CN116205319A - 到达时间预估模型的样本处理方法、装置、电子设备 - Google Patents

到达时间预估模型的样本处理方法、装置、电子设备 Download PDF

Info

Publication number
CN116205319A
CN116205319A CN202111673180.6A CN202111673180A CN116205319A CN 116205319 A CN116205319 A CN 116205319A CN 202111673180 A CN202111673180 A CN 202111673180A CN 116205319 A CN116205319 A CN 116205319A
Authority
CN
China
Prior art keywords
arrival time
track data
time
estimation model
historical track
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
Application number
CN202111673180.6A
Other languages
English (en)
Inventor
姜正申
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Publication of CN116205319A publication Critical patent/CN116205319A/zh
Pending legal-status Critical Current

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"
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种到达时间预估模型的样本处理方法、装置、电子设备，方法包括：通过获取目标对象的历史轨迹数据；对所述历史轨迹数据进行数据扩增处理，得到历史轨迹数据集合，其中，所述历史轨迹数据集合包括至少两条历史轨迹数据的扩增处理结果；对所述历史轨迹数据集合进行特征提取处理，得到到达时间预估模型的样本处理样本集合；对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本。由此，能够有效提升到达时间预估模型的样本的准确性从而使得到达时间预估模型的结果更加准确，通过长度统一的训练样本使得到达时间预估模型所预测的实时ETA和未来ETA不会产生割裂和跳变。

Description

到达时间预估模型的样本处理方法、装置、电子设备
优先权说明
本申请要求申请号为202111441866.2，申请日为2021年11月30日，名称为：到达时间预估模型的样本处理方法、装置、电子设备的优先权。
技术领域
本发明涉及信息处理技术，尤其涉及到达时间预估模型的样本处理方法、装置、电子设备、计算机程序产品及存储介质。
背景技术
到达时间预估(ETA Estimated Time of Arrival)，是对于规划线路旅行时长的一个预估。ETA是衡量路线质量诸多指标中(其他包括如距离、红绿灯数量、导航动作数量、大路占比、小路占比、拥堵比例、收费)最为重要的一项，是用户从候选路线集合中选择发起导航的路线时考虑的首要因素。目前的实时ETA预估，最常用的算法有基于规则的逐路段累加方法和基于树模型的方法，但是由于实际使用中，实时ETA和未来ETA的逻辑是分离且割裂的，这会导致实时和未来ETA放在同一界面展示时，会出现矛盾的结果，而且会造成用户的困惑，影响用户的出行决策。
发明内容
有鉴于此，本发明实施例提供一种到达时间预估模型的样本处理方法、装置、电子设备、计算机程序产品及存储介质，能够有效提升到达时间预估模型的样本的准确性从而使得到达时间预估模型的结果更加准确，通过长度统一的训练样本使得到达时间预估模型所预测的实时ETA和未来ETA不会产生割裂和跳变。
本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种到达时间预估模型的样本处理方法包括：
获取目标对象的历史轨迹数据；
对所述历史轨迹数据进行数据扩增处理，得到历史轨迹数据集合，其中，所述历史轨迹数据集合包括至少两条历史轨迹数据的扩增处理结果；
对所述历史轨迹数据集合进行特征提取处理，得到到达时间预估模型的样本处理样本集合；
对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，以实现基于所述长度统一的训练样本，对所述到达时间预估模型训练，并利用所述到达时间预估模型对所述目标对象的到达时间进行预测
本发明实施例还提供了一种到达时间预估模型的样本处理装置，包括：
信息传输模块，用于获取目标对象的历史轨迹数据；
信息处理模块，用于对所述历史轨迹数据进行数据扩增处理，得到历史轨迹数据集合，其中，所述历史轨迹数据集合包括至少两条历史轨迹数据的扩增处理结果；
所述信息处理模块，用于对所述历史轨迹数据集合进行特征提取处理，得到到达时间预估模型的样本处理样本集合；
所述信息处理模块，用于对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，以实现基于所述长度统一的训练样本，对所述到达时间预估模型训练，并利用所述到达时间预估模型对所述目标对象的到达时间进行预测。
上述方案中，
所述信息处理模块，用于基于所述历史轨迹数据，提取出发时刻、路段序列以及实际到达时间；
所述信息处理模块，用于对所述历史轨迹数据中的每一条历史轨迹数据，确定对应的请求时刻序列，其中，所述请求时刻序列包括至少两个请求时刻；
所述信息处理模块，用于基于所述请求时刻序列中的每一个请求时刻、出发时刻、路段序列以及实际到达时间，构造四元组格式的请求数据；
所述信息处理模块，用于将所述请求时刻序列中的每一个请求时刻对应的请求数据，与所述历史轨迹数据进行组合，得到所述历史轨迹数据集合。
上述方案中，
所述信息处理模块，用于提取所述历史轨迹数据集合中的路段序列；
所述信息处理模块，用于在所述路段序列中提取每一个路段的基础属性特征，实时路况特征以及历史经典速度特征，其中，所述历史经典速度至少包括以下之一：出发时刻的历史经典速度特征，请求时刻的历史经典速度特征；
所述信息处理模块，用于提取所述历史轨迹数据集合中的请求时刻特征、出发时刻特征以及实际到达时间特征；
所述信息处理模块，用于对所述请求时刻特征、出发时刻特征、实际到达时间特征、基础属性特征、实时路况特征以及历史经典速度特征进行特征组合处理，得到到达时间预估模型的样本处理样本集合。
上述方案中，
所述信息处理模块，用于对所述基础属性特征、实时路况特征以及历史经典速度特征的组合结果进行矩阵行列式均值处理，得到长度统一的训练样本。
上述方案中，
所述信息处理模块，用于为所述基础属性特征、实时路况特征以及历史经典速度特征的组合结果配置循环神经网络；
所述信息处理模块，用于通过所述循环神经网络对每一个路段的基础属性特征、实时路况特征以及历史经典速度特征的组合进行迭代统一化处理，得到长度统一的训练样本。
上述方案中，
所述信息处理模块，用于为所述基础属性特征、实时路况特征以及历史经典速度特征的组合结果配置卷积神经网络；
所述信息处理模块，用于通过所述卷积神经网络对每一个路段的基础属性特征、实时路况特征以及历史经典速度特征的组合进行卷积处理，并利用所述卷积网络的池化层进行平均池化或者最大池化处理，得到长度统一的训练样本。
本发明实施例还提供了一种电子设备，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现前述的到达时间预估模型的样本处理方法。
本发明实施例还提供了一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时实现前述的到达时间预估模型的样本处理方法。
本发明实施例具有以下有益效果：
本发明通过获取目标对象的历史轨迹数据；对所述历史轨迹数据进行数据扩增处理，得到历史轨迹数据集合，其中，所述历史轨迹数据集合包括至少两条历史轨迹数据的扩增处理结果；对所述历史轨迹数据集合进行特征提取处理，得到到达时间预估模型的样本处理样本集合；对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，以实现基于所述长度统一的训练样本，对所述到达时间预估模型训练，并利用所述到达时间预估模型对所述目标对象的到达时间进行预测，由此，能够有效提升到达时间预估模型的样本的准确性从而使得到达时间预估模型的结果更加准确，通过长度统一的训练样本使得到达时间预估模型所预测的实时ETA和未来ETA不会产生割裂和跳变。
附图说明
图1为本发明实施例提供的到达时间预估模型的样本处理方法的使用场景示意图；
图2为本发明实施例提供的到达时间预估模型的样本处理装置的组成结构示意图；
图3为本发明实施例提供的到达时间预估模型的样本处理方法一个可选的流程示意图；
图4为本发明实施例中对历史轨迹数据进行数据扩增处理的示意图；
图5为本发明实施例中循环神经网络进行统一化处理的过程示意图；
图6为本发明实施例中循环神经网络进行统一化处理的过程示意图；
图7为本发明实施例提供的到达时间预估模型训练方法一个可选的流程示意图；
图8为本发明实施例中到达时间预估的效果示意图；
图9为本发明实施例中到达时间预估的效果示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有进行出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
1)响应于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
2)基于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
3)模型训练，对图像数据集进行多分类学习。该模型可采用Tensor Flow、torch等深度学习框架进行构建，使用CNN等神经网络层的多层结合组成多分类模型。模型的输入为图像经过openCV等工具读取形成的三通道或原通道矩阵，模型输出为多分类概率，通过softmax等算法最终输出网页类别。在训练时，模型通过交叉熵等目标函数向正确趋势逐渐靠近，直至达到停止条件完成训练。
4)神经网络(Neural Network，NN)：人工神经网络(Artificial Neural Network，ANN)，简称神经网络或类神经网络，在机器学习和认知科学领域，是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。
5)路口行驶时长：通过路口所需的行驶时长，其具体值与路口交通信号灯的设置、路口复杂度以及通过路口的时间段(如，上午8点～9点，或者凌晨1点～2点)有关。
6)实时ETA、未来ETA，其中，实时ETA表示当前时刻出发，走完全程所需要的时间。而未来ETA表示未来某时刻出发，走完全程所需要的时间，例如15分钟后出发、30分钟后出发、明天10:00出发、下周一12:00出发等等。实时ETA和未来ETA的区别主要在于路况不同，实时ETA使用的是当前时刻的路况，未来ETA使用的是未来时刻推测的路况，未来ETA也可以可称为未来用时。
7)请求时刻、出发时刻，其中，用户在APP、小程序等平台上发起实时或未来到达时间预估请求，所对应的时间为请求时刻；而用户预期自己将出发的时刻为出发时刻。对于实时ETA而言，请求时刻和出发时刻基本是相同的，即用户请求完ETA，基本上是立刻出发的。而对于未来ETA，用户可以在8点时，要求计算9点出发的ETA，即请求时刻为8:00，出发时刻为9:00。
8)路在地图应用中，路线只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。
9)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，道路被划分为一段一段的线段，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。
10)实际到达时间(ATA Actual Time of Arrival)，在地图服务的历史数据中，可以提取出一条路线的实际到达时间，因此可以使用这一数据作为真值来训练机器学习算法，来预估到达时间。
11)历史经典速度根据所有用户的历史轨迹，对每个link挖掘出的速度。通常，周期为一周，5min的粒度，即每个link挖掘出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。
在介绍本申请所提供的到达时间预估模型的样本处理方法之前，首先对相关技术中对到达时间的预测过程进行说明，目前的实时ETA预估，最常用的算法有基于规则的逐路段累加方法和基于树模型的方法，具体处理过程包括：
(1)基于规则的逐路段累加方法依赖人工经验，根据每个路段的长度、速度、红绿灯等状况，估计出每个路段的通过时间，再加上每个路口的通过时间，这样累加起来，就构成了整条路线的总时间。
(2)基于树模型的方法不再逐路段的进行估计，而是先提取出整条路线的特征，例如全程总路程、出发时刻的全程平均速度、全程红绿灯总数、全程拥堵里程占比等，然后将这些特征输入到基于树模型的机器学习算法中，进行训练。这一类算法中最常用的就是梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法，同时，对未来ETA的预估，可以使用基于历史轨迹挖掘出的同时段典型速度作为未来时刻的实时速度。
但是无论使用哪一种对到达时间的预估方式，都会产生以下缺陷：(1)实时ETA和未来ETA的逻辑是分离且割裂的，导致实时ETA和未来ETA放在同一界面展示时，会出现矛盾的结果，影响用户的出行决策；(2)未来ETA只使用了历史同期典型速度作为未来时刻实时速度的预测，是一个比较基础的策略，不容易实现准确地到达时间预估。(3)未来ETA没有使用请求时刻的实时路况和实时速度，但是实际使用中，出发时刻的路况和速度，同样受到请求时刻的路况和速度的影响，同样不容易实现准确地到达时间预估。
基于此，本发明实施例提供了一种到达时间预估模型的样本处理方法，以实现有效提升到达时间预估模型的样本的准确性从而使得到达时间预估模型的结果更加准确，通过长度统一的训练样本使得到达时间预估模型所预测的实时ETA和未来ETA不会产生割裂和跳变。
图1为本发明实施例提供的到达时间预估模型的样本处理方法的实施场景示意图，参见图1，为实现支撑一个示例性应用，终端包括终端10-1和终端10-2，终端通过网络300连接到达时间预估模型的样本处理装置200，网络300可以是广域网或者局域网，又或者是二者的组合，使用无线或有线链路实现数据传输。
终端(如终端10-2)位于用户侧，用于发出到达时间预估生成请求，请求获取与目标对象所处场景相适配的到达时间预估值，其中目标对象可以是各种类型的地图使用者，举例来说，到达时间的预估可以是终端10-1和终端10-2的地图软件中的一个基础功能，可以实现的是：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。这一功能具有基础性的作用，在诸多场景中都发挥着至关重要的作用，包括但不限于：
1、终端10-1的用户选择了起点和终点后，地图软件给出一个耗时最短的路径，而找到这条路径就要求能够估计每一条候选路径的时间。2、终端10-1的用户发起导航之后，在导航开始和过程中，需要持续的向用户报告剩余行程所需要的时间。3、终端10-2在外卖应用中，需要为快递员合理的分配订单，而分配订单就需要根据客户位置、店铺位置和快递员位置计算出快递员从取餐到送餐的总耗时。4、终端10-2在打车应用中，需要合理的匹配用户和出租车，使得出租车空驶时间最短，而规划路线就需要对每一条可能的路线进行准确的时间预估。
这一过程中，终端(包括终端10-1和终端10-2)可以通过网络300从相应的地图服务器200中所获取相应的历史轨迹数据，并在终端的显示区域呈现虚拟场景，终端中所设置的到达时间预估模型的样本处理装置可以执行以下方案：
获取目标对象的历史轨迹数据；对所述历史轨迹数据进行数据扩增处理，得到历史轨迹数据集合，其中，所述历史轨迹数据集合包括至少两条历史轨迹数据的扩增处理结果；对所述历史轨迹数据集合进行特征提取处理，得到到达时间预估模型的样本处理样本集合；对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，以实现基于所述长度统一的训练样本，对所述到达时间预估模型训练，并利用所述到达时间预估模型对所述目标对象的到达时间进行预测。
在一些实施例中，终端10-1还可以安装和运行有支持虚拟场景的应用程序。该应用程序可以是虚拟现实应用程序、三维地图程序、第一人称射击游戏(FPS First-personshooting game)、多人在线战术竞技游戏(MOBA Multiplayer Online Battle ArenaGames)等不同的虚拟场景，其中，以射击类游戏为例，用户可以控制虚拟对象在到达时间预估值中的不同位置执行动作，或者，沿着到达时间预估值运动时，在不同时间点执行动作，例如在到达时间预估值中的不同位置实现天空中自由下落、滑翔或者打开降落伞进行下落等，也可以在陆地上的到达时间预估值中的不同位置实现跑动、跳动、爬行、弯腰前行等，也可以控制虚拟对象在到达时间预估值中的不同位置实现海洋中游泳、漂浮或者下潜等，当然，用户也可以控制虚拟对象乘坐虚拟载具在该虚拟场景中进行移动，并在到达时间预估值中的不同位置进行实时位置展示，例如，该虚拟载具可以是虚拟汽车、虚拟飞行器、虚拟游艇沿着到达时间预估值进行移动等，在此仅以上述场景进行举例说明，本发明实施例对此不作具体限定。用户也可以控制虚拟对象通过虚拟道具与其他虚拟对象进行战斗等方式的互动，本发明对虚拟道具的类型不作具体限定，在控制虚拟对象在到达时间预估值中的不同位置执行动作时，可以通过本申请所提供的到达时间预估模型的样本处理方法，对虚拟场景中的历史轨迹数据进行处理，并通过达时间预估模型对虚拟对象的到达某一位置的到达时间进行预测，或者通过达时间预估模型对虚拟对象的到达任一虚拟道具的攻击位置的时间进行预测，对此本发明不做限制。
下面对用于实施本发明实施例的到达时间预估模型的样本处理方法的到达时间预估模型的样本处理装置进行说明。到达时间预估模型的样本处理装置可以各种形式来实施，如带有到达时间预估模型的样本处理装置处理功能的终端，也可以为设置有到达时间预估模型的样本处理装置处理功能的服务器，例如前序图1中的服务器200。图2为本发明实施例提供的到达时间预估模型的样本处理装置的组成结构示意图，可以理解，图2仅仅示出了到达时间预估模型的样本处理装置的示例性结构而非全部结构，根据需要可以实施图2示出的部分结构或全部结构。
本发明实施例提供的到达时间预估模型的样本处理装置包括：至少一个处理器201、存储器202、用户接口203和至少一个网络接口204。到达时间预估模型的样本处理装置中的各个组件通过总线系统205耦合在一起。可以理解，总线系统205用于实现这些组件之间的连接通信。总线系统205除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统205。
其中，用户接口203可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
可以理解，存储器202可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。本发明实施例中的存储器202能够存储数据以支持终端(如10-1)的操作。这些数据的示例包括：用于在终端(如10-1)上操作的任何计算机程序，如操作系统和应用程序。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。
在一些实施例中，本发明实施例提供的到达时间预估模型的样本处理装置可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的到达时间预估模型的样本处理装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的到达时间预估模型的样本处理方法。例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，ComplexProgrammable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable GateArray)或其他电子元件。
作为本发明实施例提供的到达时间预估模型的样本处理装置采用软硬件结合实施的示例，本发明实施例所提供的到达时间预估模型的样本处理装置可以直接体现为由处理器201执行的软件模块组合，软件模块可以位于存储介质中，存储介质位于存储器202，处理器201读取存储器202中软件模块包括的可执行指令，结合必要的硬件(例如，包括处理器201以及连接到总线205的其他组件)完成本发明实施例提供的到达时间预估模型的样本处理方法。
作为示例，处理器201可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
作为本发明实施例提供的到达时间预估模型的样本处理装置采用硬件实施的示例，本发明实施例所提供的装置可以直接采用硬件译码处理器形式的处理器201来执行完成，例如，被一个或多个应用专用集成电路(ASIC，Application Specific IntegratedCircuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件执行实现本发明实施例提供的到达时间预估模型的样本处理方法。
本发明实施例中的存储器202用于存储各种类型的数据以支持到达时间预估模型的样本处理装置的操作。这些数据的示例包括：用于在到达时间预估模型的样本处理装置上操作的任何可执行指令，如可执行指令，实现本发明实施例的从到达时间预估模型的样本处理方法的程序可以包含在可执行指令中。
在另一些实施例中，本发明实施例提供的到达时间预估模型的样本处理装置可以采用软件方式实现，图2示出了存储在存储器202中的到达时间预估模型的样本处理装置，其可以是程序和插件等形式的软件，并包括一系列的模块，作为存储器202中存储的程序的示例，可以包括到达时间预估模型的样本处理装置，到达时间预估模型的样本处理装置中包括以下的软件模块：
信息传输模块2081，用于获取目标对象的历史轨迹数据。
信息处理模块2082，用于对所述历史轨迹数据进行数据扩增处理，得到历史轨迹数据集合，其中，所述历史轨迹数据集合包括至少两条历史轨迹数据的扩增处理结果。
所述信息处理模块2082，用于对所述历史轨迹数据集合进行特征提取处理，得到到达时间预估模型的样本处理样本集合。
所述信息处理模块2082，用于对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，以实现基于所述长度统一的训练样本，对所述到达时间预估模型训练，并利用所述到达时间预估模型对所述目标对象的到达时间进行预测。
在一些实施例中，到达时间预估模型的样本处理装置200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、内容分发网络(CDN，Content Delivery N etwork)、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。终端(如终端10-1)可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本发明实施例中不进行限制。
根据图2所示的到达时间预估模型的样本处理装置，在本申请的一个方面中，本申请还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点到达时间预估模型的样本处理方法的各种可选实现方式中所提供的不同实施例及实施例的组合。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
继续结合图2示出的到达时间预估模型的样本处理装置说明本发明实施例提供的到达时间预估模型的样本处理方法，参见图3，图3为本发明实施例提供的到达时间预估模型的样本处理方法一个可选的流程示意图，可以通过运行于图1所示的终端10-1或者10-2中的带有到达时间预估功能的软件或者组件执行本申请提供的到达时间预估模型的样本处理方法，实现在保证到达时间预估模型的样本的准确性的同时，使得到达时间预估模型的结果更加准确，同时通过长度统一的训练样本使得到达时间预估模型所预测的实时ETA和未来ETA不会产生割裂和跳变，图3所示的步骤可以由运行到达时间预估模型的样本处理装置的各种电子设备执行，例如可以是如带有到达时间预估模型的样本处理装置的终端，如体感游戏机，也可以通过手机中的带有到达时间预估功能的软件或者功能模块执行本申请所提供的到达时间预估模型的样本处理方法。
下面结合图3示出的步骤，以到达时间预估模型的样本处理装置实施本发明实施例提供的到达时间预估模型的样本处理方法为例进行具体说明。
步骤301：到达时间预估模型的样本处理装置获取目标对象的历史轨迹数据。
其中，一条轨迹数据中可以包括同一属性的道路，也可以包括不同属性的多条道路。例如，某一条轨迹数据中包括2条不同属性的道路，其中一条是畅通的道路，另一条是拥堵的道路。又例如，某一条轨迹数据中包括3条不同属性的道路，其中一条是畅通且3车道的道路，另一条是畅通且2车道的道路，还有一条是拥堵且2车道的道路。
步骤302：到达时间预估模型的样本处理装置对所述历史轨迹数据进行数据扩增处理，得到历史轨迹数据集合，其中，所述历史轨迹数据集合包括至少两条历史轨迹数据的扩增处理结果。
在本发明的一些实施例中，对所述历史轨迹数据进行数据扩增处理，得到历史轨迹数据集合，可以通过以下方式实现：
基于所述历史轨迹数据，提取出发时刻、路段序列以及实际到达时间；对所述历史轨迹数据中的每一条历史轨迹数据，确定对应的请求时刻序列，其中，所述请求时刻序列包括至少两个请求时刻；基于所述请求时刻序列中的每一个请求时刻、出发时刻、路段序列以及实际到达时间，构造四元组格式的请求数据；将所述请求时刻序列中的每一个请求时刻对应的请求数据，与所述历史轨迹数据进行组合，得到所述历史轨迹数据集合。其中，参考图4，图4为本发明实施例中对历史轨迹数据进行数据扩增处理的示意图，对于采到的一条轨迹，它的出发时刻t0和实际到达时间是确定的，而请求时刻treq(treq<t0)可以是任意的，因此可以模拟出任意多的到达时间预估请求，且它们对应相同的实际到达时间。通过这种方式，可以基于一条轨迹扩增出任意多的请求数据。
因此，首先从历史轨迹数据中，提取出每一条历史轨迹所对应的出发时刻t0、路段序列以及实际用时实际到达时间；之后对于每一条历史轨迹，计算出一个请求时刻序列，请求时刻序列包括至少两个请求时刻，计算请求时刻时，参考公式1:
treq＝t0-k，且k＝10,20,30…，单位为分钟 公式1
通过公式1计算得到请求时刻序列之后，对每一条历史轨迹、每个请求时刻，treq、t0、路段序列以及实际到达时间可以构成一个四元组，每个四元组都是一条新的请求数据；最后见所有历史轨迹、所有请求时刻，提取出来的请求数据构成了扩增后的数据集。如图4所示，通过对历史轨迹数据进行数据扩增处理，得到的历史轨迹数据集合中包括4条不同的历史轨迹数据，分别为8:00(treq)请求10:00(t0)出发的ETA、8:30(treq)请求10:00(t0)出发的ETA、9:00(treq)请求10:00(t0)出发的ETA以及9:30(treq)请求10:00(t0)出发的ETA。
步骤303：到达时间预估模型的样本处理装置对所述历史轨迹数据集合进行特征提取处理，得到到达时间预估模型的样本处理样本集合。
在本发明的一些实施例中，对所述历史轨迹数据集合进行特征提取处理，得到到达时间预估模型的样本处理样本集合，可以通过以下方式实现：
提取所述历史轨迹数据集合中的路段序列；在所述路段序列中提取每一个路段的基础属性特征，实时路况特征以及历史经典速度特征，其中，所述历史经典速度至少包括以下之一：出发时刻的历史经典速度特征，请求时刻的历史经典速度特征；提取所述历史轨迹数据集合中的请求时刻特征、出发时刻特征以及实际到达时间特征；对所述请求时刻特征、出发时刻特征、实际到达时间特征、基础属性特征、实时路况特征以及历史经典速度特征进行特征组合处理，得到到达时间预估模型的样本处理样本集合。其中，对于所构造的四元组格式的请求数据，请求时刻treq和出发时刻t0可以为两个特征，在本发明的另一些实施例中，例如二者的时间差t0-treq也可以作为特征。
对于路段序列，由于是一个序列(包括多个路段的信息)，因此需要为每个路段提取出下面四类特征：
1)基础属性特征：例如路段里程、道路等级、幅宽、是否有红绿灯等。
2)请求时刻treq的近实时路况特征：例如，treq-30min到treq时间内，以5min为粒度，路段的6个路况状态特征、6个实时速度特征、6个实时车流量对应的特征。
3)出发时刻t0的历史经典速度特征：例如t0-30min到t0时间内，以5min为粒度，路段的6个历史经典速度特征、6个历史速度的标准差对应的特征。
4)在本发明的一些实施例中，可选的，还可以获取请求时
Figure BDA0003453610220000151
的历史经典速度特征：例如treq-30min到t0时间内，以5min为粒度，路段的6个历史经典速度特征、6个历史速度的标准差特征。
通过上述处理，对于每一个路段来说，都得到一个K维向量，所有路段的K维向量构成了一个长为M的序列，因此从路段序列提取出来的特征为一个M*K的矩阵；最终，对请求时刻特征、出发时刻特征、实际到达时间特征、基础属性特征、实时路况特征以及历史经典速度特征进行特征组合处理，可以得到到达时间预估模型的样本处理样本集合。
步骤304：到达时间预估模型的样本处理装置对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，以实现基于所述长度统一的训练样本，对所述到达时间预估模型训练，并利用所述到达时间预估模型对所述目标对象的到达时间进行预测。
在本发明的一些实施例中，对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，可以通过以下方式实现：
对所述基础属性特征、实时路况特征以及历史经典速度特征的组合结果进行矩阵行列式均值处理，得到长度统一的训练样本。其中，由于包含了link序列提取出来的特征，它是一个M*K的矩阵，而每条路线包含的link数目不同，因此M是一个不确定的数值，所以对于不定长的K维向量序列，需要进行统一化处理，通过直接对M*K维矩阵的所有行计算均值，得到一个K维向量。这样这个K维向量与请求时刻特征、出发时刻特征、实际到达时间特征可以组合成一组定长的特征，输入到ETA模型(例如ETA模型可以使用线性模型、深度模型等成熟的机器学习模型)进行训练，从而得到一个统一的ETA模型，由此，通过长度统一的训练样本使得到达时间预估模型所预测的实时ETA和未来ETA不会产生割裂和跳变。
在本发明的一些实施例中，对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，可以通过以下方式实现：
为所述基础属性特征、实时路况特征以及历史经典速度特征的组合结果配置循环神经网络；通过所述循环神经网络对每一个路段的基础属性特征、实时路况特征以及历史经典速度特征的组合进行迭代统一化处理，得到长度统一的训练样本。其中，参考图5，图5为本发明实施例中循环神经网络进行统一化处理的过程示意图，循环神经网络进行处理(例如使用LSTM、GRU等网络)，每个时间步处理一个路段对应的特征，直到所有路段对应的特征处理完毕，输出一个定长的K维向量，这个K维向量与请求时刻特征、出发时刻特征、实际到达时间特征可以组合成一组定长的特征，输入到ETA模型(例如ETA模型可以使用线性模型、深度模型等成熟的机器学习模型)进行训练，从而得到一个统一的ETA模型，由此，通过长度统一的训练样本使得到达时间预估模型所预测的实时ETA和未来ETA不会产生割裂和跳变。
在本发明的一些实施例中，对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，可以通过以下方式实现：
为所述基础属性特征、实时路况特征以及历史经典速度特征的组合结果配置卷积神经网络；通过所述卷积神经网络对每一个路段的基础属性特征、实时路况特征以及历史经典速度特征的组合进行卷积处理，并利用所述卷积网络的池化层进行平均池化或者最大池化处理，得到长度统一的训练样本。其中，参考图6，图6为本发明实施例中卷积神经网络进行统一化处理的过程示意图，使用一维卷积操作，对M*K矩阵进行处理，通过卷积层之后，利用池化层的平均池化或最大池化的处理，得到一个定长的K维向量，这个K维向量与请求时刻特征、出发时刻特征、实际到达时间特征可以组合成一组定长的特征，输入到ETA模型(例如ETA模型可以使用线性模型、深度模型等成熟的机器学习模型)进行训练，从而得到一个统一的ETA模型，由此，通过长度统一的训练样本使得到达时间预估模型所预测的实时ETA和未来ETA不会产生割裂和跳变。
其中，本申请实施例所提供的到达时间预估模型的样本处理方法是基于人工智能实现的，本发明所提供的技术方案使用了人工智能技术，人工智能AI(ArtificialIntelligence)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进行出反应的智能机器。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。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如在本申请中，通过人工智能的方式对有虚拟场景中的数据进行处理时，可以通过到达时间预估模型中的不同神经网络和处理进程确定相应的到达预估时间，使得不同需求的用户获得准确地到达时间预估值到达更好的使用体验。结合图2所示，到达时间预估模型的样本处理装置200，用于在接收到发送的进路线生成请求后，可以通过所部署的到达时间预估模型实现本申请提供的到达时间预估模型的样本处理方法，作为一个示例，到达时间预估模型的样本处理装置200用于实现本发明所提供的到达时间预估模型的样本处理方法，经过训练的到达时间预估模型可以保存在到达时间预估模型的样本处理装置200的存储介质中，以实现在不同的场景中(例如虚拟场景的枪战类游戏、多人在线战术竞技游戏(MultiplayerOnline Battle Arena，MOBA)、竞速游戏(Racing Game，RCG)以及体育运动类游戏(sportgame，SPG))以及在线打车，外卖配送等需要对到达时间进行预估的环境)生成不同的到达时间预估模型的样本，以实现基于所述长度统一的训练样本，对所述到达时间预估模型训练，并利用所述到达时间预估模型对所述目标对象的到达时间进行预测。
当然，本发明所提供的到达时间预估模型的样本处理装置可以基于对同一类型虚拟场景的到达时间预估值生成环境中的到达时间预估模型为进行训练，也可以根据目标对象的不同等级进行训练调整，最终在用户界面(UI User Interface)上呈现出与通过到达时间预估模型所确定与虚拟场景相适配的到达时间预估值，所得到通过到达时间预估模型以及与虚拟场景相适配的到达时间预估值还可以供其他应用程序调用(例如游戏模拟器或者体感游戏设备)，当然，与不同类型的游戏相匹配的到达时间预估模型也可以迁移至即时通讯进程的在线对战的FPS游戏或者离线操控的FPS游戏以及云游戏，或者，地图软件中的到达时间预估可以被打车软件所调用。
在一些实施例中，在部署到达时间预估模型之前还需要对到达时间预估模型进行训练，确定到达时间预估模型中不同神经网络的参数，以达到准确处理地图位置坐标和地图类型参数的效果，其中，图7为本发明实施例提供的到达时间预估模型训练方法一个可选的流程示意图，可以理解地，图7所示的步骤可以由运行到达时间预估模型训练装置的各种电子设备执行，例如可以是如带有到达时间预估模型训练装置的软件装置，之后将经过训练的到达时间预估模型封装在相应的带有到达时间预估功能的软件或者功能模块中，为不同需求的用户提供处理到达时间预估值的服务。
步骤701：到达时间预估模型训练装置根据目标对象所处虚拟场景的类型，确定所述目标对象的历史参数。
步骤702：到达时间预估模型训练装置基于所述目标对象的历史参数，确定与所述到达时间预估模型相匹配的长度统一的训练样本。
其中，所述长度统一的训练样本包括至少一组训练样本，在获取训练样本之后还需要对所获取的训练样本进行信息标注。
步骤703：到达时间预估模型训练装置基于所述到达时间预估模型相匹配的噪音阈值，提取长度统一的训练样本中的不同训练样本组成实际训练样本集合。
在本发明的一些实施例中，当所述目标对象所处虚拟场景为角色扮演类游戏时，确定与所述到达时间预估模型的使用环境相匹配的动态噪声阈值；根据所述动态噪声阈值对长度统一的训练样本进行去除噪声处理，以形成与所述动态噪声阈值相匹配的实际训练样本集合；当所述目标对象所处虚拟场景为对战类游戏时，确定与到达时间预估模型相对应的固定噪声阈值，并根据所述固定噪声阈值对长度统一的训练样本进行去除噪声处理，以形成与所述固定噪声阈值相匹配的实际训练样本集合。其中，由于到达时间预估模型的虚拟场景不同，与所述到达时间预估模型的使用环境相匹配的动态噪声阈值也不相同，例如，可以通过即时通讯客户端进程执行角色扮演类游戏在线对战的FPS游戏，也可以通过离线操控的FPS游戏进程执行角色扮演类游戏，其中在线对战的FPS游戏的游戏复杂程度通常大于离线操控的FPS游戏的复杂度，因此与所述到达时间预估模型的使用环境相匹配的动态噪声阈值需要小于不同需求的用户通过离线操控的FPS游戏进程执行角色扮演类游戏中使用环境中的动态噪声阈值，并依据噪声阈值删除超出噪声阈值的训练样本，通过不同动态噪声阈值可以适应不同类型的游戏的使用，有效筛选训练样本，使得所部署的经过训练的到达时间预估模型所生成的到达时间预估值，用户可以获得更好的到达时间预估值。
在本发明的一些实施例中，参考图8，图8为本发明实施例中到达时间预估的效果示意图，当所述目标对象所处虚拟场景为导航环境时，确定与到达时间预估模型相对应的固定噪声阈值，并根据所述固定噪声阈值对长度统一的训练样本进行去除噪声处理，以形成与所述固定噪声阈值相匹配的实际训练样本集合，其中，对于部署于导航软件服务器中的到达时间预估模型，通过固定噪声阈值可以有效提升训练样本的获取速度与精确度，减少不同需求的用户的等待时间，通过导航软件服务器中的到达时间预估模型，如图8所示，在发起导航时，服务器首先提供若干候选路线，然后利用通过固定噪声阈值训练的到达时间预估模型计算出每条候选路线的预计到达时间，然后从中选择一条最快的路线，提供给用户。进入导航状态以后，每隔一定时间，利用本发明计算剩余路程的时间，方便用户安排行程。
参考图9，图9为本发明实施例中到达时间预估的效果示意图，利用通过固定噪声阈值训练的到达时间预估模型计算出每条候选路线的预计到达时间，同时各路线的ETA，可以用于评价各路线的优劣，进而给用户推送最优路线。
步骤704：到达时间预估模型训练装置根据所提取的实际训练样本集合对所述到达时间预估模型进行训练，确定到达时间预估模型中特征提取器网络的模型参数，以及样本分类器网络的模型参数。
步骤705：到达时间预估模型训练装置确定到达时间预估模型中的不同神经网络的网络参数之后，将经过训练的到达时间预估模型部署在相应的游戏终端中。
有益技术效果：
本发明通过获取目标对象的历史轨迹数据；对所述历史轨迹数据进行数据扩增处理，得到历史轨迹数据集合，其中，所述历史轨迹数据集合包括至少两条历史轨迹数据的扩增处理结果；对所述历史轨迹数据集合进行特征提取处理，得到到达时间预估模型的样本处理样本集合；对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，以实现基于所述长度统一的训练样本，对所述到达时间预估模型训练，并利用所述到达时间预估模型对所述目标对象的到达时间进行预测，由此，能够有效提升到达时间预估模型的样本的准确性从而使得到达时间预估模型的结果更加准确，通过长度统一的训练样本使得到达时间预估模型所预测的实时ETA和未来ETA不会产生割裂和跳变。
以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种到达时间预估模型的样本处理方法，其特征在于，所述方法包括：
获取目标对象的历史轨迹数据；
对所述历史轨迹数据进行数据扩增处理，得到历史轨迹数据集合，其中，所述历史轨迹数据集合包括至少两条历史轨迹数据的扩增处理结果；
对所述历史轨迹数据集合进行特征提取处理，得到到达时间预估模型的样本处理样本集合；
对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，以实现基于所述长度统一的训练样本，对所述到达时间预估模型训练，并利用所述到达时间预估模型对所述目标对象的到达时间进行预测。
2.根据权利要求1所述的方法，其特征在于，所述对所述历史轨迹数据进行数据扩增处理，得到历史轨迹数据集合，包括：
基于所述历史轨迹数据，提取出发时刻、路段序列以及实际到达时间；
对所述历史轨迹数据中的每一条历史轨迹数据，确定对应的请求时刻序列，其中，所述请求时刻序列包括至少两个请求时刻；
基于所述请求时刻序列中的每一个请求时刻、出发时刻、路段序列以及实际到达时间，构造四元组格式的请求数据；
将所述请求时刻序列中的每一个请求时刻对应的请求数据，与所述历史轨迹数据进行组合，得到所述历史轨迹数据集合。
3.根据权利要求1所述的方法，其特征在于，所述对所述历史轨迹数据集合进行特征提取处理，得到到达时间预估模型的样本处理样本集合，包括：
提取所述历史轨迹数据集合中的路段序列；
在所述路段序列中提取每一个路段的基础属性特征，实时路况特征以及历史经典速度特征，其中，所述历史经典速度至少包括以下之一：出发时刻的历史经典速度特征，请求时刻的历史经典速度特征；
提取所述历史轨迹数据集合中的请求时刻特征、出发时刻特征以及实际到达时间特征；
对所述请求时刻特征、出发时刻特征、实际到达时间特征、基础属性特征、实时路况特征以及历史经典速度特征进行特征组合处理，得到到达时间预估模型的样本处理样本集合。
4.根据权利要求1所述的方法，其特征在于，所述对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，包括：
对所述基础属性特征、实时路况特征以及历史经典速度特征的组合结果进行矩阵行列式均值处理，得到长度统一的训练样本。
5.根据权利要求1所述的方法，其特征在于，所述对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，包括：
为所述基础属性特征、实时路况特征以及历史经典速度特征的组合结果配置循环神经网络；
通过所述循环神经网络对每一个路段的基础属性特征、实时路况特征以及历史经典速度特征的组合进行迭代统一化处理，得到长度统一的训练样本。
6.根据权利要求1所述的方法，其特征在于，所述对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，包括：
为所述基础属性特征、实时路况特征以及历史经典速度特征的组合结果配置卷积神经网络；
通过所述卷积神经网络对每一个路段的基础属性特征、实时路况特征以及历史经典速度特征的组合进行卷积处理，并利用所述卷积网络的池化层进行平均池化或者最大池化处理，得到长度统一的训练样本。
7.一种到达时间预估模型的样本处理装置，其特征在于，所述装置包括：
信息传输模块，用于获取目标对象的历史轨迹数据；
信息处理模块，用于对所述历史轨迹数据进行数据扩增处理，得到历史轨迹数据集合，其中，所述历史轨迹数据集合包括至少两条历史轨迹数据的扩增处理结果；
所述信息处理模块，用于对所述历史轨迹数据集合进行特征提取处理，得到到达时间预估模型的样本处理样本集合；
所述信息处理模块，用于对所述训练样本集合中不同的训练样本的长度进行统一化处理，得到长度统一的训练样本，以实现基于所述长度统一的训练样本，对所述到达时间预估模型训练，并利用所述到达时间预估模型对所述目标对象的到达时间进行预测。
8.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现权利要求1至6任一项所述的选址特征筛选方法。
9.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时，实现权利要求1至6任一项所述的选址特征筛选方法。
10.一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现权利要求1至6任一项所述的选址特征筛选方法。
CN202111673180.6A 2021-11-30 2021-12-31 到达时间预估模型的样本处理方法、装置、电子设备 Pending CN116205319A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021114418662 2021-11-30
CN202111441866 2021-11-30

Publications (1)

Publication Number Publication Date
CN116205319A true CN116205319A (zh) 2023-06-02

Family

ID=86516112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111673180.6A Pending CN116205319A (zh) 2021-11-30 2021-12-31 到达时间预估模型的样本处理方法、装置、电子设备

Country Status (1)

Country Link
CN (1) CN116205319A (zh)

Similar Documents

Publication Publication Date Title
US20240135251A1 (en) Artificial intelligence controller that procedurally tailors itself to an application
CN107103754B (zh) 一种道路交通状况预测方法及系统
CN112766607B (zh) 出行路线的推荐方法、装置、电子设备及可读存储介质
CN110378483A (zh) 部署在模拟平台上的用于训练机器学习模型的系统和方法
US11474529B2 (en) System and method for motion planning of an autonomous driving machine
CN111298439B (zh) 数据处理方法、装置、介质及电子设备
CN105229677A (zh) 用于机器学习的资源分配
CN111401388B (zh) 数据挖掘方法、装置、服务器及可读存储介质
CN111651538B (zh) 一种位置映射方法、装置、设备及可读存储介质
Ghosh et al. Sad-gan: Synthetic autonomous driving using generative adversarial networks
CN111667693B (zh) 用于确定预计到达时间的方法、装置、设备及介质
CN111589157B (zh) Ai模型使用方法、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
CN107341548A (zh) 一种数据处理方法、装置及电子设备
CN114492718A (zh) 飞行决策生成方法和装置、计算机设备、存储介质
CN112256037B (zh) 应用于自动驾驶的控制方法、装置、电子设备及介质
Felten et al. A toolkit for reliable benchmarking and research in multi-objective reinforcement learning
CN113312874A (zh) 基于改进深度强化学习的总体布线方法
CN112309138A (zh) 交通信号控制方法、装置、电子设备及可读存储介质
CN116662815B (zh) 时间预测模型的训练方法以及相关设备
CN117192998A (zh) 基于Transformer神经网络状态预测的无人机自主决策方法及装置
CN111613052B (zh) 一种交通状况确定方法、装置、电子设备及存储介质
CN116205319A (zh) 到达时间预估模型的样本处理方法、装置、电子设备
CN115743168A (zh) 用于换道决策的模型训练方法、目标车道确定方法及装置
CN115937801A (zh) 基于图卷积的车辆轨迹预测方法及装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40088394

Country of ref document: HK