CN116935689A - 行驶时间预测方法、行驶时间预测模型的训练方法、设备及介质 - Google Patents
行驶时间预测方法、行驶时间预测模型的训练方法、设备及介质 Download PDFInfo
- Publication number
- CN116935689A CN116935689A CN202311001679.1A CN202311001679A CN116935689A CN 116935689 A CN116935689 A CN 116935689A CN 202311001679 A CN202311001679 A CN 202311001679A CN 116935689 A CN116935689 A CN 116935689A
- Authority
- CN
- China
- Prior art keywords
- bus
- route
- time
- bus route
- station
- 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 87
- 238000012549 training Methods 0.000 title claims abstract description 66
- 238000010586 diagram Methods 0.000 claims abstract description 103
- 238000000605 extraction Methods 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 27
- 238000012545 processing Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000003068 static effect Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000368 destabilizing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种行驶时间预测方法、行驶时间预测模型的训练方法、设备及介质,涉及人工智能技术领域,具体涉及智能交通、深度学习、地图导航技术领域。具体实现方案为:根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图;获取起点和终点之间的查询公交路线、所述查询公交路线中站点的站点热度信息、以及当前时间信息;采用所述公交线路图、所述公交站点图、所述查询公交路线、所述站点热度信息、以及所述当前时间信息,预测所述查询公交路线的公交行驶时间。通过上述技术方案,能够提高公交行驶时间的预测精度。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及智能交通、深度学习、地图导航技术领域。
背景技术
公交行驶时间信息是人们出行的高频刚需,公交行驶时间信息广泛应用于公交路线规划、实时公交、公交电子站牌等高频场景。精准的预估公交行驶时间,对于提高用户出行效率、产品口碑有着非常重要的价值。
现有的公交行驶时间估计方法一般通过一个整体策略或统一模型进行行驶时间预估。主要利用预测路线经过道路的道路长度、属性、红绿灯、实时路况、历史路况等信息进行回归处理。但是不同路线经过道路的道路长度、属性、红绿灯、历史路况等存在极大的差异,现有的特征处理方式刻画时空特性存在明显瓶颈。同时现有公交时间估计方法未考虑路网的拓扑特性。此外,现有的方法对路况、驾车轨迹信息利用不足。因此,继续一种有效的公交行驶时间预测方法。
发明内容
本公开提供了一种行驶时间预测方法、行驶时间预测模型的训练方法、设备及介质。
根据本公开的一方面,提供了一种行驶时间预测方法,该方法包括:
根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图;
获取起点和终点之间的查询公交路线、所述查询公交路线中站点的站点热度信息、以及当前时间信息;
采用所述公交线路图、所述公交站点图、所述查询公交路线、所述站点热度信息、以及所述当前时间信息,预测所述查询公交路线的公交行驶时间。
根据本公开的另一方面,提供了一种行驶时间预测模型的训练方法,该方法包括:
根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图;
获取起点和终点之间的查询公交路线、所述查询公交路线中站点的站点热度信息、以及当前时间信息;
采用所述公交线路图、所述公交站点图、所述查询公交路线、所述站点热度信息、以及所述当前时间信息,预测所述查询公交路线的公交行驶时间;
根据所述公交行驶时间和所述查询公交路线的第一标签数据,训练行驶时间预测模型。
根据本公开的另一方面,提供了一种行驶时间预测装置,该装置包括:
第一图结构确定模块,用于根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图;
第一数据获取模块,用于获取起点和终点之间的查询公交路线、所述查询公交路线中站点的站点热度信息、以及当前时间信息;
第一公交行驶时间预测模块,用于采用所述公交线路图、所述公交站点图、所述查询公交路线、所述站点热度信息、以及所述当前时间信息,预测所述查询公交路线的公交行驶时间。
根据本公开的另一方面,提供了一种行驶时间预测模型的训练装置,该装置包括:
第二图数据确定模块,用于根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图;
第二数据获取模块,用于获取起点和终点之间的查询公交路线、所述查询公交路线中站点的站点热度信息、以及当前时间信息;
第二公交行驶时间预测模块,用于采用所述公交线路图、所述公交站点图、所述查询公交路线、所述站点热度信息、以及所述当前时间信息,预测所述查询公交路线的公交行驶时间;
第一模型训练模块,用于根据所述公交行驶时间和所述查询公交路线的第一标签数据,训练行驶时间预测模型。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括:
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本公开任一实施例所述的行驶时间预测方法或行驶时间预测模型的训练方法。
根据本公开的另一方面,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,所述计算机指令用于使计算机执行本公开任一实施例所述的行驶时间预测方法或行驶时间预测模型的训练方法。
根据本公开的另一方面,提供了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本公开任一实施例所述的行驶时间预测方法或行驶时间预测模型的训练方法。
根据本公开的技术,能够提高公交行驶时间预测的准确性。
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提供的一种行驶时间预测方法的流程图;
图2是根据本公开实施例提供的又一种行驶时间预测方法的流程图;
图3是根据本公开实施例提供的一种行驶时间预测模型的训练方法的流程图;
图4是根据本公开实施例提供的一种行驶时间预测模型的训练过程示意图;
图5是根据本公开实施例提供的一种行驶时间预测装置的结构示意图;
图6是根据本公开实施例提供的一种行驶时间预测模型的训练装置的结构示意图;
图7是用来实现本公开实施例的行驶时间预测方法或行驶时间预测模型的训练方法的电子设备的框图。
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。
需要说明的是,本发明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,以便这里描述的本发明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单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,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单元。
此外,还需要说明的是,本发明的技术方案中,所涉及的路网数据、公交网数据、交通状况数据、查询公交路线、站点热度信息等的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1是根据本公开实施例提供的一种行驶时间预测方法的流程图。该方法适用于公交路线规划、实时公交、公交电子站牌等场景如何快速且准确地确定公交行驶时间的情况。该方法可以由行驶时间预测装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于承载行驶时间预测功能的电子设备中,比如服务器中。如图1所示,本实施例的行驶时间预测方法可以包括:
S101,根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图。
本实施例中,路网数据是指城市或地区的道路数据,包括但不限于国道、省道、高速公路、市级行政道路、城市快速路、一级路、乡镇村道、其他道路。所谓公交网数据是指城市或地区的公交线路数据和站点数据。所谓交通状况数据是指各时间片内城市道路的路况数据,比如拥堵、交通事故等;其中,需要说明的是,时间片是指一段时间,比如5分钟或者半个小时等。
所谓公交线路图是指从路网数据和公交网数据中提取出的公交线路与站点之间的图结构,其中,节点表示站点;节点之间的边表示站点之间的线路;用于反映路网与公交网之间的相关性。所谓公交站点图是指是指从路网数据、公交网数据和交通状况数据中提取出的站点之间关联关系的图结构;用于反映不同站点之间的相关性。
一种可选方式,可以基于图神经网络,对路网数据、公交网数据和交通状况数据进行图结构转化,得到公交线路图和公交站点图。
S102,获取起点和终点之间的查询公交路线、查询公交路线中站点的站点热度信息、以及当前时间信息。
本实施例中,所谓查询公交线路是指由起点和终点之间的公交线路的站点序列,包括需要经过的站点;其中,所谓站点是指公交线路中的公交站点。
所谓站点热度信息用于反映公交站点的热度情况,可以包括包括站点人流量和/或车辆密度。可以理解的是,通过站点的热度信息,可以间接反映站点的人流量和车辆密度对于公交行驶时间的影响程度,从而后后续公交行驶时间的预测奠定基础。
所谓当前时间信息包括当前时间以及当前时间所属时间特性,其中时间特性包括工作日、休息日、高峰时段等。
具体的,可以获取路线查询方在移动终端输入的起点和终点,从数据库中确定起点和终点之间对应的公交线路,将查询到的公交线路作为查询公交路线,之后获取查询公交路线中站点的站点热度信息以及当前时间信息。
S103,采用公交线路图、公交站点图、查询公交路线、站点热度信息、以及当前时间信息,预测查询公交路线的公交行驶时间。
本实施例中,公交行驶时间是指公交车在查询公交线路中的行驶时间。
一种可选方式,可以分别对公交线路图、公交站点图、查询公交路线、站点热度信息、以及当前时间信息进行向量处理,得到对应的向量,之后基于行驶时间预测网络,对各向量进行回归预测,得到查询公交路线的公交行驶时间。其中,行驶时间预测网络可以是全连接网络。
本公开实施例提供的技术方案,通过根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图,之后获取起点和终点之间的查询公交路线、查询公交路线中站点的站点热度信息、以及当前时间信息,进而采用公交线路图、公交站点图、查询公交路线、站点热度信息、以及当前时间信息,预测查询公交路线的公交行驶时间。上述技术方案,通过路网数据和公交网数据等静态数据,以及交通状态数据、查询公交路线、站点热线信息以及当前时间信息等动态数据,基于不同维度的动态静态数据,来共同对公交行驶时间进行预测,提高了公交行驶时间预测精度。
在上述实施例的基础上,作为本公开的一种可选方式,根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图,包括:根据路网数据和公交网数据,构建公交线路图;根据路网数据、公交网数据和交通状况数据,构建公交站点图。
具体的,可以基于预设数据转换方式,将路网数据和公交网数据进行图结构转换,得到公交线路图。之后可以基于预设数据转换方式,将路网数据、公交网数据和交通状况数据进行图结构转换,构建公交站点图。需要说明的是,本实施例中对预设数据转换方式不作具体限定。
