CN114781719A - 等车时间的预测方法及装置、机器学习模型的训练方法 - Google Patents
等车时间的预测方法及装置、机器学习模型的训练方法 Download PDFInfo
- Publication number
- CN114781719A CN114781719A CN202210422728.8A CN202210422728A CN114781719A CN 114781719 A CN114781719 A CN 114781719A CN 202210422728 A CN202210422728 A CN 202210422728A CN 114781719 A CN114781719 A CN 114781719A
- Authority
- CN
- China
- Prior art keywords
- station
- target
- vehicle
- time
- waiting time
- 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 86
- 238000010801 machine learning Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 27
- 238000012546 transfer Methods 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了等车时间的预测方法及装置、机器学习模型的训练方法，涉及人工智能领域，尤其涉及深度学习领域。具体实现方案为从电子地图中获取特征数据，其中，特征数据包括：从电子地图中获取特征数据，其中，特征数据包括：当前时刻的时间特征以及目标车站的站点信息，当前时刻为目标对象通过电子地图检索目标车站的时刻；依据特征数据确定等车时长，其中，等车时长为从当前时刻起至目标车辆到达目标车站所需的时长。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习领域。
背景技术
公交作为最大的公共交通设施，成为人们出行必不可缺的工具之一，随着生活节奏的加快，人们对了解公交何时到站的需求日益加大。
现有等车时间预估方法大致可以分为两种，一种是根据多种数据源估算公交发车时间，然后根据融合异构数据来提高公交行程时间估计的性能，最后根据公交发车时间和用户出行时间估算城市内任意公交站点的公交候车时间。另一种是基于硬件设备，如站点传感器和移动终端设备，通过定位和距离估算来预估公交等车时间。
发明内容
本公开提供了一种用于等车时间的预测的方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种等车时间的预测方法，包括：从电子地图中获取特征数据，其中，特征数据包括：当前时刻的时间特征以及目标车站的站点信息，当前时刻为目标对象通过电子地图检索目标车站的时刻；依据特征数据确定等车时长，其中，等车时长为从当前时刻起至目标车辆到达目标车站所需的时长。
根据本公开的另一方面，提供了另一种等车时间的预测方法，包括：显示电子地图；接收目标对象通过所述电子地图检索目标车站的指令；响应于所述指令，依据所述目标对象通过所述电子地图检索所述目标车站的当前时刻的时间特征和所述目标车站的站点信息，确定等车时长,其中，所述等车时长为从所述当前时刻起至目标车辆到达所述目标车站所需的时长；显示所述等车时长。
根据本公开的另一方面，还提供了一种机器学习模型的训练方法，包括：获取原始数据，其中，所述原始数据至少包括：目标对象通过电子地图检索的多个车站及多个车辆行驶线路，以及各所述车辆行驶线路的信息；对所述原始数据进行数据处理，得到特征库，其中，所述特征库至少包括：定位热度特征、站点转移热度特征、检索热度特征、历史车辆到站特征、车辆行驶线路特征；基于所述特征库训练机器学习模型。
根据本公开的另一方面，提供了一种等车时间的预测装置，包括：第一获取模块，设置为从电子地图中获取特征数据，特征数据包括：当前时刻的时间特征以及目标车站的站点信息，其中，当前时刻为目标对象通过电子地图检索目标车站的时刻；确定模块，设置为依据特征数据确定等车时长，其中，等车时长为从当前时刻起至目标车辆到达目标车站所需的时长。
根据本公开的另一方面，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，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以上的等车时间的预测方法以及机器学习模型的训练方法。
根据本公开的再一方面，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，其中，计算机指令用于使计算机执行以上的等车时间的预测方法以及机器学习模型的训练方法。
根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现以上的等车时间的预测方法以及机器学习模型的训练方法。
