TW202146852A - 路線偏差量化和基於其之交通工具路線學習 - Google Patents
路線偏差量化和基於其之交通工具路線學習 Download PDFInfo
- Publication number
- TW202146852A TW202146852A TW110117508A TW110117508A TW202146852A TW 202146852 A TW202146852 A TW 202146852A TW 110117508 A TW110117508 A TW 110117508A TW 110117508 A TW110117508 A TW 110117508A TW 202146852 A TW202146852 A TW 202146852A
- Authority
- TW
- Taiwan
- Prior art keywords
- route
- ground truth
- map
- road
- inferred
- Prior art date
Links
- 238000011002 quantification Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 115
- 238000012549 training Methods 0.000 claims description 73
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000007781 pre-processing Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 238000002592 echocardiography Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 2
- 230000001172 regenerating effect Effects 0.000 claims 2
- 238000004891 communication Methods 0.000 description 27
- 238000004590 computer program Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010200 validation analysis Methods 0.000 description 8
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect 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
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- 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
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- 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
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Social Psychology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本揭示內容提供用於路線偏差量化及基於其之交通工具路線學習的方法、裝置及系統。在一些實例中,提供一種用於一所建議路線之路線偏差量化的方法。該方法包含:基於一過濾軌跡而獲得一地面實況路線,該過濾軌跡包括一經推斷之起點位置及一經推斷之目的地位置;獲得基於該經推斷之起點位置及該經推斷之目的地位置而產生的一所建議路線;藉由基於該所建議路線中與該地面實況路線中之對應道路段匹配的道路段之一組合長度及該地面實況路線中之道路段之一組合長度而計算一偏航比率,來量化該所建議路線與該地面實況路線之一偏差。
Description
本揭示內容大體上但非排他地係關於用於路線偏差量化及基於其之交通工具路線學習的方法、裝置及系統。
對於基於位置之服務,諸如估計到達時間(Estimated Time of Arrival;ETA)、定價、導航、最近駕駛員搜尋等,交通工具選路在停泊招呼行業中係至關重要的。藉由避免額外成本(例如,通行費及電子道路收費(Electronic Road Pricing;ERP)、交通擁擠及道路限制,準確路線規劃為來向客戶提供卓越運送體驗之關鍵因素。
傳統交通工具選路係以成本為中心的,且旨在尋找成本最低的路線(例如,經由最短距離或最短行進時間)。最短路線演算法,例如Dijkstra之演算法及收縮層次(contraction hierarchy),用於在傳統交通工具選路中建議最快或最短路線。
然而,在真實生活情況下,駕駛員通常選擇既不為最快也不為最短、且與所建議之最快或最短路線實質上不同之路線。駕駛員之實際路線與交通工具選路所建議之最快或最短路線之間的偏差可由各種因素引起,諸如避免收費、道路條件或甚至個人原因。
當前交通工具選路方法試圖藉由學習駕駛員之軌跡資料來最小化偏差,該些方法捕捉交通工具之移動,以最佳化道路網路中之每一邊緣或道路段的成本,以便建議與駕駛員之實際路線接近之最短路線。
然而,當前交通工具選路方法中存在多種挑戰,其包括:a.如何量化交通工具選路所建議路線與駕駛員之實際路線之間的偏差,以便最小化偏差以改良選路結果;b.如何高效且有效地學習具有大量、且可為有雜訊之駕駛員之原始軌跡資料以改良選路結果;以及c.如何改良選路,以使得其在不同國家或地理區域中較佳地起作用而不管超級地方性情形(例如,在東南亞,交通規則、道路條件及法規在每一國家均顯著不同)。
因此需要提供試圖克服或至少最小化上文所提及之挑戰、且提供準確路線規劃之方法及裝置。
根據本揭示內容之第一態樣,提供一種用於所建議路線之路線偏差量化的方法。該方法包含:基於過濾軌跡而獲得地面實況(ground truth)路線,過濾軌跡包括經推斷之起點位置及經推斷之目的地位置;獲得基於經推斷之起點位置及經推斷之目的地位置而產生的所建議路線;藉由基於所建議路線中與地面實況路線中之對應道路段匹配的道路段之組合長度、及地面實況路線中之道路段之組合長度而計算偏航比率,來量化所建議路線與地面實況路線之偏差。
根據本揭示內容之第二態樣,提供一種用於所建議路線之路線偏差量化的裝置。該裝置包含處理器模組及包括電腦程式碼之記憶體模組。記憶體模組及電腦程式碼經組態以用處理器模組使得裝置:基於過濾軌跡獲得地面實況路線,過濾軌跡包括經推斷之起點位置及經推斷之目的地位置;獲得基於經推斷之起點位置及經推斷之目的地位置而產生的所建議路線;以及藉由基於所建議路線中與地面實況路線中之對應道路段匹配的道路段之組合長度、及地面實況路線中之道路段之組合長度而計算偏航比率,來量化所建議路線與地面實況路線之偏差。
根據本揭示內容之第三態樣,提供一種用於交通工具路線學習的方法。該方法包含:擷取對應於地圖(map)上之歷史軌跡的訓練資料集;最佳化地圖之速度剖析以實現訓練資料集之最小化平均偏航比率;以及更新地圖之速度剖析。
根據本揭示內容之第四態樣,提供一種用於交通工具路線學習的系統。該系統包含處理器模組及包括電腦程式碼之記憶體模組。記憶體模組及電腦程式碼經組態以用處理器模組使得系統:擷取對應於地圖上之歷史軌跡的訓練資料集;最佳化地圖之速度剖析以實現訓練資料集之最小化平均偏航比率;以及更新地圖之速度剖析。
將參考圖式僅藉助於實例來描述具體實例。圖式中之相似參考數字及字符指代相似元件或等效物。
接下來的描述之一些部分係就對電腦記憶體內的資料之操作之演算法及功能性或符號表示來明確或暗示地提出。此等演算法描述及功能性或符號表示係藉由熟習資料處理之技術者用以將其工作之主旨最有效地傳達至其他熟習此項技術者的方式。演算法在此處且大體上構想為產生所要結果之步驟之自我一致序列。步驟為需要對諸如能夠被儲存、輸送、組合、比較以及以其他方式操控之電、磁性或光學信號的實體量之實體操控的步驟。
除非另外特定陳述,並且如自下文顯而易見,貫穿本說明書將瞭解,利用諸如「提取」、「預處理」、「轉換」、「構建」、「提供」、「產生」、「量化」、「計算」、「輸出」、「最佳化」、「重新構建」、「儲存」、「映射」、「檢查」、「識別」、「拼接」、「搜尋」、「進行」、「開始」、「聚合」、「判定」、「重新產生」、「更新」、「比較」、「調整」、「重新計算」、「分割」、「獲得」或類似者之術語的論述,指代將電腦系統內表示為實體量之資料操控且轉化成電腦系統或其他資訊儲存、發射或顯示裝置內類似地表示為實體量之其他資料的電腦系統或類似電子裝置之動作及過程。
本說明書亦揭示用於執行方法之操作的設備。此類設備可針對所需目的而經過專門構造,或可包含電腦或由儲存於電腦中之電腦程式選擇性激活或重新組態之其他裝置。本文中所呈現之演算法及顯示器並非固有地與任何特定電腦或其他設備相關。各種機器可與根據本文中之教示的程式一起使用。替代地,可適當地構造更專用設備以執行所需方法步驟。適合於執行本文中所描述之各種方法/過程的電腦之結構將自以下描述呈現。
此外,本說明書亦暗示地揭示一種電腦程式,因為本文中所描述之方法之個體步驟可藉由電腦程式碼生效,此對於熟習此項技術者而言將為顯而易見的。電腦程式並不意欲受限於任何特定程式語言及其實施方式。應瞭解,多種程式語言及其編碼可用於實施包含於本文中之本揭示內容之教示。此外,電腦程式並不意欲受限於任何特定控制流。在不脫離本說明書之範圍之情況下,存在電腦程式之許多其他變化形式,該些變化形式可使用不同控制流。
此外,電腦程式之步驟中之一者或多者可平行而非依序執行。此類電腦程式可儲存於任何電腦可讀取媒體上。電腦可讀取媒體可包括儲存裝置,諸如磁碟或光碟、記憶體晶片或適合於與電腦介接之其他儲存裝置。電腦可讀取媒體亦可包括諸如網際網路系統中所例示之硬佈線媒體,或諸如GSM行動電話系統中所例示之無線媒體。電腦程式在載入及於此類電腦上執行時有效地導致實施較佳之方法的步驟之設備。
道路網路為地圖之加權圖形表示。道路網路可表示為,其包含:包括圖形中之複數個節點v的頂點(vertex)集V
;包括複數個道路段之邊緣(edge)集,每一道路段係由具有方向之開始節點及結束節點而被表示;以及將每一道路段映射到持續時間之加權(weight)函數W
。在本申請案中,道路段可互換地稱作邊緣。
於地圖中儲存道路網路之後設資料,包括節點屬性(節點位置等)及道路段屬性(段距離、每一段之道路類別等)及拓樸資訊。道路網路可包括其他資訊,諸如轉彎限制、單向等。為簡單起見,本申請案中不論述道路網路之另外資訊。
在本申請案中可互換地稱作「路線」之路線規劃可表示為,其為一節點序列,其中每兩個連續節點由邊緣(即,道路段)連接。路線亦可表示為,其為一道路段序列,各個道路段由一開始節點及一結束節點表示,其中對於每兩個連續段,ei
= (oi
, di
)
且ei+1
= (oi+1
, di+1
)
,di
= oi+1
。亦即,在每兩個連續道路段中,第一道路段之結束節點為第二道路段之開始節點。
軌跡為捕捉交通工具之移動的全球定位系統回音(GPS ping)之時間序列,其中一GPS ping表示為一個三元組(ts, lat, lon),其指示一時戳ts處一交通工具之一位置(構成為緯度lat及經度lon)。在GPS系統中,兩個位置之間的距離為半正矢距離,即角距離。兩個連續ping之間的時間間隙通常為約一秒。
地圖具有速度剖析,該速度剖析包括各自對應於地圖上之道路類別的速度之集合。在開放街道地圖(Open Street Map)中,每一道路段含有道路類別資訊,其識別道路之類型(例如,高速公路、主要道路、次要道路等)。每一道路段之權重(持續時間)可容易地自距離(即,道路段之開始節點與結束節點之間的長度)及速度(即,其可自基於道路段屬於之道路類別的速度剖析獲得)導出。由於每一道路段之距離在每一地圖中為已知的,因此道路網路(即,地圖之加權圖形表示)可構建於地圖及其速度剖析上。
在本申請案中,提供關於選路度量(即,路線偏差量化)之具體實例,以量化由路線引擎模組建議之路線與由駕駛員採用之實際路線之間的差異,以便評估路線建議之效能。熟習此項技術者應瞭解,其他類型之選路度量(例如成本、延遲等)亦可用於量化由選路服務建議之路線與由駕駛員採用之實際路線之間的差異。
圖1說明計算裝置100之示意圖。裝置100可實施為根據本申請案之具體實例的、如本文中所論述之用於路線偏差量化之裝置或用於交通工具路線學習之系統。
裝置100至少包括處理器102及記憶體104。處理器102及記憶體104互連。記憶體104包括電腦程式碼(圖1中未示)。記憶體104及電腦程式碼經組態,以用處理器102使得裝置100執行用於路線偏差量化之步驟或用於交通工具路線學習之步驟,如本揭示內容之以下段落中所描述的。
下文將參考圖4描述用於路線偏差量化之步驟的細節,該圖描繪說明根據具體實例之用於路線偏差量化之方法400的流程圖。下文將參考圖9描述用於交通工具路線學習之步驟的細節,該圖描繪說明根據具體實例之用於交通工具路線學習之方法900的流程圖。
圖2描繪根據具體實例之用於所建議路線之路線偏差量化的裝置200之示意圖。在此具體實例中,裝置200包括預處理模組204、地面實況產生器模組206、路線引擎模組208及選路度量計算模組210。
如圖4中用於路線偏差量化之例示方法400中所展示,用於路線偏差量化之裝置200以及在實施為用於路線偏差量化之裝置100時之裝置100經組態以執行以下步驟:
- 步驟402:基於過濾軌跡而獲得地面實況路線,過濾軌跡包括經推斷之起點位置及經推斷之目的地位置;
- 步驟404:獲得基於經推斷之起點位置及經推斷之目的地位置而產生的所建議路線;以及
- 步驟406:藉由基於所建議路線中與地面實況路線中之對應道路段匹配的道路段之組合長度、及地面實況路線中之道路段之組合長度而計算偏航比率,來量化所建議路線與地面實況路線之偏差。
在步驟402處,選路度量計算模組210基於過濾軌跡而獲得地面實況路線。過濾軌跡包括經推斷之起點位置及經推斷之目的地位置。在一些具體實例中,地面實況路線係自預處理模組204獲得,並且步驟402包括以下子步驟:
- 步驟402A:提取包含地圖上之歷史軌跡之原始GPS資料的歷史資料;
- 步驟402B:預處理歷史軌跡之原始GPS資料以獲得具有經推斷之起點位置及經推斷之目的地位置的過濾軌跡,其中過濾軌跡包含GPS ping之時間序列,並且其中GPS ping中之每一者指示在過濾軌跡期間之一時戳處的一交通工具之一位置;以及
- 步驟402C:將GPS ping之時間序列轉換成地面實況路線。
在子步驟402A處,預處理模組204提取包含地圖上之歷史軌跡之原始GPS資料的歷史資料。地圖可為諸如新加坡、曼谷、吉隆坡等城市之地圖,或例如新加坡之中心商業區(Central Business District;CBD)領域等此類城市之區域的地圖。
歷史資料包括歷史軌跡之原始GPS資料,其由裝置200之獲取模組201捕捉且儲存於裝置200之資料庫模組202中。獲取模組201可為裝置200中之通信模組。歷史資料中之每一歷史軌跡表示駕駛員在一日之某一時間已進行之一個行程。歷史資料可包括表示複數個駕駛員在一日、一週、一月、一年或任何預定間隔期間已進行之相當大數目個行程的歷史軌跡。
在一些具體實例中,歷史資料可包括在預定時間週期期間捕捉的歷史軌跡之原始GPS資料。預定時間週期可為例如在一預定月中每天8 AM至9 AM,或在一預定年中每星期五5 PM至6 PM。根據實際需要設計此類預定時間週期,以用於對足夠資料進行採樣。
歷史軌跡之原始GPS資料指示起點位置、目的地位置及駕駛員在行程期間採用之實際路線。然而,如上文所提及,此原始GPS資料通常具有較大量,且需要預處理以獲得地面實況路線以供與由路線引擎模組208產生之所建議路線進行比較,以量化所建議路線之不準確度(即,偏差)。原始GPS資料之預處理係在步驟402B中進行,其將在以下段落中詳細描述。
在本發明具體實例中,在步驟402A處提取一個歷史軌跡。在一些其他具體實例中,可以類似方式提取一批歷史軌跡,其中每一歷史軌跡係根據步驟402B-402C及步驟404至406而獨立地提取及處理。
在步驟402B處,預處理模組204預處理歷史軌跡之原始GPS資料,以獲得具有經推斷之起點位置及經推斷之目的地位置的過濾軌跡。過濾軌跡包含GPS ping之時間序列,並且其中GPS ping中之每一者指示在過濾軌跡期間之一時戳處的一交通工具之一位置。
在圖5中描繪展示預處理原始GPS資料以獲得過濾軌跡之步驟402B的例示性圖。在一些具體實例中,在預處理期間,原始GPS資料可首先經處理,以去除重複GPS ping且經重新佈置以變成時間的。另外,由於原始GPS ping通常在駕駛員接近起點位置及目的地位置時,歸因於此等區域周圍之低速度而為極有雜訊的,因此本申請案有利地藉由自起點位置過濾歷史軌跡之GPS ping直至至起點位置之距離大於臨限值來解決此技術問題。以此方式,如圖5中所展示,在起點位置附近之GPS ping經過濾,並且處於臨限值半徑外部之第一GPS ping之位置經獲得而作為經推斷之起點位置。同樣地,在目的地位置附近之GPS ping經過濾,並且獲得經推斷之目的地位置。
如圖5中所展示,在步驟402B處藉助於原始GPS資料之預處理,預處理模組204獲得具有經推斷之起點位置及經推斷之目的地位置的過濾軌跡。為區分在圖5中之預處理之前與之後的起點位置,原始起點位置經標記為原始起點且經推斷之起點位置經標記為經推斷之起點。類似地,在圖5中原始目的地位置經標記為原始目的地且經推斷之目的地位置經標記為經推斷之目的地。
如上文所描述,經預處理之GPS資料(即,具有經推斷之起點位置及經推斷之目的地位置的過濾軌跡)可用於選路度量計算模組210中,以評估由路線引擎模組208建議之所建議路線。由選路度量計算模組210產生之評估結果可進一步用於下游應用,例如交通工具路線學習。
過濾軌跡包含GPS ping之時間序列,並且GPS ping中之每一者指示在過濾軌跡期間之時戳處的交通工具之位置。GPS ping之此類時間序列指示交通工具之實際路線。此類交通工具之實際路線被稱作地面實況路線。在步驟402C處,地面實況產生器模組206將GPS ping之時間序列轉換成地面實況路線。
在一些具體實例中,當在步驟402C處轉換GPS ping之時間序列時,地面實況產生器模組206將GPS ping之時間序列映射至地圖上之最類似道路段。所映射之最類似道路段形成地圖中之節點序列。以此方式,GPS ping之時間序列經映射至地圖中之節點序列。
在GPS ping之時間序列的映射期間,可藉由R-樹將每一GPS ping映射至若干候選道路段中。其後,一過程是被進行以藉由隱馬爾可夫模型(hidden Markov model)尋找GPS ping之序列之最類似道路段。
在一些替代性具體實例中,地面實況產生器模組206可包括地圖匹配模組,其經組態以將GPS ping之時間序列映射至地圖中之節點序列,如上文所描述。在圖3中描繪地圖匹配模組之實例。
在一些具體實例中,地圖中之所映射節點序列可包括某些連續節點,其僅可安排路線但於地圖中未直接連接。為增加節點序列之連接性,將GPS ping之時間序列轉換成地面實況路線的步驟402C,可進一步要求地面實況產生器模組206檢查節點序列中之每兩個連續節點的連接性。若在節點序列中存在於地圖中未連接之兩個連續節點,則地面實況產生器模組206可識別包括互連地圖中之兩個連續節點之兩個或更多個節點的路線,並且藉由在兩個連續節點之間***兩個或更多個節點來拼接兩個連續節點。
在一些替代性具體實例中,地面實況產生器模組206可包括:拼接器模組,其經組態以檢查節點序列中之每兩個連續節點的連接性,並且若在節點序列中存在於地圖未連接中之兩個連續節點,則識別包括互連地圖中之兩個連續節點之兩個或更多個節點的路線,並且藉由在兩個連續節點之間***兩個或更多個節點來拼接兩個連續節點。在圖3中描繪拼接器模組之實例。
在一些實例中,地面實況產生器模組206或拼接器模組可藉由在原始地圖中或在將某組節點(諸如接合點)視為一個節點的簡化地圖中,尋找兩個斷開連接之連續節點之間(例如自節點a
到節點b
)的一個且僅一個路線來識別路線。在地圖中之任一者中,地面實況產生器模組206或拼接器模組沿著一個且僅一個路線將節點,***至節點a
與節點b
之間的間隙中,以確保節點序列自節點a
至節點b
變得完全連接。
本申請案之實驗資料展示,在上文所描述之用於藉由在地面實況產生器模組206或拼接器模組處拼接斷開連接之連續節點而增加連接性的步驟之後,所映射節點序列之連接性可經顯著地增強。舉例而言,對於一日內捕捉之歷史軌跡,藉由拼接可提高自經預處理之歷史軌跡轉換之總節點序列的30%以上之連接性。由此類經處理之節點序列形成之地面實況路線可繼而促進對改良選路之準確評估。
鑒於上文,在拼接所映射節點序列中之某些斷開連接之連續節點之後,經拼接之所映射節點序列形成地面實況路線。熟習此項技術者應瞭解,在一些其他具體實例中,所映射節點序列可在無拼接之情況下形成地面實況路線。
在步驟404處,選路度量計算模組210獲得基於經推斷之起點位置及經推斷之目的地位置而產生之所建議路線。在一些具體實例中,所建議路線係自路線引擎模組208獲得,並且步驟404包含以下子步驟:
- 步驟404A:基於地圖及地圖之速度剖析而構建道路網路,速度剖析包含速度之集合,每一速度對應於地圖中之道路類別;以及
- 步驟404B:基於道路網路、經推斷之起點位置及經推斷之目的地位置而產生所建議路線。
在步驟404A處,路線引擎模組208基於地圖及地圖之速度剖析而構建道路網路。如上文所描述,速度剖析包含速度之集合,該些速度中之每一者對應於地圖中之一道路類別。
在一些具體實例中,地圖可包括12或15個道路類別。就此而言,速度剖析可包含各自對應於地圖中之各別道路類別的12或15個速度之集合。
在一些具體實例中,當在步驟404C處構建道路網路時,道路網路中之每一道路段的權重為每一道路段之持續時間,並且基於地圖及速度剖析連同支持不同查詢(例如,產生R-樹以支持最近道路段查詢)之輔助資料結構而被推斷。
在一些具體實例中,路線引擎模組208可包括經組態以構建如上文所描述之道路網路的映射器模組。在圖3中描繪映射器模組之實例。
在步驟404B處,路線引擎模組208基於道路網路、經推斷之起點位置及經推斷之目的地位置而產生所建議路線。
