车辆到达时间预测方法、装置、电子设备及存储介质

技术领域

本发明涉及交通技术领域，尤其涉及一种车辆到达时间预测方法、装置、电子设备及存储介质。

背景技术

公交车辆是重要的公共交通工具之一。随着交通技术的发展，对公交服务的质量和效率提出了更高的要求，也越来越多的关注乘客的出行体验和满意度。其中，能够及时准确地预测车辆的到达时间，可以改善公交服务质量、提升用户体验。

现有技术中，一般利用历史数据中的统计特征或规律，如平均速度、平均行驶时间、平均停留时间等，来预测车辆的到站时间。然而，这种方式不能适应动态变化的交通环境，预测结果容易出现偏差或误差，导致车辆到达时间预测准确性较差。

发明内容

本发明实施例提供了一种车辆到达时间预测方法、装置、电子设备及存储介质，以解决现有技术中车辆到达时间预测准确性较差的问题。

为解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种车辆到达时间预测方法，所述方法包括：

获取目标车辆的公交数据，所述公交数据包括所述目标车辆从起始站点开始的位置信息以及对应的时间信息；

对所述公交数据以时间维度和空间维度进行划分，得到多个第一数据单元和多个第二数据单元，所述多个第一数据单元为以时间维度划分的多个数据单元，所述多个第二数据单元为以空间维度划分的多个数据单元；

根据所述多个第一数据单元，得到所述公交数据的时序特征向量；

根据所述时序特征向量和所述公交数据的时空单元，得到所述公交数据的时空特征向量，所述时空单元基于所述多个第一数据单元和所述多个第二数据单元生成；

根据所述时空特征向量，预测所述目标车辆行驶至目标站点的时间。

可选地，所述时空单元的生成方式包括：

将所述多个第一数据单元与所述多个第二数据单元进行交叉处理，得到所述时空单元。

可选地，所述将所述多个第一数据单元与所述多个第二数据单元进行交叉处理，得到所述时空单元，包括：

将所述多个第一数据单元与所述多个第二数据单元进行交叉处理，得到交叉数据单元；

对所述交叉数据单元中的数据进行归一化处理，得到所述时空单元。

可选地，所述根据所述多个第一数据单元，得到所述公交数据的时序特征向量，包括：

基于时间网络模型对所述多个第一数据单元进行特征提取，得到时序特征向量；

其中，所述时间网络模型包括嵌入层和时间块TimesBlock，所述嵌入层用于将输入的每个第一数据单元中的数据转换为深度特征向量，所述TimesBlock用于确定所述多个第一数据单元的周期属性，以及确定所述多个第一数据单元的二维时序变化。

可选地，所述根据所述时序特征向量和所述公交数据的时空单元，得到所述公交数据的时空特征向量，包括：

基于所述时空单元在时间维度上的数据，对所述时序特征向量进行卷积处理，得到时间融合特征；

基于所述时空单元在空间维度上的数据，对所述时序特征向量进行卷积处理，得到空间融合特征；

将所述时间融合特征和所述空间融合特征进行拼接处理，得到所述公交数据的时空特征向量。

可选地，所述基于所述时空单元在时间维度上的数据，对所述时序特征向量进行卷积处理，得到时间融合特征，包括：

基于所述时空单元在时间维度上的数据，对所述时序特征向量进行卷积处理，得到时间卷积层输出的第一结果；

将计算得到的时间注意力权重与所述第一结果进行逐元素点乘，得到时间融合特征；

所述基于所述时空单元在空间维度上的数据，对所述时序特征向量进行卷积处理，得到空间融合特征，包括：

基于所述时空单元在空间维度上的数据，对所述时序特征向量进行卷积处理，得到空间卷积层输出的第二结果；

将计算得到的空间注意力权重与所述第二结果进行逐元素点乘，得到空间融合特征。

可选地，所述根据所述时空特征向量，预测所述目标车辆行驶至目标站点的时间，包括：

利用神经网络模型对所述时空特征向量进行预测，确定所述目标车辆行驶至目标站点的时间。

第二方面，本发明实施例还提供了一种车辆到达时间预测装置，所述装置包括：

获取模块，用于获取目标车辆的公交数据，所述公交数据包括所述目标车辆从起始站点开始的位置信息以及对应的时间信息；

划分模块，用于对所述公交数据以时间维度和空间维度进行划分，得到多个第一数据单元和多个第二数据单元，所述多个第一数据单元为以时间维度划分的多个数据单元，所述多个第二数据单元为以空间维度划分的多个数据单元；

第一确定模块，用于根据所述多个第一数据单元，得到所述公交数据的时序特征向量；

第二确定模块，用于根据所述时序特征向量和所述公交数据的时空单元，得到所述公交数据的时空特征向量，所述时空单元基于所述多个第一数据单元和所述多个第二数据单元生成；

预测模块，用于根据所述时空特征向量，预测所述目标车辆行驶至目标站点的时间。

第三方面，本发明实施例还提供了一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如第一方面所述的车辆到达时间预测方法的步骤。

第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的车辆到达时间预测方法的步骤。

本发明实施例中，以时间维度对公交数据进行划分得到第一数据单元，并且以空间维度对公交数据进行划分得到第二数据单元，然后根据第一数据单元得到公交数据的时序特征向量，以确定公交数据的周期性特征以及时序变化，进一步根据时序特征向量和基于第一数据单元和第二数据单元得到的时空单元，将公交数据的时序特征与空间特征关联，确定公交数据的时空特征向量，增加了公交数据的维度和信息量。这样，根据时空特征向量预测目标车辆行驶至目标站点的时间的过程中，能够适应动态变化的交通环境，提升了预测结果的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种车辆到达时间预测方法的流程图；

图2是本发明实施例提供的一种车辆到达时间预测装置结构示意图；

图3是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

参见图1，图1是本发明实施例提供的一种车辆到达时间预测方法的流程图，如图1所示，所述方法包括以下步骤：

步骤101、获取目标车辆的公交数据，所述公交数据包括所述目标车辆从起始站点开始的位置信息以及对应的时间信息；

目标车辆可以是运营的任一公交车辆，公交车辆在预设的公交路线上行驶，例如，目标车辆从起始站点开始行驶依次途径多个站点到达目的站点。目标车辆上可以安装有定位设备（例如全球定位系统（Global Positioning System，GPS），并且每个站点可以设置有传感器，以获取目标车辆从起始站点开始依次途径多个站点到达目的站点过程中的多个位置信息，以及各位置信息对应的时间信息。

在一示例中，目标车辆上GPS设备监测到的位置数据可以上报至公交管理系统，各站点的传感器监测到目标车辆到达的时间数据可以上报至公交管理系统。公交管理系统将接收到的位置数据和时间数据汇总后存储中数据库，可以从公交管理系统的数据库中获取目标车辆的公交数据。其中，获取目标车辆的公交数据可以是秒级，即每间隔1秒获取一次公交数据，提升目标车辆位置以及对应时间的实时性。其中，公交数据还可以包括目标车辆的行驶速度、行驶方向、载客量等信息。

步骤102、对所述公交数据以时间维度和空间维度进行划分，得到多个第一数据单元和多个第二数据单元，所述多个第一数据单元为以时间维度划分的多个数据单元，所述多个第二数据单元为以空间维度划分的多个数据单元；

在一示例中，可以使用滑动窗口的方法，将公交数据以时间维度进行划分，即按照预设时间间隔（例如5分钟、10分钟、15分钟等）进行划分，得到多个时间窗口（即第一数据单元）。每个第一数据单元包含对应预设时间范围内的公交数据。例如，可以将目标车辆从起始站点开始的公交数据按照每5分钟的间隔进行划分，得到多个第一数据单元，每个第一数据单元包含5分钟内的公交数据。这样做的目的是为了将公交数据的时序变化和周期性表现出来，同时减少了公交数据的噪声和异常值的影响。其中，以时间维度划分公交数据的计算公式如下：

