CN112053010B - 一种乘车路径确定方法、装置、计算机设备及存储介质 - Google Patents
一种乘车路径确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112053010B CN112053010B CN202011073456.2A CN202011073456A CN112053010B CN 112053010 B CN112053010 B CN 112053010B CN 202011073456 A CN202011073456 A CN 202011073456A CN 112053010 B CN112053010 B CN 112053010B
- Authority
- CN
- China
- Prior art keywords
- riding
- line
- transfer
- path
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012546 transfer Methods 0.000 claims abstract description 323
- 230000007704 transition Effects 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 77
- 230000008569 process Effects 0.000 claims description 19
- 230000002596 correlated effect Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提出的一种乘车路径确定方法、装置、计算机设备及存储介质,接收乘车路径规划请求,利用地图数据(比如,与地图相关的线路数据和站点数据)确定适用于乘车路径规划请求的至少一条乘车路径;获取乘车路径指示的换乘的线路换乘序列;根据线路换乘序列的线路特征得到换乘的转移概率;根据乘车路径指示的所有换乘的转移概率确定乘车路径的条件概率;基于至少一条乘车路径中每条乘车路径的条件概率确定目标乘车路径。本申请将原有的二分类问题转化为HMM问题,基于AI人工智能自动实现目标乘车路径的确定,提高了地图导航应用中乘车路径确定结果的准确性,进而提高了最优乘车路径的召回率。
Description
技术领域
本发明涉及路径规划技术领域,更具体地说,涉及一种乘车路径确定方法、装置、计算机设备及存储介质。
背景技术
乘车路径规划服务是根据乘客起终点、出发时间等输入规划乘车路径的在线服务。乘车路径规划服务先根据乘客的起终点、出发时间等输入进行算路得出适用于乘客的多条乘车路径,然后从多条乘车路径中确定预设条数的最优乘车路径返回给乘客。
现有的乘车路径规划服务仅依赖于乘车路径整体性特征(比如,乘车路径的总时间,总距离,总站数,总换乘次数,方案类型等)从多条适用于乘客的乘车路径中确定出最优乘车路径。这种方式在确定最优乘车路径时,考虑特征单一,无法准确衡量一个乘车路径的好坏,乘车路径确定结果往往不够准确,可能无法实现对最优乘车路径的召回。
发明内容
有鉴于此,为解决上述问题,本发明提供一种乘车路径确定方法、装置、计算机设备及存储介质,以提高乘车路径确定结果的准确性,提高最优乘车路径的召回率,技术方案如下:
一种乘车路径确定方法,包括:
确定适用于乘车路径规划请求的至少一条乘车路径;
获取所述乘车路径指示的换乘的线路换乘序列,所述线路换乘序列表征一条乘车线路换乘另一条乘车线路;
根据所述线路换乘序列的线路特征得到所述换乘的转移概率,所述换乘的转移概率与所述换乘的乘车代价负相关;
根据所述乘车路径指示的所有换乘的转移概率确定所述乘车路径的条件概率,所述乘车路径的条件概率与所述乘车路径指示的换乘的转移概率正相关;
基于所述至少一条乘车路径中每条所述乘车路径的条件概率确定目标乘车路径。
一种乘车路径确定装置,包括:
乘车路径规划请求单元,用于确定适用于乘车路径规划请求的至少一条乘车路径;
线路换乘序列获取单元,用于获取所述乘车路径指示的换乘的线路换乘序列,所述线路换乘序列表征一条乘车线路换乘另一条乘车线路;
转移概率确定单元,用于根据所述线路换乘序列的线路特征得到所述换乘的转移概率,所述换乘的转移概率与所述换乘的乘车代价负相关;
条件概率确定单元,用于根据所述乘车路径指示的所有换乘的转移概率确定所述乘车路径的条件概率,所述乘车路径的条件概率与所述乘车路径指示的换乘的转移概率正相关;
目标乘车路径确定单元,用于基于所述至少一条乘车路径中每条所述乘车路径的条件概率确定目标乘车路径。
一种计算机设备,包括:处理器以及存储器,所述处理器以及存储器通过通信总线相连;其中,所述处理器,用于调用并执行所述存储器中存储的程序;所述存储器,用于存储程序,所述程序用于实现所述乘车路径确定方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器加载并执行,实现所述乘车路径确定方法的各步骤。
本申请实施例提出的一种乘车路径确定方法、装置、计算机设备及存储介质,将原有的样本单位化整为零,进行拆解,基于动态规划的思想,如果全局最优,那么局部节点处一定最优,将原有的二分类问题转化为HMM问题,训练的对象由原来的二分类问题转换为HMM的观察概率和隐藏状态转移概率的问题,从而有效的解决了乘车路径中序列特征表征缺失的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种HMM的基本模型的结构示意图;
图2为本申请实施例提供的一条乘车路径示意图;
图3为本申请实施例提供的一种样本单位示意图;
图4为本申请实施例提供的一种乘车路径确定方法流程图;
图5为本申请实施例提供的一种获取乘车路径指示的换乘的线路换乘序列的方法流程图;
图6为本申请实施例提供的另一种乘车路径确定方法流程图;
图7为本申请实施例提供的一种转移概率确定模型生成方法流程图;
图8为本申请实施例提供的一种转移概率模型生成方法示意图;
图9为本申请实施例提供的一种观测概率确定模型生成方法流程图;
图10为本申请实施例提供的一种乘车路径确定装置结构示意图;
图11为本申请实施例提供的计算机设备的一种实现方式的结构图。
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,所描述的实施例仅仅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做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。
乘车路径规划服务是根据乘客起终点、出发时间等输入规划乘车路径的在线服务。比如,公交规划服务是根据用户起终点,出发时间,用户偏好等输入规划最优5条公交换乘路径(公交换乘方案)的在线服务,且需要保证方案的合理性和多样性。
现有的路径规划服务在根据乘客的起终点、出发时间等输入进行算路得出适用于乘客的多条乘车路径后,仅依赖于乘车路径整体性特征(比如,乘车路径的总时间,总距离,总站数,总换乘次数,方案类型等)从多条乘车路径中确定出预设条数的最优乘车路径,以将最优乘车路径反馈给乘客。
具体的,现有的路径规划服务的最优乘车路径确定方案是将问题抽象为一个二分类问题,将一个乘车路径看做为一个整体,抽取该乘车路径的整体性特征,比如总时间,总距离,总站数,总换乘次数,方案类型等,由LR模型根据乘车路径的整体性特征对乘车路径进行打分,然后根据得分大小对乘车路径进行排序,乘车路径得分越高乘车路径越好。
这种方式在从多条适用于乘客的乘车路径中确定最优乘车路径时,对乘车路径的特征考虑单一,线路的换乘在用户体验上是存在一定的体验差异的,而乘车路径的整体性特征无法较好的实现对换乘的表达;并且,在其他特征相对一致的情况下,只乘坐一站就换乘和乘坐多站换乘的体验也是有差异的,显然,乘车路径的整体性特征也无法较好的表征这一差异。由此,仅依赖于乘车路径的整体性特征无法准确衡量一个乘车路径的好坏,最优乘车路径确定结果往往不准确,无法实现对最优乘车路径的召回。
比如,现有公交规划服务在从多条适用于乘客的乘车路径中确定最优乘车路径时,只是单纯考虑了乘车路径的整体性特征(比如总时间,总长度,总步行距离等),这种乘车路径确定方式存在一个主要缺点,乘车路径不同,但是乘车路径的整体性特征相同的两条乘车路径,最终的确定结果可能一样。
例如,1路(3站)换2路(1站),以及1路(3站)换2路(4站)的乘客体验肯定是有区别的,只乘坐一站就换乘的体验相对较差。比如,乘车路径“地铁1号线换地铁2号线再换公交1路”和乘车路径“地铁1号线换公交1路再换地铁2号线”,在现有的特征维度下可能不能较好的区分。
鉴于以上缺点,本申请提出了一种乘车路径确定方法,将乘车路径拆解为多个换乘段,每个换乘段为一个状态,换乘段中换乘关系转换为HMM中的隐藏状态的转移,起始上下车站转换为隐藏状态的观测概率,将乘车路径中一个换乘方案(一次换乘,即一个换乘段)抽象为一个序列,乘车路径的确定问题抽象为HMM的解码问题,本申请会综合考虑乘车路径中每次换乘的优劣,并以此综合评价整个换乘路径的好坏。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
HMM,隐马尔科夫模型,用来描述一个含有隐含未知参数的马尔科夫过程,其难点是从可观察的参数中确定该过程的隐含参数,然后利用这些参数来做进一步的分析。它的状态不能直接观测到,但能通过观测向量序列观察到,每个观察向量都是通过某些概率密度分布表现为各种状态,每一个观察向量是由一个具有相应概率密度分布的状态序列产生,所以,隐马尔科夫模型是一个双重随机过程,具有一定的状态数的隐马尔科夫链和显示随机函数集。该模型主要解决三个问题:评估问题(前向-后向算法)、学习问题(Baum-Welch算法)、解码问题(Viterbi算法)。
图1为HMM的基本模型的结构示意图。
参见图1,HMM模型分为上下两行,上面一行是一个马尔科夫转移过程,下面一行则是输出,即观察到的值。本申请实施例,将上面一行的马尔科夫转移过程中的状态称为隐藏状态,下面观察到的值称为观察状态,观察状态的集合为O={O1,OT}。其中,O1可以认为是隐藏状态X1的观测概率,OT可以认为是隐藏状态XT的观测概率。
本申请实施例中,乘车路径中乘车线路序列可以看成是马尔科夫转移过程。即,马尔科夫转移过程中各个隐藏状态构成的序列可以认为是乘车路径中的乘车线路序列,马尔科夫转移过程中的每个隐藏状态可以看成是乘车路径中的一个乘车线路。
图2为本申请实施例提供的一条乘车路径示意图。假定如图2所示的乘车路径为:起点->上车站A->线路1->下车站B->上车站C->线路2->下车站D->上车站E->线路3->下车站F->终点。下面以该乘车路径为例,对乘车路径和HHM模型之间的关系进行详细说明。
首先,将该乘车路径进行如下拆解得到样本1和样本2。
样本1:起点->上车站A->线路1->下车站B->上车站C->线路2->下车站D
样本2:上车站C->线路2->下车站D->上车站E->线路3->下车站F->终点
如果认为样本1的终点和下车站D相同,样本2的起点和上车站C相同,则上述样本可统一表达为:
样本1:起点->上车站A->线路1->下车站B->上车站C->线路2->下车站D->终点
样本2:起点->上车站C->线路2->下车站D->上车站E->线路3->下车站F->终点
由此可见,参见图3样本单位可以统一抽象为:起点->线路1->线路2->终点。不难发现,样本单位的结构与上述的HMM模型结构类似,线路1、线路2可以认为是HMM模型中的隐藏状态,O1为线路1的观测概率(即,起点到线路1的观测概率),O2为线路2的观测概率(即,线路2到终点的观测概率)。
进一步的,本申请实施例提供的一种乘车路径确定方法以如下问题假定为基础:
起点到终点的最优方案为:起点->上车站A->线路1->下车站B->上车站C->线路2->下车站D->上车站E->线路3->下车站F->终点。如果假定起点不变,终点为下车站D的位置,则此时起点到新终点的最优方案应该为:起点->上车站A->线路1->下车站B->上车站C->线路2->下车站D->终点。
反证法很容易证明该假设:如果起点->上车站A->线路1->下车站B->上车站C->线路2->下车站D->终点不是起点到新终点的最优方案,则一定存在一条更优的方案,那么方案起点->上车站A->线路1->下车站B->上车站C->线路2->下车站D->上车站E->线路3->下车站F->终点的最优方案的前半段换乘线路就不是当前的线路了,这与现状想违背,故起点不变,终点位置为下车站D的最优方案一定为起点->上车站A->线路1->下车站B->上车站C->线路2->下车站D->终点。
依次类推,我们可以认为原始完整方案中的任意两个节点的换乘线路方案均为最优。即,最优的乘车路径中任意两个节点的换乘线路方案均为最优。
基于上述问题假定以及对乘车路径和HMM模型关系的描述,本申请提供的一种乘车路径规划方法将确定最优乘车路径的问题转换为HMM模型问题,当有了乘车路径中首个隐藏状态的观测概率、最后一个隐藏状态的观测概率,以及相邻隐藏状态的转移概率,则整个乘车路径的好坏可以使用条件概率的方式得到,继而依据条件概率对适用于乘车路径规划请求的至少一条乘车路径进行排序,以从至少一条乘车路径中确定用于向乘客返回的目标乘车路径。
示例性的,乘车路径的条件概率与乘车路径的观测概率和转移概率相关,乘车路径的条件概率与乘车路径的乘车代价负相关;乘车路径的条件概率越高、乘车路径的乘车代价越小、乘车路径越优良。
这样,确定最优乘车路径的问题就转换为:观测概率和转移概率的计算问题。观测概率和转移概率有两种方式可以计算,一是无监督方式,即通过经验公式计算,如观测概率可以按距离成反比的方式来计算,二是通过有监督方式,即根据样本训练得到。
下面对本申请实施例提供的一种乘车路径确定方法进行详细说明,具体请参见图4。
如图4所示,该方法包括:
S401、确定适用于乘车路径规划请求的至少一条乘车路径;
本申请实施例提供的一种乘车路径规划方法应用于乘车路径规划***,乘车路径规划***通常由终端和地图导航服务器构成,用户可以在终端上安装客户端,客户端可以为地图导航应用,地图导航服务器用于为地图导航应用提供技术支持。
终端用于安装客户端(地图导航应用),客户端可以为应用程序客户端或网页版客户端。
终端可以是任何一种可与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品,示例性的,终端可以是手机、平板电脑、笔记本电脑、掌上电脑、个人计算机、智能音箱、可穿戴设备、智能电视、智能手表等,但并不局限于此。
地图导航服务器用于为地图导航应用提供技术支持。地图导航服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端以及地图导航服务器可以通过有线或无线通信方式进行直接或间接地连接以提供乘车路径规划服务,本申请在此不做限制。
本申请实施例提供的一种乘车路径确定方法应用于计算机设备,该计算机设备可以为安装有地图导航应用的终端,也可以为地图导航服务器,在此不做限定。
示例性的,计算机设备在接收到乘客发送的乘车路径规划请求后,可以根据乘车路径规划请求指示的乘客的起点和终点利用地图数据进行算路以确定适用于该乘车路径规划请求的算路结果(至少一条乘车路径),乘客按照至少一条乘车路径中任意一条乘车路径指示的乘车方式进行乘车均可实现从起点到终点的目的。通常情况下,算路结果中乘车路径的条数是很多的,需要对算路结果中的乘车路径进行筛选以从中确定预设条数的最优乘车路径以反馈给乘客。
越优良的乘车路径的乘车代价越低,乘车代价与乘车体验负相关,乘车体验越好乘车代价越小。
示例性的,乘车体验与乘车时长、步行距离、换乘次数、换乘类型、换乘距离等相关。以上仅仅是本申请实施例提供的用于影响乘车体验的信息的几种示例,有关用于影响乘车体验的信息的具体内容在此不做一一说明。
本申请实施例中,地图数据可以为与地图相关的线路数据和站点数据。线路数据和站点数据是两个核心交通数据,线路数据主要有线路形状及线路对应的一些属性信息,如线路ID,线路名称,线路类型等,站点数据主要有站点ID,所属线路ID,站点名称,站点在所在线路的序号,站点坐标等。
示例性的,线路类型可以为普通公交车、地铁、机场大巴、旅游大巴、轮渡等。
每条线路包含多个站点,每个站点属于唯一的线路(如中关村站,概念上为一个站台,其包含多个站点,每个站点对应一个线路,如线路1的中关村站,线路2的中关村站等)。
S402、获取乘车路径指示的换乘的线路换乘序列,线路换乘序列表征一条乘车线路换乘另一条乘车线路;
计算机设备接收到乘车路径规划请求,并根据乘车路径规划请求指示的乘客的起点和终点进行算路得出适用于乘车路径规划请求的至少一条乘车路径后,还可以进一步从至少一条乘车路径中确定预设条数的最优乘车路径,为了便于区分,将从至少一条乘车路径中确定出的每条最优乘车路径称为一条目标乘车路径。
示例性的,计算机设备确定适用于乘车路径规划请求的至少一条乘车路径后,可以分别计算至少一条乘车路径中每条乘车路径的条件概率。以一条乘车路径为例,计算该条乘车路径的条件概率的方式请参见步骤S402-S404的详细说明。
针对至少一条乘车路径中每条乘车路径分别执行如下过程:获取该条乘车路径指示的换乘的线路换乘序列,线路换乘序列表征一条乘车线路换乘另一条乘车线路。
需要说明的是,若乘车路径不为直达乘车路径,则乘车路径可能指示一次换乘或多次换乘,分别获取乘车路径指示的每次换乘的线路换乘序列,以一次换乘的线路换乘序列为例,该线路换乘序列表征该次换乘指示的一条乘车线路换乘另一条乘车线路。
进一步的,若乘车路径为直达乘车路径,乘车路径中不涉及换乘,这种情况下,乘车路径的条件概率与乘车路径的长度相关。
本申请实施例中,有关获取乘车路径指示的换乘的线路换乘序列的具体方式请参见图5的详细描述,在此不做赘述。
S403、根据线路换乘序列的线路特征得到换乘的转移概率,换乘的转移概率与换乘的乘车代价负相关;
以一条乘车路径为例,该条乘车路径若不是直达乘车路径,则该条乘车路径可能指示一次换乘或多次换乘,获取该条乘车路径指示的每次换乘的线路换乘序列。针对乘车路径指示的每次换乘的线路换乘序列,获取该次换乘的线路换乘序列的线路特征,将该次换乘的线路换乘序列的线路特征输入至预训练的转移概率确定模型得到该次换乘的转移概率,该次换乘的转移概率与该次换乘的乘车代价负相关,该次换乘的乘车代价越低该次换乘的转移概率越高。
S404、根据乘车路径指示的所有换乘的转移概率确定乘车路径的条件概率,乘车路径的条件概率与乘车路径指示的换乘的转移概率正相关;
作为本申请实施例的一种实现方式,针对一条乘车路径而言,可以确定该条乘车路径指示的每次换乘的转移概率,将该条乘车路径指示的各次换乘的转移概率的乘积确定为该条乘车路径的条件概率。比如,若一条乘车路径指示起点->线路1->线路2->乘线路3->终点,则乘车路径指示两次换乘,一次换乘是线路1->线路2,另一次换乘是线路2->线路3,确定线路1->线路2的转移概率1,线路2->线路3的转移概率2,将转移概率1和转移概率2的乘积确定为该条乘车路径的条件概率。
作为本申请实施例提供的另一种实现方式,针对一条乘车路径而言,可以确定该条乘车路径指示的每次换乘的转移概率、该条乘车路径的首个乘车线路的观测概率,以及该条乘车路径的最后一个乘车线路的观测概率,将该条乘车路径指示的各次换乘的转移概率、该条乘车路径的首个乘车线路的观测概率和该条乘车路径的最后一个乘车线路的观测概率的乘积,确定为该条乘车路径的条件概率。
比如,若一条乘车路径指示起点->线路1->线路2->乘线路3->终点,则乘车路径指示两次换乘,一次换乘是线路1->线路2,另一次换乘是线路2->线路3,确定线路1->线路2的转移概率1,线路2->线路3的转移概率2,线路1的观测概率1,以及线路3的观测概率2;将转移概率1、转移概率2、观测概率1以及观测概率2的乘积,确定为该条乘车路径的条件概率。
通过对乘车路径中首个乘车线路的观测概率和最后一条乘车线路的观测概率的考虑,使得乘车路径的条件概率中体现了乘车路径中起点到首个乘车线路的乘车代价、以及乘车路径中最后一个乘车线路到终点的乘车代价,提高了乘车路径条件概率的准确性,由此,本申请实施例提供的一种乘车路径确定方法的准确性得到提高,相应的,提高了最优乘车路径的召回率。
S405、基于至少一条乘车路径中每条乘车路径的条件概率确定目标乘车路径。
示例性的,对至少一条乘车路径进行条件概率的降序排序得到乘车路径序列;从乘车路径序列中获取预设条数的排序靠前的乘车路径,将所获取的每条乘车路径确定为一条目标乘车路径,向发送乘车路径规划请求的乘车返回目标乘车路径,实现对目标乘车路径的召回。相应的,乘客在看到终端上显示的目标乘车路径后,可以按照目标乘车路径指示的乘车线路乘车以实现从起点到终点的目的。
进一步的,向乘客返回的目标乘车路径的条数可能为一条或多条,若向乘客返回的目标乘车路径的条数为多条时,可以按照目标乘车路径的条件概率从高到低的顺序在终端上显示各个目标乘车路径,这样,可以引导乘客按照条件概率最大的目标乘车路径进行乘车,即,引导乘客按照乘车代价最小的目标乘车路径进行乘车,提高乘客乘车体验。并且,若乘客不想按照条件概率最大的目标乘车路径进行乘车时,还可以按照终端上显示的其他目标乘车路径进行乘车,为乘客出行提供便利。
图5为本申请实施例提供的一种获取乘车路径指示的换乘的线路换乘序列的方法流程图。
如图5所示,该方法包括:
S501、获取乘车路径中的乘车线路序列,乘车线路序列中任意相邻两条乘车线路指示乘车路径中的一次换乘;
示例性的,依次获取乘车路径中每个乘车线路得到乘车线路序列,乘车线路序列中任意相邻两条乘车线路指示一次换乘。
比如,若一条乘车路径为起点->线路1->线路2->线路3->终点,则这条乘车路径中的乘车线路序列由依次排序的线路1、线路2和线路3构成,此时,线路1和线路2指示该条乘车路径中的一次换乘(线路1换乘线路2),线路2和线路3指示该条乘车路径中的一次换乘(线路2换乘线路3)。
示例性的,根据乘车路径中相邻两条乘车线路生成表征相邻两条乘车线路指示的换乘的线路换乘序列。有关该过程的具体实现方式请参见步骤S502-S505,在此不做详细描述。
S502、检测相邻两条乘车线路指示的换乘是否为同站换乘;若相邻两条乘车线路指示的换乘为同站换乘,执行步骤S503;若相邻两条乘车线路指示的换乘不为同站换乘,执行步骤S504;
S503、确定由相邻两条乘车线路构成的线路换乘序列;
S504、获取相邻两条乘车线路中第一乘车线路和用于被第一乘车线路换乘的第二乘车线路之间的中转线路;
S505、确定依次由第一乘车线路、中转线路和第二乘车线路构成的线路换乘序列。
乘车路径中相邻两条乘车线路指示一次换乘,为了便于区分,可以将相邻两条线路中在乘车路径中排序靠前的乘车线路称为第一乘车线路,排序靠后的乘车线路称为第二乘车线路,第一乘车线路用于换乘第二乘车线路。
乘车路径若不为直达乘车路径,则乘车路径可能会指示一次或多次换乘,针对乘车路径指示的每次换乘分别执行如下过程:判断乘车路径中指示该次换乘的相邻两条乘车线路是否为同站换乘;如果指示该次换乘的相邻两条乘车线路为同站换乘,确定依次由指示该次换乘的相邻两条乘车线路中的第一乘车线路和第二乘车线路构成的线路换乘序列;如果指示该次换乘的相邻两条乘车线路不为同站换乘,确定指示该次换乘的相邻两条乘车线路中的第一乘车线路和第二乘车线路之间的中转线路,确定依次由第一乘车线路、中转线路和第二乘车线路构成的线路换乘序列。
比如,若一条乘车路径为起点->线路1->线路2->线路3->终点,则这条乘车路径中的乘车线路序列由依次排序的线路1、线路2和线路3构成。此时,该条乘车路径指示两次换乘,一次换乘(换乘1)为线路1换乘线路2,另一次换乘(换乘2)为线路2换乘线路3。
判断换乘1是否为同站换乘,如果换乘1为同站换乘,则确定依次由线路1和线路2构成的线路换乘序列;如果换乘1不为同站换乘,则确定线路1和线路2之间的中转线路1,确定依次由线路1、中转线路1、线路2构成的线路换乘序列。中转线路1可以认为是乘车路径中线路1的下车点至线路2的上车点之间的线路。
判断换乘2是否为同站换乘,如果换乘2为同站换乘,则确定依次由线路2和线路3构成的线路换乘序列;如果换乘2不为同站换乘,则确定线路2和线路3之间的中转线路2,确定依次由线路2、中转线路2、线路3构成的线路换乘序列。中转线路2可以认为是乘车路径中线路2的下车点至线路3的上车点之间的线路。
基于本申请实施例提供的一种获取乘车路径指示的换乘的线路换乘序列的方式的详细说明,使得本申请实施例提供的一种乘车路径确定方法更加清楚、明了。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的机器学习等技术,具体通过如下实施例进行说明。图6为本申请实施例提供的另一种乘车路径确定方法流程图。如图6所示,该方法包括:
S601、确定适用于乘车路径规划请求的乘车路径;
S602、判断乘车路径是否为直达乘车路径;如果乘车路径不为直达乘车路径,执行步骤S603;如果乘车路径为直达乘车路径,执行步骤S605;
示例性的,若乘车路径仅指示一条乘车线路,则说明乘车路径为直达乘车路径;若乘车路径指示多条乘车线路,则说明乘车路径指示换乘,乘车路径不为直达乘车路径。
比如,起点->线路1->终点这一乘车路径可以认为是一条直达乘车路径,这条直达乘车路径仅指示一条乘车线路。
S603、获取乘车路径指示的换乘的线路换乘序列,线路换乘序列表征一条乘车线路换乘另一条乘车线路;
S604、将线路换乘序列的线路特征输入至预训练的转移概率确定模型得到换乘的转移概率,换乘的转移概率与换乘的乘车代价负相关;
S605、确定由乘车路径中起点和首个上车点构成的第一线路,以及由乘车路径中终点和最后一个下车点构成的第二线路;
示例性的,因为乘车路径是适用于乘车路径规划请求的乘车路径,因此,适用于乘车路径规划请求的乘车路径中的起点即为乘车路径规划请求指示的乘客的起点,适用于乘车路径规划请求的乘车路径中的终点即为乘车路径规划请求指示的乘客的终点。
S606、根据目标线路确定乘车路径中与目标线路相邻的目标乘车线路的观测概率,目标乘车线路的观测概率与目标乘车线路的乘车代价负相关,目标线路为第一线路和/或第二线路;
示例性的,确定乘车路径中起点至乘车路径中首个上车点之间的线路为第一线路,确定乘车路径中最后一个下车点至终点之间的线路为第二线路。
若目标线路为第一线路,则乘车路径中与第一线路相邻的目标乘车线路为乘车路径中首个乘车线路,进而确定依次由第一线路和乘车路径中首个乘车线路构成的线路序列,将该线路序列的线路特征输入至预训练的观测概率确定模型得到乘车路径中首个乘车线路的观测概率,该观测概率也可以认为是乘车路径中首个乘车线路与起点的观测概率。
若目标线路为第二线路,则乘车路径中与第二线路相邻的目标乘车线路为乘车路径中最后一个乘车线路,也可称为乘车路径中末尾乘车线路,进而确定依次由乘车路径中末尾乘车线路和第二线路构成的线路序列,将该线路序列的线路特征输入至预训练的观测概率确定模型得到乘车路径中末尾乘车线路的观测概率,该观测概率也可以认为是乘车路径中末尾乘车线路与终点的观测概率。
若目标线路为第一线路和第二线路时,则确定与第一线路相邻的乘车路径中的首个乘车线路,并确定依次由第一线路和乘车路径中首个乘车线路构成的第一线路序列,将第一线路序列的线路特征输入至预训练的观测概率确定模型得到乘车路径中首个乘车线路的观测概率;以及,确定与第二线路相邻的乘车路径中的末尾乘车线路,并确定依次由乘车路径中末尾乘车线路和第二线路构成的第二线路序列,将第二线路序列的线路特征输入至预训练的观测概率确定模型得到乘车路径中末尾乘车线路的观测概率。
S607、基于乘车路径中目标乘车线路的观测概率以及乘车路径指示的所有换乘的转移概率生成乘车路径的条件概率;
本申请实施例,若乘车路径不为直达乘车路径,将该乘车路径中目标乘车线路的观测概率和该乘车路径指示的所有换乘的转移概率的乘积,确定为乘车路径的条件概率。
示例性的,若乘车路径不为直达乘车路径,目标线路为第一线路,则目标乘车线路为乘车路径中首个乘车线路,将乘车路径中首个乘车线路的观测概率和乘车路径指示的所有换乘的转移概率的乘积确定为该乘车路径的条件概率;若目标线路为第二线路,则目标乘车线路为乘车路径中末尾乘车线路,将乘车路径中末尾乘车线路的观测概率和乘车路径指示的所有换乘的转移概率的乘积确定为该乘车路径的条件概率;若目标线路为第一线路和第二线路,则目标乘车线路为乘车路径中首个乘车线路和末尾乘车线路,此时,将乘车路径中首个乘车线路的观测概率、乘车路径指示的所有换乘的转移概率和乘车路径中末尾乘车路径的观测概率的乘积确定为该乘车路径的条件概率。
本申请实施例,若乘车路径为直达乘车路径,乘车路径未指示换乘,则不存在乘车路径指示的换乘的转移概率,这种情况下,根据该乘车路径中目标乘车线路的观测概率生成乘车路径的条件概率。
示例性的,若乘车路径为直达乘车路径,目标线路为第一线路,则目标乘车线路为乘车路径中首个乘车线路,将乘车路径中首个乘车线路的观测概率确定为该乘车路径的条件概率;若目标线路为第二线路,则目标乘车线路为乘车路径中末尾乘车线路,将乘车路径中末尾乘车线路的观测概率确定为该乘车路径的条件概率;若目标线路为第一线路和第二线路,则目标乘车线路为乘车路径中首个乘车线路和末尾乘车线路,此时,将乘车路径中首个乘车线路的观测概率和乘车路径中末尾乘车路径的观测概率的乘积确定为该乘车路径的条件概率。
S608、基于适用于乘车路径规划请求的至少一条乘车路径中每条乘车路径的条件概率确定目标乘车路径。
示例性的,针对每条乘车路径,按照条件概率计算公式P(XY)=P(Y|X)*P(X),即可计算乘车路径的条件概率,该式中,P(XY)可理解为整条乘车路径被选择的概率,P(X)表示之前线路X被选择的概率,P(Y|X)表示在之前线路X被选择的情况下,线路Y被选择的概率,当有多次换乘的时候,以此累乘即可作为该整条乘车路径的条件概率。
以乘车路径为起点->线路1->线路2->线路3->终点为例,若目标线路为第一线路,乘车路径的条件概率为线路1与起点的观测概率、线路1换乘线路2的转移概率,以及线路2换乘线路3的转移概率的乘积;若目标线路为第二线路,乘车路径的条件概率为线路1换乘线路2的转移概率、线路2换乘线路3的转移概率,以及线路3与终点的观测概率的乘积;若目标线路为第一线路和第二线路,乘车路径的条件概率为线路1与起点的观测概率、线路1换乘线路2的转移概率、线路2换乘线路3的转移概率,以及线路3与终点的观测概率的乘积。
以乘车路径为起点->线路1->终点为例,若目标线路为第一线路,乘车路径的条件概率为线路1与起点的观测概率;若目标线路为第二线路,乘车路径的条件概率为线路1与终点的观测概率;若目标线路为第一线路和第二线路,乘车路径的条件概率为第一线路与起点的观测概率和线路1与终点的观测概率的乘积。
本申请实施例提出的一种乘车路径确定方法,将原有的样本单位化整为零,进行拆解,基于动态规划的思想,如果全局最优,那么局部节点处一定最优,将原有的二分类问题转化为HMM问题,训练的对象由原来的二分类问题转换为HMM的观测概率和隐藏状态转移概率的问题,从而有效的解决了乘车路径中序列特征表征缺失的问题。
下面分别对本申请实施例提供的观测概率确定模型和转移概率确定模型的生成过程进行详细说明。
本申请实施例提供的转移概率确定模型用于预测一次换乘的转移概率,该转移概率确定模型的生成过程参见图7-8,其中,图7为本申请实施例提供的一种转移概率确定模型生成方法流程图;图8为本申请实施例提供的一种转移概率模型生成方法示意图。
如图7所示,该方法包括:
S701、获取第一训练样本,第一训练样本包括第一信息和表征第一信息的标准预测结果的第二信息,第一信息指示一次换乘;
本申请实施例中,获取第一训练样本的方式可以为:获取最优乘车路径;根据最优乘车路径中相邻两条乘车线路的线路特征生成第一信息;利用第一信息和用于表征样本为正样本的第二信息生成正样本;根据正样本生成负样本。其中,每个正样本可以认为是一个第一训练样本,每个负样本也可以认为是一个第一训练样本。
示例性的,最优乘车路径(最优方案)可以认为是真值样本。比如,乘客反馈比较好的乘车路径、竞品向乘客返回的最优乘车路径等。
真值样本的获取可能有不同的途径,一是通过人工评测标注,二是可以通过请求竞品的首方案,认为其为好方案,来作为真值样本。
然后针对真值样本进行拆解,真值样本中指示换乘的线路换乘序列的线路特征可以认为是一个第一信息,第一信息和用于表征样本为正样本的第二信息构成正样本。
以真值样本中相邻两个乘车线路为例,这两个乘车线路在真值样本中排序靠前的乘车线路称为第一乘车线路,排序靠后的乘车线路称为第二乘车线路,如果第一乘车线路和第二乘车线路之间不存在中转线路,则确定由依次排序的第一乘车线路的线路特征和第二乘车线路的线路特征构成一个第一信息;如果第一乘车线路和第二乘车线路之间存在中转线路,则确定由依次排序的第一乘车线路的线路特征、第一乘车线路和第二乘车线路之间的中转线路的线路特征和第二乘车线路的线路特征构成一个第一信息。
示例性的,第一乘车线路的线路特征的特征维度可以为距离,时间,站数,票价,线路类型等,中转线路的线路特征的特征维度可以为中转线路的换乘步行距离、路口数等,第二乘车线路的线路特征的特征维度可以为距离,时间,站数,票价,线路类型,等车时间等。
比如,第一信息可以依次由前一乘车线路的线路特征(距离,时间,站数,票价,线路类型等)、中转线路的线路特征(换乘步行距离等),以及后一乘车线路的线路特征(距离,时间,站数,票价,线路类型,等车时间等)构成。
以上仅仅是本申请实施例提供的第一信息的优选内容,有关用于生成第一信息的特征维度的具体内容,发明人可根据自己的需求进行设置在此不做限定。
并且,本申请实施例提供的确定第一信息的方式可以参见上述实施例提供的线路换乘序列的线路特征的确定方式,在此不做详细描述。
示例性的,在确定正样本后,可以将前一乘车线路相同,后一乘车线路不同的信息作为用于构成负样本的第一信息,确定用于表征样本为负样本的第二信息,进而由用于构成负样本的第一信息和用于表征样本为负样本的第二信息生成负样本,如此就有了正负样本。
本申请实施例中,用于表征样本为正样本的第二信息可以为1,用于表征样本为负样本的第二信息可以为0。
S702、将第一训练样本输入至待训练转移概率确定模型,以待训练转移概率确定模型对第一信息的预测结果趋近于第二信息为训练目标,对待训练转移概率确定模型进行训练生成转移概率确定模型。
本申请实施例中,第一训练样本包括正样本和负样本,不论是正样本还是负样本,均由第一信息和第二信息构成。将第一训练样本输入至待训练转移概率确定模型,以待训练转移概率确定模型对第一训练样本中第一信息的预测结果趋近于第一训练样本中第二信息为目标,对待训练转移概率确定模型进行训练直至待训练转移概率确定模型达到收敛得到转移概率确定模型。
首先获取每个第一训练样本的第一信息:前一乘车线路的长度、站数、时间、票价、线路类型等,中间换乘的中转线路的步行距离、路口数等,以及后一个乘车线路的长度、站数、时间、票价、线路类型等,正样本对应的第二信息(label)为1,负样本对应的第二信息(label)为0,继而采用xgboost模型进行训练得到模型文件,预测的时候,当我们拿到一个线路换乘序列以后,即可轻易获取线路换乘序列的线路特征,继而使用加载了训练后模型文件的模型进行预测,即可得到线路换乘序列的转移概率,即前一乘车线路换乘后一乘车线路的转移概率。转移概率越大,说明越偏向于换乘后一乘车线路;概率越小,说明换乘对后一乘车线路越差,越不推荐换乘到后一乘车线路。
转移概率确定模型的训练是以换乘方案为基础的。但是,很多最优乘车路径是直达方案,那么直达方案的情况怎么处理,直达方案能否应用到基于HMM的排序模型之中?
直达方案我们简化为:一个隐藏状态(线路)和一个观测概率,发现该类方案虽然没法用于训练转移概率确定模型,但是可以用于训练观测概率确定模型。图9为本申请实施例提供的一种观测概率确定模型生成方法流程图。
如图9所示,该方法包括:
S901、获取第二训练样本,第二训练样本包括第三信息和表征第三信息的标准预测结果的第四信息,第三信息指示乘车路径中起点至首个上车点构成的线路/乘车路径中最后一个上车点至终点构成的线路;
本申请实施例可以生成两个观测概率确定模型,一个观测概率确定模型为第一观测概率确定模型,另一个观测概率确定模型为第二观测概率确定模型,第一观测概率确定模型用于确定乘车路径中首个乘车线路与起点的观测概率;第二观测概率确定模型用于确定乘车路径中末尾乘车线路与终点的观测概率。
可以将最优的直达方案认为是用于训练观测概率确定模型的真值样本,根据真值样本分别确定用于训练第一观测概率确定模型的第二训练样本和用于训练第二观测概率确定模型的第二训练样本。
示例性的,用于训练第一观测概率确定模型的第二训练样本中的第三信息依次由真值样本的起点至上车点的线路的线路特征和真值样本中乘车线路的线路特征构成。比如,第三信息可以为:起点到上车点的步行距离,路口数,乘车线路的长度,乘车线路类型,站数,等车时间等。
示例性的,用于训练第二观测概率确定模型的第二训练样本中的第三信息依次由真值样本的乘车线路的线路特征和下车点至终点的线路的线路特征构成。比如,第三信息可以为:乘车线路的长度,乘车线路类型,站数,等车时间、下车点到终点的步行距离、路口数等。
以上仅仅是本申请实施例提供的第三信息的优选内容,有关第三信息的具体内容,发明人可根据自己的需求进行设置,在此不做限定。
S902、将第二训练样本输入至待训练观测概率确定模型,以待训练观测概率确定模型对第三信息的预测结果趋近于第四信息为训练目标,对待训练观测概率确定模型进行训练生成观测概率确定模型。
需要说明的是,根据真值样本确定的第三信息为用于生成正样本的第三信息;根据除真值样本外召回的其他直达方案确定的第三信息为用于生成负样本的第三信息。
本申请实施例中,用于表征样本为正样本的第四信息(label)可以为1,用于表征样本为负样本的第四信息(label)可以为0。
相应的,根据用于生成正样本的第三信息和用于表征样本为正样本的第四信息可以生成正样本,根据用于生成负样本的第三信息和用于表征样本为负样本的第四信息可以生成负样本。
示例性的,确定用于训练第一观测概率确定模型的第二训练样本,将所确定的第二训练样本输入至待训练第一观测概率确定模型,以待训练第一观测概率确定模型对所确定的第二训练样本中第三信息的预测结果趋近于所确定的第二训练样本中第四信息为训练目标,对待训练第一观测概率确定模型进行训练,生成第一观测概率确定模型。
示例性的,确定用于训练第二观测概率确定模型的第二训练样本,将所确定的第二训练样本输入至待训练第二观测概率确定模型,以待训练第二观测概率确定模型对所确定的第二训练样本中第三信息的预测结果趋近于所确定的第二训练样本中第四信息为训练目标,对待训练第二观测概率确定模型进行训练,生成第二观测概率确定模型。
有了正负样本接下来进行观测概率确定模型训练,最终根据该观测概率确定模型可以回归乘车路径中首个隐藏状态(首个乘车线路)与起点的观测概率以及末尾隐藏状态(末尾乘车线路)与终点的观测概率。考虑到观测概率确定模型的解释性,我们先采用线性模型,具体过程如下:
假定f(x)=wx,其中x为线路特征,如距离,路口数,线路长度等,对于一组样本而言,正样本只有一个,而负样本可以有很多,此时为了增加样本量,采用差值的方式,正样本的线路特征减负样本的线路特征,即为一个新的样本,label为1,反过来,负样本的线路特征减去正样本的线路特征,也为一个新样本,label为0,如此:1=w(xt-xf),0=w(xf-xt),其中w为需要训练的参数,如此,即可训练出w。预测的时候,当输入一个起终点及其对应的线路时,我们即可获取以上特征,进行计算,得出得分,即此处的观测概率。
需要说明的是,基于竞品的最优方案(真值样本)进行模型训练的方式,由于本方案和竞品方案之间公交数据的差异,步行数据的差异,导致即使是同一乘车路径,在特征维度上,也可能有所差别,比如乘车时间,每个乘车段都会存在一定的时间误差,如果针对整个乘车路径而言,在时间特征上的累计误差就会更大,从而也会导致训练的效果达不到预期,甚至会出现意想不到的不好的训练结果。
本申请实施例提供的一种乘车路径确定方法,转移概率会考虑到序列特征,更全面的考虑多个特征,并不是简单的依赖一个并不准确的乘车时间特征。并且,将乘车路径的条件概率拆分成多次换乘的转移概率来考虑,真值样本的特征误差也会相对较小,从样本量的角度来看,也增加了模型训练的样本量。由此分析,本申请提出的基于HMM乘车路径确定方法可以有效的保证乘车路径确定结果的正确性,改善路径规划方案对乘车路径的排序效果,即改善路径规划方案对最优乘车路径的确定结果。
图10为本申请实施例提供的一种乘车路径确定装置结构示意图。
如图10所示,该装置包括:
乘车路径规划请求单元101,用于确定适用于乘车路径规划请求的至少一条乘车路径;
线路换乘序列获取单元102,用于获取乘车路径指示的换乘的线路换乘序列,线路换乘序列表征一条乘车线路换乘另一条乘车线路;
转移概率确定单元103,用于根据线路换乘序列的线路特征得到换乘的转移概率,换乘的转移概率与换乘的乘车代价负相关;
条件概率确定单元104,用于根据乘车路径指示的所有换乘的转移概率确定乘车路径的条件概率,乘车路径的条件概率与乘车路径指示的换乘的转移概率正相关;
目标乘车路径确定单元105,用于基于至少一条乘车路径中每条乘车路径的条件概率确定目标乘车路径。
本申请实施例中,优选的,线路换乘序列获取单元包括:
乘车线路序列获取单元,用于获取乘车路径中的乘车线路序列,乘车线路序列中任意相邻两条乘车线路指示乘车路径中的一次换乘;
线路换乘序列生成单元,用于根据相邻两条乘车线路生成表征相邻两条乘车线路指示的换乘的线路换乘序列。
本申请实施例中,优选的,线路换乘序列生成单元包括:
检测单元,用于检测相邻两条乘车线路指示的换乘是否为同站换乘;
第一确定单元,用于若相邻两条乘车线路指示的换乘为同站换乘,确定由相邻两条乘车线路构成的线路换乘序列;
获取单元,用于若相邻两条乘车线路指示的换乘不为同站换乘,获取相邻两条乘车线路中第一乘车线路和用于被第一乘车线路换乘的第二乘车线路之间的中转线路;
第二确定单元,用于确定依次由第一乘车线路、中转线路和第二乘车线路构成的线路换乘序列。
本申请实施例中,优选的,条件概率确定单元包括:
第三确定单元,用于确定由乘车路径中起点和首个上车点构成的第一线路,以及由乘车路径中终点和最后一个下车点构成的第二线路;
观测概率确定单元,用于根据目标线路确定乘车路径中与目标线路相邻的目标乘车线路的观测概率,目标乘车线路的观测概率与目标乘车线路的乘车代价负相关,目标线路为第一线路和/或第二线路;
条件概率确定子单元,用于基于乘车路径中目标乘车线路的观测概率以及乘车路径指示的所有换乘的转移概率生成乘车路径的条件概率。
本申请实施例中,优选的,观测概率确定单元,包括:
第四确定单元,用于确定由目标线路和乘车路径中与目标线路相邻的目标乘车线路构成的线路序列;
第五确定单元,用于将线路序列的线路特征输入至预训练的观测概率确定模型得到目标乘车线路的观测概率。
本申请实施例中,优选的,转移概率确定单元,具体用于将线路换乘序列的线路特征输入至预训练的转移概率确定模型得到换乘的转移概率。
进一步的,本申请实施例提供的一种乘车路径确定装置还包括转移概率确定模型生成单元,该单元包括:
第一样本获取单元,用于获取第一训练样本,第一训练样本包括第一信息和表征第一信息的标准预测结果的第二信息,第一信息指示一次换乘;
第一训练单元,用于将第一训练样本输入至待训练转移概率确定模型,以待训练转移概率确定模型对第一信息的预测结果趋近于第二信息为训练目标,对待训练转移概率确定模型进行训练生成转移概率确定模型。
进一步的,本申请实施例提供的一种乘车路径确定装置还包括观测概率确定模型生成单元,该单元包括:
第二样本获取单元,用于获取第二训练样本,第二训练样本包括第三信息和表征第三信息的标准预测结果的第四信息,第三信息指示乘车路径中起点至首个上车点构成的线路/乘车路径中最后一个上车点至终点构成的线路;
第二训练单元,用于将第二训练样本输入至待训练观测概率确定模型,以待训练观测概率确定模型对第三信息的预测结果趋近于第四信息为训练目标,对待训练观测概率确定模型进行训练生成观测概率确定模型。
如图11所示,为本申请实施例提供的计算机设备的一种实现方式的结构图,该计算机设备包括:
存储器1101,用于存储程序;
处理器1102,用于执行程序,程序具体用于:
确定适用于乘车路径规划请求的至少一条乘车路径;
获取乘车路径指示的换乘的线路换乘序列,线路换乘序列表征一条乘车线路换乘另一条乘车线路;
根据线路换乘序列的线路特征得到换乘的转移概率,换乘的转移概率与换乘的乘车代价负相关;
根据乘车路径指示的所有换乘的转移概率确定乘车路径的条件概率,乘车路径的条件概率与乘车路径指示的换乘的转移概率正相关;
基于至少一条乘车路径中每条乘车路径的条件概率确定目标乘车路径。
处理器1102可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)。
控制设备还可以包括通信接口1103以及通信总线1104,其中,存储器1101、处理器1102以及通信接口1103通过通信总线1104完成相互间的通信。
本申请实施例提出的一种乘车路径确定方法、装置、计算机设备及存储介质,将原有的样本单位化整为零,进行拆解,基于动态规划的思想,如果全局最优,那么局部节点处一定最优,将原有的二分类问题转化为HMM问题,训练的对象由原来的二分类问题转换为HMM的观察概率和隐藏状态转移概率的问题,从而有效的解决了乘车路径中序列特征表征缺失、真值样本特征不一致误差较大的问题。
以上对本发明所提供的一种乘车路径确定方法、装置、计算机设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备所固有的要素,或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种乘车路径确定方法,其特征在于,包括:
确定适用于乘车路径规划请求的至少一条乘车路径;
获取所述乘车路径指示的换乘的线路换乘序列,所述线路换乘序列表征一条乘车线路换乘另一条乘车线路;
将所述线路换乘序列的线路特征输入至预训练的转移概率确定模型得到所述换乘的转移概率,所述换乘的转移概率与所述换乘的乘车代价负相关,所述转移概率确定模型的训练以换乘方案为基础;
确定由所述乘车路径中起点和首个上车点构成的第一线路,以及由所述乘车路径中终点和最后一个下车点构成的第二线路;
确定由目标线路和所述乘车路径中与所述目标线路相邻的目标乘车线路构成的线路序列;
将所述线路序列的线路特征输入至预训练的观测概率确定模型得到所述目标乘车线路的观测概率,所述目标乘车线路的观测概率与所述目标乘车线路的乘车代价负相关,所述目标线路为所述第一线路和/或所述第二线路,所述观测概率确定模型的训练以直达方案为基础;
基于所述乘车路径中目标乘车线路的观测概率以及所述乘车路径指示的所有换乘的转移概率生成所述乘车路径的条件概率,所述乘车路径的条件概率与所述乘车路径指示的换乘的转移概率正相关;
基于所述至少一条乘车路径中每条所述乘车路径的条件概率确定目标乘车路径。
2.根据权利要求1所述的方法,其特征在于,所述获取所述乘车路径指示的换乘的线路换乘序列,包括:
获取所述乘车路径中的乘车线路序列,所述乘车线路序列中任意相邻两条乘车线路指示所述乘车路径中的一次换乘;
根据所述相邻两条乘车线路生成表征所述相邻两条乘车线路指示的换乘的线路换乘序列。
3.根据权利要求2所述的方法,其特征在于,所述根据所述相邻两条乘车线路生成表征所述相邻两条乘车线路指示的换乘的线路换乘序列,包括:
检测所述相邻两条乘车线路指示的换乘是否为同站换乘;
若所述相邻两条乘车线路指示的换乘为同站换乘,确定由所述相邻两条乘车线路构成的线路换乘序列;
若所述相邻两条乘车线路指示的换乘不为同站换乘,获取所述相邻两条乘车线路中第一乘车线路和用于被所述第一乘车线路换乘的第二乘车线路之间的中转线路;
确定依次由所述第一乘车线路、所述中转线路和所述第二乘车线路构成的线路换乘序列。
4.根据权利要求1所述的方法,其特征在于,所述转移概率确定模型的生成过程包括:
获取第一训练样本,所述第一训练样本包括第一信息和表征所述第一信息的标准预测结果的第二信息,所述第一信息指示一次换乘;
将所述第一训练样本输入至待训练转移概率确定模型,以所述待训练转移概率确定模型对所述第一信息的预测结果趋近于所述第二信息为训练目标,对所述待训练转移概率确定模型进行训练生成转移概率确定模型。
5.根据权利要求1所述的方法,其特征在于,还包括观测概率确定模型生成过程,所述观测概率确定模型生成过程包括:
获取第二训练样本,所述第二训练样本包括第三信息和表征所述第三信息的标准预测结果的第四信息,所述第三信息指示乘车路径中起点至首个上车点构成的线路/乘车路径中最后一个上车点至终点构成的线路;
将所述第二训练样本输入至待训练观测概率确定模型,以所述待训练观测概率确定模型对所述第三信息的预测结果趋近于所述第四信息为训练目标,对所述待训练观测概率确定模型进行训练生成观测概率确定模型。
6.一种乘车路径确定装置,其特征在于,包括:
乘车路径规划请求单元,用于确定适用于乘车路径规划请求的至少一条乘车路径;
线路换乘序列获取单元,用于获取所述乘车路径指示的换乘的线路换乘序列,所述线路换乘序列表征一条乘车线路换乘另一条乘车线路;
转移概率确定单元,用于将所述线路换乘序列的线路特征输入至预训练的转移概率确定模型得到所述换乘的转移概率,所述换乘的转移概率与所述换乘的乘车代价负相关,所述转移概率确定模型的训练以换乘方案为基础;
条件概率确定单元,用于确定由所述乘车路径中起点和首个上车点构成的第一线路,以及由所述乘车路径中终点和最后一个下车点构成的第二线路;确定由目标线路和所述乘车路径中与所述目标线路相邻的目标乘车线路构成的线路序列;将所述线路序列的线路特征输入至预训练的观测概率确定模型得到所述目标乘车线路的观测概率,所述目标乘车线路的观测概率与所述目标乘车线路的乘车代价负相关,所述目标线路为所述第一线路和/或所述第二线路,所述观测概率确定模型的训练以直达方案为基础;基于所述乘车路径中目标乘车线路的观测概率以及所述乘车路径指示的所有换乘的转移概率生成所述乘车路径的条件概率,所述乘车路径的条件概率与所述乘车路径指示的换乘的转移概率正相关;
目标乘车路径确定单元,用于基于所述至少一条乘车路径中每条所述乘车路径的条件概率确定目标乘车路径。
7.一种计算机设备,其特征在于,包括:处理器以及存储器,所述处理器以及存储器通过通信总线相连;其中,所述处理器,用于调用并执行所述存储器中存储的程序;所述存储器,用于存储程序,所述程序用于实现如权利要求1-5任意一项所述的乘车路径确定方法。
8.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器加载并执行,实现如权利要求1-5任意一项所述的乘车路径确定方法的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073456.2A CN112053010B (zh) | 2020-10-09 | 2020-10-09 | 一种乘车路径确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073456.2A CN112053010B (zh) | 2020-10-09 | 2020-10-09 | 一种乘车路径确定方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112053010A CN112053010A (zh) | 2020-12-08 |
CN112053010B true CN112053010B (zh) | 2022-02-08 |
Family
ID=73605928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011073456.2A Active CN112053010B (zh) | 2020-10-09 | 2020-10-09 | 一种乘车路径确定方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053010B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685531B (zh) * | 2021-01-26 | 2021-12-03 | 腾讯科技(深圳)有限公司 | 车辆匹配方法和装置、计算设备以及计算机可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294823B (zh) * | 2013-06-18 | 2017-05-03 | 上海工程技术大学 | 基于文化蚁群***的轨道交通多模式最优换乘查询方法 |
CN109726842A (zh) * | 2017-10-30 | 2019-05-07 | 比亚迪股份有限公司 | 乘车路径确定方法及其装置 |
US10989546B2 (en) * | 2018-05-03 | 2021-04-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and device for providing vehicle navigation simulation environment |
CN108509659B (zh) * | 2018-05-22 | 2020-10-23 | 武汉轻工大学 | 乘车方案的推荐方法、装置、终端设备及可读存储介质 |
CN109447343B (zh) * | 2018-10-26 | 2022-02-01 | 北京交通大学 | 基于线网结构和时序组合的城轨列车换乘接续优化方法 |
-
2020
- 2020-10-09 CN CN202011073456.2A patent/CN112053010B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112053010A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766607B (zh) | 出行路线的推荐方法、装置、电子设备及可读存储介质 | |
CN105444770B (zh) | 基于智能手机的车道级别地图生成和定位方法 | |
CN108154420A (zh) | 产品推荐方法及装置、存储介质、电子设备 | |
JP2018511121A (ja) | オーダーペアリングのシステム及び方法 | |
CN102183252A (zh) | 数据处理装置、数据处理方法和程序 | |
TWI704508B (zh) | 用於線上到線下服務的系統、方法和電腦可讀取媒體 | |
Liu et al. | Balanced traffic routing: Design, implementation, and evaluation | |
CN111310055A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN102270191A (zh) | 数据处理设备、数据处理方法和程序 | |
JP2012003494A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN112884235B (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
CN112712701B (zh) | 基于识别装置的路线确定方法、装置、设备及存储介质 | |
CN112101676A (zh) | 一种乘车路径规划方法、装置、计算机设备及存储介质 | |
WO2022053557A1 (en) | Mobile device and system for automated transport mode recognition and corresponding method thereof | |
Guo et al. | Transportation mode recognition with deep forest based on GPS data | |
CN112053010B (zh) | 一种乘车路径确定方法、装置、计算机设备及存储介质 | |
Liu et al. | Themis: A participatory navigation system for balanced traffic routing | |
US20220246032A1 (en) | Method and apparatus for prompting navigation information, and medium | |
Ahmed et al. | Convolutional neural network for driving maneuver identification based on inertial measurement unit (IMU) and global positioning system (GPS) | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
Fu et al. | A learning approach for multi-agent travelling problem with dynamic service requirement in mobile IoT | |
Xiao et al. | Graph Neural Network-Based Design Decision Support for Shared Mobility Systems | |
Chen et al. | RGMComm: Return Gap Minimization via Discrete Communications in Multi-Agent Reinforcement Learning | |
CN113918802B (zh) | 导航方法、装置、设备、介质及产品 | |
CN112525213B (zh) | Eta的预测方法、模型训练方法、装置及存储介质 |
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 |