到达时间预测方法、装置、电子设备及存储介质与流程

1.本发明涉及交通技术领域，尤其是涉及一种到达时间预测方法、装置、电子设备及存储介质。


背景技术：

2.预测到达时间(estimated time of arrival)是智能交通系统的一个重要组成部分。目前，预测到达时间的方法主要分两种，一种是基于gps轨迹的预测到达时间方法，这种方法将预测到达时间(eta)视为一个回归问题，并考虑到gps轨迹包含丰富的时间信息和空间信息，通过使用深度神经网络(dnn)强大的表示能力来捕捉gps轨迹的高维特征，以进行到达时间预测，但这种方法的难点在于gps的空间相关性是多样和复杂的，使得明确地提取每条轨迹的特征成为一种挑战，且预测一个行程的未来gps轨迹是不现实的。另一种是基于路段的预测到达时间方法，这种方法将行程分为一系列单独的路段，并考虑其相互作用，然而，基于路段的预测到达时间方法需要对每个路段使用复杂的神经网络进行特征提取，这需要大量的计算资源，而且在时间上效率很低。因此，如何提供一种到达时间预测方法，提高到达时间预测模型的估计性能，并有效减少计算量，成为亟待解决的问题。


技术实现要素：

3.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种到达时间预测方法，能够提高到达时间的预测精度，同时有效减少计算量，提高时间效率。
4.本发明还提出一种具有上述到达时间预测方法的到达时间预测装置。
5.本发明还提出一种具有上述到达时间预测方法的电子设备。
6.本发明还提出一种计算机可读存储介质。
7.根据本发明第一方面实施例的到达时间预测方法，所述方法包括：
8.获取目标路段数据；
9.根据所述目标路段数据生成路段网络；
10.对所述路段网络进行嵌入处理，得到路段特征向量；
11.通过预设的聚类算法对所述路段特征向量进行聚类处理，得到目标路段序列；
12.通过预设的时空特征提取模型对所述目标路段序列进行特征提取，得到时空特征向量；
13.通过预设的辅助特征提取模型对所述目标路段序列进行特征提取，得到辅助特征向量；
14.根据所述时空特征向量和所述辅助特征向量进行出行时间预测，得到目标行程分类值；
15.根据所述目标行程分类值进行近似估计，得到目标出行时间数据。
16.根据本发明实施例的到达时间预测方法，至少具有如下有益效果：这种到达时间预测方法通过获取目标路段数据；根据目标路段数据生成路段网络；对路段网络进行嵌入
处理，得到路段特征向量；通过预设的聚类算法对路段特征向量进行聚类处理，得到目标路段序列；通过预设的时空特征提取模型对目标路段序列进行特征提取，得到时空特征向量；通过预设的辅助特征提取模型对目标路段序列进行特征提取，得到辅助特征向量；根据时空特征向量和辅助特征向量进行出行时间预测，得到目标行程分类值；根据目标行程分类值进行近似估计，得到目标出行时间数据；通过这种方式能够提高到达时间的预测精度，同时有效减少计算量，提高时间效率。
17.根据本发明的一些实施例，所述对所述路段网络进行嵌入处理，得到路段特征向量，包括：
18.对所述路段网络进行图嵌入处理，得到路段游走序列；
19.对所述路段游走序列进行节点嵌入处理，得到所述路段特征向量。
20.根据本发明的一些实施例，所述通过预设的聚类算法对所述路段特征向量进行聚类处理，得到目标路段序列，包括：
21.通过k-means聚类算法对所述路段特征向量进行聚类处理，得到标签路段序列；
22.根据预设的聚类标签对所述标签路段序列进行合并处理，得到所述目标路段序列。
23.根据本发明的一些实施例，所述通过预设的时空特征提取模型对所述目标路段序列进行特征提取，得到时空特征向量，包括：
24.通过第一循环网络层对所述目标路段序列进行前向特征提取，得到前向隐藏向量；
25.通过第二循环网络层对所述目标路段序列进行后向特征提取，得到后向隐藏向量；
26.对所述前向隐藏向量和所述后向隐藏向量进行融合处理，得到所述时间特征向量。
27.根据本发明的一些实施例，所述通过预设的辅助特征提取模型对所述目标路段序列进行特征提取，得到辅助特征向量，包括：
28.根据预设的行程时间类别标签对所述目标路段序列进行分类处理，得到行程时间类别值；
29.通过预设的概率密度函数对所述行程时间类别值进行概率计算，得到行程时间类别值对应的分类概率值；
30.对获取到的行程距离进行归一化处理，得到归一化的行程距离值；
31.对获取到的出行时间和出行天气分别进行嵌入处理，得到出行时间类别值和出行天气类别值；
32.对所述归一化的行程距离值、出行时间类别值、出行天气类别值以及所述分类概率值进行融合处理，得到所述辅助特征向量。
33.根据本发明的一些实施例，所述根据所述时空特征向量和所述辅助特征向量进行出行时间预测，得到目标行程分类值，包括：
34.对所述时空特征向量进行预测处理，得到第一预测数据；
35.对所述辅助特征向量进行预测处理，得到第二预测数据；
36.对所述第一预测数据和所述第二预测数据进行拼接处理，得到第三预测数据；
37.对所述第三预测数据进行预测处理，得到目标行程分类值。
38.根据本发明的一些实施例，所述根据所述目标行程分类值进行近似估计，得到目标出行时间数据，包括：
39.获取所述目标行程分类值对应的分类置信度；
40.根据所述分类置信度对所述目标行程分类值进行近似估计，得到目标出行时间数据。
41.根据本发明第二方面实施例的到达时间预测装置，到达时间预测装置包括：
42.获取模块，用于获取目标路段数据；
43.生成模块，用于根据所述目标路段数据生成路段网络；
44.嵌入模块，用于对所述路段网络进行嵌入处理，得到每个路段的特征向量；
45.聚类模块，用于通过预设的聚类算法对所述特征向量进行聚类处理，得到目标路段序列；
46.第一提取模块，用于通过预设的时空特征提取模型对所述目标路段序列进行特征提取，得到时空特征向量；
47.第二提取模块，用于通过预设的辅助特征向量模型对所述目标路段序列进行特征提取，得到辅助特征向量；
48.预测模块，用于根据所述时空特征向量和所述辅助特征向量进行出行时间预测，得到目标行程分类值；
49.近似估计模块，用于根据所述目标行程分类值进行近似估计，得到目标出行时间数据。
50.根据本发明实施例的到达时间预测装置，至少具有如下有益效果：这种到达时间预测装置通过获取模块获取目标路段数据；生成模块根据目标路段数据生成路段网络；嵌入模块对路段网络进行嵌入处理，得到路段特征向量；聚类模块通过预设的聚类算法对路段特征向量进行聚类处理，得到目标路段序列；第一提取模块通过预设的时空特征提取模型对目标路段序列进行特征提取，得到时空特征向量；第二提取模块通过预设的辅助特征向量提取模型对目标路段序列进行特征提取，得到辅助特征向量；根据时空特征向量和辅助特征向量进行出行时间预测，得到目标行程分类值；近似估计模块根据目标行程分类值进行近似估计，得到目标出行时间数据；通过这种方式能够提高到达时间的预测精度，同时有效减少计算量，提高时间效率。
51.根据本发明第三方面实施例的电子设备，包括存储器、处理器及存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明上述第一方面实施例的到达时间预测方法。
52.根据本发明实施例的电子设备，至少具有如下有益效果：这种电子设备采用上述到达时间预测方法通过获取目标路段数据；根据目标路段数据生成路段网络；对路段网络进行嵌入处理，得到路段特征向量；通过预设的聚类算法对路段特征向量进行聚类处理，得到目标路段序列；通过预设的时空特征提取模型对目标路段序列进行特征提取，得到时空特征向量；通过预设的辅助特征提取模型对目标路段序列进行特征提取，得到辅助特征向量；根据时空特征向量和辅助特征向量进行出行时间预测，得到目标行程分类值；根据目标行程分类值进行近似估计，得到目标出行时间数据；通过这种方式能够提高到达时间的预
测精度，同时有效减少计算量，提高时间效率。
53.根据本发明第四方面实施例的计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述第一方面实施例的到达时间预测方法。
54.根据本发明实施例的计算机可读存储介质，至少具有如下有益效果：计算机可读存储介质存储有计算机可执行指令，计算机可执行指令通过采用上述到达时间预测方法，通过获取目标路段数据；根据目标路段数据生成路段网络；对路段网络进行嵌入处理，得到路段特征向量；通过预设的聚类算法对路段特征向量进行聚类处理，得到目标路段序列；通过预设的时空特征提取模型对目标路段序列进行特征提取，得到时空特征向量；通过预设的辅助特征提取模型对目标路段序列进行特征提取，得到辅助特征向量；根据时空特征向量和辅助特征向量进行出行时间预测，得到目标行程分类值；根据目标行程分类值进行近似估计，得到目标出行时间数据；通过这种方式能够提高到达时间的预测精度，同时有效减少计算量，提高时间效率。
