CN112101676A - 一种乘车路径规划方法、装置、计算机设备及存储介质 - Google Patents
一种乘车路径规划方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112101676A CN112101676A CN202011008069.0A CN202011008069A CN112101676A CN 112101676 A CN112101676 A CN 112101676A CN 202011008069 A CN202011008069 A CN 202011008069A CN 112101676 A CN112101676 A CN 112101676A
- Authority
- CN
- China
- Prior art keywords
- line
- station
- sequence
- transfer
- line sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Navigation (AREA)
Abstract
本申请提供一种乘车路径规划方法、装置、计算机设备及存储介质,根据起点和终点进行寻路确定与起点对应的乘车路径起始站点(第一站点)以及与终点对应的乘车路径终止站点(第二站点);从当前线路集中取出转移概率最大的线路序列;若线路序列不包括第二站点,确定由位于线路序列尾部的第一线路以及第一线路换乘的第二线路构成的换乘线路序列;将换乘线路序列的线路特征输入至预训练的转移概率确定模型得到换乘线路序列的转移概率;利用第二线路对线路序列进行更新,并将更新后的线路序列存储至线路集;若线路序列包括第二站点,确定线路序列为一条乘车路径。本申请依赖换乘线路序列的转移概率进行乘车路径规划,提高了乘车路径规划结果的准确性。
Description
技术领域
本发明涉及路径规划技术领域,更具体地说,涉及一种乘车路径规划方法、装置、计算机设备及存储介质。
背景技术
路径规划服务为根据用户起终点为用户提供预设条数的最优乘车方案的在线服务。现有的路径规划服务仅依赖于对换乘线路乘车时间的估算实现对乘车路径的规划,考虑特征单一,不足以衡量一个换乘线路的好坏。并且,现有的路径规划服务是直接基于换乘线路的线路类型的固定速度来估算换乘线路的乘车时间,换乘线路乘车时间估算结果并不准确。
发明内容
有鉴于此,为解决上述问题,本发明提供一种乘车路径规划方法、装置、计算机设备及存储介质,以提高乘车路径规划结果的准确性。技术方案如下:
一种乘车路径规划方法,包括:
根据起点和终点进行寻路确定第一站点和第二站点,所述第一站点为与所述起点对应的乘车路径起始站点,所述第二站点为与所述终点对应的乘车路径终止站点;
从当前线路集中取出转移概率最大的线路序列,初始化状态的所述线路集中的线路序列为所述起点和所述第一站点构成的线路;
若所述线路序列不包括所述第二站点,确定由位于所述线路序列尾部的第一线路以及所述第一线路换乘的第二线路构成的换乘线路序列;
将所述换乘线路序列的线路特征输入至预训练的转移概率确定模型得到所述换乘线路序列的转移概率;
利用所述第二线路对所述线路序列进行更新,并将更新后的线路序列存储至所述线路集;所述更新后的线路序列的转移概率与所述换乘线路序列和所述线路序列的转移概率有关;
若所述线路序列包括所述第二站点,确定所述线路序列为一条乘车路径。
一种乘车路径规划装置,包括:
寻路单元,用于根据起点和终点进行寻路确定第一站点和第二站点,所述第一站点为与所述起点对应的乘车路径起始站点,所述第二站点为与所述终点对应的乘车路径终止站点;
线路序列取出单元,用于从当前线路集中取出转移概率最大的线路序列,初始化状态的所述线路集中的线路序列为所述起点和所述第一站点构成的线路;
换乘线路序列确定单元,用于若所述线路序列不包括所述第二站点,确定由位于所述线路序列尾部的第一线路以及所述第一线路换乘的第二线路构成的换乘线路序列;
转移概率确定单元,用于将所述换乘线路序列的线路特征输入至预训练的转移概率确定模型得到所述换乘线路序列的转移概率;
线路集更新单元,用于利用所述第二线路对所述线路序列进行更新,并将更新后的线路序列存储至所述线路集;所述更新后的线路序列的转移概率与所述换乘线路序列和所述线路序列的转移概率有关;
乘车路径确定单元,用于若所述线路序列包括所述第二站点,确定所述线路序列为一条乘车路径。
一种计算机设备,包括:处理器以及存储器,所述处理器以及存储器通过通信总线相连;其中,所述处理器,用于调用并执行所述存储器中存储的程序;所述存储器,用于存储程序,所述程序用于实现所述乘车路径规划方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器加载并执行,实现所述乘车路径规划方法的各步骤。
本申请提供一种乘车路径规划方法、装置、计算机设备及存储介质,依赖于换乘线路序列的转移概率实现乘车路径规划,在确定换乘线路序列的转移概率时,考虑到换乘过程中的线路序列特征,更全面的考虑了多个特征,并不是简单的依赖于对换乘线路的乘车时间的估算,有效提高了乘车路径规划结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种线路数据和站点数据的关系示意图;
图2为本申请实施例提供的一种第一站点和第二站点示意图;
图3为本申请实施例提供的一种初始线路示意图;
图4为本申请实施例提供的一种乘车路径规划方法流程图;
图5为本申请实施例提供的另一种乘车路径规划方法流程图;
图6为本申请实施例提供的一种站点数据示意图;
图7为本申请实施例提供的一种矩形和网格关系示意图;
图8为本申请实施例提供的一种网格中站点数据与矩形关系示意图;
图9为本申请实施例提供的一种换乘示意图;
图10为本申请实施例提供的一种转移概率确定模型生成方法流程图;
图11为本申请实施例提供的一种转移概率模型生成方法示意图;
图12为本申请实施例提供的一种第一信息示意图;
图13为本申请实施例提供的一种乘车路径规划装置结构图;
图14为本申请实施例提供的计算机设备的一种实现方式的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
路径规划服务为根据用户起终点为用户提供预设条数的最优乘车方案的在线服务。比如,公交规划服务:根据用户起终点,出发时间,用户偏好等输入规划最优5条公交换乘方案的在线服务,且需要保证方案的合理性和多样性。
现有的路径规划服务仅依赖于对换乘线路乘车时间的估算实现对乘车路径的规划,考虑特征单一,不足以衡量一个换乘线路的好坏。并且,现有的路径规划服务是直接基于换乘线路的线路类型的固定速度来估算换乘线路的乘车时间,换乘线路乘车时间估算结果并不准确。
由此,本申请发明人提出一种乘车路径规划方法以提高乘车路径规划结果的准确性。在介绍本申请发明人提出的乘车路径规划方法之前,先对本申请所涉及到所有技术术语进行详细说明。
BFS:Breadth-First Search广度优先搜索,是一种图形搜索算法,是一种盲目搜索法,从根节点出发,沿着树的宽度遍历树的节点,如果所有节点均被访问,则算法终止。
Dijkstra:迪杰斯特拉算法,是从一个顶点到其余各顶点的最短路径算法,解决有权图中的最短路径问题,主要特点是从起始点开始,采用贪心算法的策略,每次遍历到始点距离最近且未访问过的顶点的邻接节点,知道扩展到终点为止。
转移概率:马尔科夫链中的重要概念,若马氏链分为m个状态组成,历史资料转换为由这m个状态所组成的序列,从任意一个状态出发,经过任意一次转移,必然出现状态1,2,……,m中的一个,这种状态之间的转移称为转移概率。
本申请发明人提出一种乘车路径规划方法主要包含以下三个主要过程:
第一,寻站
线路数据和站点数据是两个核心交通数据,线路数据主要有线路形状及线路对应的一些属性信息,如线路ID,线路名称,线路类型等,站点数据主要有站点ID,所属线路ID,站点名称,站点在所在线路的序号,站点坐标等。
示例性的,线路类型可以为普通公交车、地铁、机场大巴、旅游大巴、轮渡等。
每条线路包含多个站点,每个站点属于唯一的线路(如中关村站,概念上为一个站台,其包含多个站点,每个站点对应一个线路,如线路1的中关村站,线路2的中关村站等)。
确定乘客的起点和终点,根据乘客的起点和终点进行寻站得到寻站结果数据,寻站结果数据包括根据起点进行寻站得到起点附近合理的站点(第一站点),以及,根据终点进行寻站得到终点附近合理的站点(第二站点)。即,寻站结果数据包括第一站点和第二站点。
第二,算路
有了寻站结果数据,即可找到对应的线路数据,继而可以使用BFS或Dijkstra或其他算路算法进行算路,算路过程中的核心是换乘线路权值的合理性,若根据合理的权值体系计算换乘线路权值进行空间搜索算路,则会在少算路的情况下,又能使得合理的好方案被搜索出来;否则,可能出现较高耗时的情况下,合理方案也没有被召回。
第三,排序多样性
针对算路的结果--N条乘车路径方案,根据乘客输入的偏好,以及综合考虑实时路况等因素,进行排序和多样性处理,最终透出(向乘客返回)预设条数最优的乘车路径。比如,算路结果一共包括5条乘车路径,分别为乘车路径1、乘车路径2、乘车路径3、乘车路径4和乘车路径5,乘车路径3优于乘车路径2,乘车路径2优于乘车路径5,乘车路径5优于乘车路径1,乘车路径1优于乘车路径4,若预设条数为3条,则向乘客透出乘车路径3、乘车路径2和乘车路径5。进一步的,在向乘客透出乘车路径3、乘车路径2和乘车路径5的情况下,还可以进一步基于提示信息提醒乘客乘车路径3优于乘车路径2,乘车路径2优于乘车路径5。
下面对算路过程所采用的权值体系进行详细说明。假定线路数据和站点数据存在如图1所示的关系;参见图1,起点和终点为路径规划请求指示的乘客的起点和终点,起点和终点周围存在如图1所示10个站台,17条线路,它们之间的换乘数据及关系如图1所示,这里为了简化问题说明,假定它们可以同站换乘。
基于图1的算路过程如下:
1.根据起点和终点的寻站结果数据确定与起点对应的第一站点以及与终点对应的第二站点,第一站点可以认为是乘车路径起始站点,第二站点可以认为是乘车路径终止站点。
示例性的,第一站点的数量可以为至少一个,第二站点的数量可以为至少一个,如图2所示,第一站点有两个,一个第一站点的站台为站台A,另一个第一站点的站台为站台B;第二站点有两个,一个第二站点的站台为站台I,另一个第二站点的站台为站台J。
2.根据第一站点和第二站点,以及站点与线路的关系即可找到初始线路。参见图3标黑的线路,即,起点->站台A->线路1,起点->站台A->线路2,起点->站台A->线路3,起点->站台B->线路4,以及起点->站台B->线路5。
3.计算每条线路的权值,并将每条线路加入到小顶堆中。
线路由一段或多段线路构成,线路的权值为线路中各段线路的权值的累加结果。比如,线路“起点->站台A->线路1”依次由线路“起点->站台A”和线路“站台A->线路1”构成,线路“起点->站台A->线路1”的权值为线路“起点->站台A”的权值和线路“站台A->线路1”的权值的累加结果。
线路为乘车线路时,线路的权值计算方式为根据线路的长度,站数,线路类型等因素计算该线路的乘车时间,将该线路的乘车时间加上该线路的等车时间作为该线路的权值。其中,该线路的等车时间可以以该线路的发车间隔为依据。
线路不为乘车线路时,可以将线路的步行时间作为线路的权值。比如,线路为两个线路之间的中转线路时,可以将中转线路的步行时间作为中转线路的权值。
需要注意的是,初始线路还需考虑起点到第一站点的步行权值。示例性的,可以将起点到第一站点的步行时间作为起点到第一站点的步行权值。
4.从小顶堆中取出权值最小的线路(当前取出的权值最小的线路可以称为当前线路),如果当前线路中不包括第二站点,则继续寻找当前线路可以换乘的线路(当前线路可以换乘的线路可以称为换乘线路)。比如,若小顶堆中起点->站台A->线路2的权值最小,则从小顶堆中取出起点->站台A->线路2,继而寻找线路2所有可换乘的线路(线路6,9,10)。
需要说明的是,图3中虚线为两个线路之间的中转线路。示例性的,两个线路之间的中转线路可以理解为前一个线路的结束站点到下一个线路的起始站点之间的线路。
5.针对每个换乘线路,将当前线路和该换乘路线一起作为新方案;以及将该换乘线路权值、当前线路和该换乘线路之间的中转线路的权值,累加到当前线路权值作为新方案的权值,将新方案更新到小顶堆中。
比如,从小顶堆中取出起点->站台A->线路2,将起点->站台A->线路2->线路9作为一个新方案添加进小顶堆。示例性的,可以将起点->站台A->线路2的权值+线路9的权值(线路9的权值的计算方式同上)+中转线路(站台D-站台F)权值作为新方案的权值。
示例性的,可以将线路2的结束站点(站台D)步行到线路9的起始站点(站台F)的步行时间作为中转线路的权值。中转线路的权值也可以称为换乘步行权值。
需要说明的是,若当前线路和换乘线路之间不存在中转线路,可以直接将当前线路和换乘线路一起作为新方案,以及,将换乘线路权值累加到当前线路权值作为新方案的权值。针对权值明显不合理的换乘线路即可忽略。
6.如果从小顶堆中取出的线路(当前线路)中包括第二站点,则确定当前线路为寻出的一个完整的乘车路径。以此类推,直至寻出乘车路径的条数满足一定数量,或满足其他终止条件,即停止搜索过程,至此完成整个算路过程。
上述乘车路径规划方案中的权值计算主要是每个线路的权值累加,而每个线路的权值只与当前换乘线路的几个重要特征(距离,站数,线路类型等)有关。这一点,通过以下方案“起点->线路2->线路10->线路16->终点”进行说明。
a.计算起点->线路2的权值,即为起点到上车站(乘车路径起始站点)的步行权值(步行时间作为权值)+线路2的权值(将线路2的乘车时间和线路2的等车时间的累加结果作为线路2的权值)。其中,根据线路2的距离,站数,线路类型计算线路2的乘车时间,线路2的距离可以认为是线路2的长度。
b.计算线路2换乘的线路10的权值(将线路10的乘车时间和线路10的等车时间作为线路10的权值),计算线路2换乘线路10的换乘步行权值(线路2的结束站点至线路10的起始站点的步行时间作为线路2换乘到线路10的换乘步行权值),将线路10的权值、线路2换乘到线路10的换乘步行权值和步骤a中起点->线路2的权值进行累加得到起点->线路2->线路10的权值。
其中,根据线路10的距离,站数,线路类型计算线路10的乘车时间,线路10的距离可以认为是线路2的长度。
c.计算线路10换乘的线路16的权值(将线路16的乘车时间和线路16的等车时间作为线路16的权值),将线路16的权值和步骤b中起点->线路2->线路10的权值累加得到起点->线路2->线路10->线路16的权值。
其中,根据线路16的距离,站数,线路类型计算线路16的乘车时间,线路16的距离可以认为是线路16的长度。
d.因为线路16中包括第二站点,第二站点为乘车路径终止站点,乘车路径终止站点与乘车的终点对应,因此,计算线路16中包括的第二站点和乘客终点之间的线路的步行权值,将线路16中包括的第二站点和乘客终点之间的线路的步行权值和起点->线路2->线路10->线路16的权值累加得到起点->线路2->线路10->线路16->终点的权值。
起点->线路2->线路10->线路16->终点是一个完成的乘车路径,至此,一个完整的乘车路径方案被算出,权值的计算过程也较为简单。
然而,本申请发明人通过研究发现:上述提出的一种乘车路径规划方案相对于现有技术而言,虽然增加了用于估算换乘线路乘车时间的特征、在一定程度上提高了乘车路径规划的准确性,但仍存在以下几个重要问题:
1.权值因素较为单一,以时间作为权值不合理。全国所有相同类型线路使用的相同速度计算,该方式本身就会导致时间计算的不准确性,城市的不同,相同类型线路运行区域不同,平峰和高峰时的不同,都会导致速度的差异,所以,以此计算的时间作为权值是存在明显问题的。
2.线路的换乘偏好为得到较好表征,只考虑到换乘的步行距离和换乘线路的一些简单特征,真实的用户体验较差。如,地铁换公交和公交换地铁、换乘一站和换乘多站等,在用户实际体验上也存在一定的区别,上述权值计算方式并不能很好的表征。偏好度较高的换乘线路或换乘类型没有得到体现,如普通公交换普通公交、普通公交换空调公交、或BRT的用户偏好也是不同的。这些特征在上述权值体系中均未得到表征。
基于以上问题,本申请发明人提出的上述乘车路径规划方案虽然能够在一定程度上提高乘车路径规划的准确性,但仍然存在好方案的召回率不够,一些好方案在上述权值体系下仍然无法召回的问题。
由此,本申请发明人进一步提出了一种新的乘车路径规划方法,该乘车路径规划方法依赖于对换乘线路序列的转移概率的计算,通过将每次换乘的当前线路与下一换乘线路整体作为一个基本单元,将一次换乘理解为一次状态的转移(当前线路为状态1,换乘线路为状态2),充分考虑每次换乘的各个因素,不再以较为简单的时间作为权值,而是综合考虑换乘的当前线路的线路特征、换乘线路的线路特征,以及当前线路和换乘线路之间的中转线路的线路特征作为特征输入,训练转移概率确定模型,继而在算路搜索过程中基于训练好的转移概率确定模型预测换乘线路序列的转移概率。本申请可以将一个换乘线路序列看成一次换乘,换乘线路序列的转移概率越高,换乘线路序列中当前线路向换乘线路换乘可能性越高。
最后利用条件概率,将换乘线路序列的转移概率累乘当前线路的转移概率作为新方案(新方案可以认为是当前线路与换乘线路序列中换乘线路构成的整体)的转移概率来表征新方案的权值。新方案的权值和新方案的优良程度程正比,新方案的权值越大,新方案越好。
本申请发明人提出的新的乘车路径规划方案,在转移概率的计算上综合考虑换乘的整体特征和序列特性,使得在换乘的原有简单特征得以表征的情况下,换乘的偏好也得到表征,也不再单纯使用时间作为核心参考,并且转移概率确定模型可训练,使得新的路径规划方案对乘车路径的规划结果更加准确、合理化、自动化。
为使本申请发明人提出的新的乘车路径规划方案的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对其作进一步详细的说明。
图4为本申请实施例提供的一种乘车路径规划方法流程图。
如图4所示,该方法包括:
S401、根据起点和终点进行寻路确定第一站点和第二站点,第一站点为与起点对应的乘车路径起始站点,第二站点为与终点对应的乘车路径终止站点;
示例性的,接收乘客发送的乘车路径规划请求,获取乘车路径规划请求指示的乘客的起点和终点,根据起点进行寻路确定第一站点以及根据终点进行寻路确定第二站点。
第一站点为与起点对应的乘车路径起始站点,根据起点进行寻路确定的第一站点的数量可能为一个或多个;第二站点为与终点对应的乘车路径终止站点,根据终点进行寻路确定的第二站点的数量可能为一个或多个。
乘车路径起始站点可以认为是乘客进行乘车的第一个站点,乘车路径终止站点可以认为是乘客进行乘车的最后一个站点。
本申请实施例中,根据起点和终点进行寻路确定第一站点和第二站点的过程请参见下文描述,在此不做赘述。
S402、从当前线路集中取出转移概率最大的线路序列,初始化状态的线路集中的线路序列为起点和第一站点构成的线路;
本申请实施例,可以从当前线路集中取出转移概率最大的线路序列,并判断该取出的线路序列是否包括第二站点,如果该线路序列包括第二站点,则说明该线路序列已不需要在继续换乘,此时执行步骤S407、确定该线路序列为一条完整的乘车路径;如果该线路序列不包括第二站点,则说明该线路序列需要继续换乘,此时执行步骤S404。
需要说明的是,针对每个第一站点,可以确定出乘客起点与该第一站点之间的一条线路,这样,针对每个第一站点均可以确定出一条线路。线路集的初始化状态为线路集包括利用各个第一站点确定出的所有线路。这种情况下,也可以将初始化状态的线路集中的每条线路分别看成一个线路序列,只是线路序列中仅包括一条线路。
初始化状态的线路集中的线路序列的转移概率与线路序列的线路长度有关。示例性的,初始化状态的线路集中线路序列的转移概率与线路序列的线路长度负相关。即,初始化状态的线路集中线路序列的线路长度越长,线路序列的转移概率越低。
比如,根据起点进行寻路确定出3个第一站点,分别为第一站点1、第一站点2和第一站点3,确定起点和第一站点1之间的线路1,起点和第一站点2之间的线路2,起点和第一站点3之间的线路3,初始化状态的线路集包括线路1、线路2和线路3。这种情况下,可以将线路1看成一个线路序列(线路序列1),将线路2看成一个线路序列(线路序列2),将线路3看成一个线路序列(线路序列3),只是线路序列1中仅包括一条线路(线路1),线路序列2中仅包括一条线路(线路2),线路序列3中仅包括一条线路(线路3)。
相应的,线路序列1的转移概率与线路1的线路长度相关,线路序列2的转移概率与线路2的线路长度相关,线路序列3的转移概率与线路3的线路长度相关。示例性的,若线路1的线路长度小于线路2的线路长度,线路2的线路长度小于线路3的线路长度,则线路序列1的转移概率大于线路序列2的转移概率,线路序列2的转移概率大于线路序列3的转移概率。
S403、检测线路序列是否包括第二站点;若线路序列包括第二站点,执行步骤S404;若线路序列不包括第二站点,执行步骤S407;
本申请实施例中,根据乘客的终点进行寻路得到的第二站点的个数可能为一个或多个,只要线路序列中存在第二站点,则可以认为线路序列包括第二站点;反之,若线路序列中不存在任何一个第二站点,则可以认为线路序列不包括第二站点。
S404、确定由位于线路序列尾部的第一线路以及第一线路换乘的第二线路构成的换乘线路序列;
本申请实施例中,线路序列是由一个或多个线路构成的序列,确定位于线路序列尾部的线路(即线路序列中最后一个线路),为了便于区分,可以将线路序列尾部的线路称为第一线路;确定用于被该第一线路换乘的至少一个第二线路,针对至少一个第二线路中的每个第二线路,确定由第一线路和第二线路构成的换乘线路序列,将该换乘线路序列的线路特征输入至预训练的转移概率确定模型得到该换乘线路序列的转移概率。
示例性的,以一个第二线路为例,若第一线路和该第二线路为同站换乘,则由依次排序的第一线路和该第二线路构成换乘线路序列;若第一线路和该第二线路不为同站换乘,则确定第一线路的结束站点和该第二线路的起始站点之间的中转线路,由依次排序的第一线路、中转线路和该第二线路构成换乘线路序列。
S405、将换乘线路序列的线路特征输入至预训练的转移概率确定模型得到换乘线路序列的转移概率;
本申请实施例,换乘线路序列的线路特征包括换乘线路序列中所有线路的线路特征。
有关转移概率确定模型的生成过程具体请参见下文描述,在此不做赘述。
S406、利用第二线路对线路序列进行更新,并将更新后的线路序列存储至线路集;更新后的线路序列的转移概率与换乘线路序列和线路序列的转移概率有关;
本申请实施例中,在从当前线路集中取出转移概率最大的线路序列后,确定位于该线路序列尾部的第一线路,针对用于被该第一线路换乘的至少一个第二线路中的每个第二线路分别执行如下过程:确定由第一线路和该第二线路构成的换乘线路序列,将该换乘线路序列的线路特征输入至预训练的转移概率确定模型得到该换乘线路序列的转移概率,利用该第二线路对线路序列进行更新得到更新后的线路序列,该更新后的线路序列的转移概率与该换乘线路序列的转移概率以及该线路序列的转移概率有关,将更新后的线路序列存储至线路集。
其中,利用该第二线路对线路序列进行更新得到更新后的线路序列的方式可以为:检测该第二线路是否包括第二站点,如果该第二线路包括第二站点,则利用该第二线路和乘客的终点对线路序列进行更新得到更新后的线路序列;如果该第二线路不包括第二站点,则利用该第二线路对线路序列进行更新得到更新后的线路序列。
示例性的,以上述图1-3所示的线路数据和站点数据的关系为例,若从当前线路集中取出转移概率最大的线路序列为线路序列1,线路序列1为起点->线路2->线路10,则位于线路序列1尾部的第一线路为线路10,用于被线路10换乘的至少一个第二线路中包括3个第二线路,这3个第二线路分别为线路15、线路16和线路17。
针对线路15:确定依次由线路10和线路15构成的换乘线路序列1,将换乘线路序列1输入至预训练的转移概率确定模型得到换乘线路序列1的转移概率;线路15中包括第二站点(站台I),则利用线路15和终点更新线路序列1得到起点->线路2->线路10->线路15->终点,起点->线路2->线路10->线路15->终点的转移概率与起点->线路2->线路10的转移概率以及换乘线路序列1的转移概率有关,将起点->线路2->线路10->线路15->终点存储至线路集。
示例性的,起点->线路2->线路10->线路15->终点的转移概率可以为起点->线路2->线路10的转移概率、换乘线路序列1的转移概率,以及站台I和终点构成的线路的转移概率的乘积。
针对线路16:确定依次由线路10和线路16构成的换乘线路序列2,将换乘线路序列2输入至预训练的转移概率确定模型得到换乘线路序列2的转移概率;线路16中包括第二站点(站台J),则利用线路16和终点更新线路序列1得到起点->线路2->线路10->线路16->终点,起点->线路2->线路10->线路16->终点的转移概率与起点->线路2->线路10的转移概率以及换乘线路序列2的转移概率有关,将起点->线路2->线路10->线路16->终点存储至线路集。
示例性的,起点->线路2->线路10->线路16->终点的转移概率可以为起点->线路2->线路10的转移概率、换乘线路序列2的转移概率,以及站台J和终点构成的线路的转移概率的乘积。
针对线路17:确定依次由线路10和线路17构成的换乘线路序列3,将换乘线路序列3输入至预训练的转移概率确定模型得到换乘线路序列3的转移概率;线路17中不包括第二站点,则利用线路17更新线路序列1得到起点->线路2->线路10->线路17,起点->线路2->线路10->线路17的转移概率与起点->线路2->线路10的转移概率以及换乘线路序列3的转移概率有关,将起点->线路2->线路10->线路17存储至线路集。
示例性的,起点->线路2->线路10->线路17的转移概率可以为起点->线路2->线路10的转移概率和换乘线路序列3的转移概率的乘积。
本申请实施例中,根据终点进行寻路可以确定至少一个第二站点,针对至少一个第二站点中的每个第二站点而言,可以确定出该第二站点和终点构成的一条线路,并确定该条线路的转移概率,该条线路的转移概率与该条线路的线路长度相关。示例性的,该条线路的转移概率与该条线路的线路长度负相关;该条线路越长,该条线路的转移概率越低。
示例性的,线路集可以为大顶堆。由此,为从线路集中取出转移概率最大的线路序列提供便利。以上仅仅是本申请实施例提供的线路集的优选存储形式,有关线路集的具体存储形式,发明人可根据自己的需求进行设置,在此不做限定。
S407、确定线路序列为一条乘车路径。
本申请实施例中,若从当前数据集中取出的线路序列包括第二站点,则可以认为当前取出的该线路序列为一条乘车路径。
本申请提供一种乘车路径规划方法、装置、计算机设备及存储介质,转移概率会考虑到换乘的序列特征,更全面的考虑多个特征,并不是简单的依赖一个并不准确的时间特征,以转移概率作为基础权值,可以进一步提高优良方案的召回率,并且可以降低算路的数量来达到优良方案的召回,进而也可以改善算路性能。
图5为本申请实施例提供的另一种乘车路径规划方法流程图。
如图5所示,该方法包括:
S501、根据乘客发送的乘车路径规划请求指示的起点和终点进行寻路确定第一站点和第二站点,第一站点为与起点对应的乘车路径起始站点,第二站点为与终点对应的乘车路径终止站点;
本申请实施例,接收乘客发送的乘车路径规划请求,乘车路径规划请求指示有乘客的起点和终点,根据起点和终点进行寻路确定第一站点和第二站点。
S502、根据第一站点初始化线路集中的线路序列为起点和第一站点构成的线路;
针对每个第一站点,可以确定出乘客起点与该第一站点之间的一条线路,这样,针对每个第一站点均可以确定出一条线路。线路集的初始化状态为线路集包括利用各个第一站点确定出的所有线路。
S503、判断当前是否满足路径规划终止条件;如果当前不满足路径规划终止条件,执行步骤S504;
进一步的,如果当前满足路径规划终止条件,停止执行本申请实施例提供的一种乘车路径规划方法,并获取从接收到乘客发送的乘车路径规划请求至今确定的所有乘车路径,进而从所获取的乘车路径中筛选出用于返回给乘客的乘车路径。
本申请实施例中,从所获取的乘车路径中筛选出用于返回给乘客的乘车路径的方式可以为:根据乘客输入的偏好,以及综合考虑实时路况等因素,对所获取的乘车路径进行排序和多样性处理从中筛选出用于返回给乘客的乘车路径,最终向乘客返回所筛选出的乘车路径。
示例性的,路径规划终止条件可以为确定的乘车路径的总条数达到预设条数。相应的,若从接收到乘客发送的乘车路径规划请求至今,确定出的乘车路径的条数达到预设条数,则确定当前满足路径规划终止条件;若从接收到乘客发送的乘车路径规划请求至今,确定出的乘车路径的条数未达到预设条数,则确定当前不满足路径规划终止条件。
以上仅仅是本申请实施例提供的一种路径规划终止条件的优选内容,有关路径规划终止条件的具体内容,发明人可根据自己的需求进行设置,在此不做限定。
S504、从当前线路集中取出转移概率最大的线路序列;
S505、判断线路序列是否包括第二站点;如果线路序列不包括第二站点,执行步骤S506;如果线路序列包括第二站点,执行步骤S509;
S506、确定由位于线路序列尾部的第一线路以及第一线路换乘的第二线路构成的换乘线路序列;
S507、将换乘线路序列的线路特征输入至预训练的转移概率确定模型得到换乘线路序列的转移概率;
S508、利用第二线路对线路序列进行更新,并将更新后的线路序列存储至线路集,返回执行步骤S503;
示例性的,更新后的线路序列的转移概率与换乘线路序列和线路序列的转移概率有关。
S509、确定线路序列为一条乘车路径,并返回执行步骤S503。
本申请实施例提供的另一种乘车路径规划方法,基于路径规划终止条件的设置可以有效实现对乘车路径规划的执行控制,以保证乘车路径规划效率。并且,本申请实施例提供的一种乘车路径规划方法在终止执行后,通过对确定出的乘车路径的筛选以获取用于向乘客返回的乘车路径,并将用于向乘客返回的乘车路径返回给乘客,进一步实现了对更加优良的乘车路径的筛选,保证了对优良乘车路径的召回。
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。
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。
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机器学习等技术,具体通过如下实施例进行说明,结合图4-5可知本申请实施例提供的乘车规划方法具体如下:
1.寻站
根据起点和终点进行寻路确定第一站点和第二站点以实现寻站的目的,根据起点和终点进行寻路确定第一站点和第二站点包括:以网格为单位对地图进行网格划分得到地图被划分成的多个网格;将目标位置作为矩形中心在地图上构建矩形;确定多个网格中与矩形存在重叠的至少一个目标网格;若位于目标网格的站点和目标位置之间的距离未超过预先设置的距离阈值,确定站点为目标站点;若目标位置为起点位置,目标站点为第一站点;若目标位置为终点位置,目标站点为第二站点。
下面结合寻站场景对本申请实施例提供的一种根据起点和终点进行寻路确定第一站点和第二站点的方式进行详细说明。
a.针对站点数据创建空间索引,主要目的是为了提升空间数据的查询性能,作用与数据库的索引类似。空间索引的算法较多,常用的算法主要有R树索引,网格索引,四叉树索引等。各种算法针对的优缺点不同,针对的场景也各有所长。针对站点数据较为均衡分布的情况,网格索引比较合适,创建索引和空间查询的效率都很高。针对数据分布不均衡的情况,R树和四叉树较为合适,其对空间数据的适应性较好,能够用相对较少的内存占用创建索引。为了说明寻站的算法过程,本申请简化索引算法为网格索引。
图6为本申请实施例提供的一种站点数据示意图,如图6中的黑点为站点数据,实线为线路数据,虚线为按照一定长度规则划分的网格。根据位置关系,很容易计算站点数据所属的网格号,并存储下来。
b.根据乘客的起点坐标、终点坐标和距离阈值进行空间查询,以目标位置为矩形中心,以距离阈值的2倍为矩形边长,建立一个矩形,查询该矩形内存在的站点。
参见图7为本申请实施例提供的一种矩形和网格关系示意图,三角形为目标位置,目标位置为起点坐标或终点坐标,矩形为需要查询站点的范围。
容易得出,该矩形的左上角坐标和右下角坐标,根据网格的宽高,容易计算该矩形覆盖的网格。如图7所示矩形覆盖了四个网格。
c.圆形过滤。由于空间索引是以矩形为单位进行覆盖查询的,所以,如图8所示的网格中站点数据与矩形关系示意图,可能存在网格中的站点数据距离目标位置超出距离阈值的情况。
d.若未从矩形覆盖的网格中查询到距离目标位置未超出距离阈值的站点,则扩大距离阈值范围重复上述步骤,直至达到终止条件(如范围扩大至距离阈值上限仍未查询出站点)。
若目标位置为起点位置时,根据目标位置寻出的站点为第一站点;若目标位置为终点位置时,根据目标位置寻出的站点为第二站点。
e.根据寻出的站点,请求起点至第一站点的线路长度;以及终点至第二站点的线路长度,以备后续算路使用。
f.如上,最终形成寻站结果,即站点及对应线路长度的集合。
2.算路权值优化
结合图1-3,可以将一个换乘作为一个基本单元,即一个换乘线路序列,一个换乘线路序列包括当前线路、中转线路、换乘线路。如上图线路2->中转线路(站台D->站台F)->线路10。
进一步的,乘车路径中起点->第一站点->首个乘车线路也可以认为是一个换乘线路序列,首个乘车线路可以认为是乘车路径中第一个乘车线路,该第一站点为该首个乘车线路的上车点,该换乘线路序列的当前线路为起点->第一站点,换乘线路为首个乘车线路。
进一步的,乘车路径中末尾乘车线路->第二站点->终点也可以认为是一个换乘线路序列,末尾乘车线路可以认为是乘车路径中最后一个乘车线路,该第二站点为该末尾乘车线路的下车点,该换乘线路序列的当前线路为末尾乘车线路,换乘线路为第二站点->终点。
如图9所示的换乘示意图中加粗的实线所示,一个换乘可以抽象为一个换乘线路序列,其中当前线路抽象为一个状态(连续状态),换乘线路抽象为一个状态,一次换乘即对应了一次状态的转移。
如上图9所示,线路2有三个可换乘线路,即三个换乘,本申请只需要计算出每次换乘对应的转移概率,即是当前线路换乘下一个线路的转移概率即可。转移概率越大,说明换乘到下一线路的越好,反之越差。
有了转移概率,本申请就可以在算路遍历的过程中,根据转移概率去选取最优的下一个或多个换乘路径,以此类推,最终搜索出全部换乘路径,且能够保证每条换乘路径的换乘选择的合理性。
3.转移概率确定模型-正负训练样本
本申请实施例提供的转移概率确定模型用于预测一次换乘的转移概率,该转移概率确定模型的生成过程参见图10-11,其中,图10为本申请实施例提供的一种转移概率确定模型生成方法流程图;图11为本申请实施例提供的一种转移概率模型生成方法示意图。
如图10所示,该方法包括:
S1001、获取训练样本,训练样本包括第一信息和表征第一信息的标准预测结果的第二信息,第一信息指示一次换乘;
本申请实施例中,获取训练样本的方式可以为:获取满足预先设置的真值条件的目标乘车路径;根据目标乘车路径中相邻两条乘车线路的线路特征生成第一信息;利用第一信息和用于表征样本为正样本的第二信息生成正训练样本;根据正训练样本生成负训练样本。
示例性的,获取满足预先设置的真值条件的目标乘车路径,目标乘车路径可以认为是真值样本,真值样本通常为较为优良的乘车路径。比如,本申请实施例提供的一种路径规划方法中乘客反馈比较好的乘车路径、竞品向乘客返回的最优乘车路径等。
真值样本的获取可能有不同的途径,一是通过人工评测标注,二是可以通过请求竞品的首方案,认为其为好方案,来作为真值样本。
然后针对真值样本进行拆解,参见图12,真值样本中两两相邻的线路及中间的中转线路的线路特征可以认为是一个第一信息,第一信息和用于表征样本为正样本的第二信息构成正训练样本。
需要说明的是,若两两相邻的线路中间不存在中转线路,则可以认为两两相邻的线路构成一个第一信息。
这样,以中转线路为步行段为例,一个真值样本中若涉及到一次换乘则其可以拆解成三个正训练样本,这三个正训练样本中的第一信息分别为:起点->起点段步行->线路1的线路特征,线路1->换乘段步行->线路2的线路特征,线路2->终点步行段->终点的线路特征。
示例性的,在确定正训练样本后,可以将前一线路相同,后一线路不同的信息作为用于构成负训练样本的第一信息,确定用于表征样本为负样本的第二信息,进而由用于构成负训练样本的第一信息和用于表征样本为负样本的第二信息生成负训练样本,如此就有了正负训练样本。
本申请实施例中,用于表征样本为正样本的第二信息可以为1,用于表征样本为负样本的第二信息可以为0。
若训练样本中包括起点和第一站点构成的线路,可以将该训练样本中起点和第一站点构成的线路的线路特征认为是0,若训练样本中包括第二站点和终点构成的线路,可以将该训练样本中第二站点和终点构成的线路的线路特征认为是0。
S1002、将训练样本输入至待训练转移概率确定模型,以待训练转移概率确定模型对第一信息的预测结果趋近于第二信息为训练目标,对待训练转移概率确定模型进行训练生成转移概率确定模型。
本申请实施例中,训练样本包括正训练样本和负训练样本,不论是正训练样本还是负训练样本,均由第一信息和第二信息构成。将训练样本输入至待训练转移概率确定模型,以待训练转移概率确定模型对训练样本中第一信息的预测结果趋近于训练样本中第二信息为目标,对待训练转移概率确定模型进行训练直至待训练转移概率确定模型达到收敛得到转移概率确定模型。
换乘线路序列的线路特征包括换乘线路序列中所有线路的线路特征。示例性的,换乘线路序列的线路特征依次由用于构成换乘线路序列的每个线路的线路特征构成。比如,换乘线路序列依次由线路1、中转线路1和线路2构成,则换乘线路序列的线路特征依次由线路1的线路特征、中转线路1的线路特征和线路2的线路特征构成。
相应的,训练样本的线路特征包括训练样本中所有线路的线路特征。示例性的,训练样本的线路特征可以包括:前一线路的长度、站数、线路类型、时间,换乘步行距离(比如,中转线路的线路长度),后一线路的等车时间、长度、站数、线路类型、时间。
示例性的,训练样本的线路特征可以依次由:前一线路的长度、站数、线路类型、时间,换乘步行距离(比如,中转线路的线路长度),后一线路的等车时间、长度、站数、线路类型、时间构成。
以上仅仅是本申请实施例提供的线路特征的优选内容,有关线路特征的具体内容,发明人可根据自己的需求进行设置,在此不做限定。
如此,就有了大量的正负训练样本,且在特征维度上,综合考虑了一次换乘的前后线路的转移关系。
转移概率确定模型训练,可以使用逻辑回归,逻辑回归也是一种有监督机器学习,正好保证结果的范围在0到1之间,与转移概率相符,在此当做一次换乘的转移概率使用,训练得到转移概率确定模型。该问题是一个典型的二分类问题,逻辑回归的本质是线性模型,线性模型的好处是解释性强,线上回归效率较高。
逻辑回归是一种广义线性模型,假设因变量y服务伯努利分布,逻辑回归是以线性回归为理论支持的,但是逻辑回归通过Sigmoid函数(逻辑函数)引入了非线性因素,因此可以轻松的解决0/1分类问题。
逻辑回归的假设函数形式如下:
这个函数的意思就是在给定x和θ的条件下y=1的概率。
损失函数为预测值与真值的均方误差,即:
模型训练的目的就是为了让损失函数值最小化,因此求解最优θ的问题就转换为了损失函数最小值的求解过程,当然,函数最小值的求解方法有很多,比如常用的牛顿法、梯度下降、极大似然等。最终训练的结果(求得的参数)即为转移概率确定模型。有关逻辑回归的相关技术可参见现有技术,在此不做详细描述。
路径规划服务属于线上回归预测,线上回归预测和转移概率确定模型训练正好是一个相反的过程,有了模型参数,即可根据上述公式计算出预测值y,在此当做一次换乘的转移概率,有了每两个相邻线路段的换乘线路序列后,当从当前线路遍历到下一个线路的时候,就可以根据转移概率确定模型计算出该换乘线路序列的转移概率,转移概率最大的线路即为最为合理的换乘方案。如此依次遍历直至算路终止。
本申请提供的一种乘车路径规划方法,假定一个最优的换乘方案,其中间任意一个换乘点之前的换乘方案也是最优。起始线路选择的时候,假定认为线路2对应的线路段最优(起点->D2->2路),那么接下来的换乘遍历过程中,只需要考虑当前换乘的转移概率最优即可,因为之前的已经最优,其对应的概率已计算出。这样,我们也可以计算出整条换乘方案的概率,简单条件概率的计算即可,即每个换乘的转移概率的累计乘积。
从上述基于转移概率的乘车路径规划方法可以看出,原有的权值体系存在的几个问题基本都得以解决。转移概率会考虑到线路序列特征,更全面的考虑多个特征,并不是简单的依赖一个并不准确的时间特征。以转移概率作为基础权值,不仅可以保证好方案的召回率,而且可以降低算路的数量来达到好方案的召回,也可以改善算路性能。
图13为本申请实施例提供的一种乘车路径规划装置结构示意图。
如图13所示,该装置包括:
寻路单元131,用于根据起点和终点进行寻路确定第一站点和第二站点,第一站点为与起点对应的乘车路径起始站点,第二站点为与终点对应的乘车路径终止站点;
线路序列取出单元132,用于从当前线路集中取出转移概率最大的线路序列,初始化状态的线路集中的线路序列为起点和第一站点构成的线路;
换乘线路序列确定单元133,用于若线路序列不包括第二站点,确定由位于线路序列尾部的第一线路以及第一线路换乘的第二线路构成的换乘线路序列;
转移概率确定单元134,用于将换乘线路序列的线路特征输入至预训练的转移概率确定模型得到换乘线路序列的转移概率;
线路集更新单元135,用于利用第二线路对线路序列进行更新,并将更新后的线路序列存储至线路集;更新后的线路序列的转移概率与换乘线路序列和线路序列的转移概率有关;
乘车路径确定单元136,用于若线路序列包括第二站点,确定线路序列为一条乘车路径。
本申请实施例中,优选的,用于利用第二线路对线路序列进行更新的线路集更新单元包括:
检测单元,用于检测第二线路是否包括第二站点;
第一更新单元,用于若第二线路不包括第二站点,利用第二线路对线路序列进行更新;
第二更新单元,用于若第二线路包括第二站点,利用终点和第二线路对线路序列进行更新。
本申请实施例中,优选的,换乘线路序列确定单元包括:
第一线路确定单元,用于确定位于线路序列尾部的第一线路;
第二线路获取单元,用于获取第一线路换乘的第二线路;
判断单元,用于判断第一线路和第二线路是否为同站换乘;
第一确定单元,用于如果第一线路和第二线路为同站换乘,确定依次由第一线路和第二线路构成的换乘线路序列;
中转线路确定单元,用于如果第一线路和第二线路不为同站换乘,确定第一线路的结束站点至第二线路的起始站点之间的中转线路;
第二确定单元,用于确定依次由第一线路、中转线路和第二线路构成的换乘线路序列。
本申请实施例中,优选的,寻路单元包括:
网格划分单元,用于以网格为单位对地图进行网格划分得到地图被划分成的多个网格;
矩形构建单元,用于将目标位置作为矩形中心在地图上构建矩形;
目标网格确定单元,用于确定多个网格中与矩形存在重叠的至少一个目标网格;
目标站点确定单元,用于若位于目标网格的站点和目标位置之间的距离未超过预先设置的距离阈值,确定站点为目标站点;
若目标位置为起点位置,目标站点为第一站点;若目标位置为终点位置,目标站点为第二站点。
进一步的,本申请实施例提供的一种乘车路径规划装置还包括转移概率确定模型生成单元,该转移概率确定模型生成单元包括:
训练样本获取单元,用于获取训练样本,训练样本包括第一信息和表征第一信息的标准预测结果的第二信息,第一信息指示一次换乘;
模型生成单元,用于将训练样本输入至待训练转移概率确定模型,以待训练转移概率确定模型对第一信息的预测结果趋近于第二信息为训练目标,对待训练转移概率确定模型进行训练生成转移概率确定模型。
本申请实施例中,优选的,训练样本获取单元,包括:
目标乘车路径获取单元,用于获取满足预先设置的真值条件的目标乘车路径;
第一信息生成单元,用于根据目标乘车路径中相邻两条乘车线路的线路特征生成第一信息;
正样本生成单元,用于利用第一信息和用于表征样本为正样本的第二信息生成正训练样本;
负样本生成单元,用于根据正训练样本生成负训练样本。
本申请实施例中,优选的,换乘线路序列的线路特征包括换乘线路序列中所有线路的线路特征。
如图14所示,为本申请实施例提供的计算机设备的一种实现方式的结构图,该计算机设备包括:
存储器1401,用于存储程序;
处理器1402,用于执行程序,程序具体用于:
根据起点和终点进行寻路确定第一站点和第二站点,第一站点为与起点对应的乘车路径起始站点,第二站点为与终点对应的乘车路径终止站点;
从当前线路集中取出转移概率最大的线路序列,初始化状态的线路集中的线路序列为起点和第一站点构成的线路;
若线路序列不包括第二站点,确定由位于线路序列尾部的第一线路以及第一线路换乘的第二线路构成的换乘线路序列;
将换乘线路序列的线路特征输入至预训练的转移概率确定模型得到换乘线路序列的转移概率;
利用第二线路对线路序列进行更新,并将更新后的线路序列存储至线路集;更新后的线路序列的转移概率与换乘线路序列和线路序列的转移概率有关;
若线路序列包括第二站点,确定线路序列为一条乘车路径。
处理器1402可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)。
控制设备还可以包括通信接口1403以及通信总线1404,其中,存储器1401、处理器1402以及通信接口1403通过通信总线1404完成相互间的通信。
本申请实施例还提供了一种可读存储介质,其上存储有计算机程序,计算机程序被处理器加载并执行,实现上述的乘车路径规划方法的各步骤,具体实现过程可以参照上述实施例相应部分的描述,本实施例不做赘述。
本申请还提出了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述乘车路径规划方法方面或乘车路径规划装置方面的各种可选实现方式中所提供方法,具体实现过程可以参照上述相应实施例的描述,不做赘述。
相对于现有技术而言,本申请提供一种乘车路径规划方法、装置、计算机设备及存储介质,依赖于换乘线路序列的转移概率实现乘车路径规划,在确定换乘线路序列的转移概率时,考虑到换乘过程中的线路序列特征,更全面的考虑了多个特征,并不是简单的依赖于对换乘线路的乘车时间的估算,有效提高了乘车路径规划结果的准确性。
以上对本发明所提供的一种乘车路径规划方法、装置、计算机设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素,或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种乘车路径规划方法,其特征在于,包括:
根据起点和终点进行寻路确定第一站点和第二站点,所述第一站点为与所述起点对应的乘车路径起始站点,所述第二站点为与所述终点对应的乘车路径终止站点;
从当前线路集中取出转移概率最大的线路序列,初始化状态的所述线路集中的线路序列为所述起点和所述第一站点构成的线路;
若所述线路序列不包括所述第二站点,确定由位于所述线路序列尾部的第一线路以及所述第一线路换乘的第二线路构成的换乘线路序列;
将所述换乘线路序列的线路特征输入至预训练的转移概率确定模型得到所述换乘线路序列的转移概率;
利用所述第二线路对所述线路序列进行更新,并将更新后的线路序列存储至所述线路集;所述更新后的线路序列的转移概率与所述换乘线路序列和所述线路序列的转移概率有关;
若所述线路序列包括所述第二站点,确定所述线路序列为一条乘车路径。
2.根据权利要求1所述的方法,其特征在于,所述利用所述第二线路对所述线路序列进行更新,包括:
检测所述第二线路是否包括所述第二站点;
若所述第二线路不包括所述第二站点,利用所述第二线路对所述线路序列进行更新;
若所述第二线路包括所述第二站点,利用所述终点和所述第二线路对所述线路序列进行更新。
3.根据权利要求1所述的方法,其特征在于,所述确定由位于所述线路序列尾部的第一线路以及所述第一线路换乘的第二线路构成的换乘线路序列,包括:
确定位于所述线路序列尾部的第一线路;
获取所述第一线路换乘的第二线路;
判断所述第一线路和所述第二线路是否为同站换乘;
如果所述第一线路和所述第二线路为同站换乘,确定依次由所述第一线路和所述第二线路构成的换乘线路序列;
如果所述第一线路和所述第二线路不为同站换乘,确定所述第一线路的结束站点至所述第二线路的起始站点之间的中转线路;
确定依次由所述第一线路、所述中转线路和所述第二线路构成的换乘线路序列。
4.根据权利要求1所述的方法,其特征在于,所述根据起点和终点进行寻路确定第一站点和第二站点,包括:
以网格为单位对地图进行网格划分得到所述地图被划分成的多个网格;
将目标位置作为矩形中心在所述地图上构建矩形;
确定所述多个网格中与所述矩形存在重叠的至少一个目标网格;
若位于所述目标网格的站点和所述目标位置之间的距离未超过预先设置的距离阈值,确定所述站点为目标站点;
若所述目标位置为所述起点位置,所述目标站点为第一站点;若所述目标位置为所述终点位置,所述目标站点为第二站点。
5.根据权利要求1所述的方法,其特征在于,还包括转移概率确定模型生成过程,所述生成过程包括:
获取训练样本,所述训练样本包括第一信息和表征所述第一信息的标准预测结果的第二信息,所述第一信息指示一次换乘;
将所述训练样本输入至待训练转移概率确定模型,以所述待训练转移概率确定模型对所述第一信息的预测结果趋近于所述第二信息为训练目标,对所述待训练转移概率确定模型进行训练生成转移概率确定模型。
6.根据权利要求5所述的方法,其特征在于,所述获取训练样本,包括:
获取满足预先设置的真值条件的目标乘车路径;
根据所述目标乘车路径中相邻两条乘车线路的线路特征生成第一信息;
利用所述第一信息和用于表征样本为正样本的第二信息生成正训练样本;
根据所述正训练样本生成负训练样本。
7.根据权利要求1所述的方法,其特征在于,所述换乘线路序列的线路特征包括所述换乘线路序列中所有线路的线路特征。
8.一种乘车路径规划装置,其特征在于,包括:
寻路单元,用于根据起点和终点进行寻路确定第一站点和第二站点,所述第一站点为与所述起点对应的乘车路径起始站点,所述第二站点为与所述终点对应的乘车路径终止站点;
线路序列取出单元,用于从当前线路集中取出转移概率最大的线路序列,初始化状态的所述线路集中的线路序列为所述起点和所述第一站点构成的线路;
换乘线路序列确定单元,用于若所述线路序列不包括所述第二站点,确定由位于所述线路序列尾部的第一线路以及所述第一线路换乘的第二线路构成的换乘线路序列;
转移概率确定单元,用于将所述换乘线路序列的线路特征输入至预训练的转移概率确定模型得到所述换乘线路序列的转移概率;
线路集更新单元,用于利用所述第二线路对所述线路序列进行更新,并将更新后的线路序列存储至所述线路集;所述更新后的线路序列的转移概率与所述换乘线路序列和所述线路序列的转移概率有关;
乘车路径确定单元,用于若所述线路序列包括所述第二站点,确定所述线路序列为一条乘车路径。
9.一种计算机设备,其特征在于,包括:处理器以及存储器,所述处理器以及存储器通过通信总线相连;其中,所述处理器,用于调用并执行所述存储器中存储的程序;所述存储器,用于存储程序,所述程序用于实现如权利要求1-7任意一项所述的乘车路径规划方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器加载并执行,实现如权利要求1-7任意一项所述的乘车路径规划方法的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011008069.0A CN112101676B (zh) | 2020-09-23 | 2020-09-23 | 一种乘车路径规划方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011008069.0A CN112101676B (zh) | 2020-09-23 | 2020-09-23 | 一种乘车路径规划方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101676A true CN112101676A (zh) | 2020-12-18 |
CN112101676B CN112101676B (zh) | 2022-02-15 |
Family
ID=73755136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011008069.0A Active CN112101676B (zh) | 2020-09-23 | 2020-09-23 | 一种乘车路径规划方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101676B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627669A (zh) * | 2021-08-10 | 2021-11-09 | 中国联合网络通信集团有限公司 | 交通路线优化处理方法、装置及设备 |
CN114996278A (zh) * | 2022-06-27 | 2022-09-02 | 华中科技大学 | 一种基于强化学习的路网最短路径距离计算方法 |
CN116664370A (zh) * | 2023-07-28 | 2023-08-29 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及计算机设备、存储介质 |
CN117191067A (zh) * | 2023-11-07 | 2023-12-08 | 杭州一喂智能科技有限公司 | 出行路线规划方法、装置、电子设备和计算机可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105466435A (zh) * | 2014-08-22 | 2016-04-06 | 中兴通讯股份有限公司 | 一种导航系统的路线规划方法和装置 |
CN107545320A (zh) * | 2017-07-03 | 2018-01-05 | 北京交通大学 | 一种基于图论的城市轨道交通乘客路径规划方法及系统 |
CN108106622A (zh) * | 2016-11-25 | 2018-06-01 | 北京嘀嘀无限科技发展有限公司 | 一种乘车路线规划方法及系统 |
CN110567473A (zh) * | 2019-09-04 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 一种公交路径确定方法和系统 |
CN111489024A (zh) * | 2020-04-03 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 出行方案推荐方法、装置、设备及存储介质 |
-
2020
- 2020-09-23 CN CN202011008069.0A patent/CN112101676B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105466435A (zh) * | 2014-08-22 | 2016-04-06 | 中兴通讯股份有限公司 | 一种导航系统的路线规划方法和装置 |
US20160334237A1 (en) * | 2014-08-22 | 2016-11-17 | Zte Corporation | Route planning method and device for navigation system and storage medium |
CN108106622A (zh) * | 2016-11-25 | 2018-06-01 | 北京嘀嘀无限科技发展有限公司 | 一种乘车路线规划方法及系统 |
CN107545320A (zh) * | 2017-07-03 | 2018-01-05 | 北京交通大学 | 一种基于图论的城市轨道交通乘客路径规划方法及系统 |
CN110567473A (zh) * | 2019-09-04 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 一种公交路径确定方法和系统 |
CN111489024A (zh) * | 2020-04-03 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 出行方案推荐方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
吉宏梅: "基于隐马尔可夫模型的路网匹配算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627669A (zh) * | 2021-08-10 | 2021-11-09 | 中国联合网络通信集团有限公司 | 交通路线优化处理方法、装置及设备 |
CN113627669B (zh) * | 2021-08-10 | 2024-02-20 | 中国联合网络通信集团有限公司 | 交通路线优化处理方法、装置及设备 |
CN114996278A (zh) * | 2022-06-27 | 2022-09-02 | 华中科技大学 | 一种基于强化学习的路网最短路径距离计算方法 |
CN116664370A (zh) * | 2023-07-28 | 2023-08-29 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及计算机设备、存储介质 |
CN116664370B (zh) * | 2023-07-28 | 2024-01-19 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及计算机设备、存储介质 |
CN117191067A (zh) * | 2023-11-07 | 2023-12-08 | 杭州一喂智能科技有限公司 | 出行路线规划方法、装置、电子设备和计算机可读介质 |
CN117191067B (zh) * | 2023-11-07 | 2024-02-06 | 杭州一喂智能科技有限公司 | 出行路线规划方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112101676B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101676B (zh) | 一种乘车路径规划方法、装置、计算机设备及存储介质 | |
Cao et al. | Using reinforcement learning to minimize the probability of delay occurrence in transportation | |
Zhang et al. | Task offloading method of edge computing in internet of vehicles based on deep reinforcement learning | |
CN109724611B (zh) | 路径规划方法、装置、电子设备及存储介质 | |
CN109102124B (zh) | 基于分解的动态多目标多路径诱导方法、系统及存储介质 | |
CN112801399B (zh) | 一种路径生成方法、装置、终端设备及存储介质 | |
Alghamdi et al. | Data quality-aware task offloading in mobile edge computing: An optimal stopping theory approach | |
CN111667693B (zh) | 用于确定预计到达时间的方法、装置、设备及介质 | |
CN111737826B (zh) | 一种基于增强学习的轨道交通自动仿真建模方法及装置 | |
CN116518960B (zh) | 路网更新方法、装置、电子设备和存储介质 | |
CN114167898A (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN113724507A (zh) | 基于深度强化学习的交通控制与车辆诱导协同方法和系统 | |
CN112700073B (zh) | 公交线路规划方法和装置 | |
CN112330054A (zh) | 基于决策树的动态旅行商问题求解方法、系统及存储介质 | |
Shi et al. | An adaptive route guidance model considering the effect of traffic signals based on deep reinforcement learning | |
Meng et al. | Optimization and application of artificial intelligence routing algorithm | |
CN112053010B (zh) | 一种乘车路径确定方法、装置、计算机设备及存储介质 | |
CN115423162A (zh) | 一种车流量预测方法、装置、电子设备及存储介质 | |
Ajani et al. | Dynamic path planning approaches based on artificial intelligence and machine learning | |
CN115759199A (zh) | 基于层次化图神经网络的多机器人环境探索方法及系统 | |
CN115001978A (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
Suga et al. | Traffic information interpolation method based on traffic flow emergence using swarm intelligence | |
Li et al. | A novel path planning algorithm based on Q-learning and adaptive exploration strategy | |
Mejdoubi et al. | Road traffic optimisation based on a learning approach |
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 |