CN113836661B - 时间预测方法、模型训练方法、相关装置及电子设备 - Google Patents
时间预测方法、模型训练方法、相关装置及电子设备 Download PDFInfo
- Publication number
- CN113836661B CN113836661B CN202111122277.8A CN202111122277A CN113836661B CN 113836661 B CN113836661 B CN 113836661B CN 202111122277 A CN202111122277 A CN 202111122277A CN 113836661 B CN113836661 B CN 113836661B
- Authority
- CN
- China
- Prior art keywords
- track
- grid
- target
- running
- vector
- 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 86
- 238000012549 training Methods 0.000 title claims abstract description 65
- 238000006243 chemical reaction Methods 0.000 claims abstract description 56
- 230000002123 temporal effect Effects 0.000 claims description 21
- 230000003068 static effect Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 abstract description 16
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 19
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012512 characterization method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种时间预测方法、模型训练方法、相关装置及电子设备,涉及人工智能技术领域,尤其涉及机器学习和时空大数据技术领域。具体实现方案为:获取目标交通工具的行驶信息,所述行驶信息包括第一行驶轨迹;基于所述第一行驶轨迹进行网格编码,得到M条网格化轨迹,M为正整数;对所述M条网格化轨迹中每条网格化轨迹进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息;基于所述M个第一向量信息进行时间预测,得到所述目标交通工具的第一目标行驶时长。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及机器学习和时空大数据技术领域,具体涉及一种时间预测方法、模型训练方法、相关装置及电子设备。
背景技术
随着社会经济的高速发展,贸易往来越来越频繁,交通工具在贸易往来中扮演着重要的角色,且交通工具的行驶时间是制定贸易计划的重要依据。比如,在海洋运输中,可以通过船舶来进行贸易往来,其航行时间是制订码头作业的重要依据。
目前,可以基于交通工具的行驶轨迹,利用机器学习模型进行时间预测,即将行驶轨迹直接输入至机器学习模型进行时间预测,得到该交通工具从出发点至目的点的行驶时间。
发明内容
本公开提供了一种时间预测方法、模型训练方法、相关装置及电子设备。
根据本公开的第一方面,提供了一种时间预测方法,包括:
获取目标交通工具的行驶信息,所述行驶信息包括第一行驶轨迹;
基于所述第一行驶轨迹进行网格编码,得到M条网格化轨迹,M为正整数;
对所述M条网格化轨迹中每条网格化轨迹进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息;
基于所述M个第一向量信息进行时间预测,得到所述目标交通工具的第一目标行驶时长。
根据本公开的第二方面,提供了一种模型训练方法,包括:
获取交通工具样本的N条行驶轨迹样本,N为大于1的整数;
针对每条行驶轨迹样本,基于所述行驶轨迹样本进行网格编码,得到所述行驶轨迹样本的M条网格化轨迹样本,M为正整数;
将所述N条行驶轨迹样本的K条网格化轨迹样本输入至目标模型进行向量转换和时间预测,得到所述行驶轨迹样本的第二目标行驶时长;所述目标模型包括M个第一子模型和M个第二子模型;所述向量转换包括:基于所述K条网格化轨迹样本对所述M个第一子模型进行训练,得到所述K条网格化轨迹样本一一对应的K个第三向量信息;所述时间预测包括:针对每条行驶轨迹样本,将M个第二目标向量信息输入至所述M个第二子模型进行时间预测,得到第二目标行驶时长,一个第二目标向量信息输入至一个第二子模型,所述M个第二目标向量信息基于所述行驶轨迹样本的M条网格化轨迹样本一一对应的M个第三向量信息确定,K等于M与N的乘积;
基于所述第二目标行驶时长和所述第二目标行驶时长对应的行驶时长标签,更新所述M个第二子模型的参数。
根据本公开的第三方面,提供了一种时间预测装置,包括:
第一获取模块,用于获取目标交通工具的行驶信息,所述行驶信息包括第一行驶轨迹;
第一网格编码模块,用于基于所述第一行驶轨迹进行网格编码,得到M条网格化轨迹,M为正整数;
第一向量转化模块,用于对所述M条网格化轨迹中每条网格化轨迹进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息;
时间预测模块,用于基于所述M个第一向量信息进行时间预测,得到所述目标交通工具的第一目标行驶时长。
根据本公开的第四方面,提供了一种模型训练装置,包括:
第二获取模块,用于获取交通工具样本的N条行驶轨迹样本,N为大于1的整数;
第二网格编码模块,用于针对每条行驶轨迹样本,基于所述行驶轨迹样本进行网格编码,得到所述行驶轨迹样本的M条网格化轨迹样本,M为正整数;
训练模块,用于将所述N条行驶轨迹样本的K条网格化轨迹样本输入至目标模型进行向量转换和时间预测,得到所述行驶轨迹样本的第二目标行驶时长;所述目标模型包括M个第一子模型和M个第二子模型;所述向量转换包括:基于所述K条网格化轨迹样本对所述M个第一子模型进行训练,得到所述K条网格化轨迹样本一一对应的K个第三向量信息;所述时间预测包括:针对每条行驶轨迹样本,将M个第二目标向量信息输入至所述M个第二子模型进行时间预测,得到第二目标行驶时长,一个第二目标向量信息输入至一个第二子模型,所述M个第二目标向量信息基于所述行驶轨迹样本的M条网格化轨迹样本一一对应的M个第三向量信息确定,K等于M与N的乘积;
更新模块,用于基于所述第二目标行驶时长和所述第二目标行驶时长对应的行驶时长标签,更新所述M个第二子模型的参数。
根据本公开的第五方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面中的任一项方法,或者执行第二方面中的任一项方法。