55.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
56.下面结合附图和实施例对本发明做进一步的说明，其中：
57.图1是本发明一个实施例的到达时间预测方法的流程图；
58.图2是图1中步骤s300的流程图；
59.图3是图1中步骤s400的流程图；
60.图4是图1中步骤s500的流程图；
61.图5是图1中步骤s600的流程图；
62.图6是图1中步骤s700的流程图；
63.图7是图1中步骤s800的流程图；
64.图8是本发明另一实施例的到达时间预测装置的结构示意图。
65.附图标记：910、获取模块；920、生成模块；930、嵌入模块；940、聚类模块；950、第一提取模块；960、第二提取模块；970、预测模块；980、近似估计模块。
具体实施方式
66.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
67.在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
68.在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的
技术特征的数量或者隐含指明所指示的技术特征的先后关系。
69.本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
70.本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
71.第一方面，参照图1，本发明实施例的到达时间预测方法包括：
72.s100，获取目标路段数据；
73.s200，根据目标路段数据生成路段网络；
74.s300，对路段网络进行嵌入处理，得到路段特征向量；
75.s400，通过预设的聚类算法对路段特征向量进行聚类处理，得到目标路段序列；
76.s500，通过预设的时空特征提取模型对目标路段序列进行特征提取，得到时空特征向量；
77.s600，通过预设的辅助特征提取模型对目标路段序列进行特征提取，得到辅助特征向量；
78.s700，根据时空特征向量和辅助特征向量进行出行时间预测，得到目标行程分类值；
79.s800，根据目标行程分类值进行近似估计，得到目标出行时间数据。
80.在对到达时间进行预测时，先获取目标路段数据，需要说明的是，用link表示一个路段，它被定义为一个三元组[l
id
,l
ratio
,l
status
]，其中，l
id
表示该路段的id号；l
ratio
表示该路段在一次行程中的覆盖比率，其中l
ratio
∈(0,1]，除了行程中的第一个和最后一个路段外，其余路段的l
ratio
＝1；l
status
表示行程出发时的路段状态，l
status
包括五种类型，分别为0-未知，1-畅通，2-缓慢，3-拥堵和4-极端拥堵。根据目标路段数据生成路段网络，基本路段网络表示为路段的有向图g＝(v,a)。其中，v表示节点的集合，即网络中的路段集合，路段之间的连通性用a表示，例如，a
ij
＝1表示路段j是路段i的下游路段。对路段网络进行嵌入处理，得到路段特征向量；通过预设的聚类算法对路段特征向量进行聚类处理，得到目标路段序列，目标路段序列是对空间相邻的路段进行合并的路段序列，将空间上相邻的路段进行合并能够减少路段序列数量变化的影响，同时还能够减少时空特征提取模型的计算量。通过预设的时空特征提取模型对目标路段序列进行特征提取，得到时空特征向量，例如采用bigru(双向门控递归单元)神经网络模型对目标路段序列提取时空特征，从而进一步提取高维的时空特征向量。通过预设的辅助特征提取模型对目标路段序列进行特征提取，得到辅助特征向量，需要说明的是，从目标路段序列提取了时空特征向量后，还考虑了其他行程特征，并将行程时间分为多个类别，并嵌入了行程距离、出行时间和出行天气的外部属性，从而提高了到达时间预测模型的估计性能。根据时空特征向量和辅助特征向量进行出行时间预测，得到目标行程分类值。根据目标行程分类值进行近似估计，得到目标出行时间数据，将时空特征向量和辅助特征向量输入预测模型，通过各种类别的加权近似值来估计到
达时间，这种分类近似方法相较于回归方法能够减少由行程时间分布不均匀引起的误差，且计算量较少，有效提高了时间效率，实现了高精度的估计性能。
[0081]
参照图2，在一些实施例中，步骤s300，包括：
[0082]
s310，对路段网络进行图嵌入处理，得到路段游走序列；
[0083]
s320，对路段游走序列进行节点嵌入处理，得到路段特征向量。
[0084]
在对到达时间进行预测时，得到了路段网络后，为了减少路段序列数量的波动，同时也为了减少计算量，先将空间上相邻的路段进行合并。具体地，在对路段序列进行合并的过程中，先对路段网络进行图嵌入处理，其中，使用deepwalk网络嵌入模型来进行图嵌入处理，deepwalk网络嵌入模型使用从特定节点开始的随机游走以得到路段游走序列，然后通过skip-gram嵌入模型对路段游走序列进行节点嵌入处理，从而得到路段特征向量。其中，嵌入学习模型可用以下公式进行表示：
[0085][0086]
其中，定义一个游走序列为w＝{v1,v2,...,vn}，v表示路段网络中的一个节点，vi表示游走序列{v
i-w,...,v
i w
}中的一个节点，w表示窗口的大小，θ表示一个经验的两层神经网络。
[0087]
学习过程是使vi的相邻节点在窗口大小为w的游走序列中的概率最大化。嵌入学习后，具有共同邻居的节点具有相似的嵌入。在一些具体实施例中，将游走的步长设定为30，窗口的大小设定为10。
[0088]
参照图3，在一些实施例中，步骤s400，包括：
[0089]
s410，通过k-means聚类算法对路段特征向量进行聚类处理，得到标签路段序列；
[0090]
s420，根据预设的聚类标签对标签路段序列进行合并处理，得到目标路段序列。
[0091]
在对路段网络进行嵌入处理后，使用k-means聚类方法对路段特征向量进行聚类处理，经过聚类处理后得到标签路段序列，然后根据预设的聚类标签对标签路段序列进行合并处理，从而得到目标路段序列。目标路段序列用l
′
＝{l
′1,l
′2,...,l
′d}表示，而网络中的原始路段为l＝{l1,l2,...,ln}，其中d《n，这个过程可以表示为{li,l
i 1
,...,lj}
→
l
′
，而合并的路段序列l
′
中合并的路段的数量表示为|l
′
|。目标路段序列的路段特征通过以下公式进行表示：
[0092][0093][0094][0095]
其中，l
′
len
表示l
′
在整个路段序列l中的权重。由于l
status
是通过类别表示，则将l
status
通过one-hot编码到b5后，可以得到一个形状为rd×7的合并的目标路段序列l
′
。
[0096]
参照图4，在一些实施例中，步骤s500，包括：
[0097]
s510，通过第一循环网络层对目标路段序列进行前向特征提取，得到前向隐藏向
量；
[0098]
s520，通过第二循环网络层对目标路段序列进行后向特征提取，得到后向隐藏向量；
[0099]
s530，对前向隐藏向量和后向隐藏向量进行融合处理，得到时间特征向量。
[0100]
在对空间上相邻的路段进行合并得到目标路段序列后，通过gru神经网络模型对目标路段序列进行特征提取，gru神经网络模型包含复位门和更新门，复位门和更新门是门控单元，用于决定在下一个状态下是保存还是删除信息。例如，给定一个序列x作为输入量，则时间戳t的隐藏状态可以通过以下公式进行计算：
[0101]rt
＝σ(wr·
[h
t-1
,x
t
]),
[0102]zt
＝σ(wz·
[h
t-1
,x
t
]),
[0103][0104][0105]
其中，r
t
表示复位门，z
t
表示更新门，h
t-1
表示前一个状态的隐藏状态，表示当前的候选状态，σ表示sigmoid激活函数，*表示hadamard积。通过利用bigru模型作为提取组件，堆叠了两个gru层来捕获目标路段序列的前向隐藏状态和后向隐藏状态，具体地，将目标路段序列l
′
＝{l
′1,l
′2,...,l
′d}输入bigru模型，通过第一循环网络层对目标路段序列进行前向特征提取，得到前向隐藏向量；通过第二循环网络层对目标路段序列进行后向特征提取，得到后向隐藏向量。在时间t的前向隐藏状态用表示，后向隐藏状态为对前向隐藏状态和后向隐藏状态进行融合处理，从而得到时间特征向量在一些具体实施例中，设定bigru模型的隐藏单元大小为256。
[0106]
参照图5，在一些实施例中，步骤s600，包括：
[0107]
s610，根据预设的行程时间类别标签对目标路段序列进行分类处理，得到行程时间类别值；
[0108]
s620，通过预设的概率密度函数对行程时间类别值进行概率计算，得到行程时间类别值对应的分类概率值；
[0109]
s630，对获取到的行程距离进行归一化处理，得到归一化的行程距离值；
[0110]
s640，对获取到的出行时间和出行天气分别进行嵌入处理，得到出行时间类别值和出行天气类别值；
[0111]
s650，对归一化的行程距离值、出行时间类别值、出行天气类别值以及分类概率值进行融合处理，得到辅助特征向量。
[0112]
在得到目标路段序列的时间特征向量后，为了减少由行程时间分布不均匀引起的误差，将行程时间转换为分类值，即根据预设的行程时间类别标签对目标路段序列进行分类处理，从而得到行程时间类别值，其中，每个类别中的行程数量相同。然后通过预设的概率密度函数对行程时间类别值进行概率计算，从而得到行程时间类别值对应的分类概率值，分类概率值通过以下公式进行计算：
[0113][0114]
其中，c表示行程时间的类别数量，f(t)表示训练集中行程时间的概率密度函数，βi表示i类的阈值，i类的标签ci表示该类中所有行程的平均行程时间。
[0115]
另外，由于一些外部属性会对行程时间有影响，因此，还嵌入了行程距离值、出行时间类别值和出行天气类别值，从而提高系统的估计性能。具体地，由于行程距离、出行时间及出行天气会对行程时间有重要的影响，因此对获取到的行程距离通过z-score模型进行归一化处理，从而得到归一化的行程距离值，而对出行时间和出行天气分别进行嵌入处理，具体地，将出发时间嵌入到r8，将出发日期嵌入到r3，将出行天气嵌入到r3，以得到出行时间类别值和出行天气类别值，对归一化的行程距离值、出行时间类别值、出行天气类别值以及分类概率值进行融合处理，得到了辅助特征向量。
[0116]
参照图6，在一些实施例中，步骤s700，包括：
[0117]
s710，对时空特征向量进行预测处理，得到第一预测数据；
[0118]
s720，对辅助特征向量进行预测处理，得到第二预测数据；
[0119]
s730，对第一预测数据和第二预测数据进行拼接处理，得到第三预测数据；
[0120]
s740，对第三预测数据进行预测处理，得到目标行程分类值。
[0121]
得到目标路段序列的时空特征向量和辅助特征向量后，设置一个预测模型来得到目标行程分类值。其中，预测模型由三组连续的全连接层(fully connect layer，fcl)构成，分别为fc-link、fc-attr和fc-out。fc-link使用时空特征向量作为输入，而fc-attr使用辅助特征向量作为输入。fc-link和fc-attr都有相同的隐藏层和输出层大小，在一些具体实施例中，隐藏层和输出层的大小分别设置为1024元和128元。fc-link输出第一预测数据，fc-attr输出第二预测数据，对第一预测数据和第二预测数据进行拼接处理，得到了第三预测数据，第三预测数据被送入fc-out，fc-out隐含层的大小被设定为1024，而输出层的大小取决于类的数量，除了在fc-out中的输出层，还应用整流线性单元(relu)作为其他层的激活。在训练阶段，还通过随机剔除fc层中20％的神经元之间的连接以防止过拟合。fc-out对第三预测数据进行预测处理，并将结果输出至softmax函数进行处理，从而得到目标行程分类值，softmax函数公式定义如下：
[0122][0123]
其中，c表示类别数，pi表示输入属于i类的概率。损失函数ls使用分类交叉熵损失函数，其通过以下公式进行定义：
[0124][0125]
其中，yi表示输入属于i类的标签。ls可以通过梯度下降算法进行优化。
[0126]
参照图7，在一些实施例中，步骤s800，包括：
[0127]
s810，获取目标行程分类值对应的分类置信度；
[0128]
s820，根据分类置信度对目标行程分类值进行近似估计，得到目标出行时间数据。
[0129]
得到目标行程分类值后，获取目标行程分类值对应的分类置信度，并选择置信度较高的类别，然后通过相应分类标签的加权平均来估计到达时间，如果一个行程在几个类
别中具有相似的置信度，那么这个行程的行程时间就会接近这些类别的阈值。具体地，将softmax函数的输出概率作为分类结果的置信度，并选择具有最大k概率的类作为k。超参数k定义了近似程度，它表示了近似的类别数量。从而，目标出行时间数据通过以下公式计算得到：
[0130][0131]
其中，表示预测的目标出行时间数据，pj表示softmax函数的概率输出，cj表示类别标签，k表示pj相对较高的类别的集合。
[0132]
第二方面，参照图8，本发明实施例的到达时间预测装置包括：
[0133]
获取模块910，用于获取目标路段数据；
[0134]
生成模块920，用于根据目标路段数据生成路段网络；
[0135]
嵌入模块930，用于对路段网络进行嵌入处理，得到路段特征向量；
[0136]
聚类模块940，用于通过预设的聚类算法对路段特征向量进行聚类处理，得到目标路段序列；
[0137]
第一提取模块950，用于通过预设的时空特征提取模型对目标路段序列进行特征提取，得到时空特征向量；
[0138]
第二提取模块960，用于通过预设的辅助特征提取模型对目标路段序列进行特征提取，得到辅助特征向量；
[0139]
预测模块970，用于根据时空特征向量和辅助特征向量进行出行时间预测，得到目标行程分类值；
[0140]
近似估计模块980，用于根据目标行程分类值进行近似估计，得到目标出行时间数据。
[0141]
在对到达时间进行预测时，获取模块910获取目标路段数据；进而，生成模块920根据目标路段数据生成路段网络；嵌入模块930对路段网络进行嵌入处理，得到路段特征向量；聚类模块940通过预设的聚类算法对路段特征向量进行聚类处理，得到目标路段序列，具体地，目标路段序列是对空间相邻的路段进行合并的路段序列，这样能够减少路段序列数量变化的影响，同时还能够减少时空特征提取模型的计算量；第一提取模块950通过预设的时空特征提取模型对目标路段序列进行特征提取，得到时空特征向量；第二提取模块960通过预设的辅助特征提取模型对目标路段序列进行特征提取，得到辅助特征向量；预测模块970根据时空特征向量和辅助特征向量进行出行时间预测，得到目标行程分类值；近似估计模块980根据目标行程分类值进行近似估计，得到目标出行时间数据；与回归方法相比，这种分类近似方法使用不同类别的加权平均对行程时间进行近似拟合，从而能够减少行程属性分布不均引起的误差，进而提高预测精度，通过这种方式还能够提高到达时间的预测精度，同时有效减少计算量，提高时间效率。
[0142]
第三方面，本发明实施例的电子设备，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；其中，存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时实现如第一方面实施例的到达时间预测方法。
[0143]
这种电子设备通过采用上述到达时间预测方法，通过获取目标路段数据；根据目
标路段数据生成路段网络；对路段网络进行嵌入处理，得到路段特征向量；通过预设的聚类算法对路段特征向量进行聚类处理，得到目标路段序列；通过预设的时空特征提取模型对目标路段序列进行特征提取，得到时空特征向量；通过预设的辅助特征提取模型对目标路段序列进行特征提取，得到辅助特征向量；根据时空特征向量和辅助特征向量进行出行时间预测，得到目标行程分类值；根据目标行程分类值进行近似估计，得到目标出行时间数据；通过这种方式能够提高到达时间的预测精度，同时有效减少计算量，提高时间效率。
[0144]
第四方面，本发明还提出一种计算机可读存储介质。计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如第一方面实施例的到达时间预测方法。
[0145]
计算机可读存储介质存储有计算机可执行指令，计算机可执行指令通过采用上述到达时间预测方法，通过获取目标路段数据；根据目标路段数据生成路段网络；对路段网络进行嵌入处理，得到路段特征向量；通过预设的聚类算法对路段特征向量进行聚类处理，得到目标路段序列；通过预设的时空特征提取模型对目标路段序列进行特征提取，得到时空特征向量；通过预设的辅助特征提取模型对目标路段序列进行特征提取，得到辅助特征向量；根据时空特征向量和辅助特征向量进行出行时间预测，得到目标行程分类值；根据目标行程分类值进行近似估计，得到目标出行时间数据；通过这种方式能够提高到达时间的预测精度，同时有效减少计算量，提高时间效率。
[0146]
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。