预测路程时长计算方法、装置、电子设备及存储介质与流程

本申请涉及电子信息，具体涉及一种预测路程时长计算方法、装置、电子设备及存储介质。

背景技术：

1、预测路程时长(eta)指的是，在已确定导航路线的情况下，从该导航路线的起点到达终点所需的时间。eta预测技术是地图导航应用的核心技术之一。优秀的eta预测方案可为各类用户和公司带来诸多益处，包括优化用户体验、精准计价、提升货物运输与客运服务、高效调度以及准确导航等。现有的eta计算方法是根据多个路段，运用神经网络模型，计算出eta的值。然而，由于路段的数量庞大，因此导致计算eta的值时计算复杂度增加，从而使计算得到的eta的值存在较大的误差。

技术实现思路

1、鉴于此，本申请提供一种预测路程时长计算方法、装置、电子设备及存储介质，能够提升计算预测路程时长的准确率。

2、本申请提供一种预测路程时长计算方法，包括：

3、获取预设起点和预设终点之间的多条历史轨迹路线，其中，每条所述历史轨迹路线均包括多个路段；

4、基于所述多条历史轨迹路线，确定导航路线，并将所述导航路线划分成多个合并路段，其中，每个所述合并路段均由多个所述路段连接而成；

5、基于预设的图神经网络模型和预设的时长预测模型，确定每个所述合并路段的预测路程时长；

6、基于每个所述合并路段的预测路程时长，确定所述导航路线的预测路程时长。

7、可选地，所述将所述导航路线划分成多个合并路段，其中，每个所述合并路段均由多个所述路段连接而成，包括：

8、将所述导航路线划分成多个连接区域，其中，每个所述连接区域均包括多个所述路段；

9、将每个所述连接区域内多个所述路段进行连接，以得到对应的合并路段。

10、可选地，所述将每个所述连接区域内多个所述路段进行连接，以得到对应的合并路段，包括：

11、将每个所述路段作为节点，每个所述节点均包括多个边；

12、基于所述连接区域内每个所述节点的边之间的位置关系，对多个所述路段进行连接，以得到对应的合并路段。

13、可选地，所述基于预设的图神经网络模型和预设的时长预测模型，确定每个所述合并路段的预测路程时长，包括：

14、获取所述合并路段中每个所述路段的道路特征；

15、将每个所述路段的道路特征输入至所述预设的图神经网络模型进行运算，并输出所述合并路段的道路特征；

16、将所述合并路段的道路特征输入至所述预设的时长预测模型进行运算，并输出所述合并路段的预测路程时长。

17、可选地，所述基于每个所述合并路段的预测路程时长，确定所述导航路线的预测路程时长，包括：

18、获取每个所述合并路段的出发时间以及合并路段的出发时间与合并路段的预测路程时长的关系；

19、基于每个所述合并路段的出发时间以及所述合并路段的出发时间与合并路段的预测路程时长的关系，确定每个所述合并路段的起止时间；

20、基于每个所述合并路段的预测路程时长及起止时间，确定所述导航路线的预测路程时长及起止时间。

21、可选地，所述获取每个所述合并路段的出发时间以及合并路段的出发时间与合并路段的预测路程时长的关系，包括：

22、基于预设的深度回归模型，确定所述合并路段的出发时间与合并路段的预测路程时长的关系；

23、获取排列顺序为第一个的合并路段的预设出发时间，其中，每个所述合并路段按照预设排列顺序进行排列；

24、基于所述预设出发时间和所述合并路段的出发时间与合并路段的预测路程时长的关系，确定每个所述合并路段的出发时间，其中，排列顺序为前一个的合并路段的结束时间作为排列顺序为后一个的合并路段的出发时间。

25、可选地，所述的预测路程时长计算方法，还包括：

26、对所述预设的时长预测模型进行训练，包括：

27、获取初始神经网络、样本数据集以及验证数据集；

28、将所述样本数据集输入至所述初始神经网络进行运算，以得到预测数据集；

29、基于所述预测数据集和所述验证数据集，确定损失值，其中，采用计算平均绝对百分比误差的方式确定所述损失值；

30、当所述损失值小于预设阈值时，将所述初始神经网络确定为所述预设的时长预测模型。

31、对应地，本申请提供一种预测路程时长计算装置，包括：

32、获取模块，用于获取所述预设起点和所述预设终点之间的多条历史轨迹路线，其中，每条所述历史轨迹路线均包括多个路段；

33、第一确定模块，用于基于所述多条历史轨迹路线，确定导航路线，并将所述导航路线划分成多个合并路段，其中，每个所述合并路段均由多个所述路段连接而成；

34、第二确定模块，用于基于预设的图神经网络模型和预设的时长预测模型，确定每个所述合并路段的预测路程时长；

35、第三确定模块，用于基于每个所述合并路段的预测路程时长，确定所述导航路线的预测路程时长。

36、此外，本申请还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如上任一项所述预测路程时长计算方法的步骤。

37、在此基础上，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上任一项所述预测路程时长计算方法的步骤。

38、本申请提供一种预测路程时长计算方法、装置、电子设备及存储介质，首先，获取预设起点和预设终点之间的多条历史轨迹路线，其中，每条历史轨迹路线均包括多个路段，接着，基于多条历史轨迹路线，确定导航路线，并将导航路线划分成多个合并路段，其中，每个合并路段均由多个路段连接而成，然后，基于预设的图神经网络模型和预设的时长预测模型，确定每个合并路段的预测路程时长，最后，基于每个合并路段的预测路程时长，确定导航路线的预测路程时长。本申请通过将路段连接成合并路段以减少路段的数量，从而实现在不影响计算精度的同时使计算预测路程时长的值时计算复杂度降低，进而减小计算预测路程时长的误差值。

技术特征：

1.一种预测路程时长计算方法，其特征在于，包括：

2.根据权利要求1所述的预测路程时长计算方法，其特征在于，所述将所述导航路线划分成多个合并路段，其中，每个所述合并路段均由多个所述路段连接而成，包括：

3.根据权利要求2所述的预测路程时长计算方法，其特征在于，所述将每个所述连接区域内多个所述路段进行连接，以得到对应的合并路段，包括：

4.根据权利要求1所述的预测路程时长计算方法，其特征在于，所述基于预设的图神经网络模型和预设的时长预测模型，确定每个所述合并路段的预测路程时长，包括：

5.根据权利要求1所述的预测路程时长计算方法，其特征在于，所述基于每个所述合并路段的预测路程时长，确定所述导航路线的预测路程时长，包括：

6.根据权利要求5所述的预测路程时长计算方法，其特征在于，所述获取每个所述合并路段的出发时间以及合并路段的出发时间与合并路段的预测路程时长的关系，包括：

7.根据权利要求1所述的预测路程时长计算方法，其特征在于，还包括：

8.一种预测路程时长计算装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1-7任一项所述预测路程时长计算方法的步骤。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述预测路程时长计算方法的步骤。

技术总结
本申请公开一种预测路程时长计算方法、装置、电子设备及存储介质，该预测路程时长计算方法包括：获取预设起点和预设终点之间的多条历史轨迹路线；基于所述多条历史轨迹路线，确定导航路线，并将所述导航路线划分成多个合并路段；基于预设的图神经网络模型和预设的时长预测模型，确定每个所述合并路段的预测路程时长；基于每个所述合并路段的预测路程时长，确定所述导航路线的预测路程时长。本申请能够提升计算预测路程时长的准确率。

技术研发人员：李锦程
受保护的技术使用者：深圳依时货拉拉科技有限公司
技术研发日：
技术公布日：2024/1/15