CN107643085A - 一种路径推荐方法与装置 - Google Patents
一种路径推荐方法与装置 Download PDFInfo
- Publication number
- CN107643085A CN107643085A CN201710842396.8A CN201710842396A CN107643085A CN 107643085 A CN107643085 A CN 107643085A CN 201710842396 A CN201710842396 A CN 201710842396A CN 107643085 A CN107643085 A CN 107643085A
- Authority
- CN
- China
- Prior art keywords
- node
- mrow
- msub
- destination
- subpath
- 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.)
- Granted
Links
Abstract
本发明实施例公开了一种路径推荐方法与装置,依据获取的历史轨迹数据,构建在目的地点确定的情况下所对应的有向图;所述有向图中包含的任意两个相邻节点之间所对应的线段有其对应的转向概率值;依据最大概率寻路算法,从所述有向图中选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径。该技术方案不再局限于使用先验知识建立大量模型来解决路况复杂多变的难题,相较于目前主流导航应用以算法模型及策略计算产生的轨迹规划而言,该技术方案通过分析历史轨迹数据来挖掘用户出行的模式,更加的符合真实环境下路况的复杂变化,依据构建的有向图,可以挖掘出一条最热门的路径即推荐路径,可以更好的满足用户的出行要求。
Description
技术领域
本发明涉及路径规划技术领域,特别是涉及一种路径推荐方法与装置。
背景技术
随着智能手机等移动通讯设备的广泛使用和移动通讯技术的迅猛发展,移动互联网及其应用在近年来呈井喷之势。据权威数据显示,在2016年1月中国移动互联网用户数量达到了7.59亿,超越了传统PC用户的总量,形成了万亿规模产值的庞大市场。随之而来,以各种地图应用为代表的基于位置的服务(Location based Service)成为大众化的工具,深入地改变了人们的工作和生活方式。在使用这些服务时大量的记录被持久化到企业服务器中,这些记录包含了位置、时间、方向、速度等信息,在时间轴上将采样点序列构成移动轨迹,反映了用户的行为历史。
大量的用户产生了海量的轨迹数据,从宏观上看蕴含了群体移动模式和规律,对车辆导航、行程推荐、城市规划等具有重要的价值。在大数据时代,依赖处理能力的提升,使得海量轨迹数据分析与应用成为可能。通过分析移动轨迹所蕴含的信息,可以提高路径规划的质量,大大方便了人们的出行,提高了出行的效率。
轨迹数据挖掘已经成为了数据挖掘领域的一个重要的新兴分支,目的是从轨迹数据中提取有价值的知识,运用到各类应用中去。频繁模式挖掘(frequent patterns)是指从大规模轨迹中发现时序模式,如在给定时间间隔内有超过一定数量的对象行驶的公共路径,对于目的地的预测、路径推荐、行为理解有着重要的价值。
传统方式中,往往通过先验知识建立多种模型,以适应复杂多变的路况变化,通常会划分不同的时段调用不同的模型,甚至不同的天气都有对应的模型使用。但是复杂的模型导致维护代价大,随着应用场景的复杂化,机械化的模型使用难以界定模型适用边界,如将早晨8点至10点定义为早高峰时段,使用早高峰模型,7点59分就使用非早高峰模型,显然这种人为对于模型的划分并不是合理的。因此先进的路径规划引擎应该可以自行发现出行模式,调整路径规划的模型。
可见,如何提高路径规划质量,更好的满足用户的需求,是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种路径推荐方法与装置,可以提高路径规划质量,更好的满足用户的需求。
为解决上述技术问题,本发明实施例提供一种路径推荐方法,包括:
依据获取的历史轨迹数据,构建在目的地点确定的情况下所对应的有向图;所述有向图中包含的任意两个相邻节点之间所对应的线段有其对应的转向概率值;
依据最大概率寻路算法,从所述有向图中选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径。
可选的,所述依据获取的历史轨迹数据,构建在目的地点确定的情况下所对应的有向图包括:
依据获取的历史轨迹数据,建立在目的地点确定的情况下所对应的路网图;所述路网图由各个节点连接组成,一个节点对应表示一个路口;
根据如下公式,计算出所述路网图中任意两个相邻节点之间的转向概率值,从而将所述路网图转化为有向图;
其中,ni表示所述路网图中的一个节点,nj表示与所述ni相邻的一个节点,Prd(ni→nj)表示从节点ni转向节点nj的转向概率值,func(traj,d)=exp(-dists(traj,d))用来度量一条轨迹traj到达目的地点d的概率值,dists(traj,d)表示所述轨迹traj通过节点ni后的轨迹部分到目的地点d的最短距离。
可选的,所述依据最大概率寻路算法,从所述有向图中选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径包括:
S20:依据选定的初始节点,从所述有向图中选取出与所述初始节点相邻的目标节点,并将所述起始节点与各个所述目标节点之间的路径作为子路径存储于集合A中;
S21:从所述集合A中包含的所有所述子路径中选取出概率值最大的一条子路径作为目标子路径,并判断所述目标子路径中的目标节点是否为目的地点;若是,则执行S22;若否,则执行S23;
S22:将所述目标子路径作为推荐路径;
S23:将所述目标子路径包含的目标节点作为第一节点;
S24:从所述有向图中选取出与所述第一节点相邻并且满足限定条件的目标节点;并将从所述起始节点开始经过所述第一节点达到所述目标节点的子路径替换从所述起始节点达到所述第一节点子路径,存储于集合A中,并返回所述S21。
可选的,在所述S21中包括:
将第一子路径中包含的各条线段的转向概率值相乘,得出所述第一子路径的概率值;所述第一子路径为所述集合A中包含的所有所述子路径中的任意一条子路径。
可选的,还包括:
依据Top-k算法,从所述有向图中选取出与所述推荐路径满足差异条件的k条备选路径。
本发明实施例还提供了一种路径推荐装置,包括构建单元和选取单元,
所述构建单元,用于依据获取的历史轨迹数据,构建在目的地点确定的情况下所对应的有向图;所述有向图中包含的任意两个相邻节点之间所对应的线段有其对应的转向概率值;
所述选取单元,用于依据最大概率寻路算法,从所述有向图中选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径。
可选的,所述构建单元包括建立子单元和转化子单元,
所述建立子单元,用于依据获取的历史轨迹数据,建立在目的地点确定的情况下所对应的路网图;所述路网图由各个节点连接组成,一个节点对应表示一个路口;
所述转化子单元,用于根据如下公式,计算出所述路网图中任意两个相邻节点之间的转向概率值,从而将所述路网图转化为有向图;
其中,ni表示所述路网图中的一个节点,nj表示与所述ni相邻的一个节点,Prd(ni→nj)表示从节点ni转向节点nj的转向概率值,func(traj,d)=exp(-dists(traj,d))用来度量一条轨迹traj到达目的地点d的概率值,dists(traj,d)表示所述轨迹traj通过节点ni后的轨迹部分到目的地点d的最短距离。
可选的,所述选取单元包括第一选取子单元、第二选取子单元、判断子单元、第一作为子单元、第二作为子单元和替换子单元,
所述第一选取子单元,用于依据选定的初始节点,从所述有向图中选取出与所述初始节点相邻的目标节点,并将所述起始节点与各个所述目标节点之间的路径作为子路径存储于集合A中;
所述第二选取子单元,用于从所述集合A中包含的所有所述子路径中选取出概率值最大的一条子路径作为目标子路径,并触发所述判断子单元,所述判断子单元,用于判断所述目标子路径中的目标节点是否为目的地点;若是,则触发所述第一作为子单元;若否,则触发所述第二作为子单元;
所述第一作为子单元,用于将所述目标子路径作为推荐路径;
所述第二作为子单元,用于将所述目标子路径包含的目标节点作为第一节点;并触发所述替换子单元;
所述替换子单元,用于从所述有向图中选取出与所述第一节点相邻并且满足限定条件的目标节点;并将从所述起始节点开始经过所述第一节点达到所述目标节点的子路径替换从所述起始节点达到所述第一节点子路径,存储于集合A中,并触发所述第二选取子单元。
可选的,所述第二选取子单元具体用于将第一子路径中包含的各条线段的转向概率值相乘,得出所述第一子路径的概率值;所述第一子路径为所述集合A中包含的所有所述子路径中的任意一条子路径。
可选的,还包括备选单元,
所述备选单元,用于依据Top-k算法,从所述有向图中选取出与所述推荐路径满足差异条件的k条备选路径。
由上述技术方案可以看出,依据获取的历史轨迹数据,构建在目的地点确定的情况下所对应的有向图;所述有向图中包含的任意两个相邻节点之间所对应的线段有其对应的转向概率值;依据最大概率寻路算法,从所述有向图中选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径。该技术方案不再局限于使用先验知识建立大量模型来解决路况复杂多变的难题,相较于目前主流导航应用以算法模型及策略计算产生的轨迹规划而言,该技术方案通过分析历史轨迹数据来挖掘用户出行的模式,更加的符合真实环境下路况的复杂变化,依据构建的有向图,可以挖掘出一条最热门的路径即推荐路径,可以更好的满足用户的出行要求。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中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。
图1为本发明实施例提供的一种路径推荐方法的流程图;
图2为本发明实施例提供的一种选取推荐路径的方法的流程图;
图3为本发明实施例提供的一种从起始节点到目的地点的路径的部分示意图;
图4为本发明实施例提供的一种路径推荐装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来,详细介绍本发明实施例所提供的一种路径推荐方法。图1为本发明实施例提供的一种路径推荐方法的流程图,该方法包括:
S101:依据获取的历史轨迹数据,构建在目的地点确定的情况下所对应的有向图。
出租车司机对城市的道路交通情况较为了解,可以针对不同的时段选择合理的驾车路线,从而将乘客送往目的地点。出租车司机的驾车行驶的轨迹数据往往可以反映出大众人群出行时的路线选择,故此,在本发明实施例中,可以将出租车司机的驾车行驶的轨迹数据作为历史轨迹数据。
下面将对构建有向图的过程展开介绍,具体的,可以依据获取的历史轨迹数据,首先建立在目的地点确定的情况下所对应的路网图。
路网图可以看做是能够到达目的地点的一个网络拓扑图,在构建路网图时每个路口可以看做是路网图中的一个节点,也即该路网图可以由各个节点连接组成。
其中,当两个节点之间可以直接连通时,这两个节点即为相邻的两个节点。也即这两个节点之间对应的线段即为一条可行的道路。
在实际应用中,目的地点可能是位于某一路口处,因此,在路网图中该路口对应的节点可以表示为目的地点。但是有些情况下,目的地点可能并非是位于某一路口处,此时,可以选取与目的地点距离最近的一个路口,相应的,在路网图中该路口对应的节点可以表示为目的地点。也即,在路网图中达到目的地点的轨迹可以是直接经过目的地点的轨迹,也可以是能够经过目的地点周围区域的轨迹。
在建立了路网图之后,为了能够合理的评估当目标地点已定的情况下在路口进行下一条道路选择的概率,可以计算从该路口转向下一个路口的转向概率值。从而使得路网图中包含的任意两个相邻节点之间所对应的线段都有其对应的转向概率值。带有转向概率值的路网图可以看做是一个有向图。
在具体实现中,可以根据如下公式,计算出所述路网图中任意两个相邻节点之间的转向概率值,从而将所述路网图转化为有向图;
其中,ni表示所述路网图中的一个节点,nj表示与所述ni相邻的一个节点,Prd(ni→nj)表示从节点ni转向节点nj的转向概率值,func(traj,d)=exp(-dists(traj,d))用来度量一条轨迹traj到达目的地点d的概率值,dists(traj,d)表示所述轨迹traj通过节点ni后的轨迹部分到目的地点d的最短距离。
例如,经过节点ni最终到达目的地点的轨迹有40条,其中,经过节点ni转向节点nj最终到达目的地点的轨迹有10条,则由节点ni转向节点nj的转向概率值即为10/40=0.25=25%。
如果一条轨迹中通过节点ni后的轨迹部分经过目的地点,则相应的最短距离即为0;如果一条轨迹中通过节点ni后的轨迹部分未经过目的地点,相应的,可以计算出该条轨迹上各个节点分别与目的地点之间的直线距离,其中,距离的最小值即为该条轨迹通过节点ni后的轨迹部分到目的地点的最短距离。转向概率值越高的道路说明在之前轨迹数据中大量的出租车司机在这个路口优先选择了这条道路并最终到达了目的地点。
考虑到在实际应用中,路网图中的每个节点都有可能是目的地点,因此,在构建有向图时,对于每一个目的地点都有其对应的一个有向图。将路网图中的哪个节点作为目的地点,相应的,可以依据该目的地点所对应的有向图进行后续路径的推荐。
需要说明的是,由于轨迹数据源源不断,每时每刻都在生成新的轨迹数据,越新的轨迹数据越能反映路网的最新情况。随着数据量的积累,数据越来越全,所能挖掘的信息也就越多,覆盖的OD对也就越多,路径规划的效果越好。所以尽量使用更多的轨迹数据的同时可以增量利用新的轨迹数据才能提供更优秀的服务。
在本发明实施例中,可以对路网图以及路网图中每条线段(道路)对应的转向概率值进行周期性的更新。
以周期为一个月为例,在本发明实施例中历史轨迹数据可以是最近一个月所产生的轨迹数据。其中,对于这一个月的轨迹数据,越接近当前时间的轨迹数据对于当前路况的变化越敏感,故此,可以对不同时间段产生的轨迹数据可以设置不同权重,从而调节新增的轨迹数据对于最终结果的影响,实现根据路网的动态变化,合理调整有向图。
通过更新历史轨迹数据来调整有向图,可以使得有向图更加准确的反映出近期路况变化导致的移动规律的变化,从而依据该有向图进行路径推荐时,可以更加符合用户的实际需求。
S102:依据最大概率寻路算法,从所述有向图中选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径。
在上述S101中,有向图中包含的各条线段都有其对应的转向概率值,以一条轨迹为例,该条轨迹对应的概率值可以由该条轨迹中包含的各条线段的转向概率值相乘得出。具体的,可以按照如下公式计算,
其中,n1表示起始节点,ni表示目的地点,ρ(R)表示从起始节点达到目的地点的一条轨迹对应的概率值。
路径对应的概率值越大,则说明达到目的地点时该条路径被使用的概率越高,越符合用户的需求。
与目的地点类似,起始节点可以用有向图中包含的一个节点表示。依据构建的有向图,从起始节点达到所述目的地点的路径往往存在多条,如果依次计算出每条路径对应的概率值,对于较为复杂的路况,其计算量较大,故此,在本发明实施例中,可以依据最大概率寻路算法,选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径。其具体过程如图2所示,包括:
S20:依据选定的初始节点,从所述有向图中选取出与所述初始节点相邻的目标节点,并将所述起始节点与各个所述目标节点之间的路径作为子路径存储于集合A中。
在本发明实施例中,对于不同的路口,可以设置相应的标号值,也即在有向图中每个节点有其对应的一个标号值,以便于可以对不同的节点进行区分。
例如,初始节点为0,在有向图中与其直接相连的节点分别为1、2和4,其中,初始节点0和节点1对应的子路径可以记为[0,1],同理,初始节点0和节点2对应的子路径可以记为[0,2],初始节点0和节点4对应的子路径可以记为[0,4],以[0,1]为例,由于节点1与初始节点0直接相连,所以该条子路径[0,1]的概率值即为线段[0,1]对应的转向概率值,此时集合A中存储有[0,1]、[0,2]和[0,4]这3条子路径,每条子路径都有其对应的一个概率值。
需要说明的是,当子路径中的包含的节点有两个以上时,此时该子路径对应的概率值,可以依据上述公式(1)计算得出,例如,子路径为[0,2,1],则该子路径的概率值即为线段[0,2]的转向概率值与线段[2,1]的转向概率值的乘积值。
S21:从所述集合A中包含的所有所述子路径中选取出概率值最大的一条子路径作为目标子路径,并判断所述目标子路径中的目标节点是否为目的地点;若是,则执行S22;若否,则执行S23。
路径的概率值越大,说明该条路径被用户采纳的可能性越高。在本发明实施例中,可以依据子路径的概率值,对集合A中的子路径、进行降序排列,如下公式所示,对集合A中包含的m条子路径进行降序排列,从而选取出概率值最大的一条子路径。
ρ(R1)≥ρ(R2)≥ρ(R3)…≥ρ(Rm)
结合上述举例中,集合A中存储有[0,1]、[0,2]和[0,4]这3条子路径,如果子路径[0,2]的概率值最大,则可以将子路径[0,2]作为目标子路径。
如果目标子路径中的目标节点为目的地点,由于该目标子路径是集合A中概率值最大的子路径,则说明该条目标子路径即为达到目的地点概率值最大的一条路径,此时,可以执行S22。
如果目标子路径中的目标节点不是目的地点,则此时集合A中包含的子路径中可能存在到达目的地点的子路径,也可能不存在到达目的地点的子路径。
当存在到达目的地点的子路径时,由于该条子路径的概率值在集合A中并非为最大值,可以说明可能还会存在除了该条子路径外其它到达目标地点的路径,并且其它路径的概率值大于该条子路径的概率值,针对该种情况,可以对概率值最大的子路径进行扩展,直至其达到目的地点,即执行S23。
当不存在到达目的地点的子路径时,则说明集合A中还没有出现到达目的地点的路径,此时可以对概率值最大的子路径进行扩展,直至其达到目的地点,即执行S23。
S22:将所述目标子路径作为推荐路径。
S23:将所述目标子路径包含的目标节点作为第一节点。
目标子路径为集合A中概率值最大的一条子路径,说明该条目标子路径是到达目的地点概率最大的一条子路径,此时可以对该条目标子路径向外扩展,即选取该条目标子路径包含的目标节点作为扩展点即第一节点。
S24:从所述有向图中选取出与所述第一节点相邻并且满足限定条件的目标节点;并将从所述起始节点开始经过所述第一节点达到所述目标节点的子路径替换从所述起始节点达到所述第一节点子路径,存储于集合A中,并返回所述S21。
由第一节点向外扩展后,在集合A中第一节点原先所对应的子路径,应该变更为由第一节点向外扩展后的子路径。
结合上述举例,从起始节点向外扩展后,集合A中包含有[0,1]、[0,2]和[0,4]这3条子路径,如果子路径[0,2]的概率值最大,则以节点2作为第一节点向外扩展,若与第一节点2相邻的节点有节点1和节点3,则相应的子路径[0,2]变更为子路径[0,2,1]和[0,2,3],此时,集合A中存储有[0,2,1]、[0,2,3],[0,1]和[0,4]这4条子路径,其中[0,2,1]和[0,2,3]属于集合A中的新增路径,以子路径[0,2,1]为例,其对应的概率值可以由子路径[0,2]的概率值与线段[2,1]的转向概率值相乘计算得出,同理,可以计算出[0,2,3]的概率值。
需要说明的是,为了避免子路径中存在重复路段,子路径中包含的各个节点不会存在重复的节点。
通过上述计算方式,可以有效的降低选取推荐路径的计算量,提升了路径推荐的效率。
由上述技术方案可以看出,依据获取的历史轨迹数据,构建在目的地点确定的情况下所对应的有向图;所述有向图中包含的任意两个相邻节点之间所对应的线段有其对应的转向概率值;依据最大概率寻路算法,从所述有向图中选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径。该技术方案不再局限于使用先验知识建立大量模型来解决路况复杂多变的难题,相较于目前主流导航应用以算法模型及策略计算产生的轨迹规划而言,该技术方案通过分析历史轨迹数据来挖掘用户出行的模式,更加的符合真实环境下路况的复杂变化,依据构建的有向图,可以挖掘出一条最热门的路径即推荐路径,可以更好的满足用户的出行要求。
上述技术方案中,可以依据有向图,选取出一条从起始节点到达目的地点的一条概率值最大即热度最高的路径推荐给用户。在实际应用中,为了可以给用户提供更多的路径选择,除了提供给用户一条推荐路径外,还可以推荐给用户一些备选路径,以便于扩大用户的选择范围,从而给用户带来更好的体验。
在本发明实施例中,可以依据Top-k算法,从所述有向图中选取出与所述推荐路径满足差异条件的k条备选路径。
K的具体取值可以根据用户的实际需求进行设定,在此不做限定。
在具体实现中,可以以推荐路径作为对比路径,从有向图中选取出与推荐路径存在一定差异性的备选路径。对此,可以设置两个集合,分别为集合1和集合2,集合1中最先存储有推荐路径,集合2中存储有候选路径,当集合2中候选路径满足差异条件时,则可以将集合2中的该条候选路径作为备选路径移入到集合1中。
一条线段对应的转向概率值越大,则说明该条线段的热度越高,即越适合作为备选路径的部分路径。在本发明实施例中,可以采用转向概率值相乘的方式计算出一条路径的热度。
举例说明,可以通过遍历集合1中的路径寻找偏离点。在初始状态时,集合1中只包含有一条推荐路径,则可以遍历该条推荐路径中包含的各个节点,判断每个节点除了推荐路径中与其相连的节点外,是否还存在其它与其直接相连的节点。若存在,则可以将这些节点作为偏离点,存储于偏离点集V中,可以通过依次遍历偏离点集V中的偏离点v,来选取候选路径。
推荐路径中起始节点s至该偏离点v的路径片段可以记为sv,vt表示从偏离点v到目的地点的线段。
其中,vt需要满足下列设定条件:条件1:vt上从偏离点v出发的那条线段不能在集合1中包含的所有路径中有对应的线段出现过。条件2:在vt上,除了偏离点v,其它点都不能出现在sv上。如果找到满足以上条件的vt,则把sv和vt连起来就组成了一条新的候选路径。其中条件1保证了候选路径不与集合1中存储的各条路径重复;条件2则保证了产生的候选路径无环,即不存在重复路段。通过遍历偏离点集上所有的偏离点就能找到所有的候选路径,将这些候选路径加入到集合2中。
例如,以K=2为例,如图3所示为带有转向概率值的起始节点为5,目的地点为10的路径的部分示意图,假设选取出的一条推荐路径为[5,7,8,10],以该条推荐路径为参考路径,起始节点5除与节点7连接外,还与节点6连接,所以起始节点5即为一个偏离点,同理,可以判断出该条推荐路径中节点7和节点8均为偏离点,此时,偏离点集V中包含有起始节点5、节点7和节点8,这三个偏离点。以偏离点集V一个偏离点如起始节点5为例,排除推荐路径中包含的线段[5,7],从起始节点5达到目的节点10的路径包括路径[5,6,8,10]和路径[5,6,8,9,10],其中,路径[5,6,8,10]的转向概率值为0.3*0.4*0.5=0.06,[5,6,8,9,10]的转向概率值为0.3*0.4*0.1*0.4=0.0048,选取转向概率值最大的一条路径作为候选路径,即将路径[5,6,8,10]作为候选路径写入集合2中,同理,以节点7作为偏离点时,可以选取出一条候选路径[5,7,9,10],其转向概率值为0.1;以节点8作为偏离点时,可以选取出一条候选路径[5,7,8,9,10],其转向概率值为0.012,此时集合2中包含有[5,6,8,10]、[5,7,9,10],和[5,7,8,9,10]这3条候选路径,其中,候选路径[5,7,9,10]的转向概率值最大,则可以将该条候选路径作为备选路径,写入到集合1中,此时,集合1中包含有[5,7,8,10]和[5,7,9,10]这两条路径,即满足K=2。
需要说明的是,为了简化有向图中路径的复杂程度,图3仅是从有向图中截取的起始节点为5,目的地点为10的路径的部分示意图,
通过以上的步骤可以得到在不考虑每条路径差异性条件下的K条路径,然而路径规划系统提供的多条路径规划建议内在的要求了相互之间存在明显的差异性,否则一个路口或者一段道路的拥堵就会造成给出的多条路径都不可用。故此,在本发明实施了中,可以将集合2中的路径在满足差异条件的情况下,将该路径作为备选路径,移入到集合1中。
其中,路径间差异性的度量可以借助编辑距离来实现。
结合上述举例,以路径[5,7,8,10]和[5,7,9,10]为例,路径[5,7,8,10]包含有3个线段,分别为[5,7]、[7,8]和[8,10];路径[5,7,9,10]包含有3个线段,分别为[5,7]、[7,9]和[9,10],这两条路径一共有6条线段,其中共同包含的路径片段有线段[5,7],即这两条路径对应的编辑距离即为2/6=1/3。
在本发明实施例中,对于两条路径的差异性可以设置相应的阈值。当集合2中的一条候选路径分别与集合1中的各条路径各自对应的编辑距离均大于该阈值时,则可以将该条候选路径写入集合1中。
需要说明的是,在初始状态时,通过判断推荐路径中包含的各个节点来确定出偏离点,当遍历完该偏离点,将寻找出的备选路径放入集合1中后,若集合1中包含有多条路径仍为达到K条时,则可以依据于集合1中包含有多条路径来重新选取偏离点,从而依据该偏离点确定出其它候选路径。
例如,以K=3为例,结合图3所示的路径示意图,集合1中包含有[5,7,8,10]和[5,7,9,10]这两条路径,此时,集合1中还少一条路径。集合1中包含的各条路径中公共部分为[5,7],节点7除了与节点8以及节点9连接外,还与节点6相连,则可以将节点7作为偏离点,此时可以确定出一条新的候选路径[5,7,6,8,10]放入集合2中。
通过选取新的候选路径来增加集合2中包含的候选路径的数量,以便于可以从集合2中选取出满足上述条件的备选路径。
本发明实施例中提出的利用Top-K算法,选取备选路径,使用的是相同的代价评判模型即路径热度,通过返回K条热度较高且相互之间具有明显差异性的路径来解决目前路径规划服务不能有效提供多路径选择的问题。
图4为本发明实施例提供的一种路径推荐装置的结构示意图,包括构建单元41和选取单元42,
所述构建单元41,用于依据获取的历史轨迹数据,构建在目的地点确定的情况下所对应的有向图;所述有向图中包含的任意两个相邻节点之间所对应的线段有其对应的转向概率值。
所述选取单元42,用于依据最大概率寻路算法,从所述有向图中选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径。
可选的,所述构建单元包括建立子单元和转化子单元,
所述建立子单元,用于依据获取的历史轨迹数据,建立在目的地点确定的情况下所对应的路网图;所述路网图由各个节点连接组成,一个节点对应表示一个路口;
所述转化子单元,用于根据如下公式,计算出所述路网图中任意两个相邻节点之间的转向概率值,从而将所述路网图转化为有向图;
其中,ni表示所述路网图中的一个节点,nj表示与所述ni相邻的一个节点,Prd(ni→nj)表示从节点ni转向节点nj的转向概率值,func(traj,d)=exp(-dists(traj,d))用来度量一条轨迹traj到达目的地点d的概率值,dists(traj,d)表示所述轨迹traj通过节点ni后的轨迹部分到目的地点d的最短距离。
可选的,所述选取单元包括第一选取子单元、第二选取子单元、判断子单元、第一作为子单元、第二作为子单元和替换子单元,
所述第一选取子单元,用于依据选定的初始节点,从所述有向图中选取出与所述初始节点相邻的目标节点,并将所述起始节点与各个所述目标节点之间的路径作为子路径存储于集合A中;
所述第二选取子单元,用于从所述集合A中包含的所有所述子路径中选取出概率值最大的一条子路径作为目标子路径,并触发所述判断子单元,所述判断子单元,用于判断所述目标子路径中的目标节点是否为目的地点;若是,则触发所述第一作为子单元;若否,则触发所述第二作为子单元;
所述第一作为子单元,用于将所述目标子路径作为推荐路径;
所述第二作为子单元,用于将所述目标子路径包含的目标节点作为第一节点;并触发所述替换子单元;
所述替换子单元,用于从所述有向图中选取出与所述第一节点相邻并且满足限定条件的目标节点;并将从所述起始节点开始经过所述第一节点达到所述目标节点的子路径替换从所述起始节点达到所述第一节点子路径,存储于集合A中,并触发所述第二选取子单元。
可选的,所述第二选取子单元具体用于将第一子路径中包含的各条线段的转向概率值相乘,得出所述第一子路径的概率值;所述第一子路径为所述集合A中包含的所有所述子路径中的任意一条子路径。
可选的,还包括备选单元,
所述备选单元,用于依据Top-k算法,从所述有向图中选取出与所述推荐路径满足差异条件的k条备选路径。
图3所对应实施例中特征的说明可以参见图1和图2所对应实施例的相关说明,这里不再一一赘述。
由上述技术方案可以看出,依据获取的历史轨迹数据,构建在目的地点确定的情况下所对应的有向图;所述有向图中包含的任意两个相邻节点之间所对应的线段有其对应的转向概率值;依据最大概率寻路算法,从所述有向图中选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径。该技术方案不再局限于使用先验知识建立大量模型来解决路况复杂多变的难题,相较于目前主流导航应用以算法模型及策略计算产生的轨迹规划而言,该技术方案通过分析历史轨迹数据来挖掘用户出行的模式,更加的符合真实环境下路况的复杂变化,依据构建的有向图,可以挖掘出一条最热门的路径即推荐路径,可以更好的满足用户的出行要求。
以上对本发明实施例所提供的一种路径推荐方法与装置进行了详细介绍。说明书中各个实施例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部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (10)
1.一种路径推荐方法,其特征在于,包括:
依据获取的历史轨迹数据,构建在目的地点确定的情况下所对应的有向图;所述有向图中包含的任意两个相邻节点之间所对应的线段有其对应的转向概率值;
依据最大概率寻路算法,从所述有向图中选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径。
2.根据权利要求1所述的方法,其特征在于,所述依据获取的历史轨迹数据,构建在目的地点确定的情况下所对应的有向图包括:
依据获取的历史轨迹数据,建立在目的地点确定的情况下所对应的路网图;所述路网图由各个节点连接组成,一个节点对应表示一个路口;
根据如下公式,计算出所述路网图中任意两个相邻节点之间的转向概率值,从而将所述路网图转化为有向图;
<mrow>
<msub>
<mi>Pr</mi>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>&RightArrow;</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>j</mi>
<mo>&Element;</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mi>f</mi>
<mi>u</mi>
<mi>n</mi>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>j</mi>
<mo>,</mo>
<mi>d</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>j</mi>
<mo>&Element;</mo>
<mi>a</mi>
<mi>l</mi>
<mi>l</mi>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mi>g</mi>
<mi>o</mi>
<mi>i</mi>
<mi>n</mi>
<mi>g</mi>
<mi>e</mi>
<mi>d</mi>
<mi>g</mi>
<mi>e</mi>
<mi>s</mi>
</mrow>
</msub>
<mi>f</mi>
<mi>u</mi>
<mi>n</mi>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>j</mi>
<mo>,</mo>
<mi>d</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,ni表示所述路网图中的一个节点,nj表示与所述ni相邻的一个节点,Prd(ni→nj)表示从节点ni转向节点nj的转向概率值,func(traj,d)=exp(-dists(traj,d))用来度量一条轨迹traj到达目的地点d的概率值,dists(traj,d)表示所述轨迹traj通过节点ni后的轨迹部分到目的地点d的最短距离。
3.根据权利要求2所述的方法,其特征在于,所述依据最大概率寻路算法,从所述有向图中选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径包括:
S20:依据选定的初始节点,从所述有向图中选取出与所述初始节点相邻的目标节点,并将所述起始节点与各个所述目标节点之间的路径作为子路径存储于集合A中;
S21:从所述集合A中包含的所有所述子路径中选取出概率值最大的一条子路径作为目标子路径,并判断所述目标子路径中的目标节点是否为目的地点;若是,则执行S22;若否,则执行S23;
S22:将所述目标子路径作为推荐路径;
S23:将所述目标子路径包含的目标节点作为第一节点;
S24:从所述有向图中选取出与所述第一节点相邻并且满足限定条件的目标节点;并将从所述起始节点开始经过所述第一节点达到所述目标节点的子路径替换从所述起始节点达到所述第一节点子路径,存储于集合A中,并返回所述S21。
4.根据权利要求3所述的方法,其特征在于,在所述S21中包括:
将第一子路径中包含的各条线段的转向概率值相乘,得出所述第一子路径的概率值;所述第一子路径为所述集合A中包含的所有所述子路径中的任意一条子路径。
5.根据权利要求1-4任意一项所述的方法,其特征在于,还包括:
依据Top-k算法,从所述有向图中选取出与所述推荐路径满足差异条件的k条备选路径。
6.一种路径推荐装置,其特征在于,包括构建单元和选取单元,
所述构建单元,用于依据获取的历史轨迹数据,构建在目的地点确定的情况下所对应的有向图;所述有向图中包含的任意两个相邻节点之间所对应的线段有其对应的转向概率值;
所述选取单元,用于依据最大概率寻路算法,从所述有向图中选取出从起始节点达到所述目的地点概率值最大的一条路径作为推荐路径。
7.根据权利要求6所述的装置,其特征在于,所述构建单元包括建立子单元和转化子单元,
所述建立子单元,用于依据获取的历史轨迹数据,建立在目的地点确定的情况下所对应的路网图;所述路网图由各个节点连接组成,一个节点对应表示一个路口;
所述转化子单元,用于根据如下公式,计算出所述路网图中任意两个相邻节点之间的转向概率值,从而将所述路网图转化为有向图;
<mrow>
<msub>
<mi>Pr</mi>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>&RightArrow;</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>j</mi>
<mo>&Element;</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mi>f</mi>
<mi>u</mi>
<mi>n</mi>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>j</mi>
<mo>,</mo>
<mi>d</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>j</mi>
<mo>&Element;</mo>
<mi>a</mi>
<mi>l</mi>
<mi>l</mi>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mi>g</mi>
<mi>o</mi>
<mi>i</mi>
<mi>n</mi>
<mi>g</mi>
<mi>e</mi>
<mi>d</mi>
<mi>g</mi>
<mi>e</mi>
<mi>s</mi>
</mrow>
</msub>
<mi>f</mi>
<mi>u</mi>
<mi>n</mi>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>j</mi>
<mo>,</mo>
<mi>d</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,ni表示所述路网图中的一个节点,nj表示与所述ni相邻的一个节点,Prd(ni→nj)表示从节点ni转向节点nj的转向概率值,func(traj,d)=exp(-dists(traj,d))用来度量一条轨迹traj到达目的地点d的概率值,dists(traj,d)表示所述轨迹traj通过节点ni后的轨迹部分到目的地点d的最短距离。
8.根据权利要求7所述的装置,其特征在于,所述选取单元包括第一选取子单元、第二选取子单元、判断子单元、第一作为子单元、第二作为子单元和替换子单元,
所述第一选取子单元,用于依据选定的初始节点,从所述有向图中选取出与所述初始节点相邻的目标节点,并将所述起始节点与各个所述目标节点之间的路径作为子路径存储于集合A中;
所述第二选取子单元,用于从所述集合A中包含的所有所述子路径中选取出概率值最大的一条子路径作为目标子路径,并触发所述判断子单元,所述判断子单元,用于判断所述目标子路径中的目标节点是否为目的地点;若是,则触发所述第一作为子单元;若否,则触发所述第二作为子单元;
所述第一作为子单元,用于将所述目标子路径作为推荐路径;
所述第二作为子单元,用于将所述目标子路径包含的目标节点作为第一节点;并触发所述替换子单元;
所述替换子单元,用于从所述有向图中选取出与所述第一节点相邻并且满足限定条件的目标节点;并将从所述起始节点开始经过所述第一节点达到所述目标节点的子路径替换从所述起始节点达到所述第一节点子路径,存储于集合A中,并触发所述第二选取子单元。
9.根据权利要求8所述的装置,其特征在于,所述第二选取子单元具体用于将第一子路径中包含的各条线段的转向概率值相乘,得出所述第一子路径的概率值;所述第一子路径为所述集合A中包含的所有所述子路径中的任意一条子路径。
10.根据权利要求6-9任意一项所述的装置,其特征在于,还包括备选单元,
所述备选单元,用于依据Top-k算法,从所述有向图中选取出与所述推荐路径满足差异条件的k条备选路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710842396.8A CN107643085B (zh) | 2017-09-18 | 2017-09-18 | 一种路径推荐方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710842396.8A CN107643085B (zh) | 2017-09-18 | 2017-09-18 | 一种路径推荐方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107643085A true CN107643085A (zh) | 2018-01-30 |
CN107643085B CN107643085B (zh) | 2021-02-12 |
Family
ID=61111947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710842396.8A Active CN107643085B (zh) | 2017-09-18 | 2017-09-18 | 一种路径推荐方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107643085B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108663062A (zh) * | 2018-03-27 | 2018-10-16 | 斑马网络技术有限公司 | 路径规划方法及其系统 |
CN108985506A (zh) * | 2018-07-03 | 2018-12-11 | 蔚来汽车有限公司 | 行车路径推荐方法、预测方法、获取方法及其装置 |
CN109657879A (zh) * | 2019-01-07 | 2019-04-19 | 平安科技(深圳)有限公司 | 预测路线获取方法、装置、计算机设备及存储介质 |
CN109816131A (zh) * | 2017-11-20 | 2019-05-28 | 北京京东尚科信息技术有限公司 | 路径规划方法、路径规划装置及计算机可读存储介质 |
CN110162050A (zh) * | 2019-05-22 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 行驶控制方法及行驶控制系统 |
CN110202570A (zh) * | 2019-05-13 | 2019-09-06 | 深圳创动科技有限公司 | 机器人及其运动控制方法以及存储介质 |
CN110542428A (zh) * | 2019-08-27 | 2019-12-06 | 腾讯科技(深圳)有限公司 | 驾驶路线质量评估方法及装置 |
CN110542426A (zh) * | 2018-05-28 | 2019-12-06 | 百度在线网络技术(北京)有限公司 | 小路识别方法、设备及可读介质 |
CN110645992A (zh) * | 2019-11-07 | 2020-01-03 | 北京云迹科技有限公司 | 一种导航方法及装置 |
CN110929323A (zh) * | 2019-11-20 | 2020-03-27 | 上海建工四建集团有限公司 | 设备路由连接关系渲染路径去重方法和电子设备 |
CN111198933A (zh) * | 2020-01-03 | 2020-05-26 | 北京明略软件系统有限公司 | 搜索目标实体的方法、装置、电子装置及存储介质 |
CN111435474A (zh) * | 2019-01-14 | 2020-07-21 | 富士施乐株式会社 | 优化零件提取清单和路线的方法、系统和计算机可读介质 |
CN111444294A (zh) * | 2019-01-17 | 2020-07-24 | 杭州海康威视系统技术有限公司 | 一种轨迹补全方法、装置及电子设备 |
CN111767479A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 推荐模型生成方法、装置、电子设备及存储介质 |
CN113271440A (zh) * | 2021-05-20 | 2021-08-17 | 浙江宇视科技有限公司 | 移动目标的行动轨迹获得方法、装置、设备及存储介质 |
CN114625787A (zh) * | 2022-05-17 | 2022-06-14 | 浙江口碑网络技术有限公司 | 一种数据挖掘方法和装置 |
WO2023029553A1 (zh) * | 2021-08-30 | 2023-03-09 | 华为技术有限公司 | 路径推荐的方法、装置及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295408A (zh) * | 2012-02-28 | 2013-09-11 | 株式会社电装 | 转向概率预测装置及方法 |
CN105628033A (zh) * | 2016-02-26 | 2016-06-01 | 广西鑫朗通信技术有限公司 | 一种基于道路连通关系的地图匹配方法 |
EP3290867A1 (en) * | 2016-08-30 | 2018-03-07 | HERE Global B.V. | Method, apparatus and computer program product for a navigation system user interface |
EP3358474A1 (en) * | 2015-09-30 | 2018-08-08 | Baidu Online Network Technology (Beijing) Co., Ltd | Route search method, device and apparatus, and non-volatile computer storage medium |
-
2017
- 2017-09-18 CN CN201710842396.8A patent/CN107643085B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295408A (zh) * | 2012-02-28 | 2013-09-11 | 株式会社电装 | 转向概率预测装置及方法 |
EP3358474A1 (en) * | 2015-09-30 | 2018-08-08 | Baidu Online Network Technology (Beijing) Co., Ltd | Route search method, device and apparatus, and non-volatile computer storage medium |
CN105628033A (zh) * | 2016-02-26 | 2016-06-01 | 广西鑫朗通信技术有限公司 | 一种基于道路连通关系的地图匹配方法 |
EP3290867A1 (en) * | 2016-08-30 | 2018-03-07 | HERE Global B.V. | Method, apparatus and computer program product for a navigation system user interface |
Non-Patent Citations (2)
Title |
---|
JIANQIANG HU 等: "A Rapid Algorithm to Find Replacement Services for K-Shortest Path", 《2007 IFIP INTERNATIONAL CONFERENCE ON NETWORK AND PARALLEL COMPUTING》 * |
ZAIBEN CHEN 等: "Discovering popular routes from trajectories", 《2011 IEEE 27TH INTERNATIONAL CONFERENCE ON DATA ENGINEERING》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816131A (zh) * | 2017-11-20 | 2019-05-28 | 北京京东尚科信息技术有限公司 | 路径规划方法、路径规划装置及计算机可读存储介质 |
CN109816131B (zh) * | 2017-11-20 | 2021-04-30 | 北京京东乾石科技有限公司 | 路径规划方法、路径规划装置及计算机可读存储介质 |
CN108663062B (zh) * | 2018-03-27 | 2022-07-22 | 斑马网络技术有限公司 | 路径规划方法及其系统 |
CN108663062A (zh) * | 2018-03-27 | 2018-10-16 | 斑马网络技术有限公司 | 路径规划方法及其系统 |
CN110542426A (zh) * | 2018-05-28 | 2019-12-06 | 百度在线网络技术(北京)有限公司 | 小路识别方法、设备及可读介质 |
CN108985506A (zh) * | 2018-07-03 | 2018-12-11 | 蔚来汽车有限公司 | 行车路径推荐方法、预测方法、获取方法及其装置 |
CN109657879A (zh) * | 2019-01-07 | 2019-04-19 | 平安科技(深圳)有限公司 | 预测路线获取方法、装置、计算机设备及存储介质 |
CN109657879B (zh) * | 2019-01-07 | 2023-06-09 | 平安科技(深圳)有限公司 | 预测路线获取方法、装置、计算机设备及存储介质 |
CN111435474A (zh) * | 2019-01-14 | 2020-07-21 | 富士施乐株式会社 | 优化零件提取清单和路线的方法、系统和计算机可读介质 |
CN111435474B (zh) * | 2019-01-14 | 2024-01-09 | 富士胶片商业创新有限公司 | 优化零件提取清单和路线的方法、系统和计算机可读介质 |
CN111444294A (zh) * | 2019-01-17 | 2020-07-24 | 杭州海康威视系统技术有限公司 | 一种轨迹补全方法、装置及电子设备 |
CN111444294B (zh) * | 2019-01-17 | 2023-10-10 | 杭州海康威视系统技术有限公司 | 一种轨迹补全方法、装置及电子设备 |
CN110202570A (zh) * | 2019-05-13 | 2019-09-06 | 深圳创动科技有限公司 | 机器人及其运动控制方法以及存储介质 |
CN110162050B (zh) * | 2019-05-22 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 行驶控制方法及行驶控制系统 |
CN110162050A (zh) * | 2019-05-22 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 行驶控制方法及行驶控制系统 |
CN110542428A (zh) * | 2019-08-27 | 2019-12-06 | 腾讯科技(深圳)有限公司 | 驾驶路线质量评估方法及装置 |
CN110645992A (zh) * | 2019-11-07 | 2020-01-03 | 北京云迹科技有限公司 | 一种导航方法及装置 |
CN110929323A (zh) * | 2019-11-20 | 2020-03-27 | 上海建工四建集团有限公司 | 设备路由连接关系渲染路径去重方法和电子设备 |
CN111198933A (zh) * | 2020-01-03 | 2020-05-26 | 北京明略软件系统有限公司 | 搜索目标实体的方法、装置、电子装置及存储介质 |
CN111767479B (zh) * | 2020-06-30 | 2023-06-27 | 北京百度网讯科技有限公司 | 推荐模型生成方法、装置、电子设备及存储介质 |
CN111767479A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 推荐模型生成方法、装置、电子设备及存储介质 |
CN113271440A (zh) * | 2021-05-20 | 2021-08-17 | 浙江宇视科技有限公司 | 移动目标的行动轨迹获得方法、装置、设备及存储介质 |
WO2023029553A1 (zh) * | 2021-08-30 | 2023-03-09 | 华为技术有限公司 | 路径推荐的方法、装置及相关设备 |
CN114625787A (zh) * | 2022-05-17 | 2022-06-14 | 浙江口碑网络技术有限公司 | 一种数据挖掘方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107643085B (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107643085A (zh) | 一种路径推荐方法与装置 | |
US9599488B2 (en) | Method and apparatus for providing navigational guidance using the states of traffic signal | |
US6879907B2 (en) | Method and system for modeling and processing vehicular traffic data and information and applying thereof | |
JP5448827B2 (ja) | ルートを生成するための方法および装置 | |
CN104331422B (zh) | 一种路段类型推测方法 | |
CN109269514A (zh) | 确定运动轨迹的方法和装置 | |
CN103808325B (zh) | 交通出行方案的生成方法及装置 | |
CN103217168B (zh) | 导航方法及设备 | |
CN108320501A (zh) | 基于用户手机信令的公交线路识别方法 | |
CN106920387A (zh) | 获取交通道路中路线热度的方法及装置 | |
Carisi et al. | Enhancing in vehicle digital maps via GPS crowdsourcing | |
CN101694749A (zh) | 一种路径推测方法及装置 | |
JP2010508531A5 (zh) | ||
CN107403550A (zh) | 公交路网数据采集方法、装置和终端设备 | |
CN107949873A (zh) | 旅行时间数据调整装置、旅行时间数据调整方法以及程序 | |
CN104636457B (zh) | 一种位置搜索认知的方法及装置 | |
CN112652172B (zh) | 一种基于车辆gps轨迹的路段交通量分析方法 | |
CN110110243A (zh) | 一种基于回声状态网络的历史轨迹目的地预测方法 | |
CN110598917A (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN106855878A (zh) | 基于电子地图的历史行车轨迹显示方法和装置 | |
JP6803205B2 (ja) | 対象経路を含む移動位置範囲群に基づき通行量を推定する装置、プログラム及び方法 | |
CN107655490A (zh) | 基于移动用户轨迹分段和最热搜索的热点路径发现方法 | |
CN107300388A (zh) | 基于Q‑learning算法和回声状态网络的骑行旅游路线规划方法 | |
Domingues et al. | Space and time matter: An analysis about route selection in mobility traces | |
JP7464728B2 (ja) | ナビゲーションシステム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |