CN110942211A - 一种基于深度神经网络的预估达到时间预测方法及装置 - Google Patents
一种基于深度神经网络的预估达到时间预测方法及装置 Download PDFInfo
- Publication number
- CN110942211A CN110942211A CN201911277290.3A CN201911277290A CN110942211A CN 110942211 A CN110942211 A CN 110942211A CN 201911277290 A CN201911277290 A CN 201911277290A CN 110942211 A CN110942211 A CN 110942211A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- time
- driving time
- estimated
- 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
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种基于深度神经网络的预估达到时间预测方法及装置，方法包括：基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹；将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间。本发明实施例提供的一种基于深度神经网络的预估达到时间预测方法及装置，能够捕获空间相关性、时间关联性并且融合外部因素的属性信息，结合局部和全局驾驶时间估计方法。因此该网络模型取得了准确的估计驾驶时间，具有很好的鲁棒性。
Description
技术领域
本发明涉及时空大数据挖掘技术领域，尤其涉及一种基于深度神经网络的预估达到时间预测方法及装置。
背景技术
对于给定的一条路径和出发时间，预估到达时间(Estimated Time of Arrival)预测是出行服务行业中最根本的问题。例如导航服务的路径规划***，在线出租车智能派单***等。准确的驾驶时间估计有助于更好地规划路线和避免拥堵的道路，从而有助于缓解交通拥堵。该问题已经被广泛的研究，是导航电子地图的基本功能，但目前导航电子地图中的预估到达时间预测的精度还有待提高。预估计到达时间预测可以转化成驾驶时间估计问题。通过对驾驶时间估计模块的反复调用来计算并更新预估计到达时间。
对于给定的一条路径和出发时间，驾驶时间估计是一个复杂的问题。它受多方面复杂因素的影响，空间相关性，时间关联性，还有一些外部因素，比如天气信息，驾驶***均通行速度往往有很大区别。其次节假日等出行轨迹又会有很大的区别。
目前驾驶时间估计主流的算法主要分为两种：一种是局部驾驶时间估计算法。他基于道路片段累计时间求和的方法。即将起点到终点的路径规划结果划分成小的道路段，分别计算每个小路段的通行时间，对所有道路段的通行时间求和所得到的时间作为预估到达时间。这种方法能够对每一个路段行驶时间做准确预测，但是它不能对复杂的交通情况进行建模，比如路口，交通信号灯，转向。除此之外如果有太多路段，局部误差可能会累积。另一种是全局驾驶时间估计的方法，他直接估计整个路程从起点到终点的行驶时间。全局的方法能捕获交通条件信息。根据路径长度分布的特点，路径越长，能够收集到的轨迹历史数据越少，而且这些轨迹数据往往是由少数驾驶员提供的。长轨迹的到达时间预测结果准确性较低，是全局行驶时间估计中需要解决的问题。
发明内容
本发明实施例提供一种基于深度神经网络的预估达到时间预测方法及装置，用以解决现有的驾驶时间估计方法误差较大，准确性较低的问题。
第一方面，本发明实施例提供一种基于深度神经网络的预估达到时间预测方法，包括：
基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹；
将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间。
进一步，在所述将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中之前，所述方法还包括：
基于历史轨迹数据，对预设的深度神经网络模型进行训练，得到训练好的的深度神经网络。
进一步，所述基于历史轨迹数据，对预设的深度神经网络模型进行训练，得到训练好的的深度神经网络，包括：
对历史轨迹数据进行数据预处理；
建立所述深度神经网络模型，并设计所述深度神经网络模型对应的损失函数；
对所述深度神经网络模型进行训练，得到训练好的的深度神经网络。
进一步，所述深度神经网络模型包括：
外部因素属性值处理子模块，用于将所有外部属性用向量表示输入到神经网络中，对外部属性因素进行建模；
时空卷积模块，用于提取特征；
多任务学习子模块，用于对全局驾驶时间进行准确估计。
进一步，所述对所述深度神经网络模型进行训练，得到训练好的的深度神经网络，包括：
对每一段历史轨迹数据计算出局部路径驾驶时间和全局驾驶时间的真值和估计值；
基于反向传播的机制，调和每个神经元的权重最小化预真值与估计值之间的差值。
进一步，所述基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹，包括：
提取用户的路径规划查询请求中的位置信息，出发时间信息；
基于路径规划算法，计算出若干条行动轨迹。
进一步，所述将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间，包括：
基于所述深度神经网络的前向传播方式，将输入的所述行动轨迹和外部属性信息转化为所述预估驾驶时间进行输出。
第二方面，本发明实施例还提供一种基于深度神经网络的预估达到时间预测装置，包括：
行动轨迹预测模块，用于基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹；
驾驶时间预估模块，用于将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间。
第三方面，本发明实施例提供了一种电子设备，包括：
处理器、存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述基于深度神经网络的预估达到时间预测方法。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述基于深度神经网络的预估达到时间预测方法。
本发明实施例提供的基于深度神经网络的预估达到时间预测方法及装置，基于历史轨迹数据预先训练一深度学习神经网络模型，该神经网络模型能够捕获空间相关性、时间关联性并且融合外部因素的属性信息，结合局部和全局驾驶时间估计方法。因此，将行动轨迹和外部属性信息输入该深度神经网络中，能够输出准确的估计驾驶时间，具有很好的鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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他的附图。
图1是本发明实施例提供的一种基于深度神经网络的预估达到时间预测方法流程示意图；
图2是本发明实施例提供的一种基于深度神经网络的预估达到时间预测装置结构示意图；
图3是本发明实施例提供的一种电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种基于深度神经网络的预估达到时间预测方法流程示意图，如图1所示，包括：
101、基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹；
102、将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间。
需要说明的是，本发明实施例实质上设计一个端到端的网络模型，该模型整合了局部驾驶时间估计算法和全局驾驶时间算法，并且利用了地理卷积层和时间序列处理的循环神经网络，在此基础上对外部因素作为属性嵌入到模型中。该模型能够捕获空间相关性、时间关联性并且融合外部因素的属性信息，结合局部和全局驾驶时间估计方法。因此该网络模型取得了准确的估计驾驶时间，具有很好的鲁棒性。该模型在预测阶段对计算能力没有要求，能够达到实时响应的效果。具体的，本发明实施例会利用时空卷积模块从原始GPS轨迹序列中提取出时间和空间依赖关系的特征图层。基于地理的卷积层，可将原始GPS轨迹序列转换为一系列的特征图层，该特征图层能够提取出局部空间相关性。利用循环神经网络(Long Short Term Memory s)从基于地理的卷积层得到的特征图层中和外部特征的嵌入中来学习时间依赖性。
其次时空卷积网络模型中加入道路属性信息的嵌入表示。道路属性信息包括道路等级，是否包含复杂路口，是否是隧道。由于道路的属性对通过该段道路的通行时间有直接的关系。
本发明实施例还将外部因素通过属性嵌入的形式整合到网络模型中。外部因素包括时间、天气、驾驶员信息。通过对出发时间分解出所属的月份属性，所属的星期几的所属的一天中的时间片段属性，是否为节假日的属性。除此之外车辆编号，和天气属性。这些属性不是以One-Hot独热的方式在模型中表示，而是通过对不同的属性分别应用嵌入向量表示的方法。整体网络模型设计了一个由两个任务组成的损失函数。一个是局部路径驾驶时间估计任务，另一个是从起点到终点的全局路径驾驶时间估计任务。因此该网络可以同时学***衡局部和全局路径估计的损失。
最后本发明实施例为了提高全局行驶时间预测的准确性，在模型中加入一个多因素的注意力机制来学习在估计全局路径驾驶时间中的局部路径权重。引入该机制的理论依据是是全局驾驶时间的不确定性经常是由几个关键局部路径引起的。例如交叉路口，交通信号灯，拥堵路段等。注意力机制根据不同局部路径的隐藏表示和外部因素学习不同局部损失的权重。
本发明实施例提供的基于深度神经网络的预估达到时间预测方法，基于历史轨迹数据预先训练一深度学习神经网络模型，该神经网络模型能够捕获空间相关性、时间关联性并且融合外部因素的属性信息，结合局部和全局驾驶时间估计方法。因此，将行动轨迹和外部属性信息输入该深度神经网络中，能够输出准确的估计驾驶时间，具有很好的鲁棒性。
