建立路线耗时预估模型、预估路线耗时的方法及对应装置制造方法及图纸

本申请公开了一种建立路线耗时预估模型、预估路线耗时的方法及对应装置，设置人工智能技术领域。技术方案包括：从用户轨迹数据中获取训练数据，训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；利用训练数据训练得到路线耗时预估模型，其中路线耗时预估模型包括：路况子网络利用时间信息和路线所包含各路段的路网特征表示，预估路线所包含各路段的路况特征表示；整合子网络依据时间信息的特征表示、路线所包含各路段的向量表示以及路线所包含各路段的路况特征表示，确定路线的预估耗时；路线耗时预估模型的训练目标为：最小化路线的预估耗时与实际耗时的差距。本申请能够提高路线耗时预估的准确性。

【技术实现步骤摘要】
建立路线耗时预估模型、预估路线耗时的方法及对应装置
本申请涉及计算机应用
，特别涉及人工智能

技术介绍
在地图类服务中，路线耗时预估是一个非常重要的模块，其用于预估经过该路线所需要的耗时。路线耗时预估可以用于向用户返回路线耗时作为参考，也可以用于诸如辅助进行最优路线的生成等其他场景。现有的路线耗时预估中会使用路线中各路段的路况特征，而路况特征的获取通常作为一个独立的模型，利用该模型输出的路况特征进行路线耗时预估模型的训练。也就是说，获取路况特征的模型和路线耗时路线耗时预估模型是分别单独训练的，从而难以捕捉路况特征和路线耗时之间的内在联动关系，造成路线耗时预估的准确性不足。
技术实现思路
有鉴于此，本申请提供了一种建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置，以便于提高路线耗时预估的准确性。第一方面，本申请提供了一种建立路线耗时预估模型的方法，该方法包括：从用户轨迹数据中获取训练数据，所述训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；利用所述训练数据训练得到所述路线耗时预估模型，其中所述路线耗时预估模型包括：路况子网络和整合子网络；所述路况子网络利用所述时间信息和所述路线所包含各路段的路网特征表示，预估所述路线所包含各路段的路况特征表示；所述整合子网络依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示，确定所述路线的预估耗时；所述路线耗时预估模型的训练目标为：最小化所述路线的预估耗时与实际耗时的差距。根据本申请一优选实施方式，所述路线耗时预估模型还包括：时间子网络和/或路段子网络；所述时间子网络用于获取所述时间信息的特征表示；所述路段子网络用于获取所述路线所包含各路段的向量表示。根据本申请一优选实施方式，获取所述路线所包含各路段的向量表示包括：获取所述路线所包含的各路段以及各路段的上下文；针对每一条路段以及该路段的上下文，使用神经网络进行编码，得到该路段的向量表示。根据本申请一优选实施方式，利用所述时间信息预估路段的路况特征表示包括：获取路段在所述时间信息之前预设历史时长内各时间点的路况特征；将该路段的路网特征、在所述时间信息之前预设历史时长内各时间点的路况特征以及所述历史时长内各时间点的特征进行拼接，得到该路段对应的时空张量；利用注意力机制对所述时空张量进行映射，得到对该路段预估的路况特征表示。根据本申请一优选实施方式，所述获取路段在所述时间信息之前预设历史时长内各时间点的路况特征包括：从在所述时间信息之前预设历史时长内各时间点的路况图中，获取所述路段及其上下文对应的路况子图；将所述路况子图进行编码，得到所述路段在所述时间信息之前预设历史时长内各时间点的路况特征。根据本申请一优选实施方式，在所述进行拼接时，对预设历史时长内各时间点的部分路况特征进行随机掩膜。根据本申请一优选实施方式，确定所述路线的预估耗时包括：所述整合子网络依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示进行整合后，经过全连接层的映射分别得到各路段的预估耗时；依据各路段的预估耗时，得到所述路线的预估耗时。根据本申请一优选实施方式，最小化所述路线的预估耗时与实际耗时的差距包括：依据所述路线的预估耗时与所述路线的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数；或者，依据所述路线中各路段的预估耗时与各路段的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数；或者，依据所述路线中各路段的预估耗时与各路段的实际耗时的差距，以及所述路线的预估耗时与所述路线的实际耗时的差距，确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数。第二方面，本申请提供了一种预估路线耗时的方法，该方法包括：获取待预估的路线以及进行预估的时间信息；将所述路线和所述时间信息输入路线耗时预估模型，获取所述路线耗时预估模型输出的所述路线的预估耗时；其中所述路线耗时预估模型采用如上所述的方法预先建立。第三方面，本申请提供了一种建立路线耗时预估模型的装置，该装置包括：第一获取单元，用于从用户轨迹数据中获取训练数据，所述训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；模型训练单元，用于利用所述训练数据训练得到所述路线耗时预估模型，其中所述路线耗时预估模型包括：路况子网络和整合子网络；所述路况子网络利用所述时间信息和所述路线所包含各路段的路网特征表示，预估所述路线所包含各路段的路况特征表示；所述整合子网络依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示，确定所述路线的预估耗时；所述路线耗时预估模型的训练目标为：最小化所述路线的预估耗时与实际耗时的差距。根据本申请一优选实施方式，所述路线耗时预估模型还包括：时间子网络和/或路段子网络；所述时间子网络用于获取所述时间信息的特征表示；所述路段子网络用于获取所述路线所包含各路段的向量表示。根据本申请一优选实施方式，所述路段子网络，具体用于获取所述路线所包含的各路段以及各路段的上下文；针对每一条路段以及该路段的上下文，使用神经网络进行编码，得到该路段的向量表示。根据本申请一优选实施方式，所述路况子网络，具体用于获取路段在所述时间信息之前预设历史时长内各时间点的路况特征；将该路段的路网特征、在所述时间信息之前预设历史时长内各时间点的路况特征以及所述历史时长内各时间点的特征进行拼接，得到该路段对应的时空张量；利用注意力机制对所述时空张量进行映射，得到对该路段预估的路况特征表示。根据本申请一优选实施方式，所述路况子网络在获取路段在所述时间信息之前预设历史时长内各时间点的路况特征时，具体执行：从在所述时间信息之前预设历史时长内各时间点的路况图中，获取所述路段以及该路段的上下文对应的路况子图；将所述路况子图进行编码，得到所述路段在所述时间信息之前预设历史时长内各时间点的路况特征。根据本申请一优选实施方式，所述路况子网络，还用于在所述进行拼接时，对预设历史时长内各时间点的部分路况特征进行随机掩膜。根据本申请一优选实施方式，所述整合子网络，具体用于依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示进行整合后，经过全连接层的映射分别得到各路段的预估耗时；依据各路段的预估耗时，得到所述路线的预估耗时。根据本申请一优选实施方式，所述模型训练单元，具体用于：依据所述路线的预估耗时与所述路线的实际耗时的差距确本文档来自技高网...

【技术保护点】
1.一种建立路线耗时预估模型的方法，其特征在于，该方法包括：/n从用户轨迹数据中获取训练数据，所述训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；/n利用所述训练数据训练得到所述路线耗时预估模型，其中所述路线耗时预估模型包括：路况子网络和整合子网络；/n所述路况子网络利用所述时间信息和所述路线所包含各路段的路网特征表示，预估所述路线所包含各路段的路况特征表示；/n所述整合子网络依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示，确定所述路线的预估耗时；/n所述路线耗时预估模型的训练目标为：最小化所述路线的预估耗时与实际耗时的差距。/n

【技术特征摘要】
1.一种建立路线耗时预估模型的方法，其特征在于，该方法包括：
从用户轨迹数据中获取训练数据，所述训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；
利用所述训练数据训练得到所述路线耗时预估模型，其中所述路线耗时预估模型包括：路况子网络和整合子网络；
所述路况子网络利用所述时间信息和所述路线所包含各路段的路网特征表示，预估所述路线所包含各路段的路况特征表示；
所述整合子网络依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示，确定所述路线的预估耗时；
所述路线耗时预估模型的训练目标为：最小化所述路线的预估耗时与实际耗时的差距。


2.根据权利要求1所述的方法，其特征在于，所述路线耗时预估模型还包括：时间子网络和/或路段子网络；
所述时间子网络用于获取所述时间信息的特征表示；
所述路段子网络用于获取所述路线所包含各路段的向量表示。


3.根据权利要求2所述的方法，其特征在于，获取所述路线所包含各路段的向量表示包括：
获取所述路线所包含的各路段以及各路段的上下文；
针对每一条路段以及该路段的上下文，使用神经网络进行编码，得到该路段的向量表示。


4.根据权利要求1所述的方法，其特征在于，利用所述时间信息预估路段的路况特征表示包括：
获取路段在所述时间信息之前预设历史时长内各时间点的路况特征；
将该路段的路网特征、在所述时间信息之前预设历史时长内各时间点的路况特征以及所述历史时长内各时间点的特征进行拼接，得到该路段对应的时空张量；
利用注意力机制对所述时空张量进行映射，得到对该路段预估的路况特征表示。


5.根据权利要求4所述的方法，其特征在于，所述获取路段在所述时间信息之前预设历史时长内各时间点的路况特征包括：
从在所述时间信息之前预设历史时长内各时间点的路况图中，获取所述路段及其上下文对应的路况子图；
将所述路况子图进行编码，得到所述路段在所述时间信息之前预设历史时长内各时间点的路况特征。


6.根据权利要求4所述的方法，其特征在于，在所述进行拼接时，对预设历史时长内各时间点的部分路况特征进行随机掩膜。


7.根据权利要求1所述的方法，其特征在于，确定所述路线的预估耗时包括：
所述整合子网络依据所述时间信息的特征表示、所述路线所包含各路段的向量表示以及所述路线所包含各路段的路况特征表示进行整合后，经过全连接层的映射分别得到各路段的预估耗时；
依据各路段的预估耗时，得到所述路线的预估耗时。


8.根据权利要求7所述的方法，其特征在于，最小化所述路线的预估耗时与实际耗时的差距包括：
依据所述路线的预估耗时与所述路线的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数；或者，
依据所述路线中各路段的预估耗时与各路段的实际耗时的差距确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数；或者，
依据所述路线中各路段的预估耗时与各路段的实际耗时的差距，以及所述路线的预估耗时与所述路线的实际耗时的差距，确定损失函数，依据所述损失函数进行前向反馈以更新所述路线耗时预估模型的参数。


9.一种预估路线耗时的方法，其特征在于，该方法包括：
获取待预估的路线以及进行预估的时间信息；
将所述路线和所述时间信息输入路线耗时预估模型，获取所述路线耗时预估模型输出的所述路线的预估耗时；
其中所述路线耗时预估模型采用如权利要求1至8中任一项所述的方法预先建立。


10.一种建立路线耗时预估模型的装置，其特征在于，该装置包括：
第一获取单元，用于从用户轨迹数据中获取训练数据，所述训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；
模型训练单...

【专利技术属性】
技术研发人员：方晓敏，黄际洲，王凡，曾令科，梁海金，王海峰，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京;11