CN111397625A - 车辆导航方法及相关装置 - Google Patents

Abstract

本申请提供一种车辆导航方法及相关装置，属于车联网技术领域。该方法包括获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；基于所述历史事故信息、所述道路维修信息及所述历史通行信息，获取所述车辆通过所述候选行驶路径的道路经济损失信息；根据所述道路经济损失信息，从所述候选行驶路径中确定所述车辆的目标行驶路径。本申请的一些实施例能够基于道路经济损失信息有效提升车辆导航的可靠性，保证行驶路径推荐的合理性。本申请的一些实施例基于人工智能进一步提升车辆导航的可靠性及行驶路径推荐的合理性。

Description

车辆导航方法及相关装置

技术领域

本申请涉及车联网技术领域，具体而言，涉及一种车辆导航方法及相关装置。

背景技术

车辆在进行导航时，通常会根据导航的目标，导航出候选行驶路径以供选择通行，例如，根据从A位置到B位置的导航目标，导航出至少一条可供推荐选择的行驶路径。目前，车辆在导航时，存在对于候选行驶路径考虑通行时间等通行情况进行导航的方法，总是根据固定的路径导航，例如，总是选择没有或者少车辆的行驶路径进行导航。这样就会存在车辆导航时，使得车辆对某条路径的道路的压损率就很高，维护成本提高，导致车辆导航可靠性较低，同时行驶路径推荐合理性较低。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本申请实施例的目的在于提供一种车辆导航方法及装置，其能够有效提升车辆导航的可靠性，保证行驶路径推荐的合理性。

根据本申请的一个实施例，一种车辆导航方法可以包括：获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；基于所述历史事故信息、所述道路维修信息及所述历史通行信息，获取所述车辆通过所述候选行驶路径的道路经济损失信息；根据所述道路经济损失信息，从所述候选行驶路径中确定所述车辆的目标行驶路径。

根据本申请的一个实施例，一种基于深度学习的车辆导航方法可以包括：获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；将所述历史事故信息、所述道路维修信息及所述历史通行信息输入第二深度学习模型，得到推荐的行驶路径；将所述推荐的行驶路径作为所述车辆的目标行驶路径。

根据本申请的一个实施例，一种车辆导航装置可以包括：第一获取模块，用于获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；第二获取模块，用于基于所述历史事故信息、所述道路维修信息及所述历史通行信息，获取所述车辆通过所述候选行驶路径的道路经济损失信息；确定模块，用于根据所述道路经济损失信息，从所述候选行驶路径中确定所述车辆的目标行驶路径。

在本申请的一些实施例中，所述第一获取模块被配置为：获取所述候选行驶路径上的事故发生位置对应的事故发生率及平均经济损失，作为所述历史事故信息；获取所述候选行驶路径的道路维修率及平均维修费用，作为所述道路维修信息；获取所述车辆在所述候选行驶路径的历史通行次数，作为所述历史通行信息。

在本申请的一些实施例中，所述第二获取模块被配置为：基于所述事故发生率、所述平均经济损失、所述道路维修率、所述平均维修费用及所述历史通行次数，计算所述车辆通过所述候选行驶路径的道路经济损失值，作为所述道路经济损失信息。

在本申请的一些实施例中，所述第二获取模块被配置为：根据公式 f(ui)*(c_{i1}*p_{i1},c_{i2}*p_{i2},...,c_{im}*p_{im})+qi*bi，计算所述车辆通过所述候选行驶路径的道路经济损失值，所述i为第i个候选行驶路径，1-m分别为第1-m个事故发生位置，p_{i1},...,p_{im}分别为第1-m 个事故发生位置对应的事故发生率，c_{i1},...,c_{im}分别为第1-m个事故发生位置对应的平均经济损失，ui为第i个候选行驶路径的历史通行次数， f(ui)为车辆引发交通事故的概率，且ui越大f(ui)越小，qi为第i个候选行驶路径的道路维修率，bi为第i个候选行驶路径的平均维修费用。

在本申请的一些实施例中，所述第二获取模块被配置为：将所述历史事故信息、所述道路维修信息及所述历史通行信息输入第一深度学习模型，得到所述车辆通过所述候选行驶路径的道路经济损失程度，作为所述道路经济损失信息。

