CN105528903A - 使用基于相关性的驾驶信息的建议导图 - Google Patents
使用基于相关性的驾驶信息的建议导图 Download PDFInfo
- Publication number
- CN105528903A CN105528903A CN201510666238.2A CN201510666238A CN105528903A CN 105528903 A CN105528903 A CN 105528903A CN 201510666238 A CN201510666238 A CN 201510666238A CN 105528903 A CN105528903 A CN 105528903A
- Authority
- CN
- China
- Prior art keywords
- route
- vehicle
- stroke
- data
- information
- 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.)
- Withdrawn
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
-
- 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
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)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种使用基于相关性的驾驶信息的建议导图。一种车辆包括控制器,所述控制器响应于车辆的当前位置与识别的位置之间的匹配,检索与识别的位置相应的潜在目的地。每个潜在目的地具有基于车辆将行驶到潜在目的地的概率的排名。所述控制器还根据所述排名输出当前位置与潜在目的地中的至少一个之间的一个或更多个路线。
Description
技术领域
本公开涉及目的地预测系统、诸如应用目的地预测系统的汽车导航系统或移动电话的导航设备以及目的地预测方法。
背景技术
某些车辆可提供信息娱乐信息、导航信息等,以提升驾驶体验。导航信息由导航系统来提供,所述导航系统被用于帮助驾驶员确定行驶路线并获得其它有用的驾驶信息。导航系统可实现用于计算朝向由驾驶员确定的期望的终点目的地的行驶路线的功能,所述行驶路线从使用全球定位系统确定的给定位置开始。导航系统还可实现用于在途中预测驾驶员的目的地的位置的功能,并使用预测的目的地来确定将依赖于预测的目的地的什么信息自动地呈现给驾驶员。
目的地预测技术可涉及在行程期间实时地捕获驾驶数据,并使用捕获的数据来确定车辆的当前位置以及预测车辆驶向何处。当车辆在行程中继续行进时,预测处理可按照由车辆/驾驶员做出的意外决定而不断重复预测新的目的地。
发明内容
一种车辆包括至少一个控制器,所述至少一个控制器被配置为:响应于车辆的当前位置与识别的位置之间的匹配,检索与识别的位置对应的潜在目的地。每个潜在目的地具有基于车辆将行驶到潜在目的地的概率的排名。所述至少一个控制器还被配置为:根据所述排名输出当前位置与潜在目的地中的至少一个潜在目的地之间的一个或更多个路线。
一种导航预测系统包括与数据库进行通信的至少一个控制器。所述至少一个控制器被配置为:收集包括定义多个行程的起始位置和结束位置的导航数据。所述至少一个控制器还被配置为:响应于车辆的当前位置与起始位置中的一个匹配,输出从当前位置到结束位置中的一个或更多个的预测路线信息,预测路线信息基于与预测路线信息关联的行程向量的频率超出阈值而被学习以与所述起始位置中的一个关联。
一种导航预测系统包括至少一个控制器,所述至少一个控制器被配置为:收集包括定义多个行程的起始位置和结束位置的导航数据,响应于车辆的当前位置与起始位置中的一个匹配,输出从当前位置到结束位置中的一个或更多个的预测路线信息,预测路线信息基于与预测路线信息关联的行程向量的频率超出阈值而被学习以与起始位置中的一个关联。
根据本发明的一个实施例,所述导航预测系统还包括:被配置为显示预测路线信息的界面。
根据本发明的一个实施例,所述至少一个控制器还被配置为:在行程期间学习行程向量的频率。
根据本发明的一个实施例,所述至少一个控制器还被配置为:响应于当前位置与起始位置中的一个不匹配,记录当前起始位置和相应的唯一位置ID。
根据本发明的一个实施例,所述至少一个控制器还被配置为:基于与结束位置中的至少一个关联的匹配频率,删除所述结束位置中的所述至少一个。
根据本发明的一个实施例,所述导航预测系统还包括:与所述至少一个控制器进行通信的存储器,其中,起始位置和结束位置被存储在所述存储器中。
一种用于车辆的路线导图(routemapping)方法包括:接收指示车辆的当前位置的信号;响应于当前位置与识别的位置之间的匹配,检索潜在目的地,潜在目的地被学习以与识别的位置关联,每个潜在目的地具有基于车辆将行驶到潜在的目的地的概率的排名。所述方法还包括:输出用于显示的信号,所述信号指示当前位置与潜在目的地中的至少一个之间的一个或更多个路线。
根据本发明的一个实施例,所述方法还包括:响应于当前位置与识别的位置之间的不匹配,记录当前位置和相应的唯一位置ID。
根据本发明的一个实施例,所述方法还包括:基于与识别的位置关联的匹配频率,删除识别的位置。
根据本发明的一个实施例,潜在目的地从车辆中的存储器被检索。
根据本发明的一个实施例,所述方法还包括:产生从当前位置到潜在目的地中的所述至少一个的行程向量,并基于所述行程向量来更新所述一个或更多个路线。
附图说明
图1示出了用于基于车辆的计算系统的示例性框式拓扑图;
图2A示出了可由基于车辆的计算系统来实现的示例性预测学习方法的流程图;
图2B示出了由预测学习方法产生的示例性位置记录的图表;
图3示出了由预测学习方法实现的相对频率例程的流程图;
图4示出了由预测学习方法产生的行程向量输出;
图5示出了由预测学习方法实现的路线预测方法的流程图;
图6示出了由预测学习方法产生的路线预测;
图7示出了按照用于预测目的地的由预测方法使用的非方形矩阵存储的转换信息。
具体实施方式
在此描述了本公开的实施例。然而,应该理解的是,所公开的实施例仅仅是示例,并且其它实施例可采用各种和替代形式。附图无需按比例绘制;可夸大或最小化一些特征以示出特定组件的细节。因此,在此公开的具体结构和功能细节不应被解释为具有限制性,而仅仅是作为用于教导本领域技术人员以多种方式利用实施例的代表性基础。本领域普通技术人员将理解的是,参照任一附图示出并描述的各种特征可与在一个或更多个其它附图中示出的特征相结合,以产生未明确示出或描述的实施例。示出的特征的结合提供用于典型应用的代表性实施例。然而,针对特定应用或实现,可期望对与本公开的教导一致的特征进行各种组合和修改。
本公开的实施例总体上提供了多个电路或其它电气装置。所有对所述电路和其它电气装置的引用以及由每一个所述电路和其它电气装置提供的功能都不意在受限于仅涵盖在此示出和描述的内容。虽然特定的标号可被分配给公开的各种电路或其它电气装置,但是这样的标号并不意在限制所述电路和其它电气装置的操作的范围。可基于所期望的特定类型的电气实施方案,按照任何方式将所述电路和其它电气装置彼此组合和/或分离。应认识到的是,在此公开的任何电路或其它电气装置可包括任意数量的微处理器、集成电路、存储器装置(例如,闪存、随机存取存储器(RAM)、只读存储器(ROM)、电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或上述项的其它适当变型)和软件,它们彼此协作以执行在此公开的操作。此外,任意一个或更多个电气装置可被配置为执行在非暂时性计算机可读介质中实现的计算机程序,其中,所述计算机程序被编写为用于执行公开的任意数量的功能。
本公开涉及用于路线预测的系统和方法,所述用于路线预测的系统和方法使用包括例如k-最邻近(KNN)聚类的机器学习算法。该系统和方法提供对一个或更多个位置以及路线模型的预测,所述一个或更多个位置以及路线模型从用于识别和过滤可应用数据的自组织驾驶数据被产生。响应于对驾驶数据的过滤,该系统和方法可通过排除不相关的信息来改进对数据的处理。所述不相关的信息的排除可允许系统保持优化的数据库内存存储大小,使得可能具有潜在成为新兴模式的最近获取的信息可被存储。所述位置和路线模型可包括:最右边的之前发生的间隔表、路线选择方案(routealternative)表、路线使用频率表、路线相似度表、平均路线相似度表和路线概率表。所述位置和路线模型可预测与环境敏感预测(contextsensitiveprediction)(确定的驾驶员、确定的一周中的日期、确定的当前位置以及确定的路线排名(基于相对频率的使用率最高的路线))相关的一个或更多个路线。
在本公开中,该系统可应用多个方法来预测车辆的驾驶员可能正行驶到作为其最终目的地的一个或更多个位置。所述方法可包括位置学习、先前行驶的位置的相对频率分析,并且管理数据库以简化和减少在存储器中存储的不相关的位置学习数据。例如,之前的系统和方法可记录所有GPS定位信息以用于以后分析。所提出的方法可压缩位置信息以改进分析,使得有意义的信息被存储。该方法还可针对存储的位置信息提供分层式结构,使得关联被不断更新和维护。
位置学习方法可提供一种方式,所述方式基于学习的数据来管理和更新驾驶员的驾驶行为以及预测驾驶员可能正在前往的下一个或更多个位置。相对频率分析方法可基于多个因素来对学习的位置数据进行排名,所述多个因素包括但不限于行驶的次数、一天中的时间、一周中的日期和/或它们的组合。数据库管理方法可不断更新在存储器中存储的学习数据,同时基于相对频率分析来排除不相关的数据。
图1示出了用于车辆31的基于车辆的计算系统(VCS)1的示例框式拓扑图。这种基于车辆的计算系统1的示例为由福特汽车公司制造的SYNC系统。设置有基于车辆的计算系统的车辆可包含位于车辆中的可视前端界面4。如果所述界面设置有例如触摸敏感屏幕,则用户还可能能够与所述界面进行交互。在另一示意性实施例中,通过按钮按压、具有自动语音识别和语音合成的口语会话系统来进行交互。
在图1所示的示意性实施例1中,处理器3控制基于车辆的计算系统的至少一部分操作。设置在车辆内的处理器允许对命令和例程进行车载处理。另外,处理器被连接到非持久性存储器5和持久性存储器7两者。在此示意性实施例中,非持久性存储器是随机存取存储器(RAM),持久性存储器是硬盘驱动器(HDD)或闪存。一般说来,持久性(非暂时性)存储器可包括当计算机或其它装置掉电时保持数据的所有形式的存储器。这些存储器包括但不限于:HDD、CD、DVD、磁带、固态驱动器、便携式USB驱动器和任何其它适当形式的持久性存储器。
处理器还设置有允许用户与处理器进行交互的若干不同的输入。在此示意性实施例中,麦克风29、辅助输入25(用于输入33)、USB输入23、GPS输入24、屏幕4(可为触摸屏显示器)和蓝牙输入15全部被提供。还提供输入选择器51,以允许用户在各种输入之间进行切换。对麦克风和辅助连接器两者的输入在被传送到处理器之前,由转换器27对所述输入进行模数转换。尽管未示出,但是与VCS进行通信的众多车辆组件和辅助组件可使用车辆网络(诸如但不限于CAN总线)向VCS(或其组件)传送数据并传送来自VCS(或其组件)的数据。
系统的输出可包括但不限于可视显示器4以及扬声器13或立体声系统输出。扬声器被连接到放大器11,并通过数模转换器9从处理器3接收其信号。还可分别沿19和21所示的双向数据流产生到远程蓝牙装置(诸如PND54)或USB装置(诸如车辆导航装置60)的输出。
在一示意性实施例中,系统1使用蓝牙收发器15与用户的移动装置53(例如,蜂窝电话、智能电话、PDA或具有无线远程网络连接能力的任何其它装置)进行通信(17)。移动装置随后可被用于通过例如与蜂窝塔57的通信(55)来与车辆31外部的网络61进行通信(59)。在一些实施例中,蜂窝塔57可以是WiFi接入点。
移动装置与蓝牙收发器之间的示例性通信由信号14表示。
可通过按钮52或类似的输入来指示移动装置53与蓝牙收发器15进行配对。相应地,指示CPU使车载蓝牙收发器将与移动装置中的蓝牙收发器进行配对。
可利用例如与移动装置53关联的数据计划、话上数据或DTMF音在CPU3与网络61之间传送数据。可选地,可期望包括具有天线18的车载调制解调器63,以便在CPU3与网络61之间通过语音频带传送数据(16)。移动装置53随后可用于通过例如与蜂窝塔57的通信(55)来与车辆31外部的网络61进行通信(59)。在一些实施例中,调制解调器63可与蜂窝塔57建立通信(20),以与网络61进行通信。作为非限制性示例,调制解调器63可以是USB蜂窝调制解调器,并且通信20可以是蜂窝通信。
在一示意性实施例中,处理器设置有包括用于与调制解调器应用软件进行通信的API的操作系统。调制解调器应用软件可访问蓝牙收发器上的嵌入式模块或固件,以完成与(诸如设置在移动装置中的)远程蓝牙收发器的无线通信。蓝牙是IEEE802PAN(个域网)协议的子集。IEEE802LAN(局域网)协议包括WiFi并与IEEE802PAN具有相当多的交叉功能。两者都适合于车辆内的无线通信。可在这一领域使用的另一通信方式是自由空间光通信(诸如IrDA)和非标准化消费者红外协议。
在另一实施例中,移动装置53包括用于语音频带或宽带数据通信的调制解调器。在话上数据的实施例中,当移动装置的所有者可在数据被传送的同时通过装置说话时,可实施已知为频分复用的技术。在其它时间,当所有者没有在使用装置时,数据传送可使用整个带宽(在一示例中是300Hz至3.4kHz)。尽管频分复用对于车辆与互联网之间的模拟蜂窝通信而言会是常见的并仍在被使用,但其已经很大程度上被用于数字蜂窝通信的码域多址(CDMA)、时域多址(TDMA)、空域多址(SDMA)的混合体所替代。这些都是ITUIMT-2000(3G)兼容的标准,为静止或行走的用户提供高达2mbs的数据速率,并为在移动的车辆中的用户提供高达385kbs的数据速率。3G标准现在正被IMT-Advanced(4G)所替代,其中,所述IMT-Advanced(4G)为在车辆中的用户提供100mbs的数据速率,并为静止的用户提供1gbs的数据速率。如果用户具有与移动装置关联的数据计划,则所述数据计划可允许宽带传输且系统可使用宽得多的带宽(加速数据传送)。在另一实施例中,移动装置53被安装在车辆31中的蜂窝通信装置(未示出)所替代。在另一实施例中,移动装置(ND)53可以是能够通过例如(而非限制)802.11g网络(即WiFi)或WiMax网络进行通信的无线局域网(LAN)装置。
在一实施例中,传入数据可经由话上数据或数据计划穿过移动装置,穿过车载蓝牙收发器,并进入车辆的内部处理器3。例如,在某些临时数据的情况下,数据可被存储在HDD或其它存储介质7上,直至不再需要所述数据时为止。
可与车辆进行接口连接的另外的源包括:具有例如USB连接56和/或天线58的个人导航装置54、具有USB62或其它连接的车辆导航装置60、车载GPS装置24、或具有与网络61连接的能力的远程导航系统(未示出)。USB是一类串行联网协议中的一种。IEEE1394(火线TM(苹果)、i.LINKTM(索尼)和LynxTM(德州仪器))、EIA(电子工业协会)串行协议、IEEE1284(Centronics端口)、S/PDIF(索尼/飞利浦数字互连格式)和USB-IF(USB开发者论坛)形成了装置-装置串行标准的骨干。多数协议可针对电通信或光通信来实施。
此外,CPU可与各种其它的辅助装置65进行通信。这些装置可通过无线连接67或有线连接69来连接。辅助装置65可包括个人媒体播放器、无线保健装置、便携式计算机等。
此外或可选地,可使用例如WiFi(IEEE803.11)收发器71将CPU连接到基于车辆的无线路由器73。这可允许CPU在局域路由器73的范围中连接到远程网络。
除了由位于车辆中的车辆计算系统执行示例性处理之外,在某些实施例中,还可由与车辆计算系统通信的计算系统来执行示例性处理。这样的系统可包括但不限于:无线装置(例如但不限于移动电话)或通过无线装置连接的远程计算系统(例如但不限于服务器)。总体上,这样的系统可被称为与车辆关联的计算系统(VACS)。在某些实施例中,VACS的特定组件可根据系统的特定实施而执行处理的特定部分。通过示例而并非限制的方式,如果处理具有与配对的无线装置进行发送或者接收信息的步骤,则很可能无线装置不执行该处理,这是因为无线装置不会与自身进行信息的“发送和接收”。本领域的普通技术人员将理解何时不适合对给定解决方案应用特定的VACS。在所有解决方案中,预期至少位于车辆自身内的车辆计算系统(VCS)能够执行示例性处理。
位置学习方法可从移动装置53、个人导航装置54、车辆导航装置60、车载GPS装置24和/或它们的组合中的至少一个来接收位置学习数据。位置学习方法可在VCS1存储数据。在另一实施例中,存储的数据可被存储在网络61,所述网络61经由移动装置53、车载调制解调器63、嵌入式电话(未示出)和/或它们的组合与VCS进行通信。
位置学习方法可向与VCS1进行通信的一个或更多个装置提供信息。例如,位置学习方法可向车载显示器4提供路线预测。在另一示例中,位置学习方法可向与VCS1进行通信的移动装置53提供路线预测。
图2A示出了可由基于车辆的计算系统来实现的示例性预测学习方法100的流程图。预测位置学习方法可包括由在车辆计算系统中的硬件上执行的一个或更多个软件应用。所述一个或更多个应用可包括用于填入和管理用于路线预测系统的预测位置数据的指令。可使用包含在VCS内的软件代码来实现方法100。在其它实施例中,方法100可在其它车辆控制器中、在与VCS进行通信的远程服务器中、被分布在多个车辆控制器中或在它们的组合中被实现。
再次参照图2A,在贯穿方法100的讨论中都提及了在图1中示出的车辆及其组件,以有助于对本公开的各个方面的理解。可通过计算机算法、机器可执行代码或软件指令来实现响应于GPS输入而预测位置的方法100,所述计算机算法、机器可执行代码或软件指令被编程到车辆的合适的可编程逻辑装置(诸如,车辆控制模块、在远程服务器的控制模块、与车辆计算系统进行通信的另一控制器或它们的组合)中。虽然在流程图100中示出的各种操作看起来按照时间顺序发生,但是至少部分操作可按照不同的顺序发生,并且部分操作可被同时执行或根本不执行。
在操作102,该方法可从与VCS进行通信的全球定位系统(GPS)请求当前位置。GPS系统可包括但不限于:移动装置、车辆导航系统、个人导航系统、GPS装置、和/或它们的组合。GPS系统可接收所述请求,并发送包括表示车辆的当前位置的数据的信号。
在操作104,该方法可接收GPS定位数据。在操作106,响应于接收的GPS定位数据,该方法可将当前位置与数据库中的其它位置进行比较,以找出匹配。该方法提供压缩的数据集,因此通过该方法对当前位置与存储的其它位置进行的比较可在车载数据库上被执行。例如,该方法可将当前位置与位于VCS1的数据库(例如,HDD7、非易失性随机存取存储器等)中的其它位置进行比较。在另一示例中,该方法可将当前位置发送到远程数据库,所述远程数据库被存储在与VCS1进行通信的网络61或在与VCS1进行通信的移动装置53或者在它们的组合。
在一示例中,基于GPS定位数据,该系统可将当前位置与数据库中存储的位置进行比较,以确定用户在先前的行程期间是否已在此位置。该系统可管理被存储在数据库的信息,以识别和排除不相关的数据,从而确保集中系统。该系统被配置为保持数据库,使得相关的信息和/或高度相关的信息可被快速检索到。
在操作108,如果当前位置在数据库中被匹配为之前被驾驶员行驶过的目的地,则VCS可更新与GPS定位数据匹配的位置记录。例如,VCS可接收被识别为驾驶员的工作地点的GPS定位数据,该方法可更新驾驶员的工作地点的位置记录,所述位置记录存储包括时间、日期和停止持续时间的因素。该方法可存储附加的因素,所述附加的因素包括但不限于:驾驶员的工作地点的转换信息(transitioninformation)、驾驶员的工作地点的相关路线信息、以及与驾驶员的工作地点相关的路线兴趣点(RPOI)。
转换信息是原始方形矩阵,在所述方形矩阵中,每列和每行表示车辆从一个位置驾驶到另一个位置的转换的概率或者转换的概率的前身的相对频率值。如在图7中示出的,转换信息被示出为非方形矩阵600,这是因为如果该方法未存储零值则这样的矩阵可以被修正。另外,行程的起始位置和目的地位置602是同一位置因此对角线大致为零或非常小的数的情况是很少的。图7示出了可被用于在点火开关接通事件确定起始位置的起始位置行602。在该示例中,起始位置行602包括位置1的列604和位置2的列606。该方法可确定车辆在点火开关接通事件处于位置编号1。一旦确定了车辆处于位置1,则该方法可继续使用来自位置1的列604的信息来对可能的目的地进行排名。在位置1的列604中,第二位置608具有最高的相对频率值,从而可被预测为最可能的目的地。如果需要为驾驶员预测其它的候选目的地,则该处理可继续。在该示例中,驾驶员从位置1去往位置2的概率可因此被设置为0.315/(0.315+0.05+0.157)。用相对频率和概率来排名是一样的,因为后者仅仅是前者的归一化版本。
相关路线信息包括识别的RPOI序列。RPOI是该方法已经识别为车辆在一个行程期间已经行驶过的地理空间中的点的GPS定位。换言之,RPOI是GPS定位集,所述GPS定位集是先前的目的地的子集,当所述GPS定位集被适当排序时,所述GPS定位集形成驾驶员的完整的行程轨迹。由于大多数人时常出入于类似家庭、工作地点和学校的一组位置集,因此即使在不同的行程期间也存在许多常用的他/她驾驶经过的兴趣点。这种PROI的一个示例是通向某个人的家的道路路段。该方法可重新使用这些道路路段(路段由两个不同的RPOI来定义),这些道路路段被进行不同地组织,以表示所有可能被行驶的路线。行程通常包括起始位置和目的地,在所述行程中,唯一行程标识号将被分配(例如,从位置A到位置B的行程与从位置B到位置A的行程可能具有不同的行程ID号)。因此,与行程关联的全部路线可以是通过将行程ID附着到RPOI序列而被关联的RPOI序列。针对每个行程,可能存在不只一个与其关联的路线。从对这些行程的观测来看,与位置的转换被学习的方式类似,相对频率与这些路线关联并且被更新,使得每个路线的相对重要性将随着时间被学习和使用以用于预测目的。例如,驾驶员处在位置A,并且系统预测驾驶员可能正在以不同的概率前往位置B、位置C或位置D。驾驶员可使用VCS中的一个或更多个用户输入来表明他实际上正在前往位置B。响应于驾驶员的示意,该方法可随后继续预测他从位置A到位置B的最可能的路线,并附上实时交通和/或事故信息,使得驾驶员可在选择路线之前预览到相关的信息。
在操作110,如果当前位置在位置学习数据库中未被匹配,则该方法可向驾驶员发送消息,所述消息请求同意存储基于GPS定位数据的新位置。例如,该方法可在显示器中输出消息,所述消息请求驾驶员输入关于数据库是否应用在数据库中未找到的这一新位置来更新。
在操作112,响应于用于在数据库存储新位置的消息,驾驶员可接受、拒绝或忽略该消息。如果驾驶员忽略所述用新位置更新数据库的消息和/或拒绝所述用新位置更新数据库的消息,则该方法可在操作116识别出这是不应被学习和存储在数据库中的位置。响应于驾驶员接受在数据库中保存新位置,该方法在操作114可能必须删除现存的位置记录以给新位置留出存储空间。在另一实施例中,该方法可自动地删除基于一个或更多个因素的现存的位置记录,所述基于一个或更多个因素的现存的位置记录包括:有限的空间、驾驶员到过该位置的上次时间、驾驶员到过该位置的次数、和/或它们的组合。该方法可基于所述一个或更多个因素来识别具有低相关度的现存的位置,使得如果数据库中需要空间则该方法可自动地删除这些不相关的记录。
在操作118,如果现存的位置记录的删除是不必要的,则该方法可插入具有当前位置的GPS定位信息的新的位置记录,并分配唯一位置标识符以将该数据条目存储在数据库中。如果该方法要求新的位置记录是必要的,则在操作120具有低相关度的现存的位置记录被删除。
在操作122,该方法可删除现存的位置记录、关联的位置转换信息、位置相关路线信息以及针对当前位置具有低相关度的路线兴趣点(RPOI)。一旦该方法已完成对现存的位置记录的删除,则在操作118,该方法可插入具有GPS定位数据信息的新的位置记录,并分配唯一位置标识符。
在操作124,如果车辆仍然在前往目的地的路线上,则该方法可继续请求GPS数据。例如,该方法可不断请求用于接收路线信息的GPS数据,同时收集和追踪从起始位置到结束位置的RPOI。该路线信息可被存储并且与数据库中的起始位置记录和/或结束位置记录关联。
在操作126,如果该方法检测到点火开关断开事件,则该方法可终止被用于对学习的驾驶员的目的地习惯的位置的进行管理和执行的一个或更多个软件应用。车辆计算系统可具有用于允许该方法请求GPS定位数据并且存储所述数据的车辆点火开关断开模式,以响应于点火开关断开事件而使所述数据与数据库中的目的地位置的终点进行关联。例如,如果驾驶员对车辆熄火,则该方法可在VCS检测到点火开关断开事件时将该路线信息存储为目的地的终点,该方法还可将GPS定位数据存储在存储器中,使得该信息可被系统用于下一点火开关接通事件以确定起始位置。
图2B示出了由预测学习方法100产生并存储在数据库的示例性位置记录的图表150。图表150可在车辆的运行期间基于接收到的GPS数据来填入针对一个或更多个位置记录的位置信息。
例如,该方法可接收起始位置数据,并通过GPS坐标比较数据库中的位置记录从而寻找响应于起始位置的匹配,或者使用新的位置条目填入图表。图表150可基于新的位置信息产生针对起始位置数据的特定条目的行168。图表150可包括针对起始位置的唯一位置标识152。图表150还可包括针对起始位置的经度定位数据154和纬度定位数据156。图表150可包括针对起始位置的半径信息158。图表150还可包括针对起始位置的平均停止持续时间160以及计算的相对频率162。相对频率162将在下面更详细地被解释。图表150还可包括用于附加信息的一个或更多个预留单元164、166,所述附加信息包括但不限于起始位置的上次访问日期。
路线预测系统和方法可基于一个或更多个因素来计算用于预测针对车辆的驾驶员的目的地位置的相对频率。所述一个或更多个因素可包括GPS信息、起始位置、一天中的时间和/或一周中的日期。相对频率是概率的前身,使得路线预测方法可对已知的选择(例如,位置、路线、地址、业务、工作、家)进行计算。
相对频率可以是用于基于一个或更多个因素对预测的位置进行排名的数值。该方法可通过使得行程能够对已知的选择(例如,位置/路线)而被计算来将相对频率用作概率的前身。例如,针对在位置A开始的行程的数值示例可具有到一个或更多个结束目的地的替换路线(alternativeroute)。针对该示例,结束目的地可包括位置B、位置C和位置D。该方法可使用相对频率作为对信息片段的相对重要性的衡量,以预测驾驶员是否正行驶到特定的目的地和/或该方法是否应该删除具有低相关度从而不被需要的数据。该方法使用相对频率作为权重,其中,需要以所述权重对位置信息数据进行聚类。
从上面的示例继续,该方法可基于针对起始位置A的一个或更多个因素搜索该数据并找出三个可选的结束目的地选项C、B和D。例如,如果起始位置A是驾驶员的家,则该方法可查看数据库以传送用于到预测的驾驶员的结束目的地的路线的预测选项,预测的驾驶员的结束目的地包括结束目的地B(工作地点)、结束目的地C(健身房)和结束目的地D(咖啡店)。相对频率被该方法用作响应于从GPS数据接收的目的地信息的相对重要性的衡量。当需要对位置数据库中的信息(例如,目的地B、C和D)进行聚类时,该方法可使用相对频率作为权重来计算输出哪条路线。相对频率可基于下面的等式被创建为一阶指数平滑计算:
X(t)=(1-α)*X(t-1)+α*x(t)(1)
其中,一阶指数平滑值X包括移动窗口学习速率α、实际时间值t和行程向量x(t)。
根据上面的示例,假定学习速率是α=0.05,或类似观测(例如,从位置A(家)开始的行程和预测的路线选项可包括结束目的地B、C或D)的移动窗口1/0.05=20。基于上面设置的学习速率,正在更新在任何时刻形成的行程向量的信息,因此该方法可从最近二十(20)次观测捕获信息。例如,在位置A开始,该方法可从最近二十次行程检索信息,所述最近二十次行程从位置A开始。
相对频率可在新行程向量已被形成之后被更新。下面更详细地解释了行程向量。所述向量包含作为唯一编号的编码起始位置目的地。从起始位置编号(位置A),该方法确定与相同起始位置有关的所有选择。
例如,行程向量指示具有位置A的起始点和位置B的结束点的行程。该方法可更新数据库,使得存储的数据反映该行程已经在位置A开始并且已经在位置B结束。如果驾驶员在A开始并且在B结束,则该方法可增加针对位置A到位置B的行程的数据,从而增大针对该行程向量的相对频率。响应于在位置B的结束目的地,该方法可随后减小针对具有起始位置A但不在位置B结束的可选目的地的相对频率值。
该方法可从GPS接收信号,使得数据被不断地估计以提取和/或压缩成路线兴趣点。该方法可接收起始位置和结束位置以更新数据库。行程向量x是基于起始位置和结束位置的,且可在有竞争性的可选的目的地之间为真值或假值。目的地预测方法可将相同起始位置与在数据库中存储的一个或更多个结束目的地进行比较,使得结束目的地被视为有竞争性的路线选择方案。
该方法可使用如下面等式示出的低通过滤器的常用公式:
RFAtoB/C/D=(1-α)*XAtoB/C/D+α*(FlagTrueorFalse)(2)
其中,FlagTrueorFalse指示被该方法用于确定起始位置和结束位置是否已出现的行程向量。例如,如果该行程是从位置A到位置B,则针对位置A到位置B的Flag可被设置为真。使用相同的示例,如果行程向量是从位置A到位置B,则针对不在位置B结束的其余的行程(位置A到位置C以及位置A到位置D)的Flag可被设置为假。
如果行程向量是在数据库中未被存储的新行程,则该方法可将新行程存储在数据库中,并将Flag设置为真。例如,如果行程向量是从位置A到位置E且该行程向量是新的,则该方法可将Flag设置为真,并且针对不在位置E结束的其余的行程(位置A到位置B、位置A到位置C以及位置A到位置D)的Flag可被设置为假。响应于新的行程向量,该方法可通过针对位置A到位置E的新的行程向量预留的一个新的空间来增大针对位置A的数据库大小。
从起始位置到一个或更多个结束目的地的相对频率可被用于使得系统能够预测驾驶员的路线。该方法可对在数据库中存储的一个或更多个位置记录中的相对频率值进行赋值。
例如,该方法可基于被驾驶员采用的在位置A开始的四个行程来产生针对行程向量的位置记录,如下表所示:
表1
行程 | 起始位置 | 结束位置 | RFA to B | RFA to C | RFA to D |
初始值 | 0 | 0 | 0 | 0 | 0 |
1 | A | B | 0.05 | 0 | 0 |
2 | A | C | 0.048 | 0.05 | 0 |
3 | A | D | 0.045 | 0.048 | 0.05 |
4 | A | C | 0.043 | 0.095 | 0.048 |
针对所有预测的结束目的地,位置记录可具有下列等于零的相对频率的初始值(RF0)。注意,RFAtoB、RFAtoC和RFAtoD被初始化为具有零(0)的值。基于表1,针对在RF0的初始值的相对频率可包括被设置为零的值,且在第一行程之后,使用下面的等式来计算相对频率:
RF1,AtoB=0.05=(1-0.05)*X0,AtoB+0.05*(FlagTrueorFalse)(3)
RF1,AtoC=0.00=(1-0.05)*X0,AtoC+0.05*(FlagTrueorFalse)(4)
RF1,AtoD=0.00=(1-0.05)*X0,AtoD+0.05*(FlagTrueorFalse)(5)
由于来自行程1的行程向量指示从位置A开始且在位置B结束的行程,因此FlagTrueorFalse在等式(3)中被设置为真。因此,等式(3)中的FlagTrue orFalse包括等于1的值,而在等式(4)和等式(5)中FlagTrueorFalse为假,所述FlagTrueorFalse包括等于0的值。由于行程向量RFAtoB与包含在行程向量中的当前或最近一次行程信息相匹配,因此,具有在位置A开始且在位置B结束的行程向量的总体影响使得该方法通过值中的增量来更新行程向量RFAtoB。行程向量RFAtoC和RFAtoD与最近一次行程向量不匹配。因此,该方法识别出相对频率由于其已经包括在0的初始值因而未经历值的变化。下面的表2表示被归一化为概率信息的相对频率。在行程1之后,由于在该时刻行程向量A到B是该方法已观测到的仅有的行程,所以位置A到位置B的概率被设置为1的值。概率信息可与该方法针对驾驶员预测的路线的期望值相匹配犹如该方法正在计算行程的发生。
在第二行程之后,使用下面的等式来计算相对频率:
RF2,AtoB=0.048=(1-0.05)*RF1,AtoB+0.05*(FlagFalse)(6)
RF2,AtoC=0.050=(1-0.05)*X2,AtoC+0.05*(FlagTrue)(7)
RF2,AtoD=0.00=(1-0.05)*X2,AtoD+0.05*(FlagFalse)(8)
由于针对行程2的行程向量是从位置A到位置C,所以该方法可更新与作为起始位置的位置A相关的所有行程。响应于行程2,该方法可更新针对位置A到位置C的行程向量。RF2,AtoC的Flag被设置为真,因此在等式(7)中具有1的值,而在针对起始位置A的其它行程向量等式中具有被设置为0的值。在行程2之后,该方法可更新在表2中示出的概率值,使得所述概率值与所经历过的行程大致匹配,其中,所经历过的行程为基于从位置A的开始到B的一个行程以及基于从位置A的开始到C的一个行程。
在第三行程之后,使用下面的等式来计算相对频率:
RF3,AtoB=0.045=(1-0.05)*.048+0.05*(FlagFalse)(9)
RF3,AtoC=0.048=(1-0.05)*0.05+0.05*(FlagFalse)(10)
RF3,AtoD=0.050=(1-0.05)*XAtoD+0.05*(FlagTrue)(11)
由于针对行程3的行程向量是从位置A到位置D,所以该方法可更新与作为起始位置的位置A相关的所有行程。响应于行程3,该方法可针对位置A到位置D将Flag设置为真,因此在等式(11)中具有被设置为1的值,而在其它行程向量等式中具有被设置为0的值。在行程3之后,该方法可更新在表2中示出的概率值,使得所述概率值与所经历过的行程大致匹配,其中,所经历过的行程为基于从位置A的开始到B的一个行程、以及基于从位置A的开始到C的一个行程以及基于从位置A的开始到D的一个行程。
在第四行程之后,使用下面的等式来计算相对频率:
RF4,AtoB=0.043=(1-0.05)*.045+0.05*(FlagFalse)(12)
RF4,AtoC=0.095=(1-0.05)*0.05+0.05*(FlagTrue)(13)
RF4,AtoD=0.048=(1-0.05)*0.05+0.05*(FlagFalse)(14)
由于针对行程4的行程向量是从位置A到位置C,所以该方法可更新与作为起始位置的位置A相关的所有行程。响应于行程4,该方法可仅针对位置A到位置D使Flag被设置为真,因此在等式(13)中具有使用的1的值,而在位置A开始的其它行程向量为假并且在其余的等式中被设置为0的值。在行程4之后,该方法可更新在表2中示出的概率值,使得所述概率值大致与所经历过的行程相匹配,其中,所经历过的行程为基于从位置A的开始到B的一个行程、基于从位置A的开始到C的一个行程以及基于从位置A的开始到D的一个行程。
该预测方法可以是使用相对频率来对移动窗中的数据内容进行计算和排序。该方法可计算归一化后的相对频率,使得位置预测数据成为概率值。从上面的示例继续,该方法可基于被驾驶员采用的在位置A开始的四个行程来产生针对位置记录的概率,如下:
表2
如在表2中示出的,针对相同起始位置,该方法可利用概率值来预测可能的目的地。针对每个行程,该方法可响应于概率值来预测可能的全部路线。基于下面的等式来计算针对每个行程的概率值:
该方法可确定特定的输入何时缺失,并使用相对频率作为权重/因素来推断未知。例如,如果GPS接收不好并且起始位置是未知的,则该方法可使用对所有起始位置的总平均值来预测结束目的地。系统可能需要数据大小的需求,从而使得该方法能够将相对频率与因素相结合,以删除在数据库存储的不重要和/或不经常使用的位置数据内容,所述因素包括信息的年限以及其它支持信息。
图3示出了由预测学习方法实现的相对频率例程的流程图。可通过计算机算法、机器可执行代码或软件指令来实现响应于GPS输入而预测到一个或更多个位置的路线的方法200,所述计算机算法、机器可执行代码或软件指令被编程到车辆的合适的可编程逻辑装置(例如,车辆控制模块、在远程服务器的控制模块、与车辆计算系统进行通信的另一控制器或它们的组合)中。虽然在流程图200中示出的各种操作看起来按照时间顺序发生,但是至少部分操作可按照不同的顺序发生,并且部分操作可被同时执行或根本不执行。
在操作202,该方法可经由GPS接收当前位置,并且接收基于相对频率和/或概率向量的预测的目的地。在操作204,该方法可基于通过相对频率计算的最高使用率路线做出第一选择。在操作206,该方法可在其它预测的位置的池中做出第一选择,所述其它预测的位置的池可响应于一个或更多个因素而具有较高相对频率和/或概率向量。所述一个或更多个因素可包括先前接收到的GPS数据、起始位置、一周中的日期、一天中的时间和/或可被用于预测驾驶员的预期的结束目的地的其它变量。例如,基于使用所述一个或更多个因素(一天中的时间、一周中的日期、当前位置等)的输入的可用性,该方法可产生与给定输入最匹配的候选目的地的列表。在一示例中,如果没有位置、也没有日期、也没有时间信息可用,则该方法可基于在数据库中存储的所有预测的位置的总平均值(非条件概率)来产生预测。
在另一示例中,其中,当前位置、日期和时间信息均可用,该方法可基于条件概率来进行预测,其中,可基于与这些输入相匹配的过去的信息来做出位置目的地的预测。
在操作208,该方法可估计剩余的候选路线,且如果所述路线具有类似的结束目的地则合并它们的相对频率。在操作210,该方法可从路线的候选池去除与选择的路线类似的路线。例如,该方法保存针对包括在位置A的起始位置到位置B的结束目的地的行程向量的候选路线的数据库池。当用于产生预测的请求被该方法做出时,该方法可通过分析处理来识别出最重要(高相关度)但却与该数据库池不同的路线,从而合并针对类似路线的相对频率值以提高预测。
在操作212,该方法可使关联的相对频率与选择的路线关联结合,使得该预测是基于驾驶员行驶该路线的较高概率的,其中,所述选择的路线都是类似的。在操作214,该方法可要求产生预定数量的路线,以确保对驾驶员的预期的目的地的稳健预测。
在操作218,如果该方法未产生足够的路线来满足被要求做出预测的预定数量的路线,则该方法可用最小平均相似度从剩余的路线候选池中选择下一路线。该方法可在操作208到操作212继续用最小平均相似度分析下一路线,以确保对驾驶员的预期的行驶路线的稳健预测。
在操作216,一旦基于所需的预定数量的路线产生了足够的路线,则该方法可使用相对频率对选择的路线进行归一化。在操作220,该方法可输出具有关联的概率的路线选择方案。可经由一个或更多个用户界面装置向用户显示路线选择方案。所述用户界面装置可包括中控板的LCD屏幕、仪表板、经由蓝牙连接与VCS进行通信的驾驶员的移动装置、或它们的组合。
图4示出了由预测学习方法产生的行程向量输出300。该方法可响应于多个数据点来形成行程向量302,所述多个数据点包括经由GPS收集到的信息、与附加因素(诸如,一天中的时间和一周中的日期)相关联的GPS信息以及由该方法做出的用于使用相对频率对GPS信息进行排名的计算。
行程向量302可基于两个位置接收位置数据。例如,行程向量302可接收位置A304的数据点和位置B306的数据点。行程向量302可用于从位置A304行驶到位置B306的行程时间308。行程向量302可把由驾驶员在位置B306做出的停止持续时间310考虑进来。
针对行程向量采集的信息可被用于改进针对驾驶员的路线的预测。例如,停止持续时间和某位置的上一次访问日期对估计行程的整体意义可能是有用的。压缩的行程轨迹可被该方法用作分析,并与现存的路线选择方案进行比较,以识别驾驶员在路线方面的偏好。压缩的行程轨迹可被该方法用作针对驾驶员的预先探测的路线交通和/或事故分析。
行程向量302可把诸如到位置B、位置C、位置D等的路线兴趣点318的压缩的行程轨迹314考虑进来。该方法可通过包括其它兴趣点的半径316来产生路线兴趣点318,所述其它兴趣点的半径216可能对于驾驶员具有重要性。例如,针对类似家到工作地点或工作地点到家的高频率路线,在与计算机产生的预测的路线相比时,驾驶员可能遵循该路线的95%。如果驾驶员具有某些个人偏好且该部分偏好可能总是与计算机正在建议的内容不同,则驾驶员除了部分路线可能会偏离(例如,当驾驶员非常接近于家/工作地点)。驾驶员可通过对该类型的偏离的信息的分析来吸收路线,该方法可以能够预测驾驶员如何从位置A(家)行驶到位置B(工作地点)的替换路线。
图5示出了由预测学习方法实现的路线预测方法400的流程图。可通过计算机算法、机器可执行代码或软件指令来实现所述路线预测方法400,所述计算机算法、机器可执行代码或软件指令被编程到车辆的适合的可编程逻辑装置(例如,车辆控制模块、在远程服务器的控制模块、与车辆计算系统进行通信的另一控制器或它们的组合)中。虽然在流程图400中示出的各种操作看起来按照时间顺序发生,但是至少部分操作可按照不同的顺序发生,并且部分操作可被同时执行或根本不执行。
在操作402,该方法可接收包括当前位置数据的GPS信号。在操作404,GPS信号可由GPS压缩器来接收,使得该数据可被过滤以确定当前位置是否是新位置、新行程和/或已知行程。例如,当车辆正在被驾驶时且GPS数据流被不断压缩以识别RPOI时,GPS压缩器可被该方法应用。该方法可识别以压缩格式表示全部路线的RPOI序列而无需记录和/或保存全部GPS流。
在操作406,响应于GPS数据,该方法可识别位置(例如,使用KNN识别位置),并且如果新位置被识别出来,则使数据库准备存储新位置的信息。在一示例中,该方法可在点火开关接通或关闭期间未在数据库中存储的任何现存的位置中识别出来的车辆的位置来识别新位置。一旦新位置被识别,则该方法可使用当前行程向量来对一些位置属性(诸如,总的相对频率和/或停止持续时间)进行初始化。该方法可收集用于填入包括日期和时间的新位置信息的附加的参数。
在操作408,该方法可基于新位置数据来产生新位置模型。新位置模型由该方法通过累积与新位置相关的知识而被产生。例如,将与新位置有关的位置存储为目的地和/或路线。
在操作410,响应于GPS数据,该方法可使数据库准备存储新行程的信息。例如,该方法可收集与新行程关联的附加参数。
在操作412,该方法可基于新行程来修改位置模型。例如,该方法可通过添加和/或修改位置列表中的条目、位置转换信息以及路线信息来修改位置模型。
在操作414,响应于GPS数据,该方法可使数据库准备存储已知行程的信息。例如,已知行程的信息可包括已知起始位置、结束位置、行程向量、和/或它们的组合。在操作416,该方法可使数据库准备更新位置模型。例如,该方法可通过更新和/或修改位置列表、位置转换信息以及现存的行程(例如,位置A到位置B)的路线信息来更新位置模型。
在操作422,响应于包括新位置和/或新行程的GPS数据,该方法可创建新的路线候选。新的路线候选将新的条目设置到数据库中,以存储与新位置和/或新行程相关的信息。例如,路线与起始位置和结束位置是固定的行程进行关联,且该路线包括RPOI序列。新的路线候选在压缩的GPS流被认为不同于现存的路线候选至少特定阈值时而被产生,由该预测方法来识别所述压缩GPS流被认为不同于现存的路线候选至少特定阈值。所述特定阈值的信息可包括但不限于:起始位置、结束位置、日期、时间、半径数据和/或它们的组合。例如,中心和半径可定义位置或RPOI,这是因为每个GPS单元具有精度极限(例如,精度极限的范围可被从5米设置到100米以及在两者之间的任何地方),其中,在该范围内它认为位置是相同的。由于精度极限易被存储并且提供计算的便利,因此该方法可使用中心和半径的精度极限。
在操作430,该方法可输出新路线。例如,当新的候选路线被存储时,该方法可开始监测新的候选路线的使用,并将其与路线选择方案进行比较。
在操作418,响应于包括已知行程的GPS数据,该方法可估计与现存路线候选的相似度,并保存附加的数据和/或删除不相关的数据。例如,如果已知行程是包括起始位置A到结束位置B的行程向量,且附加的数据包括具有上午8:00的起始时间和上午8:25的结束时间的工作日(星期一至星期五),则该方法可在排除异常值数据的同时将附加的数据添加到数据库。使用相同的示例,附加的数据可示出位置A到位置B的行程向量总是在工作日的上午7:45到上午8:15之间开始。然而,如果存在一个示出了上午11:15的起始时间的数据点,则该数据可因为该数据点是异常值而被排除。
在操作420,该方法可基于附加的数据来验证已知行程具有一个或更多个偏离,使得新的路线条目可能被需要。例如,驾驶员可预先行驶相同的高速公路到工作地点,且如果下雪,则驾驶员将切换到本地主要路线,因为他知道这可能让他节省他行程期间的时间。该方法可通过估计RPOI向量来观测和分析这两条路线(常规高速公路路线和下雪本地路线)是否足够地不同。该方法可在系统中将两条路线存储为完全替换路线。
在操作424,该方法可基于已知行程的信息和更新的位置模型来更新RPOI。该方法通过中心和半径来定义RPOI。例如,该方法可在存储方面应用RPOI序列以小得多的足迹来有效地重建全部路线。RPOI可针对不同的路线被重新使用。在另一示例中,在驾驶员的家附近的RPOI可被重新应用于通向不同结束目的地的其它路线。
在操作426,该方法可基于相对频率来更新路线候选的使用。在操作428,该方法可用RPOI信息对数据库(路线池)进行编码。
在操作432,该方法可基于路线池来输出路线,使得驾驶员可响应于GPS数据和/或其它附加信息而具有用于采用的一个或更多个路线的选项。
图6示出了由预测学习方法产生的路线预测500。可使用一个或更多个处理器在VCS执行预测学习方法。预测学习方法可接收包括位置信息的GPS数据,以产生一个或更多个路线预测。路线预测可基于附加因素和/或信息,所述附加因素和/或信息包括但不限于:特定驾驶员502、一天中的时间504、一周中的日期506、起始位置508、和/或它们的组合。
路线预测500可基于驾驶员502、一天中的时间504、一周中的日期506以及起始位置508中的至少一个来产生若干最频繁的行程510。例如,基于一个或更多个因素,路线预测500可产生并输出三条潜在路线,所述三条潜在路线包括路线1514、路线2516和路线3518。该方法可确定起始位置508是家,并基于时间504和日期506来产生具有关联概率的以下路线:具有88.8%的概率的路线1514家到工作地点、具有5.9%的概率的路线2516家到孩子的学校、以及具有5.2%的概率的路线3518家到健身房。
该方法可产生输出消息,使得VCS可显示一个或更多个预测的路线(路线1514、路线2516和/或路线3518)。在一实施例中,该方法可仅输出基于概率的最佳三条路线,使得驾驶员可选择实际的预期路线。在另一实施例中,该方法可输出最高概率路线。
路线预测方法和系统启用更为稳健和有效的方式来预测驾驶员的预期行程,同时允许一个或更多个车辆计算系统提供与建筑、事故、交通、兴趣点和/或它们的组合相关的警告。在本专利申请中公开的路线预测方法和系统可排除不相关的数据,使得数据库可被存储在VCS,以向驾驶员提供对路线预测输出的改进处理。在数据库中存储的位置、行程和路线使该方法能够提供被维护的层次以及相关的信息,使得相关信息能够扩展概率性信息。该方法可在时间、日期和/或位置的背景下提供给定水平的细节,使得相关信息使包括删除不相关数据的数据管理成为可能。该方法使得数据能够自动地反映近期信息而无需记录详细数据。
虽然以上描述了示例性实施例,但这些实施例并不意在描述权利要求所包含的所有可能形式。说明书中所使用的词语是描述性词语而非限制性词语,并且应理解的是,可在不脱离本公开的精神和范围的情况下做出各种改变。如前所述,可将各种实施例的特征进行组合以形成本发明的可能未被明确描述或示出的进一步的实施例。尽管针对一个或更多个期望特性,各种实施例已经被描述为提供在其它实施例或者现有技术实施方式之上的优点或者优于其它实施例或者现有技术实施方式,但是本领域的普通技术人员应认识到,一个或更多个特征或特性可被折衷以实现依赖于特定应用和实现的期望的整体系统属性。这些属性可包括但不限于成本、强度、耐用性、生命周期成本、市场性、外观、包装、尺寸、可维护性、重量、可制造性、组装的容易性等。如此,被描述为在一个或更多个特性方面不如其它实施例或现有技术实施方式的实施例并非在本公开的范围之外,并可被期望用于特定应用。
Claims (5)
1.一种车辆,包括:
至少一个控制器,被配置为:响应于车辆的当前位置与识别的位置之间的匹配,检索与识别的位置对应的潜在目的地,每个潜在目的地具有基于车辆将行驶到潜在目的地的概率的排名,根据所述排名输出当前位置与潜在目的地中的至少一个潜在目的地之间的一个或更多个路线。
2.如权利要求1所述的车辆,其中,所述至少一个控制器还被配置为:响应于当前位置与识别的位置之间的不匹配,记录当前位置和相应的唯一位置ID。
3.如权利要求1所述的车辆,其中,所述至少一个控制器还被配置为:基于与识别的位置关联的匹配频率,删除识别的位置。
4.如权利要求1所述的车辆,其中,潜在目的地被存储在车辆上的与所述控制器通信的存储器中。
5.如权利要求1所述的车辆,其中,所述至少一个控制器还被配置为:产生从当前位置到所述至少一个潜在目的地的行程向量,并基于所述行程向量来更新所述一个或更多个路线。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/514,753 | 2014-10-15 | ||
US14/514,753 US20160109243A1 (en) | 2014-10-15 | 2014-10-15 | Suggestive mapping using relevance based drive information |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105528903A true CN105528903A (zh) | 2016-04-27 |
Family
ID=55638078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510666238.2A Withdrawn CN105528903A (zh) | 2014-10-15 | 2015-10-15 | 使用基于相关性的驾驶信息的建议导图 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20160109243A1 (zh) |
CN (1) | CN105528903A (zh) |
DE (1) | DE102015117029A1 (zh) |
MX (1) | MX354467B (zh) |
RU (1) | RU2015141839A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085748A (zh) * | 2016-02-16 | 2017-08-22 | 福特全球技术公司 | 预测性车辆任务调度 |
CN108074415A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的车辆目的地预测方法及系统 |
CN108074414A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的常走路径交通信息提醒方法及系统 |
CN109299403A (zh) * | 2018-08-29 | 2019-02-01 | 西安艾润物联网技术服务有限责任公司 | 信息推送方法及相关装置 |
CN110309974A (zh) * | 2019-06-28 | 2019-10-08 | 江苏满运软件科技有限公司 | 物流运输目的地预测方法、装置、电子设备、存储介质 |
CN111815391A (zh) * | 2019-04-10 | 2020-10-23 | 伟摩有限责任公司 | 用于自主车辆服务的高级行程规划 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101656806B1 (ko) * | 2014-11-17 | 2016-09-12 | 현대자동차주식회사 | 내비게이션 장치, 장소 입력 시스템 및 단말 장치를 이용한 내비게이션 장치에 대한 장소 입력 방법 |
US10048086B2 (en) | 2016-11-14 | 2018-08-14 | Qualcomm Incorporated | Systems and methods for trip planning |
DE102016225226B4 (de) | 2016-12-16 | 2022-03-24 | Volkswagen Aktiengesellschaft | Verfahren, Vorrichtung und Computerprogramm für ein Mobilgerät zum Reduzieren einer Störung zwischen einem ersten Mobilkommunikationssystem und einem zweiten Mobilkommunikationssystem |
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 |
EP3421315B1 (en) * | 2017-06-27 | 2020-04-15 | Tata Consultancy Services Limited | Systems and methods for authenticating drivers based on gps data |
EP3483557A1 (en) * | 2017-11-10 | 2019-05-15 | Bayerische Motoren Werke Aktiengesellschaft | Methods and apparatuses for predicting a destination of a user's current travel path |
US11493355B2 (en) * | 2019-05-14 | 2022-11-08 | Bayerische Motoren Werke Aktiengesellschaft | Adaptive live trip prediction solution |
-
2014
- 2014-10-15 US US14/514,753 patent/US20160109243A1/en not_active Abandoned
-
2015
- 2015-10-01 RU RU2015141839A patent/RU2015141839A/ru not_active Application Discontinuation
- 2015-10-07 DE DE102015117029.9A patent/DE102015117029A1/de not_active Withdrawn
- 2015-10-14 MX MX2015014456A patent/MX354467B/es active IP Right Grant
- 2015-10-15 CN CN201510666238.2A patent/CN105528903A/zh not_active Withdrawn
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085748A (zh) * | 2016-02-16 | 2017-08-22 | 福特全球技术公司 | 预测性车辆任务调度 |
CN107085748B (zh) * | 2016-02-16 | 2022-04-19 | 福特全球技术公司 | 预测性车辆任务调度 |
CN108074415A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的车辆目的地预测方法及系统 |
CN108074414A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的常走路径交通信息提醒方法及系统 |
CN108074415B (zh) * | 2017-12-19 | 2020-09-11 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的车辆目的地预测方法及系统 |
CN108074414B (zh) * | 2017-12-19 | 2020-09-11 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的常走路径交通信息提醒方法及系统 |
CN109299403A (zh) * | 2018-08-29 | 2019-02-01 | 西安艾润物联网技术服务有限责任公司 | 信息推送方法及相关装置 |
CN111815391A (zh) * | 2019-04-10 | 2020-10-23 | 伟摩有限责任公司 | 用于自主车辆服务的高级行程规划 |
US11835348B2 (en) | 2019-04-10 | 2023-12-05 | Waymo Llc | Advanced trip planning for autonomous vehicle services |
CN110309974A (zh) * | 2019-06-28 | 2019-10-08 | 江苏满运软件科技有限公司 | 物流运输目的地预测方法、装置、电子设备、存储介质 |
CN110309974B (zh) * | 2019-06-28 | 2022-08-09 | 江苏满运软件科技有限公司 | 物流运输目的地预测方法、装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
MX2015014456A (es) | 2016-04-14 |
RU2015141839A (ru) | 2017-04-06 |
MX354467B (es) | 2018-03-07 |
DE102015117029A1 (de) | 2016-04-21 |
US20160109243A1 (en) | 2016-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105528903A (zh) | 使用基于相关性的驾驶信息的建议导图 | |
US10639995B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
JP4495620B2 (ja) | 移動先予測装置および移動先予測方法 | |
CN102436469B (zh) | 地图信息传输、处理和更新 | |
JP6332287B2 (ja) | 経路予測装置および経路予測方法 | |
CN100350408C (zh) | 位置引导系统 | |
CN101839725B (zh) | 车辆通信系统 | |
CN105091890B (zh) | 用于推荐候选路径的方法和装置 | |
CN111127130B (zh) | 基于用户偏好的能源站点推荐方法、存储介质和电子设备 | |
CN105588574A (zh) | 用于避开目的地拥堵的方法和系统 | |
WO2004034725A1 (ja) | 情報取得方法、情報提供方法、および情報取得装置 | |
CN104380293A (zh) | 基于位置从地图历史提供关于相关元素的信息 | |
CN105389976A (zh) | 用于道路风险指数产生的方法和设备 | |
CN105678412A (zh) | 面向多人乘车的路线规划方法和装置 | |
CN112380448B (zh) | 车辆数据处理方法、装置、计算机设备和存储介质 | |
CN108073727A (zh) | 场所搜索的数据处理方法与装置 | |
CN103808326A (zh) | 导航方法和导航系统 | |
CN112665600A (zh) | 路径规划方法及装置、计算机可读存储介质及处理器 | |
CN105575210A (zh) | 用于预测性的驾驶模式学习和启用的方法和设备 | |
CN103294887A (zh) | 用于分析并优化燃料/能量消耗的方法和设备 | |
CN103542861B (zh) | 使用增强兴趣点到达指引的导航系统 | |
CN113253722B (zh) | 电动车充电路径规划方法、装置及系统 | |
CN105046996A (zh) | 用于预测的驾驶需求建模的方法和设备 | |
CN109631922A (zh) | 信息处理装置、信息处理方法和存储程序的非暂时性存储介质 | |
CN105321226A (zh) | 用于车辆数据采集和分析的方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20160427 |