CN110647693B - 路径推荐的方法和装置 - Google Patents
路径推荐的方法和装置 Download PDFInfo
- Publication number
- CN110647693B CN110647693B CN201910900968.2A CN201910900968A CN110647693B CN 110647693 B CN110647693 B CN 110647693B CN 201910900968 A CN201910900968 A CN 201910900968A CN 110647693 B CN110647693 B CN 110647693B
- Authority
- CN
- China
- Prior art keywords
- path
- preference
- determining
- point
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Navigation (AREA)
Abstract
本发明公开了路径推荐的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:对起点和终点的地理位置进行分析,确定所述起点和终点分别对应的匹配路段;根据偏好学习组件,确定综合偏好权重;根据所述匹配路段和所述综合偏好权重,生成推荐路径。本申请通过先确定起点终点对应推荐路径的路段和对应的偏好进行推荐路径的技术手段,避免了采用现有技术推荐的路径不可用、开销大、无视用户的偏好的技术缺陷,进而使得推荐的路径更符合用户个性化的需求,并且大大节省了进行路径推荐成本的技术效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种路径推荐的方法和装置。
背景技术
随着城市的发展,道路规划愈发复杂,因为驾驶偏好的不同,即便出发地与目的地相同,驾驶路线的选择也存在多种情况。
现有技术通常采用以下几种方法生成推荐路径:
1.传统的路径推荐算法,诸如Dijkstra算法和A*算法等
2.基于传统路径推荐算法,通过融合多种优化目标(如驾驶距离,驾驶时间,油耗,是否走高速等)推荐路径;
3.通过自主设定参数进行路径推荐的方法与通过众包分发任务,人为为路线打分进而推荐路径。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
对于上述第一种方法,无法进行多目标优化路径推荐,仅能从单一特征解决问题,结果存在不可用和/或计算开销较大的情况;
对于上述第二种方法,仅能提供其指定偏好下的选择而无视了用户本身的偏好与当前驾驶环境;
对于上述第三种方法,大量的人力物力,使用成本较高。
发明内容
有鉴于此,本发明实施例提供一种路径推荐的方法和装置,能够避免了采用现有技术推荐的路径不可用、开销大、无视用户的偏好的技术缺陷,进而使得推荐的路径更符合用户个性化的需求,并且大大节省了进行路径推荐的成本。
为实现上述目的,根据本发明实施例的一个方面,提供了一种路径推荐的方法,包括:
对起点和终点的地理位置进行分析,确定所述起点和终点分别对应的匹配路段;
根据偏好学习组件,确定综合偏好权重;
根据所述匹配路段和所述综合偏好权重,生成推荐路径;
其中,所述路径由至少一个路段组成。
可选地,对起点和终点的地理位置进行分析,确定所述起点和终点分别对应的匹配路段,包括:
根据包含所述起点和终点的路网结构关系,确定起点和终点分别对应的最小边界框;
对于所述起点和终点,分别确定对应的最小边界框中的邻近路段,并将所述邻近路段作为匹配路段。
可选地,对于所述起点和终点,分别确定对应的最小边界框中的邻近路段,并将所述邻近路段作为匹配路段,包括:
对于所述起点或终点,判断最小边界框的个数;
若所述个数为大于一个,则选择所述起点或终点与所述最小边界框中邻近路段垂线距离最短的邻近路段作为匹配路段。
可选地,根据偏好学习组件,确定综合偏好权重,包括:
根据所述偏好学习组件,确定所述起点和/或终点的环境因素系数和用户偏好因素系数;
根据所述环境因素系数和/或用户偏好因素系数,确定综合偏好权重;
其中,用户偏好因素系数存储在所述偏好学习组件中的通用用户表和特殊用户表。
可选地,根据所述匹配路段和所述综合偏好权重,生成推荐路径,包括:
确定所述起点和终点分别对应匹配路段的相关区域;
确定包含所述起点和终点对应相关区域的最小边界框;
根据所述综合偏好权重,计算所述最小边界框中路段的权重;
根据所述路段的端点,建立邻接矩阵;其中,矩阵中的元素为路段的权重;
根据所述邻接矩阵,利用最短路径算法生成推荐路径。
可选地,根据所述邻接矩阵,利用最短路径算法生成推荐路径,包括:利用新的路径奖励辅助生成推荐路径;
其中,所述新的路径奖励的计算方法包括:
比较推荐路径长度与平均路径长度的大小;
若推荐路径长度大于平均路径长度,则原始的路径奖励即为新的路径奖励;
若推荐路径长度小于平均路径长度,则将推荐路径的长度与平均路径的长度的比值,与原始的路径奖励的乘积,作为新的路径奖励。
可选地,根据偏好学习组件,确定综合偏好权重之前,包括:
将历史轨迹进行预处理操作;
根据所述预处理后的历史轨迹,建立偏好模型;
根据个性化偏好更新所述偏好模型,生成偏好学习组件。
可选地,将历史轨迹进行预处理操作,包括:
根据时间、空间和/或运动学模型约束条件,对历史轨迹进行数据清洗;
根据数据清洗后的历史轨迹,划分为子轨迹;
根据所述子轨迹和所述子轨迹的起始时间,建立索引结构。
可选地,根据时间、空间和/或运动学模型约束条件,对历史轨迹进行数据清洗,包括:
执行以下至少之一操作:
将在预设时间间隔的轨迹位置存在异常的历史轨迹去除;
根据最小外接矩形生成的空间约束条件,将存在异常的历史轨迹去除;
根据预设轨迹的最大速度生成运动学模型约束条件,将存在异常的历史轨迹去除。
可选地,根据数据清洗后的历史轨迹,划分为子轨迹,包括:
判断所述清洗后的历史轨迹对应的车辆中是否存在乘客;
若是,则将所述清洗后的历史轨迹按照乘客乘坐所述车辆的时间点进行划分。
可选地,根据数据清洗后的历史轨迹,划分为子轨迹,还包括:
确定所述清洗后的历史轨迹中的第一控制点;
判断所述第一控制点是否为停留点;
若是,则判断所述第一控制点邻近的第二控制点中是否为停留点;若是,则将所述第二控制点作为新的第一控制点进行循环判断操作;
将所述循环判断得到的连续的停留点进行组合,生成停留点簇;
根据所述停留点簇的两端对所述清洗后的历史轨迹分段,生成子轨迹。
可选地,判断所述第一控制点是否为停留点,包括:
判断第一控制点与第二控制点之间的时间间隔是否小于预设时间间隔阈值、空间间隔是否小于预设空间间隔阈值;
若所述时间间隔小于预设时间间隔阈值,且空间间隔不小于预设空间间隔阈值,则所述第一控制点为停留点。
可选地,根据所述预处理后的历史轨迹,建立偏好模型,包括:
将预处理后的历史轨迹通过路网匹配算法,转换成有方向的路由;
将预处理后的历史轨迹通过动作匹配算法,生成路口处的动作决策表;
根据所述路由和所述动作决策表,计算所述路口的状态转移概率;
根据所述路由、动作决策表和状态转移概率,建立偏好模型;
其中,所述路段的端点为路口。
可选地,将预处理后的历史轨迹通过动作匹配算法,生成路口处的动作决策表,包括:
确定预处理后的历史轨迹中的第一路段与其相邻的第二路段之间的夹角;
判断所述夹角与预设第一夹角、预设第二夹角之间的关系;
若所述夹角小于所述预设第一夹角,则所述确定所述动作决策为直行;若所述夹角大于所述预设第二夹角,则所述确定所述动作决策为急转弯;若所述夹角大于所述预设第一夹角、小于所述预设第二夹角,则所述确定所述动作决策为转弯;
根据所述动作决策生成动作决策表。
可选地,根据所述路由和所述动作决策表,计算所述路口的状态转移概率,包括:
将动作决策相同的项合并,计算动作决策的频次和;
确定动作决策前的路段情况和动作决策后的路段情况;其中,所述路段情况包括:单向路段和双向路段;
根据所述路段情况,计算所述路口的状态转移概率。
可选地,根据偏好学习组件,确定综合偏好权重之前,包括:
确定所述起点和终点的历史推荐路径和对应的实际历史轨迹之间的重叠率;
确定所述起点和终点的历史推荐的路径和对应的实际历史轨迹之间的相似度;
根据所述重叠率和所述相似度,对偏好学习组件进行更新。
根据本发明实施例的另一个方面,提供了一种偏好学习组件生成的方法,包括:
将历史轨迹进行预处理操作;
根据所述预处理后的历史轨迹,建立偏好模型;
根据个性化偏好更新所述偏好模型,生成偏好学习组件。
根据本发明实施例的再一个方面,提供了一种路径推荐的装置,包括:
匹配路段确定模块,用于对起点和终点的地理位置进行分析,确定所述起点和终点分别对应的匹配路段;
综合偏好权重确定模块,用于根据偏好学习组件,确定综合偏好权重;
推荐路径生成模块,用于根据所述匹配路段和所述综合偏好权重,生成推荐路径;
其中,所述路径由至少一个路段组成。
根据本发明实施例的再一个方面,提供了一种偏好学习组件生成的装置,包括:
预处理操作模块,用于将历史轨迹进行预处理操作;
偏好模型建立模块,用于根据所述预处理后的历史轨迹,建立偏好模型;
偏好学习组件生成模块,用于根据个性化偏好更新所述偏好模型,生成偏好学习组件。
根据本发明实施例的另一个方面,提供了一种路径推荐的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明提供的路径推荐的方法。
根据本发明实施例的还一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明提供的路径推荐的方法。
上述发明中的一个实施例具有如下优点或有益效果:
本申请通过先确定起点终点对应推荐路径的路段和对应的偏好进行推荐路径的技术手段,避免了采用现有技术推荐的路径不可用、开销大、无视用户的偏好的技术缺陷,进而使得推荐的路径更符合用户个性化的需求,并且大大节省了进行路径推荐的成本。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的一种路径推荐的方法的主要流程的示意图;
图2是根据本发明实施例的确定所述起点和终点分别对应的匹配路段的示意图;
图3是根据本发明实施例的新的路径奖励对应的示意图;
图4是根据本发明实施例的路径推荐的方法的具体流程的示意图;
图5为是根据本发明实施例的一种生成偏好学习组件的主要流程的示意图;
图6是根据本发明实施例的确定动作决策的示意图;
图7(a)、图7(b)、图7(c)为是根据本发明实施例的确定动作决策的实际应用中的示意图;
图8是根据本发明实施例的计算状态转移概率的示意图;
图9是根据本发明实施例的生成偏好学习组件的具体流程的示意图;
图10是根据本发明实施例的一种路径推荐的装置的主要模块的示意图;
图11是根据本发明实施例的一种偏好学习组件生成的装置的主要模块的示意图;
图12是根据本发明实施例的一种路径推荐的***的示意图;
图13是本发明实施例可以应用于其中的示例性***架构图;
图14是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
现有技术在为指定起点和终点推荐路径的过程中,经常不会采用导航提供的结果。其中,导致用户不采用推荐结果的原因主要可能是:驾驶员在规划出行路线时往往会考虑包括时间、费用、距离、油耗等多种因素,而传统导航只能针对其中的一种或特定规则进行优化,很难准确表达用户的偏好,也可能由于导航提供的路由结果没有考虑用户本身的异质性。
本申请通过逆向强化学习的方法学习不同用户群体的驾驶偏好,旨在为用户提供个性化的路径推荐结果。在本申请可选实施例中考虑到环境对驾驶行为的影响,还可以结合用户偏好与环境影响,生成综合成本最低的路由(所述路由是由路段组成的有向边)推荐给用户。
在本申请中主要公开了两部分内容,分别为:偏好学习组件和利用所述偏好学习组件进行路径推荐的方法(与路径推荐组件所涉及的方法实质上相同)。其中,上述两部分内容可以组合使用,也可以单独使用,均在本申请的保护范围内。下面以具体实施例的形式详细介绍本申请的内容,具体地:
图1是根据本发明实施例的一种路径推荐的方法的主要流程的示意图,如图1所示,
步骤S101、对起点和终点的地理位置进行分析(Geospatial analytics),确定所述起点和终点分别对应的匹配路段;
步骤S102、根据偏好学习组件,确定综合偏好权重(reward database);
步骤S103、根据所述匹配路段和所述综合偏好权重,生成推荐路径(routegeneration);
其中,所述路径由至少一个路段组成。
上述步骤通过先确定起点、终点对应推荐路径的路段和对应的偏好进行推荐路径的技术手段,避免了采用现有技术推荐的路径不可用、开销大、无视用户的偏好的技术缺陷,进而使得推荐的路径更符合用户个性化的需求,并且大大节省了进行路径推荐的成本的技术效果。
图2是根据本发明实施例的确定所述起点和终点分别对应的匹配路段的示意图。如图2所示,在实际应用中,可以采用R-Tree存储整个路网的结构关系。在执行步骤S101时,可以由上至下遍历R-Tree,根据包含所述起点和终点的路网结构关系,确定起点和终点分别对应的最小边界框(MBB,Minimum Bounding Box)。将最小边界框中包含的路段,即为起点或终点的邻近路段,作为用于路由查询起点或终点的匹配路段。通过在最小边框中确定匹配路径的技术手段,使得在短时间内高效地确定匹配的路段。
具体地,在图2中体现为:先确定起点A和终点B,然后确定起点A和终点B分别对应的最小边界框;最后再确定所述最小边界框中的邻近路段最为匹配路段。
实际的场景中,例如,当用户在乘坐出租车时,可以选择与起点或终点随在位置的最近的路段上车,进而达到提高用户体验、减少用户到指定上车位置的时间,进而缩短从起点到达终点所花费的时间的技术效果。
其中,上述路网的结构关系可以采用其他存储方式进行存储,在此不做限定,仅以R-Tree为具体实施方式进行说明。
在实际应用中,待推荐路段的起点或终点对应的最小边界框的个数可能存在多个的状况。故在确定起点或终点的匹配路段时,可以先判断最小边界框的个数,在确定所述个数为大于一个,则选择所述起点或终点与所述最小边界框中垂线距离最短的邻近路段作为匹配路段。通过设置垂线距离最短的邻近路段作为匹配路段的技术手段,使得当存在多个与起点或终点对应的邻近路段时,帮助用户选择出最为邻近路段作为匹配路段。
在步骤S102中,所述偏好学习组件可以为预先生成的、用于路径推荐的组件,在所述偏好学习组件中存储不同环境和/或不同类别用户的偏好向量。通过调用所述偏好学习组件,就可以根据所述起点和终点生成相应的综合偏好权重用于路径推荐。
在所述偏好学***均密度状况等。
在所述偏好学习组件中,还可以维护关于用户因素的数据表。具体地,关于用户因素的数据表可以包括:通用用户表和特殊用户表。
在通用用户表中,记载用户的通用偏好。所述通用用户表可以用于冷启动用户或用户满意度一直很高的用户。
当用户的偏好发生变化才会在所述特殊用户表中***一条更新的偏好数据,记录该用户不同于其他类别用户的独特偏好。
在生成综合偏好权重时,需要先根据偏好学习组件中关于环境因素的数据表,确定环境因素系数;根据偏好学习组件中关于用户因素的数据表,确定用户因素系数,按照一定的权重生成综合偏好权重。具体地,所述综合偏好权重的表达式为:
α=ω1α1+ω2α2
其中,α为综合偏好权重;α1为环境因素系数;α2为用户因素系数;ω1和ω2为默认值,且ω1=0.3,ω2=0.7。
在步骤S103中,其具体实施方式可以为:
首先,在路网中确定与本次生成推荐路径的路段生成的子图,也就是确定所述起点和终点分别对应匹配路段的相关区域。
具体地,确定一个同时包含起始路段与终止路段的最小边界框,并根据所述最小边界框向其四周扩张原最小边框大小预设比例,记做相关区域。所述相关区域在图2所对应实施例为黑色实线对应的区域。
再根据存储路网的R-tree确定在所述相关区域内的最小边界框,所述最小边界框内的路段即为参与确定推荐路径的相关路段。
最后,可以根据所述综合偏好权重,计算所述最小边界框中路段的权重;根据所述路段的端点,建立邻接矩阵;其中,矩阵中的元素为路段的权重;根据所述邻接矩阵,利用最短路径算法生成推荐路径。若一些路段所占的权重非常小,则可以将其权重设置为0。
在一些可选实施例中采用最短路径算法计算得分最高的路由,可能会导致用户为提高得分而绕路。但是过多绕路会将资源过多消耗在路段上,同时还会影响车辆速度,油耗等。故,可选地,利用新的路径奖励辅助生成推荐路径。
具体地,可以采用下式来削弱绕路路由的奖励:
其中,len(ri)表示路径ri的长度;mean(len(R))表示路径的平均长度;reward(ri)表示路径的原始奖励;newreward(ri)表示路径ri的新奖励。
具体地,所述新的路径奖励的计算方法为:
比较推荐路径长度与平均路径长度的大小;
若推荐路径长度大于平均路径长度,则原始的路径奖励即为新的路径奖励;
若推荐路径长度小于平均路径长度,则将推荐路径的长度与平均路径的长度的比值,与原始的路径奖励的乘积,作为新的路径奖励。
图3是根据本发明实施例的新的路径奖励对应的示意图。
如图3所示,路径ab的距离为:len(r_ab)=500,reward(r_ab)=20
路径a-c-d-e-b的距离为路段几个路段的和,其中,len(r_ac)=100,len(r_cd)=200,len(r_de)=150,len(r_ef)=250。其和为len(r_acdeb)=700。reward(r_acdeb)=reward(r_ac)+reward(r_cd)+reward(r_de)+reward(r_eb)=12+8+5+5=20。
其中,所述新的路径奖励的计算方法为19.97。
在该实施例中,通过上述新的计算路径奖励的方法可以减弱用户因绕路产生的不公平的奖励机制,进而达到更准确地推荐路径的技术效果。
在实际应用中,可以将已经提供给用户的推荐路径同步至偏好学习组件,进而提高所述偏好学习组件使用准确率的技术效果。具体地,可以维护一个数据库,也可以称为经验池。所述经验池可以按照预设时间段进行分区。可选地,按照月份分区、按照周分区便于更新偏好学习组件。
所述经验池可以包含一个数据结构与打分器,所述打分器用于评估推荐结果的好坏。所述打分指标包含:所述起点和终点的历史推荐路径和对应的实际历史轨迹之间的重叠率,和所述起点和终点的历史推荐的路径和对应的实际历史轨迹之间的相似度。实际应用中可以根据上述指标的情况定期更新偏好学习组件。打分器在对真实轨迹进行轨迹预处理后起效,此时轨迹经过路网匹配已经变成了一条路由。
所述重叠率可以用于评估推荐结果对用户决策的影响,具体地,所述重叠率的计算公式为:
其中,score_a表示重叠率;count(Rrecom)表示推荐路由的总路段数;count(Rrecom∧Rreal)表示用户实际采用的路由中所包含推荐路由的路段数。
余弦相似度指用户实际采用的路由与推荐路由的特征期望向量的余弦相似度,用于表明当前用户的偏好与其真实偏好的匹配度,计算公式如下:
当两个指标在一定时间内(默认时间为一个月,这也是我们经验池按月分区的原因)持续低于预设值(例如0.5),则利用该用户的历史轨迹对其偏好学习组件进行更新,若偏好库的用户表中未收录该用户偏好,则***至偏好学习组件。
图4是根据本发明实施例的路径推荐的方法的具体流程的示意图;如图4所示,
首先,对所示起点和终点所在的地理环境进行分析,将分析的结果进行下一步操作;
然后,根据所述分析结果,调用偏好学习组件,确定综合偏好权重;其中,包括:对所述分析结果进行环境匹配、用户匹配,并且结合奖励数据库得到综合偏好权重;
再后,根据上述综合偏好权重生成路径推荐,其中所述路径推荐包含:子图提取步骤和路由生成的步骤。在此步骤就完成了生成路径推荐。
最后,将生成的路径推荐反馈经验池,进而方便对此次路径推荐打分,对偏好学习组件进行更新,进而方便以后更准确地推荐路径。
下面就本申请公开的关于“偏好学习组件”的内容做进一步的说明。下面以一具体实施例的方式进行说明。
图5是根据本发明实施例的一种生成偏好学习组件的主要流程的示意图,如图5所示,包括如下步骤:
步骤S501、将历史轨迹进行预处理操作;
步骤S502、根据所述预处理后的历史轨迹,建立偏好模型;
步骤S503、根据个性化偏好更新所述偏好模型(Personalized preferencelearning),生成偏好学习组件。
其中,通过上述步骤生成的偏好学习组件主要用于通过历史轨迹学习到用户的驾驶偏好,进而方便后续为用户推荐路径。当上述步骤用于路径推荐的方法时,可以用于步骤“根据偏好学习组件,确定综合偏好权重”之前。
所述步骤S501所指出的对历史轨迹进行预处理的操作(trajectorypreprocessing)主要包括:对历史轨迹进行清洗、划分和维护的操作。通过在数据结构保存历史轨迹,进而方便在后续建模时可以快速的响应数据调用的操作。具体地,将历史轨迹进行预处理操作,可以包括:
根据时间、空间和/或运动学模型约束条件,对历史轨迹进行数据清洗;
根据数据清洗后的历史轨迹,划分为子轨迹;
根据所述子轨迹和所述子轨迹的起始时间,建立索引结构。
其中,对历史轨迹进行数据清洗(trajectory cleaning)的过程主要利用时间约束条件、空间约束条件与运动学模型约束条件,去除由于城市峡谷、天气等原因造成的定位误差。
具体地,所述数据清洗的过程可以包括但不限于以下至少之一维度的操作:
在时间维度上:将在预设时间间隔的轨迹位置存在异常的历史轨迹去除;
在空间维度上:根据最小外接矩形(MBR,Minimum bounding rectangle)生成的空间约束条件,进而限定了历史轨迹的最短距离,将存在异常的历史轨迹去除;
在运动学模型的维度上:根据预设轨迹的最大速度生成运动学模型约束条件,当历史轨迹上某点的速度大于预设最大速度阈值时,就可以将存在异常的历史轨迹去除。
通过上述对历史轨迹进行数据清洗的步骤,可以得到过滤和通过将异常位置的两侧进行分段进而达到对历史轨迹进行粗分段的技术效果。
关于将历史轨迹划分为子轨迹的步骤主要涉及两个部分:判断在行车过程中是否存在乘客和/或根据历史轨迹所携带的信息进行分析,确定其隐层语义进行分段。
