CN111141301A - 导航终点确定方法、装置、存储介质和计算机设备 - Google Patents
导航终点确定方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN111141301A CN111141301A CN201911355588.1A CN201911355588A CN111141301A CN 111141301 A CN111141301 A CN 111141301A CN 201911355588 A CN201911355588 A CN 201911355588A CN 111141301 A CN111141301 A CN 111141301A
- Authority
- CN
- China
- Prior art keywords
- point
- guide
- data
- user
- interest
- 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.)
- Granted
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
- G01C21/3476—Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs
-
- 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
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Navigation (AREA)
Abstract
本申请涉及一种导航终点确定方法、装置、计算机可读存储介质和计算机设备,所述方法包括:获取用户在导航行为中选取的目的地所对应的兴趣点;当所述兴趣点包括多于一个的引导点时,对于每个引导点,分别基于与所述引导点对应、且与所述用户对应的用户行为数据,确定相应的个性化流量数据;对于每个引导点,分别基于与所述引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据;获取与各所述引导点分别对应的相关属性数据;根据所述引导点各自对应的个性化流量数据、通用化流量数据、及相关属性数据,从所述多于一个的引导点中筛选出目标引导点作为导航终点。本申请提供的方案可以提高导航终点的准确性。
Description
技术领域
本申请涉及导航技术领域,特别是涉及一种导航终点确定方法、装置、计算机可读存储介质和计算机设备。
背景技术
随着计算机技术的发展,出现了具有各种功能的应用,比如导航应用。当用户外出,通过导航应用规划路线时,如果目的地是某个POI(Point of Interest,兴趣点),且该POI有多个引导点时,就会涉及到终点吸附时POI多引导点推荐的问题。终点吸附时POI多引导点推荐问题对用户导航体验非常重要,如果终点吸附推荐错误或推荐的是不符合用户真实需求的引导点,那么会将用户引导到不能满足用户真实需求的目的地,这将会给用户实际驾驶行为产生干扰,影响用户体验。因而,如何从多引导点中选择一个合适的引导点并作为导航终点推荐给用户就显得至关重要了。
传统的终点吸附时POI多引导点推荐方法,常常是完全基于规则,比如根据起始点到各引导点的距离,从中选择距离最短的引导点。或者,根据引导点的重要性,对多引导点进行排序,将重要度最高的引导点推荐出来。然而,传统的引导点的推荐方式由于较为简单粗暴,常常产生推荐的导航终点不符合用户需求,导致准确性低的问题。
发明内容
基于此,有必要针对根据传统方式所确定的导航终点不符合用户需求,导致准确性低的技术问题,提供一种导航终点确定方法、装置、计算机可读存储介质和计算机设备。
一种导航终点确定方法,包括:
获取用户在导航行为中选取的目的地所对应的兴趣点;
当所述兴趣点包括多于一个的引导点时,对于每个引导点,分别基于与所述引导点对应、且与所述用户对应的用户行为数据,确定相应的个性化流量数据;
对于每个引导点,分别基于与所述引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据;
获取与各所述引导点分别对应的相关属性数据;
根据所述引导点各自对应的个性化流量数据、通用化流量数据、及相关属性数据,从所述多于一个的引导点中筛选出目标引导点作为导航终点。
一种导航终点确定装置,其特征在于,所述装置包括:
获取模块,用于获取用户在导航行为中选取的目的地所对应的兴趣点;
确定模块,用于当所述兴趣点包括多于一个的引导点时,对于每个引导点,分别基于与所述引导点对应、且与所述用户对应的用户行为数据,确定相应的个性化流量数据;
所述确定模块,还用于对于每个引导点,分别基于与所述引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据;
所述获取模块,还用于获取与各所述引导点分别对应的相关属性数据;
筛选模块,用于根据所述引导点各自对应的个性化流量数据、通用化流量数据、及相关属性数据,从所述多于一个的引导点中筛选出目标引导点作为导航终点。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取用户在导航行为中选取的目的地所对应的兴趣点;
当所述兴趣点包括多于一个的引导点时,对于每个引导点,分别基于与所述引导点对应、且与所述用户对应的用户行为数据,确定相应的个性化流量数据;
对于每个引导点,分别基于与所述引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据;
获取与各所述引导点分别对应的相关属性数据;
根据所述引导点各自对应的个性化流量数据、通用化流量数据、及相关属性数据,从所述多于一个的引导点中筛选出目标引导点作为导航终点。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取用户在导航行为中选取的目的地所对应的兴趣点;
当所述兴趣点包括多于一个的引导点时,对于每个引导点,分别基于与所述引导点对应、且与所述用户对应的用户行为数据,确定相应的个性化流量数据;
对于每个引导点,分别基于与所述引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据;
获取与各所述引导点分别对应的相关属性数据;
根据所述引导点各自对应的个性化流量数据、通用化流量数据、及相关属性数据,从所述多于一个的引导点中筛选出目标引导点作为导航终点。
上述导航终点确定方法、装置、计算机可读存储介质和计算机设备,当用户在导航行为中选取的目的地所对应的兴趣点包括多于一个的引导点时,对于每个引导点,均基于与该引导点对应且与该用户对应的用户行为数据,确定相应的个性化流量数据。对于每个引导点,均基于与该引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据。当一个兴趣点包括多个引导点时,可根据各个引导点各自与用户自身偏好相关的个性化流量数据、引导点本身具有的通用化流量数据、以及其他维度的相关属性数据,可准确地从POI多引导点中选择最有可能符合用户需求的引导点向用户推荐。这样,综合考虑引导点本身属性、本身热度以及用户的个性化倾向等诸多因素,可向用户推荐符合自身需求的目标引导点,大大提高了引导点确定的准确性,从而为后续路线规划提供准确的目的地位置,提升用户体验和满意度。
附图说明
图1为一个实施例中导航终点确定方法的应用环境图;
图2为一个实施例中导航终点确定方法的流程示意图;
图3为一个实施例中大型POI所包括的引导点的示意图;
图4为一个实施例中对于每个引导点,基于引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,确定各引导点分别对应的推荐概率的步骤的流程示意图;
图5为一个实施例中将各引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,分别转换成相应的特征值的示意图;
图6为一个实施例中机器分类模型的训练步骤的流程示意图;
图7A为一个实施例中用户选取的兴趣点中的正引导点的界面示意图;
图7B为一个实施例中用户选取的兴趣点中的负引导点的界面示意图;
图8为一个实施例中通过执行导航终点确定方法所确定引导点的准确性的结果示意图;
图9为一个实施例中导航终点确定装置的结构框图;
图10为另一个实施例中导航终点确定装置的结构框图;
