CN109724611B - 路径规划方法、装置、电子设备及存储介质 - Google Patents
路径规划方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109724611B CN109724611B CN201910017353.5A CN201910017353A CN109724611B CN 109724611 B CN109724611 B CN 109724611B CN 201910017353 A CN201910017353 A CN 201910017353A CN 109724611 B CN109724611 B CN 109724611B
- Authority
- CN
- China
- Prior art keywords
- path
- network
- time
- paths
- path planning
- 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.)
- Active
Links
Images
Landscapes
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种路径规划方法,属于计算机技术领域,解决了现有技术中进行路径规划时依赖实时交通数据的问题。本申请公开的路径规划方法包括:将指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络;根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时;选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重;根据设置有边权重的所述全局路径网络,进行最短耗时路径规划。本申请公开的方法通过结合全局路径网络和路径规划场景特征进行路径规划,不依赖实时交通数据。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种路径规划方法、装置、电子设备及存储介质。
背景技术
互联网地图中对路径规划的实时响应性能要求越来越高。现有技术中的路径规划通常为单目的地的时间最短或距离最短的路径规划。对于多目的地或限定途经点的路径规划研究甚少。随着拼车、或外买业务大发展,多目的地的路径规划需求越来越多,现有的但目的地的路径规划方法无法满足多目的地的路径规划需求。有人提出了解决多目的地的路径规划的方案,以交通网的多源实时交通数据作为路径规划依据数据预测任意两地点之间的行车时间;然后,对预测行车时间进行归一化处理,以转化为连接任意相邻的两个地点对应的图节点的边的权重;最后,对节点间最短路径算法进行并行化处理,以获取任意相邻的两个节点之间的行车时间的最优路径。
上述技术方案虽然解决了多目的地的路径规划问题,但是其仅以实时交通数据作为路径规划依据数据预测任意两地点之间的行车时间,影响路径规划的参考因素较少,路径规划优化程度有限。并且,当无法获取实时交通数据时,现有技术方案无法实现路径规划。
发明内容
本申请提供一种路径规划方法,有助于解决多目的地或多途经点的复杂应用场景中当无法获取实时交通数据时,无法进行路径规划的问题。
为了解决上述问题,第一方面,本申请实施例提供了一种路径规划方法,包括:
将指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络,其中,所述出发地点和所述目的地点不直接连接;
根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时;
选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重;
根据设置有边权重的所述全局路径网络,进行最短耗时路径规划。
第二方面,本申请实施例提供了一种路径规划装置,包括:
全局路径网络构建模块,用于将指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络,其中,所述出发地点和所述目的地点不直接连接;
节点对路径及耗时确定模块,用于根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时;
网络加权模块,用于选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重;
路径规划模块,用于根据设置有边权重的所述全局路径网络,进行最短耗时路径规划。
第三方面,本申请实施例还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请实施例所述的路径规划方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时本申请实施例公开的路径规划方法的步骤。
本申请实施例公开的路径规划方法,通过首先将指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络,其中,所述出发地点和所述目的地点不直接连接;然后,根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时;并选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重;最后,根据设置有边权重的所述全局路径网络,进行最短耗时路径规划。本申请实施例公开的路径规划方法通过结合全局路径网络和路径规划场景特征进行路径规划,其中,全局路径网络根据电子地图数据构建,不依赖于实时交通数据,当无法获取实时交通数据时,仍然可以进行路径规划,应用场景更广泛,实用性更强。
