CN112541638A - 一种网联车车辆行程时间估计方法 - Google Patents
一种网联车车辆行程时间估计方法 Download PDFInfo
- Publication number
- CN112541638A CN112541638A CN202011519013.1A CN202011519013A CN112541638A CN 112541638 A CN112541638 A CN 112541638A CN 202011519013 A CN202011519013 A CN 202011519013A CN 112541638 A CN112541638 A CN 112541638A
- Authority
- CN
- China
- Prior art keywords
- route
- road network
- road
- network
- information
- 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.)
- Granted
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供的一种网联车车辆行程时间估计方法,应用于信息技术领域,将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中,根据路网中各路线的空间特征更新道路动态特征向量与静态特征的向量后,将更新后的动态特征向量输入到预先训练的循环神经网络中,得到路网中各路线的时间特征,再次更新动态特征向量;将路网中各路线中两次更新后的动态特征向量和路网中各路线的一次更新后的静态特征向量输入到基于图神经网络的注意力机制网络中,得到并根据路网中各路线的轨迹影响力得分和路网结构,抽取目标路线对应的路网子图;通过将子图转化为子图向量,然后计算得到目标路线预测行程时间,可以提高行程时间的计算的准确性。
Description
技术领域
本发明涉及信息技术领域,特别是涉及一种网联车车辆行程时间估计方法。
背景技术
目前,随着人们出行频率的日益的增加,各种导航软件的使用频率也不断增加。通过使用导航软件,可以便于用户在不熟悉交通状况的条件下,也可以快速的到达目的地。同时导航软件还可以根据路程和车速计算出到达目的地所需的行程时间。
然而,车辆在行驶过程中的速度往往不但会受到道路状况的影响,往往还会受到其他因素的影响,因此,在根据路程和车速计算出到达目的地所需的行程时间时,所得到的计算结果的准确性往往较差。
发明内容
本发明实施例的目的在于提供一种网联车车辆行程时间估计方法,以实现提高行程时间计算的准确性。具体技术方案如下:
在本发明实施的第一方面,提供了一种网联车车辆行程时间估计方法,上述方法包括:
获取路网的静态信息和路网的动态信息,其中,路网的静态信息包括路网中各条道路的属性信息,路网的动态信息包括路网中各条道路的交通状况信息;
将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中,得到路网中各路线的空间特征,其中,各路线的空间特征包括各路线动态信息和静态信息以及该路线的相邻路线的动态信息和静态信息;
利用路网中各路线的空间特征更新静态特征向量和动态特征向量;
将路网中各路线的更新后的静态特征向量和更新后的动态特征向量输入到预先训练的循环神经网络中,得到路网中各路线的时间特征,其中,各路线的时间特征包括各路线在不同采样频率下统计的交通状况的变化趋势信息;
利用路网中各路线的时间特征更新更新后的动态特征向量,得到二次更新后的动态特征向量;
将路网中各路线的更新后的静态特征向量和二次更新后的动态特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到路网中各路线的轨迹影响力得分;
根据路网中各路线的轨迹影响力得分和路网结构,抽取目标路线对应的路网子图,其中,目标路线对应的路网子图包括路网中轨迹影响力得分最高的前N条路线和路网中目标路线经过的路线,目标路线为用户选取的行进路线;
通过图表示学习神经网络将路网子图转化为子图向量;
获取通行信息向量;
通过预先训练的深度残差网络,根据子图向量与通行信息向量计算得到目标路线预测行程时间。
可选的,获取通行信息向量,包括:
获取通行信息;
通过预先训练好的神经网络,对通行信息进行向量化,得到通行信息向量。
可选的,将路网中各路线的更新后的静态特征向量和二次更新后的动态特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到路网中各路线的轨迹影响力得分,包括:
通过预设公式计算路网中各路线的连通度之和;
将路网中各路线的更新后的静态特征向量、二次更新后的动态特征向量和连通度之和进行组合,得到路网中各路线的综合特征向量;
将路网中各路线的综合特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到路网中各路线的轨迹影响力得分。
可选的,通过预设公式计算路网中各路线的连通度之和,包括:
根据路网中各路线k跳以内的连通度,通过预设公式:计算路网中各路线的连通度之和,其中,i和j表示不同的道路,lij表示道路i到道路j在k跳之内连通方式的数量,Di为道路i连通度之和,Vt为目标路线包含的道路的集合。
在本发明实施的第二方面,提供了一种网联车车辆行程时间估计装置,上述装置包括:
动态信息获取模块,用于获取路网的静态信息和路网的动态信息,其中,路网的静态信息包括路网中各条道路的属性信息,路网的动态信息包括路网中各条道路的交通状况信息;
空间特征获取模块,用于将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中,得到路网中各路线的空间特征,其中,各路线的空间特征包括各路线动态信息和静态信息以及该路线的相邻路线的动态信息和静态信息;
第一更新模块,用于利用路网中各路线的空间特征更新静态特征向量和动态特征向量;
时间特征获取模块,用于将路网中各路线的更新后的静态特征向量和更新后的动态特征向量输入到预先训练的循环神经网络中,得到路网中各路线的时间特征,其中,各路线的时间特征包括各路线在不同采样频率下统计的交通状况的变化趋势信息;
第二更新模块,用于利用路网中各路线的时间特征更新更新后的动态特征向量,得到二次更新后的动态特征向量;
影响力得分计算模块,用于将路网中各路线的更新后的静态特征向量和二次更新后的动态特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到路网中各路线的轨迹影响力得分;
子图抽取模块,用于根据路网中各路线的轨迹影响力得分和路网结构,抽取目标路线对应的路网子图,其中,目标路线对应的路网子图包括路网中轨迹影响力得分最高的前N条路线和路网中目标路线经过的路线,目标路线为用户选取的行进路线;
向量转化模块,用于通过图表示学习神经网络将路网子图转化为子图向量;
通行信息获取模块,用于获取通行信息向量;
行程时间计算模块,用于通过预先训练的深度残差网络,根据子图向量与通行信息向量计算得到目标路线预测行程时间。
可选的,通行信息获取模块,包括:
通行信息获取子模块,用于获取通行信息;
通行向量转化子模块,用于通过预先训练好的神经网络,对通行信息进行向量化,得到通行信息向量。
可选的,影响力得分计算模块,包括:
预设公式子模块,用于通过预设公式计算路网中各路线的连通度之和;
向量组合子模块,用于将路网中各路线的更新后的静态特征向量、二次更新后的动态特征向量和连通度之和进行组合,得到路网中各路线的综合特征向量;
影响力得分子模块,用于将路网中各路线的综合特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到路网中各路线的轨迹影响力得分。
根据路网中各路线k跳以内的连通度,通过预设公式:计算路网中各路线的连通度之和,其中,i和j表示不同的道路,lij表示道路i到道路j在k跳之内连通方式的数量,Di为道路i连通度之和,Vt为目标路线包含的道路的集合。
在本发明实施的第三方面,提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的计算机程序时,实现上述任一网联车车辆行程时间估计方法。
在本发明实施的第四方面,提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述任一网联车车辆行程时间估计方法。
本发明实施例有益效果:本发明实施例提供的一种网联车车辆行程时间估计方法,通过获取路网的静态信息和路网的动态信息;将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中,得到路网中各路线的空间特征;利用路网中各路线的空间特征更新静态特征向量和动态特征向量;将路网中各路线的更新后的静态特征向量和更新后的动态特征向量输入到预先训练的循环神经网络中,得到路网中各路线的时间特征;利用路网中各路线的时间特征更新更新后的动态特征向量,得到二次更新后的动态特征向量;将路网中各路线的更新后的静态特征向量和二次更新后的动态特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到路网中各路线的轨迹影响力得分;根据路网中各路线的轨迹影响力得分和路网结构,抽取目标路线对应的路网子图;通过图表示学习神经网络将路网子图转化为子图向量;获取通行信息向量;通过预先训练的深度残差网络,根据子图向量与通行信息向量计算得到目标路线预测行程时间。可以根据路网中各条道路的属性信息,网中各条道路的交通状况信息以及通行信息,进行目标路线的行程时间的计算,从而可以提高行程时间的计算的准确性。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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简单地介绍,显而易见地,下面描述中的附图仅仅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实施例。
图1为本申请实施例提供的一种网联车车辆行程时间估计方法的流程示意图;
图2为本申请实施例提供的一种交通数据采集单元的示意图;
图3为本申请实施例提供的一种图神经网络的示意图;
图4为本申请实施例提供的一种门限循环单元的示意图;
图5为本申请实施例提供的一种节点影响力计算单元的示意图;
图6为本申请实施例提供的一种子图抽取单元的示意图;
图7为本申请实施例提供的一种图表示学习单元的示意图;
图8为本申请实施例提供的一种计算目标路线预测行程时间的流程示意图;
图9为本申请实施例提供的一种特征嵌入单元的示意图;
