CN113128766A - 目的地预判方法、装置、电子设备和存储介质 - Google Patents

目的地预判方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113128766A
CN113128766A CN202110429309.2A CN202110429309A CN113128766A CN 113128766 A CN113128766 A CN 113128766A CN 202110429309 A CN202110429309 A CN 202110429309A CN 113128766 A CN113128766 A CN 113128766A
Authority
CN
China
Prior art keywords
driving
track
information
destination
intention
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.)
Pending
Application number
CN202110429309.2A
Other languages
English (en)
Inventor
卫凌霞
刘俊峰
雷琴辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
iFlytek Co Ltd
Original Assignee
iFlytek Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by iFlytek Co Ltd filed Critical iFlytek Co Ltd
Priority to CN202110429309.2A priority Critical patent/CN113128766A/zh
Publication of CN113128766A publication Critical patent/CN113128766A/zh
Pending legal-status Critical Current

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"
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种目的地预判方法、装置、电子设备和存储介质，其中方法包括：获取待预判车辆的行车信息；基于所述行车信息预估所述待预判车辆的行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地。本发明提供的方法、装置、电子设备和存储介质，通过车辆的行车信息预估行车意图，从而结合行车信息和行车意图进行目的地预判；行车意图的结合，能够指导预估轨迹的行进方向，从而保证最终预估所得的轨迹在符合用户驾驶习惯的同时，也能够贴合用户的行车意图，进而大幅提高了非导航场景下的目的地预判可靠性和准确性。

Description

目的地预判方法、装置、电子设备和存储介质
技术领域
本发明涉及智能驾驶技术领域，尤其涉及一种目的地预判方法、装置、电子设备和存储介质。
背景技术
在相关技术的导航系统中，需要用户通过手动或者语音输入的方式设定目的地，然后导航系统自动搜索，进而得到所需要的导航路径。
而在实际应用中，用户在经由熟悉的线路前往经常去的地方，例如日常通勤、接送孩子上学放学等，通常不会开启导航，因此车载智能中控也就无法通过导航系统获取此次行程的目的地进行业务推荐。如何在导航之外，即不通过导航系统中用户设定的目的地的情况下，预测其行程目的地并进行业务推广，仍然是亟待研究和解决的问题。
发明内容
本发明提供一种目的地预判方法、装置、电子设备和存储介质，用以解决现有技术中无法在非导航场景下实现目的地预判的缺陷。
本发明提供一种目的地预判方法，包括：
获取待预判车辆的行车信息；
基于所述行车信息预估所述待预判车辆的行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地。
根据本发明提供的一种目的地预判方法，所述基于所述行车信息预估所述待预判车辆的行车意图，包括：
基于当前时刻的行车信息，以及所述当前时刻的上一时刻的意图规律信息，确定所述当前时刻的意图规律信息；
基于所述当前时刻的意图规律信息，预测所述当前时刻的行车意图。
根据本发明提供的一种目的地预判方法，所述基于所述当前时刻的意图规律信息，预测所述当前时刻的行车意图，包括：
基于历史意图规律信息和行车意图之间的关系，确定所述当前时刻的意图规律信息对应的行车意图；
所述历史意图规律信息和行车意图之间的关系是基于当前驾驶所述待预判车辆的用户的历史行车信息确定的。
根据本发明提供的一种目的地预判方法，所述基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地，包括：
对所述行车信息进行轨迹匹配，得到所述待预判车辆的各历史行车轨迹为所述行车信息对应预估轨迹的匹配概率；
基于各历史行车轨迹的匹配概率，以及所述行车意图，确定所述预估轨迹，并将所述预估轨迹的目的地确定为所述预估目的地。
根据本发明提供的一种目的地预判方法，所述对所述行车信息进行轨迹匹配，得到所述待预判车辆的各历史行车轨迹为所述行车信息对应预估轨迹的匹配概率，包括：
基于当前时刻的行车信息和行车意图，以及所述当前时刻之前的各个时刻的行车信息的行车意图，确定所述当前时刻的轨迹特征；
基于各历史行车轨迹的轨迹特征，确定所述当前时刻的轨迹特征与各历史行车轨迹的匹配概率。
根据本发明提供的一种目的地预判方法，所述基于当前时刻的行车信息和行车意图，以及所述当前时刻之前的各个时刻的行车信息的行车意图，确定所述当前时刻的轨迹特征，包括：
基于当前时刻的行车信息，以及所述当前时刻之前的各个时刻的行车信息，确定所述当前时刻的轨迹规律信息；
基于所述当前时刻的轨迹规律信息和所述行车意图，确定所述当前时刻的轨迹编码；
基于所述当前时刻的轨迹编码，以及所述当前时刻的上一时刻的轨迹特征，确定所述当前时刻的轨迹特征。
根据本发明提供的一种目的地预判方法，所述基于所述行车信息预估所述待预判车辆的行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地，包括：
将所述行车信息输入至当前驾驶所述待预判车辆的用户的专属目的地预估模型，由所述专属目的地预估模型基于所述行车信息预估所述行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述专属目的地预估模型输出的预估目的地；
所述专属目的地预估模型是基于所述用户的历史行车信息及其历史目的地，对通用轨迹预估模型进行迁移学习得到的。
根据本发明提供的一种目的地预判方法，所述行车信息包括行车轨迹信息，或包括所述行车轨迹信息和行车环境信息。
根据本发明提供的一种目的地预判方法，所述得到所述待预判车辆的预估目的地，之后还包括：
获取所述预估目的地的历史业务数据；
基于所述行车信息，从历史业务数据中选取待推荐业务；
生成所述待推荐业务的推荐提醒并发送。
本发明还提供一种目的地预判装置，包括：
信息获取单元，用于获取待预判车辆的行车信息；
目的地预估单元，用于基于所述行车信息预估所述待预判车辆的行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述目的地预判方法的步骤。
本发明还提供一种非暂态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执行时实现如上述任一种所述目的地预判方法的步骤。
本发明提供的目的地预判方法、装置、电子设备和存储介质，通过车辆的行车信息预估行车意图，从而结合行车信息和行车意图进行目的地预判；行车意图的结合，能够指导预估轨迹的行进方向，从而保证最终预估所得的轨迹在符合用户驾驶习惯的同时，也能够贴合用户的行车意图，进而大幅提高了非导航场景下的目的地预判可靠性和准确性。
附图说明
为了更清楚地说明本发明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简要地说明，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明提供的目的地预判方法的流程示意图；
图2是本发明提供的目的地预判方法中步骤120的流程示意图；
图3是本发明提供的目的地预判方法中步骤121的流程示意图；
图4是本发明提供的目的地预判方法中步骤122的流程示意图；
图5是本发明提供的目的地预判方法中步骤1221的流程示意图；
图6是本发明提供的目的地预判方法中步骤1221-1的流程示意图；
图7是本发明提供的目的地预估模型的结构示意图；
图8是本发明提供的闭环推荐系统的结构示意图；
图9是本发明提供的目的地预判装置的结构示意图；
图10是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
随着智能车载行业的迅猛发展，车载智能中控成为了连接人机交互的纽带。导航之外的服务闭环和业务精准推荐也成为了用户期望和行业努力的方向和研究的热点。
目前的服务闭环和业务推荐大多是如下两类：一类是基于用户设定的起终点进行各种情况的路线推荐，例如避免拥堵、红绿灯最少、时间最少、停车最佳路线等；另一类是基于用户预设的起终点匹配历史路线的路线表征，以推算用户下次请求的推荐概率结果，从而进行更符合用户习惯的线路推荐。而无论上述哪种情况，均是以用户开启导航并设定起终点为前提实现的。
但是在日常操作中，用户在经由熟悉的线路前往经常去的地方，例如日常通勤、接送孩子上学放学等，通常不会开启导航，因此车载智能中控也就无法通过导航系统获取此次行程的目的地进行服务闭环和业务推荐。针对这一问题，目前的解决方案是将用户当前的车辆位置与用户以往的导航信息相结合进行目的地预估，但是这种方法仅涉及到历史目的地的匹配，其可靠性和精准性无法保证。
针对上述问题，本发明提供一种目的地预判方法，用于实现非导航场景下的目的地预判。图1是本发明提供的目的地预判方法的流程示意图，如图1所示，该方法的执行主体可以是车载智能中控，也可以是接入车载智能网联中的智能设备，例如智能手机、平板电脑等。
该方法包括：
步骤110，获取待预判车辆的行车信息。
此处，待预判车辆即需要进行目的地预判的车辆，待预判车辆的行车信息是指此次车辆启动后的信息，可以是此次车辆启动时刻至当前时刻的信息，也可以是以当前时刻为终点向前推算预设时长的信息。
行车信息具体可以包含车辆行驶的轨迹信息，例如车辆行驶中各个轨迹点的位置、时间、车头朝向、车辆所在道路等，又例如从起始点出发至各个轨迹点的里程和耗时等。此外，行车信息还可以包含车辆行驶过程中的环境信息，此处的环境信息可以是车内环境也可以是车外环境，例如车内的人员数量、人员身份等，又例如车辆所在道路的拥堵程度、车辆所在道路的周边建筑物、标志物等。
步骤120，基于行车信息预估待预判车辆的行车意图，并基于行车信息和行车意图进行轨迹预估，得到待预判车辆的预估目的地。
具体地，目前在得到行车信息之后，常用的方法是直接基于行车信息预估目的地，例如将行车信息与历史行车信息进行匹配，并将匹配所得的历史行车信息对应的目的地直接确定为当前次行驶的预估目的地，又例如从历史行车信息及其对应的目的地中学习到行车信息与目的地之间的映射关系，从而直接得到当前次行驶的行车信息所对应的预估目的地。上述方法虽然可以实现目的地的简单预判，但是在实际生活中，行车信息和目的地之间并不是简单的映射关系，其中行车信息包含了当前驾驶待预判车辆的用户的复杂意图，仅凭关系映射预判目的地并不符合实际情况，准确性和可靠性都很差。
考虑到实际情况，本发明实施例在基于行车信息进行目的地预判时，首先预估待预判车辆的行车意图，此处的行车意图反映的是当前车辆的行驶方向，例如左转、右转或者直行，具体可以是车辆执行左转、右转和执行的概率。
进一步地，基于行车信息预估行车意图时，可以结合该车辆在历史行车过程中基于行车信息所反映出的行车意图的规律，从而顺应该规律估计当前待预判车辆的行车意图，例如可以将历史行车过程中的行车信息作为训练样本，通过训练神经网络模型的方式使得训练所得的神经网络模型能够学习到行车信息中反映的行车意图的规律，后续在进行行车意图预估时，即可直接将行车信息输入到神经网络模型中进行预测，又例如可以通过数理统计的方式计算历史行车过程中的行车信息的行车意图概率分布，并将行车意图的概率分布规律应用到后续行车意图预估中，本发明实施例对此不作具体限定。
在得到待预判车辆的行车意图之后，即可结合其行车信息和行车意图，对待预判车辆的此次行程进行轨迹预估，并根据预估所得的轨迹确定此次行程的预估目的地。具体在轨迹预估的过程中，行车意图可以指导基于行车信息预估轨迹的行进方向，从而使得轨迹预估能够参考当前驾驶待预判车辆的用户的复杂意图，进一步贴合实际应用情况，最终预估所得的轨迹在符合用户驾驶习惯和历史行为的同时，也能够贴合用户当前次的行车意图，从而提高轨迹预测的可靠性和准确性。
进一步地，基于行车信息和行车意图进行轨迹预估时，将历史行车过程中的行车信息、行车意图和包含目的地的历史轨迹作为训练样本，通过训练神经网络模型的方式使得训练所得的神经网络模型能够学习到行车信息和行车意图所反映的行车轨迹的规律，后续在进行轨迹预估时，即可直接将行车信息和行车意图输入到神经网络模型中进行预测，又例如可以通过数理统计的方式，结合行车意图计算历史行车过程中的行车信息的常去目的地的概率分布，并将常去目的地的概率分布规律应用到后续轨迹预估中，本发明实施例对此不作具体限定。
此外，上述基于行车信息预估行车意图，以及基于行车信息和行车意图预估行车轨迹最终确定目的地的步骤实现，还可以通过端到端的神经网络模型实现，可以将历史行车过程中的行车信息、行车意图和包含目的地的历史轨迹作为训练样本，通过训练神经网络模型的方式使得训练所得的端到端的神经网络模型能够学习到行车信息中反映的行车意图的规律，以及行车信息和行车意图所反映的行车轨迹的规律，从而在候选的目的地预测时，仅需要将行车信息输入到端到端的神经网络模型中，即可由端到端的神经网络模型实现行车意图预估，以及基于行车意图的行车轨迹预估。
此处用于实现轨迹预测或者意图预估的神经网络模型，可以是基于具备时序数据处理能力的神经网络架构实现的，例如可以包含RNN(Recurrent Neural Network，循环神经网络)、LSTM(Long Short-Term Memory，长短期记忆网络)。此外，用于实现轨迹预测或者意图预估的神经网络模型，还可以是n-gram(N元模型)，具体可以结合viterbi算法找到匹配模型得分最高的前N个结果作为预判断和推荐的结果。
本发明实施例提供的方法，通过车辆的行车信息预估行车意图，从而结合行车信息和行车意图进行目的地预判；行车意图的结合，能够指导预估轨迹的行进方向，从而保证最终预估所得的轨迹在符合用户驾驶习惯的同时，也能够贴合用户的行车意图，进而大幅提高了非导航场景下的目的地预判可靠性和准确性。
基于上述实施例，图2是本发明提供的目的地预判方法中步骤120的流程示意图，如图2所示，步骤120包括：
步骤121，基于行车信息预估待预判车辆的行车意图；
步骤122，基于行车信息和行车意图进行轨迹预估，得到待预判车辆的预估目的地。
在此基础上，图3是本发明提供的目的地预判方法中步骤121的流程示意图，如图3所示，步骤121包括：
步骤1211，基于当前时刻的行车信息，以及当前时刻的上一时刻的意图规律信息，确定当前时刻的意图规律信息。
步骤1212，基于当前时刻的意图规律信息，预测当前时刻的行车意图。
具体地，行车信息可以基于采集时刻进行划分，具体到各个时刻的行车信息，可以用于反映待预判车辆在对应时刻的信息，例如在对应时刻的车辆位置、车头朝向、车辆所在道路、车速，又例如在对应时刻的行驶里程、行驶时长，还例如在对应时刻的车内人员数量、人员身份、车辆所在道路拥堵程度、周边建筑物、标志物等。
为了实现基于行车信息的意图识别，可以基于各个时刻的行车信息，统计分析待预判车辆的意图规律，此处意图规律信息可以反映行车过程中的驾驶规律，例如转弯、变道、直行的规律。具体在步骤1211中，是以行车信息对应时刻排序，通过整合逐个时刻的行车信息，得到当前时刻的意图规律信息。针对首个时刻，可以基于首个时刻的行车信息，确定首个时刻的意图规律信息；针对首个时刻之后的每个时刻，可以基于对应时刻的行车信息，以及对应时刻的上一时刻的意图规律信息，确定对应时刻的意图规律信息，由此使得每个时刻的意图规律信息，不仅能够体现对应时刻的行车信息，还涵盖了对应时刻之前的每个时刻的意图规律信息。
此处，意图规律信息的确定可以通过预先设定的获取规则，或者预先训练好的神经网络模型实现。首个时刻可以是当前时刻进行意图识别时向前推算预设时长的时刻，也可以是此次行程的起始时刻，本发明实施例对此不作具体限定。例如，首个时刻可以设定为此次行程开始的1分钟之后。
基于上述任一实施例，步骤1212包括：
基于历史意图规律信息和行车意图之间的关系，确定当前时刻的意图规律信息对应的行车意图；
历史意图规律信息和行车意图之间的关系是基于当前驾驶待预判车辆的用户的历史行车信息确定的。
具体地，在得到当前时刻的意图规律信息之后，即可基于当前时刻的意图规律信息，结合预先获取的该待预判车辆在历史行驶过程中的各个时刻的历史意图规律信息和行车意图之间的关系，确定当前时刻的意图规律信息针对各个行车意图的概率分布，例如左转概率为72％，直行概率为13％，右转概率为15％，由此可以确定当前时刻的行车意图为左转。
特别地，考虑到不同人员在进行车辆驾驶时的驾驶习惯存在区别，且不同人员熟悉的线路和常去的目的地也可能存在区别，本发明实施例在与训练历史意图规律信息和行车意图之间的关系时针对性地对用户进行了区分，即针对不同用户作为驾驶员时的历史行车信息，分别训练与用户一一对应的历史意图规律信息和行车意图之间的关系。针对于任一用户作为驾驶员的情况，可以从该用户的多次行程的历史行车信息中，截取多个时段下各时刻的历史行车信息提取其意图规律信息，并标记其行车意图，由此得到各时刻的意图规律信息和行车意图作为训练样本和标签，在此基础上进行训练得到该用户的历史意图规律信息和行车意图之间的关系。
基于上述任一实施例，图4是本发明提供的目的地预判方法中步骤122的流程示意图，如图4所示，步骤122包括：
步骤1221，对行车信息进行轨迹匹配，得到待预判车辆的各历史行车轨迹为行车信息对应预估轨迹的匹配概率。
具体地，历史行车轨迹可以是当前驾驶待预判车辆的用户此前驾驶车辆的行车轨迹，历史行车轨迹的选取可以以该用户在一段时间内驾驶车辆行驶该行车轨迹的次数为依据，例如用户在一周内每天都从家前往公司上班，则从家到公司上班的行车轨迹可以作为该用户的历史行车轨迹，又例如用户在每周都有两天下班后前往某个商场购物，则可以将从公司到该商场的行车轨迹作为该用户的历史行车轨迹。
在完成该用户的历史行车轨迹收集之后，即可得到各个历史行程轨迹下的行程信息，用于后续行车信息的匹配和分布概率的计算。
在结合行车信息和行车意图进行轨迹预估时，可以首先将行车信息与各历史行车轨迹对应的历史行车信息进行匹配，从而得到各历史行车轨迹为行车信息对应预估轨迹的匹配概率。
步骤1222，基于各历史行车轨迹的匹配概率，以及行车意图，确定预估轨迹，并将预估轨迹的目的地确定为预估目的地。
具体地，相对于单纯应用行车信息进行历史行车轨迹的匹配从而预估轨迹，结合行车意图指导预估轨迹的行进方向，可以进一步提高估计预估的可靠性。例如，可以分析各个历史行车轨迹的行进方向，并判断各个历史行车轨迹的行进方向和行车意图所指示的行进方向是否一致，如果一致，则增加该历史行车轨迹的匹配概率，如果不一致，则削弱该历史行车轨迹的匹配概率，并在此基础上根据各个历史行车轨迹的匹配概率，从各个历史行车轨迹中选取一个轨迹作为预估轨迹，并将预估轨迹的目的地确定为预估目的地。
基于上述任一实施例，图5是本发明提供的目的地预判方法中步骤1221的流程示意图，如图5所示，步骤1221包括：
步骤1221-1，基于当前时刻的行车信息和行车意图，以及当前时刻之前的各个时刻的行车信息的行车意图，确定当前时刻的轨迹特征；
步骤1221-2，基于各历史行车轨迹的轨迹特征，确定当前时刻的轨迹特征与各历史行车轨迹的匹配概率。
