CN112269948B - 估计剩余路线时长的方法、装置、设备和计算机存储介质 - Google Patents
估计剩余路线时长的方法、装置、设备和计算机存储介质 Download PDFInfo
- Publication number
- CN112269948B CN112269948B CN202011111729.8A CN202011111729A CN112269948B CN 112269948 B CN112269948 B CN 112269948B CN 202011111729 A CN202011111729 A CN 202011111729A CN 112269948 B CN112269948 B CN 112269948B
- Authority
- CN
- China
- Prior art keywords
- sample
- duration
- meta
- information corresponding
- passed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000001960 triggered effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
Abstract
本申请公开了一种估计剩余路线时长的方法、装置、设备和计算机存储介质，涉及人工智能和大数据技术领域。具体实现方案为：利用用户在当前路线上的已经过路段的特征数据得到一个以上的第一支持样本，将尚未经过路段的特征数据作为各第一查询样本；采用元学习机制，从各第一支持样本和各第一支持样本对应的时长信息中学习元知识，以估计各第一查询样本对应的时长信息；利用各第一查询样本对应的时长信息，得到剩余路线时长。本申请能够从已经过路段的特征数据中学习用户的驾驶习惯，以用于尚未经过路段的时长预估，从而提高剩余路线时长估计的准确性。
Description
技术领域
本申请涉及计算机应用技术领域，特别涉及人工智能和大数据技术领域。
背景技术
地图服务在用户进行导航的过程中，在一些场景下需要向用户返回剩余路线的时间。一般做法是将剩余路线当做是一个新的路线，根据最新的路况信息重新对剩余路线的时长进行预估。然而，这种方式忽略了用户的驾驶习惯，对剩余路线的时长预估是不准确的。
发明内容
有鉴于此，本申请提供了一种估计剩余路线时长的方法、装置、设备和计算机存储介质，以用于提高剩余路线时长估计结果的准确性。
第一方面，本申请提供了一种估计剩余路线时长的方法，包括：
利用用户在当前路线上的已经过路段的特征数据得到一个以上的第一支持样本，将尚未经过路段的特征数据作为各第一查询样本；
采用元学习机制，从各第一支持样本和各第一支持样本对应的时长信息中学习元知识，以估计各第一查询样本对应的时长信息；
利用各第一查询样本对应的时长信息，得到剩余路线时长。
第二方面，本申请提供了一种估计剩余路线时长的装置，包括：
获取单元，用于利用用户在当前路线上的已经过路段的特征数据得到一个以上的第一支持样本，将尚未经过路段的特征数据作为各第一查询样本；
估计单元，用于采用元学习机制，从各第一支持样本和各第一支持样本对应的时长信息中学习元知识，以估计各第一查询样本对应的时长信息；
确定单元，用于利用各第一查询样本对应的时长信息，得到剩余路线时长。
第三方面，本申请一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。
第四方面，本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的方法。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一项所述的方法。
由以上技术方案可以看出，本申请从已经过路段的特征数据中采用元学习的方式学习用户的驾驶习惯，以预估尚未经过路段的时长信息，从而提高剩余路线时长估计的准确性。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1示出了可以应用本发明实施例的示例性系统架构；
图2为本申请实施例提供的估计剩余路线时长的方法流程图；
图3为本申请实施例提供的特征编码器的结构示意图；
图4a为本申请实施例提供的元学习器上执行主任务的示意图；
图4b为本申请实施例提供的元学习器上执行辅助任务的示意图；
图5为本申请实施例提供的一个应用实例图；
图6为本申请实施例提供的装置结构图；
图7是用来实现本申请实施例的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了可以应用本发明实施例的示例性系统架构。如图1所示，该系统架构可以包括终端设备101和102，网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101和102通过网络103与服务器104交互。终端设备101和102上可以安装有各种应用，例如地图类应用、语音交互类应用、网页浏览器应用、通信类应用等。
终端设备101和102可以是能够支持并展现地图类应用的各种电子设备，包括但不限于智能手机、平板电脑、智能穿戴式设备等等。本发明所提供的装置可以设置并运行于上述服务器104中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。
例如，估计剩余路线时长的装置设置并运行于上述服务器104中。当终端设备101或102的用户在使用地图类应用进行导航的过程中需要对剩余路线时长进行估计，则可以由设置并运行于服务器104中的估计剩余路线时长的装置进行剩余路线时长估计。该估计结果可以返回终端设备101或102。除了基于用户请求进行剩余路线时长估计之外，也可以由其他事件触发，或者也可以周期性地触发进行剩余路线时长估计。
服务器104可以是单一服务器，也可以是多个服务器构成的服务器群组。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
个性化的出行时间预估是一项具有挑战性的任务，因为同一条路线，不同用户的行驶习惯具有一定差别。即便是同一用户的行驶习惯也是不稳定的，在不同路线上的行驶行为可能会存在较大差别。例如在熟悉的路线上比陌生的路线上开得更快。再例如，在有急事的情况下要比正常的情况下开得更快。等等。有鉴于此，本申请提供了一种全新的思路，利用用户在当前路线上已经过路段的行驶行为来估计剩余路段的时长，应用元学习机制快速学习用户的行驶习惯以更好地估计路线中剩余路段的时长。下面结合实施例对本申请提供的方法进行描述。
图2为本申请实施例提供的估计剩余路线时长的方法流程图，如图2中所示，该方法可以包括：
在201中，利用用户在当前路线上的已经过路段的特征数据得到一个以上的第一支持样本，将尚未经过路段的特征数据作为各第一查询样本。
本申请实施例提供的估计剩余路线时长的方法可以由用户请求触发，即接收到用户请求剩余路线时长时，开始执行本申请提供的流程。也可以由其他事件触发，例如用户在使用其他业务时触发调用估计剩余路线时长的功能。还可以在用户导航过程中周期性触发，例如每间隔一段时间进行剩余路线时长估计并返回给用户。等等。
路线由至少一个路段构成，路段通常为两个路口之间的道路，一条路段除了两端之外，中间不包含其他路口。而在一般情况下，用户导航的路线由几十条甚至上百条路段组成。
由于本申请采用元学习的学习任务，因此，首先对元学习进行简单介绍。元学习(Meta Learning)是利用以往的知识经验来指导新任务的学习，具有学会学习的能力。本申请将元学习机制引入地图类应用中的剩余路线时长预估，以解决极少样本情况下的快速学习问题。
参照元学习任务的设定，对于用户在路线上已经过的路段上的行驶行为可以由各路段的特征数据来体现，可以将其看作是元学习任务的第一支持样本，而这条路线上尚未经过的即尚未到达的路段，可以看做是元学习任务的第一查询样本。
在202中，采用元学习机制，从各第一支持样本和各第一支持样本对应的时长信息中学习元知识，以估计各第一查询样本对应的时长信息。
本实施例中可以至少存在一个学习任务，在此称为“主任务”。主任务通过监督学习从第一支持样本及其标签中学习查询样本的标签。其中标签就是第一支持样本或第一查询样本所对应路段的时长信息。对于第一支持样本而言，由于是已经过路段，因此对应的时长信息(即经过路段所消耗的时长)是已知的。对于第一查询样本而言，对应的时长信息是未知的，属于需要预测的标签。
更进一步地，本申请实施例中还可以设计一个学习任务，在此称为“辅助任务”。辅助任务通过自监督学习方法从支持样本自身学习元知识。也就是说，主任务和辅助任务都可以帮助捕获元知识，其中辅助任务用以帮助主任务更好地学习元知识。
其中主任务和辅助任务的具体实现将在后续实施例中详述。
在203中，利用各第一查询样本对应的时长信息，得到剩余路线时长。
本步骤中，可以将各第一查询样本对应的时长信息进行累加，得到剩余路线时长。也可以将各第一查询样本对应的时长信息进行一些处理，例如乘以优化系数等再进行累加。等等。
