CN110428101B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110428101B CN110428101B CN201910701004.5A CN201910701004A CN110428101B CN 110428101 B CN110428101 B CN 110428101B CN 201910701004 A CN201910701004 A CN 201910701004A CN 110428101 B CN110428101 B CN 110428101B
- Authority
- CN
- China
- Prior art keywords
- company
- user
- home
- data
- radius
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000003203 everyday effect Effects 0.000 claims description 16
- 238000005065 mining Methods 0.000 abstract description 5
Images
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
- 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"
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Navigation (AREA)
- Social Psychology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Automation & Control Theory (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
Abstract
本发明公开了一种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，包括以下步骤：（1）首先需要先根据历史出行数据挖掘出用户家的位置、公司的位置、是否是上班族、上下班常走路线，具体包括：数据采集、数据预处理、公司位置的预测、上班族的挖掘以及家和公司之间常走路径挖掘；（2）根据车辆id、实时GPS位置数据和时间数据进行目的地实时预测。本发明利用用户历史出行规律和云端地图信息，对于上班族在上下班时间段行驶过程中，主动预测出其将要去的家或者公司的位置、路线和路况信息，无需用户在导航中做任何操作，便能知晓当前路况。
Description
技术领域
本发明属于汽车智能出行技术领域，具体涉及一种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。
背景技术
当前，车辆出行的目的地一般由车主在导航中手动设置之后，导航系统才能获得车主出行的目的地，然后为车主提供导航服务。如果车主在行车途中要查看某条线路的交通情况，需要先打开导航，输入目的地，选择路线，之后才能看到该路线的交通情况。这一系列的动作，势必引发安全隐患。对于上班族，其上下班的时间、地点和上下班的路线基本上是固定的，即便其在导航系统中手动设置了家和公司，其在上下班途中若要查看当前路线，仍需要打开地图；另外，对于上下班路线，大部分人是熟悉的，因此很不习惯一直开着导航，也就无法实时了解路况信息，上下班是拥堵高峰期，一旦出现拥堵情况，将给车主的出行带来很大的不便。
因此，有必要开发一种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。
发明内容
本发明的目的是提供一种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，能基于车辆的出行规律，主动向车主推荐目的地。
本发明所述的基于历史出行规律的目的地预测方法，包括以下步骤：
（1）首先需要先根据历史出行数据挖掘出用户家的位置、公司的位置、是否是上班族、上下班常走路线，具体包括：
数据采集：采集用户一段时间（比如：1-2个月）内的出行数据，该历史数据包括GPS位置数据、时间数据和车辆id，并对历史数据做预处理；
数据预处理：剔除掉周末和法定节假日的出行数据，得到只包含有法定工作日范围内的出行数据；
家位置的预测：提取用户每天第一次出发的GPS位置数据和时间数据，并将GPS位置数据组成集合A，提取用户每天最后一次到达的GPS位置数据和时间数据，并将GPS位置数据组成集合B，基于集合A和集合B，采用聚类算法,预测出家的位置；
公司位置的预测：将工作日停留时长大于预设时长的GPS位置数据组成集合M，将每天最早到达的GPS位置信息组成集合N，基于集合M和集合N，采用聚类算法，预测出公司的位置；
上班族的挖掘：如果用户的车辆id在预处理后的出行数据中，且能预测出家的位置和公司的位置，则认为该用户为上班族，否则，该用户为非上班族；
家和公司之间常走路径挖掘：在家和公司的位置确定后，在上下班时间段内，确定出从家出发去公司和从公司出发回家的路径序列，这些路径序列两两之间通过Frechet距离来度量相似性，在路径状态空间中，再由核密度估计，得出用户的常走路径；
（2）根据车辆id、实时GPS位置数据和时间数据进行目的地实时预测，具体包括：
当车辆启动或者在道路上行驶时，实时判断当前用户是否为上班族、当前时间是否在上下班时段内、当前车辆是否行驶在家和公司之间的常走路径上；
若用户是上班族，且在上班时间段内，且车辆当前位置是在家和公司之间的常走路径上，则预测该用户的目的地是公司，根据家和公司之间的常走路径和云端地图预测当前路况；
若用户是上班族，且在上班时间段内，但车辆当前位置没有在家和公司之间的常走路径上，则预测该用户的目的地是公司，根据车辆当前位置、目的地位置和云端地图预测各条路线的路况，并推荐给用户供用户自主选择；
若用户是上班族，并在下班时段内，且车辆当前位置是在家和公司之间的常走路径上，则预测该用户的目的地是家，根据家和公司之间的常走路径和云端地图预测当前路况；
若用户是上班族，并在下班时间段内，但当前位置没有在家和公司之间的常走路径上，则预测该用户的目的地是家，根据车辆当前位置、目的地位置和云端地图预测各条路线的路况，并推荐给用户供用户自主选择路线；
若当前用户是上班族，但是没有在上下班时间段内，则不进行目的地和路况预测；
将目的地预测结果输出显示。
进一步，所述家位置的预测中：基于集合A和集合B，采用聚类算法,预测出家的位置是一个点，记为C点，将预测出的C点作为家的位置，然后预测出家的停车半径。
进一步，所述预测家的停车半径的方法为：在法定工作日内，每天第一次早出发的位置和每天最后一次到达的位置中，选取离家的位置小于2公里的出发点与家的位置点的欧式距离组成一个距离序列，取该序列的最小值，估计获得半径基数，将半径基数乘以2，若半径基数乘以2的值小于1km，则取家的停车半径r1为1km，若半径基数乘以2的值在1km-2km之间，则家的半径r1等于半径基数乘以2的值，若半径基数乘以2的值大于2km，则取家的停车半径r1为2km；
最后得到家的位置是以C点为圆心，r1为半径的圆内。
进一步，所述公司位置的预测中：基于集合M和集合N，采用聚类算法,预测出公司的位置是一个点，记为L点，将预测出的L点作为公司的位置，然后预测出公司的停车半径。
进一步，所述预测公司的停车半径的方法为：在法定工作日内，每天第一次到达的位置和每天最后一次出发的位置中，选取离公司的位置小于2公里的出发点与公司的位置点的欧式距离组成一个距离序列，取该序列的最小值，估计获得半径基数，将半径基数乘以2，若半径基数乘以2的值小于1km，则取公司的停车半径r2为1km，若半径基数乘以2的值在1km-2km之间，则公司的半径r2等于半径基数乘以2的值，若半径基数乘以2的值大于2km，则取公司的停车半径r2为2km；
最后得到公司的位置是以L点为圆心，r2为半径的圆内。
进一步，所述上班时间段为6:30 -8:30；所述下班时间段为17:00-21:00。
进一步，所述预设时长为3h。
进一步，采集用户1个月-2个月内的出行数据。
本发明所述的一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明所述的基于历史出行规律的目的地预测方法的步骤。
本发明具有以下优点：利用用户历史出行规律和云端地图信息，对于上班族在上下班时间段行驶过程中，主动预测出其将要去的家或者公司的位置、路线和路况信息，无需用户在导航中做任何操作，便能知晓当前路况。
附图说明
图1为本发明中家位置和公司位置挖掘的流程图；
图2为本发明中上班族挖掘的流程图；
图3为本发明中目的地实时预测的流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，一种基于历史出行规律的目的地预测方法，包括以下步骤：
（1）首先需要先根据历史出行数据挖掘出用户家的位置、公司的位置、是否是上班族、上下班常走路线，具体包括：
数据采集：采集用户一段时间内的出行数据，该历史数据包括GPS位置数据、时间数据和车辆id，并对历史数据做预处理；传感器数据（比如：GPS位置数据、时间数据等）以时间序列的方式，组成多模态时空数据序列，采用频次为30秒，采集的数据包括出行的时间数据、轨迹点、对应的车辆id，其中车辆id作为区别不同用户的标识符。
数据预处理：对采集的原始数据进行预处理，剔除掉周末和法定节假日的出行数据，得到统计周期内且只包含有法定工作日范围内的出行数据m。
家位置的预测：如图1所示，采用车辆位置数据预测家的位置，提取出行数据m中每一个用户每天第一次出发的GPS位置数据和时间数据，并将GPS位置数据组成集合A，提取用户每天最后一次到达的GPS位置数据和时间数据，并将GPS位置数据组成集合B，基于集合A和集合B，采用聚类算法,初步预测出家的位置。
所述家位置的预测中，基于集合A和集合B，采用聚类算法,预测出家的位置是一个点，记为C点，预测用户家的位置是为了预测车主在上班时间段的始发地和下班时间段内的目的地，考虑到当前停车资源比较紧张，很多用户的停车地点并不固定，一个点无法覆盖用户多个停车点的情况，故需要对用户家的位置进行修订和优化。
本实施例中，对家位置的修订和优化：将家的位置优化为家的停车半径，将预测出的C点作为家的位置，然后预测出家的停车半径。
本实施例中，所述预测家的停车半径的方法为：在法定工作日内，每天第一次早出发的位置和每天最后一次到达的位置中，选取离家的位置小于2公里的出发点与家的位置点的欧式距离组成一个距离序列，取该序列的最小值，估计获得半径基数，将半径基数乘以2，若半径基数乘以2的值小于1km，则取家的停车半径r1为1km，若半径基数乘以2的值在1km-2km之间，则家的半径r1等于半径基数乘以2的值，若半径基数乘以2的值大于2km，则取家的停车半径r1为2km。最后得到家的位置是以C点为圆心，r1为半径的圆内。
公司位置的预测：如图1所示，将工作日停留时长大于预设时长（比如：3小时）的GPS位置数据组成集合M，将每天最早到达的GPS位置信息组成集合N，基于集合M和集合N，采用聚类算法，初步预测出公司的位置。
所述公司位置的预测中：基于集合M和集合N，采用聚类算法,预测出公司的位置是一个点，记为L点，将预测出的L点作为公司的位置，然后预测出公司的停车半径。
本实施例中，所述预测公司的停车半径的方法为：在法定工作日内，每天第一次到达的位置和每天最后一次出发的位置中，选取离公司的位置小于2公里的出发点与公司的位置点的欧式距离组成一个距离序列，取该序列的最小值，估计获得半径基数，将半径基数乘以2，若半径基数乘以2的值小于1km，则取公司的停车半径r2为1km，若半径基数乘以2的值在1km-2km之间，则公司的半径r2等于半径基数乘以2的值，若半径基数乘以2的值大于2km，则取公司的停车半径r2为2km。最后得到公司的位置是以L点为圆心，r2为半径的圆内。
上班族的挖掘：如果用户的车辆id在预处理后的出行数据m中，且能预测出家的位置和公司的位置，则认为该用户为上班族，否则，该用户为非上班族，参见图2。
上班时间段：上班族的上班时间通常集中在早上8点到10点之间，同时早上6:30-8:30是上班高峰期，使用目的地是一个高频事件，考虑到其在路上花费的时间，同时为了覆盖大部分上班用户，故上班时段可定义为早上6:30-8:30。
下班时段：上班族的下班时间通常集中在17:00-21:00之间，同时这个时间段也是下班高峰期，使用目的地和获取路况信息是一个高频事件，考虑到其在路上花费的时间，同时为了覆盖大部分下班用户，故下班时段可定义为17:00-21:00。
家和公司之间常走路径挖掘：在家和公司的位置（即位置点和半径）确定后，在上下班时间段内，确定出从家出发去公司和从公司出发回家的路径序列，这些路径序列两两之间通过Frechet距离来度量相似性，在路径状态空间中，再由核密度估计，得出用户的常走路径。
（2）如图3所示，根据车辆id、实时GPS位置数据和时间数据进行目的地实时预测的步骤如下：
家位置、公司位置、上班族、常走路径挖掘是进行上班族目的地实时预测的必要条件，当这些条件具备之后进行目的地实时预测。
当车辆启动或者在道路上行驶时，根据车辆id、实时GPS位置数据和时间数据实时判断当前用户是否为上班族、当前时间是否在上下班时段内、当前车辆是否行驶在家和公司之间的常走路径上；
若用户是上班族，且在上班时间段内，且车辆当前位置是在家和公司之间的常走路径上，则预测该用户的目的地是公司，根据家和公司之间的常走路径和云端地图预测当前路况；
若用户是上班族，且在上班时间段内，但车辆当前位置没有在家和公司之间的常走路径上，则预测该用户的目的地是公司，根据车辆当前位置、目的地位置和云端地图预测各条路线的路况，并推荐给用户供用户自主选择；
若用户是上班族，并在下班时段内，且车辆当前位置是在家和公司之间的常走路径上，则预测该用户的目的地是家，根据家和公司之间的常走路径和云端地图预测当前路况；
若用户是上班族，并在下班时间段内，但当前位置没有在家和公司之间的常走路径上，则预测该用户的目的地是家，根据车辆当前位置、目的地位置和云端地图预测各条路线的路况，并推荐给用户供用户自主选择路线；
若当前用户是上班族，但是没有在上下班时间段内，则不进行目的地和路况预测，结束该流程；
将目的地预测结果输出显示。
本发明所述的一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明所述的基于历史出行规律的目的地预测方法的步骤。
Claims (7)
1.一种基于历史出行规律的目的地预测方法，其特征在于，包括以下步骤：
（1）首先需要先根据历史出行数据挖掘出用户家的位置、公司的位置、是否是上班族、上下班常走路线，具体包括：
数据采集：采集用户一段时间内的出行数据，该历史出行数据包括GPS位置数据、时间数据和车辆id，并对历史出行数据做预处理；
数据预处理：剔除掉周末和法定节假日的出行数据，得到只包含有法定工作日范围内的出行数据；
家位置的预测：提取用户每天第一次出发的GPS位置数据和时间数据，并将GPS位置数据组成集合A，提取用户每天最后一次到达的GPS位置数据和时间数据，并将GPS位置数据组成集合B，基于集合A和集合B，采用聚类算法,预测出家的位置；
公司位置的预测：将工作日停留时长大于预设时长的GPS位置数据组成集合M，将每天最早到达的GPS位置信息组成集合N，基于集合M和集合N，采用聚类算法，预测出公司的位置；
上班族的挖掘：如果用户的车辆id在预处理后的出行数据中，且能预测出家的位置和公司的位置，则认为该用户为上班族，否则，该用户为非上班族；
家和公司之间常走路径挖掘：在家和公司的位置确定后，在上下班时间段内，确定出从家出发去公司和从公司出发回家的路径序列，这些路径序列两两之间通过Frechet距离来度量相似性，在路径状态空间中，再由核密度估计，得出用户的常走路径；
（2）根据车辆id、实时GPS位置数据和时间数据进行目的地实时预测，具体包括：
当车辆启动或者在道路上行驶时，实时判断当前用户是否为上班族、当前时间是否在上下班时段内、当前车辆是否行驶在家和公司之间的常走路径上；
若用户是上班族，且在上班时间段内，且车辆当前位置是在家和公司之间的常走路径上，则预测该用户的目的地是公司，根据家和公司之间的常走路径和云端地图预测当前路况；
若用户是上班族，且在上班时间段内，但车辆当前位置没有在家和公司之间的常走路径上，则预测该用户的目的地是公司，根据车辆当前位置、目的地位置和云端地图预测各条路线的路况，并推荐给用户供用户自主选择；
若用户是上班族，并在下班时段内，且车辆当前位置是在家和公司之间的常走路径上，则预测该用户的目的地是家，根据家和公司之间的常走路径和云端地图预测当前路况；
若用户是上班族，并在下班时间段内，但当前位置没有在家和公司之间的常走路径上，则预测该用户的目的地是家，根据车辆当前位置、目的地位置和云端地图预测各条路线的路况，并推荐给用户供用户自主选择路线；
若当前用户是上班族，但是没有在上下班时间段内，则不进行目的地和路况预测；
将目的地预测结果输出显示；
所述家位置的预测中：基于集合A和集合B，采用聚类算法,预测出家的位置是一个点，记为C点，将预测出的C点作为家的位置，然后预测出家的停车半径；所述预测出家的停车半径的方法为：在法定工作日内，每天第一次早出发的位置和每天最后一次到达的位置中，选取离家的位置小于2公里的出发点与家的位置点的欧式距离组成一个距离序列，取该序列的最小值，估计获得半径基数，将半径基数乘以2，若半径基数乘以2的值小于1km，则取家的停车半径r1为1km，若半径基数乘以2的值在1km-2km之间，则家的半径r1等于半径基数乘以2的值，若半径基数乘以2的值大于2km，则取家的停车半径r1为2km；最后得到家的位置是以C点为圆心，r1为半径的圆内。
2.根据权利要求1所述的基于历史出行规律的目的地预测方法，其特征在于：所述公司位置的预测中：基于集合M和集合N，采用聚类算法,预测出公司的位置是一个点，记为L点，将预测出的L点作为公司的位置，然后预测出公司的停车半径。
3.根据权利要求2所述的基于历史出行规律的目的地预测方法，其特征在于：所述预测公司的停车半径的方法为：在法定工作日内，每天第一次到达的位置和每天最后一次出发的位置中，选取离公司的位置小于2公里的出发点与公司的位置点的欧式距离组成一个距离序列，取该序列的最小值，估计获得半径基数，将半径基数乘以2，若半径基数乘以2的值小于1km，则取公司的停车半径r2为1km，若半径基数乘以2的值在1km-2km之间，则公司的半径r2等于半径基数乘以2的值，若半径基数乘以2的值大于2km，则取公司的停车半径r2为2km；
最后得到公司的位置是以L点为圆心，r2为半径的圆内。
4.根据权利要求3所述的基于历史出行规律的目的地预测方法，其特征在于：所述上班时间段为6:30 -8:30；所述下班时间段为17:00-21:00。
5.根据权利要求4所述的基于历史出行规律的目的地预测方法，其特征在于：所述预设时长为3h。
6.根据权利要求3或4所述的基于历史出行规律的目的地预测方法，其特征在于：采集用户1个月-2个月内的出行数据。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1～6中任一项所述的基于历史出行规律的目的地预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910701004.5A CN110428101B (zh) | 2019-07-31 | 2019-07-31 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910701004.5A CN110428101B (zh) | 2019-07-31 | 2019-07-31 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110428101A CN110428101A (zh) | 2019-11-08 |
| CN110428101B true CN110428101B (zh) | 2023-04-18 |
Family
ID=68411724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910701004.5A Active CN110428101B (zh) | 2019-07-31 | 2019-07-31 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110428101B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111649754A (zh) * | 2020-04-29 | 2020-09-11 | 上汽大众汽车有限公司 | 一种基于熟路路线的导航方法、系统和服务器 |
| CN112101656A (zh) * | 2020-09-11 | 2020-12-18 | 上海博泰悦臻网络技术服务有限公司 | 基于用户地址信息的管控方法、介质、服务端及系统 |
| CN114596664A (zh) * | 2020-11-19 | 2022-06-07 | 上海擎感智能科技有限公司 | 一种车辆租赁方法、装置、电子设备及计算机存储介质 |
| CN115249384B (zh) * | 2022-07-19 | 2023-06-20 | 重庆长安汽车股份有限公司 | 停车缴费方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106157673A (zh) * | 2016-07-07 | 2016-11-23 | 广州华途信息科技有限公司 | 一种基于智能感知的公交出行信息提醒系统及方法 |
| CN108286980A (zh) * | 2017-12-29 | 2018-07-17 | 广州通易科技有限公司 | 一种预测目的地和推荐驾驶路线的方法 |
| EP3514738A1 (en) * | 2018-01-23 | 2019-07-24 | Toyota Jidosha Kabushiki Kaisha | Demand prediction apparatus, redistribution plan generation apparatus, user model generation apparatus |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4092310B2 (ja) * | 2003-06-18 | 2008-05-28 | 松下電器産業株式会社 | 車載情報提示装置及び方法並びに車載情報提示用プログラム |
| DE102004032495A1 (de) * | 2004-07-05 | 2006-01-26 | Siemens Ag | Verfahren und Routenplanungssystem zur dynamischen Routenplanung |
| JP4130847B2 (ja) * | 2006-09-28 | 2008-08-06 | 松下電器産業株式会社 | 移動先予測装置およびその方法 |
| US20120166345A1 (en) * | 2010-12-27 | 2012-06-28 | Avaya Inc. | System and method for personalized customer service objects in contact centers |
| CN103869766B (zh) * | 2012-12-12 | 2017-05-03 | 重庆长安汽车股份有限公司 | 车用非接触控制系统及控制方法 |
| JP6462264B2 (ja) * | 2014-08-07 | 2019-01-30 | 株式会社インテック | 目的地予測装置、目的地予測方法、及びプログラム |
| WO2017191525A2 (en) * | 2016-05-03 | 2017-11-09 | Yembo, Inc. | Systems and methods for providing ai-based cost estimates for services |
| CN109784970B (zh) * | 2018-12-13 | 2020-09-25 | 交控科技股份有限公司 | 一种基于afc乘客乘车数据的服务推荐方法及装置 |
| CN109685482B (zh) * | 2019-01-14 | 2020-10-30 | 山东建筑大学 | 人、机、物信息融合的智能建筑管理方法、系统与应用 |
| CN109726874A (zh) * | 2019-01-18 | 2019-05-07 | 创新奇智(北京)科技有限公司 | 出行线路规划方法、装置、计算设备及存储介质 |
| CN109948070B (zh) * | 2019-03-13 | 2022-08-09 | 深圳市同行者科技有限公司 | 一种家和公司位置的分析确定方法、存储介质及终端 |
-
2019
- 2019-07-31 CN CN201910701004.5A patent/CN110428101B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106157673A (zh) * | 2016-07-07 | 2016-11-23 | 广州华途信息科技有限公司 | 一种基于智能感知的公交出行信息提醒系统及方法 |
| CN108286980A (zh) * | 2017-12-29 | 2018-07-17 | 广州通易科技有限公司 | 一种预测目的地和推荐驾驶路线的方法 |
| EP3514738A1 (en) * | 2018-01-23 | 2019-07-24 | Toyota Jidosha Kabushiki Kaisha | Demand prediction apparatus, redistribution plan generation apparatus, user model generation apparatus |
Non-Patent Citations (1)
| Title |
|---|
| 乔岩磊 ; 杜永萍 ; 赵东 ; .基于高斯分析的马尔可夫位置预测方法.计算机技术与发展.2017,(第01期),47-50、56. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110428101A (zh) | 2019-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110428101B (zh) | 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 | |
| JP5350703B2 (ja) | 交通情報生成装置、コンピュータプログラム、及び交通情報の生成方法 | |
| CA2961928C (en) | Methods and systems of managing parking space occupancy | |
| CN112602128B (zh) | 道路交通导航系统 | |
| JP6919405B2 (ja) | デジタルサイネージ制御装置、デジタルサイネージ制御方法、プログラム、記録媒体 | |
| CN106297280A (zh) | 一种信息处理方法和装置 | |
| CN108225356B (zh) | 一种基于货车历史轨迹的货运导航方法及装置 | |
| EP2650854B1 (en) | Traffic information creating device, traffic information creating method and program | |
| JP2006277165A (ja) | 交通事故発生予測システム及びカーナビゲーション装置 | |
| EP3183536A1 (en) | Route planning device and associated method | |
| CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
| CN104123833A (zh) | 一种道路状况的规划方法和装置 | |
| JP7078125B2 (ja) | 乗降地点提供システム、データサーバー及び乗降地点提供方法 | |
| CN106382939A (zh) | 一种基于历史数据的导航路径行驶时间预测系统及方法 | |
| JP6451282B2 (ja) | 運転操作に関する分析データ生成プログラム、分析データ生成方法、ポスター、および情報処理装置 | |
| CN103177562A (zh) | 一种获取交通状态预测所需信息的方法及装置 | |
| Jiang et al. | A multi-period analysis of taxi drivers' behaviors based on GPS trajectories | |
| CN111858790A (zh) | 一种绕路提醒的方法、装置、电子设备及介质 | |
| CN106225793A (zh) | 基于经验的导航算法 | |
| JP2018077756A (ja) | 対象経路を含む移動位置範囲群に基づき通行量を推定する装置、プログラム及び方法 | |
| US20110166778A1 (en) | Information providing device and information providing system | |
| JP4814142B2 (ja) | リンク旅行時間の算出装置 | |
| JP4814141B2 (ja) | 迂回ルート抽出装置及び方法 | |
| JP7112707B2 (ja) | 作業員状況収集システム、作業員状況収集装置及び作業員状況収集方法 | |
| JP6982237B2 (ja) | 候補位置評価プログラム、候補位置評価装置、及び候補位置評価方法 |
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 |