附图说明
为了更清楚地说明本申请实施例的技术方案,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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一的路径规划方法流程图;
图2是本申请实施例一的路径规划方法构建的全局路径网络示意图;
图3是本申请实施例一中设置了边权重的全局路径网络示意图;
图4是本申请实施例二的路径规划方法流程图;
图5是本申请实施例三的路径规划装置结构示意图之一;
图6是本申请实施例三的路径规划装置结构示意图之二。
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作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。
实施例一
本实施例公开的一种路径规划方法,如图1所示,该方法包括:步骤110至步骤140。
步骤110,将指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络。
其中,所述出发地点和所述目的地点不直接连接。
具体实施时,将指定的出发地点、目的地点和途经地点,以及电子地图上的其他地点,映射为网络节点,然后,以将各所述网络节点两两连接而成的路径构建全局路径网络。例如,首先,将指定的出发地点、目的地点和途经地点,以及电子地图上的其他地点映射为网络节点;然后,根据历史交通数据确定若干路径,并根据确定的路径信息确定连接各节点的边,以构建全局路径网络。或者,通过枚举法确定若干路径,并根据确定的路径信息确定连接各节点的边,以构建全局路径网络。还可以通过现有技术中的其他方法,基于复杂网络理论构建全局路径网络,本申请实施例中对构建全局路径网络的具体方案不再一一例举。
得到的示意图如图2所示,在构建的全局路径网络中出发地点、目的地点不直接连接。
步骤120,根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时。
然后,对于所述全局路径网络中的任意两个网络节点,即包括出发地点、目的地点、途经地点以及电子地图中的其他地点对应的节点,分别基于所述全局路径网络,确定所述任意两个网络节点之间的路径。进一步的,对于所述任意两个网络节点之间的路径,通过预先训练的机器学习模型预估每条所述路径对应的耗时。对于所述任意两个网络节点之间的路径,将最短的所述耗时对应的路径,或最短耗时对应的距离最短的路径,作为所述任意两个网络节点之间的最优路径。
步骤130,选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重。
具体实施时,可以通过为该条最优路径对应的所述全局路径网络中的边设置相应的权重,得到有权网络。例如,将该条最优路径的耗时作为该条最优路径对应的所述全局路径网络中的边设置相应的权重,得到有权网络。例如,图2所示的全局路径网络中任意两个网络节点的路径以及该路径的耗时确定之后,假设出发地点到途经地点1之间的路径为包括“出发地点-途经地点1”和“出发地点-途经地点2-途经地点1”,路径“出发地点-途经地点1”的耗时最短,为20分钟,则将路径“出发地点-途经地点1”对应的耗时(即20分钟)作为路径“出发地点-途经地点1”对应的所述全局路径网络中的边的权重。同理,在所述全局路径网络中确定其他节点之间的耗时最短的路径对应的边,并设置该边的权重为相应的最短耗时,最后,将得到如图3所示的有权全局路径网络。
步骤140,根据设置有边权重的所述全局路径网络,进行最短耗时路径规划。
最后,根据设置有边权重的所述全局路径网络,即前述步骤中得到的有权网络,进行最短耗时路径规划。例如,基于前述步骤中得到的有权网络,采用人工智能领域经典搜索算法A-star(百度之星)算法或者Dijkstra(狄克斯特拉)算法,进行最短耗时的路径规划。由于对距离最短路径对应的网络中的边设置了相应的权重,因此,A-star算法或Dijkstra算法在搜索时间最短路径时,会优先搜索到距离最短路径,所以,搜索到的最短耗时的路径通常也是距离最短的路径。
本申请实施例公开的路径规划方法,通过首先将指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络,其中,所述出发地点和所述目的地点不直接连接;然后,根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时;并选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重;最后,根据设置有边权重的所述全局路径网络,进行最短耗时路径规划,解决了现有技术中多目的地或多途经点的复杂应用场景中进行路径规划时必须依赖实时交通数据,当无法获取实时交通数据时,无法进行路径规划的问题。本申请实施例公开的路径规划方法通过结合全局路径网络和路径规划场景特征进行路径规划,其中,全局路径网络根据电子地图数据构建,不依赖于实时交通数据,当无法获取实时交通数据时,仍然可以进行路径规划,应用场景更广泛,实用性更强。
同时,在进行路径规划时考虑了路径规划场景特征,相较于现有技术中仅根据交通数据进行路径规划,由于考虑了更多对路径规划的影响因素,因此,有助于提升路径规划的准确性。
实施例二
本实施例公开的一种路径规划方法,如图4所示,该方法包括:步骤410至步骤460。
步骤410,根据历史交通数据确定若干条路径的信息,作为训练样本。
步骤420,基于回归算法训练用于预测路径耗时的机器学习模型。
在本申请的一些实施例中,所述根据路径规划场景特征和所述网络特征,预测所述距离最短的K条路径分别对应的耗时之前,还包括:根据历史交通数据确定若干条路径的信息,作为训练样本;其中,每条所述训练样本的特征包括以下至少一项:相应路径的网络特征和路径规划场景特征,所述训练样本的标签为相应路径的最短耗时;基于回归算法训练用于预测路径耗时的机器学习模型。
在本申请的一些实施例中,可以根据真实交通网络图的历史交通数据确定历史行程中的若干路径的信息,其中,每条路径的信息可以包括:起始地点、途经地点、目的地点、耗时,该历史行程发生时的天气状况、执行司机和车型等信息。然后,基于所述真实交通网络图确定电子地图中每个地点对应的网络图中的节点的网络评价指标,所述网络评价指标包括以下至少一项:度、簇系数、介数。其中,所述真实交通网络图通常为以将各所述网络节点两两连接而成的路径构建的路径网络。
进一步的,根据所述网络评价指标,计算每条路径的网络特征。具体实施时,路径的所述网络特征根据相应路径的网络评价指标确定,所述网络特征包括以下至少一项:度特征、簇系数特征、介数特征。本实施例中以所述网络特征包括度特征、簇系数特征、介数特征举例说明网络特征的确定方法。
在本申请的一些实施例中,所述度特征为相应路径包含的所有节点的度的乘积;所述簇系数特征为相应路径包含的所有节点的簇系数的乘积;所述介数特征为相应路径包含的所有节点的介数的乘积。其中,节点的度为与该节点直接连接的节点数目,也称邻居节点数目;节点的簇系数为所有相邻节点之间连边的数目占可能的最大连边数目k(k-1)/2,k为节点数,为大于1的整数)的比例;节点的介数为通过该节点最短路径条数。此处的路径为历史交通数据中行程中的路径。
具体实施时,根据每条历史行程的信息可以确定该历史行程中路径的路径规划场景特征。所述路径规划场景特征为影响路径耗时的特征,如该历史行程发生时的天气状况、执行司机和车型等信息。具体实施时,所述路径规划场景特征包括以下至少一项:天气特征、时间特征、司机特征、车型特征。其中,天气特征用于指示天气的类别,如取值为雨、雪、雾霾、晴中的一个类型值;时间特征用于指示行程中路径的执行时刻,如取值以小时为单位的时间值;司机特征用于指示执行该路径的司机的人物画像信息,如司机的从业年限;车型特征用于指示执行该路径车型,如小汽车、卡车等类型值。
最后,对于每一条历史行程中的路径,将该条路径的网络特征和路径规划场景特征作为样本特征,该条路径的行程耗时作为相应样本标签,构建该条路径对应的训练样本。依次方法,得到若干条路径对应的训练样本。并基于得到的训练样本训练用于预测路径耗时的机器学习模型。
具体实施时,可以采用开源工具XGBOOST中的回归算法,基于上述训练样本,训练机器学习模型;也可以采用现有技术中的其他方法,基于上述训练样本,训练机器学习模型。本申请对基于上述训练样本,训练机器学习模型的具体方法不做限定。
步骤430,将指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络。
其中,所述出发地点和所述目的地点不直接连接。
将指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络的具体实施方式参见实施例一和现有技术,本实施例不再赘述。
步骤440,根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时。
在本申请的一些实施例中,所述根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时,包括:对于任意两个所述网络节点,确定所述距离最短的K条路径;确定所述距离最短的K条路径各自的网络特征;根据路径规划场景特征和所述网络特征,预测所述距离最短的K条路径分别对应的耗时。
进一步的,所述根据路径规划场景特征和所述网络特征,预测所述距离最短的K条路径分别对应的耗时,包括:对于所述距离最短的K条路径中的每条路径,将路径规划场景特征和该条路径的网络特征输入至预先训练的机器学习模型,预测该条路径对应的耗时;其中,所述网络特征包括以下至少一项:度特征、簇系数特征、介数特征;所述路径规划场景特征包括以下至少一项:天气特征、时间特征、司机特征、车型特征。
前述步骤中构建的所述全局路径网络中的网络节点包括:出发地点、目的地点、途经地点以及电子地图中的其他地点对应的节点,具体实施时,可以以任意两个节点作为一个节点对,基于所述全局路径网络,以该节点对作为起始地点和终止地点,通过A-star算法或Dijkstra算法基于所述全局路径网络进行路径规划,确定连接所述起始地点和途经地点1之间的K条距离最短路径。其中,K为大于等于1的整数。然后,确定连接所述起始地点和途经地点1之间的每条距离最短路径中各节点的度特征、簇系数特征以及介数特征网络特征,作为该条距离最短路径的网络特征,并根据当前读经规划场景提取路径规划场景特征,例如天气特征、时间特征、司机特征、车型特征中的任意一项或多项。之后,将所述网络特征和提取的路径规划场景特征输入至前述步骤中训练的机器学习模型,通过所述机器学习模型预测该条距离最短路径的耗时。该节点对所述任意两个所述网络节点之间的K条距离最短路径各自的网络特征;根据路径规划场景特征和所述网络特征,预测所该条距离最短路径对应的耗时。按照上述方法,可以得到连接所述起始地点和途经地点1之间的K条距离最短路径各自对应的耗时。最后,将这K条距离最短路径中对应的耗时最短的路径,作为所述起始地点和途经地点1之间的最优路径。
在本申请的一些实施例中,所述度特征为相应路径包含的所有节点的度的乘积;所述簇系数特征为相应路径包含的所有节点的簇系数的乘积;所述介数特征为相应路径包含的所有节点的介数的乘积。此处的路径为当前距离最短路径。
按照此方法,可以确定所述全局路径网络中的任意两个网络节点对应的地点之间的最优路径,即距离最短且时间最短的路径,并得到预测的各最优路径对应的耗时。
步骤450,选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重。
接下来,对于前述步骤确定的每一条最优路径,设置所述全局路径网络中与每条最优路径对应的边的权重为与所述最有路径的耗时匹配的值。
选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重的具体实施方式参见实施例一,本实施例不再赘述。
步骤460,根据设置有边权重的所述全局路径网络,进行最短耗时路径规划。
根据设置有边权重的所述全局路径网络,进行最短耗时路径规划的具体实施方式参见实施例一和现有技术,本实施例不再赘述。
本申请实施例公开的路径规划方法,通过预先根据历史交通数据训练预测耗时的机器学习模型,然后,在线上路径规划时,首先根据指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络,其中,出发地点、目的地点不直接连接;然后,根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时;并选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重;最后,根据设置有边权重的所述全局路径网络,进行最短耗时路径规划,解决了现有技术中多目的地或多途经点的复杂应用场景中进行路径规划时必须依赖实时交通数据,当无法获取实时交通数据时,无法进行路径规划的问题。本申请实施例公开的路径规划方法通过结合全局路径网络和路径规划场景特征进行路径规划,其中,全局路径网络根据电子地图数据构建,不依赖于实时交通数据,当无法获取实时交通数据时,仍然可以进行路径规划,应用场景更广泛,实用性更强。
本申请实施例公开的路径规划方法,从图挖掘(Graph Mining)角度出发,抽取了只有建立路径网络才能得到的特征,比如节点度、簇系数等路径网络的统计特征,通过这样方式获取更加丰富的上下文特征。并且,基于路径网络抽取的特征抗躁性更强,可以弥补天气、路况等路径规划场景信息中的噪声,以提升路径规划的准确性。
同时,行车时间不仅仅与实时交通路况有关,还受到其他外界因素,如天气、车型、司机本人的影响,仅仅依赖实时路况无法对路径耗时作出准确的预测。本申请实施例公开的路径规划方法,在进行路径规划时考虑了路径规划场景特征,如:天气特征、时间特征、司机特征、车型特征,相较于现有技术中仅根据交通数据进行路径规划,由于考虑了更多对路径规划的影响因素,因此,有助于提升路径规划的准确性。
通过基于历史交通数据构建路径网络,抽取更多影响路段耗时的因素进行机器学习,通过机器学习的方式,对路段耗时进行准确预测,最后采用传统的路径规划算法,实现对最短耗时路径的规划,同归对更多的实际数据进行机器学习以预测路径的耗时,可以提升路径耗时预测的准确性,进一步提升全局路径网络中边权重的匹配度,从而有效提升了路径规划的准确性。
实施例三
本实施例公开的一种路径规划装置,如图5所示,所述装置包括:
全局路径网络构建模块510,用于将指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络,其中,所述出发地点和所述目的地点不直接连接;
节点对路径及耗时确定模块520,用于根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时;
网络加权模块530,用于选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重;
路径规划模块540,用于根据设置有边权重的所述全局路径网络,进行最短耗时路径规划。
在本申请的一些实施例中,如图6所示,所述节点对路径及耗时确定模块520进一步包括:
节点对距离最短路径确定子模块5201,用于对于任意两个所述网络节点,确定所述任意两个所述网络节点之间的距离最短的K条路径;
最短路径耗时预测子模块5202,用于确定所述距离最短的K条路径各自的网络特征;以及,
根据路径规划场景特征和所述网络特征,预测所述距离最短的K条路径分别对应的耗时。
在本申请的一些实施例中,所述根据路径规划场景特征和所述网络特征,预测所述距离最短的K条路径分别对应的耗时,包括:
对于所述距离最短的K条路径中的每条路径,将路径规划场景特征和该条路径的网络特征输入至预先训练的机器学习模型,预测该条路径对应的耗时;
其中,所述网络特征包括以下至少一项:度特征、簇系数特征、介数特征;所述路径规划场景特征包括以下至少一项:天气特征、时间特征、司机特征、车型特征。
在本申请的一些实施例中,如图6所示,所述装置还包括:
机器学习模型训练模块550,用于根据历史交通数据确定若干条路径的信息,作为训练样本;其中,每条所述训练样本的特征包括以下至少一项:相应路径的网络特征和路径规划场景特征,所述训练样本的标签为相应路径的最短耗时;
基于回归算法训练用于预测路径耗时的机器学习模型。
在本申请的一些实施例中,路径的所述网络特征根据相应路径的网络评价指标确定,所述网络评价指标包括以下至少一项:度、簇系数、介数;
所述度特征为相应路径包含的所有节点的度的乘积;
所述簇系数特征为相应路径包含的所有节点的簇系数的乘积;
所述介数特征为相应路径包含的所有节点的介数的乘积。
具体实施时,训练机器学习模型时,所述路径的网络特征的获取方法与线上进行路径规划时,所述路径的网络特征的获取方法相同。训练机器学习模型时,所述路径为历史交通数据中行程中的路径,线上进行路径规划时,所述路径为当前距离最短路径。
本申请实施例公开的路径规划装置,用于实现本申请实施例一和实施例二中所述的路径规划方法的各步骤,装置的各模块的具体实施方式参见相应步骤,此处不再赘述。
本申请实施例公开的路径规划装置,通过根据指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络,其中,出发地点、目的地点不直接连接;然后,根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时;并选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重;最后,根据设置有边权重的所述全局路径网络,进行最短耗时路径规划,解决了现有技术中多目的地或多途经点的复杂应用场景中进行路径规划时必须依赖实时交通数据,当无法获取实时交通数据时,无法进行路径规划的问题。本申请实施例公开的路径规划装置通过结合全局路径网络和路径规划场景特征进行路径规划,其中,全局路径网络根据电子地图数据构建,不依赖于实时交通数据,当无法获取实时交通数据时,仍然可以进行路径规划,应用场景更广泛,实用性更强。
本申请实施例公开的路径规划方法,从图挖掘(Graph Mining)角度出发,抽取了只有建立路径网络才能得到的特征,比如节点度、簇系数等路径网络的统计特征,通过这样方式获取更加丰富的上下文特征。并且,基于路径网络抽取的特征抗躁性更强,可以弥补天气、路况等路径规划场景信息中的噪声,以提升路径规划的准确性。
同时,行车时间不仅仅与实时交通路况有关,还受到其他外界因素,如天气、车型、司机本人的影响,仅仅依赖实时路况无法对路径耗时作出准确的预测。本申请实施例公开的路径规划装置,在进行路径规划时考虑了路径规划场景特征,如:天气特征、时间特征、司机特征、车型特征,相较于现有技术中仅根据交通数据进行路径规划,由于考虑了更多对路径规划的影响因素,因此,有助于提升路径规划的准确性。
通过基于历史交通数据构建路径网络,抽取更多影响路段耗时的因素进行机器学习,通过机器学习的方式,对路段耗时进行准确预测,最后采用传统的路径规划算法,实现对最短耗时路径的规划,同归对更多的实际数据进行机器学习以预测路径的耗时,可以提升路径耗时预测的准确性,进一步提升全局路径网络中边权重的匹配度,从而有效提升了路径规划的准确性。
相应的,本申请还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例一和实施例二所述的路径规划方法。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。
本申请还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例一和实施例二所述的路径规划方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本申请提供的一种路径规划方法及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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
Claims (10)
1.一种路径规划方法,其特征在于,包括:
将指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络,其中,所述出发地点和所述目的地点不直接连接;
根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时;
选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重;
根据设置有边权重的所述全局路径网络,进行最短耗时路径规划;
其中,所述根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时的步骤,包括:
对于任意两个所述网络节点,确定所述任意两个所述网络节点之间的距离最短的K条路径;
确定所述距离最短的K条路径各自的网络特征;
根据路径规划场景特征和所述网络特征,预测所述距离最短的K条路径分别对应的耗时;
其中,所述网络特征包括以下至少一项:度特征、簇系数特征、介数特征;所述路径规划场景特征包括以下至少一项:天气特征、时间特征、司机特征、车型特征。
2.根据权利要求1所述的方法,其特征在于,所述根据路径规划场景特征和所述网络特征,预测所述距离最短的K条路径分别对应的耗时的步骤,包括:
对于所述距离最短的K条路径中的每条路径,将路径规划场景特征和该条路径的网络特征输入至预先训练的机器学习模型,预测该条路径对应的耗时。
3.根据权利要求2所述的方法,其特征在于,所述根据路径规划场景特征和所述网络特征,预测所述距离最短的K条路径分别对应的耗时的步骤之前,还包括:
根据历史交通数据确定若干条路径的信息,作为训练样本;其中,每条所述训练样本的特征包括以下至少一项:相应路径的网络特征和路径规划场景特征,所述训练样本的标签为相应路径的最短耗时;
基于回归算法训练用于预测路径耗时的机器学习模型。
4.根据权利要求3所述的方法,其特征在于,所述网络特征根据相应路径的网络评价指标确定,所述网络评价指标包括以下至少一项:度、簇系数、介数;
所述度特征为相应路径包含的所有节点的度的乘积;
所述簇系数特征为相应路径包含的所有节点的簇系数的乘积;
所述介数特征为相应路径包含的所有节点的介数的乘积。
5.一种路径规划装置,其特征在于,包括:
全局路径网络构建模块,用于将指定的出发地点、目的地点和途经地点映射为网络节点,以将各所述网络节点两两连接而成的路径构建全局路径网络,其中,所述出发地点和所述目的地点不直接连接;
节点对路径及耗时确定模块,用于根据路径规划场景特征和所述全局路径网络的网络特征,确定任意两个所述网络节点之间的路径对应的耗时;
网络加权模块,用于选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边,并将所述最短耗时作为所述边的权重;
路径规划模块,用于根据设置有边权重的所述全局路径网络,进行最短耗时路径规划;
所述节点对路径及耗时确定模块进一步包括:
节点对距离最短路径确定子模块,用于对于任意两个所述网络节点,确定所述任意两个所述网络节点之间的距离最短的K条路径;
最短路径耗时预测子模块,用于确定所述距离最短的K条路径各自的网络特征;以及,
根据路径规划场景特征和所述网络特征,预测所述距离最短的K条路径分别对应的耗时;
其中,所述网络特征包括以下至少一项:度特征、簇系数特征、介数特征;所述路径规划场景特征包括以下至少一项:天气特征、时间特征、司机特征、车型特征。
6.根据权利要求5所述的装置,其特征在于,所述根据路径规划场景特征和所述网络特征,预测所述距离最短的K条路径分别对应的耗时,包括:
对于所述距离最短的K条路径中的每条路径,将路径规划场景特征和该条路径的网络特征输入至预先训练的机器学习模型,预测该条路径对应的耗时。
7.根据权利要求6所述的装置,其特征在于,还包括:
机器学习模型训练模块,用于根据历史交通数据确定若干条路径的信息,作为训练样本;其中,每条所述训练样本的特征包括以下至少一项:相应路径的网络特征和路径规划场景特征,所述训练样本的标签为相应路径的最短耗时;
基于回归算法训练用于预测路径耗时的机器学习模型。
8.根据权利要求7所述的装置,其特征在于,所述网络特征根据相应路径的网络评价指标确定,所述网络评价指标包括以下至少一项:度、簇系数、介数;
所述度特征为相应路径包含的所有节点的度的乘积;
所述簇系数特征为相应路径包含的所有节点的簇系数的乘积;
所述介数特征为相应路径包含的所有节点的介数的乘积。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任意一项所述的路径规划方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至4任意一项所述的路径规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910017353.5A CN109724611B (zh) | 2019-01-08 | 2019-01-08 | 路径规划方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910017353.5A CN109724611B (zh) | 2019-01-08 | 2019-01-08 | 路径规划方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109724611A CN109724611A (zh) | 2019-05-07 |
CN109724611B true CN109724611B (zh) | 2020-07-17 |
Family
ID=66298910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910017353.5A Active CN109724611B (zh) | 2019-01-08 | 2019-01-08 | 路径规划方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109724611B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097288B (zh) * | 2019-05-08 | 2023-11-10 | 哈尔滨工业大学(威海) | 一种基于图搜索的城市众包配送任务分配方法及装置 |
CN110702129B (zh) * | 2019-05-31 | 2022-02-18 | 北京嘀嘀无限科技发展有限公司 | 用于路径规划的系统和方法 |
WO2021051221A1 (en) * | 2019-09-16 | 2021-03-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for evaluating driving path |
CN110954119B (zh) * | 2019-11-11 | 2022-02-18 | 广东振业优控科技股份有限公司 | 一种基于大数据的城市道路机动车最优线路诱导方法 |
CN111160665A (zh) * | 2019-12-31 | 2020-05-15 | 科技谷(厦门)信息技术有限公司 | 大件货物运输线路规划系统及方法 |
CN111337041A (zh) * | 2020-02-25 | 2020-06-26 | 深圳震有科技股份有限公司 | 一种电子导航路线的生成方法、智能终端及存储介质 |
CN111461403B (zh) * | 2020-03-06 | 2023-09-29 | 上海汽车集团股份有限公司 | 车辆路径规划方法及装置、计算机可读存储介质、终端 |
CN113516424B (zh) * | 2020-04-10 | 2024-04-12 | 北京京东振世信息技术有限公司 | 一种线路生成方法、装置、电子设备和存储介质 |
CN111982138B (zh) * | 2020-07-09 | 2022-06-28 | 北京百度网讯科技有限公司 | 预测模型获取及路径规划方法、装置及存储介质 |
CN111784260A (zh) * | 2020-07-14 | 2020-10-16 | 国网北京市电力公司 | 运输规划方法、装置、存储介质及处理器 |
CN112308315A (zh) * | 2020-10-29 | 2021-02-02 | 广西中烟工业有限责任公司 | 一种多点智能路径规划方法及系统 |
CN112347313A (zh) * | 2020-11-10 | 2021-02-09 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于大数据的区位优势度路径分析方法 |
CN112734084A (zh) * | 2020-12-18 | 2021-04-30 | 平安银行股份有限公司 | 实时智能调度银行外出业务员的方法、装置、设备和介质 |
CN112697162B (zh) * | 2020-12-23 | 2023-03-17 | 千方捷通科技股份有限公司 | 一种巡检路线规划方法、装置、存储介质及终端 |
CN112629552B (zh) * | 2021-01-04 | 2022-06-07 | 福州大学 | 基于通信均衡的图分区的机动车最短行车路线规划方法 |
CN112862625A (zh) * | 2021-01-07 | 2021-05-28 | 国网浙江杭州市余杭区供电有限公司 | 一种基于Dijkstra算法的供电路径获取方法 |
CN113686349A (zh) * | 2021-10-27 | 2021-11-23 | 深圳市羽翼数码科技有限公司 | 一种感知特定环境的适应性路径规划导航系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243841A (zh) * | 2015-10-10 | 2016-01-13 | 苏州派瑞雷尔智能科技有限公司 | 基于网页地图的实时路况采集与预测方法 |
CN106052692A (zh) * | 2016-05-20 | 2016-10-26 | 中国地质大学(武汉) | 一种最短路径规划导航方法及系统 |
CN106228268A (zh) * | 2016-07-26 | 2016-12-14 | 北京航空航天大学 | 一种基于收费数据的高速公路旅行时间的预测方法 |
CN108303108A (zh) * | 2017-12-05 | 2018-07-20 | 华南理工大学 | 一种基于车辆历史轨迹的个性化路线推荐方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7739040B2 (en) * | 2006-06-30 | 2010-06-15 | Microsoft Corporation | Computation of travel routes, durations, and plans over multiple contexts |
CN104183135B (zh) * | 2014-09-05 | 2016-09-14 | 广州市香港科大霍英东研究院 | 车辆行进开销的估计方法及系统 |
CN105551244B (zh) * | 2015-12-08 | 2017-12-05 | 招商局重庆交通科研设计院有限公司 | 一种动态路径规划方法 |
-
2019
- 2019-01-08 CN CN201910017353.5A patent/CN109724611B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243841A (zh) * | 2015-10-10 | 2016-01-13 | 苏州派瑞雷尔智能科技有限公司 | 基于网页地图的实时路况采集与预测方法 |
CN106052692A (zh) * | 2016-05-20 | 2016-10-26 | 中国地质大学(武汉) | 一种最短路径规划导航方法及系统 |
CN106228268A (zh) * | 2016-07-26 | 2016-12-14 | 北京航空航天大学 | 一种基于收费数据的高速公路旅行时间的预测方法 |
CN108303108A (zh) * | 2017-12-05 | 2018-07-20 | 华南理工大学 | 一种基于车辆历史轨迹的个性化路线推荐方法 |
Non-Patent Citations (3)
Title |
---|
常磊等.考虑多方式换乘的公交网络最优路径算法.《浙江大学学报》.2011,第38卷(第6期),第701页-第707页. * |
物流配送的路径优化与行程时间预测;叶创鑫;《暨南大学》;20111031;正文第36-46页 * |
考虑多方式换乘的公交网络最优路径算法;常磊等;《浙江大学学报》;20111130;第38卷(第6期);第701页-第707页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109724611A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109724611B (zh) | 路径规划方法、装置、电子设备及存储介质 | |
CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
Sun et al. | Urban travel behavior analyses and route prediction based on floating car data | |
CN109974735B (zh) | 到达时间的预估方法、装置及计算机设备 | |
CN111489553A (zh) | 一种路线规划方法、装置、设备和计算机存储介质 | |
CN113758494B (zh) | 导航路径规划方法、装置、设备和存储介质 | |
US20110161261A1 (en) | Method and system for traffic prediction based on space-time relation | |
CN108444486B (zh) | 一种导航路线排序方法和装置 | |
CN113762595B (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
JP5070574B2 (ja) | 局所交通量予測プログラム生成装置、局所交通量予測装置、局所交通量予測プログラム生成方法、局所交通量予測方法及びプログラム | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
Necula | Dynamic traffic flow prediction based on GPS data | |
CN109141455A (zh) | 导航路径规划方法及服务器 | |
CN111862590A (zh) | 路况预测方法、装置及存储介质 | |
CN111429744A (zh) | 一种路况信息融合分析的方法、装置及存储介质 | |
CN111737826B (zh) | 一种基于增强学习的轨道交通自动仿真建模方法及装置 | |
Saha et al. | Network model for rural roadway tolling with pavement deterioration and repair | |
CN113970338A (zh) | 一种出行模式推荐方法、相关方法及装置和系统 | |
CN111862591A (zh) | 路况预测方法、装置及存储介质 | |
CN110765662B (zh) | 一种基于空间句法的公路工程路线设计和评价方法 | |
CN113902427B (zh) | 一种预估到达时间的确定方法、装置、设备及存储介质 | |
Ajani et al. | Dynamic path planning approaches based on artificial intelligence and machine learning | |
CN115495701A (zh) | 一种一致性电动汽车充电负荷时空分布预测方法 | |
CN113420942A (zh) | 一种基于深度q学习的环卫车实时路线规划方法 | |
Ptošek et al. | Floating car data map-matching utilizing the Dijkstra’s algorithm |
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 |