CN106716067A - 个性化旅行规划和引导系统 - Google Patents
个性化旅行规划和引导系统 Download PDFInfo
- Publication number
- CN106716067A CN106716067A CN201680001413.9A CN201680001413A CN106716067A CN 106716067 A CN106716067 A CN 106716067A CN 201680001413 A CN201680001413 A CN 201680001413A CN 106716067 A CN106716067 A CN 106716067A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- vehicle
- curve
- deceleration
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000006399 behavior Effects 0.000 claims description 35
- 230000002045 lasting effect Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000013480 data collection Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了用于向使用者提供个性化的旅行规划和引导的系统和方法。所述系统可以基于多个输入预测使用者的旅行行为。所述系统可以识别路线上与所述使用者的旅行行为匹配的旅游胜地。所述系统可以将所述旅游胜地集群到不同集群中。所述系统可以计算与每个集群相关联的一或多个旅游胜地的最短路径和预定持续时间。所述系统可以将路线和时间表作为旅行日程显示在使用者的显示装置上。所述系统可以预测车辆的减速度,并且如果减速度值超出预定义阈值则向使用者提供警告。所述系统可以进一步计算在进入路线上的曲线时让车辆减速的安全最优距离,并且如果车辆位置在安全最优距离内则向使用者提供另一警告。
Description
相关申请的交叉参考和优先权
本申请要求日期为2015年8月2日的第62/200,111号美国临时专利申请的优先权,其作为参考并入本文中。
技术领域
本文所述的主题总体上涉及一种向使用者提供个性化的旅行规划和引导的系统和方法。
背景技术
随着因特网技术的出现,从常规的旅行规划到得到各种因特网网站、旅行门户、在线旅行社等等帮助的更高级的旅行规划方案有巨大的变化。虽然这样的在线机构减轻了旅行规划任务,但是规划旅行的个人仍然会遇到大量难题。举例来说,个人必须从特定旅行路线上的可参观的大量观光场所/景点中选择适当的观光场所/景点。此外,个人必须有效地规划旅行以在个人规划的总旅行持续时间内涵盖所选择的每个观光场所/景点。此外,可供个人使用的关于各种观光场所/景点的引导信息极少或者没有。此外,现有机构无法提供将便于在规划的总旅行持续时间内访问所有观光场所/景点的适当的路线路径以供选择用于在旅行路线上旅行。
另外,即使个人使用他/她拥有的任何信息规划旅行,但是,在例如恶劣天气、交通高峰、事故和假期等未预见到的环境的情况下,个人可能必须取消旅行计划,或者至少避免访问这些位置,因此会影响个人规划的整体旅行。因此,现有的旅行规划过程是错误的、麻烦的并且费时的。此外,在现有技术中,没有一种机构能在道路/路线上旅行时提供实时的安全驾驶辅助,以便避免交通拥挤的区域、避免车辆碰撞和道路/路线上的事故。
发明内容
提供本发明内容是为了介绍用于向使用者提供个性化的旅行规划和引导的系统和方法的相关概念,并且下面将在具体实施方式中进一步描述这些概念。本发明内容并不意图指出所要求的主题的基本特征,也并不意图用于确定或限制所要求的主题的范围。
在一个实施方案中,公开了一种用于向使用者提供个性化的旅行规划和引导的方法。所述方法包括:通过处理器采集使用者的输入、使用者的个人数据和使用者的社交网络数据,其中所述使用者的输入包括至少旅行目的地和旅行持续时间;通过所述处理器分析所述使用者的输入、所述使用者的个人数据和所述使用者的社交网络数据以便预测使用者的旅行行为;通过所述处理器从旅行路线上的多个旅游胜地中识别一组与所述使用者的旅行行为匹配的旅游胜地;通过所述处理器基于每个旅游胜地的位置信息将所述一组旅游胜地集群到多个集群中;通过所述处理器计算用于与每个集群相关联的一或多个旅游胜地的最短路径和预定持续时间;以及通过所述处理器,基于为与每个集群相关联的所述一或多个旅游胜地计算的所述最短路径和所述预定持续时间,确定对应于所述旅行持续时间的至少一个子持续时间的旅行日程,其中所述旅行日程进一步显示在所述使用者的显示装置上。
在一个实施例中,所述方法可以进一步包括预测在所述旅行路线上的将来时间与所述使用者相关联的车辆的减速度,并且如果所述减速度超出预定义减速度阈值,则用所述显示装置上的警告通知所述使用者。
在一个方面,通过下面的方式预测所述车辆的减速度:通过处理器使用至少历史地图数据、历史车辆数据、历史天气数据、历史时间数据和历史位置数据训练预测模型;通过所述处理器基于所述预测模型的训练产生一或多个特征;以及通过所述处理器基于实时数据和所述一或多个特征计算,其中所述实时数据包括至少地图数据、车辆数据、天气数据、时间数据和位置数据。
在一个实施例中,所述方法可以进一步包括计算所述车辆的用于进入所述旅行路线上的曲线的最优速度,其中通过下面的方式计算所述最优速度:通过所述处理器采集旅行路线信息、天气信息、摩擦力和所述旅行路线的位置的超高速率,其中所述旅行路线信息包括所述曲线的形状点;通过所述处理器基于曲线的形状点确定对应于所述曲线的最佳拟合圆的半径,其中使用圆拟合技术识别所述最佳拟合圆;以及通过所述处理器基于所述半径、所述超高速率和横向摩擦力计算进入所述曲线的最优速度。所述方法可以包括当所述车辆的当前速度大于所述最优速度时,通过所述处理器检验所述车辆是否在用于进入下一个曲线的安全最佳减速距离内,并且其中基于所述车辆的当前速度、最优速度和最优减速速率计算所述安全最佳距离。进一步,所述方法可以包括如果所述车辆的所述当前位置在所述最优距离内,则用所述显示装置上的超速警告通知所述使用者。
在另一实施方案中,公开了一种用于向使用者提供个性化的旅行规划和引导的系统。所述系统包括:处理器;以及存储器,其耦合到所述处理器,其中所述处理器被配置成执行存储于所述存储器中的编程指令以便采集使用者的输入、使用者的个人数据和使用者的社交网络数据,其中所述使用者的输入包括至少旅行目的地和旅行持续时间;分析所述使用者的输入、所述使用者的个人数据和所述使用者的社交网络数据以便预测使用者的旅行行为;从旅行路线上的多个旅游胜地中识别与所述使用者的旅行行为匹配的一组旅游胜地;基于每个旅游胜地的位置信息将所述一组旅游胜地集群到多个集群中;为与每个集群相关联的一或多个旅游胜地计算最短路径和预定持续时间;以及基于为与每个集群相关联的所述一或多个旅游胜地计算的所述最短路径和所述预定持续时间确定对应于所述旅行持续时间的至少一个子持续时间的旅行日程,其中所述旅行日程进一步显示于所述使用者的显示装置上。
在一个实施例中,所述处理器可以进一步执行编程指令以便预测所述旅行路线上的将来时间的所述车辆的减速度,并且如果所述减速度超出预定义减速度阈值则用所述显示装置上的警告通知所述使用者。在一个方面,通过下面的方式预测所述车辆的所述减速度:使用至少历史地图数据、历史车辆数据、历史天气数据、历史时间数据和历史位置数据训练预测模型;基于所述预测模型的所述训练产生一或多个特征;以及基于实时数据和所述一或多个特征计算所述车辆的所述减速度,其中所述实时数据包括至少地图数据、车辆数据、天气数据、时间数据和位置数据。
在另一实施例中,所述处理器可以进一步执行编程指令以便计算所述车辆进入所述旅行路线上的曲线的最优速度,其中通过下面的方式计算所述最优速度:采集旅行路线信息、天气信息、摩擦力和所述旅行路线的位置的超高速率,其中所述旅行路线信息包括所述曲线的形状点;基于曲线的形状点确定对应于所述曲线的最佳拟合圆的半径,其中使用圆拟合技术识别所述最佳拟合圆;以及基于所述半径、所述超高速率和横向摩擦力计算进入所述曲线的最优速度。当所述车辆的当前速度大于所述最优速度时,所述处理器可以进一步执行编程指令以便检验所述车辆是否在用于进入下一条曲线的安全最佳减速距离内。在一个方面,基于所述车辆的当前速度、最优速度和最优减速速率计算所述安全最佳距离。进一步的,如果所述车辆的当前位置在所述最优距离内,所述处理器可以进一步执行编程指令以便用所述显示装置上的超速警告通知所述使用者。
在又一实施方案中,公开了一种非暂时性计算机可读媒体,其存储用于向使用者提供个性化的旅行规划和引导的程序。所述程序包括:用于采集使用者的输入、使用者的个人数据和使用者的社交网络数据的程序代码,其中所述使用者的输入包括至少旅行目的地和旅行持续时间;用于分析所述使用者的输入、所述使用者的个人数据和所述使用者的社交网络数据以便预测使用者的旅行行为的程序代码;用于从旅行路线上的多个旅游胜地中识别一组与所述使用者的旅行行为匹配的旅游胜地的程序代码;用于基于每个旅游胜地的位置信息将所述一组旅游胜地集群到多个集群中的程序代码;用于计算与每个集群相关联的一或多个旅游胜地的最短路径和预定持续时间的程序代码;以及用于基于为与每个集群相关联的所述一或多个旅游胜地计算的所述最短路径和所述预定持续时间确定对应于所述旅行持续时间的至少一个子持续时间的旅行日程的程序代码,其中所述旅行日程进一步显示于所述使用者的显示装置上。
在一实施例中,所述程序可以进一步包括用于预测所述旅行路线上的将来时间的所述车辆的减速度,并且如果所述减速度超出预定义减速度阈值则用所述显示装置上的警告通知所述使用者的程序代码。在一个方面,通过下面的方式预测所述车辆的所述减速度:使用至少历史地图数据、历史车辆数据、历史天气数据、历史时间数据和历史位置数据训练预测模型;基于所述预测模型的所述训练产生一或多个特征;以及基于实时数据和所述一或多个特征计算所述车辆的所述减速度,其中所述实时数据包括至少地图数据、车辆数据、天气数据、时间数据和位置数据。
在另一实施例中,所述程序可以进一步包括用于计算所述车辆进入所述旅行路线上的曲线的最优速度的程序代码,其中通过下面的方式计算所述最优速度:采集旅行路线信息、天气信息、摩擦力和所述旅行路线的位置的超高速率,其中所述旅行路线信息包括所述曲线的形状点;基于曲线的形状点确定对应于所述曲线的最佳拟合圆的半径,其中使用圆拟合技术识别所述最佳拟合圆;以及基于所述半径、所述超高速率和横向摩擦力计算进入所述曲线的最优速度。所述程序可以进一步包括当所述车辆的当前速度大于所述最优速度时,检验所述车辆是否在用于进入下一条曲线的安全最佳减速距离内的程序代码。在一个方面,基于所述车辆的当前速度、最优速度和最优减速速率计算所述安全最佳距离。进一步的,所述程序可以进一步包括用于如果所述车辆的当前位置在所述最优距离内,则用所述显示装置上的超速警告通知所述使用者的程序代码。
附图说明
参考附图描述具体实施方式。在图式中,参考标号最左边的数字表示该参考标号首先出现的图式。各图中使用相同标号指代相同特征及组件。
图1示出根据本发明的实施例的用于向使用者提供个性化的旅行规划和引导的系统102的网络实施方案100。
图2示出根据本发明的实施例的系统102。
图3A和图3B示出根据本发明的实施例的便于从使用者采集一或多个输入的使用者的显示装置的用户接口。
图4示出根据本发明的实施例的典型神经网络层。
图5示出根据本发明的实施例的显示用于旅行路线中的一或多个集群的最短路径的显示装置的用户接口。
图6示出描绘根据本发明的实施例的用于向使用者提供个性化的旅行规划的系统102所执行的步骤的流程图600。
图7示出根据本发明的实施例的在车辆中的系统102的实施方案。
图8示出根据本发明的实施例的展现车辆减速的基于时间系列的预测的图表。
图9示出描绘根据本发明的实施例的用于预测车辆减速并且因此避免车辆碰撞的系统102执行的步骤的流程图900。
图10示出描绘根据本发明的实施例的实现车辆减速的预测的基于时间系列数据的预测建模的流程图1000。
图11示出描绘根据本发明的实施例的用于预测车辆的曲线速度并且因此产生对于使用者的曲线速度警告的系统102所执行的步骤的流程图1100。
图12示出根据本发明的实施例的用于确定旅行路线上的曲线的最佳拟合圆的圆拟合技术。
具体实施方式
贯穿本说明书提及的“各种实施例”、“一些实施例”、“一个实施例”或“实施例”意味着结合实施例所描述的特定特征、结构或特性包含在至少一个实施例中。因此,贯穿本说明书在不同的地方出现的短语“在各种实施例中”、“在一些实施例中”、“在一个实施例中”或“在实施例中”未必全部是指同一个实施例。此外,在一个或多个实施例中,特定特征、结构或特性可以任何合适方式组合。
描述用于向使用者提供个性化的旅行规划和引导的系统和方法。根据本发明的各方面,可以基于使用者的旅行行为/简档或旅行偏好为使用者产生旅行日程或旅行规划。可以使用监督机器学习技术预测使用者的旅行偏好。监督机器学习技术可以分析使用者的个人数据和社交网络数据以及调查数据以预测旅行偏好。旅行日程或旅行规划包括适合使用者的旅行风格的活动和观光场所/旅游胜地。在本发明的某些方面中,可以利用旅游胜地的位置以及旅游胜地的类别来规划根据旅行的距离和使用者的偏好优化的旅程。
在生成旅行规划之后,可以向使用者提供关于旅行/旅程路线中的每个旅游胜地的引导信息。举例来说,当使用者到达一个旅游胜地位置时,向使用者提供基于与所述旅游胜地相关的实时旅行信息的建议和/或通知。旅行日程或旅行规划可以是自适应的,因此可以基于例如天气、交通、事件、假期、事故等等实时因素更新。因此,旅行规划可以基于所述实时因素自动重新安排。
除了前述引导信息之外,还可以向作为车辆的驾驶者工作的使用者提供驾驶辅助信息。驾驶辅助信息可以包括旅行路线上的交通信息、在旅行路线上在将来时间预测的车辆减速和进入旅行路线上的曲线的同时车辆减速的安全最优距离。经由使用来自多名驾驶员的过去驾驶数据训练过的时间系列预测模型来预测将来时间的车辆减速。时间系列预测模型可以在驾驶数据被馈送到时间系列预测模型的同时提前预测减速。如果提前预测驾驶者会紧急刹车,则可以向驾驶者提供警告。
可以基于最优速度、车辆的当前速度和安全减速值计算让车辆减速的安全最佳距离。可以基于曲线半径计算进入曲线的最优速度。曲线半径是对应于曲线的最佳拟合圆的半径。基于曲线的形状点来识别最佳拟合圆。如果车辆在进入旅行路线上的下一个曲线的同时以安全最佳距离减速,则可以向驾驶者提供曲线速度警告。虽然用于向使用者提供个性化的旅行规划和引导的所描述的系统和方法的方面可在任何数目的不同计算系统、环境和/或配置中实施,但在以下示范性系统的上下文中描述所述实施例。
虽然考虑系统102被实施为服务器来阐述本发明,但是可以理解系统102还可在多种计算系统中实施,例如膝上型计算机、桌上型计算机、笔记本、工作站、主机计算机、网络服务器等等。在一个实施方案中,系统102可以在基于云的环境中实施。应理解,系统102可以由多个用户通过一或多个显示装置104-1、104-2、104-3………104-N(下文中也统称为显示装置104)或驻存在显示装置104上的应用程序接入。显示装置104的实例可包括(但不限于)便携式计算机、个人数字助理、手持型装置、可穿戴装置、工作站和车辆内存在的车载信息娱乐系统。显示装置104通过网络106通信地耦合到系统102。
在一个实施方案中,网络106可以是无线网络、有线网络或其组合。网络可以实施为不同类型的网络中的一种网络,例如内联网、局域网(local area network,LAN)、广域网(wide area network,WAN)、因特网等等。网络106可以是专用网络或共享网络。共享网络表示使用多种协议来与彼此通信的不同类型的网络的关联,所述协议例如是超文本传输协议(HTTP)、传输控制协议/因特网协议(TCP/IP)、无线应用协议(WAP)等等。另外,网络106可以包括多种网络装置,包括路由器、桥接器、服务器、计算装置、存储装置等等。
现在参看图2,示出了根据本发明的一个实施例的系统102。在一个实施例中,系统102可以包括处理器202、输入/输出(I/O)接口204和存储器206。处理器202可以实施为一或多个微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或任何基于操作指令操控信号的装置。处理器202尤其被配置成提取和执行存储于存储器206中的计算机可读/编程指令,还具有其它能力。
I/O接口204可以包括多种软件和硬件接口,例如,网站接口、图形用户接口等等。I/O接口204可以允许系统102直接地或通过显示装置104与使用者交互。此外,I/O接口204可以使得系统102能够与例如网络服务器和外部数据服务器(未图示)之类的其它计算装置通信。I/O接口204可以便于在多种多样的网络和协议类型内的多种通信,所述网络和协议类型包含:有线网络,例如LAN、电缆等;和无线网络,例如WLAN、蜂窝式网络或卫星。I/O接口204可以包括用于将多个装置连接到彼此或连接到另一服务器的一个或多个端口。
存储器206可以包括所属领域中已知的任何计算机可读媒体,包括例如:易失性存储器,例如静态随机存取存储器(SRAM)和动态随机存取存储器(DRAM);和/或非易失性存储器,例如只读存储器(ROM)、可擦除可编程ROM、快闪存储器、硬盘、光盘以及磁带。存储器206可以包括模块208和数据210。
模块208包括例程、程序、对象、组件、数据结构等,其执行特定任务、功能或实现特定抽象数据类型。在一个实施方案中,模块208可以包括行为预测模块212、旅行规划模块214、碰撞回避模块216、圆拟合模块218、曲线速度计算模块220、警告通知模块222和其它模块224。其它模块224可以包括补充系统102的应用和功能的程序或编码指令。
数据210尤其充当用于存储由模块208中的一或多个模块处理、接收和生成的数据的储存库。数据210还可包括数据库226和其它数据228。其它数据228可以包括因为执行其它模块224中的一或多个模块而生成的数据。
在一个实施方案中,首先,使用者可以使用显示装置104经由接口204接入系统102。使用者可以使用I/O接口204注册以便使用系统102。参看下面解释的图2-图12详细解释系统102使用多个模块208的工作。
参看图2,行为预测模块212可被配置成预测使用者104的旅行行为。旅行行为指示使用者的旅行偏好。在一个实施例中,为了预测使用者的旅行行为,行为预测模块212可以采集使用者的输入、使用者的个人数据和使用者的社交网络数据。使用者的输入可包括至少使用者的旅行目的地和旅行持续时间。可以经由如图3A中所示的显示装置104的用户接口采集使用者的输入。此外,使用者的输入可包括使用者提供的对应于为了采集使用者的旅行偏好而进行的旅行调查的响应。图3B中示出了采集使用者的响应的一个这样的旅行调查。如图3B所示,从使用者采集的响应可以包括(但不限于)使用者对于博物馆/美术馆、地标/古迹、购物、公园/体育/户外活动等的兴趣。使用者的个人数据可以包括(但不限于)年龄、性别、国家、收入等。使用者的社交网络数据可以包括(但不限于)在各种社交网站上的使用者的评论、使用者发表的内容、使用者的爱好、使用者的博客。在一个实施例中,采集的使用者的输入、使用者的个人数据和使用者的社交网络数据可以存储于数据库226中。
在采集和存储了使用者的输入、使用者的个人数据和使用者的社交网络数据之后,行为预测模块212可被配置成分析前述数据以便预测使用者的旅行行为。在一个实施例中,行为预测模块212可以基于监督学习技术使用数据分类方法来预测旅行行为。使用的数据分类方法可以包括(但不限于)决策树学习法或神经网络分类法。在一个例子中,行为预测模块212可以利用图4中所示的简单神经网络预测旅行行为。如图4中所示,可以用数据分类法的输入层的形式利用使用者的输入、或使用者的个人数据、或使用者的社交网络数据或其组合。输入层连同隐蔽层(神经元)能够提供指示使用者的旅行行为的输出层。换句话说,输出层指示使用者旅行行为/旅行曲线被归类/分类成预定类别中的至少一个。本领域技术人员应注意的是,如上文所论述基于监督学习技术使用数据分类方法预测输出是所属领域中已知的。基于使用者的旅行行为的预测,图2中所示的旅行规划模块214可被配置成便于在从使用者采集的旅行目的地的旅行路线上的对于使用者的旅行规划,如下文详细描述。
参看图2,旅行规划模块214可被配置成基于使用者的个人数据和旅行行为或对于使用者预测的旅行偏好的分析为使用者生成旅行规划。旅行规划包括一个旅行日程,其中包括使用者的旅行路线上的适合用户的旅行行为/旅行曲线的活动和观光场所。应当理解的是,数据库226可被配置成存储关于城市或州或国家等等内的不同位置的多个旅游胜地。旅行规划模块214可被配置成从与使用者的旅行行为匹配的多个旅游胜地中识别一组旅游胜地。在一个例子中,如果使用者的旅行行为指示使用者的兴趣是历史场所,则旅行规划模块214可以识别与历史背景有关的至少一个旅游胜地,例如堡垒、战场等。在另一个实例中,如果使用者的旅行行为指示使用者对于冒险运动更感兴趣,则旅行规划模块214可以识别至少一个便于登山、徒步等的旅游胜地。在一个实施例中,该组旅行胜地中的旅行胜地的数目基于旅行持续时间。此外,旅行规划模块214可被配置成基于一个旅游胜地与使用者的旅行行为/简档的匹配程度将该组旅游胜地排序。
使用者的旅行路线上的该组旅游胜地可以显示在使用者的显示装置104上。此外,旅行规划模块214可以将该组旅游胜地中的每个旅游胜地集群到多个集群中的一个集群中。在一个方面中,可以基于旅行持续时间中的天数形成集群数目。在一个实施例中,基于每个旅游胜地的位置信息将每个旅游胜地集群到特定的集群中。换句话说,具有相同或等效位置的旅游胜地可以集群到同一个集群中。在一个实施例中,可以使用全球定位系统(GPS)技术确定每个旅游胜地的位置信息。
在将该组旅游胜地集群之后,旅行规划模块214可以为与每个集群相关联的一或多个旅游胜地计算旅行持续时间的最短路径和预定持续时间。在一个实施例中,最短路径可以指示旅行路线上的开始于特定的起始位置的路径,其中所述路径进一步遍历集群中的每个旅游胜地并且最后停在结束位置。应当理解,最短路径是基于类似于旅行推销员问题(TSP)的计算问题计算的,其中TSP是用于识别访问所有顶点的最短路径的典型优化问题。图5示出显示用于使用者的旅行路线中的集群的最短路径的示例性地图,其中示例性地图显示在显示装置104的用户接口上。此外,基于一或多个预定义因素计算预定持续时间,所述预定义因素包括(但不限于)一或多个旅游胜地的类别和旅行者在所述一或多个旅游胜地花费的平均时间。本文中的预定持续时间指示旅行持续时间的一段时间,在此期间使用者可能停留在与每个相应集群相关联的一或多个旅游胜地。旅行规划模块214可以另外基于为与每个集群相关联的一或多个旅游胜地计算的最短路径和预定持续时间来确定对应于旅行持续时间的至少一个子持续时间的旅行日程。可以另外在显示装置104的用户接口上显示旅行日程。在一个例子中,可以在显示装置104上显示每一天的旅行日程形式的路线和时间表。图6示出描绘根据本发明的实施例的由系统102使用行为预测模块212和旅行规划模块214执行以提供个性化的旅行规划的前述步骤的流程图600。
如图6中所示,在框602处,可以收集使用者的信息(使用者的输入、使用者的个人数据和使用者的社交网络数据)。在框604处,分析使用者的信息以预测使用者的旅行偏好(旅行行为/简档)。在框606处,可以基于该组旅游胜地中的每个旅游胜地与使用者的旅行偏好的匹配紧密程度将从多个旅游胜地中识别的该组旅游胜地排序。在框608处,可以选择经过排序的旅游胜地中的几个最靠前的旅游胜地并将其集群到多个集群中。在框610处,可以计算对应于每个集群的最短路径和停留持续时间并且将其相应地指派给所述集群。
在为使用者确定了旅行规划之后,旅行规划模块214可以引导使用者按照使用者的旅行规划查看每个集群的一或多个旅游胜地。在一个实施例中,旅行规划模块214可以在使用者到达所述旅游胜地的位置的时候提供旅游胜地的信息。通过监测显示装置104的当前位置与旅游胜地的位置之间的距离,能方便上述操作。可以从显示装置104内存在的GPS模块获得显示装置104的当前位置。
在一个实施例中,旅行规划模块214可被配置成实时地更新旅行日程,因此旅行日程/旅行规划是自适应的。在一些实施例中,可以基于包括(但不限于)天气、交通、事件、假期和事故等因素更新旅行日程。在一个例子中,如果天气恶劣,则旅行规划模块214可以引导使用者首先访问室内区域存在的旅游胜地,并且将室外活动重新安排到旅程中的其它天。系统102能够连接到因特网和/或其它资源以监测可以便于实时更新旅行规划的前述因素。因此,系统102经由行为预测模块212和旅行规划模块214可以向使用者提供个性化的旅行规划和路线导引。可以在使用者的显示装置104上直观地显示旅行规划/日程和与旅程有关的旅行路线上的个性化的引导信息。
在一个实施例中,当配合车辆实施时,系统102被配置成充当预测性碰撞回避系统和曲线速度警告系统,如下文中详细解释。在各种实施例中,系统102可以实施为如图1所示与车辆中存在的显示装置104通信地耦合的系统102,或者驻存在显示装置104中的应用程序本身。图7示出根据本发明的实施例的在车辆中的系统102的实施方案。如图所示,车辆中存在的显示装置104可以包括平板计算机/使用者(充当驾驶者或乘客)的移动装置或车辆的车载信息娱乐系统。此外,在这个实施方案中,可以提供机载诊断(OBD)硬件模块,其充当车辆数据收集模块,该模块是为了让系统102能够充当预测性碰撞回避系统或曲线速度警告系统所必需的。
为了充当预测性碰撞回避系统,系统可以利用图2中所示的碰撞回避模块216和警告通知模块222。碰撞回避模块216可包括数据建模引擎。数据建模引擎可以被设计和实施成分析时间系列数据。总的来说,用于分析时间系列数据的方法包括神经网络分析和模糊时间系列分析。时间系列数据的分析能实现时间系列分段。时间系列分段另外便于导出关于所述时间系列数据的基本属性的见解。通常,数据建模引擎被配置成利用过去数据/历史数据以便训练数据预测模型,然后调适数据预测模型以基于所述数据预测模型的训练来确定将来的预测。系统102的碰撞回避模块216可被配置成使用碰撞回避模块216内存在的数据建模引擎来预测车辆的减速。所述数据建模引擎训练预测模型(下文中也称为时间系列预测模型),其预测车辆的将来减速值。此外,警告通知模块222可被配置成如果减速值超出预定义阈值则用显示装置104上的警告来通知使用者。图8示出一份展现车辆减速的基于时间系列的预测的图表。下面分别参看图9和图10中所描绘的流程图900和流程图1000进一步解释预测减速值和向使用者提供警告的具体方法。
如图所示,在框902处,车辆数据收集模块(图7中所示)可被配置成传输车辆数据到系统102。在一个实施例中,系统102的碰撞回避模块216可以从车辆数据收集模块接收车辆数据(包括驾驶数据)。
在框904处,系统102的碰撞回避模块216可以组合车辆数据、从地图获得的地图数据和从例如因特网之类的其它资源获得的其它数据(例如天气数据、位置数据和时间数据)。将车辆数据、地图数据、天气数据、位置数据和时间数据馈送到时间系列预测模型中。
在框906处,时间系列预测模型可以使用车辆数据、地图数据、天气数据、位置数据和时间数据以便提前一段时间预测减速度值(例如提前10秒预测减速度)。下面参看图10进一步详细解释时间系列预测模型的工作。
如图10中所示,在框1002处,可以从各种使用者(驾驶员)或从属于这些驾驶员的车辆的车辆数据收集模块接收历史车辆数据(包含历史驾驶数据)。此外,可以采集额外历史数据,包括历史地图数据、历史天气数据、历史位置数据和历史时间数据。
在框1004处,碰撞回避模块216内的特征提取器可被配置成处理过去数据/历史数据以便如图所示生成特征1006。在一个例子中,所提取的特征1006可以包括(但不限于)车辆速度、车辆加速度、车辆减速度、车辆品牌、车型年份、车辆重量等等。
在框1008处,可以经由时间系列数据建模算法处理所提取的特征以基于对所提取的一或多个特征的处理来训练时间系列预测1010。现在时间系列预测模型1010经过训练以基于实时数据的接收来预测将来的减速度值。
如图10中所示,在框1012处,采集在图9中所示的框904处组合的实时数据,包括车辆数据、从地图获得的地图数据和其它数据(例如天气数据、位置数据和时间数据)。此外,在框1014处,碰撞回避模块216内的特征提取器可被配置成处理实时数据以便生成如图所示的实时特征1016。实时特征可以包括(但不限于)车辆速度、车辆加速度、车辆减速度、车辆品牌、车型年份、车辆重量等等。将实时特征1016馈送到时间系列预测模型1010,其经过训练以经由时间系列数据建模算法执行预测,如上文所论述。在框1018处,时间系列预测模型1010使用实时特征预测车辆的减速度值。
现在参看图9,在框906处使用上文所论述的步骤预测了车辆的减速度值之后,接着在框908处,警告通知模块222可以检验预测的减速度值是否大于预定义阈值。如果确定预测的减速度值大于预定义阈值,则在框910处,警告通知模块222可以向使用者(例如驾驶者)提供立即让车辆减速的警告。在一个实施例中,警告提前一段时间指示驾驶者立即刹车而不是执行急刹车。系统102因而能避免驾驶者急刹车,因此减小了车辆碰撞的概率。
为了充当曲线速度警告系统,系统102可以利用图2中所示的圆拟合模块218、曲线速度计算模块220和警告通知模块222。图11示出流程图1100,图中描绘圆拟合模块218、曲线速度计算模块220和警告通知模块222共同执行以便在进入使用者的旅行路线上的曲线时向使用者(驾驶者)提供曲线速度警告的步骤。
参看图11,在框1102处,使用者(下文中被称作驾驶者)输入旅行目的地。在框1104处,系统102可以从地图数据采集旅行路线信息。旅行路线信息指示从车辆的当前位置到旅行目的地的路线选择信息。旅行路线信息可以包括至少路线内的曲线的形状点。此外,系统102可以采集天气信息、摩擦力和旅行路线的位置的超高速率(super elevation rate)。系统102可以将路线内的曲线的形状点传输到圆拟合模块218。
在框1106处,圆拟合模块218可以基于曲线的形状点的处理为每条曲线计算曲线半径。可以使用例如最小平方拟合算法之类的圆拟合算法来确定最佳拟合圆。应注意,使用例如最小平方拟合算法之类的圆拟合算法确定最佳拟合圆是本领域中已知的。图12示出用于确定曲线的最佳拟合圆的圆拟合算法。应当理解,曲线的形状点指示系统102从地图(例如,在线地图)检索的信息。可以将形状点馈送到曲线拟合模块218。曲线拟合模块218实施圆拟合算法(例如最小平方拟合算法)以识别与输入到系统102中的形状点匹配的最佳圆。将关于每条曲线的曲线半径传输到曲线速度计算模块220。
在框1108处,曲线速度计算模块220可以基于曲线半径和额外信息计算最优曲线速度,额外信息包括天气信息、摩擦力和旅行路线的位置的超高速率。将计算出的最优曲线速度传输到警告通知模块222。在一个实施例中,曲线速度计算模块220可以使用下面的公式(1)计算最优曲线速度:
其中,
‘v’是进入曲线的最优速度
‘r’是圆的半径
‘E’是超高速率,并且
‘f’是道路上的横向摩擦力,其中‘f’是使用天气信息计算的。
应注意,前述公式(1)可以基于额外因素的并入而改变。
在框1110处,警告通知模块222可能检测到使用者正要在旅行路线上驾驶一条曲线。警告通知模块222可以在整个行程中持续地监测车辆的当前速度。在框1112处,警告通知模块222可以检验在驾驶曲线的时刻车辆的当前速度是否超出曲线速度计算模块220计算的最优曲线速度。如果在框1112处确定当前速度超出最优曲线速度,则在框1114处,警告通知模块222可以计算在进入下一个曲线时让车辆减速的安全最佳距离。警告通知模块222使用下面的公式(2)计算安全最佳距离:
d=(vc-vo)/2a……………………….(2)
其中,
‘d’是减速的安全最佳距离
‘vc’是车辆的当前速度
‘vo’是最优曲线速度,并且
‘a’是车辆的最优减速速率。本文中最优减速速率是指对于大多数驾驶员和乘客而言舒适的减速度。
应注意,前述公式(2)可以基于额外因素的并入而改变。
在框1116处,警告通知模块222可以检验车辆是否在进入下一条曲线的安全最佳减速距离(d)以内。在框1118处,如果车辆在安全最佳减速距离以内,则警告通知模块222可以在显示装置104上向驾驶者提供曲线速度警告。以此方式,系统102便于在车辆就要进入旅行路线上的曲线时发布超速警告,由此避免旅行路线上的任何事故。
应当理解,可以使用系统102的内置GPS模块确定车辆的当前速度。因此,可以将充当曲线速度警告系统(如上文所述)的系统102加装到道路/路线上的车辆中,只要驾驶者具有能在全球坐标系统中确定其位置的显示装置104即可。在一些实施例中,可以从图7中所示的车辆数据收集模块采集车辆的当前速度。
上文所论述的示例性实施例可以提供某些优点。虽然并不是实践本发明的方面的要求,但是这些优点可以包括以下特征提供的优点。
本发明的一些实施例能实现一种用于基于使用者的旅行偏好来确定使用者的个性化的旅行规划的系统和方法,其中所述旅行偏好是使用监督学习技术预测的。
本发明的一些实施例能实现一种用于向使用者提供关于按照个性化旅行规划为使用者规划的各种旅游胜地、观光活动和室内/室外活动的引导信息的系统和方法。
本发明的一些实施例能实现一种用于通过预测车辆的将来减速度值并且通知使用者减速度值是否超出预定义阈值借此避免车辆碰撞的系统和方法。
本发明的一些实施例能实现一种用于在使车辆进入路线曲线时向使用者提供超速警告并且确定在进入曲线时使车辆减速的最优安全距离的系统和方法。
虽然已经用结构特征和/或方法特有的语言描述了用于向使用者提供个性化的旅行规划和引导的方法和系统的实施方案,但是应理解所附权利要求书未必限于所描述的具体特征或方法。相反,作为用于向使用者提供个性化的旅行规划和引导的实施方案的例子公开了具体的特征和方法。
Claims (19)
1.一种用于向使用者提供个性化的旅行规划和引导的方法,所述方法包括:
通过处理器采集使用者的输入、使用者的个人数据和使用者的社交网络数据,其中所述使用者的输入包括至少旅行目的地和旅行持续时间;
通过所述处理器分析所述使用者的输入、所述使用者的个人数据和所述使用者的社交网络数据以便预测使用者的旅行行为;
通过所述处理器从旅行路线上的多个旅游胜地中识别一组与所述使用者的旅行行为匹配的旅游胜地;
通过所述处理器基于每个旅游胜地的位置信息将所述一组旅游胜地集群到多个集群中;
通过所述处理器计算用于与每个集群相关联的一或多个旅游胜地的最短路径和预定持续时间;以及
通过所述处理器,基于为与每个集群相关联的所述一或多个旅游胜地计算的所述最短路径和所述预定持续时间,确定对应于所述旅行持续时间的至少一个子持续时间的旅行日程,其中所述旅行日程进一步显示在所述使用者的显示装置上。
2.根据权利要求1所述的方法,其中所述一组旅游胜地中的旅游胜地的数目是基于所述旅行持续时间,并且其中所述多个集群是基于所述旅行持续时间中的天数。
3.根据权利要求1所述的方法,其中基于所述一或多个旅游胜地的类别和旅行者在所述一或多个旅游胜地花费的平均时间中的至少一个来计算所述预定持续时间。
4.根据权利要求3所述的方法,其进一步包括监测所述显示装置的当前位置和旅游胜地的位置,并且在所述使用者到达所述旅游胜地的位置之前在所述显示装置上显示所述旅游胜地的信息。
5.根据权利要求4所述的方法,其进一步包括预测在所述旅行路线上的将来时间与所述使用者相关联的车辆的减速度,并且如果所述减速度超出预定义减速度阈值,则用所述显示装置上的警告通知所述使用者。
6.根据权利要求5所述的方法,其中通过下面的方式预测所述车辆的减速度:
通过处理器使用至少历史地图数据、历史车辆数据、历史天气数据、历史时间数据和历史位置数据训练预测模型;
通过所述处理器基于所述预测模型的训练产生一或多个特征;以及
通过所述处理器基于实时数据和所述一或多个特征计算,其中所述实时数据包括至少地图数据、车辆数据、天气数据、时间数据和位置数据。
7.根据权利要求6所述的方法,其进一步包括计算所述车辆的用于进入所述旅行路线上的曲线的最优速度,其中通过下面的方式计算所述最优速度:
通过所述处理器采集旅行路线信息、天气信息、摩擦力和所述旅行路线的位置的超高速率,其中所述旅行路线信息包括所述曲线的形状点;
通过所述处理器基于曲线的形状点确定对应于所述曲线的最佳拟合圆的半径,其中使用圆拟合技术识别所述最佳拟合圆;以及
通过所述处理器基于所述半径、所述超高速率和横向摩擦力计算进入所述曲线的最优速度。
8.根据权利要求7所述的方法,其进一步包括当所述车辆的当前速度大于所述最优速度时,通过所述处理器检验所述车辆是否在用于进入下一个曲线的安全最佳减速距离内,并且其中基于所述车辆的当前速度、最优速度和最优减速速率计算所述安全最佳距离。
9.根据权利要求8所述的方法,其进一步包括如果所述车辆的所述当前位置在所述最优距离内,则用所述显示装置上的超速警告通知所述使用者。
10.一种用于向使用者提供个性化的旅行规划和引导的系统,所述系统包括:
处理器;以及
存储器,其耦合到所述处理器,其中所述处理器被配置成执行存储于所述存储器中的编程指令以便
采集使用者的输入、使用者的个人数据和使用者的社交网络数据,其中所述使用者的输入包括至少旅行目的地和旅行持续时间;
分析所述使用者的输入、所述使用者的个人数据和所述使用者的社交网络数据以便预测使用者的旅行行为;
从旅行路线上的多个旅游胜地中识别与所述使用者的旅行行为匹配的一组旅游胜地;
基于每个旅游胜地的位置信息将所述一组旅游胜地集群到多个集群中;
为与每个集群相关联的一或多个旅游胜地计算最短路径和预定持续时间;以及
基于为与每个集群相关联的所述一或多个旅游胜地计算的所述最短路径和所述预定持续时间确定对应于所述旅行持续时间的至少一个子持续时间的旅行日程,其中所述旅行日程进一步显示于所述使用者的显示装置上。
11.根据权利要求10所述的系统,其中所述处理器进一步执行编程指令以便预测所述旅行路线上的将来时间的所述车辆的减速度,并且如果所述减速度超出预定义减速度阈值则用所述显示装置上的警告通知所述使用者,并且其中通过下面的方式预测所述车辆的所述减速度:
使用至少历史地图数据、历史车辆数据、历史天气数据、历史时间数据和历史位置数据训练预测模型;
基于所述预测模型的所述训练产生一或多个特征;以及
基于实时数据和所述一或多个特征计算所述车辆的所述减速度,其中所述实时数据包括至少地图数据、车辆数据、天气数据、时间数据和位置数据。
12.根据权利要求11所述的系统,其中所述处理器进一步执行编程指令以便计算所述车辆进入所述旅行路线上的曲线的最优速度,其中通过下面的方式计算所述最优速度:
采集旅行路线信息、天气信息、摩擦力和所述旅行路线的位置的超高速率,其中所述旅行路线信息包括所述曲线的形状点;
基于曲线的形状点确定对应于所述曲线的最佳拟合圆的半径,其中使用圆拟合技术识别所述最佳拟合圆;以及
基于所述半径、所述超高速率和横向摩擦力计算进入所述曲线的最优速度。
13.根据权利要求12所述的系统,其中当所述车辆的当前速度大于所述最优速度时,所述处理器进一步执行编程指令以便检验所述车辆是否在用于进入下一条曲线的安全最佳减速距离内,并且其中基于所述车辆的当前速度、最优速度和最优减速速率计算所述安全最佳距离。
14.根据权利要求13所述的系统,其中如果所述车辆的当前位置在所述最优距离内,则所述处理器进一步执行编程指令以便用所述显示装置上的超速警告通知所述使用者。
15.一种非暂时性计算机可读媒体,其存储用于向使用者提供个性化的旅行规划和引导的程序,所述程序包括:
用于采集使用者的输入、使用者的个人数据和使用者的社交网络数据的程序代码,其中所述使用者的输入包括至少旅行目的地和旅行持续时间;
用于分析所述使用者的输入、所述使用者的个人数据和所述使用者的社交网络数据以便预测使用者的旅行行为的程序代码;
用于从旅行路线上的多个旅游胜地中识别一组与所述使用者的旅行行为匹配的旅游胜地的程序代码;
用于基于每个旅游胜地的位置信息将所述一组旅游胜地集群到多个集群中的程序代码;
用于计算与每个集群相关联的一或多个旅游胜地的最短路径和预定持续时间的程序代码;以及
用于基于为与每个集群相关联的所述一或多个旅游胜地计算的所述最短路径和所述预定持续时间确定对应于所述旅行持续时间的至少一个子持续时间的旅行日程的程序代码,其中所述旅行日程进一步显示于所述使用者的显示装置上。
16.根据权利要求15所述的非暂时性计算机可读媒体,其中所述程序进一步包括用于预测所述旅行路线上的将来时间的所述车辆的减速度,并且如果所述减速度超出预定义减速度阈值则用所述显示装置上的警告通知所述使用者的程序代码,并且其中通过下面的方式预测所述车辆的所述减速度:
使用至少历史地图数据、历史车辆数据、历史天气数据、历史时间数据和历史位置数据训练预测模型;
基于所述预测模型的所述训练产生一或多个特征;以及
基于实时数据和所述一或多个特征计算所述车辆的所述减速度,其中所述实时数据包括至少地图数据、车辆数据、天气数据、时间数据和位置数据。
17.根据权利要求16所述的非暂时性计算机可读媒体,其中所述程序进一步包括用于计算所述车辆进入所述旅行路线上的曲线的最优速度的程序代码,其中通过下面的方式计算所述最优速度:
采集旅行路线信息、天气信息、摩擦力和所述旅行路线的位置的超高速率,其中所述旅行路线信息包括所述曲线的形状点;
基于曲线的形状点确定对应于所述曲线的最佳拟合圆的半径,其中使用圆拟合技术识别所述最佳拟合圆;以及
基于所述半径、所述超高速率和横向摩擦力计算进入所述曲线的最优速度。
18.根据权利要求17所述的非暂时性计算机可读媒体,其中所述程序进一步包括当所述车辆的当前速度大于所述最优速度时,检验所述车辆是否在用于进入下一条曲线的安全最佳减速距离内的程序代码,并且其中基于所述车辆的当前速度、最优速度和最优减速速率计算所述安全最佳距离。
19.根据权利要求18所述的非暂时性计算机可读媒体,其中所述程序进一步包括用于如果所述车辆的当前位置在所述最优距离内,则用所述显示装置上的超速警告通知所述使用者的程序代码。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562200111P | 2015-08-02 | 2015-08-02 | |
US62/200,111 | 2015-08-02 | ||
PCT/CN2016/092826 WO2017020811A1 (en) | 2015-08-02 | 2016-08-02 | Personalized travel planning and guidance system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106716067A true CN106716067A (zh) | 2017-05-24 |
Family
ID=57886032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680001413.9A Pending CN106716067A (zh) | 2015-08-02 | 2016-08-02 | 个性化旅行规划和引导系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20170032480A1 (zh) |
CN (1) | CN106716067A (zh) |
WO (1) | WO2017020811A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274214A (zh) * | 2017-05-27 | 2017-10-20 | 武汉东湖学院 | 一种历史文化名城与数字媒体广告结合方法及系统 |
CN107525519A (zh) * | 2017-09-27 | 2017-12-29 | 江西爱驰亿维实业有限公司 | 可切换地图导航图层的导航方法及系统、存储介质、车载终端 |
CN109215390A (zh) * | 2017-06-29 | 2019-01-15 | 罗伯特·博世有限公司 | 用于警告运输工具中的乘客的方法 |
CN109408712A (zh) * | 2018-09-30 | 2019-03-01 | 重庆誉存大数据科技有限公司 | 一种旅行社用户多维信息画像的构建方法 |
CN110826746A (zh) * | 2019-11-01 | 2020-02-21 | 贝壳技术有限公司 | 在线邀请看房的管理方法及在线预约看房的管理方法 |
WO2021051353A1 (en) * | 2019-09-19 | 2021-03-25 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and device for customized navigation |
CN113483772A (zh) * | 2017-12-15 | 2021-10-08 | 谷歌有限责任公司 | 基于返程行程延迟向用户提供交通警告 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10878328B2 (en) * | 2016-06-21 | 2020-12-29 | Tata Consultancy Services Limited | Method and system for analyzing driver behaviour based on telematics data |
US11397090B2 (en) * | 2016-08-01 | 2022-07-26 | Tomtom Navigation B.V. | Method and system for generating adaptive route guidance information |
CN107633317B (zh) * | 2017-06-15 | 2021-09-21 | 北京百度网讯科技有限公司 | 建立行程规划模型以及规划出游行程的方法、装置 |
US11693888B1 (en) * | 2018-07-12 | 2023-07-04 | Intuit, Inc. | Intelligent grouping of travel data for review through a user interface |
CN109409612B (zh) * | 2018-11-12 | 2024-05-28 | 平安科技(深圳)有限公司 | 一种路径规划方法、服务器及计算机存储介质 |
CN109583648A (zh) * | 2018-11-30 | 2019-04-05 | Oppo广东移动通信有限公司 | 出行管理方法、装置、存储介质及终端设备 |
JP2020165692A (ja) * | 2019-03-28 | 2020-10-08 | 本田技研工業株式会社 | 制御装置、制御方法およびプログラム |
CN110059838A (zh) * | 2019-04-22 | 2019-07-26 | 陈艳声 | 一种大学生共享旅游系统及方法 |
CN110751576B (zh) * | 2019-10-21 | 2023-07-25 | 中国民航信息网络股份有限公司 | 一种旅客行程确定方法、装置及服务器 |
US11668575B2 (en) * | 2020-03-05 | 2023-06-06 | Airbnb, Inc. | Pre-event triggers for travel management systems |
CN112182398B (zh) * | 2020-10-13 | 2022-05-10 | 福州大学 | 考虑用户的长期偏好与短期偏好的景点推荐方法和系统 |
EP4232975A1 (en) * | 2020-10-23 | 2023-08-30 | Driverdo LLC | Machine learning for vehicle allocation |
KR20220003624A (ko) * | 2020-12-24 | 2022-01-10 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 노선 추천 방법, 장치, 전자기기, 저장매체 및 컴퓨터 프로그램 |
CN112686778B (zh) * | 2020-12-24 | 2022-09-30 | 河南牧业经济学院 | 基于大数据的旅游路线规划方法、装置及设备 |
CN113240354B (zh) * | 2021-07-12 | 2021-10-15 | 湖南中惠旅智能科技有限责任公司 | 基于电子地图的智慧景区数据处理方法及系统 |
US20230119383A1 (en) * | 2021-10-14 | 2023-04-20 | Jpmorgan Chase Bank, N.A. | Systems and methods for providing data enhanced collaboration |
WO2023175385A1 (en) * | 2022-03-17 | 2023-09-21 | Joshi Jalpa Sanjiv | System and method for travel planning and management |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103443588A (zh) * | 2011-04-01 | 2013-12-11 | 大众汽车有限公司 | 用于实现车辆的旅行路线规划的方法和设备 |
CN103678429A (zh) * | 2012-09-26 | 2014-03-26 | 阿里巴巴集团控股有限公司 | 一种旅游线路的推荐方法以及装置 |
US20140222330A1 (en) * | 2011-12-27 | 2014-08-07 | Tobias M. Kohlenberg | Integration of contextual and historical data into route determination |
CN104121918A (zh) * | 2013-04-25 | 2014-10-29 | 北京搜狗信息服务有限公司 | 一种实时路径规划的方法和系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7751973B2 (en) * | 2004-05-04 | 2010-07-06 | Visteon Global Technologies, Inc. | Curve warning system |
TW200725320A (en) * | 2005-12-22 | 2007-07-01 | Mitac Int Corp | Itinerary planning system and method |
TWI401659B (zh) * | 2008-08-22 | 2013-07-11 | Novatek Microelectronics Corp | 液晶顯示器之驅動裝置 |
US9037397B2 (en) * | 2009-12-07 | 2015-05-19 | Intel Corporation | System and method for generating alternative routes |
CN101763611A (zh) * | 2009-12-18 | 2010-06-30 | 北京邮电大学 | 基于宽带网络的智能旅游行程规划系统 |
CN103064924A (zh) * | 2012-12-17 | 2013-04-24 | 浙江鸿程计算机系统有限公司 | 一种基于地理标注照片挖掘的旅游地点情境化推荐方法 |
US20150211882A1 (en) * | 2014-01-28 | 2015-07-30 | GM Global Technology Operations LLC | Systems and methods for providing interval-based point of interest information |
-
2016
- 2016-08-01 US US15/224,837 patent/US20170032480A1/en not_active Abandoned
- 2016-08-02 WO PCT/CN2016/092826 patent/WO2017020811A1/en active Application Filing
- 2016-08-02 CN CN201680001413.9A patent/CN106716067A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103443588A (zh) * | 2011-04-01 | 2013-12-11 | 大众汽车有限公司 | 用于实现车辆的旅行路线规划的方法和设备 |
US20140222330A1 (en) * | 2011-12-27 | 2014-08-07 | Tobias M. Kohlenberg | Integration of contextual and historical data into route determination |
CN103678429A (zh) * | 2012-09-26 | 2014-03-26 | 阿里巴巴集团控股有限公司 | 一种旅游线路的推荐方法以及装置 |
CN104121918A (zh) * | 2013-04-25 | 2014-10-29 | 北京搜狗信息服务有限公司 | 一种实时路径规划的方法和系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274214A (zh) * | 2017-05-27 | 2017-10-20 | 武汉东湖学院 | 一种历史文化名城与数字媒体广告结合方法及系统 |
CN109215390A (zh) * | 2017-06-29 | 2019-01-15 | 罗伯特·博世有限公司 | 用于警告运输工具中的乘客的方法 |
CN109215390B (zh) * | 2017-06-29 | 2022-11-22 | 罗伯特·博世有限公司 | 用于警告运输工具中的乘客的方法 |
CN107525519A (zh) * | 2017-09-27 | 2017-12-29 | 江西爱驰亿维实业有限公司 | 可切换地图导航图层的导航方法及系统、存储介质、车载终端 |
CN113483772A (zh) * | 2017-12-15 | 2021-10-08 | 谷歌有限责任公司 | 基于返程行程延迟向用户提供交通警告 |
CN113483772B (zh) * | 2017-12-15 | 2024-04-09 | 谷歌有限责任公司 | 基于返程行程延迟向用户提供交通警告 |
CN109408712A (zh) * | 2018-09-30 | 2019-03-01 | 重庆誉存大数据科技有限公司 | 一种旅行社用户多维信息画像的构建方法 |
CN109408712B (zh) * | 2018-09-30 | 2021-01-26 | 重庆誉存大数据科技有限公司 | 一种旅行社用户多维信息画像的构建方法 |
WO2021051353A1 (en) * | 2019-09-19 | 2021-03-25 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and device for customized navigation |
CN110826746A (zh) * | 2019-11-01 | 2020-02-21 | 贝壳技术有限公司 | 在线邀请看房的管理方法及在线预约看房的管理方法 |
CN110826746B (zh) * | 2019-11-01 | 2020-11-10 | 贝壳找房(北京)科技有限公司 | 在线邀请看房的管理方法及在线预约看房的管理方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2017020811A1 (en) | 2017-02-09 |
US20170032480A1 (en) | 2017-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106716067A (zh) | 个性化旅行规划和引导系统 | |
US10346888B2 (en) | Systems and methods to obtain passenger feedback in response to autonomous vehicle driving events | |
US11714413B2 (en) | Planning autonomous motion | |
US11927455B2 (en) | Providing information to users of a transportation system using augmented reality elements | |
US11568689B2 (en) | Systems and methods to obtain feedback in response to autonomous vehicle failure events | |
US11657318B2 (en) | Assessing ride quality for autonomous vehicles | |
CN109429518A (zh) | 基于地图图像的自动驾驶交通预测 | |
CN109937343A (zh) | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 | |
CN110378483A (zh) | 部署在模拟平台上的用于训练机器学习模型的系统和方法 | |
WO2017079341A2 (en) | Automated extraction of semantic information to enhance incremental mapping modifications for robotic vehicles | |
CN108369775A (zh) | 响应于物理环境的改变自适应制图以对自主车辆进行导航 | |
WO2020142548A1 (en) | Autonomous routing system based on object ai and machine learning models | |
CN106796610A (zh) | 信息提示装置、方法和计算机程序产品 | |
CN114118658A (zh) | 使用合理人群数据对自主运载工具轨迹进行评分 | |
US11643105B2 (en) | Systems and methods for generating simulation scenario definitions for an autonomous vehicle system | |
EP3454269A1 (en) | Planning autonomous motion | |
US20220413510A1 (en) | Targeted driving for autonomous vehicles | |
CN115214625A (zh) | 识别自主车辆的可停车区域 | |
EP3648001A1 (en) | Systems and methods for controlling actuators based on load characteristics and passenger comfort | |
US20240028035A1 (en) | Planning autonomous motion | |
US20240046324A1 (en) | Digital token generation and output for riders of autonomous vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1238322 Country of ref document: HK |
|
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170524 |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1238322 Country of ref document: HK |