[发明专利]行程时间预测方法及装置

权利要求书

1.一种行程时间预测方法，其特征在于，所述方法包括：

获取行程时间预测请求，所述行程时间预测请求用于请求预测从目标行驶路径的起点至终点的预计行程时间；

获取所述目标行驶路径对应的整体路径特征，所述整体路径特征包括用于指示当前时刻的道路交通状况的特征，所述整体路径特征包括实时路况特征和路径静态特征，所述实时路况特征用于指示当前时刻的道路交通状况的特征，所述路径静态特征用于指示所述目标行驶路径基本属性的特征，所述实时路况特征包括以下至少一项：所述目标行驶路径所包括的每一种拥堵情况的道路长度占所述目标行驶路径的总长度的比值、所述目标行驶路径所包括的每一种道路在当前时刻的行驶速度、所述目标行驶路径所包括的每一种道路在当前时刻的限速，所述路径静态特征包括以下至少一项：所述目标行驶路径所包括的每一种道路的道路长度占比、交通设施密度、所述目标行驶路径的总长度、实际出发时刻/时段/日期、实际到达时刻/时段/日期；

将所述整体路径特征作为行程时间计算模型的输入，采用所述行程时间计算模型计算所述目标行驶路径的所述预计行程时间；其中，所述行程时间计算模型根据历史行程数据训练得到，所述历史行程数据包括：多条历史行驶路径、每一条历史行驶路径对应的整体路径特征、每一条历史行驶路径的实际行程时间。

2.根据权利要求1所述的方法，其特征在于，所述将所述整体路径特征作为行程时间计算模型的输入，采用所述行程时间计算模型计算所述目标行驶路径的所述预计行程时间之前，还包括：

根据所述历史行程数据构建训练样本集，所述训练样本集包括多个训练样本，每一个训练样本包括：一条历史行驶路径对应的整体路径特征和所述历史行驶路径的实际行程时间；

采用机器学习算法对所述训练样本进行训练，得到所述行程时间计算模型。

3.根据权利要求2所述的方法，其特征在于，所述采用机器学习算法对所述训练样本进行训练，得到所述行程时间计算模型之后，还包括：

根据所述历史行程数据构建验证样本集，所述验证样本集包括多个验证样本，每一个验证样本包括：一条历史行驶路径对应的整体路径特征和所述历史行驶路径的实际行程时间；

对于每一个验证样本，将所述验证样本的整体路径特征作为所述行程时间计算模型的输入，采用所述行程时间计算模型计算所述验证样本的预计行程时间；

根据各个所述验证样本的实际行程时间和预计行程时间，计算所述行程时间计算模型的质量评价参数，所述质量评价参数用于指示所述行程时间计算模型的预测精度；

检测所述质量评价参数是否符合预设条件；

若所述质量评价参数不符合所述预设条件，则调整所述训练样本集，并再次从所述采用机器学习算法对所述训练样本进行训练，得到所述行程时间计算模型的步骤开始执行。

4.根据权利要求3所述的方法，其特征在于，所述根据各个所述验证样本的实际行程时间和预计行程时间，计算所述行程时间计算模型的质量评价参数，包括：

对于每一个验证样本，根据所述验证样本的实际行程时间和预计行程时间，计算误差率；

获取所述误差率小于第一阈值的验证样本的数量占所述验证样本的总数的比值，所述比值为所述质量评价参数；

其中，所述预设条件包括所述比值小于第二阈值。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述整体路径特征和历史行程数据，计算所述目标行驶路径的所述预计行程时间之前，还包括：

对所述整体路径特征进行变换处理，得到处理后的整体路径特征；

所述根据所述整体路径特征和历史行程数据，计算所述目标行驶路径的所述预计行程时间，包括：

根据所述处理后的整体路径特征和所述历史行程数据，计算所述目标行驶路径的所述预计行程时间。

6.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述整体路径特征和历史行程数据，计算所述目标行驶路径的所述预计行程时间之后，还包括：

根据所述目标行驶路径对应的计划出发时刻和所述预计行程时间，计算预计到达时刻；

或者，

根据所述目标行驶路径对应的计划到达时刻和所述预计行程时间，计算预计出发时刻。