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是根据本公开实施例的一种等车时间预测方法的流程图；
图2是根据本公开实施例的一种等车时间的预测方法的流程图；
图3是根据本公开实施例的一种机器学习模型构建方法的流程图；
图4是根据本公开实施例的一种利用机器学习策略预估等车时间的流程图；
图5是根据本公开实施例的一种等车时间的预测方法的流程图；
图6a是根据本公开实施例的一种电子地图的显示界面的示意图；
图6b是根据本公开实施例的另一种电子地图的显示界面的示意图；
图6c是根据本公开实施例的另一种电子地图的显示界面的示意图；
图7是根据本公开实施例的一种机器学习模型的训练方法的流程图；
图8是根据本公开实施例的一种等车时间的预测装置的结构框图；
图9示出了可以用来实施本公开实施例的示例电子设备900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。
在背景技术中提到的第一种现有等车时间的预估方法，每一个流程的实现都需要挖掘数据，通过采集人员建设，仍然依靠大规模的人力资源，并且需要到达实际公交站点进行记录和采集，所以采集过程中的交通成本非常高。同时这种方法更新速度也非常慢。等车时间的三个部分是相互独立的，而且每个评估结果都存在误差，会形成累计误差，会进一步降低等车时间结果的准确性。第二种方法需要在每个公交站点部署硬件设备，成本较高。
本公开提供的技术方案旨利用地图用户行为轨迹数据，借助机器学习模型，端到端的预估出用户在一个站点的等车时间。不仅可以降低预估等车时间的成本，还可以提高预估等车时间的准确度，避免用户过长时间的在公交站等待，提高了用户体验。
下面结合具体实施例对本公开提供的技术方案进行说明。
图1是根据本公开实施例的一种等车时间预测方法的流程图，如图1所示，该方法包括以下步骤：
步骤S102，从电子地图中获取特征数据，其中，特征数据包括：当前时刻的时间特征以及目标车站的站点信息，当前时刻为目标对象通过电子地图检索目标车站的时刻。
需要说明的是，上述电子地图为运行在移动终端上的应用软件，通过该电子地图可以进行导航，还可以搜索公交站点或者公交线路等信息。
在一个具体应用场景中，用户(即上述目标对象)需要从车站A乘公交车，因此，用户需要提前知晓在车站A停留的公交车到达车站A所需的时长(即用户的等车时长)，此时用户通过电子地图搜索车站A，处理器获取车站A的站点信息，以及该用户通过电子地图搜索车站A的时间信息。
站点信息包括但不限于经过当前车站的各公交线路的距离，每条公交线路包括的车站数量，当前车站在各公交线路中分别属于第几站等信息。例如，共5条公交线路包括车站A，车站A分别在这5条公交线路中属于第3站、第5站，第8站，第9站及第13站。
步骤S104，依据特征数据确定等车时长，其中，等车时长为从当前时刻起至目标车辆到达目标车站所需的时长。
在本步骤中，利用步骤S102中的获取的车站A的站点信息，以及该用户通过电子地图搜索车站A的时间信息，预测公交车到达车站A所需的时长，并在电子地图中显示该时长。
需要说明的是，由于存在多条公交线路经过车站A，因此，在电子地图中同时显示所有经过车站A的公交线路对应的公交车到达车站A所需的时间。
在一个可选的实施例中，用户还可以对公交线路进行筛选，例如，用户需要从车站A乘车，到车站P下车，用户在电子地图中输入车站A和车站P的名称，可以检索到同时经过车站A和车站P的公交线路，例如通过检索，在上述5条公交线路中同时经过车站A和车站P的公交线路的公交线路只有两条，那么在电子地图中只需要显示同时经过车站A和车站P的这两条公交线路对应的公交车到达车站A所需的时间即可。
通过上述方法，利用地图用户行为轨迹数据，端到端的预估出用户在一个站点的等车时间。不仅可以降低预估等车时间的成本，还可以提高预估等车时间的准确度，避免用户过长时间的在公交站等待，提高了用户的乘车体验。
根据本申请的一个可选的实施例，执行步骤S104依据特征数据确定等车时长，通过以下方法实现：将特征数据输入至预先训练好的机器学习模型进行预测，得到等车时长。
将获取的公交车站的站点信息，以及该用户通过电子地图搜索公交车站的时间信息作为特征数据，输入至训练好的神经网络模型进行预测，得到各线路公交车对应的等车时间。
通过利用地图用户行为轨迹数据，端到端的预估出用户在一个站点的等车时间，可以提高等车时间的预估准确度，降低预估等车时间的成本。
图2是根据本公开实施例的一种等车时间的预测方法的流程图，如图2所示，首先对原始数据进行处理，生成特征库，然后应用具体的推理挖掘策略，估算出用户在各个站点的等车时间。
需要说明的是，上述应用具体的推理策略即利用特征库训练机器学习模型的过程。然后利用训练好的机器学习模型预估出在各个站点的等车时间。
作为一个可选的实施例，机器学习模型通过以下方法训练生成：获取原始数据，其中，原始数据包括：目标对象通过电子地图检索的多个车站及多个车辆行驶线路，以及各车辆行驶线路的信息；对原始数据进行数据处理，得到特征库，其中，特征库包括：定位热度特征、站点转移热度特征、检索热度特征、历史车辆到站特征、车辆行驶线路特征；基于特征库训练机器学习模型。
原始数据包括用户的在电子地图中的定位轨迹(即用户的乘车轨迹数据)，用户检索的公交车站以及公交线路(包括公交车站名称、公交线路名称等)，公交线路基础数据(例如，公交线路的长度、公交线路包括的公交车站数量，每个车站之间的距离等数据)。
然后对原始数据进行处理，在数据处理阶段，按照预先定义好的格式对原始数据进行过滤、变换和特征提取，最终生成特征库。
在一个可选的实施例中，采用数据仓库技术(Extract-Transform-Load，ETL)对原始数据进行处理，ETL用来描述将数据从来源端经过抽取、转换、加载至目的端的过程。
生成的特征库主要包括：定位热度特征，站点转移热度特征，检索(query)热度特征，历史的预估到达时间(Estimated Time of Arrival，ETA)特征，线路基础特征
根据本申请的一个可选的实施例，定位热度特征为各车站以及各车辆行驶线路的查询热度统计值；站点转移热度特征为各车辆行驶线路包括的不同车站之间的转移次数；检索热度特征为各车辆行驶路线被检索的展现量；历史车辆到站特征为各车辆在预设历史时长内的到站信息；车辆行驶线路特征包括各车辆行驶线路包括的车站数量以及各车辆行驶线路的长度。
定位热度特征主要基于用户定位数据，计算出各公交线路，站点附近的定位热度统计值。站点转移热度特征主要是基于用户定位数据，抽取出公交轨迹，并计算对应线路包括的各站点之间的转移次数。检索热度特征主要是基于用户在电子地图上的公交线路检索，统计出各个公交线路被检索展现量。历史的车辆到站特征是指预设历史时长内每个站点的车辆到站情况。车辆行驶线路特征主要包含了线路总站点数，总距离等信息。
通过利用机器学习模型预估用户在各个站点的等车时间，可以提高预估等车时间的准确度，并且可以降低预估等车时间的成本。
在本申请的一些可选的实施例中，机器学习模型为多任务模型，基于特征库训练机器学习模型，通过以下方法实现：将特征库输入至目标神经网络，得到间隔真值，其中，间隔真值为目标车辆与目标对象之间的距离。将时间特征、目标车站的站点信息以及间隔真值进行注意力机制运算，得到等车时长。
图3是根据本公开实施例的一种机器学习模型构建方法的流程图，如图3所示，该机器学习模型为多任务模型，其中，主任务为预测各车站对应的等车时长，辅助任务为预测间隔真值，需要说明的是，该间隔真值实际上为是目标车辆与用户在电子地图中检索的车站之间的距离。
例如，用户预计在车站A乘车，但是用户在到达车站A之前通过电子地图检索目标车辆到达车站A所需的时长，这种情况下，机器学习模型辅助任务预测的结果为目标车辆与车站A之间的距离。如果用户在到达车站A之后通过电子地图检索目标车辆到达车站A所需的时长，这种情况下，机器学习模型辅助任务预测的结果为目标车辆与用户之间的距离(实际上也是目标车辆与车站A之间的距离)。
作为一个可选的实施例，基于双向长短期记忆网络(Long Short-Term Memory，LSTM)的端到端模型，以确定机动性数据(例如地理位置和地图查询数据)与人和公交车的间隔之间的时间依赖关系，这显著提高了人和公交车的间隔估计性能。
LSTM是一种时间循环神经网络，是一种特殊的循环神经网络(Recurrent NeuralNetwork，RNN)，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通RNN，LSTM能够在更长的序列中有更好的表现。
上述内容对机器学习模型中辅助任务的训练过程进行的说明，在主任务的训练过程中，采用attention机制网络结构，将站点信息和时间特征与辅助任务的输出结果(间隔特征)进行编码，分别对复杂的交通因素和公交车停留时间模式进行建模，这明显提高了预测等车时长的准确性。
attention机制，又称为注意力机制，顾名思义，是一种能让模型对重要信息点重点关注并充分学习吸收的技术，它不算一个完整的模型，应当是一种技术，能作用于任何序列模型中。
在本申请的一些可选的实施例中，将时间特征、目标车站的站点信息以及间隔真值进行注意力机制运算之前，将时间特征与目标车站的站点信息分别输入至嵌入层，进行降维运算。
在解释嵌入层(embedding)的作用之前，先解释独热编码(one-hot enco)。假设现在有如下对应编码关系：
0：这
1：是
2：一
3：棵
4：树
那么用来表示一句话，例如，“这是树”表示为：
0,1,4
而独热编码只存在0和1，有多少个字要编码，独热编码的每一行长度就会有多长，比如字典中一共有5个字“这是一棵树”被从0至4进行了编码，那么独热编码的每一行就会有5个用0或者1表示的位置，即使可能要表达的语句只有很短的句子，例如：
[1,0,0,0,0]这—0
[0,1,0,0,0]是—1
[0,0,0,0,1]树—4
在每一句对应的编码位置会被设置成1，其余的地方都是0，也就是说，每一行只会有一个1。
独热编码的优势是，计算方便快捷、表达能力强。因为对于这样的稀疏矩阵，做矩阵计算的时候，只需要把1对应的位置树相乘求和就可以了，但问题也很明显，稀疏矩阵的资源占用较多，尤其体现在长篇文字的处理中。
为解决上述问题，提出了嵌入层(embedding)的概念，嵌入层的原理就是使用矩阵乘法来进行降维，从而达到解决存储空间的目的。
作为一个可选的实施例，对原始数据进行数据处理，还包括：按照预设时间间隔更新原始数据。
在上文中提到，原始数据包括用户的在电子地图中的定位轨迹，用户检索的公交车站以及公交线路，公交线路基础数据。在对原始数据进行处理的过程中，按照预设时长(例如每24小时)进行更新，并存储在数据库中。
通过按时更新用于训练机器学习的原始数据，可以避免公交线路更改或者车站更改，导致用于训练机器学习模型的特征库不准确，进而导致机器学习模型的预测准确度降低的问题。通过该方法，可以实现提高机器学习模型的预测准确度的技术效果。
在本申请的另一些可选的实施例中，将所述特征数据输入至预先训练好的所述机器学习模型进行预测，得到所述目标车辆与所述目标对象之间的距离。
在上文中已经提到，本公开实施例中的机器学习模型为多任务模型，辅助任务用于预测用户与目标车辆之间的距离，通过实时预测用户与目标车辆之间的距离，可以帮助用户更加直观地了解自身与车辆之间的距离。
图4是根据本公开实施例的一种利用机器学习策略预估等车时间的流程图，如图4所示，应用机器学习策略包括模型训练和预测两个部分。首先通过一定的手段收集样本数据，应用一定的神经网络算法，训练生成具体的机器学习模型。然后再将待预测线路的特征数据输入到训练好的机器学习模型中，预测出各站点的等车时间。
预测准确的公交等车时间对于乘客非常重要，同时对于拉升电子地图用户使用频次有积极作用，并且可以降低用户的等车成本，进一步提高出行效率。
图5是根据本公开实施例的一种等车时间的预测方法的流程图，如图5所示，该方法包括以下步骤：
步骤S502，显示电子地图。
需要说明的是，上述电子地图为运行在移动终端上的应用软件，通过该电子地图可以进行导航，还可以搜索公交站点或者公交线路等信息。
步骤S504，接收目标对象通过电子地图检索目标车站的指令。
图6a是根据本公开实施例的一种电子地图的显示界面的示意图，如图6a所示，从电子地图显示界面的检索对话框中可以查找公交车站或者公交线路。
在一个具体应用场景中，用户(即上述目标对象)需要从车站A乘公交车，因此，用户需要提前知晓在车站A停留的公交车到达车站A所需的时长(即用户的等车时长)，此时用户通过电子地图搜索车站A，处理器获取车站A的站点信息，以及该用户通过电子地图搜索车站A的时间信息。
站点信息包括但不限于经过当前车站的各公交线路的距离，每条公交线路包括的车站数量，当前车站在各公交线路中分别属于第几站等信息。例如，共5条公交线路包括车站A，车站A分别在这5条公交线路中属于第3站、第5站，第8站，第9站及第13站。
步骤S506，响应于指令，依据目标对象通过电子地图检索目标车站的当前时刻的时间特征和目标车站的站点信息，确定等车时长，其中，等车时长为从当前时刻起至目标车辆到达目标车站所需的时长。
在本步骤中，利用获取的车站A的站点信息，以及该用户通过电子地图搜索车站A的时间信息，预测公交车到达车站A所需的时长，并在电子地图中显示该时长。
需要说明的是，由于存在多条公交线路经过车站A，因此，在电子地图中同时显示所有经过车站A的公交线路对应的公交车到达车站A所需的时间。
图6b是根据本公开实施例的另一种电子地图的显示界面的示意图，如图6b所示，在电子地图中显示所有经过车站A的公交线路对应的公交车到达车站A所需的时间，例如，经过车站A共有5路公交车，分别为1路、3路、5路、20路和33路，在电子地图中分别显示这五个线路中距离车站A最近的公交车到达车站A的时间信息，例如：1路公交车预计还有5分钟达到车站A；3路公交车预计还有2分钟达到车站A；5路公交车预计还有7分钟达到车站A；20路公交车预计还有5分钟达到车站A；33路公交车预计还有8分钟达到车站A。
在一个可选的实施例中，用户还可以对公交线路进行筛选，例如，用户需要从车站A乘车，到车站P下车，用户在电子地图中输入车站A和车站P的名称，可以检索到同时经过车站A和车站P的公交线路，例如通过检索，在上述5条公交线路中同时经过车站A和车站P的公交线路的公交线路只有两条，那么在电子地图中只需要显示同时经过车站A和车站P的这两条公交线路对应的公交车到达车站A所需的时间即可。
图6c是根据本公开实施例的另一种电子地图的显示界面的示意图，如图6c所示，在电子地图中分别输入车站A和车站P的名字，通过检索后，在电子地图的显示界面中只显示同时经过车站A和车站P的这两条公交线路对应的公交车到达车站A所需的时间，例如只有3路和20路公交车同时经过车站A和车站P，那么在在电子地图中只需要显示3路和20路公交车距离车站A最近的公交车到达车站A的时间信息。
步骤S508，显示等车时长。
通过上述方法，利用地图用户行为轨迹数据，端到端的预估出用户在一个站点的等车时间。不仅可以降低预估等车时间的成本，还可以提高预估等车时间的准确度，避免用户过长时间的在公交站等待，提高了用户的乘车体验。
需要说明的是，图5所示实施例的优选实施方式可以参见图2所示实施例的相关描述，此处不再赘述。
图7是根据本公开实施例的一种机器学习模型的训练方法的流程图，如图7所示，该方法包括以下步骤：
步骤S702，获取原始数据，其中，原始数据至少包括：目标对象通过电子地图检索的多个车站及多个车辆行驶线路，以及各车辆行驶线路的信息。
