用于确定预计到达时间的方法、装置、设备及介质制造方法及图纸

本申请公开了一种用于确定预计到达时间的方法、装置、设备及介质，该方法包括：获取待预估路线中每条路段的路段特征，该待预估路线包括至少一条路线；对每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征；利用所述路线特征预测所述待预估路线对应的预计到达时间。该方案通过对待预估路线的每条路段的路段特征进行注意力权重分配，来提取各路段的局部特征，有效地提高局部拥堵场景的预计到达时间的准确性。

【技术实现步骤摘要】
用于确定预计到达时间的方法、装置、设备及介质
本专利技术一般涉及地图应用
，具体涉及一种用于确定预计到达时间的方法、装置、设备及介质。
技术介绍
随着互联网技术的快速发展，人工智能技术已经广泛应用在各个不同领域当中，如医疗、教育、金融、交通等，其中，在交通领域，如智能导航方面，可以根据在线地图的起点和终点预估所有候选路线的到达时间，也可以在导航过程中，实时获取完成每条路线所需时间，从而为用户规划出最优出行路线。目前，相关技术在预计到达时间的过程中，采用的是基于规则的逐路段累加方法或者基于树模型的机器学习算法。但是，基于规则的逐路段累加方法不仅需要依赖人工经验，而且每条路段的预估时间会进行累积误差，导致准确率低；基于树模型的机器学习算法获得的到达时间预估值也存在不准确的问题。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种用于确定预计到达时间的方法、装置、设备及介质，对待预估线路所包含的每条路段的路段特征进行注意力权重分配，有效地提高了预计到达时间的准确性。一方面，本申请实施例提供了一种用于确定预计到达时间的方法，该方法包括：获取待预估路线中每条路段的路段特征，该待预估路线包括至少一条路段；对每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征；利用路线特征预测所述待预估路线对应的预计到达时间。一方面，本申请提供了一种用于确定预计到达时间的装置，该装置包括：路段特征获取模块，用于获取待预估路线中每条路段的路段特征，该待预估路线包括至少一条路段；注意力分配模块，用于对每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征；到达时间预估模块，用于利用路线特征预测待预估路线对应的预计到达时间。一方面，本申请实施例提供一种设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如上述第一方面的用于确定预计到达时间的方法。一方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序用于实现如上第一方面的用于确定预计到达时间的方法。本申请实施例中提供的用于确定预计到达时间的方法、装置、设备及介质，通过获取待预估路线中每条路段的路段特征，该待预估路线包括至少一条路段，并对每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征，利用路线特征预测待预估路线对应的预计到达时间。该方案通过对待预估路线的每条路段的路段特征进行注意力权重分配，来提取各路段的局部特征，有效地提高局部拥堵场景的预计到达时间的准确性。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1为本申请实施例提供的确定预计到达时间的应用系统的系统架构图；图2为本申请实施例提供的确定预计到达时间方法的流程示意图；图3为本申请实施例提供的注意力分配模型的结构示意图；图4为本申请实施例提供的对所述每条路段的路段特征进行注意力权重分配方法的流程示意图；图5为本申请实施例提供的待训练的注意力分配模型和全连接网络模型的结构示意图；图6为本申请实施例提供的确定预计到达时间方法的流程示意图；图7为本申请实施例提供的注意力分配模型和全连接网络模型的结构示意图；图8为本申请实施例提供的得到待预估路线的预计到达时间和对应的评价指标方法的流程示意图；图9为本申请实施例提供的得到待预估路线的预计到达时间和对应的评价指标的结构示意图；图10为本申请实施例提供的训练预测模型方法的流程示意图；图11为本申请实施例提供的用于确定预计到达时间装置的结构示意图；图12为本申请另一实施例提供的用于确定预计到达时间装置的结构示意图；图13为本申请实施例的终端设备或服务器的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。为了便于理解，下面对本申请实施例涉及的一些技术术语进行解释：人工智能(ArtificialIntelligence，简称AI)是利用数字计算机或者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、技术及应用系统。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式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。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件主要包括计算机视觉、语音处理技术、自然语言技术以及机器学习/深度学习等几大方向。机器学习(MachineLearning，简称ML)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。专门研究计算机怎么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。机器学习使人工智能的核心，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。机器学习和深度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、式教学习等技术。路线，是指从一地到另一地所经过的道路。在地图应用中，是一条完整的连接起点和终点的线路。在实际场景中，路线的长度一般在一公里至几十公里的范围内。路段，是路线的一个单元，在地图中路线被划分为一段或者多段的线段，每个线段称为一条路段，每个路段可以对应有唯一的标识。例如，可以根据路线中所涉及的各个小的街区，将路线划分为多个路段。相应的，路线可以看成是一个或多个路段构成的路段序列，在实际场景中，路段的长度一般在几十米至几公里等范围。注意力机制，是指根据输入信息的注意力分布来计算输入信息的加权平均。卷积神经网络(ConvolutionalNeuralNetwork，简称CNN)是一类包括卷积运算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。预计到达时间(EstimatedTimeofArrival，简称ETA)，也称预计到达时间，是指按照通行方式预估通行一条路线所需耗费的估计时长，例如给定地图中的一条路线，假设用户使用交通工具通行该线路或者采用步行方式通行该条路线所需耗费的时间。实际到达时间((ActualTimeofArrival，简称ATA)，是指按照确定通本文档来自技高网...

【技术保护点】
1.一种用于确定预计到达时间的方法，其特征在于，包括：/n获取待预估路线中每条路段的路段特征，所述待预估路线包括至少一条路段；/n对所述每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征；/n利用所述路线特征预测所述待预估路线对应的预计到达时间。/n

【技术特征摘要】
1.一种用于确定预计到达时间的方法，其特征在于，包括：
获取待预估路线中每条路段的路段特征，所述待预估路线包括至少一条路段；
对所述每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征；
利用所述路线特征预测所述待预估路线对应的预计到达时间。


2.根据权利要求1所述的方法，其特征在于，对所述每条路段的路段特征进行注意力权重分配，得到待预估路线的路线特征，包括：
并行地对所述每条路段的路段特征进行特征提取和注意力权重分配，分别得到路段中间特征和路段注意力权重特征；
基于所述路段中间特征和所述路段注意力权重特征确定所述待预估路线的路线特征。


3.根据权利要求2所述的方法，其特征在于，并行地对所述每条路段的路段特征进行特征提取和注意力权重分配，包括：
调用注意力分配模型对所述每条路段的路段特征进行特征提取和注意力权重分配，所述注意力分配模型包括至少一层并行特征结构，每层并行特征结构包括特征提取子模型和注意力权重分配子模型，其中所述特征提取子模型用于对所述每条路段的路段特征进行特征提取，得到路段中间特征；所述注意力权重分配子模型用于对所述每条路段的路段特征进行注意力权重分配，得到路段注意力权重特征；
基于所述注意力分配模型的最后一层特征提取子模型输出的路段中间特征和最后一层注意力权重分配子模型输出的路段注意力权重特征，确定所述待预估路线的路线特征。


4.根据权利要求3所述的方法，其特征在于，对所述每条路段的路段特征进行注意力权重分配，包括：
对所述待预估路线的所有路段的路段特征进行平均值计算，确定平均路段特征；
将所述每条路段的路段特征与所述平均路段特征进行作差计算，得到每条路段对应的差值；
将所述每条路段对应的差值进行卷积和激活函数处理，得到所述每条路段的路段注意力权重特征。


5.根据权利要求1所述的方法，其特征在于，利用所述路线特征预测所述待预估路线对应的预计到达时间，包括：
对所述路线特征进行池化处理，得到所述待预估路线的特征向量；
对所述特征向量进行预测处理，得到所述待预估路线对应的预计到达时间。


6.根据权利要求5所述的方法，其特征在于，对所述特征向量进行预测处理，还包括：
对所述...

【专利技术属性】
技术研发人员：姜正申，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44