[发明专利]旅行时间预测方法及装置

权利要求书

1.一种旅行时间的预测方法，其特征在于，包括如下步骤：

获取目标路段的N个批次的历史通行数据组，每个批次的历史通行数据组包括已记录的预设时间段的历史通行数据，所述历史通行数据至少包括：平均历史旅行时间；

将N个批次的历史通行数据组作为卷积神经网络的输入，通过卷积神经网络得到至少一个概率值组，所述概率值组中的概率值个数为N；

针对一个概率值组，用该概率值组中的每一个概率值与其在历史通行数据中对应的N个平均历史旅行时间相乘并将乘积的和值确定为预测旅行时间。

2.根据权利要求1所述的方法，其特征在于，所述将N个批次的历史通行数据组作为卷积神经网络的输入，通过卷积神经网络得到至少一个概率值组，具体包括：

将N个批次的历史通行数据组作为卷积神经网络的输入，通过卷积神经网络的卷积层、非线性激活层及池化操作进行特征提取，通过卷积神经网络的全连接层输出至少一个概率值组。

3.根据权利要求1所述的方法，其特征在于，所述历史通行数据还包括平均历史旅行时间的标准差和/或历史车流量。

4.根据权利要求3所述的方法，其特征在于，将所述N个批次的历史通行数据组中，同一天同一个记录时间对应的N个平均历史旅行时间、N个平均历史旅行时间的标准差、N个历史车流量作为卷积神经网络的一组输入，得到一组对应的概率值组，用该概率值组中的每一个概率值与N个平均历史旅行时间相乘并将乘积的和值确定为目标路段在同一天同一记录时间的预测旅行时间。

5.根据权利要求1-4之一所述的方法，其特征在于，所述预设时间段为预设的M天，M为可变参数，其取值范围为小于等于7，大于等于1的整数；

所述每个批次的历史通行数据组包括已记录的预设时间段的历史通行数据，具体为：每个批次的历史通行数据组包括已记录的M天的历史通行数据。

6.根据权利要求5所述的方法，其特征在于，所述方法包括：

每一天按照预设的时间间隔，记录所述目标路段的历史通行数据和对应的记录时间；

所述每个批次的历史通行数据组包括已记录的针对道路状况的预设时间段的历史通行数据，具体包括：

每个批次的历史通行数据是按照预设的M天，每天按照预设的时间间隔记录的历史通行数据和对应的记录时间。

7.一种旅行时间的预测装置，其特征在于，包括如下模块：

样本确定模块，用于获取目标路段的N个批次的历史通行数据组，每个批次的历史通行数据组包括已记录的预设时间段的历史通行数据，所述历史通行数据至少包括：平均历史旅行时间；

样本学习模块，用于将N个批次的历史通行数据组作为卷积神经网络的输入，通过卷积神经网络得到至少一个概率值组，所述概率值组中的概率值个数为N；

预测模块，用于针对一个概率值组，用该概率值组中的每一个概率值与其在历史通行数据中对应的N个平均历史旅行时间相乘并将乘积的和值确定为预测旅行时间。

8.根据权利要求7所述的装置，其特征在于，所述样本学习模块具体用于：

将N个批次的历史通行数据组作为卷积神经网络的输入，通过卷积神经网络的卷积层、非线性激活层及池化操作进行特征提取，通过卷积神经网络的全连接层输出至少一个概率值组。

9.根据权利要求7所述的装置，其特征在于，所述历史通行数据还包括平均历史旅行时间的标准差和/或历史车流量；

所述样本学习模块具体用于：将所述N个批次的历史通行数据组中，同一天同一个记录时间对应的的N个平均历史旅行时间、N个平均历史旅行时间的标准差、N个历史车流量作为卷积神经网络的一组输入，得到一组对应的概率值组，用该概率值组中的每一个概率值与N个平均历史旅行时间相乘并将乘积的和值确定为目标路段在同一天同一记录时间的预测旅行时间。