CN117057441A - 出行时间预测模型的训练、预测方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种出行时间预测模型的训练方法、出行时间的预测方法、装置、电子设备和存储介质，属于车辆技术领域。通过本申请实施例提供的技术方案，获取目标车辆的多个历史出行日期以及各个历史出行日期的历史首次出行时刻。对多个历史出行日期进行特征提取，得到各个历史出行日期的出行日期特征。基于多个历史出行日期的出行日期特征以及各个历史出行日期的参考出行时刻，对出行时间预测模型进行训练，使得出行时间预测模型具有预测目标车辆的首次出行时刻的能力，后续基于预测出的首次出行时刻来生成电池加热策略，执行该电池加热策略能够在用户出行前完成对电池的加热，提高车辆的智能化水平，节约用户时间，提高用户用车体验。

Description

出行时间预测模型的训练、预测方法、装置及电子设备

技术领域

本申请涉及车辆技术领域，并且更具体地，涉及车辆技术领域中一种出行时间预测模型的训练方法、出行时间的预测方法、装置、电子设备和存储介质。

背景技术

随着社会的发展，电动车辆的数量越来越多。电动车辆以电池作为能量来源，电池温度对于电池的续航和寿命有着较大的影响。

相关技术中，为了提高电动车辆的电池在冬季的续航，由于无法知晓用户的用户计划，往往会在车辆启动之后先对电池进行预热，提高电池的温度，从而提高电池在冬季的续航。

但是，在对电池进行预热的过程中，用户需要等待一段时间，可能会影响用户的出行计划，降低了用户的用车体验。

发明内容

本申请实施例提供了一种出行时间预测模型的训练方法、出行时间的预测方法、装置、电子设备和存储介质，能够在用户用车之前对电池进行预热，提高车辆智能化水平，节约用户时间，提高用户的用车体验，技术方案如下：

一方面，提供了一种出行时间预测模型的训练方法，所述方法包括：

获取目标车辆的多个历史出行日期以及各个所述历史出行日期的历史首次出行时刻；

对所述多个历史出行日期进行特征提取，得到各个所述历史出行日期的出行日期特征，所述出行日期特征用于表示对应历史出行日期的特性；

基于所述多个历史出行日期的出行日期特征以及各个所述历史出行日期的参考出行时刻，对出行时间预测模型进行训练，得到训练好的出行时间预测模型；

其中，所述参考出行时刻是所述目标车辆在对应历史出行日期之前的历史首次出行时刻，所述出行时间预测模型用于预测所述目标车辆的首次出行时刻，所述首次出行时刻用于生成所述目标车辆的电池加热策略。

在一种可能的实施方式中，所述获取目标车辆的多个历史出行日期以及各个所述历史出行日期的历史首次出行时刻包括：

获取所述目标车辆的多个历史行程数据，所述历史行程数据包括历史出行日期以及历史出行时刻；

对所述多个历史行程数据进行聚合和筛选，得到所述目标车辆的多个历史出行日期以及各个所述历史出行日期的历史首次出行时刻。

在一种可能的实施方式中，所述对所述多个历史行程数据进行聚合和筛选，得到所述目标车辆的多个历史出行日期以及各个所述历史出行日期的历史首次出行时刻包括：

采用历史出行日期对所述多个历史行程数据进行聚合，得到多个历史行程数据集合，一个所述历史行程数据集合对应于一个所述历史出行日期，一个所述历史行程数据集包括至少一个历史行程数据；

采用预设时刻对各个所述历史行程数据集合中的至少一个历史出行时刻进行筛选，得到各个所述历史出行日期的历史首次出行时刻，所述历史首次出行时刻为所述预设时刻之后的第一个历史出行时刻。

在一种可能的实施方式中，所述出行日期特征包括休息日子特征、休息日关系子特征、工作日子特征以及所在周的周末类型子特征，所述对所述多个历史出行日期进行特征提取，得到各个所述历史出行日期的出行日期特征包括：

对于所述多个历史出行日期中的任一历史出行日期，获取所述历史出行日期的休息日子特征、休息日关系子特征、工作日子特征以及所在周的周末类型子特征；

其中，所述休息日子特征用于反映所述历史出行日期的休息日类型，所述休息日关系子特征用于反映所述历史出行日期与休息日之间的关系，所述工作日子特征用于反映所述历史出行日期与工作日之间的关系，所述周末类型子特征用于反映所述历史出行日期所在周的周末是否为工作日。

在一种可能的实施方式中，所述休息日子特征包括是否为周末、是否为假日、是否为休息日的第一天以及是否为休息日的最后一天中的至少一项；

所述休息日关系子特征包括是否为休息日的前一天以及是否为休息日的后一天中的至少一项；

所述工作日子特征包括是否为工作日、后一天是否为工作日以及前一天是否为工作日中的至少一项：

所述周末类型子特征包括周六是否为工作日以及周日是否为工作日中的至少一项。

在一种可能的实施方式中，所述基于所述多个历史出行日期的出行日期特征以及各个所述历史出行日期的参考出行时刻，对出行时间预测模型进行训练包括：

对于所述多个历史出行日期中的任一历史出行日期，将所述历史出行日期的出行日期特征以及所述历史出行日期的参考出行时刻输入所述出行时间预测模型，由所述出行时间预测模型输出所述历史出行日期的预测首次出行时间；

基于所述历史出行日期的历史首次出行时刻与预测首次出行时间之间的差异信息，对所述出行时间预测模型进行训练。

在一种可能的实施方式中，所述预测首次出行时间为预测时间区间，所述基于所述历史出行日期的历史首次出行时刻与预测首次出行时间之间的差异信息，对所述出行时间预测模型进行训练包括：

确定所述历史出行日期的历史首次出行时刻对应的历史时间区间；

基于所述历史时间区间与所述预测时间区间之间的差异信息，对所述出行时间预测模型进行训练。

一方面，提供了一种出行时间的预测方法，所述方法包括：

获取待预测首次出行时刻的目标日期以及所述目标日期的参考出行时刻，所述参考出行时刻是目标车辆在所述目标日期之前的历史首次出行时刻；

对所述目标日期进行特征提取，得到所述目标日期的出行日期特征，所述出行日期特征用于表示所述目标出行日期的特性；

将所述出行日期特征以及所述参考出行时刻输入出行时间预测模型，由所述出行时间预测模型输出所述目标车辆在所述目标日期的首次出行时刻，所述首次出行时刻用于生成所述目标车辆的电池加热策略；

其中，所述出行时间预测模型根据上一方面任一种实施方式训练得到。

在一种可能的实施方式中，所述将所述出行日期特征以及所述参考出行时刻输入出行时间预测模型，由所述出行时间预测模型输出所述目标车辆在所述目标日期的首次出行时刻之后，所述方法还包括：

在所述目标日期的所述首次出行时刻之前，获取所述目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度；

基于所述当前电池温度与所述需求电池温度之前的温度差、当前时刻与所述首次出行时刻之间的时长以及所述环境温度，生成所述目标车辆的电池加热策略，所述电池加热策略用于指示在所述首次出行时刻将所述目标车辆的电池加热到所述需求电池温度。

一方面，提供了一种出行时间预测模型的训练装置，所述装置包括：

历史日期时刻获取模块，用于获取目标车辆的多个历史出行日期以及各个所述历史出行日期的历史首次出行时刻；

第一特征提取模块，用于对所述多个历史出行日期进行特征提取，得到各个所述历史出行日期的出行日期特征，所述出行日期特征用于表示对应历史出行日期的特性；

训练模块，用于基于所述多个历史出行日期的出行日期特征以及各个所述历史出行日期的参考出行时刻，对出行时间预测模型进行训练，得到训练好的出行时间预测模型；

其中，所述参考出行时刻是所述目标车辆在对应历史出行日期之前的历史首次出行时刻，所述出行时间预测模型用于预测所述目标车辆的首次出行时刻，所述首次出行时刻用于生成所述目标车辆的电池加热策略。