图11为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为一个实施例中导航终点确定方法的应用环境图。参照图1,该导航终点确定方法应用于导航终点确定系统。该导航终点确定系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端110和服务器120均可单独用于执行本申请实施例中提供的导航终点确定方法。终端110和服务器120也可协同用于执行本申请实施例中提供的导航终点确定方法。比如,用户可通过终端上运行的导航应用进行导航,终端可获取用户输入或选择的目的地所对应的兴趣点,从而通过该终端执行本申请实施例所提及的导航终点确定方法。或者终端可将用户输入或选择的目的地发送至服务器,以使得服务器在接收到目的地后执行本申请实施例所提及的导航终点确定方法。
如图2所示,在一个实施例中,提供了一种导航终点确定方法。本实施例主要以该方法应用于计算机设备,该计算机设备具体可以是上述图1中的终端110或服务器120来举例说明。参照图2,该导航终点确定方法具体包括如下步骤:
S202,获取用户在导航行为中选取的目的地所对应的兴趣点。
其中,兴趣点(Point of Interest,简称POI)是地理信息系统中的一个术语,泛指可以抽象为一个点的地理对象,常指与人们生活密切相关的地理实体,如学校、银行、餐馆、加油站、公交站、医院或超市等。
具体地,终端的操作系统上运行导航应用,终端可通过该导航应用展示导航界面。用户可在该导航界面中输入或选择当次导航行为的目的地。进而终端可根据用户选取的目的地确定与该目的地对应的兴趣点。比如,终端可通过导航应用展示导航界面,用户在导航界面中输入目的地“北大”,终端可通过搜索比对,查找到与该目的地“北大”对应的兴趣点“北京大学”。
在一个实施例中,终端可直接在本地执行导航终点确定方法,或者,终端可将目的地发送至服务器,服务器接收到目的地后确定相应的兴趣点并执行本申请实施例所提及的导航终点确定方法。可以理解,该终端或服务器均可称作计算机设备。
S204,当兴趣点包括多于一个的引导点时,对于每个引导点,分别基于与引导点对应、且与用户对应的用户行为数据,确定相应的个性化流量数据。
其中,引导点是进入某兴趣点的入口,比如某个POI对应的停车场入口、大门、侧门或对应的招牌所在位置等。参考图3,图3为一个实施例中大型POI所包括的引导点的示意图。对于大型的POI,如图3所示的POI“北京大学”,用户选取目的地时,当该目的地对应大型的POI时,导航应用常常无法准确猜测用户具体想去大型POI内哪一个具体位置或者无法进入该POI内部。此时,导航应用可将导航终点选定在大型POI对应的某一大门、停车场入口、或招牌前即可。可以理解,上述大型POI对应的大门、停车场入口、或招牌前,就是此POI的引导点。比如图3中POI“北京大学”至少包括了301“北门”、302“东北门”、303“东门”、304“东南门”、305“南门”、306“西南门”、307“西侧门”、以及308“西门”等8个引导点。
用户行为数据是该用户在预设时间段内发生某些行为的数据,具体可以是与用户发起导航请求相关的数据、或用户在某次导航行为中真实的运动轨迹等。其中,与用户发起导航请求相关的数据具体可以是用户发起导航请求的次数、时间、终端型号、及频次等。用户在某次导航行为中真实的运动轨迹具体可以是用户在某次导航行为中的运动轨迹、该运动轨迹中各定位点的坐标、及该运动轨迹的导航终点等。
个性化流量数据是表示该用户对某个引导点的偏好程度的数据,可表示对该用户而言该引导点的热度情况。对该用户而言该引导点的热度情况具体可由该用户选择该引导点所属的兴趣点为目标兴趣点的次数或频次、以及该用户选择该引导点作为目标引导点的次数或频次等来体现。个性化流量数据具体可以是基于该用户在预设时间段内发生用户行为时对应的用户行为数据所确定的、表示该引导点热度的流量数据。
具体地,计算机设备获取用户在导航行为中选取的目的地所对应的兴趣点时,可进一步确定该兴趣点所包括的引导点的数量。当该兴趣点是一个小型的兴趣点时,也就是当该兴趣点只包括一个引导点时,计算机设备可将该兴趣点所包括的引导点直接作为导航终点,并推荐给用户,方便快捷且准确。
在一个实施例中,当该兴趣点是个大型兴趣点,包括了多于一个的引导点时,计算机设备则需要从多于一个的引导点中选择一个合适的引导点推荐给用户。在这种情况下,计算机设备可从本地或服务器所存储的历史导航数据中,筛选出预设时间段内与该用户的用户标识相关、且与该引导点相关的用户行为数据,再基于对应的用户行为数据,分别确定与该引导点对应的个性化流量数据,进而确定与每个引导点各自对应的个性化流量数据。其中,用户标识用于唯一标识该用户,可以是包括数字、字母和符号中至少一种字符的字符串,具体可以是用户账号、用户手机号、或用户身份证号码等。
在一个实施例中,个性化流量数据包括兴趣点流量数据和引导点流量数据;个性化流量数据包括兴趣点流量数据和引导点流量数据;对于每个引导点,分别基于与引导点对应、且与用户对应的用户行为数据,确定相应的个性化流量数据,包括:确定用户在预设时间段内所发起的导航请求;确定导航请求中以兴趣点为目的地的第一目标导航请求;根据第一目标导航请求对应的第一次数,确定引导点所属兴趣点对应的兴趣点流量数据;依据用户在预设时间段内的用户轨迹数据,确定兴趣点中各引导点分别被选为目标引导点的第二次数;根据各引导点对应的第二次数确定相应引导点对应的引导点流量数据。
具体地,计算机设备可确定用户在预设时间段内通过导航应用向服务器发起的导航请求,其中,预设时间段内,比如仅一个月内。可以理解,用户通过导航应用向服务器发起导航请求时,该导航请求中可携带用户标识或终端标识,进而服务器可将相同用户标识或终端标识下的导航请求,判定为同一用户所发起的导航请求。其中,终端标识用于唯一标识终端,可以是终端的MAC(Media Access Control,媒体访问控制)地址或者IMEI(International Mobile Equipment Identity,国际移动设备身份码)等。
进而,计算机设备可统计该用户在预设时间段内所发起的导航请求中,以该兴趣点为目的地的第一目标导航请求的数量,该数量可称作第一次数。从而,计算机设备可根据该第一次数,确定该引导点所属兴趣点对应的兴趣点流量数据。
在一个实施例中,计算机设备可直接将该第一次数作为该兴趣点对应的兴趣点流量数据。或者,计算机设备可设用户在预设时间段内所发起的导航请求的总数为第一总数,将第一次数与第一总数的比值,作为该兴趣点对应的兴趣点流量数据。
进一步地,计算机设备可依据该用户在预设时间段内的用户轨迹数据,确定该兴趣点中各引导点分别被选为目标引导点的第二次数。对于每个引导点,计算机设备可直接将该引导点对应的第二次数作为相应的引导点流量数据,或者,计算机设备还可将该引导点对应的第二次数与该引导点所属兴趣点对应的第一次数的比值,作为相应的引导点流量数据。
举例说明,计算机设备可采用如下方式计算单个引导点所对应的个性化流量数据:①对于POI流量数据,计算机设备可从用户Uk对应的所有的历史导航请求中,统计每个POI(比如兴趣点Pi)被此用户设定为目的地的第一次数②对于引导点流量数据,计算机设备可假设兴趣点Pi对应ni个引导点,这ni个引导点可用集合Gi={gj|1≤j≤ni}表示。从用户Uk对应的所有历史导航请求和用户真实的用户轨迹数据中统计每个引导点gj被用户选为目标引导点的第二次数
可以理解,计算机设备可基于用户行为数据,总结出某一用户倾向于POI的特定引导点的特征,比如某一小区有多个门,但用户个人喜好走西门进入小区,那么西门就是他的个性化引导点。这样,从用户的历史行为数据中挖掘出每个用户历史选择每个POI的次数,以及选择此POI每个引导点的次数,进而可准确地挖掘出用户的个性化流量数据。
S206,对于每个引导点,分别基于与引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据。
其中,历史行为数据是各个用户在预设时间段内发生某些行为的数据,具体可以是与所有用户发起导航请求相关的数据、或不同的用户在某次导航行为中真实的运动轨迹等。其中,与所有用户发起导航请求相关的数据具体可以是所有导航请求的总次数或总频次、不同导航请求对应的时间、及不同导航请求对应终端型号等。
通用化流量数据是某个引导点的总流量数据,用于表示对各用户而言该引导点的总体热度情况。该引导点的总体热度情况具体由该引导点所属的兴趣点被各用户选作目标兴趣点的总次数或总频次、以及该引导点被各用户选作目标引导点的总次数或总频次等来体现。通用化流量数据具体可以是是基于各个用户在预设时间段内发生用户行为时对应的历史行为数据所确定的、表示该引导点热度的总体流量数据。
具体地,当用户选取的目的地对应的兴趣点包括多于一个的引导点时,对于每个引导点,计算机设备均可从本地或服务器所存储的历史导航数据中,筛选出与该引导点相关的所有用户的历史行为数据,从而确定该引导点分别对应的通用化流量数据,进而得到每个引导点各自对应的通用化流量数据。
在一个实施例中,通用化流量数据包括兴趣点总流量数据和引导点总流量数据;对于每个引导点,分别基于与引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据包括:确定各个用户在预设时间段内所发起的所有导航请求;确定所有导航请求中以兴趣点为目的地的第二目标导航请求;根据第二目标导航请求对应的第三次数,确定引导点所属的兴趣点对应的兴趣点总流量数据;依据各个用户在预设时间段内的历史轨迹数据,确定兴趣点中各引导点分别被选为目标引导点的第四次数;根据各引导点对应的第四次数,确定相应引导点对应的引导点流量总数据。
具体地,计算机设备可确定各个用户在预设时间段内通过导航应用向服务器发起的导航请求。可以理解,各个用户可通过导航应用向服务器发起导航请求,计算机设备可统计在预设时间段内,服务器所接收到的所有的导航请求。
进而,计算机设备可统计所有导航请求中,以该兴趣点为目的地的第二目标导航请求的数量,该数量可称作第三次数。从而,计算机设备可根据该第三次数,确定该引导点所属兴趣点对应的兴趣点总流量数据。
在一个实施例中,计算机设备可直接将该第三次数作为该兴趣点对应的兴趣点总流量数据。或者,计算机设备可设各个用户在预设时间段内所发起的所有导航请求的总数为第二总数,将第三次数与第二总数的比值,作为该兴趣点对应的兴趣点总流量数据。
进一步地,计算机设备可依据各个用户在预设时间段内的历史轨迹数据,确定该兴趣点中各引导点分别被选为目标引导点的第四次数。对于每个引导点,计算机设备可直接将该引导点对应的第四次数作为相应的引导点总流量数据,或者,计算机设备还可将该引导点对应的第四次数与该引导点所属兴趣点对应的第三次数的比值,作为相应的引导点总流量数据。
举例说明,计算机设备可采用如下方式计算单个引导点所对应的通用化流量数据:①对于POI总流量数据,计算机设备可从所有历史导航请求中,统计每个兴趣点Pi的被设定为目的地的第三次数②对于引导点总流量数据,计算机设备可假设兴趣点Pi对应ni个引导点,这ni个引导点可用集合Gi={gj|1≤j≤ni}表示。计算机设备可从所有历史导航请求和各个用户真实的历史轨迹数据中统计每个引导点gj被选为目标引导点的总次数
可以理解,计算机设备可基于各个用户的历史行为数据,总结出不同兴趣点,不同引导点各自的通用特征。这样,从各个用户的历史行为数据中挖掘出每个POI和每个引导点各自的热度,可准确地挖掘出该引导点的通用化流量数据。
S208,获取与各引导点分别对应的相关属性数据。
其中,与各引导点分别对应的相关属性数据具体可以是与各引导点相关的数据和/或各引导点对应的属性数据。具体地,对于每个引导点,计算机设备可从本地或其他计算机设备处获取该引导点所属兴趣点的相关数据和属性数据,以及该引导点的相关数据和属性数据。
在一个实施例中,相关属性数据包括引导点的引导点属性数据、引导点所属兴趣点的兴趣点属性数据、引导点所在道路的道路属性数据、以及导航行为中起始点与引导点之间的路程数据中的至少一种。
可以理解,引导点的相关属性数据具体可以包括该引导点的引导点属性数据、该引导点所属兴趣点的兴趣点属性数据、该引导点所在道路的道路属性数据、以及导航行为中起始点与引导点之间的路程数据中的至少一种。其中,引导点属性数据是该引导点所具有的反映自身特征的数据。兴趣点属性数据是该兴趣点所具有的反映自身特征的数据。道路属性数据是反映道路特征的数据。导航行为中的起始点具体可以是用户的当前位置,也可以是用户指定的出发位置。起始点与引导点之间的路程数据具体可以是起始点与该引导点之间的直线距离或者驾驶距离等。
在一个实施例中,引导点属性数据包括引导点的类型、引导点与所属兴趣点之间的距离、以及与引导点对应的周边停车场的数量中的至少一种;兴趣点属性数据包括兴趣点的类型、兴趣点是否为区域面、以及兴趣点的区域面面积大小中的至少一种;引导点所在道路的道路属性数据包括引导点所在道路的道路长度、道路宽度、限速大小、道路等级、道路类别、车道数量、是否收费、以及红绿灯相关信息中的至少一种。
其中,引导点的类型具体包括门禁入口、停车场出入口和目标标志(LOGO)等类型。引导点与所属兴趣点之间的距离具体可以是该引导点与兴趣点的中心点之间的距离。与引导点对应的周边停车场的数量具体可以是该引导点预设距离内的停车场的数据。
兴趣点的类型具体包括小区、商场、景区、校园和公园等类型。兴趣点是否为区域面指该兴趣点是一个小型的兴趣点(仅包括一个引导点,在地图上可用一个点表示)还是一个大型的兴趣点(该兴趣点为一个区域面,在地图上需要占据一定的面积)、以及兴趣点的区域面面积大小。
参考下表1,表1示出的是个性化流量数据、通用化流量数据和相关属性数据具体所包括的特征列表。
表1特征列表示意图
这样,计算机设备可获取多于一个维度的与该引导点对应的相关属性数据,这些相关属性信息可以全面且准确的代表该引导点的特征。计算机设备在一定程度上可通过不同引导点的相关属性信息将不同的引导点进行区分。
S210,根据引导点各自对应的个性化流量数据、通用化流量数据、及相关属性数据,从多于一个的引导点中筛选出目标引导点作为导航终点。
具体地,计算机设备可根据每个引导点各自对应的个性化流量数据、通用化流量数据、及相关属性数据,计算每个引导点各自对应的总分或推荐概率。其中,某个引导点对应的总分或推荐概率表示该引导点为目标引导点的可能程度,也就是总分或推荐概率越大,该引导点被选为目标引导点推荐给用户的可能性就越高。进而计算机设备可根据各引导点对应的总分或推荐概率,从多于一个的引导点中筛选出总分或推荐概率满足目标条件的目标引导点作为导航终点。
在一个实施例中,对于每个引导点,计算机设备可根据该引导点对应的个性化流量数据确定该引导点在个性化流量方面的第一得分,根据该引导点对应的通用化流量数据确定该引导点在通用化流量方面的第二得分,根据该引导点对应的相关属性数据确定该引导点在自身属性方面的第三得分。计算机设备可将第一得分、第二得分和第三得到进行加权求和得到该引导点对应的总分,其中,加权求和的系数可依据实际情况而定,可以是1,也可是各个方面各自占比不同。
在一个实施例中,步骤S210,也就是根据引导点各自对应的个性化流量数据、通用化流量数据、及相关属性数据,从多于一个的引导点中筛选出目标引导点作为导航终点的,包括:对于每个引导点,基于引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,确定各引导点分别对应的推荐概率。从多于一个引导点中筛选出推荐概率满足目标条件的目标引导点。将目标引导点作为导航终点推荐给用户。
具体地,对于每个引导点,计算机设备可通过机器分类模型,对各引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据进行处理,从而输出属于不同类别的概率。其中,不同类别具体可包括推荐类别和不推荐类别。进而,计算机设备可比较各个引导点所对应的推荐类别的推荐概率。计算机设备可将最大推荐概率对应的引导点作为目标引导点,从而推荐给用户。或者,计算机设备还可从大于阈值的推荐概率中随机选择一个推荐概率,将选择的推荐概率对应的引导点作为目标引导点,从而推荐给用户。还或者,计算机设备可对各引导点对应的推荐概率进行从大至小的排序,选择排序第一、第二、或第N名(其中,N为大于2的正整数)的推荐概率所对应的引导点作为目标引导点。当然,计算机设备还可采用其他的方式,从多于一个的引导点中筛选出目标引导点,本申请实施例在此不做限定。
上述导航终点确定方法,当用户在导航行为中选取的目的地所对应的兴趣点包括多于一个的引导点时,对于每个引导点,均基于与该引导点对应且与该用户对应的用户行为数据,确定相应的个性化流量数据。对于每个引导点,均基于与该引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据。当一个兴趣点包括多个引导点时,可根据各个引导点各自与用户自身偏好相关的个性化流量数据、引导点本身具有的通用化流量数据、以及其他维度的相关属性数据,可准确地从POI多引导点中选择最有可能符合用户需求的引导点向用户推荐。这样,综合考虑引导点本身属性、本身热度以及用户的个性化倾向等诸多因素,可向用户推荐符合自身需求的目标引导点,大大提高了引导点确定的准确性,从而为后续路线规划提供准确的目的地位置,提升用户体验和满意度。
如图4所示,在一个实施例中,对于每个引导点,基于引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,确定各引导点分别对应的推荐概率的步骤,包括:
S402,根据各引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,分别确定各引导点对应的个性化流量特征、通用化流量特征、以及相关属性特征。
具体地,计算机设备可预先设置由数据转换成特征的规则。转换规则比如,计算机设备可预先对不同的数据进行分类,不同类可用不同的特征值表示,这样,就可将数据进行分类,从而将其转换成所属类别对应的特征值。或者,当数据具体为数值类数据时,计算机设备可直接将该数值作为特征值等。当然还可设置其他灵活的转换方式,本申请实施例对此不做限定。
进而计算机设备可通过预设置的转换规则,将各引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,分别转换成对应的个性化流量特征、通用化流量特征、以及相关属性特征。可以理解,计算机设备对个性化流量数据、通用化流量数据、以及相关属性数据可以使用相同的转换规则,也可以使用不同的转换规则进行转换,本申请实施例在此不做限定。
举例说明,某个引导点gj对应的个性化流量数据为:该引导点gj所属兴趣点Pi被此用户设定为目的地的第一次数5次;以及该引导点gj被用户选为目标引导点的第二次数3次。那么,计算机设备可直接将5和3分别作为个性化流量数据对应的特征值。相应的,该引导点gj对应的通用化流量数据为:该引导点gj所属兴趣点Pi被各个用户设定为目的地的第三次数501次;以及该引导点gj被各个用户选为目标引导点的第四次数223次。那么,计算机设备可直接将501和223分别作为通用化流量数据对应的特征值。
在一个实施例中,相关属性数据包括多于一个维度的相关数据;根据各引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,分别确定各引导点对应的个性化流量特征、通用化流量特征、以及相关属性特征,包括:对于每个引导点,根据引导点对应的个性化流量数据和通用化流量数据,确定引导点对应的个性化流量特征和通用化流量特征;对于每个引导点,分别确定引导点对应的各维度的相关数据所对应的特征值,并根据多于一个的特征值确定引导点对应的相关属性特征。
在一个实施例中,相关属性数据包括引导点的引导点属性数据、引导点所属兴趣点的兴趣点属性数据、引导点所在道路的道路属性数据、以及导航行为中起始点与引导点之间的路程数据。计算机设备可分别确定引导点对应的各维度的相关数据所对应的特征值,并根据多于一个的特征值确定引导点对应的相关属性特征。
比如,对于引导点属性数据,当该引导点属性数据包括引导点的类型、引导点与所属兴趣点之间的距离、以及与引导点对应的周边停车场的数量时,计算机设备可将该引导点的类型所对应的预设数值作为相应的特征值,将引导点与所属兴趣点之间的距离的数值,直接作为相应的特征值,将与引导点对应的周边停车场的数量,直接作为相应的特征值。从而将各特征值构成该维度下的相关属性特征。
对于兴趣点属性数据,当该兴趣点属性数据包括该兴趣点的类型、兴趣点是否为区域面、以及兴趣点的区域面面积大小时,计算机设备可将该兴趣点的类型所对应的预设数值作为相应的特征值;该兴趣点是区域面对应特征值1,该兴趣点不是区域面对应特征值0;该兴趣点的区域面面积大小,直接作为相应的特征值。从而将各特征值构成该维度下的相关属性特征。
对于该引导点所在道路的道路属性数据,当该道路属性数据包括道路长度、道路宽度、限速大小、道路等级、道路类别、车道数量、是否收费、以及红绿灯相关信息时,相应的,计算机设备可直接将相应数据的数值,或相应数据所属类别所对应的预设数值作为相应的特征值,从而将各特征值构成该维度下的相关属性特征。
参考图5,图5为一个实施例中,将各引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,分别转换成相应的特征值的示意图。图5中每一行的数据表示一个引导点对应的一组特征值,不同列,则表示不同维度下的特征值。
S404,对于每个引导点,将相应引导点所对应的个性化流量特征、通用化流量特征、以及相关属性特征,拼接成特征序列。
具体地,对于每个引导点,计算机设备可将相应引导点所对应的个性化流量特征、通用化流量特征、以及相关属性特征,拼接成特征序列。可以理解,计算机设备在进行拼接时,对每个引导点均按照同样的拼接顺序,这样在后续处理时才会有参考价值。参考图5,计算机设备可将图5中任一行的特征值进行拼接,组成相应的特征序列。
S406,将各引导点对应的特征序列分别输入至训练好的机器分类模型,通过机器分类模型输出与各引导点分别对应的推荐概率;推荐概率表示引导点成为目标引导点的可能程度。
其中,机器分类模型是经过训练后具有分类能力的机器学习算法模型。机器学习英文全称为Machine Learning,简称ML。机器分类模型可通过样本学习具备分类能力。其中,本申请实施例所提及的机器分类模型具体可以是GBDT模型(Gradient Boost DecisionTree,梯度提升树),当然也可以是具有分类能力的其他模型,比如支持向量机等。其中,GBDT模型中的GB代表的是Gradient Boosting,意为梯度提升,梯度是一种数学概念,一个函数的梯度方向是函数上升最快的方向,相反的,负梯度方向是函数下降最快的方向。Boosting迭代,即通过迭代多棵树来共同决策。GBDT的核心就在于,每一棵树学的是之前所有树结论和的残差,这个残差就是一个加预测值后能得真实值的累加量。
具体地,对于每个引导点,计算机设备均可将该引导点对应的特征序列输入至训练好的机器分类模型,通过该机器分类模型的模型参数进行处理,输出与该引导点对应的推荐概率。其中,该推荐概率表示引导点成为目标引导点的可能程度。关于该机器分类模型的训练方式,在后面的实施例中会进行详细说明。
在一个实施例中,计算机设备可将各引导点对应的特征序列分别输入至训练好的GBDT模型,通过训练好的GBDT模型中所包括的多个分类器对输入的特征序列进行处理,得到该特征序列对应的推荐概率。
在一个实施例中,在训练出GBDT模型之后,在实际应用中,若用户Uk设定兴趣点Pi为目的地,那么取出兴趣点Pi对应ni个引导点Gi={gj|1≤j≤ni},针对每个引导点gj对应的若干特征信息,计算机设备可生成GBDT模型所需的特征值列表Fj={fs|1≤s≤S},也就是特征序列。计算机设备可将特征值列表Fj带入到GBDT模型中,通过GBDT模型计算出各个引导点对应的推荐概率rj。
上述实施例中,将各引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,分别转换成相应的特征,从而拼接成特征序列输入至训练好的机器分类模型。通过该机器分类模型可准确快速地得到每个引导点各自对应的推荐概率,大大提高了引导点推荐的准确性和效率。
如图6所示,在一个实施例中,机器分类模型的训练步骤包括:
S602,获取各个用户的历史轨迹数据。
具体地,计算机设备可从本地或服务器所存储的历史导航数据中,筛选出各个用户的历史轨迹数据。
S604,对于每条历史轨迹数据,确定历史轨迹数据中与目的地对应的样本兴趣点、以及样本兴趣点中被确定为导航终点的正引导点,并将样本兴趣点中除正引导点外的引导点作为负引导点。
具体地,对于每条历史轨迹数据,计算机设备可确定该历史轨迹数据中与目的地对应的样本兴趣点,该样本兴趣点为历史轨迹数据中目的地所在的兴趣点。计算机设备还可确定该样本兴趣点中被确定为导航终点的正引导点。计算机设备可将该样本兴趣点中除该正引导点外的其他引导点作为负引导点。
在一个实施例中,计算机设备可根据某一用户的某一次历史轨迹数据,筛选出正引导点和负引导点,从而获取相应的正样本数据和负样本数据。正负样本数据的占比可以是1比1,可以理解,样本数据规模可达百万级。
参考图7A和图7B,图7A为一个实施例中用户选取的兴趣点中的正引导点的界面示意图。图7B为一个实施例中用户选取的兴趣点中的负引导点的界面示意图。如图7A所示,用户真实的历史轨迹数据中,该历史轨迹所对应的终点附近的POI引导点701为正引导点。图7B为图7A中该兴趣点的局部放大图,在图7B中,除701引导点外,该兴趣点的其他引导点,如引导点702和引导点703均为负引导点。
S606,分别确定正引导点和负引导点各自对应的样本个性化流量数据、样本通用化流量数据、以及样本相关属性数据。
具体地,计算机设备可分别确定正引导点和负引导点各自对应的样本个性化流量数据、样本通用化流量数据、以及样本相关属性数据。正引导点对应的样本个性化流量数据、样本通用化流量数据、以及样本相关属性数据为正样本数据。负引导点对应的样本个性化流量数据、样本通用化流量数据、以及样本相关属性数据为负样本数据。其中,计算机设备确定样本个性化流量数据、样本通用化流量数据、以及样本相关属性数据的方式,可参考前述实施例所提及的关于某个引导点的个性化流量数据、通用化流量数据、以及相关属性数据的确定方式,本申请实施例在此不再赘述。
S608,将样本个性化流量数据、样本通用化流量数据、以及样本相关属性数据共同作为机器分类模型的训练样本,并将训练样本各自对应的引导点的类别作为训练标签。
具体地,计算机设备可将样本个性化流量数据、样本通用化流量数据、以及样本相关属性数据共同作为机器分类模型的训练样本,并将训练样本各自对应的引导点的类别作为训练标签。比如,当训练样本为正样本数据时,相应的训练标签为“正引导点”类别(可用数值1表示);当训练样本为负样本数据时,相应的训练标签为“负引导点”类别(可用数值0表示)。
S610,通过训练样本和相应的训练标签训练机器分类模型。
具体地,计算机设备可通过训练样本和相应的训练标签训练机器分类模型。在机器分类模型的训练过程中,计算机设备可根据预测输出与相应的训练标签间的差异来朝着减小差异的方向调整模型参数,直到满足训练停止条件时停止训练。其中,训练停止条件具体可以是达到预设的迭代次数,或者是调整模型参数后的机器分类模型的分类性能指标达到预设指标。
在一个实施例中,该机器分类模型为GBDT模型。GBDT模型是通过采用加法模型,以及不断减小训练过程产生的残差来达到将数据分类或者回归的算法模型。GBDT模型在进行数据处理时,可通过多轮迭代,每轮迭代产生一个弱分类器,每个分类器在上一轮分类器的残差基础上进行训练。在训练的过程中通过降低偏差来不断提高最终分类器的准确性。
在一个实施例中,不断向GBDT模型中输入训练样本,通过迭代计算,调整GBDT模型的模型参数,得到最优化的GBDT模型。在本申请实施例中,该GBDT模型的部分参数具体可以是其中,n_estimators表示最大的若分类器的个数;max_depth表示最大深度;subsample表示子采样的频率。
上述实施例中,通过正引导点和负引导点各自对应的样本个性化流量数据、样本通用化流量数据、以及样本相关属性数据训练机器分类模型,可采用有监督的学习方式,使得该机器分类模型具备准确的分类能力,可大大提高各引导点的推荐概率的准确性,从而选择合适的引导点推荐给用户。
在一个实施例中,该导航终点确定方法还包括导航路线推送的步骤,该步骤具体包括:获取导航行为中的起始点;根据起始点和导航终点确定至少一条导航路线;将导航路线推送至用户所在的终端。
具体地,计算机设备可获取导航行为中的起始点,该起始点具体可以是用户当前的位置点,或用户指定的起始点。进而,计算机设备在确定了导航终点后,根据该起始点和该导航终点确定从起始点至导航终点的至少一条的导航路线,从而将确定的导航路线线推送至用户所在的终端。
上述实施例中,从终点POI的多个引导点中为用户选择一个最合适的引导点,作为规划路线的导航终点,提供给后续规划路线服务,从而将用户引导到POI引导点处,满足用户的导航需求。
应该理解的是,前述实施例所提及的图2、图4和图6为方法或步骤的流程图,虽然图2、图4和图6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图4和图6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
下面以一个具体场景下的具体实施例来说明本申请实施例所提及的导航终点确定方法。当用户设定某一POI为终点POI且此POI包括对于一个的引导点时,计算机设备可计算每个引导点的推荐概率,再从中选出推荐概率最高的引导点为目标引导点,并将此目标引导点对应的道路作为后续路线规划的导航路线。
具体算法流程如下:
(1)若用户Uk选定某一兴趣点Pi为终点兴趣点,且此兴趣点Pi有多引导点,则进入步骤(2);否则结束此流程。
(2)取出Pi对应的引导点集Gi={gj|1≤j≤ni},令j=1,进入步骤(3)。
(4)取出兴趣点Pi和引导点gj对应的通用化流量数据(所有将Pi设为终点POI的历史总次数)和(所有用户实际到达引导点gj的历史总次数),并结合引导点对应的道路属性、POI属性、引导点属性以及起终点间信息等生成特征值列表Fj={fs|1≤s≤S},进入步骤(5)。
(5)将特征值列表Fj带入GBDT模型,计算出推荐概率rj,0≤rj≤1。令j=j+1,循环计算各引导点对应的推荐概率。若j>ni则进入步骤(6),否则进入步骤(3)。
(6)获取ni个引导点的推荐概率R={rj|1≤j≤ni}。从ni个引导点中选出推荐概率最大的rfinal=max{rj|1≤j≤ni},将其中推荐概率最大的引导点作为目标引导点gtrg,进而将目标引导点gtrg作为导航终点推荐给后续路线规划服务。
通过执行本申请实施例所提及的导航终点确定方法,可综合考虑POI和引导点本身属性、本身热度以及个性化倾向等诸多因素,构建GBDT模型,向用户推荐POI多引导点中最有可能符合用户需求的引导点,提高用户实际对推荐引导点的命中率和满意度,从而为后续路线规划和引导提供准确的目的地位置,提升用户体验和满意度。如图8所示,图8为一个实施例中通过执行导航终点确定方法所确定引导点的准确性的结果示意图。如图8所示,随着时间的推移,,向用户推荐确定的目标引导点后,用户实际到达目标引导点的占比逐步上升,由85%左右,上升至87%左右。
如图9所示,在一个实施例中,提供了导航终点确定装置900,包括获取模块901、确定模块902和筛选模块903。
获取模块901,用于获取用户在导航行为中选取的目的地所对应的兴趣点。
确定模块902,用于当兴趣点包括多于一个的引导点时,对于每个引导点,分别基于与引导点对应、且与用户对应的用户行为数据,确定相应的个性化流量数据。
确定模块902,还用于对于每个引导点,分别基于与引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据。
获取模块901,还用于获取与各引导点分别对应的相关属性数据。
筛选模块903,用于根据引导点各自对应的个性化流量数据、通用化流量数据、及相关属性数据,从多于一个的引导点中筛选出目标引导点作为导航终点。
在一个实施例中,筛选模块903还用于当兴趣点包括一个引导点时,将兴趣点所包括的引导点直接作为导航终点,并推荐给用户。
在一个实施例中,个性化流量数据包括兴趣点流量数据和引导点流量数据;确定模块902,还用于确定用户在预设时间段内所发起的导航请求;确定导航请求中以兴趣点为目的地的第一目标导航请求;根据第一目标导航请求对应的第一次数,确定引导点所属兴趣点对应的兴趣点流量数据;依据用户在预设时间段内的用户轨迹数据,确定兴趣点中各引导点分别被选为目标引导点的第二次数;根据各引导点对应的第二次数确定相应引导点对应的引导点流量数据。
在一个实施例中,通用化流量数据包括兴趣点总流量数据和引导点总流量数据;确定模块902,还用于确定各个用户在预设时间段内所发起的所有导航请求;确定所有导航请求中以兴趣点为目的地的第二目标导航请求;根据第二目标导航请求对应的第三次数,确定引导点所属的兴趣点对应的兴趣点总流量数据;依据各个用户在预设时间段内的历史轨迹数据,确定兴趣点中各引导点分别被选为目标引导点的第四次数;根据各引导点对应的第四次数,确定相应引导点对应的引导点总流量数据。
在一个实施例中,相关属性数据包括引导点的引导点属性数据、引导点所属兴趣点的兴趣点属性数据、引导点所在道路的道路属性数据、以及导航行为中起始点与引导点之间的路程数据中的至少一种。
在一个实施例中,引导点属性数据包括引导点的类型、引导点与所属兴趣点之间的距离、以及与引导点对应的周边停车场的数量中的至少一种;兴趣点属性数据包括兴趣点的类型、兴趣点是否为区域面、以及兴趣点的区域面面积大小中的至少一种;引导点所在道路的道路属性数据包括引导点所在道路的道路长度、道路宽度、限速大小、道路等级、道路类别、车道数量、是否收费、以及红绿灯相关信息中的至少一种。
在一个实施例中,筛选模块903,还用于对于每个引导点,基于引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,确定各引导点分别对应的推荐概率;从多于一个引导点中筛选出推荐概率满足目标条件的目标引导点;将目标引导点作为导航终点推荐给用户。
在一个实施例中,筛选模块903包括转换单元9031、拼接单元9032和模型处理单元9033,其中:
转换单元9031,用于根据各引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,分别确定各引导点对应的个性化流量特征、通用化流量特征、以及相关属性特征。
拼接单元9032,用于对于每个引导点,将相应引导点所对应的个性化流量特征、通用化流量特征、以及相关属性特征,拼接成特征序列。
模型处理单元8033,用于将各引导点对应的特征序列分别输入至训练好的机器分类模型,通过机器分类模型输出与各引导点分别对应的推荐概率;推荐概率表示引导点成为目标引导点的可能程度。
在一个实施例中,相关属性数据包括多于一个维度的相关数据;转换单元9031,还用于对于每个引导点,根据引导点对应的个性化流量数据和通用化流量数据,确定引导点对应的个性化流量特征和通用化流量特征;对于每个引导点,分别确定引导点对应的各维度的相关数据所对应的特征值,并根据多于一个的特征值确定引导点对应的相关属性特征。
在一个实施例中,该导航终点确定装置900还包括模型训练模块904,用于获取各个用户的历史轨迹数据;对于每条历史轨迹数据,确定历史轨迹数据中与目的地对应的样本兴趣点、以及样本兴趣点中被确定为导航终点的正引导点,并将样本兴趣点中除正引导点外的引导点作为负引导点;分别确定正引导点和负引导点各自对应的样本个性化流量数据、样本通用化流量数据、以及样本相关属性数据;将样本个性化流量数据、样本通用化流量数据、以及样本相关属性数据共同作为机器分类模型的训练样本,并将训练样本各自对应的引导点的类别作为训练标签;通过训练样本和相应的训练标签训练机器分类模型。
参考图10,在一个实施例中,该导航终点确定装置900还包括推送模块905,其中,获取模块901还用于获取导航行为中的起始点;确定模块902,还用于根据起始点和导航终点确定至少一条导航路线;推送模块905,用于将导航路线推送至用户所在的终端。
上述导航终点确定装置,当用户在导航行为中选取的目的地所对应的兴趣点包括多于一个的引导点时,对于每个引导点,均基于与该引导点对应且与该用户对应的用户行为数据,确定相应的个性化流量数据。对于每个引导点,均基于与该引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据。当一个兴趣点包括多个引导点时,可根据各个引导点各自与用户自身偏好相关的个性化流量数据、引导点本身具有的通用化流量数据、以及其他维度的相关属性数据,可准确地从POI多引导点中选择最有可能符合用户需求的引导点向用户推荐。这样,综合考虑引导点本身属性、本身热度以及用户的个性化倾向等诸多因素,可向用户推荐符合自身需求的目标引导点,大大提高了引导点确定的准确性,从而为后续路线规划提供准确的目的地位置,提升用户体验和满意度。
图11示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110或服务器120。如图10所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现航终点确定方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行航终点确定方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的航终点确定装置可以实现为一种计算机程序的形式,计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该航终点确定装置的各个程序模块,比如,图9所示的获取模块、确定模块和筛选模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的航终点确定方法中的步骤。
例如,图11所示的计算机设备可以通过如图8所示的航终点确定装置中的获取模块执行步骤S202和S208。计算机设备可通过确定模块执行步骤S204和S206。计算机设备可通过筛选模块执行步骤S210。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述航终点确定方法的步骤。此处航终点确定方法的步骤可以是上述各个实施例的航终点确定方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述航终点确定方法的步骤。此处航终点确定方法的步骤可以是上述各个实施例的航终点确定方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种导航终点确定方法,包括:
获取用户在导航行为中选取的目的地所对应的兴趣点;
当所述兴趣点包括多于一个的引导点时,对于每个引导点,分别基于与所述引导点对应、且与所述用户对应的用户行为数据,确定相应的个性化流量数据;
对于每个引导点,分别基于与所述引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据;
获取与各所述引导点分别对应的相关属性数据;
根据所述引导点各自对应的个性化流量数据、通用化流量数据、及相关属性数据,从所述多于一个的引导点中筛选出目标引导点作为导航终点。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述兴趣点包括一个引导点时,将所述兴趣点所包括的引导点直接作为导航终点,并推荐给所述用户。
3.根据权利要求1所述的方法,其特征在于,所述个性化流量数据包括兴趣点流量数据和引导点流量数据;所述对于每个引导点,分别基于与所述引导点对应、且与所述用户对应的用户行为数据,确定相应的个性化流量数据,包括:
确定所述用户在预设时间段内所发起的导航请求;
确定所述导航请求中以所述兴趣点为目的地的第一目标导航请求;
根据所述第一目标导航请求对应的第一次数,确定所述引导点所属兴趣点对应的兴趣点流量数据;
依据所述用户在所述预设时间段内的用户轨迹数据,确定所述兴趣点中各所述引导点分别被选为目标引导点的第二次数;
根据各所述引导点对应的第二次数确定相应引导点对应的引导点流量数据。
4.根据权利要求1所述的方法,其特征在于,所述通用化流量数据包括兴趣点总流量数据和引导点总流量数据;所述对于每个引导点,分别基于与所述引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据包括:
确定各个用户在预设时间段内所发起的所有导航请求;
确定所述所有导航请求中以所述兴趣点为目的地的第二目标导航请求;
根据所述第二目标导航请求对应的第三次数,确定所述引导点所属的兴趣点对应的兴趣点总流量数据;
依据各个用户在所述预设时间段内的历史轨迹数据,确定所述兴趣点中各所述引导点分别被选为目标引导点的第四次数;
根据各引导点对应的第四次数,确定相应引导点对应的引导点总流量数据。
5.根据权利要求1所述的方法,其特征在于,所述相关属性数据包括所述引导点的引导点属性数据、所述引导点所属兴趣点的兴趣点属性数据、所述引导点所在道路的道路属性数据、以及所述导航行为中起始点与所述引导点之间的路程数据中的至少一种。
6.根据权利要求5所述的方法,其特征在于,所述引导点属性数据包括所述引导点的类型、所述引导点与所属兴趣点之间的距离、以及与所述引导点对应的周边停车场的数量中的至少一种;
所述兴趣点属性数据包括所述兴趣点的类型、所述兴趣点是否为区域面、以及所述兴趣点的区域面面积大小中的至少一种;
所述引导点所在道路的道路属性数据包括所述引导点所在道路的道路长度、道路宽度、限速大小、道路等级、道路类别、车道数量、是否收费、以及红绿灯相关信息中的至少一种。
7.根据权利要求1所述的方法,其特征在于,所述根据所述引导点各自对应的个性化流量数据、通用化流量数据、及相关属性数据,从所述多于一个的引导点中筛选出目标引导点作为导航终点,包括:
对于每个引导点,基于所述引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,确定各所述引导点分别对应的推荐概率;
从所述多于一个引导点中筛选出推荐概率满足目标条件的目标引导点;
将所述目标引导点作为导航终点推荐给所述用户。
8.根据权利要求7所述的方法,其特征在于,所述对于每个引导点,基于所述引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,确定各所述引导点分别对应的推荐概率,包括:
根据各引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,分别确定各引导点对应的个性化流量特征、通用化流量特征、以及相关属性特征;
对于每个引导点,将相应引导点所对应的个性化流量特征、通用化流量特征、以及相关属性特征,拼接成特征序列;
将各引导点对应的所述特征序列分别输入至训练好的机器分类模型,通过所述机器分类模型输出与各引导点分别对应的推荐概率;所述推荐概率表示所述引导点成为目标引导点的可能程度。
9.根据权利要求8所述的方法,其特征在于,所述相关属性数据包括多于一个维度的相关数据;所述根据各引导点对应的个性化流量数据、通用化流量数据、以及相关属性数据,分别确定各引导点对应的个性化流量特征、通用化流量特征、以及相关属性特征,包括:
对于每个引导点,根据所述引导点对应的个性化流量数据和通用化流量数据,确定所述引导点对应的个性化流量特征和通用化流量特征;
对于每个引导点,分别确定所述引导点对应的各维度的相关数据所对应的特征值,并根据多于一个的所述特征值确定所述引导点对应的相关属性特征。
10.根据权利要求8所述的方法,其特征在于,所述机器分类模型的训练步骤包括:
获取各个用户的历史轨迹数据;
对于每条历史轨迹数据,确定所述历史轨迹数据中与目的地对应的样本兴趣点、以及所述样本兴趣点中被确定为导航终点的正引导点,并将所述样本兴趣点中除所述正引导点外的引导点作为负引导点;
分别确定所述正引导点和所述负引导点各自对应的样本个性化流量数据、样本通用化流量数据、以及样本相关属性数据;
将所述样本个性化流量数据、样本通用化流量数据、以及样本相关属性数据共同作为所述机器分类模型的训练样本,并将所述训练样本各自对应的引导点的类别作为训练标签;
通过所述训练样本和相应的训练标签训练所述机器分类模型。
11.根据权利要求1至10中任一项所述的方法,其特征在于,所述方法还包括:
获取所述导航行为中的起始点;
根据所述起始点和所述导航终点确定至少一条导航路线;
将所述导航路线推送至所述用户所在的终端。
12.一种导航终点确定装置,其特征在于,所述装置包括:
获取模块,用于获取用户在导航行为中选取的目的地所对应的兴趣点;
确定模块,用于当所述兴趣点包括多于一个的引导点时,对于每个引导点,分别基于与所述引导点对应、且与所述用户对应的用户行为数据,确定相应的个性化流量数据;
所述确定模块,还用于对于每个引导点,分别基于与所述引导点对应、且与各个用户对应的历史行为数据,确定相应的通用化流量数据;
所述获取模块,还用于获取与各所述引导点分别对应的相关属性数据;
筛选模块,用于根据所述引导点各自对应的个性化流量数据、通用化流量数据、及相关属性数据,从所述多于一个的引导点中筛选出目标引导点作为导航终点。
13.根据权利要求12所述的装置,其特征在于,所述筛选模块还用于当所述兴趣点包括一个引导点时,将所述兴趣点所包括的引导点直接作为导航终点,并推荐给所述用户。
14.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至11中任一项所述方法的步骤。
15.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至11中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355588.1A CN111141301B (zh) | 2019-12-25 | 2019-12-25 | 导航终点确定方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355588.1A CN111141301B (zh) | 2019-12-25 | 2019-12-25 | 导航终点确定方法、装置、存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111141301A true CN111141301A (zh) | 2020-05-12 |
CN111141301B CN111141301B (zh) | 2022-06-10 |
Family
ID=70519934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911355588.1A Active CN111141301B (zh) | 2019-12-25 | 2019-12-25 | 导航终点确定方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111141301B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101339A (zh) * | 2020-09-15 | 2020-12-18 | 北京百度网讯科技有限公司 | 地图兴趣点的信息获取方法、装置、电子设备和存储介质 |
CN112197779A (zh) * | 2020-09-14 | 2021-01-08 | 汉海信息技术(上海)有限公司 | 导航路径规划方法、装置、打印设备 |
CN112747764A (zh) * | 2020-12-30 | 2021-05-04 | 深圳前海微众银行股份有限公司 | 导航方法、装置、设备和存储介质 |
CN113175940A (zh) * | 2021-04-26 | 2021-07-27 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备和存储介质 |
CN114485696A (zh) * | 2021-12-23 | 2022-05-13 | 高德软件有限公司 | 到达点的获取方法、电子设备及存储介质 |
CN114485696B (zh) * | 2021-12-23 | 2024-06-28 | 高德软件有限公司 | 到达点的获取方法、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103808325A (zh) * | 2012-11-06 | 2014-05-21 | 腾讯科技(深圳)有限公司 | 交通出行方案的生成方法及装置 |
CN104634359A (zh) * | 2015-02-16 | 2015-05-20 | 百度在线网络技术(北京)有限公司 | 通过导航应用获取信息的方法和装置 |
TW201712628A (zh) * | 2015-09-23 | 2017-04-01 | Goyourlife Inc | 熱門景點排行方法及系統、雲端伺服器 |
CN107543555A (zh) * | 2016-06-27 | 2018-01-05 | 高德信息技术有限公司 | 一种路线规划方法及装置 |
CN108228593A (zh) * | 2016-12-13 | 2018-06-29 | 腾讯科技(深圳)有限公司 | 兴趣点重要度测量方法和装置 |
CN108804619A (zh) * | 2018-05-31 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
WO2018227374A1 (en) * | 2017-06-13 | 2018-12-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for route planning based on deep convolutional neural network |
CN109425355A (zh) * | 2017-09-05 | 2019-03-05 | 上海博泰悦臻网络技术服务有限公司 | 导航推荐方法及系统、车载终端及车辆 |
CN110309241A (zh) * | 2018-03-15 | 2019-10-08 | 北京嘀嘀无限科技发展有限公司 | 挖掘方法、装置、服务器、计算机设备和可读存储介质 |
WO2019232670A1 (en) * | 2018-06-04 | 2019-12-12 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for on-demand services |
-
2019
- 2019-12-25 CN CN201911355588.1A patent/CN111141301B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103808325A (zh) * | 2012-11-06 | 2014-05-21 | 腾讯科技(深圳)有限公司 | 交通出行方案的生成方法及装置 |
CN104634359A (zh) * | 2015-02-16 | 2015-05-20 | 百度在线网络技术(北京)有限公司 | 通过导航应用获取信息的方法和装置 |
TW201712628A (zh) * | 2015-09-23 | 2017-04-01 | Goyourlife Inc | 熱門景點排行方法及系統、雲端伺服器 |
CN107543555A (zh) * | 2016-06-27 | 2018-01-05 | 高德信息技术有限公司 | 一种路线规划方法及装置 |
CN108228593A (zh) * | 2016-12-13 | 2018-06-29 | 腾讯科技(深圳)有限公司 | 兴趣点重要度测量方法和装置 |
WO2018227374A1 (en) * | 2017-06-13 | 2018-12-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for route planning based on deep convolutional neural network |
CN109425355A (zh) * | 2017-09-05 | 2019-03-05 | 上海博泰悦臻网络技术服务有限公司 | 导航推荐方法及系统、车载终端及车辆 |
CN110309241A (zh) * | 2018-03-15 | 2019-10-08 | 北京嘀嘀无限科技发展有限公司 | 挖掘方法、装置、服务器、计算机设备和可读存储介质 |
CN108804619A (zh) * | 2018-05-31 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
WO2019232670A1 (en) * | 2018-06-04 | 2019-12-12 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for on-demand services |
CN110832478A (zh) * | 2018-06-04 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 用于按需服务的系统和方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112197779A (zh) * | 2020-09-14 | 2021-01-08 | 汉海信息技术(上海)有限公司 | 导航路径规划方法、装置、打印设备 |
CN112101339A (zh) * | 2020-09-15 | 2020-12-18 | 北京百度网讯科技有限公司 | 地图兴趣点的信息获取方法、装置、电子设备和存储介质 |
CN112101339B (zh) * | 2020-09-15 | 2024-03-26 | 北京百度网讯科技有限公司 | 地图兴趣点的信息获取方法、装置、电子设备和存储介质 |
CN112747764A (zh) * | 2020-12-30 | 2021-05-04 | 深圳前海微众银行股份有限公司 | 导航方法、装置、设备和存储介质 |
CN113175940A (zh) * | 2021-04-26 | 2021-07-27 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备和存储介质 |
CN113175940B (zh) * | 2021-04-26 | 2024-04-30 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备和存储介质 |
CN114485696A (zh) * | 2021-12-23 | 2022-05-13 | 高德软件有限公司 | 到达点的获取方法、电子设备及存储介质 |
CN114485696B (zh) * | 2021-12-23 | 2024-06-28 | 高德软件有限公司 | 到达点的获取方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111141301B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111141301B (zh) | 导航终点确定方法、装置、存储介质和计算机设备 | |
US11983269B2 (en) | Deep neural network system for similarity-based graph representations | |
Zou et al. | Limited sensing and deep data mining: A new exploration of developing city-wide parking guidance systems | |
US20190329788A1 (en) | Road condition status prediction method, device, and server, and storage medium | |
Ye et al. | A method for driving route predictions based on hidden Markov model | |
US10989549B2 (en) | Route recommendation in map service | |
CN111931077B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN109598566A (zh) | 下单预测方法、装置、计算机设备和计算机可读存储介质 | |
Huang et al. | Personalized prefix embedding for POI auto-completion in the search engine of Baidu Maps | |
CN110175273A (zh) | 文本处理方法、装置、计算机可读存储介质和计算机设备 | |
CN111783895B (zh) | 基于神经网络的旅行计划推荐方法、装置、计算机设备和存储介质 | |
CN110598917A (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
CN112699201B (zh) | 导航数据处理方法、装置、计算机设备和存储介质 | |
CN116823535B (zh) | 一种基于多模态大模型的行程规划及智能导览系统 | |
CN111782973A (zh) | 兴趣点状态预测方法、装置、电子设备及存储介质 | |
CN107766881B (zh) | 一种基于基础分类器的寻路方法、设备及存储设备 | |
CN111369029A (zh) | 服务选择预测方法、装置、电子设备及存储介质 | |
CN114722290A (zh) | 一种融合信任关系的排序学习poi推荐算法 | |
Yabe et al. | Unsupervised translation via hierarchical anchoring: functional mapping of places across cities | |
CN114036414A (zh) | 兴趣点的处理方法、装置、电子设备、介质及程序产品 | |
CN112380443A (zh) | 导乘推荐方法、装置、计算机设备和存储介质 | |
CN111858787A (zh) | 一种poi信息获取的方法及装置 | |
Kim et al. | Personalized POI embedding for successive POI recommendation with large-scale smart card data | |
CN110888539A (zh) | 输入法中的人名推荐方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |