CN114781243A - Eta预测及模型训练方法、设备、介质及产品 - Google Patents

Abstract

本公开实施例公开了一种ETA预测及模型训练方法、设备、介质及产品，该方法包括获取目标路线中各路段的路段类型；基于各路段的路段类型对应的路段级预测模型，计算各路段在出发时间之后的未来各个时间片的通行时间预测值；基于各路段在未来各个时间片的通行时间预测值，确定各路段的预计进入时刻；累计所述各路段在预计进入时刻的通行时间预测值，得到所述目标路线的路段级的预估通行时间；使用路线级预测模型，基于目标路线的路段级的预估通行时间以及目标路线的相关通行特征，预测目标路线对应的预计到达时间。该技术方案可以更准确地预测该目标路线对应的预计到达时间。

Description

ETA预测及模型训练方法、设备、介质及产品

技术领域

本公开涉及数据处理技术领域，具体涉及一种ETA预测及模型训练方法、设备、介质及产品。

背景技术

ETA(Estimated Time of Arrival，预计到达时间)是对于规划线路旅行时长的一个预估。通常，导航应用在为用户规划导航路线时，也会使用ETA预测算法为用户计算用户通过相应导航路线到达目的地所需的ETA。对于日活较高的导航应用，ETA预测算法有着相当可观的调用频次，故对ETA预测算法的准确率和计算效率都提出了极高的要求。目前的ETA预测算法通常都是直接使用预测模型预测导航路线上各路段的当前通行时间，累计得到该导航路线的ETA。该预测算法中各不同路段的当前通行时间都是用统一的预测模型来预测得到的，而实际上，很多通行时间稳定的路段可以通过简单模型快速预测出结果，故现有ETA预测算法中针对不同类型路段使用统一的复杂的预测模型，浪费计算资源且计算效率低，而且现有模型中预测的都是各路段的当前通行时间，并没有考虑到预计进入这一路段的具体时间，如此预测的ETA不准确。

发明内容

为了解决相关技术中的问题，本公开实施例提供一种ETA预测及模型训练方法、设备、介质及产品。

第一方面，本公开实施例中提供了一种ETA预测方法。

具体地，所述ETA预测方法，包括：

获取目标路线中各路段的路段类型；

基于所述各路段的路段类型对应的路段级预测模型，计算所述各路段在出发时间之后的未来各个时间片的通行时间预测值；

基于所述各路段在未来各个时间片的通行时间预测值，确定各路段的预计进入时刻；

累计所述各路段在对应的目标时间片的通行时间预测值，得到所述目标路线的路段级的预估通行时间，其中，所述各路段对应的目标时间片为各路段的预计进入时刻所在的未来时间片；

使用路线级预测模型，基于所述目标路线的路段级的预估通行时间以及所述目标路线的相关通行特征，预测所述目标路线对应的预计到达时间。

在一种可能的实现方式中，所述路段类型包括以下至少一种类型：低频路段、稳定低流量路段、短时突发拥堵路段、长时突发拥堵路段；所述基于所述各路段的路段类型对应的路段级预测模型，计算所述各路段在出发时间之后的未来各个时间片的通行时间预测值，包括：

在路段的路段类型为低频路段时，基于所述路段的历史平均通行时间，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为稳定低流量路段时，使用所述路段所在场景对应的线性模型，基于所述路段的通行路况特征，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为短时突发拥堵路段时，使用短期预测深度模型，基于所述路段的短时路况特征，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为长时突发拥堵路段时，使用长期预测深度模型，基于所述路段的长时路况特征，得到所述路段在未来各个时间片的通行时间预测值。

在一种可能的实现方式中，所述方法还包括：

基于所述路段的以下至少一种特征确定所述路段所在场景：所述路段所在区域特征、出发时间的时间类型、所述路段的道路等级。

在一种可能的实现方式中，所述路段类型包括一级路段类型下的以下至少一种类型：低频路段、稳定低流量路段、短时突发拥堵路段、长时突发拥堵路段，所述一级路段类型包括普通路段或路口分方向路段；

在路段的路段类型为相应一级路段类型下的稳定低流量路段时，使用所述路段所在场景对应的线性模型，基于所述相应一级路段类型下所述路段的通行路况特征，得到所述路段在未来各个时间片的通行时间预测值，所述线性模型为所述相应一级路段类型下的稳定低流量路段对应的模型，其中，所述普通路段类型下所述路段的通行路况特征包括以下至少一种：实时通行特征和所述未来各时间片对应的历史平均通行时间序列；所述路口分方向路段类型下所述路段的通行路况特征包括以下至少一种：实时通行特征、所述未来各时间片对应的历史平均通行时间序列、路口类型和转向动作类型；

在路段的路段类型为相应一级路段类型下的短时突发拥堵路段时，使用相应一级路段类型对应的短期预测深度模型，基于所述相应一级路段类型下所述路段的短时路况特征，得到所述路段在未来各个时间片的通行时间预测值，其中，所述普通路段类型下所述路段的短时路况特征包括以下至少一种：短期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、短期内的实时车流量时间序列；所述路口分方向路段类型下所述路段的短时路况特征包括以下至少一种：短期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、短期内的实时车流量时间序列、路口类型和转向动作类型；

在路段的路段类型为相应一级路段类型下的长时突发拥堵路段时，使用相应一级路段类型对应的长期预测深度模型，基于所述相应一级路段类型下所述路段的长时路况特征，得到所述路段在未来各个时间片的通行时间预测值，其中，所述普通路段类型下所述路段的长时路况特征包括以下至少一种：长期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、长期内的实时车流量时间序列；所述路口分方向路段类型下所述路段的长时路况特征包括以下至少一种：长期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、长期内的实时车流量时间序列、路口类型和转向动作类型。

在一种可能的实现方式中，所述短期预测深度模型或长期预测深度模型包括依次连接的第一时域门控卷积层、图注意力层、第二时域门控卷积层、第三时域门控卷积层和多层感知机MLP层。

在一种可能的实现方式中，所述方法还包括：

基于第一样本数据，训练得到目标场景对应的线性模型，其中，所述第一样本数据包括第一样本路段在第一样本时刻的通行路况特征、第一样本时刻之后各个时间片的通行时间真实值，所述第一样本路段为位于所述目标场景中的稳定低流量路段；

基于第二样本数据，训练得到对应的短期预测深度模型，其中，所述第二样本数据包括第二样本路段在第二样本时刻的短时路况特征、在第二样本时刻之后各个时间片的通行时间真实值，所述第二样本路段为短时突发拥堵路段；

基于第三样本数据，训练得到对应的长期预测深度模型，其中，所述第三样本数据包括第三样本路段在第三样本时刻的长时路况特征、第三样本时刻之后各个时间片的通行时间真实值，所述第三样本路段为长时突发拥堵路段。

在一种可能的实现方式中，所述目标路线的相关通行特征包括以下至少一种特征：所述目标路线的起终点城市、出发时间、各个道路等级的长度、各类型路口数量、各类转向动作数量。

在一种可能的实现方式中，所述方法还包括：

基于第四样本数据，训练得到所述路线级预测模型，所述第四样本数据包括样本路线的路段级的预估通行时间、所述样本路线的相关通行特征和所述样本路线的真实到达时间。

第二方面，本公开实施例中提供了一种ETA预测模型训练方法，包括：

具体地，所述ETA预测模型训练方法，包括：

基于各路段类型的样本数据，训练得到各路段类型对应的路段级预测模型；

基于所述各路段类型对应的路段级预测模型，计算样本路线中各类型的样本路段在样本出发时间之间后的各个时间片的通行时间预测值；

基于所述样本路线中各样本路段在各个时间片的通行时间预测值，确定样本路线中各样本路段的预计进入时刻；

累计所述各样本路段在对应的目标时间片的通行时间预测值，得到所述样本路线的路段级的预估通行时间，其中，所述各样本路段对应的目标时间片为各样本路段的预计进入时刻所在的时间片；

基于所述样本路线的路段级的预估通行时间、所述样本路线的相关通行特征和所述样本路线的真实到达时间，训练得到路线级预测模型。

第三方面，本公开实施例中提供了一种ETA预测装置，包括：

具体地，所述ETA预测装置，包括：

获取模块，被配置为获取目标路线中各路段的路段类型；

计算模块，被配置为基于所述各路段的路段类型对应的路段级预测模型，计算所述各路段在出发时间之后的未来各个时间片的通行时间预测值；

确定模块，被配置为基于所述各路段在未来各个时间片的通行时间预测值，确定各路段的预计进入时刻；

累计模块，被配置为累计所述各路段在对应的目标时间片的通行时间预测值，得到所述目标路线的路段级的预估通行时间，其中，所述各路段对应的目标时间片为各路段的预计进入时刻所在的未来时间片；

预测模块，被配置为使用路线级预测模型，基于所述目标路线的路段级的预估通行时间以及所述目标路线的相关通行特征，预测所述目标路线对应的预计到达时间。

结合第三方面，本公开在第三方面的第一种实现方式中，其中，所述路段类型包括以下至少一种类型：低频路段、稳定低流量路段、短时突发拥堵路段、长时突发拥堵路段；所述计算模块被配置为：

在路段的路段类型为低频路段时，基于所述路段的历史平均通行时间，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为稳定低流量路段时，使用所述路段所在场景对应的线性模型，基于所述路段的通行路况特征，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为短时突发拥堵路段时，使用短期预测深度模型，基于所述路段的短时路况特征，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为长时突发拥堵路段时，使用长期预测深度模型，基于所述路段的长时路况特征，得到所述路段在未来各个时间片的通行时间预测值。

在一种可能的实现方式中，所述装置还包括：

场景确定模块，被配置为基于所述路段的以下至少一种特征确定所述路段所在场景：所述路段所在区域特征、出发时间的时间类型、所述路段的道路等级。

在一种可能的实现方式中，所述路段类型包括一级路段类型下的以下至少一种类型：低频路段、稳定低流量路段、短时突发拥堵路段、长时突发拥堵路段，所述一级路段类型包括普通路段或路口分方向路段；所述计算模块被配置为：

在路段的路段类型为相应一级路段类型下的稳定低流量路段时，使用所述路段所在场景对应的线性模型，基于所述相应一级路段类型下所述路段的通行路况特征，得到所述路段在未来各个时间片的通行时间预测值，所述线性模型为所述相应一级路段类型下的稳定低流量路段对应的模型，其中，所述普通路段类型下所述路段的通行路况特征包括以下至少一种：实时通行特征和所述未来各时间片对应的历史平均通行时间序列；所述路口分方向路段类型下所述路段的通行路况特征包括以下至少一种：实时通行特征、所述未来各时间片对应的历史平均通行时间序列、路口类型和转向动作类型；

在路段的路段类型为相应一级路段类型下的短时突发拥堵路段时，使用相应一级路段类型对应的短期预测深度模型，基于所述相应一级路段类型下所述路段的短时路况特征，得到所述路段在未来各个时间片的通行时间预测值，其中，所述普通路段类型下所述路段的短时路况特征包括以下至少一种：短期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、短期内的实时车流量时间序列；所述路口分方向路段类型下所述路段的短时路况特征包括以下至少一种：短期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、短期内的实时车流量时间序列、路口类型和转向动作类型；

在路段的路段类型为相应一级路段类型下的长时突发拥堵路段时，使用相应一级路段类型对应的长期预测深度模型，基于所述相应一级路段类型下所述路段的长时路况特征，得到所述路段在未来各个时间片的通行时间预测值，其中，所述普通路段类型下所述路段的长时路况特征包括以下至少一种：长期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、长期内的实时车流量时间序列；所述路口分方向路段类型下所述路段的长时路况特征包括以下至少一种：长期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、长期内的实时车流量时间序列、路口类型和转向动作类型。

在一种可能的实现方式中，所述短期预测深度模型或长期预测深度模型包括依次连接的第一时域门控卷积层、图注意力层、第二时域门控卷积层、第三时域门控卷积层和多层感知机MLP层。

在一种可能的实现方式中，所述装置还包括：

第一训练模块，被配置为基于第一样本数据，训练得到目标场景对应的线性模型，其中，所述第一样本数据包括第一样本路段在第一样本时刻的通行路况特征、第一样本时刻之后各个时间片的通行时间真实值，所述第一样本路段为位于所述目标场景中的稳定低流量路段；

第二训练模块，被配置为基于第二样本数据，训练得到对应的短期预测深度模型，其中，所述第二样本数据包括第二样本路段在第二样本时刻的短时路况特征、在第二样本时刻之后各个时间片的通行时间真实值，所述第二样本路段为短时突发拥堵路段；

第三训练模块，被配置为基于第三样本数据，训练得到对应的长期预测深度模型，其中，所述第三样本数据包括第三样本路段在第三样本时刻的长时路况特征、第三样本时刻之后各个时间片的通行时间真实值，所述第三样本路段为长时突发拥堵路段。

在一种可能的实现方式中，所述目标路线的相关通行特征包括以下至少一种特征：所述目标路线的起终点城市、出发时间、各个道路等级的长度、各类型路口数量、各类转向动作数量。

在一种可能的实现方式中，所述装置还包括：

第四训练模块，被配置为基于第四样本数据，训练得到所述路线级预测模型，所述第四样本数据包括样本路线的路段级的预估通行时间、所述样本路线的相关通行特征和所述样本路线的真实到达时间。

第四方面，本公开实施例中提供了一种ETA预测模型训练装置。

具体的，该ETA预测模型训练装置包括：

路段级训练模块，被配置为基于各路段类型的样本数据，训练得到各路段类型对应的路段级预测模型；

中间计算模块，被配置为基于所述各路段类型对应的路段级预测模型，计算样本路线中各类型的样本路段在样本出发时间之间后的各个时间片的通行时间预测值；基于所述样本路线中各样本路段在各个时间片的通行时间预测值，确定样本路线中各样本路段的预计进入时刻；累计所述各样本路段在对应的目标时间片的通行时间预测值，得到所述样本路线的路段级的预估通行时间，其中，所述各样本路段对应的目标时间片为各样本路段的预计进入时刻所在的时间片；

路线级训练模块，被配置基于所述样本路线的路段级的预估通行时间、所述样本路线的相关通行特征和所述样本路线的真实到达时间，训练得到路线级预测模型。

第五方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现任一方面所述的方法。

第六方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现任一方面所述的方法。

第七方面，本公开实施例中提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现任一方面所述的方法步骤。

第七方面，本公开实施例中提供了一种导航方法，其中，获取至少基于起点、终点及路况情况计算的导航路线，预测并显示所述导航路线的ETA，基于所述导航路线进行导航引导，所述导航路线的ETA的预测是基于第一方面的任意一项方法实现的。

根据本公开实施例提供的技术方案，可以针对不同的路段类型用不同的路段级预测模型来预测，将简单的预测场景交由高效的简单模型来预测，解决了复杂模型开销大，计算效率低的问题，并将考虑了各路段的预计进入时刻的目标路线的路段级的预估通行时间作为了路线级预测模型的输入，使得本预测模型可以较为准确地考虑到用户在未来时刻进入相应路段的未来路况，而非当前路况，从而提升预测的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：

图1示出根据本公开的实施例的ETA预测方法的流程图。

图2示出根据本公开的实施例的ETA预测模型训练方法的流程图。

图3示出根据本公开的实施例的ETA预测装置的结构框图。

图4示出根据本公开的实施例的ETA预测模型训练装置的结构框图。

图5示出根据本公开一实施方式在导航应用场景下的应用示意图。

图6示出根据本公开的实施例的服务器的结构框图。

图7示出适于用来实现根据本公开实施例的方法的服务器的系统的结构示意图。

具体实施方式

下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。

在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。

另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

在本公开中，对用户信息或用户数据的获取均为经用户授权、确认，或由用户主动选择的操作。

图1示出根据本公开的实施例的预计到达时间预测方法的流程图。如图1所示，所述预计到达时间预测方法包括以下步骤S101-S105：

在步骤S101中，获取目标路线中各路段的路段类型；

在步骤S102中，基于所述各路段的路段类型对应的路段级预测模型，计算所述各路段在出发时间之后的未来各个时间片的通行时间预测值；

在步骤S103中，基于所述各路段在未来各个时间片的通行时间预测值，确定各路段的预计进入时刻；

在步骤S104中，累计所述各路段在对应的目标时间片的通行时间预测值，得到所述目标路线的路段级的预估通行时间，其中，所述各路段对应的目标时间片为各路段的预计进入时刻所在的未来时间片；

在步骤S105中，使用路线级预测模型，基于所述目标路线的路段级的预估通行时间以及所述目标路线的相关通行特征，预测所述目标路线对应的预计到达时间。

上文提及，ETA(Estimated Time of Arrival，预计到达时间)是对于规划线路旅行时长的一个预估。通常，导航应用在为用户规划导航路线时，也会使用ETA预测算法为用户计算用户通过相应导航路线到达目的地所需的ETA。对于日活较高的导航应用，ETA预测算法有着相当可观的调用频次，故对ETA预测算法的准确率和计算效率都提出了极高的要求。目前的ETA预测算法通常都是直接使用预测模型预测导航路线上各路段的当前通行时间，累计得到该导航路线的ETA。该预测算法中各不同路段的当前通行时间都是用统一的预测模型来预测得到的，而实际上，很多通行时间稳定的路段可以通过简单模型快速预测出结果，故现有ETA预测算法中针对不同类型路段使用统一的复杂的预测模型，浪费计算资源且计算效率低，而且现有模型中预测的都是各路段的当前通行时间，并没有考虑到预计进入这一路段的具体时间，如此预测的ETA不准确。

考虑到上述问题，本公开提供了一种ETA预测方法，可以针对不同的路段类型用不同的路段级预测模型来预测，将简单的预测场景交由高效的简单模型来预测，解决了复杂模型开销大，计算效率低的问题，并将考虑了各路段的预计进入时刻的目标路线的路段级的预估通行时间作为了路线级预测模型的输入，使得本预测模型可以较为准确地考虑到用户在未来时刻进入相应路段的未来路况，而非当前路况，从而提升预测的准确性。

在一种可能的实现方式中，所述ETA预测方法可适用于进行ETA预测的计算机、计算设备、电子设备、服务器、服务器集群等等。

在一种可能的实现方式中，该目标路线可以是导航应用为用户推荐的从出发地到目的地的推荐导航路线，或者，也可以是用户选定的从出发地到目的地的导航路线。

在一种可能的实现方式中，路段(也称为link)指的是路网的基本单元，一般为一条路的一小部分，一个路段仅有一个进入口和一个驶出口，位于每个路段两端的进入口与驶出口可以和其他至少一个路段存在拓扑连接关系。一条目标路线可以包括一串连续的路段。

在一种可能的实现方式中，该路段的类型可以按照该路段上通行工具的通行时间的稳定程度来划分，以此划分好通行路段后，可以为该类型的路段类型训练该路段类型对应的路段级预测模型。示例的，如果该路段上的各通行工具在各时间内的通行时间都是规律或稳定的，此类路段的未来通行时间是容易预测的，可以将该类路段划分为一类路段，并为该类路段训练简单的路段级预测模型，如果该路段上的各通行工具在各时间内的通行时间是不稳定，容易发生突发拥堵等情况的，此类路段的未来通行时间是不好预测的，可以将该类路段划分为另一类路段，并为该类路段训练复杂的路段级预测模型来精准预测该类路段的未来通行时间。

在一种可能的实现方式中，该路段级预测模型用于预测各路段在出发时间之后的未来各个时间片的通行时间预测值，该时间片指的是一片时间段，示例的，每个时间片的时长可以是5min，则出发时间之后的未来各个时间片可以是出发时间之后的[0min-5min)、[5min-10min)……[(5n-1)min-5n min)等这些时间段。

在一种可能的实现方式中，仍以上述示例，可以将该目标路线中的各路段按照从出发地到目的地的顺序进行排序，第一个路段的预计进入时刻为出发时间，第一个路段在出发时间所在的时间片[0min-5min)的通行时间预测值为10min，则第二个路段的预计进入时刻就是出发时间之后的10min以后，第二个路段在出发时间所在的时间片[10min-15min)的通行时间预测值为8min，则第三个路段的预计进入时刻就是出发时间之后的18min以后……，如此就可以依次计算得到该目标路线中各路段的预计进入时刻。

在一种可能的实现方式中，将各路段在预计进入时刻的通行时间预测值全部累加在一起，就可以得到目标路线的路段级的预估通行时间，其中，可以先确定各路段的预计进入时刻所在的未来时间片为目标时间片，各路段在对应的目标时间片的通行时间预测值即为各路段在预计进入时刻的通行时间预测值。仍以上述示例为例，假设该目标路线包括三个路段即第一个路段、第二个路段和第三个路段，第一个路段的预计进入时刻为出发时间，该第一个路段对应的目标时间片为出发时间之后的第一个时间片[0min-5min)，第一个路段在该目标时间片[0min-5min)的通行时间预测值为10min，第二个路段对应的目标时间片为[10min-15min)，第二个路段在该目标时间片[10min-15min)的通行时间预测值为8min，第三个路段对应的目标时间片为[15min-20min)，第三个路段在该目标时间片[15min-20min)的通行时间预测值为10min，则该目标路线的路段级的预估通行时间为10min+8min+10min＝28min。

在一种可能的实现方式中，该路线级预测模型的输入为目标路线的路段级的预估通行时间和目标路线的相关通行特征，输出为目标路线对应的ETA即从目标路线的出发地到目的地预计需要的时间。将目标路线的路段级的预估通行时间以及所述目标路线的相关通行特征输入至该路线级预测模型后，执行该路线级预测模型，就可以得到该目标路线对应的ETA。

在一种可能的实现方式中，该目标路线的相关通行特征可以包括以下至少一种特征：所述目标路线的起终点城市、出发时间、各个道路等级的长度、各类型路口数量、各类转向动作数量。该起终点城市可以是出发地所在城市的城市编码、目的地所在城市的城市编码；该道路等级可以包括高速道路、国道、省道、县道、城区道路、村镇道路等等各种级别；路口类型包括预先定义好的复杂路口和简单路口，通常复杂路口处有很多岔路、立交、转盘等，路网中的路口类型可以是预先定义好的，可以直接获取目标路线中的各路口类型，进而获取各类型路口的数量；各类转向动作包括在目标路线上通行时通行工具的左转向、右转向、调头等等各种转向的动作。

本实施例为不同的路段类型配置不同路段级预测模型，可以将简单的路段预测交由高效的简单模型来预测，解决了复杂模型开销大，计算效率低的问题，这样，在获取目标路线中各路段的路段类型后，就可以按照该路段类型对应的路段级预测模型计算所述各路段在出发时间之后的未来各个时间片的通行时间预测值，进而基于所述各路段在各个时间片的通行时间预测值，确定各路段的预计进入时刻，并累计所述各路段在与预计进入时刻的通行时间预测值，得到所述目标路线的路段级的预估通行时间；此时得到的路段级的预估通行时间就考虑到了各路段的预计进入时刻，这样在使用路线级预测模型，基于所述目标路线的路段级的预估通行时间以及所述目标路线的相关通行特征，预测所述目标路线对应的ETA时，预测的ETA就考虑到了各路段的预计进入时刻，使得该路线级预测模型可以较为准确地考虑到用户在未来时刻进入相应路段的未来路况，而非当前路况，从而提升预测的准确性。

在一种可能的实现方式中，所述路段类型还可以包括以下至少一种类型：低频路段、稳定低流量路段、短时突发拥堵路段和长时突发拥堵路段。该低频路段指的是偶尔有车辆经过的路段，该低频路段在各时间片基本都是畅通的，没有拥堵；该稳定低流量路段指的是拥堵较少且较为规律、历史上未发生过突发拥堵的路段，如一些只会在节假日的高峰期拥堵的路段；该短时突发拥堵路段指的是历史上出现过突发拥堵但拥堵持续时间均较短的路段；该长时突发拥堵路段指的是历史上出现过持续时长较长的突发拥堵的路段。

在一种可能的实现方式中，上述ETA预测方法中的步骤S102即基于所述各路段的路段类型对应的路段级预测模型，计算所述各路段在出发时间之后的未来各个时间片的通行时间预测值，可以包括以下步骤：

在路段的路段类型为低频路段时，基于所述路段的历史平均通行时间，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为稳定低流量路段时，使用所述路段所在场景对应的线性模型，基于所述路段的通行路况特征，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为短时突发拥堵路段时，使用短期预测深度模型，基于所述路段的短时路况特征，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为长时突发拥堵路段时，使用长期预测深度模型，基于所述路段的长时路况特征，得到所述路段在未来各个时间片的通行时间预测值。

在该实现方式中，可以为不同路段类型配置不同的路段级预测模型，比如说，可以为低频路段、稳定低流量路段、短时突发拥堵路段和长时突发拥堵路段分别配置不同的路段级预测模型。

在该实现方式中，可以为低频路段配置最简单的路段级预测模型，该最简单的路段级预测模型可以是用于计算该路段的历史平均通行时间的模型。在该路段的路段类型为低频路段时，由于低频路段上偶尔有车辆经过，在各时间片上都是畅通的，故可以将所述路段的历史平均通行时间作为所述路段在未来各个时间片的通行时间预测值。

在该实现方式中，可以为稳定低流量路段配置较简单的线性模型，可以将稳定低流量路段按照场景特征进行场景划分，每个场景训练一个线性模型，可以基于所述路段的以下至少一种特征确定所述路段所在场景：所述路段所在区域特征(如在哪个城市)、出发时间的时间类型(如早高峰、平峰或晚高峰等)、所述路段的道路等级。不同场景对应的线性模型可以基于不同场景下路段的通行路况特征来预测所述路段在未来各个时间片的通行时间预测值。

在该实现方式中，所述路段的通行路况特征可以包括以下至少一种：实时通行特征和未来各时间片对应的历史平均通行时间序列；该实时通行特征指的是该路段在当前时刻的通行时间；假设出发时间为星期一的早上9点，则未来各时间片是星期一的[9点，9点10分)、[9点10分，9点20分)……等，未来各时间片对应的历史平均通行时间序列指的是历史上星期一的[9点，9点10分)的历史通行时间的平均值、历史上星期一的[9点10分，9点20分)的历史通行时间的平均值……等。将所述路段的通行路况特征输入至该路段所在场景对应的线性模型中，就可以得到该线性模型输出的所述路段在未来各个时间片的通行时间预测值。

在该实现方式中，可以为短时突发拥堵路段配置较复杂的短期预测深度模型，该短期预测深度模型可以基于所述路段的短时路况特征来预测所述路段在未来各个时间片的通行时间预测值，其中，所述路段的短时路况特征包括以下至少一种：短期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、短期内的实时车流量时间序列。该短期内的实时平均通行时间序列可以是短时间段内一列时间序列对应的平均通行时间，示例的，该短期内的实时平均通行时间序列可以是当前时刻的过去1小时内每分钟的平均通行时间组成的序列。该短期内的实时车流量时间序列可以是短时间段内该路段上的一列时间序列对应的车流信息(如流入量、流出量、驻留量等)，示例的，该短期内的实时车流量时间序列可以是当前时刻的过去1小时内每分钟的通行工具流入量组成的序列、流出量组成的序列、驻留量组成的序列。

在该实现方式中，可以为长时突发拥堵路段配置较复杂的长期预测深度模型，该长期预测深度模型可以基于所述路段的长时路况特征来预测所述路段在未来各个时间片的通行时间预测值，其中，所述路段的长时路况特征包括以下至少一种：长期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、长期内的实时车流量时间序列；该长期内的实时平均通行时间序列可以是长时间段内一列时间序列对应的平均通行时间，示例的，该长期内的实时平均通行时间序列可以是当前时刻的过去3小时内每分钟的平均通行时间组成的序列。该长期内的实时车流量时间序列可以是长时间段内该路段上的一列时间序列对应的车流信息(如流入量、流出量、驻留量等)；示例的，该长期内的实时车流量时间序列可以是当前时刻的过去3小时内每分钟的通行工具流入量组成的序列、流出量组成的序列、驻留量组成的序列。

本实现方式中为不同的路段类型配置不同的路段级预测模型，实现了不同路段类型预测效果的解耦，并用简单高效的模型解决简单预测问题，解决现有技术中都使用复杂模型开销大的问题，提升了计算效率，最后可以将各类型的路段预测结果混合使用，提升了预测的准确性。

在一种可能的实现方式中，所述路段类型包括一级路段类型下的以下至少一种类型：低频路段、稳定低流量路段、短时突发拥堵路段、长时突发拥堵路段，所述一级路段类型包括普通路段或路口分方向路段；

在该实现方式中，该路口分方向路段指的是该路段的驶出口连接至少两个方向的其他路段，通行工具在路口分方向路段上通行时，路口分方向路段中不同车道的速度会有明显差异，比如左转道会较堵，通行速度较慢，通行时间会较长，而直行道会较畅通，通行速度较快，通行时间会较短。该普通路段指的是除了该路口分方向路段之外的其他路段。

在该实现方式中，路网中的路段类型可以包括普通路段类型下的低频路段、稳定低流量路段、短时突发拥堵路段和长时突发拥堵路段，以及路口分方向路段类型下的低频路段、稳定低流量路段、短时突发拥堵路段和长时突发拥堵路段。

在该实现方式中，路口分方向路段和普通路段相比，在进行未来通行时间预测时需要考虑的因素会较多，比如还需要考虑路口的类型、路口的转向动作等等因素，故需要分别为路口分方向路段和普通路段设置不同的路段级预测模型。比如说，可以为普通路段类型下的低频路段、稳定低流量路段、短时突发拥堵路段和长时突发拥堵路段，以及路口分方向路段类型下的低频路段、稳定低流量路段、短时突发拥堵路段和长时突发拥堵路段分别配置不同的路段级预测模型。

在该实现方式中，在路段的路段类型为相应一级路段类型下的低频路段时，可以为这两种一级路段类型下的低频路段均配置最简单的路段级预测模型。

在该实现方式中，在路段的路段类型为相应一级路段类型下的稳定低流量路段时，由于不同的一级路段类型在预测时需要考虑的影响因素也不同，故需要为不同的一级路段类型训练不同的线性模型，本实现方式中就需要为不同一级路段类型下的不同场景训练一个线性模型。使用所述路段所在场景对应的线性模型，基于所述相应一级路段类型下所述路段的通行路况特征，得到所述路段在未来各个时间片的通行时间预测值，所述线性模型为所述相应一级路段类型下的稳定低流量路段对应的模型，其中，所述普通路段类型下所述路段的通行路况特征包括以下至少一种：实时通行特征和所述未来各时间片对应的历史平均通行时间序列；所述路口分方向路段类型下所述路段的通行路况特征包括以下至少一种：实时通行特征、所述未来各时间片对应的历史平均通行时间序列、路口类型和转向动作类型；该路口类型包括复杂路口和简单路口，该转向动作类型指的是通行车辆沿着该目标路线从该路段的驶出口驶出时的转向动作类型，包括左转向、右转向和调头等动作。

在该实现方式中，在路段的路段类型为相应一级路段类型下的短时突发拥堵路段时，可以为一级路段类型下的短时突发拥堵路段配置较复杂的短期预测深度模型，不同的一级路段类型在预测时需要考虑的影响因素也不同，故需要为不同的一级路段类型训练不同的短期预测深度模型，不同一级路段类型对应的不同的短期预测深度模型可以基于不同路段类型下所述路段的短时路况特征来预测所述路段在未来各个时间片的通行时间预测值。如此，使用相应一级路段类型对应的短期预测深度模型，基于所述相应一级路段类型下所述路段的短时路况特征，得到所述路段在未来各个时间片的通行时间预测值，其中，所述普通路段类型下所述路段的短时路况特征包括以下至少一种：短期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、短期内的实时车流量时间序列；所述路口分方向路段类型下所述路段的短时路况特征包括以下至少一种：短期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、短期内的实时车流量时间序列、路口类型和转向动作类型；

在该实现方式中，在路段的路段类型为相应一级路段类型下的长时突发拥堵路段时，可以为一级路段类型下的长时突发拥堵路段配置较复杂的长期预测深度模型，不同的一级路段类型在预测时需要考虑的影响因素也不同，故需要为不同的一级路段类型训练不同的长期预测深度模型，不同一级路段类型对应的不同的长期预测深度模型可以基于不同路段类型下所述路段的长时路况特征来预测所述路段在未来各个时间片的通行时间预测值。使用相应一级路段类型对应的长期预测深度模型，基于所述相应一级路段类型下所述路段的长时路况特征，可以得到所述路段在未来各个时间片的通行时间预测值，其中，所述普通路段类型下所述路段的长时路况特征包括以下至少一种：长期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、长期内的实时车流量时间序列；所述路口分方向路段类型下所述路段的长时路况特征包括以下至少一种：长期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、长期内的实时车流量时间序列、路口类型和转向动作类型。

在一种可能的实现方式中，上述的短期预测深度模型或长期预测深度模型可以包括依次连接的第一时域门控卷积层(Temporal gate Convolution)、图注意力层、第二时域门控卷积层、第三时域门控卷积层和MLP(Multilayer Perceptron，多层感知机)层。

在该实现方式中，该短期预测深度模型或长期预测深度模型的模型结构可以是第一时域门控卷积层的输出端连接图注意力层的输入端，该图注意力层的输出端连接该第二时域门控卷积层的输入端，该第二时域门控卷积层的输出端连接该第三时域门控卷积层的输入端，该第三时域门控卷积层的输出端连接该MLP层的输入端。这样，该短期预测深度模型或长期预测深度模型可以更好地提取到上述各种时间序列中的特征，进而进行准确的预测。

在一种可能的实现方式中，上述ETA预测方法还可以为不同一级路段类型下位于不同场景的稳定低流量路段配置不同的线性模型，即还可以包括以下步骤：

基于第一样本数据，训练得到目标场景对应的线性模型，其中，所述第一样本数据包括第一样本路段在第一样本时刻的通行路况特征、第一样本时刻之后各个时间片的通行时间真实值，所述第一样本路段为位于所述目标场景中的稳定低流量路段。

在该实现方式中，可以用不同场景下的第一样本路段在第一样本时刻的第一样本数据，训练位于不同场景的稳定低流量路段对应的线性模型。可以将该第一样本数据中的通行路况特征输入至初始的线性模型中，得到线性模型输出的第一样本时刻之后各个时间片的通行时间预测值，根据该第一样本时刻之后各个时间片的通行时间预测值与该第一样本时刻之后各个时间片的通行时间真实值之间的误差调整该线性模型中的参数，直至该误差减小到一定程度，则训练得到目标场景的稳定低流量路段对应的线性模型。

在该实现方式中，所述路段类型可以包括以下至少一个一级路段类型：普通路段和路口分方向路段时，不同的一级路段类型在预测时需要考虑的影响因素也不同，故需要为不同的一级路段类型训练不同的线性模型，本实现方式中就需要为不同一级路段类型下的不同场景训练一个线性模型。可以基于第一样本数据，训练得到相应的线性模型，其中，所述第一样本数据包括相应一级路段类型下的第一样本路段在第一样本时刻的通行路况特征、第一样本时刻之后各个时间片的通行时间真实值，所述第一样本路段为所述相应一级路段类型下的稳定低流量路段，位于所述目标场景。所述普通路段类型下第一样本路段在第一样本时刻的通行路况特征包括以下至少一种：在第一样本时刻的通行特征和第一样本时刻之后的各时间片的历史平均通行时间序列；所述路口分方向路段类型下第一样本路段在第一样本时刻的通行路况特征包括以下至少一种：在第一样本时刻的通行特征、第一样本时刻之后的各时间片的历史平均通行时间序列、路口类型和转向动作类型。

在一种可能的实现方式中，上述ETA预测方法还可以为不同一级路段类型下的短时突发拥堵路段配置不同的短期预测深度模型，即还可以包括以下步骤：

基于第二样本数据，训练得到对应的短期预测深度模型，其中，所述第二样本数据包括第二样本路段在第二样本时刻的短时路况特征、在第二样本时刻之后各个时间片的通行时间真实值，所述第二样本路段为短时突发拥堵路段。

在该实现方式中，可以用第二样本路段在第二样本时刻的第二样本数据，训练短期预测深度模型。可以将该第二样本数据中的短时路况特征输入至初始的短期预测深度模型中，得到短期预测深度模型输出的第二样本时刻之后各个时间片的通行时间预测值，根据该第二样本时刻之后各个时间片的通行时间预测值与该第二样本时刻之后各个时间片的通行时间真实值之间的误差调整该短期预测深度模型中的参数，直至该误差减小到一定程度，则训练得到短期预测深度模型。

在该实现方式中，所述路段类型可以包括以下至少一个一级路段类型：普通路段和路口分方向路段时，不同的一级路段类型在预测时需要考虑的影响因素也不同，故需要为不同的一级路段类型训练不同的短期预测深度模型，本实现方式中就需要为不同一级路段类型训练一个短期预测深度模型。可以基于第二样本数据，训练得到对应的短期预测深度模型，其中，所述第二样本数据包括相应一级路段类型的第二样本路段在第二样本时刻的短时路况特征、在第二样本时刻之后各个时间片的通行时间真实值，所述第二样本路段为相应一级路段类型下的短时突发拥堵路段。所述普通路段类型的第二样本路段在第二样本时刻的短时路况特征包括以下至少一种：在第二样本时刻之前短期内的平均通行时间序列、在第二样本时刻之后各时间片对应的历史平均通行时间序列、在第二样本时刻之前短期内的车流量时间序列；所述路口分方向路段类型的第二样本路段在第二样本时刻的短时路况特征包括以下至少一种：在第二样本时刻之前短期内的平均通行时间序列、在第二样本时刻之后各时间片对应的历史平均通行时间序列、在第二样本时刻之前短期内的车流量时间序列、路口类型和转向动作类型。

在一种可能的实现方式中，上述ETA预测方法还可以为不同一级路段类型下的长时突发拥堵路段配置不同的长期预测深度模型，即还可以包括以下步骤：

基于第三样本数据，训练得到对应的长期预测深度模型，其中，所述第三样本数据包括第三样本路段在第三样本时刻的长时路况特征、第三样本时刻之后各个时间片的通行时间真实值，所述第三样本路段为长时突发拥堵路段。

在该实现方式中，可以用第三样本路段在第三样本时刻的第三样本数据，训练对应的长期预测深度模型。可以将该第三样本数据中的长时路况特征输入至初始的长期预测深度模型中，得到长期预测深度模型输出的第三样本时刻之后各个时间片的通行时间预测值，根据该第三样本时刻之后各个时间片的通行时间预测值与该第三样本时刻之后各个时间片的通行时间真实值之间的误差调整该长期预测深度模型中的参数，直至该误差减小到一定程度，则训练得到长期预测深度模型。

在该实现方式中，所述路段类型可以包括以下至少一个一级路段类型：普通路段和路口分方向路段时，不同的一级路段类型在预测时需要考虑的影响因素也不同，故需要为不同的一级路段类型训练不同的长期预测深度模型，本实现方式中就需要为不同一级路段类型训练一个长期预测深度模型。可以基于第三样本数据，训练得到对应的长期预测深度模型，其中，所述第三样本数据包括相应一级路段类型的第三样本路段在第三样本时刻的长时路况特征、第三样本时刻之后各个时间片的通行时间真实值，所述第三样本路段为相应一级路段类型下的长时突发拥堵路段。所述普通路段类型的第三样本路段在第三样本时刻的长时路况特征包括以下至少一种：在第三样本时刻之前长期内的平均通行时间序列、在第三样本时刻之后各时间片对应的历史平均通行时间序列、在第三样本时刻之前长期内的车流量时间序列；所述路口分方向路段类型的第三样本路段在第三样本时刻的长时路况特征包括以下至少一种：在第三样本时刻之前长期内的平均通行时间序列、在第三样本时刻之后各时间片对应的历史平均通行时间序列、在第三样本时刻之前长期内的车流量时间序列、路口类型和转向动作类型。

在一种可能的实现方式中，上述ETA预测方法还可以包括以下步骤：

基于第四样本数据，训练得到所述路线级预测模型，所述第四样本数据包括样本路线的路段级的预估通行时间、所述样本路线的相关通行特征和所述样本路线的真实到达时间。

在该实现方式中，所述样本路线的相关通行特征包括以下至少一种特征：所述样本路线的起终点城市、出发时间、各个道路等级的长度、各类型路口数量、各类转向动作数量。

在该实现方式中，可以将该第四样本数据中的样本路线的路段级的预估通行时间、所述样本路线的相关通行特征输入至初始的路线级预测模型中，得到路线级预测模型输出的样本路线的预估到达时间，根据样本路线的预估到达时间与该样本路线的真实到达时间之间的误差调整该路线级预测模型中的参数，直至该误差减小到一定程度，则训练得到相应的路线级预测模型。

在该实现方式中，该路线级预测模型可以是DNN((Deep Neural Networks，深度神经网络)模型。

本实现方式中提出了“路段级预测-路线级预测”的双层预测模型架构，基于路段级预测模型预测的推演结果被路线级预测模型进一步优化，得到最终预测的ETA，使得路线级模型可以专注于各类型路段上通行时间的预测建模，而路线级预测模型通过进一步调整结果取得更高的准确率。

本公开还提供了一种ETA预测模型训练方法，图2示出根据本公开的实施例的ETA预测模型训练方法的流程图。如图2所示，所述ETA预测模型训练方法包括以下步骤S201-S205：

在步骤S201中，基于各路段类型的样本数据，训练得到各路段类型对应的路段级预测模型；

在步骤S202中，基于所述各路段类型对应的路段级预测模型，计算样本路线中各类型的样本路段在样本出发时间之间后的各个时间片的通行时间预测值；

在步骤S203中，基于所述样本路线中各样本路段在各个时间片的通行时间预测值，确定样本路线中各样本路段的预计进入时刻；

在步骤S204中，累计所述各样本路段在对应的目标时间片的通行时间预测值，得到所述样本路线的路段级的预估通行时间，其中，所述各样本路段对应的目标时间片为各样本路段的预计进入时刻所在的时间片；

在步骤S205中，基于所述样本路线的路段级的预估通行时间、所述样本路线的相关通行特征和所述样本路线的真实到达时间，训练得到路线级预测模型。

在一种可能的实现方式中，所述ETA预测模型训练方法可适用于进行ETA预测模型训练的计算机、计算设备、电子设备、服务器、服务器集群等等。

在一种可能的实现方式中，路段(也称为link)指的是路网的基本单元，一般为一条路的一小部分，一个路段仅有一个进入口和一个驶出口，位于每个路段两端的进入口与驶出口可以和其他至少一个路段存在拓扑连接关系。一条样本路线可以包括一串连续的路段。

在一种可能的实现方式中，该路段的类型可以按照该路段上通行工具的通行时间的稳定程度来划分，以此划分好通行路段后，可以为该类型的路段类型训练该路段类型对应的路段级预测模型。示例的，如果该路段上的各通行工具在各时间内的通行时间都是规律或稳定的，此类路段的未来通行时间是容易预测的，可以将该类路段划分为一类路段，并为该类路段训练简单的路段级预测模型，如果该路段上的各通行工具在各时间内的通行时间是不稳定，容易发生突发拥堵等情况的，此类路段的未来通行时间是不好预测的，可以将该类路段划分为另一类路段，并为该类路段训练复杂的路段级预测模型来精准预测该类路段的未来通行时间。

在一种可能的实现方式中，该路段级预测模型用于预测各路段在样本路线的样本出发时间之后的未来各个时间片的通行时间预测值，该时间片指的是一片时间段，示例的，每个时间片的时长可以是5min，则样本出发时间之后的各个时间片可以是样本出发时间之后的[0min-5min)、[5min-10min)……[(5n-1)min-5n min)等这些时间段。

在一种可能的实现方式中，仍以上述示例，可以将该样本路线中的各路段按照从出发地到目的地的顺序进行排序，第一个样本路段的预计进入时刻为样本出发时间，第一个样本路段在样本出发时间所在的时间片[0min-5min)的通行时间预测值为10min，则第二个样本路段的预计进入时刻就是样本出发时间之后的10min以后，第二个样本路段在样本出发时间所在的时间片[10min-15min)的通行时间预测值为8min，则第三个路段的预计进入时刻就是样本出发时间之后的18min以后……，如此就可以依次计算得到该样本路线中各样本路段的预计进入时刻。

在一种可能的实现方式中，将各样本路段在预计进入时刻的通行时间预测值全部累加在一起，就可以得到样本路线的路段级的预估通行时间，其中，可以先确定各样本路段的预计进入时刻所在的未来时间片为目标时间片，各样本路段在对应的目标时间片的通行时间预测值即为各路段在预计进入时刻的通行时间预测值。仍以上述示例为例，假设该样本路线包括三个样本路段即第一个路段、第二个路段和第三个路段，第一个路段的预计进入时刻为出发时间，该第一个路段对应的目标时间片为出发时间之后的第一个时间片[0min-5min)，第一个路段在该目标时间片[0min-5min)的通行时间预测值为10min，第二个路段对应的目标时间片为[10min-15min)，第二个路段在该目标时间片[10min-15min)的通行时间预测值为8min，第三个路段对应的目标时间片为[15min-20min)，第三个路段在该目标时间片[15min-20min)的通行时间预测值为10min，则该样本路线的路段级的预估通行时间为10min+8min+10min＝28min

在一种可能的实现方式中，所述样本路线的相关通行特征包括以下至少一种特征：所述样本路线的起终点城市、出发时间、各个道路等级的长度、各类型路口数量、各类转向动作数量。

在一种可能的实现方式中，可以将样本路线的路段级的预估通行时间、所述样本路线的相关通行特征输入至初始的路线级预测模型中，得到路线级预测模型输出的样本路线的预估到达时间，根据样本路线的预估到达时间与该样本路线的真实到达时间之间的误差调整该路线级预测模型中的参数，直至该误差减小到一定程度，则训练得到相应的路线级预测模型。

在一种可能的实现方式中，所述路段类型还可以包括以下至少一种类型：低频路段、稳定低流量路段、短时突发拥堵路段和长时突发拥堵路段。该低频路段指的是偶尔有车辆经过的路段，该低频路段在各时间片基本都是畅通的，没有拥堵；该稳定低流量路段指的是拥堵较少且较为规律、历史上未发生过突发拥堵的路段，如一些只会在节假日的高峰期拥堵的路段；该短时突发拥堵路段指的是历史上出现过突发拥堵但拥堵持续时间均较短的路段；该长时突发拥堵路段指的是历史上出现过持续时长较长的突发拥堵的路段。

在一种可能的实现方式中，可以为不同路段类型训练不同的路段级预测模型，比如说，可以为低频路段、稳定低流量路段、短时突发拥堵路段和长时突发拥堵路段分别训练不同的路段级预测模型。

在该实现方式中，可以为低频路段配置最简单的路段级预测模型，该最简单的路段级预测模型可以是用于计算该路段的历史平均通行时间的模型。在该路段的路段类型为低频路段时，由于低频路段上偶尔有车辆经过，在各时间片上都是畅通的，故可以将所述路段的历史平均通行时间作为所述路段在未来各个时间片的通行时间预测值。

在一种可能的实现方式中，上述训练方法还可以为不同场景的稳定低流量路段训练不同的线性模型，即还可以包括以下步骤：

基于第一样本数据，训练得到目标场景对应的线性模型，其中，所述第一样本数据包括第一样本路段在第一样本时刻的通行路况特征、第一样本时刻之后各个时间片的通行时间真实值，所述第一样本路段为位于所述目标场景中的稳定低流量路段。

在该实现方式中，可以用不同场景下的第一样本路段在第一样本时刻的第一样本数据，训练位于不同场景的稳定低流量路段对应的线性模型。可以将该第一样本数据中的通行路况特征输入至初始的线性模型中，得到线性模型输出的第一样本时刻之后各个时间片的通行时间预测值，根据该第一样本时刻之后各个时间片的通行时间预测值与该第一样本时刻之后各个时间片的通行时间真实值之间的误差调整该线性模型中的参数，直至该误差减小到一定程度，则训练得到目标场景的稳定低流量路段对应的线性模型。

在该实现方式中，所述路段类型可以包括以下至少一个一级路段类型：普通路段和路口分方向路段时，不同的一级路段类型在预测时需要考虑的影响因素也不同，故需要为不同的一级路段类型训练不同的线性模型，本实现方式中就需要为不同一级路段类型下的不同场景训练一个线性模型。可以基于第一样本数据，训练得到相应的线性模型，其中，所述第一样本数据包括相应一级路段类型下的第一样本路段在第一样本时刻的通行路况特征、第一样本时刻之后各个时间片的通行时间真实值，所述第一样本路段为所述相应一级路段类型下的稳定低流量路段，位于所述目标场景。所述普通路段类型下第一样本路段在第一样本时刻的通行路况特征包括以下至少一种：在第一样本时刻的通行特征和第一样本时刻之后的各时间片的历史平均通行时间序列；所述路口分方向路段类型下第一样本路段在第一样本时刻的通行路况特征包括以下至少一种：在第一样本时刻的通行特征、第一样本时刻之后的各时间片的历史平均通行时间序列、路口类型和转向动作类型。

在一种可能的实施方式中，可以为短时突发拥堵路段训练较复杂的短期预测深度模型，不同的一级路段类型在预测时需要考虑的影响因素也不同，故需要为不同的一级路段类型训练不同的短期预测深度模型，即还可以包括以下步骤：

基于第二样本数据，训练得到对应的短期预测深度模型，其中，所述第二样本数据包括第二样本路段在第二样本时刻的短时路况特征、在第二样本时刻之后各个时间片的通行时间真实值，所述第二样本路段为短时突发拥堵路段。

在该实现方式中，可以用第二样本路段在第二样本时刻的第二样本数据，训练短期预测深度模型。可以将该第二样本数据中的短时路况特征输入至初始的短期预测深度模型中，得到短期预测深度模型输出的第二样本时刻之后各个时间片的通行时间预测值，根据该第二样本时刻之后各个时间片的通行时间预测值与该第二样本时刻之后各个时间片的通行时间真实值之间的误差调整该短期预测深度模型中的参数，直至该误差减小到一定程度，则训练得到短期预测深度模型。

在该实现方式中，所述路段类型可以包括以下至少一个一级路段类型：普通路段和路口分方向路段时，不同的一级路段类型在预测时需要考虑的影响因素也不同，故需要为不同的一级路段类型训练不同的短期预测深度模型，本实现方式中就需要为不同一级路段类型训练一个短期预测深度模型。可以基于第二样本数据，训练得到对应的短期预测深度模型，其中，所述第二样本数据包括相应一级路段类型的第二样本路段在第二样本时刻的短时路况特征、在第二样本时刻之后各个时间片的通行时间真实值，所述第二样本路段为相应一级路段类型下的短时突发拥堵路段。所述普通路段类型的第二样本路段在第二样本时刻的短时路况特征包括以下至少一种：在第二样本时刻之前短期内的平均通行时间序列、在第二样本时刻之后各时间片对应的历史平均通行时间序列、在第二样本时刻之前短期内的车流量时间序列；所述路口分方向路段类型的第二样本路段在第二样本时刻的短时路况特征包括以下至少一种：在第二样本时刻之前短期内的平均通行时间序列、在第二样本时刻之后各时间片对应的历史平均通行时间序列、在第二样本时刻之前短期内的车流量时间序列、路口类型和转向动作类型。

在一种可能的实施方式中，可以为一级路段类型下的长时突发拥堵路段训练较复杂的长期预测深度模型，不同的一级路段类型在预测时需要考虑的影响因素也不同，故上述ETA预测方法还可以为不同一级路段类型下的长时突发拥堵路段训练不同的长期预测深度模型，即还可以包括以下步骤：

基于第三样本数据，训练得到对应的长期预测深度模型，其中，所述第三样本数据包括第三样本路段在第三样本时刻的长时路况特征、第三样本时刻之后各个时间片的通行时间真实值，所述第三样本路段为长时突发拥堵路段。

在该实现方式中，可以用第三样本路段在第三样本时刻的第三样本数据，训练对应的长期预测深度模型。可以将该第三样本数据中的长时路况特征输入至初始的长期预测深度模型中，得到长期预测深度模型输出的第三样本时刻之后各个时间片的通行时间预测值，根据该第三样本时刻之后各个时间片的通行时间预测值与该第三样本时刻之后各个时间片的通行时间真实值之间的误差调整该长期预测深度模型中的参数，直至该误差减小到一定程度，则训练得到长期预测深度模型。

在该实现方式中，所述路段类型可以包括以下至少一个一级路段类型：普通路段和路口分方向路段时，不同的一级路段类型在预测时需要考虑的影响因素也不同，故需要为不同的一级路段类型训练不同的长期预测深度模型，本实现方式中就需要为不同一级路段类型训练一个长期预测深度模型。可以基于第三样本数据，训练得到对应的长期预测深度模型，其中，所述第三样本数据包括相应一级路段类型的第三样本路段在第三样本时刻的长时路况特征、第三样本时刻之后各个时间片的通行时间真实值，所述第三样本路段为相应一级路段类型下的长时突发拥堵路段。所述普通路段类型的第三样本路段在第三样本时刻的长时路况特征包括以下至少一种：在第三样本时刻之前长期内的平均通行时间序列、在第三样本时刻之后各时间片对应的历史平均通行时间序列、在第三样本时刻之前长期内的车流量时间序列；所述路口分方向路段类型的第三样本路段在第三样本时刻的长时路况特征包括以下至少一种：在第三样本时刻之前长期内的平均通行时间序列、在第三样本时刻之后各时间片对应的历史平均通行时间序列、在第三样本时刻之前长期内的车流量时间序列、路口类型和转向动作类型。

在一种可能的实现方式中，上述的短期预测深度模型或长期预测深度模型可以包括依次连接的第一时域门控卷积层(Temporal gate Convolution)、图注意力层、第二时域门控卷积层、第三时域门控卷积层和MLP(Multilayer Perceptron，多层感知机)层。

在该实现方式中，该短期预测深度模型或长期预测深度模型的模型结构可以是第一时域门控卷积层的输出端连接图注意力层的输入端，该图注意力层的输出端连接该第二时域门控卷积层的输入端，该第二时域门控卷积层的输出端连接该第三时域门控卷积层的输入端，该第三时域门控卷积层的输出端连接该MLP层的输入端。这样，该短期预测深度模型或长期预测深度模型可以更好地提取到上述各种时间序列中的特征，进而进行准确的预测。

本实施例中ETA预测模型训练方法与上述ETA预测方法中的相关内容的解释是相同，具体细节可以参见上述ETA预测方法中的描述，在此不再赘述。

图3示出根据本公开的实施例的ETA预测装置的结构框图。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图3所示，所述ETA预测装置包括：

获取模块301，被配置为获取目标路线中各路段的路段类型；

计算模块302，被配置为基于所述各路段的路段类型对应的路段级预测模型，计算所述各路段在出发时间之后的未来各个时间片的通行时间预测值；

确定模块303，被配置为基于所述各路段在未来各个时间片的通行时间预测值，确定各路段的预计进入时刻；

累计模块304，被配置为累计所述各路段在对应的目标时间片的通行时间预测值，得到所述目标路线的路段级的预估通行时间，其中，所述各路段对应的目标时间片为各路段的预计进入时刻所在的未来时间片；

预测模块305，被配置为使用路线级预测模型，基于所述目标路线的路段级的预估通行时间以及所述目标路线的相关通行特征，预测所述目标路线对应的预计到达时间。

在一种可能的实现方式中，所述路段类型包括以下至少一种类型：低频路段、稳定低流量路段、短时突发拥堵路段、长时突发拥堵路段；所述计算模块302被配置为：

在路段的路段类型为低频路段时，基于所述路段的历史平均通行时间，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为稳定低流量路段时，使用所述路段所在场景对应的线性模型，基于所述路段的通行路况特征，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为短时突发拥堵路段时，使用短期预测深度模型，基于所述路段的短时路况特征，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为长时突发拥堵路段时，使用长期预测深度模型，基于所述路段的长时路况特征，得到所述路段在未来各个时间片的通行时间预测值。

在一种可能的实现方式中，所述装置还包括：

场景确定模块，被配置为基于所述路段的以下至少一种特征确定所述路段所在场景：所述路段所在区域特征、出发时间的时间类型、所述路段的道路等级。

在一种可能的实现方式中，所述路段类型包括一级路段类型下的以下至少一种类型：低频路段、稳定低流量路段、短时突发拥堵路段、长时突发拥堵路段，所述一级路段类型包括普通路段或路口分方向路段；所述计算模块302被配置为：

在路段的路段类型为相应一级路段类型下的稳定低流量路段时，使用所述路段所在场景对应的线性模型，基于所述相应一级路段类型下所述路段的通行路况特征，得到所述路段在未来各个时间片的通行时间预测值，所述线性模型为所述相应一级路段类型下的稳定低流量路段对应的模型，其中，所述普通路段类型下所述路段的通行路况特征包括以下至少一种：实时通行特征和所述未来各时间片对应的历史平均通行时间序列；所述路口分方向路段类型下所述路段的通行路况特征包括以下至少一种：实时通行特征、所述未来各时间片对应的历史平均通行时间序列、路口类型和转向动作类型；

在路段的路段类型为相应一级路段类型下的短时突发拥堵路段时，使用相应一级路段类型对应的短期预测深度模型，基于所述相应一级路段类型下所述路段的短时路况特征，得到所述路段在未来各个时间片的通行时间预测值，其中，所述普通路段类型下所述路段的短时路况特征包括以下至少一种：短期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、短期内的实时车流量时间序列；所述路口分方向路段类型下所述路段的短时路况特征包括以下至少一种：短期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、短期内的实时车流量时间序列、路口类型和转向动作类型；

在路段的路段类型为相应一级路段类型下的长时突发拥堵路段时，使用相应一级路段类型对应的长期预测深度模型，基于所述相应一级路段类型下所述路段的长时路况特征，得到所述路段在未来各个时间片的通行时间预测值，其中，所述普通路段类型下所述路段的长时路况特征包括以下至少一种：长期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、长期内的实时车流量时间序列；所述路口分方向路段类型下所述路段的长时路况特征包括以下至少一种：长期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、长期内的实时车流量时间序列、路口类型和转向动作类型。

在一种可能的实现方式中，所述短期预测深度模型或长期预测深度模型包括依次连接的第一时域门控卷积层、图注意力层、第二时域门控卷积层、第三时域门控卷积层和多层感知机MLP层。

在一种可能的实现方式中，所述装置还包括：

第一训练模块，被配置为基于第一样本数据，训练得到目标场景对应的线性模型，其中，所述第一样本数据包括第一样本路段在第一样本时刻的通行路况特征、第一样本时刻之后各个时间片的通行时间真实值，所述第一样本路段为位于所述目标场景中的稳定低流量路段；

第二训练模块，被配置为基于第二样本数据，训练得到对应的短期预测深度模型，其中，所述第二样本数据包括第二样本路段在第二样本时刻的短时路况特征、在第二样本时刻之后各个时间片的通行时间真实值，所述第二样本路段为短时突发拥堵路段；

第三训练模块，被配置为基于第三样本数据，训练得到对应的长期预测深度模型，其中，所述第三样本数据包括第三样本路段在第三样本时刻的长时路况特征、第三样本时刻之后各个时间片的通行时间真实值，所述第三样本路段为长时突发拥堵路段。

在一种可能的实现方式中，所述目标路线的相关通行特征包括以下至少一种特征：所述目标路线的起终点城市、出发时间、各个道路等级的长度、各类型路口数量、各类转向动作数量。

在一种可能的实现方式中，所述装置还包括：

第四训练模块，被配置为基于第四样本数据，训练得到所述路线级预测模型，所述第四样本数据包括样本路线的路段级的预估通行时间、所述样本路线的相关通行特征和所述样本路线的真实到达时间。

本实施例中ETA预测装置与上述ETA预测方法对应一致，具体细节可以参见上述对ETA预测方法的描述，在此不再赘述。

图4示出根据本公开的实施例的ETA预测模型训练装置的结构框图。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示，所述ETA预测模型训练装置400包括：

路段级训练模块401，被配置为基于各路段类型的样本数据，训练得到各路段类型对应的路段级预测模型；

中间计算模块402，被配置为基于所述各路段类型对应的路段级预测模型，计算样本路线中各类型的样本路段在样本出发时间之间后的各个时间片的通行时间预测值；基于所述样本路线中各样本路段在各个时间片的通行时间预测值，确定样本路线中各样本路段的预计进入时刻；累计所述各样本路段在对应的目标时间片的通行时间预测值，得到所述样本路线的路段级的预估通行时间，其中，所述各样本路段对应的目标时间片为各样本路段的预计进入时刻所在的时间片；

路线级训练模块403，被配置基于所述样本路线的路段级的预估通行时间、所述样本路线的相关通行特征和所述样本路线的真实到达时间，训练得到路线级预测模型。

本实施例中ETA预测模型训练装置与上述ETA预测模型训练方法对应一致，具体细节可以参见上述对ETA预测模型训练方法的描述，在此不再赘述。

本公开实施例还公开了一种导航服务，其中，基于上述的ETA预测方法，获得被导航对象使用该导航路线时的ETA，并基于所述导航路线时的ETA为所述被导航对象提供相应场景的导航路线选择服务。其中，所述相应场景为长途的AR导航或者高架导航或者主辅路导航中的一种或多种的组合。

本公开实施例还公开了一种导航方法，其中，获取至少基于起点、终点及路况情况计算的导航路线，预测并显示所述导航路线的预计到达时间ETA，基于所述导航路线进行导航引导，所述导航路线的ETA的预测是基于上述的任意一种ETA预测方法实现的。

本公开实施例，该预计到达时间预测方法可以在服务器如云端服务器上执行，服务器可以按照上述的预计到达时间预测方法进行到达时间预测，为移动终端提供更精准的位置服务，例如导航服务、路径规划服务等，该移动终端可以是手机、pad、IoT(Internet ofThings，物联网)设备、车载终端等等可以显示电子地图的设备。服务器在为移动终端进行导航或规划路径时，可以基于上述方法获得导航路线或各规划路线对应预计到达时间，并发送给移动终端，以便该移动终端为用户显示对应路线的预计到达时间，用户可以基于该预计到达时间选择出行路线或出行时间等等。

图5示出根据本公开一实施方式在导航应用场景下的应用示意图。如图5所示，移动终端和服务器之间通过接入基于通信标准的无线网络，如WiFi，2G、3G、4G/LTE、5G等移动通信网络，或它们的组合进行网络通信，用户在移动终端输入用户选定出发地和目的地进行导航时，移动终端可以将该用户输入的出发地和目的地发送给服务器，服务器可以基于该出发地和目的地进行导航路线推荐，获取从该出发地和目的地的多条候选导航路线，然后，基于上述方法预测各候选导航路线对应的预计到达时间，并基于该预计到达时间从多条候选导航路线中选择预定条数的推荐导航路线，服务器会将各推荐导航路线及其对应的预计到达时间发送给移动终端，移动终端可以接收并显示各推荐导航路线及其对应的预计到达时间，用户可以基于各推荐导航路线对应的预计到达时间选定自己需要的导航路线如可以选择预计到达时间最短的导航路线。

本公开还提供了一种服务器，图6示出根据本公开的实施例的服务器的结构框图。

如图6所示，所述服务器600包括存储器601和处理器602，其中，存储器601用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器602执行以实现根据本公开的实施例的方法。

图7示出适于用来实现根据本公开实施例的方法的服务器的系统结构示意图。

如图7所示，服务器系统700包括处理单元701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行上述实施例中的各种处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。处理单元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。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。其中，所述处理单元701可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。

特别地，根据本公开的实施例，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括计算机指令，该计算机指令被处理器执行时实现上文所述的方法步骤。在这样的实施例中，该计算机程序产品可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (13)

1.一种预计到达时间预测方法，包括：

获取目标路线中各路段的路段类型；

基于所述各路段的路段类型对应的路段级预测模型，计算所述各路段在出发时间之后的未来各个时间片的通行时间预测值；

基于所述各路段在未来各个时间片的通行时间预测值，确定各路段的预计进入时刻；

累计所述各路段在对应的目标时间片的通行时间预测值，得到所述目标路线的路段级的预估通行时间，其中，所述各路段对应的目标时间片为各路段的预计进入时刻所在的未来时间片；

使用路线级预测模型，基于所述目标路线的路段级的预估通行时间以及所述目标路线的相关通行特征，预测所述目标路线对应的预计到达时间。

2.根据权利要求1所述的方法，其中，所述路段类型包括以下至少一种类型：低频路段、稳定低流量路段、短时突发拥堵路段、长时突发拥堵路段；所述基于所述各路段的路段类型对应的路段级预测模型，计算所述各路段在出发时间之后的未来各个时间片的通行时间预测值，包括：

在路段的路段类型为低频路段时，基于所述路段的历史平均通行时间，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为稳定低流量路段时，使用所述路段所在场景对应的线性模型，基于所述路段的通行路况特征，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为短时突发拥堵路段时，使用短期预测深度模型，基于所述路段的短时路况特征，得到所述路段在未来各个时间片的通行时间预测值；

在路段的路段类型为长时突发拥堵路段时，使用长期预测深度模型，基于所述路段的长时路况特征，得到所述路段在未来各个时间片的通行时间预测值。

3.根据权利要求2所述的方法，其中，所述方法还包括：

基于所述路段的以下至少一种特征确定所述路段所在场景：所述路段所在区域特征、出发时间的时间类型、所述路段的道路等级。

4.根据权利要求2所述的方法，其中，所述路段类型包括一级路段类型下的以下至少一种类型：低频路段、稳定低流量路段、短时突发拥堵路段、长时突发拥堵路段，所述一级路段类型包括普通路段或路口分方向路段；

在路段的路段类型为相应一级路段类型下的稳定低流量路段时，使用所述路段所在场景对应的线性模型，基于所述相应一级路段类型下所述路段的通行路况特征，得到所述路段在未来各个时间片的通行时间预测值，所述线性模型为所述相应一级路段类型下的稳定低流量路段对应的模型，其中，所述普通路段类型下所述路段的通行路况特征包括以下至少一种：实时通行特征和所述未来各时间片对应的历史平均通行时间序列；所述路口分方向路段类型下所述路段的通行路况特征包括以下至少一种：实时通行特征、所述未来各时间片对应的历史平均通行时间序列、路口类型和转向动作类型；

在路段的路段类型为相应一级路段类型下的短时突发拥堵路段时，使用相应一级路段类型对应的短期预测深度模型，基于所述相应一级路段类型下所述路段的短时路况特征，得到所述路段在未来各个时间片的通行时间预测值，其中，所述普通路段类型下所述路段的短时路况特征包括以下至少一种：短期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、短期内的实时车流量时间序列；所述路口分方向路段类型下所述路段的短时路况特征包括以下至少一种：短期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、短期内的实时车流量时间序列、路口类型和转向动作类型；

在路段的路段类型为相应一级路段类型下的长时突发拥堵路段时，使用相应一级路段类型对应的长期预测深度模型，基于所述相应一级路段类型下所述路段的长时路况特征，得到所述路段在未来各个时间片的通行时间预测值，其中，所述普通路段类型下所述路段的长时路况特征包括以下至少一种：长期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、长期内的实时车流量时间序列；所述路口分方向路段类型下所述路段的长时路况特征包括以下至少一种：长期内的实时平均通行时间序列、所述未来各时间片对应的历史平均通行时间序列、长期内的实时车流量时间序列、路口类型和转向动作类型。

5.根据权利要求2所述的方法，其中，所述短期预测深度模型或长期预测深度模型包括依次连接的第一时域门控卷积层、图注意力层、第二时域门控卷积层、第三时域门控卷积层和多层感知机MLP层。

6.根据权利要求2所述的方法，其中，所述方法还包括：

基于第一样本数据，训练得到目标场景对应的线性模型，其中，所述第一样本数据包括第一样本路段在第一样本时刻的通行路况特征、第一样本时刻之后各个时间片的通行时间真实值，所述第一样本路段为位于所述目标场景中的稳定低流量路段；

基于第二样本数据，训练得到对应的短期预测深度模型，其中，所述第二样本数据包括第二样本路段在第二样本时刻的短时路况特征、在第二样本时刻之后各个时间片的通行时间真实值，所述第二样本路段为短时突发拥堵路段；

基于第三样本数据，训练得到对应的长期预测深度模型，其中，所述第三样本数据包括第三样本路段在第三样本时刻的长时路况特征、第三样本时刻之后各个时间片的通行时间真实值，所述第三样本路段为长时突发拥堵路段。

7.根据权利要求1所述的方法，其中，所述目标路线的相关通行特征包括以下至少一种特征：所述目标路线的起终点城市、出发时间、各个道路等级的长度、各类型路口数量、各类转向动作数量。

8.根据权利要求1所述的方法，其中，所述方法还包括：

基于第四样本数据，训练得到所述路线级预测模型，所述第四样本数据包括样本路线的路段级的预估通行时间、所述样本路线的相关通行特征和所述样本路线的真实到达时间。

9.一种预计到达时间预测模型训练方法，包括：

基于各路段类型的样本数据，训练得到各路段类型对应的路段级预测模型；

基于所述各路段类型对应的路段级预测模型，计算样本路线中各类型的样本路段在样本出发时间之间后的各个时间片的通行时间预测值；

基于所述样本路线中各样本路段在各个时间片的通行时间预测值，确定样本路线中各样本路段的预计进入时刻；

累计所述各样本路段在对应的目标时间片的通行时间预测值，得到所述样本路线的路段级的预估通行时间，其中，所述各样本路段对应的目标时间片为各样本路段的预计进入时刻所在的时间片；

基于所述样本路线的路段级的预估通行时间、所述样本路线的相关通行特征和所述样本路线的真实到达时间，训练得到路线级预测模型。

10.一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1至9任一项所述的方法步骤。

11.一种可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现权利要求1至9任一项所述的方法步骤。

12.一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现权利要求1至9任一项所述的方法步骤。

13.一种导航方法，其中，获取至少基于起点、终点及路况情况计算的导航路线，预测并显示所述导航路线的预计到达时间，基于所述导航路线进行导航引导，所述导航路线的预计到达时间的预测是基于权利要求1-9所述的任意一项方法实现的。

Images