具体地，在对当前时刻的轨迹特征进行编码时，在时间维度上，不仅需要考虑当前时刻的行车信息，还需要考虑当前时刻之前的各个时刻的行车信息；在特征维度上，不仅需要考虑各个时刻的行车信息，还需要考虑各个时刻的行车意图，由此保证编码所得的当前时刻的轨迹特征能够全方位地反映待预判车辆在此次行程中的行车轨迹。
在得到当前时刻的轨迹特征之后，即可将各历史行车轨迹的轨迹特征与之进行匹配，从而得到当前时刻轨迹特征与各历史行车轨迹的匹配概率，作为各历史行车轨迹为行车信息对应预估轨迹的匹配概率。
本发明实施例提供的方法，在轨迹匹配过程中结合了行车意图，从而提高了轨迹特征表示的可靠性和准确性，有助于提高匹配概率的精准度。
基于上述任一实施例，图6是本发明提供的目的地预判方法中步骤1221-1的流程示意图，如图6所示，步骤1221-1包括：
步骤1221-1a，基于当前时刻的行车信息，以及当前时刻之前的各个时刻的行车信息，确定当前时刻的轨迹规律信息。
具体地，为了实现基于行车信息的轨迹匹配预测，可以基于各个时刻的行车信息，统计分析待预判车辆的行车轨迹规律，此处轨迹规律信息可以反映行车过程中的行驶路径规律。具体在步骤1221-1a中，是以行车信息对应时刻排序，通过整合逐个时刻的行车信息，得到当前时刻的轨迹规律信息。
例如，针对首个时刻，可以基于首个时刻的行车信息，确定首个时刻的轨迹规律信息；针对首个时刻之后的每个时刻，可以基于对应时刻的行车信息，以及对应时刻的上一时刻的轨迹规律信息，确定对应时刻的轨迹规律信息，由此使得每个时刻的轨迹规律信息，不仅能够体现对应时刻的行车信息，还涵盖了对应时刻之前的每个时刻的轨迹规律信息。
此处，轨迹规律信息的确定可以通过预先设定的获取规则，或者预先训练好的神经网络模型实现。首个时刻可以是当前时刻进行轨迹匹配预测时向前推算预设时长的时刻，也可以是此次行程的起始时刻，本发明实施例对此不作具体限定。
此外，基于行车信息获取的意图规律信息和轨迹规律信息可以相同也可以不同，两者相同时，可以基于相同参数的神经网络模型进行规律提取，两者不同时，可以基于不同参数或者不同结构的神经网络模型进行规律提取，本发明实施例对此不作具体限定。
步骤1221-1b，基于当前时刻的轨迹规律信息和行车意图，确定当前时刻的轨迹编码。
具体地，在得到当前时刻的轨迹规律信息后，可以结合当前时刻的行车意图进行编码，从而得到当前时刻的轨迹编码，例如可以将此两者进行拼接得到轨迹编码。
步骤1221-1c，基于当前时刻的轨迹编码，以及当前时刻的上一时刻的轨迹特征，确定当前时刻的轨迹特征。
具体地，在针对当前时刻进行轨迹特征提取时，同样可以结合各个时刻的轨迹编码实现。例如，针对首个时刻之后的每个时刻，可以基于对应时刻的轨迹编码，以及对应时刻的上一时刻的轨迹特征，确定对应时刻的轨迹特征，由此使得每个时刻的轨迹特征，不仅能够体现对应时刻的行车编码的信息，还涵盖了对应时刻之前的每个时刻的轨迹特征。
基于上述任一实施例，步骤120包括：
将行车信息输入至当前驾驶待预判车辆的用户的专属目的地预估模型，由专属目的地预估模型基于行车信息预估行车意图，并基于行车信息和行车意图进行轨迹预估，得到专属目的地预估模型输出的预估目的地；
专属目的地预估模型是基于用户的历史行车信息及其历史目的地，对通用轨迹预估模型进行迁移学习得到的。
具体地，基于行车信息的行车意图预估，以及基于行车信息和行车意图的行车轨迹预估，均可以通过端到端的专属目的地预估模型实现，且考虑到不同用户驾驶习惯和熟悉路线的区别，专属目的地预估模型与用户是一一对应的。
相应地，在步骤120执行之前，可以预先训练得到当前驾驶待预判车辆的用户的专属目的地预估模型，具体训练方法包括：首先，收集该用户的历史行车信息，及其对应的历史目的地。随后，在预训练得到的通用轨迹预估模型的基础上，应用该用户的历史行车信息，及其对应的历史目的地进行迁移学习，从而得到该用户的专属目的地预估模型。
其中，预训练得到的通用轨迹预估模型是在不区分用户的历史行车信息及其历史目的地的样本基础上训练所得的，例如可以是在MGSIM数据集的基础上训练得到。在通用轨迹预估模型的基础上进行迁移训练，能够加速专属目的地预估模型的收敛速度，降低为各个用户分别提供专属目的地预估模型所需的计算资源。
在此基础上，上述各个实施例中提供的涵盖在步骤120中的具体执行步骤，均可以转化成用户的专属目的地预估模型内的执行步骤，在该用户的专属目的地预估模型内，可以划分各个功能模块用于执行对应的步骤，从而实现用户专属的目的地预估。
基于上述任一实施例，行车信息包括行车轨迹信息，或包括行车轨迹信息和行车环境信息。
此处，行车轨迹信息即与待预判车辆的行驶轨迹相关的信息，例如车辆行驶中各个轨迹点的位置、时间、车头朝向、车辆所在道路等，又例如从起始点出发至各个轨迹点的里程和耗时等。
行车环境信息即与待预判车车辆的行驶环境相关的信息，可是车内环境也可以是车外环境，例如车内的人员数量、人员身份等，又例如车辆所在道路的拥堵程度、车辆所在道路的周边建筑物、标志物等。
在行车信息中既包含行车轨迹信息，也包含行车环境信息的情况下，基于行车信息进行行车意图预估，并基于行车信息和行车意图进行行车轨迹预估，从而得到更加准确可靠的预估目的地。
进一步地，针对于行车轨迹信息的获取，可以通过待预判车辆内置的定位识别模块得到，例如可以通过GPS定位模块确定车辆位置和车辆所在道路，通过方向传感器确定车头朝向；针对于行车环境信息的获取，可以通过车内装设的摄像头采集车内人人员影像，配合目标检测技术获取人员数量，配合人脸识别获取人员身份，或者可以通过车内装设的音频采集设备采集车内人员的语音，配合声纹识别获取人员身份，还可以通过车外装设的摄像头采集车外环境影像，配合目标检测技术获取周边建筑物、标志物，或者通过GPS定位模块确定车辆位置，进而获取道路的拥堵程度和周边建筑物、标志物。
基于上述任一实施例，行车信息可以表示为如下公式：
Figure BDA0003030806330000151
其中，I(t)为t时刻的行车信息，
Figure BDA0003030806330000152
和E(t)分别为t时刻的行车轨迹信息和行车环境信息，Tp为时间跨度。行车环境信息可以表示为如下公式：
E(t)＝f(t)+g(p(t))
其中f(t)反映t时刻的时间信息，p(t)是t时刻的车内人员信息，g(p(t))是t时刻的车内人员信息的编码向量。
基于上述任一实施例，图7是本发明提供的目的地预估模型的结构示意图，如图7所示，目的地预估模型可以用于实现步骤120的操作，此处目的预估模型可以是针对当前驾驶待预判车辆的用户的专属模型。
目的地预估模型可以划分为输入模块、意图识别模块、轨迹输出模块和输出模块四部分。
其中，输入模块用于实现当前时刻T的行车信息I(T)，以及所述当前时刻之前的各个时刻的行车信息I(t),t＝(T-Tp,…,T-1)的输入。由于输入模块分别与意图识别模块和轨迹输出模块连接，各时刻的行车信息均需要通过对应的全连接层FC输入到后续模块。其中，与意图识别模块相连的全连接层FC设置有向量空间标记。
意图识别模块用于执行步骤120中的步骤121，即基于行车信息预估行车意图，具体地，可以通过LSTM网络实现当前时刻的意图规律信息的提取，此处的意图规律信息可以理解为意图识别模块中通过LSTM网络输出的隐层状态，可以标识为如下形式：
h(t)＝f(h(t-1),I(t))
式中，h(t)即t时刻的隐层状态，也就是t时刻的意图规律信息。f(h(t-1),I(t))为LSTM网络的函数表示。
随后，当前时刻的意图规律信息经过Softmax层梳理，即可得到反映行车意图的概率矩阵Ω＝(w1,w2,w3)，其中w1,w2,w3分别表示车辆左转换道、直行以及向右换道的概率。进一步地，可以预先为左转、直行和右转设定确信阈值，例如向左或者向右换道的确信阈值为85％，而直行的确信阈值为75％，当某一类的输出概率大于对应的确信阈值，则确定该类为最终的预测意图，将该类概率调整为1，其它两个类别的概率调整为0。
轨迹输出模块用于执行步骤120中的步骤122，可以进一步细化为编码器、解码器和混合密度网络层。其中，编码器用于将输入的行车信息编码为固定长度的向量，以表征已经行驶的轨迹规律，解码器用于从该向量中提取信息，从而预测车辆的轨迹。混合密度层用于将预测所得轨迹与历史轨迹进行匹配，从而得到预测轨迹与各个历史轨迹的匹配概率分布。
编码器用于执行步骤1221-1a，即基于当前时刻的行车信息，以及当前时刻之前的各个时刻的行车信息，确定当前时刻的轨迹规律信息。编码器可以通过LSTM网络实现当前时刻的轨迹规律信息的提取，此处的轨迹规律信息可以理解为编码器中通过LSTM网络输出的隐层状态。
在此之后，轨迹输出模块还可以执行步骤1221-1b，即基于当前时刻的轨迹规律信息和行车意图，确定当前时刻的轨迹编码。具体可以将意图识别模块输出的反映行车意图的概率矩阵Ω，通过全连接层之后，与当前时刻的轨迹规律信息进行融合，从而得到当前时刻的轨迹编码r。
解码器用于执行步骤1221-1c，即基于当前时刻的轨迹编码，以及当前时刻的上一时刻的轨迹特征，确定当前时刻的轨迹特征。解码器中，可以通过LSTM网络实现轨迹特征的提取，具体可以利用上一时刻的轨迹特征q(t-1)、上一时刻的隐层状态h(t-1)以及轨迹编码r，获取当前时刻的隐层状态h(t)：
h(t)＝f(h(t-1),q(t-1),r)
式中，f(h(t-1),q(t-1)，r)为LSTM网络的函数表示。
随后，解码器根据当前时刻的隐层状态h(t)、上一时刻的轨迹特征q(t-1)以及轨迹编码r，更新当前时刻的轨迹特征：
q(t)＝g(h(t)，q(t-1)，r)
式中，g(h(t)，q(t-1)，r)为轨迹特征提取的函数表示。
解码器中，对于任一时刻的轨迹特征，可以通过全连接层FC进行维度适配，并将通过全连接层维度适配后的轨迹特征记为z。此处所指的维度适配是与解码器后接的混合密度网络(mixture-density-networks，MDN)的输入维度进行适配。
混合密度网络可以执行步骤1221-2，即基于各历史行车轨迹的轨迹特征，确定当前时刻的轨迹特征与各历史行车轨迹的匹配概率。混合密度网络能给出不同输出的概率分布，而且能计算输出结果的置信度，其整体思路在于对任意一个输入，利用一组核函数进行线性组合，以此来逼近输出，通过神经网络代表核函数的分布参数，不断迭代。
本发明实施例中，混合密度网络的核函数由K个高斯函数组合而成，轨迹概率分布为：
Figure BDA0003030806330000171
式中，Pπ，μ，σ(Oi|z)表示输入的轨迹特征z与第i个历史行车轨迹Oi之间的匹配概率，其中：
Figure BDA0003030806330000181
πk是分配系数；
Figure BDA0003030806330000182
Figure BDA0003030806330000183
ρk∈[-1，1]
φ是二元高斯函数，uk是均值，∑kz是协方差矩阵，σk是标准差，ρk是相关系数，n为基于各个时刻的行车信息构成的序列中的时刻数量。
输出模块用于执行步骤1222，即基于各历史行车轨迹的匹配概率，以及行车意图，确定预估轨迹，并将预估轨迹的目的地确定为预估目的地。具体可以体现为如下公式：
P(O|I)＝∑wiPπ，μ，σ(Oi|z)
式中，P(O|I)即最终输出的预估轨迹的概率，可以由此选取概率最高的轨迹作为预估轨迹，并确定预估轨迹的目的地作为预估目的地。
基于上述任一实施例，步骤120之后还包括：
获取预估目的地的历史业务数据；
基于行车信息，从历史业务数据中选取待推荐业务，生成待推荐业务的推荐提醒并发送。
具体地，在得到预估目的地之后，即可获取预估目的地的历史业务数据。此处的历史业务数据是当前驾驶待预判车辆的用户历史上以预估目的地作为目的地达到后执行业务的相关数据，例如美食订单、预约记录、停车位置及记录等。假设预估目的地是某个商场，用户曾经在该商场的某个餐厅预约过位置，或者查询到用户在该商场的某个餐厅的消费记录，则可以将该餐厅的相关信息加入预估目的地的历史业务数据。
考虑到行车信息反映了当前待预判车辆的行驶情况，可以基于行车信息预判抵达预估目的地的时间，从而判断车辆抵达时历史业务数据中涵盖的各项业务是否可用，或者车辆抵达时间更加适配历史业务数据中的哪些业务，从而从历史业务数据中选取出待推荐业务，并生成推荐提醒发送给用户。
又或者，可以基于行车信息预判抵达预估目的地所途径的路线，从而从历史业务数据中选取与途径路线更加适配的停车场位置，将适配的停车场位置对应的停车业务作为待推荐业务，推荐给用户。
此外，还可以基于行车信息中的时间，确定当前属于工作日还是节假日，由此选取历史业务数据中对应时间下的业务作为推荐业务，例如从家开往学校的路程，在工作日可能是送孩子上学，在节假日可能是前往附近的补习班，因此工作日和节假日对应的车位推荐可以是不同的。
在此基础上，针对待推荐业务生成的推荐提醒也可以是根据业务本身、业务周边情况以及抵达时间等因素确定的。例如待推荐业务是餐厅服务时，可以预估抵达时间时该餐厅是否满座，如果可能满足，则可以生成推荐提醒，提示用户提前预约。
基于上述任一实施例，一种目的地预判方法，可以包括如下步骤：
获取待预判车辆的行车信息，包括行车时间：周六下午，行车路段：A路，车头朝向：车头向北，车道方向：直行方向。可以基于上述行车信息预估行车意图为左转。在此基础上，结合行车意图左转，以及上述行车信息，进行历史行车轨迹匹配，匹配结果是当前的行车信息与前往商场的历史行车轨迹的匹配概率>85％，可以确定预估目的地为商场，查询用户在商场的历史业务数据，给出业务推荐提醒。
或者，获取待预判车辆的行车信息，包括行车时间：周一上午7点，车内人员：用户以及小孩，周边环境：从家到学校路过的喷泉。可以基于上述行车信息预估行车意图为直行。在此基础上，结合行车意图直行，以及上述行车信息，进行历史行车轨迹匹配，匹配结果是当前的行车信息与前往学校的历史行车轨迹的匹配概率>95％，可以确定预估目的地为学校，通过用户历史停车行为获取学校周边好停的停车位，让用户安全下车，为用户实际出行带来智能和方便。
又或者，根据行车信息确定的预估目的地附近存在4S店时，可以根据待预判车辆的行驶里程，判断待预判车辆是否需要前往4S店进行保养维修，当存在保养维修需求时，向用户发送4S店推荐提醒。
基于上述任一实施例，图8是本发明提供的闭环推荐系统的结构示意图，如图8所示，闭环推荐系统即用于进行服务闭环和业务推荐的系统，包括：
行车信息采集模块810，用于实现实时的行车信息采集，具体可以通过车内装设的定位识别系统、车内外的图像和声音传感装置等实现信息采集。
服务器模块820，可以接收行车信息采集模块810实时采集的行车信息，并将行车信息传入用户意图理解计算模块830。
用户意图理解计算模块830，用于针对输入的行车信息进行意图理解，得到当前时刻的行车意图，并将行车意图传入用户轨迹概率输出模块840。
用户轨迹概率输出模块840，用于结合输入的行车信息和行车意图，对待预判车辆的此次行程进行轨迹预估，从而得到该用户的各历史行车轨迹为行车信息对应预估轨迹的匹配概率。
目的地判断分析模块850，用于根据该用户的各历史行车轨迹为行车信息对应预估轨迹的匹配概率，确定当前可能的预估轨迹，从而确定当前的预估目的地。
实时计算更新模块860，用于结合行车信息，从预估目的地对应的历史业务数据中选取待推荐业务，生成待推荐业务的推荐提醒并发送。
基于上述任一实施例，图9是本发明提供的目的地预判装置的结构示意图，如图9所示，该装置包括：
信息获取单元910，用于获取待预判车辆的行车信息；
目的地预估单元920，用于基于所述行车信息预估所述待预判车辆的行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地。
本发明实施例提供的装置，通过车辆的行车信息预估行车意图，从而结合行车信息和行车意图进行目的地预判；行车意图的结合，能够指导预估轨迹的行进方向，从而保证最终预估所得的轨迹在符合用户驾驶习惯的同时，也能够贴合用户的行车意图，进而大幅提高了非导航场景下的目的地预判可靠性和准确性。
基于上述任一实施例，所述目的地预估单元920包括意图识别模块，用于：
基于当前时刻的行车信息，以及所述当前时刻的上一时刻的意图规律信息，确定所述当前时刻的意图规律信息；
基于所述当前时刻的意图规律信息，预测所述当前时刻的行车意图。
基于上述任一实施例，所述意图识别模块具体用于：
基于历史意图规律信息和行车意图之间的关系，确定所述当前时刻的意图规律信息对应的行车意图；
所述历史意图规律信息和行车意图之间的关系是基于当前驾驶所述待预判车辆的用户的历史行车信息确定的。
基于上述任一实施例，所述目的地预估单元920包括轨迹匹配模块，用于：
对所述行车信息进行轨迹匹配，得到所述待预判车辆的各历史行车轨迹为所述行车信息对应预估轨迹的匹配概率；
基于各历史行车轨迹的匹配概率，以及所述行车意图，确定所述预估轨迹，并将所述预估轨迹的目的地确定为所述预估目的地。
基于上述任一实施例，所述轨迹匹配模块具体用于：
基于当前时刻的行车信息和行车意图，以及所述当前时刻之前的各个时刻的行车信息的行车意图，确定所述当前时刻的轨迹特征；
基于各历史行车轨迹的轨迹特征，确定所述当前时刻的轨迹特征与各历史行车轨迹的匹配概率。
基于上述任一实施例，所述轨迹匹配模块具体用于：
基于当前时刻的行车信息，以及所述当前时刻之前的各个时刻的行车信息，确定所述当前时刻的轨迹规律信息；
基于所述当前时刻的轨迹规律信息和所述行车意图，确定所述当前时刻的轨迹编码；
基于所述当前时刻的轨迹编码，以及所述当前时刻的上一时刻的轨迹特征，确定所述当前时刻的轨迹特征。
基于上述任一实施例，所述目的地预估单元920用于：
将所述行车信息输入至当前驾驶所述待预判车辆的用户的专属目的地预估模型，由所述专属目的地预估模型基于所述行车信息预估所述行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述专属目的地预估模型输出的预估目的地；
所述专属目的地预估模型是基于所述用户的历史行车信息及其历史目的地，对通用轨迹预估模型进行迁移学习得到的。
基于上述任一实施例，所述行车信息包括行车轨迹信息，或包括所述行车轨迹信息和行车环境信息。
基于上述任一实施例，该装置还包括业务推荐单元，用于：
获取所述预估目的地的历史业务数据；
基于所述行车信息，从历史业务数据中选取待推荐业务；
生成所述待推荐业务的推荐提醒并发送。
图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040，其中，处理器1010，通信接口1020，存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令，以执行目的地预判方法，该方法包括：获取待预判车辆的行车信息；基于所述行车信息预估所述待预判车辆的行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地。
此外，上述的存储器1030中的逻辑指令可以通过软件功能单元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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的目的地预判方法，该方法包括：获取待预判车辆的行车信息；基于所述行车信息预估所述待预判车辆的行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的目的地预判方法，该方法包括：获取待预判车辆的行车信息；基于所述行车信息预估所述待预判车辆的行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (12)

1.一种目的地预判方法，其特征在于，包括：
获取待预判车辆的行车信息；
基于所述行车信息预估所述待预判车辆的行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地。
2.根据权利要求1所述的目的地预判方法，其特征在于，所述基于所述行车信息预估所述待预判车辆的行车意图，包括：
基于当前时刻的行车信息，以及所述当前时刻的上一时刻的意图规律信息，确定所述当前时刻的意图规律信息；
基于所述当前时刻的意图规律信息，预测所述当前时刻的行车意图。
3.根据权利要求2所述的目的地预判方法，其特征在于，所述基于所述当前时刻的意图规律信息，预测所述当前时刻的行车意图，包括：
基于历史意图规律信息和行车意图之间的关系，确定所述当前时刻的意图规律信息对应的行车意图；
所述历史意图规律信息和行车意图之间的关系是基于当前驾驶所述待预判车辆的用户的历史行车信息确定的。
4.根据权利要求1所述的目的地预判方法，其特征在于，所述基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地，包括：
对所述行车信息进行轨迹匹配，得到所述待预判车辆的各历史行车轨迹为所述行车信息对应预估轨迹的匹配概率；
基于各历史行车轨迹的匹配概率，以及所述行车意图，确定所述预估轨迹，并将所述预估轨迹的目的地确定为所述预估目的地。
5.根据权利要求4所述的目的地预判方法，其特征在于，所述对所述行车信息进行轨迹匹配，得到所述待预判车辆的各历史行车轨迹为所述行车信息对应预估轨迹的匹配概率，包括：
基于当前时刻的行车信息和行车意图，以及所述当前时刻之前的各个时刻的行车信息的行车意图，确定所述当前时刻的轨迹特征；
基于各历史行车轨迹的轨迹特征，确定所述当前时刻的轨迹特征与各历史行车轨迹的匹配概率。
6.根据权利要求5所述的目的地预判方法，其特征在于，所述基于当前时刻的行车信息和行车意图，以及所述当前时刻之前的各个时刻的行车信息的行车意图，确定所述当前时刻的轨迹特征，包括：
基于当前时刻的行车信息，以及所述当前时刻之前的各个时刻的行车信息，确定所述当前时刻的轨迹规律信息；
基于所述当前时刻的轨迹规律信息和所述行车意图，确定所述当前时刻的轨迹编码；
基于所述当前时刻的轨迹编码，以及所述当前时刻的上一时刻的轨迹特征，确定所述当前时刻的轨迹特征。
7.根据权利要求1至6中任一项所述的目的地预判方法，其特征在于，所述基于所述行车信息预估所述待预判车辆的行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地，包括：
将所述行车信息输入至当前驾驶所述待预判车辆的用户的专属目的地预估模型，由所述专属目的地预估模型基于所述行车信息预估所述行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述专属目的地预估模型输出的预估目的地；
所述专属目的地预估模型是基于所述用户的历史行车信息及其历史目的地，对通用轨迹预估模型进行迁移学习得到的。
8.根据权利要求1至6中任一项所述的目的地预判方法，其特征在于，所述行车信息包括行车轨迹信息，或包括所述行车轨迹信息和行车环境信息。
9.根据权利要求1至6中任一项所述的目的地预判方法，其特征在于，所述得到所述待预判车辆的预估目的地，之后还包括：
获取所述预估目的地的历史业务数据；
基于所述行车信息，从历史业务数据中选取待推荐业务；
生成所述待推荐业务的推荐提醒并发送。
10.一种目的地预判装置，其特征在于，包括：
信息获取单元，用于获取待预判车辆的行车信息；
目的地预估单元，用于基于所述行车信息预估所述待预判车辆的行车意图，并基于所述行车信息和所述行车意图进行轨迹预估，得到所述待预判车辆的预估目的地。
11.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至9任一项所述目的地预判方法的步骤。
12.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述目的地预判方法的步骤。
CN202110429309.2A 2021-04-21 2021-04-21 目的地预判方法、装置、电子设备和存储介质 Pending CN113128766A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110429309.2A CN113128766A (zh) 2021-04-21 2021-04-21 目的地预判方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110429309.2A CN113128766A (zh) 2021-04-21 2021-04-21 目的地预判方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN113128766A true CN113128766A (zh) 2021-07-16

Family

ID=76778650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110429309.2A Pending CN113128766A (zh) 2021-04-21 2021-04-21 目的地预判方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113128766A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113888867A (zh) * 2021-09-30 2022-01-04 洛阳远瞻信息科技有限公司 一种基于lstm位置预测的车位推荐方法及系统
CN114387816A (zh) * 2021-12-30 2022-04-22 数字景枫科技发展(南京)有限公司 基于消费者行为预测分析的商城车流引导系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010033331A (ja) * 2008-07-29 2010-02-12 Sumitomo Electric System Solutions Co Ltd 交通情報生成装置、コンピュータプログラム、及び交通情報の生成方法
CN105513395A (zh) * 2015-11-30 2016-04-20 华南理工大学 一种基于车辆目的地预测的智能信息推送系统和方法
CN109583151A (zh) * 2019-02-20 2019-04-05 百度在线网络技术（北京）有限公司 车辆的行驶轨迹预测方法及装置
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN110834644A (zh) * 2019-10-30 2020-02-25 中国第一汽车股份有限公司 一种车辆控制方法、装置、待控制车辆及存储介质
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测系统及方法
CN111382217A (zh) * 2018-12-29 2020-07-07 北京奇虎科技有限公司 一种目的地推荐方法和装置
CN111860879A (zh) * 2020-02-17 2020-10-30 北京嘀嘀无限科技发展有限公司 一种消息的推送方法、装置、电子设备及可读存储介质