所述“隐层语义部分”是指按照停留点对历史轨迹进行分割。每个停留点所对应的实际含义可能存在不同,例如当乘客乘车时,车辆需要停留,当曾可下车时,车辆还需要停留一段时间。在本申请中,具体地,无需知道停留点产生的原因,即可对历史轨迹进行划分。
具体地,根据数据清洗后的历史轨迹,划分为子轨迹,包括:
判断所述清洗后的历史轨迹对应的车辆中是否存在乘客;
若是,则将所述清洗后的历史轨迹按照乘客乘坐所述车辆的时间点进行划分。
在划分子轨迹的过程中,也可以对历史轨迹进行分析,进而方便得到子轨迹。具体地,可以采用如下步骤:
可以通过扫描的方式,确定所述清洗后的历史轨迹中的第一控制点;根据循环迭代的方式停留点的位置。
具体地,判断所述第一控制点是否为停留点;
若是,则判断所述第一控制点邻近的第二控制点中是否为停留点;若是,则将所述第二控制点作为新的第一控制点进行循环判断操作;
将所述循环判断得到的连续的停留点进行组合,生成停留点簇;
根据所述停留点簇的两端对所述清洗后的历史轨迹分段,生成子轨迹。
在该实施例中通过判断停留点的技术手段,可以达到更准确地划分历史轨迹的技术效果。下面的步骤详细公开了判断第一控制点是否为停留点的步骤:
判断第一控制点与第二控制点之间的时间间隔是否小于预设时间间隔阈值、空间间隔是否小于预设空间间隔阈值;
若所述时间间隔小于预设时间间隔阈值,且空间间隔不小于预设空间间隔阈值,则所述第一控制点为停留点。
所述建立索引结构(index construction)其目的是将所有划分好的子轨迹按照车辆与轨迹起始时间建立索引以便后续进行统一管理与检索。
所述步骤S502的目的在于建立偏好模型,进而方便在生成推荐路径的过程中利用偏好模型将路网转化为路由。其中,所述偏好模型是由路由、动作决策表和状态转移概率组合得到的。所述偏好模型可选为马尔可夫决策过程模型(MDP modeling)。
下面以一具体示实例详细说明建立偏好模型的过程:
首先,将预处理后的历史轨迹通过路网匹配算法,转换成有方向的路由。该步骤也称为路网匹配(map matching),其目的在于将划分好的子轨迹映射到相应路段上。其中,执行路网匹配的算法可以包括但不限于ST-MM算法。
其次,将预处理后的历史轨迹通过动作匹配算法,生成路口处的动作决策表;该步骤也称为动作匹配(action matching),其目的在于基于几何的动作匹配用户的动作。例如,在城市中,根据路网的几何特征,可以将路口的驾驶动作分成五种:直行,转弯,急转弯(包括左右急转弯);较复杂的动作如通过U型路,立交转向等都可以通过以上的动作组合得到。
其中,动作决策表中的动作决策的生成步骤,包括:
确定预处理后的历史轨迹中的第一路段ri与其相邻的第二路段ri+之间的夹角angle(ri,ri+1);
判断所述夹角与预设第一夹角、预设第二夹角之间的关系;
若所述夹角小于所述预设第一夹角,则所述确定所述动作决策为直行;若所述夹角大于所述预设第二夹角,则所述确定所述动作决策为急转弯;若所述夹角大于所述预设第一夹角、小于所述预设第二夹角,则所述确定所述动作决策为转弯。
具体地,图6为是根据本发明实施例的确定动作决策的示意图。如图6所示,当所述预设第一夹角为10°、预设第二夹角为65°时,第一路段ri与其相邻的第二路段ri+1之间的夹角angle(ri,ri+1)<10,对应动作决策为直行;如果10≤angle(ri,ri+1)<65,对应动作决策为转弯;如果angle(ri,ri+1)≥65,对应动作决策为急转弯。
图7(a)、图7(b)、图7(c)为是根据本发明实施例的确定动作决策的实际应用中的示意图。如图7(a)、图7(b)、图7(c)所示,
图7(a)中angle(ri,ri+1)<10,故该动作决策为直行;
图7(b)中angle(ri,ri+1)<10,故该动作决策为转弯;
图7(c)中angle(ri,ri+1)≥65,故该动作决策为急转弯。
最后,建立偏好模型还需要计算路口的状态转移概率。所述状态转移概率计算(state transition probability calculation)的目的在于更方便、更准确地为用户推荐路径。
具体地,根据所述路由和所述动作决策表,计算所述路口的状态转移概率,包括:
将动作决策相同的项合并,计算动作决策的频次和;
对于真实路网而言,所述路段情况包括:单向路段和双向路段;其中,单向路只能在尾端到达其他路段;双向路首尾两段都可以到达其他路段,也就是从双向路到达其他路段的概率由两端节点分别占有的。故需要确定动作决策前的路段情况和动作决策后的路段情况;
然后,根据所述路段情况,计算所述路口的状态转移概率。
图8为是根据本发明实施例的计算状态转移概率的示意图。如图8所示,从单向路b到达其他路段,则只能通过其尾端节点出发。从路段b到达路段c的概率应该为:
其中,P(c|b.end)表示路段b到达路段c的概率;count(c|b.end)表示从b到c的频次;∑count(b.end)表示从b的尾端到所有路段的频次和。
对于双向路a,从路段a到达路段c的概率应为:
其中,P(c|a.end)表示从路段a到达路段c的概率;∑count(a.start)+∑count(a.end)表示从路段a的首段到所有路段的频次和加从路段a的尾段到所有路段的频次和;∑count(a.start)表示从a到c的频次比。
由于每个用户的偏好可能存在不相同,例如有的用户比较喜欢在高速路上行驶,而有的用户更偏好避免高速路段。并且,在不同的天气情况对用户的选择也有一定的影响,例如,雨天更多用户更偏好高速路段,避免路况不好、岔路口较多的路段。故,在本申请的可选实施例中在所述步骤S503中可以利用个性化偏好更新所述偏好模型(Personalizedpreference learning),生成偏好学习组件。
具体地,可以基于环境进行个性化偏好更新,例如,天气、驾驶时间(是否为高峰时段)和是否在工作日等外界因素有较大关系。故在实际应用中,可选地,按照天气与时段的组合将历史轨迹分成四个部分,分别是恶劣天气-非高峰时段,恶劣天气-高峰时段,非恶劣天气-非高峰时段,非恶劣天气-高峰时段。分别输入偏好学习组件,进而得到上述四种环境下的驾驶偏好。
也可以基于用户进行个性化偏好更新。由于不同用户的驾驶偏好往往会体现出差异,在相同的环境与旅行需求下仍会表现出不同的路由。为了满足用户的异质性,可以将历史轨迹按照用户的相似度进行采样,使用余弦距离的方法衡量用户特征的相似度,记做β,其中,用户特征越相似β越大。可以将用户按照各自特征进行聚类,聚类时设置各个簇的最大半径。得到各个簇后,按照簇中各用户距离中心距离的倒数1/β,从用户的经验池中选取相应比例的历史轨迹输入模型得到各类用户的偏好向量。
图9是根据本发明实施例的生成偏好学习组件的具体流程的示意图;如图9所示,包括:
首先、对历史轨迹进行预处理;其中,包括:历史轨迹的清洗、对清洗后的历史轨迹换分子轨迹、根据所述子轨迹建立索引结构;
然后、根据所述预处理后的历史轨迹建立偏好模型;其中,包括:路网匹配、动作匹配和状态转移概率的计算过程;
最后、根据路网中提取的特征工程得到环境偏好因素和所述偏好模型,进而可以得到个性化偏好学习组件;
其中,可以根据路径奖励对上述偏好学习组件进行更新。
图10是根据本发明实施例的一种路径推荐的装置1000的主要模块的示意图,包括:
匹配路段确定模块1001,用于对起点和终点的地理位置进行分析,确定所述起点和终点分别对应的匹配路段;
综合偏好权重确定模块1002,用于根据偏好学习组件,确定综合偏好权重;
推荐路径生成模块1003,用于根据所述匹配路段和所述综合偏好权重,生成推荐路径;
其中,所述路径由至少一个路段组成。
可选地,对起点和终点的地理位置进行分析,确定所述起点和终点分别对应的匹配路段,包括:
根据包含所述起点和终点的路网结构关系,确定起点和终点分别对应的最小边界框;
对于所述起点和终点,分别确定对应的最小边界框中的邻近路段,并将所述邻近路段作为匹配路段。
可选地,对于所述起点和终点,分别确定对应的最小边界框中的邻近路段,并将所述邻近路段作为匹配路段,包括:
对于所述起点或终点,判断最小边界框的个数;
若所述个数为大于一个,则选择所述起点或终点与所述最小边界框中邻近路段垂线距离最短的邻近路段作为匹配路段。
可选地,根据偏好学习组件,确定综合偏好权重,包括:
根据所述偏好学习组件,确定所述起点和/或终点的环境因素系数和用户偏好因素系数;
根据所述环境因素系数和/或用户偏好因素系数,确定综合偏好权重;
其中,用户偏好因素系数存储在所述偏好学习组件中的通用用户表和特殊用户表。
可选地,根据所述匹配路段和所述综合偏好权重,生成推荐路径,包括:
确定所述起点和终点分别对应匹配路段的相关区域;
确定包含所述起点和终点对应相关区域的最小边界框;
根据所述综合偏好权重,计算所述最小边界框中路段的权重;
根据所述路段的端点,建立邻接矩阵;其中,矩阵中的元素为路段的权重;
根据所述邻接矩阵,利用最短路径算法生成推荐路径。
可选地,根据所述邻接矩阵,利用最短路径算法生成推荐路径,包括:新的路径奖励模块,用于利用新的路径奖励辅助生成推荐路径;
其中,所述新的路径奖励的计算方法包括:
比较推荐路径长度与平均路径长度的大小;
若推荐路径长度大于平均路径长度,则原始的路径奖励即为新的路径奖励;
若推荐路径长度小于平均路径长度,则将推荐路径的长度与平均路径的长度的比值,与原始的路径奖励的乘积,作为新的路径奖励。
可选地,包括:偏好学习组件生成模块,用于根据偏好学习组件,确定综合偏好权重之前,
将历史轨迹进行预处理操作;
根据所述预处理后的历史轨迹,建立偏好模型;
根据个性化偏好更新所述偏好模型,生成偏好学习组件。
可选地,将历史轨迹进行预处理操作,包括:
根据时间、空间和/或运动学模型约束条件,对历史轨迹进行数据清洗;
根据数据清洗后的历史轨迹,划分为子轨迹;
根据所述子轨迹和所述子轨迹的起始时间,建立索引结构。
可选地,根据时间、空间和/或运动学模型约束条件,对历史轨迹进行数据清洗,包括:
执行以下至少之一操作:
将在预设时间间隔的轨迹位置存在异常的历史轨迹去除;
根据最小外接矩形生成的空间约束条件,将存在异常的历史轨迹去除;
根据预设轨迹的最大速度生成运动学模型约束条件,将存在异常的历史轨迹去除。
可选地,根据数据清洗后的历史轨迹,划分为子轨迹,包括:
判断所述清洗后的历史轨迹对应的车辆中是否存在乘客;
若是,则将所述清洗后的历史轨迹按照乘客乘坐所述车辆的时间点进行划分。
可选地,根据数据清洗后的历史轨迹,划分为子轨迹,还包括:
确定所述清洗后的历史轨迹中的第一控制点;
判断所述第一控制点是否为停留点;
若是,则判断所述第一控制点邻近的第二控制点中是否为停留点;若是,则将所述第二控制点作为新的第一控制点进行循环判断操作;
将所述循环判断得到的连续的停留点进行组合,生成停留点簇;
根据所述停留点簇的两端对所述清洗后的历史轨迹分段,生成子轨迹。
可选地,判断所述第一控制点是否为停留点,包括:
判断第一控制点与第二控制点之间的时间间隔是否小于预设时间间隔阈值、空间间隔是否小于预设空间间隔阈值;
若所述时间间隔小于预设时间间隔阈值,且空间间隔不小于预设空间间隔阈值,则所述第一控制点为停留点。
可选地,根据所述预处理后的历史轨迹,建立偏好模型,包括:
将预处理后的历史轨迹通过路网匹配算法,转换成有方向的路由;
将预处理后的历史轨迹通过动作匹配算法,生成路口处的动作决策表;
根据所述路由和所述动作决策表,计算所述路口的状态转移概率;
根据所述路由、动作决策表和状态转移概率,建立偏好模型;
其中,所述路段的端点为路口。
可选地,将预处理后的历史轨迹通过动作匹配算法,生成路口处的动作决策表,包括:
确定预处理后的历史轨迹中的第一路段与其相邻的第二路段之间的夹角;
判断所述夹角与预设第一夹角、预设第二夹角之间的关系;
若所述夹角小于所述预设第一夹角,则所述确定所述动作决策为直行;若所述夹角大于所述预设第二夹角,则所述确定所述动作决策为急转弯;若所述夹角大于所述预设第一夹角、小于所述预设第二夹角,则所述确定所述动作决策为转弯;
根据所述动作决策生成动作决策表。
可选地,根据所述路由和所述动作决策表,计算所述路口的状态转移概率,包括:
将动作决策相同的项合并,计算动作决策的频次和;
确定动作决策前的路段情况和动作决策后的路段情况;其中,所述路段情况包括:单向路段和双向路段;
根据所述路段情况,计算所述路口的状态转移概率。
可选地,根据偏好学习组件,确定综合偏好权重之前,包括:
确定所述起点和终点的历史推荐路径和对应的实际历史轨迹之间的重叠率;
确定所述起点和终点的历史推荐的路径和对应的实际历史轨迹之间的相似度;
根据所述重叠率和所述相似度,对偏好学习组件进行更新。
图11是根据本发明实施例的一种偏好学习组件生成的装置1100的主要模块的示意图,包括:
预处理操作模块1101,用于将历史轨迹进行预处理操作;
偏好模型建立模块1102,用于根据所述预处理后的历史轨迹,建立偏好模型;
偏好学习组件生成模块1103,用于根据个性化偏好更新所述偏好模型,生成偏好学习组件。
图12是根据本发明实施例的一种路径推荐的***的示意图;如图12所示,包括:路径推荐的装置和偏好学习组件生成的装置;
所述路径推荐的装置,包括匹配路段确定模块、综合偏好权重确定模块和推荐路径生成模块;所述偏好学习组件生成的装置,包括:预处理操作模块、偏好模型建立模块、偏好学习组件生成模块;
其中,匹配路段确定模块,用于对起点和终点的地理位置进行分析,确定所述起点和终点分别对应的匹配路段;
综合偏好权重确定模块,用于调用偏好学习组件,确定综合偏好权重;
推荐路径生成模块,用于根据所述匹配路段和所述综合偏好权重,生成推荐路径;其中,所述路径由至少一个路段组成;
预处理操作模块,用于将历史轨迹进行预处理操作;
偏好模型建立模块,用于根据所述预处理后的历史轨迹,建立偏好模型;
偏好学习组件生成模块,用于根据个性化偏好更新所述偏好模型,生成偏好学习组件。
图13示出了可以应用本发明实施例的信息推送方法或信息推送装置的示例性***架构1300。
如图13所示,***架构1300可以包括终端设备1301、1302、1303,网络1304和服务器1305。网络1304用以在终端设备1301、1302、1303和服务器1305之间提供通信链路的介质。网络1304可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备1301、1302、1303通过网络1304与服务器1305交互,以接收或发送消息等。终端设备1301、1302、1303上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备1301、1302、1303可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器1305可以是提供各种服务的服务器,例如对用户利用终端设备1301、1302、1303所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的信息推送方法一般由服务器1305执行,相应地,信息推送装置一般设置于服务器1305中。
应该理解,图13中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图14,其示出了适于用来实现本发明实施例的终端设备的计算机***1400的结构示意图。图14示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图14所示,计算机***1400包括中央处理单元(CPU)1401,其可以根据存储在只读存储器(ROM)1402中的程序或者从存储部分1408加载到随机访问存储器(RAM)1403中的程序而执行各种适当的动作和处理。在RAM 1403中,还存储有***1400操作所需的各种程序和数据。CPU 1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。
以下部件连接至I/O接口1405:包括键盘、鼠标等的输入部分1406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1407;包括硬盘等的存储部分1408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1409。通信部分1409经由诸如因特网的网络执行通信处理。驱动器1410也根据需要连接至I/O接口1405。可拆卸介质1411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1410上,以便于从其上读出的计算机程序根据需要被安装入存储部分1408。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1409从网络上被下载和安装,和/或从可拆卸介质1411被安装。在该计算机程序被中央处理单元(CPU)1401执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:对起点和终点的地理位置进行分析,确定所述起点和终点分别对应的匹配路段;
根据偏好学习组件,确定综合偏好权重;
根据所述匹配路段和所述综合偏好权重,生成推荐路径。
根据本发明实施例的技术方案,可以达到如下有益效果:
本申请通过先确定起点终点对应推荐路径的路段和对应的偏好进行推荐路径的技术手段,避免了采用现有技术推荐的路径不可用、开销大、无视用户的偏好的技术缺陷,进而使得推荐的路径更符合用户个性化的需求,并且大大节省了进行路径推荐的成本。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (18)
1.一种路径推荐的方法,其特征在于,包括:
对起点和终点的地理位置进行分析,确定所述起点和终点分别对应的匹配路段;
根据偏好学习组件,确定综合偏好权重;
根据所述匹配路段和所述综合偏好权重,生成推荐路径;
其中,所述路径由至少一个路段组成;
根据所述匹配路段和所述综合偏好权重,生成推荐路径,包括:
确定所述起点和终点分别对应匹配路段的相关区域;
确定包含所述起点和终点对应相关区域的最小边界框;
根据所述综合偏好权重,计算所述最小边界框中路段的权重;
根据所述路段的端点,建立邻接矩阵;其中,矩阵中的元素为路段的权重;
根据所述邻接矩阵,利用最短路径算法生成推荐路径。
2.根据权利要求1所述的方法,其特征在于,对起点和终点的地理位置进行分析,确定所述起点和终点分别对应的匹配路段,包括:
根据包含所述起点和终点的路网结构关系,确定起点和终点分别对应的最小边界框;
对于所述起点和终点,分别确定对应的最小边界框中的邻近路段,并将所述邻近路段作为匹配路段。
3.根据权利要求2所述的方法,其特征在于,对于所述起点和终点,分别确定对应的最小边界框中的邻近路段,并将所述邻近路段作为匹配路段,包括:
对于所述起点或终点,判断最小边界框的个数;
若所述个数为大于一个,则选择所述起点或终点与所述最小边界框中邻近路段垂线距离最短的邻近路段作为匹配路段。
4.根据权利要求1所述的方法,其特征在于,根据偏好学习组件,确定综合偏好权重,包括:
根据所述偏好学习组件,确定所述起点和/或终点的环境因素系数和用户偏好因素系数;
根据所述环境因素系数和/或用户偏好因素系数,确定综合偏好权重;
其中,用户偏好因素系数存储在所述偏好学习组件中的通用用户表和特殊用户表。
5.根据权利要求1所述的方法,其特征在于,根据所述邻接矩阵,利用最短路径算法生成推荐路径,包括:
利用新的路径奖励辅助生成推荐路径;
其中,所述新的路径奖励的计算方法包括:
比较推荐路径长度与平均路径长度的大小;
若推荐路径长度大于平均路径长度,则原始的路径奖励即为新的路径奖励;
若推荐路径长度小于平均路径长度,则将推荐路径的长度与平均路径的长度的比值,与原始的路径奖励的乘积,作为新的路径奖励。
6.根据权利要求1所述的方法,其特征在于,根据偏好学习组件,确定综合偏好权重之前,包括:
将历史轨迹进行预处理操作;
根据所述预处理后的历史轨迹,建立偏好模型;
根据个性化偏好更新所述偏好模型,生成偏好学习组件。
7.根据权利要求6所述的方法,其特征在于,将历史轨迹进行预处理操作,包括:
根据时间、空间和/或运动学模型约束条件,对历史轨迹进行数据清洗;
根据数据清洗后的历史轨迹,划分为子轨迹;
根据所述子轨迹和所述子轨迹的起始时间,建立索引结构。
8.根据权利要求7所述的方法,其特征在于,根据时间、空间和/或运动学模型约束条件,对历史轨迹进行数据清洗,包括:
执行以下至少之一操作:
将在预设时间间隔的轨迹位置存在异常的历史轨迹去除;
根据最小外接矩形生成的空间约束条件,将存在异常的历史轨迹去除;
根据预设轨迹的最大速度生成运动学模型约束条件,将存在异常的历史轨迹去除。
9.根据权利要求7所述的方法,其特征在于,根据数据清洗后的历史轨迹,划分为子轨迹,包括:
根据所述清洗后的历史轨迹对应的车辆中是否存在乘客,对所述历史轨迹进行自然分段;
根据隐层语义划分机制,将所述自然分段的结果,划分为子轨迹。
10.根据权利要求7所述的方法,其特征在于,根据数据清洗后的历史轨迹,划分为子轨迹,还包括:
确定所述清洗后的历史轨迹中的第一控制点;
判断所述第一控制点是否为停留点;
若是,则判断所述第一控制点邻近的第二控制点中是否为停留点;若是,则将所述第二控制点作为新的第一控制点进行循环判断操作;
将所述循环判断得到的连续的停留点进行组合,生成停留点簇;
根据所述停留点簇的两端对所述清洗后的历史轨迹分段,生成子轨迹。
11.根据权利要求10所述的方法,其特征在于,判断所述第一控制点是否为停留点,包括:
判断第一控制点与第二控制点之间的时间间隔是否小于预设时间间隔阈值、空间间隔是否小于预设空间间隔阈值;
若所述时间间隔小于预设时间间隔阈值,且空间间隔不小于预设空间间隔阈值,则所述第一控制点为停留点。
12.根据权利要求7所述的方法,其特征在于,根据所述预处理后的历史轨迹,建立偏好模型,包括:
将预处理后的历史轨迹通过路网匹配算法,转换成有方向的路由;
将预处理后的历史轨迹通过动作匹配算法,生成路口处的动作决策表;
根据所述路由和所述动作决策表,计算所述路口的状态转移概率;
根据所述路由、动作决策表和状态转移概率,建立偏好模型;
其中,所述路段的端点为路口。
13.根据权利要求12所述的方法,其特征在于,将预处理后的历史轨迹通过动作匹配算法,生成路口处的动作决策表,包括:
确定预处理后的历史轨迹中的第一路段与其相邻的第二路段之间的夹角;
判断所述夹角与预设第一夹角、预设第二夹角之间的关系;
若所述夹角小于所述预设第一夹角,则所述确定所述动作决策为直行;若所述夹角大于所述预设第二夹角,则所述确定所述动作决策为急转弯;若所述夹角大于所述预设第一夹角、小于所述预设第二夹角,则所述确定所述动作决策为转弯;
根据所述动作决策生成动作决策表。
14.根据权利要求12所述的方法,其特征在于,根据所述路由和所述动作决策表,计算所述路口的状态转移概率,包括:
将动作决策相同的项合并,计算动作决策的频次和;
确定动作决策前的路段情况和动作决策后的路段情况;其中,所述路段情况包括:单向路段和双向路段;
根据所述路段情况,计算所述路口的状态转移概率。
15.根据权利要求6-14中任一项所述的方法,其特征在于,根据偏好学习组件,确定综合偏好权重之前,包括:
确定所述起点和终点的历史推荐路径和对应的实际历史轨迹之间的重叠率;
确定所述起点和终点的历史推荐的路径和对应的实际历史轨迹之间的相似度;
根据所述重叠率和所述相似度,对偏好学习组件进行更新。
16.一种路径推荐的装置,其特征在于,包括:
匹配路段确定模块,用于对起点和终点的地理位置进行分析,确定所述起点和终点分别对应的匹配路段;
综合偏好权重确定模块,用于根据偏好学习组件,确定综合偏好权重;
推荐路径生成模块,用于根据所述匹配路段和所述综合偏好权重,生成推荐路径;
其中,所述路径由至少一个路段组成;
可选地,根据所述匹配路段和所述综合偏好权重,生成推荐路径,包括:
确定所述起点和终点分别对应匹配路段的相关区域;
确定包含所述起点和终点对应相关区域的最小边界框;
根据所述综合偏好权重,计算所述最小边界框中路段的权重;
根据所述路段的端点,建立邻接矩阵;其中,矩阵中的元素为路段的权重;
根据所述邻接矩阵,利用最短路径算法生成推荐路径。
17.一种路径推荐的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-15中任一所述的方法。
18.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-15中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900968.2A CN110647693B (zh) | 2019-09-23 | 2019-09-23 | 路径推荐的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900968.2A CN110647693B (zh) | 2019-09-23 | 2019-09-23 | 路径推荐的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647693A CN110647693A (zh) | 2020-01-03 |
CN110647693B true CN110647693B (zh) | 2021-03-05 |
Family
ID=68992549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910900968.2A Active CN110647693B (zh) | 2019-09-23 | 2019-09-23 | 路径推荐的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647693B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021236006A1 (en) | 2020-05-19 | 2021-11-25 | Grabtaxi Holdings Pte. Ltd. | Route deviation quantification and vehicular route learning based thereon |
CN111859183A (zh) * | 2020-06-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种上车点推荐方法、***、装置及存储介质 |
CN111970492B (zh) * | 2020-08-17 | 2021-05-11 | 驴迹科技集团有限公司 | 一种智能旅游景区监测方法 |
CN111949891B (zh) * | 2020-10-09 | 2021-06-15 | 广州斯沃德科技有限公司 | 一种基于车辆轨迹聚类的个性化信息推荐方法及*** |
CN113222228A (zh) * | 2021-04-28 | 2021-08-06 | 广州宸祺出行科技有限公司 | 一种基于用户画像的行程路线的推荐方法及*** |
CN114218288B (zh) * | 2021-11-09 | 2022-09-23 | 北京中交兴路车联网科技有限公司 | 一种行车路线推荐方法、装置、存储介质及终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940829A (zh) * | 2017-04-28 | 2017-07-11 | 兰州交通大学 | 一种车联网环境下的个性化路径推荐方法 |
CN109612488A (zh) * | 2018-12-26 | 2019-04-12 | 东北大学 | 基于大数据微服务的混合出行方式路径规划***及方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9064017B2 (en) * | 2011-06-01 | 2015-06-23 | D2L Corporation | Systems and methods for providing information incorporating reinforcement-based learning and feedback |
CN103837154B (zh) * | 2014-03-14 | 2017-01-04 | 北京工商大学 | 路径规划的方法及*** |
US10648823B2 (en) * | 2017-06-22 | 2020-05-12 | Aeris Communications, Inc. | Learning common routes and automatic geofencing in fleet management |
CN106095802B (zh) * | 2016-05-31 | 2019-08-09 | 南京邮电大学 | 城市路网上基于r树的全时态移动对象索引方法 |
CN106096756A (zh) * | 2016-05-31 | 2016-11-09 | 武汉大学 | 一种城市交通路网动态实时多路口路径选择方法 |
CN106779204B (zh) * | 2016-12-08 | 2021-02-09 | 电子科技大学 | 一种个性化路径推荐的方法及装置 |
CN106931986A (zh) * | 2017-04-26 | 2017-07-07 | 电子科技大学 | 个性化路径导航方法和*** |
CN107943362B (zh) * | 2017-11-17 | 2021-03-30 | 深圳天珑无线科技有限公司 | 移动终端的用户界面显示方法以及装置 |
CN108303108B (zh) * | 2017-12-05 | 2020-05-22 | 华南理工大学 | 一种基于车辆历史轨迹的个性化路线推荐方法 |
CN108716920A (zh) * | 2018-01-24 | 2018-10-30 | 上海擎感智能科技有限公司 | 路径推荐方法与导航终端 |
CN108829744B (zh) * | 2018-05-24 | 2021-07-06 | 湖北文理学院 | 一种基于情境要素和用户偏好的旅行方式推荐方法 |
CN109000675B (zh) * | 2018-06-20 | 2021-04-23 | 北京三快在线科技有限公司 | 获取路径信息的方法、装置和电子设备以及存储介质 |
CN109271467B (zh) * | 2018-08-30 | 2022-07-22 | 浙江工业大学 | 一种方向感知的路网移动对象k近邻查询方法 |
CN109918573A (zh) * | 2019-03-28 | 2019-06-21 | 黑龙江大学 | 一种基于位置社交网络的个性化线路推荐***和方法 |
CN110111575B (zh) * | 2019-05-16 | 2020-10-27 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
-
2019
- 2019-09-23 CN CN201910900968.2A patent/CN110647693B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940829A (zh) * | 2017-04-28 | 2017-07-11 | 兰州交通大学 | 一种车联网环境下的个性化路径推荐方法 |
CN109612488A (zh) * | 2018-12-26 | 2019-04-12 | 东北大学 | 基于大数据微服务的混合出行方式路径规划***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110647693A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647693B (zh) | 路径推荐的方法和装置 | |
US10976168B2 (en) | Frequency based transit trip characterizations | |
CN112766607B (zh) | 出行路线的推荐方法、装置、电子设备及可读存储介质 | |
US10520326B2 (en) | Driving route matching method and apparatus, and storage medium | |
CN111489553A (zh) | 一种路线规划方法、装置、设备和计算机存储介质 | |
US10837791B2 (en) | Generating and recommending customized traversal routes | |
JP7334205B2 (ja) | 目的地の予測方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム | |
CN108280132A (zh) | 建立语义图像分割的个性化知识库的方法及*** | |
CN111104599B (zh) | 用于输出信息的方法和装置 | |
Liu et al. | Popular route planning with travel cost estimation | |
CN110657813B (zh) | 优化地图中规划道路的方法和装置 | |
CN111383444B (zh) | 预测路况状态的方法、装置、服务器及存储介质 | |
US20180216948A1 (en) | Route recommendation in map service | |
CN111861178A (zh) | 服务匹配模型的训练方法、服务匹配方法、设备及介质 | |
CN114253975A (zh) | 一种负载感知的路网最短路径距离计算方法及装置 | |
CN113706857B (zh) | 道路通行性的确定方法、装置、设备及存储介质 | |
CN115994726B (zh) | 派送路径调整方法、装置、电子设备和计算机可读介质 | |
CN109344247B (zh) | 用于输出信息的方法和装置 | |
Rodrigues et al. | Hybrid context-aware multimodal routing | |
JP2023027250A (ja) | 道路情報更新方法、装置、電子機器、記録媒体及びコンピュータプログラム | |
US20220101207A1 (en) | Intelligently selecting and providing designated intersection locations for transportation requests | |
CN110458309B (zh) | 一种基于实际路网环境的网约拼车站点选址方法 | |
TW202217242A (zh) | 用於供地理區域中的車輛判定導航輪廓之方法及裝置 | |
CN113741459A (zh) | 确定训练样本的方法和自动驾驶模型的训练方法、装置 | |
Gibas et al. | Bayesian Modelling of Travel Times on the Example of Food Delivery: Part 1-Spatial Data Analysis and Processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200728 Address after: Room 806, 8 / F, Zhongguancun International Innovation Building, Haidian District, Beijing 100080 Applicant after: Beijing Jingdong intelligent city big data research institute Address before: 100086 No.76 Zhichun Road, Haidian District, Beijing, Building No.1, Building No.9, Floor 1-7-5 Applicant before: Jingdong City (Beijing) Digital Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |