到达时间的预估方法、装置、存储介质、电子设备及产品与流程

1.本技术涉及人工智能技术领域，具体涉及一种到达时间的预估方法、装置、存储介质、电子设备及产品。


背景技术：

2.到达时间的预估(estimated time of arrival，eta)，即给定一条路线和出发时间，采用预设预估模型预估出走完这条路线所需要的时间，从而得到到达时间。
3.目前，到达时间的预估的预设预估模型，通常包括基于规则、基于树及基于神经网络的模型。其中，基于规则和基于树的模型，难以实现模型的实时更新，通常最快的模型更新频率为天级，由于更新不及时，预设预估模型对于到达时间的预估效果会较差；基于神经网络的模型可以做到实时更新，但通常是直接更新原有神经网络的参数，这样的缺点是模型容易发生灾难性遗忘，即采用了最新数据训练模型以后，模型之前学到的规律难以得到保持，使得预设预估模型对于到达时间的预估效果变差。
4.因此，目前存在到达时间的预估效果较差的问题，导致用户体验较差。


技术实现要素：

5.本技术实施例提供一种到达时间的预估方法及相关装置，可以在不必对预设预估模型进行调整的情况下，有效提升到达时间的预估效果，提升用户体验。
6.为解决上述技术问题，本技术实施例提供以下技术方案：
7.根据本技术的一个实施例，一种到达时间的预估方法，该方法包括：获取在预定出发时间下候选路线对应的预估到达时间，所述预估到达时间为采用预设预估模型所预估得到的；获取所述候选路线对应的残差网络参数，所述残差网络参数为定期根据经由所述候选路线的用户的行驶数据对残差计算网络进行训练得到的；对所述预定出发时间进行特征提取处理，得到预定出发时间特征；采用所述残差计算网络，基于所述残差网络参数与所述预定出发时间特征进行残差计算处理，得到到达时间残差；根据所述预估到达时间与所述到达时间残差，得到所述候选路线对应的路线到达时间。
8.根据本技术的一个实施例，一种到达时间的预估装置，其包括：时间获取模块，用于获取在预定出发时间下候选路线对应的预估到达时间，所述预估到达时间为采用预设预估模型所预估得到的；参数获取模块，用于获取所述候选路线对应的残差网络参数，所述残差网络参数为定期根据经由所述候选路线的用户的行驶数据对残差计算网络进行训练得到的；时间表征模块，用于对所述预定出发时间进行特征提取处理，得到预定出发时间特征；计算处理模块，用于采用所述残差计算网络，基于所述残差网络参数与所述预定出发时间特征进行残差计算处理，得到到达时间残差；到达时间模块，用于根据所述预估到达时间与所述到达时间残差，得到所述候选路线对应的路线到达时间。
9.在本技术的一些实施例中，所述装置还包括参数更新模块，用于：定期获取经由所述候选路线的用户的行驶数据，所述行驶数据包括当时出发时间及所述候选路线对应的路
段序列；基于所述当时出发时间提取当时出发时间特征，并基于所述路段序列提取初始路段序列特征；采用所述残差计算网络，基于所述当时出发时间特征及所述初始路段序列特征进行残差计算处理，得到预测残差；根据所述预测残差对所述初始路段序列特征进行调整，直至符合预定条件，得到目标路段序列特征，所述残差网络参数包括所述目标路段序列特征。
10.在本技术的一些实施例中，所述行驶数据还包括预测到达时间及实际到达时间；参数更新模块，用于：根据所述预测残差与所述预测到达时间，得到修正到达时间；根据所述修正到达时间及所述实际到达时间的误差，对所述初始路段序列特征进行调整，直至所述误差符合预定误差条件，得到目标路段序列特征。
11.在本技术的一些实施例中，所述时间表征模块，用于：将所述预定出发时间与所述预定时间周期内的时间点进行计算处理，得到所述预定时间周期内的时间点对应的计算数值；根据所述预定时间周期内的时间点对应的计算数值，得到所述预定出发时间对应的预定出发时间特征。
12.在本技术的一些实施例中，所述时间表征模块，用于实现以下方式中一种：计算所述预定出发时间与所述预定时间周期内的时间点的时间差，并将所述时间差除去预定时间粒度，得到所述预定时间周期内的时间点对应的计算数值；将所述预定时间周期内的时间点绕单位圆分布，得到时间点圆，并计算所述预定出发时间在所述时间点圆上对应的坐标值，得到所述预定时间周期内的时间点对应的计算数值。
13.在本技术的一些实施例中，所述计算处理模块，用于：将所述残差网络参数与所述预定出发时间特征进行融合处理，得到残差特征；根据所述残差特征得到所述到达时间残差。
14.在本技术的一些实施例中，所述残差网络参数包括目标路段序列特征，所述目标路段序列特征包括所述候选路线中各路段对应的路段特征；所述计算处理模块，用于：将各路段对应的路段特征与所述预定出发时间特征进行求内积运算，得到各路段对应的残差特征；将各路段对应的残差特征处理为恒正数值，并将各路段对应的恒正数值求平均，得到所述到达时间残差。
15.在本技术的一些实施例中，所述到达时间模块，用于实现以下方式中一种：将所述预估到达时间与所述到达时间残差累加，得到所述候选路线对应的路线到达时间；将所述预估到达时间与所述到达时间残差基于预定权重进行加权求和，得到所述候选路线对应的路线到达时间。
16.根据本技术的另一实施例，一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行本技术实施例所述的方法。
17.根据本技术的另一实施例，一种电子设备，包括：存储器，存储有计算机程序；处理器，读取存储器存储的计算机程序，以执行本技术实施例所述的方法。
18.根据本技术的另一实施例，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本技术实施例所述的各种可选实现方式中提供的方法。
19.本技术实施例中，获取在预定出发时间下候选路线对应的预估到达时间，所述预
估到达时间为采用预设预估模型所预估得到的；获取所述候选路线对应的残差网络参数，所述残差网络参数为定期根据经由所述候选路线的用户的行驶数据对残差计算网络进行训练得到的；对所述预定出发时间进行特征提取处理，得到预定出发时间特征；采用所述残差计算网络，基于所述残差网络参数与所述预定出发时间特征进行残差计算处理，得到到达时间残差；根据所述预估到达时间与所述到达时间残差，得到所述候选路线对应的路线到达时间。
20.以这种方式，针对预设预估模型所预估得到的预估到达时间，通过残差计算网络基于残差网络参数与预定出发时间特征计算到达时间残差，基于根据预估到达时间与到达时间残差得到校准后的路线到达时间，该路线到达时间相较于初始的预估到达时间准确性更高，可以不必对预设预估模型进行实时更新且避免更新预设预估模型导致模型灾难性遗忘，进而，在不必对预设预估模型进行调整的情况下，有效提升到达时间的预估效果，提升用户体验。
附图说明
21.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1示出了一种可以应用本技术实施例的系统的示意图。
23.图2示出了根据本技术的一个实施例的到达时间的预估方法的流程图。
24.图3示出了根据本技术的一种场景下到达时间预估服务框架的框架图。
25.图4示出了根据本技术的一个示例的参数更新流程的示意图。
26.图5示出了根据本技术的一个实施例的到达时间的预估装置的框图。
27.图6示出了根据本技术的一个实施例的电子设备的框图。
具体实施方式
28.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
29.可以理解的是，在本技术的具体实施方式中，涉及到候选路线、预定出发时间等相关的数据，当本技术中实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
30.图1示出了可以应用本技术实施例的系统100的示意图。如图1所示，系统100可以包括服务器101及终端102。
31.服务器101可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。
32.终端102可以是任意的设备，终端102包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、vr/ar设备、智能手表以及计算机等等。一种实施方式中，服务器101或终端102可以是区块链网络、地图或车联网平台中的节点设备。
33.本示例的一种实施方式中，服务器101或终端102可以：获取在预定出发时间下候选路线对应的预估到达时间，所述预估到达时间为采用预设预估模型所预估得到的；获取所述候选路线对应的残差网络参数，所述残差网络参数为定期根据经由所述候选路线的用户的行驶数据对残差计算网络进行训练得到的；对所述预定出发时间进行特征提取处理，得到预定出发时间特征；采用所述残差计算网络，基于所述残差网络参数与所述预定出发时间特征进行残差计算处理，得到到达时间残差；根据所述预估到达时间与所述到达时间残差，得到所述候选路线对应的路线到达时间。
34.本技术实施的到达时间的预估方案可以应用的场景包括但不限于：
35.(1)用户发起导航时，后台首先提供若干候选路线，然后利用本技术的方案计算出每条候选路线的路线到达时间，然后从若干候选路线中选择一条最快的候选路线，提供给用户；
36.(2)进入导航状态以后，每隔一定时间，利用本技术的方案计算剩余路程(即以剩余路线作为实时的候选路线)的路线到达时间，方便用户安排行程；
37.(3)可以利用本技术的方案计算出一个等时可达圈(即路线到达时间相同的候选路线形成的可达圈)，例如半小时可达圈、一小时可达圈等，方便用户了解某地点的生活半径；
38.(4)外卖派送时，可以利用本技术的方案准确的计算各条候选路线的路线到达时间，从而更好的给配送员派单，提高送货效率；
39.(5)手机打车场景下，可以利用本技术的方案准确的计算各条候选路线的路线到达时间，从而更好的安排司机师傅接单，提高客运效率；
40.(6)可以利用本技术的方案给出各候选路线的路线到达时间，供上游服务使用，以便评价各候选路线的优劣，进而给用户推送最优路线；
41.(7)可以给出候选路线各路段对路线到达时间的影响权重，供上游服务使用，例如用来躲避拥堵、对预估的到达时间进行解释等。
42.图2示意性示出了根据本技术的一个实施例的到达时间的预估方法的流程图。该到达时间的预估方法的执行主体可以是任意的设备，例如图1所示的服务器101或者终端102。
43.如图2所示，该到达时间的预估方法可以包括步骤s210至步骤s250。
44.步骤s210，获取在预定出发时间下候选路线对应的预估到达时间，预估到达时间为采用预设预估模型所预估得到的；步骤s220，获取候选路线对应的残差网络参数，残差网络参数为定期根据经由候选路线的用户的行驶数据对残差计算网络进行训练得到的；步骤s230，对预定出发时间进行特征提取处理，得到预定出发时间特征；步骤s240，采用残差计算网络，基于残差网络参数与预定出发时间特征进行残差计算处理，得到到达时间残差；步骤s250，根据预估到达时间与到达时间残差，得到候选路线对应的路线到达时间。
45.候选路线可以时起点和终点之间的路线，在地图应用中，路线可以是一条完整的连接起点和终点的线路，实际场景中，通常一条路线的长度可以在一公里到几十公里的范
围内。每条候选路线可以由至少一条路段(link)组成，在地图应用中，路线是用路段(link)的序列来表达的，在地图数据中，线路被划分为一段一段的线段，这些线段的长度可以在几十米到几公里不等，每个线段称可以为一个路段，并可以被赋予一个全局唯一的标识(id)，因此，地图中的一条路线，就是这条路线中所有路段组成的。预定出发时间可以是用户指定的时间或者实时时间(例如用户在导航过程中实时的时间)。
46.预设预估模型可以是基于规则、基于树或基于神经网络的模型，步骤s210之前，预设预估模型可以根据候选路线对应的路段序列中路线特征进行分析处理，得到走完候选路线的耗时，进而，耗时与预定出发时间之和即预估到达时间。其中，基于规则的模型可以根据路段序列中每个路段的长度、速度、红绿灯等路线特征，利用预估规则估计出每个路段的通过时间，再加上每个路口的通过时间，将通过时间累加起来构成整条候选路线的耗时。基于树的模型的方案中，可以先提取出整条路段序列的路线特征，路线特征例如全程总路程、预定出发时刻的全程平均速度、全程红绿灯总数、全程拥堵里程占比等特征，然后将这些路线特征输入到基于树的模型中，得到模型输出的整条候选路线的耗时；其中，基于树的模型例如基于梯度提升决策树(gradient boosting decision tree,gbdt)的模型。基于神经网络的模型的方案中，可以先提取出整条路段序列的路线特征或提取路段序列中每个路段的路线特征，将路线特征输入基于神经网络的模型，得到模型输出的整条候选路线的耗时；其中，神经网络的网络结构可以是卷积神经网络(convolutional neural network，cnn)、循环神经网络(recurrent neural network,rnn)等。
47.采用预设预估模型预估得到在预定出发时间下候选路线对应的预估到达时间后，可以在步骤s210获取到在预定出发时间下候选路线对应的该预估到达时间。进一步的，可以获取候选路线对应的残差网络参数，该残差网络参数为定期根据经由候选路线的用户的行驶数据对残差计算网络进行训练得到的，其中，定期可以根据实际情况设定，例如，定期可以是一周、一天、一分钟等等，定期训练得到的残差网络参数可以存储在预定位置，可以从该预定位置获得残差网络参数。
48.对预定出发时间进行特征提取处理，可以得到预定出发时间对应的预定出发时间特征，预定出发时间特征可以是向量形式的特征向量。采用残差计算网络，基于残差网络参数与预定出发时间特征进行残差计算处理，可以得到到达时间残差。进一步的，根据预估到达时间与到达时间残差，得到候选路线对应的校准后的路线到达时间。
49.以这种方式，基于步骤s210至步骤s250，针对预设预估模型所预估得到的预估到达时间，通过残差计算网络基于残差网络参数与预定出发时间特征计算到达时间残差，基于根据预估到达时间与到达时间残差得到校准后的路线到达时间，该路线到达时间相较于初始的预估到达时间准确性更高，可以不必对预设预估模型进行实时更新且避免更新预设预估模型导致模型灾难性遗忘，进而，在不必对预设预估模型进行调整的情况下，有效提升到达时间的预估效果，提升用户体验。
50.例如，预设预估模型可以导航平台线上部署的用于预估到达时间的预估模型，基于本提案的方案，可以通过到达时间残差对预设预估模型预估的预估到达时间进行修正，得到准确地路线到达时间。不必对线上已经部署的预设预估模型进行高频率的实时调整，便可以得到准确地路线到达时间。此外，避免更新预设预估模型导致模型灾难性遗忘。基于本提案地方案，在不必对导航平台线上部署的预设预估模型进行调整的情况下，有效提升
到达时间的预估效果，提升导航平台的用户体验。
51.下面描述图2中到达时间的预估的实施例下，所进行的各步骤下进一步的具体可选实施例。
52.一种实施例中，在步骤s220，获取候选路线对应的残差网络参数之前，还可以包括：
53.定期获取经由候选路线的用户的行驶数据，行驶数据包括当时出发时间及候选路线对应的路段序列；基于当时出发时间提取当时出发时间特征，并基于路段序列提取初始路段序列特征；采用残差计算网络，基于当时出发时间特征及初始路段序列特征进行残差计算处理，得到预测残差；根据预测残差对初始路段序列特征进行调整，直至符合预定条件，得到目标路段序列特征，残差网络参数包括目标路段序列特征。
54.定期获取经由候选路线的用户的行驶数据，可以从相关平台(例如导航平台)中定期收集用户经由候选路线的轨迹数据，候选路线的轨迹数据可以是由轨迹点数据(例如gps点对应的gps点数据)构成的序列，每个轨迹点数据可以包括经纬度、时间戳、速度、方向角等信息。从轨迹数据中即可以提取出用户经由候选路线的出发时刻(即当时出发时间)，以及提取出用户完整走完候选路线的时间(即ata，实际到达时间)，以及提取到预测到达时间。进一步的，还可以通过轨迹匹配算法(例如隐马尔科夫模型、循环神经网络等)将每个每个轨迹点数据匹配到对应的路段上得到路段标识序列(link id序列)，表示用户走过的路段(link)序列，路段序列中可以包括每个路段对应的轨迹点数据子序列。进而，当时出发时间可以是用户从候选路线的起点出发的时间。候选路线对应的路段序列可以是候选路线中每个路段中用户的轨迹点数据形成的序列，轨迹点数据可以包括经纬度、时间戳、速度、方向角等数据。
55.基于当时出发时间可以提取到当时出发时间对应的当时出发时间特征，当时出发时间特征可以是向量形式的特征向量。基于路段序列可以提取路段序列对应的路段序列特征得到初始路段序列特征，初始路段序列特征中可以包括候选路线中各路段对应的路段特征，初始路段序列特征可以是向量形式的特征向量。其中，可以使用神经网络中常用的特征提取(embedding)方式提取路段序列对应的初始路段序列特征，例如，可以通过卷积网络等特征提取网络提取路段序列对应的初始路段序列特征。
56.采用残差计算网络，残差计算网络可以基于当时出发时间特征及初始路段序列特征进行残差进行计算处理，计算得到预测残差。根据预测残差对初始路段序列特征进行调整，直至符合预定条件(预定条件可以根据实际情况设定)，得到调整后的目标路段序列特征，该残差网络参数具体为目标路段序列特征，目标路段序列特征中可以包括候选路线中各路段对应的路段特征。依此实施方式，残差计算网络可以基于目标路段序列特征与预定出发时间特征进行残差计算处理，得到到达时间残差。
57.一种实施例中，行驶数据还包括预测到达时间及实际到达时间；根据预测残差对初始路段序列特征进行调整，直至符合预定条件，得到目标路段序列特征，可以包括：
58.根据预测残差与预测到达时间，得到修正到达时间；根据修正到达时间及实际到达时间的误差，对初始路段序列特征进行调整，直至误差符合预定误差条件，得到目标路段序列特征。
59.预测到达时间可以是用户经由候选路线的当时相关平台中预设预估模型所预估
得到的。实际到达时间可以是用户行走完该候选路线所实际的用时。将预测残差与预测到达时间直接求和，或将预测残差与预测到达时间基于预定权重进行加权求和，可以得到修正到达时间。
60.根据修正到达时间及实际到达时间的误差，对初始路段序列特征进行更新调整，具体可以根据单样本(即单个用户)或小批量样本(即小批量用户)通过随机梯度下降对初始路段序列特征进行更新。残差计算网络基于调整后的初始路段序列特征可以继续计算得到预测残差；基于该预测残差与预测到达时间可以继续得到修正到达时间，直至继续得到的修正到达时间与实际到达时间的误差符合预定误差条件，调整后的初始路段序列特征即目标路段序列特征。其中，误差可以采用mape、mse等方式计算，其中，mape＝|eta-ata|/ata，mse＝(eta-ata)2，eta可以表示修正到达时间，ata可以表示实际到达时间。预定误差条件可以是误差小于预定阈值。
61.一种实施例中，基于当时出发时间提取当时出发时间特征，可以包括：将当时出发时间与预定时间周期内的时间点进行计算处理，得到预定时间周期内的时间点对应的计算数值；根据预定时间周期内的时间点对应的计算数值，得到当时出发时间对应的当时出发时间特征。
62.预定时间周期可以是预先指定的时间周期，例如，一天、一周或两周等。本示例的一种方式中，预定时间周期为一周，即预定时间周期为以周一的0:00为起点并以周日的24:00为终点的时间周期。预定时间周期内的时间点的数量可以根据实际情况设定，例如，预定时间周期内的时间点可以包括周一的0:00以及周一的0:00之后的若干个时间点。
63.将当时出发时间与预定时间周期内的各时间点可以进行计算处理，得到预定时间周期内的各时间点对应计算得到的计算数值，其中，一个示例中，将当时出发时间与预定时间周期内的各时间点可以进行计算处理的方式，可以是将当时出发时间与预定时间周期内的各时间点相乘处理等。根据预定时间周期内的各时间点对应的计算数值，可以将各时间点对应的计算数值串联形成当时出发时间对应的当时出发时间特征，进而，当时出发时间特征可以是向量形式的特征向量。
64.一种实施例中，将当时出发时间与预定时间周期内的时间点进行计算处理，得到预定时间周期内的时间点对应的计算数值的方式，包括以下方式中一种：
65.第一种方式，计算当时出发时间与预定时间周期内的时间点的时间差，并将时间差除去预定时间粒度，得到预定时间周期内的时间点对应的计算数值；第二种方式，将预定时间周期内的时间点绕单位圆分布，得到时间点圆，并计算当时出发时间在时间点圆上对应的坐标值，得到预定时间周期内的时间点对应的计算数值。
66.第一种方式中：若预定时间周期为一周，即预定时间周期为以周一的0:00为起点并以周日的24:00为终点的时间周期，预定时间周期内的一个时间点例如周一的0:00，当时出发时间例如周二上午8:00。以分钟为单位(可以理解，根据实际情况可以秒或时为单位)，计算当时出发时间与预定时间周期内的时间点的时间差，可以得到时间差为(24 8)*60＝1920分钟。进一步的，以10分钟为预定时间粒度(可以理解，根据实际情况设定预定时间粒度)，将时间差除去预定时间粒度，得到预定时间周期内的时间点“周一的0:00”对应的计算数值为1920/10＝192。
67.第二种方式中，若预定时间周期为一周，即预定时间周期为以周一的0:00为起点
并以周日的24:00为终点的时间周期，进一步的，若以分钟为最小单位(可以理解，实际使用可以以5分钟、10分钟等为最小单位)，那么一周包含24*7*60＝10080分钟。设这10080分钟个时间点绕单位圆均匀有序分布在一个单位圆的圆周上，使得最后一分钟与第1分钟紧邻，得到围绕单位圆一周(k＝1)的时间点圆；可以根据公式及计算当时出发时间t在时间点圆上对应的坐标值，例如，当时出发时间t为周二上午8:00，它与本周一0:00相差1920分钟，那么周二上午8:00对应的坐标值(即两个计算数值)为和上述处理中，假定了一周的分钟数围绕单位圆一周(k＝1)，进一步的，可以令这10080分钟围绕单位圆任意周数，那么可以根据公式及计算当时出发时间t在时间点圆上对应的坐标值，例如，以k＝2为例，周二上午8:00对应的坐标值(即两个计算数值)即为和和以第二种方式，对于一个当时出发时间，其当时出发时间特征可以表达为任意偶数个数的特征(即计算数值)，只需要k选择更多的数值即可。对于当时出发时间特征需要为奇数个数的特征情况，则可以将最后一个特征置为0，其他特征按上述方法处理即可。因此，上述处理可以将一个时刻处理为任意个数的特征组成的当时出发时间特征。申请人发现，以第二种方式相较于第一种方式，可以进一步整体上提升到达时间的预估效果。
68.一种实施例中，采用残差计算网络，基于当时出发时间特征及初始路段序列特征进行残差计算处理，得到预测残差，可以包括：
69.将初始路段序列特征与当时出发时间特征进行融合处理，得到残差特征；根据残差特征得到预测残差。将初始路段序列特征与当时出发时间特征可以通过求内积运算、拼接等方式可以进行融合处理，得到残差特征；进一步的，可以根据残差特征，将残差特征可以求平均得到预测残差或将残差特征可以直接作为预测残差。
70.一种实施例中，初始路段序列特征包括候选路线中各路段对应的路段特征；将初始路段序列特征与当时出发时间特征进行融合处理，得到残差特征，包括：将初始路段序列特征中各路段对应的路段特征与当时出发时间特征进行求内积运算，得到各路段对应的残差特征；根据残差特征得到预测残差，包括：将各路段对应的残差特征处理为恒正数值，并将各路段对应的恒正数值求平均，得到预测残差。
71.初始路段序列特征中包括候选路线中各路段对应的路段特征，例如，候选路线中包括路段1至路段n，则，初始路段序列特征中可以包括路段1对应的路段特征1至路段n对应的路段特征n。路段特征可以为m维的特征向量，当时出发时间特征也可以为m维的特征向量，将各路段对应的路段特征分别与当时出发时间特征进行求内积运算，可以得到各路段对应的残差特征，例如，将路段特征1与当时出发时间特征求内积得到残差特征1，将路段特征n与当时出发时间特征求内积得到残差特征n。进一步的，将各路段对应的残差特征可以经过softplus函数等函数处理为恒正数值，并将各路段对应的恒正数值求平均，得到全程平均残差即预测残差。
72.一种实施例中，步骤s230，对预定出发时间进行特征提取处理，得到预定出发时间特征，包括：
73.将预定出发时间与预定时间周期内的时间点进行计算处理，得到预定时间周期内的时间点对应的计算数值；根据预定时间周期内的时间点对应的计算数值，得到预定出发时间对应的预定出发时间特征。
74.预定时间周期可以是预先指定的时间周期，例如，一天、一周或两周等。本示例的一种方式中，预定时间周期为一周，即预定时间周期为以周一的0:00为起点并以周日的24:00为终点的时间周期。预定时间周期内的时间点的数量可以根据实际情况设定，例如，预定时间周期内的时间点可以包括周一的0:00以及周一的0:00之后的若干个时间点。
75.将预定出发时间与预定时间周期内的各时间点可以进行计算处理，得到预定时间周期内的各时间点对应计算得到的计算数值，其中，一个示例中，将预定出发时间与预定时间周期内的各时间点可以进行计算处理的方式，可以是将预定出发时间与预定时间周期内的各时间点相乘处理等。根据预定时间周期内的各时间点对应的计算数值，可以将各时间点对应的计算数值串联形成预定出发时间对应的预定出发时间特征，进而，预定出发时间特征可以是向量形式的特征向量。
76.一种实施例中，将预定出发时间与预定时间周期内的时间点进行计算处理，得到预定时间周期内的时间点对应的计算数值的方式，包括以下方式中一种：
77.第一种方式，计算预定出发时间与预定时间周期内的时间点的时间差，并将时间差除去预定时间粒度，得到预定时间周期内的时间点对应的计算数值；第二种方式，将预定时间周期内的时间点绕单位圆分布，得到时间点圆，并计算预定出发时间在时间点圆上对应的坐标值，得到预定时间周期内的时间点对应的计算数值。
78.第一种方式中：若预定时间周期为一周，即预定时间周期为以周一的0:00为起点并以周日的24:00为终点的时间周期，预定时间周期内的一个时间点例如周一的0:00，预定出发时间例如周二上午8:00。以分钟为单位(可以理解，根据实际情况可以秒或时为单位)，计算预定出发时间与预定时间周期内的时间点的时间差，可以得到时间差为(24 8)*60＝1920分钟。进一步的，以10分钟为预定时间粒度(可以理解，根据实际情况设定预定时间粒度)，将时间差除去预定时间粒度，得到预定时间周期内的时间点“周一的0:00”对应的计算数值为1920/10＝192。
79.第二种方式中，若预定时间周期为一周，即预定时间周期为以周一的0:00为起点并以周日的24:00为终点的时间周期，进一步的，若以分钟为最小单位(可以理解，实际使用可以以5分钟、10分钟等为最小单位)，那么一周包含24*7*60＝10080分钟。设这10080分钟个时间点绕单位圆均匀有序分布在一个单位圆的圆周上，使得最后一分钟与第1分钟紧邻，得到围绕单位圆一周(k＝1)的时间点圆；可以根据公式及计算预定出发时间t在时间点圆上对应的坐标值，例如，预定出发时间t为周二上午8:00，它与本周一0:00相差1920分钟，那么周二上午8:00对应的坐标值(即两个计算数值)为和上述处理中，假定了一周的分钟数围绕单位圆一周(k＝1)，进一步的，可以令这10080分钟围绕单位圆任意周数，那么可以
根据公式及计算预定出发时间t在时间点圆上对应的坐标值，例如，以k＝2为例，周二上午8:00对应的坐标值(即两个计算数值)即为和和以第二种方式，对于一个预定出发时间，其预定出发时间特征可以表达为任意偶数个数的特征(即计算数值)，只需要k选择更多的数值即可。对于预定出发时间特征需要为奇数个数的特征情况，则可以将最后一个特征置为0，其他特征按上述方法处理即可。因此，上述处理可以将一个时刻处理为任意个数的特征组成的预定出发时间特征。申请人发现，以第二种方式相较于第一种方式，可以进一步整体上提升到达时间的预估效果。
80.一种实施例中，步骤s240，基于残差网络参数与预定出发时间特征进行残差计算处理，得到到达时间残差，包括：将残差网络参数与预定出发时间特征进行融合处理，得到残差特征；根据残差特征得到到达时间残差。将残差网络参数与预定出发时间特征可以通过求内积运算、拼接等方式可以进行融合处理，得到残差特征；进一步的，可以根据残差特征，将残差特征求平均得到到达时间残差或将残差特征直接作为到达时间残差。
81.一种实施例中，残差网络参数包括目标路段序列特征，目标路段序列特征包括候选路线中各路段对应的路段特征；将残差网络参数与预定出发时间特征进行融合处理，得到残差特征，包括：将各路段对应的路段特征与预定出发时间特征进行求内积运算，得到各路段对应的残差特征；根据残差特征得到到达时间残差，包括：将各路段对应的残差特征处理为恒正数值，并将各路段对应的恒正数值求平均，得到到达时间残差。
82.目标路段序列特征包括候选路线中各路段对应的路段特征，例如，候选路线中包括路段1至路段n，则，目标路段序列特征中可以包括路段1对应的路段特征1至路段n对应的路段特征n。路段特征可以为m维的特征向量，预定出发时间特征也可以为m维的特征向量，将目标路段序列特征中各路段对应的路段特征分别与预定出发时间特征进行求内积运算，可以得到各路段对应的残差特征，例如，将路段特征1与预定出发时间特征求内积得到残差特征1，将路段特征n与预定出发时间特征求内积得到残差特征n。进一步的，将各路段对应的残差特征可以经过softplus函数等函数处理为恒正数值，并将各路段对应的恒正数值求平均，得到全程平均残差即到达时间残差。
83.一种实施例中，步骤s250，根据预估到达时间与到达时间残差，得到候选路线对应的路线到达时间，包括以下方式中一种：将预估到达时间与到达时间残差累加，得到候选路线对应的路线到达时间；将预估到达时间与到达时间残差基于预定权重进行加权求和，得到候选路线对应的路线到达时间。
84.一种方式中，将预估到达时间与到达时间残差直接累加，得到候选路线对应的路线到达时间。另一种方式中，预定权重可以包括预估到达时间与到达时间残差分别对应的权重，将预估到达时间与到达时间残差基于预定权重进行加权求和，得到候选路线对应的路线到达时间，可以通过预定权重的配置控制残差生效的幅度。
85.以下结合一种场景下进行到达时间的预估的流程进一步描述前述实施例，该场景下，通过应用本技术的前述实施例进行到达时间的预估。图3示出该场景下进行到达时间的预估的服务框架的框架图。图4示出该场景下训练残差计算网络中残差网络参数的流程图。
86.参阅图3，该场景下，到达时间的预估的服务框架可以包括原始eta服务(即线上服务)310、残差计算服务320、轨迹实时回传和处理服务330、参数更新服务340四个主要模块，还可以包括最终到达时间计算服务(即最终eta)350。
87.该场景下，到达时间的预估流程可以包括步骤(1)至步骤(6)。
88.(1)原始eta服务(即线上服务)可以采用预设预估模型预估得到在预定出发时间下候选路线对应的预估到达时间(如图3所示的原始eta)。
89.具体地，预设预估模型可以是基于规则、基于树或基于神经网络的模型。预设预估模型可以根据预定出发时间下候选路线对应的路段序列中路线特征进行分析处理，得到走完候选路线的耗时，进而，耗时与预定出发时间之和即预估到达时间。其中，基于规则的模型可以根据路段序列中每个路段的长度、速度、红绿灯等路线特征，利用预估规则估计出每个路段的通过时间，再加上每个路口的通过时间，将通过时间累加起来构成整条候选路线的耗时。基于树的模型的方案中，可以先提取出整条路段序列的路线特征，路线特征例如全程总路程、预定出发时刻的全程平均速度、全程红绿灯总数、全程拥堵里程占比等特征，然后将这些路线特征输入到基于树的模型中，得到模型输出的整条候选路线的耗时；其中，基于树的模型例如基于梯度提升决策树(gradient boosting decision tree,gbdt)的模型。基于神经网络的模型的方案中，可以先提取出整条路段序列的路线特征或提取路段序列中每个路段的路线特征，将路线特征输入基于神经网络的模型，得到模型输出的整条候选路线的耗时；其中，神经网络的网络结构可以是卷积神经网络(convolutional neural network，cnn)、循环神经网络(recurrent neural network,rnn)等。
90.(2)最终到达时间计算服务(即最终eta)可以获取在预定出发时间下候选路线对应的预估到达时间(即图3所示的原始eta)，预估到达时间为采用预设预估模型所预估得到的。
91.(3)轨迹实时回传和处理服务，可以定期获取经由候选路线的用户的行驶数据，行驶数据可以包括当时出发时间、候选路线对应的路段序列、预测到达时间及实际到达时间。
92.具体地，可以从相关平台(例如导航平台)中定期收集用户经由候选路线的轨迹数据，候选路线的轨迹数据可以是由轨迹点数据(例如gps点对应的gps点数据)构成的序列，每个轨迹点数据可以包括经纬度、时间戳、速度、方向角等信息。从轨迹数据中即可以提取出用户经由候选路线的出发时刻(即当时出发时间)，以及提取出用户完整走完候选路线的时间(即ata，实际到达时间)，以及提取到预测到达时间。进一步的，还可以通过轨迹匹配算法(例如隐马尔科夫模型、循环神经网络等)将每个每个轨迹点数据匹配到对应的路段上得到路段标识序列(link id序列)，表示用户走过的路段(link)序列，路段序列中可以包括每个路段对应的轨迹点数据子序列。进而，当时出发时间可以是用户从候选路线的起点出发的时间。候选路线对应的路段序列可以是候选路线中每个路段中用户的轨迹点数据形成的序列，轨迹点数据可以包括经纬度、时间戳、速度、方向角等数据。
93.(4)参数更新服务可以更新残差网络参数，残差网络参数包括目标路段序列特征。具体地，参数更新服务可以：基于当时出发时间提取当时出发时间特征，并基于路段序列提取初始路段序列特征；采用残差计算网络，基于当时出发时间特征及初始路段序列特征进行残差计算处理，得到预测残差；根据预测残差对初始路段序列特征进行调整，直至符合预定条件，得到目标路段序列特征。其中，根据预测残差对初始路段序列特征进行调整，直至
符合预定条件，得到目标路段序列特征，具体可以包括：根据预测残差与预测到达时间，得到修正到达时间；根据修正到达时间及实际到达时间的误差，对初始路段序列特征进行调整，直至误差符合预定误差条件，得到目标路段序列特征。
94.基于当时出发时间可以提取到当时出发时间对应的当时出发时间特征，当时出发时间特征可以是向量形式的特征向量。基于路段序列可以提取路段序列对应的路段序列特征得到初始路段序列特征，初始路段序列特征中可以包括候选路线中各路段对应的路段特征，初始路段序列特征可以是向量形式的特征向量。其中，可以使用神经网络中常用的特征提取(embedding)方式提取路段序列对应的初始路段序列特征，例如，可以通过卷积网络等特征提取网络提取路段序列对应的初始路段序列特征。
95.采用残差计算网络，基于当时出发时间特征及初始路段序列特征进行残差计算处理，得到预测残差，具体可以包括：将初始路段序列特征与当时出发时间特征进行融合处理，得到残差特征；根据残差特征得到预测残差。其中，初始路段序列特征包括候选路线中各路段对应的路段特征；将初始路段序列特征与当时出发时间特征进行融合处理，得到残差特征，具体可以包括：将初始路段序列特征中各路段对应的路段特征与当时出发时间特征进行求内积运算，得到各路段对应的残差特征；根据残差特征得到预测残差，包括：将各路段对应的残差特征处理为恒正数值，并将各路段对应的恒正数值求平均，得到预测残差。
96.参阅图4，初始路段序列特征中包括候选路线中各路段对应的路段特征，例如，候选路线中包括路段1至路段n，则，初始路段序列特征中可以包括路段1对应的路段特征1(如图4中link1 emb)至路段n对应的路段特征n(如图4中linkn emb)。每个路段特征可以为m维的特征向量，当时出发时间特征也可以为m维的特征向量，将各路段对应的路段特征(包括link1 emb至linkn emb)分别与当时出发时间特征进行求内积运算，可以得到各路段对应的残差特征(如图4包括残差1至残差n)，例如，将路段特征1与当时出发时间特征求内积得到残差特征1(如图4中残差1)，将路段特征n与当时出发时间特征求内积得到残差特征n(如图4中残差n)。进一步的，将各路段对应的残差特征可以经过softplus函数处理为恒正数值，并将各路段对应的恒正数值求平均，得到全程“平均残差”即预测残差。
97.预测到达时间可以是用户经由候选路线的当时相关平台中预设预估模型所预估得到的。实际到达时间可以是用户行走完该候选路线所实际的用时。参阅图4，将预测残差(即图4中平均残差)与预测到达时间(即图4中原始eta)直接求和，或将预测残差与预测到达时间基于预定权重进行加权求和，可以得到修正到达时间(如图4中新eta)。
98.根据修正到达时间(即图4中新eta)及实际到达时间(即图4中ata)的误差，对初始路段序列特征进行更新调整，具体可以根据单样本(即单个用户)或小批量样本(即小批量用户)通过随机梯度下降对初始路段序列特征进行更新。残差计算网络基于调整后的初始路段序列特征可以继续计算得到预测残差；基于该预测残差与预测到达时间可以继续得到修正到达时间，直至继续得到的修正到达时间与实际到达时间的误差符合预定误差条件，调整后的初始路段序列特征即目标路段序列特征。其中，误差可以采用mape、mse等方式计算，其中，mape＝|eta-ata|/ata，mse＝(eta-ata)2，eta可以表示修正到达时间，ata可以表示实际到达时间。预定误差条件可以是误差小于预定阈值。
99.进一步的，基于当时出发时间提取当时出发时间特征，具体可以包括：将当时出发时间与预定时间周期内的时间点进行计算处理，得到预定时间周期内的时间点对应的计算
数值；根据预定时间周期内的时间点对应的计算数值，得到当时出发时间对应的当时出发时间特征。
100.预定时间周期可以是预先指定的时间周期，例如，一天、一周或两周等。本示例的一种方式中，预定时间周期为一周，即预定时间周期为以周一的0:00为起点并以周日的24:00为终点的时间周期。预定时间周期内的时间点的数量可以根据实际情况设定，例如，预定时间周期内的时间点可以包括周一的0:00以及周一的0:00之后的若干个时间点。将当时出发时间与预定时间周期内的各时间点可以进行计算处理，得到预定时间周期内的各时间点对应计算得到的计算数值，其中，一个示例中，将当时出发时间与预定时间周期内的各时间点可以进行计算处理的方式，可以是将当时出发时间与预定时间周期内的各时间点相乘处理等。根据预定时间周期内的各时间点对应的计算数值，可以将各时间点对应的计算数值串联形成当时出发时间对应的当时出发时间特征，进而，当时出发时间特征可以是向量形式的特征向量。
101.将当时出发时间与预定时间周期内的时间点进行计算处理，得到预定时间周期内的时间点对应的计算数值的方式，具体可以包括以下方式中一种：第一种方式，计算当时出发时间与预定时间周期内的时间点的时间差，并将时间差除去预定时间粒度，得到预定时间周期内的时间点对应的计算数值；第二种方式，将预定时间周期内的时间点绕单位圆分布，得到时间点圆，并计算当时出发时间在时间点圆上对应的坐标值，得到预定时间周期内的时间点对应的计算数值。
102.第一种方式中：若预定时间周期为一周，即预定时间周期为以周一的0:00为起点并以周日的24:00为终点的时间周期，预定时间周期内的一个时间点例如周一的0:00，当时出发时间例如周二上午8:00。以分钟为单位(可以理解，根据实际情况可以秒或时为单位)，计算当时出发时间与预定时间周期内的时间点的时间差，可以得到时间差为(24 8)*60＝1920分钟。进一步的，以10分钟为预定时间粒度(可以理解，根据实际情况设定预定时间粒度)，将时间差除去预定时间粒度，得到预定时间周期内的时间点“周一的0:00”对应的计算数值为1920/10＝192。
103.第二种方式中，若预定时间周期为一周，即预定时间周期为以周一的0:00为起点并以周日的24:00为终点的时间周期，进一步的，若以分钟为最小单位(可以理解，实际使用可以以5分钟、10分钟等为最小单位)，那么一周包含24*7*60＝10080分钟。设这10080分钟个时间点绕单位圆均匀有序分布在一个单位圆的圆周上，使得最后一分钟与第1分钟紧邻，得到围绕单位圆一周(k＝1)的时间点圆；可以根据公式及计算当时出发时间t在时间点圆上对应的坐标值，例如，当时出发时间t为周二上午8:00，它与本周一0:00相差1920分钟，那么周二上午8:00对应的坐标值(即两个计算数值)为和上述处理中，假定了一周的分钟数围绕单位圆一周(k＝1)，进一步的，可以令这10080分钟围绕单位圆任意周数，那么可以根据公式及计算当时出发时间t在时间点圆上对应的坐标值，例如，以k＝2为例，周二上午8:00对应的坐标值(即两个计算数值)即为
和和以第二种方式，对于一个当时出发时间，其当时出发时间特征可以表达为任意偶数个数的特征(即计算数值)，只需要k选择更多的数值即可。对于当时出发时间特征需要为奇数个数的特征情况，则可以将最后一个特征置为0，其他特征按上述方法处理即可。因此，上述处理可以将一个时刻处理为任意个数的特征组成的当时出发时间特征。
104.(5)残差计算服务可以基于残差网络参数计算到达时间残差(如图3所示的残差)。具体地，残差计算服务可以：对预定出发时间进行特征提取处理，得到预定出发时间特征；采用残差计算网络，基于残差网络参数与预定出发时间特征进行残差计算处理，得到到达时间残差。
105.其中，对预定出发时间进行特征提取处理，得到预定出发时间特征，具体可以包括：将预定出发时间与预定时间周期内的时间点进行计算处理，得到预定时间周期内的时间点对应的计算数值；根据预定时间周期内的时间点对应的计算数值，得到预定出发时间对应的预定出发时间特征。
106.预定时间周期可以是预先指定的时间周期，例如，一天、一周或两周等。本示例的一种方式中，预定时间周期为一周，即预定时间周期为以周一的0:00为起点并以周日的24:00为终点的时间周期。预定时间周期内的时间点的数量可以根据实际情况设定，例如，预定时间周期内的时间点可以包括周一的0:00以及周一的0:00之后的若干个时间点。将预定出发时间与预定时间周期内的各时间点可以进行计算处理，得到预定时间周期内的各时间点对应计算得到的计算数值。根据预定时间周期内的各时间点对应的计算数值，可以将各时间点对应的计算数值串联形成预定出发时间对应的预定出发时间特征，进而，预定出发时间特征可以是向量形式的特征向量。
107.其中，将预定出发时间与预定时间周期内的时间点进行计算处理，得到预定时间周期内的时间点对应的计算数值的方式，具体可以包括以下方式中一种：第一种方式，计算预定出发时间与预定时间周期内的时间点的时间差，并将时间差除去预定时间粒度，得到预定时间周期内的时间点对应的计算数值；第二种方式，将预定时间周期内的时间点绕单位圆分布，得到时间点圆，并计算预定出发时间在时间点圆上对应的坐标值，得到预定时间周期内的时间点对应的计算数值。
108.第一种方式中：若预定时间周期为一周，即预定时间周期为以周一的0:00为起点并以周日的24:00为终点的时间周期，预定时间周期内的一个时间点例如周一的0:00，预定出发时间例如周二上午8:00。以分钟为单位(可以理解，根据实际情况可以秒或时为单位)，计算预定出发时间与预定时间周期内的时间点的时间差，可以得到时间差为(24 8)*60＝1920分钟。进一步的，以10分钟为预定时间粒度(可以理解，根据实际情况设定预定时间粒度)，将时间差除去预定时间粒度，得到预定时间周期内的时间点“周一的0:00”对应的计算数值为1920/10＝192。
109.第二种方式中，若预定时间周期为一周，即预定时间周期为以周一的0:00为起点并以周日的24:00为终点的时间周期，进一步的，若以分钟为最小单位(可以理解，实际使用可以以5分钟、10分钟等为最小单位)，那么一周包含24*7*60＝10080分钟。设这10080分钟个时间点绕单位圆均匀有序分布在一个单位圆的圆周上，使得最后一分钟与第1分钟紧邻，
得到围绕单位圆一周(k＝1)的时间点圆；可以根据公式及计算预定出发时间t在时间点圆上对应的坐标值，例如，预定出发时间t为周二上午8:00，它与本周一0:00相差1920分钟，那么周二上午8:00对应的坐标值(即两个计算数值)为和上述处理中，假定了一周的分钟数围绕单位圆一周(k＝1)，进一步的，可以令这10080分钟围绕单位圆任意周数，那么可以根据公式及计算预定出发时间t在时间点圆上对应的坐标值，例如，以k＝2为例，周二上午8:00对应的坐标值(即两个计算数值)即为和和以第二种方式，对于一个预定出发时间，其预定出发时间特征可以表达为任意偶数个数的特征(即计算数值)，只需要k选择更多的数值即可。对于预定出发时间特征需要为奇数个数的特征情况，则可以将最后一个特征置为0，其他特征按上述方法处理即可。
110.进一步的，基于残差网络参数与预定出发时间特征进行残差计算处理，得到到达时间残差，具体可以包括：将残差网络参数与预定出发时间特征进行融合处理，得到残差特征；根据残差特征得到到达时间残差。残差网络参数包括目标路段序列特征，目标路段序列特征包括候选路线中各路段对应的路段特征；将残差网络参数与预定出发时间特征进行融合处理，得到残差特征，包括：将各路段对应的路段特征与预定出发时间特征进行求内积运算，得到各路段对应的残差特征；根据残差特征得到到达时间残差，包括：将各路段对应的残差特征处理为恒正数值，并将各路段对应的恒正数值求平均，得到到达时间残差。
111.目标路段序列特征包括候选路线中各路段对应的路段特征，例如，候选路线中包括路段1至路段n，则，目标路段序列特征中可以包括路段1对应的路段特征1至路段n对应的路段特征n。路段特征可以为m维的特征向量，预定出发时间特征也可以为m维的特征向量，将目标路段序列特征中各路段对应的路段特征分别与预定出发时间特征进行求内积运算，可以得到各路段对应的残差特征，例如，将路段特征1与预定出发时间特征求内积得到残差特征1，将路段特征n与预定出发时间特征求内积得到残差特征n。进一步的，将各路段对应的残差特征可以经过softplus函数等函数处理为恒正数值，并将各路段对应的恒正数值求平均，得到全程平均残差即到达时间残差。
112.(6)最终到达时间计算服务(即最终eta)可以根据预估到达时间与到达时间残差，得到候选路线对应的路线到达时间。
113.其中，根据预估到达时间与到达时间残差，得到候选路线对应的路线到达时间，具体可以包括以下方式中一种：将预估到达时间与到达时间残差累加，得到候选路线对应的路线到达时间；将预估到达时间与到达时间残差基于预定权重进行加权求和，得到候选路线对应的路线到达时间。第一种方式中，将预估到达时间与到达时间残差直接累加，得到候选路线对应的路线到达时间。第二种方式中，预定权重可以包括预估到达时间与到达时间残差分别对应的权重，将预估到达时间与到达时间残差基于预定权重进行加权求和，得到候选路线对应的路线到达时间，可以通过预定权重的配置控制残差生效的幅度。
114.以这种方式，该场景下，通过应用本技术的前述实施例，至少具有如下有益效果：
可以提升到达时间预估服务的响应速度，提升到达时间预估服务的精准度，基于到达时间残差的预估到达时间优化修正与与原有预设预估模型解耦，方案适用于基于规则的、基于树的、基于神经网络等多种技术路线的预设预估模型的优化，可以避免灾难性遗忘问题。可以在不必对预设预估模型进行调整的情况下，有效提升到达时间的预估效果，提升用户体验。
115.为便于更好的实施本技术实施例提供的到达时间的预估方法，本技术实施例还提供一种基于上述到达时间的预估方法的到达时间的预估装置。其中名词的含义与上述到达时间的预估方法中相同，具体实现细节可以参考方法实施例中的说明。图5示出了根据本技术的一个实施例的到达时间的预估装置的框图。
116.如图5所示，到达时间的预估装置400中可以包括时间获取模块410、参数获取模块420、时间表征模块430、计算处理模块440、到达时间模块450。
117.时间获取模块410可以用于获取在预定出发时间下候选路线对应的预估到达时间，所述预估到达时间为采用预设预估模型所预估得到的；参数获取模块420可以用于获取所述候选路线对应的残差网络参数，所述残差网络参数为定期根据经由所述候选路线的用户的行驶数据对残差计算网络进行训练得到的；时间表征模块430可以用于对所述预定出发时间进行特征提取处理，得到预定出发时间特征；计算处理模块440可以用于采用所述残差计算网络，基于所述残差网络参数与所述预定出发时间特征进行残差计算处理，得到到达时间残差；到达时间模块450可以用于根据所述预估到达时间与所述到达时间残差，得到所述候选路线对应的路线到达时间。
118.在本技术的一些实施例中，所述装置还包括参数更新模块，用于：定期获取经由所述候选路线的用户的行驶数据，所述行驶数据包括当时出发时间及所述候选路线对应的路段序列；基于所述当时出发时间提取当时出发时间特征，并基于所述路段序列提取初始路段序列特征；采用所述残差计算网络，基于所述当时出发时间特征及所述初始路段序列特征进行残差计算处理，得到预测残差；根据所述预测残差对所述初始路段序列特征进行调整，直至符合预定条件，得到目标路段序列特征，所述残差网络参数包括所述目标路段序列特征。
119.在本技术的一些实施例中，所述行驶数据还包括预测到达时间及实际到达时间；参数更新模块，用于：根据所述预测残差与所述预测到达时间，得到修正到达时间；根据所述修正到达时间及所述实际到达时间的误差，对所述初始路段序列特征进行调整，直至所述误差符合预定误差条件，得到目标路段序列特征。
120.在本技术的一些实施例中，所述时间表征模块，用于：将所述预定出发时间与所述预定时间周期内的时间点进行计算处理，得到所述预定时间周期内的时间点对应的计算数值；根据所述预定时间周期内的时间点对应的计算数值，得到所述预定出发时间对应的预定出发时间特征。
121.在本技术的一些实施例中，所述时间表征模块，用于实现以下方式中一种：计算所述预定出发时间与所述预定时间周期内的时间点的时间差，并将所述时间差除去预定时间粒度，得到所述预定时间周期内的时间点对应的计算数值；将所述预定时间周期内的时间点绕单位圆分布，得到时间点圆，并计算所述预定出发时间在所述时间点圆上对应的坐标值，得到所述预定时间周期内的时间点对应的计算数值。
122.在本技术的一些实施例中，所述计算处理模块，用于：将所述残差网络参数与所述预定出发时间特征进行融合处理，得到残差特征；根据所述残差特征得到所述到达时间残差。
123.在本技术的一些实施例中，所述残差网络参数包括目标路段序列特征，所述目标路段序列特征包括所述候选路线中各路段对应的路段特征；所述计算处理模块，用于：将各路段对应的路段特征与所述预定出发时间特征进行求内积运算，得到各路段对应的残差特征；将各路段对应的残差特征处理为恒正数值，并将各路段对应的恒正数值求平均，得到所述到达时间残差。
124.在本技术的一些实施例中，所述到达时间模块，用于实现以下方式中一种：将所述预估到达时间与所述到达时间残差累加，得到所述候选路线对应的路线到达时间；将所述预估到达时间与所述到达时间残差基于预定权重进行加权求和，得到所述候选路线对应的路线到达时间。
125.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
126.此外，本技术实施例还提供一种电子设备，该电子设备可以为终端或者服务器，如图6所示，其示出了本技术实施例所涉及的电子设备的结构示意图，具体来讲：
127.该电子设备可以包括一个或者一个以上处理核心的处理器501、一个或一个以上计算机可读存储介质的存储器502、电源503和输入单元504等部件。本领域技术人员可以理解，图6中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
128.处理器501是该电子设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行计算机设备的各种功能和处理数据，从而对电子设备进行检测。可选的，处理器501可包括一个或多个处理核心；优选的，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户页面和应用程序等，调制解调处理器主要处理无线通讯。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。
129.存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502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。存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器502还可以包括存储器控制器，以提供处理器501对存储器502的访问。
130.电子设备还包括给各个部件供电的电源503，优选的，电源503可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源503还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测
电路、电源转换器或者逆变器、电源状态指示器等任意组件。
131.该电子设备还可包括输入单元504，该输入单元504可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
132.尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器501会按照如下的指令，将一个或一个以上的计算机程序的进程对应的可执行文件加载到存储器502中，并由处理器501来运行存储在存储器502中的计算机程序，从而实现本技术前述实施例的各种功能。
133.如处理器501可以执行：获取在预定出发时间下候选路线对应的预估到达时间，所述预估到达时间为采用预设预估模型所预估得到的；获取所述候选路线对应的残差网络参数，所述残差网络参数为定期根据经由所述候选路线的用户的行驶数据对残差计算网络进行训练得到的；对所述预定出发时间进行特征提取处理，得到预定出发时间特征；采用所述残差计算网络，基于所述残差网络参数与所述预定出发时间特征进行残差计算处理，得到到达时间残差；根据所述预估到达时间与所述到达时间残差，得到所述候选路线对应的路线到达时间。
134.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可以通过计算机程序来完成，或通过计算机程序控制相关的硬件来完成，该计算机程序可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
135.为此，本技术实施例还提供一种计算机可读存储介质，其中存储有计算机程序，该计算机程序能够被处理器进行加载，以执行本技术实施例所提供的任一种方法中的步骤。
136.其中，该计算机可读存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。
137.由于该计算机可读存储介质中所存储的计算机程序，可以执行本技术实施例所提供的任一种方法中的步骤，因此，可以实现本技术实施例所提供的方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
138.根据本技术的一个方面，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本技术上述实施例中各种可选实现方式中提供的方法。
139.本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。
140.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的实施例，而可以在不脱离其范围的情况下进行各种修改和改变。