CN114881315A - 行程到达时间确定方法、装置、电子设备和存储介质 - Google Patents
行程到达时间确定方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114881315A CN114881315A CN202210454855.6A CN202210454855A CN114881315A CN 114881315 A CN114881315 A CN 114881315A CN 202210454855 A CN202210454855 A CN 202210454855A CN 114881315 A CN114881315 A CN 114881315A
- Authority
- CN
- China
- Prior art keywords
- route
- network
- target
- initial
- prediction
- 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
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Navigation (AREA)
Abstract
本申请提供了一种行程到达时间确定方法、装置、电子设备和存储介质,涉及人工智能技术领域,可以应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景,方法包括根据多维特征信息生成待预估行程路线的路段特征序列;然后;基于目标特征生成网络对路段特征序列进行特征提取,得到待预估行程路线的目标路线特征;基于目标时间预测网络对目标路线特征进行回归预测处理,得到待预估行程路线的预估到达时间;目标特征生成网络和目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间,对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的。本申请能够有效提高预估准确率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种行程到达时间确定方法、装置、电子设备和存储介质。
背景技术
行程到达时间预估是地图应用的基础功能之一,在诸多场景中起到至关重要的作用,例如路线导航和运营订单分配等,现有的到达时间预估方法主要包括基于规则的逐路段累加方法和基于树模型的方法等。其中,基于规则的逐路段累加方法依赖人工经验制定预估规则,主观依赖性强,且在复杂路况下,人为设定的规则场景覆盖率低,时间预估准确性差;而基于树模型的方法是近年来兴起的一种到达时间预估方法,其提取出整条路线的特征,将该特征输入到基于树模型的机器学习算法中,进行训练,如梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法,但该方法仅考虑整体特征,在复杂路况和特殊时段场景下,预测误差大。
发明内容
本申请提供了一种行程到达时间确定方法、装置、电子设备和存储介质,适用于各种路况和时段,可以显著提高行程到达时间确定的准确率和可靠性。
一方面,本申请提供了一种行程到达时间确定方法,所述方法包括:
获取待预估行程路线中途经路段的多维特征信息;
根据所述多维特征信息生成所述待预估行程路线的路段特征序列;
基于目标特征生成网络对所述路段特征序列进行特征提取,得到所述待预估行程路线的目标路线特征;
基于目标时间预测网络对所述目标路线特征进行回归预测处理,得到所述待预估行程路线的预估到达时间;
其中,所述目标特征生成网络和所述目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间,对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的。
另一方面提供了一种行程到达时间确定装置,所述装置包括:
多维特征获取模块:用于获取待预估行程路线中途经路段的多维特征信息;
路段特征生成模块:用于根据所述多维特征信息生成所述待预估行程路线的路段特征序列;
路线特征提取模块:用于基于目标特征生成网络对所述路段特征序列进行特征提取,得到所述待预估行程路线的目标路线特征;
回归预测模块:用于基于目标时间预测网络对所述目标路线特征进行回归预测处理,得到所述待预估行程路线的预估到达时间;
其中,所述目标特征生成网络和所述目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间,对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的。
另一方面提供了一种计算机设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的行程到达时间确定方法。
另一方面提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的行程到达时间确定方法。
另一方面提供了一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的行程到达时间确定方法。
另一方面提供了一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的行程到达时间确定方法。
另一方面提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令被处理器执行时实现如上述的行程到达时间确定方法。
本申请提供的行程到达时间确定方法、装置、设备、存储介质、服务器、终端、计算机程序和计算机程序产品,具有如下技术效果:
本申请通过获取待预估行程路线中途经路段的多维特征信息,根据多维特征信息生成待预估行程路线的路段特征序列;然后,基于目标特征生成网络对路段特征序列进行特征提取,得到待预估行程路线的目标路线特征;进而基于目标时间预测网络对目标路线特征进行回归预测处理,得到待预估行程路线的预估到达时间;基于路线中各途经路段的多维特征信息生成路线整体的路段特征序列,联合目标特征生成网络和目标时间预测网络对路段特征序列进行时间预测,显著提高预测准确率。并且,目标特征生成网络和目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间,对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的;如此,利用对抗训练的方式,辅助优化特征提取过程,并结合历史行程的实际到达时间和目标对象经过各途经路段所生成的统计信息作为训练的监督信息,提高网络模型的模型效果和准确度,进而提高预估到达时间的预测准确率和可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本申请实施例提供的一种应用环境的示意图;
