[發(fā)明專利]通行時間預測方法、裝置及數(shù)據(jù)處理設(shè)備

有效

• 申請?zhí)枺?/td>: 202010525883.3
• 申請日: 2020-06-10
• 公開（公告）號: CN111833600B
• 公開（公告）日: 2022-07-08
• 發(fā)明（設(shè)計）人: 高睿鵬;方君;孫付勇;郭曉宇;代麟;譚乃強;馬楠;朱家言;柴華;邢薇薇;盧葦;吳國斌
• 申請（專利權(quán)）人: 北京嘀嘀無限科技發(fā)展有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06Q10/04;G06Q50/30;G06N3/04;G06N3/08
• 代理公司: 北京超成律師事務所 11646
• 代理人: 劉靜

1.一種通行時間預測方法，其特征在于，所述方法包括：

獲得目標駕駛員的身份信息、待預測路段的路段標識信息及所述目標駕駛員駕駛網(wǎng)約車行駛至該待預測路段的到達時間；

根據(jù)所述路段標識信息及所述到達時間，確定待預測路段在所述到達時間的行駛速度特征，其中，所述行駛速度特征基于所述待預測路段上多個歷史行駛數(shù)據(jù)進行統(tǒng)計計算或擬合計算方式獲得；

根據(jù)所述目標駕駛員的身份信息及所述路段標識信息，確定所述目標駕駛員在所述待預測路段的駕駛行為特征，其中，所述駕駛行為特征包括根據(jù)車輛行駛過程中的速度變化信息，以及根據(jù)所述速度變化信息識別出的駕駛行為動作的統(tǒng)計次數(shù)；

獲取待預測行程中首個和最后一個待預測路段的排隊擁堵特征，其中，所述排隊擁堵特征包括在所述待預測行程中首個和最后一個待預測路段進入或離開行程的其他車輛的數(shù)量；

通過第三機器學習模型根據(jù)多個待預測路段對應的所述行駛速度特征、所述目標駕駛員的駕駛行為特征以及所述排隊擁堵特征，獲得由所述多個待預測路段組成的待預測行程的通行時間。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述目標駕駛員的身份信息及所述路段標識信息與所述駕駛行為特征的對應關(guān)系由第二機器學習模型根據(jù)所述目標駕駛員在歷史行駛過程中移動終端采集的慣性運動數(shù)據(jù)學習獲得；所述方法還包括：

獲取多個駕駛員在多個路段上的歷史駕駛過程中，移動終端采集的慣性運動數(shù)據(jù)及定位數(shù)據(jù)作為訓練樣本；

將所述訓練樣本輸入深度遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的所述第二機器學習模型進行訓練，使所述第二機器學習模型根據(jù)所述慣性運動數(shù)據(jù)恢復出車輛實際行駛速度變化信息。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述速度變化信息包括前行加速度信息及轉(zhuǎn)向角速度信息。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

通過第一機器學習模型根據(jù)所述待預測路段在不同時間上車輛的行駛速度學習獲得所述路段標識信息及所述到達時間與所述行駛速度特征的對應關(guān)系。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述方法還包括：

根據(jù)多個駕駛員的歷史行駛數(shù)據(jù)獲得所述待預測路段在所述到達時間的平均行駛速度；

獲得表征所述待預測路段的與其他路段連接關(guān)系的道路拓撲特征；

獲得所述待預測路段的外部屬性特征，所述外部屬性特征包括表征天氣的特征、表征是否為節(jié)假日的特征、表征當日為一周中哪一天的星期特征及表征所述到達時間的所屬時間段的特征中的一個或多個特征；

通過第一機器學習模型根據(jù)所述待預測路段的平均行駛速度、道路拓撲特征及所述外部屬性特征，獲得所述到達時間對應的行駛速度特征。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述通過所述第一機器學習模型根據(jù)所述平均行駛速度、道路拓撲特征及所述外部屬性特征，獲得所述到達時間對應的行駛速度特征的步驟，包括：

根據(jù)所述平均行駛速度、道路拓撲特征及所述外部屬性特征獲得所述待預測路段在所述到達時間的級聯(lián)特征；

通過長短期記憶神經(jīng)網(wǎng)絡(luò)LSTM結(jié)構(gòu)的所述第一機器學習模型根據(jù)所述待預測路段在所述到達時間的級聯(lián)特征及所述到達時間之前的行駛速度特征，進行推演計算獲得所述到達時間對應的行駛速度特征。

7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述方法還包括：

獲得所述待預測路段的拓撲信息，所述拓撲信息包括所述待預測路段與其他路段的連接關(guān)系；

通過圖卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的第四機器學習模型根據(jù)所述待預測路段的拓撲信息獲得道路拓撲特征。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述方法還包括：

在所述第三機器學習模型的訓練過程中，使用不同駕駛員在不同道路上行駛產(chǎn)生的行駛速度特征、目標駕駛員的駕駛行為特征、行程的排隊擁堵特征以及整個行程的通行時間作為樣本；

將所述樣本輸入所述第三機器學習模型進行訓練，獲得訓練后的第三機器學習模型。