[发明专利]通勤时间预测方法、通勤时间预测模型的训练方法和装置

权利要求书

1.一种通勤时间预测方法，应用于一种通勤时间预测模型的训练方法，其特征在于，包括以下步骤：

接收出发地、目的地和出发时间；

将所述出发地和所述目的地映射到路网上，得到路网路段序号和路段偏移量，其中，所述路段偏移量为映射到路段上的点离路段起点的距离占整条路段长度的比例；

将所述出发时间映射到时间片上，得到时间片序号和时间片偏移量，其中，所述时间片偏移量为映射到时间片上的时间点距离该时间片起始时间的时间长度占时间片总长度的比例；

根据时空输入编码模块对所述路网路段序号、所述路段偏移量、所述时间片序号和所述时间片偏移量进行编码得到定长向量；

根据时间预测模块对所述定长向量进行处理，输出目标通勤时间；

其中，所述根据时间预测模块对所述定长向量进行处理，输出预测时间，还包括：

获取外部输入信息，并对所述外部输入信息进行编码处理得到外部特征编码；其中，所述外部输入信息指预测时的上下文信息，包括：天气、交通状态；

根据时间训练预测模块对所述定长向量和外部特征编码进行处理，输出目标通勤时间；

所述通勤时间预测模型的训练方法，包括：

获取历史轨迹数据样本，对所述历史轨迹数据样本进行分析，获取出发地样本、目的地样本、出发时间样本、外部输入信息样本和通勤时间样本；

通过地图匹配技术将出发地样本和目的样本对应的空间点映射到路段上，然后使用路段序号以及映射点的路段偏移量，将出发时间样本对应的时间戳映射到时间片上，然后使用时间片序号以及映射后的时间偏移量，对外部输入信息样本进行编码生成外部特征编码，其中，所述外部输入信息指预测时的上下文信息；

根据所述出发地样本、目的地样本、出发时间样本和外部输入信息样本对应的编码对时空输入编码模块进行训练；

将出发地样本、目的地样本、出发时间样本和外部输入信息样本对应的编码拼接起来，并利用一个两层的全连接神经网络编码为定长向量，根据所述定长向量对轨迹编码模块进行训练；

根据所述定长向量和所述通勤时间样本对时间预测模块进行训练；

其中，所述轨迹编码模块将轨迹数据作为路段和时间区间的序列；

其中，所述轨迹编码模块利用时间区间编码子模块将时间区间序列编码为定长向量表示序列；利用所述时空输入编码模块中的路段编码模型将路段序列编码为定长向量表示序列；将上述两个序列中的元素一一拼接得到新的序列；利用深度序列编码模型将该新序列编码为隐向量表示；将该隐向量与轨迹的首尾点在路段上的偏移量拼接起来得到新的向量；最后使用一个两层全连接神经网络将该新向量编码为最终的轨迹定长向量。

2.如权利要求1所述的通勤时间预测方法，其特征在于，还包括：

获取历史轨迹数据样本；

根据所述历史轨迹数据样本和深度神经网络模型训练生成所述时空输入编码模块；

根据所述历史轨迹数据样本和深度神经网络模型训练生成所述时间预测模块。

3.如权利要求1所述的通勤时间预测方法，其特征在于，

所述历史轨迹数据样本指的是全球定位系统采样的时空点的序列，每个点由经度、纬度和时间戳三个维度构成，以及获取外部输入信息。

4.如权利要求1所述的通勤时间预测方法，其特征在于，

所述路段序号指的是将路段的独热编码通过全连接神经网络转换为分布式向量表示；

所述时间片序号指的是将时间片的独热编码通过全连接神经网络转为分布式向量表示；

所述外部特征编码指的是将预测时上下文信息通过神经网络编码成向量表示。

5.如权利要求1所述的通勤时间预测方法，其特征在于，

根据预测通信时间和通勤时间样本之间的均方误差，以及输入编码得到的向量和轨迹编码得到的向量之间的平均绝对误差对所述时间预测模块进行调整。

6.一种通勤时间预测装置，应用于如权利要求1所述的通勤时间预测方法，其特征在于，包括：

接收模块，用于接收出发地、目的地和出发时间；

第一处理模块，用于将所述出发地和所属目的地映射到路网上，得到路网路段序号和路段偏移量；

第二处理模块，用于将所述出发时间映射到时间片上，得到时间片序号和时间片偏移量；

编码模块，用于根据时空输入编码模块对所述路网路段序号、所述路段偏移量、所述时间片序号和所述时间片偏移量进行编码得到定长向量；

预测模块，用于根据时间预测模块对所述定长向量进行处理，输出目标通勤时间；

其中，所述预测模块，还包括：

获取外部输入信息，并对所述外部输入信息进行编码处理得到外部特征编码；其中，所述外部输入信息指预测时的上下文信息；

根据时间训练预测模块对所述定长向量和外部特征编码进行处理，输出目标通勤时间。