CN113516843A - 预计到达时间的确定方法和装置、电子设备以及计算机可读存储介质 - Google Patents
预计到达时间的确定方法和装置、电子设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113516843A CN113516843A CN202010274801.2A CN202010274801A CN113516843A CN 113516843 A CN113516843 A CN 113516843A CN 202010274801 A CN202010274801 A CN 202010274801A CN 113516843 A CN113516843 A CN 113516843A
- Authority
- CN
- China
- Prior art keywords
- time
- travel
- real
- historical
- user
- 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 43
- 230000004927 fusion Effects 0.000 claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本申请实施例提供了一种预计到达时间的确定方法和装置、电子设备以及计算机可读存储介质。该方法包括：获取用户的出行路线信息；获取相邻途经点之间的第一历史平均行驶速度和第一实时行驶速度；根据第一融合系数、第一历史平均行驶速度和第一实时行驶速度，确定车辆在相邻途经点之间行驶的第一行驶时间；将第一行驶时间进行求和计算，获取第一预计到达时间。本申请实施例通过对于用户出行路线上的各途经点获取相邻途经点之间的历史平均速度并且计算当前的实时行驶速度，从而对历史平均速度和实时行驶速度进行融合计算，获得既反映路线的各路段的历史数据因素又结合各路段当前的行驶路况信息的计算结果作为用户到达目的地站点的预计到达时间。
Description
技术领域
本申请涉及道路交通领域，尤其涉及一种预计到达时间的确定方法和装置、电子设备以及计算机可读存储介质。
背景技术
随着信息技术的发展，有越来越多种类的信息可以提供给用户所使用。在出行领域，信息技术不仅能够为用户提供静态的路网信息，例如道路信息等；而且还能够进一步提供各种动态的交通信息，例如，道路的拥堵情况等等。特别是在公共交通领域，现在已经出现了能够基于路网数据的道路信息来为用户提供各种公共交通工具信息，从而为用户通过公共交通安排出行提供便利。
现有技术中，已经能够根据用户的出行路线提供用户到达预定站点的时间信息，即根据用户的出行请求预测用户的目的地站点的预计到达时间(Estimated time ofarrival；以下简称：ETA)信息。
但是，目前ETA信息仅仅基于当前路网信息以及预设的参数(例如，预设的固定行驶速度)来进行计算。而实际上公共交通工具，尤其是公交车辆，在路网的道路上的行驶状态会受到道路上的各种交通状况的影响，例如，遇到拥堵或者公交车道被占用等等。因此，现有技术中仅基于预设参数计算获得的ETA信息，往往与用户乘坐交通工具实际到达站点的时间相差较远，使得用户体验较差。
发明内容
本申请实施例提供一种预计到达时间的确定方法和装置、电子设备以及计算机可读存储介质，以解决现有技术中ETA信息预测不够准确的缺陷。
为达到上述目的，本申请实施例提供了一种预计到达时间的确定方法，其中，包括：
获取用户的出行路线信息，所述出行路线信息包括用户根据所述出行路线出行时途经的途经点信息；
基于所述途经点信息，获取相邻途经点之间的第一历史平均行驶速度和第一实时行驶速度；
根据预设的第一融合系数、所述第一历史平均行驶速度和第一实时行驶速度，确定用户乘坐的车辆在所述相邻途经点之间行驶的第一行驶时间；
将所述车辆在相邻途经点之间行驶的第一行驶时间进行求和计算，获取第一预计到达时间，所述第一预计到达时间标识所述用户按照所述出行路线到达目的地的时间。
本申请实施例还提供了一种预计到达时间的确定装置，其中，包括：
出行路线获取模块，用于获取用户的出行路线信息，所述出行路线信息包括用户根据所述出行路线出行时途经的途经点信息；
第一计算模块，用于基于所述途经点信息，获取相邻途经点之间的第一历史平均行驶速度和第一实时行驶速度，根据预设的第一融合系数、所述第一历史平均行驶速度和第一实时行驶速度，确定用户乘坐的车辆在所述相邻途经点之间行驶的第一行驶时间；
第二计算模块，用于将所述车辆在相邻途经点之间行驶的第一行驶时间进行求和计算，获取第一预计到达时间，所述第一预计到达时间标识所述用户按照所述出行路线到达目的地的时间。
本申请实施例还提供了一种电子设备，包括：
存储器，用于存储程序；
处理器，用于运行所述存储器中存储的所述程序，所述程序运行时执行本申请实施例提供的预计到达时间的确定方法。
