CN105043400A - 路径规划方法及装置 - Google Patents

Abstract

本发明实施例公开了一种路径规划方法及装置。其中，所述方法包括获取包含有起点和终点的路径规划请求；根据所述路径规划请求获取所述起点和终点之间路段的经验权重集，其中所述经验权重集根据用户的历史路径确定；根据所述路段的经验权重集，采用启发式搜索算法对所述路径规划请求进行路径规划。本发明实施例提供的技术方案，能够对已有的路径规划技术进行优化，提高规划速度以及规划结果的准确度。

Description

路径规划方法及装置

技术领域

本发明实施例涉及地图技术领域，尤其涉及路径规划方法及装置。

背景技术

目前，集定位、导航、娱乐等功能于一身的导航产品，逐渐成为车上的基本装备。电子地图路径规划作为导航中一项十分重要的功能，能够从众多到达目的地的各条路径中，选择较佳的行走路径提供给车主，以使车主能够快速方便的到达目的地。

路径规划的路线是由各个Link(路段)组织而成，一条路径可包含多个Link数据。Link是图商数据中最小的单位，用于表征实际路网中的一条路段。LinkID字段是Link数据在路网中的唯一标志。目前路径规划的算法主要过程是从起点的Link进行深度或广度扩展，最终遍历到终点的Link，以找到一条或多条较优的行走路径。

现有技术在进行电子地图路径规划时，通常是通过启发函数减枝技术，来缩小遍历的搜索空间。但是，一方面，目前的减枝策略都是基于图商数据，搜索空间仍然很大；另一个方面，图商数据的更新周期太长，而且图商数据本身的准确性也很难保证，当某条路段正在维修或者已经废弃时，图商数据没有更新，从而可能导致路径规划结果会将用户引导到不通畅的路径中，导致较差的用户体验。

发明内容

本发明实施例提供一种路径规划方法及装置，以对已有的路径规划技术进行优化，提高规划速度以及规划结果的准确度。

一方面，本发明实施例提供了一种路径规划方法，该方法包括：

获取包含有起点和终点的路径规划请求；

根据所述路径规划请求获取所述起点和终点之间路段的经验权重集，其中所述经验权重集根据用户的历史路径确定；

根据所述路段的经验权重集，采用启发式搜索算法对所述路径规划请求进行路径规划。

另一方面，本发明实施例还提供了一种路径规划装置，该装置包括：

规划请求获取单元，用于获取包含有起点和终点的路径规划请求；

经验权重获取单元，用于根据所述路径规划请求获取所述起点和终点之间路段的经验权重集，其中所述经验权重集根据用户的历史路径确定；

路径规划单元，用于根据所述路段的经验权重集，采用启发式搜索算法对所述路径规划请求进行路径规划。

本发明实施例提供的技术方案，能够结合大量可靠的用户历史行走行为，采用启发式搜索算法进行路径规划，这样不仅可以有效减小路径规划遍历算法的搜索空间，提高路径规划效率，而且在一定程度上也可克服因图商数据更新慢或者部分数据错误所带来的规划准确度低的问题。

附图说明

图1是本发明实施例一提供的一种路径规划方法的流程示意图；

图2是本发明实施例二提供的一种对起点和终点之间各个路段的经验权重集的线下确定方法的流程示意图；

图3是本发明实施例三提供的一种路径规划方法的流程示意图；

图4是本发明实施例四提供的一种路径规划装置的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1是本发明实施例一提供的一种路径规划方法的流程示意图。本实施例可适用于导航终端中电子地图路径规划的情况。该方法可以由路径规划装置来执行，所述装置可由软件实现，集成于为导航产品提供导航服务的服务器中。参见图1，本实施例提供的路径规划方法具体包括如下操作：

