用于确定预计到达时间的方法和设备技术

本公开的实施例涉及用于确定预计到达时间(ETA)的方法和设备。该方法包括：获取多个历史行程中的每个历史行程的特征向量；将多个历史行程的特征向量和实际时长作为样本集，以构建预计到达时间估计模型；以及使用经构建的预计到达时间估计模型来确定新的行程的预计到达时间。本公开的实施例利用多个历史行程作为样本集，通过机器学习训练预计到达时间估计模型，从而能够准确、高效地估计新的行程的预计到达时间。到达时间。到达时间。

【技术实现步骤摘要】
用于确定预计到达时间的方法和设备
[0001]相关申请的交叉引用
[0002]本申请是申请日期为2016年04月18日、中国国家申请号为201610242067.5、专利技术名称为“用于确定预计到达时间的方法和设备”的专利技术专利申请的分案申请。


[0003]本公开的实施例总体上涉及机器学习领域，更具体地涉及用于确定预计到达时间的方法和设备。

技术介绍

[0004]预计到达时间(Estimated Time of Arrival，ETA)是指预计的到达时间，ETA用于估计到达指定目的地的时间，例如今天下午3:23到达，或者六分钟之后到达。在智能交通(例如，电子地图，导航应用)领域，ETA用于估计移动主体(例如，车辆或行人等)从起点到终点所花费的时间，其能描述移动主体的出行行程所花费的时间和成本代价。
[0005]传统地，通过对出行行程进行物理建模来估计ETA。这种物理建模通常将行程划分成多个子行程，每个子行程例如可以表示一段路程，通过计算每段路程的速度来确定每段路程所需花费的时间，再加上通过每个路口的时间，最终能够确定该行程的ETA。
[0006]现有的ETA估计方法依赖于对每段路程的实时速度的准确监控和对每个路口的花费时间的准确估计，然而，某些路程的速度可能无法准确计算，并且通过每个路口的时间难以精确估计。因此，现有的ETA估计方法不仅准确性较差，还过分的依赖于实时路网数据，因而现有的ETA估计方法无法准确地估计ETA。
[0007]因此，在不依赖于实时路网数据的情况下，如何准确且高效地估计新的行程的预计到达时间，成为一个亟待解决的问题。

技术实现思路

[0008]有鉴于此，本公开的各实施例提出了一种用于确定预计到达时间(ETA)的方法和设备。本公开的实施例利用多个历史行程作为样本集，通过机器学习训练预计到达时间估计模型，从而能够准确、高效地估计新的行程的预计到达时间。
[0009]根据本公开的一个方面，提供了一种用于确定预计到达时间(ETA)的方法。该方法包括：获取多个历史行程中的每个历史行程的特征向量；将多个历史行程的特征向量和实际时长作为样本集，以构建预计到达时间估计模型；以及使用经构建的预计到达时间估计模型来确定新的行程的预计到达时间。
[0010]根据本公开的另一方面，提供了一种用于确定预计到达时间(ETA)的设备。该设备包括：获取装置，用于获取多个历史行程中的每个历史行程的特征向量；构建装置，用于将多个历史行程的特征向量和实际时长作为样本集，以构建预计到达时间估计模型；以及确定装置，用于使用经构建的预计到达时间估计模型来确定新的行程的预计到达时间。
[0011]根据本公开的又一方面，提供了一种用于确定预计到达时间(ETA)的设备。该设备
包括处理单元，该处理单元被配置为：获取多个历史行程中的每个历史行程的特征向量；将多个历史行程的特征向量和实际时长作为样本集，以构建预计到达时间估计模型；以及使用经构建的预计到达时间估计模型来确定新的行程的预计到达时间。
附图说明
[0012]结合附图并参考以下详细说明，本公开的各实施例的特征、优点及其他方面将变得更加明显，在此以示例性而非限制性的方式示出了本公开的若干实施例，在附图中：
[0013]图1图示了基于物理模型来估计行程100的预计到达时间的示例图；
[0014]图2图示了根据本公开的实施例的用于确定预计到达时间的方法200的流程图；
[0015]图3图示了根据本公开的实施例的用于确定预计到达时间的另一方法300的流程图；
[0016]图4图示了根据本公开的实施例的用于确定预计到达时间的设备400的框图；以及
[0017]图5图示了可以用来实施本公开的实施例的设备500的示意性框图。
具体实施方式
[0018]以下参考附图详细描述本公开的各个示例性实施例。附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
[0019]本文所使用的术语“包括”、“包含”及类似术语应该被理解为是开放性的术语，即“包括/包含但不限于”，表示还可以包括其他内容。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”。
[0020]机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。机器学习方法包括监督式机器学习方法或者非监督式机器学习方法，监督式机器学习是指利用已知标签的数据作为训练数据来训练机器学习模型；非监督式机器学习是指在利用无标签的数据作为训练数据来训练机器学习模型。
[0021]在本公开的实施例中，术语“行程”表示移动主体(例如，车辆或行人等)从一个位置(例如，起点)到另一个位置(例如，终点)所经过的一系列的道路路径。术语“特征向量”表示根据从样本(例如，行程)所提取的特征信息而构建的多维向量，向量的维度等于特征信息类型的数目，特征向量例如可以包括行程的行驶距离、开始时间以及实时特征，等等。
[0022]应当理解，给出这些示例性实施例仅是为了使本领域技术人员能够更好地理解进而实现本公开的实施例，而并非以任何方式限制专利技术的范围。
[0023]图1图示了基于物理模型来估计行程100的预计到达时间的示例图。图1示出了一
个车辆的行程100，包括起点和终点以及将要通过的道路路段。利用传统的物理模型，将图1的行程划分为10个子行程，并分别计算每个子行程所需的时间，例如第一个子行程所需的时间为T1、第二个子行程所需的时间为T2…
第十个子行程所需的时间为T
10
。此外，在图1的行程100中，需要途径9个红绿灯路口，因此，也需要对通过每个红绿灯路口的时间进行估计，例如，通过第一个红绿灯路口的时间为L1、通过第二个红绿灯路口的时间为L2…
通过第九个红绿灯路口的时间为L9。因此，行程100将花费的总时间为T1+T2…
+T
10
+L1+L2…
L9，即通过十个子行程的时间之和加上通过九个路口的时间之和。然后，根据行程100的开始时间，基于将花费的总时间可以确定出行程100的预计到达时间(ETA)。
[0024]然而，在图1的物理建模方法中，每个子行程的时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于确定预计到达时间(ETA)的方法，包括：获取多个历史行程中的每个历史行程的特征向量，所述特征向量表示根据从所述历史行程所提取的特征信息而构建的多维向量；将所述多个历史行程的所述特征向量和实际时长作为样本集，并且其中将每个历史行程整体作为所述样本集中的一个样本，作为机器学习模型的输入，来训练预计到达时间估计模型，所述预计到达时间估计模型包括针对不同时间段的多个子模型；以及使用经训练的所述预计到达时间估计模型来确定新的行程的预计到达时间，包括：确定所述新的行程的开始时间所处的时间段；以及选择针对所述时间段的相应时间段子模型，其中所述相应时间子模型表示一个子模型或者由多个子模型集成的子模型。2.根据权利要求1所述的方法，其中所述特征向量包括历史行程的行驶距离、开始时间以及实时特征，其中所述实时特征表示与道路的实时状况有关的信息。3.根据权利要求2所述的方法，其中所述特征向量还包括起点位置、终点位置、卫星定位采样点序列、各等级道路的行驶距离、基础道路段的数目、红绿灯路口数目以及非红绿灯路口数目中的至少一个，其中所述红绿灯路口数目包括红绿灯路口左转数目、红绿灯路口右转数目和红绿灯路口直行数目。4.根据权利要求1所述的方法，其中将所述多个历史行程的所述特征向量和实际时长作为样本集，以构建预计到达时间估计模型还包括：使用树状结构建立决策树；以及使用所述决策树来训练所述样本集，以生成预计到达时间估计模型。5.根据权利要求1所述的方法，其中使用经构建的所述预计到达时间估计模型来确定新的行程的预计到达时间包括：获取所述新的行程的特征向量；将所述新的行程的特征向量输入到所述预计到达时间估计模型，以确定所述新的行程的预计到达时间。6.根据权利要求1所述的方法，还包括：在所述新的行程完成之后，使用所述新的行程的实际时长来调整所述预计到达时间估计模型的模型参数。7.一种用于确定预计到达时间(ETA)的设备，包括：获取装置，用于获取多个历史行程中的每个历史行程的特征向量，所述特征向量表示根据从所述历史行程所提取的特征信息而构建的多维向量；构建装置，用于将所述多个历史行程的所述特征向量和实际时长作为样本集，并且其中将每个历史行程整体作为所述样本集中的一个样本，作为机器学习模型的输入，来训练预计到达时间估计模型，所述预计到达时间估计...

【专利技术属性】
技术研发人员：王征，孙书娟，叶杰平，
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：