本申请实施例还提供了一种计算机可读存储介质，其上存储有可被处理器执行的计算机程序，该程序被处理器执行时实现本申请实施例提供的预计到达时间的确定方法。
本申请实施例提供的预计到达时间的确定方法和装置、电子设备以及计算机可读存储介质，通过对于用户出行路线上的各途经点获取相邻途经点之间的历史平均速度并且计算当前的实时行驶速度，从而基于通过对历史平均速度和实时行驶速度进行融合计算，能够获得既反映了路线的各路段的历史数据因素又结合了各路段当前的行驶路况信息的计算结果作为用户到达目的地站点的预计到达时间(ETA)。此外，能够通过机器学习模型来基于各路段的历史数据对融合系数进行训练，并且可以随着日常的数据的积累来不断地对融合系数进行训练并且使用最新训练的融合系数来更新为用户计算出行路线的预计到达时间的融合系数，从而进一步提高预计到达时间的计算准确性。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本申请实施例提供的预计到达时间的确定系统的应用场景示意图；
图2为本申请提供的预计到达时间的确定方法一个实施例的流程图；
图3为本申请提供的预计到达时间的确定方法另一个实施例的流程图；
图4为本申请提供的预计到达时间的确定装置一个实施例的结构示意图；
图5为本申请提供的预计到达时间的确定装置另一个实施例的结构示意图；
图6为本申请提供的电子设备实施例的结构示意图。
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。
上述实施例是对本申请实施例的技术原理和示例性的应用框架的说明，下面通过多个实施例来进一步对本申请实施例具体技术方案进行详细描述。
在道路交通领域，目前为用户提供的ETA信息是基于当前路网信息以及预设的参数(例如，预设的固定行驶速度)来计算的。但是，实际上在用户乘坐公共交通工具出行时，尤其是公交车辆，在路网的道路上的行驶状态会受到道路上的各种交通状况的影响，例如，遇到拥堵或者公交车道被占用等情况。因此，现有技术中仅基于预设参数计算获得的ETA信息，往往与用户乘坐交通工具实际到达站点的时间相差较远，影响用户的出行安排，使得用户体验较差。
因此，本申请实施例提供一种预计到达时间的确定方案，融合道路的历史行驶速度和实时行驶速度，来为用户计算出行路线的预计达到时间，结合当前的路况因素进行预测，从而能通提升准确性。
本申请实施例提供的方法可应用于任何具有数据处理功能的系统。图1为本申请实施例提供的预计到达时间的确定系统的应用场景示意图，图1所示的场景仅仅是本申请的技术方案可以应用的系统的示例之一。本申请的方案可以应用于基于固定途经点来预测用户乘坐交通工具出行的花费时长的场景，例如，可以为用户乘坐公交车场景，也可以适用于用户以固定起始点的上下班场景或者需要接送同事的上下班场景。换言之，只要是固定途经点，能够获得历史数据的行驶场景都可以适用于本方案。
如图1所示，在该系统中，假设用户根据自己的出行需求发起出行路线查询请求，例如该出行路线为用户到达途经点5，并且用户希望了解预计到达时间，以安排安排出行，那么系统首先根据用户的出行请求来获取用户的出行路线信息。假设，获取到的用户乘坐车辆A的出行路线可以由图1中的途经点1至5所构成(图1中仅为出行路线的示意，该出行路线不限于直线道路、弯道道路等，出行路线上的各途经点可以为预先设置的车辆途径点，也可以为车辆的停靠点)。然后，根据途经点信息来获取相邻途经点之间的路段(即，路段1→2、路段2→3、路段3→4、路段4→5)上的第一历史平均行驶速度(即，历史行驶速度的平均值)和第一实时行驶速度(即，当前行驶速度值)。在本申请实施例中所描述的路段上的行驶速度，可以为根据该路段上的车流量、车辆的速度等信息计算出的某时刻或某时间段内该道路上的大多数车辆的行驶速度。然后，系统可以根据预先设置的融合系数(k)来计算出用户所乘坐的车辆在任意两个相邻途经点之间行驶的第一行驶时间，该融合系数例如可以为第一历史平均行驶速度的权重值，能够体现道路的历史速度数据在用于估算车辆到达时实际行车速度的比重，例如，可以通过下述公式进行计算：第一行驶时间＝k*第一历史行驶时间+(1-k)*第一实时行驶时间。最后，将各相邻途经点之间行驶的第一行驶时间进行求和计算，得到的第一预计到达时间，即为不考虑停靠时间(例如，根据车辆当前位置计算出的出行路线中只有途径点而无需停靠，或者，没有中间停靠点的班车，例如公交甩站通过)的情况下，用户按照出行路线到达目的地的预计到达时间。当然车辆在中途停车时，预测的到达时间还可以包括在各停靠点的停靠时间；还可以进一步包括用户的当前位置到一下个途经点(如图1中的途经点1)的第二行驶时间，从而使得预测精度更高。
上述实施例是对本申请实施例的技术原理和示例性的应用框架的说明，下面通过多个实施例来进一步对本申请实施例具体技术方案进行详细描述。
实施例一
图2为本申请提供的预计到达时间的确定方法一个实施例的流程图，该方法的执行主体可以为上述系统，也可以为提供道路交通信息的各种服务设备，也可以为集成在这些设备上的装置或芯片。如图2所示，该预计到达时间的确定方法包括如下步骤：
S201，获取用户的出行路线信息。
在本申请实施例中，在为用户预测用户按照出行路线到达目的地的预计到达时间时，首先获取用户的出行路线信息。其中，出行路线信息包括用户根据所述出行路线出行时途经的途经点信息。例如，可以根据出行路线，并获取该出行路线上的所有固定的途经点；然后，可以进一步根据用户当前的当前位置信息确定的用户出行还需要的出行路线以及其上的途经点。
S202，基于途经点信息，获取相邻途经点之间的第一历史平均行驶速度和第一实时行驶速度。
在本申请实施例中，第一历史平均行驶速度可以为相邻途经点之间的路段上的历史行驶速度的平均值，第一实时行驶速度为相邻途经点之间的路段上的当前行驶速度值。另外，在获取第一历史平均行驶速度时，可以将一段历史时期内该路段上的所有速度求平均值，也可以选取一天的同一时刻或时段的速度值来计算平均值，从而能够反映出例如早晚高峰等不同时间道路的速度变化。
S203，根据预设的第一融合系数、第一历史平均行驶速度和第一实时行驶速度，确定用户乘坐的车辆在相邻途经点之间行驶的第一行驶时间。
在本申请实施例中，融合系数可以为第一历史平均行驶速度的权重值。在预测用户所乘坐的车辆在一段道路上行驶的时间时，考虑统计分析得到的历史数据，具有预测稳定性，而考虑实时发布的能够反应实时同行状态的当前数据，具有较高的准确性。因此，可以预先设置融合系数，综合考虑上述两方面因素，设置不同的权重值，从而计算出用户乘坐的车辆在相邻途经点之间行驶的第一行驶时间。
S204，将车辆在相邻途经点之间行驶的第一行驶时间进行求和计算，获取第一预计到达时间。
在本申请实施例中，如果根据用户的出行路线确定只有途径点而无需停靠，或者，用户的出行路线属于用户乘坐没有中间停靠点的班车、或者所乘坐的公交车甩站通过等情形，则不考虑站点停车时间，为用户计算用户到达目的地的ETA中可不包含站点停靠时间，因此，将各相邻途经点(途经点可以是出行路线上的预定途经点)之间的第一行驶时间求和，即可获取车辆的预计到达时间。
本申请实施例提供的预计到达时间的确定方法，通过对于用户出行路线上的各途经点获取相邻途经点之间的历史平均速度并且计算当前的实时行驶速度，从而基于通过对历史平均速度和实时行驶速度进行融合计算，能够获得既反映了路线的各路段的历史数据因素又结合了各路段当前的行驶路况信息的计算结果作为用户到达目的地站点的预计到达时间(ETA)。
实施例二
图3为本申请提供的预计到达时间的确定方法另一个实施例的流程图。如图3所示，在上述图2所示实施例的基础上，本实施例提供的预计到达时间的确定方法还可以包括以下步骤：
S301，获取用户的出行路线信息。
S302，基于途经点信息，获取相邻途经点之间的第一历史平均行驶速度和第一实时行驶速度。
在本申请实施例中，步骤S301至S302与上述步骤S201至S302相同，在此不再赘述。
S303，根据相邻途经点之间的距离和第一历史平均行驶速度，确定相邻途经点之间的第一历史行驶时间；根据相邻途经点之间的距离和第一实时行驶速度，确定相邻途经点之间的第一实时行驶时间。
在本申请实施例中，获取到的途经点信息中至少包含相邻途经点之间的行驶距离。因此，可以通过距离和速度计算行驶时间，也就是说，根据历史速度数据和距离值计算第一历史行驶时间，根据实时速度数据和距离值计算第一实时行驶时间。
S304，根据第一融合系数，对第一历史行驶时间和第一实时行驶时间进行求和计算，以获得第一行驶时间。
在本申请实施例中，可以通过下述公式进行计算：第一行驶时间＝k*第一历史行驶时间+(1-k)*第一实时行驶时间，其中k为融合系数。其中，不同的相邻途经点组成的不同路段可以采用同一个融合系数，路况状况差异较大的路段也可以采用适合本路段的融合系数，从而能够使得融合系数的设置更加合理，计算出的第一行驶时间更加准确。
在本申请实施例中，可以通过离线建模训练的方式，获取融合系数。具体地，可以根据用户的出行路线信息，针对第一历史时刻，在数据库中获取出行路线上的相邻途经点之间的第三历史行驶时间，以及用户所乘坐的车辆在相邻途经点之间的第三实时行驶时间，其中，第三历史行驶时间为第一历史时刻之前的历史数据；第三实时行驶时间为第一历史时刻之后的实时数据；然后，根据第三历史行驶时间与相应的第三实时行驶时间，训练机器学习模型，以获得融合系数。也就是说，获取多组相对应的第三历史行驶时间和第三实时行驶时间作为训练数据，输入机器学习模型进行训练，从而训练出融合系数。在本申请实施例中，可以采用支持向量回归机(Support Vector Regression；简称：SVR)作为训练模型进行训练。当然，如何想要训练整个出行路线上的融合系数，则可以将出行路线上任意相邻途经点对应的第三历史行驶时间和第三实时行驶时间作为训练数据；如果想要训练某路段(一对相邻途经点)的融合系数，只需获取相应的相邻途经点对应的第三历史行驶时间和第三实时行驶时间作为训练数据进行训练。
另外，在本申请实施例中，出行路线上的途经点可以是用户所乘坐的车辆的停靠点，当途经点中包括至少一个停靠点时，需要考虑车辆的停靠时间，因此，本申请实施例提供的预计到达时间的确定方法还可以进一步地包括下述步骤：
S305，根据车辆停靠的途经点的途经点信息，获取对应的车辆停靠时间。
在本申请实施例中，可以预先根据历史数据获取停靠站的停靠时间，并进行存储。当然，也可以针对不同时间存储不同的停靠时间数值。
S306，将第一行驶时间与车辆停靠时间进行求和计算，获取第一预计到达时间。
在本申请实施例中，如果途经点中包括停靠点，则将各相邻途经点(途经点可以是用户的出行路线上的预定途经点，也可以是停靠点)之间的第一行驶时间与各停靠时间进行求和，即可获取用户按照出行路线出行的预计到达时间。
在本申请实施例的途经点中包括停靠点的情况下，上述步骤S304所采用的融合系数，还可以将各停靠点的停靠时间作为训练数据进行训练获得。具体地，可以根据用户所乘坐的车辆的出行路线信息，针对第二历史时刻，在数据库中获取出行路线上的相邻途经点之间的第三历史行驶时间，用户所乘坐的车辆在相邻途经点之间的第三实时行驶时间，以及用户所乘坐的车辆在停靠点的停靠时间，其中，第三历史行驶时间为第二历史时刻之前的历史数据；所述第三实时行驶时间为所述第二历史时刻之后的实时数据；然后，根据第三历史行驶时间、第三实时行驶时间以及停靠点的停靠时间，训练机器学习模型，以获得融合系数。
另外，当用户的当前位置位于两个途经点之间时，还需要计算用户乘坐车辆从当前位置行驶到下一个途经点的时间。也就是说，可以获取用户的当前位置与相邻的第一途经点之间的路段上的第二历史平均行驶速度和第二实时行驶速度，其中，第二历史平均行驶速度为当前位置与相邻的第一途经点之间的路段上的历史行驶速度的平均值，第二实时行驶速度为当前位置与相邻的第一途经点之间的路段上的当前行驶速度值；然后，根据预设的融合系数以及第二历史平均行驶速度和第二实时行驶速度，计算用户在当前位置与相邻的第一途经点之间行进的第二行驶时间，其中，融合系数为所述第二历史平均行驶速度的权重值，该融合系数可以为整个出行路线对应的融合系数，也可以为用户在当前行驶路段对应的融合系数。最后，针对出行路线上的途经点，将用户乘坐车辆在相邻途经点之间行驶的第一行驶时间与第二行驶时间进行求和计算，获取用户按照出行路线出行的预计到达时间。当然，在途经点中包括停靠点的情况下，可以针对出行路线上的途经点，将车辆在相邻途经点之间行驶的第一行驶时间、停靠点的停靠时间与第二行驶时间进行求和计算，以获取用户按照出行路线的预计到达时间。
本申请实施例提供的预计到达时间的确定方法，通过对于用户出行路线上的各途经点获取相邻途经点之间的历史平均速度并且计算当前的实时行驶速度，从而基于通过对历史平均速度和实时行驶速度进行融合计算，能够获得既反映了路线的各路段的历史数据因素又结合了各路段当前的行驶路况信息的计算结果作为用户到达目的地站点的预计到达时间(ETA)。此外，能够通过机器学习模型来基于各路段的历史数据对融合系数进行训练，并且可以随着日常的数据的积累来不断地对融合系数进行训练并且使用最新训练的融合系数来更新为用户计算出行路线的预计到达时间的融合系数，从而进一步提高预计到达时间的计算准确性。
基于本申请实施例提供的预计到达时间的确定方法，所提供的ETA服务可以通过API接口的形式向非地图出行类的应用软件(如金融支付类应用软件、生活服务类应用软件、社交应用类应用软件等)或者交通管理或城市管理类服务系统输出。
实施例三
图4为本申请提供的预计到达时间的确定装置一个实施例的结构示意图，可用于执行如图2所示的方法步骤。如图4所示，该装置可以包括：出行路线获取模块41、第一计算模块42和第二计算模块43。
其中，出行路线获取模块41用于获取用户的出行路线信息，其中，出行路线信息包括用户根据出行路线出行时途经的途经点信息；第一计算模块42用于基于途经点信息，获取相邻途经点之间的第一历史平均行驶速度和第一实时行驶速度，根据预设的第一融合系数、第一历史平均行驶速度和第一实时行驶速度，确定用户乘坐的车辆在相邻途经点之间行驶的第一行驶时间；第二计算模块43用于将车辆在相邻途经点之间行驶的第一行驶时间进行求和计算，获取第一预计到达时间，即用户按照出行路线到达目的地的时间。
本申请实施例中各功能模块的详细描述参见上述方法实施例，在此不再赘述。
本申请实施例提供的预计到达时间的确定装置，通过对于用户出行路线上的各途经点获取相邻途经点之间的历史平均速度并且计算当前的实时行驶速度，从而基于通过对历史平均速度和实时行驶速度进行融合计算，能够获得既反映了路线的各路段的历史数据因素又结合了各路段当前的行驶路况信息的计算结果作为用户到达目的地站点的预计到达时间(ETA)。
实施例四
图5为本申请提供的预计到达时间的确定装置另一个实施例的结构示意图，可以用于执行如图3所示的方法步骤。如图5所示，在上述图4所示实施例的基础上，途经点信息中至少包含相邻途经点之间的行驶距离，第一计算模块42可以包括：第一计算单元421和第二计算单元422和第三计算单元423。
其中，第一计算单元421可以用于根据相邻途经点之间的距离和第一历史平均行驶速度，确定相邻途经点之间的第一历史行驶时间；第二计算单元422可以用于根据相邻途经点之间的距离和第一实时行驶速度，确定相邻途经点之间的第一实时行驶时间；第三计算单元423可以用于根据第一融合系数，对第一历史行驶时间和第一实时行驶时间进行求和计算，以获得第一行驶时间。
另外，当用户根据出行路线出行时途经的途经点中的至少一个途经点用于车辆停靠时，本申请实施例提供的预计到达时间的确定装置还可以包括：停靠时间获取模块51，该停靠时间获取模块51可以用于根据车辆停靠的途经点的途经点信息，获取对应的车辆停靠时间；而第二计算模块43则还可以用于将第一行驶时间与车辆停靠时间进行求和计算，获取第一预计到达时间。
进一步地，在本申请实施例中，出行路线上的途经点可以是用户所乘坐的车辆的停靠点，当途经点中包括至少一个停靠点时，需要考虑车辆的停靠时间。因此，确定装置可以进一步包括：第一确定模块54，用于根据用户的当前位置和出行路线确定用户乘坐的车辆将会到达的第一途经点。并且在此情况下，第一计算模块42可以进一步用于，获取用户的当前位置与第一确定模块54确定的第一途经点之间的第二历史平均行驶速度和第二实时行驶速度，其中，第二历史平均行驶速度为当前位置与第一途经点之间的历史行驶速度的平均值，第二实时行驶速度为当前位置与所述第一途经点之间的当前行驶速度值，并且根据预设的第二融合系数、第二历史平均行驶速度和第二实时行驶速度，确定车辆在当前位置与第一途经点之间行驶的第二行驶时间。并且第二计算模块43可以进一步用于将车辆在相邻途经点之间行驶的第一行驶时间与第二行驶时间进行求和计算，获取用户按照出行路线的第一预计到达时间。
此外，在本申请实施例中，第一计算模块42可以进一步用于，获取用户的当前位置与第一途经点之间的第二历史平均行驶速度和第二实时行驶速度，其中，第二历史平均行驶速度为当前位置与所述第一途经点之间的历史行驶速度的平均值，第二实时行驶速度为所述当前位置与所述第一途经点之间的当前行驶速度值，并且根据预设的第一融合系数、第二历史平均行驶速度和第二实时行驶速度，确定车辆在当前位置与所述第一途经点之间行驶的第二行驶时间。因此，第二计算模块43还用于针对所述行驶路线上的途经点，将车辆在相邻途经点之间行驶的第一行驶时间、车辆停靠时间与第二行驶时间进行求和计算，获取第一预计到达时间。
在本申请实施例中，可以通过离线建模训练的方式，获取融合系数。具体地，一方面，本申请实施例提供的预计到达时间的确定装置还可以包括：第一训练模块52。
该第一训练模块52可以用于根据用户的出行路线信息，针对第一历史时刻，在数据库中获取出行路线上的相邻途经点之间的第三历史行驶时间，以及用户乘坐的车辆在相邻途经点之间的第三实时行驶时间，其中，第三历史行驶时间为所述第一历史时刻之前的历史数据；第三实时行驶时间为所述第一历史时刻之后的实时数据；并且根据第三历史行驶时间与相应的第三实时行驶时间，训练机器学习模型，以获得第一融合系数。
另一方面，本申请实施例提供的预计到达时间的确定装置还可以包括：第二训练模块53。
该第二训练模块53可以用于根据用户的出行路线信息，针对第二历史时刻，在数据库中获取行驶路线上的相邻途经点之间的第三历史行驶时间，相邻途经点之间的第三实时行驶时间，以及车辆停靠时间，其中，第三历史行驶时间为所述第二历史时刻之前的历史数据；第三实时行驶时间为所述第二历史时刻之后的实时数据；根据第三历史行驶时间、所述第三实时行驶时间以及所述车辆停靠时间，训练机器学习模型，以获得第一融合系数。
本申请实施例中各功能模块的详细描述参见上述方法实施例，在此不再赘述。
本申请实施例提供的预计到达时间的确定装置，通过对于用户出行路线上的各途经点获取相邻途经点之间的历史平均速度并且计算当前的实时行驶速度，从而基于通过对历史平均速度和实时行驶速度进行融合计算，能够获得既反映了路线的各路段的历史数据因素又结合了各路段当前的行驶路况信息的计算结果作为用户到达目的地站点的预计到达时间(ETA)。此外，能够通过机器学习模型来基于各路段的历史数据对融合系数进行训练，并且可以随着日常的数据的积累来不断地对融合系数进行训练并且使用最新训练的融合系数来更新为用户计算出行路线的预计到达时间的融合系数，从而进一步提高预计到达时间的计算准确性。
实施例五
以上描述了预计到达时间的确定装置的内部功能和结构，该装置可实现为一种电子设备。图6为本申请提供的电子设备实施例的结构示意图。如图6所示，该电子设备包括存储器61和处理器62。
存储器61，用于存储程序。除上述程序之外，存储器61还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。
存储器61可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
处理器62，不仅仅局限于中央处理器(CPU)，还可能为图形处理器(GPU)、现场可编辑门阵列(FPGA)、嵌入式神经网络处理器(NPU)或人工智能(AI)芯片等处理芯片。处理器62，与存储器61耦合，执行存储器61所存储的程序，该程序运行时执行上述任一的预计到达时间的确定方法。
进一步，如图6所示，电子设备还可以包括：通信组件63、电源组件64、音频组件65、显示器66等其它组件。图6中仅示意性给出部分组件，并不意味着电子设备只包括图6所示组件。
通信组件63被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如WiFi，3G、4G或5G，或它们的组合。在一个示例性实施例中，通信组件63经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件63还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
电源组件64，为电子设备的各种组件提供电力。电源组件64可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。
音频组件65被配置为输出和/或输入音频信号。例如，音频组件65包括一个麦克风(MIC)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器61或经由通信组件63发送。在一些实施例中，音频组件65还包括一个扬声器，用于输出音频信号。
显示器66包括屏幕，其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种预计到达时间的确定方法，其中，包括：
获取用户的出行路线信息，所述出行路线信息包括用户根据所述出行路线出行时途经的途经点信息；
基于所述途经点信息，获取相邻途经点之间的第一历史平均行驶速度和第一实时行驶速度；
根据预设的第一融合系数、所述第一历史平均行驶速度和第一实时行驶速度，确定用户乘坐的车辆在所述相邻途经点之间行驶的第一行驶时间；
将所述车辆在相邻途经点之间行驶的第一行驶时间进行求和计算，获取第一预计到达时间，所述第一预计到达时间标识所述用户按照所述出行路线到达目的地的时间。
2.根据权利要求1所述的预计到达时间的确定方法，其中，所述途经点信息中至少包含相邻途经点之间的行驶距离，所述根据预设的第一融合系数、所述第一历史平均行驶速度和第一实时行驶速度，确定所述车辆在所述相邻途经点之间行驶的第一行驶时间，包括：
根据所述相邻途经点之间的距离和所述第一历史平均行驶速度，确定所述相邻途经点之间的第一历史行驶时间；
根据所述相邻途经点之间的距离和所述第一实时行驶速度，确定所述相邻途经点之间的第一实时行驶时间；
根据所述第一融合系数，对所述第一历史行驶时间和所述第一实时行驶时间进行求和计算，以获得所述第一行驶时间。
3.根据权利要求1所述的预计到达时间的确定方法，其中，用户根据所述出行路线出行时途经的途经点中的至少一个途经点用于车辆停靠，所述方法还包括：
根据所述车辆停靠的途经点的途经点信息，获取对应的车辆停靠时间，并且
所述将所述车辆在相邻途经点之间行驶的第一行驶时间进行求和计算，获取第一预计到达时间包括：
将所述第一行驶时间与所述车辆停靠时间进行求和计算，获取所述第一预计到达时间。
4.根据权利要求1所述的预计到达时间的确定方法，其中，还包括：
根据用户的当前位置和所述出行路线确定用户乘坐的车辆将会到达的第一途经点，并且获取用户的当前位置与所述第一途经点之间的第二历史平均行驶速度和第二实时行驶速度，其中，所述第二历史平均行驶速度为所述当前位置与所述第一途经点之间的历史行驶速度的平均值，所述第二实时行驶速度为所述当前位置与所述第一途经点之间的当前行驶速度值；
根据预设的第二融合系数、所述第二历史平均行驶速度和第二实时行驶速度，确定所述车辆在当前位置与所述第一途经点之间行驶的第二行驶时间，并且
所述将所述车辆在相邻途经点之间行驶的第一行驶时间进行求和计算，获取第一预计到达时间包括：
针对所述出行路线上的途经点，将所述车辆在相邻途经点之间行驶的第一行驶时间与所述第二行驶时间进行求和计算，获取所述第一预计到达时间。
5.根据权利要求3所述的预计到达时间的确定方法，其中，还包括：
根据用户的当前位置和所述出行路线确定用户乘坐的车辆将会到达的第一途经点，并且获取用户的当前位置与所述第一途经点之间的第二历史平均行驶速度和第二实时行驶速度，其中，所述第二历史平均行驶速度为所述当前位置与所述第一途经点之间的历史行驶速度的平均值，所述第二实时行驶速度为所述当前位置与所述第一途经点之间的当前行驶速度值；
根据预设的第一融合系数、所述第二历史平均行驶速度和第二实时行驶速度，确定所述车辆在当前位置与所述第一途经点之间行驶的第二行驶时间，并且
所述将所述车辆在相邻途经点之间行驶的第一行驶时间进行求和计算，获取第一预计到达时间包括：
针对所述出行路线上的途经点，将所述车辆在相邻途经点之间行驶的第一行驶时间、所述车辆停靠时间与所述第二行驶时间进行求和计算，获取所述第一预计到达时间。
6.根据权利要求1或2所述的预计到达时间的确定方法，其中，还包括：
根据用户的出行路线信息，针对第一历史时刻，在数据库中获取出行路线上的相邻途经点之间的第三历史行驶时间，以及用户乘坐的车辆在所述相邻途经点之间的第三实时行驶时间，其中，所述第三历史行驶时间为所述第一历史时刻之前的历史数据；所述第三实时行驶时间为所述第一历史时刻之后的实时数据；
根据所述第三历史行驶时间与相应的所述第三实时行驶时间，训练机器学习模型，以获得所述第一融合系数。
7.根据权利要求3所述的预计到达时间的确定方法，其中，还包括：
根据用户的出行路线信息，针对第二历史时刻，在数据库中获取出行路线上的相邻途经点之间的第三历史行驶时间，所述相邻途经点之间的第三实时行驶时间，以及所述车辆停靠时间，其中，所述第三历史行驶时间为所述第二历史时刻之前的历史数据；所述第三实时行驶时间为所述第二历史时刻之后的实时数据；
根据所述第三历史行驶时间、所述第三实时行驶时间以及所述车辆停靠时间，训练机器学习模型，以获得所述第一融合系数。
8.一种预计到达时间的确定装置，其中，包括：
出行路线获取模块，用于获取用户的出行路线信息，所述出行路线信息包括用户根据所述出行路线出行时途经的途经点信息；
第一计算模块，用于基于所述途经点信息，获取相邻途经点之间的第一历史平均行驶速度和第一实时行驶速度，根据预设的第一融合系数、所述第一历史平均行驶速度和第一实时行驶速度，确定用户乘坐的车辆在所述相邻途经点之间行驶的第一行驶时间；
第二计算模块，用于将所述车辆在相邻途经点之间行驶的第一行驶时间进行求和计算，获取第一预计到达时间，所述第一预计到达时间标识所述用户按照所述出行路线到达目的地的时间。
9.一种电子设备，其中，包括：
存储器，用于存储程序；
处理器，用于运行所述存储器中存储的所述程序，所述程序运行时执行如权利要求1至7中任一所述的预计到达时间的确定方法。
10.一种计算机可读存储介质，其上存储有可被处理器执行的计算机程序，其中，该程序被处理器执行时实现如权利要求1至7中任一所述的预计到达时间的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010274801.2A CN113516843A (zh) | 2020-04-09 | 2020-04-09 | 预计到达时间的确定方法和装置、电子设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010274801.2A CN113516843A (zh) | 2020-04-09 | 2020-04-09 | 预计到达时间的确定方法和装置、电子设备以及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113516843A true CN113516843A (zh) | 2021-10-19 |
Family
ID=78060208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010274801.2A Pending CN113516843A (zh) | 2020-04-09 | 2020-04-09 | 预计到达时间的确定方法和装置、电子设备以及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113516843A (zh) |
Cited By (1)
| 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
| CN102426783A (zh) * | 2011-08-30 | 2012-04-25 | 同济大学 | 基于车辆跟踪的低流量道路交通事件检测方法 |
| CN104183128A (zh) * | 2013-05-22 | 2014-12-03 | 高德软件有限公司 | 交通状态确定方法及装置 |
-
2020
- 2020-04-09 CN CN202010274801.2A patent/CN113516843A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
| CN102426783A (zh) * | 2011-08-30 | 2012-04-25 | 同济大学 | 基于车辆跟踪的低流量道路交通事件检测方法 |
| CN104183128A (zh) * | 2013-05-22 | 2014-12-03 | 高德软件有限公司 | 交通状态确定方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 吴俏: "基于城市路网的行程时间估计及预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 徐建闽: "《智能交通技术研究与应用 第一届 2006 智能交通与人工智能学术研讨会论文集》", 31 December 2006, 华南理工大学出版社 * |
| 杨东援: "《连续数据环境下的交通规则与管理》", 31 January 2014, 同济大学出版社 * |
Cited By (2)
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12018951B1 (en) | Dynamic geolocation optimization of pickup locations using location scores | |
| US11415427B2 (en) | Providing traffic warnings to a user based on return journey | |
| CN112818497B (zh) | 交通仿真方法、装置、计算机设备和存储介质 | |
| US10928209B2 (en) | Assessing inter-modal passenger travel options | |
| CN110709908B (zh) | 用于交通系统的状态预测的计算机系统和方法 | |
| US10527433B2 (en) | Automated vehicle parking space recommendation | |
| US11565722B2 (en) | Vehicle trajectory prediction near or at traffic signal | |
| US6879907B2 (en) | Method and system for modeling and processing vehicular traffic data and information and applying thereof | |
| US20140058652A1 (en) | Traffic information processing | |
| JP6063237B2 (ja) | 渋滞予測装置、渋滞予測システム、渋滞予測方法、及び、プログラム | |
| US20140266800A1 (en) | Crowd-sourced parking advisory | |
| US11175153B2 (en) | Pedestrian and vehicle route optimization | |
| US9602961B2 (en) | Monitoring method and system | |
| CN105424052A (zh) | 随机可行驶里程 | |
| CN105683716A (zh) | 场境交通或通行警示 | |
| CN103020097A (zh) | 公共交通换乘方案推荐方法及装置 | |
| CN110857862A (zh) | 交通疏缓系统 | |
| CN113516843A (zh) | 预计到达时间的确定方法和装置、电子设备以及计算机可读存储介质 | |
| CN110113716B (zh) | 一种路径状态信息获取方法、装置及存储介质 | |
| CN112101677B (zh) | 一种公共交通出行路径规划方法、装置、设备及存储介质 | |
| CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
| CN115762166A (zh) | 确定路口通行时长的方法、装置、电子设备及存储介质 | |
| CN114781243A (zh) | Eta预测及模型训练方法、设备、介质及产品 | |
| US20240118371A1 (en) | Apparatus, method, and computer program product for communication node localization | |
| Ekhlakov | Modern Methods of T raffic F low Modeling: A Gra ph L oad C alculation M odel B ased on Real-T ime Data |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211019 |