CN108444486B - 一种导航路线排序方法和装置 - Google Patents

Abstract

本申请提供一种导航路线排序方法和装置。方法包括：根据起始地和目的地，规划从所述起始地到所述目的地的两条以上的导航路线；获取各条导航路线的路线特征信息；将每条导航路线的路线特征信息作为预先训练过的导航路线排序模型的输入，利用所述导航路线排序模型，得到各条导航路线的排序代价；按照所述导航路线的排序代价，对所述导航路线进行排序。本申请利用导航路线排序模型计算得到各条导航路线的排序代价，并按照各条导航路线的排序代价，对导航路线进行的排序，排序更趋于人性化、合理化，降低了导航路线排名不合理情况的发生概率，提高了用户的使用体验。

Description

一种导航路线排序方法和装置

技术领域

本申请涉及导航路线规划技术领域，更具体地说，涉及一种导航路线排序方法和装置。

背景技术

现有的地图导航服务，可以根据用户输入的起始地和目的地，为用户计算并输出多条供用户选择的导航路线。通常情况下，输出给用户选择的多条导航路线是经过排序筛选的，即，基于预先定义的规则对所有计算出的导航路线进行排序，然后，将排在前几位的导航路线输出给用户选择。

发明人在对现有基于预先定义的规则对导航路线进行排序的技术方案进行研究的过程中发现，规则属于人工经验总结，其不能全面反映导航路线的实际通行情况，因此现有技术往往会产生导航路线排序不合理的情况。例如，导航路线1的行驶距离比导航路线2短，但预测的行驶时间仅比导航路线2稍长一点，若按行驶距离最短的规则进行排序，则导航路线1为最佳的导航路线优先输出，而导航路线2为次之的导航路线作为第二名输出。但在实际行驶过程中，虽然导航路线1的行驶距离短，但导航路线1中的道路狭窄、路面不平整等原因使得该导航路线1实际需要的行驶时间比预测的行驶时间长了很多，而导航路线2虽然距离稍长，但整个导航路线2中的道路平整、宽阔，用户实际的行驶时间与导航路线1实际的行驶时间相比不相上下，甚至更少。那么前述按照行驶距离最短原则得到导航路线排名并不合理。

发明内容

有鉴于此，本申请提供的一种导航路线排序方法和装置，以解决现有技术中导航路线排名可能并不合理的问题。技术方案如下：

基于本申请的一方面，本申请提供一种导航路线排序方法，包括：

根据起始地和目的地，规划从所述起始地到所述目的地的两条以上的导航路线；

获取各条导航路线的路线特征信息；

将每条导航路线的路线特征信息作为预先训练过的导航路线排序模型的输入，利用所述导航路线排序模型，得到各条导航路线的排序代价；

按照所述导航路线的排序代价，对所述导航路线进行排序。

优选地，所述方法进一步包括：

根据有效的历史导航路线和无效的历史导航路线，生成优选训练样本和候选训练样本，其中，一条有效的历史导航路线对应一条优选训练样本，一条无效的历史导航路线对应一条候选训练样本，训练样本包括对应的历史导航路线的路线特征信息；

将所述优选训练样本和候选训练样本进行组合，得到训练样本对，一个训练样本对中包括一条优选训练样本和一条候选训练样本；

采用两两标注排序算法，对所述训练样本对进行训练，得到导航排序模型的参数值。

优选地，所述方法进一步包括：

判断历史导航路线的路线特征信息中是否存在异常的路线特征信息，如果是，则判断优选训练样本和候选训练样本的数量是否超过预设的数量阈值，若是，则删除所述历史导航路线对应的训练样本，若否，则对异常的路线特征信息进行修正。