原始数据包括用户的在电子地图中的定位轨迹(即用户的乘车轨迹数据)，用户检索的公交车站以及公交线路(包括公交车站名称、公交线路名称等)，公交线路基础数据(例如，公交线路的长度、公交线路包括的公交车站数量，每个车站之间的距离等数据)。
步骤S704，对原始数据进行数据处理，得到特征库，其中，特征库至少包括：定位热度特征、站点转移热度特征、检索热度特征、历史车辆到站特征、车辆行驶线路特征。
在本步骤中，对原始数据进行处理，在数据处理阶段，按照预先定义好的格式对原始数据进行过滤、变换和特征提取，最终生成特征库。
在一个可选的实施例中，采用数据仓库技术(Extract-Transform-Load，ETL)对原始数据进行处理，ETL用来描述将数据从来源端经过抽取、转换、加载至目的端的过程。
定位热度特征主要基于用户定位数据，计算出各公交线路，站点附近的定位热度统计值。站点转移热度特征主要是基于用户定位数据，抽取出公交轨迹，并计算对应线路包括的各站点之间的转移次数。检索热度特征主要是基于用户在电子地图上的公交线路检索，统计出各个公交线路被检索展现量。历史的车辆到站特征是指预设历史时长内每个站点的车辆到站情况。车辆行驶线路特征主要包含了线路总站点数，总距离等信息。
步骤S706，基于特征库训练机器学习模型。
需要说明的是，图7所示实施例的优选实施方式可以参见图2所示实施例的相关描述，此处不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，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8是根据本公开实施例的一种等车时间的预测装置的结构框图，如图8所示，该装置包括：
第一获取模块80，设置为从电子地图中获取特征数据，特征数据包括：当前时刻的时间特征以及目标车站的站点信息，其中，当前时刻为目标对象通过电子地图检索目标车站的时刻。
需要说明的是，上述电子地图为运行在移动终端上的应用软件，通过该电子地图可以进行导航，还可以搜索公交站点或者公交线路等信息。
在一个具体应用场景中，用户(即上述目标对象)需要从车站A乘公交车，因此，用户需要提前知晓在车站A停留的公交车到达车站A所需的时长(即用户的等车时长)，此时用户通过电子地图搜索车站A，处理器获取车站A的站点信息，以及该用户通过电子地图搜索车站A的时间信息。
站点信息包括但不限于经过当前车站的各公交线路的距离，每条公交线路包括的车站数量，当前车站在各公交线路中分别属于第几站等信息。例如，共5条公交线路包括车站A，车站A分别在这5条公交线路中属于第3站、第5站，第8站，第9站及第13站。
确定模块82，设置为依据特征数据确定等车时长，其中，等车时长为从当前时刻起至目标车辆到达目标车站所需的时长。
利用获取的车站A的站点信息，以及该用户通过电子地图搜索车站A的时间信息，预测公交车到达车站A所需的时长，并在电子地图中显示该时长。
需要说明的是，由于存在多条公交线路经过车站A，因此，在电子地图中同时显示所有经过车站A的公交线路对应的公交车到达车站A所需的时间。
在一个可选的实施例中，用户还可以对公交线路进行筛选，例如，用户需要从车站A乘车，到车站P下车，用户在电子地图中输入车站A和车站P的名称，可以检索到同时经过车站A和车站P的公交线路，例如通过检索，在上述5条公交线路中同时经过车站A和车站P的公交线路的公交线路只有两条，那么在电子地图中只需要显示同时经过车站A和车站P的这两条公交线路对应的公交车到达车站A所需的时间即可。
需要说明的是，图8所示实施例的优选实施方式可以参见图2所示实施例的相关描述，此处不在赘述。
根据本申请的一个可选的实施例，确定模块82，设置为将特征数据输入至预先训练好的机器学习模型进行预测，得到等车时长；上述装置还包括：第二获取模块，设置为在获取特征数据之前，获取原始数据，其中，原始数据包括：目标对象通过电子地图检索的多个车站及多个车辆行驶线路，以及各车辆行驶线路的信息；处理模块，设置为对原始数据进行数据处理，得到特征库，其中，特征库包括：定位热度特征、站点转移热度特征、检索热度特征、历史车辆到站特征、车辆行驶线路特征；训练模块，设置为基于特征库训练机器学习模型。
根据本申请的另一个可选的实施例，定位热度特征为各车站以及各车辆行驶线路的查询热度统计值；站点转移热度特征为各车辆行驶线路包括的不同车站之间的转移次数；检索热度特征为各车辆行驶路线被检索的展现量；历史车辆到站特征为各车辆在预设历史时长内的到站信息；车辆行驶线路特征包括各车辆行驶线路包括的车站数量以及各车辆行驶线路的长度。
作为本申请的一个可选的实施例，机器学习模型为多任务模型，训练模块，包括：第一处理单元，设置为将特征库输入至目标神经网络，得到间隔真值，其中，间隔真值为目标车辆与目标对象之间的距离；运算单元，设置为将时间特征、目标车站的站点信息以及间隔真值进行注意力机制运算，得到等车时长。
在本申请的一些可选的实施例中，训练模块还包括：第二处理单元，设置为将时间特征、目标车站的站点信息以及间隔真值进行注意力机制运算之前，将时间特征与目标车站的站点信息分别输入至嵌入层，进行降维运算。
在本申请的另一些可选的实施例中，处理模块还设置为按照预设时间间隔更新原始数据。
作为一个可选的实施例，上述装置还包括：预测模块，设置为将特征数据输入至预先训练好的机器学习模型进行预测，得到目标车辆与目标对象之间的距离。
图9示出了可以用来实施本公开实施例的示例电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元909加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如等车时间的预测方法。例如，在一些实施例中，等车时间的预测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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的等车时间的预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行等车时间的预测方法。
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，本发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 (19)
1.一种等车时间的预测方法，包括：
从电子地图中获取特征数据，其中，所述特征数据包括：当前时刻的时间特征以及目标车站的站点信息，所述当前时刻为目标对象通过所述电子地图检索所述目标车站的时刻；
依据所述特征数据确定等车时长，其中，所述等车时长为从所述当前时刻起至目标车辆到达所述目标车站所需的时长。
2.根据权利要求1所述的方法，其中，
所述依据所述特征数据确定等车时长，包括：将所述特征数据输入至预先训练好的机器学习模型进行预测，得到所述等车时长；
所述机器学习模型通过以下方法训练生成：
获取原始数据，其中，所述原始数据包括：所述目标对象通过所述电子地图检索的多个车站及多个车辆行驶线路，以及各所述车辆行驶线路的信息；
对所述原始数据进行数据处理，得到特征库，其中，所述特征库包括：定位热度特征、站点转移热度特征、检索热度特征、历史车辆到站特征、车辆行驶线路特征；
基于所述特征库训练所述机器学习模型。
3.根据权利要求2所述的方法，其中，
所述定位热度特征为各所述车站以及各所述车辆行驶线路的查询热度统计值；
所述站点转移热度特征为各所述车辆行驶线路包括的不同车站之间的转移次数；
所述检索热度特征为各所述车辆行驶路线被检索的展现量；
所述历史车辆到站特征为各所述车辆在预设历史时长内的到站信息；
所述车辆行驶线路特征包括各所述车辆行驶线路包括的车站数量以及各所述车辆行驶线路的长度。
4.根据权利要求2所述的方法，其中，所述机器学习模型为多任务模型，所述基于所述特征库训练所述机器学习模型，包括：
将所述特征库输入至目标神经网络，得到间隔真值，其中，所述间隔真值为所述目标车辆与所述目标对象之间的距离；
将所述时间特征、所述目标车站的站点信息以及所述间隔真值进行注意力机制运算，得到所述等车时长。
5.根据权利要求4所述的方法，其中，所述方法还包括：
将所述时间特征、所述目标车站的站点信息以及所述间隔真值进行注意力机制运算之前，将所述时间特征与所述目标车站的站点信息分别输入至嵌入层，进行降维运算。
6.根据权利要求2所述的方法，其中，所述对所述原始数据进行数据处理，还包括：按照预设时间间隔更新所述原始数据。
7.根据权利要求2所述的方法，其中，所述方法还包括：
将所述特征数据输入至预先训练好的所述机器学习模型进行预测，得到所述目标车辆与所述目标对象之间的距离。
8.一种等车时间的预测方法，包括：
显示电子地图；
接收目标对象通过所述电子地图检索目标车站的指令；
响应于所述指令，依据所述目标对象通过所述电子地图检索所述目标车站的当前时刻的时间特征和所述目标车站的站点信息，确定等车时长，其中，所述等车时长为从所述当前时刻起至目标车辆到达所述目标车站所需的时长；
显示所述等车时长。
9.一种机器学习模型的训练方法，包括：
获取原始数据，其中，所述原始数据至少包括：目标对象通过电子地图检索的多个车站及多个车辆行驶线路，以及各所述车辆行驶线路的信息；
对所述原始数据进行数据处理，得到特征库，其中，所述特征库至少包括：定位热度特征、站点转移热度特征、检索热度特征、历史车辆到站特征、车辆行驶线路特征；
基于所述特征库训练机器学习模型。
10.一种等车时间的预测装置，包括：
第一获取模块，设置为从电子地图中获取特征数据，其中，所述特征数据包括：当前时刻的时间特征以及目标车站的站点信息，所述当前时刻为目标对象通过所述电子地图检索所述目标车站的时刻；
确定模块，设置为依据所述特征数据确定等车时长，其中，所述等车时长为从所述当前时刻起至目标车辆到达所述目标车站所需的时长。
11.根据权利要求10所述的装置，其中，
所述确定模块，设置为将所述特征数据输入至预先训练好的机器学习模型进行预测，得到所述等车时长；
所述装置还包括：
第二获取模块，设置为在获取特征数据之前，获取原始数据，其中，所述原始数据包括：所述目标对象通过所述电子地图检索的多个车站及多个车辆行驶线路，以及各所述车辆行驶线路的信息；
处理模块，设置为对所述原始数据进行数据处理，得到特征库，其中，所述特征库包括：定位热度特征、站点转移热度特征、检索热度特征、历史车辆到站特征、车辆行驶线路特征；
训练模块，设置为基于所述特征库训练所述机器学习模型。
12.根据权利要求11所述的装置，其中，
所述定位热度特征为各所述车站以及各所述车辆行驶线路的查询热度统计值；
所述站点转移热度特征为各所述车辆行驶线路包括的不同车站之间的转移次数；
所述检索热度特征为各所述车辆行驶路线被检索的展现量；
所述历史车辆到站特征为各所述车辆在预设历史时长内的到站信息；
所述车辆行驶线路特征包括各所述车辆行驶线路包括的车站数量以及各所述车辆行驶线路的长度。
13.根据权利要求11所述的装置，其中，所述机器学习模型为多任务模型，所述训练模块，包括：
第一处理单元，设置为将所述特征库输入至目标神经网络，得到间隔真值，其中，所述间隔真值为所述目标车辆与所述目标对象之间的距离；
运算单元，设置为将所述时间特征、所述目标车站的站点信息以及所述间隔真值进行注意力机制运算，得到所述等车时长。
14.根据权利要求13所述的装置，其中，所述训练模块还包括：
第二处理单元，设置为将所述时间特征、所述目标车站的站点信息以及所述间隔真值进行注意力机制运算之前，将所述时间特征与所述目标车站的站点信息分别输入至嵌入层，进行降维运算。
15.根据权利要求11所述的装置，其中，所述处理模块还设置为按照预设时间间隔更新所述原始数据。
16.根据权利要求11所述的装置，其中，所述装置还包括：
预测模块，设置为将所述特征数据输入至预先训练好的所述机器学习模型进行预测，得到所述目标车辆与所述目标对象之间的距离。
17.一种电子设备，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至8中任一项所述的等车时间的预测方法以及权利要求9所述的机器学习模型的训练方法。
18.一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至8中任一项所述的等车时间的预测方法以及权利要求9所述的机器学习模型的训练方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至8中任一项所述的等车时间的预测方法以及权利要求9所述的机器学习模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210422728.8A CN114781719A (zh) | 2022-04-21 | 2022-04-21 | 等车时间的预测方法及装置、机器学习模型的训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210422728.8A CN114781719A (zh) | 2022-04-21 | 2022-04-21 | 等车时间的预测方法及装置、机器学习模型的训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114781719A true CN114781719A (zh) | 2022-07-22 |
Family
ID=82430576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210422728.8A Pending CN114781719A (zh) | 2022-04-21 | 2022-04-21 | 等车时间的预测方法及装置、机器学习模型的训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114781719A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986512A (zh) * | 2018-07-09 | 2018-12-11 | 阿里巴巴集团控股有限公司 | 一种公交车到站时间查询方法及装置 |
| CN109544908A (zh) * | 2018-10-24 | 2019-03-29 | 佛山市慧城信息科技有限公司 | 一种实时预测公交到站时间的方法、电子设备及存储介质 |
| CN111554118A (zh) * | 2020-04-24 | 2020-08-18 | 深圳职业技术学院 | 一种公交车到站时间的动态预测方法及系统 |
| WO2020220750A1 (zh) * | 2019-04-29 | 2020-11-05 | 创新先进技术有限公司 | 车辆调度策略确定方法和装置 |
| KR102194962B1 (ko) * | 2020-05-20 | 2020-12-24 | 주식회사 네이처모빌리티 | 빅데이터 기반 택시수요예측을 이용한 ａｉ 자동배차 매칭 서비스 제공 시스템 |
| CN112509317A (zh) * | 2020-11-09 | 2021-03-16 | 广州交信投科技股份有限公司 | 基于机器学习算法的公交实时到站预测方法、装置和设备 |
-
2022
- 2022-04-21 CN CN202210422728.8A patent/CN114781719A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986512A (zh) * | 2018-07-09 | 2018-12-11 | 阿里巴巴集团控股有限公司 | 一种公交车到站时间查询方法及装置 |
| CN109544908A (zh) * | 2018-10-24 | 2019-03-29 | 佛山市慧城信息科技有限公司 | 一种实时预测公交到站时间的方法、电子设备及存储介质 |
| WO2020220750A1 (zh) * | 2019-04-29 | 2020-11-05 | 创新先进技术有限公司 | 车辆调度策略确定方法和装置 |
| CN111554118A (zh) * | 2020-04-24 | 2020-08-18 | 深圳职业技术学院 | 一种公交车到站时间的动态预测方法及系统 |
| KR102194962B1 (ko) * | 2020-05-20 | 2020-12-24 | 주식회사 네이처모빌리티 | 빅데이터 기반 택시수요예측을 이용한 ａｉ 자동배차 매칭 서비스 제공 시스템 |
| CN112509317A (zh) * | 2020-11-09 | 2021-03-16 | 广州交信投科技股份有限公司 | 基于机器学习算法的公交实时到站预测方法、装置和设备 |
Non-Patent Citations (2)
| Title |
|---|
| 李少伟;曹成涛;杨骥;: "基于GPS轨迹数据的公交到站时间预测方法研究", 软件工程, no. 04, 5 April 2017 (2017-04-05) * |
| 谢炜;: "基于BP神经网络的公交车到站时间预测", 中国石油大学胜利学院学报, no. 04, 15 December 2016 (2016-12-15), pages 38 - 40 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
| US20150347568A1 (en) | Processing time series | |
| CN109781132B (zh) | 一种经验路线替换方法、装置、电子设备及存储介质 | |
| CN113361578A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
| CN104599002B (zh) | 预测订单价值的方法及设备 | |
| CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
| EP4040421B1 (en) | Method and apparatus for predicting traffic data and electronic device | |
| CN112269930A (zh) | 建立区域热度预测模型、区域热度预测的方法及装置 | |
| CN114771572A (zh) | 一种自动驾驶轨迹预测方法、装置、设备和存储介质 | |
| CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
| CN115410410A (zh) | 车位推荐方法、装置、设备以及存储介质 | |
| CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
| CN113901341A (zh) | 导航信息提示方法、装置、介质及程序产品 | |
| CN113326449A (zh) | 预测交通流量的方法、装置、电子设备和介质 | |
| CN114781719A (zh) | 等车时间的预测方法及装置、机器学习模型的训练方法 | |
| CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
| CN112686457B (zh) | 路线到达时间预估方法及装置、电子设备、存储介质 | |
| CN113257030B (zh) | 停车场属性预测模型训练方法、停车场推荐方法及装置 | |
| CN115168527A (zh) | 实时轨迹数据处理方法、装置、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 | |
| CN114674327A (zh) | 行驶轨迹的推送方法、装置、电子设备和导航设备 | |
| CN113847923A (zh) | 预估到达时间的计算方法、装置、电子设备和可读存储介质 | |
| CN113051490A (zh) | 新增兴趣点预测模型训练、新增兴趣点预测方法及装置 | |
| CN114970949B (zh) | 行驶速度预测方法、装置、电子设备及存储介质 | |
| CN113902002B (zh) | 用于训练站点出入口确定模型的方法和装置 |
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 |