CN112990595A - 行程时间预测方法、装置、存储介质和电子设备 - Google Patents
行程时间预测方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN112990595A CN112990595A CN202110340874.1A CN202110340874A CN112990595A CN 112990595 A CN112990595 A CN 112990595A CN 202110340874 A CN202110340874 A CN 202110340874A CN 112990595 A CN112990595 A CN 112990595A
- Authority
- CN
- China
- Prior art keywords
- vector
- time
- compensation
- data
- sampling
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 192
- 238000005070 sampling Methods 0.000 claims abstract description 128
- 238000004590 computer program Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
- G06Q10/025—Coordination of plural reservations, e.g. plural trip segments, transportation combined with accommodation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
公开了一种行程时间预测方法、装置、存储介质和电子设备。通过获取历史数据,以较小的采样周期获取第一采样数据,并根据第一采样数据获取表征近期交通状况的第一向量,同时,以较大的采样周期获取第二采样数据,并根据第二采样数据获取表征通常情况下的交通状况的第二向量,根据第一向量和第二向量确定补偿时间,以对行程预测时间进行补偿。由此,可以减少异常交通状况对预测行程时间的影响,提高行程时间预测的准确性。
Description
技术领域
本发明涉及交通预测技术领域,尤其涉及一种行程时间预测方法、装置、存储介质和电子设备。
背景技术
许多基于位置的服务或应用程序,例如地图服务、导航服务和在线即时运输服务、网约车服务等,都需要比较精确的预估到达时间,以向用户提供地图服务的驾驶指导、导航建议和位置信息等。
但是,现有的行程时间估计方法通常是通过行程轨迹时间和空间特征来预测,忽略了突发因素对行程时间的影响,从而导致已有方法在极端天气或者行程轨迹中出现交通事故时预测准确度降低。
发明内容
有鉴于此,本发明实施例的目的在于提供一种行程时间预测方法、装置、存储介质和电子设备,可以减少异常交通状况对预测行程时间的影响,提高行程时间预测的准确性。
第一方面,本发明实施例提供了一种行程时间预测方法,所述方法包括:
获取历史数据,所述历史数据用于表征历史交通状况;
从所述历史数据中获取至少一组第一采样数据和至少一组第二采样数据,所述第一采样数据的采样周期小于所述第二采样数据的采样周期;
分别根据所述第一采样数据和第二采样数据获取第一向量和第二向量,所述第一向量用于表征近期交通状况,所述第二向量用于表征长期交通状况;以及
根据所述第一向量和所述第二向量确定补偿时间,所述补偿时间用于对行程预测时间进行补偿。
在一些实施例中,响应于所述第一采样数据为多组,所述多组第一采样数据的采样周期不同,所述第一向量为多组第一采样数据对应的向量的平均值;以及
响应于所述第二采样数据为多组,所述多组第二采样数据的采样周期不同,所述第二向量为多组第二采样数据对应的向量的平均值。
在一些实施例中,所述根据所述第一向量和所述第二向量确定补偿时间,具体包括:
确定所述第一向量和所述第二向量的差值向量;
根据所述差值向量在候选补偿网络中确定目标补偿网络,所述候选补偿网络包括正向补偿网络和负向补偿网络;以及
根据所述目标补偿网络和所述差值向量确定所述补偿时间。
在一些实施例中,所述根据所述目标补偿网络和所述差值向量确定所述补偿时间,具体包括:
通过所述目标补偿网络根据第三向量确定初始时间,所述第三向量用于表征所述目标补偿网络的补偿方向;
通过所述目标补偿网络根据差值向量确定补偿权重;以及
根据所述初始时间和所述补偿权重确定所述补偿时间。
在一些实施例中,所述方法还包括:
确定所述第一向量和所述第二向量的相似度;
其中,所述根据所述第一向量和所述第二向量确定补偿时间,具体为:
响应于所述相似度小于或等于预定阈值,根据所述第一向量和所述第二向量确定补偿时间。