操作110、获取包含有起点和终点的路径规划请求。

具体的，导航终端可通过人机交互的方式，接收用户触发的路径规划请求，该请求包含用户想要行走的路径的起点和终点。例如，可提供对应于路径规划的人机交互界面，该界面中包括第一输入框、第二输入框和确认按钮；如果接收到用户对确认按钮的触发操作，则生成路径规划请求，发送至服务器。该请求包含的起点为用户在第一输入框中的输入信息，终点为用户在第二输入框中的输入信息。

操作120、根据路径规划请求获取所述起点和终点之间路段的经验权重集，其中经验权重集根据用户的历史路径确定。

所谓历史路径指的是用户走过的路径。在本实施例中，在执行操作120之前，需线下预先执行如下操作：基于设定的数据挖掘算法：对具有相同所述起点和终点的多条历史路径进行统计学习，以得到所述多条历史路径中所述路段的出现频次，和/或，包含有所述路段的关联路段组的出现频次；根据所述出现频次确定所述路段的经验权重集。

作为一种具体实施方式，经验权重集可仅为一个经验权重。例如，该经验权重可以是所述多条历史路径中所述路段的出现频次。当然，该经验权重也可以是根据所述多条历史路径中路段的出现频次和包含有所述路段的关联路段组的出现频次，得到的一个值。该值用于表征所述起点和终点的最优路径要经过该路段的概率大小。出现频次越高，该值也就越大。

作为另一种具体实施方式，经验权重集可为多个经验权重组合的集合。该集合可包括：包含有所述路段的关联路段组的出现频次(视为第一经验权重)；和/或，所述路段在关联路段组中其他路段出现下的条件出现频次(视为第二经验权重)。例如，关联路段组AB的出现频次2/5，路段B的出现频次为3/4，则路段A在关联路段组AB中其他路段B出现下的条件出现频次为：2/5÷3/4＝8/15。

操作130、根据所述路段的经验权重集，采用启发式搜索算法对路径规划请求进行路径规划。

目前，采用启发式搜索算法，对路径规划请求进行路径规划的过程包括：

在电子地图所能提供的所述起点和终点之间的所有路段中，先从与起点连接的各个路段处开始搜索，对这些路段进行重要度评估，并从中挑选出评估结果较优的第一组规划路段；然后，继续搜索与第一组规划路段连接的各个扩展路段，对这些扩展路段进行重要度评估，并从中挑选出评估结果较优的第二组规划路段；进而按照该策略继续搜索下去，直到终点。最后，可根据得到的各组规划路段，确定出所述起点到终点的最优路径。启发式搜索技术可以省略大量无谓的搜索路径，提高了搜索效率。在启发式搜索中，对各个路段的重要度评估是十分重要的。采用了不同的评估策略可以达到不同的效果。

在现有技术中，通常是基于启发函数对各个路段进行重要度评估的，每个路段都有一个启发函数值。对于第n个路段而言，其启发函数值可以是从第n个路段到终点的最低耗散路径(也即最优路径)的估计耗散值；或者是与估计好散值成反比的其他值。对于前者而言，启发函数值越小，最优路径越有可能经过第n个路段，该路段的重要度越高；对于后者而言，则是启发函数值越大，最优路径越有可能经过第n个路段，该路段的重要度越高。

目前，启发函数值往往仅根据电子地图提供的图商数据计算得到的，例如基于图商数据中对搜索路段的长度、路段(例如是高速道路，还是普通道路)等描述信息，得到该搜索路段的启发函数值。所以，采用已有路径规划技术，虽然会根据评估结果减掉对部分无效路径的搜索，但是由于评估算法的局限性，使得评估结果并不十分可靠，使得搜索空间仍然可能很大，搜索结果也不是很准确。

作为一种具体实现方式，可将已有的启发函数评估法，结合用户的用路经验，进行路径规划。示例性的，利用路段的经验权重集，来修正现有技术所设计的启发函数。具体的，操作130包括：

根据如下公式，修正路段的启发函数值F_new：

F_new＝F+Δ

其中，F为路段的原始启发函数值；Δ为基于路段的经验权重集确定的修正值。如果F是估计耗散值，则修正值应与经验权重集中的经验权重成负相关关系；反之，如果F是直接用于描述路段重要度大小的数值，则修正值应与经验权重集中的经验权重成正相关关系。

优选的，如果获取到的经验权重集为多个权重，则还可利用本次路径规划中已确定的规划路段，对获取到的经验权重集进行筛选，提取出其中特定关联路段组的出现频次，和/或，所述路段在特定关联路段组中其他路段出现下的条件出现频次；然后，仅根据提取结果确定修正值。其中，特定关联路段组为：当前正在被搜索的路段与已确定的规划路段所组成的路段组。例如，已确定的规划路段为A和F，路段K作为路段F的扩展路段正在被搜索,则在修正路段K的启发函数值时，对应的特定关联路段组为FK、AK、AFK。

由于路段的经验权重是基于大量用户的用路经验得到的，可靠性较强，因此作为本实施例的另一种实现方式，还可仅根据路段的经验权重集，生成对路段的重要度评估结果，例如该结果为上述修正值Δ。

本实施例提供的技术方案，能够结合大量可靠的用户历史行走行为，采用启发式搜索算法进行路径规划，这样不仅可以有效减小路径规划遍历算法的搜索空间，提高路径规划效率，而且在一定程度上也可克服因图商数据更新慢或者部分数据错误所带来的规划准确度低的问题。

实施例二

本实施例在上述实施例一的基础上，对起点和终点之间各个路段的经验权重集的线下确定方法作详细介绍。参见图2，该确定方法具体包括如下操作：

操作210、获取最近预设时间段内多个用户走过的多条历史路径，构成路径集。

由于本发明实施例是根据用户的用路经验，来进行路径规划，所以用户的历史路径也应是最近一段时间内用户走过的路径。如果历史路径距离当前时间太过久远，会降低学习的准确度。所述预设时间段可以是最近一个月或者半年，可由开发人员自行设定。

所述历史路径可以是导航用户在完成一次行程后，触发导航终端主动上报的，也可是服务器通过设置在导航终端的路径监控组件，实时监控得到的。

操作220、按照相同起点和终点，对路径集中的历史路径进行类别划分。

每条历史路径可以使用Link集合L＝{L1,L2,L3…Ln}表示，其中L1,L2,L3…Ln分别表示线路中的不同Link。将获取到的近一周(时间可以控制)的全部历史路径作为路径集Tw，以起终点的标准对Tw进行分类，则Tw可分为由不同起终点组成的路径子集{Ts1e1,Ts2e2,Ts3e3…Tsnen},其中路径子集Tsnen代表路径集Tw中起点为sn且终点为en的多条历史路径组成的集合。

操作230、基于设定的数据挖掘算法，对具有相同起点和终点的多条历史路径进行统计学习，得到所学习的多条历史路径中路段的经验权重集。

具体的学习过程，可以是：

基于设定的数据挖掘算法：对具有相同起点和终点的多条历史路径进行统计学习，以得到所述多条历史路径中路段的出现频次，和/或，包含有所述路段的关联路段组的出现频次；根据所述出现频次确定所述路段的经验权重集。

所谓路段的出现频次指的是：路段在所述多条历史路径中出现的概率；所谓关联路段组的出现频次指的是：关联路段组中的所有路段同时出现在同一条历史路径的概率。

例如：某起点和终点之间共有5条历史路径：A-B-C-D、A-B-C-G、B-C-E-G、C-E-F-G、D-E-F-G。这5条历史路径共有路段A、B、C、D、E、F和G这7个路段。对于路段B而言，出现在了3条历史路径中，所以出现频次为3/7；包含有路段B的关联路段组AB，出现在了2条历史路径中，所以出现频次为2/7；包含有路段B的关联路段组BC，出现在了3条历史路径中，所以出现频次为3/7。

作为本实施例的一种优选实施方式，设定的数据挖掘算法为频繁项集算法(也即apriori算法)。具体的，基于该算法，对具有相同起点和终点的多条历史路径进行统计学习，得到所学习的多条历史路径中各个路段的经验权重集，包括：1、将具有相同起点和终点的多条历史路径组成一个集合，集合中的每个元素是一条历史路径。

2、基于预设的最小支持度阈值，挖掘该集合中的频繁K项集。

具体的，频繁1项集包括：集合中出现频次大于最小支持度阈值的各个路段；例如，频繁1项集包括：A、C、D、E；

频繁2项集包括：集合中出现频次大于最小支持度阈值的由两个路段组成的关联路段组；例如，频繁2项集包括：AC、CD、AE；

频繁3项集包括：集合中出现频次大于最小支持度阈值的由三个路段组成的关联路段组；例如，频繁3项集包括：ACE。

其中，K的大小能够由所述最小支持度阈值和所述集合确定。频繁K项集中的各个元素均被视为一个频繁项，例如A、C、D、E、AC、CD、AE、ACE均是频繁项。出现频次也即支持度。

3、基于预设的最小置信度阈值，挖掘频繁K项集中的强关联规则。

得到的每个强关联规则包括：左侧路段和右侧路段。这两侧路段组成的频繁项为强关联路段组。左侧路段可以是一个路段或多个路段，而右侧路段仅为一个路段。每一个强关联规则的右侧路段与左侧路段之间具有强关联性，其含义是如果用户走了左侧路段，则很大程度上要走右侧路段。

强关联规则的支持度大于最小支持度阈值，置信度大于最小置信度阈值，其中，强关联规则的支持度为：规则中两侧路段组成的强关联路段组在所述多条历史路径组成的集合中的出现频次；强关联规则的置信度为：右侧路段在左侧路段在所述多条历史路径组成的集合中出现下的条件出现频次。

例如，某个频繁项为关联路段组AE，关联路段组AE的出现频次大于最小支持度阈值，路段E在路段A出现下的条件出现频次大于最小置信度阈值，则A->E为一个强关联规则。其中，路段A为左侧路段，路段E为右侧路段。

再例如，某个频繁项为关联路段组DJK，关联路段组DJK的出现频次大于最小支持度阈值，路段K在路段DJ出现下的条件出现频次大于最小置信度阈值，则DJ->K为一个强关联规则。其中，路段DJ为左侧路段，路段K为右侧路段。

4、根据强关联规则的支持度和置信度，确定所学习的多条历史路径中对应路段的经验权重集。

具体的，如果路段为强关联规则中的右侧路段，则所述路段的经验权重集包括：所述强关联规则的支持度和置信度。

本实施例通过对用户历史路径进行分析，挖掘出同一个起终点的频繁Link项集合，用来进一步降低图遍历的搜索空间。同时，因为基于了用户近期真实的用户经验，数据的正确性是可以保障的，可以弥补图商数据更新时间长且数据不准确的问题。

实施例三

图3是本发明实施例三提供的一种路径规划方法的流程示意图。本实施例以上述所有实施例为基础，提供一优选实施例。参见图3，该方法具体包括如下操作：

操作310、获取最近预设时间段内多个用户走过的多条历史路径，构成路径集。

操作320、按照相同起点和终点，对路径集中的历史路径进行类别划分。

操作330、基于频繁项集算法，对具有相同起点和终点的多条历史路径构成的集合进行强关联规则挖掘学习。

在本实施例中，在挖掘学习过程中，可仅先挖掘出频繁2项集；然后从频繁2项集中挖掘强关联规则。这样，规则中的左侧路段和右侧路段均为一个路段。

操作340、根据强关联规则的支持度和置信度，确定所学习的多条历史路径中对应路段的经验权重集，并进行存储。

例如，挖掘出频繁2项集有：AB、BE、BD、CE、DK这四个关联路段组，且从中挖掘出如下三条强关联规则：A->B，B->E，C->E。则可确定所学习的多条历史路径中：

路段B的经验权重集包括如下两个经验权重：关联路段组AB在所述多条历史路径中的出现频次；路段B在路段A出现下的条件出现频次；

路段E的经验权重集包括如下四个经验权重：关联路段组BE在所述多条历史路径中的出现频次；路段E在路段B出现下的条件出现频次；关联路段组CE在所述多条历史路径中的出现频次；路段E在路段C出现下的条件出现频次。

对于路段如A、C、D或者K而言，由于上述挖掘到的任何一个强关联规则的右侧路段均不包含该路段，则所学习的多条历史路径中该路段的经验权重集为空。

上述操作310-操作340可预先线下执行完毕。

操作350、获取包含有目标起点和目标终点的路径规划请求。

操作360、根据路径规划请求获取所存储的与所述目标起点和目标终点对应的多条目标历史路径中路段的经验权重；

操作370、根据获取到的路段的经验权重集，采用启发式搜索算法对所述路径规划请求进行路径规划。

具体的，如果当前被搜索的路段为本次路径规划中已被确定的规划路段的扩展路段，且该路段属于所述多条目标历史路径中的一个路段，则根据如下公式，修正该路段的启发函数值F_new：

F_new＝F+α×(β×S+γ×C)

其中，F为该路段的原始启发函数值；α为第一调节因子，β为第二调节因子，γ为第三调节因子；S为所述多条目标历史路径中该路段和所述规划路段组成的目标关联路段组的出现频次，C为所述多条目标历史路径中该路段在所述规划路段出现下的条件出现频次。

在本实施例中，通过经验权重可以拉开路段之间启发函数值的差距，对于一些重要度评估较差的扩展路径可以直接去掉，减小搜索范围；同时通过引入了经验权重，规划路段的正确性得到了保障，能有效缓解图商数据不一致的问题。

实施例四

图4是本发明实施例四提供的一种路径规划装置的结构示意图。参见图4，该装置的具体结构如下：

规划请求获取单元410，用于获取包含有起点和终点的路径规划请求；

经验权重获取单元420，用于根据所述路径规划请求获取所述起点和终点之间路段的经验权重集，其中所述经验权重集根据用户的历史路径确定；

路径规划单元430，用于根据所述路段的经验权重集，采用启发式搜索算法对所述路径规划请求进行路径规划。

示例性的，本实施例提供的装置还包括统计学习单元405，用于：

基于设定的数据挖掘算法：对具有相同所述起点和终点的多条历史路径进行统计学习，以得到所述多条历史路径中所述路段的出现频次，和/或，包含有所述路段的关联路段组的出现频次；根据所述出现频次确定所述路段的经验权重集。

示例性的，所述数据挖掘算法为频繁项集算法；

如果所述路段为基于所述频繁项集算法得到的强关联规则中的右侧路段，则所述路段的经验权重集包括：所述强关联规则的支持度和置信度。

示例性的，本实施例提供的装置还包括历史路径类别划分单元400，用于：

获取最近预设时间段内多个用户走过的多条历史路径，构成路径集；

按照相同起点和终点，对所述路径集中的历史路径进行类别划分。

示例性的，所述路径规划单元430，具体用于：

根据如下公式，修正所述路段的启发函数值F_new：

F_new＝F+Δ

其中，所述F为所述路段的原始启发函数值；所述Δ为基于所述路段的经验权重集确定的修正值。

示例性的，所述路段为本次路径规划中已被确定的规划路段的扩展路段；

按照如下公式计算所述Δ：

Δ＝α×(β×S+γ×C)

其中，所述α为第一调节因子，所述β为第二调节因子，所述γ为第三调节因子；所述S为所述多条历史路径中所述路段和所述规划路段组成的目标关联路段组的出现频次，所述C为所述多条历史路径中所述路段在所述规划路段出现下的条件出现频次。

上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (12)

1.一种路径规划方法，其特征在于，包括：

获取包含有起点和终点的路径规划请求；

根据所述路径规划请求获取所述起点和终点之间路段的经验权重集，其中所述经验权重集根据用户的历史路径确定；

根据所述路段的经验权重集，采用启发式搜索算法对所述路径规划请求进行路径规划。

2.根据权利要求1所述的方法，其特征在于，在根据所述路径规划请求获取所述起点和终点之间路段的经验权重集之前，还包括：

基于设定的数据挖掘算法，对具有相同所述起点和终点的多条历史路径进行统计学习，以得到所述多条历史路径中所述路段的出现频次，和/或，包含有所述路段的关联路段组的出现频次；

根据所述出现频次确定所述路段的经验权重集。

3.根据权利要求2所述的方法，其特征在于，所述数据挖掘算法为频繁项集算法；

如果所述路段为基于所述频繁项集算法得到的强关联规则中的右侧路段，则所述路段的经验权重集包括：所述强关联规则的支持度和置信度。

4.根据权利要求2所述的方法，其特征在于，在对具有相同所述起点和终点的多条历史路径进行统计学习之前，还包括：

获取最近预设时间段内多个用户走过的多条历史路径，构成路径集；

按照相同起点和终点，对所述路径集中的历史路径进行类别划分。

5.根据权利要求2-4中任一项所述的方法，其特征在于，根据所述路段的经验权重集，采用启发式搜索算法对所述路径规划请求进行路径规划，包括：

根据如下公式，修正所述路段的启发函数值F_new：

F_new＝F+Δ

其中，所述F为所述路段的原始启发函数值；所述Δ为基于所述路段的经验权重集确定的修正值。

6.根据权利要求5所述的方法，其特征在于，所述路段为本次路径规划中已被确定的规划路段的扩展路段；

按照如下公式计算所述Δ：

Δ＝α×(β×S+γ×C)

其中，所述α为第一调节因子，所述β为第二调节因子，所述γ为第三调节因子；所述S为所述多条历史路径中所述路段和所述规划路段组成的目标关联路段组的出现频次，所述C为所述多条历史路径中所述路段在所述规划路段出现下的条件出现频次。

7.一种路径规划装置，其特征在于，包括：

规划请求获取单元，用于获取包含有起点和终点的路径规划请求；

经验权重获取单元，用于根据所述路径规划请求获取所述起点和终点之间路段的经验权重集，其中所述经验权重集根据用户的历史路径确定；

路径规划单元，用于根据所述路段的经验权重集，采用启发式搜索算法对所述路径规划请求进行路径规划。

8.根据权利要求7所述的装置，其特征在于，还包括统计学习单元，用于：

基于设定的数据挖掘算法，对具有相同所述起点和终点的多条历史路径进行统计学习，以得到所述多条历史路径中所述路段的出现频次，和/或，包含有所述路段的关联路段组的出现频次；根据所述出现频次确定所述路段的经验权重集。

9.根据权利要求8所述的装置，其特征在于，所述数据挖掘算法为频繁项集算法；

如果所述路段为基于所述频繁项集算法得到的强关联规则中的右侧路段，则所述路段的经验权重集包括：所述强关联规则的支持度和置信度。

10.根据权利要求8所述的装置，其特征在于，还包括历史路径类别划分单元，用于：

获取最近预设时间段内多个用户走过的多条历史路径，构成路径集；

按照相同起点和终点，对所述路径集中的历史路径进行类别划分。

11.根据权利要求8-10中任一项所述的装置，其特征在于，所述路径规划单元，具体用于：

根据如下公式，修正所述路段的启发函数值F_new：

F_new＝F+Δ

其中，所述F为所述路段的原始启发函数值；所述Δ为基于所述路段的经验权重集确定的修正值。

12.根据权利要求11所述的装置，其特征在于，所述路段为本次路径规划中已被确定的规划路段的扩展路段；

按照如下公式计算所述Δ：

Δ＝α×(β×S+γ×C)

其中，所述α为第一调节因子，所述β为第二调节因子，所述γ为第三调节因子；所述S为所述多条历史路径中所述路段和所述规划路段组成的目标关联路段组的出现频次，所述C为所述多条历史路径中所述路段在所述规划路段出现下的条件出现频次。