CN104121908B - 一种延时路径规划的方法和系统 - Google Patents

一种延时路径规划的方法和系统 Download PDF

Info

Publication number
CN104121908B
CN104121908B CN201310148801.8A CN201310148801A CN104121908B CN 104121908 B CN104121908 B CN 104121908B CN 201310148801 A CN201310148801 A CN 201310148801A CN 104121908 B CN104121908 B CN 104121908B
Authority
CN
China
Prior art keywords
information
section
client
mobile
path
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
Application number
CN201310148801.8A
Other languages
English (en)
Other versions
CN104121908A (zh
Inventor
张帆
柴思远
张阔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sogou Technology Development Co Ltd
Beijing Sogou Information Service Co Ltd
Original Assignee
Beijing Sogou Technology Development Co Ltd
Beijing Sogou Information Service Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sogou Technology Development Co Ltd, Beijing Sogou Information Service Co Ltd filed Critical Beijing Sogou Technology Development Co Ltd
Priority to CN201310148801.8A priority Critical patent/CN104121908B/zh
Publication of CN104121908A publication Critical patent/CN104121908A/zh
Application granted granted Critical
Publication of CN104121908B publication Critical patent/CN104121908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—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
    • G01C21/3407—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
    • G01C21/3453—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种延时路径规划的方法和系统，涉及智能交通技术。所述方法包括：实时获取各客户端记录的个性化信息；将每个客户端记录的个性化信息转化为语义信息，并根据所述语义信息提取用户的移动预判信息；根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息；当前客户端根据所述各时间段中各路段的路况信息和自身的个性化信息，规划特定时段至目的地的初始路径；并在行驶过程中，依据不断预测得到的所述路况信息实时调整所述初始路径。本申请数据样本量大、数据范围广泛、及时，能减少预测结果的偏差，能更全面、更准确及时的给用户预测未来一定时间段内路况良好的行驶路段，提高了路径预测和调整的准确度。

Description

一种延时路径规划的方法和系统
技术领域
本申请涉及智能交通技术领域，特别是涉及一种延时路径规划的方法和系统。
背景技术
道路的路径导航是GPS技术领域中的一种典型应用，目前已经开始被广泛应用。在现有技术中，路径规划往往基于路网拓扑关系，考虑路网的相关道路基本属性，比如道路的等级、车道数、十字路口数量、红绿灯的数量等基本属性，利用拓扑算法给出起点和终点之间的总距离最短或总耗时最短等路径方案。
现有技术中大致存在两种导航方式：
1.基于道路基础属性的车辆导航：根据道路的基础属性来为用户选择最优的驾驶路线，考虑到每条道路的限速和长度得到最快的路线。该方案只考虑了道路的基础属性，而没有考虑这些基础属性的适应性，一旦某路段严重堵车，则计算得到的通行时间并没有意义。
2.基于路况的车辆导航：在考虑道路基础属性的基础上，再加入根据路况历史所推测的路况，来帮助用户选择最优的驾驶路线。利用历史上公路一些车辆中的GPS的流动速度或从第三方采集到的历史交通流量数据来判断当前时间下这个路段的通畅情况。如果历史上当前路段的车辆速度普遍较高，则当前时刻的路况视为通畅，如果历史上当前路段的车辆速度普遍较低，则当前时刻的路况视为拥堵。将各路段交通流量设定不同的权值，根据当前车辆的移动速度和各路段的交通流量计算从车辆的当前位置到目的地的总代价，从而进行路径规划，并将代价最低，即时间花费最少的路径返回给当前车辆。
但是该方案只考虑了历史路况，但实际上路况并非固定不变的，而是实时变化的，特别是对于一些长距离的路段，常常会遇到当前通畅但开到的时候又变成拥堵了。该方案的数据信息稀疏且范围有限：只有很少量的出租、公交装载了速度记录仪，所以得到的历史数据只对主干道有效，作用范围有限，而且所有样本并非均匀分布在所有的汽车中，历史数据中样本不够均匀，也可能会导致结果不够准确。另外，仅仅通过道路的历史通行状况来预测未来路况，信息不够充分，特别是对于规律性不强的路况变化无法准确预测。由于在进行路径规划时所依据的各路段的路况将在当前车辆的行驶过程中不断变化，在当前车辆行驶到之前进行路径规划的某一路段时，该路段的路况很可能由好变差，使用户很可能行驶在预测时路况好、但实际已变得拥堵的道路上，反而增加了行驶时间。
发明内容
本申请提供了一种延时路径规划的方法和系统，能够更全面、更准确的对预测通畅的行驶路径。
为了解决上述问题，本申请公开了一种延时路径规划的方法，包括：
实时获取各客户端记录的个性化信息；
将每个客户端记录的个性化信息转化为语义信息，并根据所述语义信息提取用户的移动预判信息；
根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息；
当前客户端根据所述各时间段中各路段的路况信息和自身的个性化信息，规划特定时段至目的地的初始路径；并在行驶过程中，依据不断预测得到的所述路况信息实时调整所述初始路径。
优选的，所述个性化信息包括客户端记录的文本信息；
进一步的，所述将每个客户端记录的个性化信息转化为语义信息，并根据所述语义信息提取用户的移动预判信息包括：
针对所述文本信息进行语义分析，获得语义表达式；
从所述语义表达式中提取出发时间及对应的地点信息；
根据所述出发时间及对应的地点信息，结合路径推理模板进行分析，获得对应每个客户端的移动预判信息。
优选的，所述获得对应每个客户端的移动预判信息包括：
统计路网中全体车辆的行驶记录，查找与所述地点信息的共线频率大于阈值的关键地点，并整合各关键地点得到待定路径，并提取所述待定路径对应的移动预判信息。
优选的，所述移动预判信息包括待定路径、行驶于所述待定路径的概率和出发时间三个属性。
优选的，根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息包括：
针对路网中每条待定路径的各个连续路段，以所述出发时间为起始时间，根据每个路段的限速，计算每个客户端在每个路段时所处的时间段；
以路段为单位，根据每个用户行驶于所述待定路径的概率和在每个路段时所处的时间段，标记每个用户在各时间段中在对应路段的概率；
根据每个用户的在各时间段中在对应路段的概率，统计各时间段内各路段的路况信息。
优选的，还包括：
提取各客户端实时的基础移动信息；
进一步的，在根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息之前，还包括：
根据所述基础移动信息校正所述移动预判信息。
优选的，根据所述基础移动信息校正所述移动预判信息包括：
采用决策树根据每个客户端的基础移动信息对获得的移动预判信息进行校正；所述基础移动信息包括客户端的实时位置、移动轨迹和速度。
优选的，所述依据不断预测得到的所述路况信息实时调整所述初始路径时包括：
根据每个客户端的实时位置、移动轨迹和速度，预测每个客户端在未来小段时间内所处的路段概率；
以路段为单位，根据预测得到的每个客户端在未来小段时间内所处的路段概率，统计在未来小段时间内各路段的路况信息；
根据预测得到的在未来小段时间内各路段的路况信息实时调整所述初始路径。
本申请还公开了一种延时路径规划的系统，包括：
个性化信息提取模块，用于实时获取各客户端记录的个性化信息；
预判信息获取模块，用于将每个客户端记录的个性化信息转化为语义信息，并根据所述语义信息提取用户的移动预判信息；
路况信息预测模块，用于根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息；
路径规划模块，用于当前客户端根据所述各时间段中各路段的路况信息和自身的个性化信息，规划特定时段至目的地的初始路径；并在行驶过程中，依据不断预测得到的所述路况信息实时调整所述初始路径。
优选的，还包括：
基础移动信息提取模块，用于提取各客户端实时的基础移动信息；
进一步的，在路况信息预测模块，之前，还包括：
校正模块，用于根据所述基础移动信息校正所述移动预判信息。
优选的，所述个性化信息包括对应客户端的文本信息；
进一步的，所述预判信息获取模块包括：
语义分析单元，用于针对所述文本信息进行语义分析，获得语义表达式；
移动信息提取单元，用于从所述语义表达式中提取出发时间及对应的地点信息；
预判信息获取单元，用于根据所述出发时间及对应的地点信息，结合路径推理模板进行分析，获得对应每个客户端的移动预判信息。
与现有技术相比，本申请包括以下优点：
首先，本申请获取对应各客户端的个性化信息，比如短信、邮件、日程等信息，然后将这些个性化信息转化为语义信息，再从语义信息中提取用户的移动预判信息(比如用户将在时刻A，要从M地点行驶至N地点)，再根据移动预判信息预测在各时间段中各路段的路况信息。如此，通过分析全体客户端的个性化信息，可先获得各客户端的预计行驶行为，其数据样本量大，并且数据样本随时根据实时获取到的个性化信息进行更新，数据范围广泛、及时，能减少预测结果的偏差。
其次，在上述路况信息的基础之上，针对当前客户端规划初始路径，并在用户行驶过程中依据预测得到的上述路况信息调整初始路径中各路段，可基于前述由广泛、相对客观的用户出行行为预测得到的路况信息的基础上，更全面、更准确及时的给用户预测未来一定时间段内路况良好的行驶路段。