在一些实施例中,所述方法还包括:
获取行程预测时间;以及
根据所述补偿时间对所述行程预测时间进行调整。
第二方面,本发明实施例提供了一种行程时间预测装置,所述装置包括:
数据获取单元,用于获取历史数据,所述历史数据用于表征历史交通状况;
数据采样单元,用于从所述历史数据中获取至少一组第一采样数据和至少一组第二采样数据,所述第一采样数据的采样周期小于所述第二采样数据的采样周期;
向量获取单元,用于分别根据所述第一采样数据和第二采样数据获取第一向量和第二向量;以及
补偿时间生成单元,用于根据所述第一向量和所述第二向量确定补偿时间,所述补偿时间用于对行程预测时间进行补偿。
第三方面,本发明实施例提供了一种计算机程序产品,所述计算机程序产品包含计算机程序,当所述计算机程序在计算机上运行时,该计算机执行上述第一方面所述的方法。
第四方面,本发明实施例提供了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。
第五方面,本发明实施例提供了一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。
本发明实施例的技术方案通过获取历史数据,以较小的采样周期获取第一采样数据,并根据第一采样数据获取表征近期交通状况的第一向量,同时,以较大的采样周期获取第二采样数据,并根据第二采样数据获取表征通常情况下的交通状况的第二向量,根据第一向量和第二向量确定补偿时间,以对行程预测时间进行补偿。由此,可以减少异常交通状况对预测行程时间的影响,提高行程时间预测的准确性。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是本发明第一实施例的行程时间预测的流程图;
图2是本发明实施例的第一采样数据的示意图;
图3是本发明实施例的确定补偿时间的流程图;
图4是本发明实施例的确定补偿时间的流程图;
图5是本发明实施例的补偿网络的示意图;
图6是本发明第二实施例的行程时间预测的流程图;
图7是本发明实施例的行程时间装置的示意图;
图8是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
图1是本发明第一实施例的行程时间预测方法的流程图。如图1所示,本发明实施例的行程时间预测包括如下步骤:
步骤S100、获取历史数据。
在本实施例中,当行程时间预测流程被触发时,获取当前时刻之前的历史数据,所述历史数据用于表征历史交通状况。
进一步地,通过道路安装的摄像头、车辆的GPS(Global Positioning System,全球定位系统)定位设备等实时获取各条道路的交通数据并存储,交通数据可以包括交通流量、车辆平均通行速度等信息。当行程时间预测流程被触发时,根据用户的出发地信息、目的地信息和出发时间等为用户规划至少一条行驶路径,获取出发时间之前的预定时间段内行驶路径的历史数据,预定时间段可以根据实际情况进行设置。
步骤S200、从所述历史数据中获取至少一组第一采样数据和至少一组第二采样数据。
在本实施例中,所述第一采样数据的采样周期小于所述第二采样数据的采样周期。也即,通过较小的采样周期获取第一采样数据,通过较大的采样周期获取第二采样数据。
进一步地,所述第一采样数据可以是一组也可以是多组。具体地,以T1为采样周期,采样M个数据,得到一组第一采样数据X1=[Xtq-M,Xtq-M+1,Xtq-M+2,……,Xtq-1],其中,tq表示出发时间或者时间预测流程被触发的时间,Xtq-i表示距离出发时间i个采样周期的历史数据。例如,假设T1=5min,M=5,出发时间tq为14:00(下午2点),则第一采样数据包括:13:35,13:40,13:45,13:50,13:55的历史数据。由此,可以通过设置不同的采样周期(例如5分钟、10分钟、30分钟或1小时等)以获取每个采样周期对应的第一采样数据,进而得到多组采样数据。
同理,所述第二采样数据可以是一组也可以是多组。具体地,以T2为采样周期,采样M个数据,得到一组第二采样数据X2=[Xtq-M,Xtq-M+1,Xtq-M+2,……,Xtq-1],其中,tq表示出发时间,Xtq-j表示距离出发时间j个采样周期的历史数据。例如,假设T2为一天(24小时),M=5,出发时间tq为5月8日14:00(下午2点),则第二采样数据包括:5月3日14:00,5月4日14:00,5月5日14:00,5月6日14:00,5月7日14:00的历史数据。由此,可以通过设置不同的采样周期(例如1天、7天或一个月等)以获取每个采样周期对应的第二采样数据,进而得到多组采样数据。
步骤S300、分别根据所述第一采样数据和第二采样数据获取第一向量和第二向量。
在本实施例中,根据上述获取到的第一采样数据获取第一向量,根据第二采样数据获取第二向量,由于第一采样数据的采样周期较小,因此,获取到的第一向量能够表征近期交通状况。同时,由于第二采样数据的采样周期较大,因此,获取到的第二向量能够表征长期交通状况,也即,通常情况下的交通状况。
进一步地,对于每一个采样数据,为每一项数据(例如交通流量和通行速度)设置权重,根据所述权重对数据进行加权求和以得到每一个采样数据对应的数值,一组采样数据中的多个采样数据对应的数值形成所述第一向量。
具体地,以获取第一向量为例进行说明,如图2所示,假设第一采样数据包括M个数据,每个数据包括交通流量和通行速度,也即,第i个数据为Xtq-i,对应的交通流量为Fi,对应的通行速度为Vi,设置交通流量的权重为α1,设置通行速度的权重为α2,则得到的第一向量A为:
A=(P1,P2,......,PM)
其中,Pi=α1*Fi+αt2*Vi,i=1,2,3,……,M。
同理,可以得到的第二向量B为:
B=(Q1,Q2,......,QM)
其中,Qi=α1*Fi+α2*Vi,i=1,2,3,……,M。
进一步地,当所述第一采样数据为多组时,所述多组第一采样数据的采样周期不同,所述第一向量为多组第一采样数据对应的向量的平均值。具体地,假设采样以采样周期为2min、5min和10min分别采样三组第一采样信号,每组第一采样信号得到的向量分别是A1、A2和A3,则最终的第一向量A为A1、A2和A3的平均值。
同理,响应于所述第二采样数据为多组,所述多组第二采样数据的采样周期不同,所述第二向量为多组第二采样数据对应的向量的平均值。
步骤S400、根据所述第一向量和所述第二向量确定补偿时间。
在本实施例中,根据所述第一向量和所述第二向量确定补偿时间,所述补偿时间用于对行程向量进行补偿。
具体地,确定补偿时间的流程如图3所示,包括如下步骤:
步骤S410、确定所述第一向量和所述第二向量的差值向量。
在本实施例中,根据第一向量A和第二向量B计算差值向量C,具体计算公式如下:
C=A-B,或者
C=B-A。
也即,C=(P1-Q1,P2-Q2,......,PM-QM),或者
C=(Q1-P1,Q2-P2,......,QM-PM)。
由此,即可得到差值向量。
步骤S420、根据所述差值向量在候选补偿网络中确定目标补偿网络。
在本实施例中,所述候选补偿网络包括正向补偿网络和负向补偿网络,根据所述差值向量在候选补偿网络中选择一个补偿网络确定为目标补偿网络。
进一步地,计算差值向量中所有数值的和,根据计算得到的和确定目标补偿网络。
具体地,例如,假设差值向量C为A-B,当所有数值的和大于零时,表示近期交通状况比较拥堵,行程时间会比通常情况下更长,由此,选择正向补偿网络确定为目标补偿网络。当所有数值的和小于零时,表示近期交通状况比较畅通,行程时间会比通常情况下更短,由此,选择负向补偿网络确定为目标补偿网络。
同理,假设差值向量C为B-A,当所有数值的和大于零时,表示近期交通状况比较畅通,行程时间会比通常情况下更短,由此,选择负向补偿网络确定为目标补偿网络。当所有数值的和小于零时,表示近期交通状况比较拥堵,行程时间会比通常情况下更长,由此,选择正向补偿网络确定为目标补偿网络。
步骤S430、根据所述目标补偿网络和所述差值向量确定所述补偿时间。
进一步地,根据所述目标补偿网络和所述差值向量确定所述补偿时间,具体如图4所示,包括如下步骤:
步骤S431、通过所述目标补偿网络根据第三向量确定初始时间。
在本实施例中,所述补偿网络可以是现有的各种神经网络,本发明实施例对此不做限制。其中,所述第三向量用于表征所述目标补偿网络的补偿方向。
步骤S432、通过所述目标补偿网络根据差值向量确定补偿权重。
步骤S433、根据所述初始时间和所述补偿权重确定所述补偿时间。
对于上述步骤S431-步骤S433中,在一些实施例中,预先获取训练数据,所述训练数据包括各个时段的历史交通数据、历史行程数据(例如出发地、目的地、出发时间、到达时间和行驶路径等)、行程预测时间、实际到达时间等。根据各个时段的历史交通数据采样获取第一采样数据和第二采样数据,根据所述第一采样数据获取第一向量,根据所述第二采样数据获取第二向量,计算第一向量和第二向量的差值向量,同时,设置初始向量,通过补偿网络根据内部参数和所述初始向量确定初始时间,通过补偿网络根据所述差值向量获取权重,根据所述权重和所述初始时间计算得到预测补偿时间,根据训练数据(行程预测时间、实际到达时间)获取期望补偿时间,根据所述预测补偿时间和所述期望补偿时间对补偿网络的参数和初始向量进行优化,直到预测补偿时间趋近于所述期望补偿时间,由此,优化后的初始向量为所述第三向量,优化后的补偿网络即为预先训练的补偿网络。
进一步地,图5示出了补偿网络的示意图,在图5所示的实施例中,补偿网络根据第三向量得到初始时间,同时,根据差值向量得到权重,将初始时间和所述权重相乘以得到补偿时间。
由此,可以通过补偿时间对行程预测时间进行补偿,以提高行程预测时间的准确性。
在一个可选的实现方式中,获取补偿时间和行程预测时间由不同的服务器执行,其中,第一服务器用于获取补偿时间,第二服务器用于获取行程预测时间。第一服务器将上述得到的补偿时间提供给第二服务器,第二服务器根据出发地、目的地、出发时间和行驶路径等信息获取预测时间,并根据补偿时间对行程预测时间进行调整后,提供给用户。
在另一个可选的实现方式中,获取补偿时间和行程预测时间由同一服务器执行,上述行程时间预测方法还包括:
步骤S500、获取行程预测时间。
步骤S600、根据所述补偿时间对所述行程预测时间进行调整。
对于上述步骤S500-步骤S600,同时获取补偿时间和行程预测时间,并根据所述补偿时间对所述行程预测时间进行调整后提供给用户。
本发明实施例通过获取历史数据,以较小的采样周期获取第一采样数据,并根据第一采样数据获取表征近期交通状况的第一向量,同时,以较大的采样周期获取第二采样数据,并根据第二采样数据获取表征通常情况下的交通状况的第二向量,根据第一向量和第二向量确定补偿时间,以对行程预测时间进行补偿。由此,可以减少异常交通状况对预测行程时间的影响,提高行程时间预测的准确性。
图6是本发明第二实施例的行程时间预测方法的流程图,图6所示的实施例中,行程时间预测方法包括如下步骤:
步骤S710、获取历史数据,所述历史数据用于表征历史交通状况。
步骤S720、从所述历史数据中获取至少一组第一采样数据和至少一组第二采样数据,所述第一采样数据的采样周期小于所述第二采样数据的采样周期。
步骤S730、分别根据所述第一采样数据和第二采样数据获取第一向量和第二向量,所述第一向量用于表征近期交通状况,所述第二向量用于表征长期交通状况。
步骤S740、确定所述第一向量和所述第二向量的相似度。
步骤S750、比较相似度与预定阈值。
步骤S760、结束。
步骤S770、根据所述第一向量和所述第二向量确定补偿时间。
具体地,对于上述步骤S710-S730,可以参照图1所示的步骤S100-S300,本发明实施例对此不再赘述。
在步骤S740中,可以根据现有的各种方式计算相似度,例如欧式距离、曼哈顿距离、余弦相似度或切比雪夫距离等。
进一步地,欧式距离又称欧几里得距离或欧几里得度量(Euclidean Metric),以空间为基准的两点之间最短距离。对于M维的第一向量A(P1,P2,…,PM)和第二向量B(Q1,Q2,…,QM),其欧式距离的计算公式为:
其中,D1为所述第一向量和第二向量的欧式距离,Pi为所述第一向量的第i个元素,Qi为所述第二向量的第i个元素。
进一步地,曼哈顿距离又称马氏距离(Manhattan distance),对于M维的第一向量A(P1,P2,…,PM)和第二向量B(Q1,Q2,…,QM),其曼哈顿距离的计算公式为:
其中,D2为所述第一向量和第二向量的曼哈顿距离,Pi为所述第一向量的第i个元素,Qi为所述第二向量的第i个元素。
进一步地,余弦距离也称为余弦相似度,是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。通过两个向量的夹角的余弦值表征两个向量相似度。对于M维的第一向量A(P1,P2,…,PM)和第二向量B(Q1,Q2,…,QM),其余弦距离的计算公式为:
其中,D3为所述第一向量和第二向量的曼哈顿距离,Pi为所述第一向量的第i个元素,Qi为所述第二向量的第i个元素。
应理解,本发明实施例计算相似度的方法并不限于上述列举的三种方式,其它计算向量相似度的方法也可适用,例如切比雪夫距离等。
如果相似度较高,表征近期交通状况与长期交通状况差距不大,也即近期交通状况比较正常;如果相似度较低,表征近期交通状况与长期交通状况差距较大,也即近期交通状况发生异常。由此,在步骤S750中,将计算得到的相似度与预定阈值进行比较,如果相似度小于或等于预定阈值,进入步骤S770、根据所述第一向量和所述第二向量确定补偿时间。如果相似度小于预定阈值,则进入步骤S760。
在步骤S760中,如果相似度大于预定阈值,说明近期交通状况比较正常,不需要对行程预测时间进行补偿,由此,结束步骤,以减少行程时间预测的计算量。
在步骤S770中,如果相似度小于或等于预定阈值,表征近期交通状况发生异常,根据所述第一向量和所述第二向量确定补偿时间,以通过补偿时间对行程预测时间进行补偿。具体地,计算补偿时间的方法可参照图1中步骤S400,在此不再赘述。
应理解,将上述计算得到的欧式距离、曼哈顿距离或余弦相似度记为距离值,则距离值越大,表征相似度越小。由此,在实际比较中,如果将距离值直接与预定阈值进行比较,执行流程应为:如果距离值小于预定阈值,则表征相似度较大,说明近期交通状况比较正常,不需要对行程预测时间进行补偿,由此,结束步骤,以减少行程时间预测的计算量。如果距离值大于或等于预定阈值,则表征相似度较小,表征近期交通状况发生异常,根据所述第一向量和所述第二向量确定补偿时间,以通过补偿时间对行程预测时间进行补偿。
在一个可选的实现方式中,将上述得到的补偿时间提供给行程时间预测系统,行程时间预测系统用于根据出发地、目的地、出发时间和行驶路径等信息获取预测时间,并根据补偿时间对行程预测时间进行调整后,提供给用户。
在另一个可选的实现方式中,上述行程时间预测方法还包括:
步骤S780、获取行程预测时间。
步骤S790、根据所述补偿时间对所述行程预测时间进行调整。
对于上述步骤S780-步骤S790,同时获取补偿时间和行程预测时间,并根据所述补偿时间对所述行程预测时间进行调整后提供给用户。
本发明实施例通过获取历史数据,以较小的采样周期获取第一采样数据,并根据第一采样数据获取表征近期交通状况的第一向量,同时,以较大的采样周期获取第二采样数据,并根据第二采样数据获取表征通常情况下的交通状况的第二向量,根据第一向量和第二向量确定补偿时间,以对行程预测时间进行补偿。由此,可以减少异常交通状况对预测行程时间的影响,提高行程时间预测的准确性。
图7是本发明实施例的行程时间预测装置的示意图。如图7所示,本发明实施例的行程时间预测装置包括数据获取单元71、数据采样单元72、向量获取单元73和补偿时间生成单元74。其中,数据获取单元71用于获取历史数据,所述历史数据用于表征历史交通状况。数据采样单元72用于从所述历史数据中获取至少一组第一采样数据和至少一组第二采样数据,所述第一采样数据的采样周期小于所述第二采样数据的采样周期。向量获取单元73用于分别根据所述第一采样数据和第二采样数据获取第一向量和第二向量。补偿时间生成单元74用于根据所述第一向量和所述第二向量确定补偿时间,所述补偿时间用于对行程预测时间进行补偿。
在一些实施例中,响应于所述第一采样数据为多组,所述多组第一采样数据的采样周期不同,所述第一向量为多组第一采样数据对应的向量的平均值;以及
响应于所述第二采样数据为多组,所述多组第二采样数据的采样周期不同,所述第二向量为多组第二采样数据对应的向量的平均值。
在一些实施例中,所述补偿时间生成单元包括:
差值向量获取子单元,用于确定所述第一向量和所述第二向量的差值向量;
目标网络确定子单元,用于根据所述差值向量在候选补偿网络中确定目标补偿网络,所述候选补偿网络包括正向补偿网络和负向补偿网络;以及
补偿时间确定子单元,用于根据所述目标补偿网络和所述差值向量确定所述补偿时间。
在一些实施例中,所述补偿时间确定子单元包括:
初始时间确定模块,用于通过所述目标补偿网络根据第三向量确定初始时间,所述第三向量用于表征所述目标补偿网络的补偿方向;
权重确定模块,用于通过所述目标补偿网络根据差值向量确定补偿权重;以及
补偿时间确定模块,用于根据所述初始时间和所述补偿权重确定所述补偿时间。
在一些实施例中,所述装置还包括:
相似度计算单元,用于确定所述第一向量和所述第二向量的相似度;
其中,所述补偿时间生成单元用于响应于所述相似度小于或等于预定阈值,根据所述第一向量和所述第二向量确定补偿时间。
在一些实施例中,所述装置还包括:
行程时间获取单元,用于获取行程预测时间;以及
时间调整单元,用于根据所述补偿时间对所述行程预测时间进行调整。
本发明实施例通过获取历史数据,以较小的采样周期获取第一采样数据,并根据第一采样数据获取表征近期交通状况的第一向量,同时,以较大的采样周期获取第二采样数据,并根据第二采样数据获取表征通常情况下的交通状况的第二向量,根据第一向量和第二向量确定补偿时间,以对行程预测时间进行补偿。由此,可以减少异常交通状况对预测行程时间的影响,提高行程时间预测的准确性。
图8是本发明实施例的电子设备的示意图。图8所示的电子设备为通用数据处理装置,其包括通用的计算机硬件结构,其至少包括处理器81和存储器82。处理器81和存储器82通过总线83连接。存储器82适于存储处理器81可执行的指令或程序。处理器81可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器81通过执行存储器82所存储的指令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线83将上述多个组件连接在一起,同时将上述组件连接到显示控制器84和显示装置以及输入/输出(I/O)装置85。输入/输出(I/O)装置85可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出装置85通过输入/输出(I/O)控制器86与系统相连。
本领域的技术人员应明白,本发明的实施例可提供为方法、装置(设备)或计算机程序产品。因此,本发明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,本发明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读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本发明是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以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,该指令装置实现流程图一个流程或多个流程中指定的功能。
也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中指定的功能的装置。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种行程时间预测方法,其特征在于,所述方法包括:
获取历史数据,所述历史数据用于表征历史交通状况;
从所述历史数据中获取至少一组第一采样数据和至少一组第二采样数据,所述第一采样数据的采样周期小于所述第二采样数据的采样周期;
分别根据所述第一采样数据和第二采样数据获取第一向量和第二向量,所述第一向量用于表征近期交通状况,所述第二向量用于表征长期交通状况;以及
根据所述第一向量和所述第二向量确定补偿时间,所述补偿时间用于对行程预测时间进行补偿。
2.根据权利要求1所述的方法,其特征在于,响应于所述第一采样数据为多组,所述多组第一采样数据的采样周期不同,所述第一向量为多组第一采样数据对应的向量的平均值;以及
响应于所述第二采样数据为多组,所述多组第二采样数据的采样周期不同,所述第二向量为多组第二采样数据对应的向量的平均值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一向量和所述第二向量确定补偿时间,具体包括:
确定所述第一向量和所述第二向量的差值向量;
根据所述差值向量在候选补偿网络中确定目标补偿网络,所述候选补偿网络包括正向补偿网络和负向补偿网络;以及
根据所述目标补偿网络和所述差值向量确定所述补偿时间。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标补偿网络和所述差值向量确定所述补偿时间,具体包括:
通过所述目标补偿网络根据第三向量确定初始时间,所述第三向量用于表征所述目标补偿网络的补偿方向;
通过所述目标补偿网络根据差值向量确定补偿权重;以及
根据所述初始时间和所述补偿权重确定所述补偿时间。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述第一向量和所述第二向量的相似度;
其中,所述根据所述第一向量和所述第二向量确定补偿时间,具体为:
响应于所述相似度小于或等于预定阈值,根据所述第一向量和所述第二向量确定补偿时间。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取行程预测时间;以及
根据所述补偿时间对所述行程预测时间进行调整。
7.一种行程时间预测装置,其特征在于,所述装置包括:
数据获取单元,用于获取历史数据,所述历史数据用于表征历史交通状况;
数据采样单元,用于从所述历史数据中获取至少一组第一采样数据和至少一组第二采样数据,所述第一采样数据的采样周期小于所述第二采样数据的采样周期;
向量获取单元,用于分别根据所述第一采样数据和第二采样数据获取第一向量和第二向量;以及
补偿时间生成单元,用于根据所述第一向量和所述第二向量确定补偿时间,所述补偿时间用于对行程预测时间进行补偿。
8.一种计算机程序产品,所述计算机程序产品包含计算机程序,其特征在于,当所述计算机程序在计算机上运行时,该计算机执行上述权利要求1-6中任一项所述的方法。
9.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110340874.1A CN112990595A (zh) | 2021-03-30 | 2021-03-30 | 行程时间预测方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110340874.1A CN112990595A (zh) | 2021-03-30 | 2021-03-30 | 行程时间预测方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990595A true CN112990595A (zh) | 2021-06-18 |
Family
ID=76338210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110340874.1A Pending CN112990595A (zh) | 2021-03-30 | 2021-03-30 | 行程时间预测方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990595A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663753A (zh) * | 2023-08-01 | 2023-08-29 | 江西省供销江南物联网有限公司 | 冷链食品配送预测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140032091A1 (en) * | 2011-04-08 | 2014-01-30 | Praveen J. Arcot | Trend based predictive traffic |
CN105390000A (zh) * | 2015-12-18 | 2016-03-09 | 天津通翔智能交通系统有限公司 | 一种基于路况交通大数据的交通信号控制系统及方法 |
CN106448159A (zh) * | 2016-09-09 | 2017-02-22 | 蔡诚昊 | 一种基于动态交通信息的道路交通分级预警方法 |
CN109409584A (zh) * | 2018-10-08 | 2019-03-01 | 杭州异客科技有限公司 | 基于交通流量预测的旅游出行规划方法及系统 |
CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
CN110555018A (zh) * | 2019-07-29 | 2019-12-10 | 浙江工业大学 | 一种交通流量补全与预测方法 |
CN110825787A (zh) * | 2019-11-04 | 2020-02-21 | 上海燕汐软件信息科技有限公司 | 数据提醒方法及装置、电子设备、存储介质 |
CN111260131A (zh) * | 2020-01-16 | 2020-06-09 | 汕头大学 | 一种短期交通流的预测方法及装置 |
CN111862585A (zh) * | 2019-07-23 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 用于交通预测的系统和方法 |
CN111986490A (zh) * | 2020-09-18 | 2020-11-24 | 北京百度网讯科技有限公司 | 路况预测方法、装置、电子设备和存储介质 |
CN112382099A (zh) * | 2021-01-15 | 2021-02-19 | 腾讯科技(深圳)有限公司 | 交通路况预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-03-30 CN CN202110340874.1A patent/CN112990595A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140032091A1 (en) * | 2011-04-08 | 2014-01-30 | Praveen J. Arcot | Trend based predictive traffic |
CN105390000A (zh) * | 2015-12-18 | 2016-03-09 | 天津通翔智能交通系统有限公司 | 一种基于路况交通大数据的交通信号控制系统及方法 |
CN106448159A (zh) * | 2016-09-09 | 2017-02-22 | 蔡诚昊 | 一种基于动态交通信息的道路交通分级预警方法 |
CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
CN109409584A (zh) * | 2018-10-08 | 2019-03-01 | 杭州异客科技有限公司 | 基于交通流量预测的旅游出行规划方法及系统 |
CN111862585A (zh) * | 2019-07-23 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 用于交通预测的系统和方法 |
WO2021012342A1 (en) * | 2019-07-23 | 2021-01-28 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for traffic prediction |
CN110555018A (zh) * | 2019-07-29 | 2019-12-10 | 浙江工业大学 | 一种交通流量补全与预测方法 |
CN110825787A (zh) * | 2019-11-04 | 2020-02-21 | 上海燕汐软件信息科技有限公司 | 数据提醒方法及装置、电子设备、存储介质 |
CN111260131A (zh) * | 2020-01-16 | 2020-06-09 | 汕头大学 | 一种短期交通流的预测方法及装置 |
CN111986490A (zh) * | 2020-09-18 | 2020-11-24 | 北京百度网讯科技有限公司 | 路况预测方法、装置、电子设备和存储介质 |
CN112382099A (zh) * | 2021-01-15 | 2021-02-19 | 腾讯科技(深圳)有限公司 | 交通路况预测方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663753A (zh) * | 2023-08-01 | 2023-08-29 | 江西省供销江南物联网有限公司 | 冷链食品配送预测方法及系统 |
CN116663753B (zh) * | 2023-08-01 | 2023-10-20 | 江西省供销江南物联网有限公司 | 冷链食品配送预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112577521B (zh) | 一种组合导航误差校准方法及电子设备 | |
US11300663B2 (en) | Method for predicting a motion of an object | |
CN108108831B (zh) | 一种目的地预测方法及装置 | |
JP7131994B2 (ja) | 自己位置推定装置、自己位置推定方法、自己位置推定プログラム、学習装置、学習方法及び学習プログラム | |
JP5898004B2 (ja) | 発電量予測装置、発電量予測方法、プログラム、および電力制御システム | |
US11781874B2 (en) | Transportation route error detection and adjustment | |
Chang et al. | A new fuzzy strong tracking cubature Kalman filter for INS/GNSS | |
CN113960622A (zh) | 融合激光雷达及imu传感器信息的实时定位方法及装置 | |
CN111207740A (zh) | 车辆定位的方法、装置、设备和计算机可读介质 | |
CN112990595A (zh) | 行程时间预测方法、装置、存储介质和电子设备 | |
Li et al. | Loosely coupled GNSS/INS integration based on factor graph and aided by ARIMA model | |
CN117141520B (zh) | 一种实时轨迹规划方法、装置和设备 | |
JP6640615B2 (ja) | 軌道計算装置及び軌道計算プログラム | |
JP2010528304A (ja) | 監視応用のためのマップマッチング | |
Korsun et al. | Recovery of aircraft motion parameters using the optimal control algorithms | |
Li et al. | Low-cost sensors aided vehicular position prediction with partial least squares regression during GPS outage | |
JP6433876B2 (ja) | パラメータ推定装置、予測装置、方法、及びプログラム | |
Lin et al. | Brownian bridge model for high resolution location predictions | |
JP5396311B2 (ja) | 行動予測装置、方法およびプログラム | |
Chen et al. | On SINS/GPS integrated navigation filtering method aided by radial basis function neural network | |
CN115326081A (zh) | 地图匹配方法、装置、计算机设备和存储介质 | |
CN117271967B (zh) | 一种基于强化学习补偿滤波的救援协同定位方法及系统 | |
Hasberg et al. | Integrating spline curves in road constraint object tracking | |
Fong et al. | Radar sensor fusion via federated unscented Kalman filter | |
JP2019020338A (ja) | 状態推定装置及びプログラム |
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 |