CN112785072B - 路线规划和模型训练方法、装置、设备及存储介质 - Google Patents
路线规划和模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112785072B CN112785072B CN202110130631.5A CN202110130631A CN112785072B CN 112785072 B CN112785072 B CN 112785072B CN 202110130631 A CN202110130631 A CN 202110130631A CN 112785072 B CN112785072 B CN 112785072B
- Authority
- CN
- China
- Prior art keywords
- truck
- peak
- road
- sample
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 claims description 52
- 238000010586 diagram Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005065 mining Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 4
- 206010039203 Road traffic accident Diseases 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种路线规划和模型训练方法、装置、设备及存储介质,涉及人工智能领域。具体实现方案为:获取地图区域内道路上的车辆拍摄图像,并获取所述地图区域内的货车行驶轨迹数据;根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内的货车流量高峰路段,以及所述高峰路段对应的高峰时段;向服务的客户端发送所述高峰路段信息以及所述高峰时段信息。能够为货车流量高峰路段减压,以提高货车的运输效率,也能够减小由货车引起的交通堵塞和交通事故发生的概率。
Description
技术领域
本申请涉及数据处理中的人工智能领域,尤其涉及一种路线规划和模型训练方法、装置、设备及存储介质。
背景技术
电子地图能够为各种车辆提供导航服务,从而方便了车辆的出行。
在各式车辆中,货车是一种大型车辆,在货物运输方面承担着不可替代的作用。由于货车的重量和体积均较大,其驾驶控制难度也较大,且货车的驾驶视野较高,在道路上易引发交通堵塞,与其他车辆之间也容易发生交通事故。在目前的电子地图中,有针对于货车的电子导航服务,但是主要是基于货车的限重、限高、线宽等限制因素来进行货车导航的。
上述方案,无法解决由货车造成的道路堵塞以及货车造成的交通事故频发的问题。
发明内容
本申请提供了一种路线规划和模型训练方法、装置、设备及存储介质。
根据本申请的第一方面,提供了一种路线规划方法,包括:
获取地图区域内道路上的车辆拍摄图像,并获取所述地图区域内的货车行驶轨迹数据;
根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内的货车流量高峰路段,以及所述高峰路段对应的高峰时段;
向服务的客户端发送所述高峰路段信息以及所述高峰时段信息。
根据本申请的第二方面,提供了一种路线规划方法,包括:
从服务器接收高峰路段信息以及高峰时段信息,所述高峰路段信息指示地图区域内的货车流量高峰路段,所述高峰时段信息指示所述货车流量高峰路段对应的高峰时段;
接收路线规划请求,所述路线规划请求中包括路线起点和路线终点;
根据所述高峰路段信息、所述高峰时段信息、所述路线起点和所述路线终点,确定规划路线,其中,所述规划路线中不包括在对应的高峰时段内的高峰路段。
根据本申请的第三方面,提供了一种模型训练方法,包括:
获取训练样本,所述训练样本中包括地图区域内道路上的样本车辆拍摄图像、样本货车行驶轨迹数据,以及所述地图区域内道路上的各个位置和时间对应的货车出现的样本概率;
根据多模态学习模型对所述样本车辆拍摄图像和所述样本货车行驶轨迹数据进行处理,得到所述多模态学习模型输出的第一概率;
根据所述第一概率和所述样本概率之间的误差,对所述多模态学习模型的参数进行调整,得到训练完成的多模态学习模型。
根据本申请的第四方面,提供了一种路线规划装置,包括:
获取模块,用于获取地图区域内道路上的车辆拍摄图像,并获取所述地图区域内的货车行驶轨迹数据;
确定模块,用于根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内的货车流量高峰路段,以及所述高峰路段对应的高峰时段;
发送模块,用于向服务的客户端发送所述高峰路段信息以及所述高峰时段信息。
根据本申请的第五方面,提供了一种路线规划装置,包括:
第一接收模块,用于从服务器接收高峰路段信息以及高峰时段信息,所述高峰路段信息指示地图区域内的货车流量高峰路段,所述高峰时段信息指示所述货车流量高峰路段对应的高峰时段;
第二接收模块,用于接收路线规划请求,所述路线规划请求中包括路线起点和路线终点;
规划模块,用于根据所述高峰路段信息、所述高峰时段信息、所述路线起点和所述路线终点,确定规划路线,其中,所述规划路线中不包括在对应的高峰时段内的高峰路段。
根据本申请的第六方面,提供了一种模型训练装置,包括:
获取模块,用于获取训练样本,所述训练样本中包括地图区域内道路上的样本车辆拍摄图像、样本货车行驶轨迹数据,以及所述地图区域内道路上的各个位置和时间对应的货车出现的样本概率;
处理模块,用于根据多模态学习模型对所述样本车辆拍摄图像和所述样本货车行驶轨迹数据进行处理,得到所述多模态学习模型输出的第一概率;
训练模块,用于根据所述第一概率和所述样本概率之间的误差,对所述多模态学习模型的参数进行调整,得到训练完成的多模态学习模型。
根据本申请的第七方面,提供了一种电子设备,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第一方面至第三方面中任一项所述的方法。
根据本申请的第八方面,提供了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第一方面至第三方面中任一项所述的方法。
根据本申请的第九方面,提供了一种计算机程序产品,所述程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面至第三方面所述的方法。
本申请实施例提供的路线规划和模型训练方法、装置、设备及存储介质,首先获取地图区域内道路上的车辆拍摄图像,并获取地图区域内的货车行驶轨迹数据,然后根据车辆拍摄图像和货车行驶轨迹数据,确定地图区域内的货车流量高峰路段,以及高峰路段对应的高峰时段,并向服务的客户端发送高峰路段信息以及高峰时段信息,从而在客户端为车辆进行路线规划时,可以将货车流量高峰路段和对应的高峰时段作为路线规划的参考,在可能的情况下尽量避免将货车流量高峰路段规划到路线中,从而为货车流量高峰路段减压,以提高货车的运输效率,也能够减小由货车引起的交通堵塞和交通事故发生的概率。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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为本申请实施例提供的一种路线导航示意图;
图2为本申请实施例提供的一种应用场景示意图;
图3为本申请实施例提供的一种路线规划方法的流程示意图;
图4为本申请实施例提供的路线规划方案的架构示意图;
图5为本申请实施例提供的确定货车的高峰路段和对应的时段的流程示意图;
图6为本申请实施例提供的车辆拍摄图像识别示意图;
图7为本申请实施例提供的一种货车行驶轨迹示意图;
图8为本申请实施例提供的模型训练方法的流程示意图;
图9为本申请实施例提供的样本车辆拍摄图像处理示意图;
图10为本申请实施例提供的样本货车行驶轨迹数据处理示意图;
图11为本申请实施例提供的多模态学习模型训练示意图;
图12为本申请实施例提供的路线规划方法的流程示意图;
图13为本申请实施例提供的路线规划示意图;
图14为本申请实施例提供的路线规划装置的结构示意图;
图15为本申请实施例提供的路线规划装置的结构示意图;
图16为本申请实施例提供的模型训练装置的结构示意图;
图17为本申请实施例提供的示例电子设备的示意性框图。
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。
图1为本申请实施例提供的一种路线导航示意图,如图1所示,用户11需要驾驶车辆12,从地点A前往地点B。从地点A到地点B之间有多条路线可供选择,例如在图1中示例了3条路线,分别为路线13、路线14和路线15。
用户11可以通过客户端16上的地图APP来进行电子导航,选择其中的一条路线驾驶。在图1中,3条路线的路况各不相同,其中,路线13有限重要求,不允许大型车辆通过;路线14的红绿灯较多;路线15为快速通道,有较多的货车以及其他的车辆行驶在路线15上。
车辆12可能为大型车辆,例如货车,也可能为普通的小型轿车。若车辆12为大型车辆,由于路线13为限重的路线,因此在进行路线规划时,不会为车辆12规划路线13,可能为车辆12规划路线14或路线15。若车辆12为小型车辆,路线13、路线14和路线15都可能作为车辆12的规划路线。由于路线14的红绿灯较多,若用户11希望更快的到达目的地,从而选择红绿灯较少的路线,则车辆12的规划路线可能为路线13或路线15等。
在目前的电子地图中,若出发地和目的地之间存在多条路线,用户可以基于自己的需要,设置一定的条件,客户端根据用户设置的条件来为用户规划合适的路线,这些条件例如可以为优先高速、较少红绿灯等等。针对大型车辆例如货车而言,还需要考虑车辆的限高、限重、限宽等等。
对于货车这种大型车辆而言,出于各种货物(例如易燃物等)的安全性考量,货车司机需要谨慎驾驶。同时货车的体积和重量均较大,驾驶控制难度大,驾驶视野较高,容易引发交通堵塞。同时,货车与货车之间、货车与其他车辆之间也容易发生交通冲突或者交通事故。
目前的电子导航,在为车辆进行路线规划时,没有考虑到货车这种大型车辆对交通问题带来的影响,即使是专用于货车的导航服务,也仅仅是在货车的限高、限重、限宽等方面加以考量。在货车的流量高峰地段,由货车造成的道路堵塞,货车与货车、货车与普通车辆之间交通事故频发的问题依然得不到有效的解决。
基于此,本申请实施例提供一种路线规划方案,以减小由货车造成的交通事故频发以及交通堵塞发生的概率。
图2为本申请实施例提供的一种应用场景示意图,如图2所示,包括服务器21和客户端22,服务器21和客户端22之间通过无线网络连接。
服务器21用于确定区域内的各条道路中的货车流量高峰路段以及每个高峰路段对应的高峰时段,然后将货车流量高峰路段以及对应的高峰时段同步给客户端22。客户端22用于根据服务器发送的货车流量高峰路段以及对应的高峰时段,进行车辆的路线规划,以尽量避免将车辆导航至货车流量高峰路段,为货车流量高峰路段的交通流量减压。
下面将结合附图对本申请的方案进行介绍。
图3为本申请实施例提供的一种路线规划方法的流程示意图,如图3所示,该方法可以包括:
S31,获取地图区域内道路上的车辆拍摄图像,并获取所述地图区域内的货车行驶轨迹数据。
本申请实施例中的执行主体可以为服务器,服务器获取地图区域内的多条道路的车辆拍摄图像和货车行驶轨迹数据。
针对任意一条道路,该条道路的车辆拍摄图像为行驶在该条道路上的车辆拍摄得到的车载图像,行驶在该条道路上的车辆可以为货车,也可以为其他类型的车辆。即车辆拍摄图像可以是货车拍摄得到的,也可以是其他车辆拍摄得到的。得到的车辆拍摄图像可以通过车辆发送给服务器。针对任意一条道路,该条道路的货车行驶轨迹数据为行驶在该条道路上的货车的行驶轨迹数据,货车获取自身的行驶轨迹数据后,发送给服务器。
S32,根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内的货车流量高峰路段,以及所述高峰路段对应的高峰时段。
车辆拍摄图像拍摄了车辆前方的情景,例如可以包括车辆前方的道路、车辆前方的其他车辆、车辆前方的障碍物等等。货车行驶轨迹数据例如可以包括货车在各个时刻的轨迹位置、行驶方向、行驶速度等信息。
通过车辆拍摄图像和货车行驶轨迹数据,能够综合确定地图区域中的道路上的货车流量高峰路段以及每个高峰路段对应的高峰时段。
S33,向服务的客户端发送所述高峰路段信息以及所述高峰时段信息。
在确定了地图区域中的道路上的货车流量高峰路段以及每个高峰路段对应的高峰时段后,服务器可以向客户端同步货车流量高峰路段以及每个高峰路段对应的高峰时段。在有用户请求通过客户端进行车辆的路线规划时,客户端可以参考货车流量高峰路段和对应的高峰时段为用户进行路线规划。在有多条路线可供选择时,可以尽量为用户避开高峰时段的货车流量高峰路段,从而为货车流量高峰路段的流量减压。
本申请实施例提供的路线规划方法,首先获取地图区域内道路上的车辆拍摄图像,并获取地图区域内的货车行驶轨迹数据,然后根据车辆拍摄图像和货车行驶轨迹数据,确定地图区域内的货车流量高峰路段,以及高峰路段对应的高峰时段,并向服务的客户端发送高峰路段信息以及高峰时段信息,从而在客户端为车辆进行路线规划时,可以将货车流量高峰路段和对应的高峰时段作为路线规划的参考,在可能的情况下尽量避免将货车流量高峰路段规划到路线中,从而为货车流量高峰路段减压,以提高货车的运输效率,也能够减小由货车引起的交通堵塞和交通事故发生的概率。
下面结合附图对本申请的方案进行详细介绍。
图4为本申请实施例提供的路线规划方案的架构示意图,如图4所示,总共包括数据采集模块、数据分析模块和数据应用模块三个部分。
在数据采集模块,主要是进行车辆拍摄图像和货车行驶轨迹数据的采集,车辆拍摄图像和货车行驶轨迹数据的采集由服务器完成。对于任意一条道路,道路上行驶的车辆可以将拍摄的车辆拍摄图像发送到服务器,道路上行驶的货车可以将自身的货车行驶轨迹数据发送到服务器,服务器就完成了数据的采集过程。
在数据分析模块,主要是根据采集的车辆拍摄图像和货车行驶轨迹数据,来确定道路中的货车流量高峰路段,以及高峰路段对应的高峰时段,并存储到道路数据库中,这一过程也由服务器来完成。
在数据应用模块,主要是车辆在出行过程中进行路径规划,这一过程由客户端来完成。在服务器确定了货车流量高峰路段,以及高峰路段对应的高峰时段后,会将货车流量高峰路段,以及高峰路段对应的高峰时段同步到客户端,客户端在为车辆进行路径规划时,会将货车流量高峰路段,以及高峰路段对应的高峰时段作为路径规划的参考。路径规划包括货车的路径规划和普通车辆的路径规划,普通车辆的路径规划除了参考用户的实际需要外,还会参考货车流量高峰路段以及高峰路段对应的高峰时段,以尽量避开货车的高峰路段。货车的路径规划在普通车辆的路径规划的基础上,可能还会参考货车的限重、限高、限宽等条件综合确定。下面将在图4的架构基础上进行详细介绍。
图5为本申请实施例提供的确定货车的高峰路段和对应的时段的流程示意图,如图5所示,包括:
S51,根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内道路上的各个位置和时间对应的货车出现的概率。
在获取了多条道路上的车辆拍摄图像和货车行驶轨迹数据后,根据车辆拍摄图像能够获取道路上包括的车辆、行驶的道路以及道路上的障碍物等,而货车行驶轨迹数据能够反映货车的行驶轨迹,因此针对任意一条道路上的车辆拍摄图像和货车行驶轨迹数据,对车辆拍摄图像和货车行驶轨迹数据进行处理,能够得到地图区域内道路上的各个位置和时间对应的货车出现的概率。
具体的,针对任意一条道路上的车辆拍摄图像,对该车辆拍摄图像进行识别,得到该车辆拍摄图像中的货车在该道路上的地理坐标。例如,可以对车辆拍摄图像上的像素点进行语义分类,得到各个像素点的语义分类结果,然后根据该语义分类结果,得到车辆拍摄图像中的货车区域,最后根据货车区域确定货车在对应的道路上的地理坐标。
图6为本申请实施例提供的车辆拍摄图像识别示意图,如图6所示,左边为车辆拍摄图像61,对车辆拍摄图像61上的像素点进行语义分类后,可以得到各个像素点的语义分类结果,即图6右边的分割图62。
根据分割图62,可以获取车辆拍摄图像中的不同的区域,包括货车区域、道路区域、障碍物区域等等。其中,分割图62中包括货车区域63,即在车辆拍摄图像61中拍摄到了货车。然后,可以根据拍摄该车辆拍摄图像61的车辆与货车的相对位置,来确定该货车的位置。
具体的,首先获取货车区域63在车辆拍摄图像61上的位置,其中,货车区域63在车辆拍摄图像61上的位置与货车区域63在分割图62上的位置相同,因此在分割图62中确定了货车区域63后,就可以根据货车区域63在分割图62中的位置,确定货车区域63在车辆拍摄图像61上的位置。
在确定了货车区域63在车辆拍摄图像61上的位置后,根据货车区域63在车辆拍摄图像61上的位置,以及拍摄该车辆拍摄图像61的车辆在道路上的地理坐标,就可以确定货车在对应的道路上的地理坐标。
例如,一种可能的实现方式是,将车辆拍摄图像61的下边缘的中点A作为拍摄该车辆拍摄图像61的车辆在车辆拍摄图像61上的位置,并预先获知车辆拍摄图像61的拍摄范围。根据货车区域63与车辆拍摄图像61的下边缘的中点A的距离,以及拍摄该车辆拍摄图像61的车辆的地理坐标,就可以大致估计得到货车在对应的道路上的地理坐标。
在确定了货车在对应的道路上的地理坐标后,根据货车行驶轨迹数据,获取对应的轨迹参数,该轨迹参数包括各个轨迹点对应的时间、货车的位置、货车的行驶速度以及货车的行驶方向等等。
图7为本申请实施例提供的一种货车行驶轨迹示意图,如图7所示,可以包括货车行驶轨迹71、货车行驶轨迹72、货车行驶轨迹73等多个货车行驶轨迹。以货车行驶轨迹71为例,通过货车行驶轨迹71,可以获取多个轨迹参数,包括货车行驶轨迹71上的各个轨迹点对应的地理坐标,轨迹点对应的地理坐标即为货车的位置,还可以获取各个轨迹点对应的时间,即货车在何时行驶至该轨迹点对应的地理坐标。通过货车行驶轨迹71,也可以货车各个轨迹点处货车的行驶速度和行驶方向等等。
在一条道路上,可能包括多个货车行驶,因此,可以获取道路上的所有货车的货车行驶轨迹,根据货车行驶轨迹的密集程度,也可以获知道路上货车的密集程度。
然后,根据货车的道路上的地理坐标和轨迹参数,就可以确定地图区域内道路上各个位置和时间对应的货车出现的概率。由于轨迹参数中包括货车的位置、轨迹点对应的时间、货车的行驶速度以及货车的行驶方向等,同时通过多条货车行驶轨迹能够确定货车的密集程度。因此根据轨迹参数也可以大致确定地图区域内的道路上各个位置和时间对应的货车出现的概率,此处货车出现的概率主要指的是货车出现的可能性以及流量大小。货车出现的概率越大,表示对应的位置和时间货车的流量比较大。而车辆拍摄图像中货车的地理坐标,能够与轨迹参数共同确定货车的实际位置,通过货车的地理坐标和轨迹参数,共同确定各个位置和时间对应的货车出现的概率,能够更准确的确定货车的流量大小。
在一种可能的实施方式中,也可以通过多模态学习模型来对车辆拍摄图像和货车行驶轨迹数据进行处理,得到地图区域内道路上的各个位置和时间对应的货车出现的概率,其中,多模态学习模型是通过多组训练样本训练得到的,每组训练样本中包括样本车辆拍摄图像和样本货车行驶轨迹数据,以及地图区域内道路上各个位置和时间对应的货车出现的样本概率。针对任意一组训练样本,该训练样本中的样本车辆拍摄图像和样本货车行驶轨迹数据对应的道路是同一条道路,样本概率也是该条道路上的各个位置和时间对应的货车出现的样本概率。针对一条道路而言,得到的货车出现的概率应当是一系列不同位置的货车出现的概率。
通过多模态学习模型得到地图区域内道路上的各个位置和时间对应的货车出现的概率之前,需要训练多模态学习模型。多模态学习模型的训练方法将在下述实施例中介绍。
S52,根据所述货车出现的概率,确定所述高峰路段,以及所述高峰路段对应的高峰时段。
在确定了各条道路上的不同位置和不同时间的货车出现的概率后,就可以对这些概率进行聚合处理,得到不同位置和不同时间下的道路上的货车的流量大小,然后根据道路上的货车的流量大小,确定货车流量高峰路段和对应的高峰时段。
下面将对多模态学习模型的训练进行介绍。
图8为本申请实施例提供的模型训练方法的流程示意图,如图8所示,该方法可以包括:
S81,获取训练样本,所述训练样本中包括地图区域内道路上的样本车辆拍摄图像、样本货车行驶轨迹数据,以及所述地图区域内道路上的各个位置和时间对应的货车出现的样本概率。
本申请实施例的执行主体可以为服务器,服务器可以单独设置,也可以设置在其他设备中。本申请中的多模态学习模型是通过多模态机器学习实现的,即通过机器学习的方法实现处理和理解多源模态信息的能力,在数据层面,多模态数据可看做多种数据类型的组合,例如图像、数值、文本、符号、音频、时间等不同类型的数据。
本申请实施例的方案,通过多模态学习模型来获取地图区域内道路上的各个位置和时间对应的货车出现的概率,在得到货车出现的概率之前,首先要对多模态学习模型进行训练。在训练之前,需要获取训练样本,该训练样本中包括地图区域内道路上的样本车辆拍摄图像、样本货车行驶轨迹数据,以及地图区域内道路上的各个位置和时间对应的货车出现的样本概率。
S82,根据多模态学习模型对所述样本车辆拍摄图像和所述样本货车行驶轨迹数据进行处理,得到所述多模态学习模型输出的第一概率。
在获取训练样本后,可以将训练样本中的样本车辆拍摄图像和样本货车行驶轨迹数据输入至多模态学习模型中,多模态学习模型会对样本车辆拍摄图像和样本货车行驶轨迹数据进行处理,输出对应的第一概率。
S83,根据所述第一概率和所述样本概率之间的误差,对所述多模态学习模型的参数进行调整,得到训练完成的多模态学习模型。
在初始时,多模态学习模型输出的第一概率可能不够准确,这是由于多模态学习模型还未训练好。此时,可以根据多模态学习模型输出的第一概率和标注的样本概率之间的误差,对多模态学习模型的参数进行调整。
每进行一次训练,都重复上述处理。经过多次训练后,第一概率和标注的样本概率之间的误差会逐渐缩小。当第一概率和标注的样本概率之间的误差小于或等于预设误差时,多模态学习模型收敛,此时多模态学习模型训练完成。在多模态学习模型训练完成后,就可以将其应用于获取地图区域内道路上的各个位置和时间对应的货车出现的概率。
具体的,在多模态学习模型包括图像识别层、轨迹挖掘层和深度神经网络层,其中,图像识别层用于对样本车辆拍摄图像进行图像识别处理,得到图像识别特征。轨迹挖掘层用于对样本货车行驶轨迹数据进行处理,得到轨迹特征。深度神经网络层用于对图像识别特征和轨迹特征进行特征融合处理,得到第一概率。
针对样本车辆拍摄图像,图像识别层可以对样本车辆拍摄图像中的各个像素点进行语义识别,得到样本车辆拍摄图像的语义特征图,该语义特征图中包括各个像素点的语义标签,然后,根据各像素点的语义标签,在语义特征图中确定货车区域特征图。在确定货车区域特征图之后,可以确定货车在对应的道路上的地理坐标,并根据货车区域特征图和货车在对应的道路上的地理坐标,得到图像识别特征。
图9为本申请实施例提供的样本车辆拍摄图像处理示意图,如图9所示,包括样本车辆拍摄图像91,图像识别层可以通过卷积神经网络从样本车辆拍摄图像91中提取深度的图像语义特征,得到对应的语义特征图92,其中,该卷积神经网络例如可以选择deeplabv3,卷积神经网络对样本车辆拍摄图像91中的各个像素点进行语义识别,即对样本车辆拍摄图像91中的每个像素点进行分类,得到图9中示例的语义特征图92。
在得到语义特征图92后,可以提取语义特征图中的货车区域93,然后裁切出货车区域93对应的货车区域特征图。然后,根据货车区域93在样本车辆拍摄图像91中的位置,确定货车的地理坐标,并将货车的地理坐标作为一层特征加到货车区域特征图上,最终根据货车区域特征图和货车在对应的道路上的地理坐标,得到图像识别特征。
针对样本货车行驶轨迹数据,轨迹挖掘层可以根据样本货车行驶轨迹数据,确定对应的样本轨迹参数,样本轨迹参数包括各个轨迹点对应的时间、货车的位置、货车的行驶速度以及货车的行驶方向。然后,轨迹挖掘层对样本轨迹参数进行处理,得到轨迹特征。
图10为本申请实施例提供的样本货车行驶轨迹数据处理示意图,如图10所示,在图像信息之外,轨迹数据也可以用于挖掘货车的出行分布特征。首先,通过人工提取特征的方式,对样本货车行驶轨迹数据进行特征选择,得到对应的样本轨迹参数对应的多种初级特征,如轨迹时间、货车的位置、货车行驶速度、货车的行驶方向、还可以包括道路属性、货车聚集度等。
然后,通过这些初级特征的归一化、压缩等预处理后,将这些初级特征输入到XGBoost机器学习模型中,得到样本货车行驶轨迹数据的轨迹特征。
在得到图像识别特征和轨迹特征后,就需要对图像识别特征和轨迹特征进行特征融合。图11为本申请实施例提供的多模态学习模型训练示意图,如图11所示,通过对样本车辆拍摄图像111进行图像识别得到图像识别特征,通过对样本货车行驶轨迹数据112进行轨迹挖掘得到轨迹特征。然后,对图像识别特征和轨迹特征进行特征融合,输入到深度神经网络(Deep Neural Networks,简称DNN)中,得到特定地理位置和时间对应的货车出现的概率P(x,y,t),其中,(x,y)表示地理位置,t表示时间。由于一条道路上有多个不同的地理位置,因此得到的货车出现的概率P(x,y,t)应当是该道路上不同位置的一系列概率。
在多模态学习模型的训练阶段,通过将采集的样本车辆拍摄图像和样本货车行驶轨迹数据以及人工标注的道路中货车出现的概率共同输入到多模态学习模型中,对多模态学习模型的参数进行迭代学习,直到模型训练完成。然后,可以将训练完成的多模态学习模型应用到近期的车辆拍摄图像和货车行驶轨迹数据中,预测货车流量高峰路段和对应的高峰时段。
可选的,服务器可以定期获取更新后的车辆拍摄图像和更新后的货车行驶轨迹数据,然后根据更新后的车辆拍摄图像和更新后的货车行驶轨迹数据对多模态学习模型进行训练,做增量的在线学习,得到更新后的多模态学习模型。
然后,利用更新后的多模态学习模型确定更新后的货车流量高峰路段以及更新后的货车流量高峰路段对应的更新后的高峰时段,并向客户端发送更新后的货车流量高峰路段信息,以及更新后的高峰时段信息。通过这种模型的增量学习,能够不断的更新货车流量高峰路段和对应的高峰时段,保持高峰路段和高峰时段的时效性,更有利于客户端的导航。
服务器在确定了货车流量高峰路段和对应的高峰时段后,会向服务的客户端发送高峰路段信息以及高峰时段信息,客户端根据高峰路段信息以及高峰时段信息,进行路线规划。
图12为本申请实施例提供的路线规划方法的流程示意图,如图12所示,该方法可以包括:
S121,从服务器接收高峰路段信息以及高峰时段信息,所述高峰路段信息指示地图区域内的货车流量高峰路段,所述高峰时段信息指示所述货车流量高峰路段对应的高峰时段。
服务器可以定时向客户端发送高峰路段信息以及高峰时段信息,客户端根据高峰路段信息以及高峰时段信息,及时获取最新的货车流量高峰路段以及对应的高峰时段。
S122,接收路线规划请求,所述路线规划请求中包括路线起点和路线终点。
客户端可以接收路线规划请求,例如用户可以打开客户端上的地图APP,输入路线起点和路线终点,生成路线规划请求。
S123,根据所述高峰路段信息、所述高峰时段信息、所述路线起点和所述路线终点,确定规划路线,其中,所述规划路线中不包括在对应的高峰时段内的高峰路段。
在客户端接收了路线规划请求后,客户端进行路线规划。具体的,可以根据服务器发送的高峰路段信息、高峰时段信息、路线起点和路线终点,确定规划路线,规划路线中不包括对应的高峰时段内的高峰路段。即,规划路线避开了货车流量高峰路段。
本申请实施例中,客户端可以为货车提供导航服务,也可以为其他的车辆,例如公交车、小轿车等车辆提供导航服务。不同类型的车辆的导航需求可能不同,例如货车由于体积和重量的原因,需要考虑道路的限重、限高限宽等因素。对于小轿车而言,车主可能有例如优先高速、较少红绿灯等条件等。
基于此,本申请实施例中,在用户通过客户端发起路线规划请求时,路线规划请求中还可以包括车辆类型标识,客户端根据车辆类型标识可以获知是为哪种类型的车辆提供导航服务。然后,客户端根据车辆类型标识确定车辆类型对应的限制条件。在后续进行路线规划时,根据高峰路段信息、高峰时段信息、路线起点、路线终点和限制条件,确定规划路线。规划路线不仅避开了货车流量高峰路段,还需要满足该限制条件。
图13为本申请实施例提供的路线规划示意图,如图13所示,用户需要从A点前往B点,A点即为路线起点,B点即为路线终点。
通过服务器发送的高峰路段信息和高峰时段信息,可以获知在当下,C点至D点这一路段为货车流量高峰路段。图13中示例了两种不同类型的车辆的规划路线。其中,当车辆类型为货车时,规划路线为界面131中的路线1310(如图13左边的虚线示意),当车辆类型为小轿车时,规划路线为界面132中的路线1320(如图13右边的虚线示意)。
可以看到,路线1310和路线1320均避开了C点至D点这一路段,即路线1310和路线1320均不经过当下的货车流量高峰路段。且针对货车和小轿车这两种不同的车辆类型,其规划的路线也不相同。
本申请实施例提供的路线规划方法,首先客户端从服务器接收高峰路段信息以及高峰时段信息,高峰路段信息指示地图区域内的货车流量高峰路段,高峰时段信息指示所述货车流量高峰路段对应的高峰时段;然后客户端接收路线规划请求,路线规划请求中包括路线起点和路线终点;最后根据高峰路段信息、高峰时段信息、路线起点和路线终点,确定规划路线。由于规划路线中不包括在对应的高峰时段内的高峰路段,避免了将货车流量高峰路段规划到路线中,从而为货车流量高峰路段减压,以提高货车的运输效率,也能够减小由货车引起的交通堵塞和交通事故发生的概率。
图14为本申请实施例提供的路线规划装置的结构示意图,如图14所示,该装置140包括:
获取模块141,用于获取地图区域内道路上的车辆拍摄图像,并获取所述地图区域内的货车行驶轨迹数据;
确定模块142,用于根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内的货车流量高峰路段,以及所述高峰路段对应的高峰时段;
发送模块143,用于向服务的客户端发送所述高峰路段信息以及所述高峰时段信息。
在一种可能的实施方式中,所述确定模块142包括:
第一确定单元,用于根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内道路上的各个位置和时间对应的货车出现的概率;
第二确定单元,用于根据所述货车出现的概率,确定所述高峰路段,以及所述高峰路段对应的高峰时段。
在一种可能的实施方式中,所述第一确定单元包括:
识别子单元,用于对所述车辆拍摄图像进行识别,得到货车在对应的道路上的地理坐标;
获取子单元,用于根据所述货车行驶轨迹数据,获取对应的轨迹参数,所述轨迹参数包括各个轨迹点对应的时间、货车的位置、货车的行驶速度以及货车的行驶方向;
确定子单元,用于根据所述货车在对应的道路上的地理坐标和所述轨迹参数,确定所述地图区域内道路上的各个位置和时间对应的货车出现的概率。
在一种可能的实施方式中,所述识别子单元具体用于:
对所述车辆拍摄图像上的像素点进行语义分类,得到各个像素点的语义分类结果;
根据所述语义分类结果,得到所述车辆拍摄图像中的货车区域;
根据所述货车区域确定所述货车在对应的道路上的地理坐标。
在一种可能的实施方式中,所述识别子单元具体用于:
获取所述货车区域在所述车辆拍摄图像上的位置;
根据所述货车区域在所述车辆拍摄图像上的位置,以及拍摄所述车辆拍摄图像的车辆在所述道路上的地理坐标,确定所述货车在对应的道路上的地理坐标。
在一种可能的实施方式中,所述确定模块142包括:
处理单元,用于根据多模态学习模型对所述车辆拍摄图像和所述货车行驶轨迹数据进行处理,得到所述地图区域内道路上的各个位置和时间对应的货车出现的概率。
在一种可能的实施方式中,所述确定模块142还包括:
第一更新单元,用于获取更新后的车辆拍摄图像和更新后的货车行驶轨迹数据;
第二更新单元,用于根据所述更新后的车辆拍摄图像和所述更新后的货车行驶轨迹数据,对所述多模态学习模型进行训练,得到更新后的多模态学习模型;
第三更新单元,用于根据所述更新后的多模态学习模型确定更新后的货车流量高峰路段,以及所述更新后的货车流量高峰路段对应的更新后的高峰时段;
发送单元,用于向所述客户端发送所述更新后的货车流量高峰路段信息,以及所述更新后的高峰时段信息。
本申请实施例提供的路线规划装置,用于执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图15为本申请实施例提供的路线规划装置的结构示意图,如图15所示,该装置150包括:
第一接收模块151,用于从服务器接收高峰路段信息以及高峰时段信息,所述高峰路段信息指示地图区域内的货车流量高峰路段,所述高峰时段信息指示所述货车流量高峰路段对应的高峰时段;
第二接收模块152,用于接收路线规划请求,所述路线规划请求中包括路线起点和路线终点;
规划模块153,用于根据所述高峰路段信息、所述高峰时段信息、所述路线起点和所述路线终点,确定规划路线,其中,所述规划路线中不包括在对应的高峰时段内的高峰路段。
在一种可能的实施方式中,所述路线规划请求中还包括车辆类型标识;所述规划模块153包括:
第一规划单元,用于根据所述车辆类型标识确定所述车辆类型对应的限制条件;
第二规划单元,用于根据所述高峰路段信息、所述高峰时段信息、所述路线起点、所述路线终点和所述限制条件,确定所述规划路线。
本申请实施例提供的路线规划装置,用于执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图16为本申请实施例提供的模型训练装置的结构示意图,如图16所示,该装置160包括:
获取模块161,用于获取训练样本,所述训练样本中包括地图区域内道路上的样本车辆拍摄图像、样本货车行驶轨迹数据,以及所述地图区域内道路上的各个位置和时间对应的货车出现的样本概率;
处理模块162,用于根据多模态学习模型对所述样本车辆拍摄图像和所述样本货车行驶轨迹数据进行处理,得到所述多模态学习模型输出的第一概率;
训练模块163,用于根据所述第一概率和所述样本概率之间的误差,对所述多模态学习模型的参数进行调整,得到训练完成的多模态学习模型。
在一种可能的实施方式中,所述多模态学习模型包括图像识别层、轨迹挖掘层和深度神经网络层;所述处理模块162包括:
图像处理单元,用于根据所述图像识别层对所述样本车辆拍摄图像进行图像识别处理,得到图像识别特征;
轨迹处理单元,用于根据所述轨迹挖掘层对所述样本货车行驶轨迹数据进行处理,得到轨迹特征;
特征处理单元,用于根据所述深度神经网络层对所述图像识别特征和所述轨迹特征进行特征融合处理,得到所述第一概率。
在一种可能的实施方式中,所述图像处理单元包括:
识别子单元,用于对所述样本车辆拍摄图像中的各个像素点进行语义识别,得到所述样本车辆拍摄图像的语义特征图,所述语义特征图中包括各所述像素点的语义标签;
第一确定子单元,用于根据各所述像素点的语义标签,在所述语义特征图中确定货车区域特征图;
第二确定子单元,用于根据所述货车区域特征图,确定货车在对应的道路上的地理坐标;
第一获取子单元,用于根据所述货车区域特征图和所述货车在对应的道路上的地理坐标,得到所述图像识别特征。
在一种可能的实施方式中,所述轨迹处理单元包括:
第三确定子单元,用于根据所述样本货车行驶轨迹数据,确定对应的样本轨迹参数,所述样本轨迹参数包括各个轨迹点对应的时间、货车的位置、货车的行驶速度以及货车的行驶方向;
第二获取子单元,用于根据所述轨迹挖掘层对所述样本轨迹参数进行处理,得到所述轨迹特征。
本申请实施例提供的模型训练装置,用于执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
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。
根据本申请的实施例,本申请还提供了一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图17示出了可以用来实施本申请的实施例的示例电子设备1700的示意性框图。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/或者要求的本公开的实现。
如图17所示,电子设备1700包括计算单元1701,其可以根据存储在只读存储器(ROM)1702中的计算机程序或者从存储单元1708加载到随机访问存储器(RAM)1703中的计算机程序,来执行各种适当的动作和处理。在RAM 1703中,还可存储设备1700操作所需的各种程序和数据。计算单元1701、ROM 1702以及RAM 1703通过总线1704彼此相连。输入/输出(I/O)接口1705也连接至总线1704。
设备1700中的多个部件连接至I/O接口1705,包括:输入单元1706,例如键盘、鼠标等;输出单元1707,例如各种类型的显示器、扬声器等;存储单元1708,例如磁盘、光盘等;以及通信单元1709,例如网卡、调制解调器、无线通信收发机等。通信单元1709允许设备1700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1701执行上文所描述的各个方法和处理,例如路线规划方法或模型训练方法。例如,在一些实施例中,路线规划方法或模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1702和/或通信单元1709而被载入和/或安装到设备1700上。当计算机程序加载到RAM 1703并由计算单元1701执行时,可以执行上文描述的路线规划方法或模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行路线规划方法或模型训练方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、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或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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,CRT(阴极射线管)或者LCD(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(LAN)、广域网(WAN)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("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本发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 (23)
1.一种路线规划方法,包括:
获取地图区域内道路上的车辆拍摄图像,并获取所述地图区域内的货车行驶轨迹数据;
根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内的货车流量高峰路段,以及所述高峰路段对应的高峰时段;
向服务的客户端发送所述高峰路段信息以及所述高峰时段信息,以使所述客户端在接收到路线规划请求后,根据所述高峰路段信息、所述高峰时段信息、路线起点和路线终点,确定规划路线,其中,所述路线规划请求中包括所述路线起点和所述路线终点,所述高峰路段信息指示所述地图区域内的货车流量高峰路段,所述高峰时段信息指示所述货车流量高峰路段对应的高峰时段,所述规划路线中不包括在对应的高峰时段内的高峰路段;
获取更新后的车辆拍摄图像和更新后的货车行驶轨迹数据;
根据所述更新后的车辆拍摄图像和所述更新后的货车行驶轨迹数据,对多模态学习模型进行训练,得到更新后的多模态学习模型;
根据所述更新后的多模态学习模型确定更新后的货车流量高峰路段,以及所述更新后的货车流量高峰路段对应的更新后的高峰时段。
2.根据权利要求1所述的方法,其中,根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内的货车流量高峰路段,以及所述高峰路段对应的高峰时段,包括:
根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内道路上的各个位置和时间对应的货车出现的概率;
根据所述货车出现的概率,确定所述高峰路段,以及所述高峰路段对应的高峰时段。
3.根据权利要求2所述的方法,其中,根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内道路上的各个位置和时间对应的货车出现的概率,包括:
对所述车辆拍摄图像进行识别,得到货车在对应的道路上的地理坐标;
根据所述货车行驶轨迹数据,获取对应的轨迹参数,所述轨迹参数包括各个轨迹点对应的时间、货车的位置、货车的行驶速度以及货车的行驶方向;
根据所述货车在对应的道路上的地理坐标和所述轨迹参数,确定所述地图区域内道路上的各个位置和时间对应的货车出现的概率。
4.根据权利要求3所述的方法,其中,对所述车辆拍摄图像进行识别,得到货车在对应的道路上的地理坐标,包括:
对所述车辆拍摄图像上的像素点进行语义分类,得到各个像素点的语义分类结果;
根据所述语义分类结果,得到所述车辆拍摄图像中的货车区域;
根据所述货车区域确定所述货车在对应的道路上的地理坐标。
5.根据权利要求4所述的方法,其中,根据所述货车区域确定所述货车在对应的道路上的地理坐标,包括:
获取所述货车区域在所述车辆拍摄图像上的位置;
根据所述货车区域在所述车辆拍摄图像上的位置,以及拍摄所述车辆拍摄图像的车辆在所述道路上的地理坐标,确定所述货车在对应的道路上的地理坐标。
6.根据权利要求2所述的方法,其中,根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内道路上的各个位置和时间对应的货车出现的概率,包括:
根据多模态学习模型对所述车辆拍摄图像和所述货车行驶轨迹数据进行处理,得到所述地图区域内道路上的各个位置和时间对应的货车出现的概率。
7.根据权利要求1所述的方法,其中,所述路线规划请求中还包括车辆类型标识;根据所述高峰路段信息、所述高峰时段信息、路线起点和路线终点,确定规划路线,包括:
根据所述车辆类型标识确定所述车辆类型对应的限制条件;
根据所述高峰路段信息、所述高峰时段信息、所述路线起点、所述路线终点和所述限制条件,确定所述规划路线。
8.一种模型训练方法,包括:
获取训练样本,所述训练样本中包括地图区域内道路上的样本车辆拍摄图像、样本货车行驶轨迹数据,以及所述地图区域内道路上的各个位置和时间对应的货车出现的样本概率;
根据多模态学习模型对所述样本车辆拍摄图像和所述样本货车行驶轨迹数据进行处理,得到所述多模态学习模型输出的第一概率;
根据所述第一概率和所述样本概率之间的误差,对所述多模态学习模型的参数进行调整,得到训练完成的多模态学习模型;
其中,所述多模态学习模型包括图像识别层、轨迹挖掘层和深度神经网络层;根据多模态学习模型对所述样本车辆拍摄图像和所述样本货车行驶轨迹数据进行处理,得到所述多模态学习模型输出的第一概率,包括:
根据所述图像识别层对所述样本车辆拍摄图像进行图像识别处理,得到图像识别特征;
根据所述轨迹挖掘层对所述样本货车行驶轨迹数据进行处理,得到轨迹特征;
根据所述深度神经网络层对所述图像识别特征和所述轨迹特征进行特征融合处理,得到所述第一概率。
9.根据权利要求8所述的方法,其中,根据所述图像识别层对所述样本车辆拍摄图像进行图像识别处理,得到图像识别特征,包括:
对所述样本车辆拍摄图像中的各个像素点进行语义识别,得到所述样本车辆拍摄图像的语义特征图,所述语义特征图中包括各所述像素点的语义标签;
根据各所述像素点的语义标签,在所述语义特征图中确定货车区域特征图;
根据所述货车区域特征图,确定货车在对应的道路上的地理坐标;
根据所述货车区域特征图和所述货车在对应的道路上的地理坐标,得到所述图像识别特征。
10.根据权利要求8所述的方法,其中,根据所述轨迹挖掘层对所述样本货车行驶轨迹数据进行处理,得到轨迹特征,包括:
根据所述样本货车行驶轨迹数据,确定对应的样本轨迹参数,所述样本轨迹参数包括各个轨迹点对应的时间、货车的位置、货车的行驶速度以及货车的行驶方向;
根据所述轨迹挖掘层对所述样本轨迹参数进行处理,得到所述轨迹特征。
11.一种路线规划装置,包括:
获取模块,用于获取地图区域内道路上的车辆拍摄图像,并获取所述地图区域内的货车行驶轨迹数据;
确定模块,用于根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内的货车流量高峰路段,以及所述高峰路段对应的高峰时段;
发送模块,用于向服务的客户端发送所述高峰路段信息以及所述高峰时段信息,以使所述客户端在接收到路线规划请求后,根据所述高峰路段信息、所述高峰时段信息、路线起点和路线终点,确定规划路线,其中,所述路线规划请求中包括所述路线起点和所述路线终点,所述高峰路段信息指示所述地图区域内的货车流量高峰路段,所述高峰时段信息指示所述货车流量高峰路段对应的高峰时段,所述规划路线中不包括在对应的高峰时段内的高峰路段;
所述确定模块还包括:
第一更新单元,用于获取更新后的车辆拍摄图像和更新后的货车行驶轨迹数据;
第二更新单元,用于根据所述更新后的车辆拍摄图像和所述更新后的货车行驶轨迹数据,对多模态学习模型进行训练,得到更新后的多模态学习模型;
第三更新单元,用于根据所述更新后的多模态学习模型确定更新后的货车流量高峰路段,以及所述更新后的货车流量高峰路段对应的更新后的高峰时段;
发送单元,用于向所述客户端发送所述更新后的货车流量高峰路段信息,以及所述更新后的高峰时段信息。
12.根据权利要求11所述的装置,其中,所述确定模块包括:
第一确定单元,用于根据所述车辆拍摄图像和所述货车行驶轨迹数据,确定所述地图区域内道路上的各个位置和时间对应的货车出现的概率;
第二确定单元,用于根据所述货车出现的概率,确定所述高峰路段,以及所述高峰路段对应的高峰时段。
13.根据权利要求12所述的装置,其中,所述第一确定单元包括:
识别子单元,用于对所述车辆拍摄图像进行识别,得到货车在对应的道路上的地理坐标;
获取子单元,用于根据所述货车行驶轨迹数据,获取对应的轨迹参数,所述轨迹参数包括各个轨迹点对应的时间、货车的位置、货车的行驶速度以及货车的行驶方向;
确定子单元,用于根据所述货车在对应的道路上的地理坐标和所述轨迹参数,确定所述地图区域内道路上的各个位置和时间对应的货车出现的概率。
14.根据权利要求13所述的装置,其中,所述识别子单元具体用于:
对所述车辆拍摄图像上的像素点进行语义分类,得到各个像素点的语义分类结果;
根据所述语义分类结果,得到所述车辆拍摄图像中的货车区域;
根据所述货车区域确定所述货车在对应的道路上的地理坐标。
15.根据权利要求14所述的装置,其中,所述识别子单元具体用于:
获取所述货车区域在所述车辆拍摄图像上的位置;
根据所述货车区域在所述车辆拍摄图像上的位置,以及拍摄所述车辆拍摄图像的车辆在所述道路上的地理坐标,确定所述货车在对应的道路上的地理坐标。
16.根据权利要求12所述的装置,其中,所述确定模块包括:
处理单元,用于根据多模态学习模型对所述车辆拍摄图像和所述货车行驶轨迹数据进行处理,得到所述地图区域内道路上的各个位置和时间对应的货车出现的概率。
17.根据权利要求11所述的装置,其中,所述路线规划请求中还包括车辆类型标识;规划模块包括:
第一规划单元,用于根据所述车辆类型标识确定所述车辆类型对应的限制条件;
第二规划单元,用于根据所述高峰路段信息、所述高峰时段信息、所述路线起点、所述路线终点和所述限制条件,确定所述规划路线。
18.一种模型训练装置,包括:
获取模块,用于获取训练样本,所述训练样本中包括地图区域内道路上的样本车辆拍摄图像、样本货车行驶轨迹数据,以及所述地图区域内道路上的各个位置和时间对应的货车出现的样本概率;
处理模块,用于根据多模态学习模型对所述样本车辆拍摄图像和所述样本货车行驶轨迹数据进行处理,得到所述多模态学习模型输出的第一概率;
训练模块,用于根据所述第一概率和所述样本概率之间的误差,对所述多模态学习模型的参数进行调整,得到训练完成的多模态学习模型;
其中,所述多模态学习模型包括图像识别层、轨迹挖掘层和深度神经网络层;所述处理模块包括:
图像处理单元,用于根据所述图像识别层对所述样本车辆拍摄图像进行图像识别处理,得到图像识别特征;
轨迹处理单元,用于根据所述轨迹挖掘层对所述样本货车行驶轨迹数据进行处理,得到轨迹特征;
特征处理单元,用于根据所述深度神经网络层对所述图像识别特征和所述轨迹特征进行特征融合处理,得到所述第一概率。
19.根据权利要求18所述的装置,其中,所述图像处理单元包括:
识别子单元,用于对所述样本车辆拍摄图像中的各个像素点进行语义识别,得到所述样本车辆拍摄图像的语义特征图,所述语义特征图中包括各所述像素点的语义标签;
第一确定子单元,用于根据各所述像素点的语义标签,在所述语义特征图中确定货车区域特征图;
第二确定子单元,用于根据所述货车区域特征图,确定货车在对应的道路上的地理坐标;
第一获取子单元,用于根据所述货车区域特征图和所述货车在对应的道路上的地理坐标,得到所述图像识别特征。
20.根据权利要求18所述的装置,其中,所述轨迹处理单元包括:
第三确定子单元,用于根据所述样本货车行驶轨迹数据,确定对应的样本轨迹参数,所述样本轨迹参数包括各个轨迹点对应的时间、货车的位置、货车的行驶速度以及货车的行驶方向;
第二获取子单元,用于根据所述轨迹挖掘层对所述样本轨迹参数进行处理,得到所述轨迹特征。
21. 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1-10中任一项所述的方法。
22.一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1-10中任一项所述的方法。
23.一种计算机程序产品,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1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130631.5A CN112785072B (zh) | 2021-01-29 | 2021-01-29 | 路线规划和模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130631.5A CN112785072B (zh) | 2021-01-29 | 2021-01-29 | 路线规划和模型训练方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785072A CN112785072A (zh) | 2021-05-11 |
CN112785072B true CN112785072B (zh) | 2024-04-12 |
Family
ID=75760025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110130631.5A Active CN112785072B (zh) | 2021-01-29 | 2021-01-29 | 路线规划和模型训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785072B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346364B (zh) * | 2022-07-06 | 2023-10-13 | 中关村科学城城市大脑股份有限公司 | 基于图像识别的显示控制方法、装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107782326A (zh) * | 2016-08-31 | 2018-03-09 | 百度在线网络技术(北京)有限公司 | 用于车辆导航的方法、装置和设备 |
CN108764581A (zh) * | 2018-05-31 | 2018-11-06 | 深圳市零度智控科技有限公司 | 一种汽车事故及时通知方法、装置、服务器及存储介质 |
CN108873905A (zh) * | 2018-07-09 | 2018-11-23 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶车辆控制方法、自动驾驶车辆及可读存储介质 |
CN109840632A (zh) * | 2019-01-23 | 2019-06-04 | 中国联合网络通信集团有限公司 | 一种行车路线评估规划方法及装置 |
CN110364008A (zh) * | 2019-08-16 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
CN110782095A (zh) * | 2019-10-29 | 2020-02-11 | 广东中科瑞泰智能科技有限公司 | 一种消防路线规划方法、装置、电子设备及存储介质 |
CN111860227A (zh) * | 2020-06-30 | 2020-10-30 | 北京百度网讯科技有限公司 | 训练轨迹规划模型的方法、装置和计算机存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI409440B (zh) * | 2008-10-28 | 2013-09-21 | Inventec Appliances Corp | 路線規劃的行動導航方法及其裝置 |
TW201614195A (en) * | 2014-10-02 | 2016-04-16 | Inst Information Industry | Route planning system, route planning method and traffic information update method |
-
2021
- 2021-01-29 CN CN202110130631.5A patent/CN112785072B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107782326A (zh) * | 2016-08-31 | 2018-03-09 | 百度在线网络技术(北京)有限公司 | 用于车辆导航的方法、装置和设备 |
CN108764581A (zh) * | 2018-05-31 | 2018-11-06 | 深圳市零度智控科技有限公司 | 一种汽车事故及时通知方法、装置、服务器及存储介质 |
CN108873905A (zh) * | 2018-07-09 | 2018-11-23 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶车辆控制方法、自动驾驶车辆及可读存储介质 |
CN109840632A (zh) * | 2019-01-23 | 2019-06-04 | 中国联合网络通信集团有限公司 | 一种行车路线评估规划方法及装置 |
CN110364008A (zh) * | 2019-08-16 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
CN110782095A (zh) * | 2019-10-29 | 2020-02-11 | 广东中科瑞泰智能科技有限公司 | 一种消防路线规划方法、装置、电子设备及存储介质 |
CN111860227A (zh) * | 2020-06-30 | 2020-10-30 | 北京百度网讯科技有限公司 | 训练轨迹规划模型的方法、装置和计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
基于交通流量预测的动态最优路径规划研究;刘智琦;李春贵;陈波;;广西工学院学报;20120615(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112785072A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110667576B (zh) | 自动驾驶车辆的弯道通行控制方法、装置、设备和介质 | |
US10262529B2 (en) | Management of moving objects | |
CN113071493B (zh) | 车辆变道控制的方法、设备、存储介质和程序产品 | |
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
CN111158359A (zh) | 障碍物处理方法和装置 | |
CN114036253A (zh) | 高精地图数据处理方法、装置、电子设备和介质 | |
CN112785072B (zh) | 路线规划和模型训练方法、装置、设备及存储介质 | |
CN113119999B (zh) | 自动驾驶特征的确定方法、装置、设备、介质及程序产品 | |
CN114802250A (zh) | 数据处理方法、装置、设备、自动驾驶车辆及介质 | |
CN116007638B (zh) | 车辆轨迹地图匹配方法、装置、电子设备及车辆 | |
CN115657684B (zh) | 车辆路径信息生成方法、装置、设备和计算机可读介质 | |
CN114689061A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
CN113276888B (zh) | 基于自动驾驶的乘车方法、装置、设备和存储介质 | |
CN114771533A (zh) | 自动驾驶车辆的控制方法、装置、设备、车辆及介质 | |
CN114659537A (zh) | 导航起点道路确定方法、装置、设备及存储介质 | |
CN114119951A (zh) | 车信标注的方法、装置、设备以及存储介质 | |
CN116264038A (zh) | 信号灯控制方法及装置、电子设备和存储介质 | |
CN113587937A (zh) | 车辆的定位方法、装置、电子设备和存储介质 | |
CN114435347B (zh) | 泊车轨迹的确定方法、装置、设备以及存储介质 | |
CN113947897B (zh) | 获取道路交通状况的方法、装置、设备及自动驾驶车辆 | |
CN116434166A (zh) | 目标区域的识别方法、装置、设备和存储介质 | |
CN114492609A (zh) | 识别颠簸路段的方法、装置、设备、存储介质及程序产品 | |
CN117668377A (zh) | 公交路线识别方法、装置、电子设备及存储介质 | |
CN114677570A (zh) | 道路信息更新方法、装置、电子设备以及存储介质 | |
CN116401554A (zh) | 数据分类方法、装置、设备及介质 |
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 |