法、装置、电子设备及可读存储介质
CN113643532A (zh) 一种区域交通的预测方法以及设备
CN114822019A (zh) 交通信息处理方法和装置
CN115994726B (zh) 派送路径调整方法、装置、电子设备和计算机可读介质
CN112686457B (zh) 路线到达时间预估方法及装置、电子设备、存储介质
CN114872718A (zh) 车辆轨迹预测方法、装置、计算机设备和存储介质
JP2021101286A (ja) 経路計画装置、経路計画方法、ならびに、プログラム
CN113537258A (zh) 行动轨迹预测方法、装置、计算机可读介质及电子设备
CN106781470B (zh) 城市道路的运行速度的处理方法及装置
CN111047044B (zh) Eta模型的训练方法、eta预估方法、装置及设备
CN116662815B (zh) 时间预测模型的训练方法以及相关设备

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