CN108074415B - 一种基于用户行为的车辆目的地预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于用户行为的车辆目的地预测方法及系统，该方法包括步骤：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，并发送到云端服务器；云端服务器采用训练好的车辆目的地预测模型，预测获得用户车辆出行的目的地后，将预测获得的目的地返回给对应车辆。本发明可以在用户启动车辆时，就自动预测获得目的地，及时性好，而且本发明是在云端服务器进行用户目的地预测，无需占用本地存储计算资源，当需要更新预测模型时，只需要在云端服务器进行更新即可，可以保证预测的准确度，而且无需对每台车辆进行更改，应用推广较为方便、快捷，可广泛应用于智能交通行业中。

Description

一种基于用户行为的车辆目的地预测方法及系统

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车辆目的地预测方法及系统。

背景技术

随着智能车辆技术的发展，目前在车辆行驶过程中，根据用户车辆的行驶轨迹进行目的地预测，可以为用户的行驶提供重要参考信息。目前对车辆目的地预测的主要方案是，根据车辆行进中的轨迹，结合车辆行驶的历史数据，预测获得车辆的目的地，这种预测方式，需要结合车辆行进中的轨迹来进行目的地预测，必须在车辆出发一段时间后才能进行预测，无法做到在车辆出发时就预测获得目的地，及时性差。另外，目前的预测方案中，主要是在车载端进行本地预测，预测模型存储在本地，需要占用较多的本地存储和计算资源，无法及时进行更新，导致预测准确度较低。

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车辆目的地预测方法及系统。

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车辆目的地预测方法，包括步骤：

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，并发送到云端服务器；

云端服务器采用训练好的车辆目的地预测模型，预测获得用户车辆出行的目的地后，将预测获得的目的地返回给对应车辆。

进一步，所述车辆目的地预测模型是云端服务器通过执行以下步骤训练获得：

针对每辆车辆，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，进而将输入数据和输出数据输入到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，所述对历史行驶轨迹数据进行离线数据预处理的步骤，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。

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，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。

进一步，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。

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车辆目的地预测系统，包括车载模块和云端服务器，所述车载模块用于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，并发送到云端服务器；

所述云端服务器用于采用训练好的车辆目的地预测模型，预测获得用户车辆出行的目的地后，将预测获得的目的地返回给对应车辆。

进一步，所述云端服务器包括云端模型训练模块，所述云端模型训练模块用于：

针对每辆车辆，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，进而将输入数据和输出数据输入到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，所述云端服务器还包括用于存储每辆车辆的车辆目的地预测模型的云端数据存储模块。

本发明方法、系统的有益效果是：本发明可以在车辆启动时，自动获取当前时间以及车辆当前所在地点，并发送到云端服务器，云端服务器采用训练好的车辆目的地预测模型预测获得用户出行目的地，并将预测获得的目的地返回给对应车辆，从而可以在用户启动车辆时，就自动预测获得目的地，及时性好。另外，本方发明是在云端服务器进行用户目的地预测，无需占用本地存储计算资源，当需要更新预测模型时，只需要在云端服务器进行更新即可，可以保证预测的准确度，而且无需对每台车辆进行更改，应用推广较为方便、快捷。

附图说明

图1是本发明的基于用户行为的车辆目的地预测方法的流程图；

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是本发明的基于用户行为的车辆目的地预测系统的结构框图。

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车辆目的地预测方法，包括步骤：

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，并发送到云端服务器；

云端服务器采用训练好的车辆目的地预测模型，预测获得用户车辆出行的目的地后，将预测获得的目的地返回给对应车辆。

其中，采用训练好的车辆目的地预测模型，预测获得用户车辆出行的目的地的步骤，具体过程为：

将当前时间以及车辆当前所在地点生成车辆目的地预测模型的输入数据后，将输入数据输入到车辆目的地预测模型，车辆目的地预测模型进行计算后，预测获得用户车辆出行的目的地。

具体的，车辆发送当前时间以及车辆当前所在地点到云端服务器时，会同时发送对应的车辆识别码，云端服务器根据车辆识别码，就可以匹配获得该车辆对应的训练好的车辆目的地预测模型。

本发明可以在车辆启动时，自动获取当前时间以及车辆当前所在地点，并发送到云端服务器，云端服务器采用训练好的车辆目的地预测模型预测获得用户出行目的地，并将预测获得的目的地返回给对应车辆，从而可以在用户启动车辆时，就自动预测获得目的地，及时性好。此外，可直接或在获得用户确认预测的目的地后，生成当前出发地至目的地的导航信息以及沿途的拥堵情况，并可根据用户选择切换不同的导航路线。

另外，本方法是在云端服务器进行用户目的地预测，无需占用本地存储计算资源，当需要更新预测模型时，只需要在云端服务器进行更新即可，可以保证预测的准确度，而且无需对每台车辆进行更改，应用推广较为方便、快捷。

进一步作为优选的实施方式，参照图2，所述车辆目的地预测模型是云端服务器通过执行以下步骤S01～S06训练获得：

S01、针对每辆车辆，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随机梯度下降法(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，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3，一种基于用户行为的车辆目的地预测系统，包括车载模块100和云端服务器200，所述车载模块100用于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，并发送到云端服务器200；

所述云端服务器200用于采用训练好的车辆目的地预测模型，预测获得用户车辆出行的目的地后，将预测获得的目的地返回给对应车辆。

进一步作为优选的实施方式，所述云端服务器200包括云端模型训练模块，所述云端模型训练模块用于：

针对每辆车辆，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，进而将输入数据和输出数据输入到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。

进一步作为优选的实施方式，所述云端服务器200还包括用于存储每辆车辆的车辆目的地预测模型的云端数据存储模块。

本实施例的基于用户行为的车辆目的地预测系统，可执行本发明方法实施例所提供的基于用户行为的车辆目的地预测方法，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 (8)

1.一种基于用户行为的车辆目的地预测方法，其特征在于，包括步骤：

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，并发送到云端服务器；

云端服务器采用训练好的车辆目的地预测模型，预测获得用户车辆出行的目的地后，将预测获得的目的地返回给对应车辆；

所述车辆目的地预测模型是云端服务器通过执行以下步骤训练获得：

针对每辆车辆，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，进而将输入数据和输出数据输入到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。

2.根据权利要求1所述的一种基于用户行为的车辆目的地预测方法，其特征在于，所述对历史行驶轨迹数据进行离线数据预处理的步骤，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。

3.根据权利要求1所述的一种基于用户行为的车辆目的地预测方法，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：

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。

4.根据权利要求1所述的一种基于用户行为的车辆目的地预测方法，其特征在于，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。

5.根据权利要求1所述的一种基于用户行为的车辆目的地预测方法，其特征在于，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。

6.根据权利要求1所述的一种基于用户行为的车辆目的地预测方法，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％。

7.根据权利要求1所述的一种基于用户行为的车辆目的地预测方法，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。

8.一种基于用户行为的车辆目的地预测系统，其特征在于，包括车载模块和云端服务器，所述车载模块用于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，并发送到云端服务器；

所述云端服务器用于采用训练好的车辆目的地预测模型，预测获得用户车辆出行的目的地后，将预测获得的目的地返回给对应车辆；

所述云端服务器包括云端模型训练模块，所述云端模型训练模块用于：

针对每辆车辆，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，进而将输入数据和输出数据输入到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。

Images