在上述实施例的基础上，在所述将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中之前，所述方法还包括：
基于历史轨迹数据，对预设的深度神经网络模型进行训练，得到训练好的的深度神经网络。
实质上，本发明实施例设计了一个深度神经网络模型，通过对大量历史轨迹数据的处理，由于历史轨迹数据中带有时间戳，因此该时间戳通过计算即可得到每一段轨迹序列的真值(实际驾驶时间)，网络通过最小化损失函数(实际驾驶时间和预估计驾驶时间的差值)反向传播，利用梯度下降算法更新每一个神经元的权重。网络模型在已有的历史轨迹数据中重复迭代，直到网络收敛，即得到了复杂的ETA模型。并将训练好的权重保存在网络模型中，从而得到训练好的神经网络模型。
在上述实施例的基础上，所述基于历史轨迹数据，对预设的深度神经网络模型进行训练，得到训练好的的深度神经网络，包括：
对历史轨迹数据进行数据预处理；
建立所述深度神经网络模型，并设计所述深度神经网络模型对应的损失函数；
对所述深度神经网络模型进行训练，得到训练好的的深度神经网络。
本发明实施例首先需要对数据进行预处理，数据预处理包括：
历史轨迹数据预处理：轨迹数据中异常值处理：删除经度、维度、速度、时间戳字段中数值异常轨迹点，数据类型不符的轨迹点。
轨迹序列离群点删除。
轨迹点纠偏：对于速度为0的点即停车点，车辆如果上传几个或者几十个轨迹点，需要对轨迹点根据前后轨迹序列的连续性，对这个停车点轨迹群合成一个轨迹点。具体的采用求均值，然后根据序列连续性做微调。
经纬度坐标投影：将GPS轨迹点的经纬度坐标转换到高斯平面坐标系，然后计算两个相邻GPS轨迹点间的距离。
轨迹点重采样：轨迹点重采样的目的是保证任意两个相邻的轨迹点距离间隔的均匀分布。重采样的标准是重采样后任意两个相邻的轨迹点(最后两个轨迹点除外)之间的距离在固定的取值范围，在实验中采用的是二百多米。这样能加快网络的收敛速度。
道路属性值计算：对重采样后的轨迹点组成的序列，通过地图数据计算两个连续轨迹点组成的路段的道路属性值。道路等级，是否包含复杂路口，是否是隧道。
局部路径计算：对重采样输出的轨迹点计算以出发点为起点的累计距离和累计行驶时间。这两个属性和经度、维度坐标一起输入到地理卷积图层。
轨迹数据统计分析：统计所有轨迹点经度、纬度、累计距离、累计时间、和总里程、全程驾驶时间的最大值，最小值，均值和方差。这些信息将用于数据的归一化处理。对输入样本数据的归一化处理能够对初始化工作更简便，加快网络学习速度，加快收敛。
外部因素属性值计算：对每一段轨迹提取一组外部信息属性值。每一段轨迹的第一个轨迹点的时间戳作为出发时间。第一个轨迹点的经纬度坐标作为出发点。根据出发点信息和出发时间信息查询出发时间点出发地的天气信息，并将天气信息转化成属性0-3的属性值，天气属性值(0-3,分别代表晴天，雨天，雾天，雪天)。根据出发时间判定是否属于节假日，计算出节假日属性的属性值(0/1,0代表非节假日)。并且根据出发时间，计算出月份属性(0-11)，星期属性值(0-6)，时间片段属性值(0-1439)，每分钟为一个时间片段)。用户ID通过词典的方法转化成数值编号。
在上述实施例的基础上，所述深度神经网络模型包括：
外部因素属性值处理子模块，用于将所有外部属性用向量表示输入到神经网络中，对外部属性因素进行建模；
时空卷积模块，用于提取特征；
多任务学习子模块，用于对全局驾驶时间进行准确估计。
由上述实施例的内容可知，本发明实施例会构建一个神经网络模型，该模型可以细分为三个部分，分别为外部因素属性值处理子模块、时空卷积模块以及多任务学习子模块，具体的，外部因素属性值处理子模块作用是将所有外部属性用向量表示输入到神经网络中，对外部属性因素进行建模。首先对预处理计算出的外部属性值进行嵌入处理，将每一个外部属性的取值映射成一个表示向量。然后将所有外部外部属性的表示向量和经过z-score标准化处理的全局路径长度串联起来，得到最终的输出。
嵌入处理原因是外部属性值都是类别值，无法直接输入到神经网络中处理。因此利用嵌入表示的方式将属性值转换成低维度的向量。属性值转化成向量表示的方法有两种，一种是独热的编码方式，另外一种是嵌入的方式。与独热的编码方式相比嵌入的方式能够降低维度，减少计算消耗。嵌入表示能表示语义信息，语义上相近的属性值的向量表示往往更加相似。
时空卷积模块由两部分组成，第一部分是地理卷积神经网络层。该子模块将原始GPS序列加工成一系列特征图层。它能够提取局部空间关联性。第二部分是循环神经网络层，它能够从第一部分生成的特征图层中提取出时间序列相关性。
地理卷积神经网络层：该模块主要处理经度、维度序列以及累计距离三个属性，路段属性向量。将每一个GPS轨迹点经度和纬度经过非线性层变换转换成一个固定长度的向量。该向量能够表示地理特征。所有轨迹点的特征向量按照轨迹的时序组合成特征向量序列。对特征向量序列进行1维卷积操作。1维卷积操作的卷积核为一维的滑动窗口。滑动窗口的大小和卷积操作的过滤器个数是人为根据实验设定的。该滑动窗口的长度即局部路径的长度。最后将所有过滤器的输出串联起来，得到一个2维向量。由于1维的卷积难以提取地理距离信息，因此将将局部路径的长度也串联到二维向量中作为地理卷积层提取的特征图层输出。该特征图层能够表征所有局部路径的空间依赖关系。它是循环神经网络层的输入。
具体的首先将道路等级，是否包含复杂路口，是否是隧道三个属性分别通过属性嵌入表示(和外部因素属性嵌入处理相同)得到三个属性特征向量。将经度和纬度序列分别增加一个维度后与三个属性特征向量串联起来，通过一个线性处理神经单元，该神经单元后连接一个非线性激活函数，然后通过一个1维卷积神经单元，输出通过非线性激活函数激活后得到输出O1。从累计距离的属性序列中切片，得到两个局部序列片段，对两个轨迹序列片段求差值，并进行z-score标准化处理得到输出O2。将O1和O2串联即为地理卷积网络模型的输出O。
循环神经网络层：通过利用长短器记忆网络层的记忆功能来学习局部路径的时间依赖关系。长短期记忆网络的记忆功能是通过三个门控单元(输入门，遗忘门，更新门)来控制输入输出流，因此能够遗忘一些不够重要的信息，有效避免梯度***和梯度消失问题。地理卷积神经网络层的输出即为该层的输入。该层的目的是进一步提取出局部路径的时间依赖性。
多任务学习子模块的目的是部结合局驾驶时间估计和全局驾驶时间估计方法，得到一个更加准确的全局驾驶时间估计。该模块主要包括两个处理部分，局部路径驾驶时间估计和全局路径驾驶时间估计。
局部路径驾驶时间估计：时空卷积模块输出的每一个局部特征序列经过两个全连接层后输出每一个局部路径的驾驶时间估计值。
全局路径驾驶时间估计：由于时空卷积输出的每一个局部特征序列长度是可变的，首先通过池化处理将每一个局部特征序列转换成固定长度的向量。池化方式有多种，包括均值池化，最大值池化等。均值池化将每一个局部路径看作同等重要，通过等权重的形式将局部路径的特征向量加权求和。本专利中采用注意力机制。采用该方法的依据是全局驾驶时间的不确定性经常是由几个关键局部路径引起的。例如交叉路口，交通信号灯，拥堵路段等。因此对这些关键局部路径需要更多的关注。注意力机制池化也是对所有全局路径的特征向量进行加权求和。与均值池化不同的是：每一段局部路径的特征向量的权重是模型自己学习得到的。通过注意力机制池化层来学习每一段局部路径的权重。
注意力机制池化层：该层的输入包括时空卷积输出的局部特征序列和外部因素属性值处理子模块的输出。外部因素属性表示向量通过非线性网络层转化成与局部特征序列等长的向量，然后与局部特征序列向量通过内积运算即得到局部路径权重注意力向量。
残差全连接子模块：注意力池化层的输出与外部因素向量串联后输入到残差全连接子模块中。该子模块通过几个有参差层连接全连接层处理，最后添加一层一个神经元的网络输出层。输出层输出的就是全局路径驾驶时间的估计值。参差连接的使用可以捕获非线性变换的参差，使的神经网络训练更简单和鲁棒。
在上述实施例的基础上，所述对所述深度神经网络模型进行训练，得到训练好的的深度神经网络，包括：
对每一段历史轨迹数据计算出局部路径驾驶时间和全局驾驶时间的真值和估计值；
基于反向传播的机制，调和每个神经元的权重最小化预真值与估计值之间的差值。
由上述实施例的内容可知，本发明实施例构建了神经网络模型，在该模型的基础上，需要对其进行训练调优，具体的，本发明实施例对每一段历史轨迹数据计算出局部路径驾驶时间和全局驾驶时间的真值。在训练的过程中，网络会输出局部路径驾驶时间的估计值和全局路径驾驶时间的估计值。网络模型的损失函数由局部路径驾驶时间估计损失和全局驾驶时间估计损失加权得到。权重作为模型的超参数根据经验值设定。通过反向传播的机制调和每个神经元的权重最小化预估计驾驶时间和实际驾驶时间真值间的差值。
在上述实施例的基础上，所述基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹，包括：
提取用户的路径规划查询请求中的位置信息，出发时间信息；
基于路径规划算法，计算出若干条行动轨迹。
由上述实施例的内容可知，本发明实施例需要处理用户的路径规划查询请求，输出行动轨迹。具体的，一般的ETA查询包括位置信息，出发时间，附带用户ID等信息。
然后通过上述信息计算轨迹，位置信息包括起始点和终点的位置。通过路径规划算法计算出若干条不同路径车辆行驶轨迹点。对轨迹点根据间距进行重采样，保证轨迹点接近等间距分布。
获取路径规划算法输出的粗略的到达时间，和全程里程数，和子路段平均速度。并根据子路段平均速度计算出每个轨迹点粗略到达时间。
在计算外部因素属性值时可以根据位置信息和出发时间信息获取当前的天气属性。通过用户选择的出发时间，计算出月份属性(0-11)，星期属性值(0-6)，时间片段属性值(0-1439，每分钟为一个时间片段)，节假日信息属性值(0/1,0代表非节假日)，天气属性值(0-3,分别代表晴天，雨天，雾天，雪天)。用户ID通过词典的方法转化成数值编号。
在上述实施例的基础上，所述将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间，包括：
基于所述深度神经网络的前向传播方式，将输入的所述行动轨迹和外部属性信息转化为所述预估驾驶时间进行输出。
由上述实施例的内容可知，本发明实施例得到了训练好的网络模型，并计算出了轨迹序列、外部因素属性值，将上述信息以及粗略的预估到达时间和里程数输入到搭建好的网络模型中。网络通过前向传播的方式，将所有的输入转化成预估计达到时间作为输出。
图2是本发明实施例提供的一种基于深度神经网络的预估达到时间预测装置结构示意图，如图2所示，包括：行动轨迹预测模块201和驾驶时间预估模块202，其中：
行动轨迹预测模块201用于基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹；
驾驶时间预估模块202用于将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间。
具体的如何通过行动轨迹预测模块201和驾驶时间预估模块202可用于执行图1所示的一种基于深度神经网络的预估达到时间预测方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本发明实施例提供的基于深度神经网络的预估达到时间预测装置，基于历史轨迹数据预先训练一深度学习神经网络模型，该神经网络模型能够捕获空间相关性、时间关联性并且融合外部因素的属性信息，结合局部和全局驾驶时间估计方法。因此，将行动轨迹和外部属性信息输入该深度神经网络中，能够输出准确的估计驾驶时间，具有很好的鲁棒性。
在上述实施例的基础上，所述装置还包括：
训练模块，用于基于历史轨迹数据，对预设的深度神经网络模型进行训练，得到训练好的的深度神经网络。
在上述实施例的基础上，所述训练模块用于：
对历史轨迹数据进行数据预处理；
建立所述深度神经网络模型，并设计所述深度神经网络模型对应的损失函数；
对所述深度神经网络模型进行训练，得到训练好的的深度神经网络。
在上述实施例的基础上，所述深度神经网络模型包括：
外部因素属性值处理子模块，用于将所有外部属性用向量表示输入到神经网络中，对外部属性因素进行建模；
时空卷积模块，用于提取特征；
多任务学习子模块，用于对全局驾驶时间进行准确估计。
在上述实施例的基础上，所述对所述深度神经网络模型进行训练，得到训练好的的深度神经网络，包括：
对每一段历史轨迹数据计算出局部路径驾驶时间和全局驾驶时间的真值和估计值；
基于反向传播的机制，调和每个神经元的权重最小化预真值与估计值之间的差值。
在上述实施例的基础上，所述基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹，包括：
提取用户的路径规划查询请求中的位置信息，出发时间信息；
基于路径规划算法，计算出若干条行动轨迹。
在上述实施例的基础上，所述将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间，包括：
基于所述深度神经网络的前向传播方式，将输入的所述行动轨迹和外部属性信息转化为所述预估驾驶时间进行输出。
图3是本发明实施例提供的一种电子设备的结构框图，参照图3，所述电子设备，包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和总线304，其中，处理器301，通信接口302，存储器303通过总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法：基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹；将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹；将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹；将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行每个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度神经网络的预估达到时间预测方法，其特征在于，包括：
基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹；
将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间。
2.根据权利要求1所述的基于深度神经网络的预估达到时间预测方法，其特征在于，在所述将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中之前，所述方法还包括：
基于历史轨迹数据，对预设的深度神经网络模型进行训练，得到训练好的的深度神经网络。
3.根据权利要求2所述的基于深度神经网络的预估达到时间预测方法，其特征在于，所述基于历史轨迹数据，对预设的深度神经网络模型进行训练，得到训练好的的深度神经网络，包括：
对历史轨迹数据进行数据预处理；
建立所述深度神经网络模型，并设计所述深度神经网络模型对应的损失函数；
对所述深度神经网络模型进行训练，得到训练好的的深度神经网络。
4.根据权利要求3所述的基于深度神经网络的预估达到时间预测方法，其特征在于，所述深度神经网络模型包括：
