CN112749740B - 确定车辆目的地的方法、装置、电子设备及介质 - Google Patents
确定车辆目的地的方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112749740B CN112749740B CN202011623826.5A CN202011623826A CN112749740B CN 112749740 B CN112749740 B CN 112749740B CN 202011623826 A CN202011623826 A CN 202011623826A CN 112749740 B CN112749740 B CN 112749740B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- destination
- target vehicle
- determining
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本申请公开了一种确定车辆目的地的方法、装置、电子设备及介质。本申请中,可以获取目标车辆在第一历史时间段的行驶参数,行驶参数中包括车辆信息;当基于行驶参数,确定目标车辆符合预设条件时,将目标车辆的行驶参数输入至预测训练模型,得到目标车辆对应的目的地结果;基于目的地结果,确定目标车辆的目的地。通过应用本申请的技术方案,可以通过预先训练得到的预测训练模型实时的对每一个目标车辆进行目的地预测,从而实现智能调度每个车辆,提高业务效率的目的。
Description
技术领域
本申请中涉及数据处理技术,尤其是一种确定车辆目的地的方法、装置、电子设备及介质。
背景技术
相关技术中经常存在需要预测车辆目的地的场景,例如对于运输货物平台来说,由于在实际的找车场景中,查找附近车辆的情况通常会出现已定货或者已经联系好去装货,这样会导致配货时机很难把握。因此通过预测行驶中车辆的目的地,可估算车辆预计到达时间,提前给司机配货,减少配货等待时间,提升配货效率。
然而,相关技术中预测车辆目的地的方式主要是通过车辆停靠和车辆行驶时间参数去学习单个车的历史行驶规律,这也经常会导致车辆预测结果不准的问题。
发明内容
本申请实施例提供一种确定车辆目的地的方法、装置、电子设备及介质,其中,根据本申请实施例的一个方面,提供的一种确定车辆目的地的方法,其特征在于,包括:
获取目标车辆在第一历史时间段的行驶参数,所述行驶参数中包括车辆信息;
当基于所述行驶参数,确定所述目标车辆符合预设条件时,将所述目标车辆的行驶参数输入至预测训练模型,得到所述目标车辆对应的目的地结果;
基于所述目的地结果,确定所述目标车辆的目的地。
可选地,在基于本申请上述方法的另一个实施例中,在所述获取目标车辆在第一历史时间段的行驶参数之前,还包括:
获取第一数量的第一样本车辆在第二历史时间段生成的历史移动轨迹;
基于所述历史移动轨迹,确定所述第一样本车辆到达每个目的地的第一概率值;
基于所述第一样本车辆到达每个目的地的第一概率值,生成所述预测训练模型。
可选地,在基于本申请上述方法的另一个实施例中,在所述获取目标车辆在第一历史时间段的行驶参数之前,还包括:
确定预设地理区域范围,并检测所述预设地理区域范围中包含的所有可行驶路段;
为每一个可行驶路段分别赋予唯一的路段编码;
可选地,在基于本申请上述方法的另一个实施例中,在所述为每一个可行驶路段分别赋予唯一的路段编码之后,还包括:
获取在第三历史时间段内,位于所述预设地理区域范围中的第二样本车辆的历史行驶轨迹;
基于所述历史行驶轨迹,确定将所述第二样本车辆从第一路段转移到第二路段的第二概率值,所述第二概率值中包括所述第一路段以及所述第二路段的路段编码;
基于所述第一概率值以及所述第二概率值,生成所述预测训练模型。
可选地,在基于本申请上述方法的另一个实施例中,所述基于所述第一概率值以及所述第二概率值,生成所述预测训练模型,包括:
基于所述第一概率值以及所述第二概率值,得到每个样本车辆的三元组集合,所述三元组集合包括所述样本车辆到达每个候选目的地的概率,所述样本车辆到达每个候选目的地的最大概率以及实际目的地;
将所述样本车辆的三元组集合作为学习样本,使用逻辑回归算法训练每个样本车辆在每隔预设时间段的行驶目的地,得到行驶轨迹参数;
基于所述行驶轨迹参数,生成所述预测训练模型。