在本申请的一些实施例中，所述第一获取模块还被配置为：获取车辆所导航的候选行驶路径上预定时期的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息。

在本申请的一些实施例中，所述第一获取模块还被配置为：获取所述车辆在所述候选行驶路径的目标通行时刻点；根据所述目标通行时刻点，确定所述车辆在所述候选行驶路径的通行时间段；确定所述预定时期内与所述通行时间段相同的时间段，作为搜索时间段；获取车辆所导航的候选行驶路径上所述搜索时间段的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息。

在本申请的一些实施例中，所述确定模块被配置为：根据所述道路经济损失信息，确定所述车辆通过所述候选行驶路径中各行驶路径的道路经济损失；将最小的所述道路经济损失所对应的行驶路径，确定为所述车辆的目标行驶路径。

根据本申请的一个实施例，一种基于深度学习的车辆导航装置可以包括：采集模块，用于获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；推荐模块，用于将所述历史事故信息、所述道路维修信息及所述历史通行信息输入第二深度学习模型，得到推荐的行驶路径；导航模块，用于将所述推荐的行驶路径作为所述车辆的目标行驶路径。

根据本申请的另一实施例，一种车辆导航终端可以包括：存储器，存储有计算机可读指令；处理器，读取存储器存储的计算机可读指令，以执行如上所述的方法。

根据本申请的另一实施例，一种计算机程序介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上所述的方法。

根据本申请的一些实施例，通过获得有效表征车辆驾驶风险的历史事故信息和车辆在候选行驶路径的历史通行信息，以及有效表征车辆对道路的损坏风险的道路维修信息；然后，通过道路经济损失信息统一车辆的驾驶风险和道路损坏风险；进而，通过道路经济损失信息评估每个候选的行驶路径，通过统一兼顾每个车辆的驾驶风险和道路损坏风险确定出目标行驶路径进行推荐导航，使得车辆可靠通行。对道路的压损率及维护成本有效降低，有效提升车辆导航的可靠性及行驶路径推荐合理性。

一些实施例中，获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及车辆在候选行驶路径的历史通行信息；将历史事故信息、道路维修信息及历史通行信息输入第二深度学习模型，得到推荐的行驶路径；将推荐的行驶路径作为车辆的目标行驶路径。通过训练的第二深度学习模型对综合驾驶风险和道路损坏风险的各属性信息进行学习识别，实现基于人工智能对车辆进行行驶路径合理推荐及可靠导航。

本申请的其他特征和优点将通过下面结合附图的详细描述变得显然，或部分地通过本申请的实践而习得。

应当理解，以上的一般描述和后文的详细描述仅是示例性和解释性的，并不旨在限制本申请。

附图说明

图1示出了可以应用本申请实施例的系统的示意图。

图2示出了根据本申请的一个实施例的车辆导航方法的流程图。

图3示出了根据本申请的又一个实施例的车辆导航方法的流程图。

图4示出了根据本申请实施例的一种应用场景下车辆导航流程图。

图5A-图5D示出了根据本申请实施例的的车辆导航终端界面图。

图6示出了根据本申请的一个实施例的车辆导航装置的框图。

图7示出了根据本申请的一个实施例的电子设备的框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1示出了可以应用本申请实施例的系统100的示意图。

如图1所示，系统100可以包括终端设备101、网络102、终端设备 103、终端设备104及终端设备105。终端设备101与终端设备103、终端设备104及终端设备105可以通过网络102进行通信。网络102可以是有线网络、无线网络等。

应该理解，图1中的终端设备、网络的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络。比如终端设备103可以是多个服务器组成的服务器集群或者多个终端组成的区块链网络等。

可以使用终端设备101通过网络102与终端设备103、终端设备104 及终端设备105交互，以获取终端设备103、终端设备104及终端设备 105上的道路相关信息。终端设备101可以为具有计算处理能力的各种设备，可以是车载导航终端，可以包括但不限于服务器、个人计算机、手机等。终端设备103可以是属于交通管理部门，其上存储有道路的历史事故信息。终端设备104可以是属于道路维修方，其上存储有道路维修信息。终端设备105可以是属于车载终端(例如，行驶记录仪等)，其上存储有车辆在各行驶路径的历史通行信息。

在本申请的一个实施例中，终端设备101可以获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及车辆在候选行驶路径的历史通行信息；基于历史事故信息、道路维修信息及历史通行信息，获取车辆通过候选行驶路径的道路经济损失信息；根据道路经济损失信息，从候选行驶路径中确定车辆的目标行驶路径。

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、式教学习等技术。

基于深度学习可以可靠综合历史事故信息、道路维修信息及车辆在候选行驶路径的历史通行信息进行学习完善知识结构，进行车辆智能导航，进一步保证车辆导航的可靠性和合理性。

在本申请的一个实施例中，终端设备101可以获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及车辆在候选行驶路径的历史通行信息；将历史事故信息、道路维修信息及历史通行信息输入第二深度学习模型，得到推荐的行驶路径；将推荐的行驶路径作为车辆的目标行驶路径。

图2示意性示出了根据本申请的一个实施例的车辆导航方法的流程图。该车辆导航方法的执行主体可以是具有计算处理功能的电子设备，比如图1中所示的终端设备101。如图2所示，该车辆导航方法可以包括步骤S210至步骤S230。

步骤S210，获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及车辆在候选行驶路径的历史通行信息；

步骤S220，基于历史事故信息、道路维修信息及历史通行信息，获取车辆通过候选行驶路径的道路经济损失信息；

步骤S230，根据道路经济损失信息，从候选行驶路径中确定车辆的目标行驶路径。

下面描述车辆导航时，所进行的各步骤的具体过程。

在步骤S210中，获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及车辆在候选行驶路径的历史通行信息。

本示例的实施方式中，车辆所导航的候选行驶路径，可以是根据车辆的导航目标(例如，从A位置到B位置或者从当前位置到B位置等) 所导航出来的至少1条可供选择的行驶路径。行驶路径通常由多条行驶路段组成，可以理解，相同的行驶路段可以同时归属于候选的多条行驶路径。

行驶路径上的历史事故信息，可以是统计的行驶路径上各潜在事故多发点或者路段的事故发生次数、事故发生率以及事故导致的经济损失等事故信息。历史事故信息可以反映某条行驶路径上由车辆情况和道路情况共同导致的通行风险。其中，历史事故信息可以通过约定从交通管理部门或者相关部门(例如，保险公司等)的服务器合法获取。

行驶路径上的道路维修信息，可以是统计的行驶路径上的道路维修次数、道路维修率及道路维修费用等维修信息。道路维修信息可以反映某条行驶路径的道路损坏风险。其中，道路维修信息可以通过约定从道路维修相关部门(例如，道路维修公司等)的服务器合法获取。

车辆在候选行驶路径的历史通行信息，可以是记录的车辆历史上通过某条行驶路径的次数或者通过组成某条行驶路径的行驶路段的个数等通行信息。历史通行信息可以表征车辆对行驶路径的熟悉程度，进而反映车辆的驾驶风险。例如，车辆通行次数越多则驾驶风险越小。其中，历史通行信息可以通过约定从车辆的行驶记录仪、车载ETC或者ETC 道路通行结算中心等记录终端合法获取。

一种实施例中，获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及车辆在候选行驶路径的历史通行信息，包括：

获取候选行驶路径上的事故发生位置对应的事故发生率及平均经济损失，作为历史事故信息；

获取候选行驶路径的道路维修率及平均维修费用，作为道路维修信息；

获取车辆在候选行驶路径的历史通行次数，作为历史通行信息。

事故发生位置对应的事故发生率，可以包括各潜在事故多发地点或者路段的历史事故发生率。其中，历史事故发生率是预定时间段内发生车辆交通事故的频率。

事故发生位置对应的平均经济损失，可以包括各潜在事故多发地点或者路段的平均经济损失。平均经济损失是指所发生的历史交通事故直接或间接带来的经济总损失与所发生的历史交通事故的总数的比值。

候选行驶路径的道路维修率，可以是一条候选的行驶路径上预定时期内道路维修的频率。可以理解，一种行驶路径若覆盖若干条路段，其中，某路段经历了维修，那么确定该行驶路径经历了维修。两种不同的行驶路径可能有某路段是重合的，如果这段重合的路段经历了维修，那么这两种行驶路径都经历了维修。

候选行驶路径的平均维修费用指一条候选的行驶路径上的历史维修总费用与对该行驶路径的维修总次数之比。

车辆在候选行驶路径的历史通行次数，可以是车辆在历史上预定时期内通过某条候选的行驶路径的次数。可以理解，一种实施例中，当车辆通过候选的行驶路径上超过预定阈值的路段，则确定该车辆通行过一次该行驶路径，例如，车辆通行过组成某行驶路径的三分之二以上路段，则确认该车辆通行过该行驶路径。

一种实施例中，获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及车辆在候选行驶路径的历史通行信息，包括：

获取车辆所导航的候选行驶路径上预定时期的历史事故信息、道路维修信息及车辆在候选行驶路径的历史通行信息。

预定时期可以是车辆导航的时刻点或者准备通行的时刻点之前的某段时期，例如导航时刻点之前的一个月。也可以是车辆导航的时刻点通行的时刻点所在的时间段所对应的多个历史时间段，例如，车辆导航的时刻点位于十月一日假期，则所对应的多个历史时间段可以为历史上多个十月一日假期。

一种实施例中，获取车辆所导航的候选行驶路径上预定时期的历史事故信息、道路维修信息及车辆在候选行驶路径的历史通行信息，包括：

获取车辆在候选行驶路径的目标通行时刻点；

根据目标通行时刻点，确定车辆在候选行驶路径的通行时间段；

确定预定时期内与该通行时间段相同的时间段，作为搜索时间段；

获取车辆所导航的候选行驶路径上该搜索时间段的历史事故信息、道路维修信息及车辆在候选行驶路径的历史通行信息。

目标通行时刻点例如中午12点、下午5点30分等车辆准备通行的时刻点，该目标时刻点可以进行设定。

根据目标通行时刻点，基于道路的限速等信息可以确定出车辆在各候选的行驶路径的通行时间段，该通行时间段指示车辆通过候选的行驶路径所用的时间段。例如，目标时刻点为中午12点，对于一条候选的行驶路径通行时间段可以为12点到12点30分；对于另一条候选的行驶路径通行时间段可以为12点到12点40分。

进而，可以确定出预定时期内(例如导航时刻点之前一个月内)与该通行时间段相同的时间段(例如导航时刻点之前一个月内，每天的12 点到12点30分之间的时间段)，作为搜索时间段。

这样通过在确定的搜索时间段内获取相关信息，可以进一步保证导航的精确性。

在步骤S220中，基于历史事故信息、道路维修信息及历史通行信息，获取车辆通过候选行驶路径的道路经济损失信息。

本示例的实施方式中，历史事故信息可以反映某条行驶路径上由车辆情况和道路情况共同导致的通行风险，道路维修信息可以反映某条行驶路径的道路损坏风险，历史通行信息可以表征车辆对行驶路径的熟悉程度，进而反映车辆的驾驶风险。

进而，可以基于历史事故信息、道路维修信息及历史通行信息，获取到车辆通过候选行驶路径的道路经济损失信息，例如，基于历史事故信息、道路维修信息及历史通行信息中的相关数据计算出道路经济损失值。该道路经济损失信息可以综合通行风险、道路损坏风险及驾驶风险指示车辆通过行驶路径的总经济损失。

一种实施例中，基于历史事故信息、道路维修信息及历史通行信息，获取车辆通过候选行驶路径的道路经济损失信息，包括：

基于事故发生率、平均经济损失、道路维修率、平均维修费用及历史通行次数，计算车辆通过候选行驶路径的道路经济损失值，作为道路经济损失信息。

例如，可以计算基于事故发生率、平均经济损失、道路维修率、平均维修费用的加权和，然后计算该加权和与历史通行信息中的通行次数的比值，将该比值作为车辆通过候选行驶路径的道路经济损失信息，该比值越大车辆通行带来的道路经济损失越大。

一种实施例中，基于事故发生率、平均经济损失、道路维修率、平均维修费用及历史通行次数，计算车辆通过候选行驶路径的道路经济损失值，作为道路经济损失信息，包括：

根据公式f(ui)*(c_{i1}*p_{i1},c_{i2}*p_{i2},...,c_{im}*p_{im}) +qi*bi，计算车辆通过候选行驶路径的道路经济损失值，所述i为第i个候选行驶路径，1-m分别为第1-m个事故发生位置，p_{i1},...,p_{im}分别为第1-m个事故发生位置对应的事故发生率，c_{i1},...,c_{im}分别为第1-m个事故发生位置对应的平均经济损失，ui为第i个候选行驶路径的历史通行次数，f(ui)为车辆引发交通事故的概率，且ui越大f(ui)越小， qi为第i个候选行驶路径的道路维修率，bi为第i个候选行驶路径的平均维修费用。

当车辆导航出可到达目的地(一种行驶路径就是一条从出发地到达目的地的完整路径)的候选行驶路径有n种，将这n条行驶路径分别称为方案1，2，...，n。对于方案i(1<＝i<＝n，方案i代表任意一种方案)，统计各方案的所有潜在事故多发地点或者路段(事故发生位置)的历史事故发生率，假设方案i的潜在事故多发地点或者路段(事故发生位置) 有m个，各自的历史事故发生率可以表示为p_{i1}，p_{i2}，...，p_{im}，各自的交通事故直接或间接带来的平均经济损失可以表示为c_{i1}， c_{i2}，...，c_{im}。用q_1，q_2，...，q_n分别表示候选的n条行驶路径的道路维修率。用b_1，b_2，...，b_n分别表示候选的n条行驶路径的平均维修费用。用u1，u2，...，un分别表示车辆在候选的n条行驶路径的的历史通行次数，ui(1<＝i<＝n)越大意味着车辆对行驶路径越熟悉。引入随历史通行次数单调递减的大于等于0小于等于1的函数f(ui)(如果u1>u2，那么f(u1)<f(u2))，可以表征由驾驶员引发交通事故的概率。

这样可以准确综合以上指标获取到精确获得车辆在各候选的行驶路径上面发生的交通事故直接或间接带来的平均经济损失的期望值是 f(ui)*(c_{i1}*p_{i1},c_{i2}*p_{i2},...,c_{im}*p_{im})，以及进行维修的平均维修费用的期望值是qi*bi。进而得到经济损失和值为f(ui)* (c_{i1}*p_{i1},c_{i2}*p_{i2},...,c_{im}*p_{im})+qi*bi；经济损失和值这一中间量统一了驾驶风险与道路维护情况，保证目标路径推荐的经济精准性。

一种实施例中，将f(ui)选为负指数函数f(ui)＝e^{-ui})。

一种实施例中，基于历史事故信息、道路维修信息及历史通行信息，获取车辆通过候选行驶路径的道路经济损失信息，包括：

将历史事故信息、道路维修信息及历史通行信息输入第一深度学习模型，得到车辆通过候选行驶路径的道路经济损失程度，作为道路经济损失信息。

第一深度学习模型是通过收集的车辆通行信息样本集作为输入，道路经济损失程度标签作为输出，预先训练好的深度学习模型，例如分类模型。其中，车辆通行信息样本包括历史事故信息、道路维修信息及历史通行信息以及专家标定的道路经济损失程度标签。

道路经济损失程度可以表示为多个程度等级，例如，1级到5级，等级越高道路经济损失程度越高。

在步骤S230中，根据道路经济损失信息，从候选行驶路径中确定车辆的目标行驶路径。

道路经济损失信息可以综合通行风险、道路损坏风险及驾驶风险指示车辆通过行驶路径的总经济损失。进而，可以基于道路经济损失信息，确定每条行驶路径的总经济损失，根据总经济损失选出合理的目标行驶路径，提升车辆导航的可靠性，使得行驶路径的道路的压损率及维护成本得到合理保证。例如，选定总经济损失小于预定阈值的某条行驶路径，或者总经济损失最小的某条行驶路径作为目标行驶路径。

一种示例中，总经济损失小于预定阈值的行驶路径有多条时，可以随机选择一条作为目标行驶路径；也可以，根据车辆通过各行驶路径的通行时间段，从小于预定阈值的多条行驶路径中选定通行时间段最小的作为目标行驶路径。

一种实施例中，根据道路经济损失信息，从候选行驶路径中确定车辆的目标行驶路径，包括：

根据道路经济损失信息，确定车辆通过候选行驶路径中各行驶路径的道路经济损失；

将最小的道路经济损失所对应的行驶路径，确定为车辆的目标行驶路径。

道路经济损失信息中包括候选行驶路径中各行驶路径对应的道路经济损失信息，例如，道路经济损失值和或道路经济损失程度。

选定最最小的道路经济损失所对应的行驶路径作为目标行驶路径，可以最大化降低道路经济损失。

根据本申请的一种实施例，参考图3所示，一种基于深度学习的车辆导航方法，包括：

步骤S310，获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；

步骤S320，将所述历史事故信息、所述道路维修信息及所述历史通行信息输入第二深度学习模型，得到推荐的行驶路径；

步骤S330，将所述推荐的行驶路径作为所述车辆的目标行驶路径。

第二深度学习模型是通过收集的第二车辆通行信息样本集作为输入，推荐的行驶路径标签作为输出，预先训练好的深度学习模型，例如决策树模型。其中，第二车辆通行信息样本包括历史事故信息、道路维修信息及历史通行信息以及专家标定的推荐的行驶路径标签。

基于深度学习可以可靠综合历史事故信息、道路维修信息及车辆在候选行驶路径的历史通行信息进行学习完善知识结构，进而可靠合理地决策出推荐的行驶路径作为车辆的目标行驶路径，进行智能导航。

图4示出了根据本申请实施例的一种应用场景下车辆导航流程图。

参考图4，首先，车辆从交通管理部门服务器获取候选行驶路径上的事故发生位置对应的事故发生率及平均经济损失；然后，车辆从道路维修方服务器获取候选行驶路径的道路维修率及平均维修费用；其次，车辆从行驶记录仪获取车辆在候选行驶路径的历史通行次数；最后，确定目标行驶路径。

确定目标行驶路径包括：

根据公式f(ui)*(c_{i1}*p_{i1},c_{i2}*p_{i2},...,c_{im}*p_{im}) +qi*bi，计算车辆通过候选行驶路径的道路经济损失值，所述i为第i个候选行驶路径，1-m分别为第1-m个事故发生位置，p_{i1},...,p_{im}分别为第1-m个事故发生位置对应的事故发生率，c_{i1},...,c_{im}分别为第1-m个事故发生位置对应的平均经济损失，ui为第i个候选行驶路径的历史通行次数，f(ui)为车辆引发交通事故的概率，且ui越大f(ui)越小， qi为第i个候选行驶路径的道路维修率，bi为第i个候选行驶路径的平均维修费用。

然后，选定道路经济损失值最小的作为目标行驶路径。

图5A至图5D示出了根据本申请实施例的车辆导航终端界面图。

图5A至图5D示出了根据本申请实施例的不同导航需求下的目标行驶路径(推荐的行驶路径)的导航界面图，基于本申请的实施例合理可靠地推荐了行驶路径。

比较在图5A至图5D场景下，现有技术导航方法与本申请导航方法下导航性能，并用现有技术带来的道路经济损失值与本申请实施例下的道路经济损失值之比衡量，如下表所示：

可见基于本申请的实施例，有效提升了车辆导航的性能，降低了道路经济损失。

图6示出了根据本申请的一个实施例的车辆导航装置的框图。

如图6所示，车辆导航装置400可以包括第一获取模块410、第二获取模块420及确定模块430。

第一获取模块410可以用于获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；第二获取模块420可以用于基于所述历史事故信息、所述道路维修信息及所述历史通行信息，获取所述车辆通过所述候选行驶路径的道路经济损失信息；确定模块430可以用于根据所述道路经济损失信息，从所述候选行驶路径中确定所述车辆的目标行驶路径。

根据本申请的一个实施例，一种基于深度学习的车辆导航方法可以包括：获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；将所述历史事故信息、所述道路维修信息及所述历史通行信息输入第二深度学习模型，得到推荐的行驶路径；将所述推荐的行驶路径作为所述车辆的目标行驶路径。

根据本申请的一个实施例，一种车辆导航装置可以包括：第一获取模块，用于获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；第二获取模块，用于基于所述历史事故信息、所述道路维修信息及所述历史通行信息，获取所述车辆通过所述候选行驶路径的道路经济损失信息；确定模块，用于根据所述道路经济损失信息，从所述候选行驶路径中确定所述车辆的目标行驶路径。

在本申请的一些实施例中，所述第一获取模块被配置为：获取所述候选行驶路径上的事故发生位置对应的事故发生率及平均经济损失，作为所述历史事故信息；获取所述候选行驶路径的道路维修率及平均维修费用，作为所述道路维修信息；获取所述车辆在所述候选行驶路径的历史通行次数，作为所述历史通行信息。

在本申请的一些实施例中，所述第二获取模块被配置为：基于所述事故发生率、所述平均经济损失、所述道路维修率、所述平均维修费用及所述历史通行次数，计算所述车辆通过所述候选行驶路径的道路经济损失值，作为所述道路经济损失信息。

在本申请的一些实施例中，所述第二获取模块被配置为：根据公式 f(ui)*(c_{i1}*p_{i1},c_{i2}*p_{i2},...,c_{im}*p_{im})+qi*bi，计算所述车辆通过所述候选行驶路径的道路经济损失值，所述i为第i个候选行驶路径，1-m分别为第1-m个事故发生位置，p_{i1},...,p_{im}分别为第 1-m个事故发生位置对应的事故发生率，c_{i1},...,c_{im}分别为第1-m 个事故发生位置对应的平均经济损失，ui为第i个候选行驶路径的历史通行次数，f(ui)为车辆引发交通事故的概率，且ui越大f(ui)越小，qi为第i个候选行驶路径的道路维修率，bi为第i个候选行驶路径的平均维修费用。

在本申请的一些实施例中，所述第二获取模块被配置为：将所述历史事故信息、所述道路维修信息及所述历史通行信息输入第一深度学习模型，得到所述车辆通过所述候选行驶路径的道路经济损失程度，作为所述道路经济损失信息。

在本申请的一些实施例中，所述第一获取模块还被配置为：获取车辆所导航的候选行驶路径上预定时期的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息。

在本申请的一些实施例中，所述第一获取模块还被配置为：获取所述车辆在所述候选行驶路径的目标通行时刻点；根据所述目标通行时刻点，确定所述车辆在所述候选行驶路径的通行时间段；确定所述预定时期内与所述通行时间段相同的时间段，作为搜索时间段；获取车辆所导航的候选行驶路径上所述搜索时间段的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息。

在本申请的一些实施例中，所述确定模块被配置为：根据所述道路经济损失信息，确定所述车辆通过所述候选行驶路径中各行驶路径的道路经济损失；将最小的所述道路经济损失所对应的行驶路径，确定为所述车辆的目标行驶路径。

根据本申请的一个实施例，一种基于深度学习的车辆导航装置可以包括：采集模块，用于获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；推荐模块，用于将所述历史事故信息、所述道路维修信息及所述历史通行信息输入第二深度学习模型，得到推荐的行驶路径；导航模块，用于将所述推荐的行驶路径作为所述车辆的目标行驶路径。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

图7示意性示出了根据本申请的一个实施例的电子设备的框图。

需要说明的是，图7示出的电子设备500仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，电子设备500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机存取存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU501、 ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口 505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN(局域网)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O 接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本申请的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等) 执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的实施例，而可以在不脱离其范围的情况下进行各种修改和改变。

Claims (10)

1.一种车辆导航方法，其特征在于，包括：

获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；

基于所述历史事故信息、所述道路维修信息及所述历史通行信息，获取所述车辆通过所述候选行驶路径的道路经济损失信息；

根据所述道路经济损失信息，从所述候选行驶路径中确定所述车辆的目标行驶路径。

2.根据权利要求1所述的方法，其特征在于，所述获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息，包括：

获取所述候选行驶路径上的事故发生位置对应的事故发生率及平均经济损失，作为所述历史事故信息；

获取所述候选行驶路径的道路维修率及平均维修费用，作为所述道路维修信息；

获取所述车辆在所述候选行驶路径的历史通行次数，作为所述历史通行信息。

3.根据权利要求2所述的方法，其特征在于，所述基于所述历史事故信息、所述道路维修信息及所述历史通行信息，获取所述车辆通过所述候选行驶路径的道路经济损失信息，包括：

基于所述事故发生率、所述平均经济损失、所述道路维修率、所述平均维修费用及所述历史通行次数，计算所述车辆通过所述候选行驶路径的道路经济损失值，作为所述道路经济损失信息。

4.根据权利要求3所述的方法，其特征在于，所述基于所述事故发生率、所述平均经济损失、所述道路维修率、所述平均维修费用及所述历史通行次数，计算所述车辆通过所述候选行驶路径的道路经济损失值，包括：

根据公式f(ui)*(c_{i1}*p_{i1},c_{i2}*p_{i2},...,c_{im}*p_{im})+qi*bi，计算所述车辆通过所述候选行驶路径的道路经济损失值，所述i为第i个候选行驶路径，1-m分别为第1-m个事故发生位置，p_{i1},...,p_{im}分别为第1-m个事故发生位置对应的事故发生率，c_{i1},...,c_{im}分别为第1-m个事故发生位置对应的平均经济损失，ui为第i个候选行驶路径的历史通行次数，f(ui)为车辆引发交通事故的概率，且ui越大f(ui)越小，qi为第i个候选行驶路径的道路维修率，bi为第i个候选行驶路径的平均维修费用。

5.根据权利要求1所述的方法，其特征在于，所述基于所述历史事故信息、所述道路维修信息及所述历史通行信息，获取所述车辆通过所述候选行驶路径的道路经济损失信息，包括：

将所述历史事故信息、所述道路维修信息及所述历史通行信息输入第一深度学习模型，得到所述车辆通过所述候选行驶路径的道路经济损失程度，作为所述道路经济损失信息。

6.根据权利要求1所述的方法，其特征在于，所述获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息，包括：

获取车辆所导航的候选行驶路径上预定时期的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息。

7.根据权利要求1所述的方法，其特征在于，所述获取车辆所导航的候选行驶路径上预定时期的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息，包括：

获取所述车辆在所述候选行驶路径的目标通行时刻点；

根据所述目标通行时刻点，确定所述车辆在所述候选行驶路径的通行时间段；

确定所述预定时期内与所述通行时间段相同的时间段，作为搜索时间段；

获取车辆所导航的候选行驶路径上所述搜索时间段的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息。

8.根据权利要求1所述的方法，其特征在于，所述根据所述道路经济损失信息，从所述候选行驶路径中确定所述车辆的目标行驶路径，包括：

根据所述道路经济损失信息，确定所述车辆通过所述候选行驶路径中各行驶路径的道路经济损失；

将最小的所述道路经济损失所对应的行驶路径，确定为所述车辆的目标行驶路径。

9.一种基于深度学习的车辆导航方法，其特征在于，包括：

获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；

将所述历史事故信息、所述道路维修信息及所述历史通行信息输入第二深度学习模型，得到推荐的行驶路径；

将所述推荐的行驶路径作为所述车辆的目标行驶路径。

10.一种车辆导航装置，其特征在于，包括：

第一获取模块，用于获取车辆所导航的候选行驶路径上的历史事故信息、道路维修信息及所述车辆在所述候选行驶路径的历史通行信息；

第二获取模块，用于基于所述历史事故信息、所述道路维修信息及所述历史通行信息，获取所述车辆通过所述候选行驶路径的道路经济损失信息；

确定模块，用于根据所述道路经济损失信息，从所述候选行驶路径中确定所述车辆的目标行驶路径。

Images