外部因素属性值处理子模块，用于将所有外部属性用向量表示输入到神经网络中，对外部属性因素进行建模；
时空卷积模块，用于提取特征；
多任务学习子模块，用于对全局驾驶时间进行准确估计。
5.根据权利要求3所述的基于深度神经网络的预估达到时间预测方法，其特征在于，所述对所述深度神经网络模型进行训练，得到训练好的的深度神经网络，包括：
对每一段历史轨迹数据计算出局部路径驾驶时间和全局驾驶时间的真值和估计值；
基于反向传播的机制，调和每个神经元的权重最小化预真值与估计值之间的差值。
6.根据权利要求1所述的基于深度神经网络的预估达到时间预测方法，其特征在于，所述基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹，包括：
提取用户的路径规划查询请求中的位置信息，出发时间信息；
基于路径规划算法，计算出若干条行动轨迹。
7.根据权利要求1所述的基于深度神经网络的预估达到时间预测方法，其特征在于，所述将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间，包括：
基于所述深度神经网络的前向传播方式，将输入的所述行动轨迹和外部属性信息转化为所述预估驾驶时间进行输出。
8.一种基于深度神经网络的预估达到时间预测装置，其特征在于，包括：
行动轨迹预测模块，用于基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹；
驾驶时间预估模块，用于将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于深度神经网络的预估达到时间预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述多业基于深度神经网络的预估达到时间预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911277290.3A CN110942211A (zh) | 2019-12-12 | 2019-12-12 | 一种基于深度神经网络的预估达到时间预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911277290.3A CN110942211A (zh) | 2019-12-12 | 2019-12-12 | 一种基于深度神经网络的预估达到时间预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110942211A true CN110942211A (zh) | 2020-03-31 |
Family
ID=69911050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911277290.3A Pending CN110942211A (zh) | 2019-12-12 | 2019-12-12 | 一种基于深度神经网络的预估达到时间预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110942211A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667693A (zh) * | 2020-06-15 | 2020-09-15 | 腾讯科技（深圳）有限公司 | 用于确定预计到达时间的方法、装置、设备及介质 |
| CN111724586A (zh) * | 2020-05-11 | 2020-09-29 | 清华大学 | 通勤时间预测方法、通勤时间预测模型的训练方法和装置 |
| CN111982138A (zh) * | 2020-07-09 | 2020-11-24 | 北京百度网讯科技有限公司 | 预测模型获取及路径规划方法、装置及存储介质 |
| CN112541638A (zh) * | 2020-12-21 | 2021-03-23 | 北京邮电大学 | 一种网联车车辆行程时间估计方法 |
| CN112859848A (zh) * | 2021-01-06 | 2021-05-28 | 国电内蒙古东胜热电有限公司 | 管道机器人的无线导航方法及*** |
| CN113837268A (zh) * | 2021-09-18 | 2021-12-24 | 北京百度网讯科技有限公司 | 确定轨迹点状态的方法、装置、设备和介质 |
| CN113902427A (zh) * | 2021-12-09 | 2022-01-07 | 腾讯科技（深圳）有限公司 | 一种预估到达时间的确定方法、装置、设备及存储介质 |
| CN114116944A (zh) * | 2021-11-30 | 2022-03-01 | 重庆七腾科技有限公司 | 一种基于时间注意力卷积网络的轨迹预测方法及装置 |
| WO2022161045A1 (zh) * | 2021-01-26 | 2022-08-04 | 深圳市优必选科技股份有限公司 | 预计到达时间计算方法以及使用该方法的***和移动机器 |