可选地,在基于本申请上述方法的另一个实施例中,所述基于所述行驶参数,确定所述目标车辆符合预设条件,包括:
当基于所述行驶参数,确定所述目标车辆已连续行驶第一里程数,和/或,第一时间段时,确定所述目标车辆符合预设条件;
或,
当基于车辆信息,确定所述目标车辆为样本车辆时,确定所述目标车辆符合预设条件,所述样本车辆为用于生成所述预测训练模型的车辆。
可选地,在基于本申请上述方法的另一个实施例中,所述基于所述目的地结果,确定所述目标车辆的目的地之后,还包括:
向所述目标用户发送提示通知,所述提示通知用于告知所述目标用户当前存在位于所述目的地的预设事件,所述目标用户为驾驶所述目标车辆的用户。
其中,根据本申请实施例的又一个方面,提供的一种确定车辆目的地的装置,其特征在于,包括:
获取模块,被配置为获取目标车辆在第一历史时间段的行驶参数,所述行驶参数中包括车辆信息;
生成模块,被配置为当基于所述行驶参数,确定所述目标车辆符合预设条件时,将所述目标车辆的行驶参数输入至预测训练模型,得到所述目标车辆对应的目的地结果;
确定模块,被配置为基于所述目的地结果,确定所述目标车辆的目的地。
根据本申请实施例的又一个方面,提供的一种电子设备,包括:
存储器,用于存储可执行指令;以及
显示器,用于与所述存储器显示以执行所述可执行指令从而完成上述任一所述确定车辆目的地的方法的操作。
根据本申请实施例的还一个方面,提供的一种计算机可读存储介质,用于存储计算机可读取的指令,所述指令被执行时执行上述任一所述确定车辆目的地的方法的操作。
本申请中,可以获取目标车辆在第一历史时间段的行驶参数,行驶参数中包括车辆信息;当基于行驶参数,确定目标车辆符合预设条件时,将目标车辆的行驶参数输入至预测训练模型,得到目标车辆对应的目的地结果;基于目的地结果,确定目标车辆的目的地。通过应用本申请的技术方案,可以通过预先训练得到的预测训练模型实时的对每一个目标车辆进行目的地预测,从而实现智能调度每个车辆,提高业务效率的目的。
下面通过附图和实施例,对本申请的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本申请的实施例,并且连同描述一起用于解释本申请的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本申请,其中:
图1为本申请提出的一种确定车辆目的地的方法示意图;
图2为本申请一种确定车辆目的地的电子装置的结构示意图;
图3为本申请显示电子设备结构示意图。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
另外,本申请各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
需要说明的是,本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
下面结合图1来描述根据本申请示例性实施方式的用于进行确定车辆目的地的方法。需要注意的是,下述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式在此方面不受任何限制。相反,本申请的实施方式可以应用于适用的任何场景。
本申请还提出一种确定车辆目的地的方法、装置、目标终端及介质。
图1示意性地示出了根据本申请实施方式的一种确定车辆目的地的方法的流程示意图。如图1所示,该方法包括:
S101,获取目标车辆在第一历史时间段的行驶参数,行驶参数中包括车辆信息。
首先,本申请中在确定每个车辆的目的地的过程中,需要获取该车辆在第一历史时间段的行驶参数。可以理解的,本申请可以根据该行驶参数,确定该车辆是否为已行驶过一定里程的车辆。从而避免某个车辆在此次驾驶目的地仅为短途驾驶所导致的无谓耗费设备计算资源的问题。
需要说明的是,本申请不对第一历史时间段进行具体限定,例如可以为一个小时,也可以为半个小时等等。另外,本申请也不对目标车辆的数量进行具体限定,例如可以为一个,也可以为多个。
再者,行驶参数中包括车辆信息。从而帮助用户确定该目标车辆的营运类型,车辆类型等信息。例如对于货车运输平台来说,其确定目的地的车辆对象仅为货车,而对于出租车运输平台来说,其确定目的地的车辆对象仅为出租车。因此本申请实施例需要通过目标车辆的车辆信息,来确定目标车辆是否为需要确定目的地的车辆。
进一步的,对于车辆信息来说,可以为车牌号,车辆型号,车辆运营性质等等。
S102,当基于行驶参数,确定目标车辆符合预设条件时,将目标车辆的行驶参数输入至预测训练模型,得到目标车辆对应的目的地结果。
进一步的,本申请可以在确定目标车辆符合预设条件时,确定目标车辆为本次需要确定目的地的车辆。因此即可以将该车辆的行驶参数输入至预测训练模型,得到目标车辆对应的目的地结果。
S103,基于目的地结果,确定目标车辆的目的地
本申请中,可以获取目标车辆在第一历史时间段的行驶参数,行驶参数中包括车辆信息;当基于行驶参数,确定目标车辆符合预设条件时,将目标车辆的行驶参数输入至预测训练模型,得到目标车辆对应的目的地结果;基于目的地结果,确定目标车辆的目的地。通过应用本申请的技术方案,可以通过预先训练得到的预测训练模型实时的对每一个目标车辆进行目的地预测,从而实现智能调度每个车辆,提高业务效率的目的。
可选地,在基于本申请上述方法的另一个实施例中,在获取目标车辆在第一历史时间段的行驶参数之前,还包括:
获取第一数量的第一样本车辆在第二历史时间段生成的历史移动轨迹;
基于历史移动轨迹,确定第一样本车辆到达每个目的地的第一概率值;
基于第一样本车辆到达每个目的地的第一概率值,生成预测训练模型。
首先,本申请不对第一数量进行具体限定,也即其可以为任意的数量。另外,第一样本车辆的历史移动轨迹中可以包含有该车辆对应的多个数据。例如可以包括出发时间、起点、终点,车辆速度、车辆行驶方向所在的经纬度以及海拔高度等等。
基于上述提及的,本申请可以依据第一样本车辆的历史移动轨迹中包含的多个参数,分别对各个车辆的出发点,目的地以及途径地进行累计归纳。从而确定该车辆对应的到达每个目的地的第一概率值。具体来说,本申请实施例可以根据样本车辆的出发位置、具体出发时间、日期等等。将各个车辆的历史行驶轨迹数据进行特征抽取,从而确定每个车辆对应车主的驾驶习惯,通过将用户的驾驶习惯进行解析,从而确定每个车辆到达每个目的地的第一概率值,从而可以在后续根据逻辑回归模型来训练获得预测训练模型。
其中,每个目的地可以为在某个固定地理范围内的多个位置,例如可以为中国境内的多个位置,也可以为某个城市的多个位置。还可以为某个城区的多个位置等等。
同样的,本申请也不对第二历史时间段进行具体限定,例如可以为一个小时,也可以为半个小时等等。
可选地,在基于本申请上述方法的另一个实施例中,在获取目标车辆在第一历史时间段的行驶参数之前,还包括:
确定预设地理区域范围,并检测预设地理区域范围中包含的所有可行驶路段;
为每一个可行驶路段分别赋予唯一的路段编码。
进一步的,本申请实施例中,可以对预设地理区域范围中包含的所有可行驶路段分别赋予唯一的路段编码。其中,该预设地理区域范围可以为中国境内,也可以为某个城市或某个城区等等。
可以理解的,例如对于某个城区来说,其包含有多个路段,但是由于存在某些路段不被特定车辆所允许行驶的情况(例如汽车无法在非机动车路段行驶,或货车无法在客车路段行驶等等)。因此本申请实施例中需要统计在该预设地理区域范围中包含的所有可行驶路段。
一种方式中,该路段编码可以包括该路段的路段号以及所在城市的城市编码。
可选地,在基于本申请上述方法的另一个实施例中,在为每一个可行驶路段分别赋予唯一的路段编码之后,还包括:
获取在第三历史时间段内,位于预设地理区域范围中的第二样本车辆的历史行驶轨迹;
基于历史行驶轨迹,确定将第二样本车辆从第一路段转移到第二路段的第二概率值,第二概率值中包括第一路段以及第二路段的路段编码;
基于第一概率值以及第二概率值,生成预测训练模型。
进一步的,本申请还可以计算近一段时间内,位于预设地理区域范围中的所有样本车辆行驶高速路段转移矩阵,即所有车从第一路段行驶进入第二路段的概率。
可以理解的,对于司机来说,其从出发点到目的地的过程中,通常可能会存在其行驶过程中会转换多个路段才到达目的地的情况。因此本申请可以分别统计每个样本车辆在第三历史时间段内的行驶轨迹,来确定每个样本车辆是否形成在多个路段进行转换的情况。并据此统计每个样本车辆从第一路段转移到第二路段的第二概率值。
可选地,在基于本申请上述方法的另一个实施例中,基于第一概率值以及第二概率值,生成预测训练模型,包括:
基于第一概率值以及第二概率值,得到每个样本车辆的三元组集合,三元组集合包括样本车辆到达每个候选目的地的概率,样本车辆到达每个候选目的地的最大概率以及实际目的地;
将样本车辆的三元组集合作为学习样本,使用逻辑回归算法训练每个样本车辆在每隔预设时间段的行驶目的地,得到行驶轨迹参数;
基于行驶轨迹参数,生成预测训练模型。
进一步的,本申请可以依据第一概率值以及第二概率值,得到每个样本车辆的三元组集合。
其中,该生成学习样本可以为:C(a,p,ap,d,D),即样本车辆从出发到到站每一小时生成的三元组集合,其中a为样本车辆起点到当前位置与起点到目的地候选项d的夹角,p为起点到候选目的地的概率,ap为当前路段转移到候选目的地的最大概率,d为候选目的地(夹角±45度到跑过区域的区域100km范围),实际目的地为D。另外还可以使用逻辑回归模型分别训练每个样本车辆在距离出发2小时,5小时,10小时,20小时,40小时的模型参数,从而生成预测训练模型。
可选地,在基于本申请上述方法的另一个实施例中,基于行驶参数,确定目标车辆符合预设条件,包括:
当基于行驶参数,确定目标车辆已连续行驶第一里程数,和/或,第一时间段时,确定目标车辆符合预设条件;
或,
当基于车辆信息,确定目标车辆为样本车辆时,确定目标车辆符合预设条件,样本车辆为用于生成预测训练模型的车辆。
进一步的,本申请中需要获取该车辆的行驶参数来确定该车辆是否为已行驶过一定里程或行驶过一定时间的车辆。从而避免某个车辆在此次驾驶目的地仅为短途驾驶所导致的无谓耗费设备计算资源的问题。
可以理解的,例如当某个司机仅是想驾驶车辆到附近购物或者将车辆停放到附近的停车位等情况时。虽然该车辆已经启动,但是其明显处于此次驾驶目的地仅为短途驾驶,因此对其进行目的地的预测是毫无意义的。因此为了避免无谓耗费设备计算资源的问题,本申请可以在确定该车辆已经行驶了一定里程或行驶过一定时间的前提条件下,才会确定其符合预设条件。
可选的,本申请还可以在确定该目标车辆为样本车辆时,确定其符合预设条件。可以理解的,当该目标车辆为样本车辆时,代表当前生成的预测训练模型已经对该样本车辆进行过信息采集。因此相较于其他陌生车辆来说,该模型可以更精确的对车辆的目的地结果进行预测。从而提高结果的准确率。
需要说明的是,本申请不对第一里程数进行具体限定,例如可以为1公里,也可以为10公里。进一步的,本申请也不对第一时间段进行具体限定,例如可以为1小时,也可以为10小时。
可选地,在基于本申请上述方法的另一个实施例中,基于目的地结果,确定目标车辆的目的地之后,还包括:
向目标用户发送提示通知,提示通知用于告知目标用户当前存在位于目的地的预设事件,目标用户为驾驶目标车辆的用户。
例如以目标车辆为货车、目的地为上海举例而言,本申请可以通过预测该货车行驶中车辆目的地,可估算该货车车辆预计到达时间,进一步的,为了实现提前给司机配货,减少配货等待时间以及提升配货效率的目的。本申请可以在该司机行驶到上海的途中,即向该司机发送当前上海存在有待运输到北京的货单。以使该司机可以根据自身的实际情况,选择是否提前进行订单接收。
本申请中,可以获取目标车辆在第一历史时间段的行驶参数,行驶参数中包括车辆信息;当基于行驶参数,确定目标车辆符合预设条件时,将目标车辆的行驶参数输入至预测训练模型,得到目标车辆对应的目的地结果;基于目的地结果,确定目标车辆的目的地。通过应用本申请的技术方案,可以通过预先训练得到的预测训练模型实时的对每一个目标车辆进行目的地预测,从而实现智能调度每个车辆,提高业务效率的目的。
在本申请的另外一种实施方式中,如图2所示,本申请还提供一种确定车辆目的地的装置。其中,包括获取模块201,生成模块202,确定模块203,其中,
获取模块201,被配置为获取目标车辆在第一历史时间段的行驶参数,所述行驶参数中包括车辆信息;
生成模块202,被配置为当基于所述行驶参数,确定所述目标车辆符合预设条件时,将所述目标车辆的行驶参数输入至预测训练模型,得到所述目标车辆对应的目的地结果;
确定模块203,被配置为基于所述目的地结果,确定所述目标车辆的目的地。
本申请中,可以获取目标车辆在第一历史时间段的行驶参数,行驶参数中包括车辆信息;当基于行驶参数,确定目标车辆符合预设条件时,将目标车辆的行驶参数输入至预测训练模型,得到目标车辆对应的目的地结果;基于目的地结果,确定目标车辆的目的地。通过应用本申请的技术方案,可以通过预先训练得到的预测训练模型实时的对每一个目标车辆进行目的地预测,从而实现智能调度每个车辆,提高业务效率的目的。
在本申请的另外一种实施方式中,获取模块201,还包括:
获取模块201,被配置为获取第一数量的第一样本车辆在第二历史时间段生成的历史移动轨迹;
获取模块201,被配置为基于所述历史移动轨迹,确定所述第一样本车辆到达每个目的地的第一概率值;
获取模块201,被配置为基于所述第一样本车辆到达每个目的地的第一概率值,生成所述预测训练模型。
在本申请的另外一种实施方式中,获取模块201,还包括:
获取模块201,被配置为确定预设地理区域范围,并检测所述预设地理区域范围中包含的所有可行驶路段;
获取模块201,被配置为为每一个可行驶路段分别赋予唯一的路段编码。
在本申请的另外一种实施方式中,获取模块201,还包括:
获取模块201,被配置为获取在第三历史时间段内,位于所述预设地理区域范围中的第二样本车辆的历史行驶轨迹;
获取模块201,被配置为基于所述历史行驶轨迹,确定将所述第二样本车辆从第一路段转移到第二路段的第二概率值,所述第二概率值中包括所述第一路段以及所述第二路段的路段编码;
获取模块201,被配置为基于所述第一概率值以及所述第二概率值,生成所述预测训练模型。
在本申请的另外一种实施方式中,获取模块201,还包括:
获取模块201,被配置为基于所述第一概率值以及所述第二概率值,得到每个样本车辆的三元组集合,所述三元组集合包括所述样本车辆到达每个候选目的地的概率,所述样本车辆到达每个候选目的地的最大概率以及实际目的地;
获取模块201,被配置为将所述样本车辆的三元组集合作为学习样本,使用逻辑回归算法训练每个样本车辆在每隔预设时间段的行驶目的地,得到行驶轨迹参数;
获取模块201,被配置为基于所述行驶轨迹参数,生成所述预测训练模型。
在本申请的另外一种实施方式中,获取模块201,还包括:
获取模块201,被配置为当基于所述行驶参数,确定所述目标车辆已连续行驶第一里程数,和/或,第一时间段时,确定所述目标车辆符合预设条件;
或,
获取模块201,被配置为当基于车辆信息,确定所述目标车辆为样本车辆时,确定所述目标车辆符合预设条件,所述样本车辆为用于生成所述预测训练模型的车辆。
在本申请的另外一种实施方式中,获取模块201,还包括:
获取模块201,被配置为向所述目标用户发送提示通知,所述提示通知用于告知所述目标用户当前存在位于所述目的地的预设事件,所述目标用户为驾驶所述目标车辆的用户。
图3是根据一示例性实施例示出的一种电子设备的逻辑结构框图。例如,电子设备300可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器,上述指令可由电子设备处理器执行以完成上述确定车辆目的地的方法,该方法包括:获取目标车辆在第一历史时间段的行驶参数,所述行驶参数中包括车辆信息;当基于所述行驶参数,确定所述目标车辆符合预设条件时,将所述目标车辆的行驶参数输入至预测训练模型,得到所述目标车辆对应的目的地结果;基于所述目的地结果,确定所述目标车辆的目的地。可选地,上述指令还可以由电子设备的处理器执行以完成上述示例性实施例中所涉及的其他步骤。例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种应用程序/计算机程序产品,包括一条或多条指令,该一条或多条指令可以由电子设备的处理器执行,以完成上述确定车辆目的地的方法,该方法包括:获取目标车辆在第一历史时间段的行驶参数,所述行驶参数中包括车辆信息;当基于所述行驶参数,确定所述目标车辆符合预设条件时,将所述目标车辆的行驶参数输入至预测训练模型,得到所述目标车辆对应的目的地结果;基于所述目的地结果,确定所述目标车辆的目的地。可选地,上述指令还可以由电子设备的处理器执行以完成上述示例性实施例中所涉及的其他步骤。
图3为计算机设备30的示例图。本领域技术人员可以理解,示意图3仅仅是计算机设备30的示例,并不构成对计算机设备30的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算机设备30 还可以包括输入输出设备、网络接入设备、总线等。
所称处理器302可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器302也可以是任何常规的处理器等,处理器302是计算机设备30的控制中心,利用各种接口和线路连接整个计算机设备30的各个部分。
存储器301可用于存储计算机可读指令303,处理器302通过运行或执行存储在存储器301内的计算机可读指令或模块,以及调用存储在存储器301内的数据,实现计算机设备30的各种功能。存储器301可主要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、至少一个功能所需的应用程序 (比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备30的使用所创建的数据等。此外,存储器301可以包括硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory, RAM)或其他非易失性/易失性存储器件。
计算机设备30集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后,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。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
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精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (8)
1.一种确定车辆目的地的方法,其特征在于,包括:
获取目标车辆在第一历史时间段的行驶参数,所述行驶参数中包括车辆信息;
当基于所述行驶参数,确定所述目标车辆符合预设条件时,将所述目标车辆的行驶参数输入至预测训练模型,得到所述目标车辆对应的目的地结果;
基于所述目的地结果,确定所述目标车辆的目的地;
其中,所述基于所述目的地结果,确定所述目标车辆的目的地之后,还包括:
向目标用户发送提示通知,所述提示通知用于告知所述目标用户当前存在位于所述目的地的预设事件,所述目标用户为驾驶所述目标车辆的用户;
其中,所述基于所述行驶参数,确定所述目标车辆符合预设条件,包括:
当基于所述行驶参数,确定所述目标车辆已连续行驶第一里程数,和/或,第一时间段时,确定所述目标车辆符合预设条件;
或,
当基于车辆信息,确定所述目标车辆为样本车辆时,确定所述目标车辆符合预设条件,所述样本车辆为用于生成所述预测训练模型的车辆。
2.如权利要求1所述的方法,其特征在于,在所述获取目标车辆在第一历史时间段的行驶参数之前,还包括:
获取第一数量的第一样本车辆在第二历史时间段生成的历史移动轨迹;
基于所述历史移动轨迹,确定所述第一样本车辆到达每个目的地的第一概率值;
基于所述第一样本车辆到达每个目的地的第一概率值,生成所述预测训练模型。
3.如权利要求2所述的方法,其特征在于,在所述获取目标车辆在第一历史时间段的行驶参数之前,还包括:
确定预设地理区域范围,并检测所述预设地理区域范围中包含的所有可行驶路段;
为每一个可行驶路段分别赋予唯一的路段编码。
4.如权利要求3所述的方法,其特征在于,在所述为每一个可行驶路段分别赋予唯一的路段编码之后,还包括:
获取在第三历史时间段内,位于所述预设地理区域范围中的第二样本车辆的历史行驶轨迹;
基于所述历史行驶轨迹,确定将所述第二样本车辆从第一路段转移到第二路段的第二概率值,所述第二概率值中包括所述第一路段以及所述第二路段的路段编码;
基于所述第一概率值以及所述第二概率值,生成所述预测训练模型。
5.如权利要求4所述的方法,其特征在于,所述基于所述第一概率值以及所述第二概率值,生成所述预测训练模型,包括:
基于所述第一概率值以及所述第二概率值,得到每个样本车辆的三元组集合,所述三元组集合包括所述样本车辆到达每个候选目的地的概率,所述样本车辆到达每个候选目的地的最大概率以及实际目的地;
将所述样本车辆的三元组集合作为学习样本,使用逻辑回归算法训练每个样本车辆在每隔预设时间段的行驶目的地,得到行驶轨迹参数;
基于所述行驶轨迹参数,生成所述预测训练模型。
6.一种确定车辆目的地的装置,其特征在于,包括:
获取模块,被配置为获取目标车辆在第一历史时间段的行驶参数,所述行驶参数中包括车辆信息;
生成模块,被配置为当基于所述行驶参数,确定所述目标车辆符合预设条件时,将所述目标车辆的行驶参数输入至预测训练模型,得到所述目标车辆对应的目的地结果;
确定模块,被配置为基于所述目的地结果,确定所述目标车辆的目的地;
其中,所述基于所述目的地结果,确定所述目标车辆的目的地之后,还包括:
向目标用户发送提示通知,所述提示通知用于告知所述目标用户当前存在位于所述目的地的预设事件,所述目标用户为驾驶所述目标车辆的用户;
其中,所述基于所述行驶参数,确定所述目标车辆符合预设条件,包括:
当基于所述行驶参数,确定所述目标车辆已连续行驶第一里程数,和/或,第一时间段时,确定所述目标车辆符合预设条件;
或,
当基于车辆信息,确定所述目标车辆为样本车辆时,确定所述目标车辆符合预设条件,所述样本车辆为用于生成所述预测训练模型的车辆。
7.一种电子设备,其特征在于,包括:
存储器,用于存储可执行指令;以及,
处理器,用于与所述存储器连接以执行所述可执行指令从而完成权利要求1-5中任一所述确定车辆目的地的方法的操作。
8.一种计算机可读存储介质,用于存储计算机可读取的指令,其特征在于,所述指令被执行时执行权利要求1-5中任一所述确定车辆目的地的方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011623826.5A CN112749740B (zh) | 2020-12-30 | 2020-12-30 | 确定车辆目的地的方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011623826.5A CN112749740B (zh) | 2020-12-30 | 2020-12-30 | 确定车辆目的地的方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749740A CN112749740A (zh) | 2021-05-04 |
CN112749740B true CN112749740B (zh) | 2023-04-18 |
Family
ID=75650551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011623826.5A Active CN112749740B (zh) | 2020-12-30 | 2020-12-30 | 确定车辆目的地的方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749740B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821736B (zh) * | 2021-09-01 | 2023-09-08 | 北京中交兴路信息科技有限公司 | 基于前缀树的车辆目的地的预测方法、装置、设备及介质 |
CN113822709A (zh) * | 2021-09-15 | 2021-12-21 | 摩拜(北京)信息技术有限公司 | 一种出行数据的处理方法、装置及服务器 |
CN113997954B (zh) * | 2021-11-29 | 2023-11-21 | 广州文远知行科技有限公司 | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 |
CN115083147B (zh) * | 2022-05-10 | 2023-05-09 | 广州汽车集团股份有限公司 | 目的地预测方法、装置以及车辆 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108831B (zh) * | 2016-11-24 | 2020-12-04 | 中国移动通信有限公司研究院 | 一种目的地预测方法及装置 |
CN108074415B (zh) * | 2017-12-19 | 2020-09-11 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的车辆目的地预测方法及系统 |
KR20190131452A (ko) * | 2018-05-16 | 2019-11-26 | 한국과학기술원 | 전기 자동차의 주행 파라미터를 결정하는 방법 및 장치 |
CN111523643B (zh) * | 2020-04-10 | 2024-01-05 | 商汤集团有限公司 | 轨迹预测方法、装置、设备及存储介质 |
-
2020
- 2020-12-30 CN CN202011623826.5A patent/CN112749740B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112749740A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749740B (zh) | 确定车辆目的地的方法、装置、电子设备及介质 | |
US11416795B2 (en) | Systems and methods for vehicle resource management | |
CN111489588B (zh) | 车辆驾驶风险预警方法及装置、设备、存储介质 | |
CN110986985B (zh) | 车辆行程推送方法、装置、介质、控制终端及汽车 | |
US20190042857A1 (en) | Information processing system and information processing method | |
EP3475933A1 (en) | Autonomous or partially autonomous motor vehicles with automated risk-controlled systems and corresponding method thereof | |
CN110192233A (zh) | 使用自主车辆在机场搭乘和放下乘客 | |
CN111179625B (zh) | 一种提醒服务提供者的方法及系统 | |
CN111861624A (zh) | 一种车辆的推荐方法、装置、电子设备及可读存储介质 | |
CN111861081A (zh) | 一种订单分配方法、装置、电子设备及存储介质 | |
CN111178559A (zh) | 一种提醒服务请求者的方法及系统 | |
CN115655301A (zh) | 车辆导航路线的选取方法、装置、电子设备及介质 | |
US20210027632A1 (en) | Vehicle dispatch apparatus, vehicle dispatch system and vehicle dispatch method | |
US11705001B2 (en) | Device and computer program product for route planning for a vehicle | |
CN109916420B (zh) | 一种车辆导航的方法及相关装置 | |
CN112185157B (zh) | 路边停车位检测方法、系统、计算机设备及存储介质 | |
US20200226707A1 (en) | Vehicle information processing apparatus, vehicle information processing system, and method of processing vehicle information | |
CN113240206B (zh) | 扫码打车方法、扫码打车装置、电子设备和可读存储介质 | |
CN110660255B (zh) | 应用于无人驾驶公交车的提醒方法和装置 | |
CN111341132A (zh) | 用于车辆的引导设备、引导装置和方法及计算机程序产品 | |
CN114550481B (zh) | 信息处理装置、信息处理系统、信息处理方法以及存储介质 | |
US11807252B2 (en) | Method and apparatus for determining vehicle behavior | |
CN111652532B (zh) | 一种订单处理方法及装置 | |
Escuín et al. | A Long-Distance Smart Driving Service Based on Floating Car Data and Open Data | |
US20240094013A1 (en) | Device and method for setting line within polygonservice area |
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 |