下面，针对上述步骤201中“利用用户在当前路线上的已经过路段的特征数据得到一个以上的第一支持样本，将尚未经过路段的特征数据作为各第一查询样本”，提供几个实施方式。
作为其中一种实施方式，可以将用户在当前路线上所有已经过路段的特征数据作为各第一支持样本。例如，第一支持样本集DS由多个第一支持样本构成，每一个第一支持样本对应一个路段的特征数据，假设第i个第一支持样本表示为已经过路段的数量就等于支持样本的数量。
作为另一种实施方式，可以从用户在当前路线上已经过路段中选择部分已经过路段的特征数据作为各第一支持样本。例如，随机从已经过路段中选择预设数量或预设比例的路段的特征数据分别作为从而构成第一支持样本集DS，这种方式能够增强模型的稳定性，可以作为一种优选的实施方式。
对于第一查询样本而言，是将所有尚未经过路段的特征数据分别作为各第一查询样本。例如，第一查询样本集DQ由一个以上的第一查询样本构成，每一个第一查询样本对应一个路段的特征数据，假设第i个第一查询样本表示为尚未经过路段的数量就等于第一查询样本的数量。
上述路段的特征数据可以包括但不限于：出发时间信息、路况信息和路网信息。
其中路段的出发时间可以是用户到达该路段的时间出发时间信息可以是时刻信息，还可以进一步包括诸如星期、月份、节假日等信息中的一种或任意组合。
路况信息可以从路况数据库中获取。对于第一支持样本而言，可以获取用户在经过该路段时对应的路况信息，也可以获取接收到剩余路线时长估计请求时对应的路况信息。对于第一查询样本而言，可以获取接收到剩余路线时长估计请求时尚未经过的各路段的路况信息。
路网信息可以从路网数据库中获取，例如可以体现为路段在路网中的位置、与其他路段的连接关系等。
下面，针对上述步骤202中“采用元学习机制，从各第一支持样本和各第一支持样本对应的时长信息中学习元知识，以估计各第一查询样本对应的时长信息”，提供几个实施方式。
本步骤主要由上面已经提及的主任务来完成。例如，用户在路线r上行驶的过程中，发起剩余路线时长估计请求。服务器端的导航服务接收到该请求后，执行主任务进行剩余路线时长估计。
假设导航服务在时刻t收到上述请求，路线r可以分为两个部分：已经过路段和尚未经过路段，那么，其中，/>代表请求时间t时已经过路段。/>代表请求时间t时剩余的路段，it为剩余路线的首个路段的起始标号。
为了便于表述，在此引入场景其中r为路线，t为请求时间，表示对应时间t已经过路段的标签，即时长信息。主任务在场景c下输出/> 为剩余路段的估计时长。
作为一种优选的实施方式，可以将各第一支持样本和各第一查询样本分别进行编码后，将编码得到的隐向量以及第一支持样本对应的时长信息作为元学习器的输入，获取元学习器输出的各第一查询样本对应的时长信息。
其中，在对第一支持样本和第一查询样本分别进行编码时，用特征编码器来完成。由于对第一支持样本的特征数据的编码和对第一查询样本的特征数据的编码是相同的，为了方便描述，将第一支持样本和第一查询样本统称为样本。特征编码器的输入为样本的特征数据，输出为该样本对应的隐向量。相当于将样本的特征数据映射到一个相对低纬度的隐藏空间。
作为一种优选的实施方式，可以使用图神经网对样本的特征数据进行编码。特征编码器的结构示意图可以如图3中所示。对于每个样本xi，其中xi可以是第一支持样本以及第一查询样本/>将其特征数据经过图神经网络进行后在与特征数据进行拼接处理，得到的向量经过多层感知器后，映射为xi对应的隐向量(即编码特征)fi，可以表示为：
fi＝MLP(Concat(3DGAT(xi),xi))
其中，3DGAT()为图神经网络所采用的3D-attention(三维注意力)机制，Concat()为拼接处理，MLP()表示感知器的处理。其中，fi包括第一支持样本对应的隐向量fi S以及第一查询样本/>对应的隐向量fi Q。特征编码器输出的隐向量作为元学习器的输入。
在主任务中，如图4a中所示，各第一支持样本对应的隐向量fi S、时长信息标签以及各第一查询样本/>作为元学习器的输入。第一查询样本/>对应的标签是未知的，相当于是被掩码(mask)的内容(图4中表示为“M”)，由元学习器进行预测并输出。即主任务中元学习器输出各第一查询样本/>对应的时长信息/>
在元学习器中可以使用注意力机制来捕获第一支持样本和第一查询样本之间的关联。将第一查询样本对应的隐向量和对应标签作为注意力机制中的queries(查询项)，将第一支持样本的隐向量和标签集合作为注意力机制中的keys(键)和values(值)。
假设第一查询样本的隐向量和对应标签表示为其中，nQ表示第一查询样本的数量，第一支持样本的隐向量和标签集合表示为/>其中，nS表示支持样本的数量。第一查询样本的标签/>表示为：
其中，注意力机制的定义如下：
d为Q的维度。
更进一步地，本申请实施例中还可以进一步构造辅助任务，通过自监督学习的方式来增强对元知识的学习，提高元学习器的效果。在辅助任务中，可以利用用户已经过的部分路段的特征数据构造第二支持样本，利用用户已经过的另一部分路段的特征数据构造第二查询样本。利用构造的第二支持样本及对应的时长信息、构造的第二查询样本及对应的时长信息，进行元知识的学习。
也就是说，辅助任务相当于利用已经过的路段构造第二支持样本和第二查询样本。例如图4b中所示，可以从已经过的路段中随机选择部分路段，将这些路段的时长信息进行掩码(mask)。其中将已经过的路段中mask掉时长信息的部分作为构造的第二查询样本，其对应的隐向量表示为fi S-mask，其对应的时长标签表示为M。将其他已经过路段作为构造的第二支持样本，其对应的隐向量表示为fi S-rand，其对应的时长标签表示为对构造的第二查询样本的标签的估计值表示为/>其训练目标就是估计值与mask掉的标签值一致，可以据此训练目标构造损失函数进行元知识的学习。其中，针对第二支持样本和第二查询样本的隐向量表示的获取方式与上述第一支持样本和第一查询样本的隐向量表示的获取方式相同，在此不做赘述。
假设构造的第二支持样本和构造的第二查询样本的隐向量及对应标签的集合被表示为那么/>同时作为注意力机制的queries、keys和values。对被mask掉的标签的预测结果/>可以表示为：
对于本实施例的应用方式在此举一个例子：
如图5中所示，当用户在路线r上行驶时，假设路线r表示为路段序列r＝[l1,l2,…,ln]，其中n为该路线的路段数量。若用户在时间t4接收到剩余路线时长估计请求，此时用户到达路段l7。那么可以从已经经过的路段中随机收集路段，例如l1，l2和l3的特征数据作为第一支持样本进行元学习，以估计第一查询样本l7，l8和l9对应的时长。那么剩余路线时长就可以是l7，l8和l9对应的时长的累加。
以上是对本申请所提供方法进行的详细描述，下面结合实施例对本申请提供的装置进行详细描述。
图6为本申请实施例提供的装置结构图，该装置可以是位于服务器端的应用，或者还可以为位于服务器的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者，还可以位于具有较强计算能力的计算机设备，本发明实施例对此不进行特别限定。如图6中所示，该装置可以包括：获取单元01、估计单元02和确定单元03，还可以进一步包括辅助学习单元04。其中各组成单元的主要功能如下：
获取单元01，用于利用用户在当前路线上的已经过路段的特征数据得到一个以上的第一支持样本，将尚未经过路段的特征数据作为各第一查询样本。
本申请实施例提供的估计剩余路线时长的装置可以由用户请求触发，即接收到用户请求剩余路线时长时，开始估计剩余路线时长。也可以由其他事件触发，例如用户在使用其他业务时触发调用估计剩余路线时长的功能。还可以在用户导航过程中周期性触发，例如每间隔一段时间进行剩余路线时长估计并返回给用户。等等。
作为一种优选的实施方式，获取单元01可以将用户在当前路线上的所有已经过路段的特征数据作为各第一支持样本；或者，从用户在当前路段上的已经过路段中选择部分已经过路段的特征数据作为各第一支持样本。
其中，特征数据可以包括但不限于：出发时间信息、路况信息和路网信息。
估计单元02，用于采用元学习机制，从各第一支持样本和各第一支持样本对应的时长信息中学习元知识，以估计各第一查询样本对应的时长信息。
作为一种优选的实施方式，估计单元02可以将各第一支持样本和各第一查询样本分别进行编码后，将编码得到的隐向量以及各第一支持样本对应的时长信息作为元学习器的输入，获取元学习器输出的各第一查询样本对应的时长信息。
确定单元03，用于利用各第一查询样本对应的时长信息，得到剩余路线时长。
具体地，确定单元03可以将各第一查询样本对应的时长信息进行累加，得到剩余路线时长。也可以将各第一查询样本对应的时长信息进行一些处理，例如乘以优化系数等再进行累加。等等。
为了提高上述元学习器的效果，增强对元知识的学习，辅助学习单元04，用于利用用户已经过的部分路段的特征数据构造第二支持样本，利用用户已经过的另一部分路段的特征数据构造第二查询样本；利用构造的第二支持样本及对应的时长信息、第二查询样本及对应的时长信息，进行元知识的学习。
需要说明的是，本申请实施例和权利要求书中涉及的“第一”和“第二”并不具备数量和顺序上的含义，仅仅为了区分主学习任务和辅助学习任务中所使用的支持样本和查询样本。即将主学习任务中采用的支持样本和查询样本称为第一支持样本和第一查询样本，将辅助学习任务中采用的支持样本和查询样本称为第二支持样本和第二查询样本。
作为一种优选的实施方式，辅助学习单元04可以将构造的第二支持样本和构造的第二查询样本分别进行编码后，将编码得到的隐向量以及构造的第二支持样本对应的时长信息作为元学习器的输入，将构造的第二查询样本对应的时长信息作为元学习器的目标输出，训练元学习器以得到元知识。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是根据本申请实施例的估计剩余路线时长的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的估计剩余路线时长的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的估计剩余路线时长的方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的估计剩余路线时长的方法对应的程序指令/模块。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的估计剩余路线时长的方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据该电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
该电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与该电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (10)
1.一种估计剩余路线时长的方法，包括：
利用用户在当前路线上的已经过路段的特征数据得到一个以上的第一支持样本，将尚未经过路段的特征数据作为各第一查询样本；
采用元学习机制，从各第一支持样本和各第一支持样本对应的时长信息中学习元知识，以估计各第一查询样本对应的时长信息；
利用各第一查询样本对应的时长信息，得到剩余路线时长；其中，
所述利用用户在当前路线上的已经过路段的特征数据得到一个以上的第一支持样本包括：
将用户在当前路线上的所有已经过路段的特征数据作为各第一支持样本；或者，从用户在当前路段上的已经过路段中选择部分已经过路段的特征数据作为各第一支持样本；
所述采用元学习机制，从各第一支持样本和各第一支持样本对应的时长信息中学习元知识，以估计各第一查询样本对应的时长信息包括：
将各第一支持样本和各第一查询样本分别进行编码后，将编码得到的隐向量以及各第一支持样本对应的时长信息作为元学习器的输入，获取所述元学习器输出的各第一查询样本对应的时长信息；
该方法还包括：
利用用户已经过的部分路段的特征数据构造第二支持样本，利用用户已经过的另一部分路段的特征数据构造第二查询样本；
利用所述第二支持样本及对应的时长信息、所述第二查询样本及对应的时长信息，进行所述元知识的学习。
2.根据权利要求1所述的方法，其中，所述特征数据包括：出发时间信息、路况信息和路网信息。
3.根据权利要求1至2中任一项所述的方法，其中，利用所述第二支持样本及对应的时长信息、所述第二查询样本及对应的时长信息，进行所述元知识的学习包括：
将所述第二支持样本和所述第二查询样本分别进行编码后，将编码得到的隐向量以及所述第二支持样本对应的时长信息作为元学习器的输入，将所述第二查询样本对应的时长信息作为所述元学习器的目标输出，训练所述元学习器以得到元知识。
4.根据权利要求1至2中任一项所述的方法，其中，所述利用各第一查询样本对应的时长信息，得到剩余路线时长包括：
将各第一查询样本对应的时长信息进行累加，得到剩余路线时长。
5.一种估计剩余路线时长的装置，包括：
获取单元，用于利用用户在当前路线上的已经过路段的特征数据得到一个以上的第一支持样本，将尚未经过路段的特征数据作为各第一查询样本；
估计单元，用于采用元学习机制，从各第一支持样本和各第一支持样本对应的时长信息中学习元知识，以估计各第一查询样本对应的时长信息；
确定单元，用于利用各第一查询样本对应的时长信息，得到剩余路线时长；其中，
所述获取单元，具体用于：将用户在当前路线上的所有已经过路段的特征数据作为各第一支持样本；或者，从用户在当前路段上的已经过路段中选择部分已经过路段的特征数据作为各第一支持样本；
所述估计单元，具体用于：将各第一支持样本和各第一查询样本分别进行编码后，将编码得到的隐向量以及各第一支持样本对应的时长信息作为元学习器的输入，获取所述元学习器输出的各第一查询样本对应的时长信息；
该装置还包括：
辅助学习单元，用于利用用户已经过的部分路段的特征数据构造第二支持样本，利用用户已经过的另一部分路段的特征数据构造第二查询样本；
利用所述第二支持样本及对应的时长信息、所述第二查询样本及对应的时长信息，进行所述元知识的学习。
6.根据权利要求5所述的装置，其中，所述特征数据包括：出发时间信息、路况信息和路网信息。
7.根据权利要求5至6中任一项所述的装置，其中，所述辅助学习单元，具体用于将所述第二支持样本和所述第二查询样本分别进行编码后，将编码得到的隐向量以及所述第二支持样本对应的时长信息作为元学习器的输入，将所述第二查询样本对应的时长信息作为所述元学习器的目标输出，训练所述元学习器以得到元知识。
8.根据权利要求5至6中任一项所述的装置，所述确定单元，具体用于将各第一查询样本对应的时长信息进行累加，得到剩余路线时长。
9. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011111729.8A CN112269948B (zh) | 2020-10-16 | 2020-10-16 | 估计剩余路线时长的方法、装置、设备和计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011111729.8A CN112269948B (zh) | 2020-10-16 | 2020-10-16 | 估计剩余路线时长的方法、装置、设备和计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112269948A CN112269948A (zh) | 2021-01-26 |
| CN112269948B true CN112269948B (zh) | 2024-03-22 |
Family
ID=74338344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011111729.8A Active CN112269948B (zh) | 2020-10-16 | 2020-10-16 | 估计剩余路线时长的方法、装置、设备和计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112269948B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670277A (zh) * | 2019-02-19 | 2019-04-23 | 南京邮电大学 | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 |
| CN109827588A (zh) * | 2019-03-08 | 2019-05-31 | 联想(北京)有限公司 | 一种处理方法及电子设备 |
| CN109974735A (zh) * | 2019-04-08 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 到达时间的预估方法、装置及计算机设备 |
| CN110400015A (zh) * | 2019-07-25 | 2019-11-01 | 腾讯科技（深圳）有限公司 | 一种时间估计方法及其装置、设备 |
| CN111582559A (zh) * | 2020-04-21 | 2020-08-25 | 腾讯科技（深圳）有限公司 | 一种到达时间的预估方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945507B (zh) * | 2016-10-13 | 2020-08-11 | 腾讯科技（深圳）有限公司 | 行程时间预测方法及装置 |
-
2020
- 2020-10-16 CN CN202011111729.8A patent/CN112269948B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670277A (zh) * | 2019-02-19 | 2019-04-23 | 南京邮电大学 | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 |
| CN109827588A (zh) * | 2019-03-08 | 2019-05-31 | 联想(北京)有限公司 | 一种处理方法及电子设备 |
| CN109974735A (zh) * | 2019-04-08 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 到达时间的预估方法、装置及计算机设备 |
| CN110400015A (zh) * | 2019-07-25 | 2019-11-01 | 腾讯科技（深圳）有限公司 | 一种时间估计方法及其装置、设备 |
| CN111582559A (zh) * | 2020-04-21 | 2020-08-25 | 腾讯科技（深圳）有限公司 | 一种到达时间的预估方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 高速公路网络上行车时间估计和最优路线的选取;洪梅;王益柏;葛义军;;数学的实践与认识;20060725(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112269948A (zh) | 2021-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102528748B1 (ko) | 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체 | |
| CN111353009B (zh) | 建立路线耗时预估模型、预估路线耗时的方法及对应装置 | |
| JP2021531541A (ja) | ジオロケーションの予測のためのシステムおよび方法 | |
| KR20220092985A (ko) | 노선 계획 방법, 장치, 기기 및 컴퓨터 기록 매체 | |
| JP7334205B2 (ja) | 目的地の予測方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム | |
| CN112419722B (zh) | 交通异常事件检测方法、交通管控方法、设备和介质 | |
| CN111708876A (zh) | 生成信息的方法和装置 | |
| CN111292549B (zh) | 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置 | |
| WO2022088677A1 (zh) | 建立区域热度预测模型、区域热度预测的方法及装置 | |
| CN114639233B (zh) | 一种拥堵状态预测方法、装置、电子设备及存储介质 | |
| CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
| CN114357105A (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
| CN112269948B (zh) | 估计剩余路线时长的方法、装置、设备和计算机存储介质 | |
| CN111782974B (zh) | 路线推荐模型的训练和路线推荐方法、装置、设备和介质 | |
| CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
| CN111522928A (zh) | 一种知识抽取方法、装置、设备和介质 | |
| CN113741459B (zh) | 确定训练样本的方法和自动驾驶模型的训练方法、装置 | |
| CN112861023B (zh) | 地图信息处理方法、装置、设备、存储介质及程序产品 | |
| CN114490968B (zh) | 对话状态跟踪方法、模型训练方法、装置以及电子设备 | |
| CN113124887A (zh) | 路线信息处理方法、装置、设备及存储介质 | |
| CN116884215B (zh) | 交通状态的预测、模型的生成方法、装置、设备及介质 | |
| CN114970949B (zh) | 行驶速度预测方法、装置、电子设备及存储介质 | |
| CN115879468B (zh) | 基于自然语言理解的文本要素提取方法、装置和设备 | |
| CN111767479A (zh) | 推荐模型生成方法、装置、电子设备及存储介质 | |
| CN111753037A (zh) | 信息表征方法、装置、电子设备及存储介质 |
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 |