时长预测模型训练和车流速度的预估方法、装置和设备与流程

1.本技术涉及计算机技术领域，尤其涉及人工智能技术领域，提供一种时长预测模型训练和车流速度的预估方法、装置和设备。


背景技术：

2.车辆自由流动速度(free flow speed，ffs)是指驾驶人在无其他车辆干扰、非拥堵、无明显测速执法及其他外界环境因素影响的情况下，根据道路情况,自然选择的车速，ffs往往针对一个交通路段而言，是交通路段的重要属性之一。
3.在相关技术中，某个交通路段的ffs的计算往往需要在一条历史出行轨迹中，找到与交通路段起始点最近的导航点与导航时间，以及轨迹中与终点最近的导航点与导航时间，利用两个导航点之间的距离和导航时间的差值近似得到交通路段长度与通行时间，进一步可以基于多条历史出行轨迹完成上述操作并取交通路段长度的均值与通行时间的均值，最终将交通路段长度均值与通行时间均值相除，得到该交通路段的ffs。
4.然而，由于上述方法是通过经过两个导航点之间路段的通行时间，来近似代替相应交通路段的通行时间，因此其得出的交通路段的通行时间并不准确，存在较大误差，进一步会导致计算ffs时得出的结果存在较大误差。
5.综上，如何提高获取到的交通路段通行时间的准确性是亟待解决的。


技术实现要素：

6.本技术实施例提供一种时长预测模型训练和车流速度的预估方法、装置和设备，用以提高获取到的交通路段通行时间的准确性。
7.本技术实施例提供的一种时长预测模型的训练方法，包括：
8.获取多个历史出行轨迹各自包含的交通路段和路口路段；所述交通路段为连续通行路段，所述路口路段为包含交通信号灯且位于相邻道路通行交汇区域的路段；
9.根据各交通路段各自对应的第一行驶属性和路况信息，提取所述各交通路段各自的道路特征，以及根据各路口路段各自对应的第二行驶属性及相连接的交通路段的道路特征，提取所述各路口路段各自的路口特征；
10.基于各个历史出行轨迹各自包含的交通路段的道路特征和路口路段的路口特征，以及各个历史出行轨迹各自对应的实际通行时间，构建多个训练样本；
11.基于所述多个训练样本对待训练的时长预测模型进行循环迭代训练，获得已训练的时长预测模型。
12.本技术实施例还提供了一种车流速度的预估方法，包括：
13.确定目标路网中所包含的至少一个交通路段，所述至少一个交通路段是对所述目标路网进行分割得到的连续通行路段；
14.根据各交通路段各自对应的第一行驶属性和路况信息，提取所述各交通路段各自的道路特征；
15.分别将所述各交通路段各自对应的道路特征输入已训练的时长预测模型，预测所述各交通路段各自对应的目标通行时间；其中，所述时长预测模型是基于多个历史出行轨迹训练得到的；每个历史出行轨迹包括交通路段和路口路段；所述路口路段为包含交通信号灯且位于相邻道路通行交汇区域的路段；
16.基于所述各交通路段各自对应的目标通行时间及相应的交通路段长度，分别获得所述各交通路段各自对应的车流速度。
17.本技术实施例提供的一种时长预测模型的训练装置，包括：
18.获取单元，用于获取多个历史出行轨迹各自包含的交通路段和路口路段；所述交通路段为连续通行路段，所述路口路段为包含交通信号灯且位于相邻道路通行交汇区域的路段；
19.提取单元，用于根据各交通路段各自对应的第一行驶属性和路况信息，提取所述各交通路段各自的道路特征，以及根据各路口路段各自对应的第二行驶属性及相连接的交通路段的道路特征，提取所述各路口路段各自的路口特征；
20.构建单元，用于基于各个历史出行轨迹各自包含的交通路段的道路特征和路口路段的路口特征，以及各个历史出行轨迹各自对应的实际通行时间，构建多个训练样本；
21.训练单元，用于基于所述多个训练样本对待训练的时长预测模型进行循环迭代训练，获得已训练的时长预测模型。
22.可选的，所述训练单元具体用于在每次循环迭代训练执行以下步骤：
23.将选取的训练样本中历史出行轨迹包含的各交通路段各自的道路特征，以及各路口路段各自的路口特征，输入待训练的时长预测模型，预测所述各交通路段各自的预估通行时间，以及所述各路口路段各自的预估通行时间；
24.基于所述各交通路段各自的预估通行时间，和所述各路口路段各自的预估通行时间，确定所述历史出行轨迹的预估通行时间；
25.基于所述历史出行轨迹的预估通行时间与所述历史出行轨迹的实际通行时间之间的差异，对所述待训练的时长预测模型进行参数调整。
26.可选的，所述待训练的时长预测模型包括交通路段时长预测子模型和路口路段时长预测子模型；所述训练单元具体用于：
27.分别将所述各交通路段各自对应的道路特征输入待训练的交通路段时长预测子模型，预测所述各交通路段各自对应的预估通行时间；
28.分别将所述各路口路段各自对应的路口特征输入待训练的路口路段时长预测子模型，预测所述各路口路段各自对应的预估通行时间。
29.可选的，所述训练单元具体用于：
30.将所述各交通路段各自的预估通行时间，和所述各路口路段各自的预估通行时间之和，作为所述历史出行轨迹的预估通行时间。
31.可选的，所述训练单元具体用于通过如下方式得到每个所述历史出行轨迹的实际通行时间：
32.获取所述历史出行轨迹中的各个导航点及各个导航点各自对应的导航时间；所述各个导航点是在历史出行过程中，基于第一预设周期对出行对象进行至少一次定位取点得到的；
33.基于所述历史出行轨迹中起始导航点的对应的导航时间，以及终止导航点的对应的导航时间，获得所述历史出行轨迹的实际通行时间。
34.可选的，所述第一行驶属性包括交通路段长度、交通路段限速、道路等级、车道数量、道路构造中的至少一种；所述第二行驶属性包括路口转弯类型、关联转弯个数中的至少一种；所述路况信息包括交通路段实时速度、交通路段路况中的至少一种。
35.可选的，所述训练单元具体用于通过以下方式获得所述历史出行轨迹中的每个交通路段实时速度：
36.在出行对象的历史出行过程中，确定经过所述历史出行轨迹中所述交通路段的路径时间；
37.基于所述路径时间及预设的参考时长，获取所述路径时间对应的参考时间段；
38.获取所述参考时间段内，所述交通路段中各个车辆的车辆实时速度的均值，并将所述均值作为所述交通路段的交通路段实时速度；所述车辆实时速度是基于第二预设周期获取的。
39.可选的，所述历史出行轨迹为符合目标通行状态的历史出行轨迹，所述目标通行状态表征轨迹全程无拥堵情况发生。
40.本技术实施例还提供一种车流速度的预估装置，包括：
41.确定单元，用于确定目标路网中所包含的至少一个交通路段，所述至少一个交通路段是对所述目标路网进行分割得到的连续通行路段；
42.第一获取单元，用于根据各交通路段各自对应的第一行驶属性和路况信息，提取所述各交通路段各自的道路特征；
43.预测单元，用于分别将所述各交通路段各自对应的道路特征输入已训练的时长预测模型，预测所述各交通路段各自对应的目标通行时间；其中，所述时长预测模型是基于多个历史出行轨迹训练得到的；每个历史出行轨迹包括交通路段和路口路段；所述路口路段为包含交通信号灯且位于相邻道路通行交汇区域的路段；
44.第二获取单元，用于基于所述各交通路段各自对应的目标通行时间及相应的交通路段长度，分别获得所述各交通路段各自对应的车流速度。
45.可选的，所述第二获取单元具体用于：
46.基于所述各交通路段各自对应的交通路段长度，与相应的目标通行时间之间的比值，分别得到所述各交通路段各自对应的车流速度。
47.可选的，所述装置还包括：
48.排序单元，用于基于目标对象输入的起始点与目标点，获取至少一条推荐路径；对于每条推荐路径，分别执行以下操作：获取所述推荐路径包含的各个交通路段；基于已训练的时长预测模型，获取所述各个交通路段各自对应的目标通行时间之和，并作为所述推荐路径的推荐通行时间；
49.基于所述各个推荐路径各自的推荐通行时间，对所述各个推荐路径进行排序。
50.本技术实施例提供的一种电子设备，包括处理器和存储器，其中，所述存储器存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行上述任意一种时长预测模型训练和车流速度的预估方法的步骤。
51.本技术实施例提供一种计算机可读存储介质，其包括计算机程序，当所述计算机
程序在电子设备上运行时，所述计算机程序用于使所述电子设备执行上述任意一种时长预测模型训练和车流速度的预估方法的步骤。
