CN111982138B - 预测模型获取及路径规划方法、装置及存储介质 - Google Patents
预测模型获取及路径规划方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111982138B CN111982138B CN202010659353.8A CN202010659353A CN111982138B CN 111982138 B CN111982138 B CN 111982138B CN 202010659353 A CN202010659353 A CN 202010659353A CN 111982138 B CN111982138 B CN 111982138B
- Authority
- CN
- China
- Prior art keywords
- link
- end point
- current
- time
- candidate
- 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
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- 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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了预测模型获取及路径规划方法、装置及存储介质,涉及深度学习、人工智能及智能交通领域,其中的方法可包括:获取根据预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,有向图中的任一条link分别对应于一条道路;根据获取到的历史真实道路数据及有向图,规划出M个时间最短路径,M为大于一的正整数;针对任一时间最短路径,分别根据时间最短路径中包括的link构建正样本和负样本,并利用正样本和负样本训练预测模型,其中,预测模型用于针对设定的起点link和终点link规划出时间最短路径。应用本申请所述方案,可提升规划出的时间最短路径的准确性等。
Description
技术领域
本申请涉及计算机应用技术,特别涉及深度学习、人工智能及智能交通领域的预测模型获取及路径规划方法、装置及存储介质。
背景技术
路径规划是地图服务软件提供的最重要功能之一,用户可设定(如输入)起点和终点,地图服务软件会返回满足不同要求的多条路径,所述满足不同要求可包括时间最短、距离最短等。
对于时间最短的路径规划,不仅需要考虑当前时刻的道路通行时间,还需要预测未来时刻道路的通行时间等。
但由于道路路况的复杂性和动态性,预测出的道路通行时间通常均存在较大的误差,从而导致规划出的时间最短路径不准确等。
发明内容
本申请提供了预测模型获取及路径规划方法、装置及存储介质。
一种预测模型获取方法,包括:
获取根据所述预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,所述有向图中的任一条边link分别对应于一条道路;
根据获取到的历史真实道路数据及所述有向图,规划出M个时间最短路径,M为大于一的正整数;
针对任一时间最短路径,分别根据所述时间最短路径中包括的link构建正样本和负样本,并利用所述正样本和所述负样本训练预测模型,其中,所述预测模型用于针对设定的起点link和终点link规划出时间最短路径。
一种路径规划方法,包括:
获取根据所述预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,所述有向图中的任一条边link分别对应于一条道路;
获取设定的起点link和终点link,并初始化包括所述起点link和所述终点link的队列;
将所述起点link作为待处理link,执行以下第二处理:将所述有向图中与所述待处理link连通的link作为候选link,根据按照上述方法获取到的预测模型,分别确定出各候选link被选中的概率值,将概率值最大的候选link作为选中的link,加入到所述队列中;若确定所述选中的link不是所述终点link,则将所述选中的link作为所述待处理link,重复执行所述第二处理,否则,根据所述队列中的各link生成所需的时间最短路径。
一种预测模型获取装置,包括:第一获取模块以及模型训练模块;
所述第一获取模块,用于获取根据所述预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,所述有向图中的任一条边link分别对应于一条道路,根据获取到的历史真实道路数据及所述有向图,规划出M个时间最短路径,M为大于一的正整数;
所述模型训练模块,用于针对任一时间最短路径,分别根据所述时间最短路径中包括的link构建正样本和负样本,并利用所述正样本和所述负样本训练预测模型,其中,所述预测模型用于针对设定的起点link和终点link规划出时间最短路径。
一种路径规划装置,包括:第二获取模块以及路径规划模块;
所述第二获取模块,用于获取根据所述预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,所述有向图中的任一条边link分别对应于一条道路,获取设定的起点link和终点link,并初始化包括所述起点link和所述终点link的队列;
所述路径规划模块,用于将所述起点link作为待处理link,执行以下第二处理:将所述有向图中与所述待处理link连通的link作为候选link,根据按照上述装置获取到的预测模型,分别确定出各候选link被选中的概率值,将概率值最大的候选link作为选中的link,加入到所述队列中;若确定所述选中的link不是所述终点link,则将所述选中的link作为所述待处理link,重复执行所述第二处理,否则,根据所述队列中的各link生成所需的时间最短路径。
一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果:由于预测模型模仿学习的数据是根据历史真实道路数据得到的接近真实值的时间最短路径,因此提升了模型训练效果和模型性能,进而可借助于预测模型来进行实际的路径规划,相应地,规划出的时间最短路径也更可能是真正的时间最短路径,从而提升了规划出的时间最短路径的准确性等。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请所述预测模型获取方法实施例的流程图;
图2为本申请所述当前link对应的3*3大小的矩阵的示意图;
图3为本申请所述预测模型的结构示意图;
图4为本申请所述优化过程示意图;
图5为本申请所述路径规划方法第一实施例的流程图;
图6为本申请所述路径规划方法第二实施例的流程图;
图7为本申请所述预测模型获取装置70实施例的组成结构示意图;
图8为本申请所述路径规划装置80实施例的组成结构示意图;
图9为根据本申请实施例所述方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
针对现有技术中存在的问题,本申请中提出了一种基于神经网络和模仿学习(imitation learning)的路径规划方法,所述方法的实现需要依赖于训练得到的预测模型,以下即首先对预测模型的获取方法进行说明。
图1为本申请所述预测模型获取方法实施例的流程图。如图1所示,包括以下具体实现方式。
在101中,获取根据预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,有向图中的任一条边(link)分别对应于一条道路。
所述预定区域具体为何种区域不作限制,比如可以是指预定的城市等。可根据城市中包含的道路、道路方向及道路间的连接方式,按照现有方式,构建出表示城市中的所有道路的有向图。
有向图中的每条link分别对应于一条道路,每条link分别具有各自的link标识(id)。
在102中,根据获取到的历史真实道路数据及有向图,规划出M个时间最短路径,M为大于一的正整数。
M的具体取值可根据实际需要而定。
在103中,针对任一时间最短路径,分别根据时间最短路径中包括的link构建正样本和负样本,并利用正样本和负样本训练预测模型,其中,预测模型用于针对设定的起点link和终点link规划出时间最短路径。
可以看出,上述实施例中,可基于获取到的历史真实道路数据规最短路径,并可基于所规划的时间最短路径构建正样本和负样本来对型进行训练等,由于预测模型模仿学习的数据是根据历史真实道路数据得到的接近真实值的时间最短路径,因此提升了模型训练效果和模型性能等。
其中,102中所述的历史真实道路数据通常是指利用地图服务软件收集到的历史真实道路数据,如最近预定时长内的历史真实道路数据。历史真实道路数据中具体包括哪些数据可根据实际需要而定。可根据历史真实道路数据规划出M个时间最短路径,作为预测模型的学习目标等。
具体地,可将一天的二十四小时切分为N个连续的时间段,N为大于一的正整数,具体取值可根据实际需要而定,并可根据历史真实道路数据,分别确定出有向图中的各link在不同时间段的权重,进而可根据所述权重,利用预定的路径规划算法规划出M个时间最短路径,其中,任一时间最短路径的开始时间、起点和终点均可为随机确定的。
比如,可以5分钟作为一个时间段的时长,将一天的二十四小时切分为多个连续的时间段,并可针对每个link,分别根据历史真实道路数据,确定出该link在不同时间段的权重,主要考量因素可包括:根据该时间段内不同用户的真实行驶轨迹确定出的该link对应的道路的平均通行时间,以及该link对应的道路在该时间段的一些长期统计值等。
根据所述权重,可利用预定的路径规划算法,通过随机采样不同的开始时间(出发时间)以及起点和终点,可规划出多个时间最短路径。所述路径规划算法具体为何种算法不作限制,如可为现有的基于时间推演的迪杰斯特拉(Time-dependent Dijkstra)算法等。
由于是基于历史真实道路数据来为有向图中的link赋予权重,因此所赋予的权重会比较准确,相应地,基于所述权重规划出的时间最短路径也会比较准确。
规划出的时间最短路径可作为专家数据,构建策略网络来模仿时间最短路径生成的决策过程。
如103中所述,针对任一时间最短路径,可分别根据时间最短路径中包括的link构建正样本和负样本,并利用正样本和负样本训练预测模型。比如,针对任一时间最短路径,可分别将该时间最短路径中的起点link作为当前link,并执行以下第一处理:若确定下一个link不是终点link,则针对该当前link构建正样本和负样本,下一个link为该时间最短路径中在当前link之后经过的link;将下一个link作为当前link,重复执行所述第一处理。
其中,针对当前link构建正样本和负样本的方式可为:构建由当前link、下一个link以及终点link组成的三元组,作为正样本,并构建由当前link、候选link以及终点link组成的三元组,作为负样本,候选link为与当前link连通但未被选中作为所述下一个link的link。
举例说明:假设某一时间最短路径中包括4个link,依次为link 1、link 2、link 3和link 4,其中,link 1为起点link,link 4为终点link;首先,可将link 1作为当前link,由于下一个link即link 2不是终点link,因此可针对link 1构建作为正样本的三元组(link 1、link 2,link 4),假设只存在一个候选link为link 5,那么还可构建作为负样本的三元组(link 1、link 5,link 4),之后可将link 2作为当前link,由于下一个link即link 3不是终点link,因此可针对link 2构建作为正样本的三元组(link 2、link 3,link4),假设同样只存在一个候选link为link 6,那么还可构建作为负样本的三元组(link 2、link 6,link 4),之后可将link 3作为当前link,由于下一个link即link 4为终点link,因此无法继续构建正样本和负样本,可结束对该时间最短路径的处理,另外,还可利用所构建的正样本和负样本来训练预测模型。
进一步地,在利用所构建的正样本和负样本来训练预测模型时,可分别获取正样本和负样本的预定特征,根据所述预定特征训练预测模型。其中,预定特征可包括以下之一或任意组合:离散特征、连续特征、卷积网络特征,以下分别进行介绍。
a)离散特征
可按照P种不同的切分方式,分别将预定区域切分为一系列正方形格子,P为大于一的正整数,不同切分方式对应的正方形格子大小不同。
比如,P的取值为3,可分别按照边长为500米、1000米和2000米的正方形格子大小对预定区域进行切分。
相应地,正样本的离散特征可包括以下之一或任意组合:当前link的标识(Link_id)、对应于P种不同的切分方式当前link分别所在的正方形格子的标识(Grid_id)、下一个link的标识、对应于P种不同的切分方式下一个link分别所在的正方形格子的标识、终点link的标识、对应于P种不同的切分方式终点link分别所在的正方形格子的标识。
以当前link为例,对应于P种不同的切分方式当前link分别所在的正方形格子的标识可包括:当前link所在的边长为500米的正方形格子的标识、当前link所在的边长为1000米的正方形格子的标识以及当前link所在的边长为2000米的正方形格子的标识。
类似地,负样本的离散特征可包括以下之一或任意组合:当前link的标识、对应于P种不同的切分方式当前link分别所在的正方形格子的标识、候选link的标识、对应于P种不同的切分方式候选link分别所在的正方形格子的标识、终点link的标识、对应于P种不同的切分方式终点link分别所在的正方形格子的标识。
通过引入多种不同的正方形格子切分方式,可使得训练得到的预测模型具有一定的泛化能力,从而能够处理一些稀疏道路的查询等。
b)连续特征
正样本的连续特征可包括以下之一或任意组合:当前link与终点link的距离、下一个link与终点link的距离、当前link与终点link的角度、下一个link与终点link的角度、当前link与终点link的距离减去下一个link与终点link的距离之差(即当前link与终点link的距离-下一个link与终点link的距离)、当前link与终点link的角度减去下一个link与终点link的角度之差(当前link与终点link的角度-下一个link与终点link的角度)、当前link的预定属性、下一个link的预定属性、终点link的预定属性、当前link的实时路况值、下一个link的实时路况值、终点link的实时路况值。
其中,所述距离可以是指根据经纬度算出的球面距离等,所述角度可以是指水平方向上形成的角度等,所述预定属性可包括车道数、道路等级和限速等,所述实时路况值可为0、1、2、3、4等取值,分别表示不同的拥堵程度等。
类似地,负样本的连续特征可包括以下之一或任意组合:当前link与终点link的距离、候选link与终点link的距离、当前link与终点link的角度、候选link与终点link的角度、当前link与终点link的距离减去候选link与终点link的距离之差、当前link与终点link的角度减去候选link与终点link的角度之差、当前link的预定属性、候选link的预定属性、终点link的预定属性、当前link的实时路况值、候选link的实时路况值、终点link的实时路况值。
c)卷积网络特征,
可将预定区域切分为一系列预定大小的正方形格子,如可切分为一系列边长为500米的正方向格子。针对任一正方形格子,还可分别获取该正方形格子中包括的link的平均实时路况值,即可计算该正方形格子中包括的各link的实时路况值的均值。
相应地,正样本的卷积网络特征可包括以下之一或组合:以当前link所在的正方形格子的平均实时路况值为中心,结合当前link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵;以终点link所在的正方形格子的平均实时路况值为中心,结合终点link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵。
以当前link为例,图2为本申请所述当前link对应的3*3大小的矩阵的示意图,如图2所示,可分别获取各正方形格子的平均实时路况值,假设斜纹所示正方形格子为当前link所在的正方形格子,那么各灰色正方形格子即为当前link所在的正方形格子周围的八个正方形格子,可利用这些正方形格子的平均实时路况值构建出3*3大小的矩阵,矩阵的元素即为平均实时路况值。
同样地,负样本的卷积网络特征可包括以下之一或组合:以当前link所在的正方形格子的平均实时路况值为中心,结合当前link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵;以终点link所在的正方形格子的平均实时路况值为中心,结合终点link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵。
在获取到正样本和负样本的上述预定特征后,可根据预定特征来训练预测模型。
通过上述处理,可使得预测模型能够快速准确地对时间最短路径生成的决策过程进行模仿学习。
图3为本申请所述预测模型的结构示意图。如图3所示,预测模型的输出可为三元组中的中间的link被选中的概率(Probability)值,其中的Tanh和Relu均表示激活函数。
在实际应用中,可将正样本的标签(Label)设置为1,将负样本的标签设置为0,通过二元交叉熵损失函数(binary cross entropy loss)对预测模型的网络参数(NetworkParameter)进行优化,以提升模型训练效果和模型性能等,如图4所示,图4为本申请所述优化过程示意图。
完成预测模型的训练后,即可进行线上部署和预测,即可借助于预测模型来进行路径规划。
图5为本申请所述路径规划方法第一实施例的流程图。如图5所示,包括以下具体实现方式。
在501中,获取根据预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,有向图中的任一条link分别对应于一条道路。
在502中,获取设定的起点link和终点link,并初始化包括起点link和终点link的队列。
在503中,将起点link作为待处理link,执行以下第二处理:将有向图中与待处理link连通的link作为候选link,根据预先训练得到的预测模型,分别确定出各候选link被选中的概率值,将概率值最大的候选link作为选中的link,加入到队列中;若确定选中的link不是终点link,则将选中的link作为待处理link,重复执行所述第二处理,否则,根据队列中的各link生成所需的时间最短路径。
上述实施例中,可借助于训练得到的预测模型来进行实际的路径规划,相应地,规划出的时间最短路径也更可能是真正的时间最短路径,从而提升了规划出的时间最短路径的准确性等。
其中,针对任一候选link,可分别构建由当前link、候选link以及终点link组成的三元组,根据三元组及预测模型确定出候选link被选中的概率值。如可获取三元组的预定特征,根据预定特征及预测模型确定出候选link被选中的概率值。预定特征可包括以下之一或任意组合:离散特征、连续特征、卷积网络特征。
另外,若确定选中的link不是终点link,且确定队列中包括的link数未达到预定阈值,可将选中的link作为待处理link,重复执行所述第二处理,若确定选中的link不是终点link,但确定队列中包括的link数已达到预定阈值,可返回错误信息,即可对预测的路径长度进行限制,以避免陷入死循环等。
后续,还可将规划出的时间最短路径映射回真实道路,返回给用户等。
基于上述介绍,图6为本申请所述路径规划方法第二实施例的流程图。如图6所示,包括以下具体实现方式。
在601中,获取根据预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,有向图中的任一条link分别对应于一条道路。
在602中,获取设定的起点link和终点link,并初始化包括起点link和终点link的队列。
起点link和终点link可为用户设定的。
在603中,将起点link作为待处理link。
在604中,将与待处理link连通的link作为候选link,针对任一候选link,分别构建由待处理link、候选link以及终点link组成的三元组,根据所述三元组及预测模型确定出候选link被选中的概率值。
如可获取所述三元组的预定特征,输入预测模型,得到输出的候选link被选中的概率值。
在605中,将概率值最大的候选link作为选中的link,加入到队列中。
在606中,确定选中的link是否为终点link,若是,则执行610,若否,则执行607。
在607中,确定队列中包括的link数是否达到预定阈值,若是,则执行608,若否,则执行609。
所述预定阈值的具体取值可根据实际需要而定。
在608中,返回错误信息,结束流程。
在609中,将选中的link作为待处理link,重复执行604。
在610中,根据队列中的各link生成所需的时间最短路径,结束流程。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。另外,某个实施例中没有详述的部分,可以参见其它实施例中的相关说明。
以上是关于方法实施例的介绍,以下通过装置实施例,对本申请所述方案进行进一步说明。
图7为本申请所述预测模型获取装置70实施例的组成结构示意图。如图7所示,包括:第一获取模块701以及模型训练模块702。
第一获取模块701,用于获取根据预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,有向图中的任一条link分别对应于一条道路,根据获取到的历史真实道路数据及有向图,规划出M个时间最短路径,M为大于一的正整数。
模型训练模型702,用于针对任一时间最短路径,分别根据时间最短路径中包括的link构建正样本和负样本,并利用正样本和负样本训练预测模型,其中,预测模型用于针对设定的起点link和终点link规划出时间最短路径。
其中,第一获取模块701可将一天的二十四小时切分为N个连续的时间段,N为大于一的正整数,根据历史真实道路数据,分别确定出有向图中的各link在不同时间段的权重,根据所述权重,利用预定的路径规划算法规划出M个时间最短路径,任一时间最短路径的开始时间、起点和终点均可为随机确定的。
针对任一时间最短路径,模型训练模块702可将时间最短路径中的起点link作为当前link,执行以下第一处理:若确定下一个link不是终点link,则针对当前link构建正样本和负样本,下一个link为时间最短路径中在当前link之后经过的link;将下一个link作为当前link,重复执行所述第一处理。
具体地,模型训练模块702可针对当前link,构建由当前link、下一个link以及终点link组成的三元组,作为正样本,并构建由当前link、候选link以及终点link组成的三元组,作为负样本,候选link为有向图中与当前link连通但未被选中作为下一个link的link。
模型训练模块702可分别获取正样本和负样本的预定特征,根据预定特征训练预测模型;预定特征可包括以下之一或任意组合:离散特征、连续特征、卷积网络特征。
模型训练模块702还可按照P种不同的切分方式,分别将预定区域切分为一系列正方形格子,P为大于一的正整数,不同切分方式对应的正方形格子大小不同。
相应地,正样本的离散特征可包括以下之一或任意组合:当前link的标识、对应于P种不同的切分方式当前link分别所在的正方形格子的标识、下一个link的标识、对应于P种不同的切分方式下一个link分别所在的正方形格子的标识、终点link的标识、对应于P种不同的切分方式终点link分别所在的正方形格子的标识。
负样本的离散特征可包括以下之一或任意组合:当前link的标识、对应于P种不同的切分方式当前link分别所在的正方形格子的标识、候选link的标识、对应于P种不同的切分方式候选link分别所在的正方形格子的标识、终点link的标识、对应于P种不同的切分方式终点link分别所在的正方形格子的标识。
另外,正样本的连续特征可包括以下之一或任意组合:当前link与终点link的距离、下一个link与终点link的距离、当前link与终点link的角度、下一个link与终点link的角度、当前link与终点link的距离减去下一个link与终点link的距离之差、当前link与终点link的角度减去下一个link与终点link的角度之差、当前link的预定属性、下一个link的预定属性、终点link的预定属性、当前link的实时路况值、下一个link的实时路况值、终点link的实时路况值。
负样本的连续特征可包括以下之一或任意组合:当前link与终点link的距离、候选link与终点link的距离、当前link与终点link的角度、候选link与终点link的角度、当前link与终点link的距离减去候选link与终点link的距离之差、当前link与终点link的角度减去候选link与终点link的角度之差、当前link的预定属性、候选link的预定属性、终点link的预定属性、当前link的实时路况值、候选link的实时路况值、终点link的实时路况值。
模型训练模块702还可将预定区域切分为一系列预定大小的正方形格子,针对任一正方形格子,分别获取该正方形格子中包括的link的平均实时路况值。
相应地,正样本的卷积网络特征可包括以下之一或组合:以当前link所在的正方形格子的平均实时路况值为中心,结合当前link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵;以终点link所在的正方形格子的平均实时路况值为中心,结合终点link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵。
负样本的卷积网络特征可包括以下之一或组合:以当前link所在的正方形格子的平均实时路况值为中心,结合当前link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵;以终点link所在的正方形格子的平均实时路况值为中心,结合终点link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵。
预测模型的输出可为三元组中的中间的link被选中的概率值,模型训练模块702可将正样本的标签设置为1,将负样本的标签设置为0,通过二元交叉熵损失函数对预测模型进行优化。
图8为本申请所述路径规划装置80实施例的组成结构示意图。如图8所示,包括:第二获取模块801以及路径规划模块802。
第二获取模块801,用于获取根据预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,有向图中的任一条link分别对应于一条道路,获取设定的起点link和终点link,并初始化包括起点link和终点link的队列。
路径规划模块802,用于将起点link作为待处理link,执行以下第二处理:将有向图中与待处理link连通的link作为候选link,根据按照上述装置获取到的预测模型,分别确定出各候选link被选中的概率值,将概率值最大的候选link作为选中的link,加入到队列中;若确定选中的link不是终点link,则将选中的link作为待处理link,重复执行所述第二处理,否则,根据队列中的各link生成所需的时间最短路径。
其中,路径规划模块802可针对任一候选link,分别构建由待处理link、候选link以及终点link组成的三元组,根据三元组及预测模型确定出候选link被选中的概率值。
路径规划模块802还可获取三元组的预定特征,根据预定特征及预测模型确定出候选link被选中的概率值;预定特征可包括以下之一或任意组合:离散特征、连续特征、卷积网络特征。
路径规划模块802还可在确定选中的link不是终点link,且确定队列中包括的link数未达到预定阈值时,将选中的link作为待处理link,重复执行所述第二处理,在确定选中的link不是终点link,但确定队列中包括的link数已达到预定阈值时,返回错误信息。
图7和图8所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本申请装置实施例所述方案,由于预测模型模仿学习的数据是根据历史真实道路数据得到的接近真实值的时间最短路径,因此提升了模型训练效果和模型性能,进而可借助于预测模型来进行实际的路径规划,相应地,规划出的时间最短路径也更可能是真正的时间最短路径,从而提升了规划出的时间最短路径的准确性等。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图9所示,是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示,该电子设备包括:一个或多个处理器Y01、存储器Y02,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的方法。
存储器Y02作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器Y02可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器Y02可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器Y02可选包括相对于处理器Y01远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括:输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,阴极射线管或者液晶显示器监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网、广域网、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (27)
1.一种预测模型获取方法,包括:
获取根据预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,所述有向图中的任一条边link分别对应于一条道路;
根据获取到的历史真实道路数据及所述有向图,规划出M个时间最短路径,M为大于一的正整数;
针对任一时间最短路径,分别根据所述时间最短路径中包括的link构建正样本和负样本,并利用所述正样本和所述负样本训练预测模型,其中,所述预测模型用于针对设定的起点link和终点link规划出时间最短路径;
其中,所述利用所述正样本和所述负样本训练预测模型包括:分别获取所述正样本和所述负样本的预定特征,根据所述预定特征训练所述预测模型,所述预定特征包括:连续特征;
其中,所述正样本的连续特征包括以下之一或任意组合:当前link与所述终点link的距离、下一个link与所述终点link的距离、所述当前link与所述终点link的角度、所述下一个link与所述终点link的角度、所述当前link与所述终点link的距离减去所述下一个link与所述终点link的距离之差、所述当前link与所述终点link的角度减去所述下一个link与所述终点link的角度之差、所述当前link的预定属性、所述下一个link的预定属性、所述终点link的预定属性、所述当前link的实时路况值、所述下一个link的实时路况值、所述终点link的实时路况值;
所述负样本的连续特征包括以下之一或任意组合:所述当前link与所述终点link的距离、候选link与所述终点link的距离、所述当前link与所述终点link的角度、所述候选link与所述终点link的角度、所述当前link与所述终点link的距离减去所述候选link与所述终点link的距离之差、所述当前link与所述终点link的角度减去所述候选link与所述终点link的角度之差、所述当前link的预定属性、所述候选link的预定属性、所述终点link的预定属性、所述当前link的实时路况值、所述候选link的实时路况值、所述终点link的实时路况值。
2.根据权利要求1所述的方法,其中,所述根据获取到的历史真实道路数据及所述有向图,规划出M个时间最短路径包括:
将一天的二十四小时切分为N个连续的时间段,N为大于一的正整数;
根据所述历史真实道路数据,分别确定出所述有向图中的各link在不同时间段的权重;
根据所述权重,利用预定的路径规划算法规划出M个时间最短路径,其中,任一时间最短路径的开始时间、起点和终点均为随机确定的。
3.根据权利要求1所述的方法,其中,所述根据所述时间最短路径中包括的link构建正样本和负样本包括:
将所述时间最短路径中的起点link作为当前link,执行以下第一处理:若确定下一个link不是终点link,则针对所述当前link构建正样本和负样本,所述下一个link为所述时间最短路径中在所述当前link之后经过的link;将所述下一个link作为所述当前link,重复执行所述第一处理。
4.根据权利要求3所述的方法,其中,所述针对所述当前link构建正样本和负样本包括:
构建由所述当前link、所述下一个link以及所述终点link组成的三元组,作为所述正样本;
构建由所述当前link、候选link以及所述终点link组成的三元组,作为所述负样本,所述候选link为所述有向图中与所述当前link连通但未被选中作为所述下一个link的link。
5.根据权利要求4所述的方法,其中,所述预定特征替换为离散特征或卷积网络特征,或离散特征、连续特征、卷积网络特征的任意组合。
6.根据权利要求5所述的方法,还包括:按照P种不同的切分方式,分别将所述预定区域切分为一系列正方形格子,P为大于一的正整数,不同切分方式对应的正方形格子大小不同;
所述正样本的离散特征包括以下之一或任意组合:所述当前link的标识、对应于所述P种不同的切分方式所述当前link分别所在的正方形格子的标识、所述下一个link的标识、对应于所述P种不同的切分方式所述下一个link分别所在的正方形格子的标识、所述终点link的标识、对应于所述P种不同的切分方式所述终点link分别所在的正方形格子的标识;
所述负样本的离散特征包括以下之一或任意组合:所述当前link的标识、对应于所述P种不同的切分方式所述当前link分别所在的正方形格子的标识、所述候选link的标识、对应于所述P种不同的切分方式所述候选link分别所在的正方形格子的标识、所述终点link的标识、对应于所述P种不同的切分方式所述终点link分别所在的正方形格子的标识。
7.根据权利要求5所述的方法,还包括:将所述预定区域切分为一系列预定大小的正方形格子,针对任一正方形格子,分别获取所述正方形格子中包括的link的平均实时路况值;
所述正样本的卷积网络特征包括以下之一或组合:以所述当前link所在的正方形格子的平均实时路况值为中心,结合所述当前link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵;以所述终点link所在的正方形格子的平均实时路况值为中心,结合所述终点link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵;
所述负样本的卷积网络特征包括以下之一或组合:以所述当前link所在的正方形格子的平均实时路况值为中心,结合所述当前link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵;以所述终点link所在的正方形格子的平均实时路况值为中心,结合所述终点link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵。
8.根据权利要求4所述的方法,还包括:所述预测模型的输出为所述三元组中的中间的link被选中的概率值,将所述正样本的标签设置为1,将所述负样本的标签设置为0,通过二元交叉熵损失函数对所述预测模型进行优化。
9.一种路径规划方法,包括:
获取根据预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,所述有向图中的任一条边link分别对应于一条道路;
获取设定的起点link和终点link,并初始化包括所述起点link和所述终点link的队列;
将所述起点link作为待处理link,执行以下第二处理:将所述有向图中与所述待处理link连通的link作为候选link,根据按照权利要求1-8中任一项所述的方法获取到的预测模型,分别确定出各候选link被选中的概率值,将概率值最大的候选link作为选中的link,加入到所述队列中;若确定所述选中的link不是所述终点link,则将所述选中的link作为所述待处理link,重复执行所述第二处理,否则,根据所述队列中的各link生成所需的时间最短路径。
10.根据权利要求9所述的方法,其中,所述分别确定出各候选link被选中的概率值包括:
针对任一候选link,分别构建由所述待处理link、所述候选link以及所述终点link组成的三元组,根据所述三元组及所述预测模型确定出所述候选link被选中的概率值。
11.根据权利要求10所述的方法,其中,所述根据所述三元组及所述预测模型确定出所述候选link被选中的概率值包括:
获取所述三元组的预定特征,根据所述预定特征及所述预测模型确定出所述候选link被选中的概率值;所述预定特征替换为离散特征或卷积网络特征,或离散特征、连续特征、卷积网络特征的任意组合。
12.根据权利要求9所述的方法,还包括:
若确定所述选中的link不是所述终点link,且确定所述队列中包括的link数未达到预定阈值,则将所述选中的link作为所述待处理link,重复执行所述第二处理;
若确定所述选中的link不是所述终点link,但确定所述队列中包括的link数已达到预定阈值,则返回错误信息。
13.一种预测模型获取装置,包括:第一获取模块以及模型训练模块;
所述第一获取模块,用于获取根据预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,所述有向图中的任一条边link分别对应于一条道路,根据获取到的历史真实道路数据及所述有向图,规划出M个时间最短路径,M为大于一的正整数;
所述模型训练模块,用于针对任一时间最短路径,分别根据所述时间最短路径中包括的link构建正样本和负样本,并利用所述正样本和所述负样本训练预测模型,其中,所述预测模型用于针对设定的起点link和终点link规划出时间最短路径;
其中,所述模型训练模块分别获取所述正样本和所述负样本的预定特征,根据所述预定特征训练所述预测模型;所述预定特征包括:连续特征;
其中,所述正样本的连续特征包括以下之一或任意组合:当前link与所述终点link的距离、下一个link与所述终点link的距离、所述当前link与所述终点link的角度、所述下一个link与所述终点link的角度、所述当前link与所述终点link的距离减去所述下一个link与所述终点link的距离之差、所述当前link与所述终点link的角度减去所述下一个link与所述终点link的角度之差、所述当前link的预定属性、所述下一个link的预定属性、所述终点link的预定属性、所述当前link的实时路况值、所述下一个link的实时路况值、所述终点link的实时路况值;
所述负样本的连续特征包括以下之一或任意组合:所述当前link与所述终点link的距离、候选link与所述终点link的距离、所述当前link与所述终点link的角度、所述候选link与所述终点link的角度、所述当前link与所述终点link的距离减去所述候选link与所述终点link的距离之差、所述当前link与所述终点link的角度减去所述候选link与所述终点link的角度之差、所述当前link的预定属性、所述候选link的预定属性、所述终点link的预定属性、所述当前link的实时路况值、所述候选link的实时路况值、所述终点link的实时路况值。
14.根据权利要求13所述的装置,其中,所述第一获取模块将一天的二十四小时切分为N个连续的时间段,N为大于一的正整数,根据所述历史真实道路数据,分别确定出所述有向图中的各link在不同时间段的权重,根据所述权重,利用预定的路径规划算法规划出M个时间最短路径,其中,任一时间最短路径的开始时间、起点和终点均为随机确定的。
15.根据权利要求13所述的装置,其中,所述模型训练模块将所述时间最短路径中的起点link作为当前link,执行以下第一处理:若确定下一个link不是终点link,则针对所述当前link构建正样本和负样本,所述下一个link为所述时间最短路径中在所述当前link之后经过的link;将所述下一个link作为所述当前link,重复执行所述第一处理。
16.根据权利要求15所述的装置,其中,所述模型训练模块针对所述当前link,构建由所述当前link、所述下一个link以及所述终点link组成的三元组,作为所述正样本,并构建由所述当前link、候选link以及所述终点link组成的三元组,作为所述负样本,所述候选link为所述有向图中与所述当前link连通但未被选中作为所述下一个link的link。
17.根据权利要求16所述的装置,其中,所述预定特征替换为离散特征或卷积网络特征,或离散特征、连续特征、卷积网络特征的任意组合。
18.根据权利要求17所述的装置,其中,
所述模型训练模块进一步用于,按照P种不同的切分方式,分别将所述预定区域切分为一系列正方形格子,P为大于一的正整数,不同切分方式对应的正方形格子大小不同;
所述正样本的离散特征包括以下之一或任意组合:所述当前link的标识、对应于所述P种不同的切分方式所述当前link分别所在的正方形格子的标识、所述下一个link的标识、对应于所述P种不同的切分方式所述下一个link分别所在的正方形格子的标识、所述终点link的标识、对应于所述P种不同的切分方式所述终点link分别所在的正方形格子的标识;
所述负样本的离散特征包括以下之一或任意组合:所述当前link的标识、对应于所述P种不同的切分方式所述当前link分别所在的正方形格子的标识、所述候选link的标识、对应于所述P种不同的切分方式所述候选link分别所在的正方形格子的标识、所述终点link的标识、对应于所述P种不同的切分方式所述终点link分别所在的正方形格子的标识。
19.根据权利要求17所述的装置,其中,
所述模型训练模块进一步用于,将所述预定区域切分为一系列预定大小的正方形格子,针对任一正方形格子,分别获取所述正方形格子中包括的link的平均实时路况值;
所述正样本的卷积网络特征包括以下之一或组合:以所述当前link所在的正方形格子的平均实时路况值为中心,结合所述当前link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵;以所述终点link所在的正方形格子的平均实时路况值为中心,结合所述终点link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵;
所述负样本的卷积网络特征包括以下之一或组合:以所述当前link所在的正方形格子的平均实时路况值为中心,结合所述当前link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵;以所述终点link所在的正方形格子的平均实时路况值为中心,结合所述终点link所在的正方形格子周围的八个正方形格子的平均实时路况值构建出的3*3大小的矩阵。
20.根据权利要求16所述的装置,其中,
所述预测模型的输出为所述三元组中的中间的link被选中的概率值;
所述模型训练模块将所述正样本的标签设置为1,将所述负样本的标签设置为0,通过二元交叉熵损失函数对所述预测模型进行优化。
21.一种路径规划装置,包括:第二获取模块以及路径规划模块;
所述第二获取模块,用于获取根据预定区域中包含的道路、道路方向及道路间的连接方式构建出的有向图,所述有向图中的任一条边link分别对应于一条道路,获取设定的起点link和终点link,并初始化包括所述起点link和所述终点link的队列;
所述路径规划模块,用于将所述起点link作为待处理link,执行以下第二处理:将所述有向图中与所述待处理link连通的link作为候选link,根据按照权利要求13-20中任一项所述的装置获取到的预测模型,分别确定出各候选link被选中的概率值,将概率值最大的候选link作为选中的link,加入到所述队列中;若确定所述选中的link不是所述终点link,则将所述选中的link作为所述待处理link,重复执行所述第二处理,否则,根据所述队列中的各link生成所需的时间最短路径。
22.根据权利要求21所述的装置,其中,所述路径规划模块针对任一候选link,分别构建由所述待处理link、所述候选link以及所述终点link组成的三元组,根据所述三元组及所述预测模型确定出所述候选link被选中的概率值。
23.根据权利要求22所述的装置,其中,所述路径规划模块获取所述三元组的预定特征,根据所述预定特征及所述预测模型确定出所述候选link被选中的概率值;所述预定特征替换为离散特征或卷积网络特征,或离散特征、连续特征、卷积网络特征的任意组合。
24.根据权利要求21所述的装置,其中,所述路径规划模块进一步用于,若确定所述选中的link不是所述终点link,且确定所述队列中包括的link数未达到预定阈值,则将所述选中的link作为所述待处理link,重复执行所述第二处理,若确定所述选中的link不是所述终点link,但确定所述队列中包括的link数已达到预定阈值,则返回错误信息。
25.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的方法。
27.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010659353.8A CN111982138B (zh) | 2020-07-09 | 2020-07-09 | 预测模型获取及路径规划方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010659353.8A CN111982138B (zh) | 2020-07-09 | 2020-07-09 | 预测模型获取及路径规划方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111982138A CN111982138A (zh) | 2020-11-24 |
CN111982138B true CN111982138B (zh) | 2022-06-28 |
Family
ID=73438614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010659353.8A Active CN111982138B (zh) | 2020-07-09 | 2020-07-09 | 预测模型获取及路径规划方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982138B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785082B (zh) * | 2021-02-04 | 2022-10-21 | 清华大学 | 基于学习的路网最短路距离近似计算模型训练方法和装置 |
CN113758494B (zh) * | 2021-08-31 | 2023-07-28 | 北京百度网讯科技有限公司 | 导航路径规划方法、装置、设备和存储介质 |
CN115438193B (zh) * | 2022-09-23 | 2023-05-16 | 苏州爱语认知智能科技有限公司 | 一种路径推理模型的训练方法及路径推理方法 |
CN115809502B (zh) * | 2023-02-09 | 2023-04-25 | 西南交通大学 | 一种山区铁路大临工程配套道路的智能规划与设计方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011007713A (ja) * | 2009-06-29 | 2011-01-13 | Internatl Business Mach Corp <Ibm> | 多点対間最短経路探索方法およびシステム |
CN105043400B (zh) * | 2015-06-30 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 路径规划方法及装置 |
CN107944605B (zh) * | 2017-11-10 | 2021-07-30 | 河海大学常州校区 | 一种基于数据预测的动态交通路径规划方法 |
CN109410575B (zh) * | 2018-10-29 | 2020-05-01 | 北京航空航天大学 | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 |
CN109724611B (zh) * | 2019-01-08 | 2020-07-17 | 北京三快在线科技有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN110108292B (zh) * | 2019-06-12 | 2020-03-27 | 山东师范大学 | 车辆导航路径规划方法、系统、设备及介质 |
CN110347154B (zh) * | 2019-06-26 | 2021-07-23 | 禾多科技(北京)有限公司 | 基于模拟控制系统的高精度地图路径规划方法 |
CN110823236B (zh) * | 2019-10-12 | 2022-02-25 | 百度在线网络技术(北京)有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN110823237B (zh) * | 2019-10-24 | 2021-08-17 | 百度在线网络技术(北京)有限公司 | 起点绑路及预测模型获取方法、装置及存储介质 |
CN110928961B (zh) * | 2019-11-14 | 2023-04-28 | 出门问问(苏州)信息科技有限公司 | 一种多模态实体链接方法、设备及计算机可读存储介质 |
CN110823228B (zh) * | 2019-11-18 | 2021-04-02 | 中国人民解放军国防科技大学 | 一种路径生成方法及装置 |
CN110942211A (zh) * | 2019-12-12 | 2020-03-31 | 武汉中海庭数据技术有限公司 | 一种基于深度神经网络的预估达到时间预测方法及装置 |
-
2020
- 2020-07-09 CN CN202010659353.8A patent/CN111982138B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111982138A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111982138B (zh) | 预测模型获取及路径规划方法、装置及存储介质 | |
CN112559007B (zh) | 多任务模型的参数更新方法、装置及电子设备 | |
KR20210158342A (ko) | 교통 사고 인식 방법, 장치, 기기 및 컴퓨터 기록 매체 | |
CN111210656A (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
JP7334205B2 (ja) | 目的地の予測方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム | |
CN111325382B (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
CN114357105B (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
US11379741B2 (en) | Method, apparatus and storage medium for stay point recognition and prediction model training | |
CN111310987A (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
CN112652165B (zh) | 模型训练及路况预测方法、装置、设备、介质及程序产品 | |
EP4155672A2 (en) | Method and apparatus for generating high-precision map, electronic device and storage medium | |
CN112000893A (zh) | 常驻区域预测方法、装置、设备及存储介质 | |
CN113160693B (zh) | 一种道路路口的处理方法、装置、设备和存储介质 | |
JP2023027233A (ja) | 道路データ融合の地図生成方法、装置及び電子機器 | |
CN112101527A (zh) | 识别车道变化的方法和装置、电子设备和存储介质 | |
CN113672688A (zh) | 路网数据更新方法、装置和电子设备 | |
CN115203340A (zh) | 一种伴随关系确定方法、装置、设备和存储介质 | |
CN115688547A (zh) | 模拟天气情景和极端天气预测 | |
CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
CN112070288A (zh) | 出发时间预估方法、装置、设备以及存储介质 | |
CN114218504A (zh) | 阻断路段识别方法、装置、电子设备及存储介质 | |
CN114676352A (zh) | 路线规划方法、装置、设备以及存储介质 | |
CN114565170A (zh) | 污染物溯源方法及装置、设备、介质和产品 | |
CN113762397A (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN111582543A (zh) | 预测模型的生成方法、估计到达时间确定方法及装置 |
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 |