图2是本申请实施例提供的一种行程到达时间确定方法的流程示意图;
图3是本申请实施例提供的另一种行程到达时间确定方法的流程示意图;
图4是本申请实施例提供的另一种网络训练的原理示意图;
图5是本申请实施例提供的另一种行程到达时间确定方法的流程示意图;
图6是本申请实施例提供的另一种行程到达时间确定方法的流程示意图;
图7是本申请实施例提供的另一种行程到达时间确定方法的流程示意图;
图8是本申请实施例提供一种行程到达时间确定装置的框架示意图;
图9是本申请实施例提供的一种行程到达时间确定方法的电子设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或子模块的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或子模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或子模块。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
预估到达时间(Estimated Time of Arrival,ETA):是地图软件中的时间预估功能,具体是:给定地图上的一条路线和出发时间,预估出走完这条路线所需要的时间。
实际到达时间(Actual Time of Arrival,ATA):是地图服务的历史数据中,一条路线的实际耗时。
路线:在地图应用中,路线是一条完整的连接起终点的线路,实际场景中,通常一条路线的长度在一公里到几十公里的范围内。
路段(link):在地图应用中,路线是用路段(link)的序列来表达的。在地图数据中,道路被划分为多段相连的线段,这些线段的长度在几十米到几公里不等,每个线段称为一个路段,并被赋予一个全局唯一的id。因此,地图中的一条路线,就是这条路线中所有路段组成的序列。
神经网络:神经网络是一个具有相连节点层的计算模型,其分层结构与大脑中的神经元网络结构相似。神经网络可通过数据进行学习,以训练其识别模式、对数据分类和预测未来事件。
生成对抗网络:一种新型的神经网络,其原始场景为自动生成高度逼真的图片。它由两部分组成:生成网络和判别网络。生成网络的目标是产生一张以假乱真的图片,判别网络的目标是通过与真实图片进行比对,鉴别出这张图片是否为真实图片。经过对抗训练,生成网络所生成的图片逐渐逼近真实图片,达到以假乱真的程度。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
近年来,随着人工智能技术研究和进步,人工智能技术在多个领域得到广泛应用,本申请实施例提供的方案涉及人工智能的机器学习/深度学习和自然语言处理等技术,具体通过如下实施例进行说明。
请参阅图1,图1是本申请实施例提供的一种应用环境的示意图,如图1所示,该应用环境可以至少包括终端01和服务器02。在实际应用中,终端01和服务器02可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
本申请实施例中的服务器02可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
具体地,云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术能够应用于各种领域,如医疗云、云物联、云安全、云教育、云会议、人工智能云服务、云应用、云呼叫和云社交等,云技术基于云计算(cloud computing)商业模式应用,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”,“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。作为云计算的基础能力提供商,会建立云计算资源池(简称云平台,一般称为IaaS(Infrastructure as a Service,基础设施即服务))平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备、网络设备。
按照逻辑功能划分,在IaaS层上可以部署PaaS(Platform as a Service,平台即服务)层,PaaS层之上再部署SaaS(Software as a Service,软件即服务) 层,也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台,如数据库、 web容器等。SaaS为各式各样的业务软件,如web门户网站、短信群发器等。一般来说,SaaS和PaaS相对于IaaS是上层。
具体地,上述涉及的服务器02可以包括实体设备,可以具体包括有网络通信子模块、处理器和存储器等等,也可以包括运行于实体设备中的软体,可以具体包括有应用程序等。
具体地,终端01可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、智能语音交互设备、智能家电、智能可穿戴设备、车载终端设备等类型的实体设备,也可以包括运行于实体设备中的软体,例如应用程序等。
本申请实施例中,终端01可以用于向服务器02发送行程到达时间预估请求,以使服务器02执行对应的行程到达时间确定操作。服务器02可以用于提供行程到达时间确定服务,获取待预估行程路线中各途经路段的多维特征信息,以生成路段特征序列,并对路段特征序列进行特征提取和进一步的回归预测,以得到预估到达时间。可以理解的,终端01也可以用于提供行程到达时间确定服务,得到预估到达时间。具体的,服务器02还可以用于提供目标特征生成网络和目标时间预测网络的网络训练服务,以及还可以用于存储训练数据集和路段的多维特征信息等。
此外,可以理解的是,图1所示的仅仅是一种行程到达时间确定方法的应用环境,该应用环境可以包括更多或更少的节点,本申请在此不做限制。
本申请实施例涉及的应用环境,或应用环境中的终端01和服务器02等可以是由客户端、多个节点(接入网络中的任意形式的计算设备,如服务器、用户终端)通过网络通信的形式连接形成的分布式系统。分布式系统可以为区块链系统,该区块链系统可以提供上述的行程到达时间确定服务和数据存储服务等。
以下基于上述应用环境介绍本申请的一种行程到达时间确定方法,本申请实施例可应用于各种场景,包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。请参考图2,图2是本申请实施例提供的一种行程到达时间确定方法的流程示意图,本说明书提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体地,如图2所示,方法可以包括下述步骤S201-S207。
S201:获取待预估行程路线中途经路段的多维特征信息。
