CN112396254A - 目的地预测方法、装置、介质及电子设备 - Google Patents
目的地预测方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN112396254A CN112396254A CN202011459957.4A CN202011459957A CN112396254A CN 112396254 A CN112396254 A CN 112396254A CN 202011459957 A CN202011459957 A CN 202011459957A CN 112396254 A CN112396254 A CN 112396254A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- target
- historical
- destination
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims description 102
- 230000006399 behavior Effects 0.000 claims description 64
- 239000013598 vector Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000000638 solvent extraction Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (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)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Animal Behavior & Ethology (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种目的地预测方法、装置、介质及电子设备,所述方法包括:获取与目标车辆相关的目标特征信息,其中,所述目标特征信息包括当前随机特征信息、所述目标车辆的目标历史行为轨迹信息,所述当前随机特征信息包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息;将所述目标特征信息输入到目的地预测模型中,得到所述目的地预测模型输出的所述目标车辆的预测目的地信息。通过上述技术方案,由于目的地预测模型在进行预测时的特征信息更为全面,因此通过该目的地预测模型得出的预测目的地信息更为准确。
Description
技术领域
本公开涉及计算机技术领域,具体地,涉及一种目的地预测方法、装置、介质及电子设备。
背景技术
车辆是人们日常生活中常用的交通工具,随着车辆技术的发展,车辆的智能化程度越来越高,例如用户准备出行时,可以对用户的目的地进行预测,从而为用户提供参考信息。相关技术中,通常根据车辆的历史轨迹信息对目的地进行预测,预测准确度较低,无法向用户提供准确的预测目的地结果。
发明内容
本公开的目的是提供一种目的地预测方法、装置、介质及电子设备,以提高目的地预测结果的准确性。
为了实现上述目的,第一方面,本公开提供一种目的地预测方法,所述方法包括:获取与目标车辆相关的目标特征信息,其中,所述目标特征信息包括当前随机特征信息、所述目标车辆的目标历史行为轨迹信息,所述当前随机特征信息包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息;将所述目标特征信息输入到目的地预测模型中,得到所述目的地预测模型输出的所述目标车辆的预测目的地信息。
可选地,所述目的地预测模型是通过如下方式训练得到的:获取用于训练所述目的地预测模型所需的原始训练数据,其中,所述原始训练数据包括多个车辆各自的历史行为轨迹信息、历史目的地信息、与所述历史行为轨迹信息相关的历史随机特征信息,所述历史随机特征信息包括历史节假日信息、历史通行时间信息、历史车辆限行信息、历史天气信息;通过所述原始训练数据对模型进行训练,以得到所述目的地预测模型。
可选地,所述通过所述原始训练数据对模型进行训练,包括:对所述原始训练数据进行预处理,得到目标训练数据;将所述目标训练数据存储到动态知识图谱中;通过所述动态知识图谱中存储的所述目标训练数据,对所述模型进行训练。
可选地,所述通过所述动态知识图谱中存储的所述目标训练数据,对所述模型进行训练,包括:针对每一所述车辆,根据该车辆的历史行为轨迹信息,对该车辆的历史行为轨迹进行行程划分,得到该车辆的历史行程轨迹信息;采用Word2vec模型中的Skip-Gram模型,分别对每一车辆的所述历史行程轨迹信息进行处理,得到所述车辆的行程轨迹特征向量信息;将所述车辆的行程轨迹特征向量信息以及与所述车辆的历史行为轨迹信息相关的历史随机特征信息作为所述模型的输入,将所述车辆的历史目的地信息作为所述模型的目标输出,对所述模型进行训练。
可选地,所述根据该车辆的历史行为轨迹信息,对该车辆的历史行为轨迹进行行程划分,包括:获取所述车辆从历史起始点信息到历史目的地信息中间经过的多个路程段;确定每一所述路程段各自对应的时长阈值;针对每一所述路程段,在所述车辆通过该路程段的时长大于对应的时长阈值的情况下,在该路程段对所述车辆的历史行为轨迹进行划分。
可选地,所述确定每一所述路程段各自对应的时长阈值,包括:针对每一所述路程段,根据所述车辆通过所述路程段的时刻,确定预设时间段;根据在所述预设时间段内其他车辆通过该路程段所需的时长,确定所述时长阈值。
可选地,所述目的地预测模型包括多个SRU单元,所述SRU单元之间采用SDZ算法进行计算,所述SRU单元内的记忆单元状态的生成和隐藏层状态的生成均采用所述SDZ算法。
第二方面,本公开提供一种目的地预测装置,所述装置包括:目标特征信息获取模块,用于获取与目标车辆相关的目标特征信息,其中,所述目标特征信息包括当前随机特征信息、所述目标车辆的目标历史行为轨迹信息,所述当前随机特征信息包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息;输入模块,用于将所述目标特征信息输入到目的地预测模型中,得到所述目的地预测模型输出的所述目标车辆的预测目的地信息。
可选地,所述目的地预测模型是通过目的地预测模型的训练装置训练得到的,所述目的地预测模型的训练装置包括:训练数据获取模块,用于获取用于训练所述目的地预测模型所需的原始训练数据,其中,所述原始训练数据包括多个车辆各自的历史行为轨迹信息、历史目的地信息、与所述历史行为轨迹信息相关的历史随机特征信息,所述历史随机特征信息包括历史节假日信息、历史通行时间信息、历史车辆限行信息、历史天气信息;训练模块,用于通过所述原始训练数据对模型进行训练,以得到所述目的地预测模型。
可选地,所述训练模块,包括:预处理子模块,用于对所述原始训练数据进行预处理,得到目标训练数据;存储子模块,用于将所述目标训练数据存储到动态知识图谱中;训练子模块,用于通过所述动态知识图谱中存储的所述目标训练数据,对所述模型进行训练。
可选地,所述训练子模块,包括:行程划分子模块,用于针对每一所述车辆,根据该车辆的历史行为轨迹信息,对该车辆的历史行为轨迹进行行程划分,得到该车辆的历史行程轨迹信息;处理子模块,用于采用Word2vec模型中的Skip-Gram模型,分别对每一车辆的所述历史行程轨迹信息进行处理,得到所述车辆的行程轨迹特征向量信息;模型训练子模块,用于将所述车辆的行程轨迹特征向量信息以及与所述车辆的历史行为轨迹信息相关的历史随机特征信息作为所述模型的输入,将所述车辆的历史目的地信息作为所述模型的目标输出,对所述模型进行训练。
可选地,所述行程划分子模块,包括:获取子模块,用于获取所述车辆从历史起始点信息到历史目的地信息中间经过的多个路程段;确定子模块,用于确定每一所述路程段各自对应的时长阈值;划分子模块,用于针对每一所述路程段,在所述车辆通过该路程段的时长大于对应的时长阈值的情况下,在该路程段对所述车辆的历史行为轨迹进行划分。
可选地,所述确定子模块用于:针对每一所述路程段,根据所述车辆通过所述路程段的时刻,确定预设时间段;根据在所述预设时间段内其他车辆通过该路程段所需的时长,确定所述时长阈值。
第三方面,本公开提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面提供的所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:存储器,其上存储有计算机程序;处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面提供的所述方法的步骤。
通过上述技术方案,获取与目标车辆相关的目标特征信息,将该目标特征信息输入到目的地预测模型中,得到目的地预测模型输出的目标车辆的预测目的地信息。其中,该目标特征信息可包括当前随机特征信息,由于目标车辆的行驶轨迹以及可能的目的地信息受到多方面的影响,本公开中在对目标车辆的目的地进行预测时,综合当前随机特征信息,该当前随机特征信息可包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息。由于目的地预测模型在进行预测时的特征信息更为全面,因此通过该目的地预测模型得出的预测目的地信息更为准确,与目标车辆的用户的实际目的地更接近,更符合用户的需求。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种目的地预测方法的流程图。
图2是根据一示例性实施例示出的一种目的地预测模型的训练方法的流程图。
图3是根据另一示例性实施例示出的一种目的地预测模型的训练方法的流程图。
图4是根据一示例性实施例示出的一种通过动态知识图谱中存储的目标训练数据对模型进行训练的方法的流程图。
图5是根据一示例性实施例示出的一种对车辆的历史行为轨迹进行行程划分的方法的流程图。
图6是根据一示例性实施例示出的一种Word2vec模型中的Skip-Gram模型对历史行程轨迹信息进行处理的示意图。
图7是根据一示例性实施例示出的一种SRU单元的结构示意图。
图8是根据一示例性实施例示出的目的地预测模型模型的结构示意图。
图9是根据一示例性实施例示出的一种对模型进行训练的示意图。
图10是根据一示例性实施例示出的一种目的地预测装置的框图。
图11是根据一示例性实施例示出的一种电子设备的框图。
图12是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据一示例性实施例示出的一种目的地预测方法的流程图,该方法可应用于具有处理能力的电子设备中,如终端或服务器。如图1所示,该方法可包括S101和S102。
在S101中,获取与目标车辆相关的目标特征信息。
目标车辆可以是任一需要进行目的地预测的车辆。该目标特征信息可包括当前随机特征信息、目标车辆的目标历史行为轨迹信息。其中,目标车辆的目标历史行为轨迹信息可包括目标车辆在历史时段的行驶轨迹信息。该当前随机特征信息可包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息。
车辆的行为轨迹受到多方面的影响,例如,在工作日,用户的目的地通常是工作地点,而在周六周日以及法定节假日,用户的目的地为工作地点的可能性则较小。再例如,由于交通部门有时会采取针对特定道路的限流措施,因此不同路段、不同时刻的交通限行措施可能会有所不同,受到交通限行措施的影响,车辆的行驶轨迹也会呈现不同的特点。而且,车辆的行驶轨迹也受到通行时间的影响,例如在早高峰时段和晚高峰时段,车辆的行驶轨迹可能与其他时段不同。另外,车辆限行信息也会影响车辆的行驶轨迹,例如城市中很多道路限制大型车辆通行,由于道路通行规定的限制,大型车辆的行驶轨迹与普通轿车可能不同,大型车辆的目的地为城市内某一地点的可能性较小。此外,在恶劣天气时,受天气的影响,车辆通行一般较为缓慢,车辆的行驶轨迹也可能会与平时有所不同。
综上,目标车辆的行驶轨迹以及可能的目的地信息受到多方面的影响,本公开中在对目标车辆的目的地进行预测时,综合当前随机特征信息,使得考虑的特征信息更全面。
在S102中,将该目标特征信息输入到目的地预测模型中,得到目的地预测模型输出的目标车辆的预测目的地信息。
目的地预测模型可以是预先训练的、用于预测车辆目的地的网络模型。目的地预测模型可以根据当前随机特征信息对目标车辆的目的地进行预测,由于目的地预测模型在进行预测时综合了当前随机特征信息,使得考虑的特征信息更为全面,因此通过该目的地预测模型得出的预测目的地信息更为准确,与目标车辆的用户的实际目的地更接近,更符合用户的需求。
通过上述技术方案,获取与目标车辆相关的目标特征信息,将该目标特征信息输入到目的地预测模型中,得到目的地预测模型输出的目标车辆的预测目的地信息。其中,该目标特征信息可包括当前随机特征信息,由于目标车辆的行驶轨迹以及可能的目的地信息受到多方面的影响,本公开中在对目标车辆的目的地进行预测时,综合当前随机特征信息,该当前随机特征信息可包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息。由于目的地预测模型在进行预测时的特征信息更为全面,因此通过该目的地预测模型得出的预测目的地信息更为准确,与目标车辆的用户的实际目的地更接近,更符合用户的需求。
下面介绍本公开中目的地预测模型的训练方法。图2是根据一示例性实施例示出的一种目的地预测模型的训练方法的流程图,如图2所示,该方法可包括S201和S202。
在S201中,获取用于训练目的地预测模型所需的原始训练数据。
该原始训练数据可包括多个车辆各自的历史行为轨迹信息、历史目的地信息、与该历史行为轨迹信息相关的历史随机特征信息。其中,该多个车辆可以预先选取出的任意多个车辆,例如也可包括上述的目标车辆,车辆的历史行为轨迹信息即车辆在历史时段的行驶轨迹信息,车辆的历史目的地信息即车辆在历史时段到过的目的地的信息。该历史随机特征信息可包括历史节假日信息、历史通行时间信息、历史车辆限行信息、历史天气信息。
示例地,例如车辆1的历史行为轨迹信息包括该车辆1在历史时段通过路口R,则与该历史行为轨迹信息相关的历史随机特征信息可包括车辆1通过路口R时的节假日信息、通行时间信息、车辆限行信息、天气信息。
在S202中,通过原始训练数据对模型进行训练,以得到目的地预测模型。
其中,由于车辆的行驶轨迹和可能的目的地信息受到多种因素的影响,因此本公开中将与该历史行为轨迹信息相关的历史随机特征信息作为训练数据,可以提高训练出的目的地预测模型的准确性和鲁棒性。
图3是根据另一示例性实施例示出的一种目的地预测模型的训练方法的流程图,如图3所示,该方法可包括S301至S304,上述的S202可包括S302~S304。
在S301(201)中,获取用于训练目的地预测模型所需的原始训练数据。
该步骤S301的实施方式可参照S201。
在S302中,对原始训练数据进行预处理,得到目标训练数据。
示例地,对原始训练数据进行预处理的操作可包括以下中的至少一者:数据格式统一、缺失数据补全、将无法与其他数据关联的孤立数据删除、数据去重。对原始训练数据进行预处理,可以提高训练数据的完整性和准确性。
在S303中,将目标训练数据存储到动态知识图谱中。
其中,相关技术中通常将车辆的历史行为轨迹信息存储在关系型数据库中,并通过表与表之间的联接操作实现数据的关联。然而,车辆轨迹随着时间而动态变化,车辆的行为轨迹信息是带有时间属性的具有时序性的数据,例如,车辆历史行为轨迹信息包括车牌号、车主姓名、通行时间、通行地点。采用关系型数据库存储时序性的特征信息,在获取车辆完整的历史行为轨迹信息时,需要从多个表中分别获取不同的数据,操作复杂,导致调用数据时速度较慢,并且难以准确还原车辆的整个行为轨迹。
本公开中,将目标训练数据存储到动态知识图谱中,动态知识图谱是带有时间属性的节点和关系组成的图谱,可以实现不同类型特征数据的拉通和建模,具有较强的灵活性,并且动态知识图谱具有自优化和自适应的能力,可以更加准确的记录具有时序性的车辆历史行为轨迹和历史随机特征信息。
在S304中,通过动态知识图谱中存储的目标训练数据,对模型进行训练。
通过上述方案,将目标训练数据存储到动态知识图谱中,在对模型进行训练时从动态知识图谱中获取所需的数据,无需如相关技术中从多个表中分别获取数据,可以提高数据的调用速度。并且,采用动态知识图谱存储目标训练数据,更加契合车辆行为轨迹信息的时序性特征。
图4是根据一示例性实施例示出的一种通过动态知识图谱中存储的目标训练数据对模型进行训练的方法的流程图。如图4所示,S304的示例性实施方式可包括S401~S403。
在S401中,针对每一车辆,根据该车辆的历史行为轨迹信息,对该车辆的历史行为轨迹进行行程划分,得到该车辆的历史行程轨迹信息。
其中,对车辆的历史行为轨迹进行行程划分,即将车辆的行驶轨迹划分成多个行程段。
该步骤S401的示例性实施方式可如图5所示,包括S4011~S4013。
在S4011中,获取车辆从历史起始点信息到历史目的地信息中间经过的多个路程段。
示例地,例如从历史起始点信息到历史目的地信息中间包括S1、S2、S3三个预设位置点,该预设位置点可以是预先设置的,例如按照道路路口设置预设位置点,每一路口作为一预设位置点。相应地,该多个路承段可包括从历史起始点到S1的路程段、从S1到S2的路程段、从S2到S3的路程段、从S3到历史目的地的路程段。
在S4012中,确定每一路程段各自对应的时长阈值。
可选地,该步骤S4012可包括:针对每一路程段,根据车辆通过路程段的时刻,确定预设时间段;根据在预设时间段内其他车辆通过该路程段所需的时长,确定该时长阈值。
示例地,对于从S1到S2的路程段,车辆通过该路程段的时刻可以是车辆经过S1位置点的时刻,例如可将该时刻之前的预设时长的时间段,作为该预设时间段。例如车辆通过该路程段的时刻为12:00,该预设时间段可以为11:55~12:00。示例地,可将在该预设时间段内其他车辆通过该路程段所需的时长的均值,作为该路程段对应的时长阈值,并将车辆通过该路程段的时长与该时长阈值进行比较,进而确定是否需要在该路程段对车辆的历史行为轨迹进行划分。
由于受节假日、交通限行措施、通行高峰期等因素的影响,车辆在不同时间通过同一路程段,所需的时长往往是不同的,例如车辆在早高峰通过该路程段所需的时长相对较长,在其他时段通过该路程段所需的时长相对较短,因此如果以统一的阈值作为标准判断是否需要在该路程段对车辆行程进行划分则不够准确。本公开中,根据车辆通过路程段的时刻确定预设时间段,并根据在预设时间段内其他车辆通过该路程段所需的时长,确定该时长阈值,可以使得确定的时长阈值是与车辆通行的时间相适应的。
在S4013中,针对每一路程段,在车辆通过该路程段的时长大于对应的时长阈值的情况下,在该路程段对车辆的历史行为轨迹进行划分。
如果车辆通过该路程段的时长大于对应的时长阈值,表示车辆可能在该路程段内停留了一段时间,则在该路程段对车辆的历史行为轨迹进行划分。示例地,对于从S1到S2的路程段,车辆通过该路程段的时长为20分钟,该路程段对应的时长阈值为10分钟,可表征车辆通过该路程段的时间较长,车辆可能停留了一段时间,则在该路程段对车辆的历史行为轨迹进行划分,进行行程划分得到的车辆的历史行程轨迹信息可包括多个轨迹点。
在S402中,采用Word2vec模型中的Skip-Gram模型,分别对每一车辆的所述历史行程轨迹信息进行处理,得到车辆的行程轨迹特征向量信息。
图6是根据一示例性实施例示出的一种Word2vec模型中的Skip-Gram模型对历史行程轨迹信息进行处理的示意图。
如图6所示,{x1,x2,x3,...,xk,...,xv}表示的轨迹点独热表示(one-hot)的编码方式,其中Rv是所有轨迹点的集合,v表示的是集合的数量,k表示第k个轨迹点;W∈RV×N表示V×N大小的向量矩阵,每一维度的横向量h表示一个轨迹点,通过{x1,x2,x3,...,xk,...,xv}与向量矩阵W做乘积可将独热表示(one-hot)编码的轨迹点转成成向量表示h={h1,...,hi,...,hN-1,hN},h∈RN的维度大小为N。根据Skip-Gram模型的原理可知,采用轨迹中的任一轨迹点表示该轨迹点的相邻的轨迹点,也就是说明了车辆轨迹中相邻的轨迹点的向量越相似,W'∈RN×V表示当前轨迹点与相邻轨迹点的向量转化矩阵,其维度大小为N×V,通过轨迹点向量h与向量矩阵W'乘积得到的结果通过softmax变换得到其相邻的轨迹点y1,y2,yc,C表示第C个相邻轨迹点。Skip-Gram模型对历史行程轨迹信息进行处理的具体方式可参照本领域相关技术。
Skip-Gram模型通过对上下文环境的序列进行采样,计算输入向量和输出向量之间的相似度,并通过层次softmax进行归一化。通过使用Skip-Gram模型实现对离散的轨迹点进行向量表征,如果是相邻的位置点,那么其向量也是相似的,实现了对行程轨迹信息的处理。
在S403中,将车辆的行程轨迹特征向量信息以及与车辆的历史行为轨迹信息相关的历史随机特征信息作为模型的输入,将车辆的历史目的地信息作为模型的目标输出,对模型进行训练。
本公开中,目括多个SRU(Simple Recurrent Unit,简单循环单元)单元,SRU单元之的地预测模型可包间采用SDZ(Surprisal-Driven Zoneout)算法进行计算,SRU单元内的记忆单元状态的生成和隐藏层状态的生成均采用SDZ算法。
由于车辆的行为轨迹具有先后顺序,并且先后的行为具有相互依赖性,而循环神经网络在处理时序的序列中具有非常好的效果并能有效的捕捉先后行为之间的相互依赖性。因此本公开中采用SRU单元不仅可以很好的捕捉到行为序列的先后行为的顺序性和依赖性,而且避免了传统循环神经网络存在的梯度消失和***的问题,可以实现并行计算。
图7是根据一示例性实施例示出的一种SRU单元的结构示意图,如图7所示,SRU单元记忆单元状态和隐藏层状态的计算过程及之间的关系如下:
ft=σ(Wf*xt+bf)
rt=σ(Wr*xt+br)
ct=ftΘct-1+(1-ft)Θxt
ht=rtΘg(ct)+(1-rt)Θxt
其中,遗忘门输出ft依赖于当前的t时刻输入轨迹xt,Wf表示遗忘门的权重比重,bf表示遗忘门t时刻偏移量,通过对轨迹xt的线性变化的结果经过σ函数获取的遗忘门的输出;重置门rt根据当前的输入轨迹xt,通过对t时刻输入轨迹xt的进行线性变化,然后经过σ函数获取的重置门的输出,Wr表示重置门的权重比重,br表示重置门t时刻偏移量;在简单循环单元(SRU)的t时刻的记忆单元状态ct的生成依赖于遗忘门的输出ft、输入的轨迹xt和前一时刻t-1时刻的记忆单元状态ct-1,Θ表示向量之间的内积,而遗忘门限的输出ft又依赖于此时的数据xt,所以记忆单元状态的生成仅仅依赖于当前时刻的输入xt。隐藏层状态ht表示的当前t时刻的输出状态,其中g表示的是激活函数;SRU单元将状态之间依赖关系的消除,解除了各个门限的时序的依赖,使得ft和rt的计算可以并行的处理,提高了模型训练和预测的效率。
SDZ(Surprisal-Driven Zoneout)是一种自适应Zoneout概率的方法,解决了Zoneout指定固定概率的问题,并在训练过程中提高了神经网络对隐藏状态下扰动的鲁棒性。SDZ算法中单元激活是以一定的概率随机替换前一步的激活,在更新权重的过程中更新部分参数,训练数据也能得到一定程度的提高。
图8是根据一示例性实施例示出的目的地预测模型模型的结构示意图。如图8所示,X1、X2、X3为模型输入数据,图8仅以该三个数据作为示意,在实际应用中模型输入数据的数量并不局限于此。其中,SRU单元层内的记忆单元状态的生成和隐藏层状态的生成均采用SDZ算法。SRU单元同一层的记忆状态包括了两个部分:SRU单元产生的记忆单元状态ct和前一时刻记忆单元状态同时采用变量Zt来控制上述记忆单元状态对与新记忆单元状态的影响。同时,SRU单元之间采用SDZ算法进行计算,加强了隐藏层状态在层与层之间的联系,SDZ算法的加入可以解决目的地预测中的轨迹长依赖问题,保证了模型的准确性,模型计算过程可如下公式所示:
本公开中融合与历史行为轨迹信息相关的历史随机特征信息作为模型的输入,例如历史节假日信息、历史通行时间信息、历史车辆限行信息、历史天气信息等,将车辆的历史目的地信息作为模型的目标输出,对模型进行训练,同时考虑影响车辆轨迹信息的随机因素,提高了模型的准确性、鲁棒性和运行效率。
图9是根据一示例性实施例示出的一种模型训练示意图,其中训练过程已在上文详细阐述,此处不再赘述。
基于同一发明构思,本公开还提供一种目的地预测装置,图10是根据一示例性实施例示出的一种目的地预测装置的框图,如图10所示,该装置1000可包括:
目标特征信息获取模块1001,用于获取与目标车辆相关的目标特征信息,其中,所述目标特征信息包括当前随机特征信息、所述目标车辆的目标历史行为轨迹信息,所述当前随机特征信息包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息;
输入模块1002,用于将所述目标特征信息输入到目的地预测模型中,得到所述目的地预测模型输出的所述目标车辆的预测目的地信息。
可选地,所述目的地预测模型是通过目的地预测模型的训练装置训练得到的,所述目的地预测模型的训练装置包括:训练数据获取模块,用于获取用于训练所述目的地预测模型所需的原始训练数据,其中,所述原始训练数据包括多个车辆各自的历史行为轨迹信息、历史目的地信息、与所述历史行为轨迹信息相关的历史随机特征信息,所述历史随机特征信息包括历史节假日信息、历史通行时间信息、历史车辆限行信息、历史天气信息;训练模块,用于通过所述原始训练数据对模型进行训练,以得到所述目的地预测模型。
可选地,所述训练模块,包括:预处理子模块,用于对所述原始训练数据进行预处理,得到目标训练数据;存储子模块,用于将所述目标训练数据存储到动态知识图谱中;训练子模块,用于通过所述动态知识图谱中存储的所述目标训练数据,对所述模型进行训练。
可选地,所述训练子模块,包括:行程划分子模块,用于针对每一所述车辆,根据该车辆的历史行为轨迹信息,对该车辆的历史行为轨迹进行行程划分,得到该车辆的历史行程轨迹信息;处理子模块,用于采用Word2vec模型中的Skip-Gram模型,分别对每一车辆的所述历史行程轨迹信息进行处理,得到所述车辆的行程轨迹特征向量信息;模型训练子模块,用于将所述车辆的行程轨迹特征向量信息以及与所述车辆的历史行为轨迹信息相关的历史随机特征信息作为所述模型的输入,将所述车辆的历史目的地信息作为所述模型的目标输出,对所述模型进行训练。
可选地,所述行程划分子模块,包括:获取子模块,用于获取所述车辆从历史起始点信息到历史目的地信息中间经过的多个路程段;确定子模块,用于确定每一所述路程段各自对应的时长阈值;划分子模块,用于针对每一所述路程段,在所述车辆通过该路程段的时长大于对应的时长阈值的情况下,在该路程段对所述车辆的历史行为轨迹进行划分。
可选地,所述确定子模块用于:针对每一所述路程段,根据所述车辆通过所述路程段的时刻,确定预设时间段;根据在所述预设时间段内其他车辆通过该路程段所需的时长,确定所述时长阈值。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图11是根据一示例性实施例示出的一种电子设备700的框图。如图11所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的目的地预测方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的目的地预测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的目的地预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的目的地预测方法。
图12是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图12,电子设备1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1922可以被配置为执行该计算机程序,以执行上述的目的地预测方法。
另外,电子设备1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行电子设备1900的电源管理,该通信组件1950可以被配置为实现电子设备1900的通信,例如,有线或无线通信。此外,该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的目的地预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器1932,上述程序指令可由电子设备1900的处理器1922执行以完成上述的目的地预测方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的目的地预测方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种目的地预测方法,其特征在于,所述方法包括:
获取与目标车辆相关的目标特征信息,其中,所述目标特征信息包括当前随机特征信息、所述目标车辆的目标历史行为轨迹信息,所述当前随机特征信息包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息;
将所述目标特征信息输入到目的地预测模型中,得到所述目的地预测模型输出的所述目标车辆的预测目的地信息。
2.根据权利要求1所述的方法,其特征在于,所述目的地预测模型是通过如下方式训练得到的:
获取用于训练所述目的地预测模型所需的原始训练数据,其中,所述原始训练数据包括多个车辆各自的历史行为轨迹信息、历史目的地信息、与所述历史行为轨迹信息相关的历史随机特征信息,所述历史随机特征信息包括历史节假日信息、历史通行时间信息、历史车辆限行信息、历史天气信息;
通过所述原始训练数据对模型进行训练,以得到所述目的地预测模型。
3.根据权利要求2所述的方法,其特征在于,所述通过所述原始训练数据对模型进行训练,包括:
对所述原始训练数据进行预处理,得到目标训练数据;
将所述目标训练数据存储到动态知识图谱中;
通过所述动态知识图谱中存储的所述目标训练数据,对所述模型进行训练。
4.根据权利要求3所述的方法,其特征在于,所述通过所述动态知识图谱中存储的所述目标训练数据,对所述模型进行训练,包括:
针对每一所述车辆,根据该车辆的历史行为轨迹信息,对该车辆的历史行为轨迹进行行程划分,得到该车辆的历史行程轨迹信息;
采用Word2vec模型中的Skip-Gram模型,分别对每一车辆的所述历史行程轨迹信息进行处理,得到所述车辆的行程轨迹特征向量信息;
将所述车辆的行程轨迹特征向量信息以及与所述车辆的历史行为轨迹信息相关的历史随机特征信息作为所述模型的输入,将所述车辆的历史目的地信息作为所述模型的目标输出,对所述模型进行训练。
5.根据权利要求4所述的方法,其特征在于,所述根据该车辆的历史行为轨迹信息,对该车辆的历史行为轨迹进行行程划分,包括:
获取所述车辆从历史起始点信息到历史目的地信息中间经过的多个路程段;
确定每一所述路程段各自对应的时长阈值;
针对每一所述路程段,在所述车辆通过该路程段的时长大于对应的时长阈值的情况下,在该路程段对所述车辆的历史行为轨迹进行划分。
6.根据权利要求5所述的方法,其特征在于,所述确定每一所述路程段各自对应的时长阈值,包括:
针对每一所述路程段,根据所述车辆通过所述路程段的时刻,确定预设时间段;根据在所述预设时间段内其他车辆通过该路程段所需的时长,确定所述时长阈值。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述目的地预测模型包括多个SRU单元,所述SRU单元之间采用SDZ算法进行计算,所述SRU单元内的记忆单元状态的生成和隐藏层状态的生成均采用所述SDZ算法。
8.一种目的地预测装置,其特征在于,所述装置包括:
目标特征信息获取模块,用于获取与目标车辆相关的目标特征信息,其中,所述目标特征信息包括当前随机特征信息、所述目标车辆的目标历史行为轨迹信息,所述当前随机特征信息包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息;
输入模块,用于将所述目标特征信息输入到目的地预测模型中,得到所述目的地预测模型输出的所述目标车辆的预测目的地信息。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011459957.4A CN112396254A (zh) | 2020-12-11 | 2020-12-11 | 目的地预测方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011459957.4A CN112396254A (zh) | 2020-12-11 | 2020-12-11 | 目的地预测方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112396254A true CN112396254A (zh) | 2021-02-23 |
Family
ID=74624795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011459957.4A Pending CN112396254A (zh) | 2020-12-11 | 2020-12-11 | 目的地预测方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396254A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065074A (zh) * | 2021-04-02 | 2021-07-02 | 大连理工大学 | 一种基于知识图谱和自注意力机制的轨迹目的地预测的方法 |
CN113379304A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 用于确定用电量的方法和装置 |
CN113821736A (zh) * | 2021-09-01 | 2021-12-21 | 北京中交兴路信息科技有限公司 | 基于前缀树的车辆目的地的预测方法、装置、设备及介质 |
CN115083147A (zh) * | 2022-05-10 | 2022-09-20 | 广州汽车集团股份有限公司 | 目的地预测方法、装置以及车辆 |
CN115690163A (zh) * | 2023-01-04 | 2023-02-03 | 中译文娱科技(青岛)有限公司 | 基于影像内容的目标跟踪方法、***及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009054130A1 (ja) * | 2007-10-23 | 2009-04-30 | Panasonic Corporation | 目的地表示装置および目的地表示方法 |
CN109977283A (zh) * | 2019-03-14 | 2019-07-05 | 中国人民大学 | 一种基于知识图谱和用户足迹的旅游推荐方法和*** |
CN111178628A (zh) * | 2019-12-30 | 2020-05-19 | 沈阳民航东北凯亚有限公司 | 一种行李到达时间预测方法及装置 |
CN111369787A (zh) * | 2018-12-26 | 2020-07-03 | 杭州海康威视***技术有限公司 | 一种车辆轨迹预测方法、装置及电子设备 |
CN112052339A (zh) * | 2020-07-24 | 2020-12-08 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 基于知识图谱的目标轨迹预测方法、***及存储介质 |
-
2020
- 2020-12-11 CN CN202011459957.4A patent/CN112396254A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009054130A1 (ja) * | 2007-10-23 | 2009-04-30 | Panasonic Corporation | 目的地表示装置および目的地表示方法 |
CN111369787A (zh) * | 2018-12-26 | 2020-07-03 | 杭州海康威视***技术有限公司 | 一种车辆轨迹预测方法、装置及电子设备 |
CN109977283A (zh) * | 2019-03-14 | 2019-07-05 | 中国人民大学 | 一种基于知识图谱和用户足迹的旅游推荐方法和*** |
CN111178628A (zh) * | 2019-12-30 | 2020-05-19 | 沈阳民航东北凯亚有限公司 | 一种行李到达时间预测方法及装置 |
CN112052339A (zh) * | 2020-07-24 | 2020-12-08 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 基于知识图谱的目标轨迹预测方法、***及存储介质 |
Non-Patent Citations (1)
Title |
---|
张国兴: "具有长期依赖的出租车轨迹目的地预测", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065074A (zh) * | 2021-04-02 | 2021-07-02 | 大连理工大学 | 一种基于知识图谱和自注意力机制的轨迹目的地预测的方法 |
CN113379304A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 用于确定用电量的方法和装置 |
CN113821736A (zh) * | 2021-09-01 | 2021-12-21 | 北京中交兴路信息科技有限公司 | 基于前缀树的车辆目的地的预测方法、装置、设备及介质 |
CN113821736B (zh) * | 2021-09-01 | 2023-09-08 | 北京中交兴路信息科技有限公司 | 基于前缀树的车辆目的地的预测方法、装置、设备及介质 |
CN115083147A (zh) * | 2022-05-10 | 2022-09-20 | 广州汽车集团股份有限公司 | 目的地预测方法、装置以及车辆 |
CN115690163A (zh) * | 2023-01-04 | 2023-02-03 | 中译文娱科技(青岛)有限公司 | 基于影像内容的目标跟踪方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396254A (zh) | 目的地预测方法、装置、介质及电子设备 | |
Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
Tedjopurnomo et al. | A survey on modern deep neural network for traffic prediction: Trends, methods and challenges | |
CN114529081B (zh) | 一种时空联合的交通流量预测方法及装置 | |
US20190114345A1 (en) | Driving data analyzer | |
Ip et al. | Vehicle trajectory prediction based on LSTM recurrent neural networks | |
CN113159403B (zh) | 路口行人轨迹预测的方法及装置 | |
CN111862605A (zh) | 路况检测方法、装置、电子设备及可读存储介质 | |
CN113643532A (zh) | 一种区域交通的预测方法以及设备 | |
CN111862590A (zh) | 路况预测方法、装置及存储介质 | |
Liu et al. | A dynamic OD prediction approach for urban networks based on automatic number plate recognition data | |
CN114826947A (zh) | 一种基于自动编码器的流量矩阵恢复预测方法及*** | |
Wang et al. | A new traffic speed forecasting method based on bi-pattern recognition | |
CN116698075B (zh) | 路网数据处理方法、装置、电子设备及存储介质 | |
Rajan et al. | Robustness generalizations of the shortest feasible path problem for electric vehicles | |
CN114676867A (zh) | 车辆路线预测方法和装置 | |
CN116795720A (zh) | 一种基于场景的无人驾驶***可信性评价方法及装置 | |
Du et al. | Online stochastic routing incorporating real-time traffic information | |
CN116109021A (zh) | 基于多任务学习的行程时间预测方法、装置、设备及介质 | |
CN116258253A (zh) | 一种基于贝叶斯神经网络的车辆od预测方法 | |
Qu et al. | Temporal backtracking and multistep delay of traffic speed series prediction | |
CN115366919A (zh) | 一种轨迹预测方法、***、电子设备及存储介质 | |
CN115660156A (zh) | 一种用于交通站点客流拥堵延误预测的方法及*** | |
CN113192315B (zh) | 一种交通流量分布预测方法、预测装置及终端设备 | |
CN114445577A (zh) | 一种基于图网络的预计达到时间计算方法和*** |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No.27, 1st floor, building 14, Haidian Road, zhongjiancai District, Beijing 100096 Applicant after: Beijing PERCENT Technology Group Co.,Ltd. Address before: No.27, 1st floor, building 14, Haidian Road, zhongjiancai District, Beijing 100096 Applicant before: BEIJING BAIFENDIAN INFORMATION SCIENCE & TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210223 |