通行时长预测方法和装置、存储介质及电子设备与流程

本发明涉及计算机领域，具体而言，涉及一种通行时长预测方法和装置、存储介质及电子设备。

背景技术：

相关技术中，用户可以使用地图导航等功能来进行路况预测和预计到达时间(道路通过时长，etas)，通过地图导航等功能提供路况预测、预计到达时间以及基于旅程持续时间的价格估算。

但如果预测达到时间存在较大偏差，很可能会影响出行计划，例如当用户遇到交通堵塞时，或者需要去参加一个重要会议时，会影响用户计划。

为了计算etas，需要分析各地路段的实时交通数据，虽然实时交通数据提供了当前交通状况信息，但是并未考虑在导航过程中发生的其他状况，例如，在开车10、30或60分钟后可能面临的交通状况，进而，导致etas预测不准确。此外，道路质量、限速、事故和封闭等其他因素也会增加预测的复杂性。

针对上述的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种通行时长预测方法和装置、存储介质及电子设备，以至少解决由于通行时长预测方式复杂，导致确定道路通过时长的准确率太低的技术问题。

根据本发明实施例的一个方面，提供了一种通行时长预测方法，包括：

获取第一路段的路段图以及所述第一路段上的交通信息，其中，所述第一路段与第一目标图神经网络具有对应关系，所述第一路段为道路网络中的路段，所述第一路段的路段图用于表示所述第一路段包括的第一组道路分段和所述第一组道路分段中的第一道路分段之间的连接关系；

将所述第一路段的路段图以及所述第一路段上的交通信息输入到所述第一目标图神经网络，得到所述第一目标图神经网络输出的第一通行时长；

根据所述第一通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，其中，从所述第一起点到所述第一终点经过所述第一路段。

可选地，所述将所述第二路段的路段图以及所述第二路段上的交通信息输入到所述第二目标图神经网络，共得到所述第二目标图神经网络输出的第二通行时长，包括：

根据输入的所述第二路段的路段图以及所述第二路段上的交通信息，确定所述第二路段的所述路段图中包括的第二节点的特征、以及所述第二路段的所述路段图中包括的第二边的特征，其中，所述第二节点与所述第二路段中的第二道路分段具有一一对应的关系，所述第二节点表示所述第二组道路分段中对应的一个道路分段，所述第二边连接两个所述第二节点，表示所述第二节点对应的两个第二道路分段相连，所述第二道路分段为所述第二组道路分段中的道路分段，用于表示所述第二路段中的部分路段；

根据所述第二节点的特征和所述第二边的特征，确定所述第二节点的隐藏状态；

根据所述第二节点的隐藏状态，确定所述第二通行时长。

可选地，所述根据所述第二节点的特征和所述第二边的特征，确定所述第二节点的隐藏状态，包括：

根据当前节点的特征、与所述当前节点相邻的边的特征、所述当前节点的邻居节点的特征、所述当前节点的所述邻居节点在当前时刻上的隐藏状态，确定所述当前节点在下一时刻上的隐藏状态，其中，所述第一节点包括所述当前节点和所述当前节点的所述邻居节点。

可选地，所述根据所述第一通行时长和所述第二通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，包括：

在所述第一起点包括所述第二路段的起点，所述第一终点包括所述第二路段的终点的情况下，将从所述一组路段中的第二路段的起点到所述第二路段的终点的预测通行时长确定为等于所述一组预测通行时长中对应的一个预测通行时长；和/或

在所述第一起点为所述一组路段中或者所述一组路段以及所述第一路段中的部分连续路段的起点，所述第一终点为所述部分连续路段的终点的情况下，将从所述道路网络中的所述第一起点到所述第一终点的预测通行时长确定为所述一组预测通行时长中对应的部分预测通行时长之和，其中，所述部分连续路段与所述部分预测通行时长具有一一对应的关系，所述部分预测通行时长中的每个预测通行时长为所述部分连续路段中对应的一个路段的预测通行时长；和/或

在所述第一起点为所述一组路段的起点，所述第一终点为所述一组路段的终点，所述一组路段为所述道路网络中连续的路段的情况下，将从所述道路网络中的所述第一起点到所述第一终点的预测通行时长确定为所述一组预测通行时长之和。

可选地，所述根据所述一组预测通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，包括：

在所述第一起点为所述一组路段中或者所述一组路段以及所述第一路段中的部分连续道路分段的起点，所述第一终点为所述部分连续道路分段中的终点的情况下，将从所述道路网络中的所述第一起点到所述第一终点的预测通行时长确定为所述一组预测通行时长中的部分预测通行时长之和，其中，所述部分连续道路分段与所述一组预测通行时长中的部分分段通过时长具有一一对应的关系，所述部分分段通过时长中的每个分段通过时长为所述部分连续道路分段中对应的一个道路分段的预测通行时长。

根据本发明实施例的另一方面，还提供了一种通行时长预测装置，包括：

获取模块，用于获取第一路段的路段图以及所述第一路段上的交通信息，其中，所述第一路段与第一目标图神经网络具有对应关系，所述第一路段为道路网络中的路段，所述第一路段的路段图用于表示所述第一路段包括的第一组道路分段和所述第一组道路分段中的第一道路分段之间的连接关系；

输入模块，用于将所述第一路段的路段图以及所述第一路段上的交通信息输入到所述第一目标图神经网络，得到所述第一目标图神经网络输出的第一通行时长；

确定模块，用于根据所述第一通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，其中，从所述第一起点到所述第一终点经过所述第一路段。

可选地，所述装置还用于：

根据样本路段的样本路段图、所述样本路段上的样本交通信息、以及所述样本路段的实际通过时长，对第一训练图神经网络进行训练，得到所述第一目标图神经网络，其中，所述第一训练图神经网络输出的样本通过时长与所述实际通过时长之间的损失函数的取值满足预设条件的情况下，结束对所述第一训练图神经网络进行的训练，将结束训练时的所述第一训练图神经网络确定为所述第一目标图神经网络。

可选地，所述装置还用于：

将所述第一通行时长与所述第一路段的实际通过时长进行比较，以更新所述第一目标图神经网络，其中，所述第一通行时长与所述实际通过时长之间的损失函数的取值满足预设条件的情况下，更新所述第一目标图神经网络。

可选地，所述装置还用于：

获取第二路段的路段图以及所述第二路段上的交通信息，其中，所述第二路段与第二目标图神经网络具有对应关系，所述第二路段的路段图用于表示所述第二路段包括的第二组道路分段和所述第二组道路分段中的道路分段之间的连接关系；

将所述第二路段的路段图以及所述第二路段上的交通信息输入到所述第二目标图神经网络，共得到所述第二目标图神经网络输出的第二通行时长；

所述根据所述第一通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，包括：根据所述第一通行时长和所述第二通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，其中，从所述第一起点到所述第一终点经过所述第一路段和所述第二路段。

可选地，所述装置用于通过如下方式将所述第二路段的路段图以及所述第二路段上的交通信息输入到所述第二目标图神经网络，共得到所述第二目标图神经网络输出的第二通行时长：

根据输入的所述第二路段的路段图以及所述第二路段上的交通信息，确定所述第二路段的所述路段图中包括的第二节点的特征、以及所述第二路段的所述路段图中包括的第二边的特征，其中，所述第二节点与所述第二路段中的第二道路分段具有一一对应的关系，所述第二节点表示所述第二组道路分段中对应的一个道路分段，所述第二边连接两个所述第二节点，表示所述第二节点对应的两个第二道路分段相连，所述第二道路分段为所述第二组道路分段中的道路分段，用于表示所述第二路段中的部分路段；

根据所述第二节点的特征和所述第二边的特征，确定所述第二节点的隐藏状态；

根据所述第二节点的隐藏状态，确定所述第二通行时长。

可选地，所述根据所述第二节点的特征和所述第二边的特征，确定所述第二节点中的每个节点的隐藏状态，包括：

根据当前节点的特征、与所述当前节点相邻的边的特征、所述当前节点的邻居节点的特征、所述当前节点的所述邻居节点在当前时刻上的隐藏状态，确定所述当前节点在下一时刻上的隐藏状态，其中，所述第一节点包括所述当前节点和所述当前节点的所述邻居节点。

可选地，所述装置用于通过如下方式根据所述一组预测通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长：

在所述第一起点包括所述第二路段的起点，所述第一终点包括所述第二路段的终点的情况下，将从所述一组路段中的第二路段的起点到所述第二路段的终点的预测通行时长确定为等于所述一组预测通行时长中对应的一个预测通行时长；和/或

在所述第一起点为所述一组路段中或者所述一组路段以及所述第一路段中的部分连续路段的起点，所述第一终点为所述部分连续路段的终点的情况下，将从所述道路网络中的所述第一起点到所述第一终点的预测通行时长确定为所述一组预测通行时长中对应的部分预测通行时长之和，其中，所述部分连续路段与所述部分预测通行时长具有一一对应的关系，所述部分预测通行时长中的每个预测通行时长为所述部分连续路段中对应的一个路段的预测通行时长；和/或

在所述第一起点为所述一组路段的起点，所述第一终点为所述一组路段的终点，所述一组路段为所述道路网络中连续的路段的情况下，将从所述道路网络中的所述第一起点到所述第一终点的预测通行时长确定为所述一组预测通行时长之和。

可选地，所述装置用于通过如下方式根据所述一组预测通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长：

在所述第一起点为所述一组路段中或者所述一组路段以及所述第一路段中的部分连续道路分段的起点，所述第一终点为所述部分连续道路分段中的终点的情况下，将从所述道路网络中的所述第一起点到所述第一终点的预测通行时长确定为所述一组预测通行时长中的部分预测通行时长之和，其中，所述部分连续道路分段与所述一组预测通行时长中的部分分段通过时长具有一一对应的关系，所述部分分段通过时长中的每个分段通过时长为所述部分连续道路分段中对应的一个道路分段的预测通行时长。

可选地，所述装置还用于：

在所述第一起点到所述第一终点的所述预测通行时长满足预设导航条件的情况下，将所述第一路段确定为从所述第一起点到所述第一终点的导航规划路线所经过的路段。

可选地，所述装置用于通过如下方式在所述第一起点到所述第一终点的所述预测通行时长满足预设导航条件的情况下，将所述第一路段确定为从所述第一起点到所述第一终点的导航规划路线所经过的路段：

在所述第一起点到所述第一终点的所述预测通行时长小于或等于预设时长阈值的情况下，将所述第一路段确定为从所述第一起点到所述第一终点的导航规划路线所经过的路段；或者

在所述第一起点到所述第一终点的所述预测通行时长是多个预测通行时长中的最小值的情况下，将所述第一路段确定为从所述第一起点到所述第一终点的导航规划路线所经过的路段，其中，所述多个预测通行时长与多个规划路段具有一一对应的关系，所述多个预测通行时长中的每个预测通行时长为所述多个规划路段中对应的一个规划路段的预测通行时长，所述多个规划路段包括所述第一路段，所述多个规划路段为从所述第一起点到所述第一终点的不同规划路线所分别经过的路段。

根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述通行时长预测方法。

根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过所述计算机程序执行上述的通行时长预测方法。

在本发明实施例中，采用获取第一路段的路段图以及第一路段上的交通信息，将第一路段的路段图以及第一路段上的交通信息输入到第一目标图神经网络，得到第一目标图神经网络输出的第一通行时长，根据第一通行时长，确定从道路网络中的第一起点到第一终点的预测通行时长的方式，通过从道路网络中获取第一路段的路段图以及第一路段的交通信息，以输入图神经网络，进而确定预测通行时长，达到了提高确定预测通行时长的准确率的目的，从而实现了优化用户的出行体验、提高预测通行时长的获取效率，为用户提供最优路线选择的技术效果，进而解决了由于通行时长预测方式复杂，导致确定道路通过时长的准确率太低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的通行时长预测方法的应用环境的示意图；

图2是根据本发明实施例的一种可选的通行时长预测方法的流程示意图；

图3是根据本发明实施例的另一种可选的通行时长预测方法的示意图；

图4是根据本发明实施例的又一种可选的通行时长预测方法的示意图；

图5是根据本发明实施例的又一种可选的通行时长预测方法的示意图；

图6是根据本发明实施例的又一种可选的通行时长预测方法的示意图；

图7是根据本发明实施例的又一种可选的通行时长预测方法的示意图；

图8是根据本发明实施例的又一种可选的通行时长预测方法的示意图；

图9是根据本发明实施例的又一种可选的通行时长预测方法的示意图；

图10是根据本发明实施例的又一种可选的通行时长预测方法的示意图；

图11据本发明实施例的又一种可选的通行时长预测方法的示意图；

图12据本发明实施例的又一种可选的通行时长预测方法的示意图；

图13据本发明实施例的又一种可选的通行时长预测方法的示意图；

图14据本发明实施例的又一种可选的通行时长预测方法的示意图；

图15据本发明实施例的又一种可选的通行时长预测方法的示意图；

图16根据本发明实施例的一种可选的通行时长预测装置的结构示意图；

图17根据本发明实施例的一种可选的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，在对本申请实施例进行描述的过程中出现的部分名词或者术语适用于如下解释：

人工智能：人工智能(artificialintelligence)，英文缩写为ai，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

机器学习：机器学习(machinelearning)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

神经网络：神经网络(artificialneuralnetworks，简写为anns)也简称为人工神经网络或称作连接模型(connectionmodel)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

深度学习：深度学习(deeplearning)概念源于人工神经网络的研究。通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

梯度：在微积分领域，对多元函数的参数求偏导数，求得的各个参数的偏导数以向量的形式描绘出来，即是梯度。比如函数f(x,y)，分别对x,y求偏导数，求得的梯度向量就是简称gradf(x,y)或者▽f(x,y)。对于在点(x0,y0)的具体梯度向量就是或者▽f(x0,y0)，如果是3个参数的向量梯度，就是以此类推。

梯度下降与梯度上升：在机器学习算法中，在最小化损失函数时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数，和模型参数值。反之，如果需要求解损失函数的最大值，则需利用梯度上升法进行迭代。

下面结合实施例对本发明进行说明：

根据本发明实施例的一个方面，提供了一种通行时长预测方法，可选地，在本实施例中，上述通行时长预测方法可以应用于如图1所示的由服务器101和用户终端103所构成的硬件环境中。如图1所示，服务器101通过网络与终端103进行连接，可用于为用户终端或用户终端上安装的客户端提供服务，客户端可以是交通出行客户端(如地图、导航等客户端)、即时通信客户端、浏览器客户端、教育客户端、游戏客户端等。可在服务器上或独立于服务器设置数据库105，用于为服务器101提供数据存储服务，例如，游戏数据存储服务器，上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、wifi及其他实现无线通信的网络，用户终端103可以是配置有导航应用的终端，可以包括但不限于以下至少之一：手机(如android手机、ios手机等)、笔记本电脑、平板电脑、掌上电脑、mid(mobileinternetdevices，移动互联网设备)、pad、台式电脑、智能电视、可穿戴设备、车载终端等计算机设备，上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器，应用107通过用户终端103进行显示，可通过终端上配置的例如用于导航的应用107的入口，在应用107上为显示上述预测通行时长，上述仅是一种示例，本实施例中对此不作任何限定。

结合图1所示，上述通行时长预测方法可以在服务器101通过如下步骤实现：

s1，服务器101从数据库105和/或用户终端103获取第一路段的路段图以及第一路段上的交通信息，其中，第一路段与第一目标图神经网络具有对应关系，第一路段为道路网络中的路段，第一路段的路段图用于表示第一路段包括的第一组道路分段和第一组道路分段中的第一道路分段之间的连接关系；

s2，在服务器101中将第一路段的路段图以及第一路段上的交通信息输入到第一目标图神经网络，得到第一目标图神经网络输出的第一通行时长；

s3，在服务器101中根据第一通行时长，确定从道路网络中的第一起点到第一终点的预测通行时长，其中，从第一起点到第一终点经过第一路段。

可选地，在本实施例中，上述通行时长预测还可以通过包括但不限于配置于计算能力足够的客户端使用。

可选地，在本实施例中，上述通行时长预测方法可以包括但不限于由服务器101和用户终端103异步使用，换言之，可以包括但不限于在服务器101中将第一路段的路段图以及第一路段上的交通信息输入到第一目标图神经网络，得到第一目标图神经网络输出的第一通行时长，在用户终端103中根据第一通行时长，确定从道路网络中的第一起点到第一终点的预测通行时长，或者，可以包括但不限于在用户终端103中将第一路段的路段图以及第一路段上的交通信息输入到第一目标图神经网络，得到第一目标图神经网络输出的第一通行时长，在服务器101中获取上述第一通行时长，并在服务器101中根据第一通行时长，确定从道路网络中的第一起点到第一终点的预测通行时长。

上述仅是一种示例，本实施例不做具体的限定。

可选地，作为一种可选的实施方式，如图2所示，上述通行时长预测方法包括：

s202，获取第一路段的路段图以及第一路段上的交通信息，其中，第一路段与第一目标图神经网络具有对应关系，第一路段为道路网络中的路段，第一路段的路段图用于表示第一路段包括的第一组道路分段和第一组道路分段中的第一道路分段之间的连接关系；

s204，将第一路段的路段图以及第一路段上的交通信息输入到第一目标图神经网络，得到第一目标图神经网络输出的第一通行时长；

s206，根据第一通行时长，确定从道路网络中的第一起点到第一终点的预测通行时长，其中，从第一起点到第一终点经过第一路段。

可选地，在本实施例中，上述通行时长预测方法的应用场景可以包括但不限于外卖应用场景、快递物流应用场景、地图导航应用场景、网约车应用场景、出租车应用场景，以及游戏应用场景等需要确定道路通过时长的应用场景，或者可以包括但不限于上述多种应用场景的组合。

图3是根据本发明实施例的一种可选的通行时长预测方法的示意图，上述第一路段可以包括但不限于如图3所示。

其中，道路网络302可以包括但不限于由一个或多个路段组成，以图3为例，可以包括但不限于第一路段304以及其他路段306组成，将道路网络302中的道路划分至多个路段中，以得到上述第一路段，上述路段的划分方式可以包括但不限于根据预设的地图信息进行划分，划分的规则可以由工作人员根据实际需要或者设备的计算能力进行灵活调整，例如，可以包括但不限于按照交通密度的比例随机采样。

在上述第一路段304中还可以包括但不限于上述道路分段308，上述第一路段304中包括一个或多个道路分段308，组成上述第一组道路分段。

图4是根据本发明实施例的一种可选的通行时长预测方法的示意图，上述第一路段对应的路段图可以包括但不限于如图4所示。

其中，图4-1中示出了第一路段402中包括的一组道路分段，例如，道路分段404、道路分段406以及道路分段408，获取一组道路分段中各个道路分段之间的关系，例如，上述道路分段404与道路分段406在同一条道路410上连续，道路分段406与道路分段408通过交叉路口412连接，生成如图4-2所示的上述第一路段对应的路段图414，其中，路段图414中的一个节点表示一个道路分段，一个边表示所连接的道路分段的交通信息。

需要说明的是，上述图4中示出的节点a即为上述第一起点的一种示例，节点b即为上述第一终点的一种示例。

可选地，在本实施例中，上述第一路段上的交通信息可以包括但不限于第一路段的车流量信息、第一路段的红绿灯信息、第一路段的上下班高峰时间、第一路段的道路质量、限速、事故和封闭等其他信息。

上述仅是一种示例，本实施例不做具体的限定。

可选地，在本实施例中，上述第一路段与第一目标图神经网络具有对应的关系可以包括但不限于为上述道路网络中每个路段分别配置上述目标图神经网络，或者，为上述道路网络中预设的部分路段配置上述目标图神经网络，每一个路段对应一个目标图神经网络。

可选地，在本实施例中，上述预设的地图信息可以包括但不限于从导航应用所对应的服务器或数据库中获取到的地图信息，或者，通过gps、北斗等卫星定位系统测量得到的地图信息，或者，由运营人员根据实际需要人工添加的预设地图信息。

可选地，在本实施例中，上述第一组道路分段中的道路分段之间的连接关系可以包括但不限于在同一个道路上相连接的道路分段，共享同一个路口的道路分段等。

可选地，在本实施例中，上述目标图神经网络可以包括但不限于根据样本路段和样本交通信息以及实际通过时长对初始图神经网络进行训练，所得到的目标图神经网络，上述图神经网络可以包括但不限于图卷积神经网络。

可选地，在本实施例中，上述第一通行时长可以包括但不限于第一路段中每个道路分段的预测通行时长，还可以包括但不限于第一路段中任意一个道路分段至任意其他一个道路分段的预测通行时长，还可以包括但不限于不同路段之间的预测通行时长。

可选地，在本实施例中，上述第一起点和上述第一终点可以包括但不限于在app、网页、小程序等应用程序中人为输入，或者，根据导航地图自动确定。

可选地，在本实施例中，上述第一路段为从第一起点到第一终点所经过的路段可以包括但不限于如图5所示，其中，第一路段502为图5中示出的路段，而上述第一起点到第一终点可以包括但不限于三种情况：

1、上述第一起点和第一终点分别位于上述第一路段的边界，如图5-1所示；

2、上述第一起点和第一终点分别位于上述第一路段的外侧，如图5-2所示；

3、上述第一起点和第一终点分别位于上述第一路段的内侧，如图5-3所示。

需要说明的是，还可以包括但不限于上述第一起点和第一终点分别位于第一路段的内侧和外侧。

上述仅是一种示例，本实施例不做具体的限定。

通过本实施例，采用获取第一路段的路段图以及第一路段上的交通信息，将第一路段的路段图以及第一路段上的交通信息输入到第一目标图神经网络，得到第一目标图神经网络输出的第一通行时长，根据第一通行时长，确定从道路网络中的第一起点到第一终点的预测通行时长的方式，通过从道路网络中获取第一路段的路段图以及第一路段的交通信息，以输入图神经网络，进而确定预测通行时长，达到了提高确定预测通行时长的准确率的目的，从而实现了优化用户的出行体验、提高预测通行时长的获取效率，为用户提供最优路线选择的技术效果，进而解决了由于通行时长预测方式复杂，导致确定道路通过时长的准确率太低的技术问题。

作为一种可选的方案，所述将所述第一路段的路段图以及所述第一路段上的交通信息输入到所述第一目标图神经网络，得到所述第一目标图神经网络输出的第一通行时长，包括：

s1，根据输入的所述第一路段的路段图以及所述第一路段上的交通信息，确定所述路段图中包括的第一节点的特征、以及所述路段图中包括的第一边的特征，其中，所述第一节点与第一道路分段具有一一对应关系，所述第一节点表示所述第一组道路分段中对应的一个道路分段，所述第一边连接两个所述第一节点，表示两个所述第一节点对应的两个第一道路分段相连，所述第一道路分段为所述第一组道路分段中的道路分段，用于表示所述第一路段中的部分路段；

s2，根据所述第一节点的特征和所述第一边的特征，确定所述第一节点的隐藏状态；

s3，根据所述第一节点的隐藏状态，确定所述第一通行时长。

可选地，在本实施例中，上述第一节点的特征可以包括但不限于该节点的交通信息，上述第一边的特征用于表示多个第一节点之间的邻接关系。

可选地，在本实施例中，上述第一节点的隐藏状态由上述目标图神经网络得到，第一节点的隐藏状态包括来自第一节点的邻居节点的信息，还可以包括但不限于不同时刻的邻居节点的信息。

可选地，在本实施例中，可以包括但不限于通过上述图神经网络采用迭代式更新上述第一组节点的隐藏状态来实现，以当前节点为节点v，当前时刻为t时刻，下一时刻为t+1时刻为例，在t+1时刻，节点v的隐藏状态按照如下方式更新：

其中，f表示上述隐藏状态的更新函数(局部转移函数)，用于基于邻居节点确定上述每个节点的隐藏状态，xv表示节点v的特征，xco[v]表示与节点v连接的边的特征，xne[v]表示节点v的邻居节点的特征，表示节点v的邻居节点在t时刻的隐藏状态。

例如，在导航应用场景中，通过跨多个交叉路口，采用上述目标图神经网络获得预测转弯时延、合并时延以及走走停停交通中总遍历时间的能力。

需要说明的是，可以包括但不限于利用神经网络拟合f，以使得f变为固定参数，实现持续更新上述每个节点的隐藏状态。

通过本实施例，采用根据输入的第一路段的路段图以及第一路段上的交通信息，确定路段图中包括的第一节点的特征、以及路段图中包括的第一边的特征，其中，第一节点与第一道路分段具有一一对应关系，第一节点表示第一组道路分段中对应的一个道路分段，第一边连接两个第一节点，表示两个第一节点对应的两个第一道路分段相连，第一道路分段为第一组道路分段中的道路分段，用于表示第一路段中的部分路段，根据第一节点的特征和第一边的特征，确定第一节点的隐藏状态，根据第一节点的隐藏状态，确定第一通行时长的方式，在确定第一通行时长的过程中，融合了第一组节点以及第一组节点的邻居节点的特征，通过邻居节点相互传递信息，以增加局部偏差，进而，更有效地使得目标图神经网络能够利用道路网络的连通性结构，提高预测能力，达到优化确定道路通过时长的准确率的技术效果，解决相关技术中存在的确定道路通过时长的准确率较低的技术问题。

作为一种可选的方案，所述根据所述第一节点的特征和所述第一边的特征，确定所述第一节点的隐藏状态，包括：

根据当前节点的特征、与所述当前节点相邻的边的特征、所述当前节点的邻居节点的特征、所述当前节点的所述邻居节点在当前时刻上的隐藏状态，确定所述当前节点在下一时刻上的隐藏状态，其中，所述第一节点包括所述当前节点和所述当前节点的所述邻居节点。

可选地，在本实施例中，以当前节点为节点v，当前时刻为t时刻，下一时刻为t+1时刻为例，上述根据节点v的特征、与节点v相邻的边的特征、节点v的邻居节点的特征、节点v的邻居节点在第t时刻上的隐藏状态，确定节点v在t+1时刻上的隐藏状态可以包括但不限于如下内容：

图6是根据本发明实施例的又一种可选的通行时长预测方法的示意图，其中，假设节点5为上述节点v，其隐藏状态的更新函数如图6所示，包括但不限于如下公式：

h5＝f(x5，x(3，5)，x(5，6)，h3，h6，x3，x6)

上述公式中，x5表示节点5的特征、x(3,5)表示节点5和其邻居节点3的边的特征，x(5,6)表示节点5和其邻居节点6的边的特征，x3，x6分别表示邻居节点3和邻居节点6的特征，h3和h6分别表示节点5的邻居节点3在第t时刻上的隐藏状态以及邻居节点6在t时刻上的隐藏状态。

需要说明的是，利用当前时刻邻居节点的隐藏状态作为部分输入来生成下一时刻节点v的隐藏状态，直到每个节点的隐藏状态变化幅度很小，整个图的信息流动趋于平稳，至此，每个节点都获取到其邻居节点的信息。

通过本实施例，采用根据当前节点的特征、与当前节点相邻的边的特征、当前节点的邻居节点的特征、当前节点的邻居节点在当前时刻上的隐藏状态，确定当前节点在下一时刻上的隐藏状态的方式，以将节点v的邻居节点的特征以及邻居节点的上一时刻的隐藏状态输入目标图神经网络中，有效利用图神经网络中每个节点的隐藏状态，以将每个节点的邻居节点对该节点的影响作为输入，使得输出的第一通行时长更加准确，解决相关技术中存在的确定道路通过时长不够准确的技术问题。

作为一种可选的方案，所述根据所述第一通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，包括：

在所述第一起点为所述第一路段的起点，所述第一终点为所述第一路段的终点情况下，将从所述第一路段的起点到所述第一路段的终点的预测通行时长确定为所述第一通行时长；和/或

在所述第一起点为所述第一道路分段的起点，所述第一终点为所述第一道路分段的终点的情况下，将从所述第一道路分段的起点到所述第一道路分段的终点的预测通行时长确定为所述第一道路分段的通过时长；和/或

在所述第一起点为所述多个道路分段的起点，所述第一终点为所述多个道路分段的终点的情况下，将从所述多个道路分段的起点到所述多个道路分段的终点的预测通行时长确定为所述多个道路分段的通过时长之和。

可选地，在本实施例中，上述第一通行时长表示从第一路段的起点到第一路段的终点的通过时长可以包括但不限于如图7所示，其中，上述第一路段的起点与第一路段的终点分别为第一路段802的边缘节点，将从第一路段的起点到第一路段的终点的预测通行时长确定为等于第一通行时长，在确定上述道路预测通行时长的过程中，可以通过包括但不限于计算第一路段的起点至第一路段的终点的预测通行时长作为上述道路预测通行时长。

可选地，在本实施例中，上述第一通行时长包括第一分段通过时长、且所述第一道路分段的通过时长与所述第一组道路分段中的第一道路分段对应可以包括但不限于如图8所示，将相邻节点作为第一道路分段的起点和第一道路分段的终点，则可以将从第一道路分段的起点到第一道路分段的终点的预测通行时长确定为上述第一分段通过时长。

可选地，在本实施例中，上述第一通行时长包括多个分段通过时长、多个分段通过时长与第一组道路分段中的多个道路分段对应、且多个道路分段为连续的道路分段可以包括但不限于如图9所示，将从多个道路分段的起点到多个道路分段的终点的预测通行时长确定为等于多个道路分段的通过时长之和，再根据不同的实际需要，通过拼接的形式确定上述道路通过时长，例如，以导航应用为例，在需要确定的道路通过时长为第一起点至第一终点的情况下，获取第一起点至第一终点所包括的道路分段，并确定所包括的每个道路分段所对应的第一通行时长，最后，将上述道路通过时长确定为上述每个道路分段所对应的第一通行时长之和。

作为一种可选的方案，所述方法还包括：

根据样本路段的样本路段图、所述样本路段上的样本交通信息、以及所述样本路段的实际通过时长，对第一训练图神经网络进行训练，得到所述第一目标图神经网络，其中，所述第一训练图神经网络输出的样本通过时长与所述实际通过时长之间的损失函数的取值满足预设条件的情况下，结束对所述第一训练图神经网络进行的训练，将结束训练时的所述第一训练图神经网络确定为所述第一目标图神经网络。

可选地，在本实施例中，上述样本路段图与上述第一路段的划分方式相同，也即，将上述预设的地图信息中的道路网络中的路段采用路线分析器处理例如tb级交通信息，构建多个样本超细分路段组成上述样本路段，上述样本路段由多个相邻样本超细分路段组成。

可选地，在本实施例中，上述样本交通信息以及第一路段的实际通过时长可以从数据库中获取，或者，由人工进行标注，以实现对第一训练图神经网络进行训练，得到上述第一目标图神经网络。

可选地，在本实施例中，第一训练图神经网络输出的样本通过时长与实际通过时长之间的损失函数的取值满足预设条件可以包括但不限于样本通过时长与实际通过时长之间的差值小于等于预定阈值，或者，样本通过时长与实际通过时长之间比值小于等于预定阈值，则认为上述损失函数收敛，也即，上述将第一训练图神经网络确定为第一目标图神经网络。

需要说明的是，在同一模型的多个训练中可能存在的巨大可变性。在学术背景下，质量上的微小差异可以作为有瑕疵的初始而被地丢弃，但当这些微小的不一致性在数百万用户中累积起来时，就会产生巨大影响。

因此，图神经网络对训练的变化特别敏感，而造成不稳定的主要原因是在训练期间使用的图结构有很大的可变性。一组图片可以包含从两个节点的小图到上百节点的大图中任意位置。

而解决上述问题的方法可以包括但不限于在训练过程中使用meta-gradient动态调整学习率，以有效地让系统学习最优学习率时间表。通过在训练时自动调整学习率，模型不仅比以前质量更高，而且还学会了自动降低学习率。更稳定的结果，可以支撑上述设计的架构。

强化学习(reinforcementlearning，rl)的中心目标是优化agent返回(累积回报)；通过预测和控制相结合来实现。预测子任务是估计任意给定状态的预期返回值函数。理想情况下，可以通过将一个近似值函数更新为真实值函数来实现。控制子任务是优化agent选择行动的策略，从而使价值函数最大化。理想情况下，只需按照增加真正价值函数的方向更新策略。然而，真值函数是未知的，因此，对于预测和控制，采样的返回值被用作代理。rl算法有很多种，也包括最先进的以不同的回报选择为特征的深度强化学习算法。

在深度强化学习中，值函数和策略利用参数让神经网络逼近θ，分别用vθ(s)和πθ(a|s)表示。算法的核心是一个函数：

θ′＝θ+f(τ，θ，η)(1)

根据一系列的实验调整参数τt＝{st,at,rt+1,...}组成，s表示状态，a表示动作，r表示回馈。函数性质由元参数η决定。

元梯度强化学习方法基于在线交叉验证的原则，使用连续实验样本。底层的强化学习算法应用于第一个样本(或多个样本)，其性能在随后的样本中进行测量。具体来说，算法从参数θ开始，并将更新函数应用到第一个样本，从而产生新的参数θ’；这些更新的梯度dθ’/dη表示元参数如何影响新参数。该算法在随后的独立样本τ’上测量新参数θ’的性能，利用一个可区分的元目标j’(τ’,θ’,η’)。在验证第二个样本性能时，使用j’中的固定元参数η’作为参考值。通过对元目标j’关于η’的导数，应用链式法则，得到元目标的梯度：

为了计算更新的梯度dθ’/dη，需要注意参数形成的一个相加序列，因此梯度可以在线累积，

梯度实际中的值通常较大，采用累计轨迹z≈dθ’/dη来近似渐变，

对于固定元参数η定义算式(3)中的梯度。元参数可以包括但不限于采用在线调整的方式适应，参数μ∈[0,1]衰减跟踪并关注最新更新。当μ＝0时，会产生一个贪婪元梯度，只考虑元参数η对参数θ的直接影响。

最后，对元参数η进行更新，以优化元目标，例如，应用随机梯度下降(sgd)，使η在元梯度方向上更新，

其中，β是更新元参数η的学习率。

上述仅是一种示例，本实施例不做任何具体的限定。

可选地，在本实施例中，可以包括但不限于利用多个损失函数的线性组合(具体应用过程中可以通过适当加权)，以提高目标图神经网络的泛化能力。

通过本实施例，采用根据样本路段的样本路段图、样本路段上的样本交通信息、以及样本路段的实际通过时长，对第一训练图神经网络进行训练，得到第一目标图神经网络，其中，第一训练图神经网络输出的样本通过时长与实际通过时长之间的损失函数的取值满足预设条件的情况下，结束对第一训练图神经网络进行的训练，将结束训练时的第一训练图神经网络确定为第一目标图神经网络，以得到目标图神经网络，进而确定预测通行时长，达到了提高确定预测通行时长的准确率的目的，从而实现了优化用户的出行体验、提高预测通行时长的获取效率，为用户提供最优路线选择的技术效果，进而解决了由于通行时长预测方式复杂，导致确定道路通过时长的准确率太低的技术问题。

作为一种可选的方案，所述方法还包括：将所述第一通行时长与所述第一路段的实际通过时长进行比较，以更新所述第一目标图神经网络，其中，所述第一通行时长与所述实际通过时长之间的损失函数的取值满足预设条件的情况下，更新所述第一目标图神经网络。

可选地，在本实施例中，还可以包括但不限于将第一通行时长与实际通过时长进行比较，以更新上述第一目标图神经网络中的部分预定参数，进而，实现更新上述第一目标图神经网络。

作为一种可选的方案，所述方法还包括：

获取第二路段的路段图以及所述第二路段上的交通信息，其中，所述第二路段与第二目标图神经网络具有对应关系，所述第二路段的路段图用于表示所述第二路段包括的第二组道路分段和所述第二组道路分段中的道路分段之间的连接关系；

将所述第二路段的路段图以及所述第二路段上的交通信息输入到所述第二目标图神经网络，共得到所述第二目标图神经网络输出的第二通行时长；

所述根据所述第一通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，包括：根据所述第一通行时长和所述第二通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，其中，从所述第一起点到所述第一终点经过所述第一路段和所述第二路段。

可选地，在本实施例中，上述第二路段可以包括但不限于与上述第一路段类似的上述一组路段中每个路段，可以包括但不限于由工作人员根据实际业务场景需要进行人工划分，也可以根据包括但不限于采用路线分析器处理例如tb级交通信息，构建多个超细分路段作为上述一组路段，其中，上述一组路段由多个相邻超细分路段(除第一路段之外的路段)组成。

可选地，在本实施例中，图10是根据本发明实施例的又一种通行时长预测方法的示意图，上述每个路段的路段图可以包括但不限于如图10所示，其中，m1、m2、m3、m4、m5为一组路段中某一个路段中的节点，也即，上述节点为该路段中的道路分段，而上述一个路段中的不同节点之间的关联关系以及互相施加的影响通过节点之间的边来表示，例如，节点m1只与节点m5相邻接，则节点m1和节点m5相互影响，而节点m5除了与节点m1相邻接之外，还与节点m2、节点m3、节点m4分别相邻接，因此，上述节点m5会与节点m1、节点m2、节点m3、节点m4相互影响。

可选地，在本实施例中，图11是根据本发明实施例的又一种通行时长预测方法的示意图，上述一组路段中每个路段可以通过包括但不限于如图11所示的方式确定，具体而言，上述一组路段中可以包括但不限于路段1、路段2、…、路段m-1、路段m，每个路段对应配置上述一组目标图神经网络中对应的目标图神经网络，以分别将上述路段1、路段2、…、路段m-1、路段m的路段图以及交通信息输入各自对应的目标图神经网络，得到上述一组预测通行时长。

图12是根据本发明实施例的又一种通行时长预测方法的示意图，上述一组路段中每个路段可以通过包括但不限于如图12所示的方式确定，其中，上述一组目标图神经网络可以包括但不限于g1、g2、…gm，将上述路段1、路段2、…、路段m的路段图以及交通信息分别输入对应的g1、g2、…gm，以得到对应的上述一组目标图神经网络输出的一组预测通行时长t1、t2、…、tm。

上述仅是一种示例，本实施例不做任何具体的限定。

通过本实施例，采用获取第二路段的路段图以及所述第二路段上的交通信息，其中，所述第二路段与第二目标图神经网络具有对应关系，所述第二路段的路段图用于表示所述第二路段包括的第二组道路分段和所述第二组道路分段中的道路分段之间的连接关系，将所述第二路段的路段图以及所述第二路段上的交通信息输入到所述第二目标图神经网络，共得到所述第二目标图神经网络输出的第二通行时长，所述根据所述第一通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，包括：根据所述第一通行时长和所述第二通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，其中，从所述第一起点到所述第一终点经过所述第一路段和所述第二路段的方式，以实现基于一组预测通行时长确定第一起点到第一终点的预测通行时长，从而实现了优化用户的出行体验、提高确定预测通行时长的准确率，为用户提供最优路线选择的技术效果，进而解决了由于通行时长预测方式复杂，导致确定道路通过时长的准确率太低的技术问题。

作为一种可选的方案，所述将所述第二路段的路段图以及所述第二路段上的交通信息输入到所述第二目标图神经网络，共得到所述第二目标图神经网络输出的第二通行时长，包括：

根据输入的所述第二路段的路段图以及所述第二路段上的交通信息，确定所述第二路段的所述路段图中包括的第二节点的特征、以及所述第二路段的所述路段图中包括的第二边的特征，其中，所述第二节点与所述第二路段中的第二道路分段具有一一对应的关系，所述第二节点表示所述第二组道路分段中对应的一个道路分段，所述第二边连接两个所述第二节点，表示所述第二节点对应的两个第二道路分段相连，所述第二道路分段为所述第二组道路分段中的道路分段，用于表示所述第二路段中的部分路段；

根据所述第二节点的特征和所述第二边的特征，确定所述第二节点的隐藏状态；

根据所述第二节点的隐藏状态，确定所述第二通行时长。

可选地，在本实施例中，上述第二节点的特征可以包括但不限于该节点的交通信息等，上述第二边的特征用于表示第二节点中节点之间的邻接关系，以及各个节点之间互相施加的影响因素等。

可选地，在本实施例中，上述每个节点的隐藏状态由上述目标图神经网络得到，每个节点的隐藏状态包括来自每个节点的邻居节点的信息，还可以包括但不限于不同时刻的邻居节点的信息。

可选地，在本实施例中，可以包括但不限于基于上述图神经网络采用迭代式更新上述第二节点的隐藏状态。

例如，以上述第二节点中包括节点v为例，在t+1时刻，节点v的隐藏状态按照如下方式更新：

其中，f表示上述隐藏状态的更新函数(局部转移函数)，用于基于邻居节点确定上述每个节点的隐藏状态，xv表示节点v的特征，xco[v]表示与节点v连接的边的特征，xne[v]表示节点v的邻居节点的特征，表示节点v的邻居节点在t时刻的隐藏状态。

作为一种可选的方案，所述根据所述第二节点的特征和所述第二边的特征，确定所述第二节点中的每个节点的隐藏状态，包括：

根据当前节点的特征、与所述当前节点相邻的边的特征、所述当前节点的邻居节点的特征、所述当前节点的所述邻居节点在当前时刻上的隐藏状态，确定所述当前节点在下一时刻上的隐藏状态，其中，所述第一节点包括所述当前节点和所述当前节点的所述邻居节点。

可选地，在本实施例中，图13是根据本发明实施例的又一种通行时长预测方法的示意图，如图13所示，上述目标图神经网络可以包括但不限于如下内容：

以上述当前节点为节点u，节点u包括但不限为节点x3，邻居节点包括节点x1、x2、x4为例，其中，x1、x2、x4均为x3的相邻节点，通过如图13所示的方式，将不同邻居节点不同时刻对该节点的影响，以得到该节点经过上述目标图神经网络后的输出结果。

具体而言，可以包括但不限于采用如下函数得到上述输出结果：

ov＝g(hv，xv)

其中，g为局部输出函数(localoutputfunction)，与f类似，g也可以由一个神经网络来表达，采用不同时刻之间的联系表示邻居节点影响该节点的能力，例如，在t1时刻，节点x3的状态接受来自节点x1、节点x2、节点x4的上一时刻的隐藏状态，因为节点x1、节点x2、节点x4均与节点x3相邻，直到tn时刻，各个节点隐藏状态收敛，每个节点增加神经网络g，以得到对应节点的输出o1、o2、o3、o4(对应于前述的第一通行时长或一组预测通行时长中的一个预测通行时长)。

通过本实施例，采用根据当前节点的特征、与所述当前节点相邻的边的特征、所述当前节点的邻居节点的特征、所述当前节点的所述邻居节点在当前时刻上的隐藏状态，确定所述当前节点在下一时刻上的隐藏状态，其中，所述第一节点包括所述当前节点和所述当前节点的所述邻居节点的方式，以将节点u的邻居节点的特征以及邻居节点的上一时刻的隐藏状态输入目标图神经网络中，有效利用图神经网络中每个节点的隐藏状态，将每个节点的邻居节点对该节点的影响也作为输入，使得输出的一组预测通行时长更加准确，解决相关技术中存在的确定道路通过时长不够准确的技术问题。

作为一种可选的方案，所述根据所述一组预测通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，包括：

在所述第一起点包括所述第二路段的起点，所述第一终点包括所述第二路段的终点的情况下，将从所述一组路段中的第二路段的起点到所述第二路段的终点的预测通行时长确定为等于所述一组预测通行时长中对应的一个预测通行时长；和/或

在所述第一起点为所述一组路段中或者所述一组路段以及所述第一路段中的部分连续路段的起点，所述第一终点为所述部分连续路段的终点的情况下，将从所述道路网络中的所述第一起点到所述第一终点的预测通行时长确定为所述一组预测通行时长中对应的部分预测通行时长之和，其中，所述部分连续路段与所述部分预测通行时长具有一一对应的关系，所述部分预测通行时长中的每个预测通行时长为所述部分连续路段中对应的一个路段的预测通行时长；和/或

在所述第一起点为所述一组路段的起点，所述第一终点为所述一组路段的终点，所述一组路段为所述道路网络中连续的路段的情况下，将从所述道路网络中的所述第一起点到所述第一终点的预测通行时长确定为所述一组预测通行时长之和。

可选地，在本实施例中，上述将从第二路段的第一起点到第二路段的第一终点的预测通行时长确定为等于一组预测通行时长中对应的一个预测通行时长可以包括但不限于按照不同的路段分别确定不同路段对应的预测通行时长，在后续处理过程中，根据第一起点和第一终点的不同，通过叠加不同路段的预测通行时长，以得到对应的从道路网络中的第一起点到第一终点的预测通行时长。

图14是根据本发明实施例的又一种通行时长预测方法的示意图，如图14所示，例如，在第一起点为节点a，第一终点为节点c的情况下，确定节点a至节点c的第一通行时长，在第一起点为节点c，第一终点为节点b的情况下，确定节点c至节点b的第一通行时长，以达到提高确定道路通过时长准确率的技术效果。

可选地，在本实施例中，上述将从道路网络中的第一起点到第一终点的预测通行时长确定为一组预测通行时长中对应的部分预测通行时长之和可以包括但不限于获取不同道路分段的预测通行时长，并获取第一起点至第一终点所包含的多个道路分段，以得到第一起点至第一终点的道路通过时长。

例如，如图14所示，在第一起点为节点d，第一终点为节点e的情况下，确定节点d至节点c的第一通行时长以及节点c至节点e的第一通行时长，进而，并将节点d至节点c、节点c至节点e的第一通行时长之和，作为上述节点d至节点e的预测通行时长，以达到提高确定道路通过时长准确率的技术效果。

可选地，在本实施例中，上述将从道路网络中的第一起点到第一终点的预测通行时长确定为一组预测通行时长中对应的部分预测通行时长之和可以包括但不限于获取不同道路分段的预测通行时长，并获取第一起点至第一终点所包含的多个道路分段，以得到第一起点至第一终点的道路通过时长。

例如，如图14所示，在第一起点为节点a，第一终点为节点c的情况下，将节点a至节点c的第一通行时长与节点c至节点b的第一通行时长之和，作为上述节点a至节点b的预测通行时长。

作为一种可选的方案，所述根据所述一组预测通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，包括：

在所述第一起点为所述一组路段中或者所述一组路段以及所述第一路段中的部分连续道路分段的起点，所述第一终点为所述部分连续道路分段中的终点的情况下，将从所述道路网络中的所述第一起点到所述第一终点的预测通行时长确定为所述一组预测通行时长中的部分预测通行时长之和，其中，所述部分连续道路分段与所述一组预测通行时长中的部分分段通过时长具有一一对应的关系，所述部分分段通过时长中的每个分段通过时长为所述部分连续道路分段中对应的一个道路分段的预测通行时长。

可选地，在本实施例中，如图14所示，上述一个分段通过时长即为节点d至节点f的预测通行时长，而在上述第一起点为节点d，第一终点为节点c的情况下，在计算节点d至节点h的道路通过时长时，也可以通过包括但不限于计算节点d至节点f的预测通行时长，节点f至节点g的预测通行时长，节点g至节点h的预测通行时长，并对上述多个道路分段的预测通行时长求和，以得到上述节点d至节点h的道路通过时长。

上述仅是一种示例，本实施例不做任何具体的限定。

作为一种可选的方案，所述方法还包括：

在所述第一起点到所述第一终点的所述预测通行时长满足预设导航条件的情况下，将所述第一路段确定为从所述第一起点到所述第一终点的导航规划路线所经过的路段。

可选地，在本实施例中，上述预设导航条件可以包括但不限于预测通行时长最低、通过距离最短、红绿灯最少、以及根据车型或者喜好确定的预设导航条件。具体而言，在配置上述预设导航条件时，可以通过上述一种或者多种导航条件的组合作为上述预设导航条件。

图15是根据本发明实施例的又一种通行时长预测方法的示意图，如图15所示，以第一起点为节点a、第一起点为节点b，由节点a至节点b存在经过路段1、路段2以及路段4的第一导航规划路线，以及经过路段1、路段3以及路段4的第二导航规划路线，在确定第一导航规划路线的道路通过时长小于第二导航规划路线时，分别将路段1、路段2以及路段4确定为从第一起点到第一终点的导航规划路线所经过的路段。

上述仅是一种示例，本实施例不做任何具体的限定。

作为一种可选的方案，在所述第一起点到所述第一终点的所述预测通行时长满足预设导航条件的情况下，将所述第一路段确定为从所述第一起点到所述第一终点的导航规划路线所经过的路段，包括：

在所述第一起点到所述第一终点的所述预测通行时长小于或等于预设时长阈值的情况下，将所述第一路段确定为从所述第一起点到所述第一终点的导航规划路线所经过的路段；或者

在所述第一起点到所述第一终点的所述预测通行时长是多个预测通行时长中的最小值的情况下，将所述第一路段确定为从所述第一起点到所述第一终点的导航规划路线所经过的路段，其中，所述多个预测通行时长与多个规划路段具有一一对应的关系，所述多个预测通行时长中的每个预测通行时长为所述多个规划路段中对应的一个规划路段的预测通行时长，所述多个规划路段包括所述第一路段，所述多个规划路段为从所述第一起点到所述第一终点的不同规划路线所分别经过的路段。

可选地，在本实施例中，上述预设时长阈值可以由用户自行输入，也可以根据导航应用的不同应用场景进行灵活配置。

可选地，在本实施例中，上述预测通行时长是多个预测通行时长中的最小值可以包括但不限于在第一起点和第一终点之间存在多个规划路线的情况下，得到多个预测通行时长，并将多个预测通行时长中最小的预测通行时长对应的导航规划路线所经过的路段确定为从第一起点到第一终点的导航规划路线所经过的路段。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

根据本发明实施例的另一个方面，还提供了一种用于实施上述通行时长预测方法的通行时长预测装置。如图16所示，该装置包括：

获取模块1602，用于获取第一路段的路段图以及所述第一路段上的交通信息，其中，所述第一路段与第一目标图神经网络具有对应关系，所述第一路段为道路网络中的路段，所述第一路段的路段图用于表示所述第一路段包括的第一组道路分段和所述第一组道路分段中的第一道路分段之间的连接关系；

输入模块1604，用于将所述第一路段的路段图以及所述第一路段上的交通信息输入到所述第一目标图神经网络，得到所述第一目标图神经网络输出的第一通行时长；

确定模块1606，用于根据所述第一通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，其中，从所述第一起点到所述第一终点经过所述第一路段。

作为一种可选的方案，所述装置用于通过如下方式将所述第一路段的路段图以及所述第一路段上的交通信息输入到所述第一目标图神经网络，得到所述第一目标图神经网络输出的第一通行时长：

根据输入的所述第一路段的路段图以及所述第一路段上的交通信息，确定所述路段图中包括的第一节点的特征、以及所述路段图中包括的第一边的特征，其中，所述第一节点与第一道路分段具有一一对应关系，所述第一节点表示所述第一组道路分段中对应的一个道路分段，所述第一边连接两个所述第一节点，表示两个所述第一节点对应的两个第一道路分段相连，所述第一道路分段为所述第一组道路分段中的道路分段，用于表示所述第一路段中的部分路段；

根据所述第一节点的特征和所述第一边的特征，确定所述第一节点的隐藏状态；

根据所述第一节点的隐藏状态，确定所述第一通行时长。

作为一种可选的方案，所述装置用于通过如下方式根据所述第一节点的特征和所述第一边的特征，确定所述第一节点的隐藏状态：

根据当前节点的特征、与所述当前节点相邻的边的特征、所述当前节点的邻居节点的特征、所述当前节点的所述邻居节点在当前时刻上的隐藏状态，确定所述当前节点在下一时刻上的隐藏状态，其中，所述第一节点包括所述当前节点和所述当前节点的所述邻居节点。

作为一种可选的方案，所述装置用于通过如下方式根据所述第一通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长：

在所述第一起点为所述第一路段的起点，所述第一终点为所述第一路段的终点情况下，将从所述第一路段的起点到所述第一路段的终点的预测通行时长确定为所述第一通行时长；和/或

在所述第一起点为所述第一道路分段的起点，所述第一终点为所述第一道路分段的终点的情况下，将从所述第一道路分段的起点到所述第一道路分段的终点的预测通行时长确定为所述第一道路分段的通过时长；和/或

在所述第一起点为所述多个道路分段的起点，所述第一终点为所述多个道路分段的终点的情况下，将从所述多个道路分段的起点到所述多个道路分段的终点的预测通行时长确定为所述多个道路分段的通过时长之和。

作为一种可选的方案，所述装置还用于：

根据样本路段的样本路段图、所述样本路段上的样本交通信息、以及所述样本路段的实际通过时长，对第一训练图神经网络进行训练，得到所述第一目标图神经网络，其中，所述第一训练图神经网络输出的样本通过时长与所述实际通过时长之间的损失函数的取值满足预设条件的情况下，结束对所述第一训练图神经网络进行的训练，将结束训练时的所述第一训练图神经网络确定为所述第一目标图神经网络。

作为一种可选的方案，所述装置还用于：

将所述第一通行时长与所述第一路段的实际通过时长进行比较，以更新所述第一目标图神经网络，其中，所述第一通行时长与所述实际通过时长之间的损失函数的取值满足预设条件的情况下，更新所述第一目标图神经网络。

作为一种可选的方案，所述装置还用于：

获取第二路段的路段图以及所述第二路段上的交通信息，其中，所述第二路段与第二目标图神经网络具有对应关系，所述第二路段的路段图用于表示所述第二路段包括的第二组道路分段和所述第二组道路分段中的道路分段之间的连接关系；

将所述第二路段的路段图以及所述第二路段上的交通信息输入到所述第二目标图神经网络，共得到所述第二目标图神经网络输出的第二通行时长；

所述根据所述第一通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，包括：根据所述第一通行时长和所述第二通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长，其中，从所述第一起点到所述第一终点经过所述第一路段和所述第二路段。

作为一种可选的方案，所述装置用于通过如下方式将所述第二路段的路段图以及所述第二路段上的交通信息输入到所述第二目标图神经网络，共得到所述第二目标图神经网络输出的第二通行时长：

根据输入的所述第二路段的路段图以及所述第二路段上的交通信息，确定所述第二路段的所述路段图中包括的第二节点的特征、以及所述第二路段的所述路段图中包括的第二边的特征，其中，所述第二节点与所述第二路段中的第二道路分段具有一一对应的关系，所述第二节点表示所述第二组道路分段中对应的一个道路分段，所述第二边连接两个所述第二节点，表示所述第二节点对应的两个第二道路分段相连，所述第二道路分段为所述第二组道路分段中的道路分段，用于表示所述第二路段中的部分路段；

根据所述第二节点的特征和所述第二边的特征，确定所述第二节点的隐藏状态；

根据所述第二节点的隐藏状态，确定所述第二通行时长。

作为一种可选的方案，所述根据所述第二节点的特征和所述第二边的特征，确定所述第二节点中的每个节点的隐藏状态，包括：

根据当前节点的特征、与所述当前节点相邻的边的特征、所述当前节点的邻居节点的特征、所述当前节点的所述邻居节点在当前时刻上的隐藏状态，确定所述当前节点在下一时刻上的隐藏状态，其中，所述第一节点包括所述当前节点和所述当前节点的所述邻居节点。

作为一种可选的方案，所述装置用于通过如下方式根据所述一组预测通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长：

在所述第一起点包括所述第二路段的起点，所述第一终点包括所述第二路段的终点的情况下，将从所述一组路段中的第二路段的起点到所述第二路段的终点的预测通行时长确定为等于所述一组预测通行时长中对应的一个预测通行时长；和/或

在所述第一起点为所述一组路段中或者所述一组路段以及所述第一路段中的部分连续路段的起点，所述第一终点为所述部分连续路段的终点的情况下，将从所述道路网络中的所述第一起点到所述第一终点的预测通行时长确定为所述一组预测通行时长中对应的部分预测通行时长之和，其中，所述部分连续路段与所述部分预测通行时长具有一一对应的关系，所述部分预测通行时长中的每个预测通行时长为所述部分连续路段中对应的一个路段的预测通行时长；和/或

在所述第一起点为所述一组路段的起点，所述第一终点为所述一组路段的终点，所述一组路段为所述道路网络中连续的路段的情况下，将从所述道路网络中的所述第一起点到所述第一终点的预测通行时长确定为所述一组预测通行时长之和。

作为一种可选的方案，所述装置用于通过如下方式根据所述一组预测通行时长，确定从所述道路网络中的第一起点到第一终点的预测通行时长：

在所述第一起点为所述一组路段中或者所述一组路段以及所述第一路段中的部分连续道路分段的起点，所述第一终点为所述部分连续道路分段中的终点的情况下，将从所述道路网络中的所述第一起点到所述第一终点的预测通行时长确定为所述一组预测通行时长中的部分预测通行时长之和，其中，所述部分连续道路分段与所述一组预测通行时长中的部分分段通过时长具有一一对应的关系，所述部分分段通过时长中的每个分段通过时长为所述部分连续道路分段中对应的一个道路分段的预测通行时长。

作为一种可选的方案，所述装置还用于：

在所述第一起点到所述第一终点的所述预测通行时长满足预设导航条件的情况下，将所述第一路段确定为从所述第一起点到所述第一终点的导航规划路线所经过的路段。

作为一种可选的方案，所述装置用于通过如下方式在所述第一起点到所述第一终点的所述预测通行时长满足预设导航条件的情况下，将所述第一路段确定为从所述第一起点到所述第一终点的导航规划路线所经过的路段：

在所述第一起点到所述第一终点的所述预测通行时长小于或等于预设时长阈值的情况下，将所述第一路段确定为从所述第一起点到所述第一终点的导航规划路线所经过的路段；或者

在所述第一起点到所述第一终点的所述预测通行时长是多个预测通行时长中的最小值的情况下，将所述第一路段确定为从所述第一起点到所述第一终点的导航规划路线所经过的路段，其中，所述多个预测通行时长与多个规划路段具有一一对应的关系，所述多个预测通行时长中的每个预测通行时长为所述多个规划路段中对应的一个规划路段的预测通行时长，所述多个规划路段包括所述第一路段，所述多个规划路段为从所述第一起点到所述第一终点的不同规划路线所分别经过的路段。

根据本发明实施例的又一个方面，还提供了一种用于实施上述通行时长预测方法的电子设备，该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图17所示，该电子设备包括存储器1702和处理器1704，该存储器1702中存储有计算机程序，该处理器1704被设置为通过计算机程序执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

s1，获取第一路段的路段图以及第一路段上的交通信息，其中，第一路段与第一目标图神经网络具有对应关系，第一路段为道路网络中的路段，第一路段的路段图用于表示第一路段包括的第一组道路分段和第一组道路分段中的第一道路分段之间的连接关系；

s2，将第一路段的路段图以及第一路段上的交通信息输入到第一目标图神经网络，得到第一目标图神经网络输出的第一通行时长；

s3，根据第一通行时长，确定从道路网络中的第一起点到第一终点的预测通行时长，其中，从第一起点到第一终点经过第一路段。

可选地，本领域普通技术人员可以理解，图17所示的结构仅为示意，电子装置电子设备也可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobileinternetdevices，mid)、pad等终端设备。图17其并不对上述电子装置电子设备的结构造成限定。例如，电子装置电子设备还可包括比图17中所示更多或者更少的组件(如网络接口等)，或者具有与图17所示不同的配置。

其中，存储器1702可用于存储软件程序以及模块，如本发明实施例中的通行时长预测方法和装置对应的程序指令/模块，处理器1704通过运行存储在存储器1702内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的通行时长预测方法。存储器1702可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1702可进一步包括相对于处理器1704远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1702具体可以但不限于用于存储道路网络以及交通信息等信息。作为一种示例，如图17所示，上述存储器1702中可以但不限于包括上述通行时长预测装置中的获取模块1602、输入模块1604以及确定模块1606。此外，还可以包括但不限于上述通行时长预测装置中的其他模块单元，本示例中不再赘述。

可选地，上述的传输装置1706用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1706包括一个网络适配器(networkinterfacecontroller，nic)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1706为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。

此外，上述电子设备还包括：显示器1708，用于显示导航规划路线以及道路经过时长；和连接总线1710，用于连接上述电子设备中的各个模块部件。

在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点(p2p，peertopeer)网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述通行时长预测方面的各种可选实现方式中提供的方法。其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：

s1，获取第一路段的路段图以及第一路段上的交通信息，其中，第一路段与第一目标图神经网络具有对应关系，第一路段为道路网络中的路段，第一路段的路段图用于表示第一路段包括的第一组道路分段和第一组道路分段中的第一道路分段之间的连接关系；

s2，将第一路段的路段图以及第一路段上的交通信息输入到第一目标图神经网络，得到第一目标图神经网络输出的第一通行时长；

s3，根据第一通行时长，确定从道路网络中的第一起点到第一终点的预测通行时长，其中，从第一起点到第一终点经过第一路段。

可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-onlymemory，rom)、随机存取器(randomaccessmemory，ram)、磁盘或光盘等。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。