在一些具體實例中,步驟404B包括子步驟,在該子步驟處,路線引擎模組208將經推斷之起點位置及經推斷之目的地位置匹配至最近道路段而作為起點道路段及目的地段。此類匹配類似於自GPS ping之時間序列至節點序列之映射,如步驟402C中所描述。在一些實例中,路線引擎模組208可包括經組態以進行匹配之映射器模組。在圖3中描繪映射器模組之實例。
其後,步驟404B包括另一子步驟,在該另一子步驟處,路線引擎模組208產生用最短權重(持續時間)連接起點段與目的地段之所建議路線。各種演算法可用於計算單個源最短路線,諸如Dijkstra之演算法或A*搜尋。本發明路線引擎模組208使用收縮層次演算法,因為其在步驟402B處之預處理之後有效地處置數百萬個最短路線查詢的能力。
在本申請案中,將GPS ping之時間序列轉換成地面實況路線的上文所描述之步驟402C,可在用於構建道路網路、及基於道路網路及經推斷之起點及目的地位置而產生所建議路線的步驟404A及404B之前、與其平行地或之後進行。
在步驟406處,選路度量計算模組210藉由基於所建議路線中與地面實況路線中之對應道路段匹配的道路段之組合長度、及地面實況路線中之道路段之組合長度而計算偏航比率,來量化所建議路線與地面實況路線之偏差。
在一些具體實例中,當在步驟406處計算偏航比率時,選路度量計算模組210經組態以計算以下方程式:,(1)
其中P
為所建議路線,為地面實況路線,並且Sim 為所建議路線與地面實況路線之間的類似性分數。
在一些具體實例中,類似性分數Sim可基於以下方程式而計算:,(2)
其中指代地面實況路線中之每一道路段,指代地面實況路線中之每一道路段之長度,並且SequentialOverlap為所建議路線中與地面實況路線中之對應道路段匹配的道路段之組合長度。
在一些具體實例中,步驟406可包括用於獲得所建議路線中與地面實況路線中之對應道路段匹配的道路段之組合長度SequentialOverlap的子步驟。在步驟406之子步驟處,選路度量計算模組210經組態以搜尋所建議路線中與地面實況路線中之對應道路段匹配的道路段。
在搜尋道路段之子步驟處,選路度量計算模組210針對所建議路線中之每一道路段,依序進行對匹配道路段之搜尋,其中在每一搜尋之反覆期間,選路度量計算模組210自置放在所建議路線中之最後匹配道路段之後的道路段,開始在地面實況路線中之搜尋。
圖6展示可用於步驟406之子步驟中以用於獲得所建議路線中與地面實況路線中之道路段匹配之道路段的組合長度之例示性方法600。例示性方法600係以演算法形式呈現。
如圖6中所展示,方法600接收地面實況路線及所建議路線作為輸入,且產生重疊(overlap)道路段之組合長度作為輸出。
如圖6之行1中所展示,方法600針對所建議路線之第一道路段開始搜尋地面實況路線中之匹配道路段。搜尋自地面實況路線中之第一道路段開始。重疊段之初始長度設定為0,如圖6之行2中所展示。
如圖6之行3及4中所展示,方法600反覆所建議路線中之每一道路段且搜尋地面實況路線中之匹配道路段。
如方法600之行5中所展示,若所建議路線之道路段在地面實況路線中找到匹配道路段,則所建議路線之道路段之長度被添加至重疊段之長度,如方法600之行6中所展示。在如圖6之行7中所展示之下一反覆中,搜尋自地面實況路線中之下一道路段開始,以確保所建議路線中之道路段及地面實況路線依序匹配。
若針對所建議路線之道路段未找到匹配道路段,則函式FirstMatch返回指示無匹配之否定索引,且繼續進行以搜尋所建議路線之下一道路段,如圖6之行9中所展示。
如在如上文所描述之方法及裝置之具體實例中所獲得的路線偏差量化提供雙重技術優勢:首先,藉由路線偏差量化計算出之偏航比率更直接地指示所建議路線與地面實況路線之間的差異,如所建議路線與地面實況路線所共享之道路段愈多且愈長,則兩個路線愈類似;其次,藉由路線偏差量化計算出之偏航比率更準確,因為所建議路線中與地面實況路線中之道路段匹配之道路段的組合長度SequentialOverlap的獲得為準確的。此係因為所建議路線與地面實況路線之重疊必須依序,因為兩個路線中之道路段的序列以時間方式連接。
此外,如上文所描述之方法及裝置之具體實例中所獲得的路線偏差量化,針對路線偏差量化提供靈活性。如方程式(1)及(2)中所展示,道路段之任何兩個序列之間的偏差可藉由本申請案之路線偏差量化計算,不管道路段之兩個序列是否完全連接。
基於方程式(1),藉由路線偏差量化計算出之偏航比率介於0與1之間,其中0意謂兩個路線完全相同,並且1意謂所建議路線與地面實況路線完全偏離。亦即,偏航比率愈小,所建議路線愈接近地面實況比率。作為評估由路線引擎模組208產生之所建議路線相比於地面實況路線之偏差的值,偏航比率可隨後用於下游應用中以改良選路。
在一些具體實例中,選路度量計算模組210可將偏航比率儲存至對應於具有經推斷之起點位置及經推斷之目的地位置的所建議路線之資料庫。資料庫可為裝置200之資料庫模組202或用於如本文中所描述之交通工具路線學習之系統700中的資料庫模組702,或用於如本文中所描述之交通工具路線學習之系統800中的資料庫模組802。
在一些具體實例中,若偏航比率不大於臨限值,則選路度量計算模組210可將具有經推斷之起點位置及經推斷之目的地位置的所建議路線儲存於裝置200之資料模組202中。回應於在獲取模組201處接收到之選路請求(其中起點位置對應於經推斷之起點位置且目的地位置對應於經推斷之目的地位置),裝置200可回應於選路請求而將所建議路線輸出至路線引擎模組212以用於作為所建議路線提供。臨限值可基於實際需要而預定,例如0.2。
在一些具體實例中,若偏航比率大於臨限值,則選路度量計算模組210可將偏航比率發送至下游應用,例如,用於交通工具路線學習之系統,以用於最佳化地圖之速度剖析,以重新構建用於重新產生所建議路線之道路網路,從而實現最小化偏航比率。另外或替代地,交通工具路線學習為一獨立過程,其取決於各種要求按需或批量觸發而非藉由大於臨限值之偏航比率觸發。
圖3展示用於路線偏差量化模組之裝置300之另一具體實例。類似於如圖2中所展示之裝置200,裝置300包含預處理模組302、地面實況產生器模組332、路線引擎模組334及選路度量計算模組312。如上文所描述,裝置300經組態以執行圖4中所展示及上文所描述的步驟。
在裝置300的具體實例中,地面實況產生器模組332包括兩個子模組:地圖匹配模組304及拼接器模組306。
在裝置300之具體實例中,路線引擎模組334包括兩個子模組:映射器模組308及路線引擎310。
在步驟402處,選路度量計算模組312經組態以獲得基於過濾軌跡之地面實況路線。過濾軌跡包括經推斷之起點位置及經推斷之目的地位置。在一些具體實例中,地面實況路線係自地面實況產生器模組332獲得。
在步驟402之子步驟處,地圖匹配模組304將GPS ping之時間序列映射至地圖中之節點序列,如上文關於圖4所描述。
在步驟402之另一子步驟處,拼接器模組306檢查節點序列中之每兩個連續節點的連接性,並且若在節點序列中存在於地圖中未連接之兩個連續節點,則識別包括互連地圖中之兩個連續節點之兩個或更多個節點的路線,並且藉由在兩個連續節點之間***兩個或更多個節點來拼接兩個連續節點。
在步驟404處,選路度量計算模組312進一步經組態以獲得基於經推斷之起點位置及經推斷之目的地位置而產生之所建議路線。在一些具體實例中,所建議路線係自路線引擎模組334獲得。
在步驟406處,選路度量計算模組312經組態以藉由基於所建議路線中與地面實況路線中之對應道路段匹配的道路段之組合長度、及地面實況路線中之道路段之組合長度而計算偏航比率,來量化所建議路線與地面實況路線之偏差。
如上文所描述,藉由如上文所描述之路線偏差量化計算出之偏航比率用作交通工具路線學習之評估度量。給定地圖,道路網路之拓樸及每一道路段之道路類別係固定的。因此,本申請案中之交通工具路線學習經調配為識別道路網路中之每一道路段的最佳速度。如上文所描述,交通工具路線學習為獨立過程,其取決於各種要求按需或批量觸發,其藉由大於臨限值之偏航比率而可被觸發或可不被觸發。
道路網路可包含數百萬個道路段。經由竭盡式列舉直接推斷數百萬個道路段之速度係難處理的,且花費計算系統之相當大的計算帶寬。為解決此資料量問題,本申請案將相同速度指派給具有相同道路類別之道路段。以此方式,由於地圖中道路類別之數目受限(例如通常小於15),因此找到每一道路類別之最佳速度的本申請案之交通工具路線學習可顯著減少計算壓力且提高學習效能。藉由本申請案之交通工具路線學習識別之最佳化速度,並非是用於產生最佳路線之真實速度而是選路權重。
圖7展示用於交通工具路線學習之系統700的具體實例。系統700之架構利用裝置200之結構來進行如圖2中所展示之路線偏差量化。
系統700包括預處理模組704、地面實況產生器模組706、選路度量計算模組710及選路權重調諧模組714。
圖8展示用於交通工具路線學習之系統800的另一具體實例。系統800包括選路度量計算模組804、聚合及平均計算模組806、選路度量比較器模組808、選路權重最佳化模組810及路線引擎模組812。
在一些具體實例中,用於交通工具路線學習之系統800可實施為系統700中之選路權重調諧模組714。
圖9展示用於交通工具路線學習之具體實例方法900。方法900包含可由系統700及800、以及實施為用於交通工具路線學習之系統的計算裝置200執行的以下步驟:
- 步驟902:擷取對應於地圖上之歷史軌跡的訓練資料集;
- 步驟904:最佳化地圖之速度剖析以實現訓練資料集之最小化平均偏航比率;以及
- 步驟906:更新地圖之速度剖析。
在步驟902處,選路權重調諧模組714經組態以擷取對應於地圖上之歷史軌跡的訓練資料集。在一些具體實例中,訓練資料可在步驟902之前構造且包含資料點之集合。每一資料點對應於地圖上之歷史軌跡,且含有歷史軌跡之經推斷之起點位置、歷史軌跡之經推斷之目的地位置、基於地圖及速度剖析而產生之連接經推斷之起點位置及經推斷之目的地位置的所建議路線,以及歷史軌跡之對應地面實況路線。
在一些具體實例中,訓練資料集可呈現為D
,其包含資料點集,其中每一資料點含有一起點lo
及一目的地ld
之位置,連同連接兩個位置之所建議路線P
以及地面實況路線。可根據方法400獲得所建議路線P
及地面實況路線,以用於如上文關於圖4所描述之路線偏差量化。
在一些具體實例中,訓練資料可由系統700中之連接至選路度量計算模組710的資料庫模組712構造,該資料庫模組接收偏航比率連同經推斷之起點位置、經推斷之目的地位置、地面實況路線,以及所建議路線,該些所建議路線連接由選路度量計算模組710、預處理模組704、地面實況模組706在一預定時間週期中產生之經推斷之起點位置及經推斷之目的地位置。
在一些具體實例中,訓練資料可由連接至用於路線偏差量化之裝置(圖8中未示)之系統800中之資料庫模組802、或在以與資料庫模組702類似之方式實施為用於交通工具路線學習之系統時的裝置100之記憶體模組104構造。
如上文所描述,預定時間週期可為例如在一預定月中每天8 AM至10 AM,或在一預定年中每星期五5 PM至8 PM。根據實際需要設計此類預定時間週期,以用於接收用於交通工具路線學習之足夠資料。
在步驟902之前,系統700中之資料庫模組702或記憶體模組104可經組態,以將歷史資料分割成包括所提取訓練資料集之複數個訓練資料集。歷史資料包含儲存於資料庫模組702或記憶體模組104中之歷史軌跡的原始GPS資料。複數個訓練資料集中之每一訓練資料集包含對應於地圖上在一日之一預定小時內捕捉的歷史軌跡之資料點。如上文所提及,預定小時可取決於實際需要而為8 AM至9 AM、5 PM至6 PM或任何小時。
歸因於不同國家或城市中之交通條件之超級局域化,按小時之交通工具路線學習比按峰值或非峰值小時之學習具有優勢,因為歸因於每一國家之時區、交通規則及交通模式,難以針對每一城市指定精確峰值小時。藉由按小時將訓練資料分割,對於大城市,每一小時桶之資料尺寸顯著減小,並且由於按小時之學習可平行進行,因此按比例縮放交通工具路線學習有利地變得方便。在此方法中,非峰值小時數之訓練資料集經升取樣以確保資料尺寸在每一小時內平衡。
其後,預處理模組704或處理器模組102預處理歷史軌跡之原始GPS資料,以獲得具有起點位置及目的地位置之過濾軌跡。過濾軌跡中之每一者包含GPS ping之時間序列。GPS ping中之每一者指示在過濾軌跡期間之一時戳處的一交通工具之一位置。
在一些具體實例中,步驟902包括預處理模組704或處理器模組102構造速度剖析所處之子步驟,其中速度剖析包含速度之集合,每一速度對應於地圖中之一道路類別。
在一些具體實例中,預處理模組704或處理器模組102聚合歷史軌跡之原始GPS資料,以判定地圖中之每一道路類別之歷史速度,以便構造速度剖析。其後,路線引擎模組708或處理器模組102基於速度剖析及地圖而構建道路網路。
其後,對於過濾軌跡中之每一者,地面實況產生器模組706或處理器模組102將GPS ping之時間序列轉換成訓練資料集中之地面實況路線。
在步驟904處,選路權重調諧模組714、選路度量計算模組804或處理器模組120最佳化地圖之速度剖析,以實現訓練資料集之最小化平均偏航比率。在一些具體實例中,步驟904包括以下子步驟904A、904B及904C。
在步驟904A處,選路權重調諧模組714、選路度量計算模組804或處理器模組120基於所建議路線中與對應地面實況路線中之對應道路段匹配的道路段之組合長度、及對應地面實況路線中之道路段之組合長度,計算訓練資料集中之每一所建議路線的偏航比率,以量化所建議路線與對應地面實況路線之間的偏差。
在步驟904A處,訓練資料集中每一所建議路線之偏航比率的計算係根據如方法400中所描述的用於路線偏差量化之步驟。
在步驟904B處,選路權重調諧模組714、聚合及平均計算模組806聚合所計算偏航比率,且判定訓練資料集中所有所建議路線之平均偏航比率。
在步驟904D處,對於地圖中之每一道路類別,選路權重調諧模組714、選路度量比較器模組808與選路權重最佳化模組810一起工作,或處理器模組102最佳化對應速度以識別最佳化速度,該最佳化速度使得路線引擎產生器模組能夠重新產生針對訓練資料集中之經推斷之起點位置及經推斷之目的地位置的所建議路線,其具有最小化平均偏航比率。
如上文所描述,交通工具路線學習過程最小化訓練資料集D上之平均偏航比率,以免在單個路線上過度擬合。由於訓練資料集D之尺寸足夠大(實務上,訓練資料集D之尺寸通常在數百萬中),因此在訓練資料集D中所捕捉之樣本路線將覆蓋地圖上之所有道路段,且所學習之道路段權重將反映地圖上之任何兩個節點之間的最佳路線。
如方程式(3)中所定義之交通工具路線學習模型的具體實例描繪於圖10中且描述於對應段落中。
在步驟906處,如在步驟904中所獲得,選路權重調諧模組714、選路度量比較器模組808或處理器模組102用對應道路類別之最佳化速度更新速度剖析。
在一些具體實例中,回應於在系統700之獲取模組701處所接收之選路請求,其中起點位置對應於經推斷之起點位置中之一者且目的地位置對應於經推斷之目的地位置中之一者,系統700可回應於選路請求而基於地圖及更新後之速度剖析而產生及輸出所建議路線。
在一些具體實例中,當接收到選路請求時,基於請求中所指定之屬性(時戳、交通工具之車輪、城市等),系統700中之路線引擎模組可選擇對應更新後之速度剖析,以產生所建議路線且將所建議路線輸出至使用者之裝置(圖中未示)。
與訓練資料集相比,可經由自在不同時間週期內捕捉之歷史資料構造之資料集實行如圖9中所展示之交通工具路線學習之驗證。舉例而言,當完成交通工具路線學習且獲得特定地圖之更新後之速度剖析時,可執行如下驗證過程。
首先,選路權重調諧模組714、選路度量計算模組804或處理器模組120擷取針對同一地圖構造之驗證資料集(基於同一城市中之不同時間週期中所捕捉的歷史資料,以類似方式且以與訓練資料集相同之格式獲得)。
其後,選路權重調諧模組714、選路度量計算模組804或處理器模組120如用於路線偏差量化之方法400中所描述之步驟,計算驗證資料集中之每一所建議路線的偏航比率,以如關於步驟904B所描述之方式聚合所計算偏航比率,且判定驗證資料集中之所有所建議路線之平均偏航比率。驗證資料集中所有所建議路線之平均偏航比率之計算、聚合及判定的步驟係用地圖之原始速度剖析及地圖之更新後之速度剖析進行。
隨後,選路權重調諧模組714、選路度量計算模組804或處理器模組120,比較使用地圖之原始速度剖析獲得的驗證資料集中之所有所建議路線的平均偏航比率與使用地圖之更新後之速度剖析獲得的驗證資料集中之所有所建議路線的平均偏航比率。
若使用地圖之更新後之速度剖析獲得的驗證資料集中之所有所建議路線的平均偏航比率小於使用地圖之原始速度剖析獲得的驗證資料集,則證實如圖9中所展示之交通工具路線學習之過程為成功的。
另一方面,若使用地圖之更新後之速度剖析獲得的驗證資料集中之所有所建議路線的平均偏航比率不小於使用地圖之原始速度剖析獲得的驗證資料集,則新訓練資料集可藉由選路權重調諧模組714、選路度量計算模組804或處理器模組120而被構造及擷取,以用於重複交通工具路線學習之過程900之步驟902至906。
圖10說明用於最佳化地圖中之每一道路類別之速度的方法1000之具體實例。此方法包括可用於方法900之步驟904中的子步驟1002至1016。
如圖10中所展示,步驟904可包括子步驟1002,其中選路權重調諧模組714、選路度量比較器模組808或處理器模組102比較訓練資料集中所有所建議路線之所判定平均偏航比率是否大於地圖之現有平均偏航比率。
若子步驟1002處之比較指示,訓練資料集中所有所建議路線之所判定平均偏航比率不大於地圖之現有平均偏航比率,則選路權重調諧模組714、選路度量比較器模組808或處理器模組102在子步驟1004處,將對應速度識別為道路類別之最佳化速度。在子步驟1004處,可相應地用最佳化速度更新速度剖析。所判定平均偏航比率及更新後之速度剖析可儲存於資料庫模組702、802或記憶體模組104處。可在資料庫模組702、802或記憶體模組104中以所判定平均偏航比率覆寫現有平均偏航值。
在子步驟1004之後,選路權重調諧模組714、選路權重最佳化模組810或處理器模組102可繼續在子步驟1006處,調整道路類別之對應速度以搜尋潛在的較佳結果。
另一方面,若子步驟1002處之比較指示,訓練資料集中所有所建議路線之所判定平均偏航比率大於地圖之現有平均偏航比率,則選路權重調諧模組714、選路權重最佳化模組810或處理器模組102在子步驟1006處,調整速度剖析中之道路類別之對應速度。
在子步驟1006之後,在子步驟1008處,選路權重調諧模組714、路線引擎模組812或處理器模組102基於地圖及具有調整後之對應速度的調整後之速度剖析而構建道路網路。
在子步驟1008之後,在子步驟1010處,選路權重調諧模組714、路線引擎模組812或處理器模組102將道路網路、經推斷之起點位置及經推斷之目的地位置提供至路線引擎模組以重新產生所建議路線。
在子步驟1010之後,在子步驟1012處,選路權重調諧模組714、選路度量計算模組804或處理器模組102重新計算每一重新產生之所建議路線之偏航比率,以量化重新產生之所建議路線與對應地面實況路線之間的偏差。
在子步驟1012之後,在子步驟1014處,選路權重調諧模組714、聚合及平均計算模組806或處理器模組102聚合重新計算之偏航比率,且判定所有重新產生之所建議路線的平均偏航比率。
在子步驟1014之後,在子步驟1002'處,選路權重調諧模組714、選路度量比較器模組808或處理器模組102比較所有重新產生之所建議路線之所判定平均偏航比率是否大於地圖之現有平均偏航比率。
在子步驟1002'之後,若在子步驟1002'處之比較指示所有重新產生之所建議路線之所判定平均偏航比率大於地圖之現有平均偏航比率,則選路權重調諧模組714、系統800中之模組804、806、808、810或812或處理器模組102反覆調整道路類別之對應速度,如子步驟1006'、1008'、1010'、1012'及1014'中所描繪。
在子步驟1002'之後,若子步驟1002'處之比較指示所有重新產生之所建議路線之所判定平均偏航比率不大於地圖之現有平均偏航比率,則選路權重調諧模組714、選路度量比較器模組808或處理器模組102在子步驟1004'處,將調整後之對應速度識別為道路類別之最佳化速度。在子步驟1004'處,可相應地用最佳化速度更新速度剖析。所判定平均偏航比率及更新後之速度剖析可儲存於資料庫模組702、802或記憶體模組104處。可在資料庫模組702、802或記憶體模組104中以所判定平均偏航比率覆寫現有平均偏航值。
在子步驟1004'之後,選路權重調諧模組714、選路權重最佳化模組810或處理器模組102可繼續在子步驟1006'處,調整道路類別之對應速度以搜尋潛在的較佳結果,並且反覆如子步驟1008'、1010'、1012'及1014'中所描繪之步驟
若在1006'、1008'、1010'、1012'及1014'之子步驟之反覆之後,在子步驟1002'處之比較指示,基於在步驟1006'中調整之速度而針對重新產生之所建議路線在步驟1014'處所確定之平均偏航比率不大於地圖之現有平均偏航比率,則選路權重調諧模組714、選路度量比較器模組808或處理器模組102可在子步驟1016處,將在步驟1014'處所確定之平均偏航比率識別為訓練資料集之最小化平均偏航比率,且將在步驟1006'處調整之速度識別為道路類別之最佳化速度。在子步驟1016處,可相應地用最佳化速度更新速度剖析。最小化平均偏航比率及更新後之速度剖析可儲存於資料庫模組702、802或記憶體模組104處。
圖11展示亦可用作步驟904中之用於最佳化地圖中之每一道路類別之速度的子步驟的例示性方法1100。例示性方法1100係以演算法形式呈現。
如圖11中所展示,方法1100包括兩步調諧框架,其接收訓練資料集D
、地圖及速度剖析作為輸入,且產生最佳化速度剖析作為輸出。
如圖11之行1中所展示,方法1100開始依序反覆最佳化每一道路類別及其對應速度,以獲得每一道路類別之最佳速度。在第一反覆開始時,道路類別之最小速度s_MIN經設定為道路類別之初始速度,如圖11之行2中所展示。如圖11之行3中所展示,基於地圖及具有道路類別之初始速度的速度剖析而針對訓練資料集D
計算初始平均偏航比率。
對於每一道路類別,經由具有兩次掃描之格點搜尋獲得最佳速度。如圖11之行4至7中所展示,在第一步處,系統700、800或處理器模組102尋找其中使用大步長之速度調整之反覆來實現最佳速度的區域。如圖11之行9至12中所展示,在第二步處,系統700、800或處理器模組102使用小步長來進行速度調整之反覆以找到具有最小偏航比率之最終最佳速度。
舉例而言,在第二步中,藉由周圍的可能值s*來進一步調諧第一步中所獲得之最佳速度s。在步步之替代性具體實例中,圖11之行8可改變成「s* ← max(s-Δ, s_MIN)」,並且圖11之行9可改變成「while s* < min (s_MAX, s + Δ) do」。此改變可在經調諧之周圍可能值s*超出預定義之min及max值時避免潛在情形。若在第一步之後最佳速度s等於s_MIN,則在第二步中,方法1100將僅檢查s_MIN與s_MIN + Δ之間的範圍。
舉例而言,s_MIN可設定為8 km/h,並且s_MAX可設定為100 km/h。在具體實例中,在第一步中,大步長(步1)可設定為step 1 = 10 km/h。以此方式,可在第一步處以s = 58 km/h獲得最佳速度。隨後,在第二步中,吾人將用於調諧最佳速度s之可能值s*的範圍Δ設定為Δ = 10 km/h,並且將小步長設定為step_2 = 1 km/h。以此方式,自s - Δ(即58 - 10 = 48 km/h)至s + Δ(即58 + 10 = 68 km/h)檢查最佳速度之周圍可能值s*。以此方式,最終最佳速度s* = 63 km/h係以最小化平均偏航比率而被識別。
當執行如圖11之行3、6及11中所提及的CalcRatioAndCompare函式時,系統700、800或處理器模組102基於地圖及新速度剖析而重新構建道路網路,基於起點及目的地之位置而在經重新構建道路網路上重新產生所建議路線,並且相比於地面實況路線而計算重新產生之所建議路線的平均偏航比率。系統700、800或處理器模組102接著比較所計算平均偏航比率與現有偏航比率(例如,如在圖11之行3中所計算的初始平均偏航比率)、選取較小者,並且用對應速度覆寫現有平均偏航比率,如圖11之行13中所展示。
在實施圖11之兩步調諧框架時,觀察到道路類別最佳化之次序對最終速度剖析最佳化結果具有很小影響。因此,可看到,每一道路類別之速度係獨立的,其又可顯著地減小解答空間。
圖12展示描繪在無最佳化之情況下偏航比率與道路類別速度之間的關係的實例圖1200。此關係可如圖11中所例示在實施用於最佳化地圖中之每一道路類別之速度的方法1100期間獲得。
如圖12中所展示,道路類別速度與偏航比率之間的關係接近單峰。在圖12中,用步長等於1之方式繪製兩個特定道路類別(例如,曼谷中之高速公路及次要道路)之速度。接著根據如圖3中所展示之步驟計算對應偏航比率。以此方式,獲得針對高速公路道路之關係曲線1202及針對次要道路之關係曲線1204。自關係曲線1202、1204可觀察到對於每一道路類別存在一個最佳速度,然而,存在多個局部最佳值,此係因為各別關係曲線1202、1204並不平滑。非平滑曲線可藉由圖11中之兩步調諧框架在兩次掃描中定址。在第一掃描(可互換地稱作第一步)中,由於步長較大,因此很可能定位具有最佳值之區域。在第二掃描(可互換地稱作第二步)中,將在調諧範圍Δ >=Step 1
內用小步找到全域最佳值。存在無法在第一掃描中找到全域最佳值且因此返回次佳速度之情形,但其為可接受的,因為交通工具路線學習之主要焦點為改良平均偏航比率。另外,與用小步之竭盡式搜尋所有解答空間相比,圖11中之兩步調諧框架運行快得多。
圖13為適合用於實施如圖1至6中所例示之用於路線偏差量化之方法及裝置、及/或如圖7至11中所例示之用於交通工具路線學習之方法及系統的平行計算系統1300的方塊圖。
如上文所描述,可針對每一歷史軌跡獨立地進行路線偏差量化之計算。類似地,基於每一訓練資料集而最佳化交通工具路線學習,因此可平行處理不同訓練資料集。
如圖13中所展示,原始GPS資料首先按預定義分割區鍵進行分割以用於進行索引。分割區鍵包括年、月、日、小時、城市及交通工具之車輪,此係因為交通條件及選路偏好在城市間不同且在汽車與摩托車之間亦不同。
其後,將經分割資料聚合至每一任務中。聚合策略取決於任務之類型,例如,選路度量計算,例如,路線偏差量化通常聚合每一日之GPS資料,而交通工具路線學習可能需要數週按小時分割之GPS資料。
隨後,各別任務可同樣藉由資料尺寸分配至各別機器,並且在每一機器中平行運行。
圖14為適合於用作如圖2至3中所展示之用於路線偏差量化之裝置、及/或如圖7至8中所展示之用於交通工具路線學習之系統之電腦系統1400的方塊圖。
電腦系統/計算裝置1400之以下描述僅藉助於實例提供且並不意欲為限制性的。
如圖1400中所展示,實例計算裝置1400包括用於執行軟體常式之處理器1404。儘管為清楚起見而展示單個處理器,但計算裝置1400亦可包括多處理器系統。處理器1404連接至通信基礎結構1406,以用於與計算裝置1400之其他組件通信。通信基礎結構1406可包括例如通信匯流排、交叉匯流條或網路。
計算裝置1400進一步包括主記憶體1408(諸如,隨機存取記憶體(RAM))及次要記憶體1410。次要記憶體1410可包括例如硬碟機1412及/或可移除儲存磁碟機1414,其可包括磁帶機、光碟機或類似者。可移除儲存磁碟機1414以熟知方式自可移除儲存單元1418讀取及/或寫入至可移除儲存單元1418。可移除儲存單元1418可包括由可移除儲存磁碟機1414讀取及寫入至可移除儲存磁碟機1414之磁帶、光碟或類似者。如熟習相關技術者應瞭解,可移除儲存單元1418包括電腦可讀取儲存媒體,其中儲存有電腦可執行程式碼指令及/或資料。
在替代性實施方式中,次要記憶體1410可另外或替代地包括用於允許電腦程式或其他指令載入至計算裝置1400中的其他類似構件。此類構件可包括例如可移除儲存單元1422及介面1420。可移除儲存單元1422及介面1420的實例包括可移除記憶體晶片(諸如EPROM或PROM)及相關聯插口,以及允許軟體及資料自可移除儲存單元1422傳送至電腦系統1400的其他可移除儲存單元1422及介面1420。
計算裝置1400亦包括至少一個通信介面1424。通信介面1424允許軟體及資料經由通信路徑1426在計算裝置1400與外部裝置之間傳送。在各種具體實例中,通信介面1424准許資料在計算裝置1400與諸如公共資料或私人資料通信網路之資料通信網路之間傳送。通信介面1424可用於在不同計算裝置1400之間交換資料,該些此類計算裝置1400形成互連電腦網路之部分。通信介面1424之實例可包括數據機、網路介面(諸如乙太網路卡)、通信埠、具有相關聯電路系統之天線及類似者。通信介面1424可為有線或可為無線。經由通信介面1424傳送之軟體及資料呈信號形式,該些信號可為能夠由通信介面1424接收到之電子信號、電磁信號、光學信號或其他信號。此等信號經由通信路徑1426提供至通信介面。
視情況,計算裝置1400進一步包括執行用於將影像呈現至相關聯顯示器530之操作的顯示介面1402,及用於執行用於經由一個或多個相關聯揚聲器534播放音訊內容之操作的音訊介面532。
如本文中所使用,術語「電腦程式產品」可部分指代可移除儲存單元1418、可移除儲存單元1422、安裝於硬碟機1412中之硬碟,或經由通信路徑1426(無線鏈路或電纜)將軟體攜載至通信介面1424的載波。電腦可讀取儲存媒體指代將所記錄指令及/或資料提供至計算裝置1400以供執行及/或處理的任何非暫時性有形儲存媒體。此類儲存媒體之實例包括軟碟、磁帶、CD-ROM、DVD、Blu-rayTM磁碟、硬碟機、ROM或積體電路、USB記憶體、磁光碟或電腦可讀取卡,諸如PCMCIA卡及類似者,不管此類裝置為在計算裝置1400之內部抑或外部。亦可參與軟體、應用程式、指令及/或資料至計算裝置1400之提供的暫時性或非有形電腦可讀取發射媒體之實例包括無線電或紅外發射頻道,以及至另一電腦或網路化裝置之網路連接,及包括記錄於網站上之電子郵件傳輸及資訊的網際網路或企業內部網路及類似者。
電腦程式(亦稱為電腦程式碼)儲存於主記憶體1408及/或次要記憶體1410中。電腦程式亦可經由通信介面1424接收。此等電腦程式在被執行時使得計算裝置1400能夠執行本文中所論述之具體實例之一個或多個特徵。在各種具體實例中,電腦程式在被執行時使得處理器1404能夠執行上文所描述之具體實例之特徵。因此,此類電腦程式表示電腦系統1400之控制器。
軟體可儲存於電腦程式產品中,且使用可移除儲存磁碟機1414、硬碟機1412或介面1420載入至計算裝置1400中。替代地,電腦程式產品可經由通信路徑1426下載至電腦系統1400。軟體在由處理器1404執行時使得計算裝置1400執行本文中所描述之具體實例之功能。
應理解,圖5之具體實例僅藉助於實例呈現。因此,在一些具體實例中,計算裝置1400之一個或多個特徵可省略。並且,在一些具體實例中,計算裝置1400之一個或多個特徵可組合在一起。另外,在一些具體實例中,計算裝置1400之一個或多個特徵可拆分成一個或多個組件部分。
圖15展示適合於實施如上文所描述之用於路線偏差量化之方法、及/或用於交通工具路線學習之方法中所需之步驟的電腦系統1500。
如所展示,電腦系統1500可包括彼此可通信之一個或多個計算裝置1502、1504。計算裝置1502、1504中之每一者可經組態以執行如以上方法中所描述之一個或多個步驟。
一個或多個計算裝置1502、1504中之每一者可實施為用以執行如上文所描述之一個或多個步驟的伺服器。此等伺服器可屬於同一實體或不同實體。
舉例而言,當實施用於路線偏差量化之方法400時,步驟402、404及406可由計算裝置1502在同一實體處進行。在一些替代性實例中,步驟402及404可由計算裝置1504在第一實體處進行,並且自步驟402及404獲得之地面實況路線及所建議路線可接著經由通信鏈路1506轉遞至計算裝置1504,以供在第二實體處進行步驟406。
本說明書中所描述之技術產生一種或多種技術效果。詳言之,本揭示內容有利地利用路線偏差量化作為關鍵選路度量,來準確地評估由路線引擎模組產生之所建議路線與實際上由駕駛員採用之地面實況路線的偏差,並且隨後利用藉由路線偏差量化所計算之偏航比率來構造具有定製訓練資料集(例如,提取具有在特定城市中一個月中之每日中之同一小時中捕捉的歷史資料之訓練資料集)的交通工具路線學習系統。另外,本揭示內容有利地利用平行計算以分割及處理資料以用於路線偏差量化及交通工具路線學習,其允許自較大量之歷史資料學習而不損害效能。
熟習此項技術者應瞭解,可對如特定具體實例中所展示之本揭示內容進行眾多變化及/或修改,而不背離如廣泛地描述之本說明書之範圍。因此,本發明具體實例在所有方面中考慮為說明性及非限制性。
100:計算裝置/裝置
102:處理器/處理器模組
104:記憶體/記憶體模組
200:裝置/計算裝置
201:獲取模組
202:資料庫模組
204:預處理模組
206:地面實況產生器模組
208:路線引擎模組
210:選路度量計算模組
212:路線引擎模組
300:裝置
302:預處理模組
304:地圖匹配模組
306:拼接器模組
308:映射器模組
310:路線引擎
312:選路度量計算模組
332:地面實況產生器模組
334:路線引擎模組
400:例示方法/方法
402:步驟
404:步驟
406:步驟
600:例示性方法/方法
700:系統
701:獲取模組
702:資料庫模組
704:預處理模組
706:地面實況產生器模組/地面實況模組
708:路線引擎模組
710:選路度量計算模組
712:資料庫模組
714:選路權重調諧模組
800:系統
802:資料庫模組
804:選路度量計算模組/模組
806:聚合及平均計算模組/模組
808:選路度量比較器模組/模組
810:選路權重最佳化模組/模組
812:路線引擎模組
900:例示方法/方法/具體實例方法/過程
902:步驟
904:步驟
906:步驟
1000:方法
1002:子步驟
1002':子步驟
1004:子步驟
1004':子步驟
1006:子步驟
1006':子步驟/步驟
1008:子步驟
1008':子步驟
1010:子步驟
1010':子步驟
1012:子步驟
1012':子步驟
1014:子步驟
1014':子步驟/步驟
1016:子步驟
1100:例示性方法/方法
1200:實例圖
1202:關係曲線
1204:關係曲線
1300:平行計算系統
1400:電腦系統/計算裝置/實例計算裝置
1402:顯示介面
1404:處理器
1406:通信基礎結構
1408:主記憶體
1410:次要記憶體
1412:硬碟機
1414:可移除儲存磁碟機
1418:可移除儲存單元
1420:介面
1422:可移除儲存單元
1424:通信介面
1426:通信路徑
1500:電腦系統
1502:計算裝置
1504:計算裝置
1506:通信鏈路
所屬技術領域中具有通常知識者將自僅藉助於實例且結合圖式之以下書面描述更好地理解且容易地顯而易見具體實例及實施方式,其中:
[圖1]為計算裝置之示意圖。計算裝置可實施為根據本申請案之具體實例的用於路線偏差量化之裝置或用於交通工具路線學習之系統。
[圖2]為根據具體實例之用於路線偏差量化之裝置的示意圖。
[圖3]為根據另一具體實例之用於路線偏差量化模組之裝置的方塊圖。
[圖4]為說明根據具體實例之用於路線偏差量化之方法的流程圖。
[圖5]為展示根據具體實例之原始GPS資料及經預處理GPS資料的例示性圖。經預處理GPS資料可用於選路度量計算模組,以評估由如圖2中所展示之路線引擎模組建議之所建議路線。由選路度量計算模組產生之評估結果可進一步用於下游應用,例如交通工具路線學習。
[圖6]展示根據具體實例之以演算法形式呈現之用於計算所建議路線中與地面實況路線中的道路段匹配之道路段之組合長度的例示性方法。此例示性方法可用於例示方法400之步驟412中,以如圖4中所展示進行路線偏差量化。
[圖7]展示根據具體實例之用於交通工具路線學習之系統的示意圖。
[圖8]展示根據另一具體實例之用於交通工具路線學習之系統的示意圖。
[圖9]為說明根據具體實例之用於交通工具路線學習之方法的流程圖。交通工具路線學習可為取決於各種要求可按需觸發或批量觸發之獨立過程。
[圖10]為說明根據具體實例之用於最佳化地圖中之每一道路類別之速度的方法之流程圖。此方法包括可用於例示方法900之步驟904中以如圖9中所展示進行交通工具路線學習之子步驟。
[圖11]展示根據具體實例之以演算法形式呈現之用於最佳化地圖中之每一道路類別之速度的例示性方法。此方法包括可用於例示方法900之步驟904中以如圖9中所展示進行交通工具路線學習之子步驟。
[圖12]展示描繪根據具體實例之在無最佳化之情況下偏航比率與道路類別速度之間的關係的圖。此關係可如圖11中所例示在實施用於最佳化地圖中之每一道路類別之速度的例示性方法期間獲得。關係可基於預定城市(例如,曼谷)中預定時間週期(例如,每週每8 AM至9 AM)期間捕捉的歷史軌跡而獲得,其繼而可用於根據如圖7至11中所例示之用於交通工具路線學習之方法及系統而識別預定城市(例如,曼谷)中預定時間週期(例如,8 AM至9 AM)的每一道路類別之最佳化速度。
[圖13]為適合於實施如圖1至6中所例示之用於路線偏差量化之方法及裝置及/或如圖7至11中所例示之用於交通工具路線學習之方法及系統的平行計算系統的方塊圖。
[圖14]為適合於用作如圖2至3中所展示之用於路線偏差量化之裝置及/或如圖7至8中所展示之用於交通工具路線學習之系統之電腦系統的方塊圖。
[圖15]為適合於實施如本文中所描述之用於路線偏差量化之方法(例如,如圖4中所例示)及/或如本文中所描述之用於交通工具路線學習之方法(例如,如圖9至10中所例示)中所需之步驟的電腦系統之示意圖。
熟習此項技術者應瞭解,諸圖中之元件為簡單及清晰起見而說明且未必按比例描繪。舉例而言,可相對於其他元件將說明、方塊圖或流程圖中之一些元件之尺寸擴大以幫助提高對本具體實例之理解。
200:裝置/計算裝置
201:獲取模組
202:資料庫模組
204:預處理模組
206:地面實況產生器模組
208:路線引擎模組
210:選路度量計算模組
212:路線引擎模組
Claims (46)
- 一種用於一所建議路線之路線偏差量化的方法,該方法包含: 基於一過濾軌跡而獲得一地面實況路線,該過濾軌跡包括一經推斷之起點位置及一經推斷之目的地位置; 獲得基於該經推斷之起點位置及該經推斷之目的地位置而產生的一所建議路線;以及 藉由基於該所建議路線中與該地面實況路線中之對應道路段匹配的道路段之一組合長度、及該地面實況路線中之道路段之一組合長度而計算一偏航比率,來量化該所建議路線與該地面實況路線之一偏差。
- 如請求項1之方法,其中該獲得該地面實況路線包含: 提取包含一地圖上之一歷史軌跡之原始GPS資料的歷史資料; 預處理該歷史軌跡之該原始GPS資料,以獲得具有該經推斷之起點位置及該經推斷之目的地位置的該過濾軌跡,其中該過濾軌跡包含全球定位系統回音(GPS ping)之一時間序列,並且其中該些GPS ping中之每一者指示在該過濾軌跡期間之一時戳處的一交通工具之一位置;以及 將GPS ping之該時間序列轉換成該地面實況路線。
- 如請求項1之方法,其中該獲得該所建議路線包含: 基於該地圖及該地圖之一速度剖析而構建一道路網路,該速度剖析包含速度之一集合,每一速度對應於該地圖中之一道路類別;以及 基於該道路網路、該經推斷之起點位置及該經推斷之目的地位置而產生該所建議路線。
- 如請求項1之方法,其進一步包含: 回應於一選路請求,該選路請求具有對應於該經推斷之起點位置之一起點位置及對應於該經推斷之目的地位置之一目的地位置,若該偏航比率不大於一臨限值,則輸出該所建議路線。
- 如請求項3之方法,其進一步包含: 若該偏航比率大於一臨限值,則最佳化該地圖之該速度剖析,以重新構建該道路網路,以用於重新產生該所建議路線。
- 如請求項1至5中任一項之方法,其進一步包含: 將該偏航比率儲存至對應於具有該經推斷之起點位置及該經推斷之目的地位置的該所建議路線之一資料庫。
- 如請求項2之方法,其中GPS ping之該時間序列至該地面實況路線之該轉換包含: 將GPS ping之該時間序列映射至該地圖中之一節點序列。
- 如請求項7之方法,其中GPS ping之該時間序列至該地面實況路線之該轉換進一步包含: 檢查該節點序列中之每兩個連續節點的連接性;以及 若兩個連續節點在該地圖中未連接,則 識別將該地圖中之該兩個連續節點互連的一路線,該路線包括兩個或更多個節點,並且 藉由在該兩個連續節點之間***該兩個或更多個節點,來拼接該兩個連續節點。
- 如請求項9之方法,其進一步包含: 搜尋該地面實況路線中與該所建議路線中之該些對應道路段匹配的該些道路段, 其中該搜尋該些道路段包含: 針對該所建議路線中之每一道路段,依序進行對該地面實況路線中之一匹配道路段之一搜尋, 其中在搜尋之每一反覆期間,自置放在該地面實況路線中之一最後匹配道路段之後的一道路段,開始在該地面實況路線中之該搜尋。
- 一種用於一所建議路線之路線偏差量化的裝置,該裝置包含: 一處理器模組;以及 一記憶體模組,其包括電腦程式碼; 該記憶體模組及該電腦程式碼經組態以用該處理器模組使得該裝置: 基於一過濾軌跡而獲得一地面實況路線,該過濾軌跡包括一經推斷之起點位置及一經推斷之目的地位置; 獲得基於該經推斷之起點位置及該經推斷之目的地位置而產生的一所建議路線;以及 藉由基於該所建議路線中與該地面實況路線中之對應道路段匹配的道路段之一組合長度、及該地面實況路線中之道路段之一組合長度而計算一偏航比率,來量化該所建議路線與該地面實況路線之一偏差。
- 如請求項11之裝置,其中在獲得該地面實況路線時,該裝置經組態以: 提取包含一地圖上之一歷史軌跡之原始GPS資料的歷史資料; 預處理該歷史軌跡之該原始GPS資料以獲得具有該經推斷之起點位置及該經推斷之目的地位置的該過濾軌跡,其中該過濾軌跡包含全球定位系統回音(GPS ping)之一時間序列,並且其中該些GPS ping中之每一者指示在該過濾軌跡期間之一時戳處的一交通工具之一位置;以及 將GPS ping之該時間序列轉換成該地面實況路線。
- 如請求項11之裝置,其中在獲得該所建議路線時,該裝置經組態以: 基於該地圖及該地圖之一速度剖析而構建一道路網路,該速度剖析包含速度之一集合,每一速度對應於該地圖中之一道路類別;以及 基於該道路網路、該經推斷之起點位置及該經推斷之目的地位置而產生該所建議路線。
- 如請求項11之裝置,其中該裝置被進一步使得: 回應於一選路請求,該選路請求具有對應於該經推斷之起點位置之一起點位置及對應於該經推斷之目的地位置之一目的地位置,若該偏航比率不大於一臨限值,則輸出該所建議路線。
- 如請求項13之裝置,其中該裝置被進一步使得: 若該偏航比率大於一臨限值,則最佳化該地圖之該速度剖析,以重新構建該道路網路,以用於重新產生該所建議路線。
- 如請求項11至15中任一項之裝置,其中該裝置被進一步使得: 將該偏航比率儲存至對應於具有該經推斷之起點位置及該經推斷之目的地位置的該所建議路線之一資料庫。
- 如請求項12之裝置,其中在將GPS ping之該時間序列轉換成該地面實況路線時,該裝置經組態以: 將GPS ping之該時間序列映射至該地圖中之一節點序列。
- 如請求項17之裝置,其中在將GPS ping之該時間序列轉換成該地面實況路線時,該裝置被進一步使得: 檢查該節點序列中之每兩個連續節點的連接性;以及 若兩個連續節點在該地圖中未連接,則 識別將該地圖中之該兩個連續節點互連的一路線,該路線包括兩個或更多個節點,並且 藉由在該兩個連續節點之間***該兩個或更多個節點來拼接該兩個連續節點。
- 如請求項19之裝置,其中該裝置被進一步使得: 搜尋該地面實況路線中與該所建議路線中之該些對應道路段匹配的該些道路段, 其中在搜尋該些道路段時,該裝置經組態以: 針對該所建議路線中之每一道路段,依序進行對該地面實況路線中之一匹配道路段之一搜尋, 其中在搜尋之每一反覆期間,自置放在該地面實況路線中之一最後匹配道路段之後的一道路段,開始在該地面實況路線中之該搜尋。
- 一種用於交通工具路線學習之方法,該方法包含: 擷取對應於一地圖上之歷史軌跡的一訓練資料集; 最佳化該地圖之一速度剖析以實現該訓練資料集之一最小化平均偏航比率;以及 更新該地圖之該速度剖析。
- 如請求項21之方法,其進一步包含: 構造該訓練資料集,其中該訓練資料集包含資料點之一集合,其中每一資料點對應於該地圖上之該些歷史軌跡中之一者且含有: 該歷史軌跡之一經推斷之起點位置, 該歷史軌跡之一經推斷之目的地位置, 基於該地圖及該速度剖析而產生之連接該經推斷之起點位置及該經推斷之目的地位置的一所建議路線,以及 該歷史軌跡之一對應地面實況路線。
- 如請求項22之方法,其進一步包含: 構造該速度剖析,其中該速度剖析包含速度之一集合,每一速度對應於該地圖中之一道路類別。
- 如請求項23之方法,其中該最佳化該速度剖析以實現該訓練資料集之該最小化平均偏航比率包含: 基於該所建議路線中與該對應地面實況路線中之對應道路段匹配的道路段之一組合長度、及該對應地面實況路線中之道路段之一組合長度,計算該訓練資料集中之每一所建議路線的一偏航比率,以量化該所建議路線與該對應地面實況路線之間的一偏差; 聚合所計算之偏航比率且判定該訓練資料集中所有該些所建議路線之一平均偏航比率;以及 針對該地圖中之每一道路類別,最佳化該對應速度以識別一最佳化速度,該最佳化速度使得路線引擎產生器模組能夠用一最小化平均偏航比率,重新產生該訓練資料集中之經推斷之起點位置及經推斷之目的地位置的所建議路線。
- 如請求項22至24中任一項之方法,其進一步包含: 回應於一選路請求,該選路請求具有對應於該些經推斷之起點位置中之一者的一起點位置及對應於該些經推斷之目的地位置中之一者的一目的地位置,基於該地圖及該更新後之速度剖析而產生及輸出一所建議路線。
- 如請求項24之方法,其中該地圖中之每一道路類別之該對應速度的該最佳化包含: 比較該訓練資料集中所有該些所建議路線之該所判定平均偏航比率是否大於該地圖之一現有平均偏航比率;以及 若該訓練資料集中所有該些所建議路線之該所判定平均偏航比率大於該地圖之該現有平均偏航比率,則 調整該速度剖析中之一道路類別的該對應速度; 基於該地圖及具有該調整後之對應速度的該調整後之速度剖析而構建一道路網路; 將該道路網路、該些經推斷之起點位置及該些經推斷之目的地位置提供至路線規劃模組以重新產生所建議路線; 重新計算每一重新產生之所建議路線的一偏航比率,以量化該重新產生之所建議路線與該對應地面實況路線之間的一偏差; 聚合重新計算之偏航比率且判定所有該些重新產生之所建議路線的一平均偏航比率; 比較所有該些重新產生之所建議路線之該所判定平均偏航比率是否大於該地圖之該現有平均偏航比率;以及 若所有該些重新產生之所建議路線之該所判定平均偏航比率大於該地圖之該現有平均偏航比率,則反覆調整該道路類別之該對應速度, 若所有該些重新產生之所建議路線之該所判定平均偏航比率不大於該地圖之該現有平均偏航比率,則將該調整後之對應速度識別為該道路類別之該最佳化速度。
- 如請求項24之方法,其中該地圖中之每一道路類別之該對應速度的該最佳化包含: 比較該訓練資料集中所有該些所建議路線之該所判定平均偏航比率是否大於該地圖之一現有平均偏航比率;以及 若該訓練資料集中所有該些所建議路線之該所判定平均偏航比率不大於該地圖之該現有平均偏航比率,則將該對應速度識別為該道路類別之該最佳化速度。
- 如請求項21之方法,其進一步包含: 將歷史資料分割成包括該所擷取訓練資料集之複數個訓練資料集,該歷史資料包含儲存於一資料庫模組中的歷史軌跡之原始GPS資料, 其中該複數個訓練資料集中之每一訓練資料集包含對應於該地圖上在一日之一預定小時內捕捉的歷史軌跡之資料點。
- 如請求項28之方法,其進一步包含: 預處理該些歷史軌跡之該原始GPS資料,以獲得具有該些起點位置及該些目的地位置之過濾軌跡, 其中該些過濾軌跡中之每一者包含全球定位系統回音(GPS ping)之一時間序列,並且其中該些GPS ping中之每一者指示在該過濾軌跡期間之一時戳處的一交通工具之一位置。
- 如請求項28或29之方法,其進一步包含: 聚合該些歷史軌跡之該原始GPS資料,以判定該地圖中之每一道路類別之一歷史速度,以便構造該速度剖析,以及 基於該速度剖析及該地圖而構建一道路網路。
- 如請求項29之方法,其進一步包含: 對於該些過濾軌跡中之每一者,將GPS ping之該時間序列轉換成該訓練資料集中之該地面實況路線。
- 如請求項32之方法,其進一步包含: 搜尋該地面實況路線中與該所建議路線中之該些對應道路段匹配的該些道路段, 其中該搜尋該些道路段包含: 針對該所建議路線中之每一道路段,依序進行對該地面實況路線中之一匹配道路段之一搜尋, 其中在搜尋之每一反覆期間,自置放在該地面實況路線中之一最後匹配道路段之後的一道路段開始,在該地面實況路線中之該搜尋。
- 一種用於交通工具路線學習之系統,該系統包含: 一處理器模組;以及 一記憶體模組,其包括電腦程式碼; 該記憶體模組及該電腦程式碼經組態以用該處理器模組使得該系統: 擷取對應於一地圖上之歷史軌跡的一訓練資料集; 最佳化該地圖之一速度剖析以實現該訓練資料集之一最小化平均偏航比率;以及 更新該地圖之該速度剖析。
- 如請求項34之系統,其中該訓練資料集包含資料點之一集合,其中每一資料點對應於該地圖上之該些歷史軌跡中之一者且含有: 該歷史軌跡之一經推斷之起點位置, 該歷史軌跡之一經推斷之目的地位置, 基於該地圖及該速度剖析而產生之連接該經推斷之起點位置及該經推斷之目的地位置的一所建議路線,以及 該歷史軌跡之一對應地面實況路線。
- 如請求項35之系統,其中該速度剖析包含速度之一集合,每一速度對應於該地圖中之一道路類別。
- 如請求項36之系統,其中在最佳化該速度剖析以實現該訓練資料集之該最小化平均偏航比率時,該系統被使得: 基於該所建議路線中與該對應地面實況路線中之對應道路段匹配的道路段之一組合長度、及該對應地面實況路線中之道路段之一組合長度,計算該訓練資料集中之每一所建議路線的一偏航比率,以量化該所建議路線與該對應地面實況路線之間的一偏差; 聚合所計算之偏航比率且判定該訓練資料集中所有該些所建議路線之一平均偏航比率;以及 針對該地圖中之每一道路類別,最佳化該對應速度以識別一最佳化速度,該最佳化速度使得路線引擎產生器模組能夠用一最小化平均偏航比率,重新產生該訓練資料集中之經推斷之起點位置及經推斷之目的地位置的所建議路線。
- 如請求項37之系統,其中該系統被進一步使得: 回應於一選路請求,該選路請求具有對應於該些經推斷之起點位置中之一者的一起點位置及對應於該些經推斷之目的地位置中之一者的一目的地位置,基於該地圖及該更新後之速度剖析而產生及輸出一所建議路線。
- 如請求項37之系統,其中在最佳化該地圖中之每一道路類別之該對應速度時,該系統被使得: 比較該訓練資料集中所有該些所建議路線之該所判定平均偏航比率是否大於該地圖之一現有平均偏航比率;以及 若該訓練資料集中所有該些所建議路線之該所判定平均偏航比率大於該地圖之該現有平均偏航比率,則 調整該速度剖析中之一道路類別的該對應速度; 基於該地圖及具有該調整後之對應速度的該調整後之速度剖析而構建一道路網路; 將該道路網路、該些經推斷之起點位置及該些經推斷之目的地位置提供至路線規劃模組以重新產生所建議路線; 重新計算每一重新產生之所建議路線的一偏航比率,以量化該重新產生之所建議路線與該對應地面實況路線之間的一偏差; 聚合重新計算之偏航比率且判定所有該些重新產生之所建議路線的一平均偏航比率; 比較所有該些重新產生之所建議路線之該所判定平均偏航比率是否大於該地圖之該現有平均偏航比率;以及 若所有該些重新產生之所建議路線之該所判定平均偏航比率大於該地圖之該現有平均偏航比率,則反覆調整該道路類別之該對應速度, 若所有該些重新產生之所建議路線之該所判定平均偏航比率不大於該地圖之該現有平均偏航比率,則將該調整後之對應速度識別為該道路類別之該最佳化速度。
- 如請求項37之系統,其中在最佳化該地圖中之每一道路類別之該對應速度時,該系統被使得: 比較該訓練資料集中所有該些所建議路線之該所判定平均偏航比率是否大於該地圖之一現有平均偏航比率;以及 若該訓練資料集中所有該些所建議路線之該所判定平均偏航比率不大於該地圖之該現有平均偏航比率,則將該對應速度識別為該道路類別之該最佳化速度。
- 如請求項37之系統,其中該系統被進一步使得: 將歷史資料分割成包括該所擷取訓練資料集之複數個訓練資料集,該歷史資料包含儲存於一資料庫模組中的歷史軌跡之原始GPS資料, 其中該複數個訓練資料集中之每一訓練資料集包含對應於該地圖上在一日之一預定小時內捕捉的歷史軌跡之資料點。
- 如請求項41之系統,其中該系統被進一步使得: 預處理該些歷史軌跡之該原始GPS資料,以獲得具有該些起點位置及該些目的地位置之過濾軌跡, 其中該些過濾軌跡中之每一者包含全球定位系統回音(GPS ping)之一時間序列,並且其中該些GPS ping中之每一者指示在該過濾軌跡期間之一時戳處的一交通工具之一位置。
- 如請求項41或42之系統,其中該系統被進一步使得: 聚合該些歷史軌跡之該原始GPS資料,以判定該地圖中之每一道路類別之一歷史速度,以便構造該速度剖析,以及 基於該速度剖析及該地圖而構建一道路網路。
- 如請求項42之系統,其中該系統被進一步使得: 對於該些過濾軌跡中之每一者,將GPS ping之該時間序列轉換成該訓練資料集中之該地面實況路線。
- 如請求項45之系統,其中該系統被進一步使得: 搜尋該地面實況路線中與該所建議路線中之該些對應道路段匹配的該些道路段, 其中在搜尋該些道路段時,該系統經組態以: 針對該所建議路線中之每一道路段,依序進行對該地面實況路線中之一匹配道路段之一搜尋, 其中在搜尋之每一反覆期間,自置放在該地面實況路線中之一最後匹配道路段之後的一道路段,開始在該地面實況路線中之該搜尋。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
WOPCT/SG2020/050295 | 2020-05-19 | ||
PCT/SG2020/050295 WO2021236006A1 (en) | 2020-05-19 | 2020-05-19 | Route deviation quantification and vehicular route learning based thereon |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202146852A true TW202146852A (zh) | 2021-12-16 |
Family
ID=78707987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110117508A TW202146852A (zh) | 2020-05-19 | 2021-05-14 | 路線偏差量化和基於其之交通工具路線學習 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11788850B2 (zh) |
CN (1) | CN114450557B (zh) |
TW (1) | TW202146852A (zh) |
WO (1) | WO2021236006A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021236006A1 (en) | 2020-05-19 | 2021-11-25 | Grabtaxi Holdings Pte. Ltd. | Route deviation quantification and vehicular route learning based thereon |
CN113220680A (zh) * | 2021-04-29 | 2021-08-06 | 北京理工大学珠海学院 | 疫情密切接触者轨迹确定方法、***、装置及存储介质 |
CN115617938B (zh) * | 2022-12-20 | 2023-03-14 | 永立数智(北京)科技有限公司 | 基于时空历史比对的车辆轨迹重复校验方法及装置 |
CN116193363B (zh) * | 2023-05-04 | 2023-06-27 | 广东省农业科学院动物科学研究所 | 一种生猪转栏的动态追踪处理方法和*** |
CN117891892B (zh) * | 2024-03-14 | 2024-05-31 | 南京师范大学 | 一种基于历史巡护数据的护林员轨迹优化方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4697747B2 (ja) * | 2007-07-11 | 2011-06-08 | 本田技研工業株式会社 | ナビサーバおよびナビシステム |
JP5037259B2 (ja) | 2007-08-03 | 2012-09-26 | 株式会社タイトー | ナビゲーションプログラム、プログラム記憶媒体、ナビゲーション装置、及び携帯端末 |
US9261376B2 (en) | 2010-02-24 | 2016-02-16 | Microsoft Technology Licensing, Llc | Route computation based on route-oriented vehicle trajectories |
KR102322027B1 (ko) | 2014-05-15 | 2021-11-08 | 삼성전자주식회사 | 개인화 정보 제공 시스템 및 그 방법 |
CN106919993A (zh) | 2015-12-25 | 2017-07-04 | 滴滴(中国)科技有限公司 | 一种基于历史数据的高准确性默认目的地预测方法及装置 |
US20200234582A1 (en) * | 2016-01-03 | 2020-07-23 | Yosef Mintz | Integrative system and methods to apply predictive dynamic city-traffic load balancing and perdictive parking control that may further contribute to cooperative safe driving |
US9952056B2 (en) | 2016-03-11 | 2018-04-24 | Route4Me, Inc. | Methods and systems for detecting and verifying route deviations |
KR101843683B1 (ko) | 2017-04-28 | 2018-03-30 | 이영욱 | 개인 맞춤형 추천 경로를 제공하는 네비게이션 시스템 및 그 구동방법 |
CN106969782B (zh) | 2017-05-27 | 2020-05-12 | 百度在线网络技术(北京)有限公司 | 导航路线的推送方法、装置、设备以及存储介质 |
AU2018279041A1 (en) | 2017-06-21 | 2019-01-31 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for route planning |
CN108303108B (zh) | 2017-12-05 | 2020-05-22 | 华南理工大学 | 一种基于车辆历史轨迹的个性化路线推荐方法 |
US10551199B2 (en) | 2017-12-29 | 2020-02-04 | Lyft, Inc. | Utilizing artificial neural networks to evaluate routes based on generated route tiles |
DE102019000617A1 (de) | 2019-01-28 | 2019-06-06 | Daimler Ag | Verfahren zur automatischen Erkennung mindestens einer Verkehrsstörung auf einer Route eines Fahrzeugs, Navigationssystem zum Ausführen eines solchen Verfahrens, sowie Fahrzeug mit einem solchen Navigationssystem |
CN110647693B (zh) | 2019-09-23 | 2021-03-05 | 北京京东智能城市大数据研究院 | 路径推荐的方法和装置 |
WO2021236006A1 (en) | 2020-05-19 | 2021-11-25 | Grabtaxi Holdings Pte. Ltd. | Route deviation quantification and vehicular route learning based thereon |
-
2020
- 2020-05-19 WO PCT/SG2020/050295 patent/WO2021236006A1/en active Application Filing
- 2020-05-19 US US17/754,011 patent/US11788850B2/en active Active
- 2020-05-19 CN CN202080068085.0A patent/CN114450557B/zh active Active
-
2021
- 2021-05-14 TW TW110117508A patent/TW202146852A/zh unknown
-
2023
- 2023-09-06 US US18/461,758 patent/US20240142242A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US11788850B2 (en) | 2023-10-17 |
CN114450557B (zh) | 2023-03-28 |
US20240142242A1 (en) | 2024-05-02 |
WO2021236006A1 (en) | 2021-11-25 |
US20220373339A1 (en) | 2022-11-24 |
CN114450557A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202146852A (zh) | 路線偏差量化和基於其之交通工具路線學習 | |
US11562168B2 (en) | Clustering for K-anonymity in location trajectory data | |
Hsueh et al. | Map matching for low-sampling-rate GPS trajectories by exploring real-time moving directions | |
EP3293489B1 (en) | Method and apparatus for providing trajectory bundles for map data analysis | |
Dai et al. | Personalized route recommendation using big trajectory data | |
US10074276B2 (en) | Method and apparatus for providing parking availability detection based on vehicle trajectory information | |
US9558660B1 (en) | Method and apparatus for providing state classification for a travel segment with multi-modal speed profiles | |
US10546043B1 (en) | Triangulation for K-anonymity in location trajectory data | |
CN108763558B (zh) | 一种基于地图匹配的众包地图道路质量改进方法 | |
CN104331422A (zh) | 一种路段类型推测方法 | |
US11231282B2 (en) | Method and apparatus for providing node-based map matching | |
US11348453B2 (en) | Method and apparatus for dynamic speed aggregation of probe data for high-occupancy vehicle lanes | |
US20230066501A1 (en) | Method, apparatus, and system for traffic estimation based on anomaly detection | |
CN111143495B (zh) | 道路缺失发现方法及装置 | |
Ozdemir et al. | A hybrid HMM model for travel path inference with sparse GPS samples | |
US20220161817A1 (en) | Method, apparatus, and system for creating doubly-digitised maps | |
US20210241625A1 (en) | Method and apparatus for providing large scale vehicle routing | |
EP3671126A1 (en) | Method, apparatus, and system for providing road closure graph inconsistency resolution | |
Xu et al. | Map matching based on conditional random fields and route preference mining for uncertain trajectories | |
US20230137263A1 (en) | Method and apparatus for generating structured trajectories from geospatial observations | |
Santos et al. | Gbus-route geotracer | |
US20220082394A1 (en) | Method and apparatus for ridesharing pickup wait time prediction | |
CN104121917A (zh) | 一种自动发现新建桥梁的方法和装置 | |
CN110411450A (zh) | 一种用于压缩轨迹的地图匹配方法 | |
CN110458309B (zh) | 一种基于实际路网环境的网约拼车站点选址方法 |