通行时间预测方法、装置及数据处理设备制造方法及图纸

本申请提供一种通行时间预测方法、装置及数据处理设备，所述方法包括：获得目标驾驶员的身份信息、待预测路段的路段标识信息及行驶至该待预测路段的到达时间；根据路段标识信息及到达时间，确定待预测路段在到达时间的行驶速度特征；根据目标驾驶员的身份信息及路段标识信息，确定目标驾驶员在待预测路段的驾驶行为特征；通过机器学习模型根据多个待预测路段对应的行驶速度特征及目标驾驶员的驾驶行为特征，获得由多个待预测路段组成的待预测行程的通行时间。通过将道路本身的因素和驾驶员的驾驶行为因素综合起来作为预测整个行程的通行时间，从而可以针对不同的驾驶员得出个性化的通行时间预测结果，能够使得通行时间的预测结果更加准确。

【技术实现步骤摘要】
通行时间预测方法、装置及数据处理设备
本申请涉及数据处理
，具体而言，涉及一种通行时间预测方法、装置及数据处理设备。
技术介绍
道路的通行时间预测是路线规划、导航和流量调度中的一个重要功能，准确预估道路的通行时间有助于人们更好地规划出行路线，从而提升人们的出行效率，进而有助于缓解交通拥堵等交通问题。当前的通行时间预测方法中，对影响通行时间的因素考虑不周全，导致得出的通行时间准确度不高，预测的通行时间相较于实际通行时间误差较大。
技术实现思路
为了克服现有技术中的至少一个不足，本申请的目的之一在于提供一种通行时间预测方法，所述方法包括：获得目标驾驶员的身份信息、待预测路段的路段标识信息及行驶至该待预测路段的到达时间；根据所述路段标识信息及所述到达时间，确定待预测路段在所述到达时间的行驶速度特征；根据所述目标驾驶员的身份信息及所述路段标识信息，确定所述目标驾驶员在所述待预测路段的驾驶行为特征；根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征，获得由所述多个待预测路段组成的待预测行程的通行时间。在一些可能的实现方式中，所述目标驾驶员的身份信息及所述路段标识信息与所述驾驶行为特征的对应关系由第二机器学习模型根据所述目标驾驶员在历史行驶过程中移动终端采集的惯性运动数据学习获得；所述驾驶行为特征包括车辆行驶过程中的速度变化信息；所述方法还包括：获取多个驾驶员在多个路段上的历史驾驶过程中，移动终端采集的惯性运动数据及定位数据作为训练样本；将所述训练样本输入深度递归神经网络结构的所述第二机器学习模型进行训练，使所述第二机器学习模型根据所述惯性运动数据恢复出车辆实际行驶速度变化信息。在一些可能的实现方式中所述速度变化信息包括前行加速度信息及转向角速度信息。在一些可能的实现方式中，所述方法还包括：通过第一机器学习模型根据所述待预测路段在不同时间上车辆的行驶速度学习获得所述路段标识信息及所述到达时间与所述行驶速度特征的对应关系。在一些可能的实现方式中，所述方法还包括：根据多个驾驶员的历史行驶数据获得所述待预测路段在所述到达时间的平均行驶速度；获得表征所述待预测路段的与其他路段连接关系的道路拓扑特征；获得所述待预测路段的外部属性特征，所述外部属性特征包括表征天气的特征、表征是否为节假日的特征、表征当日为一周中哪一天的星期特征及表征所述到达时间的所属时间段的特征中的一个或多个特征；通过所述第一机器学习模型根据所述待预测路段的平均行驶速度、道路拓扑特征及所述外部属性特征，获得所述到达时间对应的行驶速度特征。在一些可能的实现方式中，所述通过所述第一机器学习模型根据所述平均行驶速度、道路拓扑特征及所述外部属性特征，获得所述到达时间对应的行驶速度特征的步骤，包括：根据所述平均行驶速度、道路拓扑特征及所述外部属性特征获得所述待预测路段在所述到达时间的级联特征；通过长短期记忆神经网络LSTM结构的所述第一机器学习模型根据所述待预测路段在所述到达时间的级联特征及所述到达时间之前的行驶速度特征，进行推演计算获得所述到达时间对应的行驶速度特征。在一些可能的实现方式中，所述方法还包括：获得所述待预测路段的拓扑信息，所述拓扑信息包括所述待预测路段与其他路段的连接关系；通过图卷积神经网络结构的第四机器学习模型根据所述待预测路段的拓扑信息获得道路拓扑特征。在一些可能的实现方式中，所述方法还包括：所述根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征的步骤，包括：通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征。在一些可能的实现方式中，所述方法还包括：从历史行驶数据中获取样本行程数据，所述样本行程数据包括多个样本路段的驾驶行为特征、行驶速度特征及总体通行时长；将所述样本行程数据输入所述第三机器学习模型进行训练，获得训练后的第三机器学习模型。在一些可能的实现方式中，所述方法还包括：获取所述待预测行程中首个和最后一个待预测路段的排队拥堵特征；所述通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征及驾驶行为特征，获得由所述多个待预测路段组成的待预测行程的通行时间的步骤，包括：通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征、所述目标驾驶员的驾驶行为特征以及所述排队拥堵特征，获得由所述多个待预测路段组成的待预测行程的通行时间。在一些可能的实现方式中，所述排队拥堵特征包括在所述待预测行程中首个和最后一个待预测路段进入或离开行程的其他车辆的数量。本申请的另一目的在于提供一种通行时间预测装置，所述通行时间预测装置包括：数据获取模块，用于获得目标驾驶员的身份信息、待预测路段的路段标识信息及行驶至该待预测路段的到达时间；第一特征获取模块，用于根据所述路段标识信息及所述到达时间，确定待预测路段在所述到达时间的行驶速度特征；第二特征获取模块，用于根据所述目标驾驶员的身份信息及所述路段标识信息，确定所述目标驾驶员在所述待预测路段的驾驶行为特征；预测模块，用于根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征，获得由所述多个待预测路段组成的待预测行程的通行时间。在一些可能的实现方式中，所述目标驾驶员的身份信息及所述路段标识信息与所述驾驶行为特征的对应关系由第二机器学习模型根据所述目标驾驶员在历史行驶过程中移动终端采集的惯性运动数据学习获得；所述驾驶行为特征包括车辆行驶过程中的速度变化信息；所述通行时间预测装置还包括：第二训练模块，用于获取多个驾驶员在多个路段上的历史驾驶过程中，移动终端采集的惯性运动数据及定位数据作为训练样本；将所述训练样本输入深度递归神经网络结构的所述第二机器学习模型进行训练，使所述第二机器学习模型根据所述惯性运动数据恢复出车辆实际行驶速度变化信息。在一些可能的实现方式中，所述速度变化信息包括前行加速度信息及转向角速度信息。在一些可能的实现方式中，所述第二特征获取模块具体用于：通过第一机器学习模型根据所述待预测路段在不同时间上车辆的行驶速度学习获得所述路段标识信息及所述到达时间与所述行驶速度特征的对应关系。在一些可能的实现方式中，所述通行时间预测装置还包括第一训练模块，用于根据多个驾驶员的历史行驶数据获得所述待预测路段在所述到达时间的平均行驶速度；获得表征所述待预测路段的与其他路段连接关系的道路拓扑特征；获得所述待预测路段的外部属性特征，所述外部属性特征包括表征天气的特征、表征是否为节假日的特征、表征当日为一周中哪一天的星期特征及表征所述到达时间的所属时间段的特征中的一个或多个特征；通过所述第一机器学习模型根据所述待预测路段的平均行驶速度、道路拓扑特征及所述外部属性特征，获得所述到达时间对应的行驶速度特征。在一些可能的实现本文档来自技高网...

【技术保护点】
1.一种通行时间预测方法，其特征在于，所述方法包括：/n获得目标驾驶员的身份信息、待预测路段的路段标识信息及行驶至该待预测路段的到达时间；/n根据所述路段标识信息及所述到达时间，确定待预测路段在所述到达时间的行驶速度特征；/n根据所述目标驾驶员的身份信息及所述路段标识信息，确定所述目标驾驶员在所述待预测路段的驾驶行为特征；/n根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征，获得由所述多个待预测路段组成的待预测行程的通行时间。/n

【技术特征摘要】
1.一种通行时间预测方法，其特征在于，所述方法包括：
获得目标驾驶员的身份信息、待预测路段的路段标识信息及行驶至该待预测路段的到达时间；
根据所述路段标识信息及所述到达时间，确定待预测路段在所述到达时间的行驶速度特征；
根据所述目标驾驶员的身份信息及所述路段标识信息，确定所述目标驾驶员在所述待预测路段的驾驶行为特征；
根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征，获得由所述多个待预测路段组成的待预测行程的通行时间。


2.根据权利要求1所述的方法，其特征在于，所述目标驾驶员的身份信息及所述路段标识信息与所述驾驶行为特征的对应关系由第二机器学习模型根据所述目标驾驶员在历史行驶过程中移动终端采集的惯性运动数据学习获得；所述驾驶行为特征包括车辆行驶过程中的速度变化信息；所述方法还包括：
获取多个驾驶员在多个路段上的历史驾驶过程中，移动终端采集的惯性运动数据及定位数据作为训练样本；
将所述训练样本输入深度递归神经网络结构的所述第二机器学习模型进行训练，使所述第二机器学习模型根据所述惯性运动数据恢复出车辆实际行驶速度变化信息。


3.根据权利要求2所述的方法，其特征在于，所述速度变化信息包括前行加速度信息及转向角速度信息。


4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过第一机器学习模型根据所述待预测路段在不同时间上车辆的行驶速度学习获得所述路段标识信息及所述到达时间与所述行驶速度特征的对应关系。


5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据多个驾驶员的历史行驶数据获得所述待预测路段在所述到达时间的平均行驶速度；
获得表征所述待预测路段的与其他路段连接关系的道路拓扑特征；
获得所述待预测路段的外部属性特征，所述外部属性特征包括表征天气的特征、表征是否为节假日的特征、表征当日为一周中哪一天的星期特征及表征所述到达时间的所属时间段的特征中的一个或多个特征；
通过第一机器学习模型根据所述待预测路段的平均行驶速度、道路拓扑特征及所述外部属性特征，获得所述到达时间对应的行驶速度特征。


6.根据权利要求5所述的方法，其特征在于，所述通过所述第一机器学习模型根据所述平均行驶速度、道路拓扑特征及所述外部属性特征，获得所述到达时间对应的行驶速度特征的步骤，包括：
根据所述平均行驶速度、道路拓扑特征及所述外部属性特征获得所述待预测路段在所述到达时间的级联特征；
通过长短期记忆神经网络LSTM结构的所述第一机器学习模型根据所述待预测路段在所述到达时间的级联特征及所述到达时间之前的行驶速度特征，进行推演计算获得所述到达时间对应的行驶速度特征。


7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获得所述待预测路段的拓扑信息，所述拓扑信息包括所述待预测路段与其他路段的连接关系；
通过图卷积神经网络结构的第四机器学习模型根据所述待预测路段的拓扑信息获得道路拓扑特征。


8.根据权利要求1所述的方法，其特征在于，所述根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征的步骤，包括：
通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征及所述目标驾驶员的驾驶行为特征。


9.根据权利要求8所述的方法，其特征在于，
所述方法还包括：
从历史行驶数据中获取样本行程数据，所述样本行程数据包括多个样本路段的驾驶行为特征、行驶速度特征及总体通行时长；
将所述样本行程数据输入所述第三机器学习模型进行训练，获得训练后的第三机器学习模型。


10.根据权利要求8或9所述的方法，其特征在于，
所述方法还包括：
获取所述待预测行程中首个和最后一个待预测路段的排队拥堵特征；
所述通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征及驾驶行为特征，获得由所述多个待预测路段组成的待预测行程的通行时间的步骤，包括：
通过第三机器学习模型根据多个待预测路段对应的所述行驶速度特征、所述目标驾驶员的驾驶行为特征以及所述排队拥堵特征，获得由所述多个待预测路段组成的待预测行程的通行时间。


11.根据权利要求10所述的方法，其特征在于，所述排队拥堵特征包括在所述待预测行程中首个和最后一个待预测路段进入或离开行程的其他车辆的数量。


12.一种通行时间预测装置，其特征在于，所述通行时间预测装置包括：
数据获取模块，用于获得目标驾驶员的身份信息、待预测路段的路段标识信息及行驶至该待预测路段的到达时间；
第一特...

【专利技术属性】
技术研发人员：高睿鹏，方君，孙付勇，郭晓宇，代麟，谭乃强，马楠，朱家言，柴华，邢薇薇，卢苇，吴国斌，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11