CN111242148A - 用于地图绑定的人工智能系统和方法 - Google Patents

用于地图绑定的人工智能系统和方法 Download PDF

Info

Publication number
CN111242148A
CN111242148A CN201811436901.XA CN201811436901A CN111242148A CN 111242148 A CN111242148 A CN 111242148A CN 201811436901 A CN201811436901 A CN 201811436901A CN 111242148 A CN111242148 A CN 111242148A
Authority
CN
China
Prior art keywords
model
historical
road
probability
supervised learning
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
CN201811436901.XA
Other languages
English (en)
Inventor
曾帆
王征
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201811436901.XA priority Critical patent/CN111242148A/zh
Priority to PCT/CN2018/118673 priority patent/WO2020107441A1/en
Publication of CN111242148A publication Critical patent/CN111242148A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Navigation (AREA)

Abstract

本申请涉及用于地图绑定的人工智能系统和方法。系统可以执行以下方法：获得包括至少两个定位点的GPS轨迹；对于至少两个定位点中的每一个定位点，获得至少一个候选配对，至少一个候选配对中的每一个包括定位点和该定位点第一预定距离内的路段；对于至少一个候选配对中的每一个，根据训练好的监督学习模型或道路补全模型中的至少一个来确定发射概率；根据发射概率确定与GPS轨迹匹配的路线；并指示用户终端显示与用户终端相关联的当前定位点与所确定的路线之间的匹配。

Description

用于地图绑定的人工智能系统和方法
技术领域
本申请涉及用于地图绑定的人工智能系统和方法，更具体地，涉及用于基于定位点数据确定和显示车辆正在其上移动的路线的人工智能系统和方法。
背景技术
用于地图绑定的现有方法通常使用隐马尔可夫模型(HMM)来预测定位点数据(例如，GPS数据)和路线之间的匹配关系。然而，现有方法的问题在于HMM通常不能完全使用多维样本数据来预测合理的映射结果。虽然使用监督学习方法的地图绑定方法可以充分利用多维样本数据，但是不仅浪费人力来标记样本数据，而且还无法补全缺少样本数据的道路。因此，使用现有方法，有时无法预测地图映射的合理结果。期望提供用于地图映射的人工智能系统和方法。
发明内容
本申请的一个方面介绍了一种用于地图绑定的人工智能系统。该系统可以包括至少一个存储介质，该存储介质包括用于地图绑定的一组指令；至少一个处理器与存储介质通信，其中当执行该组指令时，该至少一个处理器用于：获得包括至少两个定位点的GPS轨迹，其中至少两个定位点中的两个相邻定位点分别对应两个相邻时间点；对于至少两个定位点中的每一个定位点，获得至少一个候选配对，至少一个候选配对中的每一个包括定位点和该定位点第一预定距离内的路段；对于至少一个候选配对中的每一个，根据训练好的监督学习模型或道路补全模型中的至少一个来确定发射概率；根据发射概率确定与GPS轨迹匹配的路线；并指示用户终端显示与用户终端相关联的当前定位点与所确定的路线之间的匹配。
在一些实施例中，训练好的监督学习模型通过以下方式获得：获得至少两个车辆的至少两个历史GPS轨迹，至少两个历史GPS轨迹中的每一个包括至少两个历史定位点；对于每个历史轨迹的至少两个历史定位点中的每一个，获得至少一个历史候选配对，所述至少一个历史候选配对中的每一个包括一个历史定位点和对应该历史定位点第二预定距离内的历史路段；对于至少一个历史候选配对中的每一个，获得反映车辆与对应历史路段之间的一个或以上关系的至少两个特征；根据训练好的隐马尔可夫模型(HMM)获得至少两个历史定位点中的每一个的候选匹配结果；以及根据至少两个特征和候选匹配结果训练初始监督学习模型，以获得训练好的监督学习模型。
在一些实施例中，所述至少一个处理器还用于：根据所确定的路线和对应的GPS轨迹来更新训练好的监督学习模型。
在一些实施例中，至少两个特征包括以下中的至少一个：车辆的点速度与对应的路段之间的角度；车辆的线速度与对应的路段之间的角度；定位点与对应路段之间的距离；或路段的道路特征。
在一些实施例中，所述至少一个处理器还用于：根据合理性模型确定对应于两个相邻定位点的两个路段是否合理；并且响应于确定对应于两个相邻定位点的两个路段是合理的，根据训练好的监督学习模型确定发射概率。
在一些实施例中，所述至少一个处理器还用于：响应于确定对应于两个相邻定位点的两个路段不合理，根据训练好的监督学习模型和道路补全模型确定发射概率。
在一些实施例中，为了根据训练好的监督学习模型和道路补全模型确定发射概率，所述至少一个处理器还用于：根据训练好的监督学习模型确定概率成分；根据道路补全模型确定惩罚因子，该惩罚因子用于修正两个不合理的相邻点；并根据概率成分和惩罚因子确定发射概率。
在一些实施例中，合理性模型包括N-Gram模型。
在一些实施例中，训练好的监督学习模型包括以下中的至少一个：梯度提升决策树 (GBDT)模型、循环神经网络(RNN)模型或卷积神经网络(CNN)模型。
在一些实施例中，道路补全模型包括贝叶斯模型。
在一些实施例中，为了确定路线，所述至少一个处理器还用于：对于对应于两个相邻定位点的任何两个候选配对，确定转移概率；根据转移概率、发射概率和维特比算法确定路线。
本申请的另一方面介绍了一种用于地图绑定的人工智能方法。该方法可以包括获得包括至少两个定位点的GPS轨迹，其中至少两个定位点的两个相邻定位点分别对应两个相邻时间点；对于至少两个定位点中的每一个定位点，获得至少一个候选配对，至少一个候选配对中的每一个包括定位点和该定位点第一预定距离内的路段；对于至少一个候选配对中的每一个，根据训练好的监督学习模型或道路补全模型中的至少一个来确定发射概率；根据发射概率确定与GPS轨迹匹配的路线；并指示用户终端显示与用户终端相关联的当前定位点与所确定的路线之间的匹配。
本申请的又一个方面是介绍一种非暂时性计算机可读介质。非暂时性计算机可读介质可以包括用于地图绑定的至少一组指令，其中当由电子设备的至少一个处理器执行时，所述至少一组指令指示所述至少一个处理器执行方法。该方法可以包括：获得包括至少两个定位点的GPS轨迹，其中至少两个定位点的两个相邻定位点分别对应两个相邻时间点；对于至少两个定位点中的每一个定位点，获得至少一个候选配对，至少一个候选配对中的每一个包括定位点和该定位点第一预定距离内的路段；对于至少一个候选配对中的每一个，根据训练好的监督学习模型或道路补全模型中的至少一个来确定发射概率；根据发射概率确定与GPS 轨迹匹配的路线；并指示用户终端显示与用户终端相关联的当前定位点与所确定的路线之间的匹配。
本申请的又一个方面是引入一种用于地图绑定的系统。该系统可以包括GPS轨迹获取模块，被配置用于获得包括至少两个定位点的GPS轨迹，其中至少两个定位点的两个相邻定位点分别对应两个相邻时间点；匹配模块，被配置为，对于至少两个定位点中的每一个定位点，获得至少一个候选配对，至少一个候选配对中的每一个包括定位点和该定位点第一预定距离内的路段；概率确定模块，被配置为，对于至少一个候选配对中的每一个，根据训练好的监督学习模型或道路补全模型中的至少一个来确定发射概率；路线确定模块，被配置为根据发射概率确定与GPS轨迹匹配的路线；路线显示模块，被配置为指示用户终端显示与用户终端相关联的当前定位点与所确定的路线之间的匹配。
本申请的一部分附加特性可以在下面的描述中进行说明，通过对以下描述和对应附图的研究或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的符号表示相同的部件，其中：
图1是根据本申请的一些实施例所示的示例性人工智能系统的示意图；
图2是根据本申请的一些实施例所示的计算设备的示例性硬件和/或软件组件的示意图；
图3是根据本申请的一些实施例所示的移动设备的示例性硬件组件和/或软件组件的示意图；
图4是根据本申请的一些实施例所示的示例性处理引擎的框图；
图5是根据本申请的一些实施例所示的用于确定路线的示例性过程的流程图。
图6是根据本申请的一些实施例所示的示例性地图的示意图；
图7是根据本申请的一些实施例所示的定位点和路段之间的示例性映射关系的示意图；
图8是根据本申请的一些实施例所示的用于获得训练好的监督学习模型的示例性过程的流程图。
图9是根据本申请的一些实施例所示的用于确定发射概率的示例性过程的流程图；和
图10是根据本申请的一些实施例所示的用于确定路线的示例性过程的流程图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
本申请中所使用的术语仅用于描述特定的示例性实施例，并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本申请说明书中，术语“包括”和/或“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
在考虑了作为本申请一部分的附图的描述内容后，本申请的特征和特点以及操作方法、结构的相关元素的功能、各部分的组合、制造的经济性变得显而易见。然而，应当理解，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。
本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将一个或以上其他操作添加到这些流程图中。一个或以上操作也可以从流程图中删除。
本申请的一个方面涉及用于地图绑定的人工智能系统和方法。为此，该人工智能系统和方法可以使用无监督学习模型(例如，隐马尔可夫模型(HMM))来预测至少两个历史GPS轨迹的至少两个匹配结果。然后，人工智能系统和方法可以使用至少两个匹配结果来训练监督学习模型，而无需手动标记该至少两个匹配结果。对于移动车辆，人工智能系统和方法可以预先匹配移动车辆的GPS轨迹的每个定位点与距离该定位点预定距离内的路段，并使用监督学习模型来预测该定位点在该路段的概率。如果两个相邻定位点被映射到两个不合理的路段上，则人工智能系统和方法可以使用道路补全模型进一步修正概率。人工智能系统和方法可以根据修正概率将移动车辆的GPS轨迹映射到路线上。这样，人工智能系统和方法可以确定移动车辆正在移动的路线。
图1是根据本申请的一些实施例所示的示例性人工智能(AI)系统100的示意图。例如，AI系统100可以是线上到线下服务平台，用于提供诸如出租车呼叫、司机服务、快车、拼车、公交车服务、司机招聘、班车服务、在线导航服务、递送服务等。AI系统100可以包括服务器110、网络120、用户终端130和存储器140。该服务器110可包含处理引擎112。
服务器110可以被配置为处理与地图绑定有关的信息和/或数据。例如，服务器110可以确定与用户终端130的GPS数据或用户终端130的用户匹配的路线。又例如，服务器 110可以训练监督学习模型，用于预测与GPS数据匹配的路线。在一些实施例中，服务器 110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，服务器110 可以是分布式系统)。在一些实施例中，服务器110可以是本地的，也可以是远程的。例如，服务器110可以经由网络120访问存储于用户终端130或存储器140的信息和/或数据。又例如，服务器110可以连接用户终端130和/或存储器140以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，服务器110可以在本申请中的图2描述的包含了一个或以上组件的计算设备200上执行。
在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以处理与地图绑定有关的信息和/或数据，以执行本申请中描述的一个或以上的功能。例如，处理引擎112可以确定与用户终端130的GPS数据或用户终端130的用户匹配的路线。又如此，处理引擎112可以训练监督学习模型，用于预测与GPS数据匹配的路线。在一些实施例中，所述处理引擎112可以包括一个或以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为示例，处理引擎112可以包括一个或以上硬件处理器，例如中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，AI系统100(例如，服务器110、用户终端130和存储器140)的一个或以上组件可以经由网络120向所述AI系统 100中的其他组件发送信息和/或数据。例如，服务器110可以经由网络120从用户终端130 获得GPS数据。又例如，服务器110可以经由网络120向用户终端130发送要在用户终端的用户界面上显示的路线。作为又一示例，服务器110可以经由网络120从存储器140获得历史GPS数据以训练监督学习模型。在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网路(WAN)、无线局域网络 (WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络等或上述举例的任意组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或互联网交换点120-1、120-2、......，AI系统100的一个或以上组件可以通过网络交换点连接到网络120 以交换数据和/或信息。
用户终端130可以是线上线下服务的用户(例如，汽车呼叫服务的司机、导航服务的用户等)使用的任何电子设备。在一些实施例中，用户终端130可以是移动设备130-1、平板计算机130-2、膝上型计算机130-3、台式计算机130-4等或其任意组合。在一些实施例中，移动装置130-1可以包括可穿戴设备、智慧移动装置、虚拟实境装置、增强实境装置等或其任意组合。在一些实施例中，可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS) 等或其任意组合。在一些实施例中，虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google GlassTM、RiftConTM、FragmentsTM、Gear VRTM等。在一些实施例中，台式计算机130-4可以是车载计算机、车载电视等。
在一些实施例中，用户终端130可以是具有定位技术的设备，用于定位用户终端130、用户或与用户终端130相关联的车辆的定位点。本申请中使用的定位技术可以包括全球定位系统(GPS)、全球卫星导航系统(GLONASS)、北斗导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(WiFi)定位技术等或其任意组合。以上定位技术中的一个或以上可以在本申请中交换使用。
在一些实施例中，用户终端130还可以包括至少一个网络端口。该至少一个网络端口可以被配置为经由网络120向AI系统100(例如，服务器110、存储器140)中的一个或以上组件发送信息和/或从其接收信息。在一些实施例中，用户终端130可以在具有图2中所示的一个或以上组件的计算设备200上实现，或者在本申请中具有图3中所示的一个或以上组件的移动设备300上实现。
存储器140可以存储数据和/或指令。例如，存储器140可以存储至少两个车辆或用户终端的历史GPS数据。又例如，存储器140可以存储至少两个训练好的模型，例如训练好的监督学习模型、道路补全模型、合理性模型等。再例如，存储器140可以存储服务器 110可以执行或用于执行本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储器140可以包括大容量储存器、可移动储存器、易失性读写内存、只读存储器(ROM) 等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可以包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM) 和数字多功能磁盘只读存储器等。在一些实施例中，所述存储器140可在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储器140可以包括至少一个网络端口，以与AI系统100中的其他设备通信。例如，存储器140可以连接到网络120，以经由至少一个网络端口与AI系统 100(例如，服务器110、用户终端130)的一个或以上组件通信。AI系统100中的一个或以上组件可以经由网络120访问存储在存储器140中的数据或指令。在一些实施例中，存储器140可以直接连接到AI系统100(例如，服务器110、用户终端130)中的一个或以上组件或与之通信。在一些实施例中，存储器140可以是服务器110的一部分。
在一些实施例中，AI系统100(例如，服务器110、用户终端130和存储器140)的一个或以上组件可以通过有线和/或无线通信，以电子和/或电磁信号的形式彼此通信。在一些实施例中，AI系统100还可以包括至少一个数据交换端口。至少一个交换端口可以被配置用于在AI系统100中的任何电子设备之间接收和/或发送(例如，以电子信号和/或电磁信号的形式)与地图绑定有关的信息。在一些实施例中，至少一个数据交换端口可以是一个或以上天线、网络接口、网络端口等或其任意组合。例如，至少一个数据交换端口可以是连接到服务器110的网络端口，以向其发送信息和/或接收从其发送的信息。
图2是示出计算设备200的示例性硬件和软件组件的示意图，服务器110和/或用户终端130可以根据本申请的一些实施例在该计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。
计算设备200可用于实现本申请的AI系统100。计算设备200可用于实现AI系统100中执行本申请中披露的一个或以上功能的任何组件。例如，处理引擎112可以通过其硬件、软件程序、固件或其组合在计算设备200上实现。尽管仅示出了一个这样的计算机，但是为了方便，与本文所述的线上线下服务有关的计算机功能可以在多个类似平台上以分布式方式实现，以分配处理负荷。
例如，计算设备200可以包括连接到网络和从网络连接的通信端口250，以便于数据通信。通信端口250可以是任何用于数据通信的网络端口或数据交换端口。计算设备200还可以包括以一个或以上处理器(例如，逻辑电路)的形式执行程序指令的处理器(例如，处理器220)。例如，处理器可以包括接口电路和处理电路。接口电路可以被配置为从总线 210接收电信号，其中电信号编码用于处理电路的结构化数据和/或指令。处理电路可以进行逻辑计算，然后将结论、结果和/或指令编码确定为电信号。处理电路还可以生成包括结论或结果(例如，与GPS数据匹配的路线)和触发代码的电子信号。在一些实施例中，触发代码可以是AI系统100中的电子设备(例如，用户终端130)的操作系统(或其中安装的应用程序)可识别的格式。例如，触发代码可以是可以激活移动电话的某些功能和/或操作或者让移动电话执行预定的程式的指令、代码、标记、符号等或其任意组合。在一些实施例中，触发代码可以被配置用于更新电子设备的操作系统(或应用程序)，以在电子设备的接口上生成结论或结果(例如，预测结果)的呈现。然后，接口电路可以经由总线210从处理电路发出电信号。
示例性计算设备可以包括内部通信总线210、不同形式的程序存储器和数据存储器，例如磁盘270、只读存储器(ROM)230或随机存取存储器(RAM)240，用于存储由计算设备处理和/或传输的各种数据文件。示例性计算设备也可以包括储存于ROM 230、RAM 240 和/或其他形式的非暂时性存储介质中的能够被处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。示例性计算设备还可以包括存储于ROM 230、RAM 240和/或其他形式的非暂时性存储介质中的能够被处理器220执行的操作系统。程序指令可以与用于提供线上线下服务的操作系统兼容。计算设备200还包括输入/输出组件260，支持计算机和其他组件之间的输入/输出。计算设备200也可以通过网络通信接收编程和数据。
仅用于说明，图2中仅示出了一个处理器。还考虑了多个处理器；因此，由本申请中描述的一个处理器执行的操作和/或方法步骤也可以由多个处理器联合或单独执行。例如，如果在本申请中，计算设备200的处理器执行步骤A和步骤B，应当理解的是，步骤A和步骤B也可以由计算设备200的两个不同的处理器共同地或独立地执行(例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一和第二处理器共同地执行步骤A和步骤B)。
图3是根据本申请的一些实施例的可以在其上实现用户终端130的示例性移动设备 300的示例性硬件和/或软件组件的示意图。
如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出350、内存360和存储器390。CPU可以包括接口电路和类似于处理器220的处理电路。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可以包括在移动设备300内。在一些实施例中，移动操作系统370(例如，iOSTM、AndroidTM、Windows PhoneTM等)和一个或以上应用程序380 可以从存储器390加载到内存360中，以便由CPU 340执行。应用程序380可以包括浏览器或用于接收和呈现与地图绑定有关的信息的任何其他合适的移动应用程序。用户与信息流的交互可以通过输入/输出设备350实现，并通过网络120提供给处理引擎112和/或系统100 的其他组件。
为了实现本申请中描述的各种模块、单元及其功能，可以将计算机硬件平台用作这里描述的至少一个元件(例如，AI系统100和/或参考图1-10描述的AI系统100的其他组件) 的硬件平台。这种计算机的硬件元件、操作系统和编程语言本质上是传统的，并且假设本领域普通技术人员对其进行了充分的熟悉以使这些技术适用于如本文所描述的确定与GPS数据匹配的路线。一台包含用户界面元素的计算机能够被用作个人计算机(personalcomputer (PC))或其他类型的工作站或终端设备，被适当程序化后也可以作为服务器使用。可知，本领域技术人员应熟悉该计算机装置的结构、程序设计和一般操作，因此，图对其应是不解自明的。
本领域的普通技术人员将理解，当AI系统100的元件执行时，该元件可以通过电信号和/或电磁信号执行。例如，当服务器110处理任务时，例如确定与GPS数据匹配的路线，服务器110可以在其处理器中操作逻辑电路以处理这样的任务。当服务器110完成确定与GPS数据匹配的路线时，服务器110的处理器可以编码所确定的路线的电信号。然后，服务器110的处理器可以将电信号发送到与服务器110相关联的目标系统的至少一个数据交换端口。服务器110经由有线网络与目标系统通信，至少一个数据交换端口可以物理连接到电缆，通过电缆可以将电信号发送到用户终端130的输入端口(例如，信息交换端口)。如果服务器110经由无线网络与目标系统通信，则目标系统的至少一个数据交换端口可以是一个或以上可以将电信号转换为电磁信号的天线。在诸如用户终端130和/或服务器110的电子设备内，当其处理器处理指令、发出指令和/或执行动作时，指令和/或动作通过电信号进行。例如，当处理器从存储介质(例如，存储器150)检索或保存数据时，它可以将电信号发送到存储介质的读/写设备，其可以在存储介质中读取或写入结构化数据。该结构化数据可以通过电子设备的总线，以电讯号的形式传输至处理器。这里，电信号可以是一个电信号、一系列电信号和/或至少两个分立的电信号。
图4是根据本申请的一些实施例所示的示例性处理引擎112的框图。如图4所示，处理引擎112可以包括GPS轨迹获取模块410、匹配模块420、概率确定模块430、路线确定模块440、模型训练模块450、模型保存模块460和路线显示模块470。
GPS轨迹获取模块410可以被配置用于获得包括至少两个定位点的GPS轨迹。在一些实施例中，至少两个定位点的两个相邻定位点分别对应两个相邻时间点。例如，GPS轨迹获取模块410可以经由用户终端130获得与对象(例如，移动的车辆、移动的人等)相关联的GPS轨迹。GPS轨迹获取模块410可以每隔预定时间间隔获得在该GPS轨迹中的定位点。在一些实施例中，GPS轨迹的每个定位点可以指示对象位于对应时间点的位置。
匹配模块420可以被配置用于获得至少一个候选配对。在一些实施例中，至少一个候选配对中的每一个可以包括定位点和该定位点第一预定距离内的路段。例如，匹配模块420 可以搜索每个定位点第一预定距离内的至少一个路段，并将每个定位点与对应的至少一个路段中的每一个匹配，以获得至少一个候选配对中的一个候选配对。
概率确定模块430可以被配置用于确定发射概率。例如，概率确定模块430可以确定表示GPS轨迹中的至少两个定位点中的一个定位点在对应的候选配对中的路段上行进的可能性的发射概率。
路线确定模块440可以被配置用于确定与GPS轨迹匹配的路线。例如，路线确定模块440可以确定表示对象(例如，车辆、人)从前一时间点对应的第一候选配对中的第一路段移动到该前一时间点的下一个时间点对应的第二候选配对中的第二路段的可能性的转移概率。路线确定模块440还可以根据转移概率、发射概率和维特比算法来确定路线。
模型训练模块450可以被配置为训练模型。例如，模型训练模块450可以根据训练好的隐马尔可夫模型(HMM)获得至少两个反映一个或以上的车辆和对应的历史路段之间的关系的特征，以及至少两个历史定位点中的每一个的候选匹配结果。模型训练模块450可以根据至少两个特征和候选匹配结果训练初始监督学习模型，以获得训练好的监督学习模型。又例如，模型训练模块450可以在每次确定与GPS轨迹匹配的路线之后更新训练好的监督学习模型。
模型保存模块460可以被配置用于存储模型。例如，模型保存模块460可以存储训练好的HMM、训练好的监督学习模型、道路补全模型、合理性模型等或其任意组合。
路线显示模块470可以被配置为指示用户终端显示与用户终端相关联的当前定位点与所确定的路线之间的匹配。例如，路线显示模块470可以指示与对象(例如，车辆、人)相关联的用户终端实时显示匹配。
处理引擎112中的模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网路(WAN)、蓝牙、紫蜂网络、近场通讯(NFC)等或其任意组合。两个或以上模块可以被组合为单个模块，且所述模块中的任一个可以被分成两个或以上单元。例如，模型训练模块450和模型保存模块460可以组合为一个模块用于训练和存储模型。又例如，处理引擎 112可以包括用于存储与地图绑定有关的数据和/或信息的存储模块(未示出)。
图5是根据本申请的一些实施例所示的用于确定路线的示例性过程500的流程图。过程500可以由AI系统100执行。例如，过程500可以实现为存储在存储ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220可以执行该组指令，并且当执行指令时，可以将其配置为执行过程500。以下所示过程的操作仅出于说明的目的。在一些实施例中，过程500在实施时可以添加一个或多个未描述的额外操作，和/或删减一个或多个此处所描述的操作。另外，如图5所示和下面描述的过程操作的顺序不是限制性的。
在510中，处理引擎112(例如，处理器220、GPS轨迹获取模块410)可以获得包括至少两个定位点的GPS轨迹。在一些实施例中，至少两个定位点中的两个相邻定位点分别对应两个相邻时间点。GPS轨迹可以是结构化数据(第一结构化数据)的形式，包括至少两个数据单元。例如，第一结构化数据的数据单元可以包括数据头、数据主体和作为数据单元末端的指针。数据主体可以包括诸如矢量和标量之类的形式的数据内容，并且对应于 GPS轨迹。指针可以指向下一个数据单元的数据头。处理引擎112可以将GPS轨迹加载/保存到处理引擎112中或者与处理引擎112连接的高速缓存中。
在一些实施例中，处理引擎112可以经由用户终端130获得与对象(例如，移动的车辆、移动的人等)相关联的GPS轨迹。处理引擎112可以每隔预定时间间隔获得GPS轨迹中的定位点。例如，处理引擎112可以每隔3秒获得一个定位点，并且在连续的一段时间之后获得GPS轨迹。GPS轨迹中的至少两个定位点可以是根据时间顺序连续的。在一些实施例中，GPS轨迹的每个定位点可以指示对象位于对应时间点的位置。
在520中，对于至少两个定位点中的每一个定位点，处理引擎112(例如，处理器220、匹配模块420)可以从至少一个存储介质获得对应于至少一个候选配对的第二结构化数据。第二结构化数据可以包括至少两个数据单元。例如，第二结构化数据的数据单元可以包括数据头、数据主体和作为数据单元末端的指针。数据主体可以包括诸如矢量和标量之类的形式的数据内容，并且对应于至少一个候选配对。指针可以指向下一个数据单元的数据头。在一些实施例中，至少一个候选配对中的每一个可以包括对应于一个定位点和该定位点第一预定距离内的路段的矢量数据或标量数据中的至少一个。
在一些实施例中，路段可以是道路的一段或一部分。路段可以是第一预定长度。在一些实施例中，第一预定长度可以是存储在AI系统的存储设备(例如，存储器140、ROM 230、RAM 240等)中的默认值，或者由AI系统或者由其操作者根据不同的应用场景确定。
在一些实施例中，处理引擎112可以搜索每个定位点第一预定距离内的至少一个路段。处理引擎112可以将每个定位点与对应的至少一个路段中的每一个匹配，以获得至少一个候选配对中的一个候选配对。在一些实施例中，第一预定距离可以是存储在AI系统的存储设备(例如，存储器140、ROM 230、RAM 240等)中的默认值，或者由AI系统或者由其操作者根据不同的应用场景确定。例如，第一预定距离可以是70米。又如例，处理引擎 112可确定定位点所在的位置(例如，市区或郊区)。对应于市区和郊区的第一预定距离可以不同。例如，对应于市区的第一预定距离可以是50米，对应于郊区的第一预定距离可以是200米。
图6是根据本申请的一些实施例所示的示例性地图的示意图。如图6所示，GPS轨迹可以包括定位点1、定位点2和定位点3，每个定位点分别对应于一个时间点。两个相邻定位点(例如，定位点1和定位点2、定位点2和定位点3)可以分别对应于两个相邻时间点。对于定位点1，处理引擎112可以在定位点1的第一预定距离内搜索到路段1、路段2和路段3。定位点1的三个候选配对可以包括定位点1-路段1、定位点1-路段2和定位点1-路段 3。对于定位点2，处理引擎112可以在定位点2的第一预定距离内搜索到路段2。定位点2 有一个候选配对，即定位点2-路段2。对于定位点3，处理引擎112可以在定位点3的第一预定距离内搜索到路段2和路段4。定位点3的两个候选配对可以包括定位点3-路段2和定位点3-路段4。
在530中，对于至少一个候选配对中的每一个，处理引擎112(例如，处理器220、概率确定模块430)可以根据训练好的监督学习模型中的至少一个来确定发射概率。
这里描述的发射概率(measurement probability或者emission probability)可以表示GPS 轨迹中的至少两个定位点中的一个定位点在对应的候选配对中的路段上行进的可能性。发射概率越高，该定位点在该路段上行进的可能性越大。
在一些实施例中，训练好的监督学习模型可以是用于预测每个候选配对的发射概率的方法和/或过程。例如，处理引擎112可以使用历史匹配数据训练初始监督学习模型，所述历史匹配数据包括历史定位点和与历史定位点匹配的对应历史路段，以获得训练好的监督学习模型。在一些实施例中，初始监督学习模型可以包括梯度提升决策树(GBDT)模型、循环神经网络(RNN)模型或卷积神经网络(CNN)模型等或其任意组合。在一些实施例中，用于获得训练好的监督学习模型的方法和/或过程可以在本申请的其他地方找到(例如，图8 及其描述)。
在一些实施例中，道路补全模型可以是用于修正候选配对中的定位点和路段之间的不合理匹配的方法和/或过程，并且还用于修正从训练好的监督学习模型获得的发射概率。例如，处理引擎112可以确定候选配对是否合理(例如，对应于两个相邻定位点的两个路段是否是连续的、一个点是否距离其相邻点漂移很远、GPS轨迹是否具有断点、两个路段是否多余，等等)。如果候选配对是不合理的，则处理引擎112可以使用道路补全模型来规划GPS 轨迹的起始定位点和结束定位点之间的路线，并确定用于修正对应发射概率的惩罚因子。在一些实施例中，用于确定候选配对是否合理和/或确定发射概率的方法和/或过程可以在本申请的其他地方找到(例如，图9及其描述)。在一些实施例中，道路补全模型可以是道路规划模型，例如贝叶斯模型。
在一些实施例中，对于至少一个候选配对中的每一个，处理引擎112可以将候选配对中的定位点和路段输入到训练好的监督学习模型中。例如，处理引擎112可以进一步提取反映对象(例如，车辆、人)与对应路段之间的一个或以上关系的至少两个特征，并将至少两个特征输入到训练好的监督学习模型中。在一些实施例中，至少两个特征可以包括对象(例如，车辆、人)的点速度与对应的路段之间的角度、对象(例如，车辆、人)的线速度与对应的路段之间的角度、定位点和对应的路段之间的距离、路段的道路特征等或其任意组合。训练好的监督学习模型可预测并输出候选配对的发射概率。在一些实施例中，处理引擎112 还可以确定候选配对是否合理。如果候选配对是合理的，则处理引擎112可以将从训练好的监督学习模型获得的候选配对的发射概率确定为用于进一步确定与GPS轨迹匹配的路线的最终发射概率。如果候选配对是不合理的，则处理引擎112可以将从训练好的监督学习模型获得的候选配对的发射概率确定为概率成分。处理引擎112可以使用道路补全模型来规划对应于不合理候选配对的可能路线。处理引擎112可以根据规划的可能路线确定每条可能路线的惩罚因子。处理引擎112可以将概率成分和对应的惩罚因子的乘积确定为最终发射概率，以进一步确定与GPS轨迹匹配的路线。在一些实施例中，用于确定发射概率的方法和/或过程可以在本申请的其他地方找到(例如，图9及其描述)。
图7是根据本申请的一些实施例所示的定位点和路段之间的示例性映射关系的示意图。P11、P12和P13可以分别代表对应于候选配对定位点1-路段1、定位点1-路段2和定位点1-路段3的发射概率。P22可以表示候选配对定位点2-路段2的发射概率。P32和P34 可以分别代表对应于候选配对定位点3-路段2和定位点3-路段4的发射概率。在一些实施例中，处理引擎112可以进一步创建用于与至少两个定位点中的每一个定位点匹配的路段0。对应于每个定位点和路段0的发射概率可以是由处理引擎112设置的相同默认值，或者可以是根据不同应用场景的不同值。例如，如图7所示，表示对应于每个定位点和路段0的发射概率的P10、P20和P30可以相同或不同。
在540中，处理引擎112(例如，处理器220、路线确定模块440)可以根据发射概率确定/生成一组第三结构化数据，其具有对应于与GPS轨迹匹配的路线的至少两个矢量和标量中的至少一个。例如，第三结构化数据的数据单元可以包括数据头、数据主体和作为数据单元末端的指针。数据体可以包括诸如矢量和标量之类的形式的数据内容，并且对应于与GPS轨迹匹配的路线。指针可以指向下一个数据单元的数据头。
在一些实施例中，与GPS轨迹匹配的路线可以是至少两个可能的路线中最可能或最合理的路线。每个可能的路线可以包括物体从起始定位点行进到终点定位点的至少一个路段。例如，如图7所示，从定位点1到定位点3的至少两个可能的路线可以包括路段1+路段2、路段1+路段2+路段4、路段2、路段2+路段4、路段3+路段2和路段3+路段4。处理引擎112可以从至少两个可能的路线中选择最可能或最合理的路线。
在一些实施例中，处理引擎112可以根据发射概率、转移概率和维特比算法来确定路线。转移概率可以表示对象(例如，车辆、人)从前一时间点对应的第一候选配对中的第一路段移动到前一时间点的下一个时间点对应的第二候选配对中的第二路段的可能性。例如，如图7所示，定位点1到定位点2之间的转移概率可以包括表示对象从路段1移动到路段2的可能性的转移概率、表示该对象从路段2移动到路段2的可能性的转移概率、以及表示该对象从路段3移动到路段2的可能性的转移概率。在一些实施例中，可以根据两个路段之间的距离、时间、该对象的速度、与定位点所在的区域有关的信息等或其任意组合来确定转移概率。用于确定转移概率的方法可以不限于此。
在一些实施例中，处理引擎112可以使用发射概率和转移概率，根据维特比算法确定与GPS轨迹匹配的路线。例如，维特比算法可以使用动态编程来遍历所有可能的路线，并且分别计算表示对象在每个可能的路线上移动的概率中的最大概率。表示该对象在每条可能的路线上移动的概率可以根据与每条可能的路线相对应的发射概率和转移概率的乘积来确定。以这种方式，处理引擎112可以快速找到最可能或最合理的路线。在一些实施例中，用于确定路线的方法和/或过程可以在本申请的其他地方找到(例如，图10及其描述)。
在550中，处理引擎112(例如，处理器220、路线显示模块470)可以指示用户终端显示与用户终端相关联的当前定位点与所确定的路线之间的匹配。为此，处理引擎可以向用户终端发送命令。命令可以是用户终端的操作系统可识别和操作的格式，使得当接收到命令时，用户终端可以自动或手动显示当前定位点和所确定的路线之间的匹配。
在一些实施例中，处理引擎112可以指示与对象(例如，车辆、人)相关联的用户终端实时显示匹配。例如，如图6所示，确定的对象(例如，车辆、人)从定位点1移动到定位点3的路线可以是路段1+路段2。处理引擎112可以将定位点1匹配到最靠近路段1上的定位点1的位置1'，以及将定位点2和定位点3匹配到分别最靠近路段2上的定位点2和定位点3的位置2'和位置3'。处理引擎112可以指示用户终端显示如图6所示的呈现每个定位点与所确定的路线之间的匹配的地图。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。例如，操作510和操作520可以集成到一个步骤中。然而，变化和修改不会背离本申请的范围。
图8是根据本申请的一些实施例所示的用于获得训练好的监督学习模型的示例性过程800的流程图。过程800可以由AI系统100执行。例如，过程800可以实现为存储在存储ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220可以执行该组指令，并且当执行指令时，可以将其配置为执行过程800。以下所示过程的操作仅出于说明的目的。在一些实施例中，过程800在实施时可以添加一个或多个未描述的额外操作，和/或删减一个或多个此处所描述的操作。另外，如图8所示和下面描述的过程操作的顺序不是限制性的。
在810中，处理引擎112(例如，处理器220、模型训练模块450)可以获得至少两个车辆的至少两个历史GPS轨迹。在一些实施例中，至少两个历史GPS轨迹中的每一个可以包括至少两个历史定位点。
在一些实施例中，处理引擎112可以经由与至少两个对象相关联的用户终端130获得与至少两个对象(例如，至少两个车辆、至少两个人等)相关联的至少两个历史GPS轨迹。处理引擎112可以在每个预定时间点获得每个历史GPS轨迹中的历史定位点。例如，处理引擎112可以每隔3秒获得一个历史定位点，并且在连续的一段时间之后获得历史GPS轨迹。每个历史GPS轨迹中的至少两个历史定位点可以是根据时间顺序连续的。在一些实施例中，历史GPS轨迹的每个历史定位点可以指示对象位于对应时间点的历史位置。在一些实施例中，至少两个历史GPS轨迹可以存储在AI系统的存储设备(例如，存储器140、ROM 230、RAM 240等)中。处理引擎112可以访问存储设备以获得至少两个历史GPS轨迹。
在820中，对于每个历史轨迹的至少两个历史定位点中的每一个，处理引擎112(例如，处理器220、模型训练模块450)可以获得至少一个历史候选配对。在一些实施例中，至少一个历史候选配对中的每一个可以包括一个历史定位点和相应历史定位点第二预定距离内的历史路段。
在一些实施例中，历史路段可以是道路的一段或一部分。历史路段可以是第二预定长度。在一些实施例中，第二预定长度可以是存储在AI系统的存储设备(例如，存储器140、 ROM 230、RAM 240等)中的默认值，或者由AI系统或者由其操作者根据不同的应用场景确定。在一些实施例中，第一预定长度可以与第二预定长度相同或不同。
在一些实施例中，处理引擎112可以搜索相应历史定位点第二预定距离内的至少一个历史路段。处理引擎112可以将每个历史定位点与对应的至少一个历史路段中的每一个匹配，以获得至少一个历史候选配对中的一个历史候选配对。在一些实施例中，第二预定距离可以是存储在AI系统的存储设备(例如，存储器140、ROM 230、RAM 240等)中的默认值，或者由AI系统或者由其操作者根据不同的应用场景确定。例如，第二预定距离可以是 70米。又例如，处理引擎112可以确定历史定位点所在的位置(例如，市区或郊区)。对应于市区和郊区的第二预定距离可以不同。例如，对应于市区的第二预定距离可以是50米，对应于郊区的第二预定距离可以是200米。在一些实施例中，第二预定距离可以与第一预定距离相同或不同。
在830中，对于至少一个历史候选配对中的每一个，处理引擎112(例如，处理器220、模型训练模块450)可以获得反映车辆与对应历史路段之间的一个或以上关系的至少两个特征。
在一些实施例中，对于至少一个历史候选配对中的每一个，处理引擎112可以提取反映车辆与历史候选配对中的对应路段之间的一个或以上关系的至少两个特征。例如，至少两个特征可以包括车辆的点速度与对应的历史路段之间的角度、车辆的线速度与对应的历史路段之间的角度、历史定位点与对应历史路段之间的距离、历史路段的道路特征等或其任意组合。道路特征可以是历史路段的一个基本特征。例如，道路特征可以包括历史路段的长度、历史路段的宽度、历史路段所在的区域、历史路段的道路等级等或其任意组合。
在840中，处理引擎112(例如，处理器220、模型训练模块450)可以根据训练好的隐马尔可夫模型(HMM)获得至少两个历史定位点中的每一个定位点的候选匹配结果。
在一些实施例中，训练好的HMM可以是训练好的无监督学习模型，用于预测至少两个历史定位点中的每一个定位点的候选匹配结果。训练好的HMM可以根据无监督的学习算法通过使用至少两个历史GPS轨迹来训练。所述至少两个历史GPS轨迹可能包含其中每个定位点的未来信息。该未来信息会进一步影响监督学习模型的预测结果。在一些实施例中，处理引擎112可以训练HMM，并将训练好的HMM存储在AI系统的存储设备(例如，存储器140、ROM230、RAM 240、模型保存模块460等)中。处理引擎112可以访问存储设备获得训练好的HMM用于预测至少两个历史定位点中的每一个定位点的候选匹配结果。
在一些实施例中，处理引擎112可以将至少两个历史GPS轨迹中的每一个历史GPS轨迹的至少两个历史定位点输入到训练好的HMM中。训练好的HMM可以为每个历史定位点输出候选匹配结果。在一些实施例中，候选匹配结果可以表示训练好的HMM预测历史定位点在哪个候选路线(或候选路段)。例如，候选匹配结果可以包括候选路线(或候选路段) 和对应的历史定位点。
在850中，处理引擎112(例如，处理器220、模型训练模块450)可以根据至少两个特征和候选匹配结果训练初始监督学习模型，以获得训练好的监督学习模型。
在一些实施例中，初始监督学习模型可以是具有初始参数的初始模型。例如，初始监督学习模型可以包括梯度提升决策树(GBDT)模型、循环神经网络(RNN)模型或卷积神经网络(CNN)模型等或其任意组合。
在一些实施例中，处理引擎112可以将对应于至少两个历史定位点中的每一个定位点的至少两个特征和候选匹配结果输入到初始监督学习模型中。在训练过程中，每个历史定位点的候选匹配结果可以是标签，并且可以调整初始监督学习模型的初始参数以获得训练好的监督学习模型。在一些实施例中，处理引擎112可以进一步测试训练好的监督学习模型。例如，处理引擎112可以使用预定标准来测试训练好的监督学习模型。如果训练好的监督学习模型满足该预定标准，则处理引擎112可以停止训练过程以获得训练好的监督学习模型。
在860中，处理引擎112(例如，处理器220、模型训练模块450)可以根据所确定的路线和对应的GPS轨迹来更新训练好的监督学习模型。
在一些实施例中，在每次如图5所示确定车辆的每个GPS轨迹的路线之后，处理引擎112可以进一步使用所确定的路线和对应的GPS轨迹来进一步训练训练好的监督学习模型。例如，处理引擎112可以将确定的路线和对应的GPS轨迹输入到训练好的监督学习模型中，以调整训练好的监督学习模型的参数。确定的路线可以是训练过程中的标签。可以更新训练好的监督学习模型，并且更新后的监督学习模型可以预测到比更新之前的监督学习模型更准确的结果。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。例如，可以在示例性过程800中的其他地方添加一个或以上其他可选操作(例如，存储操作)。例如，过程800还可以包括在获得训练好的HMM之后存储训练好的HMM。又例如，操作840可以在操作820之前执行。
图9是根据本申请的一些实施例所示的用于确定发射概率的示例性过程900的流程图。过程900可以由AI系统100执行。例如，过程900可以实现为存储在存储ROM 230 或RAM240中的一组指令(例如，应用程序)。处理器220可以执行该组指令，并且当执行该指令时，可以将其配置为执行该过程900。以下所示过程的操作仅出于说明的目的。在一些实施例中，过程900在实施时可以添加一个或以上未描述的额外操作，和/或删减一个或以上此处所描述的操作。另外，如图9所示和下面描述的过程操作的顺序不是限制性的。
在910中，处理引擎112(例如，处理器220、概率确定模块430)可以根据合理性模型确定对应于两个相邻定位点的两个路段是否合理。
在一些实施例中，合理性模型可以是用于根据时间顺序确定对应于两个相邻定位点的两个路段是否合理的方法和/或过程。合理性模型可以确定是否存在映射到GPS轨迹中的定位点的不合理的路段。在一些实施例中，合理性模型可以是N-Gram模型。例如，可以使用至少两个历史GPS轨迹和与至少两个历史GPS轨迹匹配的对应路线来训练N-Gram模型。在一些实施例中，合理性模型可以被预先训练并存储在AI系统的存储设备(例如，存储器140、ROM 230、RAM 240等)中。处理引擎112可以访问存储设备以获得合理性模型，用于确定对应于两个相邻定位点的两个路段是否合理。
在一些实施例中，确定对应于两个相邻定位点的两个路段不合理的条件可以包括两个路段是不连续的、至少一个路段距离对应的点漂移很远、两个相邻定位点缺少至少一个点(例如，对应于两个相邻定位点的两个时间点大于预定的时间间隔)、两个路段是多余的(例如，两个路段的第一路段映射在另一条路上，并且两个路段的第二路段映射回原始道路)等或其任意组合。
在一些实施例中，处理引擎112可以将对应于两个相邻定位点的两个路段和/或对应于部分GPS轨迹的几个路段输入到合理性模型中。合理性模型可以预测每个路段和对应点的合理概率。处理引擎112可以进一步确定每个合理概率是否大于概率阈值。响应于确定合理概率大于概率阈值，处理引擎112可确定路段是合理的。响应于确定合理概率不大于概率阈值，处理引擎112可确定路段不合理。在一些实施例中，概率阈值可以是存储在AI系统的存储设备(例如，存储器140、ROM 230、RAM 240等)中的默认值，或者由AI系统或其操作者根据不同的应用场景确定。在一些实施例中，响应于确定对应于两个相邻定位点的两个路段中的一个是不合理的，处理引擎112可以确定该两个路段是不合理的。
在920，响应于确定对应于两个相邻定位点的两个路段是合理的，处理引擎112(例如，处理器220、概率确定模块430)可以根据训练好的监督学习模型来确定发射概率。
在一些实施例中，响应于确定对应于两个相邻定位点的两个路段是合理的，处理引擎 112可以确定由训练好的监督学习模型确定的发射概率是正确的。处理引擎112可以保留由训练好的监督学习模型确定的发射概率作为用于进一步确定路线的最终发射概率。
在930，响应于确定对应于两个相邻定位点的两个路段是不合理的，处理引擎112(例如，处理器220、概率确定模块430)可以根据训练好的监督学习模型确定概率成分。
在一些实施例中，响应于确定对应于两个相邻定位点的两个路段是不合理的，处理引擎112可以确定由训练好的监督学习模型确定的发射概率是不正确的并且需要修正。在一些实施例中，处理引擎112可以将由训练好的监督学习模型确定的发射概率指定为最终发射概率的概率成分，以进一步确定路线。
在940中，处理引擎112(例如，处理器220、概率确定模块430)可以根据道路补全模型确定用于修正两个不合理的相邻点的惩罚因子。
在一些实施例中，惩罚因子可以是用于惩罚不合理路段的参数，并且用于优化不合理路段和对应定位点的发射概率。在一些实施例中，惩罚因子可以是小于1的正数。惩罚因子越大，对不合理路段的惩罚就越少。惩罚因子越小，对不合理的路段的惩罚就越大。
在一些实施例中，处理引擎112可以根据道路补全模型确定惩罚因子。例如，处理引擎112可以将对应于两个不合理路段的两个相邻定位点输入到道路补全模型中。道路补充模型可以规划两个相邻定位点之间可能的路线。在一些实施例中，处理引擎112可以根据可能的路线的长度来确定惩罚因子。可能的路线越长，对不合理路段的惩罚越大，惩罚因子越小。在一些实施例中，处理引擎112可以根据可能路线中的路段计数来确定惩罚因子。例如，处理引擎112可以在可能的路线中存在一个路段时将惩罚因子确定为0.8，并且当可能的路线中存在n个路段时将惩罚因子确定为0.8n。
在950中，处理引擎112(例如，处理器220、概率确定模块430)可以根据概率成分和惩罚因子来确定发射概率。
在一些实施例中，处理引擎112可以将概率成分乘以惩罚因子，以获得不合理路段和对应定位点的发射概率。发射概率可以根据惩罚因子修正。惩罚因子越大，发射概率越大。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。在一些实施例中，可以在示例性过程900中的其他地方添加一个或以上其他可选操作(例如，存储操作)。例如，过程900还可以包括在确定发射概率之后存储发射概率。
图10是根据本申请的一些实施例所示的用于确定路线的示例性过程1000的流程图。过程1000可以由AI系统100执行。例如，过程1000可以实现为存储在存储ROM 230或 RAM240中的一组指令(例如，应用程序)。处理器220可以执行该组指令，并且当执行该指令时，可以将其配置为执行该过程1000。以下所示过程的操作仅出于说明的目的。在一些实施例中，过程1000在实施时可以添加一个或多个未描述的额外操作，和/或删减一个或多个此处所描述的操作。另外，如图10所示和下面描述的过程操作的顺序不是限制性的。
在1010中，对于对应于两个相邻定位点的任何两个候选配对，处理引擎112(例如，处理器220、路线确定模块440)可以确定转移概率。
在一些实施例中，处理引擎112可以确定车辆从前一时间点对应的第一路段移动到前一时间点的下一时间点对应的第二路段的转移概率。在一些实施例中，处理引擎112可以根据方法或算法确定转移概率。用于确定转移概率的方法或算法可以不限于此。例如，该方法或算法可以根据两个路段之间的距离、时间、对象的速度、与定位点所在的区域有关的信息等或其任意组合来确定转移概率。
在1020中，处理引擎112(例如，处理器220、路线确定模块440)可以根据转移概率、发射概率和维特比算法来确定路线。
在一些实施例中，处理引擎112可以使用维特比算法来计算与GPS轨迹匹配的最佳路线。例如，维特比算法可以使用动态编程来快速找到具有最大匹配概率的最佳路线。在一些实施例中，匹配概率可以是对应于GPS轨迹的发射概率和转移概率的乘积。维特比算法可以遍历每个候选配对以选择具有最大匹配概率的最佳路线。
本实施例至少具备以下之一的技术效果：使用无监督学习模型(例如，隐马尔可夫模型(HMM))来预测至少两个历史GPS轨迹的至少两个匹配结果。然后，使用该至少两个匹配结果来训练监督学习模型。无需手动标记该至少两个匹配结果。对于移动车辆，可以预先匹配移动车辆的GPS轨迹的每个定位点与距离该定位点预定距离内的路段，并使用监督学习模型来预测该定位点在该路段的概率。如果两个相邻定位点被映射到两个不合理的路段上，则可以使用道路补全模型进一步修正概率。根据修正概率将移动车辆的GPS轨迹映射到路线上，这样可以更准确地确定移动车辆正在移动的路线。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此，应强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改良。对应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行，以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序代码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF等或其任意组合。
本申请各方面操作所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python或类似的常规程序编程语言，如“C”编程语言、Visual Basic、Fortran1703、 Perl、COBOL 1702、PHP、ABAP，动态编程语言如Python、Ruby和Groovy或其它编程语言。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(LAN) 或广域网路(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。对应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
本文中提及的所有专利、专利申请、专利申请公布和其他材料(如论文、书籍、说明书、出版物、记录、事物和/或类似的东西)均在此通过引用的方式全部并入本文以达到所有目的，与上述文件相关的任何起诉文档记录、与本文件不一致或冲突的任何上述文件或对迟早与本文件相关的权利要求书的广泛范畴有限定作用的任何上述文件除外。举例来说，如果任何并入材料相关的与本文件相关的描述、定义和/或术语使用之间有任何不一致或冲突，那么本文件中的描述、定义和/或术语使用应当优先。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。因此，本申请的实施例不限于精确地如所示和所述的那些。

Claims (24)

1.一种用于地图绑定的人工智能系统，其特征在于，包括：
GPS轨迹获取模块，被配置为，获得包括至少两个定位点的GPS轨迹，其中所述至少两个定位点的两个相邻定位点分别对应于两个相邻时间点；
匹配模块，被配置为，对于所述至少两个定位点中的每一个定位点，获得至少一个候选配对，所述至少一个候选配对中的每一个包括所述定位点和所述定位点第一预定距离内的路段；
概率确定模块，被配置为，对于所述至少一个候选配对中的每一个，根据训练好的监督学习模型或道路补全模型中的至少一个来确定发射概率；
路线确定模块，被配置为，根据所述发射概率确定与所述GPS轨迹匹配的路线；以及
路线显示模块，被配置为，指示用户终端显示与所述用户终端相关的当前定位点和所述确定的路线之间的匹配。
2.根据权利要求1所述的系统，其特征在于，还包括模型训练模块，被配置为：
获得至少两个车辆的至少两个历史GPS轨迹，所述至少两个历史GPS轨迹中的每一个包括至少两个历史定位点；
对于每个历史轨迹的所述至少两个历史定位点中的每一个，获得至少一个历史候选配对，所述至少一个历史候选配对中的每一个包括一个历史定位点和对应于所述历史定位点第二预定距离内的历史路段；
对于所述至少一个历史候选配对中的每一个，获得反映车辆与所述对应历史路段之间的一个或以上关系的至少两个特征；
根据训练好的隐马尔可夫模型HMM获得所述至少两个历史定位点中每一个的候选匹配结果；以及
根据所述至少两个特征和所述候选匹配结果训练初始监督学习模型，以获得所述训练好的监督学习模型。
3.根据权利要求2所述的系统，其特征在于，所述模型训练模块还被配置为：
根据所述确定的路线和所述对应的GPS轨迹，更新所述训练好的监督学习模型。
4.根据权利要求2所述的系统，其特征在于，所述至少两个特征包括至少一个：
车辆的点速度与所述对应路段之间的角度；
所述车辆的线速度与所述对应路段之间的角度；
定位点与所述对应路段之间的距离；或
所述路段的道路特征。
5.根据权利要求1所述的系统，其特征在于，所述概率确定模块进一步被配置为：
根据合理性模型确定对应于两个相邻定位点的两个路段是否合理；
响应于所述对应于两个相邻定位点的两个路段是合理的，根据所述训练好的监督学习模型确定所述发射概率。
6.根据权利要求5所述的系统，其特征在于，所述概率确定模块进一步被配置为：
响应于所述对应于两个相邻定位点的两个路段是不合理的，根据所述训练好的监督学习模型和所述道路补全模型确定所述发射概率。
7.根据权利要求6所述的系统，其特征在于，为根据所述训练好的监督学习模型和所述道路补全模型确定所述发射概率，所述概率确定模块进一步被配置为：
根据所述训练好的监督学习模型确定概率成分；
根据所述道路补全模型确定用于修正所述两个不合理的相邻点的惩罚因子；以及
根据所述概率成分和所述惩罚因子确定所述发射概率。
8.根据权利要求5所述的系统，其特征在于，所述合理性模型包括N-Gram模型。
9.根据权利要求1所述的系统，其特征在于，所述训练好的监督学习模型包括以下中的至少一个：梯度提升决策树GBDT模型、循环神经网络RNN模型或卷积神经网络CNN模型。
10.根据权利要求1所述的系统，其特征在于，所述道路补全模型包括贝叶斯模型。
11.根据权利要求1所述的系统，其特征在于，为确定所述路线，所述路线确定模块进一步被配置为：
对于对应于两个相邻定位点的任何两个候选配对，确定转移概率；
根据所述转移概率、所述发射概率和维特比算法确定所述路线。
12.一种用于地图绑定的人工智能方法，其特征在于，所述方法包括：
获取包括至少两个定位点的GPS轨迹，其中所述至少两个定位点的两个相邻定位点分别对应于两个相邻时间点；
对于所述至少两个定位点中的每一个定位点，对于所述至少两个定位点中的每一个定位点，获得至少一个候选配对，所述至少一个候选配对中的每一个包括所述定位点和所述定位点第一预定距离内的路段；
对于所述至少一个候选配对中的每一个，根据训练好的监督学习模型或道路补全模型中的至少一个来确定发射概率；
根据所述发射概率确定与所述GPS轨迹匹配的路线；以及
指示所述用户终端显示与所述用户终端相关的当前定位点和所述确定的路线之间的匹配。
13.根据权利要求12所述的方法，其特征在于，所述训练好的监督学习模型是通过以下方式获得的：
获得至少两个车辆的至少两个历史GPS轨迹，所述至少两个历史GPS轨迹中的每一个包括至少两个历史定位点；
对于每个历史轨迹的所述至少两个历史定位点中的每一个，获得至少一个历史候选配对，所述至少一个历史候选配对中的每一个包括一个历史定位点和对应于所述历史定位点第二预定距离内的历史路段；
对于所述至少一个历史候选配对中的每一个，获得反映车辆与所述对应历史路段之间的一个或以上关系的至少两个特征；
根据训练好的隐马尔可夫模型HMM获得所述至少两个历史定位点中每一个的候选匹配结果；以及
根据所述至少两个特征和所述候选匹配结果训练初始监督学习模型，以获得所述训练好的监督学习模型。
14.根据权利要求13所述的方法，其特征在于，进一步包括：
根据所述确定的路线和所述对应的GPS轨迹，更新所述训练好的监督学习模型。
15.根据权利要求13所述的方法，其特征在于，所述至少两个特征包括至少一个：
车辆的点速度与所述对应路段之间的角度；
所述车辆的线速度与所述对应路段之间的角度；
定位点与所述对应路段之间的距离；或
所述路段的道路特征。
16.根据权利要求12所述的方法，其特征在于，进一步包括：
根据合理性模型确定对应于两个相邻定位点的两个路段是否合理；
响应于所述对应于两个相邻定位点的两个路段是合理的，根据所述训练好的监督学习模型确定所述发射概率。
17.根据权利要求16所述的方法，其特征在于，进一步包括：
响应于所述对应于两个相邻定位点的两个路段是不合理的，根据所述训练好的监督学习模型和所述道路补全模型确定所述发射概率。
18.根据权利要求17所述的方法，其特征在于，所述根据所述训练好的监督学习模型和所述道路补全模型确定所述发射概率包括：
根据所述训练好的监督学习模型确定概率成分；
根据所述道路补全模型确定用于修正所述两个不合理的相邻点的惩罚因子；以及
根据所述概率成分和所述惩罚因子确定所述发射概率。
19.根据权利要求16所述的方法，其特征在于，所述合理性模型包括N-Gram模型。
20.根据权利要求12所述的方法，其特征在于，所述训练好的监督学习模型包括以下中的至少一个：梯度提升决策树GBDT模型、循环神经网络RNN模型或卷积神经网络CNN模型。
21.根据权利要求12所述的方法，其特征在于，所述道路补全模型包括贝叶斯模型。
22.根据权利要求12所述的方法，其特征在于，所述确定所述路线包括：
对于对应于两个相邻定位点的任何两个候选配对，确定转移概率；
根据所述转移概率、所述发射概率和维特比算法确定所述路线。
23.一种非暂时性可读介质，其特征在于，包括至少一组计算机指令，当所述至少一组计算机指令由至少一个处理器执行时，实现如权利要求12-22中任一项所述的方法。
24.一种地图绑定装置，其特征在于，包括：
至少一个存储介质，包括计算机指令；和
至少一个与所述存储介质通信的处理器，其中，当执行所述计算机指令时，所述至少一个处理器用于实现如权利要求12-22中任一项所述的方法。
CN201811436901.XA 2018-11-28 2018-11-28 用于地图绑定的人工智能系统和方法 Pending CN111242148A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811436901.XA CN111242148A (zh) 2018-11-28 2018-11-28 用于地图绑定的人工智能系统和方法
PCT/CN2018/118673 WO2020107441A1 (en) 2018-11-28 2018-11-30 Artificial intelligent systems and methods for map matching

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811436901.XA CN111242148A (zh) 2018-11-28 2018-11-28 用于地图绑定的人工智能系统和方法

Publications (1)

Publication Number Publication Date
CN111242148A true CN111242148A (zh) 2020-06-05

Family

ID=70851911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811436901.XA Pending CN111242148A (zh) 2018-11-28 2018-11-28 用于地图绑定的人工智能系统和方法

Country Status (2)

Country Link
CN (1) CN111242148A (zh)
WO (1) WO2020107441A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114328791A (zh) * 2021-12-30 2022-04-12 重庆大学 一种基于深度学习的地图匹配算法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113840233B (zh) * 2020-06-23 2023-09-19 中国移动通信集团辽宁有限公司 基于定位区域的监控方法及装置
CN112685531B (zh) * 2021-01-26 2021-12-03 腾讯科技（深圳）有限公司 车辆匹配方法和装置、计算设备以及计算机可读存储介质
CN113191550B (zh) * 2021-04-29 2024-04-09 北京百度网讯科技有限公司 地图匹配方法及装置
CN113225676B (zh) * 2021-05-25 2022-10-11 深圳市欢太数字科技有限公司 近场通信的设置方法、装置、移动终端及存储介质
CN113407871B (zh) * 2021-06-21 2024-04-02 北京畅行信息技术有限公司 上车点推荐方法、装置、电子设备和可读存储介质
CN113155139B (zh) * 2021-06-28 2021-11-16 中移(上海)信息通信科技有限公司 车辆轨迹纠偏方法、装置及电子设备
CN113701778B (zh) * 2021-09-02 2024-04-19 广州宸祺出行科技有限公司 一种基于乘客路线偏好的网约车路线规划方法及装置
CN113821579B (zh) * 2021-09-18 2024-02-06 北京百度网讯科技有限公司 路线的生成方法、装置、电子设备和存储器
CN113888867B (zh) * 2021-09-30 2023-05-12 洛阳远瞻信息科技有限公司 一种基于lstm位置预测的车位推荐方法及系统
CN114418093B (zh) * 2022-01-19 2023-08-25 北京百度网讯科技有限公司 训练路径表征模型、输出信息的方法和装置
CN115144880A (zh) * 2022-06-28 2022-10-04 平安银行股份有限公司 一种道路匹配方法、设备和存储介质
CN116007638B (zh) * 2023-03-24 2023-05-30 北京集度科技有限公司 车辆轨迹地图匹配方法、装置、电子设备及车辆

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105444769A (zh) * 2015-11-26 2016-03-30 北京百度网讯科技有限公司 地图匹配方法及装置
CN106912018A (zh) * 2017-02-28 2017-06-30 上海讯飞瑞元信息技术有限公司 基于信令轨迹的地图匹配方法及系统
US10060751B1 (en) * 2017-05-17 2018-08-28 Here Global B.V. Method and apparatus for providing a machine learning approach for a point-based map matcher

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8972177B2 (en) * 2008-02-26 2015-03-03 Microsoft Technology Licensing, Llc System for logging life experiences using geographic cues
US10288433B2 (en) * 2010-02-25 2019-05-14 Microsoft Technology Licensing, Llc Map-matching for low-sampling-rate GPS trajectories
CN106406306A (zh) * 2016-08-30 2017-02-15 北京百度网讯科技有限公司 基于机器人的室内导航方法、装置、系统和服务器
CN106767873B (zh) * 2016-12-30 2019-08-06 浙江大学 一种基于时空的地图匹配方法
CN108108808B (zh) * 2018-01-08 2021-11-19 北京邮电大学 一种基于深度信念网络的位置预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105444769A (zh) * 2015-11-26 2016-03-30 北京百度网讯科技有限公司 地图匹配方法及装置
CN106912018A (zh) * 2017-02-28 2017-06-30 上海讯飞瑞元信息技术有限公司 基于信令轨迹的地图匹配方法及系统
US10060751B1 (en) * 2017-05-17 2018-08-28 Here Global B.V. Method and apparatus for providing a machine learning approach for a point-based map matcher

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114328791A (zh) * 2021-12-30 2022-04-12 重庆大学 一种基于深度学习的地图匹配算法

Also Published As

Publication number Publication date
WO2020107441A1 (en) 2020-06-04

Similar Documents

Publication Publication Date Title
CN111242148A (zh) 用于地图绑定的人工智能系统和方法
CN110686686B (zh) 用于地图匹配的系统和方法
CN110702129B (zh) 用于路径规划的系统和方法
CN111862585B (zh) 用于交通预测的系统和方法
US10922778B2 (en) Systems and methods for determining an estimated time of arrival
CN112868036B (zh) 位置推荐的系统和方法
US20210140774A1 (en) Systems and methods for recommending pick-up locations
CN107784012B (zh) 一种数字地图兴趣点的更新方法及装置
CN111858786B (zh) 用于在路径规划中提供通行时间置信度的系统和方法
US20200300650A1 (en) Systems and methods for determining an estimated time of arrival for online to offline services
CN112041858B (zh) 提供出行建议的系统和方法
CN109791731A (zh) 一种预估到达时间的方法和系统
WO2019228391A1 (en) Systems and methods for online to offline services
CN114547223B (zh) 轨迹预测方法、轨迹预测模型的训练方法及装置
US20220214185A1 (en) Systems and methods for recommendation and display of point of interest
EP3642821A1 (en) Systems and methods for determining a new route in a map
US20210065548A1 (en) Systems and methods for navigation based on intersection coding
WO2021168623A1 (en) Systems and methods for displaying a point of interest
CN111279386B (zh) 用于新道路确定的系统和方法
CN111860903A (zh) 一种确定预估到达时间的方法和系统
CN111563639A (zh) 一种订单分配的方法和系统
CN111194463A (zh) 用于在移动设备上显示目的地的人工智能系统和方法
WO2021022487A1 (en) Systems and methods for determining an estimated time of arrival
WO2021051221A1 (en) Systems and methods for evaluating driving path
CN111879322B (zh) 一种定位精度的预测方法和系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200605