可以理解的是,将路网数据、公交网数据和交通状况数据来确定公交线路图和公交站点图,能够得到图结构数据,从而为后续表征线路之间关系以及站点之间关系提供便捷。
图2是根据本公开实施例提供的又一种行驶时间预测方法的流程图。本实施例在上述实施例的基础上,对“采用公交线路图、公交站点图、查询公交路线、站点热度信息、以及当前时间信息,预测查询公交路线的公交行驶时间”进一步优化,提供一种可选实施方案。如图2所示,本实施例的行驶时间预测方法可以包括:
S201,根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图。
S202,获取起点和终点之间的查询公交路线、查询公交路线中站点的站点热度信息、以及当前时间信息。
S203,基于图注意力网络,对公交线路图进行特征提取,得到公交线路表示。
本实施例中,公交线路表示用于表征公交线路之间的相关性;可以采用向量或矩阵形式表示。
具体的,可以将公交线路图输入图注意力网络(Graph Attention Network,GAT),经过处理,得到公交线路表示。
S204,基于时空注意力网络,对公交站点图进行特征提取,得到不同站点之间的三维时空特征。
本实施例中,三维时空特征用于表征在不同时间片内不同站点之间的相关性,可以采用矩阵或向量形式表示。
具体的,可以将不同时间片的公交站点图输入时空注意力网络,经过网络学习不同站点之间的时空关联性,得到不同站点之间的三维时空特征。
S205,对查询公交路线、站点热度信息、以及当前时间信息进行特征提取,得到查询公交路线的线路动态特征。
本实施例中,线路动态特征用于查询公交路线上的时间空间等动态特性,可以采用矩阵或向量形式。
一种可选方式,可以分别对查询公交路线、站点热度信息以及当前时间信息进行向量化处理,得到查询公交路线向量、站点热度向量和当前时间向量;之后可以基于路线特征提取网络,分别对查询公交路线向量、站点热度向量和当前时间向量进行特征提取,得到查询公交路线特征、站点热度特征和当前时间特征,进而可以基于预设特征融合方式,对查询公交路线特征、站点热度特征和当前时间特征进行融合,得到线路动态特征,例如可以对查询公交路线特征、站点热度特征和当前时间特征进行拼接或者相加,得到线路动态特征。
S206,根据公交线路表示、三维时空特征和线路动态特征,预测查询公交路线的公交行驶时间。
具体的,可以将公交线路表示、三维时空特征和线路动态特征输入行驶时间预测网络,预测得到查询公交路线的公交行驶时间。
本公开实施例提供的技术方案,通过根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图,之后获取起点和终点之间的查询公交路线、查询公交路线中站点的站点热度信息、以及当前时间信息,进而基于图注意力网络,对公交线路图进行特征提取,得到公交线路表示,并基于时空注意力网络,对公交站点图进行特征提取,得到不同站点之间的三维时空特征,同时对查询公交路线、站点热度信息、以及当前时间信息进行特征提取,得到查询公交路线的线路动态特征,最后根据公交线路表示、三维时空特征和线路动态特征,预测查询公交路线的公交行驶时间。上述技术方案,引入图注意力网络,对公交线路图进行特征提取,不仅能够捕捉公交线路的细粒度公交特性,还能够充分挖掘不同线路之间的相关性;同时引入时刻注意力网络,能够充分利用公交网络中不同站点之间的联合时空关系,从而基于多维度特征进行公交行驶时间预测,提高行驶时间预测的准确性。
在上述实施例的基础上,作为本公开的一种可选方式,根据公交线路表示、三维时空特征和线路动态特征,预测查询公交路线的公交行驶时间,包括:对公交线路表示和线路动态特征进行融合,得到融合特征;基于三维时空注意力网络,根据三维时空特征和融合特征,捕捉查询公交路线与站点的三维时空特征之间的时间动态特征;采用公交线路表示、线路动态特征和时间动态特征,预测查询公交路线的公交行驶时间。
其中,融合特征是指将公交线路表示和线路动态特征继续融合后的特征,用于进一步丰富查询公交路线的特征;可以采用矩阵或向量形式表示。所谓时间动态特征用于查询公交路线与其经过站点的时间特性之间的相关性,可以采用矩阵或向量形式表示。
具体的,可以基于预设特征融合方式,对公交线路表示和线路动态特征进行融合,例如可以将公交线路表示和线路动态特征进行拼接或相加,将拼接或相加后的结果作为融合特征。之后,可以以融合特征作为输入问题(query),以站点的三维时空特征作为关键字(key/value),将融合特征和三维时空特征输入三维时空注意力网络,得到查询公交路线与其经过站点的三维时空特征之间的时间动态特征。进而,可以基于行驶时间预测网络,采用公交线路表示、线路动态特征和时间动态特征,预测查询公交路线的公交行驶时间。
可以理解的是,引入三维时空注意力网络,来捕捉查询公交路线与其经过站点的三维时空特征之间的时间动态特征,能够充分挖掘查询公交路线与其经过站点的时间特征之间的动态相关性,从而为行驶时间的预测奠定基础。
在上述实施例的基础上,作为本公开的一种可选方式,对查询公交路线、站点热度信息、以及当前时间信息进行特征提取,得到查询公交路线的线路动态特征,包括:对查询公交路线、站点热度信息、以及当前时间信息进行融合,得到融合数据;对融合数据进行特征提取,得到查询公交路线的线路动态特征。
其中,融合数据是指对查询公交路线、站点热度信息、以及当前时间信息进行融合后的数据。
具体的,可以基于一定规则,对查询公交路线、站点热度信息、以及当前时间信息进行融合,例如可以将查询公交路线、站点热度信息、以及当前时间信息进行融合进行拼接,将拼接后的数据作为融合数据。之后,可以对融合数据进行向量化处理,得到融合向量,并基于路线特征提取网络,对融合数据进行特征提取,得到查询公交路线的线路动态特征。其中,特征提取网络可以基于卷积神经网络确定,例如可以是全连接网络。
可以理解的是,通过对查询公交路线、站点热度信息、以及当前时间信息进行融合,能够表现查询公交路线的实时动态特性,为查询公交线路的行驶时间的确定提供数据支撑。
在上述实施例的基础上,作为本公开的一种可选方式,基于时空注意力网络,对公交站点图进行特征提取,得到不同站点之间的三维时空特征之后,还包括:确定起点和终点之间的驾车路线;采用三维时空特征,预测驾车路线的车辆行驶时间。
其中,驾车路线是指起点和终点之间的驾车行驶路线。需要说明的是,驾车路线和公交查询路线不同,一般的,公交查询路线要比驾车路线所要经过的路段要多。
具体的,从前端中获取当前时间段内起点的终点之间的驾车行驶路线,对驾车行驶路线进行特征提取,得到驾车路线特征,之后基于行驶时间预测网络,采用驾车路线特征和三维时空特征,对驾车路线的行驶时间进行预测,得到驾车路线的车辆行驶时间。进一步的,还可以获取未来某时间段内驾车路线的车辆行驶时间。
可以理解的是,本公开在公交查询路线的公交行驶时间进行预测的同时,还可以对不同时段的驾车行驶路线的车辆行驶时间进行预测,能够实现多任务的预测。
图3是根据本公开实施例提供的一种行驶时间预测模型的训练方法的流程图。本实施例适用于公交路线规划、实时公交、公交电子站牌等场景如何快速且准确地确定公交行驶时间的情况。该方法可以由行驶时间预测模型的训练装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于承载行驶时间预测模型的训练功能的电子设备中,比如服务器中。如图3所示,本实施例的行驶时间预测模型的训练方法可以包括:
S301,根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图。
本实施例中,路网数据是指城市或地区的道路数据,包括但不限于国道、省道、高速公路、市级行政道路、城市快速路、一级路、乡镇村道、其他道路。所谓公交网数据是指城市或地区的公交线路数据和站点数据。所谓交通状况数据是指各时间片内城市道路的路况数据,比如拥堵、交通事故等;其中,需要说明的是,时间片是指一段时间,比如5分钟或者半个小时等。
所谓公交线路图是指从路网数据和公交网数据中提取出的公交线路与站点之间的图结构,其中,节点表示站点;节点之间的边表示站点之间的线路;用于反映路网与公交网之间的相关性。所谓公交站点图是指是指从路网数据、公交网数据和交通状况数据中提取出的站点之间关联关系的图结构;用于反映不同站点之间的相关性。
一种可选方式,可以基于图神经网络,对路网数据、公交网数据和交通状况数据进行图结构转化,得到公交线路图和公交站点图。
又一种可选方式,根据路网数据和公交网数据,构建公交线路图;根据路网数据、公交网数据和交通状况数据,构建公交站点图。
S302,获取起点和终点之间的查询公交路线、查询公交路线中站点的站点热度信息、以及当前时间信息。
本实施例中,所谓查询公交线路是指由起点和终点之间的公交线路的站点序列,包括需要经过的站点;其中,所谓站点是指公交线路中的公交站点。
所谓站点热度信息用于反映公交站点的热度情况,可以包括包括站点人流量和/或车辆密度。可以理解的是,通过站点的热度信息,可以间接反映站点的人流量和车辆密度对于公交行驶时间的影响程度,从而后后续公交行驶时间的预测奠定基础。
所谓当前时间信息包括当前时间以及当前时间所属时间特性,其中时间特性包括工作日、休息日、高峰时段等。
具体的,可以获取路线查询方在移动终端输入的起点和终点,从数据库中确定起点和终点之间对应的公交线路,将查询到的公交线路作为查询公交路线,之后获取查询公交路线中站点的站点热度信息以及当前时间信息。
S303,采用公交线路图、公交站点图、查询公交路线、站点热度信息、以及当前时间信息,预测查询公交路线的公交行驶时间。
本实施例中,公交行驶时间是指公交车在查询公交线路中的行驶时间。
一种可选方式,可以分别对公交线路图、公交站点图、查询公交路线、站点热度信息、以及当前时间信息进行向量处理,得到对应的向量,之后基于行驶时间预测网络,对各向量进行回归预测,得到查询公交路线的公交行驶时间。其中,行驶时间预测网络可以是全连接网络。
S304,根据公交行驶时间和查询公交路线的第一标签数据,训练行驶时间预测模型。
本实施例中,第一标签数据是指查询公交路线的真实公交行驶时间。所谓行驶时间预测模型用于进行行驶时间预测,可以用于公交查询路线的公交行驶时间预测,同时还可以用于驾车路线的车辆行驶时间预测;可选的行驶时间预测模型可以包括图注意力网络、时空图注意力网络和三维时空注意力网络、路线特征提取网络和行驶时间预测网络。
具体的,可以基于第一预设损失函数,采用公交行驶时间和查询公交路线的第一标签数据,确定第一训练损失,采用第一训练损失对行驶时间预测模型进行迭代训练,直至满足第一训练停止条件,停止对行驶时间预测模型训练。其中,第一训练损失是基于公交行驶时间和第一标签数据所确定的损失。第一训练停止条件可以包括迭代次数满足第一设定次数,或第一训练损失稳定在第一设定范围内;第一设定次数和第一设定范围可以由本领域技术人员根据实际需求设定。需要说明的是,本实施例对第一预设损失函数不作具体限定,例如可以是交叉熵损失函数。
本公开实施例提供的技术方案,通过根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图,之后获取起点和终点之间的查询公交路线、查询公交路线中站点的站点热度信息、以及当前时间信息,进而采用公交线路图、公交站点图、查询公交路线、站点热度信息、以及当前时间信息,预测查询公交路线的公交行驶时间,最后根据公交行驶时间和查询公交路线的第一标签数据,训练行驶时间预测模型。上述技术方案,通过路网数据和公交网数据等静态数据,以及交通状态数据、查询公交路线、站点热线信息以及当前时间信息等动态数据,基于不同维度的动态静态数据,来训练行驶时间预测模型,从而进行行驶时间的预测,能够提高公交行驶时间的预测精度。
在上述实施例的基础上,作为本公开的一种可选方式,采用公交线路图、公交站点图、查询公交路线、站点热度信息、以及当前时间信息,预测查询公交路线的公交行驶时间,包括:基于图注意力网络,对公交线路图进行特征提取,得到公交线路表示;基于时空注意力网络,对公交站点图进行特征提取,得到不同站点之间的三维时空特征;对查询公交路线、站点热度信息、以及当前时间信息进行特征提取,得到查询公交路线的线路动态特征;根据公交线路表示、三维时空特征和线路动态特征,预测查询公交路线的公交行驶时间。
其中,公交线路表示用于表征公交线路之间的相关性;可以采用向量或矩阵形式表示。三维时空特征用于表征在不同时间片内不同站点之间的相关性,可以采用矩阵或向量形式表示。线路动态特征用于查询公交路线上的时间空间等动态特性,可以采用矩阵或向量形式。
具体的,可以将公交线路图输入图注意力网络(Graph Attention Network,GAT),经过处理,得到公交线路表示。之后可以将不同时间片的公交站点图输入时空注意力网络,经过网络学习不同站点之间的时空关联性,得到不同站点之间的三维时空特征。进而可以分别对查询公交路线、站点热度信息以及当前时间信息进行向量化处理,得到查询公交路线向量、站点热度向量和当前时间向量;之后可以基于路线特征提取网络,分别对查询公交路线向量、站点热度向量和当前时间向量进行特征提取,得到查询公交路线特征、站点热度特征和当前时间特征,进而可以基于预设特征融合方式,对查询公交路线特征、站点热度特征和当前时间特征进行融合,得到线路动态特征,例如可以对查询公交路线特征、站点热度特征和当前时间特征进行拼接或者相加,得到线路动态特征。
可以理解的是,引入图注意力网络,对公交线路图进行特征提取,不仅能够捕捉公交线路的细粒度公交特性,还能够充分挖掘不同线路之间的相关性;同时引入时刻注意力网络,能够充分利用公交网络中不同站点之间的联合时空关系,从而基于多维度特征进行公交行驶时间预测,提高行驶时间预测的准确性。
在上述实施例的基础上,作为本公开的一种可选方式,基于时空注意力网络,对公交站点图进行特征提取,得到不同站点之间的三维时空特征之后,还包括:确定起点和终点之间的驾车路线;采用三维时空特征,预测驾车路线的车辆行驶时间;根据车辆行驶时间和驾车路线的第二标签数据,训练行驶时间预测模型。
其中,驾车路线是指起点和终点之间的驾车行驶路线。需要说明的是,驾车路线和公交查询路线不同,一般的,公交查询路线要比驾车路线所要经过的路段要多。第二标签数据是指驾车路线的真实的车辆行驶时间。
具体的,从前端中获取当前时间段内起点的终点之间的驾车行驶路线,对驾车行驶路线进行特征提取,得到驾车路线特征,之后基于行驶时间预测网络,采用驾车路线特征和三维时空特征,对驾车路线的行驶时间进行预测,得到驾车路线的车辆行驶时间。进一步的,还可以获取未来某时间段内驾车路线的车辆行驶时间。之后,基于第二预设损失函数,采用车辆行驶时间和驾车路线的第二标签数据,确定第二训练损失,采用第二训练损失对行驶时间预测模型进行迭代训练,直到满足第二训练停止条件。
其中,第二训练损失是基于车辆行驶时间和第二标签数据所确定的损失。第二训练停止条件可以包括迭代次数满足第二设定次数,或第二训练损失稳定在第二设定范围内;第二设定次数和第二设定范围可以由本领域技术人员根据实际需求设定。需要说明的是,本实施例对第二预设损失函数不作具体限定,例如可以是交叉熵损失函数。
可以理解的是,本公开可以对行驶时间预测模型进行多任务训练,在主任务进行公交查询路线的公交行驶时间预测,辅助任务还可以对不同时段的驾车行驶路线的车辆行驶时间进行预测,能够实现多任务的预测。
图4是根据本公开实施例提供的一种行驶时间预测模型的训练过程示意图。本实施例在上述各实施例的基础上,提供一种行驶时间预测模型的训练过程示例。可选的,行驶时间预测模型包括图注意网络、时空注意力网络、三维时空注意力网络、路线特征提取网络和行驶时间预测网络;其中,图注意力网络用于对公交线路图进行特征提取;时空注意力网络用于对公交站点图进行特征提取;三维时空注意力网络用于捕捉查询公交路线与站点的三维时空特征之间的时间动态特征;路线特征提取网络用于从查询公交路线、站点热度信息以及当前时间信息中提取路线动态特征;行驶时间预测网络用于对公交行驶时间和车辆行驶时间进行多任务预测。
具体的,可以将公交线路图输入图注意力网络,经过网络处理,得到公交线路表示;将公交站点图输入时空注意力网络,得到不同站点之间的三维时空特征;将查询公交路线、站点热度信息、以及当前时间信息输入路线特征提取网络进行特征提取,得到查询公交路线的线路动态特征;之后对公交线路表示和线路动态特征进行融合,得到融合特征;基于三维时空注意力网络,对融合特征和三维时空特征进行加权注意力运算,得到查询公交路线与站点的三维时空特征之间的时间动态特征。进而对公交线路表示、路线动态特征和时间动态特征进行整合,得到整合特征;最后将整合特征输入行驶时间预测网络,得到公交查询路线的公交行驶时间,并采用公交行驶时间和公交查询路线的第一标签数据,确定第一训练损失,采用第一训练损失对行驶时间预测模型进行训练。
进一步的,还可以将三维时空特征和驾车路线特征输入行驶时间预测网络,得到驾车路线的车辆行驶时间,之后采用车辆行驶时间和驾车路线的第二标签数据,确定第二训练损失,采用第二训练损失对行驶时间预测模型进行训练。
图5是根据本公开实施例提供的一种行驶时间预测装置的结构示意图。本实施例适用于公交路线规划、实时公交、公交电子站牌等场景如何快速且准确地确定公交行驶时间的情况。该装置可以采用软件和/或硬件的方式实现,并可集成于承载行驶时间预测功能的电子设备中,比如服务器中。。
如图5所示,本实施例的行驶时间预测装置500可以包括:
第一图结构确定模块501,用于根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图;
第一数据获取模块502,用于获取起点和终点之间的查询公交路线、查询公交路线中站点的站点热度信息、以及当前时间信息;
第一公交行驶时间预测模块503,用于采用公交线路图、公交站点图、查询公交路线、站点热度信息、以及当前时间信息,预测查询公交路线的公交行驶时间。
本公开实施例提供的技术方案,通过根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图,之后获取起点和终点之间的查询公交路线、查询公交路线中站点的站点热度信息、以及当前时间信息,进而采用公交线路图、公交站点图、查询公交路线、站点热度信息、以及当前时间信息,预测查询公交路线的公交行驶时间。上述技术方案,通过路网数据和公交网数据等静态数据,以及交通状态数据、查询公交路线、站点热线信息以及当前时间信息等动态数据,基于不同维度的动态静态数据,来共同对公交行驶时间进行预测,提高了公交行驶时间预测精度。
进一步地,第一图结构确定模块501具体用于:
根据路网数据和公交网数据,构建公交线路图;
根据路网数据、公交网数据和交通状况数据,构建公交站点图。
进一步地,第一公交行驶时间预测模块503,包括:
第一公交线路表示确定单元,用于基于图注意力网络,对公交线路图进行特征提取,得到公交线路表示;
第一三维时空特征确定单元,用于基于时空注意力网络,对公交站点图进行特征提取,得到不同站点之间的三维时空特征;
第一线路动态特征确定单元,用于对查询公交路线、站点热度信息、以及当前时间信息进行特征提取,得到查询公交路线的线路动态特征;
第一公交行驶时间预测单元,用于根据公交线路表示、三维时空特征和线路动态特征,预测查询公交路线的公交行驶时间。
进一步地,第一公交行驶时间预测单元具体用于:
对公交线路表示和线路动态特征进行融合,得到融合特征;
基于三维时空注意力网络,根据三维时空特征和融合特征,捕捉查询公交路线与站点的三维时空特征之间的时间动态特征;
采用公交线路表示、线路动态特征和时间动态特征,预测查询公交路线的公交行驶时间。
进一步地,第一线路动态特征确定单元具体用于:
对查询公交路线、站点热度信息、以及当前时间信息进行融合,得到融合数据;
对融合数据进行特征提取,得到查询公交路线的线路动态特征。
进一步地,该装置还包括车辆行驶时间预测模块,用于:
在基于时空注意力网络,对公交站点图进行特征提取,得到不同站点之间的三维时空特征之后,确定起点和终点之间的驾车路线;
采用三维时空特征,预测驾车路线的车辆行驶时间。
进一步地,站点热度信息包括站点人流量和/或车辆密度。
图6是根据本公开实施例提供的一种行驶时间预测模型的训练装置的结构示意图。本实施例适用于公交路线规划、实时公交、公交电子站牌等场景如何快速且准确地确定公交行驶时间的情况。该装置可以采用软件和/或硬件的方式实现,并可集成于承载行驶时间预测模型的训练功能的电子设备中,比如服务器中。如图6所示,本实施例的行驶时间预测模型的训练装置600可以包括:
第二图数据确定模块601,用于根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图;
第二数据获取模块602,用于获取起点和终点之间的查询公交路线、查询公交路线中站点的站点热度信息、以及当前时间信息;
第二公交行驶时间预测模块603,用于采用公交线路图、公交站点图、查询公交路线、站点热度信息、以及当前时间信息,预测查询公交路线的公交行驶时间;
第一模型训练模块604,用于根据公交行驶时间和查询公交路线的第一标签数据,训练行驶时间预测模型。
本公开实施例提供的技术方案,通过根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图,之后获取起点和终点之间的查询公交路线、查询公交路线中站点的站点热度信息、以及当前时间信息,进而采用公交线路图、公交站点图、查询公交路线、站点热度信息、以及当前时间信息,预测查询公交路线的公交行驶时间,最后根据公交行驶时间和查询公交路线的第一标签数据,训练行驶时间预测模型。上述技术方案,通过路网数据和公交网数据等静态数据,以及交通状态数据、查询公交路线、站点热线信息以及当前时间信息等动态数据,基于不同维度的动态静态数据,来训练行驶时间预测模型,从而进行行驶时间的预测,能够提高公交行驶时间的预测精度。
进一步地,第二公交行驶时间预测模块603包括:
第二公交线路表示确定单元,用于基于图注意力网络,对公交线路图进行特征提取,得到公交线路表示;
第二三维时空特征确定单元,用于基于时空注意力网络,对公交站点图进行特征提取,得到不同站点之间的三维时空特征;
第二线路动态特征确定单元,用于对查询公交路线、站点热度信息、以及当前时间信息进行特征提取,得到查询公交路线的线路动态特征;
第二公交行驶时间预测单元,用于根据公交线路表示、三维时空特征和线路动态特征,预测查询公交路线的公交行驶时间。
进一步地,该装置还包括第二模型训练模块,用于:
基于时空注意力网络,对公交站点图进行特征提取,得到不同站点之间的三维时空特征之后,确定起点和终点之间的驾车路线;
采用三维时空特征,预测驾车路线的车辆行驶时间;
根据车辆行驶时间和驾车路线的第二标签数据,训练行驶时间预测模型。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7是用来实现本公开实施例的行驶时间预测方法或行驶时间预测模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如行驶时间预测方法或行驶时间预测模型的训练方法。例如,在一些实施例中,行驶时间预测方法或行驶时间预测模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM703并由计算单元701执行时,可以执行上文描述的行驶时间预测方法或行驶时间预测模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行行驶时间预测方法或行驶时间预测模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(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。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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 (23)
1.一种行驶时间预测方法,包括:
根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图;
获取起点和终点之间的查询公交路线、所述查询公交路线中站点的站点热度信息、以及当前时间信息;
采用所述公交线路图、所述公交站点图、所述查询公交路线、所述站点热度信息、以及所述当前时间信息,预测所述查询公交路线的公交行驶时间。
2.根据权利要求1所述的方法,其中,所述根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图,包括:
根据路网数据和公交网数据,构建公交线路图;
根据所述路网数据、所述公交网数据和所述交通状况数据,构建公交站点图。
3.根据权利要求1所述的方法,其中,所述采用所述公交线路图、所述公交站点图、所述查询公交路线、所述站点热度信息、以及所述当前时间信息,预测所述查询公交路线的公交行驶时间,包括:
基于图注意力网络,对所述公交线路图进行特征提取,得到公交线路表示;
基于时空注意力网络,对所述公交站点图进行特征提取,得到不同站点之间的三维时空特征;
对所述查询公交路线、所述站点热度信息、以及所述当前时间信息进行特征提取,得到所述查询公交路线的线路动态特征;
根据所述公交线路表示、所述三维时空特征和所述线路动态特征,预测所述查询公交路线的公交行驶时间。
4.根据权利要求3所述的方法,其中,所述根据所述公交线路表示、所述三维时空特征和所述线路动态特征,预测所述查询公交路线的公交行驶时间,包括:
对所述公交线路表示和所述线路动态特征进行融合,得到融合特征;
基于三维时空注意力网络,根据所述三维时空特征和所述融合特征,捕捉所述查询公交路线与站点的三维时空特征之间的时间动态特征;
采用所述公交线路表示、所述线路动态特征和所述时间动态特征,预测所述查询公交路线的公交行驶时间。
5.根据权利要求3所述的方法,其中,所述对所述查询公交路线、所述站点热度信息、以及所述当前时间信息进行特征提取,得到所述查询公交路线的线路动态特征,包括:
对所述查询公交路线、所述站点热度信息、以及所述当前时间信息进行融合,得到融合数据;
对所述融合数据进行特征提取,得到所述查询公交路线的线路动态特征。
6.根据权利要求3所述的方法,其中,基于时空注意力网络,对所述公交站点图进行特征提取,得到不同站点之间的三维时空特征之后,还包括:
确定所述起点和所述终点之间的驾车路线;
采用所述三维时空特征,预测所述驾车路线的车辆行驶时间。
7.根据权利要求1-6中任一项所述的方法,其中,所述站点热度信息包括站点人流量和/或车辆密度。
8.一种行驶时间预测模型的训练方法,包括:
根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图;
获取起点和终点之间的查询公交路线、所述查询公交路线中站点的站点热度信息、以及当前时间信息;
采用所述公交线路图、所述公交站点图、所述查询公交路线、所述站点热度信息、以及所述当前时间信息,预测所述查询公交路线的公交行驶时间;
根据所述公交行驶时间和所述查询公交路线的第一标签数据,训练行驶时间预测模型。
9.根据权利要求8所述的方法,其中,所述采用所述公交线路图、所述公交站点图、所述查询公交路线、所述站点热度信息、以及所述当前时间信息,预测所述查询公交路线的公交行驶时间,包括:
基于图注意力网络,对所述公交线路图进行特征提取,得到公交线路表示;
基于时空注意力网络,对所述公交站点图进行特征提取,得到不同站点之间的三维时空特征;
对所述查询公交路线、所述站点热度信息、以及所述当前时间信息进行特征提取,得到所述查询公交路线的线路动态特征;
根据所述公交线路表示、所述三维时空特征和所述线路动态特征,预测所述查询公交路线的公交行驶时间。
10.根据权利要求9所述的方法,其中,所述基于时空注意力网络,对所述公交站点图进行特征提取,得到不同站点之间的三维时空特征之后,还包括:
确定所述起点和所述终点之间的驾车路线;
采用所述三维时空特征,预测所述驾车路线的车辆行驶时间;
根据所述车辆行驶时间和所述驾车路线的第二标签数据,训练行驶时间预测模型。
11.一种行驶时间预测装置,包括:
第一图结构确定模块,用于根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图;
第一数据获取模块,用于获取起点和终点之间的查询公交路线、所述查询公交路线中站点的站点热度信息、以及当前时间信息;
第一公交行驶时间预测模块,用于采用所述公交线路图、所述公交站点图、所述查询公交路线、所述站点热度信息、以及所述当前时间信息,预测所述查询公交路线的公交行驶时间。
12.根据权利要求11所述的装置,其中,所述第一图结构确定模块具体用于:
根据路网数据和公交网数据,构建公交线路图;
根据所述路网数据、所述公交网数据和所述交通状况数据,构建公交站点图。
13.根据权利要求11所述的装置,其中,所述第一公交行驶时间预测模块,包括:
第一公交线路表示确定单元,用于基于图注意力网络,对所述公交线路图进行特征提取,得到公交线路表示;
第一三维时空特征确定单元,用于基于时空注意力网络,对所述公交站点图进行特征提取,得到不同站点之间的三维时空特征;
第一线路动态特征确定单元,用于对所述查询公交路线、所述站点热度信息、以及所述当前时间信息进行特征提取,得到所述查询公交路线的线路动态特征;
第一公交行驶时间预测单元,用于根据所述公交线路表示、所述三维时空特征和所述线路动态特征,预测所述查询公交路线的公交行驶时间。
14.根据权利要求13所述的装置,其中,所述第一公交行驶时间预测单元具体用于:
对所述公交线路表示和所述线路动态特征进行融合,得到融合特征;
基于三维时空注意力网络,根据所述三维时空特征和所述融合特征,捕捉所述查询公交路线与站点的三维时空特征之间的时间动态特征;
采用所述公交线路表示、所述线路动态特征和所述时间动态特征,预测所述查询公交路线的公交行驶时间。
15.根据权利要求13所述的装置,其中,所述第一线路动态特征确定单元具体用于:
对所述查询公交路线、所述站点热度信息、以及所述当前时间信息进行融合,得到融合数据;
对所述融合数据进行特征提取,得到所述查询公交路线的线路动态特征。
16.根据权利要求13所述的装置,其中,该装置还包括车辆行驶时间预测模块,用于:
在基于时空注意力网络,对所述公交站点图进行特征提取,得到不同站点之间的三维时空特征之后,确定所述起点和所述终点之间的驾车路线;
采用所述三维时空特征,预测所述驾车路线的车辆行驶时间。
17.根据权利要求11-16中任一项所述的装置,其中,所述站点热度信息包括站点人流量和/或车辆密度。
18.一种行驶时间预测模型的训练装置,包括:
第二图数据确定模块,用于根据路网数据、公交网数据和交通状况数据,构建公交线路图和公交站点图;
第二数据获取模块,用于获取起点和终点之间的查询公交路线、所述查询公交路线中站点的站点热度信息、以及当前时间信息;
第二公交行驶时间预测模块,用于采用所述公交线路图、所述公交站点图、所述查询公交路线、所述站点热度信息、以及所述当前时间信息,预测所述查询公交路线的公交行驶时间;
第一模型训练模块,用于根据所述公交行驶时间和所述查询公交路线的第一标签数据,训练行驶时间预测模型。
19.根据权利要求18所述的装置,其中,所述第二公交行驶时间预测模块包括:
第二公交线路表示确定单元,用于基于图注意力网络,对所述公交线路图进行特征提取,得到公交线路表示;
第二三维时空特征确定单元,用于基于时空注意力网络,对所述公交站点图进行特征提取,得到不同站点之间的三维时空特征;
第二线路动态特征确定单元,用于对所述查询公交路线、所述站点热度信息、以及所述当前时间信息进行特征提取,得到所述查询公交路线的线路动态特征;
第二公交行驶时间预测单元,用于根据所述公交线路表示、所述三维时空特征和所述线路动态特征,预测所述查询公交路线的公交行驶时间。
20.根据权利要求19所述的装置,其中,该装置还包括第二模型训练模块,用于:
基于时空注意力网络,对所述公交站点图进行特征提取,得到不同站点之间的三维时空特征之后,确定所述起点和所述终点之间的驾车路线;
采用所述三维时空特征,预测所述驾车路线的车辆行驶时间;
根据所述车辆行驶时间和所述驾车路线的第二标签数据,训练行驶时间预测模型。
21.一种电子设备,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1-7中任一项所述的行驶时间预测方法,或权利要求8-10中任一项所述的行驶时间预测模型的训练方法。
22.一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计算机执行根据权利要求1-7中任一项所述的行驶时间预测方法,或权利要求8-10中任一项所述的行驶时间预测模型的训练方法。
23.一种计算机程序产品,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1-7中任一项所述的行驶时间预测方法,或权利要求8-10中任一项所述的行驶时间预测模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311001679.1A CN116935689A (zh) | 2023-08-09 | 2023-08-09 | 行驶时间预测方法、行驶时间预测模型的训练方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311001679.1A CN116935689A (zh) | 2023-08-09 | 2023-08-09 | 行驶时间预测方法、行驶时间预测模型的训练方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116935689A true CN116935689A (zh) | 2023-10-24 |
Family
ID=88392459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311001679.1A Pending CN116935689A (zh) | 2023-08-09 | 2023-08-09 | 行驶时间预测方法、行驶时间预测模型的训练方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935689A (zh) |
-
2023
- 2023-08-09 CN CN202311001679.1A patent/CN116935689A/zh active Pending
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 | |
CN113191256A (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
EP3822876A2 (en) | Method and apparatus for predicting destination, electronic device and storage medium | |
CN113361578A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
CN114357105A (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN114036253A (zh) | 高精地图数据处理方法、装置、电子设备和介质 | |
CN114648676A (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN114715145A (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN114543829A (zh) | 模型训练方法、导航轨迹的推荐方法、装置及车辆 | |
CN112883236A (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
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 | |
CN116935689A (zh) | 行驶时间预测方法、行驶时间预测模型的训练方法、设备及介质 | |
CN113360791B (zh) | 电子地图的兴趣点查询方法、装置、路侧设备及车辆 | |
CN112541021B (zh) | 路线评估方法、风景区游览预估时长计算方法及装置 | |
CN113868532B (zh) | 一种地点推荐方法、装置、电子设备及存储介质 | |
CN113656425B (zh) | 电子地图的更新方法、装置、电子设备、存储介质及产品 | |
CN114333326B (zh) | 一种路口拥堵检测方法、装置及电子设备 | |
CN117037484A (zh) | 车辆位置确定方法、车辆位置确定模型的训练方法及设备 | |
CN113532449B (zh) | 智能交通路网获取方法、装置、电子设备及存储介质 | |
CN113962382A (zh) | 训练样本的构建方法、装置、电子设备和可读存储介质 | |
CN116245215A (zh) | 预测模型获取及通行时长预测方法、装置、设备及介质 | |
CN117056446A (zh) | 轨迹数据查询方法、装置、电子设备及介质 | |
CN117149929A (zh) | 一种数据处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |