CN108286980A - 一种预测目的地和推荐驾驶路线的方法 - Google Patents

一种预测目的地和推荐驾驶路线的方法 Download PDF

Info

Publication number
CN108286980A
CN108286980A CN201711475526.5A CN201711475526A CN108286980A CN 108286980 A CN108286980 A CN 108286980A CN 201711475526 A CN201711475526 A CN 201711475526A CN 108286980 A CN108286980 A CN 108286980A
Authority
CN
China
Prior art keywords
route
time
stroke
destination
prediction
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
Application number
CN201711475526.5A
Other languages
English (en)
Other versions
CN108286980B (zh
Inventor
刘锬
罗永坚
杨喜宏
谢朝林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGZHOU COMIT TECHNOLOGY Co Ltd
Original Assignee
GUANGZHOU COMIT TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GUANGZHOU COMIT TECHNOLOGY Co Ltd filed Critical GUANGZHOU COMIT TECHNOLOGY Co Ltd
Priority to CN201711475526.5A priority Critical patent/CN108286980B/zh
Publication of CN108286980A publication Critical patent/CN108286980A/zh
Application granted granted Critical
Publication of CN108286980B publication Critical patent/CN108286980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
    • 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
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical

Abstract

本发明公开了一种预测目的地和推荐驾驶路线的方法，包括下述步骤：S1、获取用户的历史行程数据，所述用户历史行程数据包括：出发时间、出发地点、行驶轨迹、到达时间以及到达地点；S2、对获取的历史行程数据进行分析；S3、目的地预测，根据历史行程数据，及当前时间、用户的当前位置，预测用户可能去哪里；S4、路线推荐，根据目的地，结合服务端学习的组合数据，推荐路线；S5、算路结果处理，推荐给用户最优的行使路线；本发明对车主出行的目的地和时间段进行聚类，能完整分析出车主出行的周期性规律，将规律划分为工作日、节假日，并且节假日考虑到除周末以为的国家法定假期，当同一时间有多个可能目的地时，计算出行可能性的概率。

Description

一种预测目的地和推荐驾驶路线的方法
技术领域
本发明涉及交通出行领域，更具体地说，涉及一种预测目的地和推荐驾驶路线的方法。
背景技术
随着城市的发展，行车路况也越来越复杂，人们越来越依赖于驾驶路线推荐软件，现在常用的有百度地图App和高德地图App等导航类的应用，它们提供了出行目的地预测和驾驶路线推荐功能。实现的方法是，车主需要预先输入家和工作单位的地址，早上上班时间段车主在家时预测车主去工作单位，下午下班时间段车主在公司时预测车主回家，然后按照实时路况和用户输入的选路偏好，推荐一个驾驶路线。虽然上述导航软件一定程度解决了驾驶路线推荐的问题，但还是存在着下述的一些缺点：
1、预测目的地有限，仅适用于出行规律很固定的上班族，只能预测家和工作单位两个地点，例如车主固定周三上午拜访A客户就不可预测。
2、预测时间段范围有限，周末节假日等非工作日不可预测。
3、推荐驾驶路线，不按照车主的出行选路习惯，只考虑出行时间最短等因素。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种预测目的地和推荐驾驶路线的方法，根据车主的出行规律，预测车主即将出行的目的地，同时根据实时路况和车主选路习惯的驾驶路线，推荐驾驶路线，预报出行路线的实时路况信息和预计到达时间。
为了达到上述目的，本发明采用以下技术方案：
本发明预测目的地和推荐驾驶路线的方法，包括下述步骤：
S1、获取用户的历史行程数据，所述用户历史行程数据包括：出发时间、出发地点、行驶轨迹、到达时间以及到达地点；
S2、对获取的历史行程数据进行分析，具体包括下述步骤：
S2.1、停留点聚类，取前后两条行程，若前一条行程的终点与后一条行程的起点一样，则说明用户在该地点停留，前一条行程的结束时间与后一条行程的开始时间之间，为用户在该地点的停留时长；
S2.2、停留点停留时间段学习，确定某个地点的停留时间段的有效范围；
S2.3、识别停留点的社会属性，所述社会属性包括家和公司；
S2.4、起止点组合聚类，分别聚类起止点，起止点在都在同一范围内的行程属于同一组合；
S2.5、行程路线学习，包括下述步骤：
S2.5.1、聚类行驶路线，将GPS点网格化，通过将GPS坐标，换算成坐标上的网格，后续行程路线间的比较直接使用网格进行比较；
S2.5.2、选取路线的模板行程，即选出最具代表性的行程，生成对应的路线网格；
S2.5.3、添加途经点；
S2.6、出发时间聚类，将同一组合下的行程的出发时间点进行聚类，得出一个或多个出发时间段；
S2.7、路线行驶时长统计学习；
S3、目的地预测，根据历史出行数据，结合当前时间，车主当前位置，预测目的地，具体包括：
S 3.1、优先按车主当前位置，预测目的地；
S 3.1.1、按起点聚类车主的历史行程数据；
S 3.1.2、匹配车主当前位置，得到从当前位置出发的所有行程；
S 3.1.3、若S 3.1.2中的所有行程的终点指向同一地点，则该地点为预测的目的地；
S 3.2、其次，按位置及时间规律，预测目的地；
S 3.2.1、按位置及时间的周几属性，预测目的地；
S 3.2.1.1、获取出行时间与当前时间的周几属性一样，并且出行时间在当前时间前后一段时间内的所有历史行程数据；
S 3.2.1.2、计算S 3.2.1.1中的行程的得分；
S 3.2.1.3、按终点聚类S 3.2.1.1中的所有行程；
S 3.2.1.4、计算每个终点的总得分，获取每个终点的得分比例；
S 3.2.1.5、当某个终点的得分占比超过一定比例，并且该终点对应的行程频次达到一定数值时，则该终点为预测的目的地；
S 3.2.2、按位置及时间的工作日/节假日属性，预测目的地；
S 3.2.2.1、获取出行时间与当前时间的工作日/节假日属性一样，并且出行时间在当前时间前后一段时间内的所有历史行程数据；
S 3.2.2.2、后续步骤类似S 3.2.1的S 3.2.1.2、S 3.2.1.3、S 3.2.1.4、S3.2.1.5；
S 3.3、最后，按行程总体得分比例，预测目的地；
S 3.3.1、计算所有行程的得分；
S 3.3.2、将行程按终点进行聚类，统计聚类后每个终点对应的行程的总得分，为该终点的得分，计算每个终点的得分比例；
S 3.3.3、当某个终点的得分占比，超过大数据分析的最优概率时，并且车主在当前时间接下来的一定时间段内，有在该终点停留，则预测该目的地；
S3.4、按社会属性预测，在无法预测目的地的情况下，增加以下预测规则的补充：(A)晚上时间段预测回家；(B)工作日上班时间段内预测去公司；
S4、路线推荐，根据预测的目的地，结合服务端学习的组合数据，推荐路线，具体包括：
S4.1、对用户的历史行程按起止点进行聚类，得到组合；
S4.2、对组合下的行程按行驶轨迹进行聚类，得到组合的多种走法，为每种走法指定1条行程作为走法路线；
考虑到，即使为同一条路线，原始采集到的行程GPS数据可能存在着偏差，需将GPS点网格化：通过GPS坐标，换算成坐标上的网格，后续行程路线间的比较直接使用网格进行比较，轨迹聚类算法如下：
S4.2.1、将路线网格化；
S4.2.2、对比两条路线，若两条路线间的连续差异网格对应的距离长度，大于指定长度，则说明这两条路线不是同一路线，反之，为同一路线；
S4.3、为每条路线添加途经点；
为确保规划的路线尽可能匹配车主的实际出行路线，需要在每条路线上特定的位置添加途经点，途经点添加策略如下：
S4.3.1、按导航默认速度优先策略，规划出路线起止点对应的规划路线；
S4.3.2、比较规划路线与走法路线之间的差异，找出最大差异路段，在差异路段添加途经点；
S4.3.3、添加途经点后再次进行路线规划，得到新的规划路线；
S4.3.4、重复步骤S4.3.2、S4.3.3，直到两路线间的最大差异路段长度，小于指定长度，则不再添加途经点；
S4.4、在目的地确定的情况下，规划目的地对应的组合下的所有路线，得到走各路线的所需时间，比较各路线的时间，结合用户历史走该路线的平均时长，推荐用户最优的路线，实时提供对应路线上的路况信息；
S4.5给出多条路线的路况信息，供驾驶者选择。
作为优选的技术方案，步骤S.2.2.1.2中，行程的得分通过下述方法计算：
行程得分score＝f(p,t)＝f(p)*f(t)＝f(p0,pi)*f(t0,ti)，时间及位置越匹配，得分越大；
其中，p0为当前位置，pi为第i条行程的起止点位置；t0为当前时间，ti为第i条行程的开始时间；
S2.2.1.2.1、对于f(p)有：
S2.2.1.2.2、对于f(t)有f(t)＝f(w)*f(d)*f(m)；
其中w为时间的周几属性，d为当前时间与行程开始时间的相隔天数，m为两时间在同一天内的间隔分钟数；
对于周几属性f(w)，有：
考虑行程历史数据的时效性问题，设计以下递减函数：
对于间隔天数f(d)＝Math.pow(0.8,d/7)，按一周为周期进行递减，间隔天数越大，则该行程的得分越小；
对于间隔分钟数f(m)＝Math.pow(0.8,m/30)，按30分钟为周期进行递减，其中m的范围[0,12*60]，间隔分钟数越长，则该行程的得分越小。
作为优选的技术方案，步骤S3.3.3中，最优概率的计算方法如下：
S3.3.3.1、对于每个用户，设计预测目的地的效应评估函数；
f(效应)＝预测准确次数*1-预测错误次数*1.5-无法预测次数*0.5；
预测准确对车主的效应值+1，预测错误对车主的效应值-1.5，没有预测对用户的效应值-0.5；
S3.3.3.2、通过评估函数，结合预测算法，给出每个车主的最优概率；
对于每个车主，将其历史行程分成2部分，其中2/3为样本，其余1/3为测试数据，将样本为预测算法的输入，对于每个测试行程，预测其目的地，将该目的地与实际的行程终点比较，得出预测结果；
将所有测试行程的预测结果，输入评估函数，得到效应值；
概率值取在[20,80]区间范围，对于每个概率值，循环以上步骤，得到每个概率下对应的效应值，取最大效应值对应的概率值为最优概率；
考虑到行程之间的时间先后关联性，在每个测试行程得到预测目的地后，预测下个测试行程时，需将测试行程丰富到样本行程中。
作为优选的技术方案，所述步骤S2.5.2中，按照下述规则选取行程为路线的模板行程：
S2.5.2.1、在时间较新的N条行程中选取；
S2.5.2.2、平均速度最大的行程。
作为优选的技术方案，步骤S2.6具体为：
S2.6.1、将有明显分割的出发时间点进行分割，具体分割如下：早上、中午、晚上；
S5.6.2、对于每个分割时间段，取90％置信度的区间，该区间为出发的时间段。
作为优选的技术方案，所述步骤S2.7具体为：
S2.7.1、取所有落在65％置信区间内的时长样本的平均值，为路线的历史出行时长；
S2.7.2、取90％置信值对应区间的最大值为用户的最大接受时长。
作为优选的技术方案，步骤S4.4具体为：
S4.4.1.1、纵向对比：
到达时长与该路线历史行驶时长比较，给出最优的路线，历史行驶时间由服务器分析该路线下的所有行程，统计给出有效行驶时长，及用户可接受的最大时长；到达时长小于用户可接受的最大时长，则该路线为待选路线，在历史路线中，按路线概率顺序，挑选小于对应最大时长的路线为待选推荐路线；
S4.4.1.2、横向对比：
当待选路线有多条，或没有待选路线时，对路线间进行横向对比，给出主推路线；
根据到达时长、路线距离、各路线的路况信息，给出走各路线的效应值，选出对用户效应值最大的路线，为主推路线。
作为优选的技术方案，步骤S4.5具体为：
S4.5.1、主推路线；
S4.5.2、辅助路线：主推路线为最大概率路线，则辅助路线为次大概率；主推路线非最大概率路线，则辅助路线为最大概率路线；
S4.5.3、导航默认躲避拥堵路线：如果与以上两条路线重复，则忽略，并使用第三概率路线代替；
S4.5.4、路况信息提醒；
若主推路线非最大概率路线，则提醒用户，可走其他路线，若所有历史路线的效应值相对躲避拥堵路线效应值较低，则提醒用户可走躲避拥堵路线。
本发明与现有技术相比，具有如下优点和有益效果：
1、目的地预测准确性更高，预测时间范围更完整：
本发明对车主出行的目的地和时间段进行聚类，能完整分析出车主出行的周期性规律，将规律划分为工作日、节假日，并且节假日考虑到除周末以为的国家法定假期，当同一时间有多个可能目的地时，计算出行可能性的概率。
2、路线推荐更符合车主习惯：
本发明对车主出行路线进行聚类，推荐驾驶路线时，优先推荐车主常走的路线，比如车主下班时先绕路去接小孩放学然后才回家时，不会推荐车主走直接回家的路线。
附图说明
图1是本发明的总体流程图；
图2是本发明目的地预测的流程图；
图3是本发明路径推荐的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本实施例一种预测目的地和推荐驾驶路线的方法，包括下述步骤：
1、基础数据：
用户历史行程：出发时间，出发地点，行驶轨迹，到达时间，到达地点，平均速度，距 离，行驶时长。
2、数据分析；
2.1停留点聚类；
(1)停留点聚类，取前后两条行程，若前一条行程的终点与后一条行程的起点一样，则说明用户在该地点停留，前一条行程的结束时间与后一条行程的开始时间之间，为用户在该地点的停留时长；
(2)合并同个停留点，统计该停留点的信息；
停留总时长、停留平均时长、停留总次数，停留频次，停留时间段，白天停留时长，晚上停留时长，白天停留时长占比，晚上停留时长占比。
2.2停留点停留时间段学习，确定某个地点的停留时间段的有效范围；
在停留点聚类的基础上
(1)停留开始时间在90％置信度的区间，取最小值S；停留结束时间在90％置信度的区间，取最大值E；得到区间[S,E]，为停留时间段的有效范围；
(2)对于每个停留点样本，筛选落在区间[S,E]的有效样本集合S；
(3)在有效样本S中，取每个样本[si,ei]与[S,E]的交集为[Si,Ei]；
(4)所有[Si,Ei]的并集为停留时间段；
2.3停留点社会属性识别；
识别停留点的家、公司的社会属性；
(1)家；
对于每一个停留点的停留时间段，取与[19:00,次日9:00]与交集的，设长度为Tj，将Tj求和，得到总时间长度T，平均长度t；所有平均长度t大于6个小时的地点可能为家，取总次数最多的为家；
(2)确定公司；
对于每一个停留点的停留时间段，取与[7:30,19:30]与交集，设长度为Tj，将Tj求和，得到总时间长度T，平均长度t，所有平均长度t大于6个小时的地点可能为公司，取总次数最多的为公司。
2.4起止点组合聚类：出行起止点组合学习；
2.4.1起止点聚类：分别聚类起止点，起止点在都在同一范围内的行程属于同一组合；
2.5行驶路线学习；
2.5.1聚类行驶路线：
由于即使为同一条路线，原始采集到的行程GPS数据可能存在着偏差，将GPS点网格化；通过GPS坐标，换算成坐标上的网格，后续行程路线间的比较直接使用网格进行比较；
(1)将路线网格化；
(2)对比两条路线，若两条路线间的连续差异网格对应的距离长度大于指定长度，则说明这两条路线不是同一路线，反之，为同一路线；
2.5.2选取路线的模板行程：
驾驶过程中，需要实时匹配当前位置是否走在历史的路线上，服务端以网格的形式存储路线的信息；考虑到路线下有多条行程，而行程间存在着或多或少的差异，需选出最具代表性的行程，生成对应的路线网格；而选取模板，目标上是选取用户下次走该路线时，预计相似性最大的路线；在该路线下对应的行程中，按以下规则选取行程为路线的模板行程：
(1)在时间较新的N条行程中选取：较新的行程下次更可能走；
(2)平均速度最大的行程：速度较大，GPS定位相对较准确；
2.5.3添加途经点；
路线的数据最终用于用户出行路线的推荐，为了路径规划的路线能更好地匹配实际路线，需在路径规划时，添加途经点，按以下步骤添加途经点；
(1)按导航默认速度优先策略，规划出路线起止点对应的规划路线；
(2)将两路线网格化后，比较规划路线与行程模板路线之间的差异，找出最大差异路段，在差异路段添加途经点；
(3)添加途经点后再次进行路线规划，得到新的规划路线；
(4)重复步骤(2)、(3)，直到两路线间的最大差异路段长度小于指定长度，则不再添加。
2.6路线行驶时长统计学习；
后续推荐路线时，需使用该时间进行推荐的判断，不同的路况，路线下的各个行程的时长会不一样；按以下步骤得到行驶时长：
(1)获取属于同一路线的所有行程的历史时长样本；
(2)取落在65％置信区间内的时长样本，取平均值，为路线的历史出行时长；
(2)取落在90％置信区间内的时长样本，取最大值，为用户的最大可接受时长。
3、目的地预测，如图2所示，其步骤如下；
根据历史出行数据预测，预测目的地：当前时间，当前位置，用户最可能去哪里；
3.1优先按车主当前位置，预测目的地：从当前位置出发，只到过一个目的地，并且存在行程的出发时间与当前时间相近，则预测该目的地；
3.1.1、按起点聚类车主的历史行程数据；
3.1.2、匹配车主当前位置，得到从当前位置出发的所有行程
3.1.3、若(3.1.2)中的所有行程的终点指向同一地点，则该地点为预测的目的地。
3.2其次，按位置及时间规律，预测目的地：
3.2.1按位置及时间的周几属性，预测目的地：历史上，若在当前周几当前时间段内，在当前点出发的目的地具有显著特征，则预测该目的地；
(1)获取出行时间与当前时间的周几属性一样，并且出行时间在当前时间前后一段时间内的所有历史行程数据；
(2)计算(1)中的行程的得分，其计算方法如下：
通过当前时间当前地点，计算每个历史行程对应的得分，时间及位置越匹配，得分越大，行程得分score＝f(p,t)＝f(p)*f(t)＝f(p0,pi)*f(t0,ti)
其中，p0为当前位置，pi为第i条行程的起止点位置；t0为当前时间，ti为第i条行程的开始时间；
对于f(p)有：
对于f(t)有f(t)＝f(w)*f(d)*f(m)；
其中w为时间的周几属性，d为当前时间与行程开始时间的相隔天数，m为两时间在同一天内的间隔分钟数；
对于周几属性f(w)，有：
考虑行程历史数据的时效性问题，设计以下递减函数：
对于间隔天数f(d)＝Math.pow(0.8,d/7)，按一周为周期进行递减，间隔天数越大，则该行程的得分越小。
对于间隔分钟数f(m)＝Math.pow(0.8,m/30)，按30分钟为周期进行递减，其中m的范围[0,12*60]，间隔分钟数越长，则该行程的得分越小。
(3)按终点聚类(1)中的所有行程；
(4)计算每个终点的总得分，获取每个终点的得分比例；
(5)当某个终点的得分占比超过一定比例，并且该终点对应的行程频次达到一定数值时，则该终点为预测的目的地。
3.2.2按位置及时间的工作日/节假日属性，预测目的地：历史上，若在当前时间段内，在当前点出发的目的地具有显著特征，则预测该目的地；
(1)获取出行时间与当前时间的工作日/节假日属性一样，并且出行时间在当前时间前后一段时间内的所有历史行程数据；
(2)后续步骤类似3.2.1的步骤(2)(3)(4)(5)。
3.3、最后，按行程总体得分比例，预测目的地；
3.3.1、计算所有行程的得分；
3.3.2、将行程按终点进行聚类，统计聚类后每个终点对应的行程的总得分，为该终点的得分，计算每个终点的得分比例。
3.3.3、当某个终点的得分占比，超过大数据分析的最优概率时，并且车主在当前时间接下来的一定时间段内，有在该终点停留，则预测该目的地；
上述最优概率的计算方法如下：
(1)对于每个用户，设计预测目的地的效应评估函数
f(效应)＝预测准确次数*1-预测错误次数*1.5-无法预测次数*0.5
预测准确对车主的效应值+1，预测错误对车主的效应值-1.5，没有预测对用户的效应值-0.5；对于预测结果较差的情况，如果整体评估效应值还不如不预测的效应值，则不预测；
(2)通过评估函数，结合预测算法，给出每个车主的最优概率；
对于每个车主，将其历史行程分成2部分，其中2/3为样本，其余1/3为测试数据，将样本为预测算法的输入，对于每个测试行程，预测其目的地，将该目的地与实际的行程终点比较，得出预测结果。
将所有测试行程的预测结果，输入评估函数，得到效应值。
概率值取在[20,80]区间范围，对于每个概率值，循环以上步骤，得到每个概率下对应的效应值，取最大效应值对应的概率值为最优概率。
(3)考虑到行程之间的时间先后关联性，在每个测试行程得到预测目的地后，预测下个测试行程时，需将测试行程丰富到样本行程中。
3.3.5预测修正；
根据停留点的停留时间段，修正预测目的地，若用户在接下来的一定时间段内，从未在该目的地待过，则该目的地无效，即使该目的地的概率相对最大；
3.4按社会属性预测目的地，
在无法预测目的地的情况下，增加以下预测规则的补充：
(A)晚上预测回家；
(B)工作日上班时间段预测去公司；
4、路线推荐，如图3所示，其具体步骤如下：
根据目的地，结合服务端学习的组合数据，推荐路线；
组合：起止点一样的路线集合；
路线：组合下，走法一样的行程的集合，对应行程数越多，则概率越大，说明越常走；
服务端同一组合下，最多学习出3条最常走的路线，比较导航默认的躲避拥堵策略的路线，结合当前路况信息，提供用户最优的路线。
路线选择推荐策略：
4.1、对用户的历史行程按起止点进行聚类，得到组合；
4.2、对组合下的行程按行驶轨迹进行聚类，得到组合的多种走法，为每种走法指定1条行程作为走法路线；
考虑到，即使为同一条路线，原始采集到的行程GPS数据可能存在着偏差，需将GPS点网格化：通过GPS坐标，换算成坐标上的网格。后续行程路线间的比较直接使用网格进行比较，轨迹聚类算法如下：
(1)将路线网格化；
(2)对比两条路线，若两条路线间的连续差异网格对应的距离长度大于指定长度，则说明这两条路线不是同一路线，反之，为同一路线。
4.3、为每条路线添加途经点；
为确保规划的路线尽可能匹配车主的实际出行路线，需要在每条路线上特定的位置添加途经点。途经点添加策略如下：
(1)按导航默认速度优先策略，规划出路线起止点对应的规划路线；
(2)比较规划路线与走法路线之间的差异，找出最大差异路段，在差异路段添加途经点(3)添加途经点后再次进行路线规划，得到新的规划路线；
(4)重复步骤(2)、(3)，直到两路线间的最大差异路段长度小于指定长度，则不再添加途经点。
4.4、在目的地确定的情况下，规划目的地对应的组合下的所有路线，得到走各路线的所需时间，比较各路线的时间，结合用户历史走该路线的平均时长，推荐用户最优的路线，实时提供对应路线上的路况信息；
(1)纵向对比：
到达时长与该路线历史行驶时长比较，给出最优的路线，历史行驶时间由服务器分析该路线下的所有行程，统计给出有效行驶时长，及用户可接受的最大时长；到达时长小于用户可接受的最大时长，则该路线为待选路线，在历史路线中，按路线概率顺序，挑选小于对应最大时长的路线为待选推荐路线；
(2)横向对比：
当待选路线有多条，或没有待选路线时，对路线间进行横向对比，给出主推路线，根据到达时长、路线距离、各路线的路况信息，给出走各路线的效应值，选出对用户效应值最大的路线，为主推路线；
4.5给出多条路线的路况信息；
(1)主推路线；
(2)辅助路线：主推路线为最大概率路线，则辅助路线为次大概率；主推路线非最大概率路线，则辅助路线为最大概率路线；
(3)导航默认躲避拥堵路线：如果与以上两条路线重复，则忽略，并使用第三概率路线代替；
(4)路况信息提醒；
若主推路线非最大概率路线，则提醒用户，可走其他路线，若所有历史路线的效应值相对躲避拥堵路线效应值较低，则提醒用户可走躲避拥堵路线。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种预测目的地和推荐驾驶路线的方法，其特征在于，包括下述步骤：
S1、获取用户的历史行程数据，所述用户历史行程数据包括：出发时间、出发地点、行驶轨迹、到达时间以及到达地点；
S2、对获取的历史行程数据进行分析，具体包括下述步骤：
S2.1、停留点聚类，取前后两条行程，若前一条行程的终点与后一条行程的起点一样，则说明用户在该地点停留，前一条行程的结束时间与后一条行程的开始时间之间，为用户在该地点的停留时长；
S2.2、停留点停留时间段学习，确定某个地点的停留时间段的有效范围；
S2.3、识别停留点的社会属性，所述社会属性包括家和公司；
S2.4、起止点组合聚类，分别聚类起止点，起止点在都在同一范围内的行程属于同一组合；
S2.5、行程路线学习，包括下述步骤：
S2.5.1、聚类行驶路线，将GPS点网格化，通过将GPS坐标，换算成坐标上的网格，后续行程路线间的比较直接使用网格进行比较；
S2.5.2、选取路线的模板行程，即选出最具代表性的行程，生成对应的路线网格；
S2.5.3、添加途经点；
S2.6、出发时间聚类，将同一组合下的行程的出发时间点进行聚类，得出一个或多个出发时间段；
S2.7、路线行驶时长统计学习；
S3、目的地预测，根据历史出行数据，结合当前时间，车主当前位置，预测目的地，具体包括：
S3.1、优先按车主当前位置，预测目的地；
S3.1.1、按起点聚类车主的历史行程数据；
S3.1.2、匹配车主当前位置，得到从当前位置出发的所有行程；
S3.1.3、若S3.1.2中的所有行程的终点指向同一地点，则该地点为预测的目的地；
S3.2、其次，按位置及时间规律，预测目的地；
S3.2.1、按位置及时间的周几属性，预测目的地；
S3.2.1.1、获取出行时间与当前时间的周几属性一样，并且出行时间在当前时间前后一段时间内的所有历史行程数据；
S3.2.1.2、计算S3.2.1.1中的行程的得分；
S3.2.1.3、按终点聚类S3.2.1.1中的所有行程；
S3.2.1.4、计算每个终点的总得分，获取每个终点的得分比例；
S3.2.1.5、当某个终点的得分占比超过一定比例，并且该终点对应的行程频次达到一定数值时，则该终点为预测的目的地；
S3.2.2、按位置及时间的工作日/节假日属性，预测目的地；
S3.2.2.1、获取出行时间与当前时间的工作日/节假日属性一样，并且出行时间在当前时间前后一段时间内的所有历史行程数据；
S3.2.2.2、后续步骤类似S3.2.1的S3.2.1.2、S3.2.1.3、S3.2.1.4、S3.2.1.5；
S3.3、最后，按行程总体得分比例，预测目的地；
S3.3.1、计算所有行程的得分；
S3.3.2、将行程按终点进行聚类，统计聚类后每个终点对应的行程的总得分，为该终点的得分，计算每个终点的得分比例；
S3.3.3、当某个终点的得分占比，超过大数据分析的最优概率时，并且车主在当前时间接下来的一定时间段内，有在该终点停留，则预测该目的地；
S3.4、按社会属性预测，在无法预测目的地的情况下，增加以下预测规则的补充：(A)晚上时间段预测回家；(B)工作日上班时间段内预测去公司；
S4、路线推荐，根据预测的目的地，结合服务端学习的组合数据，推荐路线，具体包括：
S4.1、对用户的历史行程按起止点进行聚类，得到组合；
S4.2、对组合下的行程按行驶轨迹进行聚类，得到组合的多种走法，为每种走法指定1条行程作为走法路线；
考虑到，即使为同一条路线，原始采集到的行程GPS数据可能存在着偏差，需将GPS点网格化：通过GPS坐标，换算成坐标上的网格，后续行程路线间的比较直接使用网格进行比较，轨迹聚类算法如下：
S4.2.1、将路线网格化；
S4.2.2、对比两条路线，若两条路线间的连续差异网格对应的距离长度，大于指定长度，则说明这两条路线不是同一路线，反之，为同一路线；
S4.3、为每条路线添加途经点；
为确保规划的路线尽可能匹配车主的实际出行路线，需要在每条路线上特定的位置添加途经点，途经点添加策略如下：
S4.3.1、按导航默认速度优先策略，规划出路线起止点对应的规划路线；
S4.3.2、比较规划路线与走法路线之间的差异，找出最大差异路段，在差异路段添加途经点；
S4.3.3、添加途经点后再次进行路线规划，得到新的规划路线；
S4.3.4、重复步骤S4.3.2、S4.3.3，直到两路线间的最大差异路段长度，小于指定长度，则不再添加途经点；
S4.4、在目的地确定的情况下，规划目的地对应的组合下的所有路线，得到走各路线的所需时间，比较各路线的时间，结合用户历史走该路线的平均时长，推荐用户最优的路线，实时提供对应路线上的路况信息；
S4.5给出多条路线的路况信息，供驾驶者选择。
2.根据权利要求1所述预测目的地和推荐驾驶路线的方法，其特征在于，步骤S.2.2.1.2中，行程的得分通过下述方法计算：
行程得分score＝f(p,t)＝f(p)*f(t)＝f(p0,pi)*f(t0,ti)，时间及位置越匹配，得分越大；
其中，p0为当前位置，pi为第i条行程的起止点位置；t0为当前时间，ti为第i条行程的开始时间；
S2.2.1.2.1、对于f(p)有：
S2.2.1.2.2、对于f(t)有f(t)＝f(w)*f(d)*f(m)；
其中w为时间的周几属性，d为当前时间与行程开始时间的相隔天数，m为两时间在同一天内的间隔分钟数；
对于周几属性f(w)，有：
考虑行程历史数据的时效性问题，设计以下递减函数：
对于间隔天数f(d)＝Math.pow(0.8,d/7)，按一周为周期进行递减，间隔天数越大，则该行程的得分越小；
对于间隔分钟数f(m)＝Math.pow(0.8,m/30)，按30分钟为周期进行递减，其中m的范围[0,12*60]，间隔分钟数越长，则该行程的得分越小。
3.根据权利要求1所述预测目的地和推荐驾驶路线的方法，其特征在于，步骤S3.3.3中，最优概率的计算方法如下：
S3.3.3.1、对于每个用户，设计预测目的地的效应评估函数；
f(效应)＝预测准确次数*1-预测错误次数*1.5-无法预测次数*0.5；
预测准确对车主的效应值+1，预测错误对车主的效应值-1.5，没有预测对用户的效应值-0.5；
S3.3.3.2、通过评估函数，结合预测算法，给出每个车主的最优概率；
对于每个车主，将其历史行程分成2部分，其中2/3为样本，其余1/3为测试数据，将样本为预测算法的输入，对于每个测试行程，预测其目的地，将该目的地与实际的行程终点比较，得出预测结果；
将所有测试行程的预测结果，输入评估函数，得到效应值；
概率值取在[20,80]区间范围，对于每个概率值，循环以上步骤，得到每个概率下对应的效应值，取最大效应值对应的概率值为最优概率；
考虑到行程之间的时间先后关联性，在每个测试行程得到预测目的地后，预测下个测试行程时，需将测试行程丰富到样本行程中。
4.根据权利要求1所述预测目的地和推荐驾驶路线的方法，其特征在于，所述步骤S2.5.2中，按照下述规则选取行程为路线的模板行程：
S2.5.2.1、在时间较新的N条行程中选取；
S2.5.2.2、平均速度最大的行程。
5.根据权利要求1所述预测目的地和推荐驾驶路线的方法，其特征在于，步骤S2.6具体为：
S2.6.1、将有明显分割的出发时间点进行分割，具体分割如下：早上、中午、晚上；
S5.6.2、对于每个分割时间段，取90％置信度的区间，该区间为出发的时间段。
6.根据权利要求1所述预测目的地和推荐驾驶路线的方法，其特征在于，所述步骤S2.7具体为：
S2.7.1、取所有落在65％置信区间内的时长样本的平均值，为路线的历史出行时长；
S2.7.2、取90％置信值对应区间的最大值为用户的最大接受时长。
7.根据权利要求1所述预测目的地和推荐驾驶路线的方法，其特征在于，步骤S4.4具体为：
S4.4.1.1、纵向对比：
到达时长与该路线历史行驶时长比较，给出最优的路线，历史行驶时间由服务器分析该路线下的所有行程，统计给出有效行驶时长，及用户可接受的最大时长；到达时长小于用户可接受的最大时长，则该路线为待选路线，在历史路线中，按路线概率顺序，挑选小于对应最大时长的路线为待选推荐路线；
S4.4.1.2、横向对比：
当待选路线有多条，或没有待选路线时，对路线间进行横向对比，给出主推路线；
根据到达时长、路线距离、各路线的路况信息，给出走各路线的效应值，选出对用户效应值最大的路线，为主推路线。
8.根据权利要求1所述预测目的地和推荐驾驶路线的方法，其特征在于，步骤S4.5具体为：
S4.5.1、主推路线；
S4.5.2、辅助路线：主推路线为最大概率路线，则辅助路线为次大概率；主推路线非最大概率路线，则辅助路线为最大概率路线；
S4.5.3、导航默认躲避拥堵路线：如果与以上两条路线重复，则忽略，并使用第三概率路线代替；
S4.5.4、路况信息提醒；
若主推路线非最大概率路线，则提醒用户，可走其他路线，若所有历史路线的效应值相对躲避拥堵路线效应值较低，则提醒用户可走躲避拥堵路线。
CN201711475526.5A 2017-12-29 2017-12-29 一种预测目的地和推荐驾驶路线的方法 Active CN108286980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711475526.5A CN108286980B (zh) 2017-12-29 2017-12-29 一种预测目的地和推荐驾驶路线的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711475526.5A CN108286980B (zh) 2017-12-29 2017-12-29 一种预测目的地和推荐驾驶路线的方法

Publications (2)

Publication Number Publication Date
CN108286980A true CN108286980A (zh) 2018-07-17
CN108286980B CN108286980B (zh) 2021-04-02

Family

ID=62820067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711475526.5A Active CN108286980B (zh) 2017-12-29 2017-12-29 一种预测目的地和推荐驾驶路线的方法

Country Status (1)

Country Link
CN (1) CN108286980B (zh)

Cited By (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109059956A (zh) * 2018-09-04 2018-12-21 深圳市宇墨科技有限公司 车载导航方法及相关产品
CN109299408A (zh) * 2018-10-24 2019-02-01 斑马网络技术有限公司 信息推送方法、装置、车辆、存储介质及电子设备
CN109558545A (zh) * 2019-01-07 2019-04-02 北京三快在线科技有限公司 信息推荐方法、装置、电子设备及可读存储介质
CN109830118A (zh) * 2019-03-28 2019-05-31 北京小米移动软件有限公司 基于公共交通的出行策略显示方法、装置及存储介质
CN109858567A (zh) * 2019-03-06 2019-06-07 上海赢科信息技术有限公司 车主的出行形态的判断方法及系统
CN109855641A (zh) * 2019-02-20 2019-06-07 百度在线网络技术（北京）有限公司 预测运动轨迹的方法、装置、存储介质和终端设备
CN109949068A (zh) * 2019-01-09 2019-06-28 深圳北斗应用技术研究院有限公司 一种基于预测结果的实时拼车方法和装置
CN109990799A (zh) * 2019-03-28 2019-07-09 北京小米移动软件有限公司 出行策略显示方法、装置及存储介质
CN110095133A (zh) * 2019-04-30 2019-08-06 广州小鹏汽车科技有限公司 路况提醒方法、装置、车辆、计算机设备及其存储介质
CN110260873A (zh) * 2019-06-12 2019-09-20 阿里巴巴集团控股有限公司 一种基于用户习惯的路线推荐方法和系统
CN110274611A (zh) * 2019-06-24 2019-09-24 腾讯科技（深圳）有限公司 信息显示方法、装置、终端及存储介质
CN110307856A (zh) * 2019-06-27 2019-10-08 乐安县云智易联科技有限公司 一种导航路线推荐方法及装置
CN110428101A (zh) * 2019-07-31 2019-11-08 重庆长安汽车股份有限公司 基于历史出行规律的目的地预测方法及计算机可读存储介质
CN110490690A (zh) * 2019-07-19 2019-11-22 广东金融学院 共享单车的营销策略优化方法及系统
CN110503528A (zh) * 2019-08-28 2019-11-26 江苏满运软件科技有限公司 一种线路推荐方法、装置、设备和存储介质
CN110598917A (zh) * 2019-08-23 2019-12-20 广州番禺职业技术学院 一种基于路径轨迹的目的地预测方法、系统及存储介质
CN110648008A (zh) * 2018-12-29 2020-01-03 北京奇虎科技有限公司 路况预测方法和装置
CN110641362A (zh) * 2019-09-11 2020-01-03 吉利汽车研究院（宁波）有限公司 一种车内雨具提醒方法、装置及汽车
CN110717114A (zh) * 2019-09-03 2020-01-21 广州小迈网络科技有限公司 一种智能匹配方法和系统
CN110765367A (zh) * 2018-08-20 2020-02-07 北京嘀嘀无限科技发展有限公司 信息推送方法、装置、电子设备及计算机存储设备
CN110866194A (zh) * 2018-08-21 2020-03-06 上海博泰悦臻网络技术服务有限公司 车辆及导航终端和基于离散事件随机过程的行程推荐方法
CN110887497A (zh) * 2018-09-07 2020-03-17 上海擎感智能科技有限公司 路线推荐方法及装置
CN110940337A (zh) * 2019-07-31 2020-03-31 中国第一汽车股份有限公司 一种路径识别方法、装置、设备和存储介质
CN110954118A (zh) * 2018-09-27 2020-04-03 上海博泰悦臻电子设备制造有限公司 一种用于车机的服务推荐方法及系统
CN110986985A (zh) * 2019-12-17 2020-04-10 广州小鹏汽车科技有限公司 车辆行程推送方法、装置、介质、控制终端及汽车
CN111006682A (zh) * 2019-12-31 2020-04-14 斑马网络技术有限公司 导航路线规划方法、装置、电子设备及存储介质
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
CN111289001A (zh) * 2018-12-10 2020-06-16 阿里巴巴集团控股有限公司 导航方法和装置以及电子设备
CN111323015A (zh) * 2018-12-17 2020-06-23 北京三快在线科技有限公司 行程信息的估计方法、装置及电子设备
CN111369787A (zh) * 2018-12-26 2020-07-03 杭州海康威视系统技术有限公司 一种车辆轨迹预测方法、装置及电子设备
CN111380548A (zh) * 2018-12-29 2020-07-07 沈阳美行科技有限公司 线路推荐方法、装置、车载设备和存储介质
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
CN111707286A (zh) * 2020-06-28 2020-09-25 北京百度网讯科技有限公司 规划路线的方法和装置
CN111739194A (zh) * 2020-06-22 2020-10-02 舒伟伟 一种新能源汽车行驶行为分析系统及方法
CN111815047A (zh) * 2020-07-06 2020-10-23 王伟 一种基于用户行为分析的路径规划方法
WO2020220188A1 (en) * 2019-04-29 2020-11-05 Grabtaxi Holdings Pte. Ltd. Communications server apparatus, methods and communications systems for recommending one or more points-of-interest for a transport-related service to a user
CN112633592A (zh) * 2020-12-30 2021-04-09 鱼快创领智能科技(南京)有限公司 基于机器学习聚类算法的车辆常跑路线计算方法及系统
CN112750328A (zh) * 2020-12-29 2021-05-04 深圳市顺易通信息科技有限公司 一种行车路径推荐方法、装置、设备及介质
WO2021082608A1 (zh) * 2019-10-31 2021-05-06 华为技术有限公司 一种提示出行方案的方法及电子设备
CN112950944A (zh) * 2021-02-22 2021-06-11 华为技术有限公司 交通出行需求的估计方法、装置、设备及可读存储介质
CN112991804A (zh) * 2019-12-18 2021-06-18 浙江大华技术股份有限公司 停留区域确定方法以及相关装置
CN113112810A (zh) * 2021-04-25 2021-07-13 浙江恒隆智慧科技集团有限公司 基于大数据的交通管控方法及装置
US11079238B2 (en) 2018-11-28 2021-08-03 International Business Machines Corporation Calculating a most probable path
CN113239133A (zh) * 2021-04-15 2021-08-10 联合汽车电子有限公司 行车路径预测方法、规律性判定方法及数据库建立方法
CN113268674A (zh) * 2021-05-18 2021-08-17 北京白龙马云行科技有限公司 返程辅助方法及装置
CN113407871A (zh) * 2021-06-21 2021-09-17 北京畅行信息技术有限公司 上车点推荐方法、装置、电子设备和可读存储介质
CN113821736A (zh) * 2021-09-01 2021-12-21 北京中交兴路信息科技有限公司 基于前缀树的车辆目的地的预测方法、装置、设备及介质
CN114509078A (zh) * 2020-11-16 2022-05-17 中国联合网络通信集团有限公司 导航线路推荐方法和服务器
CN114754783A (zh) * 2021-11-10 2022-07-15 广州汽车集团股份有限公司 一种用户出行信息的推荐方法、系统及汽车
CN115083147A (zh) * 2022-05-10 2022-09-20 广州汽车集团股份有限公司 目的地预测方法、装置以及车辆
CN115221398A (zh) * 2021-06-07 2022-10-21 广州汽车集团股份有限公司 用于实现驾驶目的地预测和驾驶策略推荐的方法及系统
CN116698064A (zh) * 2023-05-06 2023-09-05 广州汽车集团股份有限公司 车辆出行规划方法、装置、电子设备及存储介质
CN113239133B (zh) * 2021-04-15 2024-04-30 联合汽车电子有限公司 行车路径预测方法、规律性判定方法及数据库建立方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629297A (zh) * 2012-03-06 2012-08-08 北京建筑工程学院 一种基于行程识别的出行者活动规律分析方法
CN103149577A (zh) * 2013-02-28 2013-06-12 山东大学 “北斗”导航、gps导航和历史数据融合的组合导航方法
CN103247092A (zh) * 2013-04-26 2013-08-14 广州通易科技有限公司 一种基于场景的驾驶行为评价方法
CN106595665A (zh) * 2016-11-30 2017-04-26 耿生玲 一种障碍空间中移动对象时空轨迹的预测方法
CN106919996A (zh) * 2015-12-25 2017-07-04 滴滴（中国）科技有限公司 一种目的地预测方法及装置
CN107066458A (zh) * 2016-08-26 2017-08-18 北京车网互联科技有限公司 一种基于车联网数据的时空维度用户画像分析方法
CN107111794A (zh) * 2015-01-11 2017-08-29 微软技术许可有限责任公司 预测和利用地图服务中出行时间的可变性
US20170268894A1 (en) * 2016-03-15 2017-09-21 Here Global B.V. Predicting short term travel behavior with unknown destination

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629297A (zh) * 2012-03-06 2012-08-08 北京建筑工程学院 一种基于行程识别的出行者活动规律分析方法
CN103149577A (zh) * 2013-02-28 2013-06-12 山东大学 “北斗”导航、gps导航和历史数据融合的组合导航方法
CN103247092A (zh) * 2013-04-26 2013-08-14 广州通易科技有限公司 一种基于场景的驾驶行为评价方法
CN107111794A (zh) * 2015-01-11 2017-08-29 微软技术许可有限责任公司 预测和利用地图服务中出行时间的可变性
CN106919996A (zh) * 2015-12-25 2017-07-04 滴滴（中国）科技有限公司 一种目的地预测方法及装置
US20170268894A1 (en) * 2016-03-15 2017-09-21 Here Global B.V. Predicting short term travel behavior with unknown destination
CN107066458A (zh) * 2016-08-26 2017-08-18 北京车网互联科技有限公司 一种基于车联网数据的时空维度用户画像分析方法
CN106595665A (zh) * 2016-11-30 2017-04-26 耿生玲 一种障碍空间中移动对象时空轨迹的预测方法

Cited By (74)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765367A (zh) * 2018-08-20 2020-02-07 北京嘀嘀无限科技发展有限公司 信息推送方法、装置、电子设备及计算机存储设备
CN110866194A (zh) * 2018-08-21 2020-03-06 上海博泰悦臻网络技术服务有限公司 车辆及导航终端和基于离散事件随机过程的行程推荐方法
CN109059956A (zh) * 2018-09-04 2018-12-21 深圳市宇墨科技有限公司 车载导航方法及相关产品
CN110887497A (zh) * 2018-09-07 2020-03-17 上海擎感智能科技有限公司 路线推荐方法及装置
CN110954118A (zh) * 2018-09-27 2020-04-03 上海博泰悦臻电子设备制造有限公司 一种用于车机的服务推荐方法及系统
CN109299408A (zh) * 2018-10-24 2019-02-01 斑马网络技术有限公司 信息推送方法、装置、车辆、存储介质及电子设备
US11079238B2 (en) 2018-11-28 2021-08-03 International Business Machines Corporation Calculating a most probable path
CN111289001B (zh) * 2018-12-10 2023-10-20 阿里巴巴集团控股有限公司 导航方法和装置以及电子设备
CN111289001A (zh) * 2018-12-10 2020-06-16 阿里巴巴集团控股有限公司 导航方法和装置以及电子设备
CN111323015A (zh) * 2018-12-17 2020-06-23 北京三快在线科技有限公司 行程信息的估计方法、装置及电子设备
CN111323015B (zh) * 2018-12-17 2022-08-26 北京三快在线科技有限公司 行程信息的估计方法、装置及电子设备
CN111369787A (zh) * 2018-12-26 2020-07-03 杭州海康威视系统技术有限公司 一种车辆轨迹预测方法、装置及电子设备
CN111380548A (zh) * 2018-12-29 2020-07-07 沈阳美行科技有限公司 线路推荐方法、装置、车载设备和存储介质
CN110648008A (zh) * 2018-12-29 2020-01-03 北京奇虎科技有限公司 路况预测方法和装置
CN111380548B (zh) * 2018-12-29 2022-09-13 沈阳美行科技股份有限公司 线路推荐方法、装置、车载设备和存储介质
CN109558545B (zh) * 2019-01-07 2020-07-17 北京三快在线科技有限公司 信息推荐方法、装置、电子设备及可读存储介质
CN109558545A (zh) * 2019-01-07 2019-04-02 北京三快在线科技有限公司 信息推荐方法、装置、电子设备及可读存储介质
CN109949068A (zh) * 2019-01-09 2019-06-28 深圳北斗应用技术研究院有限公司 一种基于预测结果的实时拼车方法和装置
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
CN109855641A (zh) * 2019-02-20 2019-06-07 百度在线网络技术（北京）有限公司 预测运动轨迹的方法、装置、存储介质和终端设备
CN109858567A (zh) * 2019-03-06 2019-06-07 上海赢科信息技术有限公司 车主的出行形态的判断方法及系统
CN109830118A (zh) * 2019-03-28 2019-05-31 北京小米移动软件有限公司 基于公共交通的出行策略显示方法、装置及存储介质
CN109990799A (zh) * 2019-03-28 2019-07-09 北京小米移动软件有限公司 出行策略显示方法、装置及存储介质
CN109830118B (zh) * 2019-03-28 2021-06-08 北京小米移动软件有限公司 基于公共交通的出行策略显示方法、装置及存储介质
US11417209B2 (en) 2019-03-28 2022-08-16 Beijing Xiaomi Mobile Software Co., Ltd. Method, apparatus, and storage medium for displaying trip strategy based on public transportation
WO2020220188A1 (en) * 2019-04-29 2020-11-05 Grabtaxi Holdings Pte. Ltd. Communications server apparatus, methods and communications systems for recommending one or more points-of-interest for a transport-related service to a user
CN110095133A (zh) * 2019-04-30 2019-08-06 广州小鹏汽车科技有限公司 路况提醒方法、装置、车辆、计算机设备及其存储介质
WO2020220456A1 (zh) * 2019-04-30 2020-11-05 广州小鹏汽车科技有限公司 路况提醒方法、装置、车辆、计算机设备及其存储介质
CN110260873A (zh) * 2019-06-12 2019-09-20 阿里巴巴集团控股有限公司 一种基于用户习惯的路线推荐方法和系统
CN110274611A (zh) * 2019-06-24 2019-09-24 腾讯科技（深圳）有限公司 信息显示方法、装置、终端及存储介质
CN110307856A (zh) * 2019-06-27 2019-10-08 乐安县云智易联科技有限公司 一种导航路线推荐方法及装置
CN110490690A (zh) * 2019-07-19 2019-11-22 广东金融学院 共享单车的营销策略优化方法及系统
CN110490690B (zh) * 2019-07-19 2021-08-03 广东金融学院 共享单车的营销策略优化方法及系统
CN110940337A (zh) * 2019-07-31 2020-03-31 中国第一汽车股份有限公司 一种路径识别方法、装置、设备和存储介质
CN110428101A (zh) * 2019-07-31 2019-11-08 重庆长安汽车股份有限公司 基于历史出行规律的目的地预测方法及计算机可读存储介质
CN110428101B (zh) * 2019-07-31 2023-04-18 重庆长安汽车股份有限公司 基于历史出行规律的目的地预测方法及计算机可读存储介质
CN110598917A (zh) * 2019-08-23 2019-12-20 广州番禺职业技术学院 一种基于路径轨迹的目的地预测方法、系统及存储介质
CN110598917B (zh) * 2019-08-23 2020-11-24 广州番禺职业技术学院 一种基于路径轨迹的目的地预测方法、系统及存储介质
CN110503528B (zh) * 2019-08-28 2022-02-18 江苏满运软件科技有限公司 一种线路推荐方法、装置、设备和存储介质
CN110503528A (zh) * 2019-08-28 2019-11-26 江苏满运软件科技有限公司 一种线路推荐方法、装置、设备和存储介质
CN110717114A (zh) * 2019-09-03 2020-01-21 广州小迈网络科技有限公司 一种智能匹配方法和系统
CN110641362A (zh) * 2019-09-11 2020-01-03 吉利汽车研究院（宁波）有限公司 一种车内雨具提醒方法、装置及汽车
WO2021082608A1 (zh) * 2019-10-31 2021-05-06 华为技术有限公司 一种提示出行方案的方法及电子设备
CN112815955A (zh) * 2019-10-31 2021-05-18 荣耀终端有限公司 一种提示出行方案的方法及电子设备
CN110986985B (zh) * 2019-12-17 2022-07-12 广州小鹏汽车科技有限公司 车辆行程推送方法、装置、介质、控制终端及汽车
CN110986985A (zh) * 2019-12-17 2020-04-10 广州小鹏汽车科技有限公司 车辆行程推送方法、装置、介质、控制终端及汽车
CN112991804A (zh) * 2019-12-18 2021-06-18 浙江大华技术股份有限公司 停留区域确定方法以及相关装置
CN111006682A (zh) * 2019-12-31 2020-04-14 斑马网络技术有限公司 导航路线规划方法、装置、电子设备及存储介质
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
CN111006682B (zh) * 2019-12-31 2023-11-21 斑马网络技术有限公司 导航路线规划方法、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
CN111739194B (zh) * 2020-06-22 2021-09-17 乐清市然景电气有限公司 一种新能源汽车行驶行为分析系统及方法
CN111739194A (zh) * 2020-06-22 2020-10-02 舒伟伟 一种新能源汽车行驶行为分析系统及方法
CN111707286B (zh) * 2020-06-28 2022-07-29 北京百度网讯科技有限公司 规划路线的方法和装置
CN111707286A (zh) * 2020-06-28 2020-09-25 北京百度网讯科技有限公司 规划路线的方法和装置
CN111815047A (zh) * 2020-07-06 2020-10-23 王伟 一种基于用户行为分析的路径规划方法
CN114509078A (zh) * 2020-11-16 2022-05-17 中国联合网络通信集团有限公司 导航线路推荐方法和服务器
CN114509078B (zh) * 2020-11-16 2024-02-20 中国联合网络通信集团有限公司 导航线路推荐方法和服务器
CN112750328A (zh) * 2020-12-29 2021-05-04 深圳市顺易通信息科技有限公司 一种行车路径推荐方法、装置、设备及介质
CN112633592B (zh) * 2020-12-30 2023-07-18 鱼快创领智能科技(南京)有限公司 基于机器学习聚类算法的车辆常跑路线计算方法及系统
CN112633592A (zh) * 2020-12-30 2021-04-09 鱼快创领智能科技(南京)有限公司 基于机器学习聚类算法的车辆常跑路线计算方法及系统
CN112950944A (zh) * 2021-02-22 2021-06-11 华为技术有限公司 交通出行需求的估计方法、装置、设备及可读存储介质
CN113239133A (zh) * 2021-04-15 2021-08-10 联合汽车电子有限公司 行车路径预测方法、规律性判定方法及数据库建立方法
CN113239133B (zh) * 2021-04-15 2024-04-30 联合汽车电子有限公司 行车路径预测方法、规律性判定方法及数据库建立方法
CN113112810A (zh) * 2021-04-25 2021-07-13 浙江恒隆智慧科技集团有限公司 基于大数据的交通管控方法及装置
CN113268674A (zh) * 2021-05-18 2021-08-17 北京白龙马云行科技有限公司 返程辅助方法及装置
CN115221398A (zh) * 2021-06-07 2022-10-21 广州汽车集团股份有限公司 用于实现驾驶目的地预测和驾驶策略推荐的方法及系统
CN113407871A (zh) * 2021-06-21 2021-09-17 北京畅行信息技术有限公司 上车点推荐方法、装置、电子设备和可读存储介质
CN113407871B (zh) * 2021-06-21 2024-04-02 北京畅行信息技术有限公司 上车点推荐方法、装置、电子设备和可读存储介质
CN113821736A (zh) * 2021-09-01 2021-12-21 北京中交兴路信息科技有限公司 基于前缀树的车辆目的地的预测方法、装置、设备及介质
CN113821736B (zh) * 2021-09-01 2023-09-08 北京中交兴路信息科技有限公司 基于前缀树的车辆目的地的预测方法、装置、设备及介质
CN114754783A (zh) * 2021-11-10 2022-07-15 广州汽车集团股份有限公司 一种用户出行信息的推荐方法、系统及汽车
CN115083147A (zh) * 2022-05-10 2022-09-20 广州汽车集团股份有限公司 目的地预测方法、装置以及车辆
CN116698064A (zh) * 2023-05-06 2023-09-05 广州汽车集团股份有限公司 车辆出行规划方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN108286980B (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN108286980A (zh) 一种预测目的地和推荐驾驶路线的方法
CN110428117B (zh) 城市轨道交通多场景下客流精准诱导方法及系统
Yuan et al. T-drive: driving directions based on taxi trajectories
US8498953B2 (en) Method for allocating trip sharing
Mazloumi et al. An integrated framework to predict bus travel time and its variability using traffic flow data
US8024112B2 (en) Methods for predicting destinations from partial trajectories employing open-and closed-world modeling methods
US20160129787A1 (en) Methods, Circuits, Devices, Systems & Associated Computer Executable Code for Driver Decision Support
ES2536209T3 (es) Predicción de condiciones de tráfico por carretera esperadas en base a datos históricos y actuales
TWI428249B (zh) 車載裝置及其行車輔助系統與行車輔助資訊提供方法
US20120226391A1 (en) Vehicle route calculation
Liu et al. On-street parking guidance with real-time sensing data for smart cities
Wang et al. How much is trust: The cost and benefit of ridesharing with friends
CN107066458A (zh) 一种基于车联网数据的时空维度用户画像分析方法
CN106092113A (zh) 预行驶道路预估系统、方法、导航客户端及服务器
CN110147492A (zh) 一种信息处理方法、交通工具及存储介质
CN110020193A (zh) 信息处理装置、信息处理方法以及计算机可读存储介质
WO2020035383A1 (en) Method and system of recommending a place to park
KR20160020914A (ko) 기상 및 기후 요소를 고려한 관광매력도 제공 장치 및 제공 방법
Lu et al. Prediction-based parking allocation framework in urban environments
CN104596534B (zh) 一种计算最优行车路径的方法
CN115203555B (zh) 一种基于大数据的景区景点推荐方法及系统
CN109945883B (zh) 一种信息处理方法、装置及电子设备
CN110986992A (zh) 无人售卖车辆的导航方法、装置、电子设备和存储介质
JP7470919B2 (ja) 情報処理方法、情報処理プログラム及び情報処理システム
CN108734352A (zh) 一种乡村旅游用管理系统

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