行程到达时间确定方法、装置、电子设备和存储介质制造方法及图纸

本申请提供了一种行程到达时间确定方法、装置、电子设备和存储介质，涉及人工智能技术领域，可以应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景，方法包括根据多维特征信息生成待预估行程路线的路段特征序列；然后；基于目标特征生成网络对路段特征序列进行特征提取，得到待预估行程路线的目标路线特征；基于目标时间预测网络对目标路线特征进行回归预测处理，得到待预估行程路线的预估到达时间；目标特征生成网络和目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间，对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的。本申请能够有效提高预估准确率。预估准确率。预估准确率。

【技术实现步骤摘要】
行程到达时间确定方法、装置、电子设备和存储介质


[0001]本申请涉及人工智能
，尤其涉及一种行程到达时间确定方法、装置、电子设备和存储介质。

技术介绍

[0002]行程到达时间预估是地图应用的基础功能之一，在诸多场景中起到至关重要的作用，例如路线导航和运营订单分配等，现有的到达时间预估方法主要包括基于规则的逐路段累加方法和基于树模型的方法等。其中，基于规则的逐路段累加方法依赖人工经验制定预估规则，主观依赖性强，且在复杂路况下，人为设定的规则场景覆盖率低，时间预估准确性差；而基于树模型的方法是近年来兴起的一种到达时间预估方法，其提取出整条路线的特征，将该特征输入到基于树模型的机器学习算法中，进行训练，如梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法，但该方法仅考虑整体特征，在复杂路况和特殊时段场景下，预测误差大。

技术实现思路

[0003]本申请提供了一种行程到达时间确定方法、装置、电子设备和存储介质，适用于各种路况和时段，可以显著提高行程到达时间确定的准确率和可靠性。
[0004]一方面，本申请提供了一种行程到达时间确定方法，所述方法包括：
[0005]获取待预估行程路线中途经路段的多维特征信息；
[0006]根据所述多维特征信息生成所述待预估行程路线的路段特征序列；
[0007]基于目标特征生成网络对所述路段特征序列进行特征提取，得到所述待预估行程路线的目标路线特征；
[0008]基于目标时间预测网络对所述目标路线特征进行回归预测处理，得到所述待预估行程路线的预估到达时间；
[0009]其中，所述目标特征生成网络和所述目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间，对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的。
[0010]另一方面提供了一种行程到达时间确定装置，所述装置包括：
[0011]多维特征获取模块：用于获取待预估行程路线中途经路段的多维特征信息；
[0012]路段特征生成模块：用于根据所述多维特征信息生成所述待预估行程路线的路段特征序列；
[0013]路线特征提取模块：用于基于目标特征生成网络对所述路段特征序列进行特征提取，得到所述待预估行程路线的目标路线特征；
[0014]回归预测模块：用于基于目标时间预测网络对所述目标路线特征进行回归预测处理，得到所述待预估行程路线的预估到达时间；
[0015]其中，所述目标特征生成网络和所述目标时间预测网络是基于历史行程路线的历
史路段特征序列、多维路线统计信息和实际到达时间，对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的。
[0016]另一方面提供了一种计算机设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的行程到达时间确定方法。
[0017]另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的行程到达时间确定方法。
[0018]另一方面提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的行程到达时间确定方法。
[0019]另一方面提供了一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的行程到达时间确定方法。
[0020]另一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，该计算机指令被处理器执行时实现如上述的行程到达时间确定方法。
[0021]本申请提供的行程到达时间确定方法、装置、设备、存储介质、服务器、终端、计算机程序和计算机程序产品，具有如下技术效果：
[0022]本申请通过获取待预估行程路线中途经路段的多维特征信息，根据多维特征信息生成待预估行程路线的路段特征序列；然后，基于目标特征生成网络对路段特征序列进行特征提取，得到待预估行程路线的目标路线特征；进而基于目标时间预测网络对目标路线特征进行回归预测处理，得到待预估行程路线的预估到达时间；基于路线中各途经路段的多维特征信息生成路线整体的路段特征序列，联合目标特征生成网络和目标时间预测网络对路段特征序列进行时间预测，显著提高预测准确率。并且，目标特征生成网络和目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间，对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的；如此，利用对抗训练的方式，辅助优化特征提取过程，并结合历史行程的实际到达时间和目标对象经过各途经路段所生成的统计信息作为训练的监督信息，提高网络模型的模型效果和准确度，进而提高预估到达时间的预测准确率和可靠性。
附图说明
[0023]为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，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的介绍，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它附图。
[0024]图1是本申请实施例提供的一种应用环境的示意图；
[0025]图2是本申请实施例提供的一种行程到达时间确定方法的流程示意图；
[0026]图3是本申请实施例提供的另一种行程到达时间确定方法的流程示意图；
[0027]图4是本申请实施例提供的另一种网络训练的原理示意图；
[0028]图5是本申请实施例提供的另一种行程到达时间确定方法的流程示意图；
[0029]图6是本申请实施例提供的另一种行程到达时间确定方法的流程示意图；
[0030]图7是本申请实施例提供的另一种行程到达时间确定方法的流程示意图；
[0031]图8是本申请实施例提供一种行程到达时间确定装置的框架示意图；
[0032]图9是本申请实施例提供的一种行程到达时间确定方法的电子设备的硬件结构框图。
具体实施方式
[0033]下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0034]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行程到达时间确定方法，其特征在于，所述方法包括：获取待预估行程路线中途经路段的多维特征信息；根据所述多维特征信息生成所述待预估行程路线的路段特征序列；基于目标特征生成网络对所述路段特征序列进行特征提取，得到所述待预估行程路线的目标路线特征；基于目标时间预测网络对所述目标路线特征进行回归预测处理，得到所述待预估行程路线的预估到达时间；其中，所述目标特征生成网络和所述目标时间预测网络是基于历史行程路线的历史路段特征序列、多维路线统计信息和实际到达时间，对初始生成网络、初始判别网络和初始预测网络进行对抗生成和回归预测的迭代训练得到的。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述多维路线统计信息生成所述历史行程路线的路线统计特征；基于所述初始生成网络对所述历史路段特征序列进行特征提取，得到历史路线特征；以所述历史路线特征、所述路线统计特征和所述实际到达时间作为所述初始判别网络的输入，得到第一判别概率和第二判别概率，所述第一判别概率表征所述实际到达时间与所述历史路线特征间的匹配度，所述第二判别概率表征所述实际到达时间与所述路线统计特征间的匹配度；基于初始预测网络对所述历史路线特征进行回归预测处理，得到参考到达时间；根据所述第一判别概率、第二判别概率、所述参考到达时间和所述实际到达时间进行损失计算，得到生成损失、判别损失和预测损失；基于所述生成损失、所述判别损失和所述预测损失，对所述初始生成网络、初始判别网络和初始预测网络进行迭代训练，至满足预设收敛条件，得到所述目标特征生成网络和所述目标时间预测网络。3.根据权利要求2所述的方法，其特征在于，所述基于所述生成损失、所述判别损失和所述预测损失，对所述初始生成网络、初始判别网络和初始预测网络进行迭代训练，至满足预设收敛条件，得到所述目标特征生成网络和所述目标时间预测网络包括：固定所述初始生成网络和所述初始预测网络的模型参数，基于所述判别损失对所述初始判别网络进行第一训练，以更新所述初始判别网络的模型参数；固定所述更新的判别网络的模型参数，基于所述生成损失和所述预测损失对所述初始生成网络和所述初始预测网络进行第二训练，以更新所述初始生成网络和所述初始预测网络的模型参数；交替执行上述第一训练和第二训练的步骤，至满足所述预设收敛条件，得到所述目标特征生成网络和所述目标时间预测网络。4.根据权利要求2所述的方法，其特征在于，所述基于所述生成损失、所述判别损失和所述预测损失，对所述初始生成网络、初始判别网络和初始预测网络进行迭代训练，至满足预设收敛条件，得到所述目标特征生成网络和所述目标时间预测网络包括：基于所述生成损失、所述判别损失和所述预测损失确定总损失；基于所述总损失对所述初始生成网络、所述初始判别网络和所述初始预测网络进行对抗生成和回归预测的联合训练，得到所述目标特征生成网络和所述目标时间预测网络。
5.根据权利要求2所述的方法，其特征在于，所述根据所述第一判别概率、第二判别概率、所述参考到达时间和所述实际到达时间进行损失计算，得到生成损失、判别损失和预测损失包括：根据所述第一判别概率和所述第二判别概率进行损失计算，得到所述判别损失；根据所述参考到达时间和所述实际到达时间之间的偏差进行损失计算，得到所述预测损失；根据所述第一判别概率和所述预测损失进行损失计算，得...

【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：