在一种可能的实施方式中，所述历史日期时刻获取模块，用于获取所述目标车辆的多个历史行程数据，所述历史行程数据包括历史出行日期以及历史出行时刻；对所述多个历史行程数据进行聚合和筛选，得到所述目标车辆的多个历史出行日期以及各个所述历史出行日期的历史首次出行时刻。

在一种可能的实施方式中，所述历史日期时刻获取模块，用于采用历史出行日期对所述多个历史行程数据进行聚合，得到多个历史行程数据集合，一个所述历史行程数据集合对应于一个所述历史出行日期，一个所述历史行程数据集包括至少一个历史行程数据；采用预设时刻对各个所述历史行程数据集合中的至少一个历史出行时刻进行筛选，得到各个所述历史出行日期的历史首次出行时刻，所述历史首次出行时刻为所述预设时刻之后的第一个历史出行时刻。

在一种可能的实施方式中，所述出行日期特征包括休息日子特征、休息日关系子特征、工作日子特征以及所在周的周末类型子特征，所述第一特征提取模块，用于对于所述多个历史出行日期中的任一历史出行日期，获取所述历史出行日期的休息日子特征、休息日关系子特征、工作日子特征以及所在周的周末类型子特征；

其中，所述休息日子特征用于反映所述历史出行日期的休息日类型，所述休息日关系子特征用于反映所述历史出行日期与休息日之间的关系，所述工作日子特征用于反映所述历史出行日期与工作日之间的关系，所述周末类型子特征用于反映所述历史出行日期所在周的周末是否为工作日。

在一种可能的实施方式中，所述休息日子特征包括是否为周末、是否为假日、是否为休息日的第一天以及是否为休息日的最后一天中的至少一项；

所述休息日关系子特征包括是否为休息日的前一天以及是否为休息日的后一天中的至少一项；

所述工作日子特征包括是否为工作日、后一天是否为工作日以及前一天是否为工作日中的至少一项：

所述周末类型子特征包括周六是否为工作日以及周日是否为工作日中的至少一项。

在一种可能的实施方式中，所述训练模块，用于对于所述多个历史出行日期中的任一历史出行日期，将所述历史出行日期的出行日期特征以及所述历史出行日期的参考出行时刻输入所述出行时间预测模型，由所述出行时间预测模型输出所述历史出行日期的预测首次出行时间；基于所述历史出行日期的历史首次出行时刻与预测首次出行时间之间的差异信息，对所述出行时间预测模型进行训练。

在一种可能的实施方式中，所述预测首次出行时间为预测时间区间，所述训练模块，用于确定所述历史出行日期的历史首次出行时刻对应的历史时间区间；基于所述历史时间区间与所述预测时间区间之间的差异信息，对所述出行时间预测模型进行训练。

一方面，提供了一种出行时间的预测装置，所述装置包括：

目标日期时刻获取模块，用于获取待预测首次出行时刻的目标日期以及所述目标日期的参考出行时刻，所述参考出行时刻是目标车辆在所述目标日期之前的历史首次出行时刻；

第二特征提取模块，用于对所述目标日期进行特征提取，得到所述目标日期的出行日期特征，所述出行日期特征用于表示所述目标出行日期的特性；

预测模块，用于将所述出行日期特征以及所述参考出行时刻输入出行时间预测模型，由所述出行时间预测模型输出所述目标车辆在所述目标日期的首次出行时刻，所述首次出行时刻用于生成所述目标车辆的电池加热策略；

其中，所述出行时间预测模型采用上一方面任一种出行时间预测模型的训练装置训练得到。

在一种可能的实施方式中，所述装置还包括：

加热策略生成模块，用于在所述目标日期的所述首次出行时刻之前，获取所述目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度；基于所述当前电池温度与所述需求电池温度之前的温度差、当前时刻与所述首次出行时刻之间的时长以及所述环境温度，生成所述目标车辆的电池加热策略，所述电池加热策略用于指示在所述首次出行时刻将所述目标车辆的电池加热到所述需求电池温度。

一方面，提供了一种电子设备，所述电子设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述出行时间预测模型的训练方法，或实现所述出行时间的预测方法。

一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条程序代码，所述程序代码由处理器加载并执行以实现所述出行时间预测模型的训练方法，或实现所述出行时间的预测方法。

通过本申请实施例提供的技术方案，获取目标车辆的多个历史出行日期以及各个历史出行日期的历史首次出行时刻。对多个历史出行日期进行特征提取，得到各个历史出行日期的出行日期特征，出行日期特征能够表示历史出行日期的特性。基于多个历史出行日期的出行日期特征以及各个历史出行日期的参考出行时刻，对出行时间预测模型进行训练，使得出行时间预测模型具有预测目标车辆的首次出行时刻的能力，后续基于预测出的首次出行时刻来生成电池加热策略，执行该电池加热策略能够在用户出行前完成对电池的加热，提高车辆的智能化水平，节约用户时间，提高用户用车体验。

附图说明

图1是本申请实施例提供的一种出行时间预测模型的训练方法的实施环境的示意图；

图2是本申请实施例提供的一种出行时间预测模型的训练方法的流程图；

图3是本申请实施例提供的一种出行时间的预测方法的流程图；

图4是本申请实施例提供的另一种出行时间预测模型的训练方法的流程图；

图5是本申请实施例提供的另一种出行时间的预测方法的流程图；

图6是本申请实施例提供的一种出行时间预测模型的训练装置的结构示意图；

图7是本申请实施例提供的一种出行时间的预测装置的结构示意图；

图8是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合附图，对本申请中的技术方案进行清楚、详尽的描述。其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B：文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或隐含指明所反映的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。

下面对本申请实施例的实施环境进行介绍，参见图1，本申请实施例提供的出行时间预测模型的训练方法的实施环境包括车载终端101、移动终端102、云平台103以及大数据平台104。

车载终端101为设置在车辆上的终端，用于采集车辆的历史出行日期以及各个历史出行日期的历史首次出行时刻。车载终端101与云平台103通过无线网络与云平台103相连，车载终端101能够与云平台103之间进行数据交互。

移动终端102为与车载终端101绑定的终端，移动终端102与云平台103通过无线网络相连，移动终端102能够与云平台103之间进行数据交互。在一些实施例中，移动终端102能够对车载终端101进行远程控制，移动终端102将远程控制指令发送给云平台103，由云平台103将该远程控制指令转发给车载终端101，车载终端101能够执行该远程控制指令指示的动作。当然，车载终端101也能够通过云平台103来向移动终端102发送信息。在一些实施例中，移动终端102是智能手机、平板电脑、笔记本电脑、台式计算机、智能手表等，但并不局限于此。

云平台103是独立的物理服务器，或者是多个物理服务器构成的服务器集群或者分布式系统，或者是提供云服务、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、分发网络(Content Delivery Network，CDN)，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。在一些实施例中，云平台103也被称为TSP(Telematics Service Provider，远程服务商)平台。

大数据平台104与云平台103通过有线网络或无线网络相连，大数据平台104是独立的物理服务器，或者是多个物理服务器构成的服务器集群或者分布式系统，或者是提供云服务、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、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。大数据平台104能够对从云平台103获取的数据进行处理，并将处理结果返回给云平台103，由云平台103将处理结果推送给车载终端101或者移动终端102。

在介绍完本申请实施例的实施环境之后，下面对本申请实施例提供的技术方案的应用场景进行介绍。本申请实施例提供的技术方案能够应用在各类具有车载终端的车辆中，比如，本申请实施例提供的技术方案能够应用在电动车辆中，也能够应用在混动车辆中，本申请实施例对此不作限定。

在本申请实施例提供的技术方案应用在电动车辆的情况下，大数据平台能够采用本申请实施例提供的出行时间预测模型的训练方法来训练一个出行时间预测模型。在训练出行时间预测模型的过程中，获取电动车辆的多个历史出行日期以及各个历史出行日期的历史首次出行时刻。对多个历史出行日期进行特征提取，得到各个历史出行日期的出行日期特征。基于多个历史出行日期的出行日期特征以及各个历史出行日期的参考出行时刻，对出行时间预测模型进行训练，参考出行时刻为各个历史出行日期之前的历史出行日期的历史首次出行时刻。

使用训练后的出行时间预测模型来预测电动车辆的首次出行时刻，基于该首次出行时刻来生成电动车辆的电池加热策略。电动车辆执行该电池加热策略就能够在首次出行时刻之前完成对电动车辆的电池的加热，用户无需等待就能够直接使用车辆，提高用户的用车体验。

需要说明的是，上述是以本申请实施例提供的技术方案应用在电动车辆为例进行说明的，在本申请实施例提供的技术方案应用在其他类型的车辆的情况下，实现过程与上述描述属于同一发明构思，在此不再赘述。

另外，本申请实施例提供的技术方案除了能够应用在上述几种类型的车辆中之外，还能够应用在其他类型的车辆中，本申请实施例对此不作限定。

在介绍完本申请实施例的实施环境和应用场景之后，下面对本申请实施例提供的出行时间预测模型的训练方法进行介绍，参见图2，以执行主体为大数据平台为例，方法包括下述步骤。

201、大数据平台获取目标车辆的多个历史出行日期以及各个历史出行日期的历史首次出行时刻。

其中，目标车辆为电动车辆或者混动车辆，本申请实施例对此不作限定。目标车辆的历史出行日期是指驾驶该目标车辆出行的历史日期，由于可能存在未驾驶该目标车辆出行的历史日期，那么该多个历史出行日期中可能并不是连续的日期。各个历史出行日期的历史首次出行时刻是指在各个历史出行日期下，首次驾驶该目标车辆出行的时刻。在一些实施例中，历史首次出行时刻是指在历史出行日期的预设时刻之后首次驾驶该目标车辆出行的时刻，该预设时刻由技术人员根据实际情况进行设置，比如设置为4:00或者5:00等，本申请实施例对此不作限定。

202、大数据平台对该多个历史出行日期进行特征提取，得到各个历史出行日期的出行日期特征，出行日期特征用于表示对应历史出行日期的特性。

其中，利用出行日期特征能够挖掘目标车辆的出行规律。出行日期的类型和数量由技术人员根据实际情况进行设置，本申请实施例对此不作限定。

203、大数据平台基于该多个历史出行日期的出行日期特征以及各个历史出行日期的参考出行时刻，对出行时间预测模型进行训练，得到训练好的出行时间预测模型。

其中，该参考出行时刻是该目标车辆在对应历史出行日期之前的历史首次出行时刻，该出行时间预测模型用于预测该目标车辆的首次出行时刻，该首次出行时刻用于生成该目标车辆的电池加热策略。参考出行时刻是指目标车辆在各个历史出行日期的历史出行日期的历史首次出行时刻，比如，对于历史出行日期A来说，参考出行时刻是指历史出行日期B的历史首次出行时刻，历史出行日期B为历史出行日期A的前一个历史出行日期，比如为历史出行日期B为历史出行日期A的前一天。一个历史出行日期的参考出行时刻的数量由技术人员根据实际情况进行设置，比如设置为两个，本申请实施例对此不作限定。电池加热策略用于指示加热电池的方式，执行该电池加热策略能够在首次出行时刻之前将电池加热到合适的温度。

通过本申请实施例提供的技术方案，获取目标车辆的多个历史出行日期以及各个历史出行日期的历史首次出行时刻。对多个历史出行日期进行特征提取，得到各个历史出行日期的出行日期特征，出行日期特征能够表示历史出行日期的特性。基于多个历史出行日期的出行日期特征以及各个历史出行日期的参考出行时刻，对出行时间预测模型进行训练，使得出行时间预测模型具有预测目标车辆的首次出行时刻的能力，后续基于预测出的首次出行时刻来生成电池加热策略，执行该电池加热策略能够在用户出行前完成对电池的加热，提高车辆的智能化水平，节约用户时间，提高用户用车体验。

除了上述步骤201-203之外，本申请实施例还提供了一种出行时间的预测方法，参见图3，以执行主体为大数据平台为例，方法包括下述步骤。

301、大数据平台获取待预测首次出行时刻的目标日期以及该目标日期的参考出行时刻，该参考出行时刻是目标车辆在该目标日期之前的历史首次出行时刻。

其中，目标日期是指待进行首次出行时刻预测的日期，该目标日期既可以是指当前日期，也可以是指当前日期的后一天，本申请实施例对此不作限定。该目标日期的参考出行时刻是指该目标日期之前的历史出行日期的历史首次出行时刻，历史出行日期可以是该目标日期的前一个出行日期，比如为该目标日期的前一天。该参考出行时刻的数量由技术人员根据实际情况进行设置，比如设置为两个，本申请实施例对此不作限定。

302、大数据平台对该目标日期进行特征提取，得到该目标日期的出行日期特征，出行日期特征用于表示该目标出行日期的特性。

其中，基于目标日期的出行日期特征能够实现对目标日期的首次出行时刻的预测。

303、大数据平台将该出行日期特征以及该参考出行时刻输入出行时间预测模型，由该出行时间预测模型输出该目标车辆在该目标日期的首次出行时刻，该首次出行时刻用于生成该目标车辆的电池加热策略。

其中，该出行时间预测模型为通过上述步骤201-203训练得到的，具有预测首次出行时刻的能力。

通过本申请实施例提供的技术方案，获取待预测首次出行时刻的目标日期以及目标日期的参考出行时刻，该目标日期为待进行首次出行时间预测的日期。对目标日期进行特征提取，得到目标日期的出行日期特征，出行日期特征能够表示目标日期的特性。将该出行日期特征以及该参考出行时刻输入出行时间预测模型，由该出行时间预测模型输出目标车辆在该目标日期的首次出行时刻。后续基于该首次出行时刻来生成目标车辆的电池加热策略，执行该电池加热策略能够在用户出行前完成对电池的加热，提高车辆的智能化水平，节约用户时间，提高用户用车体验。

上述步骤201-203是对本申请实施例提供的出行时间预测模型的训练方法的简单介绍，下面将结合一些例子，对本申请实施例提供的出行时间预测模型的训练方法进行更加详细的说明，参见图4，以执行主体为大数据平台为例，方法包括下述步骤。

401、大数据平台获取该目标车辆的多个历史行程数据，该历史行程数据包括历史出行日期以及历史出行时刻。

其中，目标车辆为电动车辆或者混动车辆，本申请实施例对此不作限定。一个历史行程数据包括一个历史出行日期和一个历史出行时刻。目标车辆的历史出行日期是指驾驶该目标车辆出行的历史日期。目标车辆的历史出行时刻是指驾驶该目标车辆出行的历史时刻，由于在一天内可能多次驾驶该目标车辆出行，那么一个历史出行日期可能包括多个历史出行时刻。需要说明的是，大数据平台获取该多个历史行程数据是经过该目标车辆的用户的充分授权的。

在一种可能的实施方式中，大数据平台从云平台获取该目标车辆的多个历史行程数据，该多个历史行程数据是该目标车辆上传至该云平台的。

其中，该云平台为该目标车辆的TSP平台，云平台能够为该目标车辆提供多种服务，比如，多个服务包括电池预约加热服务、出行时间预测服务、媒体播放服务、故障识别服务、道路救援服务以及定位服务等。该目标车辆周期性地向该云平台上传历史行程数据，云平台将收集到的多个历史行程数据转发给大数据平台，由大数据平台基于该多个历史行程数据挖掘目标车辆的出行规律，也即是基于该多个历史行程数据来训练出行时间预测模型，利用该出行时间预测模型来预测目标车辆的出行时间。

在这种实施方式下，大数据平台从云平台能够获取目标车辆的多个历史行程数据，无需与车辆建立连接，降低了获取多个历史行程数据的成本。

举例来说，大数据平台从云平台获取多个初始历史行程数据，该多个初始历史行程数据包括多个车辆的历史行程数据。大数据平台基于目标车辆的车辆标识在该多个历史行程数据中进行筛选，得到该目标车辆的多个历史行程数据。

其中，该多个初始历史行程数据是云平台从该多个车辆中收集的。在一些实施例中，该多个初始历史行程数据是云平台对采集的历史行程数据进行数据清洗后得到的，数据清洗包括去除重复数据、填补缺失值、处理异常值和转换数据格式等操作，以提高数据的准确性和可靠性。

在一种可能的实施方式中，大数据平台从目标车辆获取该目标车辆的多个历史行程数据。

在这种实施方式下，大数据平台直接从目标车辆获取多个历史行程数据即可，多个历史行程数据的获取过程无需经过云平台转发，节省了网络资源。

举例来说，大数据平台从目标车辆获取该目标车辆的多个初始历史行程数据。大数据平台对该目标车辆的多个初始历史行程数据进行数据清洗，得到该目标车辆的多个历史行程数据。

需要说明的是，大数据平台能够通过上述任一种方式来获取目标车辆的多个历史行程数据，本申请实施例对此不做限定。

402、大数据平台对该多个历史行程数据进行聚合和筛选，得到该目标车辆的多个历史出行日期以及各个历史出行日期的历史首次出行时刻。

其中，历史出行日期的历史首次出行时刻是指在该历史出行日期下，首次驾驶该目标车辆出行的时刻。在一些实施例中，历史首次出行时刻是指在历史出行日期的预设时刻之后首次驾驶该目标车辆出行的时刻，该预设时刻由技术人员根据实际情况进行设置，比如设置为4:00或者5:00等，本申请实施例对此不作限定。

在一种可能的实施方式中，大数据平台采用历史出行日期对该多个历史行程数据进行聚合，得到多个历史行程数据集合，一个历史行程数据集合对应于一个历史出行日期，一个历史行程数据集包括至少一个历史行程数据。大数据平台采用预设时刻对各个历史行程数据集合中的至少一个历史出行时刻进行筛选，得到各个历史出行日期的历史首次出行时刻，该历史首次出行时刻为该预设时刻之后的第一个历史出行时刻。

其中，对该多个历史行程数据进行聚合是为了将同一个历史出行日期对应的历史行程数据放到同一个历史行程数据集合中，以便于后续的处理。采用预设时刻进行筛选时是为了排除一些极端情况，提高后续模型的普适性。

在这种实施方式下，通过对该多个历史行程数据进行聚合和筛选，能够得到各个历史出行日期的历史首次出行时刻，实现对多个历史行程数据的充分利用。

为了对上述实施方式进行更加清楚的说明，下面将分为两个部分对上述实施方式进行说明。

第一部分、大数据平台采用历史出行日期对该多个历史行程数据进行聚合，得到多个历史行程数据集合。

在一种可能的实施方式中，大数据平台采用历史出行日期对该多个历史行程数据进行分组，将具有相同历史出行日期的历史行程数据划分至同一个行程数据组。大数据平台基于历史出行时刻对各个行程数据组中的历史行程数据进行合并，得到多个历史行程数据集合。

在这种实施方式下，通过对多个历史行程数据进行分组和合并，能够实现对该多个历史行程数据的精细化预处理，有助于提高确定历史首次出行时刻的准确性。

举例来说，大数据平台将具有相同历史出行日期的历史行程数据划分至同一个行程数据组。对于多个行程数据组中的任一行程数据组，大数据平台按照历史出行时刻从大至小的顺序对该行程数据组中的多个历史行程数据进行排序。大数据平台确定排序后的多个历史行程数据中每两个历史行程数据的历史出行时刻之间的差值。大数据平台将该差值小于或等于预设差值的至少两个历史行程数据进行合并，得到该行程数据组对应的历史行程数据集合，合并后的至少两个历史行程数据的历史出行时刻被更新为该至少两个历史行程数据中较早的历史出行时刻。

其中，两个历史行程数据的历史出行时刻之间的差值小于或等于预设差值，也就表示两个历史行程数据对应的两个历史行程是间隔时间较短的两个历史行程，此时可以将这两个历史行程合并为一个行程来看待，以减少数据量，提高处理效率。该预设差值由技术人员根据实际情况进行设置，比如设置为10分钟或者15分钟，本申请实施例对此不作限定。

在一种可能的实施方式中，该历史行程数据还包括历史行驶里程，大数据平台基于该历史行程里程，对该多个历史行程数据进行过滤，得到过滤后的多个历史行程数据。大数据平台采用历史出行日期对过滤后的多个历史行程数据进行分组，将具有历史出行日期的历史行程数据划分至同一个行程数据组。大数据平台基于历史出行时刻对各个行程数据组中的历史行程数据进行合并，得到多个历史行程数据集合。

其中，历史行程里程是指驾驶该目标车辆的单次行驶里程，为同一历史出行日期下连续两个历史出行时刻之间目标车辆的行驶里程。

在这种实施方式下，先基于历史行驶里程来对多个历史行程数据进行过滤，再对过滤后的多个历史行程数据进行分组和合并，从而提高历史行程数据集合划分的准确性。

举例来说，该历史行程数据还包括历史行驶里程，大数据平台将该多个历史行程数据中携带历史行驶里程小于或等于里程阈值的历史行程数据删除，得到过滤后的多个历史行程数据。大数据平台将具有相同历史出行日期的历史行程数据划分至同一个行程数据组。对于多个行程数据组中的任一行程数据组，大数据平台按照历史出行时刻从大至小的顺序对该行程数据组中的多个历史行程数据进行排序。大数据平台确定排序后的多个历史行程数据中每两个历史行程数据的历史出行时刻之间的差值。大数据平台将该差值小于或等于预设差值的至少两个历史行程数据进行合并，得到该行程数据组对应的历史行程数据集合，合并后的至少两个历史行程数据的历史出行时刻被更新为该至少两个历史行程数据中较早的历史出行时刻。

其中，历史行程数据的历史行驶里程小于或等于里程阈值，表示历史行程数据对应的历史行程的行驶里程较短，该历史行程可能是偶发行程，将该历史行程过滤可以提高准确性。

第二部分、大数据平台采用预设时刻对各个历史行程数据集合中的至少一个历史出行时刻进行筛选，得到各个历史出行日期的历史首次出行时刻。

在一种可能的实施方式中，对于多个历史行程数据集合中的任一历史行程数据集合，大数据平台比较该历史行程数据集合中的至少一个历史出行时刻与该预设时刻。大数据平台将与该预设时刻差值最小且位于该预设时刻之后的历史出行时刻，确定为该历史行程数据集合的历史首次出行时刻，也即是该历史行程数据集合对应的历史出行日期的历史首次出行时刻。

在这种实施方式下，采用预设时刻进行筛选，能够快速确定各个历史出行日期的历史首次出行时刻，效率较高。

可选的，得到该目标车辆的多个历史出行日期以及各个历史出行日期的历史首次出行时刻，大数据平台还能够执行下述步骤。

在一种可能的实施方式中，大数据平台在该多个历史出行日期中补充参考出行日期和参考出行日期的历史首次出行时刻，得到更新后的多个历史出行日期和各个历史出行日期的历史首次出行时刻，更新后的多个历史出行日期为连续的日期。其中，参考出行日期为更新前的多个历史出行日期中空缺的日期，空缺的日期是造成任两个历史出行日期不连续的日期，参考出行日期的历史首次出行时刻为预设符号，该预设符号表示该目标车辆在参考出行日期没有出行，该预设符号由技术人员根据实际情况进行设置，本申请实施例对此不做限定。

其中，该参考出行日期实际上就是该目标车辆未出行的日期，补充参考出行日期也有助于后续模型训练过程中模型能够学习到更多信息，提高模型预测的准确性。

在这种实施方式下，由于可能存在未驾驶该目标车辆出行的历史日期，那么该多个历史出行日期中可能并不是连续的日期，为了提高多个历史出行日期的连续性，可以在多个历史出行日期中补充参考出行日期以及参考出行日期的历史首次出行时刻，以使得更新后的多个历史出行日期为连续的日期，提高后续处理的准确性。

403、大数据平台对该多个历史出行日期进行特征提取，得到各个历史出行日期的出行日期特征，出行日期特征用于表示对应历史出行日期的特性。

其中，利用出行日期特征能够挖掘目标车辆的出行规律。出行日期的类型和数量由技术人员根据实际情况进行设置，本申请实施例对此不作限定。

在一种可能的实施方式中，该出行日期特征包括休息日子特征、休息日关系子特征、工作日子特征以及所在周的周末类型子特征，对于该多个历史出行日期中的任一历史出行日期，大数据平台获取该历史出行日期的休息日子特征、休息日关系子特征、工作日子特征以及所在周的周末类型子特征。

其中，该休息日子特征用于反映该历史出行日期的休息日类型，该休息日关系子特征用于反映该历史出行日期与休息日之间的关系，该工作日子特征用于反映该历史出行日期与工作日之间的关系，该周末类型子特征用于反映该历史出行日期所在周的周末是否为工作日。

在这种实施方式下，通过对历史出行日期进行特征提取，能够得到包括历史出行日期的休息日子特征、休息日关系子特征、工作日子特征以及所在周的周末类型子特征的出行日期特征，从多个维度来体现历史出行日期的特性，出行日期特征的表达能力较强。

举例来说，该休息日子特征包括是否为周末、是否为假日、是否为休息日的第一天以及是否为休息日的最后一天中的至少一项。该休息日关系子特征包括是否为休息日的前一天以及是否为休息日的后一天中的至少一项。该工作日子特征包括是否为工作日、后一天是否为工作日以及前一天是否为工作日中的至少一项：该周末类型子特征包括周六是否为工作日以及周日是否为工作日中的至少一项。

404、大数据平台基于该多个历史出行日期的出行日期特征以及各个历史出行日期的参考出行时刻，对出行时间预测模型进行训练，得到训练好的出行时间预测模型。

其中，该参考出行时刻是该目标车辆在对应历史出行日期之前的历史首次出行时刻，该出行时间预测模型用于预测该目标车辆的首次出行时刻，该首次出行时刻用于生成该目标车辆的电池加热策略。参考出行时刻是指目标车辆在各个历史出行日期的历史出行日期的历史首次出行时刻，比如，对于历史出行日期A来说，参考出行时刻是指历史出行日期B的历史首次出行时刻，历史出行日期B为历史出行日期A的前一个历史出行日期，比如为历史出行日期B为历史出行日期A的前一天。一个历史出行日期的参考出行时刻的数量由技术人员根据实际情况进行设置，比如设置为两个，本申请实施例对此不作限定。电池加热策略用于指示加热电池的方式，执行该电池加热策略能够在首次出行时刻之前将电池加热到合适的温度。

需要说明的是，训练该出行时间预测模型，得到训练好的出行时间预测模型需要经过多个迭代过程，每个迭代过程的处理过程属于同一个发明构思，下面以一个迭代过程为例对训练该出行时间预测模型的方法进行说明。

在一种可能的实施方式中，该出行时间预测模型为决策树模型，大数据平台基于该多个历史出行日期的出行日期特征以及各个历史出行日期的参考出行时刻，构建出行时间预测模型的多个叶子节点。

举例来说，大数据平台将该多个历史出行日期的出行日期特征以及各个历史出行日期的参考出行时刻拼接为训练样本集，训练样本集包括多个训练样本，每个训练样本包括出行日期特征和参考出行时刻。大数据平台确定该训练样本集中各个样本在出行时间预测模型的根节点的信息增益，以信息增益最大的方式来分裂根节点，得到根节点下第一个层级的子节点。大数据平台将该训练样本集再输入第一个层级的子节点，确定该训练样本集中各个样本在第一个层级的子节点的信息增益，以信息增益最大的方式来分裂根节点，得到下一个层级的子节点，以此类推，直至分裂完毕，得到该出行时间预测模型。

其中，信息增益表示划分训练样本集前后的信息熵的差值。

在一种可能的实施方式中，对于该多个历史出行日期中的任一历史出行日期，大数据平台将该历史出行日期的出行日期特征以及该历史出行日期的参考出行时刻输入该出行时间预测模型，由该出行时间预测模型输出该历史出行日期的预测首次出行时间。大数据平台基于该历史出行日期的历史首次出行时刻与预测首次出行时间之间的差异信息，对该出行时间预测模型进行训练。

其中，基于该历史出行日期的历史首次出行时刻与预测首次出行时间之间的差异信息，对该出行时间预测模型进行训练的目的是使得该历史出行日期的历史首次出行时刻与预测首次出行时间之间尽可能接近。

在这种实施方式下，将历史出行日期的出行日期特征以及参考出行时刻输入出行时间预测模型，由出行时间预测模型基于出行日期特征以及参考出行时刻来预测该历史出行日期的预测首次出行时间，基于预测首次出行时间与该历史出行日期的历史首次出行时刻之间的差异信息，对该出行时间预测模型进行训练，使得出行时间预测模型学习出行日期特征以及参考出行时刻反映的出行规律。

为了对上述实施方式进行更加清楚的说明，下面将分为两个部分对上述实施方式进行说明。

第一部分、大数据平台将该历史出行日期的出行日期特征以及该历史出行日期的参考出行时刻输入该出行时间预测模型，由该出行时间预测模型输出该历史出行日期的预测首次出行时间。

在一种可能的实施方式中，大数据平台将该历史出行日期的出行日期特征以及该历史出行日期的参考出行时刻输入该出行时间预测模型，通过该出行时间预测模型对该历史出行日期的出行日期特征以及该历史出行日期的参考出行时刻进行特征提取，得到该历史出行日期的首次出行时间预测特征。大数据平台通过该出行时间预测模型，对该首次出行时间预测特征进行映射，输出该历史出行日期的预测首次出行时间。

举例来说，大数据平台将该历史出行日期的出行日期特征以及该历史出行日期的参考出行时刻拼接为输入数据。大数据平台通过该出行时间预测模型，对该输入数据进行至少一次全连接和/或至少一次卷积，得到该输入数据的首次出行时间预测特征。大数据平台通过该出行时间预测模型，对该首次出行时间预测特征进行全连接和归一化，输出该历史出行日期对应于多个时间的概率。大数据平台将该多个时间中概率最高的时间，确定为该历史出行日期的预测首次出行时间。

在一些实施例中，该预测首次出行时间为预测时间区间，在这种情况下，大数据平台通过该出行时间预测模型，对该首次出行时间预测特征进行全连接和归一化，输出该历史出行日期对应于多个预测时间区间的概率。大数据平台将该多个预测时间区间中概率最高的预测时间区间，确定为该历史出行日期的预测时间区间，也即是该历史出行日期的预测首次出行时间。

在这种实施方式下，相较于确定首次出行时间，确定预测时间区间的难度较低，出行时间预测模型使用有限数据经过有限次的迭代即可实现效果，训练出行时间预测模型的效率较高。

第二部分、大数据平台基于该历史出行日期的历史首次出行时刻与预测首次出行时间之间的差异信息，对该出行时间预测模型进行训练。

在一种可能的实施方式中，该预测首次出行时间为预测时间区间，大数据平台确定该历史出行日期的历史首次出行时刻对应的历史时间区间。大数据平台基于该历史时间区间与该预测时间区间之间的差异信息，对该出行时间预测模型进行训练。

其中，每个小时被划分为N个历史时间区间，每个历史首次出行时刻均能够找到所属的历史时间区间，N为正整数。比如，每个小时被划分为4个区间，对于7点-8点来说，4个区间为7、7.25、7.5以及8，其中，区间7对应于7:00-7：15之间的任一时刻，区间7.25对应于7:15-7：30之间的任一时刻，区间7.5对应于7:30-7：45之间的任一时刻，区间8对应于7:45-8：00之间的任一时刻。

举例来说，大数据平台确定该历史出行日期的历史首次出行时刻对应的历史时间区间。大数据平台基于该历史时间区间与该预测时间区间之间的差异信息带入该出行时间预测模型的损失函数，得到本轮迭代的梯度。大数据平台基于本轮迭代的梯度来更新该出行时间预测模型的模型参数，实现对该出行时间预测模型的一轮训练。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

通过本申请实施例提供的技术方案，获取目标车辆的多个历史出行日期以及各个历史出行日期的历史首次出行时刻。对多个历史出行日期进行特征提取，得到各个历史出行日期的出行日期特征，出行日期特征能够表示历史出行日期的特性。基于多个历史出行日期的出行日期特征以及各个历史出行日期的参考出行时刻，对出行时间预测模型进行训练，使得出行时间预测模型具有预测目标车辆的首次出行时刻的能力，后续基于预测出的首次出行时刻来生成电池加热策略，执行该电池加热策略能够在用户出行前完成对电池的加热，提高车辆的智能化水平，节约用户时间，提高用户用车体验。

在介绍完本申请实施例提供的出行时间预测模型的训练方法之后，下面再结合一些例子对本申请实施例提供的出行时间的预测方法进行介绍，参见图5，以执行主体为大数据平台为例，方法包括下述步骤。

501、大数据平台获取待预测首次出行时刻的目标日期以及该目标日期的参考出行时刻，该参考出行时刻是目标车辆在该目标日期之前的历史首次出行时刻。

其中，目标日期是指待进行首次出行时刻预测的日期，该目标日期既可以是指当前日期，也可以是指当前日期的后一天，本申请实施例对此不作限定。该目标日期的参考出行时刻是指该目标日期之前的历史出行日期的历史首次出行时刻，历史出行日期可以是该目标日期的前一个出行日期，比如为该目标日期的前一天。该参考出行时刻的数量由技术人员根据实际情况进行设置，比如设置为两个，本申请实施例对此不作限定。

在一种可能的实施方式中，大数据平台从云平台获取首次出行时刻预测请求，该首次出行时刻预测请求携带该目标日期以及该目标日期的参考出行时刻。

其中，该首次出行时刻预测请求是云平台在目标车辆订阅电池预热服务之后周期性向大数据平台发送的，用于请求大数据平台基于目标日期以及目标日期的参考出行时刻预测目标车辆在该目标日期的历史首次出行时刻。

在这种实施方式下，大数据平台从云平台获取待预测首次出行时刻的目标日期以及目标日期的参考出行时刻，数据获取的效率较高。

在一种可能的实施方式中，大数据平台从该目标车辆获取首次出行时刻预测请求，该首次出行时刻预测请求携带该目标日期以及该目标日期的参考出行时刻。

其中，该首次出行时刻预测请求是目标车辆订阅电池预热服务之后周期性向大数据平台发送的，用于请求大数据平台基于目标日期以及目标日期的参考出行时刻预测目标车辆在该目标日期的历史首次出行时刻。

在这种实施方式下，大数据平台从目标车辆获取待预测首次出行时刻的目标日期以及目标日期的参考出行时刻，节约网络资源。

502、大数据平台对该目标日期进行特征提取，得到该目标日期的出行日期特征，出行日期特征用于表示该目标出行日期的特性。

其中，基于目标日期的出行日期特征能够实现对目标日期的首次出行时刻的预测。步骤502中特征提取的过程与上述步骤403属于同一发明构思，实现过程参见上述步骤403的内容，在此不再赘述。

503、大数据平台将该出行日期特征以及该参考出行时刻输入出行时间预测模型，由该出行时间预测模型输出该目标车辆在该目标日期的首次出行时刻，该首次出行时刻用于生成该目标车辆的电池加热策略。

其中，该出行时间预测模型为通过上述步骤401-404训练得到的，具有预测首次出行时刻的能力。

在一种可能的实施方式中，大数据平台将该目标日期的出行日期特征以及该目标日期的参考出行时刻输入该出行时间预测模型，通过该出行时间预测模型对该目标日期的出行日期特征以及该目标日期的参考出行时刻进行特征提取，得到该目标日期的首次出行时刻预测特征。大数据平台通过该出行时间预测模型，对该首次出行时刻预测特征进行映射，输出该目标日期的预测首次出行时刻。

在一些实施例中，该预测首次出行时刻为预测时间区间，在这种情况下，大数据平台通过该出行时间预测模型，对该首次出行时刻预测特征进行映射，输出该目标日期的预测时间区间。

可选地，在步骤503之后，大数据平台还能够执行下述步骤。

504、在该目标日期的该首次出行时刻之前，大数据平台获取该目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度。

其中，该目标日期的该首次出行时刻之前是指该目标日期的该首次出行时刻的预设时长之前，该预设时长由技术人员根据实际情况进行设置，本申请实施例对此不作限定。

在一种可能的实施方式中，在该目标日期的该首次出行时刻之前，大数据平台从云平台获取该目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度。

举例来说，在该目标日期的该首次出行时刻之前，大数据平台向云平台发送温度数据获取请求，该温度数据获取请求携带该目标车辆的标识。云平台接收到该温度数据获取请求之后，从该温度数据获取请求中获取该目标车辆的标识。云平台基于该目标车辆的标识，向该目标车辆转发该温度数据获取请求。目标车辆获取该温度数据获取请求，获取该目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度。目标车辆将该目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度上传至云平台，由云平台转发至大数据平台。大数据平台获取该目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度。

在一种可能的实施方式中，在该目标日期的该首次出行时刻之前，大数据平台从目标车辆获取该目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度。

举例来说，在该目标日期的该首次出行时刻之前，大数据平台向目标车辆发送温度数据获取请求。目标车辆获取该温度数据获取请求，获取该目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度。目标车辆将该目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度上传至大数据平台。大数据平台获取该目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度。

505、大数据平台基于该当前电池温度与该需求电池温度之前的温度差、当前时刻与该首次出行时刻之间的时长以及该环境温度，生成该目标车辆的电池加热策略，该电池加热策略用于指示在该首次出行时刻将该目标车辆的电池加热到该需求电池温度。

在一种可能的实施方式中，大数据平台将该当前电池温度与该需求电池温度之前的温度差、当前时刻与该首次出行时刻之间的时长以及该环境温度输入加热策略生成模型，由该加热策略生成模型输出该目标车辆的电池加热策略。

其中，该加热策略生成模型是一个生成式模型，用于生成电池加热策略。该加热策略生成模型是基于样本数据以及标注电池加热策略训练得到的，样本数据包括当前电池温度与该需求电池温度之前的温度差、当前时刻与首次出行时刻之间的时长以及环境温度，本申请实施例对于该加热策略生成模型的结构不作限定。

在这种实施方式下，利用加热策略生成模型就能够生成该目标车辆的电池加热策略，电池加热策略的生成效率较高。

在一种可能的实施方式中，大数据平台基于该当前电池温度与该需求电池温度之前的温度差、当前时刻与该首次出行时刻之间的时长以及该环境温度，从多个候选电池加热策略中确定目标电池加热策略，该目标电池加热策略为与该当前电池温度与该需求电池温度之前的温度差、当前时刻与该首次出行时刻之间的时长以及该环境温度匹配的候选电池加热策略。大数据平台将该目标电池加热策略确定为该目标车辆的电池加热策略。

其中，该多个候选电池加热策略是由技术人员提前配置好的电池加热策略，每个候选电池加热策略对应于一个温度差范围、时长范围以及环境温度范围，将该当前电池温度与该需求电池温度之前的温度差、当前时刻与该首次出行时刻之间的时长以及该环境温度分别与温度差范围、时长范围以及环境温度范围进行匹配，就能够从多个候选电池加热策略中确定目标电池加热策略。

506、大数据平台将该目标车辆的电池加热策略发送至该目标车辆，以使该目标车辆执行该电池加热策略。

在一种可能的实施方式中，大数据平台将该目标车辆的电池加热策略发送至云平台，由云平台基于该电池加热策略生成预约加热指令。云平台将该预约加热指令发送给目标车辆，目标车辆基于该预约加热指令对电池进行预加热。

可选地，大数据平台除了能够将该目标车辆的电池加热策略发送至目标车辆之外，还能够将该电池加热策略发送至该目标车辆的关联终端，该关联终端为与该目标车辆绑定的移动终端。比如，大数据平台将该目标车辆的电池加热策略发送至云平台，由云平台将该电池加热策略转发至该关联终端。这样能够通过关联终端通知该目标车辆的用户，以便于该目标车辆的用户知晓该电池加热策略。当然，在该用户在该目标日期没有出行计划的情况下，也可以使用该关联终端来终止该电池加热策略，从而节省目标车辆的电量。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

通过本申请实施例提供的技术方案，获取待预测首次出行时刻的目标日期以及目标日期的参考出行时刻，该目标日期为待进行首次出行时间预测的日期。对目标日期进行特征提取，得到目标日期的出行日期特征，出行日期特征能够表示目标日期的特性。将该出行日期特征以及该参考出行时刻输入出行时间预测模型，由该出行时间预测模型输出目标车辆在该目标日期的首次出行时刻。后续基于该首次出行时刻来生成目标车辆的电池加热策略，执行该电池加热策略能够在用户出行前完成对电池的加热，提高车辆的智能化水平，节约用户时间，提高用户用车体验。

图6是本申请实施例提供的一种出行时间预测模型的训练装置的结构示意图，参见图6，装置包括：历史日期时刻获取模块601、第一特征提取模块602以及训练模块603。

历史日期时刻获取模块601，用于获取目标车辆的多个历史出行日期以及各个历史出行日期的历史首次出行时刻。

第一特征提取模块602，用于对该多个历史出行日期进行特征提取，得到各个历史出行日期的出行日期特征，所述出行日期特征用于表示对应历史出行日期的特性。

训练模块603，用于基于该多个历史出行日期的出行日期特征以及各个历史出行日期的参考出行时刻，对出行时间预测模型进行训练，得到训练好的出行时间预测模型；

其中，该参考出行时刻是该目标车辆在对应历史出行日期之前的历史首次出行时刻，该出行时间预测模型用于预测该目标车辆的首次出行时刻，该首次出行时刻用于生成该目标车辆的电池加热策略。

在一种可能的实施方式中，该历史日期时刻获取模块601，用于获取该目标车辆的多个历史行程数据，该历史行程数据包括历史出行日期以及历史出行时刻。对该多个历史行程数据进行聚合和筛选，得到该目标车辆的多个历史出行日期以及各个历史出行日期的历史首次出行时刻。

在一种可能的实施方式中，该历史日期时刻获取模块601，用于采用历史出行日期对该多个历史行程数据进行聚合，得到多个历史行程数据集合，一个该历史行程数据集合对应于一个该历史出行日期，一个该历史行程数据集包括至少一个历史行程数据。采用预设时刻对各个历史行程数据集合中的至少一个历史出行时刻进行筛选，得到各个历史出行日期的历史首次出行时刻，该历史首次出行时刻为该预设时刻之后的第一个历史出行时刻。

在一种可能的实施方式中，该出行日期特征包括休息日子特征、休息日关系子特征、工作日子特征以及所在周的周末类型子特征，该第一特征提取模块602，用于对于该多个历史出行日期中的任一历史出行日期，获取该历史出行日期的休息日子特征、休息日关系子特征、工作日子特征以及所在周的周末类型子特征。

其中，该休息日子特征用于反映该历史出行日期的休息日类型，该休息日关系子特征用于反映该历史出行日期与休息日之间的关系，该工作日子特征用于反映该历史出行日期与工作日之间的关系，该周末类型子特征用于反映该历史出行日期所在周的周末是否为工作日。

在一种可能的实施方式中，该休息日子特征包括是否为周末、是否为假日、是否为休息日的第一天以及是否为休息日的最后一天中的至少一项。

该休息日关系子特征包括是否为休息日的前一天以及是否为休息日的后一天中的至少一项。

该工作日子特征包括是否为工作日、后一天是否为工作日以及前一天是否为工作日中的至少一项：

该周末类型子特征包括周六是否为工作日以及周日是否为工作日中的至少一项。

在一种可能的实施方式中，该训练模块603，用于对于该多个历史出行日期中的任一历史出行日期，将该历史出行日期的出行日期特征以及该历史出行日期的参考出行时刻输入该出行时间预测模型，由该出行时间预测模型输出该历史出行日期的预测首次出行时间。基于该历史出行日期的历史首次出行时刻与预测首次出行时间之间的差异信息，对该出行时间预测模型进行训练。

在一种可能的实施方式中，该预测首次出行时间为预测时间区间，该训练模块603，用于确定该历史出行日期的历史首次出行时刻对应的历史时间区间。基于该历史时间区间与该预测时间区间之间的差异信息，对该出行时间预测模型进行训练。

需要说明的是：上述实施例提供的出行时间预测模型的训练装置在训练出行时间预测模型时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将电子设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的出行时间预测模型的训练装置与出行时间预测模型的训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

通过本申请实施例提供的技术方案，获取目标车辆的多个历史出行日期以及各个历史出行日期的历史首次出行时刻。对多个历史出行日期进行特征提取，得到各个历史出行日期的出行日期特征，出行日期特征能够表示历史出行日期的特性。基于多个历史出行日期的出行日期特征以及各个历史出行日期的参考出行时刻，对出行时间预测模型进行训练，使得出行时间预测模型具有预测目标车辆的首次出行时刻的能力，后续基于预测出的首次出行时刻来生成电池加热策略，执行该电池加热策略能够在用户出行前完成对电池的加热，提高车辆的智能化水平，节约用户时间，提高用户用车体验。

图7是本申请实施例提供的一种出行时间的预测装置的结构示意图，参见图7，装置包括：目标日期时刻获取模块701、第二特征提取模块702以及预测模块703。

目标日期时刻获取模块701，用于获取待预测首次出行时刻的目标日期以及该目标日期的参考出行时刻，该参考出行时刻是目标车辆在该目标日期之前的历史首次出行时刻。

第二特征提取模块702，用于对该目标日期进行特征提取，得到该目标日期的出行日期特征，该出行日期特征用于表示该目标出行日期的特性；

其中，该出行时间预测模型采用上述出行时间预测模型的训练装置训练得到。

预测模块703，用于将该出行日期特征以及该参考出行时刻输入出行时间预测模型，由该出行时间预测模型输出该目标车辆在该目标日期的首次出行时刻，该首次出行时刻用于生成该目标车辆的电池加热策略。

在一种可能的实施方式中，该装置还包括：

加热策略生成模块，用于在该目标日期的该首次出行时刻之前，获取该目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度。基于该当前电池温度与该需求电池温度之前的温度差、当前时刻与该首次出行时刻之间的时长以及该环境温度，生成该目标车辆的电池加热策略，该电池加热策略用于指示在该首次出行时刻将该目标车辆的电池加热到该需求电池温度。

需要说明的是：上述实施例提供的出行时间的预测装置在预测出行时间时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将电子设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的出行时间预测模型的训练装置与出行时间预测模型的训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

通过本申请实施例提供的技术方案，获取待预测首次出行时刻的目标日期以及目标日期的参考出行时刻，该目标日期为待进行首次出行时间预测的日期。对目标日期进行特征提取，得到目标日期的出行日期特征，出行日期特征能够表示目标日期的特性。将该出行日期特征以及该参考出行时刻输入出行时间预测模型，由该出行时间预测模型输出目标车辆在该目标日期的首次出行时刻。后续基于该首次出行时刻来生成目标车辆的电池加热策略，执行该电池加热策略能够在用户出行前完成对电池的加热，提高车辆的智能化水平，节约用户时间，提高用户用车体验。