本申请实施例中,待预估行程路线可以是算路模块响应于行程路线请求,基于行程信息进行路线运算得到的,行程信息包括但不限于行程起点、行程终点、行程请求时刻和行程出发时刻等,行程请求时刻为行程路线请求发起的时刻,行程出发时刻为目标对象从行程起点出发的时刻。例如在导航场景中,发起导航请求后,较短的时间内即刻出发,此时行程请求时刻基本等于行程出发时刻,若导航请求的是未来时间,例如周一上午8点请求周一上午10点的未来用时,则8点为请求时刻,10点为出发时刻。其中,目标对象可以为机动车辆、非机动车辆或行人等。
具体的,算路模块还可以响应于到达时间预估请求进行行程路线的路段划分,进而提供行程路线中各路段的路段标识,通常为一串路段标识序列。相应的,获取待预估行程路线对应的路段标识序列和目标行程时刻,路段标识序列包括待预估行程路线中各途经路段的路段标识,每一途经路段的路段标识为全局唯一标识,即路段标识序列为基于位序对待预估行程路线中各个途经路段的路段标识进行排列所形成的序列,目标行程时刻为前述的行程请求时刻或行程出发时刻。
进而,基于路段标识序列和目标行程时刻,从路网信息和行驶数据中获取各途经路段各自的多维特征信息,其中,路网信息包括但不限于途经路段的基础属性特征信息和路况信息,基础属性特征信息可以包括但不限于link里程、道路等级、幅宽和是否有红绿灯等,其中幅宽是指道路宽度或行车宽度,是否有红绿灯基于标识码表征,如有红绿灯为1,无红绿灯为0;路况信息与时刻关联,包括但不限于途经路段在各时刻的路况状态、实时速度和实时车流量等,路况状态可以例如包括拥堵程度或天气状态等,实时速度可以表征该时刻的实时行进速度。其中,行驶数据与时刻关联,包括途经路段的速度特征信息,速度特征信息可以包括但不限于历史经典速度和历史经典速度的标准差等。
具体的,上述速度特征信息可以基于历史行程路线的历史轨迹信息得到,该历史轨迹信息包括但不限于历史行程路线的历史出发时刻、历史路段标识序列、途经路段在各历史时刻的行驶速度信息、目标对象到达各途经路段的历史途经时刻和历史行程路线的实际到达时间等。相应的,历史经典速度是根据多个目标对象的历史轨迹信息,如后台所有目标对象的历史轨迹信息,对每个link 挖掘出的速度。例如,以一星期为周期,以5min为粒度,挖掘出每个link的 7*24*12=2016个速度值,代表从周一到周日每5分钟的行驶速度,上述挖掘可以例如为对每5min进行速度统计等。其中,途经时刻为目标对象实际行驶到某途经路段时的时刻,例如行程出发时刻为10点,10点半到达途中的第100个途经路段,第100个途经路段的途径时刻即为10点半。
一些实施例中,每一途经路段的多维特征信息可以包括上述各种基础属性特征信息、目标行程时刻对应的第一预设时段内的路况信息和目标行程时刻对应的第二预设时段内的速度特征信息。一个示例中,第一预设时段为行程出发时刻-30min至行程出发时刻,第二预设时段为行程出发时刻±30min,相应的,多维特征信息包括link里程、道路等级、幅宽和是否有红绿灯等基础属性特征,行程出发时刻t0-30min到t0时段内,以5min为粒度,该途经路段的6个时刻的路况状态、实时速度和实时车流量等路况信息,行程出发时刻t0-30min到 t0+30min时段内,以5min为粒度,该途经路段的12个历史途经时刻的历史经典速度和历史经典速度的标准差等行驶数据。这里的历史途经时刻可以与目标行程时刻相匹配,可以为前一天中与目标行程时刻对应的时刻,或上周与目标行程时刻对应的时刻,如目标行程时刻为周二上午9点,历史途经时刻可以为前一天上午9点,或者上周二上午9点。需要说明的是,在预估到达时间预测场景下,无法知晓未来历经每一途经路段的途经时刻,因此使用目标行程时刻提取路况信息和速度特征信息,而不是途经时刻进行信息提取,则目标行程时刻对应的第一预设时段的路况信息,是基于当前多个其它目标对象在该第一预设时段内的实时数据确定的,或者是路网平台在该时段内实时发布的。
可以理解的,上述路网信息和行驶数据可以包括更多种与路网、行驶和到达时间预估相关的信息,相应的,多维特征信息也可以包括更多维度的与到达时间预估相关的信息,第一预设时段和第二预设时段可以基于实际需求设定,如基于算力和时效需求设定,本申请在此不做枚举。
S203:根据多维特征信息生成待预估行程路线的路段特征序列。
本申请实施例中,对各途经路段中每一途径路段的多维特征信息进行特征编码处理,得到各途经路段各自的路段向量,并基于路段标识序列对各路段向量进行特征拼接处理,得到路段特征序列。
具体的,针对每一途经路段,可以基于多维特征信息得到一个K维的路段向量,K表征多维特征信息的维度,即多维特征信息中包括的信息数量,在前述示例中,K可以为46维。然后将待预估行驶路线中的各个途经路段的K维路段向量在另一方向上进行拼接,构成长为M的路段特征序列,M为待预估行驶路线中途经路段的总数量,即路段特征序列为M*K的特征矩阵。
S205:基于目标特征生成网络对路段特征序列进行特征提取,得到待预估行程路线的目标路线特征。
本申请实施例中,将路段特征序列输入目标特征生成网络,以进行特征提取,得到目标路线特征,该目标特征生成网络可以基于卷积神经网络或循环神经网络等构建。
S207:基于目标时间预测网络对目标路线特征进行回归预测处理,得到待预估行程路线的预估到达时间。
本申请实施例中,以目标特征生成网络输出的目标路线特征作为目标时间预测网络的输入,以进行回归预测,得到预估到达时间,该目标时间预测网络可以基于全连接神经网络、因子分解机网络或编码器(transformer)等构建。如此,基于路线中各途经路段的多维特征信息生成路线整体的路段特征序列,联合目标特征生成网络和目标时间预测网络对路段特征序列进行时间预测,显著提高预测准确率。
实际应用中,在得到预估到达时间后,可以获取到达时间预估请求的请求对象的历史行程信息,其中,请求对象可以为终端标识或账户标识等;基于待预估行程路线的行程起点和行程终点和行程时刻等信息,筛选出与待预估行程路线匹配的至少一个参考历史行程,参考历史行程为与待预估行程路线具有相同行程起点和行程终点,且行程时刻间的时间差在预设范围内的历史行程;获取至少一个参考历史行程的实际到达时间,根据至少一个参考历史行程的实际到达时间对预估到达时间进行修正,得到修正的预估到达时间。
实际应用中,预估到达时间可以作为基础信息应用于多种场景,供上游服务使用,以评估路线质量,包括但不限于:在导航场景中,行程起点和行程终点确定后,后台提供若干候选路线,然后利用上述预估时间确定方法得到每条候选路线的预估到达时间,然后从中筛选最优路线作为目标路线;进入导航过程中,每隔一定时间,利用上述方法,以实时行程起点计算路线中剩余路程的时间,以便于剩余时间包括和行程安排;外卖派送或营运车场景下,可以计算各条路线的预估到达时间,从而优化派单质量,降低空驶或等待时间,提高送货或客运效率。
此外,在区域搜索场景中,可以基于预估达到时间确定某一地点对应的等时区域。相应的,在S201之前,方法还包括:获取目标位置和目标位置周边的多个候选位置;分别确定目标位置与多个候选位置间的待预估行程路线。
具体的,候选位置位于目标位置周边预设区域范围内,该预设区域范围可以为以目标位置为中心,预设半径范围内的区域,如预设半径可以为20km等,预设区域范围可以基于预设时长条件按需设定。候选位置可以为预先标记的兴趣点(POI)或关键路段的位置。以目标位置为行程起点,以候选位置为行程终点,可以确定出目标位置和每一候选位置间的至少一条待预估行程路线。
进一步的,在S207之后,方法还可以包括:根据所述预估到达时间从多个所述候选位置中筛选出满足预设时长条件的目标候选位置;基于目标候选位置确定目标位置对应的目标区域;在预设地图界面上展示所述目标区域对应的区域标记。
具体的,满足预设时长条件可以为预估到达时间小于等于预设时间阈值,或者,可以为预估达到时间在预设时长范围内;示例性的,预设时间阈值可以为120min,60min或30min等,或预设时长范围可以为120±10min,60±5min,或30±5min等。
具体的,目标区域可以为以目标位置为行程起点的等时可达区域,例如半小时可达圈或一小时可达圈等,目标候选位置位于目标区域的区域边界上。基于确定出的多个预估达到时间一致或相近的目标候选位置,进而划定出等时可达区域,进而通过区域标记在预设地图界面上标记目标区域。区域标记可以包括以预设颜色展示目标区域,还可以包括目标候选位置的位置标签,一些情况下,还可以包括目标区域内其它候选位置的位置标签。在预设地图界面的位置标签处可以设置查询控件,响应于查询控件的触发操作,展示相应候选位置的行程参考信息,行程参考信息包括但不限于位置标识和预估到达时间等。如此,通过预估到达时间确定搜索位置的等时可达圈,以便展示搜索位置的辐射区域,优化用户体验。
本申请实施例中,目标特征生成网络和目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间,对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的。如此,利用对抗训练的方式,辅助优化特征提取过程,并结合历史行程的实际到达时间和目标对象经过各途经路段所生成的统计信息作为训练的监督信息,提高网络模型的模型效果和准确度,进而提高预估到达时间的预测准确率和可靠性。
实际应用中,与前述路段特征序列相类似的,历史路段特征序列是基于历史行程路线中各途经路段的多维历史特征信息得到的,包括:获取历史行程路线对应的历史路段标识序列和历史行程时刻,基于历史路段标识序列和历史行程时刻,从路网信息和行驶数据中获取各途经路段各自的多维历史特征信息。
具体的,历史路段标识序列和历史行程时刻,分别与前述的途经路段、路段标识序列和行程时刻相类似,在此不再赘述,历史行程时刻包括历史请求时刻和历史出发时刻。每一历史途经路段的多维历史特征信息可以包括前述的各种基础属性特征信息、历史行程时刻对应的第一预设时段的内的历史路况信息和历史行程时刻对应的第二预设时段内的速度特征信息。
实际应用场景中,当前待预估行程路线对应的路况信息是后台在目标行程时刻获取的实时路况信息,而无法获知目标对象未来的途经时刻的实时路况;历史行程路线对应的路况信息是基于历史轨迹信息获取到的历史途经时刻的历史实时路况。相应的,一个示例中,多维历史特征信息包括link里程、道路等级、幅宽和是否有红绿灯等基础属性特征,历史出发时刻tx-30min到tx时段内,以5min为粒度,该途经路段的6个时刻的历史路况状态、历史实时速度和历史实时车流量等历史路况信息,历史出发时刻tx-30min到tx+30min时段内,以5min 为粒度,该途经路段的12个历史途经时刻的历史经典速度和历史经典速度的标准差等行驶数据。这里的历史途经时刻为历史行程路线对应的目标对象,在经过该途经路段的实际时刻。
进一步地,对历史行程路线中每一途经路段多维特征信息进行特征编码处理,得到各途经路段各自的历史路段向量,并基于历史路段标识序列对各历史路段向量进行特征拼接处理,得到历史路段特征序列。历史路段特征序列和历史行程路线的实际到达时间构成一条第一训练样本二元组。
相应的,请参考图3和图4,目标特征生成网络和目标时间预测网络采用下述方式获得。
S301:根据多维路线统计信息生成历史行程路线的路线统计特征。
实际应用中,多维路线统计信息包括历史行程路线的整体统计信息和路段统计信息。整体统计信息可以包括但不限于全程总里程、全程高速道路占比、全称红绿灯数量和全程拥堵耗时等,每一途经路段的路段统计信息包括但不限于路段得平均历史实时速度和平均历史经典速度等。
一种情况下,平均历史实时速度为单个途经路段的整体平均速度,可以是对该途经路段在历史途经时刻对应的第一预设时段内,各历史时刻的历史实时速度进行平均处理得到的,或者是对该途经路段在历史途经时刻对应的第一预设时段内间隔采样,得到多个历史实时速度,进而对多个历史实时速度进行平均处理得到的。另一些情况下,平均历史实时速度包括单个途经路段中多个时刻的历史平均速度,如以历史途经时刻tlink-30min到tlink时段内,以5min为粒度,对每5min的历史实时速度进行平均处理,得到该途经路段的6个历史时刻的历史平均速度。上述平均处理可以是算数平均,也可以是调和平均。
相类似的,一种情况下,平均历史经典速度为单个途经路段的整体历史经典速度,可以是对该途经路段在历史途经时刻对应的第二预设时段内,各历史时刻的经典速度进行平均处理得到的,或者,平均历史经典速度可以是对该途经路段在历史途经时刻对应的第二预设时段内间隔采样,得到多个历史经典速度,进而对多个历史经典速度进行平均处理得到的;另一些情况下,平均历史经典速度包括单个途经路段中多个时刻的平均经典速度,如以历史途经时刻 tlink-30min到tlink+30min时段内,以5min为粒度,对每5min的历史经典速度进行平均处理,得到该途经路段的12个历史时刻的平均经典速度。上述平均处理可以是算数平均,也可以是调和平均。
需要说明的是,上述路段统计信息均为基于目标对象经过该途经路段的历史途经时刻tlink,所对应的数据生成的,而不是历史出发时刻tx对应的数据。
可以理解的,上述多维路线统计信息可以包括更多和到达时间预估相关的信息,不限于从link级特征提取,如全程拥堵耗时和全程高速耗时等,本申请在此不做枚举。
在一些实施例中,可以对多维路线统计信息进行特征编码处理,得到路线统计特征,该路线统计特征为L维向量,L为多维路线统计信息中的信息维度。
在另一些实施例中,路线统计特征的生成方式可以包括:对多维路线统计信息进行特征编码处理,得到历史行程路线的初始统计特征。对初始统计特征进行特征映射处理,得到路线统计特征。具体的,初始统计特征为L维向量,特征映射处理后,将初始统计特征的维度变换为N维,一些情况下,N可以小于等于L,也可以大于等于L;另一些情况下,N可以与历史路线特征的维度相同,即路线统计特征与历史路线特征的特征空间相同,如此,统一路线统计特征与历史路线特征的维度,优化网络效果。
具体的,可以基于特征映射网络对初始统计特征进行特征映射处理,该基于特征映射网络可以为全连接神经网络。如此,通过对初始统计特征进行特征映射,即使增加多维路线统计信息的信息种类和维度,也不会改变路线统计特征的维度,进而确保后续初始判别网络的输入为定长特征,便于数据扩展和网络更新训练,提高系统的可扩展性。一些实施例中,路线统计特征可以结合历史数据和人工经验提取,也可以是由路网平台和行驶数据平台提供,路线统计特征可以为真值向量。
S303:基于初始生成网络对历史路段特征序列进行特征提取,得到历史路线特征。
实际应用中,初始生成网将不定长特征提取为定长特征,可以基于卷积神经网络、循环神经网络或编码器等构建,如BERT等,将历史路段特征序列输入初始生成网络,以进行特征提取,得到历史路线特征。
S305:以历史路线特征、路线统计特征和实际到达时间作为初始判别网络的输入,得到第一判别概率和第二判别概率,第一判别概率表征实际到达时间与历史路线特征间的匹配度,第二判别概率表征实际到达时间与路线统计特征间的匹配度。
实际应用中,历史路线特征和实际到达时间形成第一样本对,路线统计特征和实际到达形成作为第二样本对,以第一样本对和第二样本对作为初始判别网络的输入,以得到第一样本对的第一判别概率和第二样本对的第二判别概率,进而进行对抗生成训练。
S307:基于初始预测网络对历史路线特征进行回归预测处理,得到参考到达时间。
实际应用中,将历史路线特征输入初始预测网络,以进行回归预测,所输出的结果为历史行程路线的参考到达时间,参考到达时间为初始预测网络预测的预估到达时间。
S309:根据第一判别概率、第二判别概率、参考到达时间和实际到达时间进行损失计算,得到生成损失、判别损失和预测损失。
实际应用中,请参考图5,S309可以包括下述步骤S3091-S3093。
S3091:根据第一判别概率和第二判别概率进行损失计算,得到判别损失。
S3092:根据参考到达时间和实际到达时间之间的偏差进行损失计算,得到预测损失。
S3093:根据第一判别概率和预测损失进行损失计算,得到生成损失。
具体的,判别损失表征初始判别网络的损失,预测损失表征初始预测网络的损失,生成损失表征初始生成网络的损失。
一个实施例中,训练初始生成网络G、和初始预测网络C的损失函数分别由下述公式所示。其中,L(D)为初始判别网络D的损失函数,L(G)为初始生成网络G的损失函数,L(C)为初始预测网络C的损失函数,F表征训练样本集中历史行程路线的数量,训练样本集中包括多个历史行程路线对应的历史路段特征序列、实际到达时间和路段统计特征,real表示路线统计特征,ATA表征实际到达时间,x表征历史路线特征序列,D(G(x),ATA)表征第一判别概率, D(real,ATA)表征第二判别概率,(G(x))表征参考到达时间。
具体的,loss(C(G(x)),ATA)表征参考到达时间ETAr和ATA之间的偏差,可以基于平方损失或绝对值损失等方式自己算,如下述公式所示。
Loss=-(ETAr-ATA)2
Loss=-|ETAr-ATA|
需要说明的是,ETAr和ATA之间的偏差不限于上述计算方式,可采用其它方式进行损失计算,本申请在此不做枚举。
S311:基于生成损失、判别损失和预测损失,对初始生成网络、初始判别网络和初始预测网络进行迭代训练,至满足预设收敛条件,得到目标特征生成网络和目标时间预测网络。
一些实施例中,请参考图6,S311可以包括下述步骤S3111-S3113。
S3111:固定初始生成网络和初始预测网络的模型参数,基于判别损失对初始判别网络进行第一训练,以更新初始判别网络的模型参数。
S3112:固定更新的判别网络的模型参数,基于生成损失和预测损失对初始生成网络和初始预测网络进行第二训练,以更新初始生成网络和初始预测网络的模型参数。
S3113:交替执行上述第一训练和第二训练的步骤,至满足预设收敛条件,得到目标特征生成网络和目标时间预测网络。
实际应用中,训练过程可以具体包括:初始化D,G和C网络,固定G和C网络,利用上述公式L(D)训练D网络,即更新D网络的模型参数,至达到第一预设迭代次数或D网络的判别损失满足预设损失条件;然后,固定D网络,使用公式L(G)和L(C)训练G和C网络,至达到第二预设迭代次数,或G和C网络的生成损失和预测损失满足预设损失条件,交替执行上述训练D网络(第一训练),以及训练G和C网络(第二训练)的步骤,至交替执行次数到达预设交替次数,或预测损失、生成损失和判别损失均满足对应的预设收敛条件。
另一些实施例中,请参考图7,S311可以包括下述步骤S3114-S3115。
S3114:基于生成损失、判别损失和预测损失确定总损失。
S3115:基于总损失对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的联合训练,得到目标特征生成网络和目标时间预测网络。
具体的,可以对生成损失、判别损失和预测损失进行加权求和处理,得到总损失,进而基于总损失调整初始生成网络、初始判别网络和初始预测网络的模型参数,得到更新的初始生成网络、初始判别网络和初始预测网络,重复上述过程至满足预设收敛条件,如总损失满足预设总损失条件或迭代次数达到预设次数。
综上,本申请的技术方案充分利用了历史行程路线的多维统计信息和各途经路段中历史途经时刻的不定长多维统计信息,作为训练的监督信息,利用对抗训练的方式,辅助优化特征提取过程,从而提升了特征提取的准确性,进而显著提高模型效果和预测准确度,避免仅用实际到达时间作为监督信息导致的训练难度和精度提升瓶颈,并且结合人工经验和人工智能算法,增强了模型的可解释性和精度。
本申请实施例还提供了一种行程到达时间确定装置600,如图8所示,示出了本申请实施例提供的一种行程到达时间确定装置的结构示意图,装置可以包括下述模块。
多维特征获取模块10:用于获取待预估行程路线中途经路段的多维特征信息;
路段特征生成模块20:用于根据多维特征信息生成待预估行程路线的路段特征序列;
路线特征提取模块30:用于基于目标特征生成网络对路段特征序列进行特征提取,得到待预估行程路线的目标路线特征;
回归预测模块40:用于基于目标时间预测网络对目标路线特征进行回归预测处理,得到待预估行程路线的预估到达时间;
其中,目标特征生成网络和目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间,对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的。
一些实施例中,装置还可以包括:
统计特征生成模块:用于根据多维路线统计信息生成历史行程路线的路线统计特征;
历史特征提取模块:用于基于初始生成网络对历史路段特征序列进行特征提取,得到历史路线特征;
判别网络模块:用于以历史路线特征、路线统计特征和实际到达时间作为初始判别网络的输入,得到第一判别概率和第二判别概率,第一判别概率表征实际到达时间与历史路线特征间的匹配度,第二判别概率表征实际到达时间与路线统计特征间的匹配度;
预测网络模块:用于基于初始预测网络对历史路线特征进行回归预测处理,得到参考到达时间;
损失计算模块:用于根据第一判别概率、第二判别概率、参考到达时间和实际到达时间进行损失计算,得到生成损失、判别损失和预测损失;
迭代训练模块:用于基于生成损失、判别损失和预测损失,对初始生成网络、初始判别网络和初始预测网络进行迭代训练,至满足预设收敛条件,得到目标特征生成网络和目标时间预测网络。
一些实施例中,迭代训练模块可以包括:
第一训练子模块:用于固定初始生成网络和初始预测网络的模型参数,基于判别损失对初始判别网络进行第一训练,以更新初始判别网络的模型参数;
第二训练子模块:用于固定更新的判别网络的模型参数,基于生成损失和预测损失对初始生成网络和初始预测网络进行第二训练,以更新初始生成网络和初始预测网络的模型参数;
交替执行子模块:用于交替执行上述第一训练和第二训练的步骤,至满足预设收敛条件,得到目标特征生成网络和目标时间预测网络。
另一些实施例中,迭代训练模块可以包括:
总损失确定子模块:用于基于生成损失、判别损失和预测损失确定总损失;
联合训练子模块:用于基于总损失对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的联合训练,得到目标特征生成网络和目标时间预测网络。
一些实施例中,损失计算模块可以包括:
判别损失计算子模块:用于根据第一判别概率和第二判别概率进行损失计算,得到判别损失;
预测损失计算子模块:用于根据参考到达时间和实际到达时间之间的偏差进行损失计算,得到预测损失;
生成损失计算子模块:用于根据第一判别概率和预测损失进行损失计算,得到生成损失。
一些实施例中,多维特征获取模块10可以包括:
第一获取子模块:用于获取待预估行程路线对应的路段标识序列和目标行程时刻,路段标识序列包括待预估行程路线中各途经路段的路段标识;
第二获取子模块:用于基于路段标识序列和出发时刻,从路网信息和行驶数据中获取各途经路段各自的多维特征信息。
一些实施例中,路段特征生成模块20可以包括:
特征编码子模块:用于对各途经路段中每一途径路段的多维特征信息进行特征编码处理,得到各途经路段各自的路段向量;
特征拼接子模块:用于基于路段标识序列对各路段向量进行特征拼接处理,得到路段特征序列。
一些实施例中,统计特征生成模块可以包括:
历史特征编码子模块:用于对多维路线统计信息进行特征编码处理,得到历史行程路线的初始统计特征;
特征映射子模块:用于对初始统计特征进行特征映射处理,得到路线统计特征。
需要说明的是,上述装置实施例与方法实施例基于相同的实施方式。
本申请实施例提供了一种行程到达时间确定设备,该调度设备可以为终端或服务器,包括处理器和存储器,该存储器中存储有至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的行程到达时间确定方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及行程到达时间确定。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、功能所需的应用程序等;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置等电子设备中执行。图9是本申请实施例提供的一种行程到达时间确定方法的电子设备的硬件结构框图。如图9所示,该电子设备900 可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,CPU)910(处理器910可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器930,一个或一个以上存储应用程序923或数据922的存储介质920(例如一个或一个以上海量存储设备)。其中,存储器930和存储介质920可以是短暂存储或持久存储。存储在存储介质920的程序可以包括一个或一个以上模块,每个模块可以包括对电子设备中的一系列指令操作。更进一步地,中央处理器910可以设置为与存储介质920通信,在电子设备900上执行存储介质920中的一系列指令操作。电子设备900还可以包括一个或一个以上电源960,一个或一个以上有线或无线网络接口950,一个或一个以上输入输出接口940,和/或,一个或一个以上操作系统921,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备900的通信供应商提供的无线网络。在一个实例中,输入输出接口940包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口940可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图9所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,电子设备900还可包括比图9中所示更多或者更少的组件,或者具有与图9所示不同的配置。
本申请的实施例还提供了一种计算机可读存储介质,存储介质可设置于电子设备之中以保存用于实现方法实施例中一种行程到达时间确定方法相关的至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的行程到达时间确定方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器 (RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
由上述本申请提供的行程到达时间确定方法、装置、设备、服务器、终端、存储介质和程序产品的实施例可见,本申请通过获取待预估行程路线中途经路段的多维特征信息,根据多维特征信息生成待预估行程路线的路段特征序列;然后,基于目标特征生成网络对路段特征序列进行特征提取,得到待预估行程路线的目标路线特征;进而基于目标时间预测网络对目标路线特征进行回归预测处理,得到待预估行程路线的预估到达时间;基于路线中各途经路段的多维特征信息生成路线整体的路段特征序列,联合目标特征生成网络和目标时间预测网络对路段特征序列进行时间预测,显著提高预测准确率。并且,目标特征生成网络和目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间,对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的;如此,利用对抗训练的方式,辅助优化特征提取过程,并结合历史行程的实际到达时间和目标对象经过各途经路段所生成的统计信息作为训练的监督信息,提高网络模型的模型效果和准确度,进而提高预估到达时间的预测准确率和可靠性。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备和存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指示相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (14)
1.一种行程到达时间确定方法,其特征在于,所述方法包括:
获取待预估行程路线中途经路段的多维特征信息;
根据所述多维特征信息生成所述待预估行程路线的路段特征序列;
基于目标特征生成网络对所述路段特征序列进行特征提取,得到所述待预估行程路线的目标路线特征;
基于目标时间预测网络对所述目标路线特征进行回归预测处理,得到所述待预估行程路线的预估到达时间;
其中,所述目标特征生成网络和所述目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间,对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述多维路线统计信息生成所述历史行程路线的路线统计特征;
基于所述初始生成网络对所述历史路段特征序列进行特征提取,得到历史路线特征;
以所述历史路线特征、所述路线统计特征和所述实际到达时间作为所述初始判别网络的输入,得到第一判别概率和第二判别概率,所述第一判别概率表征所述实际到达时间与所述历史路线特征间的匹配度,所述第二判别概率表征所述实际到达时间与所述路线统计特征间的匹配度;
基于初始预测网络对所述历史路线特征进行回归预测处理,得到参考到达时间;
根据所述第一判别概率、第二判别概率、所述参考到达时间和所述实际到达时间进行损失计算,得到生成损失、判别损失和预测损失;
基于所述生成损失、所述判别损失和所述预测损失,对所述初始生成网络、初始判别网络和初始预测网络进行迭代训练,至满足预设收敛条件,得到所述目标特征生成网络和所述目标时间预测网络。
3.根据权利要求2所述的方法,其特征在于,所述基于所述生成损失、所述判别损失和所述预测损失,对所述初始生成网络、初始判别网络和初始预测网络进行迭代训练,至满足预设收敛条件,得到所述目标特征生成网络和所述目标时间预测网络包括:
固定所述初始生成网络和所述初始预测网络的模型参数,基于所述判别损失对所述初始判别网络进行第一训练,以更新所述初始判别网络的模型参数;
固定所述更新的判别网络的模型参数,基于所述生成损失和所述预测损失对所述初始生成网络和所述初始预测网络进行第二训练,以更新所述初始生成网络和所述初始预测网络的模型参数;
交替执行上述第一训练和第二训练的步骤,至满足所述预设收敛条件,得到所述目标特征生成网络和所述目标时间预测网络。
4.根据权利要求2所述的方法,其特征在于,所述基于所述生成损失、所述判别损失和所述预测损失,对所述初始生成网络、初始判别网络和初始预测网络进行迭代训练,至满足预设收敛条件,得到所述目标特征生成网络和所述目标时间预测网络包括:
基于所述生成损失、所述判别损失和所述预测损失确定总损失;
基于所述总损失对所述初始生成网络、所述初始判别网络和所述初始预测网络进行对抗生成和回归预测的联合训练,得到所述目标特征生成网络和所述目标时间预测网络。
5.根据权利要求2所述的方法,其特征在于,所述根据所述第一判别概率、第二判别概率、所述参考到达时间和所述实际到达时间进行损失计算,得到生成损失、判别损失和预测损失包括:
根据所述第一判别概率和所述第二判别概率进行损失计算,得到所述判别损失;
根据所述参考到达时间和所述实际到达时间之间的偏差进行损失计算,得到所述预测损失;
根据所述第一判别概率和所述预测损失进行损失计算,得到所述生成损失。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述获取待预估行程路线中途经路段的多维特征信息包括:
获取所述待预估行程路线对应的路段标识序列和目标行程时刻,所述路段标识序列包括所述待预估行程路线中各途经路段的路段标识;
基于所述路段标识序列和出发时刻,从路网信息和行驶数据中获取所述各途经路段各自的多维特征信息。
7.根据权利要求6所述的方法,其特征在于,所述根据所述多维特征信息生成所述待预估行程路线的路段特征序列包括:
对所述各途经路段中每一途径路段的多维特征信息进行特征编码处理,得到所述各途经路段各自的路段向量;
基于所述路段标识序列对各路段向量进行特征拼接处理,得到所述路段特征序列。
8.根据权利要求2所述的方法,其特征在于,所述根据所述多维路线统计信息生成所述历史行程路线的路线统计特征包括:
对所述多维路线统计信息进行特征编码处理,得到所述历史行程路线的初始统计特征;
对所述初始统计特征进行特征映射处理,得到所述路线统计特征。
9.根据权利要求1所述的方法,其特征在于,在所述获取待预估行程路线中途经路段的多维特征信息之前,所述方法还包括:
获取目标位置和所述目标位置周边的多个候选位置;
分别确定所述目标位置与多个所述候选位置间的待预估行程路线。
10.根据权利要求9所述的方法,其特征在于,在所述基于目标时间预测网络对所述目标路线特征进行回归预测处理,得到所述待预估行程路线的预估到达时间之后,所述方法还包括:
根据所述预估到达时间从多个所述候选位置中筛选出满足预设时长条件的目标候选位置;
基于所述目标候选位置确定所述目标位置对应的目标区域;
在预设地图界面上展示所述目标区域对应的区域标记。
11.一种行程到达时间确定装置,其特征在于,所述装置包括:
多维特征获取模块:用于获取待预估行程路线中途经路段的多维特征信息;
路段特征生成模块:用于根据所述多维特征信息生成所述待预估行程路线的路段特征序列;
路线特征提取模块:用于基于目标特征生成网络对所述路段特征序列进行特征提取,得到所述待预估行程路线的目标路线特征;
回归预测模块:用于基于目标时间预测网络对所述目标路线特征进行回归预测处理,得到所述待预估行程路线的预估到达时间;
其中,所述目标特征生成网络和所述目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间,对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的。
12.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-10中任一项所述的行程到达时间确定方法。
13.一种计算机设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1-10中任一项所述的行程到达时间确定方法。
14.一种计算机程序产品或计算机程序,其特征在于,所述计算机程序产品或计算机程序包括计算机指令,所述计算机指令被处理器执行时实现如权利要求1-10中任一项所述的行程到达时间确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210454855.6A CN114881315A (zh) | 2022-04-24 | 2022-04-24 | 行程到达时间确定方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210454855.6A CN114881315A (zh) | 2022-04-24 | 2022-04-24 | 行程到达时间确定方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881315A true CN114881315A (zh) | 2022-08-09 |
Family
ID=82671178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210454855.6A Pending CN114881315A (zh) | 2022-04-24 | 2022-04-24 | 行程到达时间确定方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881315A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167679A (zh) * | 2023-04-25 | 2023-05-26 | 河北华通科技股份有限公司 | 基于物联网的低损耗运输方法、装置、设备及存储介质 |
CN116397381A (zh) * | 2023-04-19 | 2023-07-07 | 张家港市阿莱特机械有限公司 | 一种无纺布生产设备和方法 |
CN116662815A (zh) * | 2023-07-28 | 2023-08-29 | 腾讯科技(深圳)有限公司 | 时间预测模型的训练方法以及相关设备 |
CN116858274A (zh) * | 2023-08-22 | 2023-10-10 | 大拓无限(重庆)智能科技有限公司 | 一种路径规划方法及装置 |
-
2022
- 2022-04-24 CN CN202210454855.6A patent/CN114881315A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116397381A (zh) * | 2023-04-19 | 2023-07-07 | 张家港市阿莱特机械有限公司 | 一种无纺布生产设备和方法 |
CN116397381B (zh) * | 2023-04-19 | 2023-11-17 | 张家港市阿莱特机械有限公司 | 一种无纺布生产设备和方法 |
CN116167679A (zh) * | 2023-04-25 | 2023-05-26 | 河北华通科技股份有限公司 | 基于物联网的低损耗运输方法、装置、设备及存储介质 |
CN116167679B (zh) * | 2023-04-25 | 2023-07-18 | 河北华通科技股份有限公司 | 基于物联网的低损耗运输方法、装置、设备及存储介质 |
CN116662815A (zh) * | 2023-07-28 | 2023-08-29 | 腾讯科技(深圳)有限公司 | 时间预测模型的训练方法以及相关设备 |
CN116662815B (zh) * | 2023-07-28 | 2023-11-10 | 腾讯科技(深圳)有限公司 | 时间预测模型的训练方法以及相关设备 |
CN116858274A (zh) * | 2023-08-22 | 2023-10-10 | 大拓无限(重庆)智能科技有限公司 | 一种路径规划方法及装置 |
CN116858274B (zh) * | 2023-08-22 | 2024-04-09 | 大拓无限(重庆)智能科技有限公司 | 一种路径规划方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114881315A (zh) | 行程到达时间确定方法、装置、电子设备和存储介质 | |
CN112382099B (zh) | 交通路况预测方法、装置、电子设备及存储介质 | |
CN113763700B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN113068131B (zh) | 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质 | |
CN112037142B (zh) | 一种图像去噪方法、装置、计算机及可读存储介质 | |
CN114550053A (zh) | 一种交通事故定责方法、装置、计算机设备及存储介质 | |
CN112070071B (zh) | 视频中的对象标注方法、装置、计算机设备及存储介质 | |
CN114821045A (zh) | 语义分割方法、装置、电子设备及存储介质 | |
CN114357319A (zh) | 网络请求处理方法、装置、设备、存储介质及程序产品 | |
CN114297338A (zh) | 文本匹配方法、装置、存储介质和程序产品 | |
CN115860102A (zh) | 一种自动驾驶感知模型的预训练方法、装置、设备和介质 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN113128526B (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
CN117011692A (zh) | 一种道路识别的方法以及相关装置 | |
CN115205546A (zh) | 模型训练方法和装置、电子设备、存储介质 | |
CN112529116B (zh) | 场景元素融合处理方法、装置和设备及计算机存储介质 | |
CN115168609A (zh) | 一种文本匹配方法、装置、计算机设备和存储介质 | |
CN112417260B (zh) | 本地化推荐方法、装置及存储介质 | |
CN114387465A (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
CN113824989A (zh) | 一种视频处理方法、装置和计算机可读存储介质 | |
CN112686457A (zh) | 路线到达时间预估方法及装置、电子设备、存储介质 | |
CN113011320A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN115238803A (zh) | 一种道路识别方法、装置、电子设备及存储介质 | |
CN115358379B (zh) | 神经网络处理、信息处理方法、装置和计算机设备 | |
CN117216567A (zh) | 对象特征表示方法、装置、设备和介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40073700 Country of ref document: HK |