再次，本申请还提取全体客户端的基础移动信息，比如客户端当前位置、历史轨迹和速度等信息，对提取的移动预判信息进行校正，提高了由分析用户个性化信息得到的移动预判信息的准确度，进一步提高了得到的各时间段中各路段的路况信息的准确度，从而提高了针对当前需要进行路径规划的客户端的进行最优路径预测和调整的准确度。
附图说明
图1是申请实施例一的一种延时路径规划的方法的流程示意图；
图2是申请实施例二的一种延时路径规划的方法的流程示意图；
图3和图4是本申请具体规划的一个示例；
图5是本申请实施例三的一种延时路径规划的系统的结构示意图；
图6是本申请实施例四的一种延时路径规划的系统的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
在本申请实施例中，不断实时提取用对应全体客户端记录的个性化信息等数据，然后针对个性化信息进行语义分析，再从语义分析结果从提取对应每个用户的移动预判信息，该移动预判信息随着时间的变化和用户个性化信息的变化可不断更新，从而可以不断根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息；当前客户端依据当前时刻的路况信息规划从当前位置到目的地之间的初始路径，在行驶过程中依据不断预测得到的路况信息实时调整该初始路径，直到当前客户端到达目的地。可基于更全面的数据样本，更准确的针对用户进行路径规划，特别是针对路况规律性不强的路段，规划的准确性更高。
实施例一
参照图1，示出了本申请实施例一的一种延时路径规划的方法的流程示意图。
本申请实施例中实际上包括两个方面：
其一，不断实时获取对应的各客户端的个性化信息进行分析，以预测客户端对应的行车轨迹和行车时间，然后根据每辆车的行车轨迹和行车时间预测各路段在各时间段内的路况信息(拥堵位置和拥堵程度等)；
其二，在预测得到的路况信息的基础上，针对当前客户端，规划从当前位置至目的地的初始路径，在当前客户端的行驶过程中，根据不断变化的、预测得到的路况信息调整初始路径，直至客户端到达目的地。
具体的，本实施例中所述延时路径规划的方法包括：
步骤110，实时获取各客户端记录的个性化信息；
在本申请实施例中，所述个性化信息包括用户的短信、邮件、日程等信息。比如，通过在用户的手机中提取记录来收集用户手机上的文本信息，包括但不限于用户的短信，邮件，日程等。本申请实施例中，则可以实时采集各客户端记录的上述个性化信息，将其加入待分析的数据源中，以继续进行后续的分析。
步骤120，将每个客户端记录的个性化信息转化为语义信息，并根据所述语义信息提取用户的移动预判信息；
对于前述采集得到的各客户端记录的个性化信息，比如短信、邮件、日程等文本信息，本步骤可对上述文本信息进行语义分析，转化为语义信息，然后再从语义信息中提取出用户出发时刻对应的地点信息(比如出发点、目的地等地点信息)，并根据出发时刻对应的地点信息，结合路径推理模板进行分析，获得每个客户端的未来时段的移动预判信息。
优选的，所述移动预判信息包括路径、行驶于所述路径的概率和出发时间三个属性。
优选的，所述个性化信息包括对应客户端的文本信息；
个性化信息可包括比如客户端存储的短信、邮件、日程等信息，还可包括其他文本信息。本申请对此不作限制。
另外，本申请的个性化信息还可为语音信息，当个性化信息为语音信息时，还包括将所述语音信息转化为文本信息。
进一步的，将每个客户端记录的个性化信息转化为语义信息，并根据所述语义信息提取用户的移动预判信息包括：
步骤S121，针对所述文本信息进行语义分析，获得语义表达式；
本申请可解析所述文本信息，并标注解析所述文本信息所得各词对应的属性；
为了解析文本信息的语义，本申请首先会解析和标注所述文本信息中各词的属性。比如，日程中记录有“我明天上午10:00要去清华大学开会”的文本，可标注为“[我|人物][日期|明天上午10:00][要去|动词][清华大学|地点][开会|事务]”。
其中，解析文本信息，并标注解析所述文本信息所得各词对应的属性可包括：
步骤A111，利用停用词表去除所述文本信息中的停用词；
本步骤利用预存的停用词表去除停用词：去除无意义的词，比如“的”，“啦”，“啊”等无异议的词或字。
步骤A112，利用知识类词表标注所述文本信息中的知识类词；
即利用预存的知识类词进行标注：根据预先加载的知识类词表来标注查询。比如“书名”，“电影名”，“电视节目名”等知识类信息。
步骤A113，利用预存的命名体词表标注所述文本信息中的命名体词；
即命名体词表进行命名体识别：利用命名体识别来把查询中的命名体标注出来，比如“地名”，“机构名”，“时间”，“日期”，“人名”等。比如“今天上午”，则通过命名体词表，识别“今天上午”的意思为“时间”，即标注“今天上午”为时间。
步骤A114，利用短语义段词表标注所述文本信息中简单且具有独立语义的文字段。
即进行短语义段标注：简单且有独立语义的文字段，比如“能否帮我”，“你知不知道”，“帮我查一下”等。
在前述步骤A112和A113之中，知识类词表和命名体词表可能包括相同的词，导致对文本信息的标注存在多种情况，比如对于文本信息“南京市长江大桥”，其中“南京”及其同义词“南京市”可为知识类词“行政区划”，也可为命名体词“地名”；那么“南京市长江大桥”可标注为1：“南京|行政区划”“市长|职务”“江大桥|人名”；或者2：“南京市|地名”“长江大桥|地名”。
对于该种情况，本申请可采取多种处理方式：1、将多种标注结果返回给客户端，等待客户端确认一种标注结果。2、根据客户端的行为习惯，选择与其行为习惯最相似的标注结果。比如通过分析用户的行为信息，发现用户关注政治信息的概率为40％，旅游地点为30％，其他为30％，那么其关注政治信息行为概率最高，可与政治信息最相近的“南京|行政区划”“市长|职务”“江大桥|人名”作为最终标注结果。
另外，在本申请实施例中，还会提取客户端个性化信息的时间以及用户标识，以确定语义信息中的“日期”，比如前述例子中，如果短信发送时间为“2013-3-18”，那么短信中的明天即为“2013-3-19”，该用户标识为“aaa”，那么[我|人物][日期|明天][时间|上午10:00][要去|动词][清华大学|地点][开会|事务]可为[aaa|人物][日期|2013-3-19][[时间|上午10:00][要去|动词][清华大学|地点][开会|事务]。
然后，根据解析模板确认语义表达式中具体的地点信息，比如确认地点信息是目的地，还是出发点，还是路过点。比如对于前述例子中，根据[要去|动词]和[清华大学|地点]，确认[清华大学|目的地]。
步骤S122，从所述语义表达式中提取出发时间及对应的地点信息；
在前述语义表达式例子中，从记录的日程信息中提取出发时间2013-3-19上午10:00，地点信息：目的地-清华大学。如果语义表达式信息中出现出发点，则提取该出发地点，如果语义表达式中没有出发地点，则可提取用户的在该条信息对应的时间点时的所处位置作为出发地点，或者提取用户预设的办公地点作为出发地点等等。
步骤S123，根据所述出发时间及对应的地点信息，结合路径推理模板进行分析，获得对应每个客户端的移动预判信息。
在本步骤中，首先根据地点信息与路径推理模板进行匹配，根据匹配结果获得对应每个客户端的移动预判信息。然后结合出发时间，即可获得每个用户的移动预判信息。
所述获得对应每个客户端的移动预判信息包括：统计路网中全体车辆的行驶记录，查找与所述地点信息的共线频率大于阈值的关键地点，并整合各关键地点得到待定路径，并提取所述待定路径对应的移动预判信息。
在本发明实施例中，路径推理模板可以通过统计各地点关键词的共线频率获得。本申请实施例中，可预先统计路网中的全体车辆的行驶记录，而每个车辆的行驶的每一条路径均可由一系列的地点构成，那么这一系列的地点即可理解为共线，那么各个地点可能与不同的其他地点存在共线的情况，即对应路径被行驶的情况，而在大批量的统计中，即可统计某些地点共线的频率，及对应路径被行驶的频率，共线频率高，则说明对应的路径被行驶的概率大。比如，得知出发点为A、目的地为F，可统计路网中全体车辆的行驶记录得到，大批量的经过A、F的路径对应的关键地点，判断与A、F在同一条规划路线上的出现的概率，即为共线频率。比如A-B-C-F的概率为80％，A-B-D-F的概率为20％，那么用户aaa行驶路径A-B-C-F的概率为80％，待定路径A-B-D-F的概率为20％。然后结合出发时间，即可获得包括待定路径、行驶于该待定路径的概率和出发时间三个属性。比如用户aaa：“时间：2013-3-19上午10:00，待定路径：A-B-C-F，概率：80％”、“时间：2013-3-19上午10:00，待定路径：A-B-D-F，概率：20％”。其中，根据地点的关键词统计共线频率时，可能存在共线频率非常低的地点的关键词，取共线概率大于阈值的关键地点，整合得到待定路径，即在统计时可以对共线频率非常小的相关路径进行忽略，选择共线频率大于阈值的关键地点对应的各路径信息。
其中，所述移动预判信息包括待定路径、行驶于所述待定路径的概率和出发时间三个属性。
步骤130，根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息；
在本申请实施例中，会将全体用户的移动预判信息映射到路段上，获得在各时间段中各路段的路况信息。在本申请实施例中，还可结合各路段的基础属性将全体用户的移动预判信息映射到路段上，从而可预测在各时间段中各路段的路况信息。在本申请实施例中，由于各客户端记录的个性化信息被实时获取，则所提取的移动预判信息也实时得到，因此，对于各路段的路况信息的预测是实时跟进的，即预测得到的各时间段中各路段的路况信息是实时更新。
优选的，根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息，包括：
步骤A11，针对路网中每条待定路径的各个连续路段，以所述出发时间为起始时间，根据每个路段的限速，计算每个客户端在每个路段时所处的时间段；
步骤A12，以路段为单位，根据每个用户行驶于所述待定路径的概率和在每个路段时所处的时间段，标记每个用户在各时间段中在对应路段的概率；
步骤A13，根据每个用户的在各时间段中在对应路段的概率，统计各时间段内各路段的路况信息。
比如，前述用户aaa对应两条待定路径：“时间：2013-3-19上午10:00，路径：A-B-C-F，概率：80％”和“时间：2013-3-19上午10:00，路径：A-B-D-F，概率：20％”，从第三方数据源可知，路段A的限速30公里/小时，长度10公里；路段B的限速60公里/小时，长度20公里；路段C的限速40公里/小时，长度20公里。那么用户aaa行驶于路段A的时间段为2013-3-19上午10:00-10:20，概率为100％；行驶于路段B的时间段为2013-3-19上午10:20-10:40，概率为100％；行驶于路段C的时间段为2013-3-19上午10:40-11:10，概率为80，％，其他情况以此类推，则针对用户aaa来说，在2013-3-19上午10:00-10:20内对于路段A的车辆数可计为1，在2013-3-19上午10:20-10:40内对于路段B的车辆数可算为1，在2013-3-19上午10:40-11:10内对于路段C内的车辆数算为0.8。如此，将全体用户的移动行为预测信息分布映射到各路段上后，即可知道各个路段上各个时间段内的用户数，然后即可以路段为单位，根据每个用户行驶于所述待定路径的概率和在每个路段时所处的时间段，统计在各时间段内各路段中的车辆流量。然后可统计不同范围的单位时间内的车辆流量，对应不同的拥堵情况，从而可根据单位时间内各路段的车辆数判断各路段各时间段内的路况的拥堵程度。
步骤140，当前客户端根据所述各时间段中各路段的路况信息和自身的个性化信息，规划特定时段至目的地的初始路径；并在行驶过程中，依据不断预测得到的所述路况信息实时调整所述初始路径。
在得到前述的路况信息的基础下，如果某个客户端需要在特定时段进行路径规划，则提取自身的个性化信息进行分析得到目的地，与前述得到的路况信息结合，规划特定时段内从其出发地点至目的地的初始路径。在本申请中，比如，在发动汽车时，当前客户端发送路径规划请求(包括规划时间段)给服务器，服务器则提取当前客户端的位置、对应的当前时间和目的地，如提取该客户端的日程信息中的出发时间、出发地点和目的地，然后基于当前的路况信息针对该用户的该日程信息中的出发时间、出发地点、目的地规划特定时段至目的地的初始路径。比如基于出发时间对应的时间段开始，选择与出发地点关联的路段中的路况信息为权重，逐步选择后续路段内的路况信息为权重，得到从出发地点到目的地的拥堵程度最低的初始路径。
当前客户端开始行驶以后，由于前述获取路况信息的过程中，路况信息可能会产生变化(各客户端记录的个性化信息在当前客户端开始行驶前和行驶过程中不断被采集，使提取得到的移动预判信息不断增加，导致预测得到的路况信息也发生变化)，那么可针对客户端在行驶过程中的位置实时调整初始路径中的各路段，结合与初始路径中各路段邻接的其他路段或者与用户所在路段邻接的其他路段的路况信息调整初始路径，使当前客户端对应的车辆行走的路径拥堵程度最低，直至到达目的地。比如用户aaa初始路径为A-B-C-E时，通过前述可能不断采集得到的移动预判信息获得的路况信息中，统计得到未来30分钟内，路段C会产生拥堵，而用户aaa在未来30分钟可能走到C，则可调整路段C至与路段B关联的、且相对路段C不拥堵的路段。
在本申请实施例中，所述客户端可以为导航装置、智能手机、移动电脑等终端。
其中，本申请实施例还可获取各客户端的基础移动信息；
所述基础移动信包括客户端实时位置、移动轨迹和速度等信息。
进一步，所述依据不断预测得到的所述路况信息实时调整所述初始路径时可包括：
步骤S141，将所述基础移动信息代替移动预判信息，根据每个客户端的实时位置、移动轨迹和速度，预测每个客户端在未来小段时间内所处的路段概率；
当客户端移动后，将其包括实际位置、实际出发时间等的基础移动信息代替移动预判信息，比如用户aaa的移动预判信息为在第二日上午11:00从Y1去地点X，其行驶于第一条路径的概率为40％，行驶于第2条路径的概率为60％，而第二天采集用户端的基础移动信息得到：用户aaa是在10:40从Y1出发，行走第一条路径去地点X，那么将用户aaa的基础移动信息代替原来的移动预判信息，即用户aaa在行走第一条路径。
步骤S142，以路段为单位，根据预测得到的每个客户端在未来小段时间内所处的路段概率，统计在未来小段时间内各路段的路况信息；
然后继续在从前述步骤中得到的路况信息中，以路段为单位，根据预测得到的每个客户端在未来小段时间内所处的路段概率，统计在未来小段时间内各路段的车辆数量，进而得到各路段的路况信息。未来小段时间可设置为10分钟或者20分钟，也可以为当前客户端从当前位置到走完所处路段的时间。
步骤S143，根据预测得到的在未来小段时间内各路段的路况信息实时调整所述初始路径。
根据预测得到的在未来小段时间内各路段的路况信息实时调整所述初始路径。比如未来20分钟，用户aaa对应的初始路径中未来要行驶的路段C将发生拥堵，那么可以用初始路径中与路段C的前一路段关联，且未来20分钟路况好于路段C的路段替代路段C，也可以采用其他规划方式，如重新规划未来小段时间内各路段的路况信息优于初始路径的优选路线规避路段C。
在本申请实施例中，首先，本申请获取对应各客户端的个性化信息，比如短信、邮件、日程等信息，然后将这些个性化信息转化为语义信息，再从语义信息中提取用户的移动预判信息(比如用户将在时刻A，要从M地点行驶至N地点)，再根据移动预判信息更新在各时间段中各路段的路况信息。如此，通过分析全体客户端的个性化信息，可先获得各客户端的预计行驶行为，其数据样本量大，并且数据样本随时根据实时获取到用户的个性化信息进行更新，数据范围广泛、及时，能减少预测结果的偏差。
其次，在上述路况信息的基础之上，针对当前需要进行路径规划的客户端规划初始路径，并在用户行驶过程中依预测得到的上述路况信息调整初始路径中各路段，可基于前述由广泛、相对客观的用户出行行为预测得到的路况信息的基础上，更全面、更准确及时的给用户预测未来一定时间段内路况良好的行驶路段。
实施例二
参照图2，示出了本申请实施例二的一种延时路径规划的方法。
在本申请实施例中，为了提高路况信息的准确度，针对已经行驶的客户端，则提取客户端实时的基础移动信息对所述根据所述语义信息提取用户的移动预判信息进行纠偏。
在本实施例中，一种延时路径规划的方法所述具体可以包括：
步骤210，实时获取各客户端记录的个性化信息；
该步骤与步骤110类似，在此不再详述。
步骤220，提取各客户端实时的基础移动信息；
在本申请实施例中，可实时提取各客户端当前的基础移动信息，所述基础移动信包括客户端的实时位置、已行驶的移动轨迹和速度等信息。
本实施例中步骤210和步骤220的顺序可以任意调换，也可同时进行，本申请不对其加以限制。
步骤230，将每个客户端记录的个性化信息转化为语义信息，并根据所述语义信息提取用户的移动预判信息；
优选的，所述将每个客户端记录的个性化信息转化为语义信息，并根据所述语义信息提取用户的移动预判信息包括：
步骤S231，针对所述文本信息进行语义分析，获得语义表达式；
步骤S232，从所述语义表达式中提取出发时间及对应的地点信息；
步骤S233，根据所述出发时间及对应的地点信息，结合路径推理模板进行分析，获得对应每个客户端的移动预判信息。
优选的，所述获得对应每个客户端的移动预判信息包括：
步骤S241，统计路网中全体车辆的行驶记录，查找与所述地点信息的共线频率大于阈值的关键地点，并整合各关键地点得到待定路径，并提取所述待定路径对应的移动预判信息。
步骤230原理与步骤120类似，具体原理在此不再详述。
步骤240，根据所述基础移动信息校正所述移动预判信息；
在收集用户实际的基础移动信息，包括实际位置，移动轨迹，速度等信息，并根据这些基础移动信息来进一步纠正根据所述语义信息获取用户的移动预判信息。
优选的，在本申请中，根据所述基础移动信息校正所述根据所述语义信息提取用户的移动预判信息包括：
步骤S21，采用决策树根据每个客户端的基础移动信息对获得的移动预判信息进行校正；所述基础移动信息包括客户端的实时位置、移动轨迹和速度。
本申请实施例可以使用决策树进行移动预判信息和基础移动信息的整合，但不限于决策树。比如，前述用户aaa在2013-3-9的12:00从A至G，而通过路径推理模板分析得到A至H的路径包括A-C-H-G和A-D-F-G，用户选择前者进行行驶的概率高，选择后者进行行驶的概率低。而提取到用户aaa的基础信息得：在2013-3-9的11:30就从A出发了，其当前移动轨迹包括了A-C，那么即可将该条路径对应的移动预判信息的时间进行调整，并可提高该用户行驶于路径A-C-H-G对应的后续路段的概率，降低用户行驶于其他路径上各路段的概率(在上述种情况下可调整H、G路段的概率为1)。
步骤250，根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息；
在本申请实施例中，会将全体用户的移动预判信息映射到各路段上，获得在各时间段中各路段的路况信息。在本申请实施例中，还可结合各路段的基础属性将全体用户的移动预判信息映射到路段上。比如统计各行车轨迹中每条路段在单位时刻对应的车辆流量，分析得到每个路段上单位时间的行驶压力，从而反映了各路段的拥堵情况；由于各客户端记录的个性化信息被实时获取，则所提取的移动预判信息也实时得到，因此，对于各路段的路况信息的预测是实时跟进的，即预测得到的各时间段中各路段的路况信息是实时更新的。
步骤250与步骤130原理类似，在此不再详述。
步骤260，当前客户端根据所述各时间段中各路段的路况信息和自身的个性化信息，规划特定时段至目的地的初始路径；并在行驶过程中，依据不断预测得到的所述路况信息实时调整所述初始路径。
其中，所述依据不断预测得到的所述路况信息实时调整所述初始路径时包括：
步骤S261，将所述基础移动信息代替移动预判信息，根据每个客户端的实时位置、移动轨迹和速度，预测每个客户端在未来小段时间内所处的路段概率；
当客户端移动后，将包括实际位置、实际出发时间等的基础移动信息代替相应时间段以及相关的移动预判信息，比如用户aaa的移动预判信息为在第二日上午11:00从Y1去地点X，其行驶于第一路径的概率为40％，行驶于第二路径的概率为60％，而第二天采集基于移动信息为用户于10:40从Y1出发，行驶于第一路径去地点X，那么将用户aaa的基础移动信息代替原来的移动预判信息，即表示用户aaa行驶于第一路径。
步骤S262，以路段为单位，根据预测得到的每个客户端在未来小段时间内所处的路段概率，统计在未来小段时间内各路段的路况信息；
然后继续在从前述步骤中得到的路况信息中，根据预测得到的每个客户端在未来小段时间内所处路段对应的概率，以路段为单位，统计在未来小段时间内各路段的车辆数量，进而得到各路段的路况信息。未来小段时间可设置为10分钟或者20分钟，也可以为当前客户端从当前位置到走完所处路段的时间。
步骤S263，根据预测得到的在未来小段时间内各路段的路况信息实时调整所述初始路径。
根据预测得到的在未来小段时间内各路段的路况信息实时调整所述初始路径。比如未来20分钟，用户aaa对应的初始路径中未来要行驶的路段C将发生拥堵，那么可以用初始路径中与路段C的前一路段关联，且未来20分钟路况好于路段C的路段替代路段C，也可以采用其他规划方式，如重新规划未来小段时间内各路段的路况信息优于初始路径的优选路线规避路段C。
下面参照图3和图4，描述一下该实施例的一种工作过程：
其一，比如对于用户aa，提取当前用户的日程记录进行语义分析，发现一条出行意图信息，并从中解析出明天12点出行至路段G处的地点X的日程安排信息。通过前述分析和统计其他用户的个性化信息得到的路况信息，统计第二天的11:00-13:00的各路段的路况信息，得到每个路段上单位时间的行驶压力，然后得知路网中路段C、D、E在该时段通行量较大，则预测路段C、D、E易堵，则不返回经路段C、D、E的路线，返回路线为A-B-F-G。
其二，根据获取到的全网用户的具体位置来调整之前预测的移动预判信息，比如某用户从文本信息分析出其下午2点从路段A的出发地点到路段H处的目的地，但根据其采集得到的位置信息反馈该用户在下午1:40就出发了，所以会对该用户行驶路径中各路段的路况信息进行修正。用同样的方法不断修正全网用户的出行预期，并实时更新对应路段的路况信息，得到对全网中各路段路况的整体预测。
然后，第二天用户按其文本信息的预测准时出发，当前用户沿着查询得到的既定路线A-B-F-G行驶至B、将要行至路段F时，由于其他用户上传的目的地和实时位置、时间信息都在不断的实时采集分析，则根据昨日返回A-B-F-G时至当前时刻之间采集的目的地和实时位置、时间信息，分析对应的路径规划中未来十分钟内将要对路段A、B、F、G的影响，预测得到未来十分钟内路段F通行量较大，将发生拥堵，则用通行量较少的路段H替换路段F，实时调整既定路线为A-B-H-G，从而避免了用户行驶至未来将拥堵的路段。
本实施例获取对应各客户端的个性化信息，比如短信、邮件、日程等信息，然后将这些个性化信息转化为语义信息，再从语义信息中提取用户的移动预判信息(比如用户将在时刻A，要从M地点行驶至N地点)，再根据移动预判信息预测在各时间段中各路段的路况信息。如此，通过分析全体客户端的个性化信息，可先获得各客户端的预计行驶行为，其数据样本量大，并且数据样本随时根据实时获取到的个性化信息进行更新，数据范围广泛、及时，能减少预测结果的偏差。，在上述路况信息的基础之上，针对当前客户端规划初始路径，并在用户行驶过程中依据预测得到的上述路况信息调整初始路径中各路段，可基于前述由广泛、相对客观的用户出行行为预测得到的路况信息的基础上，更全面、更准确及时的给用户预测未来一定时间段内路况良好的行驶路段。本实施例还提取全体客户端的基础移动信息，比如客户端当前位置、历史轨迹和速度等信息，对提取的移动预判信息进行校正，提高了由分析用户个性化信息得到的移动预判信息的准确度，进一步提高了得到的各时间段中各路段的路况信息的准确度，从而提高了针对当前需要进行路径规划的客户端的进行最优路径预测和调整的准确度。
实施例三
参照图5，其示出了本申请实施例三的一种延时路径规划的系统的结构示意图，具体可以包括：
个性化信息提取模块310，用于实时获取各客户端记录的个性化信息；
预判信息获取模块320，用于将每个客户端记录的个性化信息转化为语义信息，并根据所述语义信息提取用户的移动预判信息；
优选的，所述个性化信息包括客户端记录的文本信息；
进一步的，所述预判信息获取模块包括：
语义分析单元，用于针对所述文本信息进行语义分析，获得语义表达式；
移动信息提取单元，用于从所述语义表达式中提取出发时间及对应的地点信息；
预判信息获取单元，用于根据所述出发时间及对应的地点信息，结合路径推理模板进行分析，获得对应每个客户端的移动预判信息。
优选的，所述预判信息获取模块包括：
第一预判信息获取模块，用于统计路网中全体车辆的行驶记录，查找与所述地点信息的共线频率大于阈值的关键地点，并整合各关键地点得到待定路径，并提取所述待定路径对应的移动预判信息。
所述移动预判信息包括路径、行驶于所述路径的概率和出发时间三个属性。
路况信息预测模块330，用于根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息；
优选的，路况信息预测模块包括：
时间段计算模块，用于针对路网中每条路径的各个连续路段，以所述出发时间为起始时间，根据每个路段的限速，计算每个客户端在每个路段时所处的时间段；
标记模块，用于以路段为单位，根据每个用户行驶于所述路径的概率和在每个路段时所处的时间段，标记每个用户在各时间段中在对应路段的概率；
统计模块，用于根据每个用户的在各时间段中在对应路段的概率，统计各时间段内各路段的路况信息。
路径规划模块340，用于当前客户端根据所述各时间段中各路段的路况信息和自身的个性化信息，规划特定时段至目的地的初始路径；并在行驶过程中，依据不断预测得到的所述路况信息实时调整所述初始路径。
优选的，还包括：
基础移动信息提取模块，用于提取各客户端实时的基础移动信息
所述路径规划模块340包括：
第一校正模块，用于采用决策树根据每个客户端的基础移动信息对获得的移动预判信息进行校正；所述基础移动信息包括客户端的实时位置、移动轨迹和速度。
在基础移动信息提取模块，的情况下，进一步的，所述路径规划模块包括：
信息替换单元，用于将所述基础移动信息代替移动预判信息，根据每个客户端的实时位置、移动轨迹和速度，预测每个客户端在未来小段时间内所处的路段概率；
统计单元，用于以路段为单位，根据预测得到的每个客户端在未来小段时间内所处的路段概率，统计在未来小段时间内各路段的路况信息；
实时调整单元，用于根据预测得到的在未来小段时间内各路段的路况信息实时调整所述初始路径。
实施例四
参照图6，其示出了本申请实施例四的一种延时路径规划的系统的结构示意图，具体可以包括：
个性化信息提取模块410，用于获取对应各客户端的个性化信息；
基础信息提取模块420，用于提取各客户端实时的基础移动信息
预判信息获取模块430，用于将对应每个客户端的个性化信息转化为语义信息，并从所述语义信息中分析用户的移动预判信息；
优选的，所述个性化信息包括客户端记录的文本信息；
进一步的，所述预判信息获取模块包括：
语义分析单元，用于针对所述文本信息进行语义分析，获得语义表达式；
移动信息提取单元，用于从所述语义表达式中提取出发时间及对应的地点信息；
预判信息获取单元，用于根据所述出发时间及对应的地点信息，结合路径推理模板进行分析，获得对应每个客户端的移动预判信息。
优选的，所述预判信息获取模块包括：
第一预判信息获取模块，用于统计路网中全体车辆的行驶记录，查找与所述地点信息的共线频率大于阈值的关键地点，并整合各关键地点得到待定路径，并提取所述待定路径对应的移动预判信息。
所述移动预判信息包括路径、行驶于所述路径的概率和出发时间三个属性。
校正模块440，用于根据所述基础移动信息校正所述移动预判信息；
优选的，所述校正模块包括：
采用决策树根据每个客户端的基础移动信息对获得的移动预判信息进行校正；所述基础移动信息包括客户端的实时位置、移动轨迹和速度。
路况信息预测模块450，用于根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息；
优选的，所述路况信息预测模块包括：
时间段计算模块，用于针对每条路径的各个连续路段，以所述出发时间为起始时间，根据每个路段的限速，计算每个路段所处时间段；
标记模块，用于针对每个路段，标记所述用户在所处时间段内走该路段的概率；
统计模块，用于根据每个用户的在各时间段中走各路段的概率，统计指定时间段内各路段的路况信息。
路径规划模块460，用于当前客户端根据所述各时间段中各路段的路况信息和自身的个性化信息，规划特定时段至目的地的初始路径；并在行驶过程中，依据不断预测得到的所述路况信息实时调整所述初始路径。
优选的，所述路径规划模块包括：
信息替换单元，用于将所述基础移动信息代替移动预判信息，根据每个客户端的实时位置、移动轨迹和速度，预测每个客户端在未来小段时间内所处的路段概率；
统计单元，用于以路段为单位，根据预测得到的每个客户端在未来小段时间内所处的路段概率，统计在未来小段时间内各路段的路况信息；
实时调整单元，用于根据预测得到的在未来小段时间内各路段的路况信息实时调整所述初始路径。
对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
以上对本申请所提供的一种延时路径规划的方法和系统，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种延时路径规划的方法,其特征在于，包括：
实时获取各客户端记录的个性化信息；
将每个客户端记录的个性化信息转化为语义信息，并根据所述语义信息提取用户的移动预判信息；所述移动预判信息包括待定路径、行驶于所述待定路径的概率和出发时间三个属性；
根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息；
当前客户端根据所述各时间段中各路段的路况信息和自身的个性化信息，规划特定时段至目的地的初始路径；并在行驶过程中,依据不断预测得到的所述路况信息实时调整所述初始路径；
其中，所述根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息的步骤，包括：
针对路网中每条待定路径的各个连续路段，以所述出发时间为起始时间，根据每个路段的限速，计算每个客户端在每个路段时所处的时间段；
以路段为单位，根据每个用户行驶于所述待定路径的概率和在每个路段时所处的时间段，标记每个用户在各时间段中在对应路段的概率；
根据每个用户的在各时间段中在对应路段的概率，统计各时间段内各路段的路况信息。
2.根据权利要求1所述的方法，其特征在于，所述个性化信息包括客户端记录的文本信息；
进一步的，所述将每个客户端记录的个性化信息转化为语义信息，并根据所述语义信息提取用户的移动预判信息包括：
针对所述文本信息进行语义分析，获得语义表达式；
从所述语义表达式中提取出发时间及对应的地点信息；
根据所述出发时间及对应的地点信息，结合路径推理模板进行分析，获得对应每个客户端的移动预判信息。
3.根据权利要求2所述的方法，其特征在于，所述获得对应每个客户端的移动预判信息包括：
统计路网中全体车辆的行驶记录，查找与所述地点信息的共线频率大于阈值的关键地点，并整合各关键地点得到待定路径，并提取所述待定路径对应的移动预判信息。
4.根据权利要求1所述的方法，其特征在于，还包括:
提取各客户端实时的基础移动信息；
进一步的,在根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息之前,还包括:
根据所述基础移动信息校正所述移动预判信息。
5.根据权利要求4所述的方法，其特征在于，根据所述基础移动信息校正所述移动预判信息包括：
采用决策树根据每个客户端的基础移动信息对获得的移动预判信息进行校正；所述基础移动信息包括客户端的实时位置、移动轨迹和速度。
6.根据权利要求5所述的方法，其特征在于，所述依据不断预测得到的所述路况信息实时调整所述初始路径时包括：
根据每个客户端的实时位置、移动轨迹和速度，预测每个客户端在未来小段时间内所处的路段概率；
以路段为单位，根据预测得到的每个客户端在未来小段时间内所处的路段概率，统计在未来小段时间内各路段的路况信息；
根据预测得到的在未来小段时间内各路段的路况信息实时调整所述初始路径。
7.一种延时路径规划的系统,其特征在于，包括：
个性化信息提取模块,用于实时获取各客户端记录的个性化信息；
预判信息获取模块,用于将每个客户端记录的个性化信息转化为语义信息，并根据所述语义信息提取用户的移动预判信息；所述移动预判信息包括待定路径、行驶于所述待定路径的概率和出发时间三个属性；
路况信息预测模块,用于根据各用户的所述移动预判信息预测在各时间段中各路段的路况信息；
路径规划模块,用于当前客户端根据所述各时间段中各路段的路况信息和自身的个性化信息，规划特定时段至目的地的初始路径；并在行驶过程中,依据不断预测得到的所述路况信息实时调整所述初始路径；
其中，所述路况信息预测模块，包括：
时间段计算模块，用于针对路网中每条路径的各个连续路段，以所述出发时间为起始时间，根据每个路段的限速，计算每个客户端在每个路段时所处的时间段；
标记模块，用于以路段为单位，根据每个用户行驶于所述路径的概率和在每个路段时所处的时间段，标记每个用户在各时间段中在对应路段的概率；
统计模块，用于根据每个用户的在各时间段中在对应路段的概率，统计各时间段内各路段的路况信息。
8.根据权利要求7所述的系统，其特征在于，还包括:
基础移动信息提取模块,用于提取各客户端实时的基础移动信息；
进一步的,在路况信息预测模块,之前,还包括:
校正模块,用于根据所述基础移动信息校正所述移动预判信息。
9.根据权利要求7所述的系统，其特征在于，
所述个性化信息包括对应客户端的文本信息；
进一步的，所述预判信息获取模块包括：
语义分析单元,用于针对所述文本信息进行语义分析，获得语义表达式；
移动信息提取单元,用于从所述语义表达式中提取出发时间及对应的地点信息；
预判信息获取单元,用于根据所述出发时间及对应的地点信息，结合路径推理模板进行分析，获得对应每个客户端的移动预判信息。
CN201310148801.8A 2013-04-25 2013-04-25 一种延时路径规划的方法和系统 Active CN104121908B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310148801.8A CN104121908B (zh) 2013-04-25 2013-04-25 一种延时路径规划的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310148801.8A CN104121908B (zh) 2013-04-25 2013-04-25 一种延时路径规划的方法和系统

Publications (2)

Publication Number Publication Date
CN104121908A CN104121908A (zh) 2014-10-29
CN104121908B true CN104121908B (zh) 2018-05-04

Family

ID=51767420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310148801.8A Active CN104121908B (zh) 2013-04-25 2013-04-25 一种延时路径规划的方法和系统

Country Status (1)

Country Link
CN (1) CN104121908B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537836B (zh) * 2014-12-30 2016-11-30 北京通博科技有限公司 路段行驶时间分布预测方法
CN105677793B (zh) * 2015-12-31 2019-10-18 百度在线网络技术（北京）有限公司 地点数据库的建立和候选乘车地点的推荐方法及装置
CN107144286B (zh) * 2016-03-01 2021-08-24 阿里巴巴集团控股有限公司 导航方法及装置
CN107665375A (zh) * 2016-07-29 2018-02-06 滴滴（中国）科技有限公司 代驾司机到达代驾乘客位置的时间预估方法及装置
CN106327900B (zh) * 2016-09-08 2019-11-26 Tcl移动通信科技（宁波）有限公司 一种基于云服务器的行车路线处理提示的方法及系统
WO2018074909A1 (ko) * 2016-10-21 2018-04-26 주식회사 닷 탑승 정보 안내 시스템, 방법 및 절차 관리 장치, 방법
WO2018165848A1 (zh) * 2017-03-14 2018-09-20 深圳市南北汽车美容有限公司 分析实时路况推荐出行时间的方法以及导航系统
CN107356261B (zh) * 2017-06-14 2019-09-06 Oppo广东移动通信有限公司 导航方法及相关产品
CN110031013A (zh) * 2018-01-12 2019-07-19 北京搜狗科技发展有限公司 一种导航方法、装置和电子设备
CN110363320B (zh) * 2018-03-26 2022-06-07 腾讯大地通途（北京）科技有限公司 一种预测估计到达时间的方法、装置和计算设备
CN110553656A (zh) * 2018-05-31 2019-12-10 上海博泰悦臻网络技术服务有限公司 一种用于车机的路况规划方法及系统
CN108831148A (zh) * 2018-06-12 2018-11-16 邱惠崧 一种免费通行下高峰拥堵的高速路网管控方法及系统
CN109540160A (zh) * 2018-10-18 2019-03-29 深圳壹账通智能科技有限公司 一种基于语音交互的最佳路径分析方法及相关设备
CN109886532B (zh) * 2019-01-07 2023-10-27 平安科技（深圳）有限公司 驾驶线路规划方法、装置、计算机设备及存储介质
CN111613049B (zh) * 2019-02-26 2022-07-12 北京嘀嘀无限科技发展有限公司 一种道路状态监测方法以及装置
CN110175570A (zh) * 2019-05-28 2019-08-27 联想(北京)有限公司 一种信息指示方法及系统
CN112148961A (zh) * 2019-06-28 2020-12-29 北京京东尚科信息技术有限公司 一种取件信息的推送方法、系统、装置及其存储介质
CN110375760A (zh) * 2019-07-29 2019-10-25 北京百度网讯科技有限公司 路线确定方法、装置、设备和介质
CN110475208B (zh) * 2019-08-06 2021-07-16 上海尚往网络科技有限公司 用于确定用户设备行程轨迹的方法与设备
CN110674990B (zh) * 2019-09-24 2023-05-09 重庆城市管理职业学院 设置滑动窗口更新机制的即时配送路径选择方法及系统
CN117152961A (zh) * 2023-09-20 2023-12-01 深圳市孪生云计算技术有限公司 一种基于数据分析的智慧道路路况监测展示系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1317422A (zh) * 2001-04-28 2001-10-17 陈新愚 一种车辆导航与路网管理的方法及装置
CN1550756A (zh) * 2003-04-11 2004-12-01 ��ʽ�������λ��Ѷ�鱨 用于导航设备的行进时间计算方法以及交通信息显示方法
CN1637381A (zh) * 2003-12-24 2005-07-13 爱信艾达株式会社 导航系统
CN101438334A (zh) * 2006-03-03 2009-05-20 因瑞克斯有限公司 未来交通状况的动态时序预测
CN101957202A (zh) * 2009-07-15 2011-01-26 常州市新科汽车电子有限公司 导航仪的用户待办事件存储及提醒方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4098526B2 (ja) * 2002-01-10 2008-06-11 株式会社アイ・トランスポート・ラボ 交通情報提供システム及びその方法、交通情報提供プログラム
CN101482419A (zh) * 2008-01-11 2009-07-15 上海邮电设计院有限公司 一种基于a-gps和3g网络的车辆动态导航业务系统
JP2009289223A (ja) * 2008-06-02 2009-12-10 Clarion Co Ltd 交通状況予測システム、ナビゲーション装置及びサーバ
CN101777253B (zh) * 2009-12-24 2012-08-22 戴磊 一种实时路况采集、分析与反馈及智能交通综合服务系统
KR101808118B1 (ko) * 2010-11-10 2017-12-15 에스케이텔레콤 주식회사 교통정보 예측 장치 및 방법
CN102945613A (zh) * 2012-11-15 2013-02-27 深圳华宏联创科技有限公司 解决交通拥堵的交通信息预测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1317422A (zh) * 2001-04-28 2001-10-17 陈新愚 一种车辆导航与路网管理的方法及装置
CN1550756A (zh) * 2003-04-11 2004-12-01 ��ʽ�������λ��Ѷ�鱨 用于导航设备的行进时间计算方法以及交通信息显示方法
CN1637381A (zh) * 2003-12-24 2005-07-13 爱信艾达株式会社 导航系统
CN101438334A (zh) * 2006-03-03 2009-05-20 因瑞克斯有限公司 未来交通状况的动态时序预测
CN101957202A (zh) * 2009-07-15 2011-01-26 常州市新科汽车电子有限公司 导航仪的用户待办事件存储及提醒方法

Also Published As

Publication number Publication date
CN104121908A (zh) 2014-10-29

Similar Documents

Publication Publication Date Title
CN104121908B (zh) 一种延时路径规划的方法和系统
Krause et al. Short-term travel behavior prediction with GPS, land use, and point of interest data
US9672735B2 (en) Traffic classification based on spatial neighbor model
US10909470B2 (en) Method and apparatus for providing semantic-free traffic prediction
CN108734955B (zh) 预测路况状态的方法及装置
CN102163225B (zh) 一种基于微博客收集的交通信息融合方法
Leng et al. Probability tree based passenger flow prediction and its application to the Beijing subway system
Shen et al. Development of dynamic platoon dispersion models for predictive traffic signal control
CN104121918A (zh) 一种实时路径规划的方法和系统
Tian et al. Connected vehicle-based lane selection assistance application
Loulizi et al. Steady‐State Car‐Following Time Gaps: An Empirical Study Using Naturalistic Driving Data
Kong et al. RMGen: A tri-layer vehicular trajectory data generation model exploring urban region division and mobility pattern
Yang et al. A novel approach for estimation of dynamic from static origin–destination matrices
Shoman et al. Deep learning framework for predicting bus delays on multiple routes using heterogenous datasets
CN103793763A (zh) 基于大数据与云计算的最优公交乘车路径挖掘系统
CN109410576A (zh) 多源数据融合的路况分析方法、装置、存储介质及系统
Bharadwaj et al. Deriving capacity and level-of-service thresholds for intercity expressways in India
Deng et al. Heterogenous Trip Distance‐Based Route Choice Behavior Analysis Using Real‐World Large‐Scale Taxi Trajectory Data
Stenneth et al. Monitoring and mining GPS traces in transit space
KR20180121240A (ko) 빅데이터를 활용한 대중교통 통행시간 예측/예보 시스템
Liu Traffic simulation with DRACULA
Hu et al. Evaluating the effects of alleviating urban traffic congestion using real-time traffic information on mobile devices
Thankappan et al. Development and application of a traffic stream model under heterogeneous traffic conditions
Li et al. A real-time transportation prediction system
Dhivyabharathi et al. Particle filter for reliable bus travel time prediction under Indian traffic conditions

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant