CN113821736B - 基于前缀树的车辆目的地的预测方法、装置、设备及介质 - Google Patents
基于前缀树的车辆目的地的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113821736B CN113821736B CN202111023011.8A CN202111023011A CN113821736B CN 113821736 B CN113821736 B CN 113821736B CN 202111023011 A CN202111023011 A CN 202111023011A CN 113821736 B CN113821736 B CN 113821736B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- destination
- route
- information
- preset
- 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
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于前缀树的车辆目的地的预测方法、装置、设备和介质。所述方法包括:接收查询请求;以及响应于查询请求,基于优化后的目的地预测模型,对预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到并输出预测结果。因此,采用本申请,由于构建了用于对初始化目的地预测模型进行训练的训练样本数据,并对该训练样本数据进行预处理,得到预处理后的训练样本数据;基于预处理后的训练样本数据,对初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;这样,就能够根据接收到的查询请求中携带的各种查询信息进行精准查询及预测,精准地预测出符合查询信息的所有途径车辆信息。
Description
技术领域
本发明涉及文本处理技术领域,特别涉及基于前缀树的车辆目的地的预测方法、装置、设备及介质。
背景技术
现有技术,基于车辆在目标场景下的实时轨迹点数据,根据用户到达目标场景下的目标位置区域顺序,来预测车辆最终的目的地的预测方法存在如下多种缺陷。
缺陷一:对于不同的业务目标场景,需要提前设置场景中的目标位置区域,例如酒店场景中,可以选取各楼层客房、健身房、中餐厅、西餐厅、酒店大门等位置区域作为上述多个目标位置区域,不同的目标位置区域设置方案,对于预测结果的影响无法估计,造成对于车辆目的地的预测结果不准的缺陷。
缺陷二:需要提前在目标场景下的各个目标位置区域中安装定位装置,从而造成硬件成本较高。
缺陷三:在多种不同业务目标场景中,无法对预测方法所采用的预测算法进行有效统一的评估优化。
因此,如何提供一种能够对车辆目的地进行精准预测,且能够对该预测方法所采用的预测算法进行不断迭代及优化,是待解决的技术问题。
发明内容
基于此,有必要针对现有技术无法对车辆目的地进行精准预测的问题,提供一种基于前缀树的车辆目的地的预测方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供了一种基于前缀树的车辆目的地的预测方法,所述方法包括:
获取初始化目的地预测模型,所述初始化目的地预测模型用于预测目标车辆的目的地;
构建用于训练及优化所述初始化目的地预测模型的训练样本数据;
基于所述训练样本数据,对所述初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;
接收查询请求,所述查询请求中携带有预设时间段、起始点区域的位置信息和目的地区域的位置信息;
响应于所述查询请求,基于所述优化后的目的地预测模型,对所述预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到并输出预测结果。
在一种实施方式中,所述基于所述优化后的目的地预测模型,对所述预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到并输出预测结果包括:
获取多个待预测车辆的实时位置信息;
从多个待预测车辆中选取任意一个待预测车辆作为当前待预测车辆;
基于第一预设条件,判断当前待预测车辆在从所述起始点区域行驶至所述目的地区域的过程中,当前途径区域是否发生变化;若基于所述第一预设条件,判断当前待预测车辆对应的途径区域发生变化,则将当前途径区域的实时位置信息和进入当前途径区域的时间信息添加至途径区域序列列表中;否则,则忽略处理;
判断所述途径区域序列列表中的途径区域数量是否大于或者等于预设数量,若所述途径区域数量大于或者等于所述预设数量,则基于预设格式搜索数据库中存储的数据,为每一辆车辆建立多条历史运单线路对应的前缀树,并在所述前缀树中的所有途径区域节点上标记有线路运输趟次信息、平均路线完成时长信息、线路完成时长标准差信息;
以所述途径区域序列列表作为子线路查询前缀树,基于第二预设条件,判断所述途径区域序列列表中是否存在相同的子线路;若基于所述第二预设条件,判断所述途径区域序列列表中不存在相同的子路线,则基于当前子线路在所述预设格式搜索数据库中搜索并输出所有叶子节点作为潜在目的地;
基于各个潜在目的地在所述预设格式搜索数据库中搜索对应的车辆信息和车辆关联信息,所述车辆信息至少包括车牌号信息和车辆颜色信息,并将包括所述车辆信息和车辆关联信息作为所述预测结果并输出所述预测结果。
在一种实施方式中,所述方法还包括:
在所述预设格式搜索数据库中搜索各个潜在目的地的位置信息以及对应的潜在目的地关联信息;
所述潜在目的地关联信息包括以下至少一项:
与各个潜在目的地对应的输出线路起点区域信息、对应的目的地线路完成趟次、对应的线路次数占比、对应的到达时间。
在一种实施方式中,所述构建用于训练及优化所述初始化目的地预测模型的训练样本数据包括:
获取所述预设时间段内的运单数据和车辆所述预设时间段内的途径区域车辆数据;
基于第三预设条件,对所述运单数据进行筛选,得到筛选后的运单数据;
基于第四预设条件,对所述途径区域车辆数据进行筛选,得到筛选后的途径区域车辆数据;
将所述筛选后的运单数据和所述筛选后的途径区域车辆数据作为筛选后的数据,并将所述筛选后的数据作为用于训练及优化所述初始化目的地预测模型的所述训练样本数据。
在一种实施方式中,所述基于第三预设条件,对所述运单数据进行筛选包括:
若所述第三预设条件包括待预测目的地车辆的行驶里程数大于或等于第一预设阈值时,则从所述运单数据中筛选掉与所述行驶里程数小于所述第一预设阈值车辆的相关数据。
在一种实施方式中,所述基于第四预设条件,对所述途径区域车辆数据进行筛选包括:
若所述第四预设条件为待预测目的地车辆的平均速度大于或等于第二预设阈值,在任意一个途径区域行驶时长小于第三预设阈值、且途径行驶里程小于第四预设阈值时,则从所述途径区域车辆数据中筛选掉不符合所述第四预设条件车辆的相关数据。
在一种实施方式中,所述方法还包括:
将所述筛选后的数据存储于所述预设格式搜索数据库中,对所述筛选后的数据中的每一辆车辆的车辆号和车辆颜色之间构建对应的映射关系,并将所述映射关系存储于所述预设格式搜索数据库中。
第二方面,本申请实施例提供了一种基于前缀树的车辆目的地的预测装置,所述装置包括:
获取模块,用于获取初始化目的地预测模型,所述初始化目的地预测模型用于预测目标车辆的目的地;
构建模块,用于构建用于训练及优化所述初始化目的地预测模型的训练样本数据;
训练及优化模块,用于基于所述构建模块构建的所述训练样本数据,对所述初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;
接收模块,用于接收查询请求,所述查询请求中携带有预设时间段、起始点区域的位置信息和目的地区域的位置信息;
预测模块,用于响应于所述接收模块接收的所述查询请求,基于所述优化后的目的地预测模型,对所述预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到预测结果;
输出模块,用于输出所述预测模块得到的所述预测结果。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述的方法步骤。
第四方面,本申请实施例提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,基于预处理后的训练样本数据,对初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;接收查询请求,查询请求中携带有预设时间段、起始点区域的位置信息和目的地区域的位置信息;以及响应于查询请求,基于优化后的目的地预测模型,对预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到并输出预测结果。因此,采用本申请实施例,由于构建了用于对初始化目的地预测模型进行训练的训练样本数据,并对该训练样本数据进行预处理,得到预处理后的训练样本数据;基于预处理后的训练样本数据,对初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;这样,就能够根据接收到的查询请求中携带的各种查询信息进行精准查询及预测,能够精准地预测出符合查询信息的所有途径车辆信息。此外,由于该预测方法引入了目的地预测模型,这样,能够通过训练样本数据不断地对该目的地预测模型进行优化及迭代,从而极大地丰富了该目的地预测模型所能够应用的车辆预测场景。应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为一个实施例中提供的一种基于前缀树的车辆目的地的预测方法的实施环境图;
图2为一个实施例中计算机设备的内部结构框图;
图3是本公开实施例提供的一种基于前缀树的车辆目的地的预测方法的流程示意图;
图4是本公开实施例提供的具体应用场景下的基于前缀树的车辆目的地预测方法进行目的地预测的方法流程示意图;
图5是本公开实施例提供的一种基于前缀树的车辆目的地的预测装置的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面结合附图详细说明本公开的可选实施例。
图1为一个实施例中提供的一种基于前缀树的车辆目的地的预测方法的实施环境图,如图1所示,在该实施环境中,包括计算机设备110以及终端120。
需要说明的是,终端120以及计算机设备110可为智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此。计算机设备110以及终端120可以通过蓝牙、USB(Universal Serial Bus,通用串行总线)或者其他通讯连接方式进行连接,本发明在此不做限制。
图2为一个实施例中计算机设备的内部结构示意图。如图2所示,该计算机设备包括通过***总线连接的处理器、非易失性存储介质、存储器和网络接口。其中,该计算机设备的非易失性存储介质存储有操作***、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种基于前缀树的车辆目的地的预测方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种基于前缀树的车辆目的地的预测方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
如图3所示,本公开实施例提供一种基于前缀树的车辆目的地的预测方法,该预测方法具体包括以下方法步骤:
S302:获取初始化目的地预测模型,初始化目的地预测模型用于预测目标车辆的目的地;
S304:构建用于训练及优化初始化目的地预测模型的训练样本数据。
在一种可能的实现方式中,构建用于训练及优化初始化目的地预测模型的训练样本数据包括以下步骤:
获取预设时间段内的运单数据和车辆预设时间段内的途径区域车辆数据;
基于第三预设条件,对运单数据进行筛选,得到筛选后的运单数据;
在本申请实施例中,对第三预设条件不做具体限制。例如,在某一具体应用场景中,可以将第三预设条件设置为车辆行驶里程数不能小于50km。
基于第四预设条件,对途径区域车辆数据进行筛选,得到筛选后的途径区域车辆数据;
在本申请实施例中,对第四预设条件不做具体限制。通过第四预设条件能够避免漂移点的干扰,用平均速度进行筛选过滤。平均速度=累计行驶里程/(途经区县结束时间-途经区县开始时间);若平均速度大于或等于第二阈值,则将该条记录进行筛选过滤。
此外,若车辆在相邻两个区县边界行驶,数据中还存在区县来回变化的噪声,故筛选过滤不满足的车辆。例如,区县内行驶时间=途经区县结束时间-途经区县开始时间之间的时间差值小于或等于10分钟,累计行驶里程小于或等于5公里的车辆。
将筛选后的运单数据和筛选后的途径区域车辆数据作为筛选后的数据,并将筛选后的数据作为用于训练及优化初始化目的地预测模型的训练样本数据。
在一种可能的实现方式中,基于第三预设条件,对运单数据进行筛选包括以下步骤:
若第三预设条件包括待预测目的地车辆的行驶里程数大于或等于第一预设阈值时,则从运单数据中筛选掉与行驶里程数小于第一预设阈值车辆的相关数据。
在本申请实施例中,对第一预设阈值不做具体限制,例如,第一预设阈值可以设置为50km。基于第三预设条件的描述,参见前述,在此不再赘述。
在一种可能的实现方式中,基于第四预设条件,对途径区域车辆数据进行筛选包括以下步骤:
若第四预设条件为待预测目的地车辆的平均速度大于或等于第二预设阈值,在任意一个途径区域行驶时长小于第三预设阈值、且途径行驶里程小于第四预设阈值时,则从途径区域车辆数据中筛选掉不符合第四预设条件车辆的相关数据。
在一种可能的实现方式中,本公开实施例提供的预测方法还包括以下步骤:
将筛选后的数据存储于预设格式搜索数据库中,对筛选后的数据中的每一辆车辆的车辆号和车辆颜色之间构建对应的映射关系,并将映射关系存储于预设格式搜索数据库中;这样,通过每一辆车辆的车辆号和车辆颜色之间构建的映射关系,可以基于车辆的颜色和上述映射关系,在预设格式搜索数据库中快速地筛选出符合的车辆,从而大大地提高了车辆的搜索效率。在本申请实施例中,对第二预设阈值、第三预设阈值和第四预设阈值并不做具体限制,可以根据不同应用场景调整上述数值,在此不再赘述。
S306:基于训练样本数据,对初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;
S308:接收查询请求,查询请求中携带有预设时间段、起始点区域的位置信息和目的地区域的位置信息;
S310:响应于查询请求,基于优化后的目的地预测模型,对预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到并输出预测结果。
在一种可能的实现方式中,基于优化后的目的地预测模型,对预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到并输出预测结果包括以下步骤:
获取多个待预测车辆的实时位置信息;
从多个待预测车辆中选取任意一个待预测车辆作为当前待预测车辆;
基于第一预设条件,判断当前待预测车辆在从起始点区域行驶至目的地区域的过程中,当前途径区域是否发生变化;若基于第一预设条件,判断当前待预测车辆对应的途径区域发生变化,则将当前途径区域的实时位置信息和进入当前途径区域的时间信息添加至途径区域序列列表中;否则,则忽略处理;
判断途径区域序列列表中的途径区域数量是否大于或者等于预设数量,若途径区域数量大于或者等于预设数量,则基于预设格式搜索数据库中存储的数据,为每一辆车辆建立多条历史运单线路对应的前缀树,并在前缀树中的所有途径区域节点上标记有线路运输趟次信息、平均路线完成时长信息、线路完成时长标准差信息;
以途径区域序列列表作为子线路查询前缀树,基于第二预设条件,判断途径区域序列列表中是否存在相同的子线路;若基于第二预设条件,判断途径区域序列列表中不存在相同的子路线,则基于当前子线路在预设格式搜索数据库中搜索并输出所有叶子节点作为潜在目的地;
基于各个潜在目的地在预设格式搜索数据库中搜索对应的车辆信息和车辆关联信息,车辆信息至少包括车牌号信息和车辆颜色信息,并将包括车辆信息和车辆关联信息作为预测结果并输出预测结果。
在本申请实施例中,对第一预设条件并不做具体限制,例如,在某一具体应用场景中,第一预设条件可以:在当前区县累计行驶10分钟且累计行驶里程超过5km。
在上述预测过程中,对预设数量并不做具体限制,例如,可以将预设数量设置为大于或等于3的正整数。
在上述预测过程中,对第二预设条件并不做具体限制。例如,在某一具体应用场景中,可以通过如下第二预设条件判断途径区域序列列表中是否存在相同的子线路,具体判断过程具体如下所述:
以中途经区县序列列表作为子线路查询前缀树,如果历史存在相同的子线路,则计算子线路的完成时长;对比当前子线路与历史子线路的完成时长,如果历史子线路的完成时长-3*历史线路完成时长标准差≤当前子线路完成时长≤历史子线路的完成时长+3*历史线路完成时长标准差,则根据当前子线路搜索输出所有叶子节点作为潜在目的地,并且输出线路起点地区县(当前中途经区县序列列表中第一个区县)、对应目的地的线路完成趟次、线路次数占比(目的地对应线路完成趟次/所有目的地对应线路完成趟次总和)、预计到达时间(当前中途经区县序列列表中达到第一个区县时间+目的地对应历史线路平均完成时长);否则将中途经区县序列列表中第一个区县信息删除。
将相同车牌号+车牌颜色的结果删除,再按照格式“目的地区县、起始地区县、车牌号、车牌颜色、历史线路完成趟次、线路次数占比、预计到达时间、结果有效期(预计到达时间+3*历史线路完成时长标准差),数据***时间”***ES中进行存储,如果存在多个目的地结果,则每个目的地对应一条数据***存储。此外,为了保证ES中预测结果的有效性,需要实时删除结果有效期小于当前时间的预测结果数据。
在本申请实施例中,根据相同的车牌号+车牌颜色关联计算每次运输订单车辆途经的区县,数据包含车牌号,车牌颜色,运单开始时间,运单结束时间,运输累计里程,途经区县序列等数据,并将上述数据存储于预设格式搜索数据库中,并将车牌号+车牌颜色作为主键。
在本申请实施例中,对搜索数据库的预设格式不做具体限制,常用的搜索数据库为采用ES引擎的搜索数据库。
在一种可能的实现方式中,本公开实施例提供的预测方法还包括以下步骤:
在预设格式搜索数据库中搜索各个潜在目的地的位置信息以及对应的潜在目的地关联信息;
潜在目的地关联信息包括以下至少一项:
与各个潜在目的地对应的输出线路起点区域信息、对应的目的地线路完成趟次、对应的线路次数占比、对应的到达时间。
如图4所示,是本公开实施例提供的具体应用场景下的基于前缀树的车辆目的地预测方法进行目的地预测的方法流程示意图。基于图4的预测过程与图3的类似,相同或相似的部分不再赘述,参见前述描述。
在本公开实施例中,基于预处理后的训练样本数据,对初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;接收查询请求,查询请求中携带有预设时间段、起始点区域的位置信息和目的地区域的位置信息;以及响应于查询请求,基于优化后的目的地预测模型,对预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到并输出预测结果。因此,采用本申请实施例,由于构建了用于对初始化目的地预测模型进行训练的训练样本数据,并对该训练样本数据进行预处理,得到预处理后的训练样本数据;基于预处理后的训练样本数据,对初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;这样,就能够根据接收到的查询请求中携带的各种查询信息进行精准查询及预测,能够精准地预测出符合查询信息的所有途径车辆信息。此外,由于该预测方法引入了目的地预测模型,这样,能够通过训练样本数据不断地对该目的地预测模型进行优化及迭代,从而极大地丰富了该目的地预测模型所能够应用的车辆预测场景。
下述为本发明基于前缀树的车辆目的地的预测装置实施例,可以用于执行本发明基于前缀树的车辆目的地的预测方法实施例。对于本发明基于前缀树的车辆目的地的预测装置实施例中未披露的细节,请参照本发明基于前缀树的车辆目的地的预测方法实施例。
请参见图5,其示出了本发明一个示例性实施例提供的基于前缀树的车辆目的地的预测装置的结构示意图。该基于前缀树的车辆目的地的预测装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该基于前缀树的车辆目的地的预测装置包括获取模块501、构建模块502、训练及优化模块503、接收模块504、预测模块505和输出模块506。
具体而言,获取模块501,用于获取初始化目的地预测模型,初始化目的地预测模型用于预测目标车辆的目的地;
构建模块502,用于构建用于训练及优化初始化目的地预测模型的训练样本数据;
训练及优化模块503,用于基于构建模块502构建的训练样本数据,对初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;
接收模块504,用于接收查询请求,查询请求中携带有预设时间段、起始点区域的位置信息和目的地区域的位置信息;
预测模块505,用于响应于接收模块504接收的查询请求,基于优化后的目的地预测模型,对预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到预测结果;
输出模块506,用于输出预测模块505得到的预测结果。
可选的,预测模块505具体用于:
获取多个待预测车辆的实时位置信息;
从多个待预测车辆中选取任意一个待预测车辆作为当前待预测车辆;
基于第一预设条件,判断当前待预测车辆在从起始点区域行驶至目的地区域的过程中,当前途径区域是否发生变化;若基于第一预设条件,判断当前待预测车辆对应的途径区域发生变化,则将当前途径区域的实时位置信息和进入当前途径区域的时间信息添加至途径区域序列列表中;否则,则忽略处理;
判断途径区域序列列表中的途径区域数量是否大于或者等于预设数量,若途径区域数量大于或者等于预设数量,则基于预设格式搜索数据库中存储的数据,为每一辆车辆建立多条历史运单线路对应的前缀树,并在前缀树中的所有途径区域节点上标记有线路运输趟次信息、平均路线完成时长信息、线路完成时长标准差信息;
以途径区域序列列表作为子线路查询前缀树,基于第二预设条件,判断途径区域序列列表中是否存在相同的子线路;若基于第二预设条件,判断途径区域序列列表中不存在相同的子路线,则基于当前子线路在预设格式搜索数据库中搜索并输出所有叶子节点作为潜在目的地;
基于各个潜在目的地在预设格式搜索数据库中搜索对应的车辆信息和车辆关联信息,车辆信息至少包括车牌号信息和车辆颜色信息,并将包括车辆信息和车辆关联信息作为预测结果并输出预测结果。
可选的,所述装置还包括:
搜索模块(在图5中未示出),用于在预设格式搜索数据库中搜索各个潜在目的地的位置信息以及对应的潜在目的地关联信息;搜索模块搜索到的潜在目的地关联信息包括以下至少一项:与各个潜在目的地对应的输出线路起点区域信息、对应的目的地线路完成趟次、对应的线路次数占比、对应的到达时间。
可选的,构建模块502具体用于:
获取预设时间段内的运单数据和车辆预设时间段内的途径区域车辆数据;
基于第三预设条件,对运单数据进行筛选,得到筛选后的运单数据;
基于第四预设条件,对途径区域车辆数据进行筛选,得到筛选后的途径区域车辆数据;
将筛选后的运单数据和筛选后的途径区域车辆数据作为筛选后的数据,并将筛选后的数据作为用于训练及优化初始化目的地预测模型的训练样本数据。
可选的,构建模块502具体用于:
若第三预设条件包括待预测目的地车辆的行驶里程数大于或等于第一预设阈值时,则从运单数据中筛选掉与行驶里程数小于第一预设阈值车辆的相关数据。
可选的,构建模块502具体用于:
若第四预设条件为待预测目的地车辆的平均速度大于或等于第二预设阈值,在任意一个途径区域行驶时长小于第三预设阈值、且途径行驶里程小于第四预设阈值时,则从途径区域车辆数据中筛选掉不符合第四预设条件车辆的相关数据。
可选的,所述装置还包括:
存储模块(在图5中未示出),用于将构建模块502得到的筛选后的数据存储于预设格式搜索数据库中,以及将构建模块502构建的筛选后的数据中的每一辆车辆的车辆号和车辆颜色之间的映射关系存储于预设格式搜索数据库中;
构建模块502还用于:对筛选后的数据中的每一辆车辆的车辆号和车辆颜色之间构建对应的映射关系。
需要说明的是,上述实施例提供的基于前缀树的车辆目的地的预测装置在执行基于前缀树的车辆目的地的预测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于前缀树的车辆目的地的预测装置与基于前缀树的车辆目的地的预测方法实施例属于同一构思,其体现实现过程详见基于前缀树的车辆目的地的预测方法实施例,这里不再赘述。
在本公开实施例中,训练及优化模块用于基于构建模块构建的训练样本数据,对初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;接收模块用于接收查询请求,查询请求中携带有预设时间段、起始点区域的位置信息和目的地区域的位置信息;预测模块用于响应于接收模块接收的查询请求,基于优化后的目的地预测模型,对预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到预测结果;以及输出模块用于输出预测模块得到的预测结果。因此,采用本申请实施例,由于构建了用于对初始化目的地预测模型进行训练的训练样本数据,并对该训练样本数据进行预处理,得到预处理后的训练样本数据;基于预处理后的训练样本数据,对初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;这样,就能够根据接收到的查询请求中携带的各种查询信息进行精准查询及预测,能够精准地预测出符合查询信息的所有途径车辆信息。此外,由于该预测装置引入了目的地预测模型,这样,能够通过训练样本数据不断地对该目的地预测模型进行优化及迭代,从而极大地丰富了该目的地预测模型所能够应用的车辆预测场景。
在一个实施例中,提出了一种计算机设备,计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:获取初始化目的地预测模型,初始化目的地预测模型用于预测目标车辆的目的地;构建用于训练及优化初始化目的地预测模型的训练样本数据;基于训练样本数据,对初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;接收查询请求,查询请求中携带有预设时间段、起始点区域的位置信息和目的地区域的位置信息;以及响应于查询请求,基于优化后的目的地预测模型,对预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到并输出预测结果。
在一个实施例中,提出了一种存储有计算机可读指令的存储介质,该计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行以下步骤:获取初始化目的地预测模型,初始化目的地预测模型用于预测目标车辆的目的地;构建用于训练及优化初始化目的地预测模型的训练样本数据;基于训练样本数据,对初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;接收查询请求,查询请求中携带有预设时间段、起始点区域的位置信息和目的地区域的位置信息;以及响应于查询请求,基于优化后的目的地预测模型,对预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到并输出预测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于前缀树的车辆目的地的预测方法,其特征在于,所述方法包括:
获取初始化目的地预测模型,所述初始化目的地预测模型用于预测目标车辆的目的地;
构建用于训练及优化所述初始化目的地预测模型的训练样本数据;
基于所述训练样本数据,对所述初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;
接收查询请求,所述查询请求中携带有预设时间段、起始点区域的位置信息和目的地区域的位置信息;
响应于所述查询请求,基于所述优化后的目的地预测模型,对所述预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到并输出预测结果;
所述基于所述优化后的目的地预测模型,对所述预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到并输出预测结果包括:
获取多个待预测车辆的实时位置信息;
从多个待预测车辆中选取任意一个待预测车辆作为当前待预测车辆;
基于第一预设条件,判断当前待预测车辆在从所述起始点区域行驶至所述目的地区域的过程中,当前途径区域是否发生变化;若基于所述第一预设条件,判断当前待预测车辆对应的途径区域发生变化,则将当前途径区域的实时位置信息和进入当前途径区域的时间信息添加至途径区域序列列表中;否则,则忽略处理;
判断所述途径区域序列列表中的途径区域数量是否大于或者等于预设数量,若所述途径区域数量大于或者等于所述预设数量,则基于预设格式搜索数据库中存储的数据,为每一辆车辆建立多条历史运单线路对应的前缀树,并在所述前缀树中的所有途径区域节点上标记有线路运输趟次信息、平均路线完成时长信息、线路完成时长标准差信息;
以所述途径区域序列列表作为子线路查询前缀树,基于第二预设条件,判断所述途径区域序列列表中是否存在相同的子线路;若基于所述第二预设条件,判断所述途径区域序列列表中不存在相同的子路线,则基于当前子线路在所述预设格式搜索数据库中搜索并输出所有叶子节点作为潜在目的地;
基于各个潜在目的地在所述预设格式搜索数据库中搜索对应的车辆信息和车辆关联信息,所述车辆信息至少包括车牌号信息和车辆颜色信息,并将包括所述车辆信息和车辆关联信息作为所述预测结果并输出所述预测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述预设格式搜索数据库中搜索各个潜在目的地的位置信息以及对应的潜在目的地关联信息;
所述潜在目的地关联信息包括以下至少一项:
与各个潜在目的地对应的输出线路起点区域信息、对应的目的地线路完成趟次、对应的线路次数占比、对应的到达时间。
3.根据权利要求1所述的方法,其特征在于,所述构建用于训练及优化所述初始化目的地预测模型的训练样本数据包括:
获取所述预设时间段内的运单数据和车辆所述预设时间段内的途径区域车辆数据;
基于第三预设条件,对所述运单数据进行筛选,得到筛选后的运单数据;
基于第四预设条件,对所述途径区域车辆数据进行筛选,得到筛选后的途径区域车辆数据;
将所述筛选后的运单数据和所述筛选后的途径区域车辆数据作为筛选后的数据,并将所述筛选后的数据作为用于训练及优化所述初始化目的地预测模型的所述训练样本数据。
4.根据权利要求3所述的方法,其特征在于,所述基于第三预设条件,对所述运单数据进行筛选包括:
若所述第三预设条件包括待预测目的地车辆的行驶里程数大于或等于第一预设阈值时,则从所述运单数据中筛选掉与所述行驶里程数小于所述第一预设阈值车辆的相关数据。
5.根据权利要求3所述的方法,其特征在于,所述基于第四预设条件,对所述途径区域车辆数据进行筛选包括:
若所述第四预设条件为待预测目的地车辆的平均速度大于或等于第二预设阈值,在任意一个途径区域行驶时长小于第三预设阈值、且途径行驶里程小于第四预设阈值时,则从所述途径区域车辆数据中筛选掉不符合所述第四预设条件车辆的相关数据。
6.根据权利要求3所述的方法,其特征在于,所述方法还包括:
将所述筛选后的数据存储于所述预设格式搜索数据库中,对所述筛选后的数据中的每一辆车辆的车辆号和车辆颜色之间构建对应的映射关系,并将所述映射关系存储于所述预设格式搜索数据库中。
7.一种基于前缀树的车辆目的地的预测装置,其特征在于,所述装置包括:
获取模块,用于获取初始化目的地预测模型,所述初始化目的地预测模型用于预测目标车辆的目的地;
构建模块,用于构建用于训练及优化所述初始化目的地预测模型的训练样本数据;
训练及优化模块,用于基于所述构建模块构建的所述训练样本数据,对所述初始化目的地预测模型进行训练及优化,得到并输出优化后的目的地预测模型;
接收模块,用于接收查询请求,所述查询请求中携带有预设时间段、起始点区域的位置信息和目的地区域的位置信息;
预测模块,用于响应于所述接收模块接收的所述查询请求,基于所述优化后的目的地预测模型,对所述预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到预测结果;
输出模块,用于输出所述预测模块得到的所述预测结果;
所述基于所述优化后的目的地预测模型,对所述预设时间段内、且从起始点区域到目的地区域内的所有途径车辆信息进行预测,得到预测结果包括:
获取多个待预测车辆的实时位置信息;
从多个待预测车辆中选取任意一个待预测车辆作为当前待预测车辆;
基于第一预设条件,判断当前待预测车辆在从所述起始点区域行驶至所述目的地区域的过程中,当前途径区域是否发生变化;若基于所述第一预设条件,判断当前待预测车辆对应的途径区域发生变化,则将当前途径区域的实时位置信息和进入当前途径区域的时间信息添加至途径区域序列列表中;否则,则忽略处理;
判断所述途径区域序列列表中的途径区域数量是否大于或者等于预设数量,若所述途径区域数量大于或者等于所述预设数量,则基于预设格式搜索数据库中存储的数据,为每一辆车辆建立多条历史运单线路对应的前缀树,并在所述前缀树中的所有途径区域节点上标记有线路运输趟次信息、平均路线完成时长信息、线路完成时长标准差信息;
以所述途径区域序列列表作为子线路查询前缀树,基于第二预设条件,判断所述途径区域序列列表中是否存在相同的子线路;若基于所述第二预设条件,判断所述途径区域序列列表中不存在相同的子路线,则基于当前子线路在所述预设格式搜索数据库中搜索并输出所有叶子节点作为潜在目的地;
基于各个潜在目的地在所述预设格式搜索数据库中搜索对应的车辆信息和车辆关联信息,所述车辆信息至少包括车牌号信息和车辆颜色信息,并将包括所述车辆信息和车辆关联信息作为所述预测结果。
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项权利要求所述预测方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被一个或多个处理器执行时,实现如权利要求1至6中任一项权利要求所述预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023011.8A CN113821736B (zh) | 2021-09-01 | 2021-09-01 | 基于前缀树的车辆目的地的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023011.8A CN113821736B (zh) | 2021-09-01 | 2021-09-01 | 基于前缀树的车辆目的地的预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113821736A CN113821736A (zh) | 2021-12-21 |
CN113821736B true CN113821736B (zh) | 2023-09-08 |
Family
ID=78923643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111023011.8A Active CN113821736B (zh) | 2021-09-01 | 2021-09-01 | 基于前缀树的车辆目的地的预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821736B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108286980A (zh) * | 2017-12-29 | 2018-07-17 | 广州通易科技有限公司 | 一种预测目的地和推荐驾驶路线的方法 |
CN110858338A (zh) * | 2018-08-24 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 目的地预测方法、装置和设备 |
CN111752271A (zh) * | 2020-04-16 | 2020-10-09 | 北京京东乾石科技有限公司 | 一种轨迹预测方法、装置、设备及存储介质 |
CN111932915A (zh) * | 2020-06-03 | 2020-11-13 | 东南大学 | 一种基于到达时间步进式预测的公交右转合乘信号优先方法 |
CN112396254A (zh) * | 2020-12-11 | 2021-02-23 | 北京百分点信息科技有限公司 | 目的地预测方法、装置、介质及电子设备 |
CN112749740A (zh) * | 2020-12-30 | 2021-05-04 | 北京优挂信息科技有限公司 | 确定车辆目的地的方法、装置、电子设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9983016B2 (en) * | 2016-03-15 | 2018-05-29 | Here Global B.V. | Predicting short term travel behavior with unknown destination |
CN109583151B (zh) * | 2019-02-20 | 2023-07-21 | 阿波罗智能技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
-
2021
- 2021-09-01 CN CN202111023011.8A patent/CN113821736B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108286980A (zh) * | 2017-12-29 | 2018-07-17 | 广州通易科技有限公司 | 一种预测目的地和推荐驾驶路线的方法 |
CN110858338A (zh) * | 2018-08-24 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 目的地预测方法、装置和设备 |
CN111752271A (zh) * | 2020-04-16 | 2020-10-09 | 北京京东乾石科技有限公司 | 一种轨迹预测方法、装置、设备及存储介质 |
CN111932915A (zh) * | 2020-06-03 | 2020-11-13 | 东南大学 | 一种基于到达时间步进式预测的公交右转合乘信号优先方法 |
CN112396254A (zh) * | 2020-12-11 | 2021-02-23 | 北京百分点信息科技有限公司 | 目的地预测方法、装置、介质及电子设备 |
CN112749740A (zh) * | 2020-12-30 | 2021-05-04 | 北京优挂信息科技有限公司 | 确定车辆目的地的方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113821736A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008413B (zh) | 一种交通出行问题查询方法和装置 | |
US9404760B2 (en) | Efficient route planning in public transportation networks | |
CN105678412A (zh) | 面向多人乘车的路线规划方法和装置 | |
CN108286981B (zh) | 车联网的车辆路径规划方法、装置和计算机设备 | |
JP2010048655A (ja) | 運転評価システム及び運転評価プログラム | |
US20200334246A1 (en) | Information processing device, combination condition generation method, and combination condition generation program | |
CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
CN108280995A (zh) | 车联网的路况数据处理方法、装置和计算机设备 | |
WO2020167945A1 (en) | Systems and methods for route computing for destination-oriented navigation | |
CN111737601A (zh) | 出行策略的推荐方法、装置、设备及存储介质 | |
WO2024146201A1 (zh) | 车位推荐方法、装置、车辆及存储介质 | |
CN104268190A (zh) | 公交线路搜索方法和装置 | |
CN109945886B (zh) | 行政区划切换提示的方法、装置、设备及介质 | |
CN113821736B (zh) | 基于前缀树的车辆目的地的预测方法、装置、设备及介质 | |
CN112362071A (zh) | 多目的地路线规划方法、装置及存储介质 | |
CN111444286A (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
CN114331568B (zh) | 基于车联网的商用车细分市场识别方法、设备和介质 | |
JP2021012607A (ja) | ポート開設場所提案装置 | |
CN112052276B (zh) | 乘车路线的挖掘方法和装置 | |
CN114896482A (zh) | 一种模型训练和补能意图识别方法、装置、设备及介质 | |
Kotoula et al. | Calculating Optimal School Bus Routing and Its Impact on Safety and the Environment | |
CN105448044A (zh) | 一种确定司机疲劳状态的方法与设备 | |
CN112539762A (zh) | 导航方法和车载导航设备 | |
CN112686452A (zh) | 一种路径推荐方法、装置、设备及存储介质 | |
CN113393011A (zh) | 预测限速信息的方法、装置、计算机设备和介质 |
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 |