ETA预测、训练、展示方法及装置制造方法及图纸

本申请实施例提供了一种ETA预测、训练、展示方法及装置，涉及地图技术领域。该方法包括：确定出发时刻、预测时刻以及导航路线；根据出发时刻和预测时刻间的时差，确定ETA的目标预测类型；获取导航参数，导航参数包括导航路线的、与目标预测类型对应的路况信息；将导航参数输入至预先训练的ETA预测模型，获得ETA预测模型输出的与出发时刻对应的ETA。本申请实施例可应用于交通领域以及导航场景，相比现有技术预测的ETA更加准确，并且，本申请实施例在训练ETA预测模型的训练样本也兼顾了实时预测类型和未来预测类型，使得当出发时刻的数量有多个，且分别对应不同预测类型时，输出的ETA也不会出现相互矛盾的情况。会出现相互矛盾的情况。会出现相互矛盾的情况。

【技术实现步骤摘要】
ETA预测、训练、展示方法及装置


[0001]本申请涉及地图
，具体而言，本申请涉及一种ETA预测、训练、展示方法及装置。

技术介绍

[0002]预计到达时间(Estimated Time of Arrival,ETA)是地图软件中的一个基础功能，它所完成的功能是：给定地图上的一条路线和出发时间，预估出走完这条路线所需要的时间。
[0003]现有技术在计算预计到达时间时，通常是基于当前时刻的实时路况确定的，当用户想要在未来执行这一导航计划时，基于当前时刻的实时路况确定ETA可能与未来时刻的ETA存在较大出入，从而影响用户的出行决策。

技术实现思路

[0004]本申请实施例提供一种克服上述问题或者至少部分地解决上述问题的ETA预测、训练、展示方法、装置、电子设备及存储介质。
[0005]第一方面，提供了一种ETA的预测方法，包括：
[0006]确定出发时刻、预测时刻以及导航路线；
[0007]根据所述出发时刻和预测时刻间的时差，确定ETA的目标预测类型；
[0008]获取导航参数，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预计到达时间ETA的预测方法，其特征在于，包括：确定出发时刻、预测时刻以及导航路线；根据所述出发时刻和预测时刻间的时差，确定ETA的目标预测类型；获取导航参数，所述导航参数包括所述导航路线的、与所述目标预测类型对应的路况信息；将所述导航参数输入至预先训练的ETA预测模型，获得所述ETA预测模型输出的与所述出发时刻对应的ETA；其中，所述目标预测类型包括实时预测类型以及未来预测类型中的至少一种；所述ETA预测模型以第一样本导航参数和第二样本导航参数为训练样本，至少以所述第一样本导航参数和第二样本导航参数分别对应的实际到达时间ATA为样本标签训练而成；所述第一样本导航参数包括第一样本导航路线的、与所述实时预测类型对应的第一样本路况信息，所述第二样本导航参数包括第二样本导航路线的、与未来预测类型对应的第二样本路况信息。2.根据权利要求1所述的方法，其特征在于，所述样本标签还包括：由参考第一样本导航参数获得的ETA预测值，所述参考第一样本导航参数为与所述第二样本导航参数的出发时刻相同的第一样本导航参数。3.根据权利要求2所述的方法，其特征在于，所述未来预测类型包括近未来预测类型和远未来预测类型；所述根据所述出发时刻和预测时刻间的时差，确定ETA的目标预测类型，包括：当所述出发时刻和预测时刻间的时差未超过第一阈值，确定ETA的目标预测类型为实时预测类型；当所述出发时刻和预测时刻间的时差位于所述第一阈值和第二阈值之间，确定ETA的目标预测类型为近未来预测类型；当所述出发时刻和预测时刻间的时差超过第二阈值，确定ETA的目标预测类型为远未来预测类型；其中，所述第一阈值小于所述第二阈值。4.根据权利要求3所述的方法，其特征在于，所述将所述导航参数输入至预先训练的预计到达时间ETA预测模型，之前还包括训练所述ETA预测模型的步骤：将所述训练样本输入至初始模型，获得所述训练样本的ETA预测值；根据所述训练样本的ETA预测值和对应的样本标签计算损失函数值；基于所述损失函数值对所述初始模型的模型参数进行更新，获得所述ETA预测模型；其中，所述与未来预测类型对应的第二样本路况信息为与所述远未来预测类型对应的第二样本路况信息。5.根据权利要求4所述的方法，其特征在于，所述根据所述训练样本的ETA预测值和对应的样本标签计算损失函数值，包括：对于所述第一样本导航参数，将所述第一样本导航参数对应的ATA作为对应的样本标签，根据所述第一样本导航参数对应的ETA预测值与对应的样本标签获得第一损失值；对于所述第二样本导航参数，将所述第一样本导航参数对应的ATA作为对应的第一样
本标签，根据所述第二样本导航参数对应的ETA预测值与所述第一样本标签获得第二损失值；根据所述第一损失值和第二损失值获得所述损失函数值。6.根据权利要求5所述的方法，其特征在于，还包括：将由参考第一样本导航参数获得的ETA预测值作为对应的第二样本标签，根据所述第二样本导航参数对应的ETA预测值与所述第二样本标签获得第三损失值；所述根据所述第一损失值和第二损失值获得所述损失函数值，包括：根据所述第一损失值、第二损失值以及第三损失值获得所述损失函数值。7.根据权利要求4所述的方法，其特征在于，当所述目标预测类型为实时预测类型时，所述与所述目标预测类型对应的路况信息包括以下一种或多种：所述出发时刻前的多个时间段的实时路况状态、实时速度以及实时车流量；当所述目标预测类型为远未来预测类型时，所述与所述目标预测类型对应的路况信息包括以下一种或多种：出发时刻前的多个时间段的历史平均路况状态、历史平均速度以及历史平均车流量。8.根据权利要求4所述的方法，其特征在于，当所述目标预测类型为近未来预测类型时，所述与所述目标预测类型对应的路况信息包括以下一种或多种：出发时刻前的多个时间段的加权路况状态、加权速度以及加权车流量；其中，所述加权路况状态根据所述时差、所述第二阈值、相应时间段的实时路况状态以及历史平均路况状态确定；所述加权速度根据所述时差、所述第二阈值、相应时间段的实时速度以及历史平均速度确定；所述加权车流量根据所述时差、所述第二阈值、相应时间段的实时车流量以及历史车流量确定。9.根据权利要求1所述的方法，其特征在于，所述导航参数还包括：所述导航路线的属性信息以及出发时刻的历史速度特征；其中，所述属性信息包括里程、道路等级、幅宽、是否有交通指示设备中的至少一种；所述历史速度特征包括所述出发时刻前、后的多个时间段的历史平均速度以及历史平均速度的标准差中的至少一种。10.一种ETA预测模型的训练方法，其特征在于，包括：获取样本集，所述样本集包括样本导航参数以及对应的ATA；将所述样本集中的样本导航参数作为训练样本输入至初始模型，获得所述训练样本的ETA预测值；根据所述训练样本的ETA预测值和对应的样本标签计算损失函数值；基于所述损失函数值对所述初始模型的模型参数进行更新，获得所述ETA预测模型；其中，所述样本导航参数包括第一样本导航参数和第二样本导航参数，所述第一样本导航参数包括相应样本导航路线的、与实时预测类型对应的第一样本路况信息，所述第二样本导航参数包括相应样本导航路线的、与未来预测类型对应的第二样本路况信息，所述
样本标签至少...

【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：