T

其中，T

在一示例中，可以使用网格化的方法，将公交数据以空间维度进行划分，即按照预设空间范围（例如100米、500米、1公里等）进行划分，得到多个空间网格（即第二数据单元）。每个第二数据单元包含对应预设空间范围内的公交数据。例如，可以将目标车辆从起始站点开始的公交数据按照每100米的间隔进行划分，得到多个第二数据单元，每个第二数据单元包含100米内的公交数据。这样做的目的是为了将公交数据的空间依赖和分布表现出来，同时减少了公交数据的稀疏性和不均匀性的影响。其中，以空间维度划分公交数据的计算公式如下：

S

其中，S

步骤103、根据所述多个第一数据单元，得到所述公交数据的时序特征向量；

多个第一数据单元为以时间维度划分得到的多个数据单元，基于第一数据单元表现出来的周期性特征以及时序变化，可以将第一数据单元中的公交数据转换为深度特征向量，得到公交数据的时序特征向量。进一步通过后续步骤104融合时序变化和空间依赖，能够有效地处理公交数据中的非平稳性和非线性性，提高时间以及空间维度上特征的质量和表达能力。

步骤104、根据所述时序特征向量和所述公交数据的时空单元，得到所述公交数据的时空特征向量，所述时空单元基于所述多个第一数据单元和所述多个第二数据单元生成；

在一示例中，基于第一数据单元和第二数据单元生成时空单元，每个时空单元包含一个时间窗口（即第一数据单元）和一个空间网格（即第二数据单元）内的公交数据。这样将公交数据的时空特征和关联性结合起来，增加了公交数据的维度和信息量。

其中，所述时空单元的生成方式包括：

将所述多个第一数据单元与所述多个第二数据单元进行交叉处理，得到所述时空单元。

在一实施例中，可以使用交叉的方法，将第一数据单元和第二数据单元进行交叉处理，得到时空单元。具体的，得到时空单元的计算公式如下：

U

其中，U

步骤105、根据所述时空特征向量，预测所述目标车辆行驶至目标站点的时间。

可以将时空特征向量输入神经网络模型，得到预测结果，预测结果包括目标车辆行驶至目标站点的时间。其中，目标站点可以是当前站点的下一站点或目的地站点。预测结果还可以包括预计延迟时间、预计准点率等信息。将预测结果输出到公交信息显示系统或者公交乘客手机应用，供公交乘客或者公交管理者参考。公交信息显示系统可以是公交站点上的电子屏幕、公交车上的语音播报、公交管理中心的监控平台等。公交乘客手机应用可以是公交查询、公交导航、公交支付等功能的软件。

本发明实施例中，以时间维度对公交数据进行划分得到第一数据单元，并且以空间维度对公交数据进行划分得到第二数据单元，然后根据第一数据单元得到公交数据的时序特征向量，以确定公交数据的周期性特征以及时序变化，进一步根据时序特征向量和基于第一数据单元和第二数据单元得到的时空单元，将公交数据的时序特征与空间特征关联，确定公交数据的时空特征向量，增加了公交数据的维度和信息量。这样，根据时空特征向量预测目标车辆行驶至目标站点的时间的过程中，能够适应动态变化的交通环境，提升了预测结果的准确性。

可选地，所述将所述多个第一数据单元与所述多个第二数据单元进行交叉处理，得到所述时空单元，包括：

将所述多个第一数据单元与所述多个第二数据单元进行交叉处理，得到交叉数据单元；

对所述交叉数据单元中的数据进行归一化处理，得到所述时空单元。

本实施方式中，将多个第一数据单元与多个第二数据单元进行交叉处理，得到交叉数据单元，以将公交数据的时空特征和关联性结合起来。然后，可以使用标准化的方法，对每个交叉数据单元中的数据进行规范化，例如，将个交叉数据单元中包含的目标车辆的位置、速度、方向、载客量、行驶至每一个站点对应的时间等信息换成一个统一的标准，如归一化、标准化、缺失值填补等操作，得到时空单元。这样做的目的是为了公交数据的量纲和单位的差异，同时提高公交数据的可比性和可计算性。数据规范化的计算公式如下：

;

其中，

在一些可选的实施例中，所述根据所述多个第一数据单元，得到所述公交数据的时序特征向量，包括：

基于时间网络模型对所述多个第一数据单元进行特征提取，得到时序特征向量；

其中，所述时间网络模型包括嵌入层和时间块TimesBlock，所述嵌入层用于将输入的每个第一数据单元中的数据转换为深度特征向量，所述TimesBlock用于确定所述多个第一数据单元的周期属性，以及确定所述多个第一数据单元的二维时序变化。

具体的，时间网络（TimesNet）模型是一种基于二维时序变化建模的通用时间序列分析模型，它由嵌入层和多个时间块（TimesBlock）组成。嵌入层用于将输入的每个第一数据单元中的数据转换为深度特征向量，TimesBlock通过对公交数据进行多周期属性的发现和二维时序变化的建模，以确定多个第一数据单元的周期属性，以及确定所述多个第一数据单元的二维时序变化。在时间网络模型训练过程中，步骤101获取的目标车辆的公交数据为历史数据；而通过时间网络模型进行预测的过程中，步骤101获取的目标车辆的公交数据为实时数据。

嵌入层可以包括时间嵌入层和数据嵌入层。

在一示例中，时间嵌入层用于将公交数据的时间维度转换为深度特征向量，公式表示如下：

T=T—Embed(X

其中，T表示时间嵌入层的输出，即时间特征向量，X

在一示例中，数据嵌入层用于将公交数据的数据维度转换为深度特征向量，公式表示如下：

D=D—Embed(X

其中，D表示数据嵌入层的输出，即数据特征向量，X

在一示例中，TimesBlock对公交数据进行多周期属性的发现和二维时序变化的建模，其具体公式表达如下：

Y=AA(Inception(TT(X,PD(X))))；

其中，Y表示TimesBlock的输出，即公交数据的时序特征向量，X表示TimesBlock的输入，即公交数据的深度特征向量，PD表示周期发现模块，TT表示二维转换模块，Inception表示Inception块，AA表示自适应聚合模块。

周期发现模块PD用于利用快速傅里叶变换对公交数据进行周期性分析，得到公交数据的频率和周期，具体实现如下：

F=FFT(X)；

f

p

其中，F表示公交数据的频域表示，X表示公交数据的时域表示，FFT表示快速傅里叶变换，f

二维转换模块TT用于利用选定的周期对公交数据进行折叠，得到公交数据的二维张量。二维转换模块的公式表示如下：

X

其中，X

Inception块用于利用卷积神经网络对公交数据的二维张量进行特征提取和预测，得到公交数据的二维表示。Inception块具体内容如下：

Y=Concat(Conv

其中，Y表示公交数据的二维表示，X表示公交数据的二维张量，Concat为拼接操作，Conv

自适应聚合AA模块用于利用公交数据的频率和周期对公交数据的二维表示进行加权聚合，得到公交数据的时序特征向量。自适应聚合模块的具体内容如下：

;

;

其中，Y表示公交数据的时序特征向量，Y

在一些可选的实施例中，所述根据所述时序特征向量和所述公交数据的时空单元，得到所述公交数据的时空特征向量，包括：

基于所述时空单元在时间维度上的数据，对所述时序特征向量进行卷积处理，得到时间融合特征；

基于所述时空单元在空间维度上的数据，对所述时序特征向量进行卷积处理，得到空间融合特征；

将所述时间融合特征和所述空间融合特征进行拼接处理，得到所述公交数据的时空特征向量。

本实施方式中，基于时空单元在时间维度上的数据，对时序特征向量进行卷积处理，得到时间融合特征，增加了公交数据的时间维度和信息量；基于时空单元在空间维度上的数据，对时序特征向量进行卷积处理，得到空间融合特征，增加了公交数据的空间维度和信息量。然后，将时间融合特征和空间融合特征进行拼接处理，得到公交数据的时空特征向量，这样将公交数据的时空特征和关联性结合起来，提高公交到站时间预测的准确性和鲁棒性。

