CN110533254B - 一种路段识别方法、装置、设备及存储介质 - Google Patents

一种路段识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110533254B
CN110533254B CN201910833824.XA CN201910833824A CN110533254B CN 110533254 B CN110533254 B CN 110533254B CN 201910833824 A CN201910833824 A CN 201910833824A CN 110533254 B CN110533254 B CN 110533254B
Authority
CN
China
Prior art keywords
road section
information
congested
model
road
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
Application number
CN201910833824.XA
Other languages
English (en)
Other versions
CN110533254A (zh
Inventor
李传学
王柱人
闫瑞波
陈晓龙
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.)
Baidu Online Network Technology Beijing Co Ltd
Original Assignee
Baidu Online Network Technology Beijing 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 Baidu Online Network Technology Beijing Co Ltd filed Critical Baidu Online Network Technology Beijing Co Ltd
Priority to CN201910833824.XA priority Critical patent/CN110533254B/zh
Publication of CN110533254A publication Critical patent/CN110533254A/zh
Application granted granted Critical
Publication of CN110533254B publication Critical patent/CN110533254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/3492—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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种路段识别方法、装置、设备及存储介质，涉及智能交通技术领域。具体实现方案为：获取待识别路段，并确定与所述待识别路段对应的路段特征信息；将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定所述待识别路段的路段避堵属性；其中，所述路段避堵属性包括避堵路段和非避堵路段。通过上述技术方案能够对路段的避堵属性进行识别，为后续进行路线推荐提供参照依据。

Description

一种路段识别方法、装置、设备及存储介质
技术领域
本申请涉及数据处理技术领域，尤其涉及智能交通技术领域。
背景技术
随着城市化的快速发展和人民生活水平的提高，私家车像智能手机一样普及，几乎每家都有一辆小汽车。地图类的应用成为人们出门必备的工具。
现有技术中，在使用地图应用的时候，会向用户推荐畅通和用时最少的路线，以节约用户出行成本，为用户出行特别是高峰期出行带来便利。
然而，在当前时段出发地到目的地之间的多条路线都需要经过拥堵路段时，现有技术无法提供相应的应对策略，为用户进行合适路线的选择，降低了用户的出行效率。
发明内容
本申请实施例提供了一种路段识别方法、装置、设备及存储介质，以有效识别路段中的避堵路段，为后续进行路线推荐提供参照依据。
第一方面本申请实施例提供了一种路段识别方法，包括：
获取待识别路段，并确定与所述待识别路段对应的路段特征信息；
将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定所述待识别路段的路段避堵属性；其中，所述路段避堵属性包括避堵路段和非避堵路段。
上述申请中的一个实施例具有如下有益效果：能够有效识别路段中的避堵路段，为后续进行路线推荐提供参照。本申请实施例通过获取待识别路段，并确定与待识别路段对应的路段特征信息，并将路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定待识别路段属于避堵路段或非避堵路段，为后续进行路线推荐提供参照依据。
可选的，在将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型之前，所述方法还包括：
对预设的路段识别模型进行模型训练；
相应的，对预设的路段识别模型进行模型训练，包括：
获取向用户进行路段推荐时所推荐路线中包括的拥堵路段，并确定与所述拥堵路段对应的路段特征信息；
将所述拥堵路段对应的路段特征信息和所述用户对所述拥堵路段的实际响应标签作为训练样本对，对所述路段识别模型进行模型训练。
上述可选实施方式通过向用户进行路段推荐时所推荐路线中的拥堵路段对应的路段特征信息，以及用户对拥堵路段的实际响应标签，对预设的路段识别模型进行训练，完善了路段识别模型的训练机制，从而达到采用训练好的路段识别模型，根据待识别路段的路段特征信息进行路段避堵属性预测的效果。
可选的，在将所述拥堵路段对应的路段特征信息和所述用户对所述拥堵路段的实际响应标签作为训练样本对，对所述路段识别模型进行模型训练之前，还包括：
根据所述用户对所述推荐路线的通行情况，确定所述用户对所述拥堵路段的实际响应标签。
上述可选实施方式完善了实际响应标签的确定机制，使得在无法直接进行实际响应标签获取的情况下，依然能够获知用户对拥堵路段的实际响应标签的确定。
可选的，根据所述用户对所述推荐路线的通行情况，确定所述用户对所述拥堵路段的实际响应标签，包括：
根据所述用户对所述推荐路线的通行情况，识别所述推荐路线中的偏航路段；
确定所述拥堵路段是否属于所述偏航路段，若是，则将所述拥堵路段对应的实际响应标签设置为正样本标签，否则将所述拥堵路段对应的实际响应标签设置为负样本标签。
上述可选实施方式通过用户对待推荐路线的通行情况，进行偏航路段的识别，并根据拥堵路段与偏航路段之间的所属关系进行实际响应标签的确定，在实际响应标签无法直接获取时，实现了对实际响应标签的自动确定。
可选的，确定与所述拥堵路段对应的路段特征信息，包括：
对所述拥堵路段的路段关联信息中的数值信息和/或类别信息进行特征处理，将特征处理后的路段关联信息作为所述路段特征信息。
上述可选实施方式通过对路段关联信息中特定类型数据进行特征处理，实现了路段关联信息的结构化，为路段识别模型的成功训练提供保障。
可选的，路段关联信息包括路段基本属性信息、路段通行速度信息、路段通行时间信息、和路段拥堵概率信息中的至少一种。
上述可选实施方式通过对路段关联信息进一步细化，使得在路段识别模型的训练阶段综合考量路段在不同维度下的属性信息，提高了路段避堵属性识别结果的可信度。
可选的，所述预设的路段识别模型，包括极端梯度提升模型、多层感知机模型以及实体嵌入深度学习模型中的至少一种。
上述可选实施方式通过极端梯度提升模型、多层感知机模型以及实体嵌入深度学习模型等模型的使用，提高了训练好的路段识别模型的模型精度，进而提高了路段避堵属性识别结果的可信度。
可选的，若所述预设的路段识别模型包括极端梯度提升模型，则对所述拥堵路段的路段关联信息中的数值信息进行特征处理，包括：
对所述拥堵路段的路段关联信息中的数值信息进行整型处理，以将所述数值信息中的非整型数值转化为整型数值；
对所述拥堵路段的路段关联信息中的类别信息进行特征处理，包括：
对所述拥堵路段的路段关联信息中的类别信息进行标记编码，以将各所述类别信息对应的类别值转化为连续整型数值。
可选的，若所述预设的路段识别模型包括多层感知机模型，则对所述拥堵路段的路段关联信息中的数值信息进行特征处理，包括：
对所述拥堵路段的路段关联信息中的数值信息进行归一化处理；
对所述拥堵路段的路段关联信息中的类别信息进行特征处理，包括：
对所述拥堵路段的路段关联信息中的类别信息进行独热编码，以将各所述类别信息对应的类别值转化为二进制向量。
可选的，若所述预设的路段识别模型包括实体嵌入深度学习模型，则对所述拥堵路段的路段关联信息中的数值信息进行特征处理，包括：
对所述拥堵路段的路段关联信息中的数值信息进行归一化处理；
对所述拥堵路段的路段关联信息中的类别信息进行特征处理，包括：
对所述拥堵路段的路段关联信息中的类别信息进行实体嵌入处理，以将各所述类别信息对应的类别值转化为稠密向量。
上述各可选实施方式，针对不同模型采用不同方法对拥堵路段的路段关联信息进行特征处理，为路段识别模型的成功训练提供保证，减少了路段识别模型的成本投入，同时提高了路段识别模型的模型精度。
可选的，在根据模型输出结果确定所述待识别路段的路段避堵属性之后，所述方法还包括：
若所述待识别路段为避堵路段，则在对用户进行路线推荐时采用惩罚因子对所述待识别路段的速度权值进行多次加权，以多次降低所述待识别路段的速度权值，并基于加权后的速度权值进行路线推荐。
上述可选实施方式在进行路线推荐过程中，通过对避堵路段对应的速度权值进行多次加权，降低避堵路段的速度权值，为拥堵路段的推荐提供了新的推荐策略，使得在当前时段出发地到目的地之间的多条路线都需要经过拥堵路段时，能够为用户进行合适路线的选择，降低用户的出行效率。
第二方面，本申请实施例还提供了一种路段识别装置，包括：
特征信息确定模块，用于获取待识别路段，并确定与所述待识别路段对应的路段特征信息；
避堵属性确定模块，用于将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定所述待识别路段的路段避堵属性；其中，所述路段避堵属性包括避堵路段和非避堵路段。
第三方面，本申请实施例还提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面实施例所提供的一种路段识别方法。
第四方面，本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-11中任一项所述的一种路段识别方法。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例一中的一种路段识别方法的流程图；
图2是本申请实施例二中的一种路段识别方法的流程图；
图3是本申请实施例三中的一种路段识别方法的流程图；
图4A是本申请实施例四中的一种路段识别方法的流程图；
图4B是本申请实施例四中的一种正样本示意图；
图4C是本申请实施例四中的一种负样本示意图；
图4D是本申请实施例四中的一种多层感知机模型的结构图；
图4E是本申请实施例四中的一种实体嵌入深度学习模型的结构图；
图4F是本申请实施例四中的预测结果对比图；
图5是本申请实施例五中的一种路段识别装置的结构图；
图6是用来实现本申请实施例的路段识别方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例一中的一种路段识别方法的流程图。本申请实施例适用于对路段的避堵属性进行识别的情况，该方法由路段识别装置执行，该装置通过软件和/或硬件实现，并具体配置于具备一定数据运算能力的电子设备中。
如图1所示的一种路段识别方法，包括：
S101、获取待识别路段，并确定与所述待识别路段对应的路段特征信息。
其中，待识别路段可以是在进行路线推荐时所推荐路线中的路段，还可以是用户在地图类或与地图类应用所关联的其他应用中进行路段查询时所输入的路段。
其中，路段特征信息用于表征待识别路段的诸如路段基本属性信息、路段通行速度信息、路段通行时间信息、和路段拥堵概率信息等路段关联信息。
示例性地，路段基本属性信息包括但不限于道路所属省份、道路宽度、道路功能等级、道路限速等级、车道数、和道路形态。道路通信速度信息包括但不限于路段畅通速度、路段缓行速度、路段拥堵速度和路段严重拥堵速度。路段通行时间信息包括但不限于路段在各通行时段、或不同通行时刻所对应的通行时间均值、方差、标准差、和分位数等统计特征。路段拥堵概率信息包括但不限于路段的缓行拥堵概率、拥堵概率和严重拥堵概率。
可选的，可以预先将待识别路段以及与待识别路段对应的路段特征信息预先存储在电子设备本地、或与电子设备所关联的其他存储设备或云端中，并在需要时进行获取。
或者可选的，还可以预先将待识别路段以及与待识别路段对应的历史出行信息和道路自身属性预先存储在电子设备本地、或与电子设备所关联的其他存储设备或云端中；相应的，确定与所述待识别路段对应的路段特征信息，可以是获取待识别路段对应的历史出行信息和道路自身属性，并提取历史出行信息和道路自身属性中的路段关联信息；对路段关联信息进行特征处理，以将路段关联信息转化为结构化数据，并将特征处理后的路段关联信息作为路段特征信息。
S102、将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定所述待识别路段的路段避堵属性；其中，所述路段避堵属性包括避堵路段和非避堵路段。
其中，路段识别模型用于根据待识别路段的路段特征信息，进行待识别路段的路段避堵属性的识别。其中，路段避堵属性包括避堵路段，表征此路段可能是拥堵路段，而用户通常倾向于绕过该路段继续行驶。路段避堵属性还包括非避堵路段，表征此路段可能是拥堵路段，但用户通常倾向于在该路段继续等待通行；或者表征此路段可能是非拥堵路段，用户通常在该路段直接通行。
其中，路段识别模型可以基于大量路段对应的路段特征信息以及确定的路段避堵属性，进行模型训练，直至所训练的模型精度满足预测需求。
示例性地，路段识别模型可以采用极端梯度提升(eXtreme Gradient Boosting，XGBoost)模型、多层感知机(Multi-Layer Perception，MLP)模型以及实体嵌入深度学习(Entity Embeddings Deep Learning)模型等模型中的至少一种。
本申请实施例通过获取待识别路段，并确定与待识别路段对应的路段特征信息，并将路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定待识别路段属于避堵路段或非避堵路段，为后续进行路线推荐提供参照依据。
在上述各实施例的技术方案的基础上，为了适配通过地图类应用进行路线推荐这一应用场景，在根据模型输出结果确定所述待识别路段的路段避堵属性之后，还可以基于待识别路段的路段避堵属性，进行路线推荐。示例性地，若所述待识别路段为避堵路段，则在对用户进行路线推荐时采用惩罚因子对所述待识别路段的速度权值进行多次加权，以多次降低所述待识别路段的速度权值，并基于加权后的速度权值进行路线推荐。其中，惩罚因子可以由技术人员根据经验值设定为固定值，或者按照一定的调节机制进行数值的动态确定。其中，惩罚因子为大于0小于1的数值。
上述可选实施方式在进行路线推荐过程中，通过对避堵路段对应的速度权值进行多次加权，降低避堵路段的速度权值，为拥堵路段的推荐提供了新的推荐策略，使得在当前时段出发地到目的地之间的多条路线都需要经过拥堵路段时，能够为用户进行合适路线的选择，降低用户的出行效率。
实施例二
图2是本申请实施例二中的一种路段识别方法的流程图，本申请实施例在上述各实施例的基础上进行了优化改进。
进一步地，在操作“将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型”之前，追加“对预设的路段识别模型进行模型训练”操作；相应的，将“对预设的路段识别模型进行模型训练”细化为“获取向用户进行路段推荐时所推荐路线中包括的拥堵路段，并确定与所述拥堵路段对应的路段特征信息；将所述拥堵路段对应的路段特征信息和所述用户对所述拥堵路段的实际响应标签作为训练样本对，对所述路段识别模型进行模型训练”，以完善路段识别模型的模型训练机制。
如图2所示的一种路段识别方法，包括：
S201、获取向用户进行路段推荐时所推荐路线中包括的拥堵路段，并确定与所述拥堵路段对应的路段特征信息。
可选的，获取向用户进行路段推荐时所推荐路线中包括的拥堵路段，可以是从电子设备本地、与电子设备关联的其他存储设备或云端中进行推荐路线的获取，并将推荐路线中各路段对应的拥堵标识，确定拥堵路段；或者可选的，还可以获取推荐路线以及用户在推荐路线中不同路段的出行时间或出行速度信息，将平均出行时间大于设定时间阈值、或平均出行速度小于设定速度阈值时的路段确定为拥堵路段。
示例性地，确定与拥堵路段对应的路段特征信息，可以从电子设备本地、与电子设备关联的其他存储设备或云端中，直接根据拥堵路段对应的路段标识进行路段特征信息的查找获取；或者，还可以从电子设备本地、与电子设备关联的其他存储设备或云端中，根据拥堵路段对应的路段标识进行路段关联信息的查找获取，并对路段关联信息进行特征处理，得到路段特征信息。
S202、将所述拥堵路段对应的路段特征信息和所述用户对所述拥堵路段的实际响应标签作为训练样本对，对所述路段识别模型进行模型训练。
其中，用户对拥堵路段的实际响应标签，可以预先存储在电子设备本地、与电子设备关联的其他存储设备或云端中，并在需要时进行查找获取；或者还可以根据用户在推荐路线的通行情况进行实际响应标签的确定。
在本申请实施例的一种可选实施方式中，根据所述用户对所述推荐路线的通行情况，确定所述用户对所述拥堵路段的实际响应标签，可以是根据所述用户对所述推荐路线的通行情况，识别所述推荐路线中的偏航路段；确定所述拥堵路段是否属于所述偏航路段，若是，则将所述拥堵路段对应的实际响应标签设置为正样本标签，否则将所述拥堵路段对应的实际响应标签设置为负样本标签。
可以理解的是，通过用户对待推荐路线的通行情况，进行偏航路段的识别，并根据拥堵路段与偏航路段之间的所属关系，进行实际响应标签的确定，使得在无法直接获取实际响应标签的情况下，实现了对实际响应标签的自动确定。
将正样本标签和与正样本标签对应的拥堵路段形成正训练样本对，将负样本标签和与负样本标签对应的拥堵路段形成负训练样本对；采用多个正训练样本对和负训练样本对形成训练样本集，对预设的路段识别模型进行模型训练；将部分已知实际响应标签的路段和相应的实际响应标签形成验证样本集，对已训练的路段识别模型进行验证，直至所训练的路段识别模型预测结果满足设定精度需求。其中，设定精度需求由技术人员根据需要或经验值进行设定。
S203、获取待识别路段，并确定与所述待识别路段对应的路段特征信息。
S204、将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定所述待识别路段的路段避堵属性；其中，所述路段避堵属性包括避堵路段和非避堵路段。
本申请实施例通过在将路段特征信息作为预测样本输入至预先训练好的路段识别模型之前，追加模型训练操作；通过获取向用户进行路段推荐时所推荐路线中包括的拥堵路段，并确定与拥堵路段对应的路段特征信息；将拥堵路段对应的路段特征信息和用户对拥堵路段的实际响应标签作为训练样本对，对路段识别模型进行模型训练，完善了路段识别模型的训练机制，从而达到采用训练好的路段识别模型，根据待识别路段的路段特征信息进行路段避堵属性预测的效果。
实施例三
图3是本申请实施例三中的一种路段识别方法的流程图，本申请实施例在上述各实施例的基础上进行了优化改进。
进一步地，将操作“确定与所述拥堵路段对应的路段特征信息”细化为“对所述拥堵路段的路段关联信息中的数值信息和/或类别信息进行特征处理，将特征处理后的路段关联信息作为所述路段特征信息”，以完善路段特征信息的确定机制。
如图3所示的一种路段识别方法，包括：
S301、获取向用户进行路段推荐时所推荐路线中包括的拥堵路段。
S302、对所述拥堵路段的路段关联信息中的数值信息和/或类别信息进行特征处理，将特征处理后的路段关联信息作为所述路段特征信息。
示例性地，路段关联信息包括路段基本属性信息、路段通行速度信息、路段通行时间信息、和路段拥堵概率信息中的至少一种。通过对上述各个维度的路段关联信息的特征处理，得到不同维度下的路段特征信息，使得在模型阶段能够综合考量多方面信息，最终提高了进行路段避堵属性识别结果的可信度。
其中，路段基本属性信息属于类别信息，包括但不限于道路所属省份、道路宽度、道路功能等级、道路限速等级、车道数、和道路形态；路段通行速度信息属于数值信息，包括但不限于路段畅通速度、路段缓行速度、路段拥堵速度和路段严重拥堵速度；路段通行时间信息属于数值信息，包括但不限于路段在各通行时段、或不同通行时刻所对应的通行时间均值、方差、标准差、和分位数等统计特征；路段拥堵概率信息属于数值信息，包括但不限于路段的缓行拥堵概率、拥堵概率和严重拥堵概率。
可以理解的是，由于后续进行模型训练时所采用的模型的种类不同，不同模型进行训练时所输入的训练样本的数据格式也不同，因此，需要针对所训练模型的种类对路段关联信息进行不同的特征处理。
在本申请实施例的一种可选实施方式中，若所述预设的路段识别模型包括极端梯度提升模型，则对所述拥堵路段的路段关联信息中的数值信息进行特征处理，可以是：对所述拥堵路段的路段关联信息中的数值信息进行整型处理，以将所述数值信息中的非整型数值转化为整型数值。对所述拥堵路段的路段关联信息中的类别信息进行特征处理，可以是：对所述拥堵路段的路段关联信息中的类别信息进行标记编码，以将各所述类别信息对应的类别值转化为连续整型数值。
在本申请实施例的另一可选实施方式中，若所述预设的路段识别模型包括多层感知机模型，则对所述拥堵路段的路段关联信息中的数值信息进行特征处理，可以是：对所述拥堵路段的路段关联信息中的数值信息进行归一化处理。对所述拥堵路段的路段关联信息中的类别信息进行特征处理，可以是：对所述拥堵路段的路段关联信息中的类别信息进行独热(one-hot)编码，以将各所述类别信息对应的类别值转化为二进制向量。
在本申请实施例的又一可选实施方式中，若所述预设的路段识别模型包括实体嵌入深度学习模型，则对所述拥堵路段的路段关联信息中的数值信息进行特征处理，可以是：对所述拥堵路段的路段关联信息中的数值信息进行归一化处理。对所述拥堵路段的路段关联信息中的类别信息进行特征处理，可以是：对所述拥堵路段的路段关联信息中的类别信息进行实体嵌入处理，以将各所述类别信息对应的类别值转化为稠密向量。
S303、将所述拥堵路段对应的路段特征信息和所述用户对所述拥堵路段的实际响应标签作为训练样本对，对所述路段识别模型进行模型训练。
S304、获取待识别路段，并确定与所述待识别路段对应的路段特征信息。
S305、将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定所述待识别路段的路段避堵属性；其中，所述路段避堵属性包括避堵路段和非避堵路段。
本申请实施例通过在确定与拥堵路段对应的路段特征信息时，对拥堵路段的路段关联信息中的数值信息和类别信息分别进行特征处理的方式，实现了路段关联信息的结构化，为路段识别模型的成功训练提供了保障，间接提高了路段识别模型的模型精度。
实施例四
图4A是本申请实施例四中的一种路段识别方法的流程图，本申请实施例在上述各实施例的技术方案的基础上，提供了一种优选实施方式。
其中，如图4A所示的路段识别方法，包括：
S410、样本准备阶段；
S420、模型训练阶段；
S430、模型使用阶段。
其中，在样本准备阶段，包括：
S411、获取用户的个人熟路历史轨迹。
S412、针对每次导航轨迹中的偏航信息，确定偏航起始点之后导航主线的路线设定距离内的拥堵路段作为正样本。
参见图4B，导航主线(A-B-C-D-E)是指初始导航中用户所选中的路线；偏航路线(B-F-G-H-I-J-D)是指用户未完全按照导航主线进行形式的其他路线。一般的，当导航轨迹中出现偏航信息时，可以理解为在偏航路线对应的导航主线部分的路段产生了拥堵，该拥堵路段(B-C-D)可能由于消散拥堵所耗费时间较长，大部分用户在出行时会选择主动规避，此时，将用户主动规避的拥堵路段作为正样本。其中，设定距离可以设置为3km。
S413、针对每次导航轨迹中用户通过的拥堵路段，作为负样本。
参见图4C，在导航主线“A-B-C-D”中，“B-C”对应的路段为拥堵路段，该拥堵路段可能由于消散拥堵所耗费的时间较短，大部分用户在出行时不倾向于规避，此时，将用户不主动规避的拥堵路段作为负样本。
参见图4B，若在用户的偏航路线中，还包括拥堵路段“G-H-I”，同样将该用户主动选择的拥堵路段设置为负样本。
S414、获取各正负样本对应的路段关联信息。
其中，路段关联信息包括路段基本属性信息、路段通行速度信息、路段通行时间信息和路段拥堵概率信息。其中，路段基本属性信息为类别信息；路段通行速度信息、路段通行时间信息和路段拥堵概率信息为数值信息。
S415、将路段关联信息中的各类别信息转化为数值信息。
S416、对路段关联信息中的各数值信息进行预处理。
本申请实施例给出了三种不同的训练模型：XGBoost模型、MLP模型和实体嵌入深度学习模型，进行示例性说明。
其中，XGBoost模型属于集成学习模型，它的基本思想是把成百上千个分类准确率较低的树模型组合起来，成为一个准确率较高的模型。针对XGBoost模型，采用标记编码的方式，将正负样本的路段基本属性信息中的各类别信息转化为连续整型数值；将路段通行速度信息、路段通行时间信息和路段拥堵概率信息中的各数值信息中的非整型数值转化为整型数值。
其中，MLP模型，可参见图4D所示的模型结构示意图，该模型由多个神经网络层全连接得到，通过前向传播得到预测值，利用反向传播更新模型参数。其中MLP模型包括两个隐藏层，这两个隐藏层均为全连接网络；两个激活层，采用relu激活函数；在各激活层之前引入归一化层，将隐含层的输出值进行归一化处理；在每个激活层之后添加丢弃层，以防止模型过拟合。
针对MLP模型，对正负样本的路段基本属性信息中的各类别信息进行one-hot编码，以将各类别信息对应的类别值转化为二进制向量；将路段通行速度信息、路段通行时间信息和路段拥堵概率信息中的各数值信息进行归一化处理，以消除样本的个体差异带来的影响。
其中，实体嵌入深度学习模型，可参见图4E所示的模型结构示意图，该模型对正负样本的路段基本属性信息中的各类别信息进行实体嵌入处理，以将各类别信息对应的类别值转化为稠密向量；将路段通行速度信息、路段通行时间信息和路段拥堵概率信息中的各数值信息进行归一化处理，以消除样本的个体差异带来的影响。然后，将所有嵌入层的输出和归一化后的数值信息连接起来作为两个全连接网络隐藏层的输入，其余的网络结构与MLP模型的网络结构相似，在次不再赘述。
S417、将数值转化后和预处理后的各路段关联信息，组合得到路段特征信息。
S418、将正负样本对应的路段特征信息和相应的正负结果标签形成训练样本集和验证样本集。
示例性地，将正负样本对应的路段特征信息和相应的正负结果标签所形成的样本集中的80％作为训练样本集，20％作为验证样本集。
其中，模型训练阶段，包括：
S421、将训练样本集输入至预先设定的路段识别模型，以优化路段识别模型中的模型参数。
S422、将验证样本集输入至训练好的路段识别模型中，根据模型输出结果确定对模型进行评价。
可以通过模型的准确率(accuracy)、灵敏度(sensitivity)、特异性(specificity)等对模型进行评价。
sensitivity＝TP/TP+FN；
specificity＝TN/FP+TN；
accuracy＝(TP+TN)/(TP+FP+FN+TN)；
其中，TP为实际为正样本，且被识别为正样本；TN为实际为负样本，且被识别为负样本；FN为实际为正样本，但被识别为负样本；FP为实际为负样本，但被识别为正样本。
以准确率为例，对XGBoost模型、MLP模型和实体嵌入深度学习模型的模型训练结果汇总如下表所示：
模型 准确率
XGBoost模型 0.900792
MLP模型 0.903187
实体嵌入深度学习模型 0.913387
从表中可以看出XGBoost和MLP模型在准确率上表现相当，而实体嵌入深度学习模型相较XGBoost和MLP模型的准确率较高。
其中，模型试用阶段，包括：
S431、获取待识别路段的路段关联信息。
其中，路段关联信息包括路段基本属性信息、路段通行速度信息、路段通行时间信息和路段拥堵概率信息。
S432、对路段关联信息中的类别信息和数值信息进行特征处理，得到路段特征信息。
需要说明的是，在模型试用阶段，对路段关联信息的处理方式与模型训练阶段的处理方式一一对应，在此不再赘述。
S433、将路段特征信息作为预测样本输入至路段识别模型中，得到待识别路段对应的路段避堵属性。
S434、若待识别路段为避堵路段，则对用户进行路线推荐时采用惩罚因子对所述待识别路段的速度权值进行多次加权，以多次降低所述待识别路段的速度权值。
S435、基于加权后的速度权值进行路线推荐。
参见图4F所示的预测结果对比图，在出发地A与目的地H之间的路段，现有技术没有进行避堵路段和非避堵路段的识别，所推荐路段为经过拥堵路段“F-G”的旧路线“A-B-C-D-E-F-G-H”；通过本申请实施例的技术方案，对识别出“F-G”为避堵路段后，通过对经过“F-G”路段的推荐路线的速度权值进行额外惩罚，重新确定了新路线“A-B-C-D-I-G-H”，新路线规避了拥堵路段“F-G”。
实施例五
图5是本申请实施例五中的一种路段识别装置的结构图，本申请实施例适用于对路段的避堵属性进行识别的情况，该装置通过软件和/或硬件实现，并具体配置于具备一定数据运算能力的电子设备中。
如图5所示的一种路段识别装置500，包括：特征信息确定模块501和避堵属性确定模块502。
特征信息确定模块501，用于获取待识别路段，并确定与所述待识别路段对应的路段特征信息；
避堵属性确定模块502，用于将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定所述待识别路段的路段避堵属性；其中，所述路段避堵属性包括避堵路段和非避堵路段。
本申请实施例通过特征信息确定模块获取待识别路段，并确定与待识别路段对应的路段特征信息，并通过避堵属性确定模块将路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定待识别路段属于避堵路段或非避堵路段，为后续进行路线推荐提供参照依据。
进一步地，在将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型之前，该装置还包括：
模型训练模块，用于对预设的路段识别模型进行模型训练；
相应的，模型训练模块，具体包括：
特征信息确定单元，用于获取向用户进行路段推荐时所推荐路线中包括的拥堵路段，并确定与所述拥堵路段对应的路段特征信息；
模型训练单元，用于将所述拥堵路段对应的路段特征信息和所述用户对所述拥堵路段的实际响应标签作为训练样本对，对所述路段识别模型进行模型训练。
进一步地，模型训练模块，还包括：
响应标签确定单元，用于在将所述拥堵路段对应的路段特征信息和所述用户对所述拥堵路段的实际响应标签作为训练样本对，对所述路段识别模型进行模型训练之前，根据所述用户对所述推荐路线的通行情况，确定所述用户对所述拥堵路段的实际响应标签。
进一步地，响应标签确定单元，具体用于：
根据所述用户对所述推荐路线的通行情况，识别所述推荐路线中的偏航路段；
确定所述拥堵路段是否属于所述偏航路段，若是，则将所述拥堵路段对应的实际响应标签设置为正样本标签，否则将所述拥堵路段对应的实际响应标签设置为负样本标签。
进一步地，特征信息确定单元，在执行确定与所述拥堵路段对应的路段特征信息时，具体用于：
对所述拥堵路段的路段关联信息中的数值信息和/或类别信息进行特征处理，将特征处理后的路段关联信息作为所述路段特征信息。
进一步地，所述路段关联信息包括路段基本属性信息、路段通行速度信息、路段通行时间信息、和路段拥堵概率信息中的至少一种。
进一步地，所述预设的路段识别模型，包括极端梯度提升模型、多层感知机模型以及实体嵌入深度学习模型中的至少一种。
进一步地，若路段关联信息中的数值信息进行整型处理，以将所述数值信息中的非整型数值转化为整型数值；
特征信息确定单元在执行对所述拥堵路段的路段关联信息中的类别信息进行特征处理时，具体用于：
对所述拥堵路段的路段关联信息中的类别信息进行标记编码，以将各所述类别信息对应的类别值转化为连续整型数值。
进一步地，若所述预设的路段识别模型包括多层感知机模型，则：
特征信息确定单元在执行对所述拥堵路段的路段关联信息中的数值信息进行特征处理时，具体用于：
对所述拥堵路段的路段关联信息中的数值信息进行归一化处理；
特征信息确定单元在执行对所述拥堵路段的路段关联信息中的类别信息进行特征处理时，具体用于：
对所述拥堵路段的路段关联信息中的类别信息进行独热编码，以将各所述类别信息对应的类别值转化为二进制向量。
进一步地，若所述预设的路段识别模型包括实体嵌入深度学习模型，则：
特征信息确定单元在执行对所述拥堵路段的路段关联信息中的数值信息进行特征处理时，具体用于：
对所述拥堵路段的路段关联信息中的数值信息进行归一化处理；
特征信息确定单元在执行对所述拥堵路段的路段关联信息中的类别信息进行特征处理时，具体用于：
对所述拥堵路段的路段关联信息中的类别信息进行实体嵌入处理，以将各所述类别信息对应的类别值转化为稠密向量。
进一步地，该装置还包括，路线推荐模块，具体用于：
在根据模型输出结果确定所述待识别路段的路段避堵属性之后，若所述待识别路段为避堵路段，则在对用户进行路线推荐时采用惩罚因子对所述待识别路段的速度权值进行多次加权，以多次降低所述待识别路段的速度权值，并基于加权后的速度权值进行路线推荐。
上述路段识别装置可执行本申请任意实施例所提供的路段识别方法，具备执行路段识别方法相应的功能模块和有益效果。
实施例六
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的路段识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的路段识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的路段识别方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的执行路段识别方法对应的程序指令/模块(例如，附图5所示的特征信息确定模块501和避堵属性确定模块502)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的路段识别方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据执行路段识别方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至执行路段识别方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
执行路段识别方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与执行路段识别方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过获取待识别路段，并确定与待识别路段对应的路段特征信息，并将路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定待识别路段属于避堵路段或非避堵路段，为后续进行路线推荐提供参照依据。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (13)

1.一种路段识别方法，其特征在于，包括：
获取待识别路段，并确定与所述待识别路段对应的路段特征信息；
将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定所述待识别路段的路段避堵属性；其中，所述路段避堵属性包括避堵路段和非避堵路段；其中，所述避堵路段表征此路段是拥堵路段，用户倾向于绕过该路段继续行驶；
其中，在将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型之前，所述方法还包括：
对预设的路段识别模型进行模型训练；
相应的，对预设的路段识别模型进行模型训练，包括：
获取向用户进行路段推荐时所推荐路线中包括的拥堵路段，并确定与所述拥堵路段对应的路段特征信息；
将所述拥堵路段对应的路段特征信息和所述用户对所述拥堵路段的实际响应标签作为训练样本对，对所述路段识别模型进行模型训练。
2.根据权利要求1所述的方法，其特征在于，在将所述拥堵路段对应的路段特征信息和所述用户对所述拥堵路段的实际响应标签作为训练样本对，对所述路段识别模型进行模型训练之前，还包括：
根据所述用户对所述推荐路线的通行情况，确定所述用户对所述拥堵路段的实际响应标签。
3.根据权利要求2所述的方法，其特征在于，根据所述用户对所述推荐路线的通行情况，确定所述用户对所述拥堵路段的实际响应标签，包括：
根据所述用户对所述推荐路线的通行情况，识别所述推荐路线中的偏航路段；
确定所述拥堵路段是否属于所述偏航路段，若是，则将所述拥堵路段对应的实际响应标签设置为正样本标签，否则将所述拥堵路段对应的实际响应标签设置为负样本标签。
4.根据权利要求1所述的方法，其特征在于，确定与所述拥堵路段对应的路段特征信息，包括：
对所述拥堵路段的路段关联信息中的数值信息和/或类别信息进行特征处理，将特征处理后的路段关联信息作为所述路段特征信息。
5.根据权利要求4所述的方法，其特征在于，所述路段关联信息包括路段基本属性信息、路段通行速度信息、路段通行时间信息、和路段拥堵概率信息中的至少一种。
6.根据权利要求1所述的方法，其特征在于，所述预设的路段识别模型，包括极端梯度提升模型、多层感知机模型以及实体嵌入深度学习模型中的至少一种。
7.根据权利要求4所述的方法，其特征在于，若所述预设的路段识别模型包括极端梯度提升模型，则对所述拥堵路段的路段关联信息中的数值信息进行特征处理，包括：
对所述拥堵路段的路段关联信息中的数值信息进行整型处理，以将所述数值信息中的非整型数值转化为整型数值；
对所述拥堵路段的路段关联信息中的类别信息进行特征处理，包括：
对所述拥堵路段的路段关联信息中的类别信息进行标记编码，以将各所述类别信息对应的类别值转化为连续整型数值。
8.根据权利要求4所述的方法，其特征在于，若所述预设的路段识别模型包括多层感知机模型，则对所述拥堵路段的路段关联信息中的数值信息进行特征处理，包括：
对所述拥堵路段的路段关联信息中的数值信息进行归一化处理；
对所述拥堵路段的路段关联信息中的类别信息进行特征处理，包括：
对所述拥堵路段的路段关联信息中的类别信息进行独热编码，以将各所述类别信息对应的类别值转化为二进制向量。
9.根据权利要求4所述的方法，其特征在于，若所述预设的路段识别模型包括实体嵌入深度学习模型，则对所述拥堵路段的路段关联信息中的数值信息进行特征处理，包括：
对所述拥堵路段的路段关联信息中的数值信息进行归一化处理；
对所述拥堵路段的路段关联信息中的类别信息进行特征处理，包括：
对所述拥堵路段的路段关联信息中的类别信息进行实体嵌入处理，以将各所述类别信息对应的类别值转化为稠密向量。
10.根据权利要求1-9任一项所述的方法，其特征在于，在根据模型输出结果确定所述待识别路段的路段避堵属性之后，所述方法还包括：
若所述待识别路段为避堵路段，则在对用户进行路线推荐时采用惩罚因子对所述待识别路段的速度权值进行多次加权，以多次降低所述待识别路段的速度权值，并基于加权后的速度权值进行路线推荐。
11.一种路段识别装置，其特征在于，包括：
特征信息确定模块，用于获取待识别路段，并确定与所述待识别路段对应的路段特征信息；
避堵属性确定模块，用于将所述路段特征信息作为预测样本输入至预先训练好的路段识别模型，根据模型输出结果确定所述待识别路段的路段避堵属性；其中，所述路段避堵属性包括避堵路段和非避堵路段；其中，所述避堵路段表征此路段是拥堵路段，用户倾向于绕过该路段继续行驶；
其中，所述路段识别模型的模型训练过程包括：
获取向用户进行路段推荐时所推荐路线中包括的拥堵路段，并确定与所述拥堵路段对应的路段特征信息；
将所述拥堵路段对应的路段特征信息和所述用户对所述拥堵路段的实际响应标签作为训练样本对，对所述路段识别模型进行模型训练。
12.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的一种路段识别方法。
13.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的一种路段识别方法。
CN201910833824.XA 2019-09-04 2019-09-04 一种路段识别方法、装置、设备及存储介质 Active CN110533254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910833824.XA CN110533254B (zh) 2019-09-04 2019-09-04 一种路段识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910833824.XA CN110533254B (zh) 2019-09-04 2019-09-04 一种路段识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110533254A CN110533254A (zh) 2019-12-03
CN110533254B true CN110533254B (zh) 2022-07-19

Family

ID=68666949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910833824.XA Active CN110533254B (zh) 2019-09-04 2019-09-04 一种路段识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110533254B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111829548A (zh) * 2020-03-25 2020-10-27 北京骑胜科技有限公司 危险路段的检测方法、装置、可读存储介质和电子设备
CN111710162B (zh) * 2020-07-07 2022-04-01 深圳市数字城市工程研究中心 一种城市路网交通运行状况监测方法及系统
CN112101187B (zh) * 2020-09-11 2024-05-28 腾讯科技（深圳）有限公司 道路识别方法、装置及电子设备
CN112179372B (zh) * 2020-10-09 2021-08-27 深圳市金沃德科技有限公司 基于5g人工智能车载终端设备
CN113447013B (zh) * 2021-06-24 2023-03-17 北京百度网讯科技有限公司 施工道路识别方法、装置、设备、存储介质和程序产品
CN114719880B (zh) * 2022-06-01 2022-09-23 阿里巴巴（中国）有限公司 模型训练方法、装置及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258422B (zh) * 2013-01-24 2015-06-10 辽宁工程技术大学 一种基于时间递推与神经网络耦合的交通路径动态诱导技术
CN103115626B (zh) * 2013-02-07 2016-01-20 上海雷腾软件股份有限公司 计算拥堵信息并基于其进行导航的方法、装置和设备
US10453337B2 (en) * 2015-06-25 2019-10-22 Here Global B.V. Method and apparatus for providing safety levels estimate for a travel link based on signage information
CN105679037B (zh) * 2016-03-29 2019-03-08 招商局重庆交通科研设计院有限公司 一种基于用户出行习惯的动态路径规划方法

Also Published As

Publication number Publication date
CN110533254A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110533254B (zh) 一种路段识别方法、装置、设备及存储介质
CN112560496A (zh) 语义分析模型的训练方法、装置、电子设备及存储介质
WO2022141858A1 (zh) 行人检测方法、装置、电子设备及存储介质
CN111611955A (zh) 可通行施工道路的识别方法、装置、设备及存储介质
CN112509585A (zh) 车载设备的语音处理方法、装置、设备及存储介质
CN111859181A (zh) 跨区域的出行推荐方法、装置、电子设备及存储介质
CN111640425A (zh) 一种模型训练和意图识别方法、装置、设备及存储介质
CN110543558A (zh) 问题匹配方法、装置、设备和介质
CN114715145B (zh) 一种轨迹预测方法、装置、设备及自动驾驶车辆
CN112507702A (zh) 文本信息的抽取方法、装置、电子设备及存储介质
CN112016326A (zh) 一种地图区域词识别方法、装置、电子设备和存储介质
CN113283272A (zh) 道路拥堵的实时影像信息提示方法、装置和电子设备
CN114543829A (zh) 模型训练方法、导航轨迹的推荐方法、装置及车辆
CN110909136A (zh) 满意度预估模型的训练方法、装置、电子设备及存储介质
CN112382291B (zh) 语音交互的处理方法、装置、电子设备及存储介质
CN113420692A (zh) 生成方向识别模型的方法、装置、设备、介质及程序产品
US20230144288A1 (en) Method for determining intersection missing traffic restriction information, and electronic device
CN112070288A (zh) 出发时间预估方法、装置、设备以及存储介质
CN111767946A (zh) 医学影像分级模型训练及预测方法、装置、设备及介质
CN115273148A (zh) 行人重识别模型训练方法、装置、电子设备及存储介质
CN112559881A (zh) 步行路线确定方法、装置、电子设备及存储介质
CN111753960A (zh) 模型训练及图像处理方法、装置、电子设备、存储介质
CN113741459B (zh) 确定训练样本的方法和自动驾驶模型的训练方法、装置
CN116383491B (zh) 信息推荐方法、装置、设备、存储介质和程序产品
CN115761437B (zh) 基于视觉转换器的图像处理方法、训练方法和电子设备

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