(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111681697.X (22)申请日 2021.12.2 9 (71)申请人 武汉中海庭数据技 术有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区软件园东路1号软件园4.1期B6栋 1层、 9层、 10层01室(自贸区武汉片区) (72)发明人 漆梦梦　尹玉成　施忠继　徐静怡　 乔少华　 (74)专利代理 机构 武汉蓝宝石专利代理事务所 (特殊普通 合伙) 42242 专利代理师 范三霞 (51)Int.Cl. G06T 17/05(2011.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于图网络的预计达到时间计算方法 和系统 (57)摘要 本发明实施例提供一种基于图网络的预计 达到时间计算方法和系统， 同时对历史轨迹数据 的车辆类型和天气信息进行挖掘。 在时间和空间 信息深度融合方面， 采用最自然的图神经网络进 行建模， 充分考虑局部区域内连通路段车流速度 相互影响， 以最贴切的 图结构对道路拓扑进行建 模。 通过将轨迹数据在图结构上投影， 通过特征 建模的方式将时间信息和空间结构信息充分融 合； 在特征建模 过程中引入高精度地图中影响车 辆流通的道路属性信息， 如路段道路类型， 路段 最高限速， 路段车道数， 是否 是路口等， 这些信息 以信息嵌入的方式引入到 静态图网络建模中； 先 利用利用缓存机保证查询的实时性， 其次是将世 界划分成局部片区， 保证图网络训练稳定性和收 敛速度。 权利要求书3页 说明书9页 附图3页 CN 114445577 A 2022.05.06 CN 114445577 A 1.一种基于图网络的预计达 到时间计算方法， 其特 征在于， 包括： 步骤S1、 将高精度地图划分为固定大小的若干片区， 基于每个片区内的所有路段构建 一个超路段； 步骤S2、 获取给定查询路径， 将所述给定查询路径 投影到高精度地图的超路段， 确定所 述给定查询路径对应的超路段序列； 步骤S3、 基于预先训练得到缓存表格查询所述超路段序列中每个超路段在未来不同固 定时间范围内的通过时间， 以确定超路段序列的通过时间； 基于超路段序列的通过时间确 定预计到 达时间ETA。 2.根据权利要求1所述的基于图网络的预计达到时间计算方法， 其特征在于， 所述步骤 S1具体包括： 将高精度地图划分为固定大小的若干片区， 每个片区中包含的所有路段构建一个超路 段； 其中， 所述路段为高精度地图中最小的道路表达单位； 对每个超路段定义一个图结构， 其中， 以路段为所述图结构的顶点； 若任意两个路段邻 接且满足上行连通或下 行连通， 则邻接的两个路段构成边。 3.根据权利要求2所述的基于图网络的预计达到时间计算方法， 其特征在于， 所述步骤 S3中， 基于预先训练得到缓存表格查询所述超路段序列中每个超路段在未来不同固定时间 范围内的通过时间前， 还 包括： 捕获图结构所在区域内的实时交通流和历史交通流， 以确定各路段的历史轨迹序列和 实时轨迹序列， 所述历史轨迹序列包括路段在周期日内任意时刻的实时平均通过时间序列 和实时平均通过速度序列， 所述 实时轨迹序列为路段在周期日内任意时刻的历史平均通过 时间序列和历史平均通过速度 序列； 将所述历史轨迹序列和所述实时轨迹序列投影至对应的超路段上， 得到所述超路段的 节点特征向量、 边特征向量、 图特征向量； 所述节点特征向量包括路段上的实时平均通过时 间序列、 实时平均通过速度序列、 历史平均通过时间序列、 历史平均通过速度序列和路段属 性信息； 所述图特 征向量为超路段实时通过时间向量； 构建图神经网络， 基于所述节点特征向量和所述图特征向量进行图神经网络训练， 得 到预测通过时间列表， 基于所述预测通过时间列表更新缓存表格。 4.根据权利要求3所述的基于图网络的预计达到时间计算方法， 其特征在于， 捕获图结 构所在区域内的实时交通流和历史交通流， 以确定各路段的历史轨迹序列和实时轨迹序 列， 具体包括： 将所有在t0经过路段上的轨迹段截取出来， 对每一段截取的轨迹段最后一个轨迹点的 时间减去轨迹段第一个点的时间就得到一个通过路段的时间t； 确定所有轨迹段的通过时 间的均值d0； 计算t0‑i*Δtr的通行时间记为di,Δtr为预设的为固定时间窗口， i＝1,2, 3，…， m； 确定路段上t0时刻的实时平均通过时间序列vec ‑timet0为[ctm,ctm‑1,…,ct2,ct1, ct0]； 计算该路段 上t0时刻的实时平均通过速度 序列vec‑speedt0[vm,vm‑1,…,v2,v1,v0]； 聚合相同周期日内相同时刻的所有轨迹， 确定指定时刻前p个Δth时刻的历史平均通过 时间序列， q个Δth时刻的历史平均通过速度 序列； Δth、 Δth为预设的为固定时间窗口。 5.根据权利要求3所述的基于图网络的预计达到时间计算方法， 其特征在于， 构建图神 经网络， 具体包括：权　利　要　求　书 1/3 页 2 CN 114445577 A 2构建图神经网络的图结构编码模块、 图网络更新模块和图网络解码预测模块； 所述图结构编码模块用于对超路段的节点特征向量、 边特征向量和图特征向量进行编 码， 产生节点特 征潜在表示向量、 边特 征潜在表示向量和图特 征潜在表示向量； 所述图网络更新模块用于分别对节点特征潜在表示向量、 边特征潜在表示向量和图特 征潜在表示向量进行 更新； 所述图网络解码预测模块用于基于节点特征潜在表示向量、 边特征潜在表示向量和图 特征潜在表示向量预测得到预测通过时间列表。 6.根据权利要求5所述的基于图网络的预计达到时间计算方法， 其特征在于， 所述图网 络解码预测模块包括用于更新节点特征潜在表示向量的更新函数Φv， 用于更新边特征潜 在表示向量的更新 函数Φe， 用于更新图特 征潜在表示向量的更新 函数Φu； 对于任意一条边， 更新函数Φe的自变量为对应的边特征向量， 边的源节点特征向量， 边 的目标节 点特征向量， 以及图特征向量u； 构建边特征向量集合记 为E′， 与节点i连接的边特 征向量集合记为Ei′； 对节点i的边进行聚合得到节点i的边的表示向量， 并对更新后的边进 行超路段聚合， 得到聚合 边的表示向量。 7.根据权利要求5所述的基于图网络的预计达 到时间计算方法， 其特 征在于， 还 包括： 构建所述图神 经网络的损失函数， 所述损失函数包括超路段上的损失函数lss、 路段上 的损失函数ls、 所有路段 上累计损失函数lsc； 上式中， n表示超路段总数， m(i)超路段i中的路段数； 表示超路段i的通过时间， 表示超路段i的预测通过时间； 为超路段i上所有路段的累计通过时间， 为超路 段i上所有路段的累计预测通过时间； 超路段i中路段j的通过时间， 超路段i中路 段j的预测通过时间； fi超路段i自由通过时间， 自由通过时间是指道路上车辆少于预设值 或者没有车辆时的通过时间； δ 为调节参数。 8.一种基于图网络的预计达 到时间计算系统， 其特 征在于， 包括： 超路段划分模块， 将高精度地图划分为固定大小的若干片区， 基于每个片区内的所有 路段构建一个超路段； 交通流融合模块， 获取给定查询路径， 将所述给定查询路径投影到高精度地图的超路 段， 确定所述给定查询路径对应的超路段序列；权　利　要　求　书 2/3 页 3 CN 114445577 A 3