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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2017
- 2017-12-29 CN CN201711475526.5A patent/CN108286980B/zh active Active
Patent Citations (8)
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)
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 |