图10为本申请实施例提供的一种多特征回归单元的示意图;
图11为本申请实施例提供的一种计算目标路线预测行程时间的装置的结构实例图;
图12为本申请实施例提供的另一种计算目标路线预测行程时间的装置的结构实例图;
图13为本发明实施例提供的一种网联车车辆行程时间估计装置的结构示意图;
图14为本发明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、完整地描述,显然,所描述的实施例仅仅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。
为了提高行程时间计算的准确性,本申请实施例提供了一种网联车车辆行程时间估计方法。
参见图1,图1为本申请实施例提供的一种网联车车辆行程时间估计方法的流程示意图,包括:
步骤S11,获取路网的静态信息和路网的动态信息。
其中,路网的静态信息包括路网中各条道路的属性信息,路网的动态信息包括路网中各条道路的交通状况信息。其中,路网中各条道路的属性信息可以包括:道路宽度,道路长度,车道数,道路等级,限速等。路网的动态信息可以包括:道路中车辆或行人导致的衡量道路通畅度的实时信息,如,车辆平均速度,车辆流量,行人数量等。
采集路网中每条道路静态属性信息,每个时段的交通动态属性信息,可以通过图2所述的交通数据采集单元实现。其中,交通数据采集单元可以根据视频监控信息或GPS定位信息,分析得到车辆轨迹数据、静态信息、动态信息。
在实际使用过程中,可以通过在路网中的出租车或者网约车等网联车辆中上配置GPS设备,记录车辆每次订单轨迹的GPS数据,以及统计路网中每条道路的宽度,车道数等基础属性信息,得到每条道路静态属性信息和每个时段的交通动态属性信息。
其中,路网可以由路网结构图来表示,图中的每个节点代表路网中的一条道路,通过邻接矩阵代表路网中道路的连接关系,邻接矩阵A为一个N*N的矩阵,N代表路网中的道路数量(即上述图中的节点数量),倘若路网中第i条道路与第j条道路相连,则矩阵中的第i行第j列的值Aij赋为1,不相连则赋值为0。其中,车辆实时轨迹信息可以为GPS序列信息,车辆轨迹可以是用户当前选取的目标路线的轨迹,GPS数据包含经纬度信息以及时间戳信息,获取每个时段的交通动态属性信息,可以通过将GPS点映射至路网,从而得到行程轨迹所经过道路的编号信息,通过GPS数据的时间戳可以得到轨迹开始时所处的时间段信息。以及将收集到的车辆轨迹GPS信息与地图匹配,获得每条轨迹所覆盖的路网中的道路编号,对应在途中为节点编号。
本申请实施例的网联车车辆行程时间估计方法应用于智能终端,可以通过智能终端实现,具体的该智能终端可以为电脑、智能手机或服务器等。
步骤S12,将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中,得到路网中各路线的空间特征。
其中,各路线的空间特征包括各路线动态信息和静态信息以及该路线的相邻路线的动态信息和静态信息。相邻路线可以是指上述路网结构图中,该路线的对应的节点对应的k跳以内邻居的节点所对应的路线。
其中,将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中,得到路网中各路线的空间特征,并对节点动态特征向量与静态特征向量进行更新,可以通过图3所示的图神经网络来实现。图神经网络可以分别根据动态信息及路网空间特征得到动态特征向量,根据静态信息及路网空间特征得到静态特征向量。
在实际使用过程中,可以通过将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中,将路网中各路线的空间特征添加到各路线对应的信息中,使节点信息中包含路网空间特征信息,并将节点信息进行更新。如当通过节点表示各条路线时,可以将路网中各路线的空间特征添加到各路线对应的向量中。如,通过空间特征提取单元对静态信息和动态信息分别处理,通过k次迭代图卷积神经网络对每条道路的静态属性信息与动态属性信息更新,并使用向量表示,使得每条道路的特征向量包含其相邻k跳以内道路的特征。
本申请中的图卷积神经网络(GCN)是一种提取图局部特征的神经网络,可以将图信号进行傅里叶变换,并在傅立叶域中构造一个过滤器,该过滤器作用于图的节点及其一阶邻域以捕获节点之间的空间特征,由此来获取图节点以及其相邻节点的特征。其中,该图卷积神经网络的训练过程可以通过现有技术的方法实现,本申请对此不进行限定。
步骤S13,利用路网中各路线的空间特征更新静态特征向量和动态特征向量。
利用路网中各路线的空间特征更新静态特征向量和动态特征向量,可以通过替换的方法,利用路网中各路线的空间特征对原有的静态特征向量和动态特征向量进行替换。
步骤S14,将路网中各路线的更新后的动态特征向量输入到预先训练的循环神经网络中,得到路网中各路线的时间特征。
其中,各路线的时间特征包括各路线在不同采样频率下统计的交通状况的变化趋势信息。不同采样频率下统计的交通状况的变化趋势信息可以包括日期频率,周次频率,月次频率。
步骤S15,利用路网中各路线的时间特征更新更新后的动态特征向量,得到二次更新后的动态特征向量。
在实际使用过程中,将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中,得到路网中各路线的空间特征,并对节点的静态信息与动态信息进行更新为动态特征向量与静态特征向量;将路网中各路线的动态特征向量输入到预先训练的循环神经网络中,得到路网中各路线的时间特征,并对动态特征向量进行更新,可以通过将得到路网中各路线的空间特征添加到各路线对应的信息中,使节点信息中包含路网空间特征信息,将包含空间特征的节点信息输入到预先训练的循环神经网络中,得到路网中各路线的时间特征。
其中,将路网中各路线的动态特征向量输入到预先训练的循环神经网络中,得到路网中各路线的时间特征,并对动态特征向量进行更新,可以通过图4所示的门控循环单元实现。门控循环单元可以根据时段频率动态数据得到时段动态特征向量,根据日期频率动态数据得到日期动态特征向量,根据周次频率动态数据得到周次动态特征向量,根据月次频率动态数据得到月次动态特征向量,并通过对时段动态特征向量、日期动态特征向量、月次动态特征向量和周次动态特征向量进行组合,得到更新后的动态特征向量。
其中,门控循环单元(GRU)是一种循环神经网络的变体,可以通过在循环神经网络每个单元中添加重置门与更新门来控制网络的隐藏状态信息,保留有用信息,去除无用信息,由此缓解梯度消失与梯度***问题,并达到获取序列时序特征的目的。
步骤S16,将路网中各路线的更新后的静态特征向量和二次更新后的动态特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到路网中各路线的轨迹影响力得分。
可选的,将路网中各路线的更新后的静态特征向量和二次更新后的动态特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到路网中各路线的轨迹影响力得分,包括:通过预设公式计算路网中各路线的连通度之和;将路网中各路线的更新后的静态特征向量、二次更新后的动态特征向量和连通度之和进行组合,得到路网中各路线的综合特征向量;将路网中各路线的综合特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到路网中各路线的轨迹影响力得分。
可选的,通过预设公式计算路网中各路线的连通度之和,包括:
根据路网中各路线k跳以内的连通度,通过预设公式:计算路网中各路线的连通度之和,其中,i和j表示不同的道路,lij表示道路i到道路j在k跳之内连通方式的数量,Di为道路i连通度之和,Vt为目标路线包含的道路的集合。
将路网中各路线的动态特征向量与静态特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到路网中各路线的轨迹影响力得分,可以通过图5所示的节点影响力计算单元实现。节点影响力计算单元可以根据节点连接度、动态特征向量和静态特征向量,计算得到综合特征向量和节点影响力得分。
步骤S17,根据路网中各路线的轨迹影响力得分和路网结构,抽取目标路线对应的路网子图。
其中,目标路线对应的路网子图包括路网中轨迹影响力得分最高的前N条路线和路网中目标路线经过的路线,目标路线为用户选取的行进路线。
其中,N的数量可以为对应路网中路线的数量之和计算得到的数量,如抽取路网中轨迹影响力得分最高的前2%的路线,如,当总路线为1000条时,抽取20条。
根据路网中各路线的轨迹影响力得分和路网结构,抽取目标路线对应的路网子图,可以通过图6所示的子图抽取单元实现。子图抽取单元可以根据综合特征向量、节点影响力得分、轨迹节点,抽取路网对应的路网子图。
步骤S18,通过图表示学习神经网络将路网子图转化为子图向量。
其中,通过预先训练好的图表示学习网络,对路网子图进行向量化,可以通过多次对路网中各路线对应的节点进行聚合逐步缩小图的规模,并且每次缩小规模都伴随着节点特征信息的更新,使其包含新的图的结构信息,得到路网子图中各路线新的动态特征向量和静态特征向量。
通过图表示学习将该子图表示为向量,具体方式为采用两个图卷积网络,
其中,σ为激活函数,Zl为第l次节点聚合后节点的特征矩阵,Sl为第l+1次节点聚合的聚合方式矩阵,Xl+1为第l+1次节点聚合后的节点特征矩阵,Al+1为第l+1次节点聚合后的邻接矩阵,Al为第l次聚合后的邻接矩阵,Wl为第l次聚合的权重矩阵,Dl为第l次聚合后的度矩阵,Nl为第l次聚合后的节点个数,hl+1为第l次聚合后的节点特征向量维度,为Sl的转置矩阵。分别进行图节点向量更新与图节点的聚合,多次聚合后将图简化为向量。
通过预先训练好的图表示学习网络,对路网子图进行向量化,可以通过图9所示的图表示学习单元实现。图表示学习单元可以根据路网子图计算得到子图向量。
步骤S19,获取通行信息向量。
其中,通行信息可以为影响行程的其他信息,例如,天气、通行时间、所经过的交通路口的数量等。
步骤S20,通过预先训练的深度残差网络,根据子图向量与通行信息向量计算得到目标路线预测行程时间。
根据路网子图向量计算得到目标路线预测行程时间,可以对通行信息向量化以及路网子图向量,通过深度残差网络计算目标路线预测行程时间。
根据路网子图向量计算得到目标路线预测行程时间,可以通过图7所示的多特征回归单元实现。多特征回归单元可以根据轨迹距离向量、道路数量向量、天气向量、出发时间向量、综合特征向量,计算得到形成时间预测值。
其中,通过深度残差网络的结构和训练过程可以参见现有技术,本申请对此不进行限定。
通过本申请实施例的方法,可以根据路网中各条道路的属性信息,网中各条道路的交通状况信息以及通行信息,进行目标路线的行程时间的计算,从而可以提高行程时间的计算的准确性。
可选的,参见图8,图8为本申请实施例提供的一种计算目标路线预测行程时间的流程示意图,步骤S19获取通行信息向量,包括:
步骤S191,获取通行信息。
其中,通行信息可以为影响形成的其他信息,例如,天气、通行时间、所经过的交通路口的数量等。
步骤S192,通过预先训练好的神经网络,对通行信息进行向量化,得到通行信息向量。
通过预先训练好的神经网络,对通行信息进行向量化,得到通行信息向量,可以通过图10所示的特征嵌入模块实现。特征嵌入单元可以根据轨迹距离、道路数量、天气和出发时间,计算得到轨迹距离向量、道路数量向量、天气向量和出发时间向量。
通过本申请实施例的方法,可以对路网子图通行信息进行向量化,并通过预先训练的深度残差网络,根据路网子图向量和通行信息向量计算得到目标路线预测行程时间,从而可以提高行程时间的计算的准确性。
参见图11,图11为本申请实施例提供的一种计算目标路线预测行程时间的装置的结构实例图,包括:
实时交通数据采集单元,通过架设在道路中或者路网网联车辆中的视频监控设备或者GPS坐标定位设备获取路网中道路的基础属性静态信息,可以参见图12,实时交通状况的动态信息,路网结构信息以及车辆实时轨迹数据。
空间特征提取单元,通过训练神经网络来学习提取路网静态信息与动态信息的空间结构特征。
多频时间特征提取单元,通过训练神经网络来学习获取路网动态信息在多种频率下的时间特征。
节点影响力计算单元,使用神经网络根据节点信息及节点之间连通度计算每个节点对轨迹影响力得分。
子图抽取单元,根据轨迹覆盖的节点及图节点影响力得分来抽取路网子图。
图表示学习单元,将抽取的子图简化为向量表示。
特征嵌入单元,将轨迹的其他特征通过神经网络转换为向量表示,并不断调整来获得更准确的表示方法。
多特征回归单元,综合处理路网动态信息,静态信息与轨迹其他特征信息,最终输出预测的行程时间。
参见图13,图13为本发明实施例提供的一种网联车车辆行程时间估计装置的结构示意图,上述装置包括:
动态信息获取模块131,用于获取路网的静态信息和路网的动态信息,其中,路网的静态信息包括路网中各条道路的属性信息,路网的动态信息包括路网中各条道路的交通状况信息;
空间特征获取模块132,用于将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中,得到路网中各路线的空间特征,其中,各路线的空间特征包括各路线动态信息和静态信息以及该路线的相邻路线的动态信息和静态信息;
第一更新模块133,用于利用路网中各路线的空间特征更新静态特征向量和动态特征向量;
时间特征获取模块134,用于将路网中各路线的更新后的静态特征向量和更新后的动态特征向量输入到预先训练的循环神经网络中,得到路网中各路线的时间特征,其中,各路线的时间特征包括各路线在不同采样频率下统计的交通状况的变化趋势信息;
第二更新模块135,用于利用路网中各路线的时间特征更新更新后的动态特征向量,得到二次更新后的动态特征向量;
影响力得分计算模块136,用于将路网中各路线的更新后的静态特征向量和二次更新后的动态特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到路网中各路线的轨迹影响力得分;
子图抽取模块137,用于根据路网中各路线的轨迹影响力得分和路网结构,抽取目标路线对应的路网子图,其中,目标路线对应的路网子图包括路网中轨迹影响力得分最高的前N条路线和路网中目标路线经过的路线,目标路线为用户选取的行进路线;
向量转化模块138,用于通过图表示学习神经网络将路网子图转化为子图向量;
通行信息获取模块139,用于获取通行信息向量;
行程时间计算模块140,用于通过预先训练的深度残差网络,根据子图向量与通行信息向量计算得到目标路线预测行程时间。
可选的,通行信息获取模块,包括:通行信息获取子模块,用于获取通行信息;通行向量转化子模块,用于通过预先训练好的神经网络,对通行信息进行向量化,得到通行信息向量。
可选的,影响力得分计算模块,包括:预设公式子模块,用于通过预设公式计算路网中各路线的连通度之和;向量组合子模块,用于将路网中各路线的更新后的静态特征向量、二次更新后的动态特征向量和连通度之和进行组合,得到路网中各路线的综合特征向量;影响力得分子模块,用于将路网中各路线的综合特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到路网中各路线的轨迹影响力得分。
可选的,预设公式子模块,具体用于针对路网中各路线,根据预设公式:计算路网中各路线k跳以内的连通度,其中,Ai为道路i的邻接矩阵,L为道路连通度矩阵,RN×N表示N×N阶矩阵;根据路网中各路线k跳以内的连通度,通过预设公式:计算路网中各路线的连通度之和,其中,i和j表示不同的道路,lij表示道路i到道路j在k跳之内连通方式的数量,Di为道路i连通度之和,Vt为目标路线包含的道路的集合。
通过本申请实施例的装置,可以根据路网中各条道路的属性信息,网中各条道路的交通状况信息以及通行信息,进行目标路线的行程时间的计算,从而可以提高行程时间的计算的准确性。
本发明实施例还提供了一种电子设备,如图14所示,包括处理器1401、通信接口1402、存储器1403和通信总线1404,其中,处理器1401,通信接口1402,存储器1403通过通信总线1404完成相互间的通信,
存储器1403,用于存放计算机程序;
处理器1401,用于执行存储器1403上所存放的程序时,实现上述任一网联车车辆行程时间估计方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一网联车车辆行程时间估计方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一网联车车辆行程时间估计方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。以上所述仅为本发明的较佳实施例,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、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种网联车车辆行程时间估计方法,其特征在于,所述方法包括:
获取路网的静态信息和路网的动态信息,其中,所述路网的静态信息包括所述路网中各条道路的属性信息,所述路网的动态信息包括所述路网中各条道路的交通状况信息;
将所述路网的静态信息和所述路网的动态信息输入到预先训练的图卷积神经网络中,得到所述路网中各路线的空间特征,其中,所述各路线的空间特征包括所述各路线动态信息和静态信息以及该路线的相邻路线的动态信息和静态信息;
利用所述路网中各路线的空间特征更新所述静态特征向量和所述动态特征向量;
将所述所述路网中各路线的更新后的静态特征向量和更新后的动态特征向量输入到预先训练的循环神经网络中,得到所述路网中各路线的时间特征,其中,所述各路线的时间特征包括所述各路线在不同采样频率下统计的交通状况的变化趋势信息;
利用所述路网中各路线的时间特征更新所述更新后的动态特征向量,得到二次更新后的动态特征向量;
将所述路网中各路线的所述更新后的静态特征向量和所述二次更新后的动态特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到所述路网中各路线的轨迹影响力得分;
根据所述路网中各路线的轨迹影响力得分和所述路网结构,抽取目标路线对应的路网子图,其中,所述目标路线对应的路网子图包括所述路网中轨迹影响力得分最高的前N条路线和所述路网中所述目标路线经过的路线,所述目标路线为用户选取的行进路线;
通过图表示学习神经网络将所述路网子图转化为子图向量;
获取通行信息向量;
通过预先训练的深度残差网络,根据所述子图向量与通行信息向量计算得到所述目标路线预测行程时间。
2.根据权利要求1所述的方法,其特征在于,所述获取通行信息向量,包括:
获取通行信息;
通过预先训练好的神经网络,对所述通行信息进行向量化,得到通行信息向量。
3.根据权利要求1所述的方法,其特征在于,所述将所述路网中各路线的所述更新后的静态特征向量和所述二次更新后的动态特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到所述路网中各路线的轨迹影响力得分,包括:
通过预设公式计算所述路网中各路线的连通度之和;
将所述路网中各路线的所述更新后的静态特征向量、所述二次更新后的动态特征向量和所述连通度之和进行组合,得到所述路网中各路线的综合特征向量;
将所述路网中各路线的综合特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到所述路网中各路线的轨迹影响力得分。
5.一种网联车车辆行程时间估计装置,其特征在于,所述装置包括:
动态信息获取模块,用于获取路网的静态信息和路网的动态信息,其中,所述路网的静态信息包括所述路网中各条道路的属性信息,所述路网的动态信息包括所述路网中各条道路的交通状况信息;
空间特征获取模块,用于将所述路网的静态信息和所述路网的动态信息输入到预先训练的图卷积神经网络中,得到所述路网中各路线的空间特征,其中,所述各路线的空间特征包括所述各路线动态信息和静态信息以及该路线的相邻路线的动态信息和静态信息;
第一更新模块,用于利用所述路网中各路线的空间特征更新所述静态特征向量和所述动态特征向量;
时间特征获取模块,用于将所述所述路网中各路线的更新后的静态特征向量和更新后的动态特征向量输入到预先训练的循环神经网络中,得到所述路网中各路线的时间特征,其中,所述各路线的时间特征包括所述各路线在不同采样频率下统计的交通状况的变化趋势信息;
第二更新模块,用于利用所述路网中各路线的时间特征更新所述更新后的动态特征向量,得到二次更新后的动态特征向量;
影响力得分计算模块,用于将所述路网中各路线的所述更新后的静态特征向量和所述二次更新后的动态特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到所述路网中各路线的轨迹影响力得分;
子图抽取模块,用于根据所述路网中各路线的轨迹影响力得分和所述路网结构,抽取目标路线对应的路网子图,其中,所述目标路线对应的路网子图包括所述路网中轨迹影响力得分最高的前N条路线和所述路网中所述目标路线经过的路线,所述目标路线为用户选取的行进路线;
向量转化模块,用于通过图表示学习神经网络将所述路网子图转化为子图向量;
通行信息获取模块,用于获取通行信息向量;
行程时间计算模块,用于通过预先训练的深度残差网络,根据所述子图向量与通行信息向量计算得到所述目标路线预测行程时间。
6.根据权利要求5所述的装置,其特征在于,所述通行信息获取模块,包括:
通行信息获取子模块,用于获取通行信息;
通行向量转化子模块,用于通过预先训练好的神经网络,对所述通行信息进行向量化,得到通行信息向量。
7.根据权利要求5所述的装置,其特征在于,所述影响力得分计算模块,包括:
预设公式子模块,用于通过预设公式计算所述路网中各路线的连通度之和;
向量组合子模块,用于将所述路网中各路线的所述更新后的静态特征向量、所述二次更新后的动态特征向量和所述连通度之和进行组合,得到所述路网中各路线的综合特征向量;
影响力得分子模块,用于将所述路网中各路线的综合特征向量输入到预先训练的基于图神经网络的注意力机制网络中,得到所述路网中各路线的轨迹影响力得分。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519013.1A CN112541638B (zh) | 2020-12-21 | 2020-12-21 | 一种网联车车辆行程时间估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519013.1A CN112541638B (zh) | 2020-12-21 | 2020-12-21 | 一种网联车车辆行程时间估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541638A true CN112541638A (zh) | 2021-03-23 |
CN112541638B CN112541638B (zh) | 2022-07-12 |
Family
ID=75019324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011519013.1A Active CN112541638B (zh) | 2020-12-21 | 2020-12-21 | 一种网联车车辆行程时间估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541638B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146837A (zh) * | 2022-06-21 | 2022-10-04 | 南京航空航天大学 | 一种基于gcn-gru的订单剩余完工期预测方法 |
CN115410368A (zh) * | 2022-08-24 | 2022-11-29 | 吉林化工学院 | 基于dgcn的行程时间预测方法 |
CN116882873A (zh) * | 2023-09-07 | 2023-10-13 | 北京正开科技有限公司 | 基于数据处理的产业协同时间的确定方法和*** |
WO2024030077A1 (en) * | 2022-08-05 | 2024-02-08 | Grabtaxi Holdings Pte. Ltd. | Method, device and system for predicting traffic parameters of a road network |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3255586A1 (en) * | 2016-06-06 | 2017-12-13 | Fujitsu Limited | Method, program, and apparatus for comparing data graphs |
CN110942211A (zh) * | 2019-12-12 | 2020-03-31 | 武汉中海庭数据技术有限公司 | 一种基于深度神经网络的预估达到时间预测方法及装置 |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、***及终端设备 |
CN111540198A (zh) * | 2020-04-17 | 2020-08-14 | 浙江工业大学 | 基于有向图卷积神经网络的城市交通态势识别方法 |
-
2020
- 2020-12-21 CN CN202011519013.1A patent/CN112541638B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3255586A1 (en) * | 2016-06-06 | 2017-12-13 | Fujitsu Limited | Method, program, and apparatus for comparing data graphs |
CN110942211A (zh) * | 2019-12-12 | 2020-03-31 | 武汉中海庭数据技术有限公司 | 一种基于深度神经网络的预估达到时间预测方法及装置 |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、***及终端设备 |
CN111540198A (zh) * | 2020-04-17 | 2020-08-14 | 浙江工业大学 | 基于有向图卷积神经网络的城市交通态势识别方法 |
Non-Patent Citations (1)
Title |
---|
HUITING HONG等: "HetETA: Heterogeneous Information Network Embedding for Estimating Time of Arrival", 《2020 ASSOCIATION FOR COMPUTING MACHINERY》, 27 August 2020 (2020-08-27) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146837A (zh) * | 2022-06-21 | 2022-10-04 | 南京航空航天大学 | 一种基于gcn-gru的订单剩余完工期预测方法 |
WO2024030077A1 (en) * | 2022-08-05 | 2024-02-08 | Grabtaxi Holdings Pte. Ltd. | Method, device and system for predicting traffic parameters of a road network |
CN115410368A (zh) * | 2022-08-24 | 2022-11-29 | 吉林化工学院 | 基于dgcn的行程时间预测方法 |
CN116882873A (zh) * | 2023-09-07 | 2023-10-13 | 北京正开科技有限公司 | 基于数据处理的产业协同时间的确定方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN112541638B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541638B (zh) | 一种网联车车辆行程时间估计方法 | |
CN104331422B (zh) | 一种路段类型推测方法 | |
Ahmed et al. | A comparison and evaluation of map construction algorithms using vehicle tracking data | |
CN110457420B (zh) | 兴趣点位置识别方法、装置、设备及存储介质 | |
Li et al. | Knowledge-based trajectory completion from sparse GPS samples | |
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 | |
CN109739926A (zh) | 一种基于卷积神经网络的移动对象目的地预测方法 | |
CN112418696B (zh) | 城市交通动态知识图谱的构建方法及装置 | |
Hu et al. | Behavioral responses to pre-planned road capacity reduction based on smartphone GPS trajectory data: A functional data analysis approach | |
Lin et al. | Vehicle re-identification with dynamic time windows for vehicle passage time estimation | |
Moosavi et al. | Characterizing driving context from driver behavior | |
CN112634369A (zh) | 空间与或图模型生成方法、装置、电子设备和存储介质 | |
Hashemi | Automatic inference of road and pedestrian networks from spatial-temporal trajectories | |
CN116046008A (zh) | 基于态势感知的路线规划方法、***及效能评估装置 | |
Bermingham et al. | Mining place-matching patterns from spatio-temporal trajectories using complex real-world places | |
CN116628078A (zh) | 一种层次化城市空间结构识别方法及*** | |
CN113408663B (zh) | 融合模型构建方法、融合模型使用方法、装置和电子设备 | |
CN113704373A (zh) | 基于移动轨迹数据的用户识别方法、装置及存储介质 | |
CN111429185B (zh) | 人群画像预测方法、装置、设备及存储介质 | |
CN113326877A (zh) | 模型训练、数据处理方法、装置、设备、存储介质及程序 | |
CN113792726B (zh) | 一种基于视觉图像快速生成poi的方法及*** | |
Lyu et al. | Movement-aware map construction | |
Yildirimoglu | Joint estimation of paths and travel times from Bluetooth observations | |
Efentakis et al. | Crowdsourcing turning restrictions for OpenStreetMap. | |
CN115470362A (zh) | 基于城市时空知识图谱的兴趣点实时推荐方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |