[发明专利]时间预测模型的训练方法以及相关设备

说明书

本申请公开了一种时间预测模型的训练方法以及相关设备，可应用于地图、自动驾驶、智慧交通；对时间预测模型中预测子模型进行选取；将样本路线的各通行特征输入到被选取的参考预测子模型中进行时间预测，得到样本路线的预测通行时间；基于样本路线的期望通行时间和各参考预测子模型对应的预测通行时间，确定时间残差信息；根据时间残差信息构建目标预测子模型；将目标预测子模型添加到时间预测模型中，得到目标时间预测模型。本申请可在保证更新后的时间预测模型适用于历史数据规律变化的情况下，通过新增的目标预测子模型捕捉增量样本中数据规律的变化，提高了时间预估的准确性；且模型更新代价小，能够实现时间预估对出行规律变化及时的适配。

技术领域

本申请涉及人工智能技术领域，具体涉及一种时间预测模型的训练方法以及相关设备。

背景技术

随着互联网技术的快速发展，人工智能技术已经广泛应用在各个不同领域当中，如医疗、教育、金融、交通等。其中，在交通领域，如智能导航方面，可以利用人工智能技术进行到达时间的预估（Estimated Time of Arrival，ETA）。到达时间的预估具体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。

目前，相关技术一般采用的是基于深度模型的到达时间预估方法。基于深度模型的到达时间预估方法将整条路线的特征输入到深度神经网络中，通过反向传播算法，端到端地训练深度模型，然后，用训练好的深度模型预测ETA。但是，这种模型更新方法一般解决的是常规情况下的ETA预估问题，在应对季节性、规律性的出行规律变化场景时，由于每次模型更新时需要对整个深度模型进行更新，更新代价大，导致模型更新频率低，从而不能及时捕捉出行规律变化，不利于提高时间预估的准确性；而且深度神经网络模型进行更新时，通常是直接更新原有神经网络的参数，这样的缺点是模型容易发生灾难性遗忘，即采用了最新数据训练模型以后，模型之前学到的规律难以得到保持，这样会降低模型在旧数据上的预测效果；具体地，比如仅使用最近一个月的数据来更新模型，这样更新后的模型无法获知去年同期的出行规律，导致对未来一段时间内的出行规律变化预测不足，使得到达时间的预估效果变差。

发明内容

本申请实施例提供一种时间预测模型的训练方法以及相关设备，相关设备可以包括时间预测模型的训练装置、电子设备、计算机可读存储介质和计算机程序产品，可以在保证更新后的时间预测模型适用于历史数据规律变化的情况下，通过新增的目标预测子模型捕捉增量样本中数据规律的变化，提高了时间预估的准确性；且模型更新代价小，能够实现时间预估对出行规律变化及时的适配。

本申请实施例提供一种时间预测模型的训练方法，包括：

获取采用历史通行数据训练后的时间预测模型和增量通行数据，所述时间预测模型包括多个预测子模型，所述增量通行数据包括至少一条样本路线、所述样本路线对应的至少一个通行特征、以及期望通行时间，所述增量通行数据为用于增量学习的通行数据；

对所述时间预测模型中的预测子模型进行选取处理，得到被选取的至少一个参考预测子模型；

将所述增量通行数据中样本路线的各个通行特征输入到所述参考预测子模型中进行所述样本路线的时间预测处理，得到所述参考预测子模型输出的所述样本路线的预测通行时间；

针对每个样本路线，基于所述样本路线的期望通行时间、以及各个参考预测子模型输出的所述样本路线的预测通行时间，确定所述样本路线所需拟合的时间残差信息；

根据各个样本路线所需拟合的时间残差信息，构建目标预测子模型；

将所述目标预测子模型添加到所述时间预测模型中，得到目标时间预测模型，所述目标时间预测模型用于对目标路线进行通行时间预测处理，得到通行时间预测结果。

相应的，本申请实施例提供一种时间预测模型的训练装置，包括：

获取单元，用于获取采用历史通行数据训练后的时间预测模型和增量通行数据，所述时间预测模型包括多个预测子模型，所述增量通行数据包括至少一条样本路线、所述样本路线对应的至少一个通行特征、以及期望通行时间，所述增量通行数据为用于增量学习的通行数据；