CN112686457B - 路线到达时间预估方法及装置、电子设备、存储介质 - Google Patents

Abstract

本申请的实施例揭示了一种路线到达时间预估方法及装置、电子设备、存储介质，该方法包括：获取待预估路线的路线整体特征，以及所述待预估路线所属的至少一种路线场景标签；根据所述路线整体特征和所述路线场景标签，获取所述待预估路线在每一种路线场景下的初始预估到达时间；将所述待预估路线在每一种路线场景下的初始预估到达时间与所述路线整体特征进行特征联合，得到所述待预估路线的路线联合特征，以根据所述路线联合特征预测所述待预估路线的预估达到时间。本申请实施例的技术方案能够提高路线到达时间的预估准确性。

Description

路线到达时间预估方法及装置、电子设备、存储介质

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种路线到达时间预估方法及装置、电子设备、计算机可读存储介质。

背景技术

导航软件为用户提供规划路线的功能，并在用户驾驶过程中为用户进行沿路语音引导。到达时间的预估(Estimated Time of Arrival，ETA)是地图软件中的一个基础功能，其具体为针对地图上确定的一条路线和出发时间，给出走完这条路线所需要的时间。

目前，对ETA的预估一般是利用机器学习算法，将整条路线的特征值，输入机器学习算法中进行训练和预测，但是，这种方式只考虑了路线的整体特征，而仅考虑路线的整体特征会导致到达时间预估的准确性较低。

发明内容

为解决上述技术问题，本申请的实施例提供了一种路线到达时间预估方法及装置、电子设备、计算机可读存储介质，可提高到达时间预估的准确性。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供了一种路线到达时间预估方法，包括：获取待预估路线的路线整体特征，以及所述待预估路线所属的至少一种路线场景标签；根据所述路线整体特征和所述路线场景标签，获取所述待预估路线在每一种路线场景下的初始预估到达时间；将所述待预估路线在每一种路线场景下的初始预估到达时间与所述路线整体特征进行特征联合，得到所述待预估路线的路线联合特征，以根据所述路线联合特征预测所述待预估路线的预估到达时间。

根据本申请实施例的一个方面，提供了一种路线到达时间预估装置，包括：获取模块，用于获取待预估路线的路线整体特征，以及所述待预估路线所属的至少一种路线场景标签；预估模块，用于根据所述路线整体特征和所述路线场景标签，获取所述待预估路线在每一种路线场景下的初始预估到达时间；确认模块，将所述待预估路线在每一种路线场景下的初始预估到达时间与所述路线整体特征进行特征联合，得到所述待预估路线的路线联合特征，以根据所述路线联合特征预测所述待预估路线的预估达到时间。

根据本申请实施例的一个方面，提供了一种电子设备，包括处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上所述的路线到达时间预估方法。

根据本申请实施例的一个方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上所述的路线到达时间预估方法。

根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实施例中提供的路线到达时间预估方法。

在上述技术方案中，确定待预估路线后，获取待预估路线的路线整体特征，以及待预估路线所属的至少一种路线场景标签，其后，根据路线整体特征和路线场景标签，获取待预估路线在每一种路线场景下的初始预估到达时间，最后，通过将待预估路线在每一种路线场景下的初始预估到达时间与路线整体特征进行特征联合，得到待预估路线的路线联合特征，基于路线联合特征预测待预估路线的预估到达时间。本申请在预测待预估路线的预估到达时间的过程中，不仅考虑了待预估路线的整体特征，还考虑了待预估路线所属的路线场景标签，当待预估路线具有多种路线场景标签，即待预估路线具有多种路线场景时，首先，将待预估路线在每一种路线场景下的初始预估到达时间与路线整体特征进行特征联合，实现对待预估路线的多种路线场景的整合，其后，基于路线联合特征预测待预估路线的预估到达时间，在对待预估路线的预估到达时间的计算过程中，充分考虑到待预估路线的多种路线场景对待预估路线的预估到达时间的计算结果的影响，从而有效地降低了多种路线场景对待预估路线的预估到达时间的影响，提高了预估的路线到达时间的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，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。在附图中：

图1为本发明实施例提供的一种路线到达时间预估***的示意图；

图2示出了根据本申请的一个实施例的预估时长可达圈的示意图；

图3示出了根据本申请的一个实施例的路线到达时间预估方法的流程图；

图4示出了根据图3所对应实施例示出的对步骤S20进行描述的另一流程图；

图5示出了根据本申请的一个实施例的单路线场景的模型示意图；

图6示出了根据本申请的一个实施例的到达时间预估模型示意图；

图7示出的根据本申请的一个实施例的多路线场景的模型示意图；

图8示出了根据本申请的一个实施例的路线到达时间预估装置的框图；

图9示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

下面对本申请实施例中涉及的部分概念进行介绍。

1、人工智能(Artificial Intelligence，AI)

人工智能是利用数字计算机或数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方法做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术主要包括计算机视觉技术、语音处理技术、以及机器学习/深度学习等几大方向。

2、机器学习

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。

3、到达时间预估

到达时间预估是地图软件中的一个基础功能，其功能为针对地图上的一条路线和出发时间，给出走完这条路线所要的时间。

4、实际到达时间(Actual Time of Arrival，ATA)

实际到达时间在地图服务的历史数据中，可以提取出一条路线的实际到达时间，因此，可以使用这一数据作为真值来训练机器学习算法，来预估路线的到达时间。

5、路线和路段(link)

路线，在地图应用中，路线是一条完整的连接起点和终点的线路，实际场景中，通常一条路线的长度在一公里到几十公里的范围内。

路线使用路段的序列来表达的。在地图数据中，道路被划分为依次连接的线段，这些线段的长度在几十米到几公里不等，每个线段成为一个路段，并被赋予一个全局唯一的ID。因此，地图中的一条路线，就是这条路线中所有路段组成的序列。

目前，在ETA预估的领域，最常用的算法有基于规则的逐路段累加方法、基于树模型的方法、基于深度模型的方法等。

基于规则的逐路段累加方法依赖于人工经验，根据每个路段的长度、速度、红绿灯等状况，估计出每个路段的通过时间，再加上每个路口的通过实践，这样累加起来，就构成了整条路线的总时间。但这种方法对人工经验的依赖很强，并且，现实路况十分复杂，认为设定的规则无法覆盖各种情形，导致给出的时间常常不准，更关键的是，这种方法将各路段的预估时间进行累加，因此，每个路段预估时间的误差也会进行累积，从而使得最终结果难以令人满意。

基于树模型的方法是近年来兴起的一种ETA预估方法，其不再逐路段的进行估计，而是先提取出整条路线的特征，例如全程总路程、出发时刻的全程平均速度、全程红绿灯总数、全程拥堵里程占比等，然后将这些特征输入到基于树模型的机器学习算法中进行训练。目前，这一类算法中最常用的就是梯度提升决策树(Gradient Boosting Decision Tree，GBDT)算法。但是，这类算法只考虑了路线的整体特征，而忽略了各路段的特征。然而，在现实生活中，某一路口的极度拥堵，会对整条路线的到达时间影响巨大，只考虑整体特征会导致这种情况下得到的ETA不准。

基于深度模型的方法是将整条路线的特征输入到深度神经网络中，通过反向传播算法，端到端的训练深度模型，其后，用训练好的深度模型预测ETA，这种方法比树模型的方法更加灵活，对数据的适应性好，可以取得比树模型更好的结果。

但是，上述方法均存在一个共性问题，ETA在不同场景下往往具有不同的规律，但上述的三种常见模型均没有充分考虑到场景的问题，例如，早高峰和物业的规律具有很大的不同，工作日和节假日的规律也不相同，即使是同样的早高峰，而北京的早高峰和铁岭的早高峰也会有不同的特点，因此需要在模型中加入对场景的考虑。

请参阅图1，图1为本发明实施例提供的一种路线到达时间预估***的示意图，其中，该***中包括有终端设备100和服务器200，终端设备100及服务器200可以通过有线或无线网络进行通信，本申请在此不做限制。

其中，终端设备100用于向服务器发送请求，终端设备100可以是智能手机、平板、笔记本电脑、计算机等电子设备，但并不局限于此。终端设备100中安装有客户端，客户端可以是网页客户端，也可以是安装在终端设备100中的客户端，也可以是嵌入至第三方应用中的轻应用等，本申请中不对客户端的类型进行限制。

服务器200是终端设备100中客户端对应的服务器，服务器200可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)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，应用于云电子地图产品中，应对电子地图大数据量的处理需求。

下面对路线到达时间的预估过程适用的场景进行描述。

第一种使用场景：

当用户需要利用导航软件规划路线时，可在终端设备100中输入起点和终点，或者直接选定起点和终点等。终端设备100响应于用户的操作，可以根据这些信息确定起点与终点之间的若干条候选路线，计算出每条候选路线的预计到达时间，然后从中选择一条预计到达时间最短的路线，向用户显示。

第二种使用场景：

终端设备100中的客户端进入导航状态以后，即已确定了路线和终点，每隔预定时长，例如，10分钟、20分钟或是30分钟等间隔的预定时长，终端设备100将定位位置发送至服务器200，服务器200将接收到定位位置作为起点，又根据路线和终点，计算出当前时刻对应的预计到达时间，进而计算出生于路程所需的行驶时长并反馈至终端设备100，从而用户可以获知剩余的行驶时长，方便用户安排行程。

第三种使用场景：

终端设备100将用户输入的起点发送至服务器200，服务器200可以根据接收到的位置作为起点，计算预估时间后每条路线中的终点位置，从而形成预估时长可达圈，图2示出了一个预估时长可达圈的示意图，其中，以点O为起点，分别沿4条不同路线行驶经过半小时后，可到达位置a、b、c、d，将a、b、c、d依次连接，可得到如图2所示的半小时可达圈。服务器200可将该预估时长可达圈发送至终端设备100，或者基于该预估时长可达圈将圈内的信息发送至终端设备100，从而方便用户了解地点O周边的情况。

第四种使用场景：

外卖后台服务器200在派发外卖订单时，可以上一家的位置作为起点，客户的位置作为终点，计算每一个外卖订单对应的路线耗时，从而依据路线耗时更好地给配送员派单，优化派单结果，提高配送效率。

第五种使用场景：

用户利用客户端打车时，终点设备100将当前位置发送至服务器200，服务器200将各出租车司机的当前位置作为起点，用户的当前位置作为终点，计算每个出租车司机行驶到用户位置的时长，从而更好的安排出租车司机接单，提高客运效率。

第六种使用场景：

服务器200接收客户端100输入的各路线的信息，其后，输出与各路线相对应的ETA值，以供上游服务用于评价各路线的优劣，并将最优的路线推送给用户。

第七种使用场景：

服务器200接收客户端100输入的各路线的信息，其后，输出各路线对ETA的影响权重，以供上游服务用来躲避拥堵，或是对预估时间进行解释等。

下面结合前述的应用场景，对本申请实施例提供的路线到达时间的预估方法进行说明。

请参阅图3，本申请实施例提供了一种路线到达时间预估方法，如图3所示，方法包括

步骤S10、获取待预估路线的路线整体特征，以及待预估路线所属的至少一种路线场景标签；

步骤S20、根据路线整体特征和路线场景标签，获取待预估路线在每一种路线场景下的初始预估到达时间；

步骤S30、将所述待预估路线在每一种路线场景下的初始预估到达时间与所述路线整体特征进行特征联合，得到所述待预估路线的路线联合特征，以根据所述路线联合特征预测待预估路线的预估达到时间。

下面对这些步骤进行详细描述。

在步骤S10中，获取待预估路线的路线整体特征，以及待预估路线所属的至少一种路线场景标签。

可理解地，整体特征是与整条路线相关的特征，用于表征路线的整体通行情况，在本实施例中，待预估路线的路线整体特征包括：全程总路程、全程平均限速、全程平均自由流速度、全程红绿灯总数、全程拥堵里程占比等道路信息，以及根据实时采集的全球定位***(Global Positioning System，GPS)数据计算出的出发时刻的全程平均速度、根据过去数月采集到的历史GPS数据挖掘出来的同一时刻前后5分钟或10分钟的全程平均车速等。

待预估路线所属的路线场景标签包括：早高峰、晚高峰、午夜，白天等时段标签，或是工作日、节假日等日期标签，或是北京、上海、深圳、广州等城市标签，或是其他的一些场景标签，本申请中不对场景标签的内容进行限制。

其中，需要理解的是，同一路段可能同时存在有多个路线场景标签，每一路线场景标签对应一个路线场景特征，例如，北京、早高峰、拥堵，一个路线场景标签表明了所在城市为北京，一个路线场景标签表明了所在时段为早高峰，而另一个路线场景标签则表明了该路段的现时状态为拥堵，不同的路段会存在有不同的路线场景标签。

可理解地，本实施例中，可通过独热编码对路线场景特征进行编码，独热编码是一种对类别特征的表示方法，例如，对性别进行编码，可以令男性对应(0，1)，女性对应(1，0)，即可得到一种性别的独热编码，或是，对季节进行独热编码，可以令春季对应(1，0，0，0)，夏季对应(0，1，0，0)，秋季对应(0，0，1，0)，冬季对应(0，0，0，1)，即可得到一种季节的独热编码，需要注意的是，独热编码不是唯一的，变换一下四季对应的位置，可得到另一种独热编码。在本实施例中，可令早高峰对应(1，0，0，0)，晚高峰对应(0，1，0，0)，午夜对应(0，0，1，0)，白天对应(0，0，0，1)。

在本实施例中，当用户在客户端输入有路线的起点和终点，或是在客户端的地图上指定有起点和终点时，即可获取到完成的路线，其后，可根据采集到的道路信息及GPS数据信息，得到对应的路线整体特征以及待预估路线所属的至少一种路线场景标签。

在步骤S20中，根据路线整体特征和路线场景标签，获取待预估路线在每一种路线场景下的初始预估到达时间。

本实施例中，根据获取的路线整体特征和路线场景标签，获取待预估路线在每一种路线场景下的初始预估到达时间，具体地，可参阅图4，图4示出了根据图3所对应实施例示出的对步骤S20进行描述的另一流程图，其包括：

步骤S21、获取路线整体特征对应的第一实值向量；

步骤S22、根据待预估路线在路线场景标签所标识路线场景下的路线场景特征，获取与路线场景标签相对应的第二实值向量；

步骤S23、将第一实值向量与第二实值向量进行内积，获得待预估路线在路线场景标签所标识的路线场景下的初始预估到达时间。

可理解的是，嵌入表示技术是近年来兴起的一种特征提取方法，通过这一技术，可以将词、用户、商家、网络节点等转换为一个实值向量，这个实值向量就相应地称为词向量、用户向量等，得到实值向量后，可以用机器学习方法，完成分类、回归、识别等后续任务。本实施例中，通过嵌入表示技术分别获取路线整体特征对应的第一实值向量，以及与路线场景标签相对应的第二实值向量，其中，嵌入表示技术不限于常用的神经网络或是降维方法，需要注意的是，为了后续能够将第一实值向量与第二实值向量进行内积计算，第一实值向量与第二实值向量的向量维度需要保持相同，通过将第一实值向量与第二实值向量进行内积，可得到初始预估到达时间。

在本实施例中，通过获取待预估路线在不同种路线场景下的初始预估到达时间，可实现对预估路线的多种路线场景的整合，在对待预估路线的的预估到达时间进行计算时，能够充分考虑到待预估路线的多种路线场景对预估到达时间的影响，从而得到基于多种路线场景和路线整体特征的预估到达时间，有效提高路线的预估到达时间的准确度。

在一示例性实施例中，获取路线整体特征对应的第一实值向量的步骤由第一嵌入表示模型执行，而根据待预估路线在路线场景标签所标识路线场景下的路线场景特征，获取与路线场景标签相对应的第二实值向量的步骤由与路线场景标签相匹配的第二嵌入表示模型执行。

进一步地，该方法还包括：

获取训练数据，训练数据包括历史路线的历史路线整体特征，以及历史路线在路线场景标签所标识路线场景下的历史路线场景特征；

将历史路线整体特征输入至第一嵌入表示模型，以及将历史路线场景特征输入至第二嵌入表示模型；

将第一嵌入表示模型的输出信号与第二嵌入表示模型的输出信号进行内积运算，得到历史路线在路线场景标签所标识路线场景下的初始预估到达时间；

基于历史路线在路线场景标签所标识路线场景下的初始预估到达时间和历史路线的实际到达时间计算训练损失值，以根据训练损失值更新第二嵌入表示模型，更新得到的第二嵌入表示模型与路线场景标签相匹配。

请参阅图5，图5示出了根据本申请的一个实施例的单路线场景的模型示意图，在本实施例中，需要对第一嵌入表示模型以及第二嵌入表示模型进行训练，训练数据包括历史路线的历史路线整体特征与历史路线在路线场景标签所标识路线场景下的历史路线场景特征，其中，将历史路线的历史路线整体特征输入至第一嵌入表示模型中，可得到第一嵌入表示模型的输出信号，将历史路线场景特征输入至第二嵌入表示模型中，可得到第二嵌入表示模型的输出信号，通过将第一嵌入表示模型的输出信号和第二嵌入表示模型的输出信号进行内积，可得到历史路线在路线场景标签所标识路线场景下的初始预估到达时间，基于得到的初始预估到达时间和所述历史路线的实际到达时间可以计算训练损失值。

需要注意的是，本实施例中，可对路线场景标签进行场景扩展，例如，新增加支持了城市B，则可以在图5中，维持左侧的路线整体特征的分支不动，只训练右侧的路线场景标签的分支。由于本实施例中，可实现对路线场景标签的场景扩展，从而使得本申请的路线到达时间预估方法的适用性广，能够适应不同的应用场景。

本实施例中，可采用常用的损失函数对训练损失值进行计算，例如，采用平方损失函数loss(ETA，ATA)＝(ETA-ATA)²，需要注意的是，也可采用绝对值损失函数loss(ETA，ATA)＝|ETA-ATA|。

本实施例中，根据训练损失值分别更新第一嵌入表示模型和第二嵌入表示模型，常用的嵌入表示模型的优化更新方法包括：随机梯度下降法、牛顿法、共轭梯度法等，采用不同的嵌入表示模型，需要采用不同的优化方法进行优化更新。

进一步地，当路线场景标签为多个时，训练数据中还包括历史路线在其它路线场景下的历史路线场景特征；该方法还包括：

将历史路线在其它路线场景下的历史路线场景特征输入第三嵌入模型；

根据第三嵌入模型的输出信号和第一嵌入表示模型的输出信号计算历史路线在其它路线场景下的初始预估到达时间，以基于历史路线在所有路线场景下的初始预估到达时间以及历史路线的实际到达时间，计算训练损失值。

在本实施例中，请参阅图6，图6示出了根据本申请的一个实施例的到达时间预估模型示意图，其中，路线场景标签A和路线场景标签B可从两个分支分别输入对应的嵌入表示模型中，其后，输出对应的嵌入表示模型的信号，对嵌入表示模型的信号进行内积可得到不同路线场景下的初始预估到达时间。

进一步地，基于历史路线在所有路线场景下的初始预估到达时间以及历史路线的实际到达时间，计算训练损失值，包括：

计算所述历史路线在各个路线场景下的初始预估到达时间与所述实际到达时间之间的差值；以及，对所述差值的平方进行求和运算，以得到所述训练损失值。

例如，可采用平方损失函数loss(ETA₀，ETA₁，ATA)＝(ETA₀-ATA)²+(ETA₁-ATA)²，计算得到训练损失值，其中，ETA₀为路线场景标签A下的初始预估到达时间，ETA₁路线场景标签B下的初始预估到达时间，ATA为历史路线的实际到达时间。

在步骤S30中，将所述待预估路线在每一种路线场景下的初始预估到达时间与所述路线整体特征进行特征联合，得到所述待预估路线的路线联合特征，以根据所述路线联合特征预测待预估路线的预估达到时间。

在本实施例中，通过将待预估路线在每一种路线场景下的初始预估到达时间与路线整体特征进行拼接，得到待预估路线的路线联合特征，其后，如图7所示，图7示出了根据本申请一个实施例的多路线场景的模型示意图，将待预估路线的路线联合特征输入机器学习算法中，可得到待预估路线的预估达到时间。其中，机器学习算法可以是GBDT方法、神经网络方法，或是线性回归等其他方法。

根据前述分析，本申请中通过嵌入表示技术，将待预估路线的不同路线场景特征表示为不同的实值向量，同时，将路线整体特征也表示为实值向量，并将路线场景特征对应的实值向量与路线整体特征对应的实值向量的内积作为初始预估到达时间，通过综合不同路线场景特征下的初始预估到达时间，得到最终预测的预估到达时间，一方面，通过多路线场景的联合训练，可以自动的学习出路线场景间的组合效果，从而避免了路线场景组合***的问题；另一方面，可以方便的对路线场景进行扩展，新增一个路线场景时，只需要训练对应路线场景的嵌入表示模型即可；进一步地，还可以在不修改其他路线场景的前提下，单独优化某一路线场景。

以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的数据库访问控制方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的路线到达时间预估方法的实施例。

图8示出了根据本申请的一个实施例的路线到达时间预估装置的框图，参照图8所示，根据本申请的一个实施例的路线到达时间预估装置800，包括：

获取模块810，用于获取待预估路线的路线整体特征，以及待预估路线所属的至少一种路线场景标签；预估模块820，用于根据路线整体特征和路线场景标签，获取待预估路线在每一种路线场景下的初始预估到达时间；确认模块830，将待预估路线在每一种路线场景下的初始预估到达时间与路线整体特征进行特征联合，得到待预估路线的路线联合特征，以根据路线联合特征预测待预估路线的预估达到时间。

在本申请的一个实施例中，获取模块810包括：路线整体特征获取单元，用于获取待预估路线的路线整体特征；路线场景标签单元，用于获取待预估路线所属的至少一种路线场景标签。

在本申请的一个实施例中，预估模块820包括：第一实值向量获取单元，用于获取路线整体特征对应的第一实值向量；第二实值向量获取单元，用于根据待预估路线在路线场景标签所标识路线场景下的路线场景特征，获取与路线场景标签相对应的第二实值向量；初始预估到达时间获取单元，用于将第一实值向量与第二实值向量进行内积，获得待预估路线在路线场景标签所标识的路线场景下的初始预估到达时间。

在本申请的一个实施例中，确认模块830包括：特征联合单元，用于将待预估路线在每一种路线场景下的初始预估到达时间与路线整体特征进行特征联合，得到待预估路线的路线联合特征；确认单元，用于根据路线联合特征预测待预估路线的预估达到时间。

需要说明的是，上述实施例所提供的装置与上述实施例所提供的方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。

本申请的实施例还提供了一种电子设备，包括处理器和存储器，其中，存储器上存储有计算机可读指令，该计算机可读指令被处理器执行时实现如前述的路线到达时间预估方法。

图9示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。

需要说明的是，图9示出的电子设备的计算机***1600仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图9所示，计算机***1600包括中央处理单元(Central Processing Unit，CPU)1601，其可以根据存储在只读存储器(Read-Only Memory，ROM)1602中的程序或者从储存部分1608加载到随机访问存储器(Random Access Memory，RAM)1603中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1603中，还存储有***操作所需的各种程序和数据。CPU 1601、ROM 1602以及RAM 1603通过总线1604彼此相连。输入/输出(Input/Output，I/O)接口1605也连接至总线1604。

以下部件连接至I/O接口1605：包括键盘、鼠标等的输入部分1606；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1607；包括硬盘等的储存部分1608；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1609。通信部分1609经由诸如因特网的网络执行通信处理。驱动器1610也根据需要连接至I/O接口1605。可拆卸介质1611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1610上，以便于从其上读出的计算机程序根据需要被安装入储存部分1608。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1609从网络上被下载和安装，和/或从可拆卸介质1611被安装。在该计算机程序被中央处理单元(CPU)1601执行时，执行本申请的***中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的路线到达时间预估方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。

本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的路线到达时间预估方法。

上述内容，仅为本申请的较佳示例性实施例，并非用于限制本申请的实施方案，本领域普通技术人员根据本申请的主要构思和精神，可以十分方便地进行相应的变通或修改，故本申请的保护范围应以权利要求书所要求的保护范围为准。

Claims (14)

1.一种路线到达时间预估方法，其特征在于，包括：

获取待预估路线的路线整体特征，以及所述待预估路线所属的多种路线场景标签；

获取所述路线整体特征对应的第一实值向量，根据所述待预估路线在每一种所述路线场景标签所标识路线场景下的路线场景特征，获取与每一种所述路线场景标签分别相对应的第二实值向量；将所述第一实值向量与每一种所述第二实值向量进行内积，获得所述待预估路线在每一种所述路线场景标签所标识的路线场景下的初始预估到达时间；

将所述待预估路线在每一种路线场景下的初始预估到达时间与所述路线整体特征进行特征联合，以整合所述待预估路线的多种路线场景，得到所述待预估路线的路线联合特征，根据所述路线联合特征预测所述待预估路线的预估到达时间。

2.根据权利要求1所述的方法，其特征在于，所述第一实值向量与所述第二实值向量的向量维度相同。

3.根据权利要求1所述的方法，其特征在于，所述获取所述路线整体特征对应的第一实值向量的步骤由第一嵌入表示模型执行，所述根据所述待预估路线在所述路线场景标签所标识路线场景下的路线场景特征，获取与所述路线场景标签相对应的第二实值向量的步骤由所述路线场景标签相匹配的第二嵌入表示模型执行；所述方法还包括：

获取训练数据，所述训练数据包括历史路线的历史路线整体特征，以及所述历史路线在所述路线场景标签所标识路线场景下的历史路线场景特征；

将所述历史路线整体特征输入至第一嵌入表示模型，以及将所述历史路线场景特征输入至第二嵌入表示模型；

将所述第一嵌入表示模型的输出信号与所述第二嵌入表示模型的输出信号进行内积运算，得到所述历史路线在所述路线场景标签所标识路线场景下的初始预估到达时间；

基于所述历史路线在所述路线场景标签所标识路线场景下的初始预估到达时间和所述历史路线的实际到达时间计算训练损失值，以根据所述训练损失值更新所述第二嵌入表示模型，更新得到的第二嵌入表示模型与所述路线场景标签相匹配。

4.根据权利要求3所述的方法，其特征在于，所述训练数据中还包括所述历史路线在其它路线场景下的历史路线场景特征；所述方法还包括：

将所述历史路线在其它路线场景下的历史路线场景特征输入第三嵌入模型；

根据所述第三嵌入模型的输出信号和所述第一嵌入表示模型的输出信号计算所述历史路线在所述其它路线场景下的初始预估到达时间，以基于所述历史路线在所有路线场景下的初始预估到达时间以及所述历史路线的实际到达时间，计算所述训练损失值。

5.根据权利要求4所述的方法，其特征在于，所述基于所述历史路线在所有路线场景下的初始预估到达时间以及所述历史路线的实际到达时间，计算所述训练损失值，包括：

计算所述历史路线在各个路线场景下的初始预估到达时间与所述实际到达时间之间的差值；

对所述差值的平方进行求和运算，以得到所述训练损失值。

6.根据权利要求1所述的方法，其特征在于，所述将所述待预估路线在每一种路线场景下的初始预估到达时间与所述路线整体特征进行特征联合，包括：

将所述待预估路线在每一种路线场景下的初始预估到达时间与所述路线整体特征进行拼接，以得到所述待预估路线的路线联合特征。

7.一种路线到达时间预估装置，其特征在于，包括：

获取模块，用于获取待预估路线的路线整体特征，以及所述待预估路线所属的多种路线场景标签；

预估模块包括：第一实值向量获取单元，用于获取路线整体特征对应的第一实值向量；第二实值向量获取单元，用于根据所述待预估路线在每一种所述路线场景标签所标识路线场景下的路线场景特征，获取与每一种所述路线场景标签分别相对应的第二实值向量；初始预估到达时间获取单元，用于将所述第一实值向量与每一种所述第二实值向量进行内积，获得所述待预估路线在每一种所述路线场景标签所标识的路线场景下的初始预估到达时间；

确认模块，将所述待预估路线在每一种路线场景下的初始预估到达时间与所述路线整体特征进行特征联合，以整合所述待预估路线的多种路线场景，得到所述待预估路线的路线联合特征，根据所述路线联合特征预测所述待预估路线的预估达到时间。

8.根据权利要求7所述的装置，其特征在于，所述第一实值向量与所述第二实值向量的向量维度相同。

9.根据权利要求7所述的装置，其特征在于，所述装置还用于：获取训练数据，所述训练数据包括历史路线的历史路线整体特征，以及所述历史路线在所述路线场景标签所标识路线场景下的历史路线场景特征；将所述历史路线整体特征输入至第一嵌入表示模型，以及将所述历史路线场景特征输入至第二嵌入表示模型；将所述第一嵌入表示模型的输出信号与所述第二嵌入表示模型的输出信号进行内积运算，得到所述历史路线在所述路线场景标签所标识路线场景下的初始预估到达时间；基于所述历史路线在所述路线场景标签所标识路线场景下的初始预估到达时间和所述历史路线的实际到达时间计算训练损失值，以根据所述训练损失值更新所述第二嵌入表示模型，更新得到的第二嵌入表示模型与所述路线场景标签相匹配。

10.根据权利要求9所述的装置，其特征在于，所述训练数据中还包括所述历史路线在其它路线场景下的历史路线场景特征；所述装置还用于：将所述历史路线在其它路线场景下的历史路线场景特征输入第三嵌入模型；根据所述第三嵌入模型的输出信号和所述第一嵌入表示模型的输出信号计算所述历史路线在所述其它路线场景下的初始预估到达时间，以基于所述历史路线在所有路线场景下的初始预估到达时间以及所述历史路线的实际到达时间，计算所述训练损失值。

11.根据权利要求10所述的装置，其特征在于，所述装置还用于：计算所述历史路线在各个路线场景下的初始预估到达时间与所述实际到达时间之间的差值；对所述差值的平方进行求和运算，以得到所述训练损失值。

12.根据权利要求7所述的装置，其特征在于，所述确认模块还用于：将所述待预估路线在每一种路线场景下的初始预估到达时间与所述路线整体特征进行拼接，以得到所述待预估路线的路线联合特征。

13.一种电子设备，其特征在于，包括：

存储器，存储有计算机可读指令；

处理器，读取存储器存储的计算机可读指令，以执行权利要求1-6中的任一项所述的方法。

14.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1-6中的任一项所述的方法。

Images