优选地，所述方法进一步包括：

若路线特征信息为数值，则将所述路线特征信息归一化为满足预设的数值范围的数值，所述预设的数值范围与所述路线特征信息的类型相对应。

优选地，所述方法进一步包括：

按照预设的分类原则，将所述优选训练样本和候选训练样本进行分类；

将所述优选训练样本和候选训练样本进行组合，得到训练样本对具体包括：

对属于同一个分类中的优选训练样本和候选训练样本进行组合，得到训练样本对。

基于本申请的另一方面，本申请提供一种导航路线排序装置，包括：

导航路线规划模块，用于根据起始地和目的地，规划从所述起始地到所述目的地的两条以上的导航路线；

路线特征信息获取模块，用于获取各条导航路线的路线特征信息；

排序代价计算模块，用于将每条导航路线的路线特征信息作为预先训练过的导航路线排序模型的输入，利用所述导航路线排序模型，得到各条导航路线的排序代价；

排序模块，用于按照所述导航路线的排序代价，对所述导航路线进行排序。

优选地，所述装置还包括：

训练样本生成模块，用于根据有效的历史导航路线和无效的历史导航路线，生成优选训练样本和候选训练样本，其中，一条有效的历史导航路线对应一条优选训练样本，一条无效的历史导航路线对应一条候选训练样本，训练样本包括对应的历史导航路线的路线特征信息；

训练样本组合模块，用于将所述优选训练样本和候选训练样本进行组合，得到训练样本对，一个训练样本对中包括一条优选训练样本和一条候选训练样本；

模型训练模块，用于采用两两标注排序算法，对所述训练样本对进行训练，得到导航路线排序模型的参数值。

优选地，所述装置还包括：

第一判断模块，用于判断历史导航路线的路线特征信息中是否存在异常的路线特征信息；

第二判断模块，用于当所述第一判断模块判断历史导航路线的路线特征信息中存在异常的路线特征信息时，判断优选训练样本和候选训练样本的数量是否超过预设的数量阈值；

异常数据删除模块，用于当所述第二判断模块判断优选训练样本和候选训练样本的数量超过预设的数量阈值时，删除所述历史导航路线对应的训练样本；

修正模块，用于当所述第二判断模块判断优选训练样本和候选训练样本的数量没有超过预设的数量阈值时，对异常的路线特征信息进行修正。

优选地，所述装置还包括：

归一化处理模块，用于当路线特征信息为数值时，将所述路线特征信息归一化为满足预设的数值范围的数值，所述预设的数值范围与所述路线特征信息的类型相对应。

优选地所述装置还包括：

分类模块，用于按照预设的分类原则，将所述优选训练样本和候选训练样本进行分类；

所述训练样本组合模块具体用于，对属于同一个分类中的优选训练样本和候选训练样本进行组合，得到训练样本对。

应用本申请的上述技术方案，本申请提供的导航路线排序方法包括：根据起始地和目的地，规划从所述起始地到所述目的地的两条以上的导航路线；获取各条导航路线的路线特征信息；分别将每条导航路线的路线特征信息作为预先训练过的导航路线排序模型的输入，利用所述导航路线排序模型，得到各条导航路线的排序代价，并按照所述导航路线的排序代价，对所述导航路线进行排序。由于本申请中预先训练过的导航路线排序模型是基于历史导航路线训练得到的，该导航路线排序模型充分学习了用户的行为偏好。本申请基于该导航路线排序模型得到的各条导航路线的排序代价，以及按照各条导航路线的排序代价，对导航路线进行的排序更趋于人性化、合理化，降低了导航路线排名不合理情况的发生概率，提高了用户的使用体验。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种导航路线排序方法的流程图；

图2为本申请中导航路线排序模型的训练方法的流程图；

图3为本申请提供的一种导航路线排序装置的结构示意图；

图4为本申请提供的一种导航路线排序装置的另一种结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

请参阅图1，其示出了本申请提供的一种导航路线排序方法的流程图，包括：

步骤101，根据起始地和目的地，规划从所述起始地到所述目的地的两条以上的导航路线。

本申请中，步骤101可以在服务端完成，也可以在用户设备本地完成。如在服务端完成，用户可以利用车载导航设备、手机、Ipad等设备向服务端发送起始地和目的地，服务端接收到用户发送的起始地和目的地后，根据用户设定的起始地和目的地，规划从所述起始地到所述目的地的两条以上的导航路线。

步骤102，获取各条导航路线的路线特征信息。

本申请中导航路线的路线特征信息包括以下至少一种：导航路线的长度、预测的行驶时间、红绿灯个数、转弯个数、预测的驾驶动作个数、导航路线中各个等级道路的长度、导航路线中的道路实时路况信息、过路费等。其中，预测的驾驶动作个数是根据导航路线的拓扑结构中记录的相邻两条道路的关系确定的，例如包括左转个数、掉头个数、出辅路个数、进主路个数等。

以上路线特征信息的列举仅为对本申请进行更清楚的说明，不是在穷举路线特征信息，不应视为对本申请的限制。在实际应用中，技术人员可以对上述列举以及未列举的路线特征信息进行选择和组合。

步骤103，将每条导航路线的路线特征信息作为预先训练过的导航路线排序模型的输入，利用所述导航路线排序模型，得到各条导航路线的排序代价。

步骤104，按照所述导航路线的排序代价，对所述导航路线进行排序。

本申请中，导航路线排序模型是基于历史导航路线训练得到的。用户的历史导航路线包括有效的历史导航路线和无效的历史导航路线，其中有效的历史导航路线为用户选中的导航路线，无效的历史导航路线为用户未选中的导航路线。本申请中，导航路线排序模型可以同时接收多条导航路线，分别以每条导航路线的路线特征信息作为导航路线排序模型的输入。当导航路线排序模型以导航路线A的路线特征信息为输入后，可以计算得到该导航路线A的排序代价。因此，假设当本申请步骤101中规划得到从起始地到目的地的三条导航路线，分别为导航路线A、导航路线B和导航路线C时，将导航路线A的路线特征信息、导航路线B的路线特征信息和导航路线C的路线特征信息均输入至导航路线排序模型，该导航路线排序模型能够分别计算得到导航路线A、导航路线B和导航路线C的排序代价。

在分别得到导航路线A、导航路线B和导航路线C的排序代价后，按照各条导航路线的排序代价，例如排序代价由低到高的顺序，对导航路线A、导航路线B和导航路线C进行排序。

由于本申请中导航路线排序模型是基于用户的历史导航路线训练得到的，该导航路线排序模型充分学习了用户的行为偏好，因此，本申请将每条导航路线的路线特征信息作为导航路线排序模型的输入，利用导航路线排序模型来计算得到各条导航路线的排序代价，进而按照排序代价对导航路线进行排序，使得导航路线的排序更趋于人性化、合理化，降低了导航路线排名不合理情况的发生概率，提高了用户的使用体验。

对于本申请中，基于用户的历史导航路线训练得到所述导航路线排序模型的实现方法如图2所示，包括：

步骤201，根据有效的历史导航路线和无效的历史导航路线，生成优选训练样本和候选训练样本。其中，一条有效的历史导航路线对应一条优选训练样本，一条无效的历史导航路线对应一条候选训练样本，训练样本包括对应的历史导航路线的路线特征信息。

本申请中，训练样本还可以包括用于表示所述训练样本对应的历史导航路线有效或无效的标识。其中，训练样本的存储形式可以为：Label、路线特征1，路线特征2、…路线特征n，n为正整数。Label＝0表示该历史导航路线无效，Label＝1表示该历史导航路线有效。

在实际应用过程中，如果导航路线规划是在服务端完成，则针对用户每次发起的导航路径规划请求，服务端响应于该导航路径规划请求为用户提供多条导航路线，例如对于从起始地a和目的地b的导航路径规划请求，服务端规划从起始地a和目的地b的导航路线包括导航路线A、导航路线B和导航路线C。每条导航路线会对应至少一种路线特征信息，例如导航路线A对应了路线特征1、路线特征2、路线特征3，导航路线B对应了路线特征1、路线特征2、路线特征3、路线特征4，导航路线C对应了路线特征1、路线特征2、路线特征4、路线特征5。假设用户选择了导航路线A进行导航，那么服务端会将其提供的三条导航路线的相关数据进行存储，具体包括：记录导航路线A为有效的导航路线，导航路线B和导航路线C为无效的导航路线，其中导航路线A对应路线特征1、路线特征2、路线特征3，导航路线B对应路线特征1、路线特征2、路线特征3、路线特征4，导航路线C对应路线特征1、路线特征2、路线特征4、路线特征5。

基于此，服务端将用户每次发起导航路径规划请求后，用户执行的相关操作以及相关数据都进行记录，由此在服务端中存储了用户大量的历史导航路线，本申请基于存储的该用户大量的历史导航路线，对导航路线排序模型进行训练，能够得到充分学习了用户行为偏好的一个排序模型。

当然，如果导航路线规划是在用户本地设备完成，那么，用户本地设备会将导航路径规划完成后，用户执行的相关操作以及相关数据同步至服务端，以供后续对导航路线排序模型的训练使用。

步骤202，将所述优选训练样本和候选训练样本进行组合，得到训练样本对，一个训练样本对中包括一条优选训练样本和一条候选训练样本。

在得到多条优选训练样本和多条候选训练样本后，将一条优选训练样本和一条候选训练样本进行组合，得到一个训练样本对，由此可以得到多个训练样本对。

步骤203，采用两两标注排序算法，对所述训练样本对进行训练，得到所述导航路线排序模型的参数值。

具体地，本申请中的两两标注排序(pair wise)算法可以包括LambdaMAR T算法、ranknet算法、ranking svm算法等。

在实际应用中，所述导航路线排序模型可以是决策树，训练得到的决策树的参数值包括决策树的数量、节点数量、分叉阈值。

具体在本申请中，采用两两标注排序算法对训练样本对进行训练，能够得到充分学习用户的行为偏好的排序模型。为了便于说明，本申请现以路线特征信息具体为导航路线的长度和预计驾驶时间为例进行阐述。

对于用户某次发起的历史导航路径规划请求，假设服务端为其提供了两条导航路线，分别为导航路线的长度为15Km，预计驾驶时间为45min的导航路线1和导航路线的长度为16Km，预计驾驶时间为40min的导航路线2。在用户的实际应用过程中，用户选取了导航路线2进行导航，那么导航路线2为有效的历史导航路线，导航路线1为无效的历史导航路线。

本申请将导航路线1对应的候选训练样本与导航路线2对应的优选训练样本进行组合，得到训练样本对12，进而采用两两标注排序算法，对该训练样本对12进行训练。此时服务端可以获知，用户愿意以多走1Km来节省5min，即用户愿意以多走0.2Km来节省1min时间。

基于同理，本申请基于用户大量的历史导航路线，可以计算得到不同路线特征信息间的代价关系。例如，用户愿意以多过1个红绿灯来节省1min时间、以多花费1元的过路费来节省1min时间、以多转1个弯来节省1min时间等。该不同路线特征信息间的代价关系即表示了用户的行为偏好，本申请依据得到的不同路线特征信息间的代价关系，确定出导航路线排序模型的参数值。由此可见，本申请中导航路线排序模型充分学习了用户的行为偏好。那么基于该导航路线排序模型计算得到的各条导航路线的排序代价更趋于人性化、合理化，大大降低了导航路线排名不合理情况的发生概率，提高了用户的使用体验。

此外作为本申请的一个优选实施例，在上述实施例的基础上，本申请还可以包括，对于历史导航路线的路线特征信息进行如下处理：

一、对于历史导航路线的路线特征信息中的异常的路线特征信息的处理：

步骤301，判断历史导航路线的路线特征信息中是否存在异常的路线特征信息。如果存在，执行步骤302，如果不存在，可以继续执行步骤301。

其中，异常的路线特征信息是指与预设的该路线特征信息对应的正常值相比差异过大的路线特征信息。

步骤302，判断优选训练样本和候选训练样本的数量是否超过预设的数量阈值。如果超过，执行步骤303，如果没有超过，执行步骤304。

步骤303，删除所述历史导航路线对应的训练样本。

步骤304，对异常的路线特征信息进行修正。

由上述记载可知，针对异常的路线特征信息，在训练样本大的情况下，可以直接删除包含该路线特征信息的训练样本，并不会对排序模型的训练产生较大影响，但是在训练样本数量少的情况下，不能轻易删除训练样本，优选方案是对异常的路线特征信息进行修正，目的是将其调整为正常。

二、对于路线特征信息中的数值进行处理：

若路线特征信息为数值，则将所述路线特征信息归一化为满足预设的数值范围的数值，所述预设的数值范围与所述路线特征信息的类型相对应。

一般的，本申请会将数值，例如导航路线长度1000m，归一化为[0，1]区间的数值，以减小路线特征信息的存储量。

三、对于路线特征信息中的特征本身进行处理：

在前述实施例的基础上，当根据历史导航路线包括的有效的历史导航路线和无效的历史导航路线，生成优选训练样本和候选训练样本后，本申请可以按照预设的分类原则，将所述优选训练样本和候选训练样本进行分类。

其中，预设的分类原则可以包括，按照导航路线的长度进行分类、或按照导航时间进行分类。该分类原则人为灵活设定。具体例如，可以按照短路径(0-5公里)，中等长度路径(5-10公里)，长路径(10公里以上)的分类原则，将导航路线中0-5公里的导航路径归为短路径、将5-10公里的导航路径归为中等长度路径，将10公里以上的导航路径归为长路径。

由此，本申请在将优选训练样本和候选训练样本进行组合，得到训练样本对时，则是将属于同一个分类中的优选训练样本和候选训练样本进行组合，得到训练样本对。

基于前文本申请提供的一种导航路线排序方法，本申请还包括一种导航路线排序装置，如图3所示，包括：导航路线规划模块100、路线特征信息获取模块200、排序代价计算模块300和排序模块400。其中，

导航路线规划模块100，用于根据起始地和目的地，规划从所述起始地到所述目的地的两条以上的导航路线。

路线特征信息获取模块200，用于获取各条导航路线的路线特征信息。

其中，所述路线特征信息包括以下至少一种：导航路线的长度、预测的行驶时间、红绿灯个数、转弯个数、预测的驾驶动作个数、导航路线中各个等级道路的长度、导航路线中的道路实时路况信息、过路费。

以上路线特征信息的列举仅为对本申请进行更清楚的说明，不是在穷举路线特征信息，不应视为对本申请的限制。在实际应用中，技术人员可以对上述列举以及未列举的路线特征信息进行选择和组合。

排序代价计算模块300，用于将每条导航路线的路线特征信息作为预先训练过的导航路线排序模型的输入，利用所述导航路线排序模型，得到各条导航路线的排序代价。

排序模块400，用于按照所述导航路线的排序代价，对所述导航路线进行排序。

本申请中，导航路线排序模型是基于历史导航路线训练得到的。用户的历史导航路线包括有效的历史导航路线和无效的历史导航路线，其中有效的历史导航路线为用户选中的导航路线，无效的历史导航路线为用户未选中的导航路线。本申请中，导航路线排序模型可以同时接收多条导航路线，分别以每条导航路线的路线特征信息作为导航路线排序模型的输入。当导航路线排序模型接收到排序代价计算模块300输入的导航路线A的路线特征信息后，可以计算得到该导航路线A的排序代价。因此，假设当本申请导航路线规划模块100规划得到从起始地到目的地的三条导航路线，分别为导航路线A、导航路线B和导航路线C时，排序代价计算模块300分别将导航路线A的路线特征信息、导航路线B的路线特征信息和导航路线C的路线特征信息均输入至导航路线排序模型，利用导航路线排序模型分别计算得到导航路线A、导航路线B和导航路线C的排序代价。

排序代价计算模块300在利用导航路线排序模型分别计算得到导航路线A、导航路线B和导航路线C的排序代价后，排序模块400按照各条导航路线的排序代价，例如排序代价由低到高的顺序，对导航路线A、导航路线B和导航路线C进行排序。

由于本申请中导航路线排序模型是基于用户的历史导航路线训练得到的，该导航路线排序模型充分学习了用户的行为偏好，因此，本申请中排序代价计算模块300分别将每条导航路线的路线特征信息作为导航路线排序模型的输入，利用导航路线排序模型来计算各条导航路线的排序代价，进而排序模块400按照排序代价对导航路线进行排序，使得导航路线的排序更趋于人性化、合理化，降低了导航路线排名不合理情况的发生概率，提高了用户的使用体验。

本申请中，历史导航路线包括有效的导航路线和无效的导航路线。本申请基于该历史导航路线训练得到所述导航路线排序模型。具体地，本申请还包括，如图4所示：

训练样本生成模块500，用于根据有效的历史导航路线和无效的历史导航路线，生成优选训练样本和候选训练样本，其中，一条有效的历史导航路线对应一条优选训练样本，一条无效的历史导航路线对应一条候选训练样本，训练样本包括对应的历史导航路线的路线特征信息。

本申请中，训练样本还可以包括用于表示所述训练样本对应的历史导航路线有效或无效的标识。其中，训练样本的存储形式可以为：Label、路线特征1，路线特征2、…路线特征n，n为正整数。Label＝0表示该历史导航路线无效，Label＝1表示该历史导航路线有效。

在实际应用过程中，如果导航路线规划是在服务端完成，则针对用户每次发起的导航路径规划请求，服务端响应于该导航路径规划请求为用户提供多条导航路线，例如对于从起始地a和目的地b的导航路径规划请求，服务端规划从起始地a和目的地b的导航路线包括导航路线A、导航路线B和导航路线C。每条导航路线会对应至少一种路线特征信息，例如导航路线A对应了路线特征1、路线特征2、路线特征3，导航路线B对应了路线特征1、路线特征2、路线特征3、路线特征4，导航路线C对应了路线特征1、路线特征2、路线特征4、路线特征5。假设用户选择了导航路线A进行导航，那么服务端会将其提供的三条导航路线的相关数据进行存储，具体包括：记录导航路线A为有效的导航路线，导航路线B和导航路线C为无效的导航路线，其中导航路线A对应路线特征1、路线特征2、路线特征3，导航路线B对应路线特征1、路线特征2、路线特征3、路线特征4，导航路线C对应路线特征1、路线特征2、路线特征4、路线特征5。

基于此，服务端将用户每次发起导航路径规划请求后，用户执行的相关操作以及相关数据都进行记录，由此在服务端中存储了用户大量的历史导航路线，训练样本生成模块500基于存储的该用户大量的历史导航路线，对导航路线排序模型进行训练，能够得到充分学习了用户行为偏好的一个排序模型。

当然，如果导航路线规划是在用户本地设备完成，那么，用户本地设备会将导航路径规划完成后，用户执行的相关操作以及相关数据同步至服务端，以供后续对导航路线排序模型的训练使用。

训练样本组合模块600，用于将所述优选训练样本和候选训练样本进行组合，得到训练样本对，一个训练样本对中包括一条优选训练样本和一条候选训练样本。

模型训练模块700，用于采用两两标注排序算法，对所述训练样本对进行训练，得到导航路线排序模型的参数值。

具体地，本申请中的两两标注排序(pair wise)算法可以包括LambdaMAR T算法、ranknet算法、ranking svm算法等。

在实际应用中，所述导航路线排序模型可以是决策树，训练得到的决策树的参数值包括决策树的数量、节点数量、分叉阈值。

在上述实施例的基础上，本申请还可以包括，对于历史导航路线的路线特征信息进行相应处理的模块。作为本申请的一个优选实施例，本申请可以包括：第一判断模块、第二判断模块、异常数据删除模块和修正模块。

其中，第一判断模块，用于判断历史导航路线的路线特征信息中是否存在异常的路线特征信息；

第二判断模块，用于当所述第一判断模块判断历史导航路线的路线特征信息中存在异常的路线特征信息时，判断优选训练样本和候选训练样本的数量是否超过预设的数量阈值；

异常数据删除模块，用于当所述第二判断模块判断优选训练样本和候选训练样本的数量超过预设的数量阈值时，删除所述历史导航路线对应的训练样本；

修正模块，用于当所述第二判断模块判断优选训练样本和候选训练样本的数量没有超过预设的数量阈值时，对异常的路线特征信息进行修正。

作为本申请的另一个优选实施例，本申请还可以包括归一化处理模块。

归一化处理模块，用于当路线特征信息为数值时，将所述路线特征信息归一化为满足预设的数值范围的数值，所述预设的数值范围与所述路线特征信息的类型相对应。

作为本申请的再一个优选实施例，本申请还可以包括分类模块。

分类模块，用于按照预设的分类原则，将所述优选训练样本和候选训练样本进行分类；

此时，训练样本组合模块600具体用于，对属于同一个分类中的优选训练样本和候选训练样本进行组合，得到训练样本对。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本申请所提供的一种导航路线排序方法和装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (8)

1.一种导航路线排序方法，其特征在于，包括：

根据起始地和目的地，规划从所述起始地到所述目的地的两条以上的导航路线；

获取各条导航路线的路线特征信息；

将每条导航路线的路线特征信息作为预先训练过的导航路线排序模型的输入，利用所述导航路线排序模型，得到各条导航路线的排序代价；

按照所述导航路线的排序代价，对所述导航路线进行排序；

所述导航路线排序模型的训练方法包括：根据有效的历史导航路线和无效的历史导航路线，生成训练样本对，采用两两标注排序算法，对所述训练样本对进行训练，得到导航路线排序模型的参数值；

所述训练样本对包括一条优选训练样本和一条候选训练样本，其中，一条有效的历史导航路线对应一条优选训练样本，一条无效的历史导航路线对应一条候选训练样本；

按照预设的分类原则，将所述优选训练样本和候选训练样本进行分类；

将所述优选训练样本和候选训练样本进行组合，得到训练样本对具体包括：对属于同一个分类中的优选训练样本和候选训练样本进行组合，得到训练样本对。

2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：

根据有效的历史导航路线和无效的历史导航路线，生成优选训练样本和候选训练样本，其中，一条有效的历史导航路线对应一条优选训练样本，一条无效的历史导航路线对应一条候选训练样本，训练样本包括对应的历史导航路线的路线特征信息；

将所述优选训练样本和候选训练样本进行组合，得到训练样本对，一个训练样本对中包括一条优选训练样本和一条候选训练样本；

采用两两标注排序算法，对所述训练样本对进行训练，得到导航路线排序模型的参数值。

3.根据权利要求2所述的方法，其特征在于，所述方法进一步包括：

判断历史导航路线的路线特征信息中是否存在异常的路线特征信息，如果是，则判断优选训练样本和候选训练样本的数量是否超过预设的数量阈值，若是，则删除所述历史导航路线对应的训练样本，若否，则对异常的路线特征信息进行修正。

4.根据权利要求2所述的方法，其特征在于，所述方法进一步包括：

若路线特征信息为数值，则将所述路线特征信息归一化为满足预设的数值范围的数值，所述预设的数值范围与所述路线特征信息的类型相对应。

5.一种导航路线排序装置，其特征在于，包括：

导航路线规划模块，用于根据起始地和目的地，规划从所述起始地到所述目的地的两条以上的导航路线；

路线特征信息获取模块，用于获取各条导航路线的路线特征信息；

排序代价计算模块，用于将每条导航路线的路线特征信息作为预先训练过的导航路线排序模型的输入，利用所述导航路线排序模型，得到各条导航路线的排序代价；

排序模块，用于按照所述导航路线的排序代价，对所述导航路线进行排序；

所述导航路线排序模型的训练方法包括：根据有效的历史导航路线和无效的历史导航路线，生成训练样本对，采用两两标注排序算法，对所述训练样本对进行训练，得到导航路线排序模型的参数值；所述训练样本对包括一条优选训练样本和一条候选训练样本，其中，一条有效的历史导航路线对应一条优选训练样本，一条无效的历史导航路线对应一条候选训练样本；

分类模块，用于按照预设的分类原则，将所述优选训练样本和候选训练样本进行分类；所述训练样本组合模块具体用于，对属于同一个分类中的优选训练样本和候选训练样本进行组合，得到训练样本对。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

训练样本生成模块，用于根据有效的历史导航路线和无效的历史导航路线，生成优选训练样本和候选训练样本，其中，一条有效的历史导航路线对应一条优选训练样本，一条无效的历史导航路线对应一条候选训练样本，训练样本包括对应的历史导航路线的路线特征信息；

训练样本组合模块，用于将所述优选训练样本和候选训练样本进行组合，得到训练样本对，一个训练样本对中包括一条优选训练样本和一条候选训练样本；

模型训练模块，用于采用两两标注排序算法，对所述训练样本对进行训练，得到导航路线排序模型的参数值。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

第一判断模块，用于判断历史导航路线的路线特征信息中是否存在异常的路线特征信息；

第二判断模块，用于当所述第一判断模块判断历史导航路线的路线特征信息中存在异常的路线特征信息时，判断优选训练样本和候选训练样本的数量是否超过预设的数量阈值；

异常数据删除模块，用于当所述第二判断模块判断优选训练样本和候选训练样本的数量超过预设的数量阈值时，删除所述历史导航路线对应的训练样本；

修正模块，用于当所述第二判断模块判断优选训练样本和候选训练样本的数量没有超过预设的数量阈值时，对异常的路线特征信息进行修正。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：

归一化处理模块，用于当路线特征信息为数值时，将所述路线特征信息归一化为满足预设的数值范围的数值，所述预设的数值范围与所述路线特征信息的类型相对应。

Images