ETA模型生成方法和装置、ETA预测方法和装置、电子设备与流程

本申请涉及计算机技术领域，尤其涉及一种eta模型生成方法和装置、eta预测方法和装置、电子设备。

背景技术：

eta(estimatedtimeofarrival)，即预计到达时间，是对于规划线路旅行时长的一个预估。eta是衡量路线质量诸多指标中(其他包括如距离、红绿灯数量、导航动作数量、大路占比、小路占比、拥堵比例、收费)最为重要的一项，是用户从候选路线集合(通常为3条)中选择发起导航的路线时考虑的首要因素。

从原理上讲，用户的行驶时长通常可分解为两部分：在道路上的旅行时长以及通过路口的转向时长(包括等红绿灯的时间)。其中前者由于受到动态路况的影响，会在用户行驶的过程中会不断变化，所以必须通过路况预测的手段来把握。后者则由信号灯的配时来决定，红绿灯的配时通常由地方交管部门来调节，在不同时段也会动态变化。总体而言，如何精准根据未来的路况预测旅行时长，以及如何精准的提取每类红绿灯以及所有转向动作的时间成本，并将之应用于eta的计算，是一个在世界范围内极具挑战性的课题。

当前的eta预测引擎中常采用人工规则模型，即不同时段、不同区域的参数需要人工手动调节，每调节一个参数的取值，在测试数据集上重新评估预测效果，看看优良率是否有所提升。由于交叉组合的场景过多，可能有几十至数千套参数甚至更多，视定制化程度而定，人工手段无法寻获最佳取值，也无法满足用户定制化的路径规划需求。

技术实现要素：

本发明提供了一种eta模型生成方法和装置、eta预测方法和装置、电子设备，能够提高预计到达时间的预测准确性，同时模型为机器学习化模型，训练成本低、上线预测速度快。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，提供了一种eta模型生成方法，所述eta模型用于预测导航路径的到达时间，所述导航路径包括至少一个道路段和至少一个路口，包括：

获取所述导航路径中包括的各道路段的历史旅行时长；

获取所述各道路段在旅行起始时刻路况下的实时旅行时长；

利用预设的融合因子，对所述各道路段的历史旅行时长和实时旅行时长进行融合操作，得到所述各道路段的预测旅行时长；

预先建立路口行驶模型，各路口行驶模型对应有路口预测行驶时长，根据所述导航路径中各路口行驶路径对应的路口行驶模型，获取各路口对应的路口预测行驶时长；

根据所述导航路径中包括的各道路段的预测旅行时长和各路口对应的路口预测行驶时长，获取所述导航路径的预测旅行时长；

获取所述导航路径的实际旅行时长；

根据所述导航路径的预测旅行时长和实际旅行时长进行回归计算，得到目标融合因子和各路口行驶模型对应的路口目标行驶时长，并生成eta模型。

第二方面，提供了一种eta模型生成装置，所述eta模型用于预测导航路径的到达时间，所述导航路径包括至少一个道路段和至少一个路口，包括：

历史旅行时长获取模块，用于获取所述导航路径中包括的各道路段的历史旅行时长；

实时旅行时长获取模块，用于获取所述各道路段在旅行起始时刻路况下的实时旅行时长；

道路段预测旅行时长获取模块，用于利用预设的融合因子，对所述各道路段的历史旅行时长和实时旅行时长进行融合操作，得到所述各道路段的预测旅行时长；

路口预测行驶时长获取模块，用于预先建立路口行驶模型，各路口行驶模型对应有路口预测行驶时长，并且根据所述导航路径中各路口行驶路径对应的路口行驶模型，获取各路口对应的路口预测行驶时长；

导航路径预测旅行时长获取模块，用于根据所述导航路径中包括的各道路段的预测旅行时长和各路口对应的路口预测行驶时长，获取所述导航路径的预测旅行时长；

导航路径实际旅行时长获取模块，用于获取所述导航路径的实际旅行时长；

eta模型生成模块，用于根据所述导航路径的预测旅行时长和实际旅行时长进行回归计算，得到目标融合因子和各路口行驶模型对应的路口目标行驶时长，并生成eta模型。

第三方面，提供了一种eta预测方法，包括：

获取导航路径包括的各道路段和各路口；

获取所述各道路段实时路况信息；

获取eta的请求发出时间；

将所述导航路径的各道路段、各路口、各道路段路况信息以及eta的请求发出时间输入到如权利要求1～5所述的eta模型，获取所述eta模型输出的到达时间。

第四方面，提供了一种eta预测装置，包括：

道路段和路口获取单元，用于获取导航路径包括的各道路段和各路口；

实时路况获取单元，用于获取所述各道路段实时路况信息；

时间获取单元，用于获取eta的请求发出时间；

eta模块，用于将所述导航路径的各道路段、各路口、各道路段路况信息以及eta的请求发出时间输入到如权利要求1～5所述的eta模型，获取所述eta模型输出的到达时间。

第五方面，提供了一种电子设备，包括：

存储器，用于存储程序；

处理器，耦合至所述存储器，用于执行所述程序，以用于：

获取所述导航路径中包括的各道路段的历史旅行时长；

获取所述各道路段在实时路况下的实时旅行时长；

利用预设的融合因子，对所述各道路段的历史旅行时长和实时旅行时长进行融合操作，得到所述各道路段的预测旅行时长；

预先建立路口行驶模型，各路口行驶模型对应有路口预测行驶时长，根据所述导航路径中各路口行驶路径对应的路口行驶模型，获取各路口对应的路口预测行驶时长；

根据所述导航路径中包括的各道路段的预测旅行时长和各路口对应的路口预测行驶时长，获取所述导航路径的预测旅行时长；

获取所述导航路径的实际旅行时长，并根据所述导航路径的预测旅行时长和实际旅行时长进行回归计算，得到目标融合因子和各路口行驶模型对应的路口目标行驶时长，并生成eta模型。

第六方面，提供了一种电子设备，包括：

存储器，用于存储程序；

处理器，耦合至所述存储器，用于执行所述程序，以用于：

获取导航路径包括的各道路段和各路口；

获取所述各道路段实时路况信息；

获取eta的请求发出时间；

将所述导航路径的各道路段、各路口、各道路段路况信息以及eta的请求发出时间输入到eta模型，获取所述eta模型输出的到达时间。

本发明提供了一种eta模型生成方法和装置、eta预测方法和装置、电子设备，在进行模型训练时，根据路径中包含的各道路段对应的旅行时段，设置各旅行时段对应的融合因子，以调节在预测某条道路段的实际旅行时长中历史旅行时长和当前路况下的实时旅行时长的权重，然后将基于融合因子得到的道路段上的旅行时长和经过路口的旅行时长的和值经回归算法的计算，使其与相应路径上的实际旅行时长进行匹配，得到预计到达时间模型中的两类模型参量，即融合因子和路口行驶时长。最后，基于这两个模型参量对待预测路径的预计到达时间进行预测，从而提高预测结果的准确性，同时，由于模型为机器学习化模型，因此训练成本低、上线预测速度快。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例的eta模型生成方法流程图；

图2为本发明实施例的eta模型示意图；

图3为本发明实施例的eta预测系统结构图；

图4为本发明实施例的eta预测方法流程图；

图5为本发明实施例的eta模型生成装置示意图一；

图6为本发明实施例的eta模型生成装置示意图二；

图7为本发明实施例的eta模型生成装置示意图三；

图8为本发明实施例的历史旅行时长获取模块的结构图；

图9为本发明实施例的eta预测装置结构图；

图10为本发明实施例的电子设备的结构示意图一；

图11为本发明实施例的电子设备的结构示意图二。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

首先，对本方案中涉及的技术语进行说明：

道路段：将一条道路划分为多个路段，每个路段被称为一个道路段；

导航路径：一条导航路径可包括多个道路段和多个路口，本方案的导航路径为用户从某一起始位置到终点位置的完整出行线路；

旅行时长：用户在道路段或者路径上行驶的时长(耗时)；

旅行时段：用户在道路段或者导航路径上行驶的时长中的某个时段，比如自旅行起始时刻5分钟到自旅行起始时刻10分钟之间的旅行时段；

路口行驶时长：通过路口所需的行驶时长，其具体值与路口交通信号灯的设置、路口复杂度以及通过路口的时间段(如，上午8点～9点，或者凌晨1点～2点)有关。

实施例一

如图1所示，其为本发明实施例示出的eta模型生成方法流程图，该方法可以包括如下步骤：

s110，获取导航路径中包括的各道路段的历史旅行时长；

本步骤中，可以获取导航路径的样本信息，样本信息中包括有驶过该导航路径的车辆的定位轨迹信息，定位轨迹信息中包括定位系统输出的位置点、时间、行驶速度和行驶方向等。结合定位轨迹信息与地图数据中的道路段的坐标信息和形状信息，可以得到所述导航路径中各道路段的历史旅行时长。

s120，获取各道路段在旅行起始时刻路况下的实时旅行时长；

其中，所述实时旅行时长来源于实时交通服务或者政府机关等发布的实时路况信息；所述实时路况信息中可以直接包括各道路段的实时旅行时长；或者包括当前行驶在该道路段上车辆的平均速度，结合该道路段的长度，可以计算获得该道路段在实时路况下的实时旅行时长。所述实时路况是指导航路径在起始旅行时刻的路况。

所述旅行起始时刻是指用户的出发时刻，也通常为用户发起eta计算的时刻。

根据各个道路段所属导航路径的旅行起始时刻的不同，同一道路段可以有多个导航路径的旅行起始时刻实时路况下的实时旅行时长。

s130，利用预设的融合因子，对各道路段的历史旅行时长和实时旅行时长进行融合操作，得到各道路段的预测旅行时长；

预先设定所述融合因子为k，k的取值范围大于等于0且小于等于1，

则各道路段的预测旅行时长为：

predicted_link_travle_time＝k×(sp_travel_time)+(1-k)×autolr_travel_time………………(1)

其中：

predicted_link_travle_time为各道路段的预测旅行时长；

sp_travel_time为各道路段的历史旅行时长；

autolr_travel_time为各道路段所属导航路径的旅行起始时刻的实时路况下的实时旅行时长。

针对不同的道路段，可以设置不同的融合因子k的取值。

s140，预先建立路口行驶模型，各路口行驶模型对应有路口预测行驶时长，根据导航路径中各路口行驶路径对应的路口行驶模型，获取各路口对应的路口预测行驶时长；

其中，预先建立路口行驶模型可以包括：预先根据路口复杂度、路口转向动作和进入路口时间段区间，建立路口行驶模型，其中各路口行驶模型对应有路口预测行驶时长。

所述路口复杂度可以按照路口所在的道路的车道数量(进入路口前所在道路的车道数和驶出路口后所在道路的车道数)、红绿灯数量等分为多个复杂度。

路口转向动作是指车辆进入路口前所在道路与驶出路口后所在道路夹角，可以分为多个角度区间，如0°～15°、15°～30°、30°～45°、45°～90°等。

进入路口时间段区间可以根据交通流量情况划分，如按时间段将22点-6点统一代表凌晨区间，将6-22点之间以两个小时为单位拆分为8个区间，共计得到9个时间段区间来代表红绿灯配时、交通流量等在全天中的变化情况。

s150，根据导航路径中包括的各道路段的预测旅行时长和各路口对应的路口预测行驶时长，获取导航路径的预测旅行时长；

导航路径的预测旅行时长等于所述导航路径中包括的各道路段的预测旅行时长和各路口对应的路口预测行驶时长之和。

其中：eta为导航路径的预测旅行时长、apredicted_link_travle_time为道路段的预测旅行时长、predicted_transition_time为各路口预测行驶时长。

s160，获取导航路径的实际旅行时长；

路径样本信息中，可以根据定位轨迹点计算导航路径的实际旅行时长，即驶入该导航路径起点的时刻到从驶出该导航路径终点时刻之间的时长。

s170，根据导航路径的预测旅行时长和实际旅行时长进行回归计算，得到目标融合因子和各路口行驶模型对应的路口目标行驶时长，并生成eta模型。

在计算模型参量的最优解时，可采用最小二乘法利用求解损失函数的最小值来得到最优解。最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。具体地，在求解最小二乘问题的过程中，还可以采用梯度下降法来求解。

其中损失函数方程为：

其中：eta为导航路径的预测旅行时长、actual_total_travel_time为导航路径的实际旅行时长。

基于上述方法即可得到eta模型中的两类重要自由度模型参数：目标融合因子和各路口行驶模型对应的路口目标行驶时长。基于该目标融合因子和各路口行驶模型对应的路口目标行驶时长生成的eta模型，预测的所述导航路径的预测旅行时长和实际旅行时长最接近。

实施例二

本实施例在实施例一的基础上，提供了一种融合因子的预设方法、以及根据预设的融合因子，对所述各道路段的历史旅行时长和实时旅行时长进行融合操作，得到所述各道路段的预测旅行时长的方案。

在预测导航路径中各道路段的预测旅行时长时，可以根据该道路段在导航路径中所处的时长区间(旅行时段)设置对应的融合因子，该时长区间指的是自旅行起始时刻到进入到各道路段时刻之间的时长区间。可以预先划分至少一个时长区间，并为各时长区间设置对应的融合因子。

所述融合因子用于评价各道路段的预测旅行时长中历史旅行时长和在旅行起始时刻时的实时路况下的实时旅行时长的权重。

可以针对不同的时长区间分别设置不同融合因子，例如可以从旅行起始时间开始每5分钟记为一个时长区间，并设置相应的融合因子k。该融合因子k在评价相应时长区间中通过道路段的预测旅行时长中历史旅行时长和实时旅行时长的权重均大于0，即通过两个时间时长的综合值来得到道路段的预测旅行时长。通过设置融合因子可调节不同旅行时段中通过某条道路段的实际旅行时长中历史旅行时长和当前路况下的实时旅行时长的权重。

随着旅行时长的推移，在导航路径中各道路段的预测旅行时长中，历史旅行时长所占权重会越来越大，实时旅行时长所占权重会越来越小，这符合实际交通运行的规律，即当旅行时段越靠前时，道路段的实际旅行时长更趋向于旅行起始时刻路线下的实时旅行时长；当旅行时段越靠后时，道路段的实际旅行时长更趋向于历史旅行时长。

例如，融合因子作为待eta模型训练过程中待拟合的参数，可以为从旅行起始时刻开始的每5分钟的时长区间各设置一个融合因子，这样在旅行起始时刻开始的前1个小时内，对应的融合因子共有12个，即k1、k2、k3、k4、k5、k6、k7、k8、k9、k10、k11、k12，分别对应于0～5分钟、5～10分钟、10～15分钟、15～20分钟、20～25分钟、25～30分钟、30～35分钟、35～40分钟、40～45分钟、45～50分钟、50～55分钟、55～60分钟的12个时长区间。其中，时长区间也可以不同，时长区间与k的值可以为线性关系或者非线性关系。

根据各道路段在旅行起始时刻路况下的实时旅行时长或者各道路段的历史旅行时长，可以得到用户进入导航路径的某个道路段的预计时间点。

例如，当用户进入导航路径的某个道路段的预计时间点是自旅行起始时刻的13分钟之后，属于上述10～15分钟的时长区间，那么该道路段的预测旅行时长可为：

(1-k3)×实时旅行时长+k3×历史旅行时长………(4)

其中，k3为10～15分钟的时长区间对应的融合因子；

又例如，当用户进入导航路径中某道路段的预计时间点是自旅行起始时刻的48分钟之后，属于上述45～50分钟的时长区间，那么该道路段的预测旅行时长可为：

(1–k10)×实时旅行时长+k10×历史旅行时长……(5)

其中，k10为45～50分钟的时长区间对应的融合因子。

通过设置融合因子可调节不同时长区间中通过某条道路段的预测旅行时长中历史旅行时长和实时旅行时长的权重。在实际应用中，用于调节历史旅行时长和实时旅行时长的权重的公式，不限于式(4)和(5)的形式。

当所述旅行时段(时长区间)大于1小时之后，可以自动设置相应旅行时段内的ki(i大于等于13)为常量，以使得预测的1小时之后各道路段的预测旅行时长中实时旅行时长的权重为0。例如，以式(4)为例，可将1小时之后旅行时段内的融合因子k设置为常量1，这样预测得到自旅行起始时刻1小时之后的各道路段的预测旅行时长中只包括历史旅行时长。

在上述方案技术基础上，获取自旅行起始时刻到进入各道路段的时长，根据所述时长，查询各道路段对应时长所在的时长区间对应的融合因子作为预设的融合因子，并且利用所述预设的融合因子，对所述各道路段的历史旅行时长和实时旅行时长进行融合操作，得到所述各道路段的预测旅行时长。

实施例三：

本实施例在实施例一和实施例二的基础上，提供了一种获取所述导航路径中包括的各道路段的历史旅行时长的方法，该方法可以包括以下步骤：

从路径样本信息中获取各道路段在预先划分的各时间段区间内的历史旅行时长的平均值；

其中路径样本信息可包括：导航路径包含的道路段和路口、导航路径对应的实际旅行时长以及各个道路段的实际旅行时长等信息。基于路径样本信息可以统计出各道路段对应的历史旅行时长及各道路段在所属导航路径的各道路段在旅行起始时刻路况下的实时旅行时长。

获取进入所述导航路径中各道路段的时间段区间；

根据所述进入所述导航路径中各道路段的时间段区间，查询该道路段对应时间段区间内的历史旅行时长的平均值，作为该道路段的历史旅行时长。

历史旅行时长的平均值可以采用如下计算方式：

例如，根据特征日(如周一到周日)和时间段区间(如10分钟为一个时间段区间，一天共划分为144个时间段区)，对过去设定周内(如12周内)各特征日的各时间段区间内全部车辆通过该道路段的旅行时长求取平均值，作为该道路段在各特征日的各时间段区间对应的历史旅行时长的平均值。

通过上述计算，各个道路段对应有144×7＝1008个历史旅行时长的平均值(各个道路段对应7天×24小时×6个时间段区间1小时包括6个10分钟的时间段区间)。

对应的，根据路径样本信息获取进入所述导航路径中各道路段的时间段区间，可以得到如星期三的第二个时间段区(星期三0点10分到0点20分)，并从上述1008个历史旅行时长的平均值中查询该道路段时间段区间相匹配的历史旅行时长的平均值，作为该道路段的历史旅行时长。

实施例四：

本实施例在实施例一、实施例二和实施例三的基础上，为了实现所述eta模型的定制化训练以生成定制化的eta模型，所述方法还可以包括：

所述获取所述导航路径中包括的各道路段的历史旅行时长，包括：

获取所述导航路径中包括的各道路段在天气、区域、道路、用户画像或车型等自由度下的历史旅行时长；

从路径样本信息中，提取在不同的天气、区域、道路、用户画像或车型等自由度下各道路段的历史旅行时长。

所述获取所述导航路径的实际旅行时长，并根据所述导航路径的预测旅行时长和实际旅行时长进行回归计算，得到目标融合因子和各路口行驶模型对应的路口目标行驶时长，并生成eta模型，包括：

获取所述导航路径在天气、区域、道路、用户画像或车型等自由度下的实际旅行时长；

从路径样本信息中，提取在不同的天气、区域、道路、用户画像或车型等自由度下各道路段的实际旅行时长。

根据所述导航路径的预测旅行时长和实际旅行时长进行回归计算，得到在天气、区域、道路、用户画像或车型等自由度下的目标融合因子和各路口行驶模型对应的路口目标行驶时长、并生成eta模型。

为了实现eta模型的定制化生成，可以针对待生成的eta模型参量按模型的使用场景进行多自由度的拓展，例如在训练融合因子时，可以增加时间段(如早、晚高峰期、闲暇时段)、区域(如不同城市)、天气(大风、雨雪)、用户画像(如年龄段、性别、驾龄等)、车型(如货车、客车、出租车等)、道路类型(如高速路、省道、乡道等)等多个自由度；在训练路口行驶时长时，可以增加时间段(如早、晚高峰期、闲暇时段)、路口复杂度(由红绿灯个数、路口面积、路口的岔口个数等进行评估)、转向动作等多个自由度的模型参量进行训练生成，从而使得生成得到的目标融合因子和各路口行驶模型对应的路口目标行驶时长更符合多情景定制化的需求，使得eta模型计算结果更加准确。

实施例五：

本发明实施例提供了一种eta模型示意图。如图2中所示，该eta模型包括两部分：eta模型生成部分和eta模型预测部分。

eta模型生成部分主要基于现有路径样本信息对用于训练给定路径的eta模型中的融合因子和路口行驶时长两类模型参量进行训练得到它们的最优解，并生成eta模型。其中，融合因子用于预测道路段旅行时长，将一条完整导航路径包括的各个道路段旅行时长和各个路口行驶时长相加即可得到整个导航路径的旅行时长。

如图中所示，在eta模型生成部分，首先获取用于模型训练的路径样本信息，该路径样本信息可包括：导航路径包含的道路段、导航路径对应的实际旅行时长以及经过各个道路段的旅行时段等信息。基于路径样本信息可以统计出各道路段对应的历史旅行时长及各道路段在所属导航路径旅行起始时刻的路况下的实时旅行时长。

针对历史旅行时长的统计，例如，根据特征日(周一到周日)和时间段区间(如10分钟为一个时间段区间，一天共划分为144个时间段区)，对过去设定周内(如12周内)各特征日的各时间段区间内全部车辆通过该道路段的旅行时长求取平均值，作为该道路段在各特征日的各时间段区间对应的历史旅行时长的平均值。

通过上述计算，各个道路段对应有144×7＝1008个历史旅行时长的平均值(各个道路段对应7天×24小时×6个时间段区间(1小时包括6个10分钟的时间段区间)。

对应的，根据路径样本信息获取进入所述导航路径中各道路段的时间段区间，可以得到如星期三的第二个时间段区(星期三0点10分到0点20分)，并从上述1008个历史旅行时长的平均值中查询该道路段时间段区间相匹配的历史旅行时长的平均值，作为该道路段的历史旅行时长。

针对当前路况下的实时旅行时长的统计，可以在该道路段所属导航路径的旅行起始时刻由交通部分发布的路况信息中获悉。例如，一条导航路径包含多个道路段，在该导航路径的旅行起始时刻由实时交通服务或者政府机构发布的路况信息中可以得到关于路径中包含各道路段的旅行时长，该旅行时长即为该道路段对应的在旅行起始时刻路况下的实时旅行时长。根据道路段所属导航路径的旅行起始时刻的不同，同一道路段可以有多个导航路径的旅行起始时刻实时路况下的实时旅行时长。

在预测导航路径中各道路段的预测旅行时长时，可以根据该道路段在导航路径中所处的时长区间(旅行时段)设置对应的融合因子，该时长区间指的是自旅行起始时刻到进入到各道路段时刻之间的时长区间。可以预先划分至少一个时长区间，并为各时长区间设置对应的融合因子。

所述融合因子用于评价各道路段的预测旅行时长中历史旅行时长和在旅行起始时刻时的实时路况下的实时旅行时长的权重。

可以针对不同的时长区间分别设置不同融合因子，例如可以从旅行起始时间开始每5分钟记为一个时长区间，并设置相应的融合因子k。该融合因子k在评价相应时长区间中通过道路段的预测旅行时长中历史旅行时长和实时旅行时长的权重均大于0，即通过两个时间时长的综合值来得到道路段的预测旅行时长。通过设置融合因子可调节不同旅行时段中通过某条道路段的实际旅行时长中历史旅行时长和当前路况下的实时旅行时长的权重。

随着旅行时长的推移，在导航路径中各道路段的预测旅行时长中，历史旅行时长所占权重会越来越大，实时旅行时长所占权重会越来越小，这符合实际交通运行的规律，即当旅行时段越靠前时，道路段的实际旅行时长更趋向于旅行起始时刻路线下的实时旅行时长；当旅行时段越靠后时，道路段的实际旅行时长更趋向于历史旅行时长。

例如，融合因子作为待eta模型训练过程中待拟合的参数，可以为从旅行起始时刻开始的每5分钟的时长区间各设置一个融合因子，这样在旅行起始时刻开始的前1个小时内，对应的融合因子共有12个，即k1、k2、k3、k4、k5、k6、k7、k8、k9、k10、k11、k12，分别对应于0～5分钟、5～10分钟、10～15分钟、15～20分钟、20～25分钟、25～30分钟、30～35分钟、35～40分钟、40～45分钟、45～50分钟、50～55分钟、55～60分钟的12个时长区间。其中，时长区间也可以不同，时长区间与k的值可以为线性关系或者非线性关系。

根据各道路段在旅行起始时刻路况下的实时旅行时长或者各道路段的历史旅行时长，可以得到用户进入导航路径的某个道路段的预计时间点。

例如，当用户进入导航路径的某个道路段的预计时间点是自旅行起始时刻的13分钟之后，属于上述10～15分钟的时长区间，那么该道路段的预测旅行时长可为：

(1-k3)×实时旅行时长+k3×历史旅行时长………(4)

其中，k3为10～15分钟的时长区间对应的融合因子；

又例如，当用户进入导航路径中某道路段的预计时间点是自旅行起始时刻的48分钟之后，属于上述45～50分钟的时长区间，那么该道路段的预测旅行时长可为：

(1–k10)×实时旅行时长+k10×历史旅行时长……(5)

如图2中所示，predicted_link_travle_time为各道路段的预测旅行时长、sp_travel_time为各道路段的历史旅行时长、autolr_travel_time为各道路段所属导航路径的旅行起始时刻的实时路况下的实时旅行时长。

其中，k10为45～50分钟的时长区间对应的融合因子。

通过设置融合因子可调节不同时长区间中通过某条道路段的预测旅行时长中历史旅行时长和实时旅行时长的权重。在实际应用中，用于调节历史旅行时长和实时旅行时长的权重的公式，不限于式(4)和(5)的形式。

当所述旅行时段(时长区间)大于1小时之后，可以自动设置相应旅行时段内的ki(i大于等于13)为常量，以使得预测的1小时之后各道路段的预测旅行时长中实时旅行时长的权重为0。例如，以式(4)为例，可将1小时之后旅行时段内的融合因子k设置为常量1，这样预测得到自旅行起始时刻1小时之后的各道路段的预测旅行时长中只包括历史旅行时长。

在上述方案技术基础上，获取自旅行起始时刻到进入各道路段的时长，根据所述时长，查询各道路段对应时长所在的时长区间对应的融合因子作为预设的融合因子，并且利用所述预设的融合因子，对所述各道路段的历史旅行时长和实时旅行时长进行融合操作，得到所述各道路段的预测旅行时长。

路口行驶模型可以包括：预先根据路口复杂度、路口转向动作和进入路口时间段区间等自由度建立路口行驶模型，预测各路口行驶模型对应的预测行驶时长。

所述路口复杂度可以按照路口所在的道路的车道数量(进入路口前所在道路的车道数和驶出路口后所在道路的车道数)、红绿灯数量等分为多个复杂度，如简单路口、一般复杂路口、较复杂路口和特别复杂路口等4个复杂度。

路口转向动作可以与路口转向角度关联，路口转向角度是指车辆进入路口前所在道路与驶出路口后所在道路夹角，可以分为多个角度区间，如0°～15°、15°～30°、30°～45°、45°～90°等。如，可以划分为15个路口转向动作。

进入路口时间段区间可以根据交通流量情况划分，如按时间段将22点～6点统一代表凌晨区间，将6点～22点之间以2个小时为单位拆分为8个区间，共计得到9个时间段区间来代表红绿灯配时、交通流量等在全天中的变化情况。

以上共计可以得到4个复杂度×15个路口转向动作×9个时间段区间等于540个路口行驶模型的自由度。当然，还可以设置天气、区域、用户画像等自由度进行训练，生成情境化的eta模型。

导航路径的预测旅行时长等于所述导航路径中包括的各道路段的预测旅行时长和各路口对应的路口预测行驶时长之和。

如图所示：eta为导航路径的预测旅行时长、actual_total_travel_time为导航路径的实际旅行时长、predicted_transition_time为各路口预测行驶时长。

基于上述方法即可得到eta模型中的两类重要自由度模型参数：目标融合因子和各路口行驶模型对应的路口目标行驶时长。基于该目标融合因子和各路口行驶模型对应的路口目标行驶时长生成的eta模型，预测的所述导航路径的预测旅行时长和实际旅行时长最接近。

本实施例可通过最小二乘的损失函数去回归用户轨迹的实际旅行时长，利用梯度下降法求解各个模型参量的取值。每条用户轨迹的实际旅行时长作为真值，其路径的eta则可通过上述方法表达为12个融合因子与540个路口行驶模型的行驶时长的线性组合。由于各个路口行驶模型出现的频次差异较大，例如左转调头比例相对直行或者左右转比例很低，通常需要250万以上条路径样本信息才能获得稳定的解。最后，可针对每个城市的路径样本单独进行上述训练和eta模型生成，相当于实现城市级eta模型定制化。

本发明实施例提供的eta模型生成方法，在进行模型训练时，根据路径中包含的各道路段对应的旅行时段，设置各旅行时段对应的融合因子，以调节在预测某条道路段的实际旅行时长中历史旅行时长和当前路况下的实时旅行时长的权重，然后将基于融合因子得到的道路段上的旅行时长和经过路口的旅行时长的和值经回归算法的计算，使其与相应路径上的实际旅行时长进行匹配，得到预计到达时间模型中的两类模型参量，即融合因子和路口行驶时长。基于这两个模型参量对待预测路径的预计到达时间进行预测，可提高预测结果的准确性，同时，由于模型为机器学习化模型，因此训练成本低、上线预测速度快。

基于图2所示的eta模型示意图，图3为本发明实施例提供的eta预测系统结构图。如图3所示，该系统包括：模型训练装置310和模型预测装置320。其中：

模型训练装置310，用于基于路径样本信息训练生成预计到达时间模型，主要是求解eta模型中的两类模型参量，即融合因子和路口行驶时长的最优解。

模型预测装置320，用于利用模型训练装置310训练生成的eta模型，对待预测的路径信息进行预测，得到该路径对应的预计到达时间。

实施例六：

如图4所示，为本发明实施例的eta预测方法流程示意图。本方案的执行主体可为图2中所示的模型预测装置。如图6所示，该eta预测方法包括如下步骤：

s410，获取待预测路径所包含的道路段以及路口的信息。

例如，当用户需要地图导航时，可以输入起始位置和终点位置，然后由导航系统自动计算得到从起始位置到终点位置的多条路径，并提取每条路径的道路段和路口的信息。

s420，获取预测时刻道路段对应的当前路况下的实时旅行时长。

将预测时刻由交通部门发布的路口信息中提取的待预测路径中每条道路段的预测旅行时长作为响应道路段对应的当前路况下的实时旅行时长。

s430，采用eta模型训练方法得到的各旅行时段对应的所述融合因子和路口行驶时长预测待预测路径的旅行时长。

根据实施例一或实施例二中所示的模型训练方法所得到的在预测路径的eta时所需的各旅行时段对应的融合因子和路口行驶时长预测待预测路径的旅行时长。具体预测过程可参考上述模型训练的描述内容。

需要说明的是，在训练eta模型和利用eta模型预测路径的eta时，均可利用随时间推演(timedependentrouting，tdr)的路径规划算法来实现完成。

本发明提供的eta预测方法，采用机器学习化模型，通过联合优化可同时获得全部参数(融合因子和路口行驶时长)的最优解；自由度参数可灵活扩展，支持多面定制化；道路段的旅行时长预测模型是线性融合模型，结构简单，可通过多个融合因子参数描述，空间存储资源占用极低，时间上计算成本极低，仅为若干个时钟周期，因此可支持单机加载及运算，适合大规模的工业级应用；模型训练基于link级局域特征的模型，因此可以通过回归得到单link的未来路况信息以及每个转向动作的未来通行时间成本，这些元素正是基于图论算法的路径规划引擎的基本输入，可实现模型之间的友好兼容。

实施例七：

如图5所示，为本发明实施例的eta模型的生成装置结构图一，该eta模型的生成装置可设置在图3所示的预计到达时间预测系统中，该eta模型用于预测导航路径的到达时间，导航路径包括至少一个道路段和至少一个路口，用于执行如图1所示的方法步骤，其包括：

历史旅行时长获取模块510，用于获取导航路径中包括的各道路段的历史旅行时长；

实时旅行时长获取模块520，用于获取各道路段在旅行起始时刻路况下的实时旅行时长；

道路段预测旅行时长获取模块530，用于利用预设的融合因子，对各道路段的历史旅行时长和实时旅行时长进行融合操作，得到各道路段的预测旅行时长；

路口预测行驶时长获取模块540，用于预先建立路口行驶模型，各路口行驶模型对应有路口预测行驶时长，并且根据导航路径中各路口行驶路径对应的路口行驶模型，获取各路口对应的路口预测行驶时长；

导航路径预测旅行时长获取模块550，用于根据导航路径中包括的各道路段的预测旅行时长和各路口对应的路口预测行驶时长，获取导航路径的预测旅行时长；

导航路径实际旅行时长获取模块560，用于获取导航路径的实际旅行时长；

eta模型生成模块570，用于根据导航路径的预测旅行时长和实际旅行时长进行回归计算，得到目标融合因子和各路口行驶模型对应的路口目标行驶时长，并生成eta模型。

进一步地，如图6所示，在图5所示装置的基础上，还可包括：

融合因子设置模块610，用于预先划分至少一个时长区间，并为各时长区间设置对应的融合因子；

融合因子查询模块620，用于获取旅行起始时刻请求到进入各道路段的时长，根据所述时长，查询各道路段对应时长所在的时长区间对应的融合因子作为预设的融合因子。

进一步地，如图7所示，在图5所示装置的基础上，还可包括：

路口行驶模型建立模块710，用于预先根据路口复杂度、路口转向动作和进入路口时间段区间，建立路口行驶模型，其中每个路口行驶模型对应有路口预测行驶时长。

进一步地，如图8所示，上述历史旅行时长获取模块510可包括：

历史旅行时长平均值获取单元810，用于获取路径样本信息，并根据从路径样本信息中获取各道路段在预先划分的各时间段区间内的历史旅行时长的平均值；

时间段区间获取单元820，用于获取进入所述导航路径中各道路段的时间段区间；

历史旅行时长获取单元830，用于根据所述进入所述导航路径中各道路段的时间段区间，查询该道路段对应时间段区间内的历史旅行时长的平均值，作为该道路段的历史旅行时长。

进一步地，上述历史旅行时长获取模块510，还包括第一定制化单元，用于获取导航路径中包括的各道路段在天气、区域、道路、用户或车型自由度下的历史旅行时长；

进一步地，上述导航路径实际旅行时长获取模块560，还包括第二定制化单元，用于获取导航路径在天气、区域、道路、用户或车型自由度下的实际旅行时长；

进一步地，eta模型生成模块570，还包括第三定制化单元，用于根据所述导航路径的预测旅行时长和实际旅行时长进行回归计算，得到在天气、城市、道路或车型自由度下的目标融合因子和各路口行驶模型对应的路口目标行驶时长、并生成eta模型。

本发明实施例提供的eta模型的生成装置，在进行模型训练时，根据路径中包含的各道路段对应的旅行时段，设置各旅行时段对应的融合因子，以调节在预测某条道路段的实际旅行时长中历史旅行时长和当前路况下的实时旅行时长的权重，然后将基于融合因子得到的道路段上的旅行时长和经过路口的旅行时长的和值经回归算法的计算，使其与相应路径上的实际旅行时长进行匹配，得到预计到达时间模型中的两类模型参量，即融合因子和路口行驶时长。基于这两个模型参量对待预测路径的预计到达时间进行预测，可提高预测结果的准确性，同时，由于模型为机器学习化模型，因此训练成本低、上线预测速度快。

进一步地，依据各道路段的旅行时长中当前路况下的实时旅行时长与历史旅行时长的权重比例随旅行时间的推演规律，灵活设置融合因子，降低模型训练的复杂度。

进一步地，为了实现模型的定制化训练，针对待训练的模型参量按模型的使用场景进行多自由度的拓展，以满足对不同应用场景下的eta预测的准确度。

实施例八：

如图9所示，为本发明实施例的eta预测装置结构图一，该eta预测装置可设置在图3所示的预计到达时间预测系统中，用于执行如图4所示的方法步骤，其包括：

道路段和路口获取单元910，用于获取导航路径包括的各道路段和各路口；

实时路况获取单元920，用于获取各道路段实时路况信息；

时间获取单元930，用于获取eta的请求发出时间；

eta模块940，用于将导航路径的各道路段、各路口、各道路段路况信息以及eta的请求发出时间输入到如上所述的eta模型，并获取所述eta模型输出的到达时间。

本发明提供的eta预测装置，采用机器学习化模型，通过联合优化可同时获得全部参数(融合因子和路口行驶时长)的最优解；自由度参数可灵活扩展，支持多面定制化；道路段的旅行时长预测模型是线性融合模型，结构简单，可通过多个融合因子参数描述，空间存储资源占用极低，时间上计算成本极低，仅为若干个时钟周期，因此可支持单机加载及运算，适合大规模的工业级应用；模型训练基于link(道路段)级局域特征的模型，因此可以通过回归得到单link的未来路况信息以及每个转向动作的未来通行时间成本，这些元素正是基于图论算法的路径规划引擎的基本输入，可实现模型之间的友好兼容。

实施例九：

前面描述了eta模型生成装置的整体架构，该装置的功能可借助一种电子设备实现完成，如图10所示，其为本发明实施例的电子设备的结构示意图，具体包括：存储器101和处理器102。

存储器101，用于存储程序。

除上述程序之外，存储器101还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。

存储器101可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

处理器102，耦合至存储器101，用于执行存储器101中的程序，以用于：

获取所述导航路径中包括的各道路段的历史旅行时长；

获取所述各道路段在实时路况下的实时旅行时长；

利用预设的融合因子，对所述各道路段的历史旅行时长和实时旅行时长进行融合操作，得到所述各道路段的预测旅行时长；

预先建立路口行驶模型，各路口行驶模型对应有路口预测行驶时长，根据所述导航路径中各路口行驶路径对应的路口行驶模型，获取各路口对应的路口预测行驶时长；

根据所述导航路径中包括的各道路段的预测旅行时长和各路口对应的路口预测行驶时长，获取所述导航路径的预测旅行时长；

获取所述导航路径的实际旅行时长，并根据所述导航路径的预测旅行时长和实际旅行时长进行回归计算，得到目标融合因子和各路口行驶模型对应的路口目标行驶时长，并生成eta模型。

上述的具体处理操作已经在前面实施例中进行了详细说明，在此不再赘述。

进一步，如图10所示，电子设备还可以包括：通信组件103、电源组件104、音频组件105、显示器106等其它组件。图10中仅示意性给出部分组件，并不意味着电子设备只包括图10所示组件。

通信组件103被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件103经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件103还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

电源组件104，为电子设备的各种组件提供电力。电源组件104可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。

音频组件105被配置为输出和/或输入音频信号。例如，音频组件105包括一个麦克风(mic)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器101或经由通信组件103发送。在一些实施例中，音频组件105还包括一个扬声器，用于输出音频信号。

显示器106包括屏幕，其屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。

实施例十：

前面描述了eta预测装置的整体架构，该装置的功能可借助一种电子设备实现完成，如图11所示，其为本发明实施例的电子设备的结构示意图，具体包括：存储器111和处理器112。

存储器111，用于存储程序。

除上述程序之外，存储器111还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。

存储器111可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

处理器112，耦合至存储器111，用于执行存储器111中的程序，以用于：

获取导航路径包括的各道路段和各路口；

获取所述各道路段实时路况信息；

获取eta的请求发出时间；

将所述导航路径的各道路段、各路口、各道路段路况信息以及eta的请求发出时间输入到如权利要求1～5所述的eta模型，获取所述eta模型输出的到达时间。

上述的具体处理操作已经在前面实施例中进行了详细说明，在此不再赘述。

进一步，如图11所示，电子设备还可以包括：通信组件113、电源组件114、音频组件115、显示器116等其它组件。图11中仅示意性给出部分组件，并不意味着电子设备只包括图11所示组件。

通信组件113被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件113经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件113还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

电源组件114，为电子设备的各种组件提供电力。电源组件114可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。

音频组件115被配置为输出和/或输入音频信号。例如，音频组件115包括一个麦克风(mic)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器111或经由通信组件113发送。在一些实施例中，音频组件115还包括一个扬声器，用于输出音频信号。

显示器116包括屏幕，其屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。