本申请实施例还提供了一种电子设备，图8是本申请实施例提供的一种电子设备的结构示意图，该电子设备可以实现为上述大数据平台。

通常，电子设备800包括有：一个或多个处理器801和一个或多个存储器802。

处理器801可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器801可以再集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器801还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器802可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器802中的非暂态的计算机可读存储介质用于存储至少一个计算机程序，该至少一个计算机程序用于被处理器801所执行以实现本申请中方法实施例提供的出行时间预测模型的训练方法或出行时间的预测方法。

本领域技术人员可以理解，图8中示出的结构并不构成对电子设备800的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

另外，本申请的实施例提供的装置具体可以是芯片、组件或模块，该芯片可包括相连的处理器和存储器；其中，存储器用于存储指令，当处理器调用并执行指令时，可以使芯片执行上述实施例提供的一种出行时间预测模型的方法或出行时间的预测方法。

本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得计算机执行上述相关方法步骤实现上述实施例提供的一种出行时间预测模型的方法或出行时间的预测方法。

本实施例还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例提供的一种出行时间预测模型的方法或出行时间的预测方法。

其中，本实施例提供的装置、计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。

通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种出行时间预测模型的训练方法，其特征在于，所述方法包括：

获取目标车辆的多个历史出行日期以及各个所述历史出行日期的历史首次出行时刻；

对所述多个历史出行日期进行特征提取，得到各个所述历史出行日期的出行日期特征，所述出行日期特征用于表示对应历史出行日期的特性；

基于所述多个历史出行日期的出行日期特征以及各个所述历史出行日期的参考出行时刻，对出行时间预测模型进行训练，得到训练好的出行时间预测模型；

其中，所述参考出行时刻是所述目标车辆在对应历史出行日期之前的历史首次出行时刻，所述出行时间预测模型用于预测所述目标车辆的首次出行时刻，所述首次出行时刻用于生成所述目标车辆的电池加热策略。

2.根据权利要求1所述的方法，其特征在于，所述获取目标车辆的多个历史出行日期以及各个所述历史出行日期的历史首次出行时刻包括：

获取所述目标车辆的多个历史行程数据，所述历史行程数据包括历史出行日期以及历史出行时刻；

对所述多个历史行程数据进行聚合和筛选，得到所述目标车辆的多个历史出行日期以及各个所述历史出行日期的历史首次出行时刻。

3.根据权利要求2所述的方法，其特征在于，所述对所述多个历史行程数据进行聚合和筛选，得到所述目标车辆的多个历史出行日期以及各个所述历史出行日期的历史首次出行时刻包括：

采用历史出行日期对所述多个历史行程数据进行聚合，得到多个历史行程数据集合，一个所述历史行程数据集合对应于一个所述历史出行日期，一个所述历史行程数据集包括至少一个历史行程数据；

采用预设时刻对各个所述历史行程数据集合中的至少一个历史出行时刻进行筛选，得到各个所述历史出行日期的历史首次出行时刻，所述历史首次出行时刻为所述预设时刻之后的第一个历史出行时刻。

4.根据权利要求1所述的方法，其特征在于，所述出行日期特征包括休息日子特征、休息日关系子特征、工作日子特征以及所在周的周末类型子特征，所述对所述多个历史出行日期进行特征提取，得到各个所述历史出行日期的出行日期特征包括：

对于所述多个历史出行日期中的任一历史出行日期，获取所述历史出行日期的休息日子特征、休息日关系子特征、工作日子特征以及所在周的周末类型子特征；

其中，所述休息日子特征用于反映所述历史出行日期的休息日类型，所述休息日关系子特征用于反映所述历史出行日期与休息日之间的关系，所述工作日子特征用于反映所述历史出行日期与工作日之间的关系，所述周末类型子特征用于反映所述历史出行日期所在周的周末是否为工作日。

5.根据权利要求1所述的方法，其特征在于，所述基于所述多个历史出行日期的出行日期特征以及各个所述历史出行日期的参考出行时刻，对出行时间预测模型进行训练包括：

对于所述多个历史出行日期中的任一历史出行日期，将所述历史出行日期的出行日期特征以及所述历史出行日期的参考出行时刻输入所述出行时间预测模型，由所述出行时间预测模型输出所述历史出行日期的预测首次出行时间；

基于所述历史出行日期的历史首次出行时刻与预测首次出行时间之间的差异信息，对所述出行时间预测模型进行训练。

6.一种出行时间的预测方法，其特征在于，所述方法包括：

获取待预测首次出行时刻的目标日期以及所述目标日期的参考出行时刻，所述参考出行时刻是目标车辆在所述目标日期之前的历史首次出行时刻；

对所述目标日期进行特征提取，得到所述目标日期的出行日期特征，所述出行日期特征用于表示所述目标出行日期的特性；

将所述出行日期特征以及所述参考出行时刻输入出行时间预测模型，由所述出行时间预测模型输出所述目标车辆在所述目标日期的首次出行时刻，所述首次出行时刻用于生成所述目标车辆的电池加热策略；

其中，所述出行时间预测模型根据权利要求1-5中任一项所述的出行时间预测模型的训练方法训练得到。

7.根据权利要求6所述的方法，其特征在于，所述将所述出行日期特征以及所述参考出行时刻输入出行时间预测模型，由所述出行时间预测模型输出所述目标车辆在所述目标日期的首次出行时刻之后，所述方法还包括：

在所述目标日期的所述首次出行时刻之前，获取所述目标车辆的当前电池温度、需求电池温度以及所处环境的环境温度；

基于所述当前电池温度与所述需求电池温度之前的温度差、当前时刻与所述首次出行时刻之间的时长以及所述环境温度，生成所述目标车辆的电池加热策略，所述电池加热策略用于指示在所述首次出行时刻将所述目标车辆的电池加热到所述需求电池温度。

8.一种出行时间预测模型的训练装置，其特征在于，所述装置包括：

历史日期时刻获取模块，用于获取目标车辆的多个历史出行日期以及各个所述历史出行日期的历史首次出行时刻；

第一特征提取模块，用于对所述多个历史出行日期进行特征提取，得到各个所述历史出行日期的出行日期特征，所述出行日期特征用于表示对应历史出行日期的特性；

训练模块，用于基于所述多个历史出行日期的出行日期特征以及各个所述历史出行日期的参考出行时刻，对出行时间预测模型进行训练，得到训练好的出行时间预测模型；

其中，所述参考出行时刻是所述目标车辆在对应历史出行日期之前的历史首次出行时刻，所述出行时间预测模型用于预测所述目标车辆的首次出行时刻，所述首次出行时刻用于生成所述目标车辆的电池加热策略。

9.一种出行时间的预测装置，其特征在于，所述装置包括：

目标日期时刻获取模块，用于获取待预测首次出行时刻的目标日期以及所述目标日期的参考出行时刻，所述参考出行时刻是目标车辆在所述目标日期之前的历史首次出行时刻；

第二特征提取模块，用于对所述目标日期进行特征提取，得到所述目标日期的出行日期特征，所述出行日期特征用于表示所述目标出行日期的特性；

预测模块，用于将所述出行日期特征以及所述参考出行时刻输入出行时间预测模型，由所述出行时间预测模型输出所述目标车辆在所述目标日期的首次出行时刻，所述首次出行时刻用于生成所述目标车辆的电池加热策略；

其中，所述出行时间预测模型采用权利要求8所述的出行时间预测模型的训练装置训练得到。

10.一种电子设备，其特征在于，所述电子设备包括：

存储器，用于存储可执行程序代码；

处理器，用于从所述存储器中调用并运行所述可执行程序代码，使得所述电子设备执行如权利要求1至5中任意一项所述的出行时间预测模型的训练方法，或执行如权利要求6或7所述的出行时间的预测方法。