CN111275300B - 路网数据处理方法、装置、设备及存储介质 - Google Patents
路网数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111275300B CN111275300B CN202010043670.7A CN202010043670A CN111275300B CN 111275300 B CN111275300 B CN 111275300B CN 202010043670 A CN202010043670 A CN 202010043670A CN 111275300 B CN111275300 B CN 111275300B
- Authority
- CN
- China
- Prior art keywords
- route
- traffic information
- information
- travel
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本申请公开了一种路网数据处理方法、装置、设备及存储介质,属于网络技术领域。本申请实施例通过目标区域的路网数据和用户的出行数据,即可通过预测交通信息,确定路线变更信息,基于路线变更信息再改变交通信息,在变更路线时,通过交通信息结合用户的出行数据来分析路线特征和乘车点特征,以此来不断改善交通情况,这样通过多次路线改变,得到该目标区域内的目标交通信息,而无需由相关技术人员进行人工规划,相较于人工规划,处理效率高,且该过程考虑到了目标区域内的整体路线和乘车点情况,确定结果更准确。
Description
技术领域
本申请涉及网络技术领域,特别涉及一种路网数据处理方法、装置、设备及存储介质。
背景技术
随着城市不断扩张和城市人口的爆发式增长,城市基础设施一时难以满足激增的需求。基于城市内的交通设施进行合理的交通规划显得尤为重要。
目前,路网数据处理方法通常是由交通公司或者政府部门根据交通状况结合用户的出行需求的调查问卷,人工凭借经验来制定交通信息。但是交通状况复杂,受到多种动态因素影响,人工进行交通规划,效率很低,且由于交通规划的复杂度很高,人工制定难以考虑得很全面,准确性较低。
发明内容
本申请实施例提供了一种路网数据处理方法、装置、设备及存储介质,处理效率高,提高了交通信息的准确性。所述技术方案如下:
一方面,提供了一种路网数据处理方法,所述方法包括:
获取目标区域的路网数据和所述目标区域内用户的出行数据;
根据所述路网数据和所述用户的出行数据,获取所述目标区域的第一预测交通信息;
根据所述出行数据,提取所述第一预测交通信息中的路线特征和乘车点特征;
根据所述路线特征和所述乘车点特征,确定路线变更信息,所述路线变更信息用于指示将任一乘车点从第一路线上变更到第二路线上;
在所述第一预测交通信息中执行所述路线变更信息所指示的路线变更步骤,得到所述目标区域的第二预测交通信息,继续基于所述第二预测交通信息,确定路线变更信息,直至符合目标条件时,得到所述目标区域的目标交通信息。
一方面,提供了一种路网数据处理装置,所述装置包括:
获取模块,用于获取目标区域的路网数据和所述目标区域内用户的出行数据;
所述获取模块,还用于根据所述路网数据和所述用户的出行数据,获取所述目标区域的第一预测交通信息;
提取模块,用于根据所述出行数据,提取所述第一预测交通信息中的路线特征和乘车点特征;
确定模块,用于根据所述路线特征和所述乘车点特征,确定路线变更信息,所述路线变更信息用于指示将任一乘车点从第一路线上变更到第二路线上;
所述确定模块,还用于在所述第一预测交通信息中执行所述路线变更信息所指示的路线变更步骤,得到所述目标区域的第二预测交通信息,继续基于所述第二预测交通信息,确定路线变更信息,直至符合目标条件时,得到所述目标区域的目标交通信息。
在一种可能实现方式中,所述确定模块用于:
获取路线变更前后所述目标区域内用户的出行时长;
基于所述路线变更前后所述目标区域内用户的出行时长,获取本次路线变更对应的出行时长变化信息;
基于所述出行时长变化信息,对路线变更确定参数进行调整;
基于调整后的路线变更确定参数和所述第二预测交通信息,确定路线变更信息。
在一种可能实现方式中,所述目标区域内包括多个用户;
所述确定模块用于:
获取路线变更前后所述多个用户中每个用户的出行时长;
获取路线变更前所述多个用户的出行时长的和值作为所述目标区域内用户的第一出行时长;
获取路线变更后所述多个用户的出行时长的和值作为所述目标区域内用户的第二出行时长。
在一种可能实现方式中,所述确定模块用于获取所述第二出行时长与所述第一出行时长之间的差值,将所述差值作为所述出行时长变化信息。
在一种可能实现方式中,所述路网数据处理方法基于交通信息确定模型实现,所述确定模块,还用于将所述路网数据和所述用户的出行数据输入所述交通信息确定模型中,由所述交通信息确定模型执行所述第一预测交通信息的获取步骤、特征提取步骤和路线变更信息的确定步骤,输出所述路线变更信息。
在一种可能实现方式中,所述交通信息确定模型的模型参数为路线变更确定参数,所述目标条件为所述交通信息确定模型的模型参数收敛、迭代次数达到目标次数或出行时长变化信息收敛。
在一种可能实现方式中,所述确定模块,还用于响应于出行查询指令,根据所述出行查询指令所指示用户的出行数据和所述目标交通信息,确定目标路线或所述目标路线对应的出行时长中至少一项。
在一种可能实现方式中,所述确定模块还用于响应于订单分配指令,根据所述订单分配指令所指示用户的出行数据、所述目标交通信息以及车辆的位置状态,确定目标车辆,将所述订单分配指令所指示的订单发送至所述目标车辆。
一方面,提供了一种电子设备,所述电子设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条指令,所述指令由所述一个或多个处理器加载并执行以实现所述路网数据处理方法所执行的操作。
一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现所述路网数据处理方法所执行的操作。
本申请实施例通过目标区域的路网数据和用户的出行数据,即可通过预测交通信息,确定路线变更信息,基于路线变更信息再改变交通信息,在变更路线时,通过交通信息结合用户的出行数据来分析路线特征和乘车点特征,以此来不断改善交通情况,这样通过多次路线改变,得到该目标区域内的目标交通信息,而无需由相关技术人员进行人工规划,相较于人工规划,处理效率高,且该过程考虑到了目标区域内的整体路线和乘车点情况,规划结果更准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种路网数据处理方法的实施环境;
图2是本申请实施例提供的一种路网数据处理方法的实施环境;
图3是本申请实施例提供的一种路网数据处理方法的流程图;
图4是本申请实施例提供的一种路线变更信息的获取过程的示意图;
图5是本申请实施例提供的一种交通信息确定模型的结构示意图;
图6是本申请实施例提供的一种路网数据处理装置的结构示意图;
图7是本申请实施例提供的一种终端的结构示意图;
图8是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
NP-hard问题:NP问题是指可以在多项式级时间复杂度内被验证;而NP-hard指问题S,满足任何NP问题都可以在多项式级时间复杂度内被归约为S(归约:即被归约的NP问题与S的答案相同,当解决了S时,就同时解决了所有的NP问题)。可以理解为,这是一个比所有NP问题都难的问题。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
强化学习,又称再励学习、评价学习或增强学习,是机器学习的范式和方法论之一。强化学习用于描述和解决智能体(Agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。其中,强化学习是智能体(Agent)以“试错”的方式进行学习,通过与环境进行交互获得的奖赏指导行为,目标是使智能体获得最大的奖赏。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的交通信息确定等技术,例如,通过人工智能,将人工做的交通规划步骤交由机器自动执行,具体通过如下实施例进行说明:
图1和图2均是本申请实施例提供的一种路网数据处理方法的实施环境,参见图1,该实施环境可以包括电子设备101,该电子设备101能够获取目标区域的路网数据102和该目标区域内用户的出行数据103,根据二者,确定该目标区域的交通信息。该交通信息的确定过程可以看做为交通规划过程,只是执行主体为电子设备101,该电子设备可以对路网数据进行处理,快速地、自动地确定出该目标区域的目标交通信息104。
其中,该交通信息确定过程和目标交通信息确定过程是指在一个区域内确定在哪些地点设置乘车点,设置多少车辆,每个车辆的运营路线、运行时间等。则交通信息和目标交通信息也即是指一个区域内的乘车点信息以及车辆运行信息。
例如,该路网数据102中可以包括该目标区域的道路情况,该出行数据103中可以包括用户的出行时间、起始位置和目的位置等,通过两种数据,电子设备101可以为该目标区域确定乘车点位置以及交通路线。
参见图2,提供了一种可能应用场景,该实施环境可以包括电子设备101和终端105。与图1所示实施环境同理的,电子设备101可以基于目标区域的路网数据102和用户的出行数据103,得到该目标区域的目标交通信息104。在一种可能的具体应用场景中,该目标交通信息104可以用于提供出行路线确定服务。终端105能够请求基于某个用户的出行数据,基于该目标交通信息104,为该用户进行路线确定,得到出行路线106,还可以得到该出行路线的预计时长。
其中,该电子设备101和终端105可以通过有线或无线网络连接,本申请实施例对具体采用哪种实施环境不作限定。
图3是本申请实施例提供的一种路网数据处理方法的流程图,参见图3,该方法可以包括以下步骤:
301、电子设备获取目标区域的路网数据和该目标区域内用户的出行数据。
在本申请实施例中,电子设备可以根据某个区域的路网数据和用户的出行数据,来为该区域内的交通进行确定,使得确定的交通信息的交通情况能够满足用户的出行需求,且交通情况良好。该目标区域可以为城市、也可以为省市、还可以为一个或多个国家,本申请实施例对该目标区域的范围不作限定。
其中,路网即是指在一定区域内,由各种道路组成的相互联络、交织成网状分布的道路系统。该路网数据则是指该目标区域内的道路情况。该出行数据可以包括用户的出行需求,该出行数据至少包括初始位置和目的位置。通过用户的出行需求,来确定该目标区域的交通信息,能够使得该目标区域的交通信息的交通情况符合用户需求,满足用户需求的同时,保证良好的路况情况。
其中,该路网数据和用户的出行数据可以存储于数据库中,相应的,电子设备可以从数据库中,提取该目标区域的路网数据和该目标区域内用户的出行数据。该路网数据和用户的出行数据也可以从目标应用的历史订单数据中获取,例如,该目标应用可以为地图应用,也可以为乘车应用,本申请实施例对此不作限定。
302、电子设备根据该路网数据和该用户的出行数据,获取该目标区域的第一预测交通信息。
电子设备获取到路网数据和用户的出行数据后,可以根据该路网数据和用户的出行数据,进行一次交通信息预测,得到第一预测交通信息,后续再基于数据对该第一预测交通信息进行调整,通过多次调整,得到更优的交通信息,也即是目标交通信息。
在一种可能实现方式中,该第一预测交通信息的获取过程可以为初始化的过程,也即是,电子设备初始化第一预测交通信息。具体的,该初始化过程中,第一预测交通信息中的乘车点设置、车辆数量等信息可以随机设置,或基于初始化规则进行设置。该路网数据中还可以包括现有的交通信息,第一预测交通信息可以与该路网数据中心的交通信息相同,或在该交通信息的基础上,结合用户的出行数据,对该交通信息进行调整得到,本申请实施例对此不作具体限定。
在一种可能实现方式中,该路网数据处理方法基于交通信息确定模型实现,则上述步骤302可以为:电子设备可以获取交通信息确定模型,将该路网数据和该用户的出行数据输入该交通信息确定模型中,由该交通信息确定模型执行该第一预测交通信息的获取步骤,当然,也可以由该交通信息确定模型执行下述步骤303和步骤304所示的特征提取步骤和路线变更信息的确定步骤,输出该路线变更信息。
在该实现方式中,电子设备获取到交通信息确定所需的数据后,可以获取交通信息确定模型,通过该交通信息确定模型对上述数据进行分析处理,得到该目标区域的目标交通信息。电子设备将数据输入交通信息确定模型后,该交通信息确定模型可以先根据该路网数据和用户的出行数据,进行一次交通信息预测,得到第一预测交通信息,后续再基于数据对该第一预测交通信息进行调整,通过多次调整得到更优的交通信息,也即是目标交通信息。
该交通信息确定过程可以为一个预测、调整、再预测、再调整、……、输出最终结果的迭代过程,通过不断调整的过程,能够使得最终结果更能够达到目标,经过上述调整过程后得到的目标交通信息的交通情况更佳。
其中,该交通信息确定模型可以为一个未训练好的模型,也可以为一个训练好的模型,电子设备均可以通过该模型对上述数据进行分析处理,该分析处理过程可以为给定目标的最优解求解过程,在该过程中,模型能够自主通过迭代进行交通信息确定,并对每次迭代过程的结果进行评估,从而调整参数,进行下一次迭代,在该迭代过程中,该交通信息确定模型能够学习到哪种交通信息能够使得目标更优,从而得到最终结果。
例如,该交通信息确定模型可以为强化学习模型,该交通信息确定模型通过不断“试错”来确定怎样的交通信息能使得目标最优。该交通信息确定过程也可以看作是解决问题的过程,在该交通信息确定过程中可能需要考虑多个问题,例如,乘车点选择、路线制定、车辆数量设置、车辆的运营信息设置等,除此之外,需要考虑用户的出行情况,例如,在考虑用户通勤的场景下,上述出行数据可以包括用户的通勤信息,例如,可以称之为职驻OD,其中,职驻OD是指从一个常驻地到另一个常驻地的人数。其中,OD为Origin to Destination,为从起始位置到目的位置的意思。比如职是指用户的工作地点,驻是用户居住的地点。上述解决问题的过程中可以考虑用户的出行时长,还可以考虑用户的车辆的座位占用率、运行时间等,本申请实施例对此不作具体限定。
303、电子设备根据该出行数据,提取该第一预测交通信息中的路线特征和乘车点特征。
在得到第一预测交通信息后,电子设备可以基于用户的出行数据,来确定该第一预测交通信息中用户的出行情况,从而获知当前第一预测交通信息下线路的承载情况、车辆的承载情况等,以此来评估当前第一预测交通信息的优劣。
在该过程中,该电子设备可以确定两种特征:路线特征和乘车点特征。在一种可能实现方式中,路线特征可以包括每条路线上每个路段上的用户数量或车辆在每个路段上的座位占用信息中至少一项。例如,以车辆为公交车为例,该座位占用信息可以为上座率,也可以为空座率。该乘车点特征可以包括每个乘车点需要乘车但还未成功乘车的用户数量。
在一种可能实现方式中,该电子设备提取该路线特征和乘车点特征时,可以根据该第一预测交通信息和用户的出行数据,为用户确定出行路线,从而基于用户的预测路线,提取该路线特征和乘车点特征。通过两种特征可以清晰获知该第一预测交通信息下的交通状态。
304、电子设备根据该路线特征和该乘车点特征,确定路线变更信息,该路线变更信息用于指示将任一乘车点从第一路线上变更到第二路线上。
电子设备获取到上述用于体现交通状态的特征后,可以根据当前特征,来确定如何进行路线变更,再基于路线变更后的预测交通信息继续进行交通状态的评估。具体地,路线变更过程可以改变一个乘车点的设置,需要说明的是,该乘车点发生变化,则其他乘车点对应的路线可能也会发生变化,用户的出行路线或出行时长也可能发生变化。
在一种可能实现方式中,该路线变更信息的获取过程可以为初始化的过程,具体地,该初始化过程可以基于该第一预测交通信息确定,电子设备可以随机选择该第一预测交通信息中的一个乘车点,确定将其修改至随机选定的路线上。当然,该初始化过程还可以基于该第一预测交通信息以及上述路线特征或乘车点特征确定,例如,可以选择空座率最大的乘车点,确定将该乘车点调整至路线特征中乘车点需要上车但还未乘车的用户数量最大的路线上。本申请实施例对此不作限定。
需要说明的是,该步骤304为首次确定路线变更信息的过程,后续再确定路线变更信息时,确定过程可以与该步骤304中不同,后续可以基于评估结果的出行时长变化信息,对前一次确定的路线变更信息及进行调整得到,在此先不过多赘述。
在一种可能实现方式中,电子设备对该两种特征的处理过程可以为:电子设备将该路线特征和该乘车点特征拼接,作为第一输入特征,对该第一输入特征进行降维处理,对该第一输入特征中多个特征进行组合,得到第二输入特征,基于该第二输入特征,确定该路线变更信息。
该两种特征拼接均可以作为输入特征,由于该两种特征通常为高维度的特征,电子设备可以对其进行降维后再处理,以降低计算量。在处理过程中,还可以对该两种特征进行任意组合来确定路线变更信息。
例如,在该路网数据处理方法基于交通信息确定模型实现的实现方式中,该特征处理过程可以通过多层网络实现,如图4所示,该多层网络可以包括输入层(input layer)401、隐藏层(hidden layer)402和输出层(output layer)403。上述路线特征可以包括:F1,每条线路每个运营路段上的人数。F2,每个站点要上车但还未满足的人数。乘车点特征可以包括:F3,每条线路每个运营路段上的空座率。将该三个特征拼接后输入多层感知机中进行降维和特征组合,该输出层可以为非线性层,该非线性层可以输出两个概率分布m和n,一个概率分布m用于表示改变哪个乘车点,另一个概率分布n用于表示将该乘车点转移到哪条线路上。
305、电子设备以该第一预测交通信息为变更对象,执行该路线变更信息所指示的路线变更步骤,得到该目标区域的第二预测交通信息。
确定了路线变更信息,电子设备即可执行该路线变更信息所指示的路线变更动作,对第一预测交通信息中的路线进行调整,得到第二预测交通信息。具体地,电子设备可以将该路线变更信息所指示的乘车点转移至所指示的路线上。
306、电子设备继续基于该第二预测交通信息,确定路线变更信息,直至符合目标条件时,得到该目标区域的目标交通信息。
电子设备获取到第二预测交通信息后,可以再执行与上述同理的步骤,获取该第二预测交通信息中的两种特征,基于特征确定路线变更信息。
需要说明的是,该路线变更信息的再次确定过程可以为在上次确定的路线变更信息的基础上进行调整的过程,具体地,电子设备获取路线变更前后该目标区域内用户的出行时长,基于该路线变更前后该目标区域内用户的出行时长,获取本次路线变更对应的出行时长变化信息,基于该出行时长变化信息,对路线变更确定参数进行调整,基于调整后的路线变更确定参数和该第二预测交通信息,确定路线变更信息。
在此以路线变更前后用户的出行时长的变化情况来评估本次路线变更是否使得交通信息更优。通过不断地进行路线变更,对路线变更确定参数进行调整,基于该路线变更确定参数确定出的路线变更信息执行再重新评估,能够使得用户的出行时长减少,直到达到最小值,可以得到最优的交通信息。
上述路线变更信息的调整过程中,该出行时长变化信息为路线变更信息所指示的动作对应的奖赏信息,该奖赏信息用于指示路线变更使得交通信息变化的更优还是更劣。
例如,上述路线变更信息可以为图4所示的两个概率分布,假设路线变更确定参数为θ,将用户的出行时长记作Ji(θ),上述奖赏信息可以为其中,上述更新过程可以通过公式实现。其中,α为调整系数,该调整系数可以由相关技术人员根据需求进行设置,也可以根据上述奖赏信息进行调整,本申请实施例对此不作限定。
在一种可能实现方式中,该目标区域内包括多个用户,上述用户的出行时长为多个用户的出行时长的和值。具体地,电子设备可以获取路线变更前后该多个用户中每个用户的出行时长,获取路线变更前该多个用户的出行时长的和值作为该目标区域内用户的第一出行时长,获取路线变更后该多个用户的出行时长的和值作为该目标区域内用户的第二出行时长。
电子设备在获取出行时长变更信息时,可以获取该第二出行时长与该第一出行时长之间的差值,将该差值作为该出行时长变化信息。将用户的总出行时长的变化量作为奖赏信息,来考量预测交通信息的优劣。
在上述路网数据处理方法基于交通信息确定模型实现的实现方式中,上述路线变更确定参数即为该交通信息确定模型的模型参数,上述调整过程为迭代过程,迭代停止的条件为目标条件,该目标条件可以为该交通信息确定模型的模型参数收敛,该模型参数收敛,则奖赏信息不再变化,无需再继续调整,该模型已达到最优。该目标条件还可以为其他条件,例如迭代次数达到目标次数,可以设置有目标次数,避免迭代次数过多,计算时间过长,数据过拟合等。又例如,该目标条件还可以为该出行时长变化信息收敛。该奖赏信息收敛,该模型也已达到最优。本申请实施例对具体采用哪种方式不作限定。
下面通过一个具体示例,对上述交通信息确定过程进行说明。参见图5,该交通信息确定模型可以包括交通仿真器501和智能体502,该交通仿真器501可以仿真交通环境,智能体502承担了路线确定者的角色,智能体502每做出一次动作,即改变线路中的某一处,环境即交通仿真器501中的整体线路、每条线路上分配的人数都会因此做出改变,并将此次动作带来的奖赏反馈给智能体502,以供智能体502下一次做出更好的决策。
整个交通信息确定过程可以用一个马尔科夫四元组E=<S,A,P,R>表示:其中,S:状态集合。在本问题中每个状态s表示为第m个乘车点被分配到第n条线路上(共有M个乘车点、N条线路),所有状态集合即为全部线路的分布情况,也即是第一预测交通信息、第二预测交通信息和目标交通信息。A:动作集合。动作集合中每个动作a是指将第m个乘车点从第n条线路改到第n'条线路上。P:状态转移,指在执行了动作a之后状态s发生了改变。R:每次在状态s下执行动作a之后获得的奖赏。在本申请实施例中指改变一个乘车点的分配后,用户的总出行时长的减少量。其中,M,N,m,n均为正整数。
对于该交通仿真器501,该交通仿真器501以真实的职驻OD作为输入,模拟城市的出行需求。我们将从第n个乘车点到第n'个乘车点的出行需求记作Fnn',在第i轮迭代后路线中的通勤时间(出行时长)记作其中,该通勤时间可以通过抵达时间估计(EstimatedTime of Arrival,ETA)方式实现,ETA指给定初始位置和目的位置的情况下,根据实时路况对指定出行方式所需要的时间进行估计。本申请实施例中的优化目标定义为满足所有用户情况下的总通勤时间,记作Ji,则第i+1轮迭代后系统得到的奖赏为Ri+1=Ji+1-Ji。每次执行动作后,交通仿真器501将返回这个奖赏,i,n,n'均为正整数。
该智能体502可以依据当前交通仿真器501的状态对下一步动作进行决策。具体的,可以将该智能体502设计为一个多任务的多层感知机,该多层感知机的参数为模型参数θ,其输入为从交通仿真器501中抽取的有关于需要优化的特征,也即是上述路线特征和乘车点特征,具体该智能体502所执行的步骤可以参见图4。
需要说明的是,以该目标区域为某个城市范围为例,上述方法中形成了一套高效可行的交通仿真系统,该交通仿真系统以真实的路网数据、OD数据为基础,可以直观低模拟城市居民的出行情况,不仅能作为公交线路确定的依托平台,更可以广泛的应用到其他交通相关的问题中,因此具有极高的商业应用价值。另一方面,沉淀了一套基于强化学习的公共出行解决方案算法逻辑,可以准确利用职驻数据,挖掘出行需求,推广到公共出行的解决方案上。强化学习可广泛的应用于其他决策问题,例如,出租车派单、共享单车投放等。因此,上述方法具有极高的应用潜力。
本申请实施例所提供的路网数据处理方法可以应用于多种应用场景中,下面提供两种应用场景,当然,还可以包括其他场景,在此不一一列举。
场景一:出行路线确定场景。用户出行时如果需要确定出行路线,则可以在终端上进行操作,向该电子设备发送出行查询指令,该电子设备可以响应于出行查询指令,根据该出行查询指令所指示用户的出行数据和该目标交通信息,确定目标路线或该目标路线对应的出行时长中至少一项。
具体地,电子设备可以根据该用户的出行需求,为其确定出目标路线。电子设备也可以根据该用户的出行需求,告知其出行所需的出行时长。电子设备也可以既提供目标路线,又提供出行时长。本申请实施例对此不作限定。
在上述路网数据处理方法基于交通信息确定模型实现的方式中,交通信息确定模型通过不断调整模型参数,确定出路线变更信息,以不断调整交通信息,得到该目标区域的目标交通信息,电子设备可以将该用户的出行数据输入该交通信息确定模型中,由该交通信息确定模型执行该出行路线确定步骤,根据该目标交通信息来为用户的出行提供路线确定服务。
场景二:车辆分配(例如,出租车订单分配)。用户如果需要呼叫出租车,则可以输入自己的出行数据,向该电子设备发送订单分配指令,该电子设备可以响应于订单分配指令,根据该订单分配指令所指示用户的出行数据、该目标交通信息以及车辆的位置状态,确定目标车辆,将该订单分配指令所指示的订单发送至该目标车辆。
当然,还可以有其他应用场景,例如,共享单车投放场景,在该场景中上述车辆为共享单车,则对将乘车点作为该共享单车的投放点即可。
本申请实施例通过目标区域的路网数据和用户的出行数据,即可通过预测交通信息,确定路线变更信息,基于路线变更信息再改变交通信息,在变更路线时,通过交通信息结合用户的出行数据来分析路线特征和乘车点特征,以此来不断改善交通情况,这样通过多次路线改变,得到该目标区域内的目标交通信息,而无需由相关技术人员进行人工规划,相较于人工规划,处理效率高,且该过程考虑到了目标区域内的整体路线和乘车点情况,确定结果更准确。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
图6是本申请实施例提供的一种路网数据处理装置的结构示意图,参见图6,该装置包括:
获取模块601,用于获取目标区域的路网数据和该目标区域内用户的出行数据;
该获取模块601,还用于根据该路网数据和该用户的出行数据,获取该目标区域的第一预测交通信息;
提取模块602,用于根据该出行数据,提取该第一预测交通信息中的路线特征和乘车点特征;
确定模块603,用于根据该路线特征和该乘车点特征,确定路线变更信息,该路线变更信息用于指示将任一乘车点从第一路线上变更到第二路线上;
该确定模块603,还用于在该第一预测交通信息中执行该路线变更信息所指示的路线变更步骤,得到该目标区域的第二预测交通信息,继续基于该第二预测交通信息,确定路线变更信息,直至符合目标条件时,得到该目标区域的目标交通信息。
在一种可能实现方式中,该确定模块603,用于:
将该路线特征和该乘车点特征拼接,作为第一输入特征;
对该第一输入特征进行降维处理,对该第一输入特征中多个特征进行组合,得到第二输入特征;
基于该第二输入特征,确定该路线变更信息。
在一种可能实现方式中,该路线特征包括每条路线上每个路段上的用户数量或车辆在每个路段上的座位占用信息中至少一项;该乘车点特征包括每个乘车点需要乘车但还未成功乘车的用户数量。
在一种可能实现方式中,该确定模块603用于:
获取路线变更前后该目标区域内用户的出行时长;
基于该路线变更前后该目标区域内用户的出行时长,获取本次路线变更对应的出行时长变化信息;
基于该出行时长变化信息,对路线变更确定参数进行调整;
基于调整后的路线变更确定参数和该第二预测交通信息,确定路线变更信息。
在一种可能实现方式中,该目标区域内包括多个用户;
该确定模块603用于:
获取路线变更前后该多个用户中每个用户的出行时长;
获取路线变更前该多个用户的出行时长的和值作为该目标区域内用户的第一出行时长;
获取路线变更后该多个用户的出行时长的和值作为该目标区域内用户的第二出行时长。
在一种可能实现方式中,该确定模块603用于获取该第二出行时长与该第一出行时长之间的差值,将该差值作为该出行时长变化信息。
在一种可能实现方式中,该路网数据处理方法基于交通信息确定模型实现,该确定模块还用于将该路网数据和该用户的出行数据输入该交通信息确定模型中,由该交通信息确定模型执行该第一预测交通信息的获取步骤、特征提取步骤和路线变更信息的确定步骤,输出该路线变更信息。
在一种可能实现方式中,该交通信息确定模型的模型参数为路线变更确定参数,该目标条件为该交通信息确定模型的模型参数收敛、迭代次数达到目标次数或该出行时长变化信息收敛。
在一种可能实现方式中,该确定模块603,还用于响应于出行查询指令,根据该出行查询指令所指示用户的出行数据和该目标交通信息,确定目标路线或该目标路线对应的出行时长中至少一项。
在一种可能实现方式中,该确定模块603还用于响应于订单分配指令,根据该订单分配指令所指示用户的出行数据、该目标交通信息以及车辆的位置状态,确定目标车辆,将该订单分配指令所指示的订单发送至该目标车辆。
本申请实施例提供的装置,通过目标区域的路网数据和用户的出行数据,即可通过预测交通信息,确定路线变更信息,基于路线变更信息再改变交通信息,在变更路线时,通过交通信息结合用户的出行数据来分析路线特征和乘车点特征,以此来不断改善交通情况,这样通过多次路线改变,得到该目标区域内的目标交通信息,而无需由相关技术人员进行人工规划,相较于人工规划,处理效率高,且该过程考虑到了目标区域内的整体路线和乘车点情况,确定结果更准确。
需要说明的是:上述实施例提供的路网数据处理装置在进行处理路网数据时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的路网数据处理装置与路网数据处理方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
上述电子设备可以为下述图7所示的终端,也可以为下述图8所示的服务器,本申请实施例对此不作限定。
图7是本申请实施例提供的一种终端的结构示意图。该终端700可以是:智能手机、平板电脑、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端700还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端700包括有:一个或多个处理器701和一个或多个存储器702。
处理器701可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器701可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器701还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器702可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器702中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器701所执行以实现本申请中方法实施例提供的路网数据处理方法。
在一些实施例中,终端700还可选包括有:外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口703相连。具体地,外围设备包括:射频电路704、显示屏705、摄像头组件706、音频电路707、定位组件708和电源709中的至少一种。
外围设备接口703可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器701和存储器702。在一些实施例中,处理器701、存储器702和外围设备接口703被集成在同一芯片或电路板上;在一些其他实施例中,处理器701、存储器702和外围设备接口703中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路704用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路704将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路704包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路704可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路704还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏705用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏705是触摸显示屏时,显示屏705还具有采集在显示屏705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器701进行处理。此时,显示屏705还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏705可以为一个,设置终端700的前面板;在另一些实施例中,显示屏705可以为至少两个,分别设置在终端700的不同表面或呈折叠设计;在再一些实施例中,显示屏705可以是柔性显示屏,设置在终端700的弯曲表面上或折叠面上。甚至,显示屏705还可以设置成非矩形的不规则图形,也即异形屏。显示屏705可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件706用于采集图像或视频。可选地,摄像头组件706包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件706还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路707可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器701进行处理,或者输入至射频电路704以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端700的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器701或射频电路704的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路707还可以包括耳机插孔。
定位组件708用于定位终端700的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件708可以是基于GPS(Global PositioningSystem,全球定位系统)、北斗系统、格雷纳斯系统或伽利略系统的定位组件。
电源709用于为终端700中的各个组件进行供电。电源709可以是交流电、直流电、一次性电池或可充电电池。当电源709包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端700还包括有一个或多个传感器710。该一个或多个传感器710包括但不限于:加速度传感器711、陀螺仪传感器712、压力传感器713、光学传感器715以及接近传感器716。
加速度传感器711可以检测以终端700建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器711可以用于检测重力加速度在三个坐标轴上的分量。处理器701可以根据加速度传感器711采集的重力加速度信号,控制显示屏705以横向视图或纵向视图进行用户界面的显示。加速度传感器711还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器712可以检测终端700的机体方向及转动角度,陀螺仪传感器712可以与加速度传感器711协同采集用户对终端700的3D动作。处理器701根据陀螺仪传感器712采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器713可以设置在终端700的侧边框和/或显示屏705的下层。当压力传感器713设置在终端700的侧边框时,可以检测用户对终端700的握持信号,由处理器701根据压力传感器713采集的握持信号进行左右手识别或快捷操作。当压力传感器713设置在显示屏705的下层时,由处理器701根据用户对显示屏705的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
光学传感器715用于采集环境光强度。在一个实施例中,处理器701可以根据光学传感器715采集的环境光强度,控制显示屏705的显示亮度。具体地,当环境光强度较高时,调高显示屏705的显示亮度;当环境光强度较低时,调低显示屏705的显示亮度。在另一个实施例中,处理器701还可以根据光学传感器715采集的环境光强度,动态调整摄像头组件706的拍摄参数。
接近传感器716,也称距离传感器,通常设置在终端700的前面板。接近传感器716用于采集用户与终端700的正面之间的距离。在一个实施例中,当接近传感器716检测到用户与终端700的正面之间的距离逐渐变小时,由处理器701控制显示屏705从亮屏状态切换为息屏状态;当接近传感器716检测到用户与终端700的正面之间的距离逐渐变大时,由处理器701控制显示屏705从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图7中示出的结构并不构成对终端700的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图8是本申请实施例提供的一种服务器的结构示意图,该服务器800可因配置或性能不同而产生比较大的差异,可以包括一个或多个处理器(Central Processing Units,CPU)801和一个或多个的存储器802,其中,该一个或多个存储器802中存储有至少一条指令,该至少一条指令由该一个或多个处理器801加载并执行以实现上述各个方法实施例提供的路网数据处理方法。当然,该服务器800还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器800还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由处理器执行以完成上述实施例中的路网数据处理方法。例如,该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
上述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (20)
1.一种路网数据处理方法,其特征在于,所述方法包括:
获取目标区域的路网数据和所述目标区域内用户的出行数据;
根据所述路网数据和所述用户的出行数据,获取所述目标区域的第一预测交通信息,其中,交通信息包括所述目标区域内的乘车点信息以及车辆的运行信息;
根据所述出行数据,提取所述第一预测交通信息中的路线特征和乘车点特征;
根据所述路线特征和所述乘车点特征,确定路线变更信息,所述路线变更信息用于指示将任一乘车点从第一路线上变更到第二路线上;
以所述第一预测交通信息为变更对象,执行所述路线变更信息所指示的路线变更步骤,得到所述目标区域的第二预测交通信息;
获取路线变更前后所述目标区域内用户的出行时长;
基于所述路线变更前后所述目标区域内用户的出行时长,获取本次路线变更对应的出行时长变化信息;
基于所述出行时长变化信息,对路线变更确定参数进行调整;
基于调整后的路线变更确定参数和所述第二预测交通信息,确定路线变更信息,直至符合目标条件时,得到所述目标区域的目标交通信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述路线特征和所述乘车点特征,确定路线变更信息,包括:
将所述路线特征和所述乘车点特征拼接,作为第一输入特征;
对所述第一输入特征进行降维处理,对所述第一输入特征中多个特征进行组合,得到第二输入特征;
基于所述第二输入特征,确定所述路线变更信息。
3.根据权利要求1或2所述的方法,其特征在于,所述路线特征包括每条路线上每个路段上的用户数量或车辆在每个路段上的座位占用信息中至少一项;所述乘车点特征包括每个乘车点需要乘车但还未成功乘车的用户数量。
4.根据权利要求1所述的方法,其特征在于,所述目标区域内包括多个用户;
所述获取路线变更前后所述目标区域内用户的出行时长,包括:
获取路线变更前后所述多个用户中每个用户的出行时长;
获取路线变更前所述多个用户的出行时长的和值作为所述目标区域内用户的第一出行时长;
获取路线变更后所述多个用户的出行时长的和值作为所述目标区域内用户的第二出行时长。
5.根据权利要求4所述的方法,其特征在于,所述基于所述路线变更前后所述目标区域内用户的出行时长,获取本次路线变更对应的出行时长变化信息,包括:
获取所述第二出行时长与所述第一出行时长之间的差值,将所述差值作为所述出行时长变化信息。
6.根据权利要求1所述的方法,其特征在于,所述路网数据处理方法基于交通信息确定模型实现,所述根据所述路网数据和所述用户的出行数据,获取所述目标区域的第一预测交通信息,根据所述出行数据,提取所述第一预测交通信息中的路线特征和乘车点特征,根据所述路线特征和所述乘车点特征,确定路线变更信息,包括:
将所述路网数据和所述用户的出行数据输入所述交通信息确定模型中,由所述交通信息确定模型执行所述第一预测交通信息的获取步骤、特征提取步骤和路线变更信息的确定步骤,输出所述路线变更信息。
7.根据权利要求6所述的方法,其特征在于,所述交通信息确定模型的模型参数为路线变更确定参数,所述目标条件为所述交通信息确定模型的模型参数收敛、迭代次数达到目标次数或出行时长变化信息收敛。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于出行查询指令,根据所述出行查询指令所指示用户的出行数据和所述目标交通信息,确定目标路线或所述目标路线对应的出行时长中至少一项。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于订单分配指令,根据所述订单分配指令所指示用户的出行数据、所述目标交通信息以及车辆的位置状态,确定目标车辆,将所述订单分配指令所指示的订单发送至所述目标车辆。
10.一种路网数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取目标区域的路网数据和所述目标区域内用户的出行数据,其中,交通信息包括所述目标区域内的乘车点信息以及车辆的运行信息;
所述获取模块,还用于根据所述路网数据和所述用户的出行数据,获取所述目标区域的第一预测交通信息;
提取模块,用于根据所述出行数据,提取所述第一预测交通信息中的路线特征和乘车点特征;
确定模块,用于根据所述路线特征和所述乘车点特征,确定路线变更信息,所述路线变更信息用于指示将任一乘车点从第一路线上变更到第二路线上;
所述确定模块,还用于在所述第一预测交通信息中执行所述路线变更信息所指示的路线变更步骤,得到所述目标区域的第二预测交通信息;
获取路线变更前后所述目标区域内用户的出行时长;
基于所述路线变更前后所述目标区域内用户的出行时长,获取本次路线变更对应的出行时长变化信息;
基于所述出行时长变化信息,对路线变更确定参数进行调整;
基于调整后的路线变更确定参数和所述第二预测交通信息,确定路线变更信息,直至符合目标条件时,得到所述目标区域的目标交通信息。
11.根据权利要求10所述的装置,其特征在于,所述确定模块,用于:
将所述路线特征和所述乘车点特征拼接,作为第一输入特征;
对所述第一输入特征进行降维处理,对所述第一输入特征中多个特征进行组合,得到第二输入特征;
基于所述第二输入特征,确定所述路线变更信息。
12.根据权利要求10或11所述的装置,其特征在于,所述路线特征包括每条路线上每个路段上的用户数量或车辆在每个路段上的座位占用信息中至少一项;所述乘车点特征包括每个乘车点需要乘车但还未成功乘车的用户数量。
13.根据权利要求10所述的装置,其特征在于,所述目标区域内包括多个用户;
所述确定模块,用于:
获取路线变更前后所述多个用户中每个用户的出行时长;
获取路线变更前所述多个用户的出行时长的和值作为所述目标区域内用户的第一出行时长;
获取路线变更后所述多个用户的出行时长的和值作为所述目标区域内用户的第二出行时长。
14.根据权利要求13所述的装置,其特征在于,所述确定模块,用于:
获取所述第二出行时长与所述第一出行时长之间的差值,将所述差值作为所述出行时长变化信息。
15.根据权利要求10所述的装置,其特征在于,所述路网数据处理装置基于交通信息确定模型实现,所述确定模块,还用于:
将所述路网数据和所述用户的出行数据输入所述交通信息确定模型中,由所述交通信息确定模型执行所述第一预测交通信息的获取步骤、特征提取步骤和路线变更信息的确定步骤,输出所述路线变更信息。
16.根据权利要求15所述的装置,其特征在于,所述交通信息确定模型的模型参数为路线变更确定参数,所述目标条件为所述交通信息确定模型的模型参数收敛、迭代次数达到目标次数或出行时长变化信息收敛。
17.根据权利要求10所述的装置,其特征在于,所述确定模块,还用于:
响应于出行查询指令,根据所述出行查询指令所指示用户的出行数据和所述目标交通信息,确定目标路线或所述目标路线对应的出行时长中至少一项。
18.根据权利要求10所述的装置,其特征在于,所述确定模块,还用于:
响应于订单分配指令,根据所述订单分配指令所指示用户的出行数据、所述目标交通信息以及车辆的位置状态,确定目标车辆,将所述订单分配指令所指示的订单发送至所述目标车辆。
19.一种电子设备,其特征在于,所述电子设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条指令,所述指令由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求9任一项所述的路网数据处理方法所执行的操作。
20.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现如权利要求1至权利要求9任一项所述的路网数据处理方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010043670.7A CN111275300B (zh) | 2020-01-15 | 2020-01-15 | 路网数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010043670.7A CN111275300B (zh) | 2020-01-15 | 2020-01-15 | 路网数据处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275300A CN111275300A (zh) | 2020-06-12 |
CN111275300B true CN111275300B (zh) | 2023-04-07 |
Family
ID=70997117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010043670.7A Active CN111275300B (zh) | 2020-01-15 | 2020-01-15 | 路网数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275300B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017465B (zh) * | 2020-07-23 | 2021-06-15 | 盛威时代科技集团有限公司 | 基于云计算技术对交通资源进行配置的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364002A (zh) * | 2012-03-30 | 2013-10-23 | 北京掌城科技有限公司 | 结合实时路况及公共交通运营信息的路线规划系统和方法 |
CN110288163A (zh) * | 2019-07-01 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 信息处理的方法、装置、设备及存储介质 |
CN110378525A (zh) * | 2019-07-15 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 出行计划确定方法、装置、设备及存储介质 |
CN110399999A (zh) * | 2019-05-08 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 乘车服务处理方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7813870B2 (en) * | 2006-03-03 | 2010-10-12 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
-
2020
- 2020-01-15 CN CN202010043670.7A patent/CN111275300B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364002A (zh) * | 2012-03-30 | 2013-10-23 | 北京掌城科技有限公司 | 结合实时路况及公共交通运营信息的路线规划系统和方法 |
CN110399999A (zh) * | 2019-05-08 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 乘车服务处理方法、装置、设备及存储介质 |
CN110288163A (zh) * | 2019-07-01 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 信息处理的方法、装置、设备及存储介质 |
CN110378525A (zh) * | 2019-07-15 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 出行计划确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111275300A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111114554B (zh) | 行驶轨迹预测方法、装置、终端及存储介质 | |
CN110148294B (zh) | 路况状态确定方法及装置 | |
CN111182453B (zh) | 定位方法、装置、电子设备及存储介质 | |
WO2020224479A1 (zh) | 目标的位置获取方法、装置、计算机设备及存储介质 | |
CN110163405B (zh) | 通行时间确定方法、装置、终端及存储介质 | |
CN112163717B (zh) | 人口数据预测方法、装置、计算机设备及介质 | |
CN112989229B (zh) | 出行路线的推荐方法、装置、计算机设备及存储介质 | |
CN109887268B (zh) | 车辆调度方法、装置及存储介质 | |
CN111192341A (zh) | 生成高精地图的方法、装置、自动驾驶设备及存储介质 | |
CN110274611B (zh) | 信息显示方法、装置、终端及存储介质 | |
CN113763933B (zh) | 语音识别方法、语音识别模型的训练方法、装置和设备 | |
CN110796248A (zh) | 数据增强的方法、装置、设备及存储介质 | |
CN110864913A (zh) | 车辆测试方法、装置、计算机设备及存储介质 | |
CN114511864B (zh) | 文本信息提取方法、目标模型的获取方法、装置及设备 | |
CN113205515B (zh) | 目标检测方法、装置、及计算机存储介质 | |
CN111275300B (zh) | 路网数据处理方法、装置、设备及存储介质 | |
CN111038497B (zh) | 自动驾驶控制方法、装置、车载终端及可读存储介质 | |
CN112839107A (zh) | 推送内容的确定方法、装置、设备及计算机可读存储介质 | |
CN115168643B (zh) | 音频处理方法、装置、设备及计算机可读存储介质 | |
CN111753813A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN116956561A (zh) | 仿真环境配置方法、装置、计算机设备及存储介质 | |
CN113762585B (zh) | 数据的处理方法、账号类型的识别方法及装置 | |
CN114462580A (zh) | 文本识别模型的训练方法、文本识别方法、装置和设备 | |
CN111259252B (zh) | 用户标识识别方法、装置、计算机设备及存储介质 | |
CN114281937A (zh) | 嵌套实体识别模型的训练方法、嵌套实体识别方法及装置 |
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 |