52.本技术实施例提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中；当电子设备的处理器从计算机可读存储介质读取所述计算机程序时，所述处理器执行所述计算机程序，使得所述电子设备执行上述任意一种时长预测模型训练和车流速度的预估方法的步骤。
53.本技术有益效果如下：
54.本技术实施例提供了一种时长预测模型训练和车流速度的预估方法、装置和设备。本技术在进行时长预测模型的训练时，选用的是整条历史出行轨迹中全部的交通路段和路口路段，而并非是历史出行轨迹中与某个交通路段对应的一小部分，由于一个历史出行轨迹往往包含多个交通路段，在进行训练时，平均在每个交通路段的误差减小，提高了模型对交通路段通行时间预测的准确性。对于一条历史出行轨迹中的至少一个交通路段，本技术会根据各交通路段各自对应的第一行驶属性和路况信息，提取其各自的道路特征；对于一条历史出行轨迹中的路口路段，本技术会根据其各自对应的第二行驶属性及相连接的交通路段的道路特征，提取各路口路段各自的路口特征，以此构建训练样本，之后在应用训练样本进行模型训练时，模型可以对不同行驶属性(如不同道路等级、不同车道数量、不同道路构造等)、不同路况的交通路段，预估出其通行时间，而非是仅根据道路限速数据以及固定系数进行通行时间的预测，因此大大提高了通行时间的准确性，使得后续在进一步通过预测的交通路段的通行时间及相应的交通路段长度，获得车流速度时，得到的车流速度的结果也更为精准。
55.本技术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，或者通过实施本技术而了解。本技术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。
附图说明
56.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
57.图1为本技术实施例提供的一种相关技术中获取交通路段ffs的示意图；
58.图2为本技术实施例提供的一种时长预测模型训练和车流速度的预估方法的应用场景示意图；
59.图3为本技术实施例提供的一种时长预测模型训练方法的整体流程图；
60.图4为本技术实施例提供的一种交通路段划分示意图；
61.图5为本技术实施例提供的一种路口路段示意图；
62.图6为本技术实施例提供的一种道路特征与路口特征的提取示意图；
63.图7为本技术实施例提供的一种时长预测模型的训练流程图；
64.图8为本技术实施例提供的一种获取交通路段与路口路段的预估通行时间的示意图；
65.图9为本技术实施例提供的一种历史出行轨迹示意图；
66.图10为本技术实施例提供的一种基于模型预测历史出行轨迹的通行时长的逻辑
示意图；
67.图11为本技术实施例提供的一种车流速度的预估方法的实施流程图；
68.图12为本技术实施例提供的一种导航路线推荐界面的示意图；
69.图13为本技术实施例提供的一种可选的服务器与终端设备的交互图；
70.图14为本技术实施例提供的一种时长预测模型的训练装置的组成结构示意图；
71.图15为本技术实施例提供的一种车流速度的预估装置的组成结构示意图；
72.图16为本技术实施例提供的一种电子设备的一个硬件组成结构示意图；
73.图17为应用本技术实施例提供的另一种电子设备的一个硬件组成结构示意图。
具体实施方式
74.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术技术方案的一部分实施例，而不是全部的实施例。基于本技术文件中记载的实施例，本领域普通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，都属于本技术技术方案保护的范围。
75.下面对本技术实施例中涉及的部分概念进行介绍。
76.路段：基于一定预设条件所划分的一段道路，在本技术中主要分为交通路段与路口路段，其中，交通路段为连续通行路段，可以是按照一定的预设条件对目标路网进行分割得到的，是路网中的最小分割单元，可以表示为link，预设条件可以为当道路限速、类型等属性发生变化时进行切割，还可以根据信号灯路口进行切割等等，交通路段中不包含信号灯路口；路口路段为相邻道路通行交汇区域且包含交通信号灯的路段。
77.路网：又称道路网，是在一定区域内，由各种道路(例如公路、乡村道路等)组成的相互联结交织的网状道路系统。区域的范围可以为城市、乡村、区镇等。
78.车流速度：全称车辆自由流动速度，是指驾驶人在无其他车辆干扰、非拥堵、无明显测速执法及其他外界环境因素影响的情况下，根据道路情况，自然选择的车速。
79.通行时间：车辆经过一定长度的路段所需要的时间，本技术中主要包含目标通行时间、预估通行时间以及推荐通行时间。目标通行时间为时长预测模型在实际应用时预测的交通路段的通行时长；推荐通行时间为一条路径的通行时长，是该条路径中全部的交通路段对应的目标通行时间的总和；预估通行时间为时长预测模型在训练时预测的交通路段的通行时长。
80.本技术实施例涉及人工智能(artificial intelligence，ai)和机器学习技术(machine learning，ml)，基于人工智能中的计算机视觉技术和机器学习而设计。
81.人工智能技术主要包括计算机视觉技术、自然语言处理技术、以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。随着人工智能技术研究和进步，人工智能在多个领域展开研究和应用，例如常见的智能家居、智能客服、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、机器人、智能医疗等，相信随着技术的发展，人工智能将在更多的领域得到应用，并发挥越来越重要的价值。本技术实施例中的时长预测模型的训练方法可应用到自动驾驶、地图导航、交通路线推荐等领域，将人工智能与这些领域中的交通路段通行时长预测相结合，可以使交通路段的通行时长的预测结果更为准确。
82.此外，本技术实施例中的时长预测模型就是采用机器学习或深度学习技术训练得到的。机器学习(machine learning，ml)则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。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
83.基于上述技术训练得到时长预测模型后，即可应用该时长预测模型，对路网中的各个交通路段、路口路段的通行时间进行预估。
84.下面对本技术实施例的设计思想进行简要介绍：
85.ffs是指驾驶人在无其他车辆干扰、非拥堵、无明显测速执法及其他外界环境因素影响的情况下，根据道路情况，自然选择的车速，ffs往往针对一个交通路段而言，是交通路段的重要属性之一，在道路通行时间预测，路径推荐等方面均有广泛应用。
86.如图1所示，为本技术实施例提供的一种相关技术中获取交通路段ffs的示意图，图为某区域的部分地图，白色区域为道路位置，带有箭头的线为历史出行轨迹(为了使图里简洁明了，图中仅示例性标示出了三条历史出行轨迹)，每一个箭头为一个导航点。ab为其中一条道路上的某一交通路段，相关技术中，需要在一条历史出行轨迹中，找到与交通路段起始点最近的导航点与导航时间(靠近b点的点状线圈起的导航点)，以及轨迹中与终点最近的导航点与导航时间(靠近a点的点状线圈起的导航点)，利用两个导航点之间的距离和导航时间的差值近似得到交通路段长度与通行时间，进一步可以基于多条历史出行轨迹完成上述操作并取交通路段长度的均值与通行时间的均值，最终将交通路段长度均值与通行时间均值相除，得到该交通路段的ffs。或者，还有一种方法，可以由数据提供方直接提供各个交通路段的道路限速数据以及对应的固定系数(如0到1之间的数值)，由数据获取方采用将道路限速与系数相乘的方式近似获取各个交通路段的ffs。
87.然而，上述中的第一种方法，在选取交通路段起终点处的导航点时，会带有偏向性，也即利用导航点近似交通路段的起点与终点，会导致获取到的交通路段的通行时间存在较大的系统误差，进一步导致ffs的计算结果存在较大的系统误差，且当通过交通路段的轨迹量较少时，还会产生偶然误差；上述的第二种方法只根据道路限速与系数进行ffs的计算，误差较大，对于不同类型的交通路段会出现一刀切的问题，也即，会存在不同类型、属性的交通路段，只要其道路限速与系数相同，最终得到的ffs便会相同的情况。但在实际应用中，影响ffs的因素众多，且会随着时间、场景等发生变化，显然这种方式得出的ffs结果也并不准确。
88.有基于此，本技术实施例提供了一种时长预测模型训练和车流速度的预估方法、装置和设备，本技术在进行时长预测模型的训练时，选用的是整条历史出行轨迹中全部的交通路段和路口路段，而并非是历史出行轨迹中与某个交通路段对应的一小部分，由于一个历史出行轨迹往往包含多个交通路段，在进行训练时，平均在每个交通路段的误差减小，提高了模型对交通路段通行时间预测的准确性。对于一条历史出行轨迹中的至少一个交通路段，本技术会根据各交通路段各自对应的第一行驶属性和路况信息，提取其各自的道路特征；对于一条历史出行轨迹中的路口路段，本技术会根据其各自对应的第二行驶属性及
相连接的交通路段的道路特征，提取各路口路段各自的路口特征，以此构建训练样本，之后在应用训练样本进行模型训练时，模型可以对不同行驶属性(如不同道路等级、不同车道数量、不同道路构造等)、不同路况的交通路段，分析出其目标通行时间，而非是仅根据道路限速数据以及固定系数进行目标通行时间的预测，因此大大提高了目标通行时间的准确性，进一步后续在通过交通路段的目标通行时间及相应的交通路段长度，获得车流速度时，其结果也更为精准。
89.以下结合说明书附图对本技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本技术，并不用于限定本技术，并且在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
90.如图2所示，其为本技术实施例的应用场景示意图。该应用场景图中包括两个终端设备210和一个服务器220。
91.在本技术实施例中，终端设备210包括但不限于手机、平板电脑、笔记本电脑、台式电脑、电子书阅读器、智能语音交互设备、智能家电、车载终端等设备；终端设备上可以安装有时长预测模型训练和计算车流速度相关的客户端，该客户端可以是软件(例如浏览器、时长预测模型训练软件、车流速度计算软件等)，也可以是网页、小程序等，服务器220则是与软件或是网页、小程序等相对应的后台服务器，或者是专门用于进行时长预测模型训练和车流速度预估的服务器，本技术不做具体限定。服务器220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、内容分发网络(content delivery network，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。
92.需要说明的是，本技术各实施例中的时长预测模型训练和车流速度的预估方法可以由电子设备执行，该电子设备可以为终端设备210或者服务器220，也即，该方法可以由终端设备210或服务器220单独执行，也可以由终端设备210和服务器220共同执行。比如由服务器220单独执行时，假设现需要对时长预测模型进行训练，服务器220获取多条历史出行轨迹，对于每条历史出行轨迹，服务器220可以获取其所涉及到的全部交通路段，以及各个交通路段各自对应的道路特征，还可以获取其所涉及到的全部路口路段，以及各个路口路段各自对应的路口特征；之后，服务器220根据该历史出行轨迹包含的交通路段的道路特征和路口路段的路口特征，以及该历史出行轨迹的实际通行时间构建出一个训练样本；最后，服务器220利用多个训练样本对时长预测模型进行循环迭代训练，以使训练好的时长预测模型可以后续应用于预测路段的通行时间。
93.进一步，假设现通过终端设备210上安装的一应用程序为目标对象规划出几条可以抵达目的地的路径，之后需要对几条路径进行排序展示，在进行排序前，服务器220需要获取各个路径所涉及到的交通路段的车流速度，也即车辆自由流动速度，来作为排序的参考属性。首先，服务器220可以获取各个路径所涉及到的全部交通路段，以及各个交通路段各自对应的道路特征，对每一个交通路段，服务器220将其对应的属性输入至训练好的时长预测模型，通过时长预测模型来预测通过该交通路段所需要的目标通行时间；之后，服务器220基于该目标通行时间以及该交通路段长度获得该交通路段的车流速度。
94.在一种可选的实施方式中，终端设备210与服务器220之间可以通过通信网络进行
通信。
95.在一种可选的实施方式中，通信网络是有线网络或无线网络。
96.需要说明的是，图2所示只是举例说明，实际上终端设备和服务器的数量不受限制，在本技术实施例中不做具体限定。
97.本技术实施例中，当服务器的数量为多个时，多个服务器可组成为一区块链，而服务器为区块链上的节点；如本技术实施例所公开的时长预测模型训练和车流速度的预估方法，其中所涉及的道路特征、路口特征数据可保存于区块链上，例如，交通路段长度、交通路段限速、道路等级、车道数量、道路构造、路口转弯类型、关联转弯个数、交通路段实时速度、交通路段路况、历史出行轨迹的实际通行时间等。
98.此外，本技术实施例可应用于各种场景，不仅包括车流速度预估场景，还包括但不限于云技术、人工智能、智慧交通、辅助驾驶等场景。
99.下面结合上述描述的应用场景，参考附图来描述本技术示例性实施方式提供的时长预测模型训练和车流速度的预估方法，需要注意的是，上述应用场景仅是为了便于理解本技术的精神和原理而示出，本技术的实施方式在此方面不受任何限制。
100.参阅图3所示，为本技术实施例提供的一种时长预测模型训练方法的实施流程图，以服务器为执行主体，该方法的具体实施流程如下s301-s304：
101.s301：服务器获取多个历史出行轨迹各自包含的交通路段和路口路段。
102.上述中，历史出行轨迹为符合目标通行状态的历史出行轨迹，目标通行状态表征轨迹全程无拥堵情况发生。
103.交通路段为连续通行路段，是按照一定的预设条件对目标路网进行分割得到的连续通行路段，是路网中的最小分割单元，可以表示为link，预设条件可以为当道路限速、类型等属性发生变化时进行切割，还可以根据信号灯路口进行切割等等，交通路段中不包含信号灯路口；路口路段为包含交通信号灯且位于相邻道路通行交汇区域的路段。
104.路网又称道路网，是在一定区域内，由各种道路(例如公路、乡村道路等)组成的相互联结交织的网状道路系统。区域的范围可以为城市、乡村、区镇等。
105.如图4所示，为本技术实施例提供的一种交通路段划分示意图，图4所示列举了7个交通路段，其中交通路段1为类型a、限速40，交通路段2为类型a、限速60，交通路段3为类型a，限速80，交通路段4为类型b、限速60，交通路段5为类型b、限速60，交通路段6为类型a、限速60，交通路段7为类型c、限速60。其中，交通路段1、交通路段2、交通路段3因限速变化而被分割，交通路段4与交通路段5因隔着一个信号灯路口而被切割，交通路段3与交通路段6既限速不同，还隔着一个信号灯路口，交通路段6与交通路段7因道路类型不同而被切割。
106.如图5所示，为本技术实施例提供的一种路口路段示意图，可以将道路交汇路口中两个相对的信号灯之间的路段作为路口路段。
107.需要说明的是，上述路网切割为交通路段的方法仅是举例说明，任何交通路段的划分方法均适用于本技术，本技术不做具体限定。
108.每一段历史出行轨迹均包含至少一个交通路段，此外还有可能包含路口路段，也即，可能存在只包含交通路段而不包含路口路段的历史出行轨迹，以及既包含交通路段也包含路口路段的历史出行轨迹。
109.可以理解的是，在本技术的具体实施方式中，涉及到历史出行轨迹等相关的数据，
当本技术以上实施例运用到具体产品或技术中时，需要获得出行对象的许可或者同意，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。
110.以实际情况为例，假设现获取到p个历史出行轨迹，对于每个历史出行轨迹，服务器获取其包含的全部交通路段和全部路口路段。
111.s302：服务器根据各交通路段各自对应的第一行驶属性和路况信息，提取各交通路段各自的道路特征，以及根据各路口路段各自对应的第二行驶属性及相连接的交通路段的道路特征，提取各路口路段各自的路口特征。
112.上述中，道路特征可以表征相应交通路段的第一行驶属性和路况信息；第一行驶属性包括交通路段长度、交通路段限速、道路等级、车道数量、道路构造中的至少一种；路况信息包括交通路段实时速度、交通路段路况中的至少一种；路口特征可以表征相应路口路段的第二行驶属性，以及与相应路口路段相连接的交通路段的道路特征，第二行驶属性包括路口转弯类型(如直行、左转、掉头等)、关联转弯个数中的至少一种，与相应路口路段相连接的交通路段的道路特征则包含了与相应路口路段相连接的交通路段的路段长度、交通路段限速、道路等级、车道数量等等。
113.其中，道路等级可以由道路类型确定，例如根据道路是高速、国道还是快速路等来划分等级；道路构造形式可以包括主路、辅路、匝道等；交通路段路况可以分为畅通、缓行、拥堵等。如图6所示，为本技术实施例提供的一种道路特征与路口特征的提取示意图，图中从起点开始的第一个拐弯处有一路口路段，其路口特征为：左转，关联4个转弯，乡镇村道，2车道
……
，ab为一段交通路段，其道路特征为：75.96米，乡镇村道，1车道，畅通
……
。
114.需要说明的是，历史出行轨迹中的某个交通路段的实时速度的获取是通过相应时间段内通过该交通路段的全部车辆的实时速度确定的，而并非是仅由产生该条历史出行轨迹的车辆的速度决定。
115.可选的，历史出行轨迹中的某个交通路段的实时速度可以通过以下方式获得：在出行对象的历史出行过程中，服务器确定经过历史出行轨迹中交通路段的路径时间；基于路径时间及预设的参考时长，获取路径时间对应的参考时间段；获取参考时间段内，交通路段中各个车辆的车辆实时速度的均值，并将均值作为交通路段的交通路段实时速度；车辆实时速度是基于第二预设周期获取的。
116.例如，某条历史出行轨迹在经过其中一个交通路段时的时间是17:06，预设的参考时长为3分钟，则服务器获取17:03-17:06之内，经过该交通路段的全部车辆的实时速度，并将各个车辆的车辆实时速度的均值作为交通路段的交通路段实时速度。
117.上述中，车辆的实时速度的获取方式可以为：对于15:00已经在该交通路段的车辆，从15:00开始周期性获取每个车辆的速度值；对于15:00至15:03之内新驶入该交通路段的每个车辆，在车辆进入当前交通路段后，周期性获取车辆的速度值，例如z分钟获取一次。对于某个车辆，若该交通道路当前畅通，长度较短，车速较快，则可能只获取到该车辆在当前交通路段的一个速度值，则该速度值即为该车辆在当前交通路段的实时速度；若该交通道路当前拥堵，长度较长，车速较慢，则最终可能会获得该车辆在当前交通路段的多个速度值，则将多个速度值取均值，得到该车辆在当前交通路段的实时速度。
118.沿用s301中的假设，在获取到p个历史出行轨迹各自包含的全部交通路段和全部路口路段后，服务器根据每个历史出行轨迹中的各个交通路段的第一行驶属性和路况信
息，获取各个交通路段各自对应的道路特征，根据每个历史出行轨迹中各个路口路段的第二行驶属性及相连接的交通路段的道路特征，获取各个路口路段各自对应的路口特征。
119.s303：服务器基于各个历史出行轨迹各自包含的交通路段的道路特征和路口路段的路口特征，以及各个历史出行轨迹各自对应的实际通行时间，构建多个训练样本。
120.上述中，每个历史出行轨迹的实际通行时间是通过如下方式得到的：服务器获取历史出行轨迹中的各个导航点及各个导航点各自对应的导航时间；之后，服务器基于历史出行轨迹中起始导航点的对应的导航时间，以及终止导航点的对应的导航时间，获得历史出行轨迹的实际通行时间。其中，各个导航点是在历史出行过程中，基于第一预设周期对出行对象进行至少一次定位取点得到的。
121.沿用s302中的假设，对于每一个历史出行轨迹，服务器根据其包含的交通路段的道路特征以及路口路段包含的路口特征，和该历史出行轨迹的实际通行时间，构建出一个训练样本，最终得到p个训练样本。
122.s304：服务器基于多个训练样本对待训练的时长预测模型进行循环迭代训练，获得已训练的时长预测模型。
123.已训练的时长预测模型可以用于预测交通路段、路口路段的通行时间。
124.如图7所示，为本技术实施例提供的一种时长预测模型的训练流程图，对于待训练的时长预测模型的每次循环迭代训练，服务器具体执行s701-s703。
125.s701：服务器将选取的训练样本中历史出行轨迹包含的各交通路段各自的道路特征，以及各路口路段各自的路口特征，输入待训练的时长预测模型，预测各交通路段各自的预估通行时间，以及各路口路段各自的预估通行时间。
126.上述中，道路特征包括第一行驶属性与路况信息，第一行驶属性包括交通路段长度、交通路段限速、道路等级、车道数量、道路构造中的至少一种；路况信息包括交通路段实时速度、交通路段路况中的至少一种；路口路段为相邻道路通行交汇区域且包含交通信号灯的路段。
127.待训练的时长预测模型包括交通路段时长预测子模型和路口路段时长预测子模型，因此一种可选的实施方式为，服务器分别将各交通路段各自对应的道路特征输入待训练的交通路段时长预测子模型，预测各交通路段各自对应的预估通行时间；分别将各路口路段各自对应的路口特征输入待训练的路口路段时长预测子模型，预测各路口路段各自对应的预估通行时间。
128.假设每次循环迭代选取一批(一个或多个)训练样本进行训练，对于其中一个训练样本中的一个历史出行轨迹其可能会经过一个或多个交通路段，服务器需要获取该历史出行轨迹中所包含的全部交通路段，以及各个交通路段的道路特征；若该历史出行轨迹中不只包括交通路段，还包括至少一个路口路段，此时，服务器还需要获取历史出行轨迹包含的各个路口路段各自对应的路口特征。进一步的，若历史出行轨迹中只包含交通路段，则服务器分别将各个交通路段各自对应的道路特征输入待训练的交通路段时长预测子模型，预测各个交通路段各自对应的预估通行时间；若历史出行轨迹中还包含路口路段，则服务器还需要分别将各个路口路段各自对应的路口特征输入待训练的路口路段时长预测子模型，预测各个路口路段各自对应的预估通行时间。
129.如图8所示，为本技术实施例提供的一种获取交通路段与路口路段的预估通行时
间的示意图。每两个圆点之间为一个交通路段，带有信号灯标志的圆点表示该圆点包含一个路口路段，将6个交通路段对应的道路特征输入交通路段时长预测子模型，预测6个交通路段各自对应的预估通行时间分别为tx1，tx2，tx3，tx4，tx5，tx6；将2个路口路段对应的路口特征输入待训练的路口路段时长预测子模型，预测2个路口路段各自对应的预估通行时间分别为ty1，ty2。
130.沿用s303中的假设，服务器在某次循环迭代时，从p个训练样本中选取了一个用于模型训练，假设该样本中的历史出行轨迹包含u个交通路段与v个路口路段，服务器获取u个交通路段的道路特征，记为x1，x2，x3，
……
，xu；获取v个路口路段的路口特征，记为y1，y2，y3，
……
，yv。之后，对于建立的交通路段与路口路段的深度学习模型，也即交通路段时长预测子模型link_model，以及建立路口路段时长预测子模型light_model，将x1，x2，x3，
……
，xu输入交通路段时长预测子模型link_model，以使link_model根据各个交通路段的道路特征预测各个交通路段的预估通行时间，假设得出预估通行时间为tx1，tx2，tx3，
……
，txu；服务器将y1，y2，y3，
……
，yv输入路口路段时长预测子模型light_model，以使light_model根据各个路口路段的路口特征预测各个路口路段的预估通行时间，假设得出预估通行时间为ty1，ty2，ty3，
……
，tyv。
131.s702：服务器基于各交通路段各自的预估通行时间，和各路口路段各自的预估通行时间，确定历史出行轨迹的预估通行时间。
132.可选的，服务器将各交通路段各自的预估通行时间，和各路口路段各自的预估通行时间之和，作为历史出行轨迹的预估通行时间。
133.同样的，若历史出行轨迹中只包含交通路段，则服务器仅需要计算各个交通路段的预估通行时间之和，若历史出行轨迹中还包含路口路段，则服务器需要基于各个路口路段各自对应的预估通行时间，以及各个交通路段各自对应的预估通行时间之和。
134.沿用s701中的假设，一种可选的实施方式为，服务器将各个交通路段的预估通行时间tx1，tx2，tx3，
……
，txu，以及各个路口路段的预估通行时间ty1，ty2，ty3，
……
，tyv全部相加，得到该条历史出行轨迹包含的所有交通路段以及路口路段的预估通行时间总和，也即历史出行轨迹的预估通行时间，可以记为eta＝tx1+tx2+tx3+
……
+txu+ty1+ty2+ty3+
……
+tyv。
135.s703：服务器基于历史出行轨迹的预估通行时间与历史出行轨迹的实际通行时间之间的差异，对待训练的时长预测模型进行参数调整。
136.上述中，每条历史出行轨迹的实际通行时间是通过如下方式得到的：获取历史出行轨迹中的各个导航点及各个导航点各自对应的导航时间；基于历史出行轨迹中起始导航点的对应的导航时间，以及终止导航点的对应的导航时间，获得历史出行轨迹的实际通行时间。
137.如图9所示，为本技术实施例提供的一种历史出行轨迹示意图。轨迹中的每个方点均为一个导航点，服务器需要获取起点对应的导航点的时间，以及终点对应的导航点的时间，来确定历史出行轨迹的实际通行时间，图中历史出行轨迹的实际通行时间为7分15秒。
138.其中，各个导航点是在历史出行过程中，基于第一预设周期对出行对象进行至少一次定位取点得到的；假设某出行对象的一条历史出行轨迹是从c点驾驶至d点，第一预设周期为30秒，则从c点开始，每经过30秒，服务器将此时出行对象所至位置确认为一个导航
点，直至出行对象到达d点。所有导航点连起来就是一条历史出行轨迹。通过c点与d点的导航时间，可以计算该条历史出行轨迹的实际通行时间。
139.沿用s702中的假设，样本的真值是这条历史出行轨迹的实际通行时间，可以记为ata，则损失函数可以采用平均绝对百分比误差(mean absolute percentage error，mape)，也即设定为|eta-ata|/ata，之后服务器可以根据损失函数对时长预测模型进行参数调整。综上，如图10所示，为本技术实施例提供的一种基于模型预测历史出行轨迹的通行时长的逻辑示意图，服务器首先获取历史出行轨迹中的g个交通路段各自的道路特征，以及h个路口路段的路口特征，再将g个交通路段各自的道路特征分别输入时长预测模型中的交通路段时长预测子模型，得到g个交通路段各自的预估通行时间tx1，
……
，txg，将h个路口路段各自的路口特征分别输入时长预测模型中的路口路段时长预测子模型，得到h个交通路段各自的预估通行时间ty1，
……
，tyh，将tx1，
……
，txg以及ty1，
……
，tyh全部相加得到模型预测的历史出行轨迹的通行时长。
140.本技术利用历史上大量的历史出行轨迹样本对link_model以及light_model进行训练，前向计算历史出行轨迹的预估通行时间，通过与实际通行时间对比得到损失值，反向传播梯度，更新link_model以及light_model的模型参数，如此反复迭代，便能训练好link_model、light_model。
141.需要说明的是，本技术中优化模型的损失函数不限于mape，其他回归方法的损失函数同样适用于本技术，例如平均绝对误差(mean absolute error，mae)，均方误差(mean square error，mse)等，模型也不限于深度学习模型，其他机器学习模型同样适用于本技术，例如线性模型，树模型等。
142.接下来在应用侧介绍一种车流速度的预估方法，假设服务器需要获取目标路网中的全部交通路段的ffs。参阅图11所示，为本技术实施例提供的一种车流速度的预估方法的实施流程图，以服务器为执行主体，该方法的具体实施流程如下s1101-s1104：
143.s1101：服务器确定目标路网中所包含的至少一个交通路段。
144.其中，至少一个交通路段是按照一定的预设条件对目标路网进行分割得到的连续通行路段，是路网中的最小分割单元，可以表示为link，预设条件可以为当道路限速、类型等属性发生变化时进行切割，还可以根据信号灯路口进行切割等等，交通路段中不包含信号灯路口。
145.假设现需要通过某导航应用程序对c城市路网中所有的交通路段进行当前车辆自由流动速度的预估，则，该导航应用程序对应的服务器可基于道路属性、道路类型、信号灯路口等预设条件对c城市的路网进行切割，切割出n个交通路段。
146.需要说明的是，上述中的交通路段还可以提前切割完成，在需要进行当前车辆自由流动速度的预估时直接获取切割好的n个交通路段，本技术不做具体限定。
147.s1102：服务器根据各交通路段各自对应的第一行驶属性和路况信息，提取各交通路段各自的道路特征。
148.其中，道路特征可以表征相应交通路段的第一行驶属性和路况信息；第一行驶属性包括交通路段长度、交通路段限速、道路等级、车道数量、道路构造中的至少一种；路况信息包括交通路段实时速度、交通路段路况中的至少一种。道路等级可以由道路类型确定，例如根据道路是高速、国道还是快速路等来划分等级；道路构造形式可以包括主路、辅路、匝
道等；交通路段路况可以分为畅通、缓行、拥堵等。
149.交通路段实时速度是根据预设时间内通过该交通路段的全部车辆的速度确定的。例如，预设时间可以为当前时刻的前3分钟，假设当前时刻为15:03，则选取15:00至15:03内通过该交通路段的全部车辆的实时速度，并将全部车辆的实时速度的均值作为该交通路段当前的实时速度。车辆的实时速度的获取方式与s302中，获取历史出行轨迹中某一交通路段的实时速度时，所用到的车辆的实时速度的获取方式一致，在此不再赘述。
150.沿用s1101中的假设，服务器在得到c城市路网中所包含的n个交通路段后，服务器分别获取n个交通路段各自对应的道路特征。
151.s1103：服务器分别将各交通路段各自对应的道路特征输入已训练的时长预测模型，预测各交通路段各自对应的目标通行时间。
152.其中，时长预测模型是基于多个历史出行轨迹训练得到的；每个历史出行轨迹包括交通路段和路口路段；路口路段为包含交通信号灯且位于相邻道路通行交汇区域的路段。
153.沿用s1102中的假设，服务器将获取到的n个交通路段各自对应的道路特征分别输入时长预测模型，由时长预测模型预测出n个交通路段各自的目标通行时间。
154.s1104：服务器基于各交通路段各自对应的目标通行时间及相应的交通路段长度，分别获得各交通路段各自对应的车流速度。
155.一种可选的方式为，服务器可以分别基于至少一个交通路段各自对应的交通路段长度，与相应的目标通行时间之间的比值，得到至少一个交通路段各自对应的车流速度。
156.也即，在使用已训练的时长预测模型预测路网中所有的交通路段的通行时间后，再用交通路段的长度除以这个时间，就得到了该交通路段的ffs。
157.沿用s1103中的假设，服务器基于时长预测模型得到n个交通路段各自对应的目标通行时间后，服务器获取各个交通路段各自对应的交通路段长度，对于每个交通路段，用其交通路段长度除以目标通行时间，即可获得其车流速度。至此，服务器获得了c城市的路网中所有的交通路段当前的车流速度。
158.车流速度，也即车辆自由流动速度可以应用于交通管理，道路设计速度选取，导航路线推荐等各个方面。因此，本技术所提供的方法也可以应用于交通管理，道路设计速度选取，手机地图、车载系统、外卖配送、网约车、物流系统等场景的路径规划、路线时长预估、导航路线推荐排序等各个方面。能够提高路径规划中边权的准确性，例如在选择用时最短的推荐路径向目标对象进行展示时，可以将交通路段的目标通行时间作为边权，对于一条推荐路径，其包含的交通路段的目标通行时间之和越短越好，也即选择边权和最小的推荐路径向目标对象进行展示；此外，作为交通路段的重要特征，也可以提高路径时长预估及路径排序的模型效果。
159.常见的，导航应用程序在为目标对象(如驾驶员)推荐路线时，服务器可以基于目标对象输入的起始点与目标点，获取至少一条推荐路径；对于每条推荐路径，分别执行以下操作：获取推荐路径包含的各个交通路段；基于已训练的时长预测模型，获取各个交通路段各自对应的目标通行时间之和，并作为推荐路径的推荐通行时间；基于各个推荐路径各自的推荐通行时间，对各个推荐路径进行排序。最后将排序结果展示给目标对象。
160.如图12所示，为本技术实施例提供的一种导航路线推荐界面的示意图。在目标对
象输入起点与终点后，服务器找到2条相关路径，之后服务器可以获取两路径各自包含的交通路段对应的道路特征，并将交通路段各自对应的道路特征分别输入时长预测模型，以得到各个交通路段对应的目标通行时间，进一步得到2条路径各自的推荐通行时间，基于时间长短将2条路径排序展示给目标对象。
161.一种可以选择的实施方式为，按照推荐通行时间由短到长进行排序，选取排序前f位对目标对象进行展示。f的具体取值本技术不做具体限定。
162.需要说明的是，上述排序方式只是举例说明，本技术不做具体限定。
163.此外可以看出，在导航路线推荐排序场景下，可以不进行车流速度的计算，直接使用模型预测的各个交通路段各自对应的目标通行时间之和作为排序标准。
164.接下来，以实际场景为例，假设目标对象使用某一地图应用程序进行导航，如图13所示，为本技术实施例提供的一种可选的服务器与终端设备的交互图，目标对象利用终端设备输入导航的起点与终点，终端设备将起点与终点传输给服务器，服务器首先查找出k条可以由起点抵达终点的推荐路径，之后服务器获取k条路径各自包含的交通路段对应的道路特征，并分别将交通路段各自对应的道路特征输入时长预测模型，由时长预测模型预测出各个交通路段对应的目标通行时间，最后服务器根据推荐路径所包含的交通路段，将相应的目标通行时间相加得到每条推荐路径的推荐通行时间，根据推荐通行时间从短到长进行排序，并将排序结果的前两位按排序顺序返回终端设备，由终端设备展示给目标对象。
165.基于相同的发明构思，本技术实施例还提供一种时长预测模型的训练装置。如图14所示，其为时长预测模型的训练装置的结构示意图，可以包括：
166.获取单元1401，用于获取多个历史出行轨迹各自包含的交通路段和路口路段；交通路段为连续通行路段，路口路段为包含交通信号灯且位于相邻道路通行交汇区域的路段；
167.提取单元1402，用于根据各交通路段各自对应的第一行驶属性和路况信息，提取各交通路段各自的道路特征，以及根据各路口路段各自对应的第二行驶属性及相连接的交通路段的道路特征，提取各路口路段各自的路口特征；
168.构建单元1403，用于基于各个历史出行轨迹各自包含的交通路段的道路特征和路口路段的路口特征，以及各个历史出行轨迹各自对应的实际通行时间，构建多个训练样本；
169.训练单元1404，用于基于多个训练样本对待训练的时长预测模型进行循环迭代训练，获得已训练的时长预测模型。
170.可选的，训练单元1404具体用于在每次循环迭代训练执行以下步骤：
171.将选取的训练样本中历史出行轨迹包含的各交通路段各自的道路特征，以及各路口路段各自的路口特征，输入待训练的时长预测模型，预测各交通路段各自的预估通行时间，以及各路口路段各自的预估通行时间；
172.基于各交通路段各自的预估通行时间，和各路口路段各自的预估通行时间，确定历史出行轨迹的预估通行时间；
173.基于历史出行轨迹的预估通行时间与历史出行轨迹的实际通行时间之间的差异，对待训练的时长预测模型进行参数调整。
174.可选的，待训练的时长预测模型包括交通路段时长预测子模型和路口路段时长预测子模型；训练单元1404具体用于：
175.分别将各交通路段各自对应的道路特征输入待训练的交通路段时长预测子模型，预测各交通路段各自对应的预估通行时间；
176.分别将各路口路段各自对应的路口特征输入待训练的路口路段时长预测子模型，预测各路口路段各自对应的预估通行时间。
177.可选的，训练单元1404具体用于：
178.将各交通路段各自的预估通行时间，和各路口路段各自的预估通行时间之和，作为历史出行轨迹的预估通行时间。
179.可选的，训练单元1404具体用于通过如下方式得到每个历史出行轨迹的实际通行时间：
180.获取历史出行轨迹中的各个导航点及各个导航点各自对应的导航时间；各个导航点是在历史出行过程中，基于第一预设周期对出行对象进行至少一次定位取点得到的；
181.基于历史出行轨迹中起始导航点的对应的导航时间，以及终止导航点的对应的导航时间，获得历史出行轨迹的实际通行时间。
182.可选的，第一行驶属性包括交通路段长度、交通路段限速、道路等级、车道数量、道路构造中的至少一种；第二行驶属性包括路口转弯类型、关联转弯个数中的至少一种；路况信息包括交通路段实时速度、交通路段路况中的至少一种。
183.可选的，训练单元1404具体用于通过以下方式获得历史出行轨迹中的每个交通路段实时速度：
184.在出行对象的历史出行过程中，确定经过历史出行轨迹中交通路段的路径时间；
185.基于路径时间及预设的参考时长，获取路径时间对应的参考时间段；
186.获取参考时间段内，交通路段中各个车辆的车辆实时速度的均值，并将均值作为交通路段的交通路段实时速度；车辆实时速度是基于第二预设周期获取的。
187.可选的，历史出行轨迹为符合目标通行状态的历史出行轨迹，目标通行状态表征轨迹全程无拥堵情况发生。
188.本技术实施例还提供一种车流速度的预估装置。如图15所示，其为车流速度的预估装置的结构示意图，可以包括：
189.确定单元1501，用于确定目标路网中所包含的至少一个交通路段，至少一个交通路段是对目标路网进行分割得到的连续通行路段；
190.第一获取单元1502，用于根据各交通路段各自对应的第一行驶属性和路况信息，提取各交通路段各自的道路特征；
191.预测单元1503，用于分别将各交通路段各自对应的道路特征输入已训练的时长预测模型，预测各交通路段各自对应的目标通行时间；其中，时长预测模型是基于多个历史出行轨迹训练得到的；每个历史出行轨迹包括交通路段和路口路段；路口路段为包含交通信号灯且位于相邻道路通行交汇区域的路段；
192.第二获取单元1504，用于基于各交通路段各自对应的目标通行时间及相应的交通路段长度，分别获得各交通路段各自对应的车流速度。
193.可选的，第二获取单元1504具体用于：
194.基于各交通路段各自对应的交通路段长度，与相应的目标通行时间之间的比值，分别得到各交通路段各自对应的车流速度。
195.可选的，装置还包括：
196.排序单元1505，用于基于目标对象输入的起始点与目标点，获取至少一条推荐路径；对于每条推荐路径，分别执行以下操作：获取推荐路径包含的各个交通路段；基于已训练的时长预测模型，获取各个交通路段各自对应的目标通行时间之和，并作为推荐路径的推荐通行时间；
197.基于各个推荐路径各自的推荐通行时间，对各个推荐路径进行排序。
198.为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本技术时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
199.在介绍了本技术示例性实施方式的车流速度的预估方法和装置之后，接下来，介绍根据本技术的另一示例性实施方式的电子设备。
200.所属技术领域的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
201.与上述方法实施例基于同一发明构思，本技术实施例中还提供了一种电子设备。在一种实施例中，该电子设备可以是服务器，如图2所示的服务器220。在该实施例中，电子设备的结构可以如图16所示，包括存储器1601，通讯模块1603以及一个或多个处理器1602。
202.存储器1601，用于存储处理器1602执行的计算机程序。存储器1601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，以及运行即时通讯功能所需的程序等；存储数据区可存储各种即时通讯信息和操作指令集等。
203.存储器1601可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；存储器1601也可以是非易失性存储器(non-volatile memory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；或者存储器1601是能够用于携带或存储具有指令或数据结构形式的期望的计算机程序并能够由计算机存取的任何其他介质，但不限于此。存储器1601可以是上述存储器的组合。
204.处理器1602，可以包括一个或多个中央处理单元(central processing unit，cpu)或者为数字处理单元等等。处理器1602，用于调用存储器1601中存储的计算机程序时实现上述车流速度的预估方法。
205.通讯模块1603用于与终端设备和其他服务器进行通信。
206.本技术实施例中不限定上述存储器1601、通讯模块1603和处理器1602之间的具体连接介质。本技术实施例在图16中以存储器1601和处理器1602之间通过总线1604连接，总线1604在图16中以粗线描述，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线1604可以分为地址总线、数据总线、控制总线等。为便于描述，图16中仅用一条粗线描述，但并不描述仅有一根总线或一种类型的总线。
207.存储器1601中存储有计算机存储介质，计算机存储介质中存储有计算机可执行指令，计算机可执行指令用于实现本技术实施例的车流速度的预估方法。处理器1602用于执行上述的车流速度的预估方法，如图3所示。
208.在另一种实施例中，电子设备也可以是其他电子设备，如图2所示的终端设备210。