其中，所述基于所述时空单元在时间维度上的数据，对所述时序特征向量进行卷积处理，得到时间融合特征，包括：

基于所述时空单元在时间维度上的数据，对所述时序特征向量进行卷积处理，得到时间卷积层输出的第一结果；

将计算得到的时间注意力权重与所述第一结果进行逐元素点乘，得到时间融合特征；

所述基于所述时空单元在空间维度上的数据，对所述时序特征向量进行卷积处理，得到空间融合特征，包括：

基于所述时空单元在空间维度上的数据，对所述时序特征向量进行卷积处理，得到空间卷积层输出的第二结果；

将计算得到的空间注意力权重与所述第二结果进行逐元素点乘，得到空间融合特征。

具体的，可以利用动态时空调取方法对公交数据进行时空信息的融合，得到公交数据的时空特征向量。时空动态调取方法是一种利用时空信息和注意力机制来提高公交到站时间预测的准确性和鲁棒性的方法，它由时间卷积层、空间卷积层、时间注意力层、空间注意力层、时间融合层、空间融合层和拼接层组成，时空动态调取方法的公式表示如下：

Y=Concat(A

其中，Y表示时空特征向量，X表示公交数据的时序特征向量，Concat表示拼接操作，A

在一示例中，时间卷积层用于对公交数据的时序特征向量进行时间维度上的卷积操作，提取时间相关的特征。时间卷积层公式如下：

Y

其中，Y

在一示例中，空间卷积层用于对公交数据的时序特征向量进行空间维度上的卷积操作，提取空间相关特征。空间卷积层公式表示如下：

Y

其中，Y

在一示例中，时间注意力层用于对公交数据的时序特征向量进行时间维度上的注意力计算，得到时间注意力权重。时间注意力层的公式表示如下：

A

其中，A

在一示例中，空间注意力层用于对公交数据的时序特征向量进行空间维度上的注意力计算，得到空间注意力权重。空间注意力层的公式表示如下：

A

其中，A

在一示例中，时间融合层用于将时间卷积层的输出和时间注意力层的输出进行加权融合，得到时间融合特征。时间融合层的公式表示如下：

Y

其中，Y

在一示例中，空间融合层用于将空间卷积层的输出和空间注意力层的输出进行加权融合，得到空间融合特征。空间融合层的公式表示如下：

Y

其中，Y

在一示例中，拼接层用于将时间融合特征和空间融合特征进行拼接，得到时空特征向量。拼接层的公式表示如下：

Y=Concat(Y

其中，Y表示时空特征向量，Y

在一些可选的实施例中，所述根据所述时空特征向量，预测所述目标车辆行驶至目标站点的时间，包括：

利用神经网络模型对所述时空特征向量进行预测，确定所述目标车辆行驶至目标站点的时间。

在一示例中，选用的神经网络模型可以是一种利用多层非线性变换和优化算法来拟合复杂函数的模型，它由输入层、输出层和若干隐藏层组成。神经网络模型的公式表示如下：

Y=NN(X)；

其中，Y表示神经网络模型的输出，即公交到站时间的预测结果，X表示神经网络模型的输入，即公交数据的时空特征向量，NN表示神经网络模型的函数。

本实施例中，在模型训练过程中，使用的公交数据为历史数据；而进行预测的过程中，使用的公交数据则为实时数据。首先，通过基于二维时序变化建模的通用时间序列分析模型（TimesNet），来提取时空单元数据中的时序变化和空间依赖，能够有效地处理公交数据中的非平稳性和非线性性，提高时空特征的质量和表达能力；然后，利用时空信息和注意力机制来提高公交到站时间预测的准确性和鲁棒性的方法，来计算时空单元数据中的时空权重，能够有效地处理公交数据中的不确定性和动态性，提高时空特征的稳定性和适应性；最后，使用神经网络来预测公交到站时间，能够有效地利用时空特征和目标站点的信息，提高公交到站时间预测的准确性和鲁棒性。

参见图2，图2是本发明实施例提供的一种车辆到达时间预测装置的结构示意图，如图2所示，车辆到达时间预测装置200包括：

获取模块201，用于获取目标车辆的公交数据，所述公交数据包括所述目标车辆从起始站点开始的位置信息以及对应的时间信息；

划分模块202，用于对所述公交数据以时间维度和空间维度进行划分，得到多个第一数据单元和多个第二数据单元，所述多个第一数据单元为以时间维度划分的多个数据单元，所述多个第二数据单元为以空间维度划分的多个数据单元；

第一确定模块203，用于根据所述多个第一数据单元，得到所述公交数据的时序特征向量；

第二确定模块204，用于根据所述时序特征向量和所述公交数据的时空单元，得到所述公交数据的时空特征向量，所述时空单元基于所述多个第一数据单元和所述多个第二数据单元生成；

预测模块205，用于根据所述时空特征向量，预测所述目标车辆行驶至目标站点的时间。

可选地，所述车辆到达时间预测装置200还包括：

交叉处理模块，用于将所述多个第一数据单元与所述多个第二数据单元进行交叉处理，得到所述时空单元。

可选地，所述交叉处理模块包括：

第一处理单元，用于将所述多个第一数据单元与所述多个第二数据单元进行交叉处理，得到交叉数据单元；

第二处理单元，用于对所述交叉数据单元中的数据进行归一化处理，得到所述时空单元。

可选地，所述第一确定模块203包括：

特征提取单元，用于基于时间网络模型对所述多个第一数据单元进行特征提取，得到时序特征向量；

其中，所述时间网络模型包括嵌入层和时间块TimesBlock，所述嵌入层用于将输入的每个第一数据单元中的数据转换为深度特征向量，所述TimesBlock用于确定所述多个第一数据单元的周期属性，以及确定所述多个第一数据单元的二维时序变化。

可选地，所述第二确定模块204包括：

第三处理单元，用于基于所述时空单元在时间维度上的数据，对所述时序特征向量进行卷积处理，得到时间融合特征；

第四处理单元，用于基于所述时空单元在空间维度上的数据，对所述时序特征向量进行卷积处理，得到空间融合特征；

第五处理单元，用于将所述时间融合特征和所述空间融合特征进行拼接处理，得到所述公交数据的时空特征向量。

可选地，所述第三处理单元还用于：

基于所述时空单元在时间维度上的数据，对所述时序特征向量进行卷积处理，得到时间卷积层输出的第一结果；

将计算得到的时间注意力权重与所述第一结果进行逐元素点乘，得到时间融合特征；

所述第四处理单元还用于：

基于所述时空单元在空间维度上的数据，对所述时序特征向量进行卷积处理，得到空间卷积层输出的第二结果；

将计算得到的空间注意力权重与所述第二结果进行逐元素点乘，得到空间融合特征。

可选地，所述预测模块205包括：

确定单元，用于利用神经网络模型对所述时空特征向量进行预测，确定所述目标车辆行驶至目标站点的时间。

需要说明的是，车辆到达时间预测装置200能实现上述车辆到达时间预测方法实施例的各个过程，技术特征一一对应，且能达到相同的技术效果，为避免重复，这里不再赘述。

本发明实施例还提供了一种电子设备，包括：处理器、存储器及存储在存储器上并可在处理器上运行的程序，程序被处理器执行时实现上述车辆到达时间预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

具体的，参见图3，本发明实施例还提供了一种电子设备，包括总线301、收发机302、天线303、总线接口304、处理器305和存储器306。

其中，所述收发机302，用于获取目标车辆的公交数据，所述公交数据包括所述目标车辆从起始站点开始的位置信息以及对应的时间信息；

处理器305，用于对所述公交数据以时间维度和空间维度进行划分，得到多个第一数据单元和多个第二数据单元，所述多个第一数据单元为以时间维度划分的多个数据单元，所述多个第二数据单元为以空间维度划分的多个数据单元；

处理器305，还用于根据所述多个第一数据单元，得到所述公交数据的时序特征向量；

处理器305，还用于根据所述时序特征向量和所述公交数据的时空单元，得到所述公交数据的时空特征向量，所述时空单元基于所述多个第一数据单元和所述多个第二数据单元生成；

处理器305，还用于根据所述时空特征向量，预测所述目标车辆行驶至目标站点的时间。

可选地，所述时空单元的生成方式包括：

将所述多个第一数据单元与所述多个第二数据单元进行交叉处理，得到所述时空单元。

可选地，所述将所述多个第一数据单元与所述多个第二数据单元进行交叉处理，得到所述时空单元，包括：

将所述多个第一数据单元与所述多个第二数据单元进行交叉处理，得到交叉数据单元；

对所述交叉数据单元中的数据进行归一化处理，得到所述时空单元。

可选地，所述根据所述多个第一数据单元，得到所述公交数据的时序特征向量，包括：

基于时间网络模型对所述多个第一数据单元进行特征提取，得到时序特征向量；

其中，所述时间网络模型包括嵌入层和时间块TimesBlock，所述嵌入层用于将输入的每个第一数据单元中的数据转换为深度特征向量，所述TimesBlock用于确定所述多个第一数据单元的周期属性，以及确定所述多个第一数据单元的二维时序变化。

可选地，所述根据所述时序特征向量和所述公交数据的时空单元，得到所述公交数据的时空特征向量，包括：

基于所述时空单元在时间维度上的数据，对所述时序特征向量进行卷积处理，得到时间融合特征；

基于所述时空单元在空间维度上的数据，对所述时序特征向量进行卷积处理，得到空间融合特征；

将所述时间融合特征和所述空间融合特征进行拼接处理，得到所述公交数据的时空特征向量。

可选地，所述基于所述时空单元在时间维度上的数据，对所述时序特征向量进行卷积处理，得到时间融合特征，包括：

基于所述时空单元在时间维度上的数据，对所述时序特征向量进行卷积处理，得到时间卷积层输出的第一结果；

将计算得到的时间注意力权重与所述第一结果进行逐元素点乘，得到时间融合特征；

所述基于所述时空单元在空间维度上的数据，对所述时序特征向量进行卷积处理，得到空间融合特征，包括：

基于所述时空单元在空间维度上的数据，对所述时序特征向量进行卷积处理，得到空间卷积层输出的第二结果；

将计算得到的空间注意力权重与所述第二结果进行逐元素点乘，得到空间融合特征。

可选地，所述根据所述时空特征向量，预测所述目标车辆行驶至目标站点的时间，包括：

利用神经网络模型对所述时空特征向量进行预测，确定所述目标车辆行驶至目标站点的时间。

在图3中，总线架构（用总线301来代表），总线301可以包括任意数量的互联的总线和桥，总线301将包括由处理器305代表的一个或多个处理器和存储器306代表的存储器的各种电路链接在一起。总线301还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口304在总线301和收发机302之间提供接口。收发机302可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器305处理的数据通过天线303在无线介质上进行传输，进一步，天线303还接收数据并将数据传送给处理器305。

处理器305负责管理总线301和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器306可以被用于存储处理器305在执行操作时所使用的数据。

可选的，处理器305可以是中央处理器（Central Processing Unit，CPU）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程逻辑门阵列（Field Programmable Gate Array，FPGA）或复杂可编程逻辑器件（Complex ProgrammableLogic Device，CPLD）。

本发明实施例还提供一种计算机可读存储介质，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执行时实现上述车辆到达时间预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本发明实施方式中的方法和装置的范围不限于按所讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。