[发明专利]一种网联车车辆行程时间估计方法

权利要求书

1.一种网联车车辆行程时间估计方法，其特征在于，所述方法包括：

获取路网的静态信息和路网的动态信息，其中，所述路网的静态信息包括所述路网中各条道路的属性信息，所述路网的动态信息包括所述路网中各条道路的交通状况信息；

将所述路网的静态信息和所述路网的动态信息输入到预先训练的图卷积神经网络中，得到所述路网中各路线的空间特征，其中，所述各路线的空间特征包括所述各路线动态信息和静态信息以及该路线的相邻路线的动态信息和静态信息；

利用所述路网中各路线的空间特征更新静态特征向量和动态特征向量；

将所述路网中各路线的更新后的静态特征向量和更新后的动态特征向量输入到预先训练的循环神经网络中，得到所述路网中各路线的时间特征，其中，所述各路线的时间特征包括所述各路线在不同采样频率下统计的交通状况的变化趋势信息；

利用所述路网中各路线的时间特征更新所述更新后的动态特征向量，得到二次更新后的动态特征向量；

将所述路网中各路线的所述更新后的静态特征向量和所述二次更新后的动态特征向量输入到预先训练的基于图神经网络的注意力机制网络中，得到所述路网中各路线的轨迹影响力得分；

根据所述路网中各路线的轨迹影响力得分和所述路网结构，抽取目标路线对应的路网子图，其中，所述目标路线对应的路网子图包括所述路网中轨迹影响力得分最高的前N条路线和所述路网中所述目标路线经过的路线，所述目标路线为用户选取的行进路线；

通过图表示学习神经网络将所述路网子图转化为子图向量；

获取通行信息向量；

通过预先训练的深度残差网络，根据所述子图向量与通行信息向量计算得到所述目标路线预测行程时间。

2.根据权利要求1所述的方法，其特征在于，所述获取通行信息向量，包括：

获取通行信息；

通过预先训练好的神经网络，对所述通行信息进行向量化，得到通行信息向量。

3.根据权利要求1所述的方法，其特征在于，所述将所述路网中各路线的所述更新后的静态特征向量和所述二次更新后的动态特征向量输入到预先训练的基于图神经网络的注意力机制网络中，得到所述路网中各路线的轨迹影响力得分，包括：

通过预设公式计算所述路网中各路线的连通度之和；

将所述路网中各路线的所述更新后的静态特征向量、所述二次更新后的动态特征向量和所述连通度之和进行组合，得到所述路网中各路线的综合特征向量；

将所述路网中各路线的综合特征向量输入到预先训练的基于图神经网络的注意力机制网络中，得到所述路网中各路线的轨迹影响力得分。

4.根据权利要求3所述的方法，其特征在于，所述通过预设公式计算所述路网中各路线的连通度之和，包括：

针对所述路网中各路线，根据预设公式：计算所述路网中各路线k跳以内的连通度，其中，Aⁱ为道路i的邻接矩阵，L为道路连通度矩阵，R^N×N表示N×N阶矩阵；

根据所述路网中各路线k跳以内的连通度，通过预设公式：计算所述路网中各路线的连通度之和，其中，i和j表示不同的道路，lij表示道路i到道路j在k跳之内连通方式的数量，D_i为道路i连通度之和，V_t为目标路线包含的道路的集合。