本發(fā)明涉及交通管理和規(guī)劃，具體涉及一種復(fù)雜環(huán)境下基于深度學(xué)習(xí)的通行時(shí)間估計(jì)方法。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)技術(shù)和智能交通技術(shù)的快速發(fā)展，導(dǎo)航功能廣泛應(yīng)用于日常生活中。當(dāng)用戶要通過一段路線時(shí)，可以根據(jù)目標(biāo)路線起始點(diǎn)和終點(diǎn)來估計(jì)在該目標(biāo)路線上的通行時(shí)間，從而為用戶的出行帶來便利。

2、在相關(guān)技術(shù)中，通?？梢圆捎脮r(shí)間估計(jì)模型來估計(jì)通行時(shí)間。例如，fma-eta模型綜合考慮了交通量、駕駛員熟練程度和通行模式等對(duì)通行時(shí)間估計(jì)的潛在影響來進(jìn)行通行時(shí)間估計(jì)。

3、但是，相關(guān)技術(shù)主要應(yīng)用于城市場景中，時(shí)間估計(jì)模型通常依賴于城市環(huán)境的特征模式，在處理復(fù)雜環(huán)境時(shí)表現(xiàn)出適應(yīng)性不足，難以有效捕捉通行軌跡中的長距離依賴性。相關(guān)技術(shù)通常缺乏對(duì)地形和天氣因素的專門特征設(shè)計(jì)，未能準(zhǔn)確反映復(fù)雜地形環(huán)境下的實(shí)際影響因素，導(dǎo)致預(yù)測準(zhǔn)確性降低。并且，由于在復(fù)雜環(huán)境中通行時(shí)間影響因素復(fù)雜多變，相關(guān)技術(shù)采用的時(shí)間估計(jì)模型難以在不同環(huán)境中實(shí)現(xiàn)高效泛化，預(yù)測結(jié)果的準(zhǔn)確性和可靠性受到限制。因此，相關(guān)技術(shù)存在特征設(shè)計(jì)不足、模型適應(yīng)性差、泛化能力有限等問題，從而導(dǎo)致無法準(zhǔn)確地估計(jì)通行時(shí)間。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是無法準(zhǔn)確地估計(jì)通行時(shí)間的問題。

2、為解決上述技術(shù)問題，本發(fā)明提供了一種復(fù)雜環(huán)境下基于深度學(xué)習(xí)的通行時(shí)間估計(jì)方法，具體采用如下技術(shù)方案：

3、本發(fā)明提供一種復(fù)雜環(huán)境下基于深度學(xué)習(xí)的通行時(shí)間估計(jì)方法，包括：首先，獲取目標(biāo)區(qū)域的軌跡數(shù)據(jù)集。其中，目標(biāo)區(qū)域包括：高原環(huán)境區(qū)域和山地環(huán)境區(qū)域，軌跡數(shù)據(jù)集包括：多個(gè)軌跡點(diǎn)，以及多個(gè)軌跡點(diǎn)分別對(duì)應(yīng)的全球定位系統(tǒng)gps坐標(biāo)、坡度、轉(zhuǎn)角角度、天氣類別和通行時(shí)間。然后，將軌跡數(shù)據(jù)集根據(jù)預(yù)設(shè)劃分比例劃分為：訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測試數(shù)據(jù)集。接下來，構(gòu)建通行時(shí)間估計(jì)模型，通行時(shí)間估計(jì)模型用于估計(jì)通行時(shí)間。其次，根據(jù)訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集對(duì)通行時(shí)間估計(jì)模型進(jìn)行訓(xùn)練和優(yōu)化，得到優(yōu)化的通行時(shí)間估計(jì)模型。根據(jù)測試數(shù)據(jù)集對(duì)優(yōu)化的通行時(shí)間估計(jì)模型進(jìn)行測試，并確定模型評(píng)價(jià)指標(biāo)值。最后，在模型評(píng)價(jià)指標(biāo)值滿足指標(biāo)閾值的情況下，將待估計(jì)數(shù)據(jù)輸入優(yōu)化的通行時(shí)間估計(jì)模型，輸出得到通行時(shí)間估計(jì)結(jié)果。

4、該方法能夠針對(duì)復(fù)雜環(huán)境地形和天氣進(jìn)行特征設(shè)計(jì)和模型優(yōu)化，即通過集成復(fù)雜環(huán)境下(高原環(huán)境和山地環(huán)境)的gps坐標(biāo)、坡度、轉(zhuǎn)角角度和天氣類別等多種特征的軌跡數(shù)據(jù)集。并通過該軌跡數(shù)據(jù)集對(duì)構(gòu)建的通行時(shí)間估計(jì)模型進(jìn)行訓(xùn)練、優(yōu)化和測試，使得優(yōu)化的通行時(shí)間估計(jì)模型能夠更全面地理解復(fù)雜環(huán)境下的復(fù)雜通行條件，準(zhǔn)確捕捉多變地形與天氣對(duì)通行的影響，以結(jié)合地形和天氣等影響因素進(jìn)行通行時(shí)間評(píng)估。這樣，通過優(yōu)化的通行時(shí)間估計(jì)模型能夠有效提升通行時(shí)間估計(jì)的可靠性，并提高了通行時(shí)間估計(jì)方法中針對(duì)復(fù)雜環(huán)境地形和天氣因素建模的適應(yīng)性，從而能夠有效地提高在復(fù)雜環(huán)境下估計(jì)通行時(shí)間的準(zhǔn)確性。

5、在一種可選擇的實(shí)現(xiàn)方式中，上述通行時(shí)間估計(jì)模型包括：嵌入層、transformer編碼層和解碼層；嵌入層與transformer編碼層連接，transformer編碼層與解碼層連接。其中，嵌入層用于將坡度、轉(zhuǎn)角角度和天氣類別分別轉(zhuǎn)換并輸出預(yù)設(shè)維度的坡度嵌入向量、轉(zhuǎn)角嵌入向量和天氣嵌入向量，以及輸出gps坐標(biāo)差值；gps坐標(biāo)差值根據(jù)軌跡點(diǎn)的gps坐標(biāo)和相鄰軌跡點(diǎn)的gps坐標(biāo)確定得到。transformer編碼層用于根據(jù)坡度嵌入向量、轉(zhuǎn)角嵌入向量、天氣嵌入向量和gps坐標(biāo)差值進(jìn)行特征提取，生成并輸出依次對(duì)應(yīng)的坡度特征矩陣、轉(zhuǎn)角特征矩陣、天氣特征矩陣和坐標(biāo)特征矩陣。解碼層用于根據(jù)坡度特征矩陣、轉(zhuǎn)角特征矩陣、天氣特征矩陣和坐標(biāo)特征矩陣進(jìn)行加權(quán)融合和解碼，確定并輸出通行時(shí)間估計(jì)結(jié)果。

6、在本實(shí)現(xiàn)方式中，通行時(shí)間估計(jì)模型通過嵌入層能夠?qū)⑵露取⑥D(zhuǎn)角角度和天氣類別分別轉(zhuǎn)換為固定維度的嵌入向量。通過transformer編碼層能夠采用多頭自注意力機(jī)制提取序列特征，并整合來自不同數(shù)據(jù)的特征，強(qiáng)化數(shù)據(jù)間的相關(guān)性和互補(bǔ)性。通過解碼層能夠?qū)⒏咴h(huán)境和山地環(huán)境中的四類特征通過自注意力機(jī)制進(jìn)行加權(quán)融合，捕捉這些特征之間的復(fù)雜關(guān)系。這樣，可以提高通行時(shí)間估計(jì)模型在復(fù)雜環(huán)境下估計(jì)通行時(shí)間的準(zhǔn)確性。

7、在一種可選擇的實(shí)現(xiàn)方式中，上述將坡度、轉(zhuǎn)角角度和天氣類別分別轉(zhuǎn)換并輸出預(yù)設(shè)維度的坡度嵌入向量、轉(zhuǎn)角嵌入向量和天氣嵌入向量中，嵌入層具體用于：首先，通過獨(dú)熱one-hot編碼將坡度、轉(zhuǎn)角角度和天氣類別分別轉(zhuǎn)化為對(duì)應(yīng)的坡度高維稀疏向量、轉(zhuǎn)角高維稀疏向量和天氣高維稀疏向量。然后，通過嵌入矩陣將坡度高維稀疏向量、轉(zhuǎn)角高維稀疏向量和天氣高維稀疏向量映射到低維空間，轉(zhuǎn)換為坡度嵌入向量、轉(zhuǎn)角嵌入向量和天氣嵌入向量。

8、在一種可選擇的實(shí)現(xiàn)方式中，上述根據(jù)坡度嵌入向量、轉(zhuǎn)角嵌入向量、天氣嵌入向量和gps坐標(biāo)差值進(jìn)行特征提取，生成并輸出依次對(duì)應(yīng)的坡度特征矩陣、轉(zhuǎn)角特征矩陣、天氣特征矩陣和坐標(biāo)特征矩陣中，transformer編碼層具體用于：首先，對(duì)坡度嵌入向量、轉(zhuǎn)角嵌入向量、天氣嵌入向量和gps坐標(biāo)差值分別進(jìn)行位置編碼處理，并通過自注意力機(jī)制確定對(duì)應(yīng)的坡度自注意力輸出結(jié)果、轉(zhuǎn)角自注意力輸出結(jié)果、天氣自注意力輸出結(jié)果和坐標(biāo)自注意力輸出結(jié)果。然后，將坡度自注意力輸出結(jié)果、轉(zhuǎn)角自注意力輸出結(jié)果、天氣自注意力輸出結(jié)果和坐標(biāo)自注意力輸出結(jié)果通過多頭自注意力機(jī)制進(jìn)行拼接，得到多頭自注意力輸出結(jié)果。最后，將多頭自注意力輸出結(jié)果通過前饋神經(jīng)網(wǎng)絡(luò)處理，生成坡度特征矩陣、轉(zhuǎn)角特征矩陣、天氣特征矩陣和坐標(biāo)特征矩陣。

9、在一種可選擇的實(shí)現(xiàn)方式中，上述根據(jù)坡度特征矩陣、轉(zhuǎn)角特征矩陣、天氣特征矩陣和坐標(biāo)特征矩陣進(jìn)行加權(quán)融合和解碼，確定并輸出通行時(shí)間估計(jì)結(jié)果中，解碼層具體用于：將坡度特征矩陣、轉(zhuǎn)角特征矩陣、天氣特征矩陣和坐標(biāo)特征矩陣進(jìn)行拼接，得到特征融合拼接矩陣。對(duì)特征融合拼接矩陣進(jìn)行注意力加權(quán)融合，得到特征加權(quán)融合矩陣。通過殘差全連接網(wǎng)絡(luò)對(duì)特征加權(quán)融合矩陣進(jìn)行解碼，確定得到通行時(shí)間估計(jì)結(jié)果。

10、在一種可選擇的實(shí)現(xiàn)方式中，上述根據(jù)訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集對(duì)通行時(shí)間估計(jì)模型進(jìn)行訓(xùn)練和優(yōu)化，得到優(yōu)化的通行時(shí)間估計(jì)模型，包括：根據(jù)訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集采用元學(xué)習(xí)框架，通過內(nèi)循環(huán)和外循環(huán)確定優(yōu)化的通行時(shí)間估計(jì)模型的模型參數(shù)。

11、在本實(shí)現(xiàn)方式中，采用元學(xué)習(xí)框架，通過內(nèi)循環(huán)和外循環(huán)對(duì)通行時(shí)間估計(jì)模型進(jìn)行訓(xùn)練和優(yōu)化，可以提高通行時(shí)間估計(jì)模型在不同環(huán)境中的泛化能力。

12、在一種可選擇的實(shí)現(xiàn)方式中，上述根據(jù)訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集對(duì)通行時(shí)間估計(jì)模型進(jìn)行訓(xùn)練和優(yōu)化所采用的算法為：梯度下降算法。

13、在一種可選擇的實(shí)現(xiàn)方式中，上述模型參數(shù)采用adam優(yōu)化器進(jìn)行訓(xùn)練和優(yōu)化；根據(jù)訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集對(duì)通行時(shí)間估計(jì)模型進(jìn)行訓(xùn)練和優(yōu)化所采用的損失函數(shù)為：平均絕對(duì)誤差mae。

14、在一種可選擇的實(shí)現(xiàn)方式中，上述模型評(píng)價(jià)指標(biāo)值為：平均絕對(duì)百分比誤差mape。

15、在一種可選擇的實(shí)現(xiàn)方式中，上述天氣類別為以下中的一個(gè)：晴天、陰天、多云、小雨、中雨、大雨、雷暴、薄霧、濃霧、小雪、中雪、大雪、雨夾雪、大風(fēng)和冰雹。

16、在本實(shí)現(xiàn)方式中，上述天氣類別涵蓋了在復(fù)雜環(huán)境下的天氣情況，這樣，可以準(zhǔn)確地反映復(fù)雜環(huán)境下的通行時(shí)間影響因素，有助于在不同氣象條件下進(jìn)行通行時(shí)間的估計(jì)，從而能夠提高時(shí)間估計(jì)的準(zhǔn)確性。