CN111862657A - 一种确定路况信息的方法及装置 - Google Patents

Abstract

本申请提供了一种确定路况信息的方法及装置，其中，该方法包括：获取用户端的导航路线，并根据导航路线，确定构成导航路线的多个导航路段；确定用户端到达每个导航路段的预测到达时间；针对每个导航路段，根据用户端到达该导航路段的预测到达时间，确定用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。本申请实施例通过对用户端到达导航路线的各个导航路段的预测到达时间进行预测，并确定用户端在预测到达时间到达对应的导航路段时，导航路段的预测路况信息，能够使得用户得到其在到达某个导航路段时，该导航路段的预测路况信息，进而能够保障用户出行时的信息可靠性，提高出行效率，提升用户体验。

Description

一种确定路况信息的方法及装置

技术领域

本申请涉及电子地图技术领域，具体而言，涉及一种确定路况信息的方法及装置。

背景技术

随着交通网络的复杂化，人们在出行的时候越来越多依赖于导航技术。人们对出行决策支持的需求愈发迫切，对信息的及时性、可靠性的要求也越来越高。

当前的导航技术在向用户提供导航服务之前，一般会通过电子地图向用户显示各条道路的实时路况信息；用户能够根据电子地图显示的各条道路的实时路况信息，来决定其采用的出行路线。但是由于交通路网的复杂性以及路况的不确定性，当用户实际到达其采用的出行路线中的某个路段时，该路段的路况已经相较导航之前有了变化，例如，很可能在导航之前还畅通的路段已经发生了拥堵。这就使得用户的出行缺乏信息可靠性方面的保障，造成出行效率和用户体验的下降。

发明内容

有鉴于此，本申请实施例的目的在于提供一种确定路况信息的方法及装置，能够对用户到达不同路段的时间，和用户到达某路段时刻该路段的路况进行准确预测，保障用户出行时的信息可靠性，提高出行效率，提升用户体验。

第一方面，本申请实施例提供一种确定路况信息的方法，包括：

获取用户端的导航路线，并根据所述导航路线，确定构成所述导航路线的多个导航路段；

确定所述用户端到达每个所述导航路段的预测到达时间；

针对每个所述导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

一种可选实施方式中，确定所述用户端到达每个所述导航路段的预测到达时间，包括：

针对任一导航路段，获取所述用户端在多个到达时间影响特征下的特征值；

将获取的多个特征值输入至预先训练的到达时间预测模型中，获取所述用户端到达所述任一导航路段的预测到达时间。

一种可选实施方式中，根据以下步骤训练得到所述到达时间预测模型：

针对多个用户端样本中的每个用户端样本，获取该用户端样本从出发地行驶向目的地所经过的多个导航路段中，与每个导航路段所对应的所述多个到达时间影响特征下的特征值，以及实际到达时间；

针对所述每个用户端样本，根据该用户端样本在多个所述导航路段分别对应的所述多个到达时间影响特征下的特征值，生成该用户端样本对应的第一样本特征向量序列；所述第一样本特征向量序列中包括与多个导航路段中每个导航路段分别对应的第一样本特征向量；

基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练。

一种可选实施方式中，所述基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练，包括：

针对每个所述第一样本特征向量序列，按照其中的第一样本特征向量对应的实际到达时间的先后顺序，从该第一样本特征向量序列中选择一个第一样本特征向量作为当前第一样本特征向量，以及，

获取将前一样本特征向量输入所述第一基础预测模型后，所述第一基础预测模型的目标特征提取层为前一第一样本特征向量输出的中间特征向量；

将所述当前第一样本特征向量以及所述中间特征向量输入至第一基础预测模型，得到与该第一样本特征向量对应的预测到达时间；

基于得到的预测到达时间和对应的实际到达时间，对所述第一基础预测模型的参数进行调整，并基于调整后的第一基础预测模型，返回所述从该第一样本特征向量序列中选择一个第一样本特征向量输入至第一基础预测模型中的步骤，直到满足训练截止条件。

一种可选实施方式中，所述到达时间影响特征包括以下至少一种：

用户端个性化特征、时间类特征、路线特征、路况特征。

一种可选实施方式中，所述用户端个性化特征包括以下至少一个：

用户标识；用户驾龄；是否为活跃用户；用户对城市的熟悉程度；当前速度；针对最近至少一个历史时间段内的每个历史时间段，在至少一个速度统计指标下的指标值。

一种可选实施方式中，所述时间类特征包括以下至少一个：

当前时间；是否处于交通高峰期；是否为周末；当前日期在一星期内的时间位置。

一种可选实施方式中，所述路线特征包括以下至少一个：

在当前位置与所述任一导航路段之间的所有导航路段中的各个导航路段的高速比例、国道比例、省道比例、县道比例以及内部道路比例。

一种可选实施方式中，所述路况特征包括以下至少一个：

从当前位置到达所述任一导航路段的总里程、在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程、在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程占据总里程的比率。

一种可选实施方式中，针对每个所述导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息，包括：

针对任一导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在多个路况影响特征下的特征值；

将确定的多个特征值输入至预先训练的路况预测模型中，获取所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

一种可选实施方式中，根据以下步骤训练所述路况预测模型：

获取多个路段样本在多个采样时刻的所述路况影响特征以及实际路况信息；

针对每个路段样本，根据该路段样本在多个采样时刻分别对应的路况影响特征，生成该路段样本对应的第二样本特征向量序列；所述第二样本特征向量序列中包括与所述多个采样时刻分别对应的第二样本特征向量；

基于所述多个路段样本对应的第二样本特征向量序列以及实际路况信息，进行路况预测模型的训练。

一种可选实施方式中，基于所述多个路段样本对应的第二样本特征向量序列以及实际路况信息，进行路况预测模型的训练：

针对每个所述第二样本特征向量序列，按照其中的第二样本特征向量对应的采样时刻的先后顺序，从该第二样本特征向量序列中选择一个第二样本特征向量作为当前第二样本特征向量，以及，获取将前一第二样本特征向量输入所述第二基础预测模型后，所述第二基础预测模型的目标特征提取层为前一第二样本特征向量输出的中间特征向量；

将所述当前第二样本特征向量以及所述中间特征向量输入至第二基础预测模型，得到与该第二样本特征向量对应的预测路况信息；

基于得到的预测路况信息和对应的实际路况信息，对所述第二基础预测模型的参数进行调整，并基于调整后的第二基础预测模型，返回所述从该第二样本特征向量序列中选择一个第二样本特征向量输入至第二基础预测模型中的步骤，直到满足训练截止条件。

一种可选实施方式中，所述基于得到的预测路况信息和对应的实际路况信息，对所述第二基础预测模型的参数进行调整，包括：

根据所述预测路况信息和对应的实际路况信息计算交叉熵损失；

根据所述交叉熵损失调整所述第二基础预测模型的参数。

一种可选实施方式中，所述路况影响特征包括以下至少一种：

路段标识、路段的道路等级、路段的限速等级、路段的车道数、路段的长度、路况状态统计概率特征、当前时刻的路况、当前时刻的车速、当前时刻的流量、历史路况状态统计指标、历史车速统计指标、历史流量统计指标、与所述预测到达时间对应的历史同期路况状态、与所述预测到达时间对应的历史同期速度状态、与所述预测到达时间对应的历史同期流量状态、与所述预测到达时间对应的历史路况状态统计特征、与所述预测到达时间对应的历史速度、与所述预测到达时间对应的历史流量、与所述预测到达时间对应的天气预报信息。

一种可选实施方式中，确定所述预测路况信息之后，还包括：

生成携带有所述预测路况信息的导航路线。

一种可选实施方式中，所述方法还包括：

在确定所述用户端进入除所述导航路线中的导航路段外的其它导航路段后，重新规划导航路线；

基于重新规划的导航路线，重新确定所述预测路况信息，并生成携带有重新确定的所述预测路况信息的导航路线。

一种可选实施方式中，所述方法还包括：

在确定所述用户端从所述导航路线中的导航路段进入另一导航路段中后，重新确定所述导航路线；

并基于重新确定的导航路线，重新确定所述预测路况信息，并生成携带有重新确定的所述预测路况信息的导航路线。

第二方面，本申请实施例还提供一种确定路况信息的装置，包括：

获取模块，用于获取用户端的导航路线，并根据所述导航路线，确定构成所述导航路线的多个导航路段；

第一确定模块，用于确定所述用户端到达每个所述导航路段的预测到达时间；

第二确定模块，用于针对每个所述导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

一种可选实施方式中，所述第一确定模块，用于采用下述方式确定所述用户端到达每个所述导航路段的预测到达时间：

针对任一导航路段，获取所述用户端在多个到达时间影响特征下的特征值；

将获取的多个特征值输入至预先训练的到达时间预测模型中，获取所述用户端到达所述任一导航路段的预测到达时间。

一种可选实施方式中，还包括：第一模型训练模块，用于根据以下步骤训练得到所述到达时间预测模型：

针对多个用户端样本中的每个用户端样本，获取该用户端样本从出发地行驶向目的地所经过的多个导航路段中，与每个导航路段所对应的所述多个到达时间影响特征下的特征值，以及实际到达时间；

针对所述每个用户端样本，根据该用户端样本在多个所述导航路段分别对应的所述多个到达时间影响特征下的特征值，生成该用户端样本对应的第一样本特征向量序列；所述第一样本特征向量序列中包括与多个导航路段中每个导航路段分别对应的第一样本特征向量；

基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练。

一种可选实施方式中，所述第一模型训练模块，用于采用下述步骤基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练：

针对每个所述第一样本特征向量序列，按照其中的第一样本特征向量对应的实际到达时间的先后顺序，从该第一样本特征向量序列中选择一个第一样本特征向量作为当前第一样本特征向量，以及，

获取将前一样本特征向量输入所述第一基础预测模型后，所述第一基础预测模型的目标特征提取层为前一第一样本特征向量输出的中间特征向量；

将所述当前第一样本特征向量以及所述中间特征向量输入至第一基础预测模型，得到与该第一样本特征向量对应的预测到达时间；

基于得到的预测到达时间和对应的实际到达时间，对所述第一基础预测模型的参数进行调整，并基于调整后的第一基础预测模型，返回所述从该第一样本特征向量序列中选择一个第一样本特征向量输入至第一基础预测模型中的步骤，直到满足训练截止条件。

一种可选实施方式中，所述到达时间影响特征包括以下至少一种：

用户端个性化特征、时间类特征、路线特征、路况特征。

一种可选实施方式中，所述用户端个性化特征包括以下至少一个：

用户标识；用户驾龄；是否为活跃用户；用户对城市的熟悉程度；当前速度；针对最近至少一个历史时间段内的每个历史时间段，在至少一个速度统计指标下的指标值。

一种可选实施方式中，所述时间类特征包括以下至少一个：

当前时间；是否处于交通高峰期；是否为周末；当前日期在一星期内的时间位置。

一种可选实施方式中，所述路线特征包括以下至少一个：

在当前位置与所述任一导航路段之间的所有导航路段中的各个导航路段的高速比例、国道比例、省道比例、县道比例以及内部道路比例。

一种可选实施方式中，所述路况特征包括以下至少一个：

从当前位置到达所述任一导航路段的总里程、在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程、在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程占据总里程的比率。

一种可选实施方式中，所述第二确定模块，用于针对每个所述导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息，包括：

针对任一导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在多个路况影响特征下的特征值；

将确定的多个特征值输入至预先训练的路况预测模型中，获取所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

一种可选实施方式中，还包括：第二模型训练模块，用于根据以下步骤训练所述路况预测模型：

获取多个路段样本在多个采样时刻的所述路况影响特征以及实际路况信息；

针对每个路段样本，根据该路段样本在多个采样时刻分别对应的路况影响特征，生成该路段样本对应的第二样本特征向量序列；所述第二样本特征向量序列中包括与所述多个采样时刻分别对应的第二样本特征向量；

基于所述多个路段样本对应的第二样本特征向量序列以及实际路况信息，进行路况预测模型的训练。

一种可选实施方式中，所述第二模型训练模块，用于采用下述步骤基于所述多个路段样本对应的第二样本特征向量序列以及实际路况信息，进行路况预测模型的训练：

针对每个所述第二样本特征向量序列，按照其中的第二样本特征向量对应的采样时刻的先后顺序，从该第二样本特征向量序列中选择一个第二样本特征向量作为当前第二样本特征向量，以及，

获取将前一第二样本特征向量输入所述第二基础预测模型后，所述第二基础预测模型的目标特征提取层为前一第二样本特征向量输出的中间特征向量；

将所述当前第二样本特征向量以及所述中间特征向量输入至第二基础预测模型，得到与该第二样本特征向量对应的预测路况信息；

基于得到的预测路况信息和对应的实际路况信息，对所述第二基础预测模型的参数进行调整，并基于调整后的第二基础预测模型，返回所述从该第二样本特征向量序列中选择一个第二样本特征向量输入至第二基础预测模型中的步骤，直到满足训练截止条件。

一种可选实施方式中，所述第二模型训练模块，用于采用下述步骤基于得到的预测路况信息和对应的实际路况信息，对所述第二基础预测模型的参数进行调整：

根据所述预测路况信息和对应的实际路况信息计算交叉熵损失；

根据所述交叉熵损失调整所述第二基础预测模型的参数。

一种可选实施方式中，所述路况影响特征包括以下至少一种：

路段标识、路段的道路等级、路段的限速等级、路段的车道数、路段的长度、路况状态统计概率特征、当前时刻的路况、当前时刻的车速、当前时刻的流量、历史路况状态统计指标、历史车速统计指标、历史流量统计指标、与所述预测到达时间对应的历史同期路况状态、与所述预测到达时间对应的历史同期速度状态、与所述预测到达时间对应的历史同期流量状态、与所述预测到达时间对应的历史路况状态统计特征、与所述预测到达时间对应的历史速度、与所述预测到达时间对应的历史流量、与所述预测到达时间对应的天气预报信息。

一种可选实施方式中，还包括：生成模块，用于生成携带有所述预测路况信息的导航路线。

一种可选实施方式中，所述装置还包括：重新规划模块，用于在确定所述用户端进入除所述导航路线中的导航路段外的其它导航路段后，重新规划导航路线；

基于重新规划的导航路线，重新确定所述预测路况信息，并生成携带有重新确定的所述预测路况信息的导航路线。

一种可选实施方式中，所述装置还包括：重新规划模块，用于在确定所述用户端从所述导航路线中的导航路段进入另一导航路段中后，重新确定所述导航路线；

并基于重新确定的导航路线，重新确定所述预测路况信息，并生成携带有重新确定的所述预测路况信息的导航路线。

第三方面，本申请实施例还提供一种计算机设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如第一方面任一所述的确定路况信息的方法的步骤。

第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面任一所述的确定路况信息的步骤。

本申请实施例通过对用户端到达导航路线的各个导航路段的预测到达时间进行预测，然后针对每个导航路段，确定用户端在预测到达时间到达对应的导航路段时，导航路段的预测路况信息，能够使得用户得到其在到达某个导航路段时，该导航路段的预测路况信息，而并非是如现有技术中仅仅将当前时刻各个路段的路况信息展示给用户，进而能够保障用户出行时的信息可靠性，提高出行效率，提升用户体验。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。

图1示出本申请实施例一提供的一种确定路况信息的方法的示意图；

图2示出了本申请实施例二提供的确定路况信息的方法中，确定用户端到达每个导航路段的预测到达时间的具体方法的流程图；

图3示出了本申请实施例所提供的到达时间预测模型训练该方法的流程图；

图4示出了本申请实施例所提供的确定路况信息的方法中，基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练具体方法的流程图；

图5示出了本申请实施例三所提供的确定路况信息的方法中，确定用户端在预测到达时间到达对应的导航路段时，该导航路段的预测路况信息的具体方法的流程图；

图6示出了本申请实施例所提供的路况预测模型训练该方法的流程图；

图7示出本申请实施例四提供的另一种确定路况信息的方法的流程图；

图8示出本申请实施例提供的另一种向用户展示导航路线的人机交互界面示意图；

图9示出了本申请实施例五提供的确定路况信息的装置的框图；

图10示出了本申请实施例六提供的计算机设备的示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“路线导航”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕动态确定导航路线的路况信息进行描述，但是应该理解，这仅是一个示例性实施例。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

本申请提供的确定路况信息的方法及装置。可以通过确定构成用户端的导航路线的各个导航路段的预测到达时间，以及根据各个导航路段的预测到达时间，确定用户端在该预测时间到达各个导航路段时，导航路段的预测路况信息。

值得注意的是，在本申请提出申请之前，一般是向用户提供当前时刻的路况信息，但路况随着时间发生不确定行的变化导致用户出行缺乏信息可靠行的保障。然而，本申请提供的确定路况信息的方法以及预测装置可以对用户到达某一导航路段的时刻，以及用户到达该路段时对应的路况信息进行预测。因此，本申请的确定路况信息系统可以为用户提供更加可靠的动态路况信息。

为便于对本实施例进行理解，首先对本申请实施例所公开的一种确定路况信息的方法进行详细介绍。

实施例一

图1示出本申请实施例一提供的一种确定路况信息的方法的示意图。本申请实施例提供的确定路况信息的方法的执行主体既可以是服务器，也可以是用户端。本申请实施例以方法的执行主体为服务器为例，对该确定路况信息的方法加以说明。本申请实施例提供的确定路况信息的包括：S101～S103。

S101：获取用户端的导航路线，并根据所述导航路线，确定构成所述导航路线的多个导航路段。

在具体实施中，用户端是基于本申请实施例提供的确定路况信息的方法确定导航路线上路况信息的终端。导航路线是服务器基于用户端的出发地和目的地为用户端所确定的，该导航路线由多个导航路段组成。

在一些实施例中，该导航路段可以是预先划分好的；也即，将目标区域范围内的各条道路按照一定的划分方法划分成多个路段；在生成导航路线后，根据导航路线，将被涵盖在导航路线的多个预先划分好的路段确定为各个导航路段。

在另外一些实施例中，该导航路段可以是即时划分的；也即，可以在生成导航路线后，将导航路线划分成多个导航路段。

示例性的，在道路(导航路段或者目标区域范围内的各条道路)划分路段的时候，可以根据道路的路口进行划分，例如将相邻的两个路口之间的道路确定为一个路段；又例如将预设长度的道路确定为一个路段；又例如将两个相邻的两个红绿灯之间的道路确定为一个路段；又例如，将位于两个路口之间，且长度小于预设长度的道路确定为一个路段；若位于两个路口之间的道路长度大于预设长度，则可以将位于两个路口之间的道路划分成至少两个路段；又例如，可以将两个红绿灯之间，且程度小于预设长度的道路确定为一个路段，若位于两个红绿灯之间的道路长度大于预设长度，则可以将位于两个红绿灯之间的道路划分成至少两个路段。

S102：确定所述用户端到达每个所述导航路段的预测到达时间。

在具体实施中，用户端到达每个导航路段的预测到达时间，例如是用户端从当前位置到达各个导航路段的起始点的预测到达时间。该预测到达时间，可以采用时间点来表达，例如当前时刻为13:05，假若预测5分钟后能够到达某导航路段，则该导航路段的预测到达时间可以被表示为：13:10。该预测到达时间还可以采用距离当前时刻的时间长度来表示，例如假若预测10分钟后能够到达某导航路段，则该导航路段的预测到达时间可以表示为：10分钟后到达。

S103：针对每个所述导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

本申请实施例通过对用户端到达导航路线的各个导航路段的预测到达时间进行预测，然后针对每个导航路段，确定用户端在预测到达时间到达对应的导航路段时，导航路段的预测路况信息，能够使得用户得到其在到达某个导航路段时，该导航路段的预测路况信息，而并非是如现有技术中仅仅将当前时刻各个路段的路况信息展示给用户，进而能够保障用户出行时的信息可靠性，提高出行效率，提升用户体验。

实施例二

参见图2所示，本申请实施例二提供一种确定用户端到达每个导航路段的预测到达时间的具体方法，包括：

S201：针对任一导航路段，获取所述用户端在多个到达时间影响特征下的特征值。

此处，到达时间影响特征，是指影响用户到达导航路段的因素，到达时间影响特征包括但不限于以下1～4中至少一种。

1、用户端个性化特征。用户端个性化特征包括：用户标识；用户驾龄；是否为活跃用户；用户对城市的熟悉程度；当前速度；针对最近至少一个历史时间段内的每个历史时间段，在至少一个速度统计指标下的指标值。

其中：

①、用户标识是用于表征用户在服务器中身份的标识，可以是证件号码例如身份证号码、军官证号码、护照号码、驾照号码中任意一种，也可以是手机号码，或者服务器在用户注册时为用户分配的标识。可以直接从服务器中读取用户标识。

②、用户驾龄可以是用户自己输入至服务器的相关信息中确定的，也可以根据用户的身份证号码从交通管理平台查询获得；还可以是从用户上传的驾驶证中通过读取信息获得。

③、是否为活跃用户，是指用户对服务器的使用的频繁程度，例如可以通过用户在服务器的冒泡频率来确定用户是否为活跃用户；若用户在服务器的冒泡频率大于一定的冒泡频率阈值，则认为该用户为活跃用户；若用户在服务器的冒泡频率小于或者等于该冒泡频率阈值，则认为该用户为非活跃用户；又例如，可以使用服务器进行导航的总里程来确定用户是否为活跃用户；若使用服务器进行导航的总里程大于预设的里程阈值，则认为该用户为活跃用户；若使用服务器进行导航的总里程小于预设的里程阈值，则认为该用户为非活跃用户。

④、用户对城市的熟悉程度，是指用户对导航路线所在城市的熟悉程度；用户对城市的熟悉程度可以通过用户的导航历史信息确定。用户在对应城市使用该服务器进行导航的次数越多，则认为该用户对该城市的熟悉程度越高。具体地，可以采用下述方式获得用户对城市的熟悉程度：

获取用户的在各次历史导航中的历史导航路线；根据各次历史导航中的历史导航路线归属的城市，确定与当前导航路线所在城市对应的历史导航的次数；根据所述历史导航的次数落入的用于表征用户对城市熟悉程度的次数区间，确定用户对城市的熟悉程度。

此处，次数区间至少有两个；不同的次数区间对应不同的熟悉程度；且次数区间对应的次数越大，熟悉程度越高。

例如，假若用户甲某的当前导航路线所归属的城市为A市，历史导航中其中有27次的历史导航路线归属于A市；预多个次数区间分别为[0,10)，[10,50)、[50,100)、100及以上，分别对应的熟悉程度的数值表示为：0、1、2、3。且熟悉程度的数值越大，表征用户对A市的熟悉程度越高。由于甲某历史导航中有27次的历史导航路线归属于A市，属于[10,50)，则确认甲某对A市的熟悉程度的数值表示为1。

⑤、当前速度，是指用户端的当前实际速度。

⑥、针对最近至少一个历史时间段内的每个历史时间段，在至少一个速度统计指标下的指标值。

此处，最近至少一个历史时间段可以根据实际的需求进行设定，例如可以是距离当前时间最近10分钟、最近20分钟、最近30分钟共三个历史时间段。

速度统计指标例如为以下指标中一种或者多种：均值、中位数、方差、最大值以及最小值。

此处，服务器会每隔预设时间段记录用户端所在位置的地理坐标，在一个历史时间段内，所记录的用户所在位置的连线，即为该用户端在该历史时间段中的移动轨迹。然后针对每相邻的两个所在位置的地理坐标，能够计算出该相邻的两个所在位置之间的距离；根据该相邻的两个所在位置之间的距离，以及用户端从该相邻的两个所在位置中的前一个所在位置移动到后一个所在位置所用的时间，确定出用户端从该相邻的所在位置中前一个所在位置移动到后一个所在位置的速度。然后根据历史时间段中，所得到的各相邻的两个所在位置对应的速度，计算用户段在该历史时间段中的速度均值，速度中位数、速度方差、速度最大值以及速度最小值。

例如，假若服务器每隔一秒记录一次用户端所在位置的地理坐标；其中一个最近的历史事件段为距离当前时刻的10分钟内，能够得到用户甲某的600个所在位置，分别为M1～M600。

针对M1～M2，M1的地理坐标为(x1，y1)，M2的地理坐标为(x2，y2)，则M1～M2之间的距离d1满足：

则甲某从M1移动至M2的速度s1满足：s1＝d1/1(米/秒)。

同理，采用相同的方式，能够计算出甲某从M2移动至M3、从M3移动至M4、……从M599移动至M600分别对应的速度s2～s599。

然后，将s1～s599的平均值，作为甲某在该历史时间段中的速度平均值；将s1～s599中的中位数，作为甲某在该历史事件段中的速度中位数；将s1～s599中的最大值，作为甲某在该历史事件段中的速度最大值；将s1～s599中的最小值，作为甲某在该历史时间段中的速度最小值；并能够根据速度平均值，以及s1～s599，计算甲某在该历史时间段中的速度方差。

2、时间类特征。时间类特征包括以下至少一个：当前时间；是否处于交通高峰期；是否为周末；当前日期在一星期内的时间位置。

①、当前时间，可以通过读取服务器内部的即时系统时间获得。在每次对用户端的导航路线执行确定路况信息的时，该当前时间都是在执行确定路况信息的时的时间。

②、是否处于交通高峰期：可以采用下述方式确认：服务器内预先设置有至少一个交通高峰期的起止时间。服务器在获取了用户端的导航路线后，根据获取用户的导航路线的当前时间，以及预先设置的交通高峰期的起止时间，确定当前时间是否落入交通高峰期内；若当前时间落入交通高峰期内，则当前处于交通高峰期。另外，还可以通过当前路况状态来表征当前导航路段是否处于交通高峰期：即时获得当前导航路段的实时路况状态；该实时路况状态包括：畅通、缓行、拥堵、极拥堵中任意一种；基于该实时路况状态确定是否处于交通高峰期；如假若当前导航路段的实时路况状态为拥堵或者极拥堵时，则该导航路段处于交通高峰期。

③、是否为周末，可以通过读取服务器系统时间确定。

④、当前日期在一星期内的时间位置，也即当前日期是星期几，也可以通过读取服务器系统时间确定。

3、路线特征，所述路线特征包括以下至少一个：在当前位置与所述任一导航路段之间的所有导航路段中的各个导航路段的高速比例、国道比例、省道比例、县道比例以及内部道路比例。

4、路况特征：所述路况特征包括以下至少一个：

从当前位置到达所述任一导航路段的总里程、在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程、在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程占据总里程的比率。

其中，路况状态包括：畅通、缓行、拥堵以及极拥堵。

在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程，包括：从当前位置到达所述任一导航路段时，畅通里程、缓行里程、拥堵里程以及极拥堵里程。

在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程占据总里程的比率，包括：当前位置到达所述任一导航路段时，畅通里程比率、缓行里程比率、拥堵里程比率、极拥堵里程比率。

例如，若在事实路况下从当前位置到达导航路段N的总里程为100公里；路况状态为畅通的里程为31公里；缓行的里程为45公里，拥堵的里程为20公里，极拥堵的里程为4公里，对应畅通里程比率为31％、缓行里程比率45％、拥堵里程比率20％、极拥堵里程比率4％。

在获取所述用户端在多个到达时间影响特征下的特征值后，本申请实施例提供的确定用户端到达每个导航路段的预测到达时间方法还包括：

S202：将获取的多个特征值输入至预先训练的到达时间预测模型中，获取所述用户端到达所述任一导航路段的预测到达时间。

参见图3所示，可以通过下述步骤训练得到所述到达时间预测模型：

S301：针对多个用户端样本中的每个用户端样本，获取该用户端样本从出发地行驶向目的地所经过的多个导航路段中，与每个导航路段所对应的所述多个到达时间影响特征下的特征值，以及实际到达时间。

此处，各个用户端样本从出发地行驶向目的地所经过的多个导航路段中，与每个导航路段对应下的多个到达时间影响特征，与上述S401中所述的时间影响特征一致，在此不再赘述。

各个导航路段对应的实际到达时间，则是用户端样本从出发地到达各个导航路段的实际所用时间。

S302：针对所述每个用户端样本，根据该用户端样本在多个所述导航路段分别对应的所述多个到达时间影响特征下的特征值，生成该用户端样本对应的第一样本特征向量序列；所述第一样本特征向量序列中包括与多个导航路段中每个导航路段分别对应的第一样本特征向量。

此处，每个用户端样本对应有一导航路线，该导航路线由多个导航路段构成。每个导航路段在多个到达时间影响特征下的特征值，能够生成与该导航路段对应的第一样本特征向量。多个导航路段的第一样本特征向量按照用户端到达各个导航路段的顺序排布后，形成第一样本特征向量序列。

例如，针对客户端样本A，其导航路线包括n个导航路段；与每个导航路段所对应的到达时间影响特征有m个，则为该客户端样本A生成的第一样本特征向量序列为：X1、X2、X3、……Xn，其中，包括的第一样本特征向量X1～Xn分别表示为：

X1＝(x₁₁,x₁₂,x₁₃,x₁₄,…,x_1m)；

X2＝(x₂₁,x₂₂,x₂₃,x₂₄,…,x_2m)；

……

Xn＝(x_n1,x_n2,x_n3,x_n4,…,x_nm)。

针对客户端样本A，其导航路线包括n个导航路段；与每个导航路段所对应的到达时间影响特征有m个，则为该客户端样本A生成的第一样本特征向量序列为：X1、X2、X3、……Xn，其中，包括的第一样本特征向量X1～Xn分别表示为：

X1＝(x₁₁,x₁₂,x₁₃,x₁₄,…,x_1m)；

X2＝(x₂₁,x₂₂,x₂₃,x₂₄,…,x_2m)；

……

Xn＝(x_n1,x_n2,x_n3,x_n4,…,x_nm)。

S303：基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练。

此处，针对每个样本端用户，该样本端用户到达当前导航路段的时间是受到其到达前一个导航路段的时间的影响的。

为了学习到到达前一个导航路段的时间对到达当前导航路段的时间的影响，本申请实施在对到达时间预测模型进行训练的时候，参见图4所示，基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练包括：

S401：针对每个所述第一样本特征向量序列，按照其中的第一样本特征向量对应的实际到达时间的先后顺序，从该第一样本特征向量序列中选择一个第一样本特征向量作为当前第一样本特征向量。

S402：获取将前一样本特征向量输入所述第一基础预测模型后，所述第一基础预测模型的目标特征提取层为前一样本特征向量输出的中间特征向量。

S403：将所述当前第一样本特征向量以及所述中间特征向量输入至第一基础预测模型，得到与该第一样本特征向量对应的预测到达时间。

S404：基于得到的预测到达时间和对应的实际到达时间，对所述第一基础预测模型的参数进行调整，并基于调整后的第一基础预测模型，返回所述从该第一样本特征向量序列中选择一个第一样本特征向量输入至第一基础预测模型中的步骤，直到满足训练截止条件。

此处，训练截至条件可以根据实际的需要进行设定，例如可以是：使用多个第一样本特征向量序列对第一基础预测模型进行预设轮数的训练，并将最后一轮训练得到的第一基础预测模型作为到达时间预测模型。在每一轮训练中，依次使用多个第一样本特征向量序列中的各个第一样本特征向量对模型进行一次训练。

或者，该训练截至条件还可以是：使用测试集对本轮得到的第一基础预测模型进行验证；若测试集中，交叉熵损失不大于预设交叉熵损失的测试数据的条数，占据测试集中测试数据总条数的百分比，大于预设的第一百分比阈值，则停止对第一基础预测模型的训练，并将最后一轮训练得到的第一基础预测模型作为到达时间预测模型。

或者，该训练截至条件还可以是：依次将本轮各个客户端样本的交叉熵损失，与前一轮对应客户端样本的交叉熵损失进行比对；若本轮客户端样本的交叉熵损失大于前一轮对应客户端样本的交叉熵损失的客户端样本的数量，占据所有客户端样本数量的百分比达到预设的第二百分比阈值，则停止对所述第一基础预测模型的训练，并将上一轮训练得到的所述第一基础预测模型作为到达时间预测模型。

示例性的，可以采用下述方式对第一基础预测模型进行训练：构建初始的第一基础预测模型，并对初始的第一基础预测模型的各个参数进行初始赋值。

确定客户端样本包括A1～As共s个客户端样本。

针对其中的第i个客户端样本Ai，i∈[1,s]：

导航路线包括n个导航路段；与每个导航路段所对应的到达时间影响特征有m个，则为该客户端样本Ai生成的第一样本特征向量序列为：Xⁱ1、Xⁱ2、Xⁱ3、……、Xⁱn。

使用客户端样本Ai的特征向量序列对第一基础预测模型进行本轮训练：

在使用该客户端样本A的第一样本特征向量序列对第一基础预测模型进行本轮训练时：首先将第一样本特征向量Xⁱ1输入至第一基础预测模型中：

此时，若在使用第一样本特征向量Xⁱ1输入至第一基础预测模型中之前，并未有其他的第一样本特征向量对其进行过训练，则仅基于第一基础基础预测模型的初始赋值，以及第一样本特征向量Xⁱ1，得到与该第一样本特征向量Xⁱ1对应的预测到达时间。基于该预测到达时间以及第一样本特征向量Xⁱ1对应的实际到达时间，对第一基础预测模型的参数进行调整。

若在使用第一样本特征向量Xⁱ1输入至第一基础预测模型中之前，已经使用了其他的第一样本特征向量对其进行过训练，则获取将前一样本特征向量输入第一基础预测模型后，第一基础预测模型的目标特征提取层为前一第一样本特征向量提取的中间特征向量Z0，并将该中间特征向量Z0，作为本次使用使用第一样本特征向量Xⁱ1对第一基础预测模型进行训练时的参数，输入至第一基础预测模型中，基于第该中间特征向量Z0，以及第一样本特征向量Xⁱ1，得到与该第一样本特征向量Xⁱ1对应的预测到达时间。基于该预测到达时间以及第一样本特征向量Xⁱ1对应的实际到达时间，对第一基础预测模型的参数进行调整。

并且从第一基础预测模型的目标提取层，获取为该第一样本特征向量Xⁱ1提取的中间特征向量Z1。

此处，在基于该预测到达时间以及第一样本特征向量Xⁱ1对应的实际到达时间，对第一基础预测模型的参数进行调整时，可以将第一样本特征向量Xⁱ1对应的预测到达时间和实际到达时间进行比对；在两者之间的差值小于预设的差值阈值的情况下，调整第一基础预测模型的参数。

在基于该预测到达时间以及第一样本特征向量Xⁱ1对应的实际到达时间，对第一基础预测模型的参数进行调整时，还可以根据第一样本特征向量Xⁱ1对应的预测到达时间和实际到达时间计算交叉熵损失；并根据交叉熵损失调整第一基础预测模型的参数。

在一些实施例中，若交叉熵损失较大时，对第一基础预测模型的参数的调整步长，要大于交叉熵损失较小时对第一基础预测模型的参数的调整步长。

然后第一样本特征向量Xⁱ2和上述中间特征向量Z1输入至经第一样本特征向量Xⁱ1训练得到的第一基础预测模型中，得到第一样本特征向量Xⁱ2的预测到达时间。

基于第一样本特征向量Xⁱ2的预测到达时间和实际到达时间，对第一基础预测模型的参数继续调整。

并且从第一基础预测模型的目标提取层，获取为该第一样本特征向量Xⁱ2提取的中间特征向量Z2。

分别将第一样本特征向Xⁱ3、……、Xⁱn对第一基础预测模型进行训练，完成基于当前第一样本特征向量序列为：Xⁱ1、Xⁱ2、Xⁱ3、……、Xⁱn对第一基础预测模型的训练。

依次基于各个客户端样本对应的第一特征向量序列，对第一基础预测模型进行训练后，完成对第一基础预测模型的本轮训练。

在一些实施例中，第一基础预测模型为循环神经网络，包括输入层、目标特征提取层以及输出层。将所述当前第一样本特征向量以及所述中间特征向量输入至第一基础预测模型，得到与该第一样本特征向量对应的预测到达时间，可以采用下述方式：将当前第一样本特征向量输入至输入层，使用输入层为第一样本特征向量提取第一中间特征向量；将第一中间特征向量输入和第一基础预测模型的目标特征提取层为前一样本特征向量提取中间特征向量输入至目标特征提取层，对第一中间特征向量以及第一基础预测模型的目标特征提取层为前一样本特征向量提取中间特征向量进行加权求和，得到第一基础预测模型的目标特征提取层为当前样本特征向量提取的中间特征向量，并将第一基础预测模型的目标特征提取层为当前样本特征向量提取的中间特征向量输入至输出层，得到预测预测达到时间。

在经过上述过程得到预选训练的到达时间预测模型后，就可以基于该到达时间预测模型对用户端到达每个导航路段的预测到达时间进行预测。

用户端到达每个导航路段的预测到达时间进行预测时，预测的过程与上述模型训练的过程类似，也即：

针对任一导航路段，根据该导航路段在多个到达时间影响特征下的特征值，生成与该导航路段对应的第一特征向量；

根据用户端到达各个导航路段的先后顺序，基于各个导航路段对应的第一特征向量，构建用户端到达各个导航路段的第一特征向量序列。

按照第一特征向量序列中第一特征向量的先后顺序，依次输入至到达时间预测模型，得到各个导航路段的预测到达时间。

实施例三

参见图5所示，本申请实施例三提供一种确定用户端在预测到达时间到达对应的导航路段时，该导航路段的预测路况信息的具体方法，包括：

S501：针对任一导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在多个路况影响特征下的特征值。

在具体实施中，路况影响特征包括但不限于以下a～r中至少一种：

a、路段标识：此处，路段标识例如为对一指定区域中各条道路进行划分后，为划分得到的各个路段所分配的用于表征路段的标识。将道路划分成路段的方式，与上述S301中类似，在此不再赘述。

b、路段的道路等级；此处，道路等级可以是高速、国道、省道、县道、内部道路中任意一种。

c、路段的限速等级；此处，可以从交通管理部门获取路段的限速等级。

d、路段的长度。

e、路况状态统计概率特征；包括畅通概率、缓行概率、拥堵概率、极度拥堵概率中一种或者多种。路况状态统计概率特征是基于路段的历史路况信息统计获得的。

f、当前时刻的路况；包括畅通、缓行、拥堵、极度拥堵中任意一种。次数，由于路段的长度一般都不会过大，因此可以通过一种路况表征整个路段的路况。

g、当前时刻的车速；指车辆通过该路段的平均速度。

h、当前时刻的流量；指通过待路段的车辆数量。

i、历史路况状态统计指标；包括：状态众数、畅通概率、缓行概率、拥堵概率、极度拥堵概率中至少一种。通过历史路况信息统计获得。

j、历史车速统计指标，包括：历史速度的均值、中位数、方差、最大值、最小值。

k、历史流量统计指标，包括历史流量的均值、中位数、方差、最大值、最小值。

l、与所述预测到达时间对应的历史同期路况状态，例如最近的一周内每天与预测到达时间对应的时刻的路况状态。示例性的，预测到达时间为13:25，则与所述预测到达时间对应的历史同期路况状态，为最近的一周内，每天13:25时该路段的路况状态。

m、与所述预测到达时间对应的历史同期速度状态。例如，最近两周内每天与预测到达时间对应的时刻的速度状态。示例性的，预测到达时间为22:51，则与所述预测到达时间对应的历史同期速度状态，为最近两周内每天22:51时该路段的速度状态。

n、与所述预测到达时间对应的历史同期流量状态。例如，最近三天内每天与预测到达时间对应的时刻的流量状态。示例性的，预测到达时间为17:00，则与所述预测到达时间对应的历史同期流量状态，为最近三天内每天17:00时该路段的速度状态。

o、与所述预测到达时间对应的历史路况状态统计特征，包括：状态众数、畅通概率、缓行概率、拥堵概率、极度拥堵概率中至少一种。例如最近一周内每天与预测到达时间对应的时刻的历史路况状态统计特征。

p、与所述预测到达时间对应的历史速度。

q、与所述预测到达时间对应的历史流量。

r、与所述预测到达时间对应的天气预报信息。

S502：将确定的多个特征值输入至预先训练的路况预测模型中，获取所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

参见图6所示，可以通过下述步骤训练得到所述路况预测模型：

S601：获取多个路段样本在多个采样时刻的所述路况影响特征以及实际路况信息。

此处，多个采样时刻中，任意相邻的两个采样时刻之间的时间间隔均相同。且任意相邻的两个采样时刻之间的时间间隔，与路况预测模型训练完成后能够预测的距离当前时刻最近的未来时刻的时间间隔相同。

示例性的，假若任意相邻的两个采样时刻之间的时间间隔为1分钟，若当前时刻为13:57，则能够使用该路况预测模型预测距离当前时刻最近的未来时刻13:58的路况。若任意相邻的两个采样时刻之间的时间间隔为10分钟，且当前时刻为20:00，则能够使用该路况预测模型预测距离当前时刻最近的未来时刻20:10的路况。

多个采样时刻中，位于首端的采样时刻和位于末端的采样时刻之间的时间间隔，与路况预测模型训练完成后，能够预测距离当前时刻最远的未来时刻与当前时刻之间的时间间隔相同。

示例性的，假若采样时刻有60个，任意相邻的两个采样时刻之间的时间间隔为1分钟，则位于首端的采样时刻和位于末端的采样时刻之间的时间间隔为60分钟；路况预测模型训练完成后，能够满足精度的预测距离当前时刻60分钟以内路段的路况信息。

S602：针对每个路段样本，根据该路段样本在多个采样时刻分别对应的路况影响特征，生成该路段样本对应的第二样本特征向量序列；所述第二样本特征向量序列中包括与所述多个采样时刻分别对应的第二样本特征向量。

此处，生成第二样本特征向量序列的方式与生成第一样本特征向量序列的方式类似，具体可以参见如上述S502所示，在此不再赘述。

S603：基于所述多个路段样本对应的第二样本特征向量序列以及实际路况信息，进行路况预测模型的训练。

此处，路况预测模型的训练过程与上述到达时间预测模型的训练过程类似，也即包括：

针对每个所述第二样本特征向量序列，按照其中的第二样本特征向量对应的采样时刻的先后顺序，从该第二样本特征向量序列中选择一个第二样本特征向量作为当前第二样本特征向量，以及，

获取将前一第二样本特征向量输入所述第二基础预测模型后，所述第二基础预测模型的目标特征提取层为前一第二样本特征向量输出的中间特征向量；

将所述当前第二样本特征向量以及所述中间特征向量输入至第二基础预测模型，得到与该第二样本特征向量对应的预测路况信息；

基于得到的预测路况信息和对应的实际路况信息，对所述第二基础预测模型的参数进行调整，并基于调整后的第二基础预测模型，返回所述从该第二样本特征向量序列中选择一个第二样本特征向量输入至第二基础预测模型中的步骤，直到满足训练截止条件。

具体的训练过程可以参见如上述图4对应的实施例所述，在此不再赘述。

另外，基于得到的预测路况信息和对应的实际路况信息，对所述第二基础预测模型的参数进行调整，例如是根据所述预测路况信息和对应的实际路况信息计算交叉熵损失；

根据所述交叉熵损失调整所述第二基础预测模型的参数。

实施例四

图7示出本申请实施例四提供的另一种确定路况信息的方法的流程图，包括：

S701：获取用户端的导航路线，并根据所述导航路线，确定构成所述导航路线的多个导航路段；

S702：确定所述用户端到达每个所述导航路段的预测到达时间；

S703：针对每个所述导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

上述S701～S703可参见S101～S103，在此不再赘述。

S704：生成携带有所述预测路况信息的导航路线。

在具体实施中，在生成带有预测路况信息的导航路线，例如是将导航路线展示给用户，并且在展示给用户的人机交互界面上显示有用户端到达导航路线的各个导航路段的预测到达时间，以及用户端在预测到达时间到对应导航路段时，该导航路段的二预测路况信息。

示例性的，参见图8所示，提供一种向用户展示导航路线的人机交互界面示意图，该人机交互界面上设置有地图显示区域a1，用户端从当前位置到达终点的导航路线包括4个导航路段，且到达第一个导航路段的预测到达时间为0分钟后，且用户端0分钟后到达第一个导航路段时的路况状态为畅通；到达第二个导航路段的预测到达时间为5分钟后，且用户端5分钟后到达第二个导航路段时的路况状态为缓行；到达第三个导航路段的预测到达时间为15分钟后，且用户端15分钟后到达第三个导航路段时的路况状态为拥堵；到达第四个导航路段的预测到达时间为25分钟后，且用户端25分钟后到达第四个导航路段时的路况状态为缓行。

在图8中，为了显示各个导航路段的路况状态，可以根据不同的路况状态信息，将各个路段渲染成不同的颜色(图8中未示出)，例如第一个导航路段的路况状态为畅通，将第一个导航路段渲染为绿色；第二个导航路段和第四个导航路段均为缓行，将第二个导航路段和第四个导航路段渲染为黄色；第三个导航路段为拥堵，将第三个导航路段渲染为红色。

在本申请实施例提供的确定路况信息的方法中，在确定所述用户端进入除所述导航路线中的导航路段外的其它导航路段后，重新规划导航路线；

基于重新规划的导航路线，重新确定所述预测路况信息，并生成携带有重新确定的所述预测路况信息的导航路线。

这样保证了用户在更换导航路线，或者已经到达了之前导航路线的终点，又重新生成了新的导航路线后，能够基于当前的导航路线情况为用户提供最新的信息。

在另外一些实施例中，上述确定路况信息的方法可以在每进入导航路线中的一个新的导航路段后就执行一次，也即，在确定所述用户端从所述导航路线中的导航路段进入另一导航路段中后，重新确定所述导航路线；

并基于重新确定的导航路线，重新确定所述预测路况信息，并生成携带有重新确定的所述预测路况信息的导航路线。这样能够动态对的展示给用户的预测路况信息进行更新，以修正在前次预测时可能存在的误差，为用户提供更加准确的信息。

实施例五

图9是示出本申请实施例五提供的确定路况信息的装置的框图，该确定路况信息的装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图所示，确定路况信息的装置可以包括：获取模块91、第一确定模块92，第二确定模块93。

其中，获取模块91，用于获取用户端的导航路线，并根据所述导航路线，确定构成所述导航路线的多个导航路段；

第一确定模块92，用于确定所述用户端到达每个所述导航路段的预测到达时间；

第二确定模块93，用于针对每个所述导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

一种可选实施方式中，所述第一确定模块92，用于采用下述方式确定所述用户端到达每个所述导航路段的预测到达时间：

针对任一导航路段，获取所述用户端在多个到达时间影响特征下的特征值；

将获取的多个特征值输入至预先训练的到达时间预测模型中，获取所述用户端到达所述任一导航路段的预测到达时间。

一种可选实施方式中，还包括：第一模型训练模块94，用于根据以下步骤训练得到所述到达时间预测模型：

针对多个用户端样本中的每个用户端样本，获取该用户端样本从出发地行驶向目的地所经过的多个导航路段中，与每个导航路段所对应的所述多个到达时间影响特征下的特征值，以及实际到达时间；

针对所述每个用户端样本，根据该用户端样本在多个所述导航路段分别对应的所述多个到达时间影响特征下的特征值，生成该用户端样本对应的第一样本特征向量序列；所述第一样本特征向量序列中包括与多个导航路段中每个导航路段分别对应的第一样本特征向量；

基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练。

一种可选实施方式中，所述第一模型训练模块94，用于采用下述步骤基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练：

针对每个所述第一样本特征向量序列，按照其中的第一样本特征向量对应的实际到达时间的先后顺序，从该第一样本特征向量序列中选择一个第一样本特征向量作为当前第一样本特征向量，以及，

获取将前一样本特征向量输入所述第一基础预测模型后，所述第一基础预测模型的目标特征提取层为前一第一样本特征向量输出的中间特征向量；

将所述当前第一样本特征向量以及所述中间特征向量输入至第一基础预测模型，得到与该第一样本特征向量对应的预测到达时间；

基于得到的预测到达时间和对应的实际到达时间，对所述第一基础预测模型的参数进行调整，并基于调整后的第一基础预测模型，返回所述从该第一样本特征向量序列中选择一个第一样本特征向量输入至第一基础预测模型中的步骤，直到满足训练截止条件。

一种可选实施方式中，所述到达时间影响特征包括以下至少一种：

用户端个性化特征、时间类特征、路线特征、路况特征。

一种可选实施方式中，所述用户端个性化特征包括以下至少一个：

用户标识；用户驾龄；是否为活跃用户；用户对城市的熟悉程度；当前速度；针对最近至少一个历史时间段内的每个历史时间段，在至少一个速度统计指标下的指标值。

一种可选实施方式中，所述时间类特征包括以下至少一个：

当前时间；是否处于交通高峰期；是否为周末；当前日期在一星期内的时间位置。

一种可选实施方式中，所述路线特征包括以下至少一个：

在当前位置与所述任一导航路段之间的所有导航路段中的各个导航路段的高速比例、国道比例、省道比例、县道比例以及内部道路比例。

一种可选实施方式中，所述路况特征包括以下至少一个：

从当前位置到达所述任一导航路段的总里程、在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程、在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程占据总里程的比率。

一种可选实施方式中，所述第二确定模块93，用于针对每个所述导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息，包括：

针对任一导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在多个路况影响特征下的特征值；

将确定的多个特征值输入至预先训练的路况预测模型中，获取所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

一种可选实施方式中，还包括：第二模型训练模块95，用于根据以下步骤训练所述路况预测模型：

获取多个路段样本在多个采样时刻的所述路况影响特征以及实际路况信息；

针对每个路段样本，根据该路段样本在多个采样时刻分别对应的路况影响特征，生成该路段样本对应的第二样本特征向量序列；所述第二样本特征向量序列中包括与所述多个采样时刻分别对应的第二样本特征向量；

基于所述多个路段样本对应的第二样本特征向量序列以及实际路况信息，进行路况预测模型的训练。

一种可选实施方式中，所述第二模型训练模块95，用于采用下述步骤基于所述多个路段样本对应的第二样本特征向量序列以及实际路况信息，进行路况预测模型的训练：

针对每个所述第二样本特征向量序列，按照其中的第二样本特征向量对应的采样时刻的先后顺序，从该第二样本特征向量序列中选择一个第二样本特征向量作为当前第二样本特征向量，以及，

获取将前一第二样本特征向量输入所述第二基础预测模型后，所述第二基础预测模型的目标特征提取层为前一第二样本特征向量输出的中间特征向量；

将所述当前第二样本特征向量以及所述中间特征向量输入至第二基础预测模型，得到与该第二样本特征向量对应的预测路况信息；

基于得到的预测路况信息和对应的实际路况信息，对所述第二基础预测模型的参数进行调整，并基于调整后的第二基础预测模型，返回所述从该第二样本特征向量序列中选择一个第二样本特征向量输入至第二基础预测模型中的步骤，直到满足训练截止条件。

一种可选实施方式中，所述第二模型训练模块95，用于采用下述步骤基于得到的预测路况信息和对应的实际路况信息，对所述第二基础预测模型的参数进行调整：

根据所述预测路况信息和对应的实际路况信息计算交叉熵损失；

根据所述交叉熵损失调整所述第二基础预测模型的参数。

一种可选实施方式中，所述路况影响特征包括以下至少一种：

路段标识、路段的道路等级、路段的限速等级、路段的车道数、路段的长度、路况状态统计概率特征、当前时刻的路况、当前时刻的车速、当前时刻的流量、历史路况状态统计指标、历史车速统计指标、历史流量统计指标、与所述预测到达时间对应的历史同期路况状态、与所述预测到达时间对应的历史同期速度状态、与所述预测到达时间对应的历史同期流量状态、与所述预测到达时间对应的历史路况状态统计特征、与所述预测到达时间对应的历史速度、与所述预测到达时间对应的历史流量、与所述预测到达时间对应的天气预报信息。

一种可选实施方式中，还包括：生成模块96，用于生成携带有所述预测路况信息的导航路线。

一种可选实施方式中，所述装置还包括：重新规划模块97，用于在确定所述用户端进入除所述导航路线中的导航路段外的其它导航路段后，重新规划导航路线；

基于重新规划的导航路线，重新确定所述预测路况信息，并生成携带有重新确定的所述预测路况信息的导航路线。

一种可选实施方式中，所述装置还包括：重新规划模块97，用于在确定所述用户端从所述导航路线中的导航路段进入另一导航路段中后，重新确定所述导航路线；

并基于重新确定的导航路线，重新确定所述预测路况信息，并生成携带有重新确定的所述预测路况信息的导航路线。

本申请实施例通过对用户端到达导航路线的各个导航路段的预测到达时间进行预测，然后针对每个导航路段，确定用户端在预测到达时间到达对应的导航路段时，导航路段的预测路况信息，能够使得用户得到其在到达某个导航路段时，该导航路段的预测路况信息，而并非是如现有技术中仅仅将当前时刻各个路段的路况信息展示给用户，进而能够保障用户出行时的信息可靠性，提高出行效率，提升用户体验。

上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。

实施例六

本申请实施例六还提供了一种计算机设备，如图10所示，为本申请实施例提供的计算机设备结构示意图，包括：处理器11、存储器12、和总线13。所述存储器12存储有所述处理器11可执行的机器可读指令(比如，图9中获取模块91、第一确定模块92，第二确定模块93对应的执行指令等)，当计算机设备10运行时，所述处理器11与所述存储器12之间通过总线13通信，所述机器可读指令被所述处理器11执行时执行如本申请实施例提供的确定路况信息的方法的步骤。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如如本申请实施例提供的确定路况信息的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (36)

1.一种确定路况信息的方法，其特征在于，包括：

获取用户端的导航路线，并根据所述导航路线，确定构成所述导航路线的多个导航路段；

确定所述用户端到达每个所述导航路段的预测到达时间；

针对每个所述导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

2.根据权利要求1所述的方法，其特征在于，确定所述用户端到达每个所述导航路段的预测到达时间，包括：

针对任一导航路段，获取所述用户端在多个到达时间影响特征下的特征值；

将获取的多个特征值输入至预先训练的到达时间预测模型中，获取所述用户端到达所述任一导航路段的预测到达时间。

3.根据权利要求2所述的方法，其特征在于，根据以下步骤训练得到所述到达时间预测模型：

针对多个用户端样本中的每个用户端样本，获取该用户端样本从出发地行驶向目的地所经过的多个导航路段中，与每个导航路段所对应的所述多个到达时间影响特征下的特征值，以及实际到达时间；

针对所述每个用户端样本，根据该用户端样本在多个所述导航路段分别对应的所述多个到达时间影响特征下的特征值，生成该用户端样本对应的第一样本特征向量序列；所述第一样本特征向量序列中包括与多个导航路段中每个导航路段分别对应的第一样本特征向量；

基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练。

4.根据权利要求3所述的方法，其特征在于，所述基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练，包括：

针对每个所述第一样本特征向量序列，按照其中的第一样本特征向量对应的实际到达时间的先后顺序，从该第一样本特征向量序列中选择一个第一样本特征向量作为当前第一样本特征向量，以及，

获取将前一样本特征向量输入第一基础预测模型后，所述第一基础预测模型的目标特征提取层为前一第一样本特征向量输出的中间特征向量；

将所述当前第一样本特征向量以及所述中间特征向量输入至所述第一基础预测模型，得到与该第一样本特征向量对应的预测到达时间；

基于得到的预测到达时间和对应的实际到达时间，对所述第一基础预测模型的参数进行调整，并基于调整后的第一基础预测模型，返回所述从该第一样本特征向量序列中选择一个第一样本特征向量输入至所述第一基础预测模型中的步骤，直到满足训练截止条件。

5.根据权利要求2所述的方法，其特征在于，所述到达时间影响特征包括以下至少一种：

用户端个性化特征、时间类特征、路线特征、路况特征。

6.根据权利要求5所述的方法，其特征在于，所述用户端个性化特征包括以下至少一个：

用户标识；用户驾龄；是否为活跃用户；用户对城市的熟悉程度；当前速度；针对最近至少一个历史时间段内的每个历史时间段，在至少一个速度统计指标下的指标值。

7.根据权利要求5所述的方法，其特征在于，所述时间类特征包括以下至少一个：

当前时间；是否处于交通高峰期；是否为周末；当前日期在一星期内的时间位置。

8.根据权利要求5所述的方法，其特征在于，所述路线特征包括以下至少一个：

在当前位置与所述任一导航路段之间的所有导航路段中的各个导航路段的高速比例、国道比例、省道比例、县道比例以及内部道路比例。

9.根据权利要求5所述的方法，其特征在于，所述路况特征包括以下至少一个：

从当前位置到达所述任一导航路段的总里程、在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程、在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程占据总里程的比率。

10.根据权利要求1所述的方法，其特征在于，针对每个所述导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息，包括：

针对任一导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在多个路况影响特征下的特征值；

将确定的多个特征值输入至预先训练的路况预测模型中，获取所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

11.根据权利要求10所述的方法，其特征在于，根据以下步骤训练所述路况预测模型：

获取多个路段样本在多个采样时刻的所述路况影响特征以及实际路况信息；

针对每个路段样本，根据该路段样本在多个采样时刻分别对应的路况影响特征，生成该路段样本对应的第二样本特征向量序列；所述第二样本特征向量序列中包括与所述多个采样时刻分别对应的第二样本特征向量；

基于所述多个路段样本对应的第二样本特征向量序列以及实际路况信息，进行路况预测模型的训练。

12.根据权利要求11所述的方法，其特征在于，基于所述多个路段样本对应的第二样本特征向量序列以及实际路况信息，进行路况预测模型的训练：

针对每个所述第二样本特征向量序列，按照其中的第二样本特征向量对应的采样时刻的先后顺序，从该第二样本特征向量序列中选择一个第二样本特征向量作为当前第二样本特征向量，以及，

获取将前一第二样本特征向量输入第二基础预测模型后，所述第二基础预测模型的目标特征提取层为前一第二样本特征向量输出的中间特征向量；

将所述当前第二样本特征向量以及所述中间特征向量输入至所述第二基础预测模型，得到与该第二样本特征向量对应的预测路况信息；

基于得到的预测路况信息和对应的实际路况信息，对所述第二基础预测模型的参数进行调整，并基于调整后的第二基础预测模型，返回所述从该第二样本特征向量序列中选择一个第二样本特征向量输入至第二基础预测模型中的步骤，直到满足训练截止条件。

13.根据权利要求12所述的方法，其特征在于，所述基于得到的预测路况信息和对应的实际路况信息，对所述第二基础预测模型的参数进行调整，包括：

根据所述预测路况信息和对应的实际路况信息计算交叉熵损失；

根据所述交叉熵损失调整所述第二基础预测模型的参数。

14.根据权利要求10所述的方法，其特征在于，所述路况影响特征包括以下至少一种：

路段标识、路段的道路等级、路段的限速等级、路段的车道数、路段的长度、路况状态统计概率特征、当前时刻的路况、当前时刻的车速、当前时刻的流量、历史路况状态统计指标、历史车速统计指标、历史流量统计指标、与所述预测到达时间对应的历史同期路况状态、与所述预测到达时间对应的历史同期速度状态、与所述预测到达时间对应的历史同期流量状态、与所述预测到达时间对应的历史路况状态统计特征、与所述预测到达时间对应的历史速度、与所述预测到达时间对应的历史流量、与所述预测到达时间对应的天气预报信息。

15.根据权利要求1所述的方法，其特征在于，确定所述预测路况信息之后，还包括：

生成携带有所述预测路况信息的导航路线。

16.根据权利要求15所述的方法，其特征在于，所述方法还包括：

在确定所述用户端进入除所述导航路线中的导航路段外的其它导航路段后，重新规划导航路线；

基于重新规划的导航路线，重新确定所述预测路况信息，并生成携带有重新确定的所述预测路况信息的导航路线。

17.根据权利要求15所述的方法，其特征在于，所述方法还包括：

在确定所述用户端从所述导航路线中的导航路段进入另一导航路段中后，重新确定所述导航路线；

并基于重新确定的导航路线，重新确定所述预测路况信息，并生成携带有重新确定的所述预测路况信息的导航路线。

18.一种确定路况信息的装置，其特征在于，包括：

获取模块，用于获取用户端的导航路线，并根据所述导航路线，确定构成所述导航路线的多个导航路段；

第一确定模块，用于确定所述用户端到达每个所述导航路段的预测到达时间；

第二确定模块，用于针对每个所述导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

19.根据权利要求18所述的装置，其特征在于，所述第一确定模块，用于采用下述方式确定所述用户端到达每个所述导航路段的预测到达时间：

针对任一导航路段，获取所述用户端在多个到达时间影响特征下的特征值；

将获取的多个特征值输入至预先训练的到达时间预测模型中，获取所述用户端到达所述任一导航路段的预测到达时间。

20.根据权利要求19所述的装置，其特征在于，还包括：第一模型训练模块，用于根据以下步骤训练得到所述到达时间预测模型：

针对多个用户端样本中的每个用户端样本，获取该用户端样本从出发地行驶向目的地所经过的多个导航路段中，与每个导航路段所对应的所述多个到达时间影响特征下的特征值，以及实际到达时间；

针对所述每个用户端样本，根据该用户端样本在多个所述导航路段分别对应的所述多个到达时间影响特征下的特征值，生成该用户端样本对应的第一样本特征向量序列；所述第一样本特征向量序列中包括与多个导航路段中每个导航路段分别对应的第一样本特征向量；

基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练。

21.根据权利要求19所述的装置，其特征在于，所述第一模型训练模块，用于采用下述步骤基于所述多个用户端样本分别对应的第一样本特征向量序列，以及每个第一样本特征向量对应的实际到达时间，进行所述到达时间预测模型的训练：

针对每个所述第一样本特征向量序列，按照其中的第一样本特征向量对应的实际到达时间的先后顺序，从该第一样本特征向量序列中选择一个第一样本特征向量作为当前第一样本特征向量，以及，

获取将前一样本特征向量输入第一基础预测模型后，所述第一基础预测模型的目标特征提取层为前一第一样本特征向量输出的中间特征向量；

将所述当前第一样本特征向量以及所述中间特征向量输入至所述第一基础预测模型，得到与该第一样本特征向量对应的预测到达时间；

基于得到的预测到达时间和对应的实际到达时间，对所述第一基础预测模型的参数进行调整，并基于调整后的第一基础预测模型，返回所述从该第一样本特征向量序列中选择一个第一样本特征向量输入至所述第一基础预测模型中的步骤，直到满足训练截止条件。

22.根据权利要求19所述的装置，其特征在于，所述到达时间影响特征包括以下至少一种：

用户端个性化特征、时间类特征、路线特征、路况特征。

23.根据权利要求22所述的装置，其特征在于，所述用户端个性化特征包括以下至少一个：

用户标识；用户驾龄；是否为活跃用户；用户对城市的熟悉程度；当前速度；针对最近至少一个历史时间段内的每个历史时间段，在至少一个速度统计指标下的指标值。

24.根据权利要求22所述的装置，其特征在于，所述时间类特征包括以下至少一个：

当前时间；是否处于交通高峰期；是否为周末；当前日期在一星期内的时间位置。

25.根据权利要求22所述的装置，其特征在于，所述路线特征包括以下至少一个：

在当前位置与所述任一导航路段之间的所有导航路段中的各个导航路段的高速比例、国道比例、省道比例、县道比例以及内部道路比例。

26.根据权利要求22所述的装置，其特征在于，所述路况特征包括以下至少一个：

从当前位置到达所述任一导航路段的总里程、在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程、在实时路况下从当前位置到达所述任一导航路段时各种路况状态分别对应的里程占据总里程的比率。

27.根据权利要求18所述的装置，其特征在于，所述第二确定模块，用于针对每个所述导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息，包括：

针对任一导航路段，根据所述用户端到达该导航路段的预测到达时间，确定所述用户端在多个路况影响特征下的特征值；

将确定的多个特征值输入至预先训练的路况预测模型中，获取所述用户端在该预测到达时间到达对应的导航路段时，该导航路段的预测路况信息。

28.根据权利要求27所述的装置，其特征在于，还包括：第二模型训练模块，用于根据以下步骤训练所述路况预测模型：

获取多个路段样本在多个采样时刻的所述路况影响特征以及实际路况信息；

针对每个路段样本，根据该路段样本在多个采样时刻分别对应的路况影响特征，生成该路段样本对应的第二样本特征向量序列；所述第二样本特征向量序列中包括与所述多个采样时刻分别对应的第二样本特征向量；

基于所述多个路段样本对应的第二样本特征向量序列以及实际路况信息，进行路况预测模型的训练。

29.根据权利要求28所述的装置，其特征在于，所述第二模型训练模块，用于采用下述步骤基于所述多个路段样本对应的第二样本特征向量序列以及实际路况信息，进行路况预测模型的训练：

针对每个所述第二样本特征向量序列，按照其中的第二样本特征向量对应的采样时刻的先后顺序，从该第二样本特征向量序列中选择一个第二样本特征向量作为当前第二样本特征向量，以及，

获取将前一第二样本特征向量输入第二基础预测模型后，所述第二基础预测模型的目标特征提取层为前一第二样本特征向量输出的中间特征向量；

将所述当前第二样本特征向量以及所述中间特征向量输入至第二基础预测模型，得到与该第二样本特征向量对应的预测路况信息；

基于得到的预测路况信息和对应的实际路况信息，对所述第二基础预测模型的参数进行调整，并基于调整后的第二基础预测模型，返回所述从该第二样本特征向量序列中选择一个第二样本特征向量输入至第二基础预测模型中的步骤，直到满足训练截止条件。

30.根据权利要求29所述的装置，其特征在于，所述第二模型训练模块，用于采用下述步骤基于得到的预测路况信息和对应的实际路况信息，对所述第二基础预测模型的参数进行调整：

根据所述预测路况信息和对应的实际路况信息计算交叉熵损失；

根据所述交叉熵损失调整所述第二基础预测模型的参数。

31.根据权利要求27所述的装置，其特征在于，所述路况影响特征包括以下至少一种：

路段标识、路段的道路等级、路段的限速等级、路段的车道数、路段的长度、路况状态统计概率特征、当前时刻的路况、当前时刻的车速、当前时刻的流量、历史路况状态统计指标、历史车速统计指标、历史流量统计指标、与所述预测到达时间对应的历史同期路况状态、与所述预测到达时间对应的历史同期速度状态、与所述预测到达时间对应的历史同期流量状态、与所述预测到达时间对应的历史路况状态统计特征、与所述预测到达时间对应的历史速度、与所述预测到达时间对应的历史流量、与所述预测到达时间对应的天气预报信息。

32.根据权利要求18所述的装置，其特征在于，还包括：生成模块，用于生成携带有所述预测路况信息的导航路线。

33.根据权利要求32所述的装置，其特征在于，所述装置还包括：重新规划模块，用于在确定所述用户端进入除所述导航路线中的导航路段外的其它导航路段后，重新规划导航路线；

基于重新规划的导航路线，重新确定所述预测路况信息，并生成携带有重新确定的所述预测路况信息的导航路线。

34.根据权利要求32所述的装置，其特征在于，所述装置还包括：重新规划模块，用于在确定所述用户端从所述导航路线中的导航路段进入另一导航路段中后，重新确定所述导航路线；

并基于重新确定的导航路线，重新确定所述预测路况信息，并生成携带有重新确定的所述预测路况信息的导航路线。

35.一种计算机设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1至17任一所述的确定路况信息的的步骤。

36.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至17任一所述的确定路况信息的方法的步骤。

Images