CN111860903A - 一种确定预估到达时间的方法和系统 - Google Patents

Abstract

本申请实施例公开了一种确定预估到达时间的方法。所述方法包括：获取当前订单的相关数据，所述当前订单的相关数据至少包括：出发点信息和目的地信息；获取路网数据，所述路网数据与所述当前订单的相关数据关联，至少基于所述当前订单的相关数据和所述路网数据，获得所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息；利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列；至少基于所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

Description

一种确定预估到达时间的方法和系统

技术领域

本申请涉及交通技术领域，特别涉及一种确定预估到达时间的方法和系统。

背景技术

随着网约车市场的发展，打车平台给人们的生活带来便捷，而预估到达时间(Estimated Time of Arrival，ETA)是一个非常重要的技术指标，它用于预估到达指定目的地的时间，能够描述用户的出行所花费的时间和成本。但是由于路网数据的频繁更新，使得ETA预估存在困难。因此，有必要提出一种确定预估到达时间的方法和系统，来对订单的到达时间进行有效的预估，提升用户体验感。

发明内容

本申请实施例之一提供一种确定预估到达时间的方法，所述方法包括：获取当前订单的相关数据，所述当前订单的相关数据至少包括：出发点信息和目的地信息；获取路网数据，所述路网数据与所述当前订单的相关数据关联，至少基于所述当前订单的相关数据和所述路网数据，获得所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息；利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列；至少基于所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

在一些实施例中，所述至少基于所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间，包括：利用预估到达时间模型处理所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

在一些实施例中，所述预估到达时间模型为深度学习模型；所述预估到达时间模型通过以下方法获得：获取第一训练集，所述第一训练集中包括多个样本对；利用所述第一训练集对初始模型进行训练，获得预估到达时间模型。

在一些实施例中，所述获取第一训练集，包括：获取第一历史订单的相关数据，所述第一历史订单的相关数据至少包括：出发点信息、目的地信息、行驶路线数据、到达时间，所述第一历史订单的行驶路线数据至少包括：所述第一历史订单经过的路段信息；至少基于所述第一历史订单的相关数据，获得所述第一历史订单的卫星定位采样点轨迹序列；基于所述第一历史订单的卫星定位采样点轨迹序列和所述历史订单的到达时间，生成样本对。

在一些实施例中，所述生成式对抗网络模型通过以下方法获得：获取第二历史订单的相关数据，所述第二历史订单的相关数据至少包括：出发点信息、目的地信息、行驶路线数据，所述第二历史订单的行驶路线数据至少包括：所述第二历史订单经过的路段信息；获取生成模型，基于所述生成模型确定一组估计的卫星定位采样点轨迹序列；获取判别模型，基于所述第二历史订单的相关数据和所述估计的卫星定位采样点轨迹序列确定所述判别模型的第一损失函数；判断所述第一损失函数的值是否小于第一阈值，当所述第一损失函数的值小于所述第一阈值时，确定所述判别模型；基于所述第二历史订单的相关数据和所述估计的卫星定位采样点轨迹序列确定所述生成模型的第二损失函数；判断所述第二损失函数的值是否小于第二阈值，当所述第二损失函数的值小于所述第二阈值时，确定所述生成模型；基于所述判别模型和所述生成模型确定所述生成式对抗网络模型。

在一些实施例中，还包括：当所述第一损失函数的值不小于所述第一阈值时，更新所述判别模型。

在一些实施例中，还包括：当所述第二损失函数的值不小于所述第二阈值时，更新所述生成模型。

本申请实施例之一提供一种确定预估到达时间的方法，所述方法包括：输入当前订单的相关数据，所述当前订单的相关数据至少包括：出发点信息、目的地信息；至少基于所述当前订单的相关数据，获取所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息；利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列；利用预估到达时间模型处理所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

本申请实施例之一提供一种确定预估到达时间的系统，所述系统包括：第一获取模型，用于获取当前订单的相关数据，所述当前订单的相关数据至少包括：出发点信息和目的地信息；所述第一获取模型，还用于获取路网数据，所述路网数据与所述当前订单的相关数据关联，至少基于所述当前订单的相关数据和所述路网数据，获得所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息；第一处理模块，用于利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列；第二处理模块，用于至少基于所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

在一些实施例中，所述第二处理模块还用于利用预估到达时间模型处理所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

在一些实施例中，所述预估到达时间模型为深度学习模型；所述预估到达时间模型通过以下方法获得：获取第一训练集，所述第一训练集中包括多个样本对；利用所述第一训练集对初始模型进行训练，获得预估到达时间模型。

在一些实施例中，所述第二处理模块，还用于获取第一历史订单的相关数据，所述第一历史订单的相关数据至少包括：出发点信息、目的地信息、行驶路线数据、到达时间，所述第一历史订单的行驶路线数据至少包括：所述第一历史订单经过的路段信息；至少基于所述第一历史订单的相关数据，获得所述第一历史订单的卫星定位采样点轨迹序列；基于所述第一历史订单的卫星定位采样点轨迹序列和所述历史订单的到达时间，生成样本对。

在一些实施例中，所述第一处理模块，用于获取第二历史订单的相关数据，所述第二历史订单的相关数据至少包括：出发点信息、目的地信息、行驶路线数据，所述第二历史订单的行驶路线数据至少包括：所述第二历史订单经过的路段信息；获取生成模型，基于所述生成模型确定一组估计的卫星定位采样点轨迹序列；获取判别模型，基于所述第二历史订单的相关数据和所述估计的卫星定位采样点轨迹序列确定所述判别模型的第一损失函数；判断所述第一损失函数的值是否小于第一阈值，当所述第一损失函数的值小于所述第一阈值时，确定所述判别模型；基于所述第二历史订单的相关数据和所述估计的卫星定位采样点轨迹序列确定所述生成模型的第二损失函数；判断所述第二损失函数的值是否小于第二阈值，当所述第二损失函数的值小于所述第二阈值时，确定所述生成模型；基于所述判别模型和所述生成模型确定所述生成式对抗网络模型。

在一些实施例中，所述第一处理模块，还用于当所述第一损失函数的值不小于所述第一阈值时，更新所述判别模型。

在一些实施例中，所述第一处理模块，还用于当所述第二损失函数的值不小于所述第二阈值时，更新所述生成模型。

本申请实施例之一提供一种确定预估到达时间的系统，所述系统包括：第二获取模块，用于输入当前订单的相关数据，所述当前订单的相关数据至少包括：出发点信息、目的地信息；所述第二获取模块，还用于至少基于所述当前订单的相关数据，获取所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息；第三处理模块，用于利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列；第四处理模块，还用于利用预估到达时间模型处理所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

本申请实施例之一提供一种确定预估到达时间的装置，包括处理器，其特征在于，所述处理器用于执行确定预估到达时间方法。

本申请实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行确定预估到达时间方法。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本申请一些实施例所示的确定预估到达时间的系统100 的应用场景示意图；

图2是根据本申请一些实施例所示的确定预估到达时间的系统200 的模块图；

图3是根据本申请一些实施例所示的确定预估到达时间的方法300 的示例性流程图；

图4是根据本申请一些实施例所示的确定预估到达时间的系统400 的模块图；

图5是根据本申请一些实施例所示的确定预估到达时间的方法500 的示例性流程图；

图6是根据本申请一些实施例所示的获取生成式对抗网络模型方法 600的示例性流程图；图7是根据本申请一些实施例所示的系统200与系统400的数据交互示意图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些流程中，或从这些流程移除某一步或数步操作。

本申请的实施例可以应用于不同的运输系统，不同的运输系统包括但不限于陆地、海洋、航空、航天等中的一种或几种的组合。例如，出租车、专车、顺风车、巴士、代驾、火车、动车、高铁、船舶、飞机、热气球、无人驾驶的交通工具、收/送快递等应用了管理和/或分配的运输系统。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。例如，其他类似的引导用户停车系统。

本申请描述的“乘客”、“乘客端”、“用户终端”、“顾客”、“需求者”、“服务需求者”、“消费者”、“消费方”、“使用需求者”等是可以互换的，是指需要或者订购服务的一方，可以是个人，也可以是工具。同样地，本申请描述的“司机”、“司机端”、“提供者”、“供应者”、“服务提供者”、“服务者”、“服务方”等也是可以互换的，是指提供服务或者协助提供服务的个人、工具或者其他实体等。另外，本申请描述的“用户”可以是需要或者订购服务的一方，也可以是提供服务或者协助提供服务的一方。

图1是根据本申请的一些实施例所示的一种确定预估到达时间系统 100的应用场景示意图。

如图1所示，确定预估到达时间系统100可以确定行程的预估到达时间。例如，确定预估到达时间系统100可以确定接单的司机到达乘客上车点的预估时间，又例如确定预估到达时间系统100可以确定乘客从出发点到达目的地的预估时间。确定预估到达时间系统100可以用于互联网或者其它网络的服务平台。例如，确定预估到达时间系统100可以是为交通运输提供服务的线上服务平台。在一些实施例中，确定预估到达时间系统 100可以应用于网约车服务，例如出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等。在一些实施例中，确定预估到达时间系统100还可以应用于代驾、快递、外卖等。在另一些实施例中，确定预估到达时间系统100还可以应用于家政服务、出行(如旅游) 服务、教育(如线下教育)服务等领域。如图1所示，确定预估到达时间系统100可以包括处理设备110、一个或一个以上终端120、存储设备130、网络140以及信息源150。

在一些实施例中，处理设备110可以处理从终端120、存储设备130 和/或信息源150处获得的数据和/或信息。例如，处理设备110可以获取多个终端120的定位/轨迹信息和/或与行程相关的参与方(例如，司机和乘客) 的特征信息。处理设备110可以处理上述所获取的信息和/或数据以执行本申请描述的一个或多个功能。在一些实施例中，处理设备110可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的(如：处理设备110可以是分布系统)。在一些实施例中，处理设备110可以是本地的或者远程的。例如，处理设备110可通过网络140访问存储于终端 120、存储设备130和/或信息源150中的信息和/或资料。在一些实施例中，处理设备110可直接与终端120、存储设备130和/或信息源150连接以访问存储于其中的信息和/或资料。在一些实施例中，处理设备110可在云平台上执行。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。在另一些实施例中，处理设备110 可以同时是终端120之一。

在一些实施例中，处理设备110可以包含一个或多个子处理设备(如：单核处理器或多核处理器)。仅仅作为范例，处理设备110可包含中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。

在一些实施例中，终端120可以是带有数据获取、存储和/或发送功能的设备，可以包括任一用户或者非直接参与服务的终端、服务提供者终端、服务请求者终端和/或车载终端。所述服务提供者可以是提供服务的个人、工具或者其他实体。所述服务请求者可以是需要得到或者正在接受服务的个人、工具或者其他实体。例如，针对网约车服务而言，所述服务提供者可以是司机、第三方平台，所述服务请求者可以是乘客或者其它接受类似服务的个人或者设备(例如物联网设备)。在一些实施例中，终端120可以用于采集各类数据，包括但不限于与服务相关的数据。所采集数据可以是实时的，也可以是各类历史数据如用户过去的使用历史等等。数据可由终端120通过自身的传感器进行数据采集，也可以搜集外接传感器获取的数据，也可以读取存储在自身的存储器中的数据，还可以通过网络140读取存储在存储设备130中的数据。在一些实施例中，传感器可以包括定位装置、声音传感器、图像传感器、温湿度传感器、位置传感器、压力传感器、距离传感器、速度传感器、加速度传感器、重力传感器、位移传感器、力矩传感器、陀螺仪等或其任意组合等。在一些实施例中，终端120可以包括台式电脑120-1、笔记本电脑120-2、车辆内置设备120-3、移动设备 120-4等中的一种或几种的组合。在一些实施例中，移动设备120-4可以包括智能家居设备、可穿戴设备、智能移动设备、增强现实设备等或其组合。在一些实施例中，可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或其任意组合。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(PDA)、游戏设备、导航设备、POS机等或其组合。在一些实施例中，车辆内置设备120-3可以包括车载计算机、汽车数据记录器、车载人机交互(HCI)系统、行车记录仪、车载电视等。在一些实施例中，终端120可以是具有用于定位终端120的位置的定位技术的设备。在一些实施例中，终端120可以将采集到的数据/信息通过网络140传输至处理设备110进行后续步骤。终端 120还可以将采集到的数据/信息存储至自身的存储器中，或通过网络140 传输至存储设备130进行存储。终端120还可以接收和/或显示由处理设备 110生成的与预估到达时间相关的通知。在一些实施例中，可以有多个终端相互连接，共同采集各类数据，并由一个或者多个终端对这些数据进行预处理。

存储设备130可以存储数据和/或指令。在一些实施例中，存储设备 130可以存储终端120获取的数据/信息。存储设备130还可以存储历史事件的历史交通运输服务数据，例如，一些事件的历史服务订单的订单数据、服务参与方数据、车辆相关数据等，及行程数据等。在一些实施例中，存储设备130可以存储处理设备110用于执行或使用来完成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，存储设备130可以存储用户终端的各类实时或者和历史数据，例如，与历史服务相关的用户的历史记录，比如历史评价等。在一些实施例中，存储设备130可以是处理设备110 或者终端120的一部分。在一些实施例中，存储设备130可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的挥发性只读存储器可以包括随机存取内存(RAM)。示例性的RAM 可包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、闸流体RAM(T-RAM)和零电容RAM(Z-RAM) 等。示例性的ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电子可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用磁盘ROM等。在一些实施例中，存储设备130可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，一些历史数据可以统一存储在平台的一个云平台上，以便多个处理设备110或者终端120访问或者更新，以便保证数据的实时性和跨平台使用。

在一些实施例中，存储设备130可以连接到网络140以与预估到达时间系统100中的一个或以上组件(例如，处理设备110、终端120、信息源150)通信。预估到达时间系统100中的一个或以上组件可以通过网络 140访问存储设备130中存储的数据或指令。在一些实施例中，存储设备 130可以与预估到达时间系统100中的一个或以上组件(例如，处理设备110、终端120、信息源150)直接连接或通信。在一些实施例中，存储设备130可以是处理设备110的一部分。

网络140可以促进信息和/或数据的交换。在一些实施例中，确定预估到达时间系统100中的一个或以上组件(例如，处理设备110、终端120、存储设备130和信息源150)可以通过网络140向/从确定预估到达时间系统100中的其他组件发送和/或接收信息和/或数据。例如，处理设备110可以通过网络140从终端120和/或信息源150获取与交通运输服务相关的数据/信息。又例如，终端120可以通过网络140从处理设备110或存储设备 130处获取预估的到达时间。预估的到达时间可以在终端120的界面上通过应用软件显示。在一些实施例中，网络140可以为任意形式的有线或无线网络或其任意组合。仅作为示例，网络140可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM 演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、移动通信(1G、2G、 3G、4G、5G)网络、Wi-Fi、Li-Fi、窄带物联网(NB-IoT)等或其任意组合。在一些实施例中，预估到达时间系统100可以包括一个或以上网络接入点。例如，预估到达时间系统100可以包括有线或无线网络接入点，例如基站和/或无线接入点140-1、140-2、...，预估到达时间系统100的一个或以上组件可以通过其连接到网络140以交换数据和/或信息。

信息源150可以用于为确定预估到达时间系统100提供信息的来源。在一些实施例中，信息源150可以用于为确定预估到达时间系统100提供与交通运输服务相关的信息，例如，天气情况、交通信息、地理信息、法律法规信息、新闻事件、生活资讯、生活指南信息等。在一些实施例中，信息源150还可以是其他第三方平台，可以提供服务请求方和/或服务提供方的征信记录，如信贷记录等。信息源150可以在单个中央服务器、通过通信链路连接的多个服务器或多个个人设备中实现。当信息源150在多个个人设备中实现时，个人设备可以生成内容(例如，被称为“用户生成内容”)，例如，通过将文本、语音、图像和视频上载到云服务器。信息源可以由多个个人设备和云服务器生成。存储设备130、处理设备110以及终端120同时也可以是信息源。例如，终端120实时反馈的速度和定位信息，可以作为信息源提供交通状况信息供其他设备获取使用。

图2是根据本申请一些实施例所示的确定预估到达时间的系统200 的模块图。

第一获取模块210，用于获取当前订单的相关数据，所述当前订单的相关数据可以包括：出发点信息、目的地信息。

在一些实施例中，处理设备110(例如，获取模块210)可以获取当前订单相关数据。在一些实施例中，所述当前订单可以由用户终端(例如，乘客)发起，并通过网络140发送给处理设备110。在一些实施例中，所述当前订单可以是实时订单。例如，该当前订单可以是在某一时刻或某一段时间内(例如，1秒、5秒、10秒等)预估到达时间系统100接收到的订单。在一些实施例中，所述当前订单可以是未出行的订单或者是行程中的订单。

在一些实施例中，所述当前订单的相关数据可以包括出发点信息(如乘客的上车点)、目的地信息(如乘客的下车点)。

所述第一获取模块210，还用于获取路网数据，所述路网数据与所述当前订单的相关数据关联，至少基于所述当前订单的相关数据和所述路网数据，获得所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息。

在一些实施例中，所述行驶路线数据可以包括但不限于行驶路线的地域信息、行驶路线的交通信息、路段信息等。所述路段信息可以包括但不限于路段名称、路段编号、路段级别(例如，高速道路或市区道路等)、路段限速等级、路段长度、路段宽度、路段实时通行速度、路段的拥堵程度、红路灯路段数量、非红绿灯路段数量等。

在一些实施例中，处理设备110可以获取存储在存储设备130中的路网数据。在一些实施例中，处理设备可以通过网络140获取信息源150 提供的路网数据，信息源可以为地图数据库(例如，高德地图、Google地图等)、交管局数据库、路网数据库等。在一些实施例中，处理设备110可以根据当前订单的相关数据，获取到路网数据。例如，通过当前订单出发点信息和/或目的地信息，确定所述当前订单经过的区域，根据所述当前订单经过的区域，获取所述区域的路网数据。在一些实施例中，处理设备110 可以基于摄像设备(例如，行车记录仪)采集的视频信息获取路网数据。在一些实施例中，所述路网数据可以包括当前版本的路网数据、历史版本的路网数据、最新版本的路网数据等中的一种或其任意组合。

第一处理模块220，用于利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列。

在一些实施例中，所述卫星定位采样点轨迹序列可以是由卫星定位系统(例如，全球定位系统)定位的一组数据，可以确定车辆的行驶轨迹。在一些实施例中，卫星定位采样点轨迹序列可以是基于时间和空间的位置序列。例如，所述卫星定位采样点轨迹序列可以包括经纬度坐标数据。在一些实施例中，所述卫星定位采样点轨迹序列的定位频率和采样间隔可以根据实际应用情况进行设置，例如，可以设置定位频率为1至5秒。又例如，可以设置采样间隔为0.2秒等。所述生成式对抗网络模型的内容可以参考图3的相关描述，在此不再赘述。

第二处理模块230，用于至少基于所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

在一些实施例中，所述第二处理模块230，还用于利用预估到达时间模型处理所述卫星定位采样点序列，获得所述当前订单的预估到达时间。

在一些实施例中，所述预估到达时间模型为深度学习模型。所述模型的输入数据为订单的卫星定位采样点轨迹序列，所述模型的输出数据为订单的预估到达时间。所述模型可以包括但不限于深度信念网络模型、VGG 卷积神经网络、OverFeat，R-CNN，SPP-Net，Fast R-CNN，Faster R-CNN， R-FCN，DSOD。所述预估到达时间模型的内容可以参考图3的相关描述，在此不再赘述。

应当理解，图2所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或 DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要注意的是，以上描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可以在不背离这一原理的情况下，对实施上述方法和系统的应用领域进行形式和细节上的各种修正和改变。

图3是根据本申请一些实施例所示的确定预估到达时间的方法300 的示例性流程图。所述方法300可以由图1的处理设备110实现。

步骤301，获取当前订单的相关数据，所述当前订单的相关数据可以包括：出发点信息、目的地信息。

在一些实施例中，处理设备110(例如，获取模块210)可以获取当前订单相关数据。在一些实施例中，所述当前订单可以由用户终端(例如，乘客)发起，并通过网络140发送给处理设备110。在一些实施例中，所述当前订单可以是实时订单。例如，该当前订单可以是在某一时刻或某一段时间内(例如，1秒、5秒、10秒等)预估到达时间系统100接收到的订单。在一些实施例中，所述当前订单可以是未出行的订单或者是行程中的订单。

在一些实施例中，所述当前订单的相关数据可以包括出发点信息(如乘客的上车点)、目的地信息(如乘客的下车点)。在一些实施例中，所述当前订单的相关数据还可以包括订单编号、订单发起时间(乘客发起订单的时间)、发起订单的乘客信息(例如，乘客用户信息等)、订单的价格、开始时间(订单的出发时间)等。当所述当前订单为实时订单时，所述订单发起时间可以认为是开始时间。

步骤303，获取路网数据，所述路网数据与所述当前订单的相关数据关联，至少基于所述当前订单的相关数据和所述路网数据，获得所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息。

在一些实施例中，处理设备110(例如，获取模块210)还可以获取路网数据。在一些实施例中，处理设备110可以获取存储在存储设备130 中的路网数据。在一些实施例中，处理设备可以通过网络140获取信息源 150提供的路网数据。在一些实施例中，处理设备110可以根据当前订单的相关数据，获取到路网数据。例如，通过当前订单出发点信息和/或目的地信息，确定所述当前订单经过的区域，根据所述当前订单经过的区域，获取所述区域的路网数据。例如，当所述当前订单的出发点和目的地都位于区域A中，则可以获取区域A的路网数据。又例如，当所述当前订单的出发点位于区域A中，目的地位于区域B中，则可以获取区域A和区域B的路网数据。处理设备110可以从存储设备130、地图服务提供商(例如，谷歌地图、腾讯地图、百度地图等)和/或可以提供与当前订单有关的任何其他装置和/或服务提供商中获取路网数据。所述路网数据可以历史路网数据，也可以是实时更新的路网数据。

在一些实施例中，所述行驶路线数据可以包括但不限于行驶路线的地域信息、行驶路线的交通信息、路段信息等。所述路段信息可以包括但不限于路段名称、路段编号、路段级别(例如，高速道路或市区道路等)、路段限速等级、路段长度、路段宽度、路段实时通行速度、路段的拥堵程度、红路灯路段数量、非红绿灯路段数量等。在一些实施例中，红绿灯路段数量可以包括红路灯路段左转数量、红路灯路段右转数量和红绿等路段直行数量等。在一些实施例中，非红绿灯路段数量可以包括非红路灯路段左转数量、非红路灯路段右转数量和非红绿等路段直行数量等。

步骤305，利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列。

在一些实施例中，处理设备110(例如，第一处理模块220)可以利用生成式对抗网络模型处理所述当前订单的行驶路线数据。在一些实施例中，生成式对抗式网络模型为机器学习模型，所述模型的输入数据为订单的行驶路线数据，所述模型的输出数据为订单的卫星定位采样点轨迹序列。所述生成式对抗网络模型可以包括生成模型与判别模型。在一些实施例中，所述生成模型可以用于模拟生成与现实数据高度相似的虚拟数据。例如，生成模型可以根据一系列给定的卫星定位采样点序列，生成一系列不在该数据集中的新的卫星定位采样点序列。在一些实施例中，所述判别模型可以用于判定给定数据属于的类别。例如，所述判别模型可以对给定的卫星定位采样点序列进行判断，判别该卫星定位采样点序列的真实性。在一些实施例中，生成式对抗网络在训练时，生成模型与判别模型可以通过博弈式的学习，各自提高自己的生成能力与判别能力。例如，生成式对抗网络模型在训练时，生成模型将尽量学习真实的采样点序列，判别模型将尽可能的正确判断输入的采样点序列来自真实数据还是来自生成模型，以此各自不断优化，提升生成与判别能力。

在一些实施例中，处理设备110(例如，第一处理模型220)可以获得生成式对抗网络模型。

图6是根据本申请一些实施例所示的获取生成式对抗网络模型方法 600的示例性流程图。所述方法600可以由图1的处理设备110实现。

步骤602，获取第二历史订单的相关数据。

处理设备110(例如，第一处理模块220)获取第二历史订单的相关数据，所述第二历史订单的相关数据至少包括：出发点信息、目的地信息、行驶路线数据，所述第二历史订单的行驶路线数据至少包括：所述第二历史订单经过的路段信息。

在一些实施例中，所述第二历史订单可以包括过去一段时间(例如， 6小时、12小时、1天、2天、7天、14天、1个月、3个月等)的历史订单。在一些实施例中，所述第二历史订单可以包括最近完成的一定数量(例如，10个、50个、100个、500个、1000个等)的历史订单。在一些实施例中，所述第二历史订单可以是某一区域的历史订单。例如，所述第二历史订单的出发点在同一区域内；或者所述第二历史订单的目的地在同一区域内；或者所述第二历史订单的行驶路线在同一区域内；或者所述第二历史订单的行驶路线均有部分在同一区域内等。所述同一区域可以包括某个城市、某个地区、某个街道或某个预先设定的区域等。在一些实施例中，一旦某个订单完成，该订单既可以被视为历史订单。用户终端(例如，司机或乘客)可以通过网络140将历史订单的相关数据传输到系统100或存储设备130中。处理设备110可以从该系统100的存储媒介或存储设备130中获取到历史订单数据作为第二历史订单。

步骤604，生成(更新)生成模型。

在一些实施例中，处理设备110可以生成初始生成模型。所述初始生成模型可以包括卷积神经网络(CNN)模型、递归神经网络(RNN)模型等。所述初始生成模型可以是预估到达时间系统100默认设置的，也可以根据不同情况进行调整。

步骤606，基于所述生成模型确定一组估计的卫星定位采样点轨迹序列。

在步骤606中，处理设备110可以基于初始生成模(或更新后的初始生成模型)和所述第二历史订单的相关数据确定一组估计的卫星定位采样点轨迹序列。

步骤608，生成(更新)判别模型。

在一些实施例中，处理设备110可以生成初始判别模型。所述初始判别模型可以包括卷积神经网络(CNN)模型、递归神经网络(RNN)模型等。所述初始生成模型可以是预估到达时间系统100默认设置的，也可以根据实际应用的不同情况进行调整。

步骤610，基于所述第二历史订单的相关数据和所述估计的卫星定位采样点轨迹序列确定所述判别模型的第一损失函数。

在一些实施例中，初始判别模型(或更新后的初始生成模型)可以根据所述第二历史订单的采样点轨迹序列和所述估计的卫星定位点采样点轨迹序列确定所述初始判别模型的第一损失函数。

在步骤610中，处理设备110可以判断所述第一损失函数的值是否小于第一阈值。第一阈值可以是预估到达时间系统100的默认设置(例如， 0.5)，也可以根据不同情况进行调整。

当处理设备110判断所述第一损失函数的值不小于第一阈值时，更新所述初始判别模型。在处理设备更新所述初始判别模型后，可以返回步骤608，以确定更新的判别模型并开始下一次的迭代，直至第一损失函数小于第一阈值时，确定判别模型。

在步骤606中，在处理设备110基于初始生成模型确定一组估计的卫星定位采样点轨迹序列之后，处理设备110可以执行过程/方法600至步骤610。

步骤612，基于所述第二历史订单的相关数据和所述估计的卫星定位采样点轨迹序列确定所述生成模型的第二损失函数。

在一些实施例中，处理设备110可以基于所述第二历史订单的相关数据和所述估计的卫星定位采样点轨迹序列确定所述生成模型的第二损失函数。

在步骤612中，处理设备110可以判断所述第二损失函数的值是否小于第二阈值。第二阈值可以是预估到达时间系统100的默认设置(例如， 0.5)，也可以根据不同情况进行调整。第二阈值可以与第一阈值相同或不同。

当处理设备110判断所述第二损失函数的值不小于第二阈值时，更新所述初始生成模型。在处理设备更新所述初始生成模型后，可以返回步骤606，以确定更新的生成模型并开始下一次的迭代，直至第二损失函数小于第二阈值时，确定生成模型。

步骤614，基于所述判别模型和所述生成模型确定所述生成式对抗网络模型。

在步骤614中，处理设备110可以基于(更新的)生成模型和(更新的) 判别模型来确定生成式对抗网络模型。处理设备110还可以将该生成式对抗网络模型模型存储在本申请所披露的存储装置中。

应当注意的是，过程/方法600是迭代过程。该迭代过程可以包括一次或以上迭代。在每次迭代期间，处理设备110可以首先基于第一损失函数更新判别模型，然后基于第二损失函数更新生成模型。在一些实施例中，处理设备110可以在第一损失函数的值小于第一阈值并且第二损失函数的值小于第二阈值时终止所述迭代过程。

步骤307，至少基于所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

在一些实施例中，所述卫星定位采样点轨迹序列可以是由卫星定位系统(例如，全球定位系统)定位的一组数据，可以确定车辆的行驶轨迹。在一些实施例中，卫星定位采样点轨迹序列可以是基于时间和空间的位置序列。例如，所述卫星定位采样点轨迹序列可以包括经纬度坐标数据。在一些实施例中，所述卫星定位采样点轨迹序列的定位频率和采样间隔可以根据实际应用情况进行设置，例如，可以设置定位频率为1至5秒。又例如，可以设置采样间隔为0.2秒等。

在一些实施例中，可以利用预估到达时间模型处理所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

在一些实施例中，所述预估到达时间模型通过以下方法获得：获取第一训练集，所述第一训练集中包括多个样本对；利用所述第一训练集对初始模型进行训练，获得预估到达时间模型。

在一些实施例中，所述获取第一训练集，包括：获取第一历史订单的相关数据，所述第一历史订单的相关数据至少包括：出发点信息、目的地信息、行驶路线数据、到达时间，所述第一历史订单的行驶路线数据至少包括：所述第一历史订单经过的路段信息；至少基于所述第一历史订单的相关数据，获得所述第一历史订单的卫星定位采样点轨迹序列；基于所述第一历史订单的卫星定位采样点轨迹序列和所述历史订单的到达时间，生成样本对。

在一些实施例中，处理设备110(例如，第二处理模块230)获取第一历史订单的相关数据，所述第一历史订单的相关数据至少包括：出发点信息、目的地信息、行驶路线数据和到达时间，所述第一历史订单的行驶路线数据至少包括：所述第一历史订单经过的路段信息。

在一些实施例中，所述第一历史订单可以包括过去一段时间(例如， 6小时、12小时、1天、2天、7天、14天、1个月、3个月等)的历史订单。在一些实施例中，所述第一历史订单可以包括最近完成的一定数量(例如，10个、50个、100个、500个、1000个等)的历史订单。在一些实施例中，所述第一历史订单可以是某一区域的历史订单。例如，所述第一历史订单的出发点在同一区域内；或者所述第一历史订单的目的地在同一区域内；或者所述第一历史订单的行驶路线在同一区域内；或者所述第一历史订单的行驶路线均有部分在同一区域内等。所述同一区域可以包括某个城市、某个地区、某个街道或某个预先设定的区域等。在一些实施例中，一旦某个订单完成，该订单既可以被视为历史订单。用户终端(例如，司机或乘客)可以通过网络140将历史订单的相关数据传输到系统100或存储设备130中。处理设备110可以从该系统100的存储媒介或存储设备130中获取到历史订单数据作为第一历史订单。

在一些实施例中，处理设备110(例如，第二处理模块230)可以基于所述第一历史订单的卫星定位采样点轨迹序列和所述历史订单的到达时间，生成样本对。基于所述生成的多个样本对，获得第一训练集。

在一些实施例中，所述预估到达时间模型为深度学习模型。所述模型的输入数据为订单的卫星定位采样点轨迹序列，所述模型的输出数据为订单的预估到达时间。所述模型可以包括但不限于深度信念网络模型、VGG 卷积神经网络、OverFeat，R-CNN，SPP-Net，Fast R-CNN，Faster R-CNN， R-FCN，DSOD。利用所述第一训练集对初始模型进行训练，得到预估到达时间模型。

应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。

图4是根据本申请一些实施例所示的确定预估到达时间的系统400 的模块图。如图4所示，所述确定预估到达时间的系统400可以包括：第二获取模块410、第三处理模块420和第四处理模块430。所述预估到达时间的系统400可以由图1的终端120实现。

图7是根据本申请一些实施例所示的系统200与系统400的数据交互示意图。

第二获取模块410，可以用于输入当前订单的相关数据，所述当前订单的相关数据至少包括：出发点信息、目的地信息。

在一些实施例中，用户(例如，乘客)可以通过不同的输入方式输入当前订单的相关数据。输入方式包括但不限于文字输入(例如，手写输入、打字输入)、选择输入、语音输入、扫描标记输入。在一些实施例中，输入信息的选择可以由用户或用户终端执行。在一些实施中，用户可以通过在用户终端显示的地图上指示(例如，通过点击、拖曳等)出发点和/或目的地的方式来输入相关数据。在一些实施例中，可以通过用户终端获取周围环境的图像、图片，从而确定出发点。在一些实施例中，可以通过用户终端获取环境声音，从而确定出发点。应当注意的是，输入方式可以是上述一种或多种组合。输入方式也可以是其他方式，本申请在此不做限定。在一些实施例中，用户通过用户终端输入订单的相关数据后，系统可以将订单的相关数据存储在数据库或其他存储模块中。

所述第二获取模块410，还用于至少基于所述当前订单的相关数据，获取所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息。

在一些实施例中，用户终端120(例如，第二获取模块410)可以通过获取存储在存储设备上的路网数据对所述当前订单的相关数据进行处理，获取到所述当前订单的行驶路线数据。在一些实施例中，如图7所示，系统400(例如，第二获取模块410)可以将获取到的当前订单的相关数据发送至系统200(例如，第一获取模块210)，系统200接收到所述当前订单的相关数据后，通过获取到的路网数据对所述当前订单的相关数据进行处理，获取到所述当前订单的行驶路线数据，并将所述获取到行驶路线数据传输至系统400。

在一些实施例中，第二获取模块410可以在用户终端上显示当前订单的行驶路线。例如，可以在用户终端上显示与行驶路线相关的地图上。地图可以是3D地图或2D地图。根据当前时间和车辆所在的位置，与地图有关的信息可以实时更新。该地图可以在用户终端设备的一个或多个应用程序中实现。

在一些实施例中，所述行驶路线数据可以包括但不限于行驶路线的地域信息、行驶路线的交通信息、路段信息等。所述路段信息可以包括但不限于路段名称、路段编号、路段级别(例如，高速道路或市区道路等)、路段限速等级、路段长度、路段宽度、路段实时通行速度、路段的拥堵程度、红路灯路段数量、非红绿灯路段数量等。

第三处理模块420，用于利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列。

在一些实施例中，对抗式网络模型为机器学习模型，所述模型的输入数据为订单的行驶路线数据，所述模型的输出数据为订单的卫星定位采样点轨迹序列。所述生成式对抗网络模型的相关内容可以参考在图3中的相关描述，在此不再赘述。

在一些实施例中，所述卫星定位采样点轨迹序列可以是由卫星定位系统(例如，全球定位系统)定位的一组数据，可以确定车辆的行驶轨迹。在一些实施例中，卫星定位采样点轨迹序列可以是基于时间和空间的位置序列。例如，所述卫星定位采样点轨迹序列可以包括经纬度坐标数据。在一些实施例中，所述卫星定位采样点轨迹序列的定位频率和采样间隔可以根据实际应用情况进行设置，例如，可以设置定位频率为1至5秒。又例如，可以设置采样间隔为0.2秒等。

在一些实施例中，如图7所示，系统400(例如，第三处理模块420) 可以将当前订单的行驶路线数据发送至系统200(例如，第一处理模块220)，系统200对接收到的所述当前订单的行驶路线数据进行处理后，获取到所述当前订单的卫星定位采样点轨迹序列，并将所述卫星定位采样点轨迹序列传输至系统400(例如，第三处理模块420)。

第四处理模块430，还用于利用预估到达时间模型处理所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

在一些实施例中，预估到达时间模型为机器学习模型，所述模型的输入数据为订单的卫星定位采样点轨迹序列，所述模型的输出数据为订单的预估到达时间。所述预估到达时间模型的相关内容可以参考在图3中的相关描述，在此不再赘述。

在一些实施例中，如图7所示，系统400(例如，第四处理模块420) 可以将当前订单的卫星定位采样点轨迹序列发送至系统200(例如，第二处理模块230)，系统200对接收到的所述当前订单的卫星定位采样点轨迹序列进行处理后，获取到所述当前订单的预估到达时间，并将所述预估到达时间传输至系统400(例如，第三处理模块420)。

在一些实施例中，可以通过网络140将所述预估到达时间发送至用户终端(例如，司机或乘客)以进行显示。在一些实施例中，所述预估到达时间可以通过任何合适的通信协议(例如，超文本传输协议(HTTP)、地址解析协议(ARP)、动态主机配置协议(DHCP)、文件传输协议(FTP)等)来发送和 /或接收。在一些实施例中，可以通过用户接口将所述预估到达时间显示在用户终端上，以便用户进行后续的操作。在一些实施例中，所述预估到达时间可以通过文本、图像、音频、视频等方式显示。

应当理解，图4所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或 DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要注意的是，以上描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可以在不背离这一原理的情况下，对实施上述方法和系统的应用领域进行形式和细节上的各种修正和改变。

图5是根据本申请一些实施例所示的确定预估到达时间的方法500 的示例性流程图。所述方法500可以在用户终端120上实现。

步骤502，输入当前订单的相关数据，所述当前订单的相关数据至少包括：出发点信息、目的地信息。

在一些实施例中，用户终端可以通过所述第二获取模块410输入当前订单相关数据。在一些实施例中，用户(例如，乘客)可以通过不同的输入方式输入当前订单的相关数据。输入方式包括但不限于文字输入(例如，手写输入、打字输入)、选择输入、语音输入、扫描标记输入。在一些实施例中，输入信息的选择可以由用户或用户终端执行。在一些实施中，用户可以通过在用户终端显示的地图上指示(例如，通过点击、拖曳等)出发点和/或目的地的方式来输入相关数据。在一些实施例中，可以通过用户终端获取周围环境的图像、图片，从而确定出发点。在一些实施例中，可以通过用户终端获取环境声音，从而确定出发点。应当注意的是，输入方式可以是上述一种或多种组合。输入方式也可以是其他方式，本申请在此不做限定。

在一些实施例中，用户终端可以使用任意适当的内容形式，例如文本、图像、视频内容、音频内容、图形等方式显示输入信息(例如，出发点信息和/或目的地信息)。

在一些实施例中，用户终端可以基于时间相关标准、服务成本相关标准、距离远近相关标准来呈现输入信息。例如，输入信息可以在一个或多个选项中以最近出发点、最佳上车点、目的地等来呈现。第二获取模块 410还可以将当前订单的相关数据发送给一个或多个服务器终端。

在一些实施例中，所述当前订单的相关数据还可以包括订单的开始时间。所述开始时间指的是订单的出发时间。

步骤504，至少基于所述当前订单的相关数据，获取所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息。

在一些实施例中，可以通过第二获取模块410获取所述当前订单的相关数据。所述步骤504可以在用户终端120和/或处理设备110上实现。例如，用户终端可以通过获取存储在存储设备上的路网数据对所述当前订单的相关数据进行处理，获取到所述当前订单的行驶路线数据。又例如，处理设备110可以通过获取到的路网数据对所述当前订单的相关数据进行处理，获取到所述当前订单的行驶路线数据，并将所述获取到行驶路线数据传输至用户终端。在一些实施例中，第二获取模块410可以在用户终端上显示当前订单的行驶路线。例如，可以在用户终端上显示与行驶路线相关的地图上。地图可以是3D地图或2D地图。根据当前时间和车辆所在的位置，与地图有关的信息可以实时更新。该地图可以在用户终端设备的一个或多个应用程序中实现。

在一些实施例中，所述行驶路线数据可以包括但不限于行驶路线的地域信息、行驶路线的交通信息、路段信息等。所述路段信息可以包括但不限于路段名称、路段编号、路段级别(例如，高速道路或市区道路等)、路段限速等级、路段长度、路段宽度、路段实时通行速度、路段的拥堵程度、红路灯路段数量、非红绿灯路段数量等。在一些实施例中，红绿灯路段数量可以包括红路灯路段左转数量、红路灯路段右转数量和红绿等路段直行数量等。在一些实施例中，非红绿灯路段数量可以包括非红路灯路段左转数量、非红路灯路段右转数量和非红绿等路段直行数量等。

步骤506，利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列。

在一些实施例中，可以通过第三处理模块420处理所述当前订单的行驶路线数据。所述步骤506可以在用户终端120和/或处理设备110上实现。所述对抗式网络模型为机器学习模型，所述模型的输入数据为订单的行驶路线数据，所述模型的输出数据为订单的卫星定位采样点轨迹序列。所述生成式对抗网络模型的相关内容可以参考在图3中的相关描述，在此不再赘述。

在一些实施例中，所述卫星定位采样点轨迹序列可以是由卫星定位系统(例如，全球定位系统)定位的一组数据，可以确定车辆的行驶轨迹。在一些实施例中，卫星定位采样点轨迹序列可以是基于时间和空间的位置序列。例如，所述卫星定位采样点轨迹序列可以包括经纬度坐标数据。在一些实施例中，所述卫星定位采样点轨迹序列的定位频率和采样间隔可以根据实际应用情况进行设置，例如，可以设置定位频率为1至5秒。又例如，可以设置采样间隔为0.2秒等。

步骤508，利用预估到达时间模型处理所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

在一些实施例中，可以通过第四处理模块440利用预估到达时间模型处理所述卫星定位采样点轨迹序列。所述步骤508可以在用户终端120 和/或处理设备110上实现。所述预估到达时间模型为机器学习模型，所述模型的输入数据为订单的卫星定位采样点轨迹序列，所述模型的输出数据为订单的预估到达时间。所述预估到达时间模型的相关内容可以参考在图 3中的相关描述，在此不再赘述。

在一些实施例中，可以通过网络140将所述预估到达时间发送至用户终端(例如，司机或乘客)以进行显示。在一些实施例中，所述预估到达时间可以通过任何合适的通信协议(例如，超文本传输协议(HTTP)、地址解析协议(ARP)、动态主机配置协议(DHCP)、文件传输协议(FTP)等)来发送和 /或接收。在一些实施例中，可以通过用户接口将所述预估到达时间显示在用户终端上，以便用户进行后续的操作。在一些实施例中，所述预估到达时间可以通过文本、图像、音频、视频等方式显示。

应当注意的是，上述有关流程500的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。

本申请实施例可能带来的有益效果包括但不限于：(1)利用训练好的对抗式生成网络模型处理当前订单的相关数据，获得所述订单的卫星定位采样点轨迹序列，由于所述对抗式网络模型在训练过程中，训练集中的历史订单可以包括不同版本的路网数据对应的行驶路线信息和卫星定位采样点轨迹序列，并且所述生成式对抗网络模型在训练时，生成模型与判别模型可以通过博弈式的学习，各自提高自己的生成能力与判别能力，因此，利用所述训练好的生成式对抗网络模型得到的卫星定位采样点轨迹序列，置信度高，能够准确的预估到达时间。(2)利用训练好的预估到达时间模型对订单的卫星定位采样点轨迹序列进行处理，得到预计到达时间ETA的预估，由于本申请实施例利用对抗式网络模型预估了所述订单的卫星定位采样点轨迹序列，因此，不再需要获取历史版本的路网数据，只需要当前订单对应的最新的路网数据即可。路网数据更新需要大量的计算，会增加系统的开销。本申请实施例只根据所述当前订单对应的路网数据进行预计到达时间ETA的预估，提高了运算效率，提升了用户体验感。(3)针对当前订单获得所述订单的卫星定位采样点轨迹序列进行预估，其用的是真实的数据，提高了预估的精度，使得ETA的预估更加准确。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、 Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、 Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/ 或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (18)

1.一种确定预估到达时间的方法，其特征在于，所述方法包括：

获取当前订单的相关数据，所述当前订单的相关数据至少包括：出发点信息和目的地信息；

获取路网数据，所述路网数据与所述当前订单的相关数据关联，至少基于所述当前订单的相关数据和所述路网数据，获得所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息；

利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列；

至少基于所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

2.根据权利要求1所述的方法，其特征在于，所述至少基于所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间，包括：

利用预估到达时间模型处理所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

3.根据权利要求2所述的方法，其特征在于，所述预估到达时间模型为深度学习模型；

所述预估到达时间模型通过以下方法获得：

获取第一训练集，所述第一训练集中包括多个样本对；

利用所述第一训练集对初始模型进行训练，获得预估到达时间模型。

4.根据权利要求3所述的方法，其特征在于，所述获取第一训练集，包括：

获取第一历史订单的相关数据，所述第一历史订单的相关数据至少包括：出发点信息、目的地信息、行驶路线数据、到达时间，所述第一历史订单的行驶路线数据至少包括：所述第一历史订单经过的路段信息；

至少基于所述第一历史订单的相关数据，获得所述第一历史订单的卫星定位采样点轨迹序列；

基于所述第一历史订单的卫星定位采样点轨迹序列和所述历史订单的到达时间，生成样本对。

5.根据权利要求1所述的方法，其特征在于，所述生成式对抗网络模型通过以下方法获得：

获取第二历史订单的相关数据，所述第二历史订单的相关数据至少包括：出发点信息、目的地信息、行驶路线数据，所述第二历史订单的行驶路线数据至少包括：所述第二历史订单经过的路段信息；

获取生成模型，基于所述生成模型确定一组估计的卫星定位采样点轨迹序列；

获取判别模型，基于所述第二历史订单的相关数据和所述估计的卫星定位采样点轨迹序列确定所述判别模型的第一损失函数；

判断所述第一损失函数的值是否小于第一阈值，

当所述第一损失函数的值小于所述第一阈值时，确定所述判别模型；

基于所述第二历史订单的相关数据和所述估计的卫星定位采样点轨迹序列确定所述生成模型的第二损失函数；

判断所述第二损失函数的值是否小于第二阈值，

当所述第二损失函数的值小于所述第二阈值时，确定所述生成模型；

基于所述判别模型和所述生成模型确定所述生成式对抗网络模型。

6.根据权利要求5所述的方法，其特征在于，还包括：

当所述第一损失函数的值不小于所述第一阈值时，更新所述判别模型。

7.根据权利要求5所述的方法，特征在于，还包括：

当所述第二损失函数的值不小于所述第二阈值时，更新所述生成模型。

8.一种确定预估到达时间的方法，其特征在于，所述方法包括：

输入当前订单的相关数据，所述当前订单的相关数据至少包括：出发点信息、目的地信息；

至少基于所述当前订单的相关数据，获取所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息；

利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列；

利用预估到达时间模型处理所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

9.一种确定预估到达时间的系统，其特征在于，所述系统包括：

第一获取模型，用于获取当前订单的相关数据，所述当前订单的相关数据至少包括：出发点信息和目的地信息；

所述第一获取模型，还用于获取路网数据，所述路网数据与所述当前订单的相关数据关联，至少基于所述当前订单的相关数据和所述路网数据，获得所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息；

第一处理模块，用于利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列；

第二处理模块，用于至少基于所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

10.根据权利要求9所述的系统，其特征在于，所述第二处理模块还用于

利用预估到达时间模型处理所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

11.根据权利要求10所述的系统，其特征在于，所述预估到达时间模型为深度学习模型；

所述预估到达时间模型通过以下方法获得：

获取第一训练集，所述第一训练集中包括多个样本对；

利用所述第一训练集对初始模型进行训练，获得预估到达时间模型。

12.根据权利要求11所述的系统，其特征在于，所述第二处理模块，还用于

获取第一历史订单的相关数据，所述第一历史订单的相关数据至少包括：出发点信息、目的地信息、行驶路线数据、到达时间，所述第一历史订单的行驶路线数据至少包括：所述第一历史订单经过的路段信息；

至少基于所述第一历史订单的相关数据，获得所述第一历史订单的卫星定位采样点轨迹序列；

基于所述第一历史订单的卫星定位采样点轨迹序列和所述历史订单的到达时间，生成样本对。

13.根据权利要求9所述的系统，其特征在于，所述第一处理模块，用于

获取第二历史订单的相关数据，所述第二历史订单的相关数据至少包括：出发点信息、目的地信息、行驶路线数据，所述第二历史订单的行驶路线数据至少包括：所述第二历史订单经过的路段信息；

获取生成模型，基于所述生成模型确定一组估计的卫星定位采样点轨迹序列；

获取判别模型，基于所述第二历史订单的相关数据和所述估计的卫星定位采样点轨迹序列确定所述判别模型的第一损失函数；

判断所述第一损失函数的值是否小于第一阈值，

当所述第一损失函数的值小于所述第一阈值时，确定所述判别模型；

基于所述第二历史订单的相关数据和所述估计的卫星定位采样点轨迹序列确定所述生成模型的第二损失函数；

判断所述第二损失函数的值是否小于第二阈值，

当所述第二损失函数的值小于所述第二阈值时，确定所述生成模型；

基于所述判别模型和所述生成模型确定所述生成式对抗网络模型。

14.根据权利要求13所述的系统，其特征在于，所述第一处理模块，还用于

当所述第一损失函数的值不小于所述第一阈值时，更新所述判别模型。

15.根据权利要求13所述的系统，特征在于，所述第一处理模块，还用于

当所述第二损失函数的值不小于所述第二阈值时，更新所述生成模型。

16.一种确定预估到达时间的系统，其特征在于，所述系统包括：

第二获取模块，用于输入当前订单的相关数据，所述当前订单的相关数据至少包括：出发点信息、目的地信息；

所述第二获取模块，还用于至少基于所述当前订单的相关数据，获取所述当前订单的行驶路线数据，所述当前订单的行驶路线数据至少包括：所述当前订单经过的路段信息；

第三处理模块，用于利用生成式对抗网络模型处理所述当前订单的行驶路线数据，获得所述当前订单的卫星定位采样点轨迹序列；

第四处理模块，还用于利用预估到达时间模型处理所述卫星定位采样点轨迹序列，获得所述当前订单的预估到达时间。

17.一种确定预估到达时间的装置，包括处理器，其特征在于，所述处理器用于执行权利要求1～8中任一项所述的确定预估到达时间方法。

18.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～8任一项所述的确定预估到达时间方法。

Images