CN106643775A - 基于大数据机器学习的导航方法及其导航系统 - Google Patents

Abstract

一种基于大数据机器学习的导航方法及其导航系统包括：在第一步骤(S1)中，采集车辆出行信息以构建包括海量所述出行信息的大数据库，其中，所述出行信息包括起点、终点和行车路径；在第二步骤(S2)中，输入搜索条件在所述大数据库中直接使用大数据训练进行机器学习以获得导航路线，所述搜索条件为起点和终点。

Description

基于大数据机器学习的导航方法及其导航系统

技术领域

本发明属于导航领域，特别是涉及一种基于大数据机器学习的导航方法及其导航系统。

背景技术

现在的导航技术，基本是基于对历史数据的统计，或者是基于对某些有效数据的学习，来将道路交通网根据节点(各种交叉路口或者影响行车的关键性地貌如转盘、特殊行车点等)、路径(车道宽窄、拥堵等情况)、行车方向(双向、单向、定时限向等)等要素，划分成有逻辑内在的矢量地图数据。然后根据用户提出的起点与终点的数据，按照预设的时间最短、路径最短、红绿灯最少等不同规则，计算出一条符合用户需要的线路。

然后这种方式的问题在于，将实际路况读入后，需要经过建模和逻辑推演转换成数字模型，然后利用数字模型计算，并给出最终结果。在具体数据采集和路径计算过程中，依据其建模准确性、公式选用等因素，具体导航路线的设计和灵活性等，不能保证。这也造成了不同的导航软件都声称自己具备最优的算法或者具有最权威的交通数据。但是在实际应用中，导航软件往往仅适于陌生目标地的查询和找路，对于一些路况熟悉的老司机而言，总是能找到比导航软件更优化的路线。

原因也是显而易见的，总有一些导航软件无法预见的意外因素是没法统计在导航软件内的，比如某些地点的周期性拥堵(学校放学、医院排号、人流量大小区的周期性拥堵)，甚至有些因素是计算机无法理解和难以采集的。比如某些路段因为难于监管原因长期存在干扰道路畅通的黑车或者路边摊贩，再如某些地段因为属于大学集中地，有大量步行人群影响路况等。

专利文献CN105675002A公开的一种面向非同等优先级的多途经点导航路线规划方法包含以下步骤：步骤1、任务初始化：任务调度中心向导航用户终端发送模型系数设定方案，并分配非同等优先级的多途经点的多重导航任务，其中所述多途经点个数为n，当导航用户终端选择接受该任务时，将该任务中的途经点与用户终端已有任务中的途经点共同组成新的当前任务，则该当前任务下共有n！条备选路线；其中n！表示n的全排列；步骤2、计算导航模型权重：所述导航模型为面向非同等优先级的多途经点的多点模型；步骤3、路线规划：用户终端的地图导航系统提供任意两个途经点间的分路段距离和分路段耗时，自动根据上述模型及设置的权重计算全部备选路线的权重值，并按权重值由大到小进行排序，将权重值最大的规划路线设为第一优选路线；步骤4、输出规划结果并导航：将全部备选路线的权重值输出给UI交互模块，用户可选择默认接受第一优选路线或自主选择其他优选路线，并根据选择结果开始导航。该专利建立了面向非同等优先级的多途经点道路导航规划算法模型，可解决多任务多目的地外卖/生鲜配送服务，但该专利无法不受实时路况数据的限制，给出参考线路，对于网络资源流量和数据计算的依赖较大，采用建模、计算的方式，增加数据转换的次数，增加了不确定性，降低了原始数据的利用率,且由于建模忽略了很多因素，特别是一些意外因素和无法采集或规律化的因素，导航路线规划上具有准确性天花板。

专利文献CN103968853 A公开的一种用于为驾驶员导航提供调整性引导的方法包括：记录由车辆中的导航系统检测到的导航误差的导航误差数据；分析导航误差数据来检测导航误差中的模式；以及提供调整性驾驶员导航引导，其中基于导航误差中的模式来做出引导的调整。该专利可通过记录和分析过去的导航误差，来调整性地改进向驾驶员提供的导航引导，但该专利无法不受实时路况数据的限制，给出参考线路,对于网络资源流量和数据计算的依赖较大；该专利虽然采用误差数据进行修正，但其并没有急于海量的数据来确定最佳导航路线规划，只是在原来建模方式产生的导航路线上进行修正，其导航路线离最佳导航路线仍具有显著的差距。

综上所述，现有的导航方法中，基本也是基于对历史交通数据的统计，然后得到关于道路信息、历史行车信息的统计规律，但是传统导航方法为了解决从任一点到任一点的导航线路计算，必须将上述信息按照构建地图的逻辑规则，将线路转化为节点之间的线段。然后分别计算每个线段所需要消耗的行车时间。从而将从某一点到另一点的行车路线，先按照合理并且尽可能全面的方式来计算所有可能的行车路线，然后通过比较这些所有行车路线中，在每一段路程上可能消耗的时间，并求出总时间。基于总时间的多少，来向用户推荐最佳路线。常见的推荐标准，比如可以是时间最省、路程最短、红绿灯最少等等。

参考机器翻译的发展历史可知，最早人们认为用机器来完成翻译任务的最直接的解决方式，就是训练机器学会理解人的一种语言，然后借助机器永不疲倦的工作能力，从一种语言出发，学会所有语言，最终让机器作为中介完成不同语种的互译。通俗的说，机器就好像是一个同传翻译，只是这个同传翻译现在的情况，词汇量是无限的，但是理解能力始终有问题。然而后来，谷歌翻译充分利用网络时代产生的大数据，提出了一种新的思路，就是机器完全不需要读懂和理解人的语言，机器作为一个翻译者，只要知道A语言应该对应B语言即可，换句话说，机器这个翻译者其实不是一个同传翻译，他虽然把一种语言变成了另一种语言，但是其实他也不知道这两句话到底什么意思，他只是通过大量数据量的训练得知，就应该这么转换。由于可参考数据量的足够多，谷歌翻译采用机器翻译的这种思路所实现的翻译效果，开始逐渐明显超越了原有，基于自然语言的翻译方案。换句话说，让机器按照机器的思路去解决问题，不要强求机器按照人的想法去思考问题，从而解放了机器的信息处理能力，充分发挥了机器的信息处理特点。这就是基于数据驱动的应用方式，并且也成为了当前人工智能的发展热点。

具体到导航路线规划而言，本申请发明人注意到，由于导航软件等出行数据积累了十几年，特别是一些城区的车辆出行信息已经积聚了海量的数据。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

本申请人注意到上述问题，现有关于本发明所要解决的技术问题，其具体需求如下：

1.能够不受实时路况数据的限制，给出参考线路

传统导航软件，需要依据路况实时计算推荐给用户的路线，因此对于网络资源流量和数据计算的依赖较大。本发明提出的一种导航方法，由于其通过长期机器学习来提升导航路线规划的精度，所以某一天的实时路况数据并不是必须的，该方法完全可以通过闲时来跑导航数据库，在用户网络流量不充裕或者要求比较急的时候，基于已有大数据来推荐路线即可，无需依赖实时数据流量。

2.能够摆脱对于机器计算线路，采样不全导致精度不高的缺陷，充分利用历史行车路线，提供意想不到的线路

传统导航软件的线路计算，采用建模、计算的方式，增加数据转换的次数，增加了不确定性，降低了原始数据的利用率。本申请方法，仅根据实际行车路线的出行数据来确定最佳路线，充分利用了已完成的行车数据，能够通过大规模数据洗练，得到理论上的最佳行车路线。

本发明的目的是通过以下技术方案予以实现。

根据本发明的一方面，一种基于大数据机器学习的导航方法包括以下步骤：

在第一步骤中，采集车辆出行信息以构建包括海量所述出行信息的大数据库，其中，所述出行信息包括起点和终点。

在第二步骤中，输入搜索条件在所述大数据库中直接使用大数据训练进行机器学习以获得导航路线，所述搜索条件为起点和终点。

本发明的导航方法不同于现有技术中采用建模方式来实现导航路线规划，而是采用大数据机器学习，充分利用海量的原始出行信息，提高了原始数据的利用率，从根本上解决了建模带有的路线规划精确性下降的问题，通过机器学习获得最佳导航路线。

优选地，在第一步骤中，采集车辆出行信息以构建包括海量所述出行信息的大数据库，其中，所述出行信息包括起点、终点、行车路径、行车发生时间和行车总用时间。

优选地，在第二步骤中，输入搜索条件在所述大数据库中直接使用大数据训练进行机器学习以获得导航路线，所述搜索条件为起点、终点和行车发生时间。

优选地，在第二步骤中，当搜索条件中的起点和终点没有在出行信息中，在出行信息中选择离起点最近的位置作为搜索条件中的起点，选择离终点最近的位置作为搜索条件中的终点；当搜索条件中的行车发生时间没有在出行信息中，选择最接近的时间作为搜索条件中的行车发生时间。

优选地，在第一步骤中，所述行车路径包括行车经过的位置数据以及相应消耗的时间数据。

优选地，在第二步骤中，对行车路径进行大数据训练迭代优化以修正所述导航路线，所述大数据库优化包括错误数据和/或过期数据排除筛查的数据优化。例如，过期数据包括由于交通设施变化引起的数据失真。

优选地，在第二步骤中，所述导航方法在脱离网络提供的实时路况信息的情况下进行机器学习以获得导航路线。

优选地，在第一步骤中，所述大数据库实时更新或定时更新。

优选地，在第一步骤中，通过采集电子地图导航软件的出行数据以采集和累积车辆出行信息。

优选地，在第二步骤中，所述搜索条件包括最短时间和最短路程，在所述大数据库中进行机器学习以获得最短时间或最短路程的导航路线。

优选地，在第二步骤中，所述大数据库包括错误数据和/或过期数据排除筛查的数据优化，其中过期数据包括由于交通设施变化引起的数据失真。

根据本发明的另一方面，一种实施所述的基于大数据机器学习的导航方法的导航系统包括采集车辆出行信息的数据采集模块、连接所述数据采集模块的大数据库、连接所述大数据库的机器学习模块、用于输入信息的输入模块和用于显示信息的显示界面，其中，机器学习模块包括搜索单元和数据处理单元。

本申请的优势在于：由于本发明是依赖于历史数据中，海量出行信息的选优，直接利用的是所有人中，那些可能通过逻辑分析、机遇、经验等方式得到的最佳路线，因此本发明的导航效果显著高于比通过数据建模，电子推算等较为呆板的方式且天然带有缺陷的方式，如忽略了无法规律化的影响因素等的导航效果，且本发明的导航效果将随着系统的不断运行而不断趋于完善。

上述说明仅是本发明技术方案的概述，为了能够使得本发明的技术手段更加清楚明白，达到本领域技术人员可依照说明书的内容予以实施的程度，并且为了能够让本发明的上述和其它目的、特征和优点能够更明显易懂，下面以本发明的具体实施方式进行举例说明。

附图说明

通过学习下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。

在附图中：

图1是根据本发明一个实施例的基于大数据机器学习的导航方法的步骤示意图；

图2是根据本发明一个实施例的实施基于大数据机器学习的导航方法的导航系统的结构示意图。

以下结合附图和实施例对本发明作进一步的解释。

具体实施方式

下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。

图1为本发明的一个实施例的基于大数据机器学习的导航方法的步骤示意图，本发明实施例将结合图1进行具体说明。基于大数据机器学习的导航方法包括以下步骤：

在第一步骤S1中，采集车辆出行信息以构建包括海量所述出行信息的大数据库，其中，所述出行信息包括起点、终点、行车路径、行车发生时间和行车总用时间。

在第二步骤S2中，输入搜索条件在所述大数据库中直接使用大数据训练进行机器学习以获得导航路线，所述搜索条件为起点、终点和行车发生时间。

本发明的导航方法的核心在于并非是将历史出行信息转化成地图逻辑之下的节点之间线段的运算模型，而是直接基于历史出行信息来获得最佳行车路线。

本发明的导航方法基于电子地图导航方案的大面积推广。由于电子地图导航的行车方式，随着私家车的出现而被广泛应用。原来老司机依靠记忆力和打听的方式去找到目的地的方式，渐渐被逐渐出现的个性化驾车需求和不受束缚的行车路线选择等方式所替代。在交通需求转变到上述特点的初始阶段，电子地图导航开始成为了一种重要的便利需求，为大量司机提供了方便。基于这种需求，电子地图导航的设计模式就形成了如上所述的传统导航模型和计算方法。但是本发明申请人注意到，电子地图导航的应用，实际上还推动了一项重要的数据积累，那就是形成了海量的出行数据。这个出行数据理论上包括了从任意地点到任意地点的出行数据。

以北京为例来说明：

电子地图导航的初期阶段，电子地图的设计需要首先将整个北京地图转换成数字逻辑关系下的地图，并且定时更新其中所有数据。此时北京的所有实际交通路线，变成不同交通节点之间的分支路线。某个司机从西直门开车到东直门的路线，可能就是一条经过8个节点(路口)的7条分支路线的集合。然而，作为电子地图导航设计的模型设计和计算来说，就是基于上述西直门这个节点和东直门这个节点为基础，来计算这两个节点之间经过多少节点就能够联通，事实上，由于节点(路口)的分布复杂性和多样性，这种联通的方案是有众多种方案的。传统模型可以按照适当调减对这些方案进行初筛之后，对剩下得到的方案中，遍历所有分支路线需要的时间进行预测和汇总，从而得出多条供选择的线路，并且还能预测这些线路的总时长，或者这些线路的其他特点。

所以，这种方法的特点是，即使从来没有人从西直门开到东直门过，导航系统也能计算出一条较为合理的线路，并将其提供给用户。

这种导航方法的优点是逻辑上比较完善，无论何种情况下都能给用户提供较为合理的选择。

但是这种导航方法并不一定能够提供最优选择。原因在于，这种导航方法中，需要将历史交通数据先通过建模方式转换为数据模型，这种转换必然导致一些实际信息的丢失和损耗。仍以北京这个地点为例，传统导航方法的数据转换中，很可能就不能采集到某个小区周边的主要道路，因为小区出入口设置不合理，导致该道路出现周期性的拥堵；再如某些道路因为占道摊贩的长期周期性出现，导致的交通不畅等；甚至某些原始地图数据中未采集到的捷径或者小道。

本发明的导航方法与传统导航方法完全不同，同样是基于电子地图数据。但是不再另行做节点和分支路线的分析。考虑到随着出行者使用电子地图导航的情况越来越常见，事实上传统电子地图导航软件中，已经采集了足够数量的出行数据。换句话说，理论上对于交通繁忙的城市而言，99％以上从A点到B点的出行数据都有现成的积累。

换句话说，今天一个用户提出了一个导航需求是从西直门到东直门的时候，系统后台可能已经有十几万条历史数据都是从西直门到东直门的实际行车历史数据，这些历史数据中已经包括了行车总用时间，行车路径、行车发生时间等主要信息。那么系统再向用户反馈提供一条合适的线路，比如提供一条用时最短的线路，完全不需要重新去计算一条线路，而是选择一条总用时最短、当日内发生时间最为接近、总时间上较为接近的路线提供给用户，即可作为导航路线。

具体来说，当用户甲在今天下午两点时提出了从西直门到东直门的行车导航需求的时候，系统只需要读取历史数据库，进行匹配，就能发现，在三天前的几乎同一时间，另一用户乙同样从西直门到东直门的行车，仅同时23分钟，并且在此期间，该行车线路并未出现临时限行、道路整修等特殊突发情况。那么用户甲只需要重复按照用户乙的行车路线行驶，就很可能是用时最短的行车路线。

本发明优选的实施方式中，在第二步骤S2中，当搜索条件中的起点和终点没有在出行信息中，在出行信息中选择离起点最近的位置作为搜索条件中的起点，选择离终点最近的位置作为搜索条件中的终点；当搜索条件中的行车发生时间没有在出行信息中，选择最接近的时间作为搜索条件中的行车发生时间。

在上述实施例下，即使某用户甲提出了一种导航需求，是从A点到B点，但是极小概率下，系统中不存在正好也是从A点到B点的行车路线，系统也只需要选择与A、B点最接近的C、D点作为替代线路即可。换句话说，系统只需要将C点(与A点非常接近)到D点(与B点非常接近)的最佳路线呈现给用户即可。

本发明优选的实施方式中，在第一步骤S1中，所述行车路径包括行车经过的位置数据以及相应消耗的时间数据。进一步地，大数据库可以采集包括行车经过的位置数据以及相应消耗的时间数据的行车路径，也即是说，可以对行车路径的划分成多个段，每一段也可以是一种新的起点到终点的路线。

本发明优选的实施方式中，在第二步骤S2中，对行车路径进行大数据训练迭代优化以修正所述导航路线。通过大数据机器学习可以对每一段的路线进行海量训练以迭代优化以修正所述导航路线。

本发明优选的实施方式中，在第二步骤S2中，所述导航方法在脱离网络提供的实时路况信息的情况下进行机器学习以获得导航路线。

本发明优选的实施方式中，在第一步骤S1中，所述大数据库实时更新或定时更新。本发明的导航路线的提供不依赖于实时路况，因此在脱离网络提供的实时路况信息的情况下，也能提供有价值的导航线路。

并且，由于是基于大数据实施的最佳线路积累和优化，缺失当前两三天的路线数据，并不会影响到整个导航方法的基本效果。所以本发明的导航方法，也可以采用数据库定时更新的方式来降低系统资源消耗。比如本发明的导航方法的电子地图系统可以选择在深夜或者闲时来下载最近一段时间(一天、三天、一周、一个月等时间周期)的历史交通数据，从而不断完善和更新系统的导航效果。

本发明优选的实施方式中，在第一步骤S1中，通过采集电子地图导航软件的出行数据以采集和累积车辆出行信息。但不仅限于此，本发明还可以通过采集互联网的出行数据以累计车辆出行信息的数据量，例如，百度地图或实时导航网站等的出行信息。

本发明优选的实施方式中，在第二步骤S2中，所述搜索条件包括最短时间和最短路程，在所述大数据库中进行机器学习以获得最短时间或最短路程的导航路线。导航路线可以是最节约时间的路线规划，也可以是最省油的最短路线规划，进一步地，还可以是途经某一个或多个位置的路线规划。

本发明优选的实施方式中，在第二步骤S2中，所述大数据库包括错误数据和/或过期数据排除筛查的数据优化，其中过期数据包括由于交通设施变化引起的数据失真。本发明的方法通过这些数据优化处理，能够进一步提高本发明的最佳导航路线规划的准确性。

图2是根据本发明一个实施例的实施基于大数据机器学习的导航方法的导航系统的结构示意图，一种实施所述的基于大数据机器学习的导航方法的导航系统包括采集车辆出行信息的数据采集模块1、连接所述数据采集模块1的大数据库2、连接所述大数据库2的机器学习模块3、用于输入信息的输入模块5和用于显示信息的显示界面4，其中，机器学习模块3包括搜索单元6和数据处理单元7。进一步地，所述显示界面4为基于电子地图的导航界面。

由于本发明的导航系统是依赖于历史数据中，海量交通数据的选优，直接利用的是所有人中，那些可能通过逻辑分析、机遇、经验等方式得到的最佳路线，因此本发明的导航系统，才有可能拿到比通过数据建模，电子推算等较为呆板的方式所无法得到的最多可能的线路设计，其导航效果，将随着系统的不断运行，不断趋于完善。

在一个实施例中，数据处理单元6可以是通用处理器、数字信号处理器、专用集成电路ASIC，现场可编程门阵列FPGA、模拟电路或数字电路。

在一个实施例中，导航系统包括存储器，其可以是易失性存储器或非易失性存储器。存储器可以包括一个或多个只读存储器ROM、随机存取存储器RAM、快闪存储器、电子可擦除可编程只读存储器EEPROM或其它类型的存储器。

尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims (10)

1.一种基于大数据机器学习的导航方法，其包括以下步骤：

在第一步骤(S1)中，采集车辆出行信息以构建包括海量所述出行信息的大数据库，其中，所述出行信息包括起点、终点和行车路径；

在第二步骤(S2)中，输入搜索条件在所述大数据库中直接使用大数据训练进行机器学习以获得导航路线，所述搜索条件为起点和终点。

2.根据权利要求1所述的基于大数据机器学习的导航方法，其特征在于：

在第一步骤(S1)中，采所述出行信息包括起点、终点行车路径、行车发生时间和行车总用时间；

在第二步骤(S2)中所述搜索条件为起点、终点和行车发生时间。

3.根据权利要求2所述的基于大数据机器学习的导航方法，其特征在于：

在第二步骤(S2)中，当搜索条件中的起点和终点没有在出行信息中，在出行信息中选择离起点最近的位置作为搜索条件中的起点，选择离终点最近的位置作为搜索条件中的终点；当搜索条件中的行车发生时间没有在出行信息中，选择最接近的时间作为搜索条件中的行车发生时间。

4.根据权利要求1所述的基于大数据机器学习的导航方法，其特征在于：

在第一步骤(S1)中，所述行车路径包括行车经过的位置数据以及相应消耗的时间数据。

5.根据权利要求4所述的基于大数据机器学习的导航方法，其特征在于：

在第二步骤(S2)中，所述大数据库优化包括错误数据和/或过期数据排除筛查的数据优化。

6.根据权利要求1所述的基于大数据机器学习的导航方法，其特征在于：

在第二步骤(S2)中，所述导航方法在脱离网络提供的实时路况信息的情况下进行机器学习以获得导航路线。

7.根据权利要求1所述的基于大数据机器学习的导航方法，其特征在于：

在第一步骤(S1)中，所述大数据库实时更新或定时更新。

8.根据权利要求1所述的基于大数据机器学习的导航方法，其特征在于：

在第一步骤(S1)中，通过采集电子地图导航软件的出行数据以采集和累积车辆出行信息。

9.根据权利要求1所述的基于大数据机器学习的导航方法，其特征在于：

在第二步骤(S2)中，所述搜索条件包括最短时间和最短路程，在所述大数据库中进行机器学习以获得最短时间或最短路程的导航路线。

10.一种实施根据权利要求1-9中任一项所述的基于大数据机器学习的导航方法的导航系统，所述导航系统包括采集车辆出行信息的数据采集模块(1)、连接所述数据采集模块(1)的大数据库(2)、连接所述大数据库(2)的机器学习模块(3)、用于输入信息的输入模块(5)和用于显示信息的显示界面(4)，其中，机器学习模块(3)包括搜索单元(6)和数据处理单元(7)。