CN108074414B

CN108074414B - 一种基于用户行为的常走路径交通信息提醒方法及系统

Info

Publication number: CN108074414B
Application number: CN201711373203.5A
Authority: CN
Inventors: 钟鸿飞
Original assignee: Guangzhou Xiaopeng Motors Technology Co Ltd
Current assignee: Guangzhou Xiaopeng Motors Technology Co Ltd
Priority date: 2017-12-19
Filing date: 2017-12-19
Publication date: 2020-09-11
Anticipated expiration: 2037-12-19
Also published as: CN108074414A

Abstract

本发明公开了一种基于用户行为的常走路径交通信息提醒方法及系统，该方法包括以下步骤：当检测到车辆启动时，获取当前时间以及车辆当前所在地点；根据当前时间以及车辆当前所在地点，预测获得用户车辆出行的目的地；根据车辆当前所在地点以及该预测获得的目的地，在该车辆的历史常走路径集合中查找获得对应的常走路径作为用户的预测行驶轨迹；获取预测行驶轨迹对应的实时交通信息并进行播放。本发明可以自动地实现用户常走路径的交通信息播报提醒，且全自动化实现，快捷而高效，可广泛应用于智能交通行业中。

Description

一种基于用户行为的常走路径交通信息提醒方法及系统

技术领域

本发明涉及智能交通信息处理领域，特别是涉及一种基于用户行为的常走路径交通信息提醒方法及系统。

背景技术

在用户驾驶车辆出行的过程中，提前获得道路的交通信息是避免拥堵或事故，安全、高效率驾驶的重要前提。一般情况下，要获得道路的拥堵情况信息，需要用户手动输入目的地后，才能获得相应道路的交通信息，但这需要用户参与，对用户依赖性高，无法智能执行，另外用户输入目的地后得到的道路信息，不一定是用户经常行驶的路径，这种情况下，该道路的交通信息对用户驾驶并没有参考意义，用户还要手动一点点选择自己常走路径才能得到有用的交通信息，操作繁琐、复杂、效率低下，智能化程度低。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种基于用户行为的常走路径交通信息提醒方法及系统。

本发明解决其技术问题所采用的技术方案是：

一种基于用户行为的常走路径交通信息提醒方法，包括以下步骤：

当检测到车辆启动时，获取当前时间以及车辆当前所在地点；

根据当前时间以及车辆当前所在地点，预测获得用户车辆出行的目的地；

根据车辆当前所在地点以及该预测获得的目的地，在该车辆的历史常走路径集合中查找获得对应的常走路径作为用户的预测行驶轨迹；

获取预测行驶轨迹对应的实时交通信息并进行播放。

进一步，所述预测获得用户车辆出行的目的地的步骤中，具体根据车辆目的地预测模型预测获得用户车辆出行的目的地，所述车辆目的地预测模型是通过以下步骤训练获得：

采集该车辆在一段时间内的历史行驶轨迹数据；

对历史行驶轨迹数据进行离线数据预处理；

采用DBSCAN聚类算法对历史行驶轨迹数据中的终点进行聚类；

获得每个聚类的中心点作为该聚类的代表点；

将历史行驶轨迹数据的起点和终点替换为对应的代表点，并将历史行驶轨迹数据进行特征抽取后，封装为稀疏向量；

将封装获得的所有稀疏向量作为输入数据，并将每个稀疏向量对应的终点位置作为输出数据，采用逻辑回归模型中进行训练，最后获得该车辆的车辆目的地预测模型。

进一步，所述历史常走路径集合是通过以下步骤计算获得：

根据聚类结果，计算每个聚类的频率；

获取频率大于设定的频率阈值的所有聚类对应的代表点，构建高频目的地列表；

针对历史行驶轨迹数据，查找获得起点、终点均在高频目的地列表中的所有轨迹；

对于同一起点及同一终点的所有轨迹，进行相似度计算后，根据相似度计算结果，获得该起点到终点处的频率最高的常走路径；

将获得的所有常走路径以及各常走路径对应的起点和终点，构建历史常走路径集合。

进一步，还包括以下步骤：

当根据实时交通信息判断预测行驶轨迹存在交通拥堵时，计算获得当前所在地点到预测目的地之间的最优可选路径，并播放提醒用户。

进一步，所述获取预测行驶轨迹对应的实时交通信息并进行播放的步骤，具体包括：

将预测行驶轨迹切分为由具体道路构成的多段轨迹；

针对每段轨迹，获取其实时交通信息；

将各段轨迹对应的实时交通信息按照预设的优先级顺序和设定的播放形式进行播放。

进一步，所述播放形式包括图片、文字和/或语音。

进一步，所述采用DBSCAN聚类算法对历史行驶轨迹数据中的终点进行聚类的步骤，具体包括：

针对历史行驶轨迹数据中的所有终点，根据地球坐标系中的三角函数原理，计算任意两个终点之间的距离；

设定DBSCAN聚类算法的聚类参数，所述聚类参数包括同类点的最大距离以及形成聚类的最少点数；

采用DBSCAN聚类算法对历史行驶轨迹数据中的终点进行聚类。

进一步，在采用DBSCAN聚类算法进行聚类的过程中，聚类准确率设定为90％。

进一步，在采用DBSCAN聚类算法进行聚类的过程中，通过调整所提取特征的数量或者调整所提取特征的类型进行算法优化。

本发明解决其技术问题所采用的另一技术方案是：

一种基于用户行为的常走路径交通信息提醒系统，包括：

至少一个处理器；

至少一个存储器，用于存储多个指令；

所述多个指令由所述至少一个处理器加载并实现如上所述的基于用户行为的常走路径交通信息提醒方法。

本发明方法、系统的有益效果是：本发明在检测到用户车辆启动时，通过获取当前时间以及车辆当前所在地点后，获取该车辆对应的车辆目的地预测模型预测获得用户车辆的目的地，从而根据预测目的地获得用户的预测行驶轨迹，最后根据预测行驶轨迹对用户进行交通信息播放提醒，因此，本发明可以及时、自动地提醒用户其常走路径出现的拥堵等交通信息，无需用户手动操作或选择，只要用户启动车辆，即可以自动地实现常走路径的交通信息播报提醒，全自动化实现，快捷而高效。

附图说明

图1是本发明的基于用户行为的常走路径交通信息提醒方法的流程图；

图2是本发明的车辆目的地预测模型的训练过程的流程图；

图3是本发明的历史常走路径集合的计算过程流程图；

图4是本发明的基于用户行为的常走路径交通信息提醒系统的结构框图。

具体实施方式

方法实施例

参照图1，本实施例提供了一种基于用户行为的常走路径交通信息提醒方法，包括以下步骤：

获取预测行驶轨迹对应的实时交通信息并进行播放。

本发明中，交通信息包括拥堵信息、事故信息、修路信息、封路信息等。

本方法在检测到用户车辆启动时，通过车辆识别码或车载终端对应的用户账号确定车辆或用户信息，通过获取当前时间以及车辆当前所在地点后，获取该车辆对应的车辆目的地预测模型预测获得用户车辆的目的地，从而根据预测目的地获得用户的预测行驶轨迹，最后根据预测行驶轨迹对用户进行交通信息播放提醒，因此，本方法可以及时、自动地提醒用户其常走路径出现的拥堵等交通信息，无需用户手动操作或选择，只要用户启动车辆，即可以自动地实现常走路径的交通信息播报提醒，全自动化实现，快捷而高效。

进一步作为优选的实施方式，所述预测获得用户车辆出行的目的地的步骤中，具体根据车辆目的地预测模型预测获得用户车辆出行的目的地，参照图2，所述车辆目的地预测模型是通过以下步骤S01～S06训练获得：

S01、采集该车辆在一段时间内的历史行驶轨迹数据；

S02、对历史行驶轨迹数据进行离线数据预处理；

S03、采用DBSCAN聚类算法对历史行驶轨迹数据中的终点进行聚类；

S04、获得每个聚类的中心点作为该聚类的代表点；

S05、将历史行驶轨迹数据的起点和终点替换为对应的代表点，并将历史行驶轨迹数据进行特征抽取后，封装为稀疏向量；这个特征抽取的过程中，将历史行驶轨迹数据的起点位置以及历史行驶轨迹数据的其它参数抽取作为稀疏向量后作为逻辑回归模型的输入数据，将历史行驶轨迹数据的终点位置作为输出数据；

S06、将封装获得的所有稀疏向量作为输入数据，并将每个稀疏向量对应的终点位置作为输出数据，进而将输入数据和输出数据输入到基于SGD的逻辑回归模型中进行训练，最后获得该车辆的车辆目的地预测模型。

本发明中，逻辑回归模型的函数为：

其中，y表示输出数据，即上述的终点位置，X表示输入数据，即上述的稀疏向量。本实施例中，特征抽取过程抽取了起点位置、时间来构建稀疏向量，因此，输入数据X为：

X＝ax₁+βx₂+γx₃+δx₄+b

其中，x₁表示起点位置的经纬度，x₂表示一周的第几天，x₃表示一年的第几周，x₄表示一天的时分，a、β、γ、δ分别是权重，b表示偏差，且b为常数。x₂、x₃、x₄是根据时间抽取的特征量，通过将时间按照时分、周数、星期几进行拆解，便于抽取获得用户出行的规律。逻辑回归模型的训练过程是对参数a、β、γ、δ进行训练，训练结束后得到输入数据X的具体表达式，从而构建逻辑会过模型。

进一步作为优选的实施方式，参照图3，所述历史常走路径集合是通过以下步骤计算获得：

S11、根据聚类结果，计算每个聚类的频率；具体是根据计算聚类结果中每个聚类的点数与所有聚类的总点数的比率，作为每个聚类的频率，通过该频率可以反映每个聚类对应的代表点所出现的频率高低；

S12、获取频率大于设定的频率阈值的所有聚类对应的代表点，构建高频目的地列表；

S13、针对历史行驶轨迹数据，查找获得起点、终点均在高频目的地列表中的所有轨迹；

S14、对于同一起点及同一终点的所有轨迹，进行相似度计算后，根据相似度计算结果，获得该起点到终点处的频率最高的常走路径；

S15、将获得的所有常走路径以及各常走路径对应的起点和终点，构建历史常走路径集合。

步骤S14中，根据相似度计算结果，获得该起点到终点处的频率最高的历史常走路径，具体方法如下：对同一起点及同一终点的所有轨迹进行相似度计算后，将频率最高的所有相似度高的轨迹保留作为一个类别，最后通过选择代表轨迹或者计算均值的方式计算该类别对应的轨迹作为一常走路径。

进一步作为优选的实施方式，还包括以下步骤：

计算获得当前所在地点到预测目的地之间的最优可选路径，是通过当前所在地点到预测目的地之间的多条可选路径后，结合每条可选路径的实时交通信息，根据用户偏好，选择耗时最短/红绿灯最少/距离最短的路径最为最优可选路径。

进一步作为优选的实施方式，所述获取预测行驶轨迹对应的实时交通信息并进行播放的步骤，具体包括：

将预测行驶轨迹切分为由具体道路构成的多段轨迹；

针对每段轨迹，获取其实时交通信息；

设定的优先级顺序可以设定为优先播放主干道的拥堵情况、优先播放封路情况或事故情况等等，根据预设的优先级顺序进行播放，可以根据用户需求，精确地进行交通信息提醒，达到最优的提醒效果。

进一步作为优选的实施方式，所述播放形式包括图片、文字和/或语音。进行播放提醒时，可以通过图片实时显示道路的交通状况，通过语音播报道路的交通状况或者通过文字来显示道路的主要交通状况信息，通过多种方式对用户进行提醒。

进一步作为优选的实施方式，所述步骤S02，其具体为：

对历史行驶轨迹数据进行降噪，去除偏离点和冗余点。偏离点是指历史行驶轨迹数据中，与主要数据相差较多的零星数据，也叫漂移点。去除冗余点是指去除重复的数据，例如历史行驶轨迹数据中，有两个或以上数据重复，则保留其中一个。

进一步作为优选的实施方式，所述步骤S03，具体包括以下步骤S031～S033：

S031、针对历史行驶轨迹数据中的所有终点，根据地球坐标系中的三角函数原理，计算任意两个终点之间的距离；本步骤中，计算两个终点之间距离，是根据地球上任意两点的经纬度计算两点间的距离，通过计算两终点之间的距离，可以作为后续进行聚类的依据；

S032、设定DBSCAN聚类算法的聚类参数，所述聚类参数包括同类点的最大距离以及形成聚类的最少点数；这里的最大距离就是指前述两个终点之间的最大距离，例如设定最大距离为200米，则当计算获得两个终点之间的距离为150米时，可以将该两个终点作为一个聚类，反之，若计算获得两个终点之间的距离为210米时，则判断这两个终点不是一个聚类。另外，形成聚类的最少点数实际上指形成聚类的最少的点的数量，通过这种方式，避免聚类时，形成太小的聚类，干扰目的地预测。

S033、采用DBSCAN聚类算法对历史行驶轨迹数据中的终点进行聚类。

因为在车辆的行驶过程中，某一个地点即可能是路径的起点，也可能是路径的终点，例如从家出发去公司上班时，家是起点，而从公司下班回家时，家是终点，因此本发明在进行聚类的过程中，只对历史行驶轨迹数据中的所有终点进行聚类，既可以实现对所有地点的聚类，方便、快捷，而且计算量较少。

本发明通过采用DBSCAN聚类算法对历史行驶轨迹数据中的终点进行聚类，可以有效地发现用户历史行驶记录中不同目的地，并且能过滤因GPS定位漂移和每次停车地点不同而造成的噪点，能很好的容纳噪声点，并且算法简单。

进一步作为优选的实施方式，所述历史行驶轨迹数据包括出发时间、起点、终点，以及行驶过程中的GPS经纬度、GPS精度、GPS数量、车速、时间戳、行驶方向角、海拔。GPS经纬度、GPS精度、GPS数量是车载GPS模块采集的GPS数据，车速、时间戳、行驶方向角是车辆行驶过程中采集的车辆行驶参数。

进一步作为优选的实施方式，所述步骤S05中所述将历史行驶轨迹数据进行特征抽取后，封装为稀疏向量的步骤，所抽取的特征包括：起点位置、具体出发时分、上午或下午、星期几以及一年中的第几周。将历史行驶轨迹数据进行特征抽取，实际上是按照用户的行驶习惯来进行特征抽取。具体出发时分表示每个路径的具体出发小时区间，例如8-9点或者9-10点。上午或下午这个特征也是用于预测获得车辆行驶目的地的重要参数，例如用户上班时分虽然不固定在哪个小时区间，但是固定上午出发去上班等。另外，星期几以及一年中的第几周也是体现用户行驶习惯的重要参数。通过将用户的行驶习惯进行拆分，抽取特征后，可以根据逻辑回归模型来训练获得对应的车辆目的地预测模型。

进一步作为优选的实施方式，步骤S06在采用DBSCAN聚类算法进行聚类的过程中，聚类准确率设定为90％。这里，90％指聚类准确率的设定阈值。在聚类过程中，不断对建立的车辆目的地预测模型进行验证，当验证到聚类准确率设定阈值90％时，停止聚类训练过程，获得最终的车辆目的地预测模型。

进一步作为优选的实施方式，步骤S06在采用DBSCAN聚类算法进行聚类的过程中，通过调整所提取特征的数量或者调整所提取特征的类型进行算法优化。若聚类过程中，聚类准确率无法达到设定阈值，则通过调整所提取特征的数量或者调整所提取特征的类型来进行算法优化。

系统实施例

参照图4，本实施例提供了一种基于用户行为的常走路径交通信息提醒系统，包括：

至少一个处理器100；

至少一个存储器200，用于存储多个指令；

所述多个指令由所述至少一个处理器200加载并实现如上方法实施例所述的基于用户行为的常走路径交通信息提醒方法。

本实施例的基于用户行为的常走路径交通信息提醒系统，可执行本发明方法实施例所提供的基于用户行为的常走路径交通信息提醒方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims

1.一种基于用户行为的常走路径交通信息提醒方法，其特征在于，包括以下步骤：

根据当前时间以及车辆当前所在地点，通过车辆目的地预测模型预测获得用户车辆出行的目的地；

获取预测行驶轨迹对应的实时交通信息并进行播放；

其中，所述车辆目的地预测模型通过以下步骤训练得到：

采集该车辆在一段时间内的历史行驶轨迹数据；

对历史行驶轨迹数据进行离线数据预处理；

采用DBSCAN聚类算法对历史行驶轨迹数据中的终点进行聚类；

获得每个聚类的中心点作为该聚类的代表点；

2.根据权利要求1所述的一种基于用户行为的常走路径交通信息提醒方法，其特征在于，所述历史常走路径集合是通过以下步骤计算获得：

根据聚类结果，计算每个聚类的频率；

3.根据权利要求1所述的一种基于用户行为的常走路径交通信息提醒方法，其特征在于，还包括以下步骤：

4.根据权利要求1-3任一项所述的一种基于用户行为的常走路径交通信息提醒方法，其特征在于，所述获取预测行驶轨迹对应的实时交通信息并进行播放的步骤，具体包括：

将预测行驶轨迹切分为由具体道路构成的多段轨迹；

针对每段轨迹，获取其实时交通信息；

5.根据权利要求4所述的一种基于用户行为的常走路径交通信息提醒方法，其特征在于，所述播放形式包括图片、文字和/或语音。

6.根据权利要求1所述的一种基于用户行为的常走路径交通信息提醒方法，其特征在于，所述采用DBSCAN聚类算法对历史行驶轨迹数据中的终点进行聚类的步骤，具体包括：

采用DBSCAN聚类算法对历史行驶轨迹数据中的终点进行聚类。

7.根据权利要求1所述的一种基于用户行为的常走路径交通信息提醒方法，其特征在于，在采用DBSCAN聚类算法进行聚类的过程中，聚类准确率设定为90％。

8.根据权利要求1所述的一种基于用户行为的常走路径交通信息提醒方法，其特征在于，在采用DBSCAN聚类算法进行聚类的过程中，通过调整所提取特征的数量或者调整所提取特征的类型进行算法优化。

9.一种基于用户行为的常走路径交通信息提醒系统，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储多个指令；

所述多个指令由所述至少一个处理器加载并实现如权利要求1-8任一项所述的基于用户行为的常走路径交通信息提醒方法。