CN111833600B - 通行时间预测方法、装置及数据处理设备 - Google Patents

通行时间预测方法、装置及数据处理设备 Download PDF

Info

Publication number
CN111833600B
CN111833600B CN202010525883.3A CN202010525883A CN111833600B CN 111833600 B CN111833600 B CN 111833600B CN 202010525883 A CN202010525883 A CN 202010525883A CN 111833600 B CN111833600 B CN 111833600B
Authority
CN
China
Prior art keywords
predicted
road section
road
machine learning
learning 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.)
Active
Application number
CN202010525883.3A
Other languages
English (en)
Other versions
CN111833600A (zh
Inventor
高睿鹏
方君
孙付勇
郭晓宇
代麟
谭乃强
马楠
朱家言
柴华
邢薇薇
卢苇
吴国斌
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202010525883.3A priority Critical patent/CN111833600B/zh
Publication of CN111833600A publication Critical patent/CN111833600A/zh
Application granted granted Critical
Publication of CN111833600B publication Critical patent/CN111833600B/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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control

Landscapes

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

Abstract

本申请提供一种通行时间预测方法、装置及数据处理设备，所述方法包括：获得目标驾驶员的身份信息、待预测路段的路段标识信息及行驶至该待预测路段的到达时间；根据路段标识信息及到达时间，确定待预测路段在到达时间的行驶速度特征；根据目标驾驶员的身份信息及路段标识信息，确定目标驾驶员在待预测路段的驾驶行为特征；通过机器学习模型根据多个待预测路段对应的行驶速度特征及目标驾驶员的驾驶行为特征，获得由多个待预测路段组成的待预测行程的通行时间。通过将道路本身的因素和驾驶员的驾驶行为因素综合起来作为预测整个行程的通行时间，从而可以针对不同的驾驶员得出个性化的通行时间预测结果，能够使得通行时间的预测结果更加准确。

Description

通行时间预测方法、装置及数据处理设备
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种通行时间预测方法、装置及数据处理设备。
背景技术
道路的通行时间预测是路线规划、导航和流量调度中的一个重要功能，准确预估道路的通行时间有助于人们更好地规划出行路线，从而提升人们的出行效率，进而有助于缓解交通拥堵等交通问题。
当前的通行时间预测方法中，对影响通行时间的因素考虑不周全，导致得出的通行时间准确度不高，预测的通行时间相较于实际通行时间误差较大。
发明内容
为了克服现有技术中的至少一个不足，本申请的目的之一在于提供一种通行时间预测方法，所述方法包括：
获得目标驾驶员的身份信息、待预测路段的路段标识信息及行驶至该待预测路段的到达时间；
根据所述路段标识信息及所述到达时间，确定待预测路段在所述到达时间的行驶速度特征；
根据所述目标驾驶员的身份信息及所述路段标识信息，确定所述目标驾驶员在所述待预测路段的驾驶行为特征；
根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征，获得由所述多个待预测路段组成的待预测行程的通行时间。
在一些可能的实现方式中，所述目标驾驶员的身份信息及所述路段标识信息与所述驾驶行为特征的对应关系由第二机器学习模型根据所述目标驾驶员在历史行驶过程中移动终端采集的惯性运动数据学习获得；所述驾驶行为特征包括车辆行驶过程中的速度变化信息；所述方法还包括：
获取多个驾驶员在多个路段上的历史驾驶过程中，移动终端采集的惯性运动数据及定位数据作为训练样本；
将所述训练样本输入深度递归神经网络结构的所述第二机器学习模型进行训练，使所述第二机器学习模型根据所述惯性运动数据恢复出车辆实际行驶速度变化信息。在一些可能的实现方式中所述速度变化信息包括前行加速度信息及转向角速度信息。
在一些可能的实现方式中，所述方法还包括：
通过第一机器学习模型根据所述待预测路段在不同时间上车辆的行驶速度学习获得所述路段标识信息及所述到达时间与所述行驶速度特征的对应关系。
在一些可能的实现方式中，所述方法还包括：
根据多个驾驶员的历史行驶数据获得所述待预测路段在所述到达时间的平均行驶速度；
获得表征所述待预测路段的与其他路段连接关系的道路拓扑特征；
获得所述待预测路段的外部属性特征，所述外部属性特征包括表征天气的特征、表征是否为节假日的特征、表征当日为一周中哪一天的星期特征及表征所述到达时间的所属时间段的特征中的一个或多个特征；
通过所述第一机器学习模型根据所述待预测路段的平均行驶速度、道路拓扑特征及所述外部属性特征，获得所述到达时间对应的行驶速度特征。
在一些可能的实现方式中，所述通过所述第一机器学习模型根据所述平均行驶速度、道路拓扑特征及所述外部属性特征，获得所述到达时间对应的行驶速度特征的步骤，包括：
根据所述平均行驶速度、道路拓扑特征及所述外部属性特征获得所述待预测路段在所述到达时间的级联特征；
通过长短期记忆神经网络LSTM结构的所述第一机器学习模型根据所述待预测路段在所述到达时间的级联特征及所述到达时间之前的行驶速度特征，进行推演计算获得所述到达时间对应的行驶速度特征。
在一些可能的实现方式中，所述方法还包括：
获得所述待预测路段的拓扑信息，所述拓扑信息包括所述待预测路段与其他路段的连接关系；
通过图卷积神经网络结构的第四机器学习模型根据所述待预测路段的拓扑信息获得道路拓扑特征。
在一些可能的实现方式中，所述方法还包括：
所述根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征的步骤，包括：
通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征。
在一些可能的实现方式中，所述方法还包括：
从历史行驶数据中获取样本行程数据，所述样本行程数据包括多个样本路段的驾驶行为特征、行驶速度特征及总体通行时长；
将所述样本行程数据输入所述第三机器学习模型进行训练，获得训练后的第三机器学习模型。
在一些可能的实现方式中，所述方法还包括：
获取所述待预测行程中首个和最后一个待预测路段的排队拥堵特征；
所述通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征及驾驶行为特征，获得由所述多个待预测路段组成的待预测行程的通行时间的步骤，包括：
通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征、所述目标驾驶员的驾驶行为特征以及所述排队拥堵特征，获得由所述多个待预测路段组成的待预测行程的通行时间。
在一些可能的实现方式中，所述排队拥堵特征包括在所述待预测行程中首个和最后一个待预测路段进入或离开行程的其他车辆的数量。
本申请的另一目的在于提供一种通行时间预测装置，所述通行时间预测装置包括：
数据获取模块，用于获得目标驾驶员的身份信息、待预测路段的路段标识信息及行驶至该待预测路段的到达时间；
第一特征获取模块，用于根据所述路段标识信息及所述到达时间，确定待预测路段在所述到达时间的行驶速度特征；
第二特征获取模块，用于根据所述目标驾驶员的身份信息及所述路段标识信息，确定所述目标驾驶员在所述待预测路段的驾驶行为特征；
预测模块，用于根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征，获得由所述多个待预测路段组成的待预测行程的通行时间。
在一些可能的实现方式中，所述目标驾驶员的身份信息及所述路段标识信息与所述驾驶行为特征的对应关系由第二机器学习模型根据所述目标驾驶员在历史行驶过程中移动终端采集的惯性运动数据学习获得；所述驾驶行为特征包括车辆行驶过程中的速度变化信息；所述通行时间预测装置还包括：
第二训练模块，用于获取多个驾驶员在多个路段上的历史驾驶过程中，移动终端采集的惯性运动数据及定位数据作为训练样本；将所述训练样本输入深度递归神经网络结构的所述第二机器学习模型进行训练，使所述第二机器学习模型根据所述惯性运动数据恢复出车辆实际行驶速度变化信息。
在一些可能的实现方式中，所述速度变化信息包括前行加速度信息及转向角速度信息。
在一些可能的实现方式中，所述第二特征获取模块具体用于：通过第一机器学习模型根据所述待预测路段在不同时间上车辆的行驶速度学习获得所述路段标识信息及所述到达时间与所述行驶速度特征的对应关系。
在一些可能的实现方式中，所述通行时间预测装置还包括第一训练模块，用于根据多个驾驶员的历史行驶数据获得所述待预测路段在所述到达时间的平均行驶速度；获得表征所述待预测路段的与其他路段连接关系的道路拓扑特征；获得所述待预测路段的外部属性特征，所述外部属性特征包括表征天气的特征、表征是否为节假日的特征、表征当日为一周中哪一天的星期特征及表征所述到达时间的所属时间段的特征中的一个或多个特征；通过所述第一机器学习模型根据所述待预测路段的平均行驶速度、道路拓扑特征及所述外部属性特征，获得所述到达时间对应的行驶速度特征。
在一些可能的实现方式中，所述第一特征获取模块还用于：根据所述平均行驶速度、道路拓扑特征及所述外部属性特征获得所述待预测路段在所述到达时间的级联特征；通过长短期记忆神经网络LSTM结构的所述第一机器学习模型根据所述待预测路段在所述到达时间的级联特征及所述到达时间之前的行驶速度特征，进行推演计算获得所述到达时间对应的行驶速度特征。
在一些可能的实现方式中，所述通行时间预测装置还包括：
第三特征获取模块，用于获得所述待预测路段的拓扑信息，所述拓扑信息包括所述待预测路段与其他路段的连接关系；通过图卷积神经网络结构的第四机器学习模型根据所述待预测路段的拓扑信息获得道路拓扑特征。
在一些可能的实现方式中，所述预测模块具体用于：通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征。
在一些可能的实现方式中，所述通行时间预测装置还包括：
第三训练模块，用于从历史行驶数据中获取样本行程数据，所述样本行程数据包括多个样本路段的驾驶行为特征、行驶速度特征及总体通行时长；将所述样本行程数据输入所述第三机器学习模型进行训练，获得训练后的第三机器学习模型。
在一些可能的实现方式中，所述通行时间预测装置还包括：
第四特征获取模块，用于获取所述待预测行程中首个和最后一个待预测路段的排队拥堵特征；
所述预测模块具体用于通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征、所述目标驾驶员的驾驶行为特征以及所述排队拥堵特征，获得由所述多个待预测路段组成的待预测行程的通行时间。
在一些可能的实现方式中，所述排队拥堵特征包括在所述待预测行程中首个和最后一个待预测路段进入或离开行程的其他车辆的数量。
本申请的另一目的在于提供一种数据处理设备，该数据处理设备包括存储器及处理器，所述存储器存储有机器可执行指令，所述机器可执行指令在被所述处理器执行时，实现本申请提供的通行时间预测方法。
本申请的另一目的在于提供一种机器可读存储介质，存储有机器可执行指令，所述机器可执行指令在被一个或多个处理器执行时，实现本申请提供的通行时间预测方法。
相对于现有技术而言，本申请具有以下有益效果：
本申请实施例提供的通行时间预测方法、装置及数据处理设备，通过将道路本身的因素和驾驶员的驾驶行为因素综合起来作为预测整个行程的通行时间，从而可以针对不同的驾驶员得出个性化的通行时间预测结果，能够使得通行时间的预测结果更加准确。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的通行时间预测系统的示意图；
图2为本申请实施例提供的通行时间预测方法的流程示意图；
图3为本申请实施例提供的行驶速度特征提取的流程示意图；
图4为本申请实施例提供的驾驶行为特征提取的流程示意图；
图5a和图5b为本申请实施例提供的转向过程角速度变化示意图；
图6为本申请实施例提供的通行时间预测装置的功能模块示意图；
图7为本申请实施例提供的数据处理设备的示意图。
图标：100-数据处理设备；110-机器可读存储介质；111-数据获取模块；112-第一特征获取模块；113-第二特征获取模块；114-预测模块；120-处理器；200-服务请求端；300-数据库；400-网络。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“打车场景”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕打车场景进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他服务场景，比如，外卖场景、快递服务场景等。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等，或其任意组合。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中使用的定位技术可以基于全球定位系统(Global Positioning System，GPS)、全球导航卫星系统(Global Navigation Satellite System，GLONASS)，罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System，QZSS)、无线保真(Wireless Fidelity，WiFi)定位技术、北斗定位系统等，或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
值得注意的是，在本申请提出申请之前，现有的道路通行时间的预测通常是根据道路本身的一些性质进行预测，但是在实际场景中，车辆在道路上的通行时间除了受到道路本申请的影响，可能还会受到其他外部因素的影响，如驾驶员的驾驶能力或驾驶习惯等。这就导致现有的道路通行时间预测方法不能准确地的实现个性化的预测。
有鉴于此，本申请实施例提供的通行时间预测可以解决上述问题，为用户提供更准确地、个性化的通行时间预测。此外，基于本申请提供的通行时间预测方法，本实施例提供的通行时间预测系统也可以具有相同的技术效果，本实施例提供的通行时间预测系统可如下所示。
图1示出了本申请实施例所提供的一种通行时间预测系统的示意图。例如，通行时间预测系统在可以是专门用于进行通行时间预测的系统，也可以是结合在导航规划系统或者网约车服务系统等业务系统中的一个功能模块。通行时间预测系统可以包括数据处理设备100、网络400、服务请求端200和数据库300中的一种或多种，数据处理设备100中可以包括执行指令操作的处理器。
在一些实施例中，数据处理设备100可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器可以是分布式系统)。在一些实施例中，数据处理设备100相对于终端，可以是本地的、也可以是远程的。例如，数据处理设备100可以经由网络400访问存储在服务请求端200或数据库300、或其任意组合中的信息和/或数据。作为另一示例，数据处理设备100可以直接连接到服务请求端200和数据库300中至少一个，以访问存储的信息和/或数据。在一些实施例中，数据处理设备100可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。在一些实施例中，数据处理设备100可以在具有一个或多个组件的电子设备上实现。
在一些实施例中，数据处理设备100可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器可以基于从服务请求端200获得的预测请求对待预测行程的通行时间进行预测。
在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器或多核处理器)。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用指令集处理器(Application Specific Instruction-set Processor，ASIP)、图形处理单元(GraphicsProcessing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field Programmable GateArray，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing，RISC)、或微处理器等，或其任意组合。
网络400可以用于信息和/或数据的交换。在一些实施例中，服务请求处理系统中的一个或多个组件(例如，数据处理设备100，服务请求端200和数据库300)可以向其他组件发送信息和/或数据。例如，数据处理设备100可以经由网络400从服务请求端200获取服务请求。在一些实施例中，网络400可以是任何类型的有线或者无线网络，或者是他们的结合。
仅作为示例，网络400可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched TelephoneNetwork，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication，NFC)网络等，或其任意组合。在一些实施例中，网络400可以包括一个或多个网络接入点。例如，网络400可以包括有线或无线网络接入点，例如基站和/或网络交换节点，服务请求处理系统的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
在一些实施例中，服务请求端200的用户可以是除服务实际需求者之外的其他人。在一个例子中，服务请求端200的用户可以使用服务请求端200为自己的出行路线进行导航查询及通行时间预测的驾驶员；在另一个例子中，数据处理设备100请求端的用户可以是使用服务请求端200发起打车请求的用户。
在一些实施例中，服务请求端200可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏设备、导航设备、或销售点(point of sale，POS)设备等，或其任意组合。在一些实施例中，服务请求端200可以是具有用于定位服务请求方和/或服务请求方终端的位置的定位技术的设备。
数据库300可以存储数据和/或指令。在一些实施例中，数据库300可以存储不同的驾驶员的移动终端获得的数据。在一些实施例中，数据库300可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库300可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory，ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(RandomAccess Memory，RAM)；RAM可以包括动态RAM(Dynamic Random Access Memory，DRAM)，双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM，DDR SDRAM)；静态RAM(Static Random-Access Memory，SRAM)，晶闸管RAM(Thyristor-Based Random AccessMemory，T-RAM)和零电容器RAM(Zero-RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-Only Memory，MROM)、可编程ROM(Programmable Read-Only Memory，PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory，PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory，EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中，数据库300可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等，或其任意组合。
在一些实施例中，数据库300可以连接到网络400以与通行时间预测系统(例如，数据处理设备100，服务请求端200等)中的一个或多个组件通信。通行时间预测系统中的一个或多个组件可以经由网络400访问存储在数据库300中的数据或指令。在一些实施例中，数据库300可以直接连接到通行时间预测系统中的一个或多个组件(例如，数据处理设备100，服务请求端200等)；或者，在一些实施例中，数据库300也可以是数据处理设备100的一部分。
在一些实施例中，通行时间预测系统中的一个或多个组件(例如，数据处理设备100，服务请求端200等)可以具有访问数据库300的权限。在一些实施例中，当满足一定条件时，通行时间预测系统中的一个或多个组件可以读取和/或修改与服务请求方、服务提供方、或公众、或其任意组合有关的信息。例如，数据处理设备100可以在接收服务请求之后读取和/或修改一个或多个用户的信息。作为另一示例，服务提供端可以在从服务请求端200接收服务请求时访问与服务请求方有关的信息，但是服务提供端可以不修改服务请求方的相关信息。
在一些实施例中，可以通过请求服务来实现通行时间预测系统中的一个或多个组件的信息交换。服务请求的对象可以是任何产品。在一些实施方案中，产品可以是有形产品或非物质产品。有形产品可包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、或奢侈品等，或其任意组合。非物质产品可以包括服务产品、金融产品、知识产品、或互联网产品等，或其任意组合。互联网产品可以包括单独的主机产品、网络产品、移动互联网产品、商业主机产品、或嵌入式产品等，或其任意组合。互联网产品可以用在移动终端的软件、程序、或系统等，或者它们的任意组合中。移动终端可以包括平板电脑、笔记本电脑、移动电话、个人数字助理(Personal Digital Assistant，PDA)、智能手表、销售点(Point of sales，POS)设备、车载电脑、车载电视、或可穿戴设备等，或其任意组合。例如，互联网产品可以是计算机或移动电话中使用的任何软件和/或应用程序。软件和/或应用程序可以涉及社交、购物、运输、娱乐时间、学习、或投资等，或其任意组合。
图2示出了本申请实施例所提供的一种通行时间预测方法的流程示意图，下面对该方法的各个步骤进行详细解释。
步骤S110，获得目标驾驶员的身份信息、待预测路段的路段标识信息及行驶至该待预测路段的到达时间。
在本实施例中，在一种场景中，可以由用户发起使用网约车的服务请求，然后根据该服务请求携带的出发位置、目的位置及出发时间等确定一待预测行程及提供服务的目标驾驶员。
在另一种场景中，可以是由驾驶员自己通过移动终端发起导航请求，然后根据该导航请求携带的出发位置、目的位置及出发时间等确定一待预测行程，并将该驾驶员资自身确定为目标驾驶员。
其中，待预测行程可以包括多个待预测路段，每个待预测路段的到达时间可以根据前一路段的到达时间及前一路段的通行时间通过逐次推演的方式获得。
步骤S120，根据所述路段标识信息及所述到达时间，确定待预测路段在所述到达时间的行驶速度特征；其中，所述路段标识信息及所述到达时间与所述行驶速度特征的对应关系基于所述待预测路段在不同时间上车辆的行驶速度获得。
可选地，在本实施例中，所述待预测路段在到达时间的行驶速度特征可以基于对该路段上多个历史行驶数据进行统计计算或拟合计算等方式获得。在一些较佳的实现方式中，所述待预测路段在到达时间的行驶速度特征可以由预先训练的第一机器学习模型根据多种影响通行速度的因素进行特征综合提取获得。
步骤S130，根据所述目标驾驶员的身份信息及所述路段标识信息，确定所述目标驾驶员在所述待预测路段的驾驶行为特征；其中，所述目标驾驶员的身份信息及所述路段标识信息与所述驾驶行为特征的对应关系基于所述目标驾驶员在历史行驶过程中移动终端采集的惯性运动数据获得。
在影响行程通行时间的因素中，除了道路本身的一些因素，驾驶员的驾驶行为也能可能对总体通行时间产生较大影响。例如，新手驾驶员和激进的驾驶员相比，驾驶车辆在相同道路情况下的通行时间是不同的，新手可能驾驶速度相对较慢，排队等候时间较长，并且急刹车的频率可能较高，而较为激进的驾驶员可能会频繁变换车道来超车从而选择更通畅的车道快速通行。
故在本实施例中，通过采集驾驶员历史行驶过程中移动终端采集的惯性运动数据，结合机器学习模型获得驾驶员的驾驶行为特征加入预测过程中，从而可以对于每个驾驶员个体的驾驶行为进行分析，更准确的评估驾驶行为和估计个性化的出行时间。
可选地，在本实施例中，所述目标驾驶员的身份信息及所述路段标识信息与所述驾驶行为特征的对应关系，可以基于目标驾驶员在历史行驶过程中移动终端采集的惯性运动数据，通过数据统计、数据拟合、数据分类等方式获得。在一些较佳的实现方式中，所述目标驾驶员的身份信息及所述路段标识信息与所述驾驶行为特征的对应关系，也可以通过预先训练的第二机器学习模型根据所述目标驾驶员在历史行驶过程中移动终端采集的惯性运动数据学习获得；
步骤S140，根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征，获得由所述多个待预测路段组成的待预测行程的通行时间。
可选地，在本实施例中，可以根据多个待预测路段的行驶速度特征及所述目标驾驶员的驾驶行为特征，通过数据统计、分类计算等方式获得多个待预测路段的通行时间。在一些较佳的实现方式中，所述驾驶行为特征可以通过预先训练的第三机器学习模型根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员获得。
在本实施例中，通过综合道路本身的因素和驾驶员的驾驶行为因素一起预测整个行程的通行时间，从而可以针对不同的驾驶员得出个性化的通行时间预测结果，能够使得通行时间的预测结果更加准确。
可选地，请参照图3，在一些可能的实现方式中，步骤S120之前，还可以包括步骤：
步骤S210，根据多个驾驶员的历史行驶数据获得待预测路段在到达时间的平均行驶速度。
车辆轨迹是由一系列定位数据点(如GPS数据点)组成的，每个定位数据点包括时间戳数据和位置数据，根据位置数据可以确定出定位数据点对应的路段，进而可以获得路段长度及路段标识(如，路段编号linkID)。
在本实施例中，针对每个路段，可以根据时间戳以及路段长度计算各个车辆轨迹在该路段上的通行速度，然后通过汇总计算得到该路段的平均速度。
假设一条车辆轨迹位于路段li上的GPS数据点Pk:k+n的时间戳是从t到t+T，路段li的长度为
Figure BDA0002533777040000111
那么路段li的交通速度计算公式为：
Figure BDA0002533777040000112
需要注意的是，对于一条车辆轨迹数据，针对车辆轨迹起始位置的第一个路段和车辆轨迹结束的最后一个路，这两个路段的实际行驶可能长度并不完整，而且在高峰期这两个路段可能还会有额外的排队等待时延。因此，为了减小实验误差，在根据车辆轨迹数据计算路段行驶速度时，可以删除这路段上首末两个GPS点或首末两个路段的数据。
然后，统计计算多个车辆的历史轨迹数据，可以计算出每个时间间隔下(例如，可以是采用5分钟的时间间隔)每条路段的平均通行速度。
在预测过程中，根据待预测路段的路段标识及到达时间，即可查询获得待预测路段i在该到达时间时的平均行驶速度
Figure BDA0002533777040000113
步骤S220，获得表征待预测路段的与其他路段连接关系的道路拓扑特征。
在本实施例中，可以先获得所述待预测路段的拓扑信息，所述拓扑信息包括所述待预测路段与其他路段的连接关系。然后，通过图卷积神经网络结构的第四机器学习模型根据所述待预测路段的拓扑信息获得道路拓扑特征。
例如，在本实施例中，图卷积神经网络结构的第四机器学习模型可以表示为：
Figure BDA0002533777040000114
X表示特征矩阵，该特征矩阵用于记录所述待预测路段自身的特征参数，如表征该路段的道路等级、长度、宽度、限速等的参数；A表示邻接矩阵，该邻接矩阵中的矩阵元素对应于所述待预测路段周围的其他路段，矩阵元素的值通过1和0分别表示该路段是否与所述待预测路段连通；
Figure BDA0002533777040000115
表示预处理过程，
Figure BDA0002533777040000116
是具有自连接结构的矩阵，
Figure BDA0002533777040000117
是深度矩阵，
Figure BDA0002533777040000118
W0和W1分别代表第一层和第二层的权重参数矩阵，σ(·)，Relu()代表激活函数。
通过第四机器学习模型提起，可以获得待预测路段i的道路拓扑特征
Figure BDA0002533777040000121
步骤S230，获得待预测路段的外部属性特征。
一些外部属性特征可能也会影响路段的通行速度。例如，天气较好时，可能通行速度相对较快，天气较差(如，大雨天气)时，可能通行速度相对较慢。工作日时，通勤常用道路上下班时间可能道路拥堵，通行速度较慢；而节假日时，可能旅行出行常用道路会拥堵，导致通行速度较慢。综合考虑这些因素对通行速度的影响，可以使通行时间的预测更加准确。
因此在本实施例中，外部属性特征包括表征天气的特征、表征是否为节假日的特征、表征当日为一周中哪一天的星期特征及表征所述到达时间的所属时间段的特征中的一个或多个特征。
例如，表征天气的特征可以来源于第三方的数据平台或者从网上爬取的数据。天气的特征中，天气良好可以用数值0表示，天气状况差包括雨雪天气等用数值1表示，不同的路段可能对应天气特征可能是不同的。表征是否为节假日的特征中，可以用数值0表示非节假日，1表示节假日。表征当日为一周中哪一天的星期特征中，可以用数字0-6分别表示星期一到星期天共七个数据。表征所述到达时间的所属时间段的特征中，可以将对24小时以分钟来划分，一共分为从0到1439个时间片，用数值0-1439来表示其相应的时间段。
由于这些属性为类值属性，无法直接输入模型进行处理，在本实施例中可以采用嵌入方法(Embedding)，将这些离散的特征将其转化成连续向量作为待预测路段i在到达时间的外部属性特征
Figure BDA0002533777040000126
这种方法不仅能够降低数据的维度，提高计算效率，还保留了语义之间的相似性。
步骤S240，通过第一机器学习模型根据所述平均行驶速度、道路拓扑特征及所述外部属性特征，获得到达时间对应的行驶速度特征。
在本实施例中，可以级联待预测路段i的道路拓扑特征、平均行驶速度、以及外部属性特征，获得待预测路段在到达时间的级联特征，然后将其输入到第一机器学习模型。通过第一机器学习模型进行推演计算获得所述到达时间对应的行驶速度特征。
例如，在本实施例中，为了进一步获得道路的行驶速度特征，可以使用长短期记忆神经网络(Long Short Term Memory，LSTM)结构的第一机器学习模型来学习时间维度上速度的变化情况。
Figure BDA0002533777040000122
其中，
Figure BDA0002533777040000123
为待预测路段i的道路拓扑特征，
Figure BDA0002533777040000124
为待预测路段i的平均行驶速度，
Figure BDA0002533777040000125
分为待预测路段i的外部属性特征，Wx是权重矩阵。将连接后的向量输入到LSTM结构中，可以得到当前时间t(即到达时间)的隐藏变量ht：
ht＝LSTM(xi，ht-1)
最终，LSTM的计算结果输出到一个全连接层，获得待预测路段i在到达时间的行驶速度特征hi。
基于上述设计，本实施例提供的方案中，综合考虑了待预测路段的平均行驶速度、道路拓扑特征、外部属性特征的多元化的数据来提取待预测路段的行驶速度特征，从而可以使提取获得行驶速度特征能更加准确反映的待预测路段本身各种因素对通行时间的影响。
可选地，在一些可能的实现方式中，在第二机器学习模型的训练过程中，可以使用多个驾驶员在多个路段上的历史驾驶过程中，移动终端采集的惯性运动数据及定位数据作为训练样本，训练第二机器学习模型提取驾驶员驾驶行为特征。
请参照图4，第二机器学习模型的训练过程可以包括以下步骤：
步骤S310，获取多个驾驶员在多个路段上的历史驾驶过程中，移动终端采集的惯性运动数据及定位数据作为训练样本。
步骤S320，将所述训练样本输入深度递归神经网络结构的所述第二机器学习模型进行训练，使所述第二机器学习模型根据所述惯性运动数据恢复出车辆实际行驶速度变化信息。
虽然定位数据(如GPS数据)能够跟踪记录车辆位置，并记录时间戳，但定位数据的传感器的定位精度和采样率通常都相对较低，例如，智能手机GPS传感器采样率在1Hz时的位置误差大约在5米。因此不能够提供精细准确的位置来检测车道和检测是否可能突然刹车。此外，不同驾驶驾驶员使用的移动终端可能是不同的，因此简单固定阈值的传感器无法满足所有的样本分析需求。
故在本实施例中，使用惯性运动数据作为分析源，其描述了移动终端的线性加速度和旋转。在本实施例中可以利用PCA算法将移动采集的惯性运动数据转换成车辆行驶速度变化信息。然后根据车辆行驶速度变化信息作为驾驶员的驾驶行为特征。
例如，在本实施例中可以获得车辆的前行加速度aY和转向角速度ωZ并对其进行驾驶行为分析。aY可以表征车辆的速度，可以用于检测超速事件和突然刹车，ωZ可以表征车辆的旋转，可以用来检测车道变化，例如，请参照图5a，表示车辆左转时，角速度ωZ的变化情况；如图5b表示车辆右转时，角速度ωZ的变化情况。
进一步地，由于移动终端采集惯性运动数据的陀螺仪读数虽然在短时间内是精确的，但存在线性漂移。在本实施例中，采用互补滤波器算法把长时间的轨迹中，定位数据(如GPS数据)和角速度ωZ进行融合，从而消除陀螺仪漂移和调整车道检测阈值变化。对于超速和突然刹车，前行加速度aY的精度也存在噪声，由于惯性测量单元传感器的质量不同，移动终端的加速度信号精度也不同，所以在本实施例中可以先对加速度读数进行校准。
例如，为了恢复出车辆行驶速度变化信息，在本实施例中采用了一个循环神经网络(Recurrent Neural Network，RNN)的第二机器学习模型将线性加速度映射到稀疏的GPS速度恢复出车辆实际行驶速度变化信息。即：
Figure BDA0002533777040000141
Figure BDA0002533777040000142
其中，T是窗口长度，Φ代表RNN模型中的参数。在本实施例中，对实际轨迹中的车辆速度差ΔvT进行近似，目的是将总预测误差最小化，即：
Figure BDA0002533777040000143
由于RNN存在梯度消失或梯度爆炸等问题，所以在本实施例中可以采用双向LSTM(Bi-LSTM)网络来克服这一问题。此外，双向LSTM结构可以通过反向传播的信消除累计的预测误差。
通过第二机器学习模型，可以根据目标驾驶员历史驾驶过程中移动终端采集的惯性运动数据获得该目标驾驶员的驾驶行为特征。
其中，该驾驶行为特征可以为上述驾驶过程中车辆行驶速度变化信息；也可以是根据车辆行驶速度变化信息识别出的特殊驾驶行为动作的统计结果，例如变道、急刹车、加减速次数等特征动作的统计结果。
在一种可能的实现方式中，在步骤S140之前，还可以获取所述待预测行程中首个和最后一个待预测路段的排队拥堵特征。
影响整个行程时间的因素除了包括在道路上的行驶时间，还包括进入和离开的行程的排队等待时间。例如，当用户从一个住户很多小区出发到办公区密集的区域上班，因为进入行程和离开的行程的区域均属于车流量密集的区域，因此可能较多的额外等待时间。
因此在本实施例中，在预测行程通行时间时，还可以考虑待预测行程中首个和最后一个待预测路段的排队拥堵特征。
可选地，排队拥堵特征可以包括在所述待预测行程中首个和最后一个待预测路段进入或离开行程的其他车辆的数量。例如，一段轨迹数据中，在tA时刻从路段linkA开始，在tB时刻到路段linkB结束，就会产生两个请求记录，即进入路段的请求
Figure BDA0002533777040000144
和离开路段的请求
Figure BDA0002533777040000145
其中IN和OUT表示请求的类别。可以将使用进入路段和离开路段的请求数量作为待预测路段的排队拥堵特征。
然后在步骤S140中，可以通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征、所述目标驾驶员的驾驶行为特征以及所述排队拥堵特征，获得由所述多个待预测路段组成的待预测行程的通行时间。
在一些可能的实现方式中，在第三机器学习模型的训练过程中，可以使用不同驾驶员在不同道路上行驶产生的行驶速度特征、目标驾驶员的驾驶行为特征、行程的排队拥堵特征以及整个行程的通行时间作为样本进行训练。
在本实施例中针对每个训练样本，可以通过注意机制融合待预测路段的行驶速度特征、驾驶员的驾驶行为特征及待预测路段的排队拥堵特征。
在样本行程中从起点路段到终点路段经过N个路段，对于每段路段linki，通过LSTM结构的第三机器学习模型将行驶速度特征hi、排队拥堵特征qi、驾驶行为特征di进行加权求和，即：
Figure BDA0002533777040000151
λi代表每段路段linki的权重，总和为1。进一步用行驶速度特征hi、排队拥堵特征qi、驾驶行为特征di训练训练λi，即：
Figure BDA0002533777040000152
Figure BDA0002533777040000153
其中，Wa是权重矩阵。
然后将hattention输入到一个残差神经网络(ResNet)，并与一个全连接层连接，从而预估其该驾驶员的通行时间，然后计算与样本中的实际通行时间之间的误差，其时间损失函数用Ltime表示。
为了结合预测道路速度预测模块与时间预测模块，可以采用多任务学习机制来作为整体的模型。整体模型的目标是最小化速度损失Lspeed和时间损失Ltime的组合：
Ltime+α·Lspeed
其中，其中α为两个任务的平衡参数。
在训练过程中，可以利用平均绝对百分比误差(MAPE)作为损失函数，对速度和通行时间同时进行预测，从而对公共层面的交通速度和个人层面的个性化通行时间提供更高精度的预测。
在第三机器学习模型的使用过程中，可以将待预测行程的各个待预测路段的行驶速度特征、待预测行程的排队拥堵特征及目标驾驶员的驾驶行为特征输入训练好的第三机器学习模型，从而获得该待预测行程的通行时间。
请参照图6，本实施例还提供一种通行时间预测装置，该通行时间预测装置可以配置于图1所示的数据处理设备100。该通行时间预测装置可以包括数据获取模块111、第一特征获取模块112、第二特征获取模块113及预测模块114。
所述数据获取模块111用于获得目标驾驶员的身份信息、待预测路段的路段标识信息及行驶至该待预测路段的到达时间。
本实施例中，所述数据获取模块111可用于执行图2所示的步骤S110，关于所述数据获取模块111的具体描述可参对所述步骤S110的描述。
所述第一特征获取模块112用于根据所述路段标识信息及所述到达时间，确定待预测路段在所述到达时间的行驶速度特征；其中，所述路段标识信息及所述到达时间与所述行驶速度特征的对应关系由第一机器学习模型根据所述待预测路段在不同时间上车辆的行驶速度学习获得。
本实施例中，所述第一特征获取模块112可用于执行图2所示的步骤S120，关于所述第一特征获取模块112的具体描述可参对所述步骤S120的描述。
所述第二特征获取模块113用于根据所述目标驾驶员的身份信息及所述路段标识信息，确定所述目标驾驶员在所述待预测路段的驾驶行为特征；其中，所述目标驾驶员的身份信息及所述路段标识信息与所述驾驶行为特征的对应关系由第二机器学习模型根据所述目标驾驶员在历史行驶过程中移动终端采集的惯性运动数据学习获得。
本实施例中，所述第二特征获取模块113可用于执行图2所示的步骤S130，关于所述第二特征获取模块113的具体描述可参对所述步骤S130的描述。
所述预测模块114用于通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征，获得由所述多个待预测路段组成的待预测行程的通行时间。
本实施例中，所述预测模块114可用于执行图2所示的步骤S140，关于所述预测模块114的具体描述可参对所述步骤S140的描述。
在一种可能的实现方式中，所述驾驶行为特征包括车辆行驶过程中的速度变化信息；所述通行时间预测装置还包括：
第二训练模块，用于获取多个驾驶员在多个路段上的历史驾驶过程中，移动终端采集的惯性运动数据及定位数据作为训练样本；将所述训练样本输入深度递归神经网络结构的所述第二机器学习模型进行训练，使所述第二机器学习模型根据所述惯性运动数据恢复出车辆实际行驶速度变化信息。
在一种可能的实现方式中，所述速度变化信息包括前行加速度信息及转向角速度信息。
在一种可能的实现方式中，所述通行时间预测装置还包括第一训练模块，用于根据多个驾驶员的历史行驶数据获得所述待预测路段在所述到达时间的平均行驶速度；获得表征所述待预测路段的与其他路段连接关系的道路拓扑特征；获得所述待预测路段的外部属性特征，所述外部属性特征包括表征天气的特征、表征是否为节假日的特征、表征当日为一周中哪一天的星期特征及表征所述到达时间的所属时间段的特征中的一个或多个特征；通过所述第一机器学习模型根据所述待预测路段的平均行驶速度、道路拓扑特征及所述外部属性特征，获得所述到达时间对应的行驶速度特征。
在一种可能的实现方式中，所述第一特征获取模块还用于：根据所述平均行驶速度、道路拓扑特征及所述外部属性特征获得所述待预测路段在所述到达时间的级联特征；通过长短期记忆神经网络结构的所述第一机器学习模型根据所述待预测路段在所述到达时间的级联特征及所述到达时间之前的行驶速度特征，进行推演计算获得所述到达时间对应的行驶速度特征。
在一种可能的实现方式中，所述通行时间预测装置还包括：
所述第三特征获取模块用于获得所述待预测路段的拓扑信息，所述拓扑信息包括所述待预测路段与其他路段的连接关系；通过图卷积神经网络结构的第四机器学习模型根据所述待预测路段的拓扑信息获得道路拓扑特征。
在一种可能的实现方式中，所述通行时间预测装置还包括：
所述第三训练模块用于从历史行驶数据中获取样本行程数据，所述样本行程数据包括多个样本路段的驾驶行为特征、行驶速度特征及总体通行时长；将所述样本行程数据输入所述第三机器学习模型进行训练，获得训练后的第三机器学习模型。
在一种可能的实现方式中，所述通行时间预测装置还包括：
所述第四特征获取模块用于获取所述待预测行程中首个和最后一个待预测路段的排队拥堵特征。
所述预测模块114具体用于通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征、所述目标驾驶员的驾驶行为特征以及所述排队拥堵特征，获得由所述多个待预测路段组成的待预测行程的通行时间。
在一种可能的实现方式中，所述排队拥堵特征包括在所述待预测行程中首个和最后一个待预测路段进入或离开行程的其他车辆的数量。
请参照图7，图7为本实施例提供的一种数据处理设备100的硬件结构示意图。该数据处理设备100可包括处理器120及机器可读存储介质110。处理器120与机器可读存储介质110可经由系统总线通信。并且，机器可读存储介质110存储有机器可执行指令，通过读取并执行机器可读存储介质110中与通行时间预测逻辑对应的机器可执行指令，处理器120可执行上文描述的通行时间预测方法。
本文中提到的机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
为了便于说明，在电子设备中仅描述了一个处理器。然而，应当注意，本申请中的电子设备还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行，或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。
本申请实施例还提供了一种机器可读存储介质，该机器可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述通行时间预测方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述通行时间预测方法，从而解决现有技术中存在的推荐车型不符合用户出行习惯或不适应当前出现场景的问题。
综上所述，本申请实施例提供的通行时间预测方法、装置及数据处理设备，通过将道路本身的因素和驾驶员的驾驶行为因素综合起来作为预测整个行程的通行时间，从而可以针对不同的驾驶员得出个性化的通行时间预测结果，能够使得通行时间的预测结果更加准确。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

Claims (18)

1.一种通行时间预测方法，其特征在于，所述方法包括：
获得目标驾驶员的身份信息、待预测路段的路段标识信息及所述目标驾驶员驾驶网约车行驶至该待预测路段的到达时间；
根据所述路段标识信息及所述到达时间，确定待预测路段在所述到达时间的行驶速度特征，其中，所述行驶速度特征基于所述待预测路段上多个历史行驶数据进行统计计算或拟合计算方式获得；
根据所述目标驾驶员的身份信息及所述路段标识信息，确定所述目标驾驶员在所述待预测路段的驾驶行为特征，其中，所述驾驶行为特征包括根据车辆行驶过程中的速度变化信息，以及根据所述速度变化信息识别出的驾驶行为动作的统计次数；
获取待预测行程中首个和最后一个待预测路段的排队拥堵特征，其中，所述排队拥堵特征包括在所述待预测行程中首个和最后一个待预测路段进入或离开行程的其他车辆的数量；
通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征、所述目标驾驶员的驾驶行为特征以及所述排队拥堵特征，获得由所述多个待预测路段组成的待预测行程的通行时间。
2.根据权利要求1所述的方法，其特征在于，所述目标驾驶员的身份信息及所述路段标识信息与所述驾驶行为特征的对应关系由第二机器学习模型根据所述目标驾驶员在历史行驶过程中移动终端采集的惯性运动数据学习获得；所述方法还包括：
获取多个驾驶员在多个路段上的历史驾驶过程中，移动终端采集的惯性运动数据及定位数据作为训练样本；
将所述训练样本输入深度递归神经网络结构的所述第二机器学习模型进行训练，使所述第二机器学习模型根据所述惯性运动数据恢复出车辆实际行驶速度变化信息。
3.根据权利要求2所述的方法，其特征在于，所述速度变化信息包括前行加速度信息及转向角速度信息。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过第一机器学习模型根据所述待预测路段在不同时间上车辆的行驶速度学习获得所述路段标识信息及所述到达时间与所述行驶速度特征的对应关系。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据多个驾驶员的历史行驶数据获得所述待预测路段在所述到达时间的平均行驶速度；
获得表征所述待预测路段的与其他路段连接关系的道路拓扑特征；
获得所述待预测路段的外部属性特征，所述外部属性特征包括表征天气的特征、表征是否为节假日的特征、表征当日为一周中哪一天的星期特征及表征所述到达时间的所属时间段的特征中的一个或多个特征；
通过第一机器学习模型根据所述待预测路段的平均行驶速度、道路拓扑特征及所述外部属性特征，获得所述到达时间对应的行驶速度特征。
6.根据权利要求5所述的方法，其特征在于，所述通过所述第一机器学习模型根据所述平均行驶速度、道路拓扑特征及所述外部属性特征，获得所述到达时间对应的行驶速度特征的步骤，包括：
根据所述平均行驶速度、道路拓扑特征及所述外部属性特征获得所述待预测路段在所述到达时间的级联特征；
通过长短期记忆神经网络LSTM结构的所述第一机器学习模型根据所述待预测路段在所述到达时间的级联特征及所述到达时间之前的行驶速度特征，进行推演计算获得所述到达时间对应的行驶速度特征。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获得所述待预测路段的拓扑信息，所述拓扑信息包括所述待预测路段与其他路段的连接关系；
通过图卷积神经网络结构的第四机器学习模型根据所述待预测路段的拓扑信息获得道路拓扑特征。
8.根据权利要求1所述的方法，其特征在于，
所述方法还包括：
在所述第三机器学习模型的训练过程中，使用不同驾驶员在不同道路上行驶产生的行驶速度特征、目标驾驶员的驾驶行为特征、行程的排队拥堵特征以及整个行程的通行时间作为样本；
将所述样本输入所述第三机器学习模型进行训练，获得训练后的第三机器学习模型。
9.一种通行时间预测装置，其特征在于，所述通行时间预测装置包括：
数据获取模块，用于获得目标驾驶员的身份信息、待预测路段的路段标识信息及所述目标驾驶员驾驶网约车行驶至该待预测路段的到达时间；
第一特征获取模块，用于根据所述路段标识信息及所述到达时间，确定待预测路段在所述到达时间的行驶速度特征，其中，所述行驶速度特征基于所述待预测路段上多个历史行驶数据进行统计计算或拟合计算方式获得；
第二特征获取模块，用于根据所述目标驾驶员的身份信息及所述路段标识信息，确定所述目标驾驶员在所述待预测路段的驾驶行为特征，其中，所述驾驶行为特征包括根据车辆行驶过程中的速度变化信息，以及根据所述速度变化信息识别出的驾驶行为动作的统计次数；
第四特征获取模块，用于获取待预测行程中首个和最后一个待预测路段的排队拥堵特征，其中，所述排队拥堵特征包括在所述待预测行程中首个和最后一个待预测路段进入或离开行程的其他车辆的数量；
预测模块，用于通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征、所述目标驾驶员的驾驶行为特征以及所述排队拥堵特征，获得由所述多个待预测路段组成的待预测行程的通行时间。
10.根据权利要求9所述的通行时间预测装置，其特征在于，所述目标驾驶员的身份信息及所述路段标识信息与所述驾驶行为特征的对应关系由第二机器学习模型根据所述目标驾驶员在历史行驶过程中移动终端采集的惯性运动数据学习获得；所述通行时间预测装置还包括：
第二训练模块，用于获取多个驾驶员在多个路段上的历史驾驶过程中，移动终端采集的惯性运动数据及定位数据作为训练样本；将所述训练样本输入深度递归神经网络结构的所述第二机器学习模型进行训练，使所述第二机器学习模型根据所述惯性运动数据恢复出车辆实际行驶速度变化信息。
11.根据权利要求10所述的通行时间预测装置，其特征在于，所述速度变化信息包括前行加速度信息及转向角速度信息。
12.根据权利要求9所述的通行时间预测装置，其特征在于，所述第二特征获取模块具体用于：通过第一机器学习模型根据所述待预测路段在不同时间上车辆的行驶速度学习获得所述路段标识信息及所述到达时间与所述行驶速度特征的对应关系。
13.根据权利要求12所述的通行时间预测装置，其特征在于，所述通行时间预测装置还包括第一训练模块，用于根据多个驾驶员的历史行驶数据获得所述待预测路段在所述到达时间的平均行驶速度；获得表征所述待预测路段的与其他路段连接关系的道路拓扑特征；获得所述待预测路段的外部属性特征，所述外部属性特征包括表征天气的特征、表征是否为节假日的特征、表征当日为一周中哪一天的星期特征及表征所述到达时间的所属时间段的特征中的一个或多个特征；通过所述第一机器学习模型根据所述待预测路段的平均行驶速度、道路拓扑特征及所述外部属性特征，获得所述到达时间对应的行驶速度特征。
14.根据权利要求13所述的通行时间预测装置，其特征在于，所述第一特征获取模块还用于：根据所述平均行驶速度、道路拓扑特征及所述外部属性特征获得所述待预测路段在所述到达时间的级联特征；通过长短期记忆神经网络LSTM结构的所述第一机器学习模型根据所述待预测路段在所述到达时间的级联特征及所述到达时间之前的行驶速度特征，进行推演计算获得所述到达时间对应的行驶速度特征。
15.根据权利要求12所述的通行时间预测装置，其特征在于，所述通行时间预测装置还包括：
第三特征获取模块，用于获得所述待预测路段的拓扑信息，所述拓扑信息包括所述待预测路段与其他路段的连接关系；通过图卷积神经网络结构的第四机器学习模型根据所述待预测路段的拓扑信息获得道路拓扑特征。
16.根据权利要求9所述的通行时间预测装置，其特征在于，所述通行时间预测装置还包括：
第三训练模块，用于在所述第三机器学习模型的训练过程中，使用不同驾驶员在不同道路上行驶产生的行驶速度特征、目标驾驶员的驾驶行为特征、行程的排队拥堵特征以及整个行程的通行时间作为样本；将所述样本输入所述第三机器学习模型进行训练，获得训练后的第三机器学习模型。
17.一种数据处理设备，其特征在于，该数据处理设备包括存储器及处理器，所述存储器存储有机器可执行指令，所述机器可执行指令在被所述处理器执行时，实现权利要求1-8任意一项所述的方法。
18.一种机器可读存储介质，其特征在于，存储有机器可执行指令，所述机器可执行指令在被一个或多个处理器执行时，实现权利要求1-8任意一项所述的方法。
CN202010525883.3A 2020-06-10 2020-06-10 通行时间预测方法、装置及数据处理设备 Active CN111833600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010525883.3A CN111833600B (zh) 2020-06-10 2020-06-10 通行时间预测方法、装置及数据处理设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010525883.3A CN111833600B (zh) 2020-06-10 2020-06-10 通行时间预测方法、装置及数据处理设备

Publications (2)

Publication Number Publication Date
CN111833600A CN111833600A (zh) 2020-10-27
CN111833600B true CN111833600B (zh) 2022-07-08

Family

ID=72898689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010525883.3A Active CN111833600B (zh) 2020-06-10 2020-06-10 通行时间预测方法、装置及数据处理设备

Country Status (1)

Country Link
CN (1) CN111833600B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734139B (zh) * 2021-01-28 2023-09-29 腾讯科技（深圳）有限公司 通行时长预测方法和装置、存储介质及电子设备
CN115691094A (zh) * 2021-07-27 2023-02-03 阿里巴巴新加坡控股有限公司 路况信息处理方法、装置、设备及存储介质
CN113823119B (zh) * 2021-08-11 2022-09-16 江铃汽车股份有限公司 一种基于云计算的行车安全及导航预警方法
CN113487872B (zh) * 2021-09-07 2021-11-16 南通飞旋智能科技有限公司 一种基于大数据和人工智能的公交车通行时间预测方法
CN113837383B (zh) * 2021-10-18 2023-06-23 中国联合网络通信集团有限公司 模型训练方法、装置、电子设备及存储介质
WO2023244172A1 (en) * 2022-06-17 2023-12-21 Pt Goto Gojek Tokopedia Tbk Methods and systems for predicting journey time
CN116246460A (zh) * 2022-12-27 2023-06-09 北京百度网讯科技有限公司 路段通行时长的确定方法、装置、电子设备和介质
CN116311948B (zh) * 2023-05-11 2023-08-01 武汉理工大学三亚科教创新园 基于交通流速度预测和信号灯状态的车辆路径规划方法
CN117114175B (zh) * 2023-08-14 2024-02-20 上海鸭嘴兽网络科技有限公司 基于北斗定位技术实现外贸货物交付计划的预测方法
CN118135686B (zh) * 2024-05-08 2024-09-20 成都赛力斯科技有限公司 等效因子确定方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005173996A (ja) * 2003-12-11 2005-06-30 Nippon Telegr & Teleph Corp <Ntt> リンク旅行時間予測方法および装置並びにリンク旅行時間予測プログラムとその記録媒体
WO2009053197A1 (de) * 2007-10-19 2009-04-30 Siemens Aktiengesellschaft Prognosesystem zum vorhersagen von fahrzeiten, fahrzeuggestütztes routenplanungssystem, verkehrsinformationssystem und -verfahren
CN105917376A (zh) * 2013-12-11 2016-08-31 优步技术公司 针对运输请求优化对驾驶员的选择
CN106796115A (zh) * 2014-05-09 2017-05-31 大陆汽车有限公司 用于为车辆导航装置预测燃料能耗和抵达时间的方法
CN107195178A (zh) * 2016-03-14 2017-09-22 滴滴（中国）科技有限公司 一种确定车辆行驶路径的方法及装置
CN107533734A (zh) * 2015-05-20 2018-01-02 宝马股份公司 用于帮助自动安排用户行程的方法和装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04270500A (ja) * 1991-02-26 1992-09-25 Hitachi Ltd 駐車場管理方法
US6317686B1 (en) * 2000-07-21 2001-11-13 Bin Ran Method of providing travel time
US9663111B2 (en) * 2014-05-30 2017-05-30 Ford Global Technologies, Llc Vehicle speed profile prediction using neural networks
CN113850371A (zh) * 2017-11-23 2021-12-28 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
CN108648457B (zh) * 2018-06-28 2021-07-13 苏州大学 一种速度预测的方法、装置和计算机可读存储介质
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
CN109131350B (zh) * 2018-08-23 2020-04-03 北京理工大学 一种混合动力汽车能量管理方法及系统
CN109636049B (zh) * 2018-12-19 2021-10-29 浙江工业大学 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法
CN109872535B (zh) * 2019-03-27 2020-09-18 深圳市中电数通智慧安全科技股份有限公司 一种智慧交通通行预测方法、装置及服务器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005173996A (ja) * 2003-12-11 2005-06-30 Nippon Telegr & Teleph Corp <Ntt> リンク旅行時間予測方法および装置並びにリンク旅行時間予測プログラムとその記録媒体
WO2009053197A1 (de) * 2007-10-19 2009-04-30 Siemens Aktiengesellschaft Prognosesystem zum vorhersagen von fahrzeiten, fahrzeuggestütztes routenplanungssystem, verkehrsinformationssystem und -verfahren
CN105917376A (zh) * 2013-12-11 2016-08-31 优步技术公司 针对运输请求优化对驾驶员的选择
CN106796115A (zh) * 2014-05-09 2017-05-31 大陆汽车有限公司 用于为车辆导航装置预测燃料能耗和抵达时间的方法
CN107533734A (zh) * 2015-05-20 2018-01-02 宝马股份公司 用于帮助自动安排用户行程的方法和装置
CN107195178A (zh) * 2016-03-14 2017-09-22 滴滴（中国）科技有限公司 一种确定车辆行驶路径的方法及装置

Also Published As

Publication number Publication date
CN111833600A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111833600B (zh) 通行时间预测方法、装置及数据处理设备
JP6918087B2 (ja) オン・デマンドサービスの情報を提供する方法及びシステム
EP3479306B1 (en) Method and system for estimating time of arrival
CN110073426B (zh) 估计到达时间的系统和方法
CN110675621B (zh) 预测交通信息的系统和方法
CN111862585B (zh) 用于交通预测的系统和方法
US10979863B2 (en) Systems and methods for recommending a destination
US20200049522A1 (en) Methods and systems for route planning
CN108205830A (zh) 识别对于无人驾驶车辆的个人驾驶偏好的方法和系统
CN110686686B (zh) 用于地图匹配的系统和方法
WO2020001261A1 (en) Systems and methods for estimating an arriel time of a vehicle
WO2018227325A1 (en) Systems and methods for determining an estimated time of arrival
US11573084B2 (en) Method and system for heading determination
JP6774153B2 (ja) 不正検査を行うシステムおよび方法
JP2018528502A (ja) 運輸サービスの料金を求める方法及びシステム
JP7047096B2 (ja) オンラインツーオフラインサービスに関する推定された到着時間を決定するためのシステムおよび方法
Huang et al. Travel time prediction using tree-based ensembles
US9959508B2 (en) Systems and methods for providing information for predicting desired information and taking actions related to user needs in a mobile device
Chen et al. Efficient traffic speed forecasting based on massive heterogenous historical data
CN111415024A (zh) 一种到达时间预估方法以及预估装置
CN110751531A (zh) 轨迹识别方法、装置及电子设备
CN109948822B (zh) 一种地理区域内网约车供需缺口预测方法
Subba Rao et al. Deep Learning Based Decision Support Framework for Dead Reckoning in Emergency Vehicle Preemption
US20240175703A1 (en) Method, apparatus, and computer program product for at least approximate real-time intelligent gap placement within mobility data using junctions inferred by features of the mobility data
CN111325993B (zh) 通行速度确定方法、装置、电子设备及计算机存储介质

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
GR01 Patent grant
GR01 Patent grant