[发明专利]一种网联车车辆行程时间估计方法

说明书

本发明实施例提供的一种网联车车辆行程时间估计方法，应用于信息技术领域，将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中，根据路网中各路线的空间特征更新道路动态特征向量与静态特征的向量后，将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，得到路网中各路线的时间特征，再次更新动态特征向量；将路网中各路线中两次更新后的动态特征向量和路网中各路线的一次更新后的静态特征向量输入到基于图神经网络的注意力机制网络中，得到并根据路网中各路线的轨迹影响力得分和路网结构，抽取目标路线对应的路网子图；通过将子图转化为子图向量，然后计算得到目标路线预测行程时间，可以提高行程时间的计算的准确性。

技术领域

本发明涉及信息技术领域，特别是涉及一种网联车车辆行程时间估计方法。

背景技术

目前，随着人们出行频率的日益的增加，各种导航软件的使用频率也不断增加。通过使用导航软件，可以便于用户在不熟悉交通状况的条件下，也可以快速的到达目的地。同时导航软件还可以根据路程和车速计算出到达目的地所需的行程时间。

然而，车辆在行驶过程中的速度往往不但会受到道路状况的影响，往往还会受到其他因素的影响，因此，在根据路程和车速计算出到达目的地所需的行程时间时，所得到的计算结果的准确性往往较差。

发明内容

本发明实施例的目的在于提供一种网联车车辆行程时间估计方法，以实现提高行程时间计算的准确性。具体技术方案如下：

在本发明实施的第一方面，提供了一种网联车车辆行程时间估计方法，上述方法包括：

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

将路网的静态信息和路网的动态信息输入到预先训练的图卷积神经网络中，得到路网中各路线的空间特征，其中，各路线的空间特征包括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，得到路网中各路线的时间特征，其中，各路线的时间特征包括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；

利用路网中各路线的时间特征更新更新后的动态特征向量，得到二次更新后的动态特征向量；

将路网中各路线的更新后的静态特征向量和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，得到路网中各路线的轨迹影响力得分；

根据路网中各路线的轨迹影响力得分和路网结构，抽取目标路线对应的路网子图，其中，目标路线对应的路网子图包括路网中轨迹影响力得分最高的前N条路线和路网中目标路线经过的路线，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，根据子图向量与通行信息向量计算得到目标路线预测行程时间。

可选的，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，对通行信息进行向量化，得到通行信息向量。

可选的，将路网中各路线的更新后的静态特征向量和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，得到路网中各路线的轨迹影响力得分，包括：

通过预设公式计算路网中各路线的连通度之和；