根据本公开的第六方面,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,该计算机指令用于使计算机执行第一方面中的任一项方法,或者执行第二方面中的任一项方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现第一方面中的任一项方法,或者执行时实现第二方面中的任一项方法。
根据本公开的技术解决了交通工具的行驶时间的预测精度比较低的问题,提高了交通工具的行驶时间的预测精度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的时间预测方法的流程示意图;
图2是基于行驶轨迹进行网格编码的示意图;
图3是目标模型的结构示意图;
图4是根据本公开第二实施例的模型训练方法的流程示意图;
图5是根据本公开第三实施例的时间预测装置的结构示意图;
图6是根据本公开第四实施例的模型训练装置的结构示意图
图7是用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
第一实施例
如图1所示,本公开提供一种时间预测方法,包括如下步骤:
步骤S101:获取目标交通工具的行驶信息,所述行驶信息包括第一行驶轨迹。
本实施例中,时间预测方法涉及人工智能技术领域,尤其涉及机器学习和时空大数据技术领域,其可以广泛应用于贸易运输、旅途规划等场景中。本公开实施例的时间预测方法,可以由本公开实施例的时间预测装置执行。本公开实施例的时间预测装置可以配置在任意电子设备中,以执行本公开实施例的时间预测方法。该电子设备可以为服务器,也可以为终端,这里不做具体限定。
该步骤中,目标交通工具可以为任一类型的交通工具,比如,船舶、飞机、车辆等。以船舶为例,本实施例的目的即是通过获取船舶在一段路程的行驶信息(包括船舶的行驶轨迹),并基于船舶在该段路程的行驶信息,预测船舶从出发港至目的港的行驶时长,从而可以基于该行驶时长预测该船舶的到港时间和/或离港时间,进而依据预测的时间制订码头作业的计划。
行驶信息可以指的是目标交通工具在行驶过程中,影响目标交通工具的行驶时长的相关信息,该行驶信息可以至少包括目标交通工具的第一行驶轨迹,该第一行驶轨迹可以包括目标交通工具在行驶过程中的轨迹点。
行驶信息中除了包括目标交通工具的行驶轨迹之外,还可以包括目标交通工具行驶时的环境信息、静态承载信息、动态承载信息和目标交通工具的静态归属信息中至少一项。
目标交通工具以船舶为例,在该种场景下,环境信息可以包括气象数据如风速、风向、温度、湿度等,以及海洋数据如水流速度、水流方向等,静态承载信息可以包括船只大小、载重等,动态承载信息可以包括航向、航速等,而静态归属信息可以包括船只承运商、船只编号等。
该行驶信息的获取方式可以包括多种,比如,可以接收目标交通工具实时采集并上报的行驶信息,如在目标交通工具上安装船舶自动识别系统(AutomaticIdentification System,AIS),通过AIS实时采集并上报目标交通工具行驶过程中的轨迹点。也可以接收其他电子设备发送的该目标交通工具的行驶信息,还可以获取预先存储的该目标交通工具的行驶信息。
步骤S102:基于所述第一行驶轨迹进行网格编码,得到M条网格化轨迹。
其中,M为正整数。
该步骤中,网格编码可以指的是将第一行驶轨迹的每个轨迹点编码成网格形式,得到第一行驶轨迹的网格化轨迹。也就是说,网格化轨迹包括用于表征第一行驶轨迹的轨迹点的网格。
其中,网格的形状可以为长方形、也可以为正方形,亦或是其他形状,这里不进行具体限定,网格的大小可以根据实际情况和网格编码方式进行综合确定,以下可以对此进行详细说明。
可以采用一种网格编码方式基于第一行驶轨迹进行网格编码,得到M条网格化轨迹,在该种情况下,M等于1。
也可以采用多种如两种网格编码方式基于第一行驶轨迹进行网格编码,得到M条网格化轨迹,M的数量等于网格编码方式的数量,若采用两种网格编码方式基于第一行驶轨迹进行网格编码,则可以得到两条网格化轨迹。
比如,可以采用地理编码方式如Geohash编码和梯度编码方式分别基于第一行驶轨迹进行网格编码。Geohash编码指的是将地图拆分成一个个矩形网格,当轨迹点的经纬度落入到某个网格内时,则使用该网格代替该轨迹点,这相当于一种聚类编码方式,将多个轨迹点聚类到一个网格中,该网格的特征可以表征聚类在该网格的多个轨迹点的特征,因此可以提高特征表征的泛化能力。梯度编码方式指的是按照预设大小的网格,对第一行驶轨迹的每个轨迹点进行网格编码,即一个轨迹点对应一个网格,该网格的特征即可以表征轨迹点的特征,这样可以提高特征表征的准确性。
在网格编码过程中,可以对第一行驶轨迹进行网格编码,得到一条网格化轨迹,也可以对第一行驶轨迹进行网格编码,之后基于相邻两个轨迹点的位置特点和对应的网格特点,进行网格轨迹修复,得到一条网格化轨迹。
比如,当采用Geohash编码基于第一行驶轨迹进行网格编码时,可以将第一行驶轨迹的每个轨迹点映射到地图对应的矩形网格上,得到一条网格化轨迹。也可以将第一行驶轨迹的每个轨迹点映射到地图对应的矩形网格上,由于相邻两个轨迹点的位置特点通常决定了相邻两个轨迹点要么映射到同一网格中,要么映射到相邻的两个不同网格中,若相邻两个轨迹点映射到的两个网格距离比较远,则说明第一行驶轨迹的该相邻两个轨迹点中至少存在一个轨迹点的经纬度存在异常。因此,可以将偏离比较远的网格进行剔除,剔除之后还可以补全缺失的网格,得到一条修复的网格化轨迹。
在网格编码过程中,也可以对第一行驶轨迹进行轨迹修正,得到第二行驶轨迹,之后可以对第二行驶轨迹进行网格编码,得到一条网格化轨迹。
比如,当采用梯度编码方式基于第一行驶轨迹进行网格编码时,可以采用梯度方式处理第一行驶轨迹中的异常点,以修正第一行驶轨迹,得到第二行驶轨迹,之后可以对第二行驶轨迹进行网格编码,得到一条网格化轨迹。
采用梯度方式处理第一行驶轨迹中的异常点,以修正第一行驶轨迹,得到第二行驶轨迹的具体步骤可以包括:确定第一行驶轨迹中相邻两个轨迹点之间的距离,基于该距离计算相邻两个轨迹点的差分速度,在该差分速度大于预设速度的情况下,则确定这相邻两个轨迹点中至少存在一个异常点,将与其他轨迹点偏移比较远的轨迹点剔除,之后,可以采用多项式插值方式,将异常点位置对应的轨迹点补全至第一行驶轨迹中,得到第二行驶轨迹。
其中,可以直接基于第一行驶轨迹的轨迹点的经纬度,采用距离计算公式计算相邻两个轨迹点之间的距离,也可以将一行驶轨迹的轨迹点的经纬度进行坐标变化,以将经纬度坐标转换到墨卡托坐标,以扩大轨迹点的位置之间的差异性,提高轨迹修复的准确率,之后可以基于相邻两个轨迹点的墨卡托坐标采用距离计算公式计算相邻两个轨迹点之间的半矢量Haversine距离。
需要说明的是,在采用多种网格编码方式基于第一行驶轨迹进行网格编码的情况下,不同网格编码方式下轨迹点所映射的网格大小可以不同,以兼顾不同大小网格对轨迹点的特征表征优势,得到M条不同的网格化轨迹。比如,大网格可以提高特征表征的泛化能力,小网格可以提高特征表征的准确性。
步骤S103:对所述M条网格化轨迹中每条网格化轨迹进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息。
该步骤中,可以采用相同或不同的向量转化方式对每条网格化轨迹进行向量转化,且向量转化方式可以包括多种,比如,可以采用机器学习模型如连续词汇(ContinuousBag-Of-Words,CBOW)模型对网格化轨迹进行向量转化,也可以采用One-Hot编码对网格化轨迹进行向量转化。
采用机器学习模型对M条网格化轨迹进行向量转化时,可以采用相同的或不同结构的机器学习模型对M条网格化轨迹进行向量转化。以CBOW模型为例,可以采用结构类似的M个CBOW模型对M条网格化轨迹进行向量转化,得到M条网格化轨迹一一对应的M个第一向量信息,其中,一个CBOW模型对一条网格化轨迹进行向量转化。
在具体实现过程中,可以将M条网格化轨迹输入至目标模型,该目标模型可以包括M个CBOW模型,一个CBOW模型用于对一条网格化轨迹进行向量转化。
针对一条网格化轨迹进行向量转换的具体过程可以为:对网格化轨迹中每个网格进行向量转化,得到该网格化轨迹中每个网格的向量特征,之后基于该网格化轨迹中每个网格的向量特征,采用下式(1)确定该网格化轨迹的第一向量信息。
其中,上式(1)中,Q为该网格化轨迹的第一向量信息,Ai表示网格化轨迹中第i个网格的向量特征,V表示网格化轨迹中网格的数量。也就是说,第一向量信息等于网格化轨迹中每个网格的向量特征之和除以网格的数量。
步骤S104:基于所述M个第一向量信息进行时间预测,得到所述目标交通工具的第一目标行驶时长。
该步骤中,第一目标行驶时长可以指的是目标交通工具从出发地至目的地的行驶时长,可以基于目标交通工具的一段行程的行驶轨迹,预测目标交通工具从出发地至目的地的行驶时长。这样,在知晓出发时间如离港时间的前提下,可以准确地预测到达时间如到港时间,而若对到港时间有明确要求的场景下,可以制定离港时间的计划。
可以采用相同或不同的时间预测方式基于每个第一向量信息进行时间预测,且时间预测方式可以包括多种,比如,可以采用机器学习模型如LGB回归模型基于每个第一向量信息进行时间预测,也可以采用深度学习模型基于每个第一向量信息进行时间预测。
采用机器学习模型基于每个第一向量信息进行时间预测时,可以采用相同的或不同结构的机器学习模型基于第一向量信息进行时间预测。以LGB回归模型为例,可以采用结构类似的M个LGB回归模型基于M个第一向量信息进行时间预测,得到M个第一向量信息一一对应的M个行驶时长,其中,一个LGB回归模型基于一个第一向量信息进行时间预测。
在具体实现过程中,可以将M个第一向量信息输入至LGB回归模型,一个LGB回归模型用于基于一个第一向量信息进行时间预测,得到一个行驶时长。
之后,可以基于预设权重信息对M个行驶时长进行加权处理,得到目标交通工具的第一目标行驶时长。其中,预设权重信息可以包括M个权重,一个权重对应一种网格编码方式,其根据实际情况进行设置。比如,当M为2,且采用Geohash编码和梯度编码方式分别基于第一行驶轨迹进行网格编码时,针对每种网格编码方式,可以分别设置0.5的权重,每种网格编码方式下可以确定一个行驶时长t,最终得到的第一目标行驶时长可以为0.5×t1+0.5×t2。
需要说明的是,在一可选实施方式中,可以基于M条网格化轨迹,采用目标模型来预测目标交通工具的第一目标行驶时长,该目标模型可以包括M个第一子模型和与M个第一子模型一一对应的M个第二子模型,该M个第一子模型可以为M个结构类似的CBOW模型,该M个第二子模型可以为M个结构类似的LGB模型。
具体可以将M条网格化轨迹输入至目标模型,基于M个第一子模型对M条网格化轨迹进行向量转化,得到M个第一向量信息,一个第一子模型用于对一条网格化轨迹进行向量转化。之后,可以将M个第一向量信息输入至M个第二子模型进行时间预测,得到M个行驶时长,一个第二子模型用于基于一个第一向量信息进行时间预测,最后,可以基于预设权重信息对M个行驶时长进行加权处理,得到第一目标行驶时长。
需要说明的是,目标模型在使用之前需要预先训练,其训练过程将在以下实施例中进行详细说明。
另外,可以直接基于第一向量信息进行时间预测;也可以将行驶信息中除第一行驶轨迹之外的信息进行向量转化,得到第二向量信息,将第二向量信息与第一向量信息进行拼接,之后基于拼接得到的向量信息进行时间预测,以得到目标交通工具的第一目标行驶时长。
本实施例中,通过获取目标交通工具的行驶信息,所述行驶信息包括第一行驶轨迹;基于所述第一行驶轨迹进行网格编码,得到M条网格化轨迹;对所述M条网格化轨迹中每条网格化轨迹进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息;基于所述M个第一向量信息进行时间预测,得到所述目标交通工具的第一目标行驶时长。如此,可以利用到交通工具的行驶轨迹的网格信息,即使不同交通工具的行驶轨迹的轨迹点不同,但是在行驶时所映射到的网格可能存在相同,因此通过行驶轨迹的网格化轨迹来进行时间预测,可以提高交通工具的行驶时间的预测精度。
并且,在采用多种网格编码方式基于第一行驶轨迹进行网格编码时,可以兼顾不同大小网格对轨迹点的特征表征优势,如可以兼顾geohash编码方式鲁棒性强的特点和梯度编码方式精度高的特点,从而可以使时间预测过程兼具鲁棒性和准确性。
可选的,M大于1,所述步骤S102具体包括:
将所述第一行驶轨迹中的轨迹点映射到第一网格上,以得到第一网格化轨迹;
将第二行驶轨迹中的轨迹点映射到第二网格上,得到第二网格化轨迹;
其中,所述M条网格化轨迹包括所述第一网格化轨迹和所述第二网格化轨迹,所述第二行驶轨迹基于所述第一行驶轨迹确定,所述第一网格的网格大小大于所述第二网格的网格大小,所述第二网格的网格大小基于所述第二行驶轨迹中每相邻两个轨迹点的距离中最小距离确定。
本实施方式中,可以采用多种如两种网格编码方式基于第一行驶轨迹进行网格编码,得到M条网格化轨迹,M的数量等于网格编码方式的数量,若采用两种网格编码方式基于第一行驶轨迹进行网格编码,则可以得到两条网格化轨迹。
第一种网格编码方式为,可以将第一行驶轨迹的每个轨迹点均映射至第一网格中,得到一条网格化轨迹,之后,可以将该网格化轨迹确定为第一网格化轨迹,或者,可以基于相邻两个轨迹点的位置特点和对应的网格特点,剔除与其他网格化轨迹中的网格偏离比较远的网格,剔除之后还可以补全缺失的网格,得到一条修复的网格化轨迹即第一网格化轨迹。
第二种网格编码方式为,可以将第一行驶轨迹作为第二行驶轨迹,将第二行驶轨迹的每个轨迹点映射至第二网格中,得到第二网格化轨迹;或者,也可以对第一行驶轨迹进行轨迹修正,得到第二行驶轨迹,之后可以将第二行驶轨迹的每个轨迹点映射至第二网格中,得到第二网格化轨迹。
行驶轨迹的轨迹点可以映射至网格的中心,也可以映射至网格的其他位置,这里不进行具体限定。
其中,第一网格的大小和第二网格的大小不同,网格形状以正方形为例,设第一网格的大小为N1*N1,第二网格的大小为N2*N2,N1大于N2,且第二网格的网格大小基于第二行驶轨迹中每相邻两个轨迹点的距离中最小距离确定。
在一可选实施方式中,如图2所示,行驶轨迹的轨迹点映射至网格的中心,网格的形状为正方形,第二网格的边长不大于每相邻两个轨迹点的距离中最小距离,如最小距离为5米,则边长不大于5米。
如图2所示,第一行驶轨迹中包括很多个轨迹点,轨迹点201即为其中之一,如图2中上图所示,其为采用第一种网格编码方式基于第一行驶轨迹进行网格编码,如图2中下图所示,其为采用第二种网格编码方式基于第一行驶轨迹进行网格编码,第一网格202的大小大于第二网格203的大小。
从图2看出,第一网格的网格大小大于所述第二网格的网格大小,因此,第一种网格编码方式可以将多个轨迹点聚类到一个网格中,该网格的特征可以表征聚类在该网格的多个轨迹点的特征,该种网格编码方式可以提高特征表征的泛化能力;第二种网格编码方式可以将不同轨迹点映射至不同的网格中,即一个轨迹点对应一个网格,该网格的特征即可以表征轨迹点的特征,这样可以提高特征表征的准确性。
本实施方式中,通过采用多种网格编码方式基于第一行驶轨迹进行网格编码,可以兼顾不同大小网格对轨迹点的特征表征优势,如可以兼顾geohash编码方式鲁棒性强的特点和梯度编码方式精度高的特点,从而可以使时间预测过程兼具鲁棒性和准确性。
可选的,所述步骤S104具体包括:
分别基于每个第一向量信息进行时间预测,得到M个行驶时长;
基于预设权重信息对所述M个行驶时长进行加权处理,得到所述第一目标行驶时长。
本实施方式中,可以采用相同或不同的时间预测方式基于每个第一向量信息进行时间预测,得到M个行驶时长,之后,可以基于预设权重信息对M个行驶时长进行加权处理,得到目标交通工具的第一目标行驶时长。
其中,预设权重信息可以包括M个权重,一个权重对应一种网格编码方式,其根据实际情况进行设置。比如,当M为2,且采用Geohash编码和梯度编码方式分别基于第一行驶轨迹进行网格编码时,针对每种网格编码方式,可以分别设置0.5的权重,每种网格编码方式下可以确定一个行驶时长t,最终得到的第一目标行驶时长可以为0.5×t1+0.5×t2。
这样,可以将多种网格编码方式下确定的行驶时长进行融合,得到目标交通工具的第一目标行驶时长,从而达到时间预测过程兼具鲁棒性和准确性的效果。
可选的,所述行驶信息还包括所述目标交通工具行驶时的环境信息、静态承载信息、动态承载信息和所述目标交通工具的静态归属信息中至少一项;
所述分别基于每个第一向量信息进行时间预测,得到M个行驶时长之前,所述方法还包括:
对所述行驶信息中除所述第一行驶轨迹之外的信息进行向量转化,得到第二向量信息;
所述分别基于每个第一向量信息进行时间预测,得到M个行驶时长,包括:
针对每个第一向量信息,将所述第一向量信息和所述第二向量信息进行拼接,得到第一目标向量信息,基于所述第一目标向量信息进行时间预测,得到一个行驶时长。
本实施方式中,行驶信息中除了包括目标交通工具的行驶轨迹之外,还可以包括目标交通工具行驶时的环境信息、静态承载信息、动态承载信息和目标交通工具的静态归属信息中至少一项。
目标交通工具以船舶为例,在该种场景下,环境信息可以包括气象数据如风速、风向、温度、湿度等,以及海洋数据如水流速度、水流方向等,静态承载信息可以包括船只大小、载重等,动态承载信息可以包括航向、航速等,而静态归属信息可以包括船只承运商、船只编号等。
可以采用机器学习模型对行驶信息中除第一行驶轨迹之外的信息进行向量转化,得到第二向量信息,也可以采用One-Hot编码对行驶信息中除第一行驶轨迹之外的信息进行向量转化,得到第二向量信息,这里不进行具体限定。
之后,可以针对每个第一向量信息,将第一向量信息和第二向量信息进行拼接,得到第一目标向量信息,其拼接方式可以为将第一向量信息拼接在第二向量信息之后,也可以为将第二向量信息拼接在第一向量信息之后,这里不进行具体限定。基于第一目标向量信息进行时间预测,得到一个行驶时长。其中,基于第一目标向量信息进行时间预测的方式与基于第一向量信息进行时间预测的方式可以类似,这里不进行赘述。
本实施方式中,通过基于目标交通工具的行驶轨迹、目标交通工具行驶时的环境信息、静态承载信息、动态承载信息和目标交通工具的静态归属信息等相关信息,进行目标交通工具从出发地至目的地的行驶时长预测,从而充分考虑了不同因素对行驶时长的影响,进一步提高了时间预测的准确性。
可选的,所述步骤S103具体包括:
将所述M条网格化轨迹输入至目标模型进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息;
其中,所述目标模型包括M个第一子模型,所述向量转化包括:针对每个网格化轨迹,基于一个第一子模型对所述网格化轨迹进行向量转化,得到所述网格化轨迹对应的第一向量信息。
本实施方式中,可以采用结构类似的M个第一子模型对M条网格化轨迹进行向量转化,得到M条网格化轨迹一一对应的M个第一向量信息,其中,一个第一子模型对一条网格化轨迹进行向量转化,第一子模型可以为机器学习模型,如CBOW模型。
在具体实现过程中,可以将M条网格化轨迹输入至目标模型,该目标模型可以包括M个第一子模型,一个第一子模型用于对一条网格化轨迹进行向量转化。而基于一个第一子模型对一条网格化轨迹进行向量转换的具体过程在上述已经进行详细举例说明,这里不进行赘述。
本实施方式中,通过基于机器学习模型对M条网格化轨迹进行向量转化,从而可以提高网格特征表征的准确性。
可选的,所述目标模型包括M个第二子模型,所述步骤S104具体包括:
针对每个网格化轨迹,将所述网格化轨迹对应的第一向量信息输入至一个第二子模型进行时间预测,以得到所述第一目标行驶时长。
本实施方式中,目标模型可以为塔结构,其为机器学习模型,如图3所示,该目标模型可以包括M个第一子模型和与M个第一子模型一一对应的M个第二子模型,该M个第一子模型可以为M个结构类似的CBOW模型,该M个第二子模型可以为M个结构类似的LGB模型。
具体可以将M条网格化轨迹输入至目标模型,基于M个第一子模型对M条网格化轨迹进行向量转化,得到M个第一向量信息,一个第一子模型用于对一条网格化轨迹进行向量转化,之后,可以将M个第一向量信息输入至M个第二子模型进行时间预测,得到M个行驶时长,一个第二子模型用于基于一个第一向量信息进行时间预测,最后,可以基于预设权重信息对M个行驶时长进行加权处理,得到第一目标行驶时长,即融合不同网格编码方式下确定的行驶时长,得到一个最终的行驶时长。
本实施方式中,采用塔结构的目标模型实现网格轨迹的向量转化过程和时间预测过程,从而可以进一步提高时间预测的准确性。
第二实施例
如图4所示,本公开提供一种模型训练方法400,包括如下步骤:
步骤S401:获取交通工具样本的N条行驶轨迹样本,N为大于1的整数;
步骤S402:针对每条行驶轨迹样本,基于所述行驶轨迹样本进行网格编码,得到所述行驶轨迹样本的M条网格化轨迹样本,M为正整数;
步骤S403:将所述N条行驶轨迹样本的K条网格化轨迹样本输入至目标模型进行向量转换和时间预测,得到所述行驶轨迹样本的第二目标行驶时长;所述目标模型包括M个第一子模型和M个第二子模型;所述向量转换包括:基于所述K条网格化轨迹样本对所述M个第一子模型进行训练,得到所述K条网格化轨迹样本一一对应的K个第三向量信息;所述时间预测包括:针对每条行驶轨迹样本,将M个第二目标向量信息输入至所述M个第二子模型进行时间预测,得到第二目标行驶时长,一个第二目标向量信息输入至一个第二子模型,所述M个第二目标向量信息基于所述行驶轨迹样本的M条网格化轨迹样本一一对应的M个第三向量信息确定,K等于M与N的乘积;
步骤S404:基于所述第二目标行驶时长和所述第二目标行驶时长对应的行驶时长标签,更新所述M个第二子模型的参数。
在步骤S401中,交通工具样本可以为船舶、飞机或车辆等,以船舶为例,可以获取到很多个船舶的行驶轨迹样本,该行驶轨迹样本通常为船舶从出发港至目的港的行驶轨迹。
可以有多种方式获取N条行驶轨迹样本,且可以采用相同的或不同的方式获取N条行驶轨迹样本。比如,可以接收交通工具样本上报的轨迹点,得到一条行驶轨迹样本,也可以获取预先存储的一条完整的行驶轨迹作为行驶轨迹样本,还可以接收其他电子设备发送的行驶轨迹样本。
在步骤S402中,针对每条行驶轨迹样本,可以基于行驶轨迹样本进行网格编码,得到M条网格化轨迹样本,最终,针对N条行驶轨迹样本,可以得到K条网格化轨迹样本,K等于M与N的乘积。
其中,基于行驶轨迹样本进行网格编码的方式与基于第一行驶轨迹进行网格编码的方式类似,这里不进行赘述。
在步骤S403中,在获取到K条网格化轨迹样本的情况下,可以将K条网格化轨迹样本输入至目标模型,可以基于K条网格化轨迹样本对M个第一子模型进行训练。
具体可以将不同网格编码方式获取的网格化轨迹样本划分成不同组,而将同一网格编码方式获取的网格化轨迹样本划分为同一组,基于一组网格化轨迹样本对一个第一子模型进行训练。其中,一组网格化轨迹样本包括在同一网格编码方式下N条行驶轨迹样本一一对应的N条网格化轨迹样本。
在第一子模型的训练过程中,针对一个第一子模型,可以基于第一子模型训练得到网格化轨迹样本中网格的向量特征,其具体训练过程将在以下实施方式进行详细说明。相应的,可以基于网格的向量特征,采用上式(1)计算得到N条网格化轨迹样本一一对应的N个第三向量信息。
之后,可以将第三向量信息确定为第二目标向量信息,也可以将第三向量信息与其他数据如环境数据、静态承载数据等的向量信息进行拼接,得到第二目标向量信息。针对每条行驶轨迹样本,可以将其对应的M个第二目标向量信息一一输入至M个第二子模型进行时间预测,以得到第二目标行驶时长。
在步骤S404中,可以确定第二目标行驶时长和第二目标行驶时长对应的行驶时长标签的差异信息,基于该差异信息分别更新M个第二子模型的参数,基于更新的第二子模型的参数循环迭代计算该差异信息,直至该差异信息小于某一阈值且收敛,此时第二子模型训练完成。
本实施例中,通过将交通工具样本的行驶轨迹样本进行网格编码,得到多条网格化轨迹样本,并基于这多条网格化轨迹样本对目标模型进行训练。如此,在进行时间预测时,即使不同交通工具的行驶轨迹的轨迹点不同,但是在行驶时所映射到的网格可能存在相同,因此,利用交通工具的行驶轨迹的网格信息,通过行驶轨迹的网格化轨迹来进行时间预测,可以提高交通工具的行驶时间的预测精度。
可选的,所述基于所述K条网格化轨迹样本对所述M个第一子模型进行训练,得到所述K条网格化轨迹样本一一对应的K个第三向量信息,包括:
获取目标子模型的训练数据和测试数据,所述训练数据基于所述N条行驶轨迹样本一一对应的N条网格化轨迹样本中的网格按照预设时间片段进行划分得到,所述测试数据中的网格与所述训练数据中的网格相邻,所述N条网格化轨迹样本中网格大小相同,所述目标子模型为所述M个第一子模型中任一子模型;
将所述训练数据和所述测试数据输入至所述目标子模型进行网格的向量特征训练,得到所述N条网格化轨迹样本中每个网格的向量特征;
基于所述N条网格化轨迹样本中每个网格的向量特征,确定所述N条网格化轨迹样本一一对应的N个第三向量信息。
本实施方式中,第一子模型可以为CBOW模型,即可以将网格化轨迹样本中的网格看做词袋来进行向量转化。
N条网格化轨迹样本可以为在同一网格编码方式下N条行驶轨迹样本一一对应的网格化轨迹样本,针对N条网格化轨迹样本中每条网格化轨迹样本,可以基于该网格化轨迹样本中的网格按照预设时间片段进行划分,以得到目标子模型的训练数据和测试数据。
该预设时间片段可以根据实际情况进行设置,该预设时间片段可以为4。比如,设网格化轨迹样本为36->29->30->24->25->18->18->…,其中,数字符号表征的是网格编号,36、29、30、24和25为移动轨迹点的网格,而18为停止的轨迹点的网格。将该网格化轨迹样本中的网格按照预设时间片段4进行划分,得到训练数据和测试数据如下表1所示。
表1训练数据和测试数据表
训练数据 | 测试数据 |
[36,29,24,25] | [30] |
[29,30,25,18] | [24] |
[30,24,18,18] | [25] |
… | … |
之后,将训练数据和测试数据输入至目标子模型进行网格的向量特征训练,以使训练数据中网格的向量特征可以与测试数据中网格的向量特征一致,从而可以准确地得到网格化轨迹样本中每个网格的向量特征。相应的,可以基于网格的向量特征,采用上式(1)计算得到一个第三向量信息。
本实施方式中,通过将网格化轨迹样本中的网格看做词袋来进行向量转化,从而可以提高网格特征构建的准确性,进而可以提高时间预测的准确性。
第三实施例
如图5所示,本公开提供一种时间预测装置500,包括:
第一获取模块501,用于获取目标交通工具的行驶信息,所述行驶信息包括第一行驶轨迹;
第一网格编码模块502,用于基于所述第一行驶轨迹进行网格编码,得到M条网格化轨迹,M为正整数;
第一向量转化模块503,用于对所述M条网格化轨迹中每条网格化轨迹进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息;
时间预测模块504,用于基于所述M个第一向量信息进行时间预测,得到所述目标交通工具的第一目标行驶时长。
可选的,M大于1,所述第一网格编码模块502,具体用于:
将所述第一行驶轨迹中的轨迹点映射到第一网格上,以得到第一网格化轨迹;
将第二行驶轨迹中的轨迹点映射到第二网格上,得到第二网格化轨迹;
其中,所述M条网格化轨迹包括所述第一网格化轨迹和所述第二网格化轨迹,所述第二行驶轨迹基于所述第一行驶轨迹确定,所述第一网格的网格大小大于所述第二网格的网格大小,所述第二网格的网格大小基于所述第二行驶轨迹中每相邻两个轨迹点的距离中最小距离确定。
可选的,所述时间预测模块504包括:
时间预测单元,用于分别基于每个第一向量信息进行时间预测,得到M个行驶时长;
加权处理单元,用于基于预设权重信息对所述M个行驶时长进行加权处理,得到所述第一目标行驶时长。
可选的,所述行驶信息还包括所述目标交通工具行驶时的环境信息、静态承载信息、动态承载信息和所述目标交通工具的静态归属信息中至少一项;所述装置还包括:
第二向量转化模块,用于对所述行驶信息中除所述第一行驶轨迹之外的信息进行向量转化,得到第二向量信息;
所述时间预测单元,具体用于:
针对每个第一向量信息,将所述第一向量信息和所述第二向量信息进行拼接,得到第一目标向量信息,基于所述第一目标向量信息进行时间预测,得到一个行驶时长。
可选的,所述第一向量转化模块503,具体用于:
将所述M条网格化轨迹输入至目标模型进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息;
其中,所述目标模型包括M个第一子模型,所述向量转化包括:针对每个网格化轨迹,基于一个第一子模型对所述网格化轨迹进行向量转化,得到所述网格化轨迹对应的第一向量信息。
可选的,所述目标模型包括M个第二子模型,所述时间预测模块504,具体用于:
针对每个网格化轨迹,将所述网格化轨迹对应的第一向量信息输入至一个第二子模型进行时间预测,以得到所述第一目标行驶时长。
本公开提供的时间预测装置500能够实现时间预测方法实施例实现的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
第四实施例
如图6所示,本公开提供一种模型训练装置600,包括:
第二获取模块601,用于获取交通工具样本的N条行驶轨迹样本,N为大于1的整数;
第二网格编码模块602,用于针对每条行驶轨迹样本,基于所述行驶轨迹样本进行网格编码,得到所述行驶轨迹样本的M条网格化轨迹样本,M为正整数;
训练模块603,用于将所述N条行驶轨迹样本的K条网格化轨迹样本输入至目标模型进行向量转换和时间预测,得到所述行驶轨迹样本的第二目标行驶时长;所述目标模型包括M个第一子模型和M个第二子模型;所述向量转换包括:基于所述K条网格化轨迹样本对所述M个第一子模型进行训练,得到所述K条网格化轨迹样本一一对应的K个第三向量信息;所述时间预测包括:针对每条行驶轨迹样本,将M个第二目标向量信息输入至所述M个第二子模型进行时间预测,得到第二目标行驶时长,一个第二目标向量信息输入至一个第二子模型,所述M个第二目标向量信息基于所述行驶轨迹样本的M条网格化轨迹样本一一对应的M个第三向量信息确定,K等于M与N的乘积;
更新模块604,用于基于所述第二目标行驶时长和所述第二目标行驶时长对应的行驶时长标签,更新所述M个第二子模型的参数。
可选的,所述训练模块603,具体用于:
获取目标子模型的训练数据和测试数据,所述训练数据基于所述N条行驶轨迹样本一一对应的N条网格化轨迹样本中的网格按照预设时间片段进行划分得到,所述测试数据中的网格与所述训练数据中的网格相邻,所述N条网格化轨迹样本中网格大小相同,所述目标子模型为所述M个第一子模型中任一子模型;
将所述训练数据和所述测试数据输入至所述目标子模型进行网格的向量特征训练,得到所述N条网格化轨迹样本中每个网格的向量特征;
基于所述N条网格化轨迹样本中每个网格的向量特征,确定所述N条网格化轨迹样本一一对应的N个第三向量信息。
本公开提供的模型训练装置600能够实现模型训练方法实施例实现的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。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/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如时间预测方法或模型训练方法。例如,在一些实施例中,时间预测方法或模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的时间预测方法的一个或多个步骤,或者执行上文描述的模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行时间预测方法,或被配置为执行模型训练方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (16)
1.一种时间预测方法,包括:
获取目标交通工具的行驶信息,所述行驶信息包括第一行驶轨迹;
基于所述第一行驶轨迹进行网格编码,得到M条网格化轨迹,M为正整数;
对所述M条网格化轨迹中每条网格化轨迹进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息;
基于所述M个第一向量信息进行时间预测,得到所述目标交通工具的第一目标行驶时长;
M大于1,所述基于所述第一行驶轨迹进行网格编码,得到M条网格化轨迹,包括:
将所述第一行驶轨迹中的轨迹点映射到第一网格上,以得到第一网格化轨迹;
将第二行驶轨迹中的轨迹点映射到第二网格上,得到第二网格化轨迹;
其中,所述M条网格化轨迹包括所述第一网格化轨迹和所述第二网格化轨迹,所述第二行驶轨迹基于所述第一行驶轨迹确定,所述第一网格的网格大小大于所述第二网格的网格大小,所述第二网格的网格大小基于所述第二行驶轨迹中每相邻两个轨迹点的距离中最小距离确定。
2.根据权利要求1所述的方法,其中,所述基于所述M个第一向量信息进行时间预测,得到所述目标交通工具的第一目标行驶时长,包括:
分别基于每个第一向量信息进行时间预测,得到M个行驶时长;
基于预设权重信息对所述M个行驶时长进行加权处理,得到所述第一目标行驶时长。
3.根据权利要求2所述的方法,其中,所述行驶信息还包括所述目标交通工具行驶时的环境信息、静态承载信息、动态承载信息和所述目标交通工具的静态归属信息中至少一项;
所述分别基于每个第一向量信息进行时间预测,得到M个行驶时长之前,所述方法还包括:
对所述行驶信息中除所述第一行驶轨迹之外的信息进行向量转化,得到第二向量信息;
所述分别基于每个第一向量信息进行时间预测,得到M个行驶时长,包括:
针对每个第一向量信息,将所述第一向量信息和所述第二向量信息进行拼接,得到第一目标向量信息,基于所述第一目标向量信息进行时间预测,得到一个行驶时长。
4.根据权利要求1所述的方法,其中,所述对所述M条网格化轨迹中每条网格化轨迹进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息,包括:
将所述M条网格化轨迹输入至目标模型进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息;
其中,所述目标模型包括M个第一子模型,所述向量转化包括:针对每个网格化轨迹,基于一个第一子模型对所述网格化轨迹进行向量转化,得到所述网格化轨迹对应的第一向量信息。
5.根据权利要求4所述的方法,其中,所述目标模型包括M个第二子模型,所述基于所述M个第一向量信息进行时间预测,得到所述目标交通工具的第一目标行驶时长,包括:
针对每个网格化轨迹,将所述网格化轨迹对应的第一向量信息输入至一个第二子模型进行时间预测,以得到所述第一目标行驶时长。
6.一种模型训练方法,包括:
获取交通工具样本的N条行驶轨迹样本,N为大于1的整数;
针对每条行驶轨迹样本,基于所述行驶轨迹样本进行网格编码,得到所述行驶轨迹样本的M条网格化轨迹样本,M为正整数;
将所述N条行驶轨迹样本的K条网格化轨迹样本输入至目标模型进行向量转换和时间预测,得到所述行驶轨迹样本的第二目标行驶时长;所述目标模型包括M个第一子模型和M个第二子模型;所述向量转换包括:基于所述K条网格化轨迹样本对所述M个第一子模型进行训练,得到所述K条网格化轨迹样本一一对应的K个第三向量信息;所述时间预测包括:针对每条行驶轨迹样本,将M个第二目标向量信息输入至所述M个第二子模型进行时间预测,得到第二目标行驶时长,一个第二目标向量信息输入至一个第二子模型,所述M个第二目标向量信息基于所述行驶轨迹样本的M条网格化轨迹样本一一对应的M个第三向量信息确定,K等于M与N的乘积;
基于所述第二目标行驶时长和所述第二目标行驶时长对应的行驶时长标签,更新所述M个第二子模型的参数。
7.根据权利要求6所述的方法,其中,所述基于所述K条网格化轨迹样本对所述M个第一子模型进行训练,得到所述K条网格化轨迹样本一一对应的K个第三向量信息,包括:
获取目标子模型的训练数据和测试数据,所述训练数据基于所述N条行驶轨迹样本一一对应的N条网格化轨迹样本中的网格按照预设时间片段进行划分得到,所述测试数据中的网格与所述训练数据中的网格相邻,所述N条网格化轨迹样本中网格大小相同,所述目标子模型为所述M个第一子模型中任一子模型;
将所述训练数据和所述测试数据输入至所述目标子模型进行网格的向量特征训练,得到所述N条网格化轨迹样本中每个网格的向量特征;
基于所述N条网格化轨迹样本中每个网格的向量特征,确定所述N条网格化轨迹样本一一对应的N个第三向量信息。
8.一种时间预测装置,包括:
第一获取模块,用于获取目标交通工具的行驶信息,所述行驶信息包括第一行驶轨迹;
第一网格编码模块,用于基于所述第一行驶轨迹进行网格编码,得到M条网格化轨迹,M为正整数;
第一向量转化模块,用于对所述M条网格化轨迹中每条网格化轨迹进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息;
时间预测模块,用于基于所述M个第一向量信息进行时间预测,得到所述目标交通工具的第一目标行驶时长;
M大于1,所述第一网格编码模块,具体用于:
将所述第一行驶轨迹中的轨迹点映射到第一网格上,以得到第一网格化轨迹;
将第二行驶轨迹中的轨迹点映射到第二网格上,得到第二网格化轨迹;
其中,所述M条网格化轨迹包括所述第一网格化轨迹和所述第二网格化轨迹,所述第二行驶轨迹基于所述第一行驶轨迹确定,所述第一网格的网格大小大于所述第二网格的网格大小,所述第二网格的网格大小基于所述第二行驶轨迹中每相邻两个轨迹点的距离中最小距离确定。
9.根据权利要求8所述的装置,其中,所述时间预测模块包括:
时间预测单元,用于分别基于每个第一向量信息进行时间预测,得到M个行驶时长;
加权处理单元,用于基于预设权重信息对所述M个行驶时长进行加权处理,得到所述第一目标行驶时长。
10.根据权利要求9所述的装置,其中,所述行驶信息还包括所述目标交通工具行驶时的环境信息、静态承载信息、动态承载信息和所述目标交通工具的静态归属信息中至少一项;所述装置还包括:
第二向量转化模块,用于对所述行驶信息中除所述第一行驶轨迹之外的信息进行向量转化,得到第二向量信息;
所述时间预测单元,具体用于:
针对每个第一向量信息,将所述第一向量信息和所述第二向量信息进行拼接,得到第一目标向量信息,基于所述第一目标向量信息进行时间预测,得到一个行驶时长。
11.根据权利要求8所述的装置,其中,所述第一向量转化模块,具体用于:
将所述M条网格化轨迹输入至目标模型进行向量转化,得到所述M条网格化轨迹一一对应的M个第一向量信息;
其中,所述目标模型包括M个第一子模型,所述向量转化包括:针对每个网格化轨迹,基于一个第一子模型对所述网格化轨迹进行向量转化,得到所述网格化轨迹对应的第一向量信息。
12.根据权利要求11所述的装置,其中,所述目标模型包括M个第二子模型,所述时间预测模块,具体用于:
针对每个网格化轨迹,将所述网格化轨迹对应的第一向量信息输入至一个第二子模型进行时间预测,以得到所述第一目标行驶时长。
13.一种模型训练装置,包括:
第二获取模块,用于获取交通工具样本的N条行驶轨迹样本,N为大于1的整数;
第二网格编码模块,用于针对每条行驶轨迹样本,基于所述行驶轨迹样本进行网格编码,得到所述行驶轨迹样本的M条网格化轨迹样本,M为正整数;
训练模块,用于将所述N条行驶轨迹样本的K条网格化轨迹样本输入至目标模型进行向量转换和时间预测,得到所述行驶轨迹样本的第二目标行驶时长;所述目标模型包括M个第一子模型和M个第二子模型;所述向量转换包括:基于所述K条网格化轨迹样本对所述M个第一子模型进行训练,得到所述K条网格化轨迹样本一一对应的K个第三向量信息;所述时间预测包括:针对每条行驶轨迹样本,将M个第二目标向量信息输入至所述M个第二子模型进行时间预测,得到第二目标行驶时长,一个第二目标向量信息输入至一个第二子模型,所述M个第二目标向量信息基于所述行驶轨迹样本的M条网格化轨迹样本一一对应的M个第三向量信息确定,K等于M与N的乘积;
更新模块,用于基于所述第二目标行驶时长和所述第二目标行驶时长对应的行驶时长标签,更新所述M个第二子模型的参数。
14.根据权利要求13所述的装置,其中,所述训练模块,具体用于:
获取目标子模型的训练数据和测试数据,所述训练数据基于所述N条行驶轨迹样本一一对应的N条网格化轨迹样本中的网格按照预设时间片段进行划分得到,所述测试数据中的网格与所述训练数据中的网格相邻,所述N条网格化轨迹样本中网格大小相同,所述目标子模型为所述M个第一子模型中任一子模型;
将所述训练数据和所述测试数据输入至所述目标子模型进行网格的向量特征训练,得到所述N条网格化轨迹样本中每个网格的向量特征;
基于所述N条网格化轨迹样本中每个网格的向量特征,确定所述N条网格化轨迹样本一一对应的N个第三向量信息。
15.一种电子设备,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1-5中任一项所述的方法,或者执行权利要求6-7中任一项所述的方法。
16.一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根据权利要求1-5中任一项所述的方法,或者执行根据权利要求6-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122277.8A CN113836661B (zh) | 2021-09-24 | 2021-09-24 | 时间预测方法、模型训练方法、相关装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122277.8A CN113836661B (zh) | 2021-09-24 | 2021-09-24 | 时间预测方法、模型训练方法、相关装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836661A CN113836661A (zh) | 2021-12-24 |
CN113836661B true CN113836661B (zh) | 2024-02-20 |
Family
ID=78970082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111122277.8A Active CN113836661B (zh) | 2021-09-24 | 2021-09-24 | 时间预测方法、模型训练方法、相关装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836661B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116800826A (zh) * | 2022-03-18 | 2023-09-22 | 华为技术有限公司 | 网络数据分析方法、可读介质和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018001533A1 (de) * | 2018-02-27 | 2019-08-29 | Mbda Deutschland Gmbh | Echtzeitverfahren zur dynamischen Koordinaten- und Parameterschätzung mit gitterbasierten nicht-linearen probabilistischen Filtern |
CN112017436A (zh) * | 2020-09-09 | 2020-12-01 | 中国科学院自动化研究所 | 城市市内交通旅行时间的预测方法及系统 |
CN112417273A (zh) * | 2020-11-17 | 2021-02-26 | 平安科技(深圳)有限公司 | 区域画像图生成方法、装置、计算机设备及存储介质 |
CN112988936A (zh) * | 2021-03-18 | 2021-06-18 | 中国第一汽车股份有限公司 | 出行轨迹预测方法、装置、计算设备及存储介质 |
-
2021
- 2021-09-24 CN CN202111122277.8A patent/CN113836661B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018001533A1 (de) * | 2018-02-27 | 2019-08-29 | Mbda Deutschland Gmbh | Echtzeitverfahren zur dynamischen Koordinaten- und Parameterschätzung mit gitterbasierten nicht-linearen probabilistischen Filtern |
CN112017436A (zh) * | 2020-09-09 | 2020-12-01 | 中国科学院自动化研究所 | 城市市内交通旅行时间的预测方法及系统 |
CN112417273A (zh) * | 2020-11-17 | 2021-02-26 | 平安科技(深圳)有限公司 | 区域画像图生成方法、装置、计算机设备及存储介质 |
CN112988936A (zh) * | 2021-03-18 | 2021-06-18 | 中国第一汽车股份有限公司 | 出行轨迹预测方法、装置、计算设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于SIFT算法视频图像拼接技术;周英敏;《中国优秀硕士学位论文全文数据库》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113836661A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113658214B (zh) | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 | |
CN112561191A (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
CN112763995B (zh) | 雷达标定方法、装置、电子设备和路侧设备 | |
CN112884837B (zh) | 道路定位方法、装置、设备及存储介质 | |
CN114282670A (zh) | 神经网络模型的压缩方法、设备和存储介质 | |
CN113066302B (zh) | 车辆信息预测方法、装置及电子设备 | |
CN113739811B (zh) | 关键点检测模型的训练和高精地图车道线的生成方法设备 | |
US20210341646A1 (en) | Weather parameter prediction model training method, weather parameter prediction method, electronic device and storage medium | |
CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
CN114140759A (zh) | 高精地图车道线位置确定方法、装置及自动驾驶车辆 | |
CN113836661B (zh) | 时间预测方法、模型训练方法、相关装置及电子设备 | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
CN111091248A (zh) | 一种船舶路径规划方法及系统 | |
CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
CN113029136A (zh) | 定位信息处理的方法、设备、存储介质及程序产品 | |
CN117253344A (zh) | 一种海水酸化预警预报方法、系统及电子设备 | |
CN114565170A (zh) | 污染物溯源方法及装置、设备、介质和产品 | |
CN115792985A (zh) | 一种车辆定位方法、装置、电子设备、存储介质及车辆 | |
CN114842305A (zh) | 深度预测模型训练方法、深度预测方法及相关装置 | |
CN114170300A (zh) | 高精地图点云位姿优化方法、装置、设备及介质 | |
Lu et al. | A Novel CNN-LSTM Method for Ship Trajectory Prediction | |
CN113447013A (zh) | 施工道路识别方法、装置、设备、存储介质和程序产品 | |
CN112418730A (zh) | 一种运输系统的响应指标预估模型的构建方法 | |
CN112527673A (zh) | 站点测试方法、装置、电子设备及可读存储介质 |
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 |