[发明专利]通行时间预测模型训练方法、通行时间预测方法及设备

说明书

本发明提供一种通行时间预测模型训练方法、通行时间预测方法及设备，该训练方法包括：构建路口和路段特征及轨迹特征；获取路段特征向量及路口特征向量；将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、路口邻接矩阵及路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络；将输出的更新后的单个预设时间步长对应的路口特征矩阵和路段特征矩阵、历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果进行训练。本发明提供的通行时间预测模型训练方法、通行时间预测方法及设备，通过联合建模路口和路段的特征，训练通行时间预测模型，提升通行时间预测的准确度。

技术领域

本发明涉及计算机技术领域，尤其涉及一种通行时间预测模型训练方法、通行时间预测方法及设备。

背景技术

通行时间预测(Travel Time Estimation)是指给定目标路线及出发时间来估计在该路线上的通行时间，也可以包括路线中各个路段、路口的通行时间。典型的应用场景是在地图服务提供应用中，消费者通过服务提供商提供的通行时间预测服务，根据自身情况合理规划出行路线，提升出行效率，进而有助于缓解交通拥堵等交通问题。而在现有的实际生产应用中，基于用户历史轨迹信息，初步估计在通行路线上各个路段的通行时间，再通过简单求和得到该条路线的通行时间，预测准确度无法得到保证，从而影响用户使用地图服务应用的体验。

目前使用机器学习算法来完成通行时间预测任务时主要利用用户历史轨迹序列特征信息来预测指定通行路线和出发时间下的通行时间。在DeepTTE、DeepTravel和DeepIST等基于神经网络的方法中，仅利用用户历史轨迹作为输入来进行预测，没有考虑路网的空间特征，因此预测的准确度较差。而CompactETA基于图神经网络来学习每个路段的空间特征，并根据通行路线上路段的序列特征利用位置表示方法来预测整个的通行时间。ConSTGAT利用图神经网络中的注意力机制来挖掘每个路段空间和时间特征，并使用卷积方法来提取通行路线上各路段之间的关联信息，进而预测通行时间。上述两个方法都没有考虑路口信息以及路口和路段之间复杂的关联性，从而影响预测的准确性。如何同时建模通行路线中路段和路口信息提升通行时间预测的准确度，合理设计神经网络结构并实现端到端的训练是一个亟待解决的问题。

发明内容

为解决现有技术中的问题，本发明提供一种通行时间预测模型训练方法、通行时间预测方法及设备。

本发明提供一种通行时间预测模型训练方法，包括：构建路口和路段相关特征及轨迹相关特征；其中，所述路口和路段相关特征包括路口邻接矩阵、路段邻接矩阵、路段-路口交互矩阵及速度特征矩阵；所述轨迹相关特征包括历史轨迹中各个路段的通行时间及总通行时间；所述速度特征矩阵根据预设时间步长计算得到；根据预设路段特征得到路段特征向量；根据所述路段-路口交互矩阵及所述路段特征向量得到路口特征向量，或根据所述路段-路口交互矩阵、所述路段特征向量及路口空间属性得到路口特征向量；其中，所述预设路段特征包括所述速度特征矩阵；将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、所述路口邻接矩阵及所述路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络，输出更新后的单个预设时间步长对应的路口特征矩阵和路段特征矩阵；其中，所述路口特征矩阵由所述路口特征向量构建而成，所述路段特征矩阵由所述路段特征向量构建而成；将所述更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵、所述历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果；根据所述预测结果及设置的输出标签进行训练，得到训练好的通行时间预测模型；其中，所述目标通行时间包括所述历史轨迹中的路段通行时间、路口通行时间及总通行时间；所述输出标签包括所述历史轨迹中的所述路段通行时间及所述总通行时间的实际值。