到达时间不确定度的确定方法和相关方法及装置与流程

1.本发明涉及地理信息技术领域，特别涉及一种到达时间不确定度确定方法、推荐规划道路的方法、准点率的确定方法及相关装置。


背景技术：

2.在电子地图领域，现今绝大部分电子地图都支持导航功能。地图的导航功能会根据用户输入的目的地，为用户自动规划多条路线。每条路线都会对应着不同的预计到达时间(eta,estimated time of arrival)。用户可以根据地图的导航功能提供的eta合理地规划自己的行程、出行路线和出行方式等，但不可避免地，eta与用户的实走时间(用户经过一段道路的实际行驶时间)总是存在着一些误差，因此，地图导航功能提供的eta具有不同的实际不确定度，其中，t
real_travel_time
为实走时间，t
eta
为eta。当上述误差较小时，eta的不确定度较低；当上述误差较大时，eta的不确定度较高。
3.现在市场上，大部分地图导航软件不提供eta准点率的功能，以至于用户在选择路线时，不能够选择eta最确切的路线。若用户选择了一条eta不确定度最高的路线，不仅不能够准点到达，甚至可能会给用户带来巨大的损失，造成不必要的麻烦。
4.eta的不确定度在某些情况下就显得尤为重要。例如：用户需要在某一时刻到达机场，地图的导航功能为用户规划了两条路线，这两条路线具有不同的eta，且这两条路线eta的不确定度是不一样的。这时，用户往往更倾向于了解哪一条路线带来的eta的不确定度最低。换言之，用户更倾向于了解选择哪一条路线能够以最大的概率按照地图导航功能提供的eta到达机场，而不耽误行程。这时，eta准点率的价值就体现了出来。
5.鉴于上述情况，地图导航软件有必要向用户提供eta准点率或者eta不确定度的功能，以便让用户能够以更加准确的时间到达目的地，方便用户的出行。


技术实现要素：

6.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种到达时间不确定度确定方法、推荐规划道路的方法、准点率的确定方法及相关装置。
7.第一方面，本发明实施例提供一种到达时间不确定度的确定方法，包括：
8.使用历史规划道路以及历史规划道路对应的实际不确定度，对预设的不确定度神经网络模型进行训练，学习所述不确定度神经网络模型中影响所述不确定度的各权重；所述实际不确定度为历史规划道路的实走时间与预计到达时间eta之差的绝对值与所述实走时间的比值；
9.将规划道路，拆分为至少一个道路路段和至少一个路口，将所述至少一个道路路段和至少一个路口的标识，作为不确定度神经网络模型的输入，得到所述规划道路的理论不确定度。
10.在一个实施例中，所述预设的不确定度神经网络模型，通过下述方式预先创建：
11.创建包含道路不确定度和路口不确定度之和的模型；其中：
12.所述道路不确定度包含：拥堵状态下的道路不确定度或非拥堵状态下的道路不确定度。
13.在一个实施例中，所述拥堵状态下的道路不确定度，包括：所述道路历史拥堵的不确定度和/或所述道路当前拥堵的不确定度。
14.在一个实施例中，所述道路属性包括下述任一项或多项：出行时刻属性、行驶时长属性和道路等级属性；
15.所述路口属性，包括下述任一项或多项：路口类型属性和转向方向属性。
16.第二方面，本发明实施例提供一种推荐规划道路的方法，包括：
17.针对得到的规划道路，按照道路和路口的连接关系将所述规划道路拆分为至少一个道路路段和至少一个路口；
18.根据至少一个道路路段和至少一个路口，以及预设的预计到达时间不确定度的模型，计算规划道路对应的到达时间的理论不确定度；
19.根据计算出来的规划路线的理论不确定度，向用户推荐对应的规划道路；
20.其中，所述根据至少一个道路路段和至少一个路口，以及预设的预计到达时间不确定度的模型，计算规划道路对应的到达时间的理论不确定度是采用前述到达时间不确定度的确定方法来确定的。
21.在一个实施例中，根据计算出来的规划路线的理论不确定度，向用户推荐对应的规划道路，包括：
22.对计算出来的规划道路按照大小排序，向用户推荐从理论不确定度最小开始的设定数量的规划道路；或者
23.向用户推荐理论不确定度小于等于预设阈值的规划道路。
24.第三方面，本发明实施例提供一种准点率的确定方法，包括：
25.确定道路到达不确定度所服从的正态分布x～n(0，σ2)；