CN112050824A (zh) * 2020-09-17 2020-12-08 北京百度网讯科技有限公司 用于车辆导航的路线规划方法、装置、系统及电子设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010033331A (ja) * 2008-07-29 2010-02-12 Sumitomo Electric System Solutions Co Ltd 交通情報生成装置、コンピュータプログラム、及び交通情報の生成方法
CN105513395A (zh) * 2015-11-30 2016-04-20 华南理工大学 一种基于车辆目的地预测的智能信息推送系统和方法
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN111382217A (zh) * 2018-12-29 2020-07-07 北京奇虎科技有限公司 一种目的地推荐方法和装置
CN109583151A (zh) * 2019-02-20 2019-04-05 百度在线网络技术（北京）有限公司 车辆的行驶轨迹预测方法及装置
CN110834644A (zh) * 2019-10-30 2020-02-25 中国第一汽车股份有限公司 一种车辆控制方法、装置、待控制车辆及存储介质
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测系统及方法
CN111860879A (zh) * 2020-02-17 2020-10-30 北京嘀嘀无限科技发展有限公司 一种消息的推送方法、装置、电子设备及可读存储介质
CN112050824A (zh) * 2020-09-17 2020-12-08 北京百度网讯科技有限公司 用于车辆导航的路线规划方法、装置、系统及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
谢辉;高斌;熊硕;王悦;: "结构化道路中动态车辆的轨迹预测", 汽车安全与节能学报, no. 04, 15 December 2019 (2019-12-15) *
黄珊珊;: "基于运动仿真的汽车行驶轨迹自动规划控制", 电子设计工程, no. 13, 5 July 2020 (2020-07-05) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113888867A (zh) * 2021-09-30 2022-01-04 洛阳远瞻信息科技有限公司 一种基于lstm位置预测的车位推荐方法及系统
CN114387816A (zh) * 2021-12-30 2022-04-22 数字景枫科技发展(南京)有限公司 基于消费者行为预测分析的商城车流引导系统及方法
CN114387816B (zh) * 2021-12-30 2023-12-01 数字景枫科技发展(南京)有限公司 基于消费者行为预测分析的商城车流引导系统及方法

Similar Documents

Publication Publication Date Title
CN113748315B (zh) 用于自动车道标记的系统
CN106652515B (zh) 车辆自动控制方法、装置和系统
JP7195161B2 (ja) 案内システム、案内方法、およびプログラム
Jafarnejad et al. Towards a real-time driver identification mechanism based on driving sensing data
US11823574B2 (en) Method and apparatus for prediction road condition, device and computer storage medium
CN112734808B (zh) 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法
US20200309548A1 (en) Control apparatus, control method, and non-transitory computer-readable storage medium storing program
CN106114507A (zh) 用于智能车辆的局部轨迹规划方法和装置
CN111881713A (zh) 一种识别违停地点的方法、系统、装置及存储介质
CN110118567B (zh) 出行方式推荐方法及装置
US11900224B2 (en) Generating trajectory labels from short-term intention and long-term result
CN113128766A (zh) 目的地预判方法、装置、电子设备和存储介质
US11465611B2 (en) Autonomous vehicle behavior synchronization
US20230005368A1 (en) Systems and methods for learning driver parking preferences and generating parking recommendations
CN112509317B (zh) 基于机器学习算法的公交实时到站预测方法、装置和设备
US20210042671A1 (en) Systems and methods for automated highway reservation
CN113424209B (zh) 使用深度学习多预测器融合和贝叶斯优化的轨迹预测
CN112389451A (zh) 用于提供个性化驾驶体验的方法、设备、介质以及车辆
CN110443185A (zh) 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质
CN111540222A (zh) 基于无人车的智能交互方法、装置及无人车
Toledo-Moreo et al. Maneuver prediction for road vehicles based on a neuro-fuzzy architecture with a low-cost navigation unit
CN116972860A (zh) 偏航识别方法、装置、电子设备及存储介质
CN114118582A (zh) 目的地预测方法、装置、电子终端及存储介质
CN113834489A (zh) 导航路径的规划方法及装置
US20220309521A1 (en) Computing a vehicle interest index

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