CN110309438A - 行车路径的推荐方法、装置、计算机存储介质及电子设备 - Google Patents

行车路径的推荐方法、装置、计算机存储介质及电子设备 Download PDF

Info

Publication number
CN110309438A
CN110309438A CN201910601464.0A CN201910601464A CN110309438A CN 110309438 A CN110309438 A CN 110309438A CN 201910601464 A CN201910601464 A CN 201910601464A CN 110309438 A CN110309438 A CN 110309438A
Authority
CN
China
Prior art keywords
driving path
planning driving
user
probability
feature
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.)
Pending
Application number
CN201910601464.0A
Other languages
English (en)
Inventor
魏启航
万国程
孙澄澄
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.)
Taikang Insurance Group Co Ltd
Taikang Online Property Insurance Co Ltd
Original Assignee
Taikang Insurance Group Co Ltd
Taikang Online Property Insurance 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 Taikang Insurance Group Co Ltd, Taikang Online Property Insurance Co Ltd filed Critical Taikang Insurance Group Co Ltd
Priority to CN201910601464.0A priority Critical patent/CN110309438A/zh
Publication of CN110309438A publication Critical patent/CN110309438A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本公开涉及数据处理技术领域，提供了一种行车路径的推荐方法及装置、计算机存储介质、电子设备，其中，行车路径的推荐方法包括：获取用户的行车路径集以及与所述行车路径集相关的至少一个用户特征，其中，所述行车路径集包含至少两条行车路径；收集与所述用户特征相关的样本数据；根据所述样本数据确定所述行车路径的使用概率；根据所述使用概率向所述用户推荐目标行车路径。本公开提供的行车路径的推荐方法使得推荐路径满足用户的个性化需求，有利于提升用户的导航体验。

Description

行车路径的推荐方法、装置、计算机存储介质及电子设备
技术领域
本公开涉及数据处理技术领域，特别涉及一种行车路径的推荐方法、行车路径的推荐装置、计算机存储介质及电子设备。
背景技术
导航系统在人们出行过程中扮演着重要的角色，同时人们对导航系统的依赖性也大幅提升。
现有的相关技术中，导航系统根据出发地、目的地和实时道路拥堵情况选择一条用时最短的推荐给使用者。然而，现实生活中，选择路径情况复杂得多，如路段维护不善导致不平整，相同距离高速费收费价格有高有低，每条道路车道数量、红绿灯数量、夜间照明程度等也不同，使用者往往有一条自己熟悉且更优的行车线路。
可见，现有的导航系统并不能满足用户的个性化导航需求，用户的导航体验有待提高。
需要说明的是，上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开的目的在于提供一种行车路径的推荐方法、行车路径的推荐装置、计算机存储介质及电子设备，进而至少在一定程度上避免了现有技术中的行车路径的推荐方法不能满足用户的个性化导航需求的缺陷。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种行车路径的推荐方法，包括：
获取用户的行车路径集以及与所述行车路径集相关的至少一个用户特征，其中，所述行车路径集包含至少两条行车路径；
收集与所述用户特征相关的样本数据；
根据所述样本数据确定所述行车路径的使用概率；
根据所述使用概率向所述用户推荐目标行车路径。
在本公开的示例性实施例中，基于前述方案，所述用户特征为包括至少两个子特征的第一特征，其中，
收集与所述用户特征相关的样本数据，包括：
收集所述用户的行车路径的历史数据；
针对每一所述子特征，根据所述历史数据统计所述用户对所述行车路径集中不同行车路径的使用次数作为所述样本数据。
在本公开的示例性实施例中，基于前述方案，根据所述样本数据确定所述行车路径的使用概率，包括：
根据叶贝斯公式计算所述使用概率：
P(A＝am|B＝bn)＝P(B＝bn|A＝am)*P(A＝am)/P(B＝bn)
其中，A为所述行车路径集，am为所述行车路径集中的一条行车路径，
B为所述第一特征，bn为所述第一特征中的不同子特征，
P(A＝am|B＝bn)为第一特征B为bn子特征的条件下，用户使用行车路径集A中的行车路径am的概率，
P(B＝bn|A＝am)为行车路径集A中的行车路径am的条件下，第一特征B为bn子特征的概率，
P(A＝am)为行车路径集A中的行车路径am的概率，以及
P(B＝bn)为第一特征B为bn子特征的概率。
在本公开的示例性实施例中，基于前述方案，
所述第一特征为出行时间特征或驾驶年龄特征，
其中，所述出行时间特征包含至少两个时间段子特征，所述驾驶年龄特征包含至少两个年龄段子特征。
在本公开的示例性实施例中，基于前述方案，所述用户特征包括第二特征和第三特征，其中，
收集与所述用户特征相关的样本数据，包括：
收集所述用户的行车路径的历史数据；
针对所述第二特征的每一子特征，根据所述历史数据统计所述用户对所述行车路径集中不同行车路径的使用次数作为所述样本数据；
针对所述第三特征的每一子特征，根据所述历史数据统计所述行车路径集中不同行车路径的使用次数作为所述样本数据。
在本公开的示例性实施例中，基于前述方案，根据所述样本数据确定所述行车路径的使用概率，包括：
根据叶贝斯公式计算所述使用概率：
P(A＝am|(B＝bn1且C＝cn2))＝P(B＝bn1且(C＝cn2|A＝am))*P(A＝am)/P(B＝bn1且C＝cn2)
其中，A为所述行车路径集，am为所述行车路径集中的一条行车路径，
B为所述第二特征，bn1为所述第二特征中的不同子特征，
C为所述第三特征，cn2为所述第三特征中的不同子特征，
P(A＝am|(B＝bn1且C＝cn2))为第二特征B为bn1子特征，且第三特征C为cn2子特征的条件下，用户使用行车路径集A中的行车路径am的概率，
P(B＝bn1且(C＝cn2|A＝am))为行车路径集A中的行车路径am的条件下，第二特征B为bn1子特征且第三特征C为cn2子特征的概率，
P(A＝am)为行车路径集A中的行车路径am的概率，以及
P(B＝bn1且C＝cn2)为第二特征B为bn1子特征且第三特征C为cn2子特征的概率。
在本公开的示例性实施例中，基于前述方案，
所述第二特征为出行时间特征，所述第三特征为驾驶年龄特征，
其中，所述出行时间特征包含至少两个时间段子特征，所述驾驶年龄特征包含至少两个年龄段子特征。
在本公开的示例性实施例中，基于前述方案，根据所述使用概率向所述用户推荐目标行车路径，包括：
设置第一概率阈值；
判断是否存在大于所述第一概率阈值的使用概率对应的第一目标行车路径；
如果所述第一目标行车路径为一条，则按照所述第一目标行车路径为用户进行导航，或者，如果所述第一目标行车路径多于一条，则按照使用概率由大到小的顺序将所述第一目标行车路径推荐给用户供用户选择。
在本公开的示例性实施例中，基于前述方案，所述方法还包括：
响应于未存在大于所述第一概率阈值的使用概率对应的目标行车路径，则：
设置第二概率阈值；
将使用概率大于所述第二概率阈值的第二目标行车路径，按照使用概率由大到小的顺序推荐给用户供用户选择。
在本公开的示例性实施例中，基于前述方案，所述方法还包括：
基于叶贝斯公式构建行车路径推荐模型，所述行车路径推荐模型用于接收与所述用户特征相关的样本数据，并根据样本数据确定所述行车路径的使用概率，以及，基于预设推荐策略，根据所述使用概率确定向用户推荐的目标行车路径。
在本公开的示例性实施例中，基于前述方案，所述方法还包括：
通过所述行车路径推荐模型更新所述用户特征，并基于更新后的用户特征向用户推荐的目标行车路径。
根据本公开的第二方面，提供一种行车路径的推荐装置，包括：
特征获取模块，用于获取用户的行车路径集以及与所述行车路径集相关的至少一个用户特征，其中，所述行车路径集包含至少两条路径；
样本数据收集模块，用于收集与所述用户特征相关的样本数据；
使用概率确定模块，用于根据所述样本数据确定所述行车路径的使用概率；
行车路径推荐模块，用于根据所述使用概率向所述用户推荐目标行车路径。
根据本公开的第三方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的行车路径的推荐方法。
根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的行车路径的推荐方法。
由上述技术方案可知，本公开示例性实施例中的行车路径的推荐方法、行车路径的推荐装置、计算机存储介质及电子设备至少具备以下优点和积极效果：
在本公开的一些实施例所提供的技术方案中，一方面，获取用户的行车路径集以及与其的至少一个用户特征，进一步地，收集与用户特征相关的样本数据，根据一个或多个用户特征确定行车路径的使用概率。从而得到考虑到用户特征的推荐路径，使得推荐路径满足用户的个性化需求，有利于提升用户的导航体验。另一方面，通过遍历行车路径的使用概率，并将满足预设要求的行车路径推荐给用户，从而为用户推荐更加符合用户预期的行车路径，有利于进一步提升用户的导航体验。再一方面，用户特征数据不断更新基于叶贝斯公式的行车路径推荐模型，通过自我学习生成更准确的推荐数据，有利于提高路径推荐的智能化。
本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开一示例性实施例中行车路径的推荐方法的流程示意图；
图2示出本公开一示例性实施例中样本数据的确定方法的流程示意图；
图3示出本公开一示例性实施例中目标行车路径的推荐方法的流程示意图；
图4示出本公开一示例性实施例中行车路径的推荐装置的结构示意图；
图5示出本公开示例性实施例中计算机存储介质的结构示意图；以及
图6示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
在本公开的实施例中，首先提供了一种行车路径的推荐方法，至少在一定程度上克服现有技术中提供的行车路径的推荐方法无法满足用户的个性化导航需求的缺陷。
图1示出本公开一示例性实施例中行车路径的推荐方法的流程示意图，该行车路径的推荐方法的执行主体可以是具有计算处理功能的设备，比如服务器等。
参考图1，根据本公开的一个实施例的行车路径的推荐方法包括以下步骤：
步骤S101，获取用户的行车路径集以及与所述行车路径集相关的至少一个用户特征，其中，所述行车路径集包含至少两条行车路径；
步骤S102，收集与所述用户特征相关的样本数据；
步骤S103，根据所述样本数据确定所述行车路径的使用概率；以及
步骤S104，根据所述使用概率向所述用户推荐目标行车路径。
在图1所示实施例所提供的技术方案中，一方面，获取用户的行车路径集以及与其的至少一个用户特征，进一步地，收集与用户特征相关的样本数据，根据一个或多个用户特征确定行车路径的使用概率。从而得到考虑到用户特征的推荐路径，使得推荐路径满足用户的个性化需求，有利于提升用户的导航体验。另一方面，通过遍历所有行车路径的使用概率，并将满足预设要求的行车路径推荐给用户，从而为用户推荐更加符合用户预期的行车路径，有利于进一步提升用户的导航体验。再一方面，用户特征数据不断更新基于叶贝斯公式的行车路径推荐模型，通过自我学习生成更准确的推荐数据，有利于提高路径推荐的智能化。
以下对图1所示实施例中各个步骤的具体实施方式进行详细阐述：
在示例性的实施例中，步骤S101中行车路径集可以是由用户的出发地a至目的地b的多条路径。例如：用户s从家至公司有三条路径(如，L路径、M路径和N路径)可以选择，则此三条路径可以作为用户s由家至公司的行车路径集。步骤S101中与所述行车路径集相关的至少一个用户特征是用户相关的特征数据，如，用户s早上上班一般用L路径，晚上下班一般用N路径等，或者是用户s处于20-30岁的年龄段内等等。
在示例性的实施例中，步骤S102中收集与所述用户特征相关的样本数据。其中，本实施例中提供的用户特征有一个，具体为包括至少两个子特征的第一特征。示例性的，上述第一特征为出行时间特征或驾驶年龄特征，其中，所述出行时间特征包含至少两个时间段子特征，所述驾驶年龄特征包含至少两个年龄段子特征。
在示例性的实施例中，当用户特征具体为包括至少两个子特征的第一特征时，步骤S102的具体实施方式可以是：收集所述用户的行车路径的历史数据；以及，针对每一所述子特征，根据所述历史数据统计所述用户对所述行车路径集中不同行车路径的使用次数作为所述样本数据。
在示例性的实施例中，在步骤S103中可以基于叶贝斯公式，根据上述样本数据确定所述行车路径的使用概率，具体包括：根据叶贝斯公式计算所述使用概率：
P(A＝am|B＝bn)＝P(B＝bn|A＝am)*P(A＝am)/P(B＝bn) 公式一
其中，A为所述行车路径集，am为所述行车路径集中的一条行车路径，B为所述第一特征，bn为所述第一特征中的不同子特征，P(A＝am|B＝bn)为第一特征B为bn子特征的条件下，用户使用行车路径集A中的行车路径am的概率，P(B＝bn|A＝am)为行车路径集A中的行车路径am的条件下，第一特征B为bn子特征的概率，P(A＝am)为行车路径集A中的行车路径am的概率，以及P(B＝bn)为第一特征B为bn子特征的概率。
下述实施例以第一特征为出行时间特征为例进行说明步骤S102和步骤S103。其中，出行时间特征包含至少两个时间段子特征，时间段子特征具体可以是：早高峰、中午和晚高峰。
收集用户s某一月行车路径的历史数据，根据此历史数据统计用户s对行车路径集中不同行车路径的使用次数作为所述样本数据，如下表1：
表1
路径集/第一特征 早高峰 中午 晚高峰
路径L 3 3 2
路径M 16 2 8
路径N 1 5 10
在本实施例中，
行车路径集A包括：路径L，路径M，路径N；
第一特征B为出行时间特征包括：早高峰，中午，晚高峰三个类型。
基于上述公式一，根据上述样本数据确定用户s对各个行车路径的使用概率为：
P(线路A|早高峰)＝15％；P(线路B|早高峰)＝80％；P(线路C|早高峰)＝5％；
P(线路A|中午)＝30％；P(线路B|中午)＝20％；P(线路C|中午)＝50％；
P(线路A|晚高峰)＝10％；P(线路B|晚高峰)＝40％；P(线路C|晚高峰)＝50％。
进一步地，可以根据上述使用概率向用户s推荐目标行车路径。具体的路径推荐策略将在后续实施例中进行介绍。
在示例性的实施例中，用户特征还可以是多个，以下以用户特征包括第二特征和第三特征为例进一步阐述步骤S102、步骤S103的具体实施方式。示例性的，上述第二特征为出行时间特征，包含至少两个时间段子特征；上述第三特征为驾驶年龄特征，包含至少两个年龄段子特征。
在示例性的实施例中，图2示出本公开一示例性实施例中样本数据的确定方法的流程示意图，具体是用户特征包含两个特征时步骤S102的具体执行方式。参考图2，本实施例提供的样本数据的确定方法，包括：
步骤S201，收集所述用户的行车路径的历史数据。
步骤S202，针对所述第二特征的每一子特征，根据所述历史数据统计所述用户对所述行车路径集中不同行车路径的使用次数作为所述样本数据；以及，
步骤S203，针对所述第三特征的每一子特征，根据所述历史数据统计所述行车路径集中不同行车路径的使用次数作为所述样本数据。
其中，步骤S202和步骤S203的执行顺序部分先后，可以先执行步骤S202再执行步骤S203，也可以先执行步骤S203再执行步骤S202，还可以步骤S202与步骤S203同时执行。
进一步地，步骤S103的具体实施方式可以采用公式二实现。具体如下根据叶贝斯公式计算所述使用概率：
P(A＝am|(B＝bn1且C＝cn2))＝P(B＝bn1且(C＝cn2|A＝am))*P(A＝am)/P(B＝bn1且C＝cn2) 公式二
其中，A为所述行车路径集，am为所述行车路径集中的一条行车路径，B为所述第二特征，bn1为所述第二特征中的不同子特征，C为所述第三特征，cn2为所述第三特征中的不同子特征，P(A＝am|(B＝bn1且C＝cn2))为第二特征B为bn1子特征，且第三特征C为cn2子特征的条件下，用户使用行车路径集A中的行车路径am的概率，P(B＝bn1且(C＝cn2|A＝am))为行车路径集A中的行车路径am的条件下，第二特征B为bn1子特征且第三特征C为cn2子特征的概率，P(A＝am)为行车路径集A中的行车路径am的概率，以及P(B＝bn1且C＝cn2)为第二特征B为bn1子特征且第三特征C为cn2子特征的概率。
下述实施例以第二特征为出行时间特征、第三特征为驾驶年龄特征为例进行说明步骤S102和步骤S103。其中，出行时间特征包含至少两个时间段子特征，时间段子特征具体可以是：早高峰、中午和晚高峰；驾驶年龄特征包含至少两个年龄段子特征，年龄段段子特征具体可以是：早高峰、中午和晚高峰。
收集用户群p某一月行车路径的历史数据。针对上述出行时间特征的每一子特征，根据此历史数据统计用户群p对行车路径集中不同行车路径的使用次数作为样本数据如下表2；针对上述驾驶年龄特征的每一子特征，根据此历史数据统计用户群p对行车路径集中不同行车路径的使用次数作为样本数据如下表3：
表2
路径集/第二特征 早高峰 中午 晚高峰
路径L’ 46 2 18
路径M’ 20 5 20
路径N’ 4 3 32
表3
路径集/第三特征 90后 80后 70后
路径L’ 10 13 21
路径M’ 9 15 6
路径N’ 13 12 1
本实施例中，
行车路径集A：路径L’，路径M’，路径N’；
第二特征B为出行时间特征包括：早高峰，中午，晚高峰三个类型。第三特征C为驾驶年龄特征包括：90后、80后、70后三个类型。
根据上述贝叶斯公式可得：
P(线路A|(早高峰且90后))＝P((早高峰且90后)|线路A)*P(线路A)/P(早高峰且90后))＝[(46/66)*(10/44)*0.44]/[(70/150)*(32/100)]＝47％；
P(线路B|(早高峰且90后))＝P((早高峰且90后)|线路B)*P(线路B)/P(早高峰且90后))＝26％
P(线路C|(早高峰且90后))＝P((早高峰且90后)|线路C)*P(线路C)/P(早高峰且90后))＝8％
在此说明，因数据样本较小，所以在早高峰且90后情况下，路径L’，路径M’，路径N’的线路的概率和不等于1。随着样本数量不断增大，概率和将逐渐趋向于1。
同理还可算出：
P(线路A|(早高峰且80后))＝；P(线路B|(早高峰且80后))＝；P(线路C|(早高峰且80后))＝；
P(线路A|(早高峰且70后))＝；P(线路B|(早高峰且70后))＝；P(线路C|(早高峰且70后))＝；
P(线路A|(中午且90后))＝；P(线路B|(中午且90后))＝；P(线路C|(中午且90后))＝；
P(线路A|(中午且80后))＝；P(线路B|(中午且80后))＝；P(线路C|(中午且80后))＝；
P(线路A|(中午且70后))＝；P(线路B|(中午且70后))＝；P(线路C|(中午且70后))＝；
P(线路A|(晚高峰且90后))＝；P(线路B|(晚高峰且80后))＝；P(线路C|(晚高峰且90后))＝；
P(线路A|(晚高峰且80后))＝；P(线路B|(晚高峰且80后))＝；P(线路C|(晚高峰且80后))＝；
P(线路A|(晚高峰且70后))＝；P(线路B|(晚高峰且70后))＝；P(线路C|(晚高峰且70后))＝；
进一步地，可以根据上述使用概率向用户群q中不同用户推荐目标行车路径。具体的路径推荐策略将在后续实施例中进行介绍。
在示例性的实施例中，图3示出本公开一示例性实施例中目标行车路径的推荐方法的流程示意图，具体可以作为步骤S104的一种具体实施方式。参考图4，该实施例提供的目标行车路径的推荐方法，包括：
在步骤S301中，设置第一概率阈值。
在示例性的实施例中，可以设置一个偏高的数值作为第一概率阈值，如第一概率阈值MAX1＝80％。则大于第一概率阈值MAX1的使用概率对应的行车路径为用户使用概率较高的路径，也是用户较有可能选择的路径，可以称作第一目标行车路径。
在步骤S302中，判断是否存在大于所述第一概率阈值的使用概率对应的第一目标行车路径。若存在所述第一目标行车路径，则执行步骤S303；若不存在所述第一目标路径，则执行步骤S306。
在步骤S303中，判断所述第一目标行车路径是否大于一条。
在示例性的实施例中，若所述第一目标行车路径为一条，说明目前只有一条用户使用概率较高的路径，则执行步骤S304：按照所述第一目标行车路径为用户进行导航。本实施例提供的路径推荐策略中，通过自动为用户选择使用概率最高且高于第一概率阈值的路径为用户进行智能导航，在满足用户个性化需求的基础上，有利于减少用户的交互操作，进而提升用户的导航体验。
在示例性的实施例中，若所述第一目标行车路径为不止一条，说明目前存在多条用户使用概率较高的路径，则执行步骤S305：按照使用概率由大到小的顺序将所述第一目标行车路径推荐给用户供用户选择。本实施例提供的路径推荐策略中，将高于第一概率阈值的所有第一目标行车路径显示给用户，起到了提升用户个性化需求的作用。进一步地，将按照使用概率由大到小的顺序显示各个路径，便于用户的选择交互操作，以提升用户的导航体验。
在示例性的实施例中，在不存在大于所述第一概率阈值的使用概率对应的第一目标路径时，说明目前没有的各个导航路径被用户使用的概率较低，则执行步骤S306和步骤S307。
在步骤S306中，设置第二概率阈值。
在示例性的实施例中，可以设置一个低于第一概率阈值的第二概率阈值MAX2＝40％。则小于第一概率阈值MAX1且大于第二概率阈值MAX2＝40％的使用概率对应的行车路可以称作第二目标行车路径。
在步骤S307中，将使用概率大于所述第二概率阈值的第二目标行车路径，按照使用概率由大到小的顺序将行车路径推荐给用户供用户选择。
在示例性的实施例中，当目前所有路径的使用概率均小于第二概率阈值MAX2时，可以将当前路径按照使用概率由大到小的顺序将行车路径推荐给用户供用户选择，以尽量满足用户的个性化需求。
在示例性的实施例中提供的行车路径的推荐方法还包括：基于叶贝斯公式构建行车路径推荐模型，所述行车路径推荐模型用于接收与所述用户特征相关的样本数据，并根据样本数据确定所述行车路径的使用概率，以及，基于预设推荐策略，根据所述使用概率确定向用户推荐的目标行车路径。
在示例性的实施例中，通过所述行车路径推荐模型更新所述用户特征，并基于更新后的用户特征向用户推荐的目标行车路径。
示例性的，上述用户s由家至公司的行车路径集中多了一条新建路径Q。则可以进一步统计用户s采用路径Q的历史数据，并将历史数据导入上述行车路径推荐模型。则通过上述行车路径推荐模型可以计算出用户s对于更新后的行车路径集中各路径的使用概率，并可以使用预设的路径推荐策略推荐给用户。
本实施例提供的技术方案中，由于现实生活中，道路情况复杂多样，每个驾驶员驾驶习惯不同，对路径的熟悉情况不同。本方案通过更新模型输入数据(如，行车路径集、用户特征等)的方式，基于贝叶斯公式和大数据的支持，选择最优路径推荐给客户。使得基于行车路径推荐模型给用户推荐的路径与实际路况保持一致，满足用户的实际导航需要，可以提升用户导航体验。
以下介绍本公开的装置实施例，可以用于执行本公开上述的行车路径的推荐方法。
图4示出本公开示例性实施例中行车路径的推荐装置的结构示意图。如图4所示，上述行车路径的推荐装置400包括：特征获取模块401、样本数据收集模块402、使用概率确定模块403和行车路径推荐模块404。
其中：特征获取模块401，用于获取用户的行车路径集以及与所述行车路径集相关的至少一个用户特征，其中，所述行车路径集包含至少两条路径；
样本数据收集模块402，用于收集与所述用户特征相关的样本数据；
使用概率确定模块403，用于根据所述样本数据确定所述行车路径的使用概率；
行车路径推荐模块404，用于根据所述使用概率向所述用户推荐目标行车路径。
在本公开的示例性实施例中，基于前述方案，所述用户特征为包括至少两个子特征的第一特征，其中，上述样本数据收集模块402，具体用于：
收集所述用户的行车路径的历史数据；以及，针对每一所述子特征，根据所述历史数据统计所述用户对所述行车路径集中不同行车路径的使用次数作为所述样本数据。
在本公开的示例性实施例中，基于前述方案，上述使用概率确定模块403，具体用于：
根据叶贝斯公式计算所述使用概率：
P(A＝am|B＝bn)＝P(B＝bn|A＝am)*P(A＝am)/P(B＝bn)
其中，A为所述行车路径集，am为所述行车路径集中的一条行车路径，
B为所述第一特征，bn为所述第一特征中的不同子特征，P(A＝am|B＝bn)为第一特征B为bn子特征的条件下，用户使用行车路径集A中的行车路径am的概率，P(B＝bn|A＝am)为行车路径集A中的行车路径am的条件下，第一特征B为bn子特征的概率，P(A＝am)为行车路径集A中的行车路径am的概率，以及P(B＝bn)为第一特征B为bn子特征的概率。
在本公开的示例性实施例中，基于前述方案，所述用户特征包括第二特征和第三特征，其中，上述样本数据收集模块402，具体用于：
收集所述用户的行车路径的历史数据；针对所述第二特征的每一子特征，根据所述历史数据统计所述用户对所述行车路径集中不同行车路径的使用次数作为所述样本数据；以及，针对所述第三特征的每一子特征，根据所述历史数据统计所述行车路径集中不同行车路径的使用次数作为所述样本数据。
在本公开的示例性实施例中，基于前述方案，上述使用概率确定模块403，具体用于：
根据叶贝斯公式计算所述使用概率：
P(A＝am|(B＝bn1且C＝cn2))＝P(B＝bn1且(C＝cn2|A＝am))*P(A＝am)/P(B＝bn1且C＝cn2)
其中，A为所述行车路径集，am为所述行车路径集中的一条行车路径，B为所述第二特征，bn1为所述第二特征中的不同子特征，C为所述第三特征，cn2为所述第三特征中的不同子特征，P(A＝am|(B＝bn1且C＝cn2))为第二特征B为bn1子特征，且第三特征C为cn2子特征的条件下，用户使用行车路径集A中的行车路径am的概率，P(B＝bn1且(C＝cn2|A＝am))为行车路径集A中的行车路径am的条件下，第二特征B为bn1子特征且第三特征C为cn2子特征的概率，P(A＝am)为行车路径集A中的行车路径am的概率，以及P(B＝bn1且C＝cn2)为第二特征B为bn1子特征且第三特征C为cn2子特征的概率。
在本公开的示例性实施例中，基于前述方案，所述第一特征为出行时间特征或驾驶年龄特征，所述第二特征为出行时间特征，所述第三特征为驾驶年龄特征，其中，所述出行时间特征包含至少两个时间段子特征，所述驾驶年龄特征包含至少两个年龄段子特征。
在本公开的示例性实施例中，基于前述方案，上述行车路径推荐模块404，具体用于：
设置第一概率阈值；判断是否存在大于所述第一概率阈值的使用概率对应的第一目标行车路径；以及，如果大于所述第一概率阈值的使用概率对应的目标行车路径为一条，则按照所述第一目标行车路径为用户进行导航，或者，若果大于所述第一概率阈值的使用概率对应的目标行车路径多于一条，则按照使用概率由大到小的顺序将所述第一目标行车路径推荐给用户供用户选择。
在本公开的示例性实施例中，基于前述方案，上述行车路径推荐模块404，还具体用于：
响应于未存在大于所述第一概率阈值的使用概率对应的目标行车路径，则：设置第二概率阈值；以及，将使用概率大于所述第二概率阈值的第二目标行车路径，按照使用概率由大到小的顺序将行车路径推荐给用户供用户选择。
在本公开的示例性实施例中，基于前述方案，上述行车路径的推荐装置400还包括：模型建立模块。
其中，上述模型建立模块用于：基于叶贝斯公式构建行车路径推荐模型，所述行车路径推荐模型用于接收与所述用户特征相关的样本数据，并根据样本数据确定所述行车路径的使用概率，以及，基于预设推荐策略，根据所述使用概率确定向用户推荐的目标行车路径。
在本公开的示例性实施例中，基于前述方案，上述行车路径的推荐装置400还包括：数据更新模块。
其中，上述数据更新模块用于：通过所述行车路径推荐模型更新所述用户特征，并基于更新后的用户特征向用户推荐的目标行车路径。
上述行车路径的推荐装置中各模块的具体细节已经在对应的行车路径的推荐方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图5所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品500，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元520、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的：步骤S101，获取用户的行车路径集以及与所述行车路径集相关的至少一个用户特征，其中，所述行车路径集包含至少两条行车路径；步骤S102，收集与所述用户特征相关的样本数据；步骤S103，根据所述样本数据确定所述行车路径的使用概率；以及步骤S104，根据所述使用概率向所述用户推荐目标行车路径。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (13)

1.一种行车路径的推荐方法，其特征在于，包括：
获取用户的行车路径集以及与所述行车路径集相关的至少一个用户特征，其中，所述行车路径集包含至少两条行车路径；
收集与所述用户特征相关的样本数据；
根据所述样本数据确定所述行车路径的使用概率；
根据所述使用概率向所述用户推荐目标行车路径。
2.根据权利要求1所述的行车路径的推荐方法，其特征在于，所述用户特征为包括至少两个子特征的第一特征，其中，
收集与所述用户特征相关的样本数据，包括：
收集所述用户的行车路径的历史数据；
针对每一所述子特征，根据所述历史数据统计所述用户对所述行车路径集中不同行车路径的使用次数作为所述样本数据。
3.根据权利要求2所述的行车路径的推荐方法，其特征在于，根据所述样本数据确定所述行车路径的使用概率，包括：
根据叶贝斯公式计算所述使用概率：
P(A＝am|B＝bn)＝P(B＝bn|A＝am)*P(A＝am)/P(B＝bn)
其中，A为所述行车路径集，am为所述行车路径集中的一条行车路径，
B为所述第一特征，bn为所述第一特征中的不同子特征，
P(A＝am|B＝bn)为第一特征B为bn子特征的条件下，用户使用行车路径集A中的行车路径am的概率，
P(B＝bn|A＝am)为行车路径集A中的行车路径am的条件下，第一特征B为bn子特征的概率，
P(A＝am)为行车路径集A中的行车路径am的概率，以及
P(B＝bn)为第一特征B为bn子特征的概率。
4.根据权利要求2或3所述的行车路径的推荐方法，其特征在于，
所述第一特征为出行时间特征或驾驶年龄特征，
其中，所述出行时间特征包含至少两个时间段子特征，所述驾驶年龄特征包含至少两个年龄段子特征。
5.根据权利要求1所述的行车路径的推荐方法，其特征在于，所述用户特征包括第二特征和第三特征，其中，
收集与所述用户特征相关的样本数据，包括：
收集所述用户的行车路径的历史数据；
针对所述第二特征的每一子特征，根据所述历史数据统计所述用户对所述行车路径集中不同行车路径的使用次数作为所述样本数据；
针对所述第三特征的每一子特征，根据所述历史数据统计所述行车路径集中不同行车路径的使用次数作为所述样本数据。
6.根据权利要求5所述的行车路径的推荐方法，其特征在于，根据所述样本数据确定所述行车路径的使用概率，包括：
根据叶贝斯公式计算所述使用概率：
P(A＝am|(B＝bn1且C＝cn2))＝P(B＝bn1且(C＝cn2|A＝am))*P(A＝am)/P(B＝bn1且C＝cn2)
其中，A为所述行车路径集，am为所述行车路径集中的一条行车路径，
B为所述第二特征，bn1为所述第二特征中的不同子特征，
C为所述第三特征，cn2为所述第三特征中的不同子特征，
P(A＝am|(B＝bn1且C＝cn2))为第二特征B为bn1子特征，且第三特征C为cn2子特征的条件下，用户使用行车路径集A中的行车路径am的概率，
P(B＝bn1且(C＝cn2|A＝am))为行车路径集A中的行车路径am的条件下，第二特征B为bn1子特征且第三特征C为cn2子特征的概率，
P(A＝am)为行车路径集A中的行车路径am的概率，以及
P(B＝bn1且C＝cn2)为第二特征B为bn1子特征且第三特征C为cn2子特征的概率。
7.根据权利要求5或6所述的行车路径的推荐方法，其特征在于，
所述第二特征为出行时间特征，所述第三特征为驾驶年龄特征，
其中，所述出行时间特征包含至少两个时间段子特征，所述驾驶年龄特征包含至少两个年龄段子特征。
8.根据权利要求1至3中任意一项或权利要求5或6所述的行车路径的推荐方法，其特征在于，根据所述使用概率向所述用户推荐目标行车路径，包括：
设置第一概率阈值；
判断是否存在大于所述第一概率阈值的使用概率对应的第一目标行车路径；
如果所述第一目标行车路径为一条，则按照所述第一目标行车路径为用户进行导航，或者如果所述第一目标行车路径多于一条，则按照使用概率由大到小的顺序将所述第一目标行车路径推荐给用户供用户选择。
9.根据权利要求8所述的行车路径的推荐方法，其特征在于，所述方法还包括：
响应于未存在所述第一目标行车路径，则：
设置第二概率阈值；
将使用概率大于所述第二概率阈值的第二目标行车路径，按照使用概率由大到小的顺序推荐给用户供用户选择。
10.根据权利要求1至3中任意一项或权利要求5或6所述的行车路径的推荐方法，其特征在于，所述方法还包括：
基于叶贝斯公式构建行车路径推荐模型，所述行车路径推荐模型用于接收与所述用户特征相关的样本数据，并根据样本数据确定所述行车路径的使用概率，以及，基于预设推荐策略，根据所述使用概率确定向用户推荐的目标行车路径。
11.一种行车路径的推荐装置，其特征在于，包括：
特征获取模块，用于获取用户的行车路径集以及与所述行车路径集相关的至少一个用户特征，其中，所述行车路径集包含至少两条路径；
样本数据收集模块，用于收集与所述用户特征相关的样本数据；
使用概率确定模块，用于根据所述样本数据确定所述行车路径的使用概率；
行车路径推荐模块，用于根据所述使用概率向所述用户推荐目标行车路径。
12.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任意一项所述的行车路径的推荐方法。
13.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至10中任意一项所述的行车路径的推荐方法。
CN201910601464.0A 2019-07-04 2019-07-04 行车路径的推荐方法、装置、计算机存储介质及电子设备 Pending CN110309438A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910601464.0A CN110309438A (zh) 2019-07-04 2019-07-04 行车路径的推荐方法、装置、计算机存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910601464.0A CN110309438A (zh) 2019-07-04 2019-07-04 行车路径的推荐方法、装置、计算机存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN110309438A true CN110309438A (zh) 2019-10-08

Family

ID=68079229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910601464.0A Pending CN110309438A (zh) 2019-07-04 2019-07-04 行车路径的推荐方法、装置、计算机存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN110309438A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111857138A (zh) * 2020-07-03 2020-10-30 深圳怡丰自动化科技有限公司 载人自动导引车的控制方法及其应用以及相关装置
CN112801324A (zh) * 2020-12-31 2021-05-14 北京嘀嘀无限科技发展有限公司 出行推荐方法、装置、电子设备及计算机可读存储介质
CN113139026A (zh) * 2020-01-19 2021-07-20 百度在线网络技术（北京）有限公司 导航过程中路线推荐方法、装置、设备和介质
CN113378078A (zh) * 2020-02-25 2021-09-10 百度在线网络技术（北京）有限公司 应用程序交互控制方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107543557A (zh) * 2016-06-29 2018-01-05 百度在线网络技术（北京）有限公司 一种用于进行个性化导航的方法和装置
CN107747947A (zh) * 2017-10-23 2018-03-02 电子科技大学 一种基于用户历史gps轨迹的协同旅行路线推荐方法
CN108761509A (zh) * 2018-04-09 2018-11-06 吉林大学 一种基于历史数据的汽车行驶轨迹及里程预测方法
CN109668570A (zh) * 2018-12-21 2019-04-23 斑马网络技术有限公司 行驶路线推荐方法、装置、系统以及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107543557A (zh) * 2016-06-29 2018-01-05 百度在线网络技术（北京）有限公司 一种用于进行个性化导航的方法和装置
CN107747947A (zh) * 2017-10-23 2018-03-02 电子科技大学 一种基于用户历史gps轨迹的协同旅行路线推荐方法
CN108761509A (zh) * 2018-04-09 2018-11-06 吉林大学 一种基于历史数据的汽车行驶轨迹及里程预测方法
CN109668570A (zh) * 2018-12-21 2019-04-23 斑马网络技术有限公司 行驶路线推荐方法、装置、系统以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
毛蕊蕊: "基于贝叶斯网络的最佳交通路径规划", 《CNKI硕士论文》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139026A (zh) * 2020-01-19 2021-07-20 百度在线网络技术（北京）有限公司 导航过程中路线推荐方法、装置、设备和介质
CN113139026B (zh) * 2020-01-19 2024-04-02 百度在线网络技术（北京）有限公司 导航过程中路线推荐方法、装置、设备和介质
CN113378078A (zh) * 2020-02-25 2021-09-10 百度在线网络技术（北京）有限公司 应用程序交互控制方法、装置、电子设备和存储介质
CN111857138A (zh) * 2020-07-03 2020-10-30 深圳怡丰自动化科技有限公司 载人自动导引车的控制方法及其应用以及相关装置
CN112801324A (zh) * 2020-12-31 2021-05-14 北京嘀嘀无限科技发展有限公司 出行推荐方法、装置、电子设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN110309438A (zh) 行车路径的推荐方法、装置、计算机存储介质及电子设备
US11403526B2 (en) Decision making for autonomous vehicle motion control
CN112050824B (zh) 用于车辆导航的路线规划方法、装置、系统及电子设备
CN107464018A (zh) 一种配送路径优化方法和装置、计算机设备、存储介质
EP2884230A1 (en) Route calculation system, navigation device, and route calculation method
CN114581180A (zh) 一种充电站推荐方法、充电桩状态的确定方法及装置
CN106969782A (zh) 导航路线的推送方法、装置、设备以及存储介质
EP2808832A1 (en) Iterative public transit scoring
CN106156084A (zh) 路线查询方法、装置和系统
JP2021519933A (ja) 道路状況予測方法、装置、機器、プログラム及びコンピュータ記憶媒体
US11341433B2 (en) Routing and navigation system
CN113160607B (zh) 停车位导航方法、装置、电子设备、存储介质及产品
JP2023542576A (ja) ナビ経路計画方法、ナビ経路計画装置、電子機器、非一時的コンピュータ可読記憶媒体及びコンピュータプログラム
CN105224994A (zh) 预测停留时间的装置和方法、确定投递路径的设备和方法
US20210293565A1 (en) Systems and methods for generating autonomous navigation routes to match user preferences
Aslaksen et al. A combined dial-a-ride and fixed schedule ferry service for coastal cities
CN112001515A (zh) 在线预订火车票的方法、系统、设备及存储介质
CN115290106A (zh) 一种确定路口路径的方法、装置、设备及存储介质
CN109727073B (zh) 访问流量控制方法、系统、电子设备和存储介质
CN110487291A (zh) 一种用于提供共同导航信息的方法与设备
JP2023540731A (ja) オンライン予約車両情報処理方法、装置、機器、及びコンピュータ記憶媒体
Pitakaso et al. Designing safety-oriented tourist routes for heterogeneous tourist groups using an artificial multi-intelligence system
CN113706857A (zh) 道路通行性的确定方法、装置、设备及存储介质
Liu et al. A simulation study on the traffic delay and fuel consumption of connected and autonomous vehicles in superstreet with platooning, signal optimization, and trajectory planning
CN113673919A (zh) 多车协同路径确定方法及装置、电子设备和存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191008

RJ01 Rejection of invention patent application after publication