26.根据预设的准点率区间，以及所确定的所述正态分布x～n(0，σ2)，确定落在所述准点率区间内的用户比例，将所述用户比例确定为所述道路的准点率；
27.其中，所述道路到达不确定度所服从的正态分布x～n(0，σ2)的期望值，通过采用前述到达时间不确定度的确定方法来确定的。
28.在一个实施例中，所述正态分布x～n(0，σ2)中的σ的值，通过下述公式确定：e(|x|)为通过所述的到达时间不确定度的确定方法确定的理论不确定度。
29.在一个实施例中，上述准点率的确定方法，所述方法还包括：
30.在推荐规划道路时，将所述规划道路的准点率一并推荐给用户。
31.第四方面，本发明实施例提供一种到达时间不确定度的确定装置，包括：
32.模型训练模块，用于使用历史规划道路以及历史规划道路对应的实际不确定度，对预设的不确定度神经网络模型进行训练，学习所述不确定度神经网络模型中影响所述不确定度的各权重；所述实际不确定度为历史规划道路的实走时间与预计到达时间eta之差的绝对值与所述实走时间的比值；
33.道路拆分模块，用于将规划道路，拆分为至少一个道路路段和至少一个路口；
34.不确定度计算模块，用于将所述至少一个道路路段和至少一个路口的标识，作为不确定度神经网络模型的输入，计算所述至少一个道路路段和至少一个路口对应的理论不确定度并累计，得到所述规划道路的理论不确定度。
35.第五方面，本发明实施例提供一种推荐规划道路的装置，包括：
36.道路拆分模块，用于针对得到的规划道路，按照道路和路口的连接关系将所述规划道路拆分为至少一个道路路段和至少一个路口；
37.不确定度计算模块，用于根据至少一个道路路段和至少一个路口，以及预设的预计到达时间不确定度的模型，计算规划道路对应的到达时间的理论不确定度；
38.道路推荐模块，用于根据计算出来的规划路线的理论不确定度，向用户推荐对应的规划道路；
39.其中，所述根据至少一个道路路段和至少一个路口，以及预设的预计到达时间不确定度的模型，计算规划道路对应的到达时间的理论不确定度是采用前述到达时间不确定度的确定方法来确定的。
40.第六方面，本发明实施例提供一种准点率的确定装置，包括：
41.分布确定模块，用于确定道路到达不确定度所服从的正态分布x～n(0，σ2)；
42.用户比例确定模块，用于根据预设的准点率区间，以及所确定的所述正态分布x～n(0，σ2)，确定落在所述准点率区间内的用户比例，将所述用户比例确定为准点率；
43.其中，所述道路到达不确定度所服从的正态分布x～n(0，σ2)的期望值，通过采用如前述到达时间不确定度的确定方法来确定的。
44.第七方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现前述到达时间不确定度的确定方法或实现前述推荐规划道路的方法，或实现前述准点率的确定方法。
45.第八方面，本发明实施例提供一种导航客户端，包括：存储器和处理器；其中，所述存储器存储有计算机程序，所述程序被处理器执行时能够实现前述到达时间不确定度的确定方法或实现前述推荐规划道路的方法，或实现前述准点率的确定方法。
46.本发明实施例提供的上述技术方案的有益效果至少包括：
47.1、本发明实施例提供的上述到达时间不确定度的确定方法以及相关的推荐规划道路的方法及相关装置，根据历史规划道路以及历史规划道路对应的实际不确定度，对eta不确定度的神经网络模型中影响不确定度的各个维度的权重进行学习，从而得到可精确预测eta不确定度的计算模型，将规划路线拆分为道路和路口后，按照该不确定度的模型进行计算，得到对应的不确定度，并基于计算出的不确定度的大小，推荐不确定度较低的规划道路给用户，实现了对预计到达时间不确定度的精确计算，便于用户选择更有可能准点到达的道路，方便用户的出行，提高用户使用导航软件的用户体验。
48.2、本发明实施例提供的准点率的确定方法及相关装置，通过eta不确定度，推导出对应的以eta为中心的一个区间内用户的数目占全体用户数目的比例，从而实现对道路准点率的准确估算，从另外一个角度为用户提供了选择规划到路的参考，方便用户自主选择准点率更高的道路；同时也可以为导航软件厂商对准点率的评估提供参考，方便其提供更好的导航线路的推荐服务。
49.3、本发明实施例提供的eta不确定度的模型中，充分考虑了各种情况下可能影响不确定的因素，例如考虑道路的拥堵和非拥堵的情况下的各种道路的属性对于不确定度的影响，路口类型和转向方向对eta不确定度的影响，以及在非拥堵情况下用户驾驶行为对不确定度的影响等，通过这些因素架构了不确定度神经网络模型，使得该模型尽可能能够覆盖的多维度情况，从而可以尽可能接近真实情形下的不确定度，从而实现准确的不确定的预测计算。由于准点率也是通过eta不确定的模型转换而来，因此，该准点率的计算同样能够多维度反映各种因素对准点率的影响。
50.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
51.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
52.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
53.图1为本发明实施例提供的到达时间不确定度的确定方法的流程图；
54.图2为本发明实施例提供的创建不确定度神经网络模型的示意图；
55.图3本发明实施例中利用不确定度神经网络模型进行不确定度预测计算的示意图；
56.图4为本发明实施例提供的推荐规划道路的方法的流程图；
57.图5为本发明实施例提供的准点率的确定方法的流程图；
58.图6为本发明实施例提供的到达时间不确定度的确定装置的结构示意图；
59.图7为本发明实施例提供的推荐规划道路的装置的结构示意图；
60.图8为本发明实施例提供的准点率的确定装置的结构示意图。
具体实施方式
61.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。
62.本发明的发明人发现，eta与用户的实走时间(用户经过一段道路的实际行驶时间)总是存在着一些误差，这些误差与多种因素有关。
63.例如：高峰出行
64.高峰期出行：系统规划的线路存在拥堵和非拥堵的可能，且这两种情况下用户的实际到达时间存在较大偏差。
65.非高峰期出行：这时路况比较稳定，用户有较大概率以eta规划时间到达。
66.或者，随着用户的场景不同，会有一些新的问题：
67.机场赶飞机：系统规划多条线路给出了相似的eta，这时用户更关心哪条线路的准点率较高，也就是用户会较大概率以eta的时间到达，不然用户可能发生晚点。
68.下班回家吃饭：只需知道几点会到即可，并不需要严格按照eta规划时间到达。
69.用户的实际到达时间是围绕eta的一系列分布。这些分布的形状同多个因素相关，比如当天的高峰期，行驶的时间，道路的复杂程度等等。
70.因此，需要建立eta不确定度神经网络模型来衡量每条规划道路的实走时间同预估时间的偏离程度。其中偏离程度相当于正态分布的绝对值的期望，该值越大，eta的不确定程度越高。
71.基于前述解决问题的思路，本发明实施例提供一种到达时间不确定度的确定方法，参照图1所示，包括如下步骤：
72.s11、使用历史规划道路以及历史规划道路对应的实际不确定度，对预设的不确定度神经网络模型进行训练，学习所述不确定度神经网络模型中影响所述不确定度的各权重；所述实际不确定度为历史规划道路的实走时间与预计到达时间eta之差的绝对值与所述实走时间的比值；
73.s12、将规划道路，拆分为至少一个道路路段和至少一个路口，将所述至少一个道路路段和至少一个路口的标识，作为不确定度神经网络模型的输入，得到所述规划道路的理论不确定度。
74.需要说明的是，本发明实施例中提到的理论不确定度，为使用不确定度神经网络模型计算出来的，是接近于真实不确定度的数值，而并不是真实情况下实际的不确定度，因此在本发明实施例中，将其称之为理论不确定度，与真实不确定度以示区别。
75.在现实生活中，会有多个因素影响eta的不确定度。例如：
76.1、出行时段：出行时段分为高峰期和平峰期。在高峰期道路容易发生拥堵，道路会在拥堵和畅通两种状态下发生频繁变动，由于eta模型路况预测的能力有限，因此路况预测会存在较大的不确定度；在深夜或者凌晨，道路处于畅通状态的概率很大，发生频繁变化的可能性很小，此时路况预测导致的不确定度小。
77.2、道路等级：道路等级的不同会带来不确定度的不同。对于高等级道路，交通的规律性较强，便于路况测；对于低等级道路，由于可能存在的突发事件，例如学校路段存在上学放学，较窄路段上的车辆调头都可能引入路况的变化，这种路段交通规律性较弱，路况预测的难度较大。
78.3、行驶时长：由于路况预测是基于历史路况和当前路况进行预测，越深入未来，可利用的信息越少，因此越接近当前则路况预测越准，越深入未来则路况预测的偏差越大，换言之，越深入未来，路况预测导致的不确定度越大。
79.4、路口：由于路口的复杂度不同和用户的转向动作的不同，不确定度也会表现出不同的特点。对于较复杂路口，红绿灯相位关系会导致较大的不确定程度。对于较复杂的转向行为，例如调头和左转，也会带来较大的不确定度。
80.基于上述各影响因素，参照图2所示，在一个实施例中，这个不确定度神经网络模型的创建过程，可以通过创建包含道路不确定度和路口不确定度之和的模型实现；
81.其中：道路不确定度又可以包含：拥堵状态下的道路不确定度或非拥堵状态下的道路不确定度。
82.本发明实施例提供的不确定度神经网络模型由道路不确定度和路口不确定度构成，道路的不确定度可以根据是否发生拥堵，又可包括拥堵状态下的道路不确定度和非拥
堵状态下的道路不确定度。
83.在拥堵状态下，不确定度主要来源于路况预测的不确定度。拥堵状态又可以分为sp拥堵和autolr拥堵，前者表示当前道路在历史上会发生的拥堵，后者表示当前道路发生的实时拥堵。所以，在这个不确定度神经网络模型中，拥堵状态下的道路不确定度，可以包括：道路历史拥堵的不确定度和/或道路当前拥堵的不确定度。
84.在非拥堵状态下，驾驶行为受路况预测影响较小，不确定度的来源主要是用户的个性化驾驶倾向。在这种情况下，不确定度可以定义为用户的个性化属性和eta的叠加，即用户自由流引入的不确定度。
85.具体来说，基于上述不同的道路情况和路口情况，本发明实施例提供的到达时间不确定度的模型可以用下述公式表示：
[0086][0087]
上式中：
[0088]
if_autolr_congest和if_sp_congest分别为判断是否历史拥堵和当前拥堵的值，拥堵则为1，非拥堵为0；
[0089]
x
link
为离散化后的道路属性；道路属性包括下述一项或多项：出行时刻属性(高峰时刻)、行驶时长属性、道路等级属性；
[0090]
高峰时刻：7:00-8:00,8:00-9:00,9:00-10:00
……
[0091]
行驶时长：0min-5min，5min-10min，10min-15min
……
[0092]
道路等级：高速路，快速路，主要道路，次要道路
……
[0093]
上述属性进行离散化处理后得到对应的属性的值即x
link
的值；
[0094]
w
autolr
为发生当前拥堵时，离散化后的道路属性对应的权重；其中，w
autolr
＝concat(w
autolr_peak_hour
,w
autolr_period
,w
autolr_road_class
)，即由包含了三组属性值(高峰时刻属性、行驶时长属性、道路等级属性)，concat用于连接两个或多个数组。
[0095]
w
sp
为发生历史拥堵时，离散化后的道路属性对应的权重；其中，w
sp
＝concat(w
sp_peak_hour
,w
sp_period
,w
sp_road_class
)，同样包含了三组属性值(高峰时刻属性、行驶时长属性、道路等级属性)；
[0096]
t
autolr
为道路的实际通行时间；可以直接获取得到；
[0097]
t
sp
为道路的历史平均通行时间；可以直接获取得到；
[0098]
w
freeflow
为未发生历史拥堵或当前拥堵时，用户行为属性对应的权重；也就是用户自由流权重。
[0099]
x
turn
为离散化后的路口属性；路口属性，可包括路口类型和转向动作属性；其中，路口类型包括：无红绿灯路口，有红绿灯无岔道路口，有红绿灯的简单路口，有红绿灯的复杂路口等等，转向动作包括：直行，左转，右转、调头等等；将这些类型进行离散化处理，得到对应的属性值；
[0100]
w
turn
为离散化后的路口属性对应的权重。
[0101]
在一个实施例中，上述步骤s11中，具体地，上述不确定度神经网络模型的公式中
各道路属性、路口属性对应的权重和用户行为属性的权重，可以通过历史规划路线的真实不确定度作为样本，对神经网络进行训练得到，具体地，将历史规划道路拆分得到的各道路和各路口，按照不确定度神经网络模型计算得到的不确定度的累计值σt
pred
，代入下述损失公式：
[0102][0103]
上式中，t
real_travle_time
为道路的实走时间，t
eta
为预计到达时间eta；
[0104]
通过神经网络的学习，在使loss下降的方向，不断修正不确定度神经网络模型中的w
autolr
、w
sp
、w
turn
、w
freeflow
的值，直至所述损失最接近于所述历史规划道路的实际不确定度时，确定上述不确定度神经网络模型中的w
autolr
、w
sp
、w
turn
、w
freeflow
的值。
[0105]
基于上述eta不确定度神经网络模型，可以推出，影响不确定度的因子与不确定度之间的关系，以及这些因子彼此之间的关系如下：
[0106]
在拥堵状态下，无论是sp拥堵还是autolr拥堵，均取决于行驶时长、出行时刻和道路等级这三个因子对不确定度神经网络模型的影响。这三个因子通过与sp拥堵和autolr拥堵下的旅行时间分别相乘作用于不确定度神经网络模型，下面将就三个因子与不确定度的关系进行详细的说明。
[0107]
行驶时长因子，在sp拥堵情况下，行驶时长因子呈先下降后上升的趋势，在40-45min时接近于0。这表明在40-45min这一时间段内，行驶时长因子对不确定度神经网络模型几乎没有影响。45min之后，行驶时长因子开始急速上升，表明行驶时间超过一定范围后，行驶时长因子对eta不确定度神经网络模型的影响很大；
[0108]
在autolr拥堵情况下，行驶时长因子呈一直下降的趋势，在0-5min时间段内，行驶时长因子最接近于0，随着行驶时间的增加，行驶时长因子不断减小，表明随着时间的增加，实时路况对eta不确定度神经网络模型的影响逐渐减低。
[0109]
出行时刻因子，可以按照整时数划分为24个时段。通常情况下，早晚高峰分别指的是7:00-8:00、17:00-19:00，在这两个时间段内，出行时刻因子相应的会达到峰值。无论是在sp拥堵还是autolr拥堵的情况下，出行时刻因子的变化趋势是相同的，但是autolr拥堵的出行时刻因子始终比sp拥堵的出行时刻因子大。这里可以做出猜测性解释，人们的上班时间会比较分散，在统一的早高峰结束后，还有很多人有自身出行的需求，这种自身的出行需求同实时路况的相关性依然较强。
[0110]
道路等级因子，由于历史路况sp体现了交通的规律性，因此当道路的等级越低，交通的规律性越弱，路况预测的难度越大，对eta不确定度神经网络模型的影响也越大。实时路况autolr代表了交通的偶然性，由于autolr是当前发布的实时路况，所以在各个等级道路上区别不大。
[0111]
当道路不确定度不发生拥堵时，会将用户自身的驾驶行为因子引入不确定度，其对eta不确定度神经网络模型的影响主要是通过用户自由度参数与eta的乘积来确定。在非拥堵状态下，通过神经网络学习到的自由度参数为
ɑ
。换言之，在畅通状态下，由用户自身行为带来的时间上的偏差例如可以为
ɑ
*eta，例如：当非拥堵时，如果预计到达时间eta为30min，那么与实走时间的偏差约为2min。
[0112]
本发明实施例提供的到达时间不确定度的模型除了上述道路的不确定度外，还包括路口的不确定度。其中，路口的不确定度的影响因子包括转向方向因子和路口类型因子。
[0113]
转向方向因子，可以分为直行、左转、右转和调头等等。其中，调头对于eta不确定度神经网络模型的影响最大，其次是左转、右转和直行。路口转向因子，又可以分为无红绿灯路口、红绿灯-简单路口和红绿灯-复杂路口。其中，红绿灯-复杂路口对于eta不确定度神经网络模型的影响最大，其次是无红绿灯路口和绿灯-简单路口。这与人们日常生活的经验相吻合，遇到复杂道路情况时的eta不确定度比遇到简单道路情况时的不确定度要大，道路中的直行所占的比例越多，eta不确定度就会越小。
[0114]
高峰期道路会发生路况预测的问题，此时拥堵的相关因子起主要作用，而用户自身的驾驶偏好(自由流)对不确定度影响不大。在其他时段，用户自身的驾驶偏好(自由流)对不确定度的影响有所上升。
[0115]
当道路中直行所占的比例越多，转向对不确定度的影响就会越小。
[0116]
在确立了上述eta不确定度神经网络模型之后，在上述步骤s12中就可以对规划道路进行划分，拆分为至少一个道路路段和至少一个路口，将所述至少一个道路路段和至少一个路口的标识，作为不确定度神经网络模型的输入，得到所述规划道路的理论不确定度。
[0117]
参照图3所示的示意图，最左侧表示导航系统提供的某条历史规划道路，按照行车方向的顺序，依次被拆分为若干条路段以及路口，将历史规划道路作为样本输入到不确定度神经网络模型中，对不确定度神经网络模型进行训练，学习神经网络模型中的各个可能影响不确定度的因素的权值，进而通过学习到的不确定度神经网络模型，对给用户的规划道路的不确定度进行预测。
[0118]
本发明实施例提供的eta不确定度的模型中，充分考虑了各种情况下可能影响不确定度的因素，例如考虑道路的拥堵和非拥堵的情况下的各种道路的属性对于不确定度的影响，以及在非拥堵情况下用户驾驶行为对不确定度的影响等，通过这些因素架构了不确定度神经网络模型，使得该模型尽可能能够覆盖的多维度情况，从而可以尽可能接近真实发生的不确定度，从而实现准确的不确定度的预测计算。
[0119]
本发明实施例还提供了一种推荐规划道路的方法，参照图4所示，包括：
[0120]
s41、针对得到的规划道路，按照道路和路口的连接关系将所述规划道路拆分为至少一个道路路段和至少一个路口；
[0121]
s42、根据至少一个道路路段和至少一个路口，以及预设的预计到达时间不确定度的模型，计算规划道路对应的到达时间的理论不确定度；
[0122]
s43、根据计算出来的规划路线的理论不确定度，向用户推荐对应的规划道路。
[0123]
上述步骤s42中，所述根据每个路段和路口的情况，以及预设的预计到达时间不确定度的模型，根据至少一个道路路段和至少一个路口，以及预设的预计到达时间不确定度的模型，计算规划道路对应的到达时间的理论不确定度是采用前述本发明实施例提供的到达时间不确定度的确定方法来确定的。
[0124]
在一个实施例中，上述步骤s43中，根据计算出来的各规划路线的理论不确定度，向用户推荐对应的规划道路，具体可以通过下面两种方式实现：
[0125]
第一种方式：对计算出来的各规划道路按照大小排序，向用户推荐从理论不确定度最小开始的设定数量的规划道路；
[0126]
举例来说，系统生成了若干条规划道路，通过前述eta不确定度神经网络模型计算出来对应的不确定度，然后按照不确定度从小到大排序，将排在前三位的规划道路推荐给用户，并提示每条规划道路的不确定度的值。
[0127]
第二种方式：向用户推荐理论不确定度小于等于预设阈值的规划道路。
[0128]
本发明实施例提供的上述到达时间不确定度的确定方法以及相关的推荐规划道路的方法，根据历史规划道路以及历史规划道路对应的实际不确定度，对eta不确定度的模型中影响不确定度的各个维度的权重进行学习，从而得到可精确预测eta不确定度的计算模型，将规划路线拆分为道路和路口后，按照该不确定度的模型进行计算，得到对应的不确定度，并基于计算出的不确定度的大小，推荐不确定度较低的规划道路给用户，实现了对预计到达时间不确定度的精确计算，便于用户选择更有可能准点到达的道路，方便用户的出行，提高用户使用导航软件的用户体验。
[0129]
下面对本发明实施例提供的一种准点率的确定方法进行说明。
[0130]
本发明实施例提供的准点率的确定方法，参见图5所示，包括下述步骤：
[0131]
s51、确定道路到达不确定度所服从的正态分布x～n(0，σ2)；
[0132]
s52、根据预设的准点率区间，以及所确定的正态分布x～n(0，σ2)，确定落在准点率区间内的用户比例，将所述用户比例确定为所述道路的准点率。
[0133]
上述步骤s51中，道路到达不确定度所服从的正态分布x～n(0，σ2)的期望值，可以通过采用本发明实施例提供的前述到达时间不确定度的确定方法来确定。
[0134]
在本发明实施例中，eta准点率是与eta不确定度相对的一个概念，指的是在以eta为中心的一个区间内用户的数目同全体用户数目的比例值，换言之，就是用户在规定的区间范围内到达目的地的数目与全体用户数目的比例。
[0135]
由前述方法中的不确定度神经网络模型求得的不确定度，其实是实走时间相对于eta分布的绝对值的期望，因此可以通过正态分布换算出该分布的分布方差σ。
[0136]
换算的过程如下：
[0137]
假设在标准正态分布x～n(0,1)的情况下，该正态分布的期望值计算过程如下：
[0138][0139]
令
[0140]
[0141]
在上述推算过程中使用了下述的伽马函数(gamma函数)，也叫欧拉第二积分，是阶乘函数在实数与复数上扩展的一类函数：
[0142][0143]
令t＝k2[0144][0145]
进一步考虑非标准正态分布的情况下，e(|x|)为通过不确定度神经网络模型求得的不确定度，将其代入到上式中，可以倒推出σ的值。
[0146]
之所以采用上述方法来计算正态分布的σ的值，而未使用直接使用历史数据统计方差的方法，例如统计在不同因素影响的情况下得到的σ的值，是基于下面几个因素的考虑：
[0147]
1)数据的维度很多，例如高峰时刻，道路类型，路口类型等。单纯高峰时刻这个属性就有接近20种分类，不可能对所有属性进行统计。
[0148]
2)如果属性之间存在或多或少的相关，不能简单按照独立分布简单叠加。
[0149]
3)真实的数据也不是标准的正态分布，其均值会稍许偏离中值，在分布一侧还存在一定的长尾。由于偏差的存在，如果忽略偏差直接计算，评估最终分布时，会有较大误差。
[0150]
在本发明实施例中，采用的办法是通过机器学习算法在多维度下求得不确定度(绝对值的期望)，这个不确定度会涵盖各个维度的特性，例如高峰期的不确定度比平时要大一些，复杂路口的不确定度比简单路口的不确定度要大一些。通过这个不确定度反算出来的σ也会涵盖这些属性的特点。
[0151]
换句话说，学到的准点率模型在各个属性上都应该是一个稳定的值。举例说明，一条道路在高峰期的准点率和非高峰期的准点率大致相同。通过准点率模型求的不确定度，是计算实走时间相对于eta的偏差的绝对值，求得的不确定度事实上是融合各个特征维度的期望。
[0152]
以道路到达不确定度所服从标准正态分布x～n(0，1)为例，准点率的区间为根据标准正态分布的分布函数的计算可知，落在该区间内的概率为：查表可知对应的用户比例大概在57.6％。推算的过程参考如下：
[0153]
对于任意区间落在该区间的概率计算如下：在标准正态分布的情况下，令μ＝0，σ＝1。则，
其中，φ(x)是标准正态分布的分布函数。
[0154]
本发明实施例还可以根据上述正态分布函数x～n(0，σ2)，通过已知的用户比例，来反推这些用户比例所落在的准点率区间。具体推算过程与上述过程相逆，在此不再赘述。
[0155]
本发明实施例提供的前述eta不确定度的模型中，充分考虑了各种情况下可能影响不确定度的因素，使得该模型尽可能能够覆盖的多维度情况，由于准点率也是通过eta不确定度的模型转换而来，因此，该准点率的计算同样能够多维度反映各种因素对准点率的影响。
[0156]
基于同一发明构思，本发明实施例还提供了一种到达时间不确定度的确定装置、推荐规划道路的装置、准点率的确定装置和相关计算机可读存储介质和导航客户端，由于这些装置和导航客户端所解决问题的原理分别与前述到达时间不确定度的确定方法、准点率的确定方法和推荐规划道路的方法相似，因此这些装置和导航客户端的实施可以参见前述方法的实施，重复之处不再赘述。
[0157]
本发明实施例一种到达时间不确定度的确定装置，参照图6所示，包括：
[0158]
模型训练模块61，用于使用历史规划道路以及历史规划道路对应的实际不确定度，对预设的不确定度神经网络模型进行训练，学习所述不确定度神经网络模型中影响所述不确定度的各权重；所述实际不确定度为历史规划道路的实走时间与预计到达时间eta之差的绝对值与所述实走时间的比值；
[0159]
道路拆分模块62，用于用于将规划道路，拆分为至少一个道路路段和至少一个路口；
[0160]
不确定度计算模块63，用于将所述至少一个道路路段和至少一个路口的标识，作为不确定度神经网络模型的输入，计算所述至少一个道路路段和至少一个路口对应的理论不确定度并累计，得到所述规划道路的理论不确定度。
[0161]
在一个实施例中，上述到达时间不确定度的确定装置，还包括：模型创建模块64，具体用于创建包含道路不确定度和路口不确定度之和的模型；其中：所述道路不确定度包含：拥堵状态下的道路不确定度或非拥堵状态下的道路不确定度。
[0162]
在一个实施例中，所述上述模型创建模块64中，拥堵状态下的道路不确定度，包括：所述道路历史拥堵的不确定度和/或所述道路当前拥堵的不确定度。
[0163]
在一个实施例中，所述上述模型创建模块64中，所述道路历史拥堵的不确定度，通过下式计算得到：if_autolr_congest*reduce_sum(w
autolr
*x
link
)*t
autolr
；
[0164]
所述道路当前拥堵的不确定度，通过下式得到：if_sp_congest*reduce_sum(w
sp
*x
link
)*t
sp
；其中：
[0165]
所述if_autolr_congest和if_sp_congest分别为判断是否历史拥堵和当前拥堵的值，拥堵则为1，非拥堵为0；
[0166]
所述x
link
为离散化后的道路属性；
[0167]
所述w
autolr
为发生当前拥堵时，离散化后的道路属性对应的权重；
[0168]
所述w
sp
为发生历史拥堵时，离散化后的道路属性对应的权重；
[0169]
所述t
autolr
为道路的实际通行时间；
[0170]
所述t
sp
为道路的历史平均通行时间。
[0171]
在一个实施例中，所述上述模型创建模块61中，道路非拥堵状态下的不确定度，通过下式得到：w
freeflow
*x
link
；
[0172]
所述w
freeflow
为未发生历史拥堵或当前拥堵时，用户行为属性对应的权重；
[0173]
在上述在一个实施例中，所述上述模型创建模块61中，所述路口的不确定度，通过下式得到：w
turn
*x
turn
；
[0174]
所述x
link
为离散化后的路口属性；
[0175]
所述w
turn
为离散化后的路口属性对应的权重。
[0176]
在一个实施例中，所述机器学习模块62，具体用于将历史规划道路拆分得到的各道路和各路口，按照所述不确定度神经网络模型计算得到的不确定度的累计值σt
pred
，代入下述损失公式：
[0177]
上式中，t
real_travle_time
为道路的实走时间，t
eta
为预计到达时间eta；通过神经网络的学习，在使loss下降的方向，不断修正不确定度神经网络模型中的w
autolr
、w
sp
、w
turn
、w
freeflow
的值，直至所述损失最接近于所述历史规划道路的实际不确定度时，确定所述不确定度神经网络模型中的w
autolr
、w
sp
、w
turn
、w
freeflow
的值。
[0178]
本发明实施例还提供了一种推荐规划道路的装置，参照图7所示，包括：
[0179]
道路拆分模块71，用于针对得到的规划道路，按照道路和路口的连接关系将所述规划道路拆分为至少一个道路路段和至少一个路口；
[0180]
不确定度计算模块72，用于根据至少一个道路路段和至少一个路口，以及预设的预计到达时间不确定度的模型，计算规划道路对应的到达时间的理论不确定度；
[0181]
道路推荐模块73，用于根据计算出来的规划路线的理论不确定度，向用户推荐对应的规划道路；
[0182]
其中，所述根据至少一个道路路段和至少一个路口，以及预设的预计到达时间不确定度的模型，计算规划道路对应的到达时间的理论不确定度是采用前述到达时间不确定度的确定方法来确定的。
[0183]
本发明实施例还提供了一种准点率的确定装置，参照图8所示，包括：
[0184]
分布确定模块81，用于确定道路到达不确定度所服从的正态分布x～n(0，σ2)；
[0185]
用户比例确定模块82，用于根据预设的准点率区间，以及所确定的所述正态分布x～n(0，σ2)，确定落在所述准点率区间内的用户比例，将所述用户比例确定为准点率；
[0186]
其中，所述道路到达不确定度所服从的正态分布x～n(0，σ2)的期望值，通过采用前述到达时间不确定度的确定方法来确定的。
[0187]
在一个实施例中，所述分布确定模块81，具体通过下述公式确定所述正态分布x～n(0，σ2)中的σ的值：其中，e(|x|)为通过到达时间不确定度的确定方法确定的理论不确定度。
[0188]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，，该指令被处理器执行时实现前述到达时间不确定度的确定方法或实现前述推荐规划道路的方法，或实现前述准点率的确定方法。
[0189]
本发明实施例还提供了一种导航客户端，包括：存储器和处理器；其中，所述存储器存储有计算机程序，所述程序被处理器执行时能够实现前述到达时间不确定度的确定方法或实现前述推荐规划道路的方法，或实现前述准点率的确定方法。
[0190]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0191]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0192]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0193]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0194]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。