在该实施例中，电子设备的结构可以如图17所示，包括：通信组件1710、存储器1720、显示单元1730、摄像头1740、传感器1750、音频电路1760、蓝牙模块1770、处理器1780等部件。
209.通信组件1710用于与服务器进行通信。在一些实施例中，可以包括电路无线保真(wireless fidelity，wifi)模块，wifi模块属于短距离无线传输技术，电子设备通过wifi模块可以帮助对象(如用户)收发信息。
210.存储器1720可用于存储软件程序及数据。处理器1780通过运行存储在存储器1720的软件程序或数据，从而执行终端设备210的各种功能以及数据处理。存储器1720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。存储器1720存储有使得终端设备210能运行的操作系统。本技术中存储器1720可以存储操作系统及各种应用程序，还可以存储执行本技术实施例车流速度的预估方法的计算机程序。
211.显示单元1730还可用于显示由对象输入的信息或提供给对象的信息以及终端设备210的各种菜单的图形对象界面(graphical user interface，gui)。具体地，显示单元1730可以包括设置在终端设备210正面的显示屏1732。其中，显示屏1732可以采用液晶显示器、发光二极管等形式来配置。显示单元1730可以用于显示本技术实施例中的导航界面等。
212.显示单元1730还可用于接收输入的数字或字符信息，产生与终端设备210的对象设置以及功能控制有关的信号输入，具体地，显示单元1730可以包括设置在终端设备210正面的触控屏1731，可收集对象在其上或附近的触摸操作，例如点击按钮，拖动滚动框等。
213.其中，触控屏1731可以覆盖在显示屏1732之上，也可以将触控屏1731与显示屏1732集成而实现终端设备210的输入和输出功能，集成后可以简称触摸显示屏。本技术中显示单元1730可以显示应用程序以及对应的操作步骤。
214.摄像头1740可用于捕获静态图像，对象可以将摄像头1740拍摄的图像通过应用发布。摄像头1740可以是一个，也可以是多个。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device，ccd)或互补金属氧化物半导体(complementary metal-oxide-semiconductor，cmos)光电晶体管。感光元件把光信号转换成电信号，之后将电信号传递给处理器1780转换成数字图像信号。
215.终端设备还可以包括至少一种传感器1750，比如加速度传感器1751、距离传感器1752、指纹传感器1753、温度传感器1754。终端设备还可配置有陀螺仪、气压计、湿度计、温度计、红外线传感器、光传感器、运动传感器等其他传感器。
216.音频电路1760、扬声器1761、传声器1762可提供对象与终端设备210之间的音频接口。音频电路1760可将接收到的音频数据转换后的电信号，传输到扬声器1761，由扬声器1761转换为声音信号输出。终端设备210还可配置音量按钮，用于调节声音信号的音量。另一方面，传声器1762将收集的声音信号转换为电信号，由音频电路1760接收后转换为音频数据，再将音频数据输出至通信组件1710以发送给比如另一终端设备210，或者将音频数据输出至存储器1720以便进一步处理。
217.蓝牙模块1770用于通过蓝牙协议来与其他具有蓝牙模块的蓝牙设备进行信息交互。例如，终端设备可以通过蓝牙模块1770与同样具备蓝牙模块的可穿戴电子设备(例如智能手表)建立蓝牙连接，从而进行数据交互。
218.处理器1780是终端设备的控制中心，利用各种接口和线路连接整个终端的各个部
分，通过运行或执行存储在存储器1720内的软件程序，以及调用存储在存储器1720内的数据，执行终端设备的各种功能和处理数据。在一些实施例中，处理器1780可包括一个或多个处理单元；处理器1780还可以集成应用处理器和基带处理器，其中，应用处理器主要处理操作系统、对象界面和应用程序等，基带处理器主要处理无线通信。可以理解的是，上述基带处理器也可以不集成到处理器1780中。本技术中处理器1780可以运行操作系统、应用程序、对象界面显示及触控响应，以及本技术实施例的车流速度的预估方法。另外，处理器1780与显示单元1730耦接。
219.在一些可能的实施方式中，本技术提供的车流速度的预估方法的各个方面还可以实现为一种程序产品的形式，其包括计算机程序，当程序产品在电子设备上运行时，计算机程序用于使电子设备执行本说明书上述描述的根据本技术各种示例性实施方式的车流速度的预估方法中的步骤，例如，电子设备可以执行如图3中所示的步骤。
220.程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
221.本技术的实施方式的程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括计算机程序，并可以在电子设备上运行。然而，本技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被命令执行系统、装置或者器件使用或者与其结合使用。
222.可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。
223.可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
224.可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的计算机程序，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。计算机程序可以完全地在对象电子设备上执行、部分地在对象电子设备上执行、作为一个独立的软件包执行、部分在对象电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到对象电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
225.应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可
以进一步划分为由多个单元来具体化。
226.此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
227.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术可采用在一个或多个其中包含有计算机可用计算机程序的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
228.本技术是参照根据本技术实施例的方法、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命令实现流程图和/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命令到通用计算机、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命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。
229.这些计算机程序命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命令产生包括命令装置的制造品，该命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。
230.这些计算机程序命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命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。
231.尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
232.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种时长预测模型的训练方法，其特征在于，所述方法包括：获取多个历史出行轨迹各自包含的交通路段和路口路段；所述交通路段为连续通行路段，所述路口路段为包含交通信号灯且位于相邻道路通行交汇区域的路段；根据各交通路段各自对应的第一行驶属性和路况信息，提取所述各交通路段各自的道路特征，以及根据各路口路段各自对应的第二行驶属性及相连接的交通路段的道路特征，提取所述各路口路段各自的路口特征；基于各个历史出行轨迹各自包含的交通路段的道路特征和路口路段的路口特征，以及各个历史出行轨迹各自对应的实际通行时间，构建多个训练样本；基于所述多个训练样本对待训练的时长预测模型进行循环迭代训练，获得已训练的时长预测模型。2.如权利要求1所述的方法，其特征在于，每次循环迭代训练执行以下步骤：将选取的训练样本中历史出行轨迹包含的各交通路段各自的道路特征，以及各路口路段各自的路口特征，输入待训练的时长预测模型，预测所述各交通路段各自的预估通行时间，以及所述各路口路段各自的预估通行时间；基于所述各交通路段各自的预估通行时间，和所述各路口路段各自的预估通行时间，确定所述历史出行轨迹的预估通行时间；基于所述历史出行轨迹的预估通行时间与所述历史出行轨迹的实际通行时间之间的差异，对所述待训练的时长预测模型进行参数调整。3.如权利要求2所述的方法，其特征在于，所述待训练的时长预测模型包括交通路段时长预测子模型和路口路段时长预测子模型；所述将选取的训练样本中历史出行轨迹包含的各交通路段各自的道路特征，以及各路口路段各自的路口特征，输入待训练的时长预测模型，预测所述各交通路段各自的预估通行时间，以及所述各路口路段各自的预估通行时间，包括：分别将所述各交通路段各自对应的道路特征输入待训练的交通路段时长预测子模型，预测所述各交通路段各自对应的预估通行时间；分别将所述各路口路段各自对应的路口特征输入待训练的路口路段时长预测子模型，预测所述各路口路段各自对应的预估通行时间。4.如权利要求2所述的方法，其特征在于，所述基于所述各交通路段各自的预估通行时间，和所述各路口路段各自的预估通行时间，确定所述历史出行轨迹的预估通行时间，包括：将所述各交通路段各自的预估通行时间，和所述各路口路段各自的预估通行时间之和，作为所述历史出行轨迹的预估通行时间。5.如权利要求1～4任一项所述的方法，其特征在于，每个所述历史出行轨迹的实际通行时间是通过如下方式得到的：获取所述历史出行轨迹中的各个导航点及各个导航点各自对应的导航时间；所述各个导航点是在历史出行过程中，基于第一预设周期对出行对象进行至少一次定位取点得到的；基于所述历史出行轨迹中起始导航点的对应的导航时间，以及终止导航点的对应的导航时间，获得所述历史出行轨迹的实际通行时间。
6.如权利要求1所述的方法，其特征在于，所述第一行驶属性包括交通路段长度、交通路段限速、道路等级、车道数量、道路构造中的至少一种；所述第二行驶属性包括路口转弯类型、关联转弯个数中的至少一种；所述路况信息包括交通路段实时速度、交通路段路况中的至少一种。7.如权利要求6所述的方法，其特征在于，所述历史出行轨迹中的每个交通路段实时速度是通过以下方式获得的：在出行对象的历史出行过程中，确定经过所述历史出行轨迹中所述交通路段的路径时间；基于所述路径时间及预设的参考时长，获取所述路径时间对应的参考时间段；获取所述参考时间段内，所述交通路段中各个车辆的车辆实时速度的均值，并将所述均值作为所述交通路段的交通路段实时速度；所述车辆实时速度是基于第二预设周期获取的。8.如权利要求1～4、6～7任一项所述的方法，其特征在于，所述历史出行轨迹为符合目标通行状态的历史出行轨迹，所述目标通行状态表征轨迹全程无拥堵情况发生。9.一种车流速度的预估方法，其特征在于，所述方法包括：确定目标路网中所包含的至少一个交通路段，所述至少一个交通路段是对所述目标路网进行分割得到的连续通行路段；根据各交通路段各自对应的第一行驶属性和路况信息，提取所述各交通路段各自的道路特征；分别将所述各交通路段各自对应的道路特征输入已训练的时长预测模型，预测所述各交通路段各自对应的目标通行时间；其中，所述时长预测模型是基于多个历史出行轨迹训练得到的；每个历史出行轨迹包括交通路段和路口路段；所述路口路段为包含交通信号灯且位于相邻道路通行交汇区域的路段；基于所述各交通路段各自对应的目标通行时间及相应的交通路段长度，分别获得所述各交通路段各自对应的车流速度。10.如权利要求9所述的方法，其特征在于，所述基于所述各交通路段各自对应的目标通行时间及相应的交通路段长度，分别获得所述各交通路段各自对应的车流速度，包括：基于所述各交通路段各自对应的交通路段长度，与相应的目标通行时间之间的比值，分别得到所述各交通路段各自对应的车流速度。11.如权利要求9所述的方法，其特征在于，所述方法还包括：基于目标对象输入的起始点与目标点，获取至少一条推荐路径；对于每条推荐路径，分别执行以下操作：获取所述推荐路径包含的各个交通路段；基于已训练的时长预测模型，获取所述各个交通路段各自对应的目标通行时间之和，并作为所述推荐路径的推荐通行时间；基于所述各个推荐路径各自的推荐通行时间，对所述各个推荐路径进行排序。12.一种时长预测模型的训练装置，其特征在于，包括：获取单元，用于获取多个历史出行轨迹各自包含的交通路段和路口路段；所述交通路段为连续通行路段，所述路口路段为包含交通信号灯且位于相邻道路通行交汇区域的路段；
提取单元，用于根据各交通路段各自对应的第一行驶属性和路况信息，提取所述各交通路段各自的道路特征，以及根据各路口路段各自对应的第二行驶属性及相连接的交通路段的道路特征，提取所述各路口路段各自的路口特征；构建单元，用于基于各个历史出行轨迹各自包含的交通路段的道路特征和路口路段的路口特征，以及各个历史出行轨迹各自对应的实际通行时间，构建多个训练样本；训练单元，用于基于所述多个训练样本对待训练的时长预测模型进行循环迭代训练，获得已训练的时长预测模型。13.一种车流速度的预估装置，其特征在于，包括：确定单元，用于确定目标路网中所包含的至少一个交通路段，所述至少一个交通路段是对所述目标路网进行分割得到的连续通行路段；第一获取单元，用于根据各交通路段各自对应的第一行驶属性和路况信息，提取所述各交通路段各自的道路特征；预测单元，用于分别将所述各交通路段各自对应的道路特征输入已训练的时长预测模型，预测所述各交通路段各自对应的目标通行时间；其中，所述时长预测模型是基于多个历史出行轨迹训练得到的；每个历史出行轨迹包括交通路段和路口路段；所述路口路段为包含交通信号灯且位于相邻道路通行交汇区域的路段；第二获取单元，用于基于所述各交通路段各自对应的目标通行时间及相应的交通路段长度，分别获得所述各交通路段各自对应的车流速度。14.一种电子设备，其特征在于，其包括处理器和存储器，其中，所述存储器存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～11中任一所述方法的步骤。15.一种计算机可读存储介质，其特征在于，其包括计算机程序，当所述计算机程序在电子设备上运行时，所述计算机程序用于使所述电子设备执行权利要求1～11中任一所述方法的步骤。16.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序存储在计算机可读存储介质中；当电子设备的处理器从所述计算机可读存储介质读取所述计算机程序时，所述处理器执行所述计算机程序，使得所述电子设备执行权利要求1～11中任一所述方法的步骤。

技术总结
本申请涉及计算机技术领域，尤其涉及人工智能技术领域，提供一种时长预测模型训练和车流速度的预估方法、装置和设备，可应用于地图、交通、自动驾驶、车载等场景。其中，方法包括：获取多个历史出行轨迹各自包含的交通路段和路口路段；提取各交通路段各自的道路特征以及各路口路段各自的路口特征；基于各个历史出行轨迹各自包含的交通路段的道路特征和路口路段的路口特征，以及各个历史出行轨迹各自对应的实际通行时间，构建多个训练样本；基于多个训练样本对待训练的时长预测模型进行循环迭代训练，获得已训练的时长预测模型。由于本申请是在进行模型训练时选用的是整条历史出行轨迹中全部的交通路段和路口路段，预测出的时间更具准确性。更具准确性。更具准确性。


技术研发人员：陈泽伟 郭宇峰 李伟征 黄炜
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2023.02.10
技术公布日：2023/7/6