CN110823237A - 起点绑路及预测模型获取方法、装置及存储介质 - Google Patents
起点绑路及预测模型获取方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110823237A CN110823237A CN201911016658.0A CN201911016658A CN110823237A CN 110823237 A CN110823237 A CN 110823237A CN 201911016658 A CN201911016658 A CN 201911016658A CN 110823237 A CN110823237 A CN 110823237A
- Authority
- CN
- China
- Prior art keywords
- road
- user
- driving
- pair
- roads
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本申请公开了起点绑路及预测模型获取方法、装置及存储介质,涉及智能交通领域,其中的起点绑路方法可包括:当用户发起驾车导航算路时,将用户所在定位点周围预定范围内的道路确定为候选道路;将每两条不同的候选道路组成一个道路对,任意两个道路对均不相同;针对每个道路对,分别根据当前用户的状态信息以及道路对中的两条候选道路的属性信息,构建出道路对对应的特征,并输入预先训练得到的预测模型,得到预测结果,预测结果中包括从道路对中的两条候选道路中选定的导航起点道路;综合各道路对的预测结果最终确定出导航起点道路。应用本申请所述方案,可提升起点绑路结果的准确性等。
Description
技术领域
本申请涉及计算机应用领域,特别涉及智能交通领域的起点绑路及预测模型获取方法、装置及存储介质。
背景技术
算路功能为驾车导航中的一个重要功能,而算路功能离不开正确的起点绑路,即正确地确定出用户的导航起点的道路。
目前,主要基于用户的定位信息等通过计算距离就近绑路,即将距离最近的道路确定为导航起点道路。但是,在很多情况下,定位信息并不够准确,如在路网密集区域可能会产生一定的漂移,那么就可能导致起点绑路出现问题,如绑反,从而导致用户接收到错误的播报信息,进而可能使用户作出错误的驾驶行为,产生违章等情况。
发明内容
有鉴于此,本申请提供了起点绑路及预测模型获取方法、装置及存储介质。
一种起点绑路方法,包括:
当用户发起驾车导航算路时,将用户所在定位点周围预定范围内的道路确定为候选道路;
将每两条不同的候选道路组成一个道路对,任意两个道路对均不相同;
针对每个道路对,分别根据当前用户的状态信息以及所述道路对中的两条候选道路的属性信息,构建出所述道路对对应的特征,并输入预先训练得到的预测模型,得到预测结果,所述预测结果包括从所述道路对中的两条候选道路中选定的导航起点道路;
综合各道路对的预测结果最终确定出导航起点道路。
根据本申请一优选实施例,所述用户的状态信息包括以下之一或任意组合:所述用户的行驶方向、所述用户所在定位点、所述用户的速度、所述用户所用智能终端的加速度、所述用户所用智能终端的陀螺仪信息、所述用户所用智能终端中用于定位的传感器方向;
所述道路的属性信息包括以下之一或任意组合:道路限速、道路的方向、道路等级、道路的宽度、道路的长度。
根据本申请一优选实施例,所述特征包括以下之一或任意组合:所述用户所在定位点属于所述道路对中的第一道路的概率、所述用户所在定位点属于所述道路对中的第二道路的概率、所述用户所在定位点与所述第一道路的距离、所述用户所在定位点与所述第二道路的距离、所述用户的速度与所述第一道路的道路限速的差值、所述用户的速度与所述第二道路的道路限速的差值、所述用户的行驶方向与所述第一道路的方向差值、所述用户的行驶方向与所述第二道路的方向差值、所述传感器方向与所述第一道路的方向差值、所述传感器方向与所述第二道路的方向差值、所述加速度、所述陀螺仪信息、所述传感器方向、所述第一道路的道路等级、所述第一道路的宽度、所述第一道路的长度、所述第二道路的道路等级、所述第二道路的宽度、所述第二道路的长度。
根据本申请一优选实施例,该方法进一步包括:获取所述用户发起驾车导航算路前的驾车轨迹信息;将所述驾车轨迹信息中的各定位点分别与路网进行匹配,确定出各定位点分别所属的道路;根据匹配结果确定出所述用户的行驶方向。
根据本申请一优选实施例,所述驾车轨迹信息包括:所述用户从打开地图到发起驾车导航算路这一时间段内的驾车轨迹信息。
根据本申请一优选实施例,所述综合各道路对的预测结果最终确定出导航起点道路包括:分别统计各候选道路被选定为导航起点道路的次数,将次数最多的候选道路作为最终确定出的导航起点道路。
一种预测模型获取方法,包括:
基于已完成驾车导航的第一用户的历史数据构建训练样本;
其中,每条训练样本分别对应于一个由两条不同道路组成的道路对,所述两条道路均为位于所述第一用户发起驾车导航算路时所在定位点周围预定范围内的道路,其中一条道路为导航起点道路,所述道路对对应的特征为根据发起驾车导航算路时所述第一用户的状态信息以及所述道路对中的两条道路的属性信息构建出的;
根据所述训练样本训练得到预测模型,以便当第二用户发起驾车导航算路时,利用所述预测模型从所述第二用户所在定位点周围预定范围内的道路中确定出导航起点道路。
根据本申请一优选实施例,所述第一用户的状态信息包括以下之一或任意组合:所述第一用户的行驶方向、所述第一用户所在定位点、所述第一用户的速度、所述第一用户所用智能终端的加速度、所述第一用户所用智能终端的陀螺仪信息、所述第一用户所用智能终端中用于定位的传感器方向;
所述道路的属性信息包括以下之一或任意组合:道路限速、道路的方向、道路等级、道路的宽度、道路的长度。
根据本申请一优选实施例,所述特征包括以下之一或任意组合:所述第一用户所在定位点属于所述道路对中的第一道路的概率、所述第一用户所在定位点属于所述道路对中的第二道路的概率、所述第一用户所在定位点与所述第一道路的距离、所述第一用户所在定位点与所述第二道路的距离、所述第一用户的速度与所述第一道路的道路限速的差值、所述第一用户的速度与所述第二道路的道路限速的差值、所述第一用户的行驶方向与所述第一道路的方向差值、所述第一用户的行驶方向与所述第二道路的方向差值、所述传感器方向与所述第一道路的方向差值、所述传感器方向与所述第二道路的方向差值、所述加速度、所述陀螺仪信息、所述传感器方向、所述第一道路的道路等级、所述第一道路的宽度、所述第一道路的长度、所述第二道路的道路等级、所述第二道路的宽度、所述第二道路的长度。
根据本申请一优选实施例,该方法进一步包括:获取所述第一用户发起驾车导航算路前的驾车轨迹信息;将所述驾车轨迹信息中的各定位点分别与路网进行匹配,确定出各定位点分别所属的道路;根据匹配结果确定出所述第一用户的行驶方向。
根据本申请一优选实施例,所述驾车轨迹信息包括:所述第一用户从打开地图到发起驾车导航算路这一时间段内的驾车轨迹信息。
根据本申请一优选实施例,所述预测模型包括:梯度提升决策树模型。
一种起点绑路装置,包括:道路获取单元以及道路确定单元;
所述道路获取单元,用于当用户发起驾车导航算路时,将用户所在定位点周围预定范围内的道路确定为候选道路;将每两条不同的候选道路组成一个道路对,任意两个道路对均不相同;
所述道路确定单元,用于针对每个道路对,分别根据当前用户的状态信息以及所述道路对中的两条候选道路的属性信息,构建出所述道路对对应的特征,并输入预先训练得到的预测模型,得到预测结果,所述预测结果包括从所述道路对中的两条候选道路中选定的导航起点道路;综合各道路对的预测结果最终确定出导航起点道路。
根据本申请一优选实施例,所述用户的状态信息包括以下之一或任意组合:所述用户的行驶方向、所述用户所在定位点、所述用户的速度、所述用户所用智能终端的加速度、所述用户所用智能终端的陀螺仪信息、所述用户所用智能终端中用于定位的传感器方向;
所述道路的属性信息包括以下之一或任意组合:道路限速、道路的方向、道路等级、道路的宽度、道路的长度。
根据本申请一优选实施例,所述特征包括以下之一或任意组合:所述用户所在定位点属于所述道路对中的第一道路的概率、所述用户所在定位点属于所述道路对中的第二道路的概率、所述用户所在定位点与所述第一道路的距离、所述用户所在定位点与所述第二道路的距离、所述用户的速度与所述第一道路的道路限速的差值、所述用户的速度与所述第二道路的道路限速的差值、所述用户的行驶方向与所述第一道路的方向差值、所述用户的行驶方向与所述第二道路的方向差值、所述传感器方向与所述第一道路的方向差值、所述传感器方向与所述第二道路的方向差值、所述加速度、所述陀螺仪信息、所述传感器方向、所述第一道路的道路等级、所述第一道路的宽度、所述第一道路的长度、所述第二道路的道路等级、所述第二道路的宽度、所述第二道路的长度。
根据本申请一优选实施例,所述道路确定单元进一步用于,获取所述用户发起驾车导航算路前的驾车轨迹信息,将所述驾车轨迹信息中的各定位点分别与路网进行匹配,确定出各定位点分别所属的道路,根据匹配结果确定出所述用户的行驶方向。
根据本申请一优选实施例,所述驾车轨迹信息包括:所述用户从打开地图到发起驾车导航算路这一时间段内的驾车轨迹信息。
根据本申请一优选实施例,所述道路确定单元分别统计各候选道路被选定为导航起点道路的次数,将次数最多的候选道路作为最终确定出的导航起点道路。
一种预测模型获取装置,包括:样本构建单元以及模型训练单元;
所述样本构建单元,用于基于已完成驾车导航的第一用户的历史数据构建训练样本;其中,每条训练样本分别对应于一个由两条不同道路组成的道路对,所述两条道路均为位于所述第一用户发起驾车导航算路时所在定位点周围预定范围内的道路,其中一条道路为导航起点道路,所述道路对对应的特征为根据发起驾车导航算路时所述第一用户的状态信息以及所述道路对中的两条道路的属性信息构建出的;
所述模型训练单元,用于根据所述训练样本训练得到预测模型,以便当第二用户发起驾车导航算路时,利用所述预测模型从所述第二用户所在定位点周围预定范围内的道路中确定出导航起点道路。
根据本申请一优选实施例,所述第一用户的状态信息包括以下之一或任意组合:所述第一用户的行驶方向、所述第一用户所在定位点、所述第一用户的速度、所述第一用户所用智能终端的加速度、所述第一用户所用智能终端的陀螺仪信息、所述第一用户所用智能终端中用于定位的传感器方向;
所述道路的属性信息包括以下之一或任意组合:道路限速、道路的方向、道路等级、道路的宽度、道路的长度。
根据本申请一优选实施例,所述特征包括以下之一或任意组合:所述第一用户所在定位点属于所述道路对中的第一道路的概率、所述第一用户所在定位点属于所述道路对中的第二道路的概率、所述第一用户所在定位点与所述第一道路的距离、所述第一用户所在定位点与所述第二道路的距离、所述第一用户的速度与所述第一道路的道路限速的差值、所述第一用户的速度与所述第二道路的道路限速的差值、所述第一用户的行驶方向与所述第一道路的方向差值、所述第一用户的行驶方向与所述第二道路的方向差值、所述传感器方向与所述第一道路的方向差值、所述传感器方向与所述第二道路的方向差值、所述加速度、所述陀螺仪信息、所述传感器方向、所述第一道路的道路等级、所述第一道路的宽度、所述第一道路的长度、所述第二道路的道路等级、所述第二道路的宽度、所述第二道路的长度。
根据本申请一优选实施例,所述样本构建单元进一步用于,获取所述第一用户发起驾车导航算路前的驾车轨迹信息;将所述驾车轨迹信息中的各定位点分别与路网进行匹配,确定出各定位点分别所属的道路;根据匹配结果确定出所述第一用户的行驶方向。
根据本申请一优选实施例,所述驾车轨迹信息包括:所述第一用户从打开地图到发起驾车导航算路这一时间段内的驾车轨迹信息。
根据本申请一优选实施例,所述预测模型包括:梯度提升决策树模型。
一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果:当用户发起驾车导航算路时,可将用户所在定位点周围预定范围内的道路确定为候选道路,之后可利用候选道路构建道路对,并可针对不同的道路对,分别根据当前用户的状态信息以及道路对中的两条候选道路的属性信息构建对应的特征,进而可利用各道路对对应的特征及训练得到的预测模型等确定出候选道路中的导航起点道路,从而相比于现有方式,克服了定位信息漂移等所带来的影响,进而提升了起点绑路结果的准确性,为用户提供了更为准确的起点定位和导航服务;并且,可结合各种用户状态信息及道路属性信息,构建道路对对应的特征,从而提升了预测模型的训练效果及预测效果等;上述可选方式所具有的其它效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请所述预测模型获取方法实施例的流程图;
图2为本申请所述第一用户所在定位点周围预定范围内的道路示意图;
图3为本申请所述起点绑路方法实施例的流程图;
图4为本申请所述起点绑路装置400实施例的组成结构示意图;
图5为本申请所述预测模型获取装置500实施例的组成结构示意图;
图6为根据本申请实施例所述方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本申请中提出了一种起点绑路方法,当用户发起驾车导航算路时,可将用户所在定位点周围预定范围内的道路确定为候选道路,之后可利用候选道路构建道路对,并可针对不同的道路对,分别根据当前用户的状态信息以及道路对中的两条候选道路的属性信息构建对应的特征,进而可利用各道路对对应的特征及训练得到的预测模型等确定出候选道路中的导航起点道路。
可以看出,本申请所述起点绑路方法的实现需要依赖于训练得到的预测模型,以下即对预测模型的获取方式进行说明。
图1为本申请所述预测模型获取方法实施例的流程图。如图1所示,包括以下具体实现方式。
在101中,基于已完成驾车导航的第一用户的历史数据构建训练样本;其中,每条训练样本分别对应于一个由两条不同道路组成的道路对,两条道路均为位于第一用户发起驾车导航算路时所在定位点周围预定范围内的道路,其中一条道路为导航起点道路,道路对对应的特征为根据发起驾车导航算路时第一用户的状态信息以及道路对中的两条道路的属性信息构建出的。
在102中,根据训练样本训练得到预测模型,以便当第二用户发起驾车导航算路时,利用预测模型从第二用户所在定位点周围预定范围内的道路中确定出导航起点道路。
为便于表述,本实施例中将已完成驾车导航的用户称为第一用户,将发起驾车导航算路的用户称为第二用户。
对于已完成驾车导航的第一用户,可获取到完整出行过程的历史数据,如完整出行过程中实时获取到的各定位点等,那么可根据历史数据来构建训练样本。
第一用户发起驾车导航算路时所在定位点是已知的,那么即可确定出第一用户所在定位点周围预定范围内的道路,所述预定范围的具体取值可根据实际需要而定,如周围50米范围。如图2所示,图2为本申请所述第一用户所在定位点周围预定范围内的道路示意图,假设共存在道路1、道路2和道路3三条道路,并假设通过对第一用户的驾车轨迹等进行分析得知道路2为导航起点道路,那么可构建两个道路对,分别为道路1和道路2组成的道路对以及道路3和道路2组成的道路对。
针对每个道路对,可分别根据发起驾车导航算路时第一用户的状态信息以及道路对中的两条道路的属性信息构建特征。
其中,发起驾车导航算路时第一用户的状态信息可包括但不限于以下之一或任意组合:第一用户的行驶方向、第一用户所在定位点、第一用户的速度(等同于车辆的速度)、第一用户所用智能终端的加速度、第一用户所用智能终端的陀螺仪信息、第一用户所用智能终端中用于定位的传感器方向。
第一用户所用智能终端通常为手机,按照现有方式,可利用手机中的惯性测量单元(IMU,Inertial Measurement Unit)实时获取手机的加速度和陀螺仪信息,并可利用手机中的全球定位***(GPS,Global Positioning System)传感器实时获取定位信息(即第一用户所在定位点)及方向信息。第一用户的速度也可通过现有方式获取。
第一用户的行驶方向可通过以下方式获取:获取第一用户发起驾车导航算路前的驾车轨迹信息;将驾车轨迹信息中的各定位点分别与路网进行匹配,确定出各定位点分别所属的道路;根据匹配结果确定出第一用户的行驶方向。所述驾车轨迹信息包括但不限于:第一用户从打开地图到发起驾车导航算路这一时间段内的驾车轨迹信息。
第一用户打开地图到发起驾车导航算路之间通常都会有一段或长或短的时间,可获取到这一时间段内的第一用户的驾车轨迹信息,其中可包含多个实时获取的定位点(轨迹点)信息。在实际应用中,第一用户在手机上打开地图后,可能步行一段时间,然后上车启动车辆,并在驾驶车辆一段时间后发起驾车导航算路,这种情况下,可区分出步行轨迹信息和驾车轨迹信息,并仅保留驾车轨迹信息。因为步行比较随机,如本来道路是由南向北方向的,但第一用户可能在路边由北向南逆行行走,与实际道路情况不符,因此可去除步行轨迹信息。
可将驾驶轨迹信息中的各定位点与路网用隐马尔可夫模型(HMM,Hidden MarkovModel)进行绑路匹配,从而分别确定出各定位点所属的道路,进而可根据匹配结果确定出第一用户的行驶方向,即根据匹配的道路方向等确定出第一用户的行驶方向。
道路的属性信息可包括但不限于以下之一或任意组合:道路限速、道路的方向、道路等级、道路的宽度、道路的长度。道路限速通常是指最高限速,如80km/h。
本实施例所述道路对可为排序学习(LTR,Learning to Rank)-文档对方法(pairwise)对。
针对每个道路对,构建出的特征可包括但不限于以下之一或任意组合:第一用户所在定位点属于道路对中的第一道路的概率、第一用户所在定位点属于道路对中的第二道路的概率、第一用户所在定位点与第一道路的距离、第一用户所在定位点与第二道路的距离、第一用户的速度与第一道路的道路限速的差值、第一用户的速度与第二道路的道路限速的差值、第一用户的行驶方向与第一道路的方向差值、第一用户的行驶方向与第二道路的方向差值、传感器方向与第一道路的方向差值、传感器方向与第二道路的方向差值、加速度、陀螺仪信息、传感器方向、第一道路的道路等级、第一道路的宽度、第一道路的长度、第二道路的道路等级、第二道路的宽度、第二道路的长度。
其中,所述概率可为维特比(viterbi)概率,如何获取所述概率为现有技术。第一用户所在定位点与道路的距离可以是指第一用户所在定位点与道路对应的link的距离(点到线段的距离)。道路限速、道路的方向、道路等级、道路的宽度、道路的长度等如何获取均为现有技术。
以图2中所示的道路3和道路2组成的道路对为例,其对应的特征可包括但不限于以下之一或任意组合:第一用户所在定位点属于道路3的概率、第一用户所在定位点属于道路2的概率、第一用户所在定位点与道路3的距离、第一用户所在定位点与道路2的距离、第一用户的速度与道路3的道路限速的差值、第一用户的速度与道路2的道路限速的差值、第一用户的行驶方向与道路3的方向差值、第一用户的行驶方向与道路2的方向差值、传感器方向与道路3的方向差值、传感器方向与道路2的方向差值、加速度、陀螺仪信息、传感器方向、道路3的道路等级、道路3的宽度、道路3的长度、道路2的道路等级、道路2的宽度、道路2的长度。
按照上述方式,可构建出多条训练样本,当获取到足够数量的训练样本后,可根据训练样本训练得到预测模型。优选地,预测模型可为梯度提升决策树模型(GBDT,GradientBoosting Decision Tree)。另外,在训练预测模型的过程中,还可采用K-折(K-Fold)划分验证集防止过拟合。
完成预测模型的训练之后,即可利用预测模型来进行实际的起点绑路。
图3为本申请所述起点绑路方法实施例的流程图。如图3所示,包括以下具体实现方式。
在301中,当用户发起驾车导航算路时,将用户所在定位点周围预定范围内的道路确定为候选道路。
在302中,将每两条不同的候选道路组成一个道路对,任意两个道路对均不相同。
在303中,针对每个道路对,分别根据当前用户的状态信息以及道路对中的两条候选道路的属性信息,构建出道路对对应的特征,并输入预先训练得到的预测模型,得到预测结果,预测结果包括从道路对中的两条候选道路中选定的导航起点道路。
在304中,综合各道路对的预测结果最终确定出导航起点道路。
当用户发起驾车导航算路时,可将用户所在定位点周围预定范围如周围50米范围内的道路确定为候选道路。候选道路通常为多个,不同的候选道路可两两组合,从而得到多个道路对。
针对每个道路对,可分别根据当前用户的状态信息以及道路对中的两条候选道路的属性信息构建特征。
其中,用户的状态信息可包括但不限于以下之一或任意组合:用户的行驶方向、用户所在定位点、用户的速度、用户所用智能终端的加速度、用户所用智能终端的陀螺仪信息、用户所用智能终端中用于定位的传感器方向。
用户所用智能终端通常为手机,可利用手机中的IMU实时获取手机的加速度和陀螺仪信息,并可利用手机中的GPS传感器实时获取定位信息及方向信息。
用户的行驶方向可通过以下方式获取:获取用户发起驾车导航算路前的驾车轨迹信息;将驾车轨迹信息中的各定位点分别与路网进行匹配,确定出各定位点分别所属的道路;根据匹配结果确定出用户的行驶方向。所述驾车轨迹信息可包括但不限于:用户从打开地图到发起驾车导航算路这一时间段内的驾车轨迹信息。
道路的属性信息可包括但不限于以下之一或任意组合:道路限速、道路的方向、道路等级、道路的宽度、道路的长度。
本实施例所述道路对可为LTR-pairwise对。针对每个道路对,构建出的特征可包括但不限于以下之一或任意组合:用户所在定位点属于道路对中的第一道路的概率、用户所在定位点属于道路对中的第二道路的概率、用户所在定位点与第一道路的距离、用户所在定位点与第二道路的距离、用户的速度与第一道路的道路限速的差值、用户的速度与第二道路的道路限速的差值、用户的行驶方向与第一道路的方向差值、用户的行驶方向与第二道路的方向差值、传感器方向与第一道路的方向差值、传感器方向与第二道路的方向差值、加速度、陀螺仪信息、传感器方向、第一道路的道路等级、第一道路的宽度、第一道路的长度、第二道路的道路等级、第二道路的宽度、第二道路的长度。其中,所述概率可为viterbi概率。
按照上述方式,可分别得到每个道路对对应的特征。进一步地,针对每个道路对,可分别将其对应的特征输入预测模型,从而得到预测结果,预测结果中包括从道路对中的两条候选道路中选定的导航起点道路。
之后,可综合各道路对的预测结果最终确定出导航起点道路,如可分别统计各候选道路被选定为导航起点道路的次数,将次数最多的候选道路作为最终确定出的导航起点道路。
上述过程可举例说明如下:假设共有道路1、道路2和道路3三条候选道路,可将道路1和道路2、道路2和道路3以及道路1和道路3分别组成道路对,假设分别为道路对a、道路对b和道路对c,针对道路对a、道路对b和道路对c,分别构建对应的特征,并输入预测模型,从而得到预测结果,假设道路对a对应的预测结果中将道路2选定为导航起点道路,道路对b对应的预测结果中将道路2选定为导航起点道路,道路对c对应的预测结果中将道路3选定为导航起点道路,那么则将道路2最终确定为导航起点道路。
本申请所述方案中,将同一名称的不同方向的道路视为不同的道路,比如,对于北京市的知春路,可将其由东向西方向和由西向东方向的道路视为不同的道路。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上是关于方法实施例的介绍,以下通过装置实施例,对本申请所述方案进行进一步说明。
图4为本申请所述起点绑路装置400实施例的组成结构示意图。如图4所示,包括:道路获取单元401以及道路确定单元402。
道路获取单元401,用于当用户发起驾车导航算路时,将用户所在定位点周围预定范围内的道路确定为候选道路;将每两条不同的候选道路组成一个道路对,任意两个道路对均不相同。
道路确定单元402,用于针对每个道路对,分别根据当前用户的状态信息以及道路对中的两条候选道路的属性信息,构建出道路对对应的特征,并输入预先训练得到的预测模型,得到预测结果,预测结果包括从道路对中的两条候选道路中选定的导航起点道路;综合各道路对的预测结果最终确定出导航起点道路。
其中,用户的状态信息可包括但不限于以下之一或任意组合:用户的行驶方向、用户所在定位点、用户的速度、用户所用智能终端的加速度、用户所用智能终端的陀螺仪信息、用户所用智能终端中用于定位的传感器方向。
道路的属性信息可包括但不限于以下之一或任意组合:道路限速、道路的方向、道路等级、道路的宽度、道路的长度。
相应地,构建的特征可包括但不限于以下之一或任意组合:用户所在定位点属于道路对中的第一道路的概率、用户所在定位点属于道路对中的第二道路的概率、用户所在定位点与第一道路的距离、用户所在定位点与第二道路的距离、用户的速度与第一道路的道路限速的差值、用户的速度与第二道路的道路限速的差值、用户的行驶方向与第一道路的方向差值、用户的行驶方向与第二道路的方向差值、传感器方向与第一道路的方向差值、传感器方向与第二道路的方向差值、加速度、陀螺仪信息、传感器方向、第一道路的道路等级、第一道路的宽度、第一道路的长度、第二道路的道路等级、第二道路的宽度、第二道路的长度。
道路确定单元402可获取用户发起驾车导航算路前的驾车轨迹信息,将驾车轨迹信息中的各定位点分别与路网进行匹配,确定出各定位点分别所属的道路,根据匹配结果确定出用户的行驶方向。驾车轨迹信息可包括但不限于:用户从打开地图到发起驾车导航算路这一时间段内的驾车轨迹信息。
另外,道路确定单元402还可分别统计各候选道路被选定为导航起点道路的次数,将次数最多的候选道路作为最终确定出的导航起点道路。
图5为本申请所述预测模型获取装置500实施例的组成结构示意图。如图5所示,包括:样本构建单元501以及模型训练单元502。
样本构建单元501,用于基于已完成驾车导航的第一用户的历史数据构建训练样本;其中,每条训练样本分别对应于一个由两条不同道路组成的道路对,两条道路均为位于第一用户发起驾车导航算路时所在定位点周围预定范围内的道路,其中一条道路为导航起点道路,道路对对应的特征为根据发起驾车导航算路时第一用户的状态信息以及道路对中的两条道路的属性信息构建出的。
模型训练单元502,用于根据训练样本训练得到预测模型,以便当第二用户发起驾车导航算路时,利用预测模型从第二用户所在定位点周围预定范围内的道路中确定出导航起点道路。
其中,第一用户的状态信息可包括但不限于以下之一或任意组合:第一用户的行驶方向、第一用户所在定位点、第一用户的速度、第一用户所用智能终端的加速度、第一用户所用智能终端的陀螺仪信息、第一用户所用智能终端中用于定位的传感器方向。
道路的属性信息可包括但不限于以下之一或任意组合:道路限速、道路的方向、道路等级、道路的宽度、道路的长度。
相应地,构建的特征可包括但不限于以下之一或任意组合:第一用户所在定位点属于道路对中的第一道路的概率、第一用户所在定位点属于道路对中的第二道路的概率、第一用户所在定位点与第一道路的距离、第一用户所在定位点与第二道路的距离、第一用户的速度与第一道路的道路限速的差值、第一用户的速度与第二道路的道路限速的差值、第一用户的行驶方向与第一道路的方向差值、第一用户的行驶方向与第二道路的方向差值、传感器方向与第一道路的方向差值、传感器方向与第二道路的方向差值、加速度、陀螺仪信息、传感器方向、第一道路的道路等级、第一道路的宽度、第一道路的长度、第二道路的道路等级、第二道路的宽度、第二道路的长度。
样本构建单元501可获取第一用户发起驾车导航算路前的驾车轨迹信息,将驾车轨迹信息中的各定位点分别与路网进行匹配,确定出各定位点分别所属的道路,根据匹配结果确定出第一用户的行驶方向。驾车轨迹信息可包括但不限于:第一用户从打开地图到发起驾车导航算路这一时间段内的驾车轨迹信息。
本实施例所述预测模型可为梯度提升决策树模型。在训练过程中,还可采用K-Fold划分验证集防止过拟合。
图4和图5所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本申请方法和装置实施例所述方案,当用户发起驾车导航算路时,可将用户所在定位点周围预定范围内的道路确定为候选道路,之后可利用候选道路构建道路对,并可针对不同的道路对,分别根据当前用户的状态信息以及道路对中的两条候选道路的属性信息构建对应的特征,进而可利用各道路对对应的特征及训练得到的预测模型等确定出候选道路中的导航起点道路,从而相比于现有方式,克服了定位信息漂移等所带来的影响,尤其是在双向路或上下线分离的道路场景等,进而提升了起点绑路结果的准确性,为用户提供了更为准确的起点定位和导航服务;并且,可结合各种用户状态信息及道路属性信息,构建道路对对应的特征,从而提升了预测模型的训练效果及预测效果等。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器Y01、存储器Y02,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图6中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的方法。
存储器Y02作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的方法对应的程序指令/模块(例如,附图X所示的xx模块X01、xx模块x02和xx模块x03)。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器Y02可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器Y02可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器Y02可选包括相对于处理器Y01远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备还可以包括:输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用集成电路、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,阴极射线管或者液晶显示器监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网、广域网和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (26)
1.一种起点绑路方法,其特征在于,包括:
当用户发起驾车导航算路时,将用户所在定位点周围预定范围内的道路确定为候选道路;
将每两条不同的候选道路组成一个道路对,任意两个道路对均不相同;
针对每个道路对,分别根据当前用户的状态信息以及所述道路对中的两条候选道路的属性信息,构建出所述道路对对应的特征,并输入预先训练得到的预测模型,得到预测结果,所述预测结果包括从所述道路对中的两条候选道路中选定的导航起点道路;
综合各道路对的预测结果最终确定出导航起点道路。
2.根据权利要求1所述的方法,其特征在于,
所述用户的状态信息包括以下之一或任意组合:所述用户的行驶方向、所述用户所在定位点、所述用户的速度、所述用户所用智能终端的加速度、所述用户所用智能终端的陀螺仪信息、所述用户所用智能终端中用于定位的传感器方向;
所述道路的属性信息包括以下之一或任意组合:道路限速、道路的方向、道路等级、道路的宽度、道路的长度。
3.根据权利要求2所述的方法,其特征在于,
所述特征包括以下之一或任意组合:所述用户所在定位点属于所述道路对中的第一道路的概率、所述用户所在定位点属于所述道路对中的第二道路的概率、所述用户所在定位点与所述第一道路的距离、所述用户所在定位点与所述第二道路的距离、所述用户的速度与所述第一道路的道路限速的差值、所述用户的速度与所述第二道路的道路限速的差值、所述用户的行驶方向与所述第一道路的方向差值、所述用户的行驶方向与所述第二道路的方向差值、所述传感器方向与所述第一道路的方向差值、所述传感器方向与所述第二道路的方向差值、所述加速度、所述陀螺仪信息、所述传感器方向、所述第一道路的道路等级、所述第一道路的宽度、所述第一道路的长度、所述第二道路的道路等级、所述第二道路的宽度、所述第二道路的长度。
4.根据权利要求2所述的方法,其特征在于,
该方法进一步包括:获取所述用户发起驾车导航算路前的驾车轨迹信息;将所述驾车轨迹信息中的各定位点分别与路网进行匹配,确定出各定位点分别所属的道路;根据匹配结果确定出所述用户的行驶方向。
5.根据权利要求4所述的方法,其特征在于,
所述驾车轨迹信息包括:所述用户从打开地图到发起驾车导航算路这一时间段内的驾车轨迹信息。
6.根据权利要求1所述的方法,其特征在于,
所述综合各道路对的预测结果最终确定出导航起点道路包括:分别统计各候选道路被选定为导航起点道路的次数,将次数最多的候选道路作为最终确定出的导航起点道路。
7.一种预测模型获取方法,其特征在于,包括:
基于已完成驾车导航的第一用户的历史数据构建训练样本;
其中,每条训练样本分别对应于一个由两条不同道路组成的道路对,所述两条道路均为位于所述第一用户发起驾车导航算路时所在定位点周围预定范围内的道路,其中一条道路为导航起点道路,所述道路对对应的特征为根据发起驾车导航算路时所述第一用户的状态信息以及所述道路对中的两条道路的属性信息构建出的;
根据所述训练样本训练得到预测模型,以便当第二用户发起驾车导航算路时,利用所述预测模型从所述第二用户所在定位点周围预定范围内的道路中确定出导航起点道路。
8.根据权利要求7所述的方法,其特征在于,
所述第一用户的状态信息包括以下之一或任意组合:所述第一用户的行驶方向、所述第一用户所在定位点、所述第一用户的速度、所述第一用户所用智能终端的加速度、所述第一用户所用智能终端的陀螺仪信息、所述第一用户所用智能终端中用于定位的传感器方向;
所述道路的属性信息包括以下之一或任意组合:道路限速、道路的方向、道路等级、道路的宽度、道路的长度。
9.根据权利要求8所述的方法,其特征在于,
所述特征包括以下之一或任意组合:所述第一用户所在定位点属于所述道路对中的第一道路的概率、所述第一用户所在定位点属于所述道路对中的第二道路的概率、所述第一用户所在定位点与所述第一道路的距离、所述第一用户所在定位点与所述第二道路的距离、所述第一用户的速度与所述第一道路的道路限速的差值、所述第一用户的速度与所述第二道路的道路限速的差值、所述第一用户的行驶方向与所述第一道路的方向差值、所述第一用户的行驶方向与所述第二道路的方向差值、所述传感器方向与所述第一道路的方向差值、所述传感器方向与所述第二道路的方向差值、所述加速度、所述陀螺仪信息、所述传感器方向、所述第一道路的道路等级、所述第一道路的宽度、所述第一道路的长度、所述第二道路的道路等级、所述第二道路的宽度、所述第二道路的长度。
10.根据权利要求8所述的方法,其特征在于,
该方法进一步包括:获取所述第一用户发起驾车导航算路前的驾车轨迹信息;将所述驾车轨迹信息中的各定位点分别与路网进行匹配,确定出各定位点分别所属的道路;根据匹配结果确定出所述第一用户的行驶方向。
11.根据权利要求10所述的方法,其特征在于,
所述驾车轨迹信息包括:所述第一用户从打开地图到发起驾车导航算路这一时间段内的驾车轨迹信息。
12.根据权利要求7所述的方法,其特征在于,
所述预测模型包括:梯度提升决策树模型。
13.一种起点绑路装置,其特征在于,包括:道路获取单元以及道路确定单元;
所述道路获取单元,用于当用户发起驾车导航算路时,将用户所在定位点周围预定范围内的道路确定为候选道路;将每两条不同的候选道路组成一个道路对,任意两个道路对均不相同;
所述道路确定单元,用于针对每个道路对,分别根据当前用户的状态信息以及所述道路对中的两条候选道路的属性信息,构建出所述道路对对应的特征,并输入预先训练得到的预测模型,得到预测结果,所述预测结果包括从所述道路对中的两条候选道路中选定的导航起点道路;综合各道路对的预测结果最终确定出导航起点道路。
14.根据权利要求13所述的装置,其特征在于,
所述用户的状态信息包括以下之一或任意组合:所述用户的行驶方向、所述用户所在定位点、所述用户的速度、所述用户所用智能终端的加速度、所述用户所用智能终端的陀螺仪信息、所述用户所用智能终端中用于定位的传感器方向;
所述道路的属性信息包括以下之一或任意组合:道路限速、道路的方向、道路等级、道路的宽度、道路的长度。
15.根据权利要求14所述的装置,其特征在于,
所述特征包括以下之一或任意组合:所述用户所在定位点属于所述道路对中的第一道路的概率、所述用户所在定位点属于所述道路对中的第二道路的概率、所述用户所在定位点与所述第一道路的距离、所述用户所在定位点与所述第二道路的距离、所述用户的速度与所述第一道路的道路限速的差值、所述用户的速度与所述第二道路的道路限速的差值、所述用户的行驶方向与所述第一道路的方向差值、所述用户的行驶方向与所述第二道路的方向差值、所述传感器方向与所述第一道路的方向差值、所述传感器方向与所述第二道路的方向差值、所述加速度、所述陀螺仪信息、所述传感器方向、所述第一道路的道路等级、所述第一道路的宽度、所述第一道路的长度、所述第二道路的道路等级、所述第二道路的宽度、所述第二道路的长度。
16.根据权利要求14所述的装置,其特征在于,
所述道路确定单元进一步用于,获取所述用户发起驾车导航算路前的驾车轨迹信息,将所述驾车轨迹信息中的各定位点分别与路网进行匹配,确定出各定位点分别所属的道路,根据匹配结果确定出所述用户的行驶方向。
17.根据权利要求16所述的装置,其特征在于,
所述驾车轨迹信息包括:所述用户从打开地图到发起驾车导航算路这一时间段内的驾车轨迹信息。
18.根据权利要求13所述的装置,其特征在于,
所述道路确定单元分别统计各候选道路被选定为导航起点道路的次数,将次数最多的候选道路作为最终确定出的导航起点道路。
19.一种预测模型获取装置,其特征在于,包括:样本构建单元以及模型训练单元;
所述样本构建单元,用于基于已完成驾车导航的第一用户的历史数据构建训练样本;其中,每条训练样本分别对应于一个由两条不同道路组成的道路对,所述两条道路均为位于所述第一用户发起驾车导航算路时所在定位点周围预定范围内的道路,其中一条道路为导航起点道路,所述道路对对应的特征为根据发起驾车导航算路时所述第一用户的状态信息以及所述道路对中的两条道路的属性信息构建出的;
所述模型训练单元,用于根据所述训练样本训练得到预测模型,以便当第二用户发起驾车导航算路时,利用所述预测模型从所述第二用户所在定位点周围预定范围内的道路中确定出导航起点道路。
20.根据权利要求19所述的装置,其特征在于,
所述第一用户的状态信息包括以下之一或任意组合:所述第一用户的行驶方向、所述第一用户所在定位点、所述第一用户的速度、所述第一用户所用智能终端的加速度、所述第一用户所用智能终端的陀螺仪信息、所述第一用户所用智能终端中用于定位的传感器方向;
所述道路的属性信息包括以下之一或任意组合:道路限速、道路的方向、道路等级、道路的宽度、道路的长度。
21.根据权利要求20所述的装置,其特征在于,
所述特征包括以下之一或任意组合:所述第一用户所在定位点属于所述道路对中的第一道路的概率、所述第一用户所在定位点属于所述道路对中的第二道路的概率、所述第一用户所在定位点与所述第一道路的距离、所述第一用户所在定位点与所述第二道路的距离、所述第一用户的速度与所述第一道路的道路限速的差值、所述第一用户的速度与所述第二道路的道路限速的差值、所述第一用户的行驶方向与所述第一道路的方向差值、所述第一用户的行驶方向与所述第二道路的方向差值、所述传感器方向与所述第一道路的方向差值、所述传感器方向与所述第二道路的方向差值、所述加速度、所述陀螺仪信息、所述传感器方向、所述第一道路的道路等级、所述第一道路的宽度、所述第一道路的长度、所述第二道路的道路等级、所述第二道路的宽度、所述第二道路的长度。
22.根据权利要求20所述的装置,其特征在于,
所述样本构建单元进一步用于,获取所述第一用户发起驾车导航算路前的驾车轨迹信息,将所述驾车轨迹信息中的各定位点分别与路网进行匹配,确定出各定位点分别所属的道路,根据匹配结果确定出所述第一用户的行驶方向。
23.根据权利要求22所述的装置,其特征在于,
所述驾车轨迹信息包括:所述第一用户从打开地图到发起驾车导航算路这一时间段内的驾车轨迹信息。
24.根据权利要求19所述的装置,其特征在于,
所述预测模型包括:梯度提升决策树模型。
25.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911016658.0A CN110823237B (zh) | 2019-10-24 | 2019-10-24 | 起点绑路及预测模型获取方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911016658.0A CN110823237B (zh) | 2019-10-24 | 2019-10-24 | 起点绑路及预测模型获取方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110823237A true CN110823237A (zh) | 2020-02-21 |
CN110823237B CN110823237B (zh) | 2021-08-17 |
Family
ID=69550370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911016658.0A Active CN110823237B (zh) | 2019-10-24 | 2019-10-24 | 起点绑路及预测模型获取方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110823237B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982138A (zh) * | 2020-07-09 | 2020-11-24 | 北京百度网讯科技有限公司 | 预测模型获取及路径规划方法、装置及存储介质 |
CN112070132A (zh) * | 2020-08-25 | 2020-12-11 | 北京百度网讯科技有限公司 | 样本数据构建方法、装置、设备和介质 |
CN112101679A (zh) * | 2020-09-24 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 基于人工智能的导航道路选择方法、装置 |
CN112866910A (zh) * | 2021-01-08 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 起点路线的推荐方法、装置、***和计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130179384A1 (en) * | 2009-06-29 | 2013-07-11 | International Business Machines Corporation | Multiple-pairs shortest path finding method and system |
CN103884345A (zh) * | 2012-12-20 | 2014-06-25 | ***通信集团辽宁有限公司 | 兴趣点信息采集方法、显示方法、装置及*** |
CN105318882A (zh) * | 2014-07-17 | 2016-02-10 | 高德信息技术有限公司 | 兴趣点绑定道路的方法及装置 |
CN106840175A (zh) * | 2016-12-06 | 2017-06-13 | 北京中交兴路信息科技有限公司 | 一种车辆行驶轨迹匹配路网的方法及装置 |
-
2019
- 2019-10-24 CN CN201911016658.0A patent/CN110823237B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130179384A1 (en) * | 2009-06-29 | 2013-07-11 | International Business Machines Corporation | Multiple-pairs shortest path finding method and system |
CN103884345A (zh) * | 2012-12-20 | 2014-06-25 | ***通信集团辽宁有限公司 | 兴趣点信息采集方法、显示方法、装置及*** |
CN105318882A (zh) * | 2014-07-17 | 2016-02-10 | 高德信息技术有限公司 | 兴趣点绑定道路的方法及装置 |
CN106840175A (zh) * | 2016-12-06 | 2017-06-13 | 北京中交兴路信息科技有限公司 | 一种车辆行驶轨迹匹配路网的方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982138A (zh) * | 2020-07-09 | 2020-11-24 | 北京百度网讯科技有限公司 | 预测模型获取及路径规划方法、装置及存储介质 |
CN112070132A (zh) * | 2020-08-25 | 2020-12-11 | 北京百度网讯科技有限公司 | 样本数据构建方法、装置、设备和介质 |
CN112101679A (zh) * | 2020-09-24 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 基于人工智能的导航道路选择方法、装置 |
CN112866910A (zh) * | 2021-01-08 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 起点路线的推荐方法、装置、***和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110823237B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110823237B (zh) | 起点绑路及预测模型获取方法、装置及存储介质 | |
CN110556012B (zh) | 车道定位方法及车辆定位*** | |
CN110657818B (zh) | 自动驾驶车辆的路径规划方法、装置、设备及存储介质 | |
CN111694973A (zh) | 自动驾驶场景的模型训练方法、装置、电子设备 | |
CN110675651A (zh) | 停车场推荐方法和装置 | |
CN110617831B (zh) | 生成导航路线的方法、装置及设备 | |
EP3009798B1 (en) | Providing alternative road navigation instructions for drivers on unfamiliar roads | |
CN110765227A (zh) | 道路交通网络模型构建方法及装置 | |
CN110660219A (zh) | 停车场停车预测方法和装置 | |
CN112129315B (zh) | 用于推荐停车场的方法、装置、电子设备和存储介质 | |
CN114547223A (zh) | 轨迹预测方法、轨迹预测模型的训练方法及装置 | |
CN112101527A (zh) | 识别车道变化的方法和装置、电子设备和存储介质 | |
CN114413920A (zh) | 车道数据处理方法、导航方法及装置 | |
CN113672688A (zh) | 路网数据更新方法、装置和电子设备 | |
CN111982144A (zh) | 导航方法、装置、电子设备及计算机可读介质 | |
CN111597986A (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
CN113706857B (zh) | 道路通行性的确定方法、装置、设备及存储介质 | |
CN112985430B (zh) | 地图匹配的容灾方法、装置、设备及存储介质 | |
CN110751853B (zh) | 停车位数据的有效性识别方法和装置 | |
US20190162547A1 (en) | Information Processing Device and Travel Control System | |
CN112577524A (zh) | 信息校正方法和装置 | |
US20230314153A1 (en) | Processing System Having A Machine Learning Engine For Providing A Common Trip Format (CTF) Output | |
CN114689074B (zh) | 信息处理方法和导航方法 | |
CN113656526B (zh) | 电子地图的实现方法、装置、电子设备和介质 | |
CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |