CN108072378A - 一种预测目的地的方法及装置 - Google Patents
一种预测目的地的方法及装置 Download PDFInfo
- Publication number
- CN108072378A CN108072378A CN201611005963.6A CN201611005963A CN108072378A CN 108072378 A CN108072378 A CN 108072378A CN 201611005963 A CN201611005963 A CN 201611005963A CN 108072378 A CN108072378 A CN 108072378A
- Authority
- CN
- China
- Prior art keywords
- node
- point
- destination
- probability
- sum
- 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
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
- 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
Abstract
本发明公开了一种预测目的地的方法及装置，该方法为，获取用户设定的服务类型，以及监测用户驾驶的车辆的当前行车轨迹；获取对应服务类型设置的目的地集合；基于车辆的当前行车轨迹，采用目的地集合中包含的每一个目的地对应的预测模型，分别确定每一个目的地对应的预测概率，其中，一个目的地对应的预测模型表示根据用户驾驶的车辆的历史行车轨迹和设定的服务类型，确定车辆的当前行车轨迹的目的地为一个目的地的概率；选取预测概率符合预设规则的目的地为预测目的地。这样，避免了仅通过历史行车轨迹进行目的地预测时，用户的习惯、目的以及需求等对目的地预测的影响，提高了目的地预测的准确性。
Description
技术领域
本发明涉及智能技术领域，尤其涉及一种预测目的地的方法及装置。
背景技术
随着互联网技术的发展，基于位置服务(Location Based Service，LBS)的应用程序不断地涌现，从而为用户驾车出行提供位置定位、路线查询以及历史行车轨迹呈现等服务。
而由于用户驾车出行的路线既会受到自身行为的习惯的影响，还会受到外部条件的约束，因此，用户驾车出行的目的地是具有一定的规律的，用户驾车到达某些特定区域的可能性比较高，如，家、公司、购物中心、餐厅以及电影院等。
现有技术下，终端可以通过位置服务的应用程序获取用户驾车出行的历史行车轨迹，进一步地，可以基于用户驾车出行的历史行车轨迹预测用户驾车出行的目的地。
现有技术下，终端预测用户驾车出行的目的地的方式如下：
终端获取车辆当前的行车轨迹，以及各个历史行车轨迹，并将当前的行车轨迹与每一个历史行车轨迹相比对，若存在某一历史行车轨迹与当前的行车轨迹部分比对成功，则确定当前车辆的目的地为该历史行车轨迹的目的地。进一步，若存在多个历史行车轨迹与当前的行车轨迹部分比对成功，则根据上述多个历史行车轨迹，计算到达对应上述多个历史行车轨迹的各个目的地的概率，确定当前车辆的目的地为概率最高的目的地。
但是，由于用户驾车出行的轨迹受用户的习惯、目的以及需求等影响较大，因此，预测用户驾车出行的目的地的准确率比较低。进一步地，由于车辆的当前行车轨迹是不断变化的，因此，当在历史行车轨迹的数据库中找不到与当前的行车轨迹比对成功的历史行车轨迹时，则无法预测用户驾车出行的目的地。
有鉴于此，需要设计一种新的预测目的地的方法，以克服上述缺陷。
发明内容
本发明实施例提供一种预测目的地的方法及装置，用于根据用户驾驶的车辆的当前行车轨迹和用户设定的服务类型，预测用户驾车出行的目的地，避免了仅通过历史行车轨迹进行目的地预测时，用户的习惯、目的以及需求等对目的地预测的影响，提高了目的地预测的准确性。
本发明实施例提供的具体技术方案如下：
一种预测目的地的方法，包括：
获取用户设定的服务类型，以及监测用户驾驶的车辆的当前行车轨迹；
获取对应服务类型设置的目的地集合；
基于车辆的当前行车轨迹，采用目的地集合中包含的每一个目的地对应的预测模型，分别确定每一个目的地对应的预测概率，其中，一个目的地对应的预测模型表示根据用户驾驶的车辆的历史行车轨迹和设定的服务类型，确定车辆的当前行车轨迹的目的地为一个目的地的概率；
选取预测概率符合预设规则的目的地为预测目的地。
较佳的，在获取用户设定的服务类型，以及监测用户驾驶的车辆的当前行车轨迹之前，进一步包括：
参照经纬度方向，按照设定网格面积将地图划分为若干网格；
对应每一个网格设置一个节点；
建立每一个节点与相应的的网格中包含的位置点之间的关联关系，称为位置关联关系。
较佳的，基于目的地集合中包含的每一个目的地对应的预测模型，以及车辆的当前行车轨迹，分别确定每一个目的地对应的预测概率，具体包括：
分别获取车辆的每一条历史行车轨迹及相应的起始点、终止点和终止点的服务类型，以及获取车辆的当前行车轨迹的的起始点，其中，终止点为一条行车轨迹的结束地所在位置点，起始点为一条行车轨迹的出发地所在位置点；
基于位置关联关系，分别确定每一个起始点对应的节点，作为起始点节点，分别确定每一个终止点对应的节点，作为终止点节点，并分别确定目的地集合中的每一个目的地所在位置点对应的节点，作为目的地节点；
基于车辆的当前行车轨迹，车辆的当前行车轨迹相应的起始点节点，每一条历史行车轨迹以及相应的起始点节点、终止点节点和终止点的服务类型，采用每一个目的地节点对应的预测模型，分别确定每一个目的地节点对应的预测概率。
较佳的，基于车辆的当前行车轨迹，车辆的当前行车轨迹相应的起始点节点，每一条历史行车轨迹以及相应的起始点节点、终止点节点和终止点的服务类型，采用任意一个目的地节点对应的预测模型，确定任意一个目的地节点对应的预测概率，包括：
基于每一条历史行车轨迹和相应的终止点节点，确定对应的终止点节点为任意一个目的地节点的历史行车轨迹在所有历史行车轨迹中的占比；
基于车辆的当前行车轨迹，车辆的当前行车轨迹相应的起始点节点，每一条历史行车轨迹以及相应的起始点节点和终止点节点，确定任意一个目的地节点的当前行车轨迹概率，其中，任意一个目的地节点的当前行车轨迹概率为：一条行车轨迹的起始点节点为车辆的当前行车轨迹相应的起始点节点，并且，一条行车轨迹与车辆的当前行车轨迹重合，以及一条行车轨迹的终止点节点为任意一个目的地节点的概率；
基于车辆的当前行车轨迹，设定的服务类型，每一条历史行车轨迹以及相应的终止点节点和终止点节点的服务类型，确定任意一个目的地节点的服务类型概率，其中，任意一个目的地节点的服务类型概率为：一条行车轨迹与车辆的当前行车轨迹重合，并且，一条行车轨迹对应的终止点节点的服务类型为设定的服务类型，以及对应的终止点节点为任意一个目的地节点的概率；
基于任意一个目的地节点对应的占比、当前行车轨迹概率和服务类型概率，采用任意一个目的地节点对应的预测模型，确定任意一个目的地节点对应的预测概率，其中，一个目的地节点对应的预测概率与一个目的地节点对应的占比、当前行车轨迹概率和服务类型概率呈正相关。
较佳的，确定任意一个目的地节点的当前行车轨迹概率，包括：
获取车辆的当前行车轨迹的的停留点，其中，停留点为当前时刻所在位置点；
基于位置关联关系，确定停留点对应的节点，作为停留点节点；
基于停留点节点，确定任意一个目的地节点的停留点节点转移概率，其中，任意一个目的地节点的停留点节点转移概率为：一条行车轨迹与停留点节点重合，并与任意一个目的地节点重合的概率；
基于车辆的当前行车轨迹相应的起始点节点，确定任意一个目的地节点的起始点节点转移概率，其中，任意一个目的地节点的起始点节点转移概率为：一条行车轨迹与车辆的当前行车轨迹相应的起始点节点重合，并与任意一个目的地节点重合的概率；
基于获取的车辆的出发时间，车辆的当前行车轨迹相应的起始点节点，以及设定的服务类型，确定任意一个目的地节点的时间概率，其中，任意一个目的地节点的时间概率为：一条行车轨迹对应的出发时间为车辆的出发时间，并且，一条行车轨迹对应的起始点节点为车辆的当前行车轨迹相应的起始点节点，以及对应的终止点节点的服务类型为设定的服务类型的概率；
基于任意一个目的地节点对应的停留点节点转移概率、起始点节点转移概率以及时间概率，确定任意一个目的地节点的当前行车轨迹概率，其中，一个目的地节点对应的当前行车轨迹概率与一个目的地节点对应的停留点节点转移概率和时间概率呈正相关，并与一个目的地节点对应的起始点节点转移概率呈负相关。
较佳的，确定任意一个目的地节点的服务类型概率，包括：
基于车辆的当前行车轨迹，设定的服务类型，每一条历史行车轨迹以及相应的终止点节点和终止点节点的服务类型，确定第一轨迹总数，其中，第一轨迹总数为：对应的终止点节点的服务类型为设定的服务类型，并且对应的终止点节点为任意一个目的地节点，以及与车辆的当前行车轨迹重合的历史行车轨迹的总数；
基于车辆的当前行车轨迹，以及每一条历史行车轨迹以及相应的终止点节点，确定第二轨迹总数，其中，第二轨迹总数为：对应的终止点节点为任意一个目的地节点，并且与车辆的当前行车轨迹重合的历史行车轨迹的总数；
基于第一轨迹总数和第二轨迹总数，确定任意一个目的地节点的服务类型概率，其中，一个目的地节点的服务类型概率与第一轨迹总数呈正相关，与第二轨迹总数呈负相关。
较佳的，确定任意一个目的地节点的时间概率，包括：
基于车辆的出发时间，设定的服务类型，以及每一条历史行车轨迹相应的出发时间和终止点节点的服务类型，确定出发时间概率，其中，出发时间概率为：一条行车轨迹对应的出发时间为车辆的出发时间，并且对应的终止点节点的服务类型为设定的服务类型的概率；
基于车辆的当前行车轨迹，以及每一条历史行车轨迹，确定当前行车轨迹转移概率，其中，当前行车轨迹连续转移概率为：一条行车轨迹与车辆的当前行车轨迹重合的概率；
基于出发时间概率，以及当前行车轨迹转移概率，确定任意一个目的地节点的时间概率，其中，任意一个目的地节点的时间概率与出发时间概率和当前行车轨迹转移概率呈正相关。
较佳的，确定出发时间概率，包括：
基于车辆的出发时间，设定的服务类型，以及每一条历史行车轨迹相应的出发时间和终止点节点的服务类型，确定第三轨迹总数，其中，第三轨迹总数为：对应的出发时间为车辆的出发时间，并且对应的终止点节点的服务类型为设定的服务类型的历史行车轨迹的总数。
基于车辆的出发时间，以及每一条历史行车轨迹相应的出发时间，确定第四轨迹总数，其中，第四轨迹总数为：对应的出发时间为车辆的出发时间的历史行车轨迹的总数；
基于第三轨迹总数，以及第四轨迹总数，确定出发时间概率，其中，出发时间概率与第三轨迹总数呈正相关，并与第四轨迹总数呈负相关。
较佳的，确定当前行车轨迹转移概率，包括：
基于获取的与车辆的当前行车轨迹重合的节点，生成当前行车轨迹节点集合；
基于每一条历史行车轨迹，确定当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，其中，任意两个相邻的节点之间的单步转移概率为：一条行车轨迹与任意两个相邻的节点重合的概率；
基于当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，确定当前行车轨迹转移概率，其中，当前行车轨迹转移概率与当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率呈正相关。
较佳的，确定当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，包括：
基于每一条历史行车轨迹，确定任意一个节点的第五轨迹总数，其中一个节点的第五轨迹总数为：与一个节点以及一个节点的周边的节点重合的历史行车轨迹的总数；
基于每一条历史行车轨迹，确定任意两个相邻节点的第六轨迹总数，其中，两个相邻的节点的第六轨迹总数为：与两个相邻节点重合的历史行车轨迹的总数；
基于任意一个节点的第五轨迹总数，以及任意两个相邻节点的第六轨迹总数，确定当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，其中，两个相邻节点之间的单步转移概率与单步轨迹的起始点节点的第五轨迹总数呈负相关，并与两个相邻节点的第六轨迹总数呈正相关，以及单步轨迹的起始点节点为：按照车辆的当前行车轨迹的方向，确定的两个相邻节点之间的一条行车轨迹的起始点节点。
较佳的，确定任意一个目的地节点的停留点节点转移概率，包括：
基于停留点节点，生成任意一个目的地节点的第一轨迹集合，其中，第一轨迹集合为：对应的起始点节点为停留点节点，并且，对应的终止点节点为任意一个目的地节点的历史行车轨迹的集合；
获取第一轨迹集合中的每一条历史行车轨迹对应的第一节点总数，其中，一条历史行车轨迹对应的第一节点总数为：与一条历史行车轨迹重合的节点的总数；
基于第一轨迹集合中的每一条历史行车轨迹对应的第一节点总数，挑选出取值最小的第一节点总数，作为最小第一节点总数；
基于预设的迂回轨迹比值，以及最小第一节点总数，确定任意一个目的地节点的最大第一节点总数，其中，最大第一节点总数与迂回轨迹比值和最小第一节点总数呈正相关；
基于与任意一个目的地节点的第一轨迹集合中任意一条历史行车轨迹重合的节点，生成任意一个目的地节点的第一节点集合；
基于第一轨迹集合中的每一条历史行车轨迹，确定第一节点集合中任意两个相邻节点之间的单步转移概率；
基于第一节点集合中任意两个相邻节点之间的单步转移概率，最小第一节点总数，以及最大第一节点总数，确定任意一个目的地节点的停留点节点转移概率。
较佳的，基于第一节点集合中任意两个相邻节点之间的单步转移概率，最小第一节点总数，以及最大第一节点总数，确定任意一个目的地节点的停留点节点转移概率，包括：
基于最小第一节点总数，以及最大第一节点总数，生成第一节点总数集合，其中，第一节点总数集合为最小第一节点总数和最大第一节点总数，以及最小第一节点总数与最大第一节点总数之间的每一个节点总数的取值的集合；
基于停留点节点，以及第一轨迹集合中任意两个相邻节点之间的单步转移概率，确定对应的阶数为第一节点总数集合中的任意一个节点总数的取值的停留点转移概率矩阵，其中，对应的阶数为一个节点总数的取值的停留点转移概率矩阵为：一条行车轨迹与总数为一个节点总数的取值的节点重合，并且，一条行车轨迹的起始点节点为停留点，以及对应的终止点节点为任意一个目的地节点的概率。
与停留点节点和任意一个目的地节点重合，并且，与停留点节点与任意一个目的地节点之间的总数为一个节点总数的取值的节点重合的概率；
基于对应的阶数为第一节点总数集合中的任意一个取值的停留点转移概率矩阵，确定任意一个目的地节点的停留点节点转移概率，其中，任意一个目的地节点的停留点节点转移概率为：对应的阶数为第一节点总数集合中的每一个取值的停留点转移概率矩阵的加和。
较佳的，确定任意一个目的地节点的起始点节点转移概率，包括：
基于车辆的当前行车轨迹相应的起始点节点，生成任意一个目的地节点的第二轨迹集合，其中，任意一个目的地节点的第二轨迹集合为：对应的起始点节点为车辆的当前行车轨迹相应的起始点节点，并且，对应的终止点节点为任意一个目的地节点的历史行车轨迹的集合；
获取第二轨迹集合中的每一条历史行车轨迹对应的第二节点总数，其中，一条历史行车轨迹对应的第二节点总数为：与一条历史行车轨迹重合的节点的总数；
基于第二轨迹集合中的每一条历史行车轨迹对应的第二节点总数，确定最小第二节点总数，其中，最小第二节点总数为：第二轨迹集合中的历史行车轨迹对应的取值最小的第二节点总数；
基于迂回轨迹比值，以及最小第二节点总数，确定最大第二节点总数，其中，最大第二节点总数与迂回轨迹比值和最小第二节点总数呈正相关；
基于与第二轨迹集合中任意一条历史行车轨迹重合的节点，生成第二节点集合；
基于每一条历史行车轨迹，确定第二节点集合中任意两个相邻节点之间的单步转移概率；
基于第二节点集合中任意两个相邻节点之间的单步转移概率，最小第二节点总数，以及最大第二节点总数，确定任意一个目的地节点的起始点节点转移概率。
较佳的，基于第二节点集合中任意两个相邻节点之间的单步转移概率，最小第二节点总数，以及最大第二节点总数，确定任意一个目的地节点的起始点节点转移概率，包括：
基于最小第二节点总数，以及最大第二节点总数，生成第二节点总数集合，其中，第二节点总数集合为：最小第一节点总数和最大第一节点总数，以及最小第二节点总数与最大第二节点总数之间的每一个节点总数的取值的集合；
基于车辆的行车轨迹对应的起始点节点，以及第二节点集合中任意两个相邻节点之间的单步转移概率，确定对应的阶数为第二节点总数集合中的任意一个节点总数的取值的起始点转移概率矩阵，其中，对应的阶数为一个节点总数的取值的起始点转移概率矩阵为：一条行车轨迹与总数为一个节点总数的取值的节点重合，并且，一条行车轨迹的起始点节点为车辆的行车轨迹对应的起始点节点，以及对应的终止点节点为任意一个目的地节点的概率。
基于对应的阶数为第二节点总数集合中的任意一个节点总数的取值的起始点转移概率矩阵，确定任意一个目的地节点的起始点节点转移概率，其中，任意一个目的地节点的起始点节点转移概率为：对应的阶数为第二节点总数集合中的每一个节点总数的取值的起始点转移概率矩阵的加和。
较佳的，在选取预测概率符合预设规则的目的地为预测目的地之后，进一步包括：
获取车辆的当前行车轨迹对应的实际目的地节点，其中，实际目的地节点为：车辆的当前行车轨迹的结束地所在点对应的节点；
将预测目的地对应的目的地节点与实际目的地节点进行比对，获得比对结果；
基于比对结果，对设定网格面积进行调整。
一种预测目的地的装置，具体包括：
监测单元，用于获取用户设定的服务类型，以及监测用户驾驶的车辆的当前行车轨迹；
获取单元，用于获取对应服务类型设置的目的地集合；
预测单元，用于基于车辆的当前行车轨迹，采用目的地集合中包含的每一个目的地对应的预测模型，分别确定每一个目的地对应的预测概率，其中，一个目的地对应的预测模型表示根据用户驾驶的车辆的历史行车轨迹和设定的服务类型，确定车辆的当前行车轨迹的目的地为一个目的地的概率；
选取单元，用于选取预测概率符合预设规则的目的地为预测目的地。
较佳的，在获取用户设定的服务类型，以及监测用户驾驶的车辆的当前行车轨迹之前，监测单元还用于：
参照经纬度方向，按照设定网格面积将地图划分为若干网格；
对应每一个网格设置一个节点；
建立每一个节点与相应的的网格中包含的位置点之间的关联关系，称为位置关联关系。
较佳的，基于目的地集合中包含的每一个目的地对应的预测模型，以及车辆的当前行车轨迹，分别确定每一个目的地对应的预测概率时，预测单元具体用于：
分别获取车辆的每一条历史行车轨迹及相应的起始点、终止点和终止点的服务类型，以及获取车辆的当前行车轨迹的的起始点，其中，终止点为一条行车轨迹的结束地所在位置点，起始点为一条行车轨迹的出发地所在位置点；
基于位置关联关系，分别确定每一个起始点对应的节点，作为起始点节点，分别确定每一个终止点对应的节点，作为终止点节点，并分别确定目的地集合中的每一个目的地所在位置点对应的节点，作为目的地节点；
基于车辆的当前行车轨迹，车辆的当前行车轨迹相应的起始点节点，每一条历史行车轨迹以及相应的起始点节点、终止点节点和终止点的服务类型，采用每一个目的地节点对应的预测模型，分别确定每一个目的地节点对应的预测概率。
较佳的，基于车辆的当前行车轨迹，车辆的当前行车轨迹相应的起始点节点，每一条历史行车轨迹以及相应的起始点节点、终止点节点和终止点的服务类型，采用任意一个目的地节点对应的预测模型，确定任意一个目的地节点对应的预测概率时，预测单元还用于：
基于每一条历史行车轨迹和相应的终止点节点，确定对应的终止点节点为任意一个目的地节点的历史行车轨迹在所有历史行车轨迹中的占比；
基于车辆的当前行车轨迹，车辆的当前行车轨迹相应的起始点节点，每一条历史行车轨迹以及相应的起始点节点和终止点节点，确定任意一个目的地节点的当前行车轨迹概率，其中，任意一个目的地节点的当前行车轨迹概率为：一条行车轨迹的起始点节点为车辆的当前行车轨迹相应的起始点节点，并且，一条行车轨迹与车辆的当前行车轨迹重合，以及一条行车轨迹的终止点节点为任意一个目的地节点的概率；
基于车辆的当前行车轨迹，设定的服务类型，每一条历史行车轨迹以及相应的终止点节点和终止点节点的服务类型，确定任意一个目的地节点的服务类型概率，其中，任意一个目的地节点的服务类型概率为：一条行车轨迹与车辆的当前行车轨迹重合，并且，一条行车轨迹对应的终止点节点的服务类型为设定的服务类型，以及对应的终止点节点为任意一个目的地节点的概率；
基于任意一个目的地节点对应的占比、当前行车轨迹概率和服务类型概率，采用任意一个目的地节点对应的预测模型，确定任意一个目的地节点对应的预测概率，其中，一个目的地节点对应的预测概率与一个目的地节点对应的占比、当前行车轨迹概率和服务类型概率呈正相关。
较佳的，确定任意一个目的地节点的当前行车轨迹概率时，预测单元还用于：
获取车辆的当前行车轨迹的的停留点，其中，停留点为当前时刻所在位置点；
基于位置关联关系，确定停留点对应的节点，作为停留点节点；
基于停留点节点，确定任意一个目的地节点的停留点节点转移概率，其中，任意一个目的地节点的停留点节点转移概率为：一条行车轨迹与停留点节点重合，并与任意一个目的地节点重合的概率；
基于车辆的当前行车轨迹相应的起始点节点，确定任意一个目的地节点的起始点节点转移概率，其中，任意一个目的地节点的起始点节点转移概率为：一条行车轨迹与车辆的当前行车轨迹相应的起始点节点重合，并与任意一个目的地节点重合的概率；
基于获取的车辆的出发时间，车辆的当前行车轨迹相应的起始点节点，以及设定的服务类型，确定任意一个目的地节点的时间概率，其中，任意一个目的地节点的时间概率为：一条行车轨迹对应的出发时间为车辆的出发时间，并且，一条行车轨迹对应的起始点节点为车辆的当前行车轨迹相应的起始点节点，以及对应的终止点节点的服务类型为设定的服务类型的概率；
基于任意一个目的地节点对应的停留点节点转移概率、起始点节点转移概率以及时间概率，确定任意一个目的地节点的当前行车轨迹概率，其中，一个目的地节点对应的当前行车轨迹概率与一个目的地节点对应的停留点节点转移概率和时间概率呈正相关，并与一个目的地节点对应的起始点节点转移概率呈负相关。
较佳的，确定任意一个目的地节点的服务类型概率时，预测单元还用于：
基于车辆的当前行车轨迹，设定的服务类型，每一条历史行车轨迹以及相应的终止点节点和终止点节点的服务类型，确定第一轨迹总数，其中，第一轨迹总数为：对应的终止点节点的服务类型为设定的服务类型，并且对应的终止点节点为任意一个目的地节点，以及与车辆的当前行车轨迹重合的历史行车轨迹的总数；
基于车辆的当前行车轨迹，以及每一条历史行车轨迹以及相应的终止点节点，确定第二轨迹总数，其中，第二轨迹总数为：对应的终止点节点为任意一个目的地节点，并且与车辆的当前行车轨迹重合的历史行车轨迹的总数；
基于第一轨迹总数和第二轨迹总数，确定任意一个目的地节点的服务类型概率，其中，一个目的地节点的服务类型概率与第一轨迹总数呈正相关，与第二轨迹总数呈负相关。
较佳的，确定任意一个目的地节点的时间概率时，预测单元还用于：
基于车辆的出发时间，设定的服务类型，以及每一条历史行车轨迹相应的出发时间和终止点节点的服务类型，确定出发时间概率，其中，出发时间概率为：一条行车轨迹对应的出发时间为车辆的出发时间，并且对应的终止点节点的服务类型为设定的服务类型的概率；
基于车辆的当前行车轨迹，以及每一条历史行车轨迹，确定当前行车轨迹转移概率，其中，当前行车轨迹连续转移概率为：一条行车轨迹与车辆的当前行车轨迹重合的概率；
基于出发时间概率，以及当前行车轨迹转移概率，确定任意一个目的地节点的时间概率，其中，任意一个目的地节点的时间概率与出发时间概率和当前行车轨迹转移概率呈正相关。
较佳的，确定出发时间概率时，预测单元还用于：
基于车辆的出发时间，设定的服务类型，以及每一条历史行车轨迹相应的出发时间和终止点节点的服务类型，确定第三轨迹总数，其中，第三轨迹总数为：对应的出发时间为车辆的出发时间，并且对应的终止点节点的服务类型为设定的服务类型的历史行车轨迹的总数。
基于车辆的出发时间，以及每一条历史行车轨迹相应的出发时间，确定第四轨迹总数，其中，第四轨迹总数为：对应的出发时间为车辆的出发时间的历史行车轨迹的总数；
基于第三轨迹总数，以及第四轨迹总数，确定出发时间概率，其中，出发时间概率与第三轨迹总数呈正相关，并与第四轨迹总数呈负相关。
较佳的，确定当前行车轨迹转移概率时，预测单元还用于：
基于获取的与车辆的当前行车轨迹重合的节点，生成当前行车轨迹节点集合；
基于每一条历史行车轨迹，确定当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，其中，任意两个相邻的节点之间的单步转移概率为：一条行车轨迹与任意两个相邻的节点重合的概率；
基于当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，确定当前行车轨迹转移概率，其中，当前行车轨迹转移概率与当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率呈正相关。
较佳的，确定当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率时，预测单元还用于：
基于每一条历史行车轨迹，确定任意一个节点的第五轨迹总数，其中一个节点的第五轨迹总数为：与一个节点以及一个节点的周边的节点重合的历史行车轨迹的总数；
基于每一条历史行车轨迹，确定任意两个相邻节点的第六轨迹总数，其中，两个相邻的节点的第六轨迹总数为：与两个相邻节点重合的历史行车轨迹的总数；
基于任意一个节点的第五轨迹总数，以及任意两个相邻节点的第六轨迹总数，确定当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，其中，两个相邻节点之间的单步转移概率与单步轨迹的起始点节点的第五轨迹总数呈负相关，并与两个相邻节点的第六轨迹总数呈正相关，以及单步轨迹的起始点节点为：按照车辆的当前行车轨迹的方向，确定的两个相邻节点之间的一条行车轨迹的起始点节点。
较佳的，确定任意一个目的地节点的停留点节点转移概率时，预测单元还用于：
基于停留点节点，生成任意一个目的地节点的第一轨迹集合，其中，第一轨迹集合为：对应的起始点节点为停留点节点，并且，对应的终止点节点为任意一个目的地节点的历史行车轨迹的集合；
获取第一轨迹集合中的每一条历史行车轨迹对应的第一节点总数，其中，一条历史行车轨迹对应的第一节点总数为：与一条历史行车轨迹重合的节点的总数；
基于第一轨迹集合中的每一条历史行车轨迹对应的第一节点总数，挑选出取值最小的第一节点总数，作为最小第一节点总数；
基于预设的迂回轨迹比值，以及最小第一节点总数，确定任意一个目的地节点的最大第一节点总数，其中，最大第一节点总数与迂回轨迹比值和最小第一节点总数呈正相关；
基于与任意一个目的地节点的第一轨迹集合中任意一条历史行车轨迹重合的节点，生成任意一个目的地节点的第一节点集合；
基于第一轨迹集合中的每一条历史行车轨迹，确定第一节点集合中任意两个相邻节点之间的单步转移概率；
基于第一节点集合中任意两个相邻节点之间的单步转移概率，最小第一节点总数，以及最大第一节点总数，确定任意一个目的地节点的停留点节点转移概率。
较佳的，基于第一节点集合中任意两个相邻节点之间的单步转移概率，最小第一节点总数，以及最大第一节点总数，确定任意一个目的地节点的停留点节点转移概率时，预测单元还用于：
基于最小第一节点总数，以及最大第一节点总数，生成第一节点总数集合，其中，第一节点总数集合为最小第一节点总数和最大第一节点总数，以及最小第一节点总数与最大第一节点总数之间的每一个节点总数的取值的集合；
基于停留点节点，以及第一轨迹集合中任意两个相邻节点之间的单步转移概率，确定对应的阶数为第一节点总数集合中的任意一个节点总数的取值的停留点转移概率矩阵，其中，对应的阶数为一个节点总数的取值的停留点转移概率矩阵为：一条行车轨迹与总数为一个节点总数的取值的节点重合，并且，一条行车轨迹的起始点节点为停留点，以及对应的终止点节点为任意一个目的地节点的概率。
与停留点节点和任意一个目的地节点重合，并且，与停留点节点与任意一个目的地节点之间的总数为一个节点总数的取值的节点重合的概率；
基于对应的阶数为第一节点总数集合中的任意一个取值的停留点转移概率矩阵，确定任意一个目的地节点的停留点节点转移概率，其中，任意一个目的地节点的停留点节点转移概率为：对应的阶数为第一节点总数集合中的每一个取值的停留点转移概率矩阵的加和。
较佳的，确定任意一个目的地节点的起始点节点转移概率时，预测单元还用于：
基于车辆的当前行车轨迹相应的起始点节点，生成任意一个目的地节点的第二轨迹集合，其中，任意一个目的地节点的第二轨迹集合为：对应的起始点节点为车辆的当前行车轨迹相应的起始点节点，并且，对应的终止点节点为任意一个目的地节点的历史行车轨迹的集合；
获取第二轨迹集合中的每一条历史行车轨迹对应的第二节点总数，其中，一条历史行车轨迹对应的第二节点总数为：与一条历史行车轨迹重合的节点的总数；
基于第二轨迹集合中的每一条历史行车轨迹对应的第二节点总数，确定最小第二节点总数，其中，最小第二节点总数为：第二轨迹集合中的历史行车轨迹对应的取值最小的第二节点总数；
基于迂回轨迹比值，以及最小第二节点总数，确定最大第二节点总数，其中，最大第二节点总数与迂回轨迹比值和最小第二节点总数呈正相关；
基于与第二轨迹集合中任意一条历史行车轨迹重合的节点，生成第二节点集合；
基于每一条历史行车轨迹，确定第二节点集合中任意两个相邻节点之间的单步转移概率；
基于第二节点集合中任意两个相邻节点之间的单步转移概率，最小第二节点总数，以及最大第二节点总数，确定任意一个目的地节点的起始点节点转移概率。
较佳的，基于第二节点集合中任意两个相邻节点之间的单步转移概率，最小第二节点总数，以及最大第二节点总数，确定任意一个目的地节点的起始点节点转移概率时，预测单元还用于：
基于最小第二节点总数，以及最大第二节点总数，生成第二节点总数集合，其中，第二节点总数集合为：最小第一节点总数和最大第一节点总数，以及最小第二节点总数与最大第二节点总数之间的每一个节点总数的取值的集合；
基于车辆的行车轨迹对应的起始点节点，以及第二节点集合中任意两个相邻节点之间的单步转移概率，确定对应的阶数为第二节点总数集合中的任意一个节点总数的取值的起始点转移概率矩阵，其中，对应的阶数为一个节点总数的取值的起始点转移概率矩阵为：一条行车轨迹与总数为一个节点总数的取值的节点重合，并且，一条行车轨迹的起始点节点为车辆的行车轨迹对应的起始点节点，以及对应的终止点节点为任意一个目的地节点的概率。
基于对应的阶数为第二节点总数集合中的任意一个节点总数的取值的起始点转移概率矩阵，确定任意一个目的地节点的起始点节点转移概率，其中，任意一个目的地节点的起始点节点转移概率为：对应的阶数为第二节点总数集合中的每一个节点总数的取值的起始点转移概率矩阵的加和。
较佳的，在选取预测概率符合预设规则的目的地为预测目的地之后，选取单元还用于：
获取车辆的当前行车轨迹对应的实际目的地节点，其中，实际目的地节点为：车辆的当前行车轨迹的结束地所在点对应的节点；
将预测目的地对应的目的地节点与实际目的地节点进行比对，获得比对结果；
基于比对结果，对设定网格面积进行调整。
本发明实施例中，获取用户设定的服务类型，以及监测用户驾驶的车辆的当前行车轨迹；获取对应服务类型设置的目的地集合；基于车辆的当前行车轨迹，采用目的地集合中包含的每一个目的地对应的预测模型，分别确定每一个目的地对应的预测概率，其中，一个目的地对应的预测模型表示根据用户驾驶的车辆的历史行车轨迹和设定的服务类型，确定车辆的当前行车轨迹的目的地为一个目的地的概率；选取预测概率符合预设规则的目的地为预测目的地。这样，终端就可以基于用户设定的服务类型，以及用户驾驶的车辆的当前行车轨迹，采用每一个目的对应的预测模型，确定预测目的地，避免了仅通过历史行车轨迹进行目的地预测时，用户的习惯、目的以及需求等对目的地预测的影响，提高了目的地预测的准确性。
附图说明
图1为本发明实施例中预测目的地的方法的流程图；
图2为本发明实施例中预测目的地的装置的结构示意图。
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，并不是全部的实施例。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，都属于本发明保护的范围。
为了避免仅通过历史行车轨迹进行目的地预测时，用户的习惯、目的以及需求等对目的地预测的影响，提高目的地预测的准确性，本发明实施例中，设计了一种预测目的地的方法，该方法为，获取用户设定的服务类型，以及监测用户驾驶的车辆的当前行车轨迹获取对应服务类型设置的目的地集合；基于车辆的当前行车轨迹，采用目的地集合中包含的每一个目的地对应的预测模型，分别确定每一个目的地对应的预测概率，其中，一个目的地对应的预测模型表示根据用户驾驶的车辆的历史行车轨迹和设定的服务类型，确定车辆的当前行车轨迹的目的地为一个目的地的概率；选取预测概率符合预设规则的目的地为预测目的地。
下面结合附图对本申请优选的实施方式进行详细说明。
参阅图1所示，本发明实施例中，对预测目的地的具体流程如下：
实际应用中，终端在进行目的地预测之前，先参照经纬度方向，按照设定网格面积将地图划分为若干网格。
例如，预先设定网格面积为1cm*1cm，终端参照经纬度方向，将地图划分为面积为1cm*1cm的若干网格。
然后，终端对应每一个网格设置一个节点，并建立每一个节点与相应的网格中包含的位置点之间的关联关系，以下称为位置关联关系。
这样，后续就可以先获取用户驾驶的车辆的各个时刻的位置点，然后，确定包含上述各个时刻的位置点的网格，以及相应的节点，进一步地，通过上述各个节点表示用户驾驶的车辆的行车轨迹。
例如，终端获取用户驾驶的车辆的的各个时刻的位置点，并确定对应的节点分别为L1，L2，L6，L9，则用户驾驶的车辆的行车轨迹可表示未{L1，L2，L6，L9}。
步骤100：终端获取用户设定的服务类型。
实际应用中，终端获取用户设定的服务类型。所谓服务类型是指用户基于自己的目的，以及实际需求，选定的业务。
例如，用户打算去商场A去购物，则设定的服务类型为商场。
又例如，用户计划与朋友聚餐，则设定的服务类型为餐厅。
步骤101：终端获取对应用户设定的服务类型设置的目的地集合。
实际应用中，终端获取服务类型与目的地集合之间的位置关联关系，并基于上述位置关联关系，确定对应用户设定的服务类型设置的目的地集合。
例如，用户设定的服务类型为餐厅，则对应餐厅设置的目的地集合中包含的目的地分别为火锅店1，中餐厅2，西餐厅3，中餐厅4，以及快餐店5。
步骤102：终端检测用户驾驶的车辆的当前行车轨迹。
实际应用中，终端周期性的检测用户驾驶的车辆的各个时刻的位置点即地理坐标，并基于上述位置关联关系确定用户驾驶的车辆的每一个时刻的位置点对应的节点，以及将上述每一个时刻的位置点对应的节点进行连接，从而获得用户驾驶的车辆的当前行车轨迹。
例如，终端每隔10分钟，检测用户驾驶的车辆的当前时刻的地理坐标，获取各个时刻的地理坐标分别为(100，120)、(100，125)、(104，130)，对应的节点分别为L9，L12，L15，则用户驾驶的车辆的当前行车轨迹可以表示为{L9，L12，L15}。
步骤103：终端确定上述车辆的历史行车轨迹集合，分别确定每一条历史行车轨迹的起始点对应的节点和终止点对应的节点，以及确定上述车辆的当前行车轨迹的起始点对应的节点和停留点对应的节点。
具体的，终端分别获取车辆的每一条历史行车轨迹及相应的起始点和终止点，并获取车辆的当前行车轨迹的起始点和停留点，其中，起始点为一条行车轨迹(包括历史行车轨迹和当前行车轨迹)的出发地所在位置点，并且，终止点为一条行车轨迹的结束地所在位置点，以及，停留点为当前时刻上述车辆所在位置点。
然后，终端基于上述位置关联关系，分别确定每一个起始点对应的节点，作为起始点节点，分别确定每一个终止点对应的节点，作为终止点节点，并确定停留点对应的节点，作为停留点节点。
步骤104：终端确定上述目的地集合中的每一个目的地对应的节点，作为目的地节点。
步骤105：终端基于上述目的地集合中每一个目的地节点，每一条历史行车轨迹和相应的终止点节点，确定对应的终止点节点为上述目的地集合中一目的地节点的历史行车轨迹在所有历史行车轨迹中的占比。
可选的，终端可以采用以下公式计算上述占比：
其中，Pd为上述占比，Cd为对应的终止点节点为目的地集合中一个目的地节点的历史行车轨迹的总数，Cz为所有历史行车轨迹的总数。
例如，历史行车轨迹的总数为120，对应的终止点节点为目的地集合中一个目的地节点(如，L71)的历史行车轨迹的总数为30，则终端确定对应的终止点节点为上述目的地节点(L71)的历史行车轨迹在所有历史行车轨迹中的占比为1/4。
步骤106：终端基于车辆的当前行车轨迹，设定的服务类型，每一条历史行车轨迹以及相应的终止点节点和终止点节点的服务类型，确定每一个目的地节点的服务类型概率。
实际应用中，终端先获取每一条历史行车轨迹的终止点节点对应的服务类型。
然后，终端针对每一个目的地节点，分别基于车辆的当前行车轨迹，设定的服务类型，每一条历史行车轨迹以及相应的终止点节点和终止点节点的服务类型，确定第一轨迹总数，其中，一个目的地节点的第一轨迹总数为：对应的终止点节点的服务类型为设定的服务类型，并且对应的终止点节点为该目的地节点，以及与上述车辆当前行车轨迹重合的历史行车轨迹的总数。
进一步地，终端针对每一个目的地节点，分别基于车辆的当前行车轨迹，以及每一条历史行车轨迹以及相应的终止点节点，确定第二轨迹总数，其中，一个目的地节点的第二轨迹总数为：对应的终止点节点为该目的地节点，并且与上述车辆的当前行车轨迹重合的历史行车轨迹的总数。
最后，终端针对每一个目的地节点的第一轨迹总数和对应的第二轨迹总数，分别确定每一个目的地节点的服务类型概率，其中，一个目的地节点的服务类型概率与对应的第一轨迹总数呈正相关，与对应的第二轨迹总数呈负相关。
可选的，终端可以采用以下公式计算上述服务类型概率：
其中，Pt1t2为上述服务类型概率，Ct1和Ct2分别为一个目的地节点的第一轨迹总数和第二轨迹总数。
例如，设定的服务类型为学校，一个目的地节点为L78，则终端确定对应的终止点节点的服务类型为学校，并且对应的终止点节点为L78，以及与车辆的当前行车轨迹重合的历史行车轨迹的第一轨迹总数为60，进一步地，终端确定对应的终止点节点为L78，并且与车辆的当前行车轨迹重合的历史行车轨迹的第二轨迹总数为120，则获得目的地节点L78的服务类型概率为50％。
步骤107：终端基于上述车辆的出发时间，设定的服务类型，以及每一条历史行车轨迹相应的出发时间和终止点节点的服务类型，确定上述车辆的出发时间概率。
实际应用中，终端将24小时，划分为48个时间段，即每半个小时为一个时间段，并对应每一个时间段设置一个坐标时间，以及建立每一个坐标时间与相应的每一个时间段内的时间点之间的关联关系，以下称为时间关联关系。
终端基于上述时间关联关系，获取每一条历史行车轨迹的出发时间对应的坐标时间，以及上述车辆的出发时间对应的坐标时间，然后，基于上述车辆的坐标时间，设定的服务类型，以及每一条历史行车轨迹的坐标时间和终止点节点的服务类型，确定第三轨迹总数，其中，第三轨迹总数为：对应的坐标时间为上述车辆的坐标时间，并且，对应的终止点节点的服务类型为设定的服务类型的历史行车轨迹的总数。
接着，终端基于上述车辆的坐标时间，以及每一条历史行车轨迹的坐标时间，确定第四轨迹总数，其中，第四轨迹总数为：对应的坐标时间为上述车辆的坐标时间的历史行车轨迹的总数。
进一步地，终端基于第三轨迹总数，以及第四轨迹总数，确定出发时间概率，其中，出发时间概率与第三轨迹总数呈正相关，并与第四轨迹总数呈负相关。
可选的，终端可以采用以下公式计算上述出发时间概率：
其中，Pt3t4为出发时间概率，Ct3为第三轨迹总数，Ct4为第四轨迹总数。
例如，上述车辆的出发时间为7:40，对应的坐标时间为T15，并且，设定的服务类型为学校。则终端确定对应的坐标时间为T15，服务类型为学校的历史行车轨迹的第三轨迹总数为20，并且，对应的坐标时间为T15的历史行车轨迹的第四轨迹总数为100，进一步地，终端确定出发时间概率为20％。
步骤108：终端基于每一条历史行车轨迹，确定每两个相邻节点之间的单步转移概率。
实际应用中，终端针对每一个节点，分别基于每一条历史行车轨迹确定一个节点的第五轨迹总数，其中，一个节点的第五轨迹总数为：与一个节点以及该节点的周边的节点重合的历史行车轨迹的总数。
可选的，一个节点的周边的节点即在该节点的上、下、左、右的方向上分别移动一个网格获得的节点，分别称为上节点、下节点、左节点以及右节点。
然后，终端针对每两个相邻节点，分别基于每一条历史行车轨迹，确定两个相邻节点的第六轨迹总数，其中，两个相邻节点的第六轨迹总数为：与该两个相邻的节点重合的历史轨迹总数。
进一步地，终端基于获取的与上述车辆的当前行车轨迹重合的节点，生成当前行车轨迹节点集合。接着，终端针对基于当前行车轨迹节点集合中的每一个节点，分别确定一个节点的第五轨迹总数，以及包含该一个节点的相邻节点的第六轨迹总数，确定当前行车轨迹节点集合中每两个相邻节点之间的单步转移概率，其中，两个相邻节点之间的单步转移概率与单步轨迹的起始点节点的第五轨迹总数呈负相关，并与该两个相邻节点的第六轨迹总数呈正相关，而单步轨迹的起始点节点为：按照上述车辆的当前行车轨迹的方向，确定的该两个相邻节点之间的一条行车轨迹的起始点节点。
可选的，终端可以采用以下公式计算上述两个相邻节点之间的单步转移概率：
其中，Pi(i+1)为两个相邻节点(Li和Li+1)之间的单步转移概率，Li为Li和Li+1之间的单步轨迹的起始点节点，Li+1、Li-1、Ls-1以及Ls+1分别为Li的上节点、下节点、左节点以及下节点，并且，Ci+1与Li和Li+1重合的历史行车轨迹的总数；Ci-1为与Li和Li-1重合的历史行车轨迹的总数；Cs-1为与Li重合和Ls-1重合的历史行车轨迹的总数；Cs+1与Li和Ls+1重合的历史行车轨迹的总数。
例如，一个节点L15的周边节点分别为L12、L13、L14以及L16，终端基于每一条历史行车轨迹，确定与L15和L12重合的历史行车轨迹为总数为5，确定与L15和L13重合的历史行车轨迹的总数为7，确定与L15和L14重合的历史行车轨迹的总数为5，以及确定与L15和L16重合的历史行车轨迹的总数为3。
接着，终端确定L15的第五轨迹总数为：与L15重合，并与L12、L13、L14以及L16中任意一个节点重合的历史行车轨迹总数＝20。
进一步地，终端基于当前行车轨迹，确定L15与L16之间的单步轨迹的起始点节点为L15，则获得L15与L16之间的单步转移概率为15％。
步骤109：终端基于出发时间概率，以及当前行车轨迹节点集合中每两个相邻节点之间的单步转移概率，确定时间概率。
实际应用中，终端基于当前行车轨迹节点集合中每两个相邻节点之间的单步转移概率，确定当前行车轨迹转移概率，其中，当前行车轨迹转移概率与当前行车轨迹节点集合中每两个相邻节点之间的单步转移概率呈正相关。
终端基于出发时间概率和当前行车转移概率确定时间概率，其中，时间概率与出发时间概率和当前行车转移概率呈正相关。
可选的，终端可以采用以下公式计算上述时间概率：
其中，Pt为时间概率，n为当前行车轨迹节点集合中包含的节点的数量。
步骤110：终端基于停留点节点，以及每两个相邻节点之间的单步转移概率，分别确定每一个目的地节点的停留点节点转移概率。
具体的，首先，终端基于停留点节点，分别生成每一个目的地节点的第一轨迹集合，其中，一个目的地节点的第一轨迹集合为：对应的起始点节点为停留点节点，并且，对应的终止点节点为该目的地节点的历史行车轨迹的集合。
例如，终端确定停留点节点为L34，以及一个目的地节点为L78，然后，确定对应的起始点节点为L34，并且，对应的终止点节点为L78的历史行车轨迹，进一步地，生成L78的第一轨迹集合。
其次，终端获取第一条轨迹集合中的每一条历史行车轨迹对应的第一节点总数，其中，第一轨迹集合中的一条历史行车轨迹对应的第一节点总数为：与上述第一轨迹集合中的一条历史行车轨迹重合的节点的总数。
例如，与一条历史行车轨迹重合的节点的总数为12，则终端确定该历史行车轨迹对应的第一节点总数为12。
再次，终端基于第一轨迹集合中的每一条历史行车轨迹对应的第一节点总数，挑选出取值最小的第一节点总数，作为最小第一节点总数。
例如，第一轨迹集合中包含5条历史行车轨迹，并且，对应的第一节点总数分别为3、5、6、9以及7，则终端确定最小第一节点总数为3。
进一步地，终端针对每一个目的地节点，基于预设的迂回轨迹比值，以及第一轨迹集合中的所有历史行车轨迹对应的最小第一节点总数，确定第一轨迹集合中的所有历史行车轨迹对应的最大第一节点总数，其中，最大第一节点总数与迂回轨迹比值和最小第一节点总数呈正相关。
由于在多数情况下，与第一轨迹集合中的历史行车轨迹重合的节点的总数为相应的最小节点总数的1.2倍，因此，可选的，终端设定迂回轨迹比值为1.2。
可选的，终端可以采用以下公式计算第一轨迹集合中的所有历史行车轨迹对应的最大节点总数：
Cmax1＝K*Cmin1
其中，Cmax1和Cmin1分别为第一轨迹集合中的所有历史行车轨迹对应的最大节点总数和最小第一节点总数，K为迂回轨迹比值。
终端针对每一个目的地节点，基于每一个目的地节点的最小第一节点总数和最大第一节点总数，分别生成每一个目的地节点的第一节点总数集合，其中，一个目的地节点的第一节点总数集合为：该目的地节点的最小第一节点总数和最大第一节点总数，以及最小第一节点总数与最大第一节点总数之间的每一个节点总数的取值的集合。
例如，一个目的地节点对应的最小第一节点总数为10，并且，对应的最大第一节点总数为12，则终端确定该目的地节点的最小第一节点总数与最大第一节点总数之间的仅有一个节点总数，其取值为11，从而进一步地，可以确定该目的地节点的第一节点总数集合为{10，11，12}。
终端针对第一节点总数集合中的每一个节点总数的取值，基于停留点节点，以及第一轨迹集合中每两个相邻节点之间的单步转移概率，确定每一个目的地节点的对应的阶数为第一节点总数集合中的一个节点总数的取值的停留点转移概率矩阵，其中，一个目的地节点可以对应多个停留点转移概率矩阵，而对应的阶数为一个节点总数的取值的停留点转移概率矩阵表示：一条行车轨迹与X个节点重合(其中，X为上述一个节点总数的取值)，并且，该行车轨迹的起始点节点为停留点节点，以及对应的终止点节点为上述一个目的地节点的概率。
终端针对每一个目的地节点，基于对应的阶数为第一节点总数集合中的一个节点总数的取值的停留点转移概率矩阵，分别确定每一个目的地节点的停留点节点转移概率，其中，一个目的地节点的停留点节点转移概率为：该目的节点对应的，阶数为第一节点总数集合中的一个节点总数的取值的所有停留点转移概率矩阵的加和。
可选的，终端可以采用以下公式计算停留点转移概率：
其中，Pi-j为停留点转移概率，为停留点转移概率矩阵，r的取值为[0，1，2……Cmax1]，i为停留点节点的序号，j为目的地节点的序号。
步骤111：终端基于上述车辆的当前行车轨迹相应的起始点节点，每两个相邻节点之间的单步转移概率，分别确定每一个目的地节点的起始点节点转移概率。
具体的，首先，终端基于上述车辆的当前行车轨迹相应的起始点节点，生成一个目的地节点的第二轨迹集合，其中，一个目的地节点的第二轨迹集合为：对应的起始点节点为上述车辆的当前行车轨迹相应的起始点节点，并且，对应的终止点节点为该一个目的地节点的历史行车轨迹的集合。
然后，终端获取第二轨迹集合中的每一条历史行车轨迹对应的第二节点总数，其中，第二轨迹集合中的一条历史行车轨迹对应的第二节点总数为：与上述第二轨迹集合中的一条历史行车轨迹重合的节点的总数。
其次，终端基于第二轨迹集合中的每一条历史行车轨迹对应的第二节点总数，确定最小第二节点总数，其中，最小第二节点总数为：第二轨迹集合中的历史行车轨迹对应的取值最小的第二节点总数。
再次，终端基于迂回轨迹比值，以及最小第二节点总数，确定最大第二节点总数，其中，最大第二节点总数与迂回轨迹比值和最小第二节点总数呈正相关。
可选的，终端可以采用以下公式计算第二轨迹集合中的所有历史行车轨迹对应的最大节点总数：
Cmax2＝K*Cmin2
其中，Cmax2和Cmin2分别为第二轨迹集合中的所有历史行车轨迹对应的最大节点总数和最小第一节点总数，K为迂回轨迹比值。
然后，终端基于与第二轨迹集合中每一条历史行车轨迹重合的所有节点，生成第二节点集合。
例如，第二轨迹集合中存在3条历史行车轨迹，终端将获取的与第一条历史行车轨迹重合的节点，与第二条历史行车轨迹重合的节点，以及与第三条历史行车轨迹重合的节点，生成第二节点集合。
接着，终端基于每一条历史行车轨迹，确定第二节点集合中每两个相邻节点之间的单步转移概率。
然后，终端基于最小第二节点总数，以及最大第二节点总数，生成第二节点总数集合，其中，第二节点总数集合为：最小第二节点总数和最大第二节点总数，以及最小第二节点总数与最大第二节点总数之间的每一个节点总数的取值的集合。
进一步地，终端基于上述车辆的行车轨迹对应的起始点节点，以及第二轨迹集合中每两个相邻节点之间的单步转移概率，分别针对每一个目的地节点确定对应的阶数为第二节点总数集合中的一个节点总数的取值的起始点转移概率矩阵，其中，一个目的地节点可以对应多个起始点转移概率矩阵，而对应的阶数为一个节点总数的取值的起始点转移概率矩阵表示：一条行车轨迹与Y个节点重合(其中，Y为上述一个节点总数的取值)，并且，该行车轨迹的起始点节点为上述车辆的行车轨迹对应的起始点节点，以及对应的终止点节点为该目的地节点的概率。
最后，终端基于对应的阶数为第二节点总数集合中的一个节点总数的取值的起始点转移概率矩阵，分别确定每一个目的地节点的起始点转移概率，其中，一个目的地节点的起始点节点转移概率为：该目的节点对应的，阶数为第二节点总数集合中的一个节点总数的取值的所有起始点转移概率矩阵的加和。
可选的，终端可以采用以下公式计算起始点转移概率：
其中，Ps-j为起始点转移概率，为起始点转移概率矩阵，r的取值为[0，1，2……max2]，s为起始点节点的序号，j为目的地节点的序号。
步骤112：终端基于时间概率，每一个目的地节点的停留点转移概率，以及该目的地节点的起始点转移概率，分别确定每一个目的地节点的当前行车轨迹概率。
实际应用中，终端基于时间概率，每一个目的地节点的停留点转移概率，以及每一个目的地节点的起始点转移概率，分别确定每一个目的地节点的当前行车轨迹概率，其中，一个目的地节点的当前行车概率与时间概率和该目的地节点的停留点转移概率呈正相关，与该目的地节点的起始点转移概率呈负相关。
可选的，终端可以采用以下公式计算当前行车轨迹概率：
其中，Pi为当前行车轨迹概率，Pt为时间概率，Pi-j为停留点转移概率，Ps-j为起始点转移概率。
步骤113：终端基于每一个目的地节点对应的占比、当前行车轨迹概率和服务类型概率，采用每一个目的地节点对应的预测模型，分别确定每一个目的地节点对应的预测概率。
具体的，首先，终端获取预先通过每一条历史行车轨迹，建立的每一个目的地节点对应的预测模型。
可选的，终端可以采用以下公式作为预测模型，进而计算预测概率：
其中，P为预测概率，P0为与当前行车轨迹重合，并且服务类型为设定服务类型的历史轨迹与所有历史轨迹的占比，Pt1t2为服务类型概率。
由于在一次目的地预测过程中，当前行车轨迹和设定服务类型是固定不变的，从而获得的P0是一个定值，因此，一个目的地节点对应的预测概率与该目的地节点对应的占比、当前行车轨迹概率和服务类型概率呈正相关。
这样，终端就可以基于每一个目的地节点对应的占比、当前行车轨迹概率和服务类型概率，采用每一个目的地节点对应的预测模型，分别确定每一个目的地节点对应的预测概率。
例如，一个目的地节点对应的占比为0.1，对应的当前行车轨迹概率为0.2，对应的服务类型概率为0.5，则采用该目的地节点对应的预测模型，确定该目的地节点对应的预测概率为0.001。
步骤114：终端选取预测概率符合预设规则的目的地为预测目的地。
实际应用中，终端获取每一个目的地节点的预测概率，然后，终端选取预测概率的取值最高的目的地节点，并基于选取的目的地节点和设定的服务类型，确定位于选取的目的地节点对应的网格内，并且对应的服务类型为设定的服务类型的目的地，接着，终端确定该目的地为预测目的地。
例如，终端先获取的5个目的地节点的预测概率分别为0.9，0.5，0.8，0.96以及0.4。然后，终端选取预测概率为0.96时对应的第四个目的地节点为预测目的地节点，进一步地，终端获取设定的服务类型为餐厅，则确定位于第一个目的地节点的中餐厅11为预测目的地。
进一步地，在选取预测概率符合预设规则的目的地为预测目的地之后，终端获取上述车辆的当前行车轨迹对应的实际目的地节点，其中，实际目的地节点为：上述车辆的当前行车轨迹的结束地所在位置点对应的节点，然后，终端将预测目的地对应的目的地节点与实际目的地节点进行比对，获得比对结果。进一步地，终端基于比对结果，对设定网格面积进行调整，从而减小目的地预测的误差，提高目的地预测的准确性。
例如，终端获取预测的目的地节点为L4，实际目的地节点为L6，以及设定网格面积为6cm*6cm，并将L4与L6进行比对，确定没有准确的进行目的地的预测，则将设定网格面积调整为4cm*4cm，以提高目的地预测的准确性。
基于上述实施例，参阅图2所示，预测目的地的装置的结构示意图，本发明实施例中，预测目的地的装置具体包括：
监测单元20，用于获取用户设定的服务类型，以及监测用户驾驶的车辆的当前行车轨迹；
获取单元21，用于获取对应服务类型设置的目的地集合；
预测单元22，用于基于车辆的当前行车轨迹，采用目的地集合中包含的每一个目的地对应的预测模型，分别确定每一个目的地对应的预测概率，其中，一个目的地对应的预测模型表示根据用户驾驶的车辆的历史行车轨迹和设定的服务类型，确定车辆的当前行车轨迹的目的地为一个目的地的概率；
选取单元23，用于选取预测概率符合预设规则的目的地为预测目的地。
较佳的，在获取用户设定的服务类型，以及监测用户驾驶的车辆的当前行车轨迹之前，监测单元20还用于：
参照经纬度方向，按照设定网格面积将地图划分为若干网格；
对应每一个网格设置一个节点；
建立每一个节点与相应的的网格中包含的位置点之间的关联关系，称为位置关联关系。
较佳的，基于目的地集合中包含的每一个目的地对应的预测模型，以及车辆的当前行车轨迹，分别确定每一个目的地对应的预测概率时，预测单元22具体用于：
分别获取车辆的每一条历史行车轨迹及相应的起始点、终止点和终止点的服务类型，以及获取车辆的当前行车轨迹的的起始点，其中，终止点为一条行车轨迹的结束地所在位置点，起始点为一条行车轨迹的出发地所在位置点；
基于位置关联关系，分别确定每一个起始点对应的节点，作为起始点节点，分别确定每一个终止点对应的节点，作为终止点节点，并分别确定目的地集合中的每一个目的地所在位置点对应的节点，作为目的地节点；
基于车辆的当前行车轨迹，车辆的当前行车轨迹相应的起始点节点，每一条历史行车轨迹以及相应的起始点节点、终止点节点和终止点的服务类型，采用每一个目的地节点对应的预测模型，分别确定每一个目的地节点对应的预测概率。
较佳的，基于车辆的当前行车轨迹，车辆的当前行车轨迹相应的起始点节点，每一条历史行车轨迹以及相应的起始点节点、终止点节点和终止点的服务类型，采用任意一个目的地节点对应的预测模型，确定任意一个目的地节点对应的预测概率时，预测单元22还用于：
基于每一条历史行车轨迹和相应的终止点节点，确定对应的终止点节点为任意一个目的地节点的历史行车轨迹在所有历史行车轨迹中的占比；
基于车辆的当前行车轨迹，车辆的当前行车轨迹相应的起始点节点，每一条历史行车轨迹以及相应的起始点节点和终止点节点，确定任意一个目的地节点的当前行车轨迹概率，其中，任意一个目的地节点的当前行车轨迹概率为：一条行车轨迹的起始点节点为车辆的当前行车轨迹相应的起始点节点，并且，一条行车轨迹与车辆的当前行车轨迹重合，以及一条行车轨迹的终止点节点为任意一个目的地节点的概率；
基于车辆的当前行车轨迹，设定的服务类型，每一条历史行车轨迹以及相应的终止点节点和终止点节点的服务类型，确定任意一个目的地节点的服务类型概率，其中，任意一个目的地节点的服务类型概率为：一条行车轨迹与车辆的当前行车轨迹重合，并且，一条行车轨迹对应的终止点节点的服务类型为设定的服务类型，以及对应的终止点节点为任意一个目的地节点的概率；
基于任意一个目的地节点对应的占比、当前行车轨迹概率和服务类型概率，采用任意一个目的地节点对应的预测模型，确定任意一个目的地节点对应的预测概率，其中，一个目的地节点对应的预测概率与一个目的地节点对应的占比、当前行车轨迹概率和服务类型概率呈正相关。
较佳的，确定任意一个目的地节点的当前行车轨迹概率时，预测单元22还用于：
获取车辆的当前行车轨迹的的停留点，其中，停留点为当前时刻所在位置点；
基于位置关联关系，确定停留点对应的节点，作为停留点节点；
基于停留点节点，确定任意一个目的地节点的停留点节点转移概率，其中，任意一个目的地节点的停留点节点转移概率为：一条行车轨迹与停留点节点重合，并与任意一个目的地节点重合的概率；
基于车辆的当前行车轨迹相应的起始点节点，确定任意一个目的地节点的起始点节点转移概率，其中，任意一个目的地节点的起始点节点转移概率为：一条行车轨迹与车辆的当前行车轨迹相应的起始点节点重合，并与任意一个目的地节点重合的概率；
基于获取的车辆的出发时间，车辆的当前行车轨迹相应的起始点节点，以及设定的服务类型，确定任意一个目的地节点的时间概率，其中，任意一个目的地节点的时间概率为：一条行车轨迹对应的出发时间为车辆的出发时间，并且，一条行车轨迹对应的起始点节点为车辆的当前行车轨迹相应的起始点节点，以及对应的终止点节点的服务类型为设定的服务类型的概率；
基于任意一个目的地节点对应的停留点节点转移概率、起始点节点转移概率以及时间概率，确定任意一个目的地节点的当前行车轨迹概率，其中，一个目的地节点对应的当前行车轨迹概率与一个目的地节点对应的停留点节点转移概率和时间概率呈正相关，并与一个目的地节点对应的起始点节点转移概率呈负相关。
较佳的，确定任意一个目的地节点的服务类型概率时，预测单元22还用于：
基于车辆的当前行车轨迹，设定的服务类型，每一条历史行车轨迹以及相应的终止点节点和终止点节点的服务类型，确定第一轨迹总数，其中，第一轨迹总数为：对应的终止点节点的服务类型为设定的服务类型，并且对应的终止点节点为任意一个目的地节点，以及与车辆的当前行车轨迹重合的历史行车轨迹的总数；
基于车辆的当前行车轨迹，以及每一条历史行车轨迹以及相应的终止点节点，确定第二轨迹总数，其中，第二轨迹总数为：对应的终止点节点为任意一个目的地节点，并且与车辆的当前行车轨迹重合的历史行车轨迹的总数；
基于第一轨迹总数和第二轨迹总数，确定任意一个目的地节点的服务类型概率，其中，一个目的地节点的服务类型概率与第一轨迹总数呈正相关，与第二轨迹总数呈负相关。
较佳的，确定任意一个目的地节点的时间概率时，预测单元22还用于：
基于车辆的出发时间，设定的服务类型，以及每一条历史行车轨迹相应的出发时间和终止点节点的服务类型，确定出发时间概率，其中，出发时间概率为：一条行车轨迹对应的出发时间为车辆的出发时间，并且对应的终止点节点的服务类型为设定的服务类型的概率；
基于车辆的当前行车轨迹，以及每一条历史行车轨迹，确定当前行车轨迹转移概率，其中，当前行车轨迹连续转移概率为：一条行车轨迹与车辆的当前行车轨迹重合的概率；
基于出发时间概率，以及当前行车轨迹转移概率，确定任意一个目的地节点的时间概率，其中，任意一个目的地节点的时间概率与出发时间概率和当前行车轨迹转移概率呈正相关。
较佳的，确定出发时间概率时，预测单元22还用于：
基于车辆的出发时间，设定的服务类型，以及每一条历史行车轨迹相应的出发时间和终止点节点的服务类型，确定第三轨迹总数，其中，第三轨迹总数为：对应的出发时间为车辆的出发时间，并且对应的终止点节点的服务类型为设定的服务类型的历史行车轨迹的总数。
基于车辆的出发时间，以及每一条历史行车轨迹相应的出发时间，确定第四轨迹总数，其中，第四轨迹总数为：对应的出发时间为车辆的出发时间的历史行车轨迹的总数；
基于第三轨迹总数，以及第四轨迹总数，确定出发时间概率，其中，出发时间概率与第三轨迹总数呈正相关，并与第四轨迹总数呈负相关。
较佳的，确定当前行车轨迹转移概率时，预测单元22还用于：
基于获取的与车辆的当前行车轨迹重合的节点，生成当前行车轨迹节点集合；
基于每一条历史行车轨迹，确定当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，其中，任意两个相邻的节点之间的单步转移概率为：一条行车轨迹与任意两个相邻的节点重合的概率；
基于当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，确定当前行车轨迹转移概率，其中，当前行车轨迹转移概率与当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率呈正相关。
较佳的，确定当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率时，预测单元22还用于：
基于每一条历史行车轨迹，确定任意一个节点的第五轨迹总数，其中一个节点的第五轨迹总数为：与一个节点以及一个节点的周边的节点重合的历史行车轨迹的总数；
基于每一条历史行车轨迹，确定任意两个相邻节点的第六轨迹总数，其中，两个相邻的节点的第六轨迹总数为：与两个相邻节点重合的历史行车轨迹的总数；
基于任意一个节点的第五轨迹总数，以及任意两个相邻节点的第六轨迹总数，确定当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，其中，两个相邻节点之间的单步转移概率与单步轨迹的起始点节点的第五轨迹总数呈负相关，并与两个相邻节点的第六轨迹总数呈正相关，以及单步轨迹的起始点节点为：按照车辆的当前行车轨迹的方向，确定的两个相邻节点之间的一条行车轨迹的起始点节点。
较佳的，确定任意一个目的地节点的停留点节点转移概率时，预测单元22还用于：
基于停留点节点，生成任意一个目的地节点的第一轨迹集合，其中，第一轨迹集合为：对应的起始点节点为停留点节点，并且，对应的终止点节点为任意一个目的地节点的历史行车轨迹的集合；
获取第一轨迹集合中的每一条历史行车轨迹对应的第一节点总数，其中，一条历史行车轨迹对应的第一节点总数为：与一条历史行车轨迹重合的节点的总数；
基于第一轨迹集合中的每一条历史行车轨迹对应的第一节点总数，挑选出取值最小的第一节点总数，作为最小第一节点总数；
基于预设的迂回轨迹比值，以及最小第一节点总数，确定任意一个目的地节点的最大第一节点总数，其中，最大第一节点总数与迂回轨迹比值和最小第一节点总数呈正相关；
基于与任意一个目的地节点的第一轨迹集合中任意一条历史行车轨迹重合的节点，生成任意一个目的地节点的第一节点集合；
基于第一轨迹集合中的每一条历史行车轨迹，确定第一节点集合中任意两个相邻节点之间的单步转移概率；
基于第一节点集合中任意两个相邻节点之间的单步转移概率，最小第一节点总数，以及最大第一节点总数，确定任意一个目的地节点的停留点节点转移概率。
较佳的，基于第一节点集合中任意两个相邻节点之间的单步转移概率，最小第一节点总数，以及最大第一节点总数，确定任意一个目的地节点的停留点节点转移概率时，预测单元22还用于：
基于最小第一节点总数，以及最大第一节点总数，生成第一节点总数集合，其中，第一节点总数集合为最小第一节点总数和最大第一节点总数，以及最小第一节点总数与最大第一节点总数之间的每一个节点总数的取值的集合；
基于停留点节点，以及第一轨迹集合中任意两个相邻节点之间的单步转移概率，确定对应的阶数为第一节点总数集合中的任意一个节点总数的取值的停留点转移概率矩阵，其中，对应的阶数为一个节点总数的取值的停留点转移概率矩阵为：一条行车轨迹与总数为一个节点总数的取值的节点重合，并且，一条行车轨迹的起始点节点为停留点，以及对应的终止点节点为任意一个目的地节点的概率。
与停留点节点和任意一个目的地节点重合，并且，与停留点节点与任意一个目的地节点之间的总数为一个节点总数的取值的节点重合的概率；
基于对应的阶数为第一节点总数集合中的任意一个取值的停留点转移概率矩阵，确定任意一个目的地节点的停留点节点转移概率，其中，任意一个目的地节点的停留点节点转移概率为：对应的阶数为第一节点总数集合中的每一个取值的停留点转移概率矩阵的加和。
较佳的，确定任意一个目的地节点的起始点节点转移概率时，预测单元22还用于：
基于车辆的当前行车轨迹相应的起始点节点，生成任意一个目的地节点的第二轨迹集合，其中，任意一个目的地节点的第二轨迹集合为：对应的起始点节点为车辆的当前行车轨迹相应的起始点节点，并且，对应的终止点节点为任意一个目的地节点的历史行车轨迹的集合；
获取第二轨迹集合中的每一条历史行车轨迹对应的第二节点总数，其中，一条历史行车轨迹对应的第二节点总数为：与一条历史行车轨迹重合的节点的总数；
基于第二轨迹集合中的每一条历史行车轨迹对应的第二节点总数，确定最小第二节点总数，其中，最小第二节点总数为：第二轨迹集合中的历史行车轨迹对应的取值最小的第二节点总数；
基于迂回轨迹比值，以及最小第二节点总数，确定最大第二节点总数，其中，最大第二节点总数与迂回轨迹比值和最小第二节点总数呈正相关；
基于与第二轨迹集合中任意一条历史行车轨迹重合的节点，生成第二节点集合；
基于每一条历史行车轨迹，确定第二节点集合中任意两个相邻节点之间的单步转移概率；
基于第二节点集合中任意两个相邻节点之间的单步转移概率，最小第二节点总数，以及最大第二节点总数，确定任意一个目的地节点的起始点节点转移概率。
较佳的，基于第二节点集合中任意两个相邻节点之间的单步转移概率，最小第二节点总数，以及最大第二节点总数，确定任意一个目的地节点的起始点节点转移概率时，预测单元22还用于：
基于最小第二节点总数，以及最大第二节点总数，生成第二节点总数集合，其中，第二节点总数集合为：最小第一节点总数和最大第一节点总数，以及最小第二节点总数与最大第二节点总数之间的每一个节点总数的取值的集合；
基于车辆的行车轨迹对应的起始点节点，以及第二节点集合中任意两个相邻节点之间的单步转移概率，确定对应的阶数为第二节点总数集合中的任意一个节点总数的取值的起始点转移概率矩阵，其中，对应的阶数为一个节点总数的取值的起始点转移概率矩阵为：一条行车轨迹与总数为一个节点总数的取值的节点重合，并且，一条行车轨迹的起始点节点为车辆的行车轨迹对应的起始点节点，以及对应的终止点节点为任意一个目的地节点的概率。
基于对应的阶数为第二节点总数集合中的任意一个节点总数的取值的起始点转移概率矩阵，确定任意一个目的地节点的起始点节点转移概率，其中，任意一个目的地节点的起始点节点转移概率为：对应的阶数为第二节点总数集合中的每一个节点总数的取值的起始点转移概率矩阵的加和。
较佳的，在选取预测概率符合预设规则的目的地为预测目的地之后，选取单元23还用于：
获取车辆的当前行车轨迹对应的实际目的地节点，其中，实际目的地节点为：车辆的当前行车轨迹的结束地所在点对应的节点；
将预测目的地对应的目的地节点与实际目的地节点进行比对，获得比对结果；
基于比对结果，对设定网格面积进行调整。
本发明实施例中，获取用户设定的服务类型，以及监测用户驾驶的车辆的当前行车轨迹；获取对应服务类型设置的目的地集合；基于车辆的当前行车轨迹，采用目的地集合中包含的每一个目的地对应的预测模型，分别确定每一个目的地对应的预测概率，其中，一个目的地对应的预测模型表示根据用户驾驶的车辆的历史行车轨迹和设定的服务类型，确定车辆的当前行车轨迹的目的地为一个目的地的概率；选取预测概率符合预设规则的目的地为预测目的地。这样，终端就可以基于用户设定的服务类型，以及用户驾驶的车辆的当前行车轨迹，采用每一个目的对应的预测模型，确定预测目的地，避免了仅通过历史行车轨迹进行目的地预测时，用户的习惯、目的以及需求等对目的地预测的影响，提高了目的地预测的准确性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (30)
1.一种预测目的地的方法，其特征在于，包括：
获取用户设定的服务类型，以及监测所述用户驾驶的车辆的当前行车轨迹；
获取对应所述服务类型设置的目的地集合；
基于所述车辆的当前行车轨迹，采用所述目的地集合中包含的每一个目的地对应的预测模型，分别确定所述每一个目的地对应的预测概率，其中，一个目的地对应的预测模型表示根据用户驾驶的车辆的历史行车轨迹和所述设定的服务类型，确定所述车辆的当前行车轨迹的目的地为所述一个目的地的概率；
选取预测概率符合预设规则的目的地为预测目的地。
2.如权利要求1所述的方法，其特征在于，在获取用户设定的服务类型，以及监测所述用户驾驶的车辆的当前行车轨迹之前，进一步包括：
参照经纬度方向，按照设定网格面积将地图划分为若干网格；
对应每一个网格设置一个节点；
建立每一个节点与相应的的网格中包含的位置点之间的关联关系，称为位置关联关系。
3.如权利要求2所述的方法，其特征在于，基于所述目的地集合中包含的每一个目的地对应的预测模型，以及所述车辆的当前行车轨迹，分别确定所述每一个目的地对应的预测概率，具体包括：
分别获取所述车辆的每一条历史行车轨迹及相应的起始点、终止点和终止点的服务类型，以及获取所述车辆的当前行车轨迹的的起始点，其中，所述终止点为一条行车轨迹的结束地所在位置点，所述起始点为一条行车轨迹的出发地所在位置点；
基于所述位置关联关系，分别确定每一个起始点对应的节点，作为起始点节点，分别确定每一个终止点对应的节点，作为终止点节点，并分别确定所述目的地集合中的每一个目的地所在位置点对应的节点，作为目的地节点；
基于所述车辆的当前行车轨迹，所述车辆的当前行车轨迹相应的起始点节点，所述每一条历史行车轨迹以及相应的起始点节点、终止点节点和终止点的服务类型，采用每一个目的地节点对应的预测模型，分别确定所述每一个目的地节点对应的预测概率。
4.如权利要求3所述的方法，其特征在于，基于所述车辆的当前行车轨迹，所述车辆的当前行车轨迹相应的起始点节点，所述每一条历史行车轨迹以及相应的起始点节点、终止点节点和终止点的服务类型，采用任意一个目的地节点对应的预测模型，确定所述任意一个目的地节点对应的预测概率，包括：
基于所述每一条历史行车轨迹和相应的终止点节点，确定对应的终止点节点为所述任意一个目的地节点的历史行车轨迹在所有历史行车轨迹中的占比；
基于所述车辆的当前行车轨迹，所述车辆的当前行车轨迹相应的起始点节点，所述每一条历史行车轨迹以及相应的起始点节点和终止点节点，确定所述任意一个目的地节点的当前行车轨迹概率，其中，所述任意一个目的地节点的当前行车轨迹概率为：一条行车轨迹的起始点节点为所述车辆的当前行车轨迹相应的起始点节点，并且，所述一条行车轨迹与所述车辆的当前行车轨迹重合，以及所述一条行车轨迹的终止点节点为所述任意一个目的地节点的概率；
基于所述车辆的当前行车轨迹，所述设定的服务类型，所述每一条历史行车轨迹以及相应的终止点节点和终止点节点的服务类型，确定所述任意一个目的地节点的服务类型概率，其中，所述任意一个目的地节点的服务类型概率为：一条行车轨迹与所述车辆的当前行车轨迹重合，并且，所述一条行车轨迹对应的终止点节点的服务类型为所述设定的服务类型，以及对应的终止点节点为所述任意一个目的地节点的概率；
基于所述任意一个目的地节点对应的占比、当前行车轨迹概率和服务类型概率，采用所述任意一个目的地节点对应的预测模型，确定所述任意一个目的地节点对应的预测概率，其中，一个目的地节点对应的预测概率与所述一个目的地节点对应的占比、当前行车轨迹概率和服务类型概率呈正相关。
5.如权利要求4所述的方法，其特征在于，确定所述任意一个目的地节点的当前行车轨迹概率，包括：
获取所述车辆的当前行车轨迹的的停留点，其中，所述停留点为当前时刻所在位置点；
基于所述位置关联关系，确定所述停留点对应的节点，作为停留点节点；
基于所述停留点节点，确定所述任意一个目的地节点的停留点节点转移概率，其中，所述任意一个目的地节点的停留点节点转移概率为：一条行车轨迹与所述停留点节点重合，并与所述任意一个目的地节点重合的概率；
基于所述车辆的当前行车轨迹相应的起始点节点，确定所述任意一个目的地节点的起始点节点转移概率，其中，所述任意一个目的地节点的起始点节点转移概率为：一条行车轨迹与所述车辆的当前行车轨迹相应的起始点节点重合，并与所述任意一个目的地节点重合的概率；
基于获取的所述车辆的出发时间，所述车辆的当前行车轨迹相应的起始点节点，以及所述设定的服务类型，确定所述任意一个目的地节点的时间概率，其中，所述任意一个目的地节点的时间概率为：一条行车轨迹对应的出发时间为所述车辆的出发时间，并且，所述一条行车轨迹对应的起始点节点为所述车辆的当前行车轨迹相应的起始点节点，以及对应的终止点节点的服务类型为所述设定的服务类型的概率；
基于所述任意一个目的地节点对应的停留点节点转移概率、起始点节点转移概率以及时间概率，确定所述任意一个目的地节点的当前行车轨迹概率，其中，一个目的地节点对应的当前行车轨迹概率与所述一个目的地节点对应的停留点节点转移概率和时间概率呈正相关，并与所述一个目的地节点对应的起始点节点转移概率呈负相关。
6.如权利要求4所述的方法，其特征在于，确定所述任意一个目的地节点的服务类型概率，包括：
基于所述车辆的当前行车轨迹，所述设定的服务类型，所述每一条历史行车轨迹以及相应的终止点节点和终止点节点的服务类型，确定第一轨迹总数，其中，所述第一轨迹总数为：对应的终止点节点的服务类型为所述设定的服务类型，并且对应的终止点节点为所述任意一个目的地节点，以及与所述车辆的当前行车轨迹重合的历史行车轨迹的总数；
基于所述车辆的当前行车轨迹，以及所述每一条历史行车轨迹以及相应的终止点节点，确定第二轨迹总数，其中，所述第二轨迹总数为：对应的终止点节点为所述任意一个目的地节点，并且与所述车辆的当前行车轨迹重合的历史行车轨迹的总数；
基于所述第一轨迹总数和所述第二轨迹总数，确定所述任意一个目的地节点的服务类型概率，其中，一个目的地节点的服务类型概率与所述第一轨迹总数呈正相关，与所述第二轨迹总数呈负相关。
7.如权利要求5所述的方法，其特征在于，确定所述任意一个目的地节点的时间概率，包括：
基于所述车辆的出发时间，所述设定的服务类型，以及所述每一条历史行车轨迹相应的出发时间和终止点节点的服务类型，确定出发时间概率，其中，所述出发时间概率为：一条行车轨迹对应的出发时间为所述车辆的出发时间，并且对应的终止点节点的服务类型为所述设定的服务类型的概率；
基于所述车辆的当前行车轨迹，以及每一条历史行车轨迹，确定当前行车轨迹转移概率，其中，所述当前行车轨迹连续转移概率为：一条行车轨迹与所述车辆的当前行车轨迹重合的概率；
基于所述出发时间概率，以及所述当前行车轨迹转移概率，确定所述任意一个目的地节点的时间概率，其中，所述任意一个目的地节点的时间概率与所述出发时间概率和所述当前行车轨迹转移概率呈正相关。
8.如权利要求7所述的方法，其特征在于，确定出发时间概率，包括：
基于所述车辆的出发时间，所述设定的服务类型，以及所述每一条历史行车轨迹相应的出发时间和终止点节点的服务类型，确定第三轨迹总数，其中，所述第三轨迹总数为：对应的出发时间为所述车辆的出发时间，并且对应的终止点节点的服务类型为所述设定的服务类型的历史行车轨迹的总数。
基于所述车辆的出发时间，以及所述每一条历史行车轨迹相应的出发时间，确定第四轨迹总数，其中，所述第四轨迹总数为：对应的出发时间为所述车辆的出发时间的历史行车轨迹的总数；
基于所述第三轨迹总数，以及所述第四轨迹总数，确定所述出发时间概率，其中，所述出发时间概率与所述第三轨迹总数呈正相关，并与所述第四轨迹总数呈负相关。
9.如权利要求7所述的方法，其特征在于，确定当前行车轨迹转移概率，包括：
基于获取的与所述车辆的当前行车轨迹重合的节点，生成当前行车轨迹节点集合；
基于所述每一条历史行车轨迹，确定所述当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，其中，所述任意两个相邻的节点之间的单步转移概率为：一条行车轨迹与所述任意两个相邻的节点重合的概率；
基于所述当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，确定所述当前行车轨迹转移概率，其中，所述当前行车轨迹转移概率与所述当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率呈正相关。
10.如权利要求9所述的方法，其特征在于，确定所述当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，包括：
基于所述每一条历史行车轨迹，确定任意一个节点的第五轨迹总数，其中一个节点的第五轨迹总数为：与一个节点以及所述一个节点的周边的节点重合的历史行车轨迹的总数；
基于所述每一条历史行车轨迹，确定所述任意两个相邻节点的第六轨迹总数，其中，两个相邻的节点的第六轨迹总数为：与所述两个相邻节点重合的历史行车轨迹的总数；
基于所述任意一个节点的第五轨迹总数，以及所述任意两个相邻节点的第六轨迹总数，确定所述当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，其中，两个相邻节点之间的单步转移概率与单步轨迹的起始点节点的第五轨迹总数呈负相关，并与所述两个相邻节点的第六轨迹总数呈正相关，以及所述单步轨迹的起始点节点为：按照所述车辆的当前行车轨迹的方向，确定的所述两个相邻节点之间的一条行车轨迹的起始点节点。
11.如权利要求5所述方法，其特征在于，确定所述任意一个目的地节点的停留点节点转移概率，包括：
基于所述停留点节点，生成所述任意一个目的地节点的第一轨迹集合，其中，所述第一轨迹集合为：对应的起始点节点为所述停留点节点，并且，对应的终止点节点为所述任意一个目的地节点的历史行车轨迹的集合；
获取所述第一轨迹集合中的每一条历史行车轨迹对应的第一节点总数，其中，一条历史行车轨迹对应的第一节点总数为：与所述一条历史行车轨迹重合的节点的总数；
基于所述第一轨迹集合中的每一条历史行车轨迹对应的第一节点总数，挑选出取值最小的第一节点总数，作为最小第一节点总数；
基于预设的迂回轨迹比值，以及所述最小第一节点总数，确定所述任意一个目的地节点的最大第一节点总数，其中，所述最大第一节点总数与所述迂回轨迹比值和所述最小第一节点总数呈正相关；
基于与所述任意一个目的地节点的第一轨迹集合中任意一条历史行车轨迹重合的节点，生成所述任意一个目的地节点的第一节点集合；
基于所述第一轨迹集合中的每一条历史行车轨迹，确定所述第一节点集合中任意两个相邻节点之间的单步转移概率；
基于所述第一节点集合中任意两个相邻节点之间的单步转移概率，所述最小第一节点总数，以及所述最大第一节点总数，确定所述任意一个目的地节点的停留点节点转移概率。
12.如权利要求11所述方法，其特征在于，基于所述第一节点集合中任意两个相邻节点之间的单步转移概率，所述最小第一节点总数，以及所述最大第一节点总数，确定所述任意一个目的地节点的停留点节点转移概率，包括：
基于所述最小第一节点总数，以及所述最大第一节点总数，生成第一节点总数集合，其中，所述第一节点总数集合为所述最小第一节点总数和所述最大第一节点总数，以及所述最小第一节点总数与所述最大第一节点总数之间的每一个节点总数的取值的集合；
基于所述停留点节点，以及所述第一轨迹集合中任意两个相邻节点之间的单步转移概率，确定对应的阶数为所述第一节点总数集合中的任意一个节点总数的取值的停留点转移概率矩阵，其中，对应的阶数为一个节点总数的取值的停留点转移概率矩阵为：一条行车轨迹与总数为所述一个节点总数的取值的节点重合，并且，所述一条行车轨迹的起始点节点为所述停留点，以及对应的终止点节点为所述任意一个目的地节点的概率。
与所述停留点节点和所述任意一个目的地节点重合，并且，与所述停留点节点与所述任意一个目的地节点之间的总数为所述一个节点总数的取值的节点重合的概率；
基于对应的阶数为所述第一节点总数集合中的任意一个取值的停留点转移概率矩阵，确定所述任意一个目的地节点的停留点节点转移概率，其中，所述任意一个目的地节点的停留点节点转移概率为：对应的阶数为所述第一节点总数集合中的每一个取值的停留点转移概率矩阵的加和。
13.如权利要求5所述方法，其特征在于，确定所述任意一个目的地节点的起始点节点转移概率，包括：
基于所述车辆的当前行车轨迹相应的起始点节点，生成所述任意一个目的地节点的第二轨迹集合，其中，所述任意一个目的地节点的第二轨迹集合为：对应的起始点节点为所述车辆的当前行车轨迹相应的起始点节点，并且，对应的终止点节点为所述任意一个目的地节点的历史行车轨迹的集合；
获取所述第二轨迹集合中的每一条历史行车轨迹对应的第二节点总数，其中，一条历史行车轨迹对应的第二节点总数为：与所述一条历史行车轨迹重合的节点的总数；
基于所述第二轨迹集合中的每一条历史行车轨迹对应的第二节点总数，确定所述最小第二节点总数，其中，所述最小第二节点总数为：所述第二轨迹集合中的历史行车轨迹对应的取值最小的第二节点总数；
基于所述迂回轨迹比值，以及所述最小第二节点总数，确定所述最大第二节点总数，其中，所述最大第二节点总数与所述迂回轨迹比值和所述最小第二节点总数呈正相关；
基于与所述第二轨迹集合中任意一条历史行车轨迹重合的节点，生成所述第二节点集合；
基于所述每一条历史行车轨迹，确定所述第二节点集合中任意两个相邻节点之间的单步转移概率；
基于所述第二节点集合中任意两个相邻节点之间的单步转移概率，所述最小第二节点总数，以及所述最大第二节点总数，确定所述任意一个目的地节点的起始点节点转移概率。
14.如权利要求13所述方法，其特征在于，基于所述第二节点集合中任意两个相邻节点之间的单步转移概率，所述最小第二节点总数，以及所述最大第二节点总数，确定所述任意一个目的地节点的起始点节点转移概率，包括：
基于所述最小第二节点总数，以及所述最大第二节点总数，生成第二节点总数集合，其中，所述第二节点总数集合为：所述最小第一节点总数和所述最大第一节点总数，以及所述最小第二节点总数与所述最大第二节点总数之间的每一个节点总数的取值的集合；
基于所述车辆的行车轨迹对应的起始点节点，以及所述第二节点集合中任意两个相邻节点之间的单步转移概率，确定对应的阶数为所述第二节点总数集合中的任意一个节点总数的取值的起始点转移概率矩阵，其中，对应的阶数为一个节点总数的取值的起始点转移概率矩阵为：一条行车轨迹与总数为所述一个节点总数的取值的节点重合，并且，所述一条行车轨迹的起始点节点为所述车辆的行车轨迹对应的起始点节点，以及对应的终止点节点为所述任意一个目的地节点的概率。
基于对应的阶数为所述第二节点总数集合中的任意一个节点总数的取值的起始点转移概率矩阵，确定所述任意一个目的地节点的起始点节点转移概率，其中，所述任意一个目的地节点的起始点节点转移概率为：对应的阶数为所述第二节点总数集合中的每一个节点总数的取值的起始点转移概率矩阵的加和。
15.如权利要求2-14任一项所述的方法，其特征在于，在选取预测概率符合预设规则的目的地为预测目的地之后，进一步包括：
获取所述车辆的当前行车轨迹对应的实际目的地节点，其中，所述实际目的地节点为：所述车辆的当前行车轨迹的结束地所在点对应的节点；
将所述预测目的地对应的目的地节点与所述实际目的地节点进行比对，获得比对结果；
基于所述比对结果，对所述设定网格面积进行调整。
16.一种预测目的地的装置，其特征在于，包括：
监测单元，用于获取用户设定的服务类型，以及监测所述用户驾驶的车辆的当前行车轨迹；
获取单元，用于获取对应所述服务类型设置的目的地集合；
预测单元，用于基于所述车辆的当前行车轨迹，采用所述目的地集合中包含的每一个目的地对应的预测模型，分别确定所述每一个目的地对应的预测概率，其中，一个目的地对应的预测模型表示根据用户驾驶的车辆的历史行车轨迹和所述设定的服务类型，确定所述车辆的当前行车轨迹的目的地为所述一个目的地的概率；
选取单元，用于选取预测概率符合预设规则的目的地为预测目的地。
17.如权利要求16所述的装置，其特征在于，在获取用户设定的服务类型，以及监测所述用户驾驶的车辆的当前行车轨迹之前，所述监测单元还用于：
参照经纬度方向，按照设定网格面积将地图划分为若干网格；
对应每一个网格设置一个节点；
建立每一个节点与相应的的网格中包含的位置点之间的关联关系，称为位置关联关系。
18.如权利要求17所述的装置，其特征在于，基于所述目的地集合中包含的每一个目的地对应的预测模型，以及所述车辆的当前行车轨迹，分别确定所述每一个目的地对应的预测概率时，所述预测单元具体用于：
分别获取所述车辆的每一条历史行车轨迹及相应的起始点、终止点和终止点的服务类型，以及获取所述车辆的当前行车轨迹的的起始点，其中，所述终止点为一条行车轨迹的结束地所在位置点，所述起始点为一条行车轨迹的出发地所在位置点；
基于所述位置关联关系，分别确定每一个起始点对应的节点，作为起始点节点，分别确定每一个终止点对应的节点，作为终止点节点，并分别确定所述目的地集合中的每一个目的地所在位置点对应的节点，作为目的地节点；
基于所述车辆的当前行车轨迹，所述车辆的当前行车轨迹相应的起始点节点，所述每一条历史行车轨迹以及相应的起始点节点、终止点节点和终止点的服务类型，采用每一个目的地节点对应的预测模型，分别确定所述每一个目的地节点对应的预测概率。
19.如权利要求18所述的装置，其特征在于，基于所述车辆的当前行车轨迹，所述车辆的当前行车轨迹相应的起始点节点，所述每一条历史行车轨迹以及相应的起始点节点、终止点节点和终止点的服务类型，采用任意一个目的地节点对应的预测模型，确定所述任意一个目的地节点对应的预测概率，包括：
基于所述每一条历史行车轨迹和相应的终止点节点，确定对应的终止点节点为所述任意一个目的地节点的历史行车轨迹在所有历史行车轨迹中的占比；
基于所述车辆的当前行车轨迹，所述车辆的当前行车轨迹相应的起始点节点，所述每一条历史行车轨迹以及相应的起始点节点和终止点节点，确定所述任意一个目的地节点的当前行车轨迹概率，其中，所述任意一个目的地节点的当前行车轨迹概率为：一条行车轨迹的起始点节点为所述车辆的当前行车轨迹相应的起始点节点，并且，所述一条行车轨迹与所述车辆的当前行车轨迹重合，以及所述一条行车轨迹的终止点节点为所述任意一个目的地节点的概率；
基于所述车辆的当前行车轨迹，所述设定的服务类型，所述每一条历史行车轨迹以及相应的终止点节点和终止点节点的服务类型，确定所述任意一个目的地节点的服务类型概率，其中，所述任意一个目的地节点的服务类型概率为：一条行车轨迹与所述车辆的当前行车轨迹重合，并且，所述一条行车轨迹对应的终止点节点的服务类型为所述设定的服务类型，以及对应的终止点节点为所述任意一个目的地节点的概率；
基于所述任意一个目的地节点对应的占比、当前行车轨迹概率和服务类型概率，采用所述任意一个目的地节点对应的预测模型，确定所述任意一个目的地节点对应的预测概率，其中，一个目的地节点对应的预测概率与所述一个目的地节点对应的占比、当前行车轨迹概率和服务类型概率呈正相关。
20.如权利要求19所述的装置，其特征在于，确定所述任意一个目的地节点的当前行车轨迹概率时，所述预测单元还用于：
获取所述车辆的当前行车轨迹的的停留点，其中，所述停留点为当前时刻所在位置点；
基于所述位置关联关系，确定所述停留点对应的节点，作为停留点节点；
基于所述停留点节点，确定所述任意一个目的地节点的停留点节点转移概率，其中，所述任意一个目的地节点的停留点节点转移概率为：一条行车轨迹与所述停留点节点重合，并与所述任意一个目的地节点重合的概率；
基于所述车辆的当前行车轨迹相应的起始点节点，确定所述任意一个目的地节点的起始点节点转移概率，其中，所述任意一个目的地节点的起始点节点转移概率为：一条行车轨迹与所述车辆的当前行车轨迹相应的起始点节点重合，并与所述任意一个目的地节点重合的概率；
基于获取的所述车辆的出发时间，所述车辆的当前行车轨迹相应的起始点节点，以及所述设定的服务类型，确定所述任意一个目的地节点的时间概率，其中，所述任意一个目的地节点的时间概率为：一条行车轨迹对应的出发时间为所述车辆的出发时间，并且，所述一条行车轨迹对应的起始点节点为所述车辆的当前行车轨迹相应的起始点节点，以及对应的终止点节点的服务类型为所述设定的服务类型的概率；
基于所述任意一个目的地节点对应的停留点节点转移概率、起始点节点转移概率以及时间概率，确定所述任意一个目的地节点的当前行车轨迹概率，其中，一个目的地节点对应的当前行车轨迹概率与所述一个目的地节点对应的停留点节点转移概率和时间概率呈正相关，并与所述一个目的地节点对应的起始点节点转移概率呈负相关。
21.如权利要求19所述的装置，其特征在于，确定所述任意一个目的地节点的服务类型概率时，所述预测单元还用于：
基于所述车辆的当前行车轨迹，所述设定的服务类型，所述每一条历史行车轨迹以及相应的终止点节点和终止点节点的服务类型，确定第一轨迹总数，其中，所述第一轨迹总数为：对应的终止点节点的服务类型为所述设定的服务类型，并且对应的终止点节点为所述任意一个目的地节点，以及与所述车辆的当前行车轨迹重合的历史行车轨迹的总数；
基于所述车辆的当前行车轨迹，以及所述每一条历史行车轨迹以及相应的终止点节点，确定第二轨迹总数，其中，所述第二轨迹总数为：对应的终止点节点为所述任意一个目的地节点，并且与所述车辆的当前行车轨迹重合的历史行车轨迹的总数；
基于所述第一轨迹总数和所述第二轨迹总数，确定所述任意一个目的地节点的服务类型概率，其中，一个目的地节点的服务类型概率与所述第一轨迹总数呈正相关，与所述第二轨迹总数呈负相关。
22.如权利要求21所述的装置，其特征在于，确定所述任意一个目的地节点的时间概率时，所述预测单元还用于：
基于所述车辆的出发时间，所述设定的服务类型，以及所述每一条历史行车轨迹相应的出发时间和终止点节点的服务类型，确定出发时间概率，其中，所述出发时间概率为：一条行车轨迹对应的出发时间为所述车辆的出发时间，并且对应的终止点节点的服务类型为所述设定的服务类型的概率；
基于所述车辆的当前行车轨迹，以及每一条历史行车轨迹，确定当前行车轨迹转移概率，其中，所述当前行车轨迹连续转移概率为：一条行车轨迹与所述车辆的当前行车轨迹重合的概率；
基于所述出发时间概率，以及所述当前行车轨迹转移概率，确定所述任意一个目的地节点的时间概率，其中，所述任意一个目的地节点的时间概率与所述出发时间概率和所述当前行车轨迹转移概率呈正相关。
23.如权利要求22所述的装置，其特征在于，确定出发时间概率时，所述预测单元还用于：
基于所述车辆的出发时间，所述设定的服务类型，以及所述每一条历史行车轨迹相应的出发时间和终止点节点的服务类型，确定第三轨迹总数，其中，所述第三轨迹总数为：对应的出发时间为所述车辆的出发时间，并且对应的终止点节点的服务类型为所述设定的服务类型的历史行车轨迹的总数。
基于所述车辆的出发时间，以及所述每一条历史行车轨迹相应的出发时间，确定第四轨迹总数，其中，所述第四轨迹总数为：对应的出发时间为所述车辆的出发时间的历史行车轨迹的总数；
基于所述第三轨迹总数，以及所述第四轨迹总数，确定所述出发时间概率，其中，所述出发时间概率与所述第三轨迹总数呈正相关，并与所述第四轨迹总数呈负相关。
24.如权利要求22所述的装置，其特征在于，确定当前行车轨迹转移概率时，所述预测单元还用于：
基于获取的与所述车辆的当前行车轨迹重合的节点，生成当前行车轨迹节点集合；
基于所述每一条历史行车轨迹，确定所述当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，其中，所述任意两个相邻的节点之间的单步转移概率为：一条行车轨迹与所述任意两个相邻的节点重合的概率；
基于所述当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，确定所述当前行车轨迹转移概率，其中，所述当前行车轨迹转移概率与所述当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率呈正相关。
25.如权利要求24所述的装置，其特征在于，确定所述当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率时，所述预测单元还用于：
基于所述每一条历史行车轨迹，确定任意一个节点的第五轨迹总数，其中一个节点的第五轨迹总数为：与一个节点以及所述一个节点的周边的节点重合的历史行车轨迹的总数；
基于所述每一条历史行车轨迹，确定所述任意两个相邻节点的第六轨迹总数，其中，两个相邻的节点的第六轨迹总数为：与所述两个相邻节点重合的历史行车轨迹的总数；
基于所述任意一个节点的第五轨迹总数，以及所述任意两个相邻节点的第六轨迹总数，确定所述当前行车轨迹节点集合中任意两个相邻节点之间的单步转移概率，其中，两个相邻节点之间的单步转移概率与单步轨迹的起始点节点的第五轨迹总数呈负相关，并与所述两个相邻节点的第六轨迹总数呈正相关，以及所述单步轨迹的起始点节点为：按照所述车辆的当前行车轨迹的方向，确定的所述两个相邻节点之间的一条行车轨迹的起始点节点。
26.如权利要求20所述装置，其特征在于，确定所述任意一个目的地节点的停留点节点转移概率时，所述预测单元还用于：
基于所述停留点节点，生成所述任意一个目的地节点的第一轨迹集合，其中，所述第一轨迹集合为：对应的起始点节点为所述停留点节点，并且，对应的终止点节点为所述任意一个目的地节点的历史行车轨迹的集合；
获取所述第一轨迹集合中的每一条历史行车轨迹对应的第一节点总数，其中，一条历史行车轨迹对应的第一节点总数为：与所述一条历史行车轨迹重合的节点的总数；
基于所述第一轨迹集合中的每一条历史行车轨迹对应的第一节点总数，挑选出取值最小的第一节点总数，作为最小第一节点总数；
基于预设的迂回轨迹比值，以及所述最小第一节点总数，确定所述任意一个目的地节点的最大第一节点总数，其中，所述最大第一节点总数与所述迂回轨迹比值和所述最小第一节点总数呈正相关；
基于与所述任意一个目的地节点的第一轨迹集合中任意一条历史行车轨迹重合的节点，生成所述任意一个目的地节点的第一节点集合；
基于所述第一轨迹集合中的每一条历史行车轨迹，确定所述第一节点集合中任意两个相邻节点之间的单步转移概率；
基于所述第一节点集合中任意两个相邻节点之间的单步转移概率，所述最小第一节点总数，以及所述最大第一节点总数，确定所述任意一个目的地节点的停留点节点转移概率。
27.如权利要求26所述装置，其特征在于，基于所述第一节点集合中任意两个相邻节点之间的单步转移概率，所述最小第一节点总数，以及所述最大第一节点总数，确定所述任意一个目的地节点的停留点节点转移概率时，所述预测单元还用于：
基于所述最小第一节点总数，以及所述最大第一节点总数，生成第一节点总数集合，其中，所述第一节点总数集合为所述最小第一节点总数和所述最大第一节点总数，以及所述最小第一节点总数与所述最大第一节点总数之间的每一个节点总数的取值的集合；
基于所述停留点节点，以及所述第一轨迹集合中任意两个相邻节点之间的单步转移概率，确定对应的阶数为所述第一节点总数集合中的任意一个节点总数的取值的停留点转移概率矩阵，其中，对应的阶数为一个节点总数的取值的停留点转移概率矩阵为：一条行车轨迹与总数为所述一个节点总数的取值的节点重合，并且，所述一条行车轨迹的起始点节点为所述停留点，以及对应的终止点节点为所述任意一个目的地节点的概率。
与所述停留点节点和所述任意一个目的地节点重合，并且，与所述停留点节点与所述任意一个目的地节点之间的总数为所述一个节点总数的取值的节点重合的概率；
基于对应的阶数为所述第一节点总数集合中的任意一个取值的停留点转移概率矩阵，确定所述任意一个目的地节点的停留点节点转移概率，其中，所述任意一个目的地节点的停留点节点转移概率为：对应的阶数为所述第一节点总数集合中的每一个取值的停留点转移概率矩阵的加和。
28.如权利要求20所述装置，其特征在于，确定所述任意一个目的地节点的起始点节点转移概率，所述预测单元还用于：
基于所述车辆的当前行车轨迹相应的起始点节点，生成所述任意一个目的地节点的第二轨迹集合，其中，所述任意一个目的地节点的第二轨迹集合为：对应的起始点节点为所述车辆的当前行车轨迹相应的起始点节点，并且，对应的终止点节点为所述任意一个目的地节点的历史行车轨迹的集合；
获取所述第二轨迹集合中的每一条历史行车轨迹对应的第二节点总数，其中，一条历史行车轨迹对应的第二节点总数为：与所述一条历史行车轨迹重合的节点的总数；
基于所述第二轨迹集合中的每一条历史行车轨迹对应的第二节点总数，确定所述最小第二节点总数，其中，所述最小第二节点总数为：所述第二轨迹集合中的历史行车轨迹对应的取值最小的第二节点总数；
基于所述迂回轨迹比值，以及所述最小第二节点总数，确定所述最大第二节点总数，其中，所述最大第二节点总数与所述迂回轨迹比值和所述最小第二节点总数呈正相关；
基于与所述第二轨迹集合中任意一条历史行车轨迹重合的节点，生成所述第二节点集合；
基于所述每一条历史行车轨迹，确定所述第二节点集合中任意两个相邻节点之间的单步转移概率；
基于所述第二节点集合中任意两个相邻节点之间的单步转移概率，所述最小第二节点总数，以及所述最大第二节点总数，确定所述任意一个目的地节点的起始点节点转移概率。
29.如权利要求28所述装置，其特征在于，基于所述第二节点集合中任意两个相邻节点之间的单步转移概率，所述最小第二节点总数，以及所述最大第二节点总数，确定所述任意一个目的地节点的起始点节点转移概率时，所述预测单元还用于：
基于所述最小第二节点总数，以及所述最大第二节点总数，生成第二节点总数集合，其中，所述第二节点总数集合为：所述最小第一节点总数和所述最大第一节点总数，以及所述最小第二节点总数与所述最大第二节点总数之间的每一个节点总数的取值的集合；
基于所述车辆的行车轨迹对应的起始点节点，以及所述第二节点集合中任意两个相邻节点之间的单步转移概率，确定对应的阶数为所述第二节点总数集合中的任意一个节点总数的取值的起始点转移概率矩阵，其中，对应的阶数为一个节点总数的取值的起始点转移概率矩阵为：一条行车轨迹与总数为所述一个节点总数的取值的节点重合，并且，所述一条行车轨迹的起始点节点为所述车辆的行车轨迹对应的起始点节点，以及对应的终止点节点为所述任意一个目的地节点的概率。
基于对应的阶数为所述第二节点总数集合中的任意一个节点总数的取值的起始点转移概率矩阵，确定所述任意一个目的地节点的起始点节点转移概率，其中，所述任意一个目的地节点的起始点节点转移概率为：对应的阶数为所述第二节点总数集合中的每一个节点总数的取值的起始点转移概率矩阵的加和。
30.如权利要求17-29任一项所述的装置，其特征在于，在选取预测概率符合预设规则的目的地为预测目的地之后，所述选取单元还用于：
获取所述车辆的当前行车轨迹对应的实际目的地节点，其中，所述实际目的地节点为：所述车辆的当前行车轨迹的结束地所在点对应的节点；
将所述预测目的地对应的目的地节点与所述实际目的地节点进行比对，获得比对结果；
基于所述比对结果，对所述设定网格面积进行调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611005963.6A CN108072378B (zh) | 2016-11-15 | 2016-11-15 | 一种预测目的地的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611005963.6A CN108072378B (zh) | 2016-11-15 | 2016-11-15 | 一种预测目的地的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108072378A true CN108072378A (zh) | 2018-05-25 |
| CN108072378B CN108072378B (zh) | 2020-10-23 |
Family
ID=62162568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611005963.6A Active CN108072378B (zh) | 2016-11-15 | 2016-11-15 | 一种预测目的地的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108072378B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985488A (zh) * | 2018-06-06 | 2018-12-11 | 福建工程学院 | 个体出行目的地预测的方法 |
| CN110553657A (zh) * | 2018-06-01 | 2019-12-10 | 深圳狗尾草智能科技有限公司 | 一种基于聊天机器人的导航方法及系统 |
| CN110617829A (zh) * | 2018-06-18 | 2019-12-27 | 罗伯特·博世有限公司 | 用于预测车辆的可能行驶路线的方法和装置 |
| CN111143779A (zh) * | 2019-12-31 | 2020-05-12 | 斑马网络技术有限公司 | 获得通勤规律的方法、装置、电子设备及存储介质 |
| CN111246389A (zh) * | 2020-01-09 | 2020-06-05 | 爱讯智联科技(北京)有限公司 | 一种基于用户行为的智能选网方法及装置、系统 |
| CN111402580A (zh) * | 2020-03-04 | 2020-07-10 | 杭州海康威视系统技术有限公司 | 车辆行驶轨迹预测方法、装置及电子设备 |
| CN111461380A (zh) * | 2019-01-21 | 2020-07-28 | 北京嘀嘀无限科技发展有限公司 | 一种位置预测方法以及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1892182A (zh) * | 2005-07-01 | 2007-01-10 | 株式会社电装 | 导航系统 |
| CN101568802A (zh) * | 2007-05-02 | 2009-10-28 | 松下电器产业株式会社 | 移动目标预测装置、移动目标预测方法及导航装置 |
| CN102099655A (zh) * | 2008-06-30 | 2011-06-15 | 株式会社电装 | 车辆导航装置 |
| US20120158289A1 (en) * | 2010-12-17 | 2012-06-21 | Microsoft Corporation | Mobile search based on predicted location |
| CN102667403A (zh) * | 2009-12-02 | 2012-09-12 | 三菱电机株式会社 | 导航装置 |
| CN104937375A (zh) * | 2013-01-21 | 2015-09-23 | 三菱电机株式会社 | 目的地预测装置、目的地预测方法、目的地显示方法 |
| CN105043398A (zh) * | 2014-04-09 | 2015-11-11 | 大众汽车有限公司 | 用于提供预测性目标位置和/或用于达到目标位置的预测性路线的方法和导航系统 |
| CN105277189A (zh) * | 2014-06-30 | 2016-01-27 | 高德软件有限公司 | 一种路线推送方法及装置 |
| CN105829831A (zh) * | 2013-11-12 | 2016-08-03 | 三菱电机株式会社 | 用于在行进期间预测目的地的方法 |
-
2016
- 2016-11-15 CN CN201611005963.6A patent/CN108072378B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1892182A (zh) * | 2005-07-01 | 2007-01-10 | 株式会社电装 | 导航系统 |
| CN101568802A (zh) * | 2007-05-02 | 2009-10-28 | 松下电器产业株式会社 | 移动目标预测装置、移动目标预测方法及导航装置 |
| CN102099655A (zh) * | 2008-06-30 | 2011-06-15 | 株式会社电装 | 车辆导航装置 |
| CN102667403A (zh) * | 2009-12-02 | 2012-09-12 | 三菱电机株式会社 | 导航装置 |
| US20120158289A1 (en) * | 2010-12-17 | 2012-06-21 | Microsoft Corporation | Mobile search based on predicted location |
| CN104937375A (zh) * | 2013-01-21 | 2015-09-23 | 三菱电机株式会社 | 目的地预测装置、目的地预测方法、目的地显示方法 |
| CN105829831A (zh) * | 2013-11-12 | 2016-08-03 | 三菱电机株式会社 | 用于在行进期间预测目的地的方法 |
| CN105043398A (zh) * | 2014-04-09 | 2015-11-11 | 大众汽车有限公司 | 用于提供预测性目标位置和/或用于达到目标位置的预测性路线的方法和导航系统 |
| CN105277189A (zh) * | 2014-06-30 | 2016-01-27 | 高德软件有限公司 | 一种路线推送方法及装置 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110553657A (zh) * | 2018-06-01 | 2019-12-10 | 深圳狗尾草智能科技有限公司 | 一种基于聊天机器人的导航方法及系统 |
| CN110553657B (zh) * | 2018-06-01 | 2023-10-27 | 江苏瑞焕激光科技有限公司 | 一种基于聊天机器人的导航方法及系统 |
| CN108985488A (zh) * | 2018-06-06 | 2018-12-11 | 福建工程学院 | 个体出行目的地预测的方法 |
| CN110617829A (zh) * | 2018-06-18 | 2019-12-27 | 罗伯特·博世有限公司 | 用于预测车辆的可能行驶路线的方法和装置 |
| CN110617829B (zh) * | 2018-06-18 | 2024-01-23 | 罗伯特·博世有限公司 | 用于预测车辆的可能行驶路线的方法和装置 |
| CN111461380A (zh) * | 2019-01-21 | 2020-07-28 | 北京嘀嘀无限科技发展有限公司 | 一种位置预测方法以及装置 |
| CN111143779A (zh) * | 2019-12-31 | 2020-05-12 | 斑马网络技术有限公司 | 获得通勤规律的方法、装置、电子设备及存储介质 |
| CN111143779B (zh) * | 2019-12-31 | 2023-07-25 | 斑马网络技术有限公司 | 获得通勤规律的方法、装置、电子设备及存储介质 |
| CN111246389A (zh) * | 2020-01-09 | 2020-06-05 | 爱讯智联科技(北京)有限公司 | 一种基于用户行为的智能选网方法及装置、系统 |
| CN111246389B (zh) * | 2020-01-09 | 2021-03-16 | 爱讯智联科技(北京)有限公司 | 一种基于用户行为的智能选网方法及装置、系统 |
| CN111402580A (zh) * | 2020-03-04 | 2020-07-10 | 杭州海康威视系统技术有限公司 | 车辆行驶轨迹预测方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108072378B (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108072378A (zh) | 一种预测目的地的方法及装置 | |
| KR101976236B1 (ko) | 모바일 장치의 위치 식별 기법 | |
| US20170276500A1 (en) | Meeting point determination for group members | |
| CN104270714B (zh) | 确定用户行动轨迹的方法和装置 | |
| CN109478062A (zh) | 用于无人机的wwan无线电链路质量导航 | |
| CN103442331A (zh) | 终端设备位置确定方法和终端设备 | |
| CN107644273A (zh) | 一种导航路径规划方法及设备 | |
| CN108133619A (zh) | 停车场停车预测的方法、装置、存储介质及终端设备 | |
| CN104462685B (zh) | 基于网格GIS和Floyd算法的输电线路设计方法 | |
| CN107948921A (zh) | Uwb定位系统的基站智能快速部署方法和装置 | |
| CN108919814A (zh) | 割草机工作区域生成方法、装置及系统 | |
| CN105491529B (zh) | 移动终端位置数据的内存映射处理方法及大数据平台 | |
| CN106550331A (zh) | 一种室内定位方法和设备 | |
| Krajník et al. | Where's waldo at time t? using spatio-temporal models for mobile robot search | |
| CN105334497B (zh) | 一种三维定位方法和装置 | |
| CN106920387A (zh) | 获取交通道路中路线热度的方法及装置 | |
| Wang et al. | An adaptive and VANETs-based Next Road Re-routing system for unexpected urban traffic congestion avoidance | |
| CN110267206A (zh) | 用户位置预测方法及装置 | |
| CN106961671A (zh) | 采集室内定位数据的方法和装置 | |
| JP2022551016A (ja) | スパニングツリーを用いたセル結合による領域分割 本開示は、一般に、領域分割に関し、特に、位置情報ゲームで使用するための異なる地域の特定に関するものである。 | |
| CN107861992A (zh) | 一种跑步路线处理方法和装置 | |
| AU2012283686B2 (en) | Method, device and system for determining topology of a wireless communication network | |
| CN109579861A (zh) | 一种基于强化学习的路径导航方法及系统 | |
| WO2017180033A1 (en) | System, apparatus, and method for using location records associated with wireless communication devices to generate an indoor map | |
| CN111768035A (zh) | 路径推荐信息推送方法、装置、计算机设备及存储介质 |
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 |