| CN115394088A (zh) * | 2022-10-31 | 2022-11-25 | 江苏博宇鑫信息科技股份有限公司 | 基于时空注意力机制的路口通行时间预测方法 |
| CN117975178A (zh) * | 2024-04-02 | 2024-05-03 | 北京市计量检测科学研究院 | 一种基于大数据分析的出租车轨迹数据分析方法 |
| CN118052347A (zh) * | 2024-04-16 | 2024-05-17 | 北京航空航天大学 | 一种基于浮动车出行轨迹序列的旅行时间估计方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035761A (zh) * | 2018-06-25 | 2018-12-18 | 复旦大学 | 基于辅助监督学习的行程时间估计方法 |
| CN110073426A (zh) * | 2017-11-23 | 2019-07-30 | 北京嘀嘀无限科技发展有限公司 | 估计到达时间的***和方法 |
-
2019
- 2019-12-12 CN CN201911277290.3A patent/CN110942211A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110073426A (zh) * | 2017-11-23 | 2019-07-30 | 北京嘀嘀无限科技发展有限公司 | 估计到达时间的***和方法 |
| CN109035761A (zh) * | 2018-06-25 | 2018-12-18 | 复旦大学 | 基于辅助监督学习的行程时间估计方法 |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111724586B (zh) * | 2020-05-11 | 2022-03-11 | 清华大学 | 通勤时间预测方法、通勤时间预测模型的训练方法和装置 |
| CN111724586A (zh) * | 2020-05-11 | 2020-09-29 | 清华大学 | 通勤时间预测方法、通勤时间预测模型的训练方法和装置 |
| CN111667693A (zh) * | 2020-06-15 | 2020-09-15 | 腾讯科技（深圳）有限公司 | 用于确定预计到达时间的方法、装置、设备及介质 |
| CN111982138A (zh) * | 2020-07-09 | 2020-11-24 | 北京百度网讯科技有限公司 | 预测模型获取及路径规划方法、装置及存储介质 |
| CN112541638A (zh) * | 2020-12-21 | 2021-03-23 | 北京邮电大学 | 一种网联车车辆行程时间估计方法 |
| CN112541638B (zh) * | 2020-12-21 | 2022-07-12 | 北京邮电大学 | 一种网联车车辆行程时间估计方法 |
| CN112859848A (zh) * | 2021-01-06 | 2021-05-28 | 国电内蒙古东胜热电有限公司 | 管道机器人的无线导航方法及*** |
| CN112859848B (zh) * | 2021-01-06 | 2023-03-10 | 国电内蒙古东胜热电有限公司 | 管道机器人的无线导航方法及*** |
| WO2022161045A1 (zh) * | 2021-01-26 | 2022-08-04 | 深圳市优必选科技股份有限公司 | 预计到达时间计算方法以及使用该方法的***和移动机器 |
| US11933615B2 (en) | 2021-01-26 | 2024-03-19 | Ubkang (Qingdao) Technology Co., Ltd. | Estimated time of arrival calculating method and system and mobile machine using the same |
| CN113837268A (zh) * | 2021-09-18 | 2021-12-24 | 北京百度网讯科技有限公司 | 确定轨迹点状态的方法、装置、设备和介质 |
| CN113837268B (zh) * | 2021-09-18 | 2024-03-12 | 北京百度网讯科技有限公司 | 确定轨迹点状态的方法、装置、设备和介质 |
| CN114116944A (zh) * | 2021-11-30 | 2022-03-01 | 重庆七腾科技有限公司 | 一种基于时间注意力卷积网络的轨迹预测方法及装置 |
| CN114116944B (zh) * | 2021-11-30 | 2024-06-11 | 重庆七腾科技有限公司 | 一种基于时间注意力卷积网络的轨迹预测方法及装置 |
| CN113902427A (zh) * | 2021-12-09 | 2022-01-07 | 腾讯科技（深圳）有限公司 | 一种预估到达时间的确定方法、装置、设备及存储介质 |
| CN115394088A (zh) * | 2022-10-31 | 2022-11-25 | 江苏博宇鑫信息科技股份有限公司 | 基于时空注意力机制的路口通行时间预测方法 |
| CN117975178A (zh) * | 2024-04-02 | 2024-05-03 | 北京市计量检测科学研究院 | 一种基于大数据分析的出租车轨迹数据分析方法 |
| CN117975178B (zh) * | 2024-04-02 | 2024-05-28 | 北京市计量检测科学研究院 | 一种基于大数据分析的出租车轨迹数据分析方法 |
| CN118052347A (zh) * | 2024-04-16 | 2024-05-17 | 北京航空航天大学 | 一种基于浮动车出行轨迹序列的旅行时间估计方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110942211A (zh) | 一种基于深度神经网络的预估达到时间预测方法及装置 | |
| CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
| US11725953B2 (en) | Private and personalized estimation of travel time | |
| Wang et al. | When will you arrive? Estimating travel time based on deep neural networks | |
| Kumar et al. | Bus travel time prediction using a time-space discretization approach | |
| Tran et al. | DeepTRANS: a deep learning system for public bus travel time estimation using traffic forecasting | |
| US11536582B2 (en) | System and method for estimating travel time and distance | |
| CN114450557B (zh) | 路线偏差量化及基于此的车辆路线学习 | |
| CN111667693B (zh) | 用于确定预计到达时间的方法、装置、设备及介质 | |
| CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、***及存储介质 | |
| US20240046785A1 (en) | System and method for predicting road traffic speed | |
| CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及*** | |
| CN114742280B (zh) | 路况预测方法及相应的模型训练方法、装置、设备及介质 | |
| Gao et al. | CTTE: Customized travel time estimation via mobile crowdsensing | |
| CN113888867B (zh) | 一种基于lstm位置预测的车位推荐方法及*** | |
| Pan et al. | Data-driven time series prediction based on multiplicative neuron model artificial neuron network | |
| Kumar et al. | Analytical approach to identify the optimum inputs for a bus travel time prediction method | |
| CN116698075B (zh) | 路网数据处理方法、装置、电子设备及存储介质 | |
| CN111613052B (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 | |
| CN113706857A (zh) | 道路通行性的确定方法、装置、设备及存储介质 | |
| CN114419877B (zh) | 基于道路特征的车辆轨迹预测数据处理方法和装置 | |
| CN112686457B (zh) | 路线到达时间预估方法及装置、电子设备、存储介质 | |
| CN113850297B (zh) | 道路数据的监测方法、装置、电子设备及存储介质 | |
| CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
| Kang et al. | Bayesian path inference using sparse GPS samples with spatio-temporal constraints |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200331 |