CN112797994A - 用于确定路线的预计到达时间的方法及相关装置和服务器 - Google Patents

用于确定路线的预计到达时间的方法及相关装置和服务器 Download PDF

Info

Publication number
CN112797994A
CN112797994A CN201911114576.XA CN201911114576A CN112797994A CN 112797994 A CN112797994 A CN 112797994A CN 201911114576 A CN201911114576 A CN 201911114576A CN 112797994 A CN112797994 A CN 112797994A
Authority
CN
China
Prior art keywords
link
time
current
unit
road section
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911114576.XA
Other languages
English (en)
Inventor
李全乐
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.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201911114576.XA priority Critical patent/CN112797994A/zh
Publication of CN112797994A publication Critical patent/CN112797994A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions

Abstract

本公开公开了一种用于确定路线的预计到达时间的方法及相关装置和服务器。所述方法对路线包含的路段单元(包含link或link及其进入路口)，执行如下步骤：根据已获得的当前路段单元中当前link的预计到达时间、已获得的所述当前link的预计到达时间的不确定度参数，以及当前路段单元的特征集合，至少获得当前路段单元的预计通行时间；获得当前link的预计到达时间和当前路段单元的预计通行时间的和值；若当前link是路线最后一个的路段单元的link，则将所述和值确定为所述路线的预计到达时间。本公开可使得最终得到的每个路段单元的预计通行时间更为准确，相应的整个导航规划路线的预计到达时间也更准确。

Description

用于确定路线的预计到达时间的方法及相关装置和服务器
技术领域
本公开涉及导航技术领域，特别涉及一种用于确定路线的预计到达时间的 方法及相关装置和服务器。
背景技术
在出行服务领域，用户给定起点A和终点B进行路线规划时，出行服务 APP通常需要展示相关路线的预计到达时间(Estimated Time ofArrival，ETA)。 例如，从起点A到终点B，现在出发，躲避拥堵的导航路线预计15分钟后到 达终点B。
现有技术采用基线模型预估路线的ETA。基线模型通常用路线包含的至 少一个路段(link)的通行时间和路口补偿时间进行建模，该模型表达如下：
Figure BDA0002273713460000011
其中，link时间是指路线中单个link的通行时间，单个link的通行时间 可以基于该link的历史平均通行时间和实时通行时间融合后得到，融合方法如 下公式所示：
link时间＝k*SPt+(1-k)*Autolrt
其中，SPt是link的历史平均通行时间，是基于link的历史通行数据统计 得到的，可以反应该link通行时间的规律性；Autolrt是link的实时通行时间。
由上述模型可以看出，现有技术虽然考虑了路线中link的历史平均通行 时间、实时通行时间以及路线中的路口补偿时间，但由于道路通行情况复 杂，该上述基本模型没有充分表达影响ETA的因素，因此，现有技术存在 ETA预估不准确的问题。
发明内容
鉴于上述问题，提出了本公开以便提供一种克服上述问题或者至少部分地 解决上述问题的一种用于确定路线的预计到达时间的方法及相关装置和设 备。
第一方面，本公开实施例提供了一种用于确定路线的预计到达时间的方 法，所述路线包含至少一个路段单元，所述路段单元包含路段link或路段link 及其进入路口，对所述路段单元执行如下步骤：
根据已获得的当前路段单元中当前link的预计到达时间、已获得的所述当 前link的预计到达时间的不确定度参数，以及所述当前路段单元的特征集合， 至少获得当前路段单元的预计通行时间；
获得所述当前link的预计到达时间和所述当前路段单元的预计通行时间的 和值；
若所述当前link是所述路线最后一个的路段单元的link，则将所述和值确 定为所述路线的预计到达时间。
在一个或一些实施例中，若所述当前link不是所述路线最后的一个路段单 元的link，则所述方法还包括：
将所述和值确定为预计到达下一个路段单元中link的预计到达时间，所述 下一个路段单元是所述路线中经过所述当前路段单元后进入的路段单元；
根据已获得的当前link的预计到达时间、已获得的当前link的预计到达时 间的不确定度参数，以及当前路段单元的特征集合，获得下一个路段单元中link 的预计到达时间的不确定度参数；
将所述下一个路段单元中的link作为当前link，返回所述至少获得当前link 的预计通行时间的步骤。
在一个或一些实施例中，根据已获得的当前link的预计到达时间、已获得 的当前link的预计到达时间的不确定度参数，以及当前路段单元的特征集合， 获得下一个路段单元中link的预计到达时间的不确定度参数，包括：
将已获得的当前link的预计到达时间、已获得的当前link的预计进入时间 的不确定度参数，以及当前路段单元的特征集合，输入预训练的循环神经网络 模型，所述循环神经网络模型输出当前路段单元的预计通行时间和所述当前路 段单元中当前link的预计进入时间的不确定度参数。
在一个或一些实施例中，所述路段单元的特征集合，包括：离散特征集合 和连续特征集合；
所述离散特征集合至少包括：所述路段单元中link的道路类型特征、所述 路段单元中link的道路拥堵状态特征、所述路段单元中路口的类型特征、所述 路线在所述路段单元中路口的导航动作特征；
所述连续特征集合至少包括：所述路段单元中link的至少一个历史平均通 行时间，所述路段单元中link的实时通行时间；所述至少一个历史平均通行时 间，包括：处于当前link的预计到达时间之前和/或之后的多个历史到达时间 所对应的各历史平均通行时间。
在一个或一些实施例中，所述方法进一步包括：
将所述离散特征集合中的特征输入embedding层，将embedding层的输出 作为循环神经网络模型的输入。
在一个或一些实施例中，不确定度参数用于表征已获得的当前路段单元中 link的预计进入时间的时间偏差不确定度值。
第一方面，本公开实施例提供了一种用于确定路线的预计到达时间的装 置，包括：
预计通行时间获得模块，用于根据已获得的当前路段单元中当前link的预 计到达时间、已获得的所述当前link的预计到达时间的不确定度参数，以及所 述当前路段单元的特征集合，至少获得当前路段单元的预计通行时间；所述路 线包含至少一个路段单元，所述路段单元包含路段link或路段link及其进入路 口；
时间累加模块，用于获得所述当前link的预计到达时间和所述当前路段单 元的预计通行时间的和值；
判断模块，用于确定当前link是否是所述路线最后一个的路段单元的link；
预计到达时间确定模块，用于所述确定模块确定是所述路线最后一个的路 段单元的link时，将所述时间累加单元输出的和值确定为所述路线的预计到达 时间。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机指令， 该指令被处理器执行如上所述的用于确定路线的预计到达时间的方法。
本公开实施例还提供一种导航服务器，包括存储器，处理器及存储在存储 器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上 所述的用于确定路线的预计到达时间的方法。
本公开实施例提供的上述技术方案的有益效果至少包括：
本公开实施例提供的上述用于确定路线的预计到达时间的方法、装置及相 关服务器，对于路线中的每个路段单元，根据已获得的当前路段单元中当前link 的预计到达时间、已获得的当前link的预计到达时间(进入时间)的不确定度 参数，以及路段单元的各类特征集合，可获得当前路段单元的预计通行时间， 然后确定当前link的预计到达时间和所述当前路段单元预计通行时间的和值； 如果当前link是所述路线的最后的一个link，那么该和值即为路线的预计到达 时间，本公开实施例充分利用了每个路段单元中link的上一个link的预计到达 时间、上一个link的预计到达时间的不确定性参数来影响本路段单元中link的 预计通行时间的计算，相对于现有技术，由于充分考虑了真实通行过程中上一个路段单元中link的预计到达时间及上一个路段单元中link的预计到达时间的 不确定性，会对相邻的下游路段单元中link的预计通行时间的造成影响的实际 情况，使得最终得到的导航规划录像的每个link的预计通行时间更为准确，整 个规划导航路线的预计到达时间也相应的更准确。
本公开实施例采用了预设训练的神经网络模型参与路线中每个路段单元 的预计通行时间的计算和link的预计到达时间不确定度参数的学习，由于该神 经网络模型可通过对真实的用户通行数据样本进行训练，得到在不同时刻进入 某一link时，该时刻的前后多个时刻对应的历史平均通行时间之间的权重关系， 通过该神经网络对路段单元的预计通行时间的学习，可进一步地提高ETA计 算的准确性。
本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明 书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可 通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获 得。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
附图用来提供对本公开的进一步理解，并且构成说明书的一部分，与本公 开的实施例一起用于解释本公开，并不构成对本公开的限制。在附图中：
图1为本公开实施例提供的一种用于确定路线的预计到达时间的方法流程 图；
图2为本公开实施例提供的一个导航路线规划的示意图；
图3为本公开实施例提供的通过神经网络模型，确定预计通行时间的模型 组成示意图；
图4为本公开实施例提供的一种用于确定路线的预计到达时间的装置的结 构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了 本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被 这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本 公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本公开的发明人发现，现有计算ETA的基线模型过于简化，由于路线中 每个link的预计到达时间(也就是预计进入时间)的不确定性，可能导致每个 link的历史平均通行时间和实时通行时间的选择都存在不确定性，也没有考虑 导航规划路线中上游link通行时间的不确定性对下游link通行时间的影响(不 同时段的历史平均通行速度可能不同)，从而导致最终路线的ETA计算不准确， 因此为了解决路线的ETA计算不准确的问题，本公开实施例从导航路线中的 每个路段单元入手，充分考虑路段单元中每个link的预计到达时间(预计进入 时间)的不确定性、上游路段单元中link通行时间的不确定性对下游路段单元 中的预计通行时间(包含link的预计通行时间和进入路口的预计通行时间)不 确定性影响的角度出发，提供了一种用于确定路线的预计到达时间的方法及相 关装置和服务器，来提高路线的ETA估算的准确性。
本公开记载的路段单元有两种，一种路段单元仅包括link，另一种路段单 元包括link及link的进入路口，所述link的进入路口是指经过该link进入的路 口。通常电子地图中的道路会被分为若干个link，link比道路的长度短，位于 道路中间部分的link进入的是另一条link，而对于连接了路口的道路而言，该 道路的最后一段link则会有进入路口，针对此类link，本公开中将其作为一个 整体。
下面分别对本公开实施例提供的一种用于确定路线的预计到达时间的方 法及相关装置和服务器的具体实施方式进行详细的说明。
本公开实施例提供一种用于确定路线的预计到达时间的方法，其将路线中 的每个link或link及其进入路口作为一个整体即路段单元来进行处理，对于每 个路段单元，其执行流程参照图1所示，可以包括以下步骤：
S101、根据已获得的当前路段单元中当前link的预计到达时间、已获得的 该当前link的预计到达时间的不确定度参数，以及当前路段单元的特征集合， 至少获得当路段单元的预计通行时间。
在发明实施例中，路线可以是采用各种方式已生成的导航规划路线。
上述步骤S101中，路线是由若干个路段单元组成的，每个路段单元都包 含一个link和后续的进入路口，针对路线中的每个路段单元，获得当前路段单 元中当前link的预计到达时间(也是预计进入时刻)，是指从路线的起点所在 的link沿路线预计到达所述当前link的时间，上述“进入路口”是指路线中经 过当前link后紧跟着就进入的路口。
每一个路段单元中link的预计到达时间的不确定度参数，用于表征该link 预计进入时刻在预设范围内的时间偏差(早偏差或晚偏差，就是比预计到达时 间早，还是比预计到达时间晚的偏差)。
对于路线的首个路段单元中的link而言，其预计到达时间确定的(预计到 达时间即预计进入时间，那么可以根据出发时间确定)，所以其对应的当前link 的预计到达时间的不确定度参数即为零；
对于后续的每个非首个路段单元中的link而言，其预计到达时间的不确定 参数，可能会受上游路段单元中link的预计到达时间的不确定参数的影响，因 此，可以通过神经网络学习的方法获得。
S102、获得当前link的预计到达时间和当前路段单元的预计通行时间的和 值；
S103、判断该当前link是否为该路线的最后一个路段单元的link，若是， 则执行下述步骤S104；
S104、将当前link的预计到达时间和当前路段单元的预计通行时间的和值 确定为路线的预计到达时间。
在本步骤S104中，如果这个当前link是最后一个路段单元中的link，则 将当前路段单元的预计通行时间与最后一个link的预计到达时间相加，就可以 得到该路线的预计到达时间。
本公开实施例提供的上述用于确定路线的预计到达时间的方法、装置及相 关服务器，对于路线中的每个路段单元(包含一个link，或者包含link及其进 入路口)而言，根据已获得的当前路段单元中当前link的预计到达时间、已获 得的用于该当前link的预计到达时间(进入时刻)的不确定度参数，以及当前 路段单元的各类特征集合，可获得当前路段单元的预计通行时间，然后确定该 当前link的预计到达时间和当前路段单元的预计通行时间的和值；如果当前 link是路线的最后一个路段单元的link，那么该和值即为路线的预计到达时间， 本公开实施例充分利用了每个路段单元中link的上一个link(即上一个路段单 元中的link)的预计到达时间、上一个link的预计到达时间的不确定性参数来 影响本路段单元的预计通行时间的计算，相对于现有技术，由于充分考虑了真 实通行过程中上一个路段单元中link的预计到达时间及上一个路段单元中link 的预计到达时间的不确定性，会对相邻的下游link的预计通行时间的造成影响 的实际情况，使得最终得到的导航规划路线中的每个路段单元中的link及其进 入路口的预计通行时间更为准确，整个规划导航路线的预计到达时间也相应的 更准确。
在本公开实施例提供的上述用于确定路线的预计到达时间的方法中，将当 前路段单元的预计通行时间作为一个整体进行学习，获得当前link的预计到达 时间、当前link的预计到达时间的不确定度参数，以及当前路段单元的特征集 合，获得当前路段单元的预计通行时间和用于下一个link的预计到达时间的不 确定度参数，并进而循环进行计算，推算出下一个link的预计到达时间，并根 据下一个link的预计到达时间、下一个link的预计到达时间的不确定参数(上 一个link的计算结果)，得到下一个路段单元的预计通行时间，以及用于再下 一个路段单元中link的预计到达时间的不确定度参数，直至最后一个路段单元 中的link，由于最后一个link后面不再有其他link，因此，对于最后一个link， 不需要再计算下一个路段单元中link的预计到达时间的不确定度参数。
在一个实施例中，不确定度参数用于表征已获得的当前link的预计到达时 间(也就是预计到达时间)的时间偏差的不确定度值。
基于此，对于路线中每个非最后一个路段单元中的link来说，除了执行上 述步骤S101～S103之外，仍然参照图1所示，还可以执行下述步骤：
S105、将当前link的预计到达时间和当前路段单元的预计通行时间的和值 作为预计到达下一个路段单元中link的预计到达时间；
其中，下一个路段单元是路线中经过当前路段单元后进入的路段单元；
S106、根据已获得的当前link的预计到达时间、已获得的当前link的预计 到达时间的不确定度参数，以及当前路段单元的特征集合，获得下一个路段单 元中link的预计到达时间的不确定度参数；
S107、将所述下一个路段单元中的link作为当前link，然后转向上述步骤 S101。
在本步骤S105～S107中，根据当前路段单元中当前link的预计到达时间、 已获得的当前link的预计到达时间的不确定参数，以及当前路段单元的特征集 合，可以得到当前link的下一个路段单元中的link(即下一个link)的预计到 达时间的不确定参数。
具体来说，上述步骤S101和步骤S106中，可以通过神经网络模型学习的 方式，获得当前link的预计通行时间和当前link的下一个link的预计到达时间 的不确定性参数。
例如采用下述方式：将已获得的当前link的预计到达时间、已获得的当前 link的预计到达时间的不确定度参数，以及当前路段单元的特征集合，输入预 训练的循环神经网络模型，该循环神经网络模型输出当前路段单元的预计通行 时间、当前link的预计到达时间的不确定度参数。
预训练的神经网络模型在训练时，将大量的用户通行数据作为训练样本， 这些用户通行数据包含了从设定起点到设定终点的用户实际通行时间，这些样 本数据中隐含了每个link进入时刻与该link所在路段单元的通行时间的关系。 使用这样的训练样本，神经网络模型可以实现对进入时刻与link所在路段单元 通行时间的关系的学习。
上述神经网络模型可以采用现有的多种模型，例如CNN卷积神经网络、 RNN循环神经网络、DNN深度神经网络等，本公开实施例对此不做具体限定。
在一个实施例中，上述步骤S101、S106中，当前路段单元的特征集合， 例如可以包括：离散特征集合和连续特征集合；其中：
1、离散特征集合至少包括：路段单元中link的道路类型特征、路段单元 中link的道路拥堵状态特征、路段单元中路口的类型特征、路线在路段单元中 路口的导航动作特征；
当前link的道路类型特征包括但不限于：例如高速路、快速路、主干道、 环路、国道、省道等。
路口的类型特征包括但不限于：例如，无红绿灯、有红绿灯的T字路口、 有红绿灯的十字路口等；
导航动作特征即规划导航路线的转向类型特征，包括但不限于：例如左转、 右转、直行等。
当前link的道路拥堵状态特征包括但不限于：一般拥堵(例如拥堵级别中 等)、极度拥堵(例如拥堵级别达到较高级别)和畅通(例如拥堵级别较低)。
2、连续特征集合至少包括：路段单元中link的至少一个历史平均通行时 间，路段单元中link的实时通行时间；
至少一个历史平均通行时间，具体包括：处于当前link的预计到达时间之 前和/或之后的多个历史到达时间所对应的各历史平均通行时间；例如当前link 的预计到达时间之前和/或之后预设范围所包含的多个历史到达时间所对应的 各历史平均通行时间。
当前link的实时通行时间为用户实际出发时间和每个link之前所有路段单 元的预计通行时间的累计和值，确定每个link的实际进入时间，根据实际进入 时间，可获得当前link的实时通行时间。
在本公开实施例中，上述当前link的预计进入时刻之前和/或之后预设范 围所包含的多个时刻所对应的各历史平均通行时间，举例来说，例如可以是当 前link预计进入时刻(本公开实施例中时刻均表示一个预设的小的单位时间段， 比如以10分钟为一个单位)前后各1小时内的历史平均通行时间。比如：预 计进入当前link的时刻是上午10:00～10:10，则取10:00前一个小时和10:10后 一个小时，即上午9:00到11:10这两个小时的时段内每个单位时间段内进入当 前link时所对应的历史平均通行时间；
历史平均通行时间，例如可以基于对历史通行数据大量统计得到的，表征 在某一个时间段内进入某一link时，通过该link所需时长的平均值。由于同一 link在不同日期和一天中不同的时间段，其交通状态是不同的，所以通过该link 所用的时长也是不同，需要根据情形计算平均值。例如，对于某个link，周一 因为是上班第一天，通常路况要比周三的路况更拥堵；而且周一的早上7:00 因为正是上班高峰时间，所以要比下午2:00的路况更拥堵。例如可以通过计算 多天的同一个时间段的历史通行时长的数据的平均值，得到每个时间段对应的 历史平均通行时间。
在一个实施例中，上述离散特征集合，并不直接输入到上述神经网络模型 中，而是先将离散特征集合中的各种特征输入embedding层，然后将embedding 层的输出作为循环神经网络模型的输入。
以一个实际的例子说明本公开实施例提供的上述确定路线的预计到达时 间的方法。
从导航规划路线的第一个路段单元的link即第一个link开始，对于每个当 前link，根据出发时刻和当前link之前所有路段单元的预计通行时间的累计值 可计算得到当前link的预计到达时间、当前link的预计进入时间不确定度参数 (通过上一个路段单元计算得来)，以及当前路段单元的特征集合信息，可确 定当前路段单元的预计通行时间，以及进一步获得当前路段单元的下一个路段 单元中link的预计进入时间的不确定度参数；
而得到的当前路段单元的预计通行时间，又会进一步与出发时间和前面的 所有路段单元的预计通行时间累计得到下一个路段单元中link的预计到达时 间，然后，对于下一个路段单元中的link来说，再循环重复上述过程，直至路 线的最后一个路段单元中的link，也即最后一个link，不同的是，最后一个link 不需要计算下一个link的预计通行时间。
下面结合附图2和图3所示的实例，对本公开实施例进行进一步说明：
参照图2所示，计算机系统可根据用户设定的起点A和终点B确定导航 规划路线，然后获取导航规划路线所包含的各个link(link1～link8)及其进入 路口和每个路段单元的特征信息。
为了方便计算，将用户在起点A的出发时间设置为0点，那么对于后续每 个link的预计到达时间，就可以直接通过和前面的所有路段单元的预计通行时 间累计值得到。
参照图4所示，从导航规划路线的第一个路段单元的link开始，对于某第 n个路段单元的link，将该第n个路段单元的link之前所有路段单元的预计通 行时间的累计值∑yn-1也就是当前link的预计到达时间、当前link的预计到达 时间的不确定度参数(即通过上一个路段单元中的link，即第n-1个link计算 得到的不确定度参数Z1和Z2)，以及该路段单元的特征信息集合(包含link 的相关特征信息、进入路口的相关特征信息)所对应特征向量集{fn}作为输入， 输入到预训练的神经网络模型中，该神经网络模型输出该第n个路段单元中 link的预计通行时间yn以及确定该第n个路段单元的下一个路段单元(即第n+1个)中link的预计到达时间的不确定度参数Z1和Z2。
需要说明的是，对于第一个路段单元中的link来说，其预计到达时间即出 发时间，是明确，因此，在计算时，输入至神经网络模型中的预计到达时间为 0，当前link的预计到达时间的不确定度参数Z1和Z2均为0；
将得到的第n个路段单元的link的预计通行时间yn与前n-1个路段单元的 预计通行时间∑yn-1相加，可得到前n个路段单元的预计通行时间的累计值 ∑yn，也即第n+1个路段单元中link的预计到达时间(因为出发时间为0，则 ∑yn即第n+1个link的预计到达时间)。然后重复上述过程，将∑yn、第n+1 个路段单元中link的预计到达时间的不确定度参数Z1和Z2，以及第n+1个路 段单元的相关特征信息集合对应特征向量集合{fn+1}作为输入，输入到神经网络 模型中，神经网络模型输出得到第n+1个路段单元的预计通行时间yn+1，以及 下一个路段单元中的link(即第n+2个link)的预计到达时间的不确定度参数Z1 和Z2。以此类推，直至计算出导航规划路线中全部的路段单元的预计通行时间 的累计值，最终得到整个路线的预计到达时间。
上述不确定度参数Z1和Z2，分别表征了对应link的预计到达时间在不同 时间范围内所对应的不确定度(即时间偏差)，具体来说：
Z1为该link在预计进入时间之前预设时间范围内的不确定度参数；
Z2为该link在预计进入时间之后预设时间范围内的不确定度参数；
举例来说，在进入某一link之前，不能确定进入该link的实际到达时间是 会早于预计到达时间还是会晚于预计到达时间，所以设置Z1和Z2两个参数， 分别表示在预计进入时间之前和之后预设范围内的时间偏差的不确定度值。例 如，预计在上午10:00进入第3个link(L3)，Z1表示L3的预计到达时间10:00 之前一个小时内的时间偏差的不确定度值；Z2表示10:00之后一个小时内的时 间偏差的不确定度值。
预训练的神经网络模型在训练时，将大量的用户通行数据作为训练样本， 这些用户通行数据包含了从设定起点到设定终点的用户实际通行时间，这些样 本数据中包含了每个link进入时刻与该link所在路段单元实际通行时间的关 系。使用这样的训练样本，对任一预计到达时间进入某link时，该预计到达时 间之前和/或之后预设范围所包含的多个时刻所对应的各历史平均通行时间的 权重进行训练。
作为神经网络模型输入的任一路段单元(包含link或link及进入路口)的 特征信息，可以包括下述一项或多项信息：
当前路段单元中link的预计进入时刻之前和/或之后预设范围所包含的多 个时刻所对应的各历史平均通行时间；
当前路段单元中link所属道路类型，比如高速路、省道、国道、快速路等；
当前路段单元中link的实时道路交通信息，例如，该link的实时道路通行 时间、实时道路行驶速度和道路拥堵状态(一般拥堵、极度拥堵和畅通)。
当前路段单元中link的进入路口类型特征，例如有红绿灯的T型、十字型 路口等；
当前路段单元中link的进入路口的导航动作特征，例如左转、右转和直行 等。
具体来说，从导航规划路线的起点A开始，确定第一个路段单元的link (n＝1)，即L1的预计通行时间。根据图3所示的模型，计算L1的预计通行 时间神经网络模型的输入为：
1.1)L1之前所有路段单元的预计通行时间的累计值∑yn-1，也就是link 的预计到达时间(出发时间设为0)；因为L1为第一个路段单元的link，之前 没有link，所以，L1(n＝1)之前所有路段单元的预计通行时间的累计值∑y0为 零；
1.2)L1的上一个link的预计通行时间的不确定度参数Z1和Z2，也就是 L1的预计到达时间的不确定度参数；因为L1为第一个路段单元的link，之前 没有link，所以L1的预计到达时间的不确定度参数也为零。
1.3)确定L1所在的路段单元自身的特征信息对应的特征向量集合{f1}， 包括：L1所属的道路属性特征、L1的实时道路交通信息特征、L1的预计进入 时间之前和/或之后预设范围内包含的多个时间段(以10分钟为一个基本时间 单位)对应的各历史平均通行时间特征，L1进入路口的类型特征和导航动作 特征等。
例如L1的预计进入时间为上午10：00点，则选取10:00之前的一个小时 即9:00～10:00之间每个时间段(10分钟为一个时间段)所对应的各历史平均 通行时间特征，并选取10:00～10:10这个时间段之后的一个小时即10:10～11:10 之间每个时间段(10分钟为一个时间段)所对应的各历史平均通行时间特征， 再加上10:00～10:10这个时间段所对应的历史平均通行时间特征，那么一共是 13个历史平均通行时间特征。
将上述参数输入到神经网络模型中，神经网络模型根据输入的∑y0、Z1和 Z2以及{f1}所包含的信息，输出L1所在路段单元的预计通行时间y1和用于L2 的预计进入时间的不确定度参数Z11和Z21。
依次类推，不断通过上述神经网络模型，再针对L2，计算L2所在路段单 元的预计通行时间及L3的预计到达时间的不确定度参数，循环计算，直至计 算出最后一个Link即Link8所在路段单元的预计通行时间，然后再与L8的预 计到达时间求和值，得到整个路线最终的到达时间。
需要说明的是，本公开实施例，还可以分别针对link和路口，利用神经网 络模型分别对link的预计通行时间和路口的预计通行时间进行学习，最终通过 累计的方式，将所有link的预计通行时间的累计值和路口的预计通行时间的累 计值相加后得到整个路线的预计到达时间，link的预计通行时间和路口的预计 通行时间的学习的具体实施方式与前述利用神经网络对路段单元的预计通行 时间学习的实施方式相类似，不同的是在学习过程中，输入的特征分别是link 的相关特征和路口的相关特征，在此不再详述。
基于同一发明构思，本公开实施例还提供了一种用于确定路线的预计到达 时间的装置及相关服务器，由于这些装置和服务器所解决问题的原理与前述用 于确定路线的预计到达时间的方法相似，其中各个模块执行操作的具体方式已 经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例还提供了一种用于确定路线的预计到达时间的装置，参照图 4所示，该装置包括：
预计通行时间获得模块51，用于根据已获得的当前路段单元中当前link 的预计到达时间、已获得的所述当前link的预计到达时间的不确定度参数，以 及所述当前路段单元的特征集合，至少获得当前路段单元的预计通行时间；所 述路线包含至少一个路段单元，所述路段单元包含路段link或路段link及其进 入路口；
时间累加模块52，用于获得所述当前link的预计到达时间和所述当前路段 单元的预计通行时间的和值；
判断模块53，用于确定当前link是否是所述路线最后一个的路段单元的 link；
预计到达时间确定模块54，用于所述确定模块确定是所述路线最后一个的 路段单元的link时，将所述时间累加单元输出的和值确定为路线的预计到达时 间。
在一个实施例中，所述用于确定路线的预计到达时间的装置，还包括：不 确定性参数获得模块55；其中：
所述预计到达时间确定模块54，还用于将所述和值确定为下一个路段单元 中link的预计到达时间，所述下一个路段单元是所述路线中经过所述当前路段 单元后进入的路段单元；
不确定性参数获得模块55，用于根据已获得的当前link的预计到达时间、 已获得的当前link的预计到达时间的不确定度参数，以及当前路段单元的特征 集合，获得下一个路段单元中link的预计到达时间的不确定度参数；
所述预计通行时间获得模块51，还用于将下一个路段单元中的link作为当 前link。
在一个实施例中，预计通行时间获得模块51和不确定度参数确定模块55， 用于通过下述方式分别获得预计通行时间和不确定度参数：将已获得的当前 link的预计到达时间、已获得的当前link的预计进入时间的不确定度参数，以 及当前路段单元的特征集合，输入预训练的循环神经网络模型，循环神经网络 模型输出当前路段单元的预计通行时间和所述当前路段单元中当前link的预计 进入时间的不确定度参数。
在一个实施例中，所述当前路段单元的特征集合，包括：离散特征集合和 连续特征集合；
离散特征集合至少包括：所述路段单元中link的道路类型特征、所述路段 单元中link的道路拥堵状态特征、所述路段单元中路口的类型特征、所述路线 在所述路段单元中路口的导航动作特征；
连续特征集合至少包括：所述路段单元中link的至少一个历史平均通行时 间，所述路段单元中link的实时通行时间；所述至少一个历史平均通行时间， 包括：处于当前link的预计到达时间之前和/或之后的多个历史到达时间所对 应的各历史平均通行时间。
在一个实施例中，上述用于确定路线的预计到达时间的装置，参照图4所 示，进一步包括：特征处理模块56，用于将所述离散特征集合中的各种特征输 入embedding层，将embedding层的输出作为循环神经网络模型的输入。
本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机指 令，该指令被处理器执行时实现上述用于确定路线的预计到达时间的方法。
本公开实施例还提供了一种导航服务器，包括存储器，处理器及存储在存 储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述用 于确定路线的预计到达时间的方法。
本公开实施例提供的用于确定路线的预计到达时间的方法及相关装置和 服务器，更贴近真实通行过程中上一个link的预计到达时间及上一个link的 预计到达时间的不确定性，会对相邻的link的预计通行时间的造成影响的实 际情况，使得最终得到的每个路段单元的预计通行时间更为准确，整个规划 导航路线的预计到达时间也相应的更准确。据发明人测算，在北京地区，采 用本公开实施例提供的用于确定路线的预计到达时间的方法，较采用传统的 基线模型进行ETA的计算，其ETA的准确率可提升3.15％以上，取得了较好 的技术效果。
进一步地，本公开实施例采用了预设训练的神经网络模型参与路线中每个 路段单元的预计通行时间的计算和link的预计到达时间不确定度参数的学习， 由于该神经网络模型可通过对真实的用户通行数据样本进行学习，得到在不同 时刻进入某一link时，该时刻的前后多个时刻对应的历史平均通行时间之间的 权重关系，通过该神经网络的学习，可进一步地提高ETA计算的准确性。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计 算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和 光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产 品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入 式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算 机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一 个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设 备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中 的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处 理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本 公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求 及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。

Claims (9)

1.一种用于确定路线的预计到达时间的方法，其特征在于，所述路线包含至少一个路段单元，所述路段单元包含路段link或路段link及其进入路口，对所述路段单元执行如下步骤：
根据已获得的预计到达当前路段单元中当前link的预计到达时间、已获得的所述当前link的预计到达时间的不确定度参数，以及所述当前路段单元的特征集合，至少获得当前路段单元的预计通行时间；
获得所述当前link的预计到达时间和所述当前路段单元的预计通行时间的和值；
若所述当前路段单元是所述路线最后一个的路段单元，则将所述和值确定为所述路线的预计到达时间。
2.如权利要求1所述的方法，其特征在于，若所述当前路段单元不是所述路线最后的一个路段单元，则所述方法还包括：
将所述和值确定为预计到达下一个路段单元中link的预计到达时间，所述下一个路段单元是所述路线中经过所述当前路段单元后进入的路段单元；
根据已获得的当前link的预计到达时间、已获得的当前link的预计到达时间的不确定度参数，以及当前路段单元的特征集合，获得下一个路段单元中link的预计到达时间的不确定度参数；
将所述下一个路段单元中的link作为当前link，返回所述至少获得当前link的预计通行时间的步骤。
3.如权利要求2所述的方法，其特征在于，根据已获得的当前link的预计到达时间、已获得的当前link的预计到达时间的不确定度参数，以及当前路段单元的特征集合，获得下一个路段单元中link的预计到达时间的不确定度参数，包括：
将已获得的当前link的预计到达时间、已获得的当前link的预计进入时间的不确定度参数，以及当前路段单元的特征集合，输入预训练的循环神经网络模型，所述循环神经网络模型输出当前路段单元的预计通行时间和所述当前路段单元中当前link的预计进入时间的不确定度参数。
4.如权利要求3所述的方法，其特征在于，所述路段单元的特征集合，包括：离散特征集合和连续特征集合；
所述离散特征集合至少包括：所述路段单元中link的道路类型特征、所述路段单元中link的道路拥堵状态特征、所述路段单元中进入路口的类型特征、所述路线在所述路段单元中路口的导航动作特征；
所述连续特征集合至少包括：所述路段单元中link的至少一个历史平均通行时间，所述路段单元中link的实时通行时间；所述至少一个历史平均通行时间，包括：处于当前link的预计到达时间之前和/或之后的多个历史到达时间所对应的各历史平均通行时间。
5.如权利要求4所述的方法，其特征在于，所述方法进一步包括：
将所述离散特征集合中的特征输入embedding层，将embedding层的输出作为循环神经网络模型的输入。
6.如权利要求1-5任一项所述的方法，其特征在于，不确定度参数用于表征已获得的当前路段单元中link的预计进入时间的时间偏差不确定度值。
7.一种用于确定路线的预计到达时间的装置，其特征在于，包括：
预计通行时间获得模块，用于根据已获得的当前路段单元中当前link的预计到达时间、已获得的所述当前link的预计到达时间的不确定度参数，以及所述当前路段单元的特征集合，至少获得当前路段单元的预计通行时间；所述路线包含至少一个路段单元，所述路段单元包含路段link或路段link及其进入路口；
时间累加模块，用于获得所述当前link的预计到达时间和所述当前路段单元的预计通行时间的和值；
判断模块，用于确定当前link是否是所述路线最后一个的路段单元的link；
预计到达时间确定模块，用于所述确定模块确定是所述路线最后一个的路段单元的link时，将所述时间累加单元输出的和值确定为所述路线的预计到达时间。
8.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行如权利要求1-6中任一项所述的用于确定路线的预计到达时间的方法。
9.一种导航服务器，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的用于确定路线的预计到达时间的方法。
CN201911114576.XA 2019-11-14 2019-11-14 用于确定路线的预计到达时间的方法及相关装置和服务器 Pending CN112797994A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911114576.XA CN112797994A (zh) 2019-11-14 2019-11-14 用于确定路线的预计到达时间的方法及相关装置和服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911114576.XA CN112797994A (zh) 2019-11-14 2019-11-14 用于确定路线的预计到达时间的方法及相关装置和服务器

Publications (1)

Publication Number Publication Date
CN112797994A true CN112797994A (zh) 2021-05-14

Family

ID=75804036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911114576.XA Pending CN112797994A (zh) 2019-11-14 2019-11-14 用于确定路线的预计到达时间的方法及相关装置和服务器

Country Status (1)

Country Link
CN (1) CN112797994A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822061A (zh) * 2022-03-30 2022-07-29 阿里巴巴（中国）有限公司 到达时间预估方法、装置、电子设备及计算机程序产品
CN115512549A (zh) * 2022-11-23 2022-12-23 无锡智谷锐拓技术服务有限公司 用于智慧汽车的交通信息动态更新系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822061A (zh) * 2022-03-30 2022-07-29 阿里巴巴（中国）有限公司 到达时间预估方法、装置、电子设备及计算机程序产品
CN114822061B (zh) * 2022-03-30 2023-11-28 阿里巴巴（中国）有限公司 到达时间预估方法、装置、电子设备及计算机程序产品
CN115512549A (zh) * 2022-11-23 2022-12-23 无锡智谷锐拓技术服务有限公司 用于智慧汽车的交通信息动态更新系统及方法

Similar Documents

Publication Publication Date Title
US11143522B2 (en) Travel time prediction method, apparatus and server
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
US9599488B2 (en) Method and apparatus for providing navigational guidance using the states of traffic signal
CN102521989B (zh) 一种动态数据驱动的高速公路出口流量预测方法
Płaczek A self-organizing system for urban traffic control based on predictive interval microscopic model
JP5901838B2 (ja) リンクにおける未来の移動時間を予測する方法
CN112466117A (zh) 基于深度时空残差网络的路网短时交通流预测方法
CN112185124B (zh) 一种全路网交通状态预测方法及装置
CN112797994A (zh) 用于确定路线的预计到达时间的方法及相关装置和服务器
CN111540204A (zh) 一种面向交叉口问题诊断的交通运行状态评估方法及装置
Ivanjko et al. Ramp metering control based on the Q-learning algorithm
Lin et al. An efficient model for urban traffic network control
CN105303838A (zh) 确定道路流量的方法和装置
CN113223293B (zh) 路网仿真模型的构建方法、装置及电子设备
WO2019012832A1 (ja) 交通管理装置、交通管理システムおよび交通管理方法
CN111160594B (zh) 一种到达时间的预估方法、装置及存储介质
Khadhir et al. Development of a theoretical delay model for heterogeneous and less lane-disciplined traffic conditions
CN114758514B (zh) 一种基于道路使用模式的路径诱导方法及系统
CN113628446B (zh) 一种基于物联网的交通信息采集分析方法及系统
CN106504532B (zh) 一种确定上游信号控制点位的方法和装置
Verghese et al. Development and implementation of a model-based road traffic-control scheme
CN107886190B (zh) 一种突发事件下乘客出行选择行为仿真方法及装置
Li et al. POINT: Partially observable imitation network for traffic signal control
Tréca et al. Fast bootstrapping for reinforcement learning-based traffic signal control systems using queueing theory
CN114926980B (zh) 交通数据挖掘方法、装置、电子设备及计算机程序产品

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