[发明专利]一种时间估计方法及其装置、设备

权利要求书

1.一种时间估计方法，其特征在于，所述方法包括：

基于获取到的起点位置和终点位置，确定第一待估计路线；

获取第一待估计路线中包括的每条路段在出发时刻的路段特征；

基于所述每条路段的路段特征，确定所述第一待估计路线的第一路线特征；

通过对每条路段的路段特征对应的初始权值进行归一化，确定每条路段的路段特征对应的目标权值，并将每条路段的路段特征和对应的目标权值进行加权求和，得到所述第一待估计路线的第二路线特征，所述每条路段的路段特征包括多个特征，其中，所述初始权值是由偏置参数和路段特征的重要程度参数确定的，所述第二路线特征能够反映各个路段的重要程度；

通过神经网络模型进行基于所述第一待估计路线的第一路线特征和所述第二路线特征的预测操作，得到第一预计到达时间。

2.根据权利要求1中所述的方法，其特征在于，所述方法还包括：

基于历史数据获取训练路线中每条训练路段的路段特征和完成所述训练路线的实际时间；

基于所述每条训练路段的路段特征，确定所述训练路线的第一训练路线特征；

通过所述每条训练路段的路段特征、第一训练路线特征和所述实际时间训练所述神经网络模型。

3.根据权利要求2中所述的方法，其特征在于，所述通过所述每条训练路段的路段特征、第一训练路线特征和所述实际时间训练所述神经网络模型，包括：

获取权值计算参数的初始值；

基于所述初始值和所述每条训练路段的路段特征，确定每条训练路段的路段特征对应的初始目标权值；

基于每条训练路段的路段特征和对应的初始目标权值，确定所述训练路线的第二训练路线特征；

通过所述神经网络模型进行基于所述第一训练路线特征和第二训练路线特征的预测处理，将得到的预测时间与所述实际时间的差值在所述神经网络模型中进行反向传播，以更新所述权值计算参数和所述神经网络模型的参数。

4.根据权利要求1中所述的方法，其特征在于，获取第一待估计路线中包括的每条路段在出行时刻的路段特征，包括：

基于每条路段的起点和终点，获取每条路段的长度；

基于所述每条路段的地图信息获取每条路段的平均限速；

基于每条路段对应的历史数据，确定与出发时刻间隔预设时长的未来时刻和历史时刻的平均车速；

当未到达出发时刻时，基于每条路段对应的历史数据确定平均自由流速度和出发时刻的平均车速。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

当到达出发时刻时，基于获取到的路网数据确定每条路段在出发时刻的平均车速；

基于每条路段对应的历史数据确定平均自由流速度。

6.根据权利要求1中所述的方法，其特征在于，所述基于所述每条路段的路段特征，确定所述第一待估计路线的第一路线特征，包括：

基于每条路段的长度，确定所述第一待估计路线的全程长度；

基于每条路段在出发时刻的平均车速，确定所述第一待估计路线的全程平均车速；

基于每条路段的平均限速和平均自由流速度，分别确定所述第一待估计路线的全程平均限速和全称平均自由流速度；

基于所述每条路段在与出发时刻间隔预设时长的未来时刻和历史时刻的平均车速，确定所述未来时刻和历史时刻的全程平均车速。

7.根据权利要求1中所述的方法，其特征在于，每条路段对应K个路段特征，对应地，确定每条路段的路段特征的目标权值，包括：

获取训练好的权值计算参数，其中，所述权值计算参数至少包括注意力系数和偏置参数；

根据所述注意力系数和所述每条路段对应的K个路段特征，确定每个路段对应的K个路段特征的重要程度参数，K为正整数；

根据所述偏置参数和所述每条路段对应的K个路段特征的重要程度参数，确定所述每条路段对应的K个路段特征的初始权值；

对所述每条路段对应的第i个路段特征的初始权值进行归一化，得到每条路段对应的第i个路段特征的目标权值，其中，M条路段对应的第i个路段特征的目标权值相加为1，i＝1，2，…，K，M为所述第一待估计路线中包括的路段总数。