1.一种车辆旅行时间预测的方法,其特征在于,所述方法包括:根据目标车辆在站点之间的旅行时间均值确定时间切片,根据道路交叉点,确定空间切片;
获取目标车辆行驶的时刻信息和位置信息,根据所述时刻信息确定所述目标车辆的时间切片信息,根据所述位置信息确定所述目标车辆的空间切片信息;
在根据所述位置信息判定所述目标车辆位于目标空间切片的情况下,根据所述位置信息、所述时间切片信息和历史时间信息,通过长短期记忆网络计算所述目标车辆的时间特征向量,根据所述空间切片信息和所述空间切片中的参考速度,通过人工神经网络计算所述目标车辆的空间特征向量;其中,所述时间特征向量用于描述两个站点之间的时间信息,通过如下公式1表示;
T
Pij=[Si,Sj,Tk,[t1,t2...tn]] 公式1在公式1中,Pij是从站点i到站点j的时间特征向量,Si和Sj分别表示站点i和站点j,Tk是目标车辆所属的时间切片,[t1,t2...tn]描述历史时间信息,t1到tn分别描述过去1至n天中,车辆每天从第i站到第j站所花费的时间;
空间特征向量用于描述某一空间切片中的空间信息,由如下公式2得到:T
Spq=[p,q,lpq,[v1,v2...vm]] 公式2在公式2中,Spq是起点为p,终点为q的空间向量切片,lpq是Spq的长度,[v1,v2...vm]是该空间切片中所有公交车的速度;
根据所述时刻信息、所述位置信息、所述时间特征向量和所述空间特征向量,预测所述目标车辆的旅行时间。
2.根据权利要求1所述的方法,其特征在于,所述预测所述目标车辆的旅行时间包括:根据所述时刻信息和所述时间特征向量,得到所述旅行时间的第一预测结果,根据所述位置信息和所述空间特征向量,得到所述旅行时间的第二预测结果;
对所述第一预测结果和所述第二预测结果进行加权计算,得到所述旅行时间。
3.根据权利要求2所述的方法,其特征在于,所述根据所述位置信息和所述空间特征向量,得到所述旅行时间的第二预测结果包括:根据所述位置信息,得到所述目标车辆与所述目标空间切片的终点之间的距离,根据所述距离和所述目标车辆的瞬时速度,得到所述第二预测结果。
4.根据权利要求1所述的方法,其特征在于,获取所述空间切片中的参考速度还包括:在所述目标车辆不在所述目标空间切片中的情况下,获取所述目标空间切片的长度,根据所述长度和所述目标空间切片中所有车辆的速度平均值,计算所述参考速度。
5.根据权利要求1所述的方法,其特征在于,在所述计算所述目标车辆的时间特征向量之后,所述方法包括:根据长短期记忆网络和预设时间阈值,将所述时间特征向量中的所述历史时间信息进行遗忘和更新。
6.根据权利要求1所述的方法,其特征在于,在所述获取时间特征向量和所述空间特征向量之前,所述方法还包括:对所述时间切片的时间窗口设置时间下限,根据所述时间下限对所述历史时间信息进行过滤。
7.一种车辆旅行时间预测的设备,其特征在于,所述设备包括获取模块、计算模块和预测模块:所述获取模块,用于根据目标车辆在站点之间的旅行时间均值确定时间切片,根据道路交叉点,确定空间切片;获取目标车辆行驶的时刻信息和位置信息,根据所述时刻信息确定所述目标车辆的时间切片信息,根据所述位置信息确定所述目标车辆的空间切片信息;
所述计算模块,用于在根据所述位置信息判定所述目标车辆位于目标空间切片的情况下,根据所述位置信息、所述时间切片信息、历史时间信息,通过长短期记忆网络计算所述目标车辆的时间特征向量,根据所述空间切片信息、所述空间切片中的参考速度,通过人工神经网络计算所述目标车辆的空间特征向量;其中,所述时间特征向量用于描述两个站点之间的时间信息,通过如下公式1表示;
T
Pij=[Si,Sj,Tk,[t1,t2...tn]] 公式1在公式1中,Pij是从站点i到站点j的时间特征向量,Si和Sj分别表示站点i和站点j,Tk是目标车辆所属的时间切片,[t1,t2...tn]描述历史时间信息,t1到tn分别描述过去1至n天中,车辆每天从第i站到第j站所花费的时间;
空间特征向量用于描述某一空间切片中的空间信息,由如下公式2得到:T
Spq=[p,q,lpq,[v1,v2...vm]] 公式2在公式2中,Spq是起点为p,终点为q的空间向量切片,lpq是Spq的长度,[v1,v2...vm]是该空间切片中所有公交车的速度;
所述预测模块,用于根据所述时刻信息、所述位置信息、所述时间特征向量和所述空间特征向量,预测所述目标车辆的旅行时间。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至
6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6中任一项所述方法的步骤。