CN113159357A - 数据处理方法、装置、电子设备及计算机可读存储介质 - Google Patents
数据处理方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113159357A CN113159357A CN202010015540.2A CN202010015540A CN113159357A CN 113159357 A CN113159357 A CN 113159357A CN 202010015540 A CN202010015540 A CN 202010015540A CN 113159357 A CN113159357 A CN 113159357A
- Authority
- CN
- China
- Prior art keywords
- vertex
- target
- road
- vector
- feature vector
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000003672 processing method Methods 0.000 title abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 182
- 238000003062 neural network model Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims description 68
- 238000000034 method Methods 0.000 claims description 41
- 238000009826 distribution Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 239000000047 product Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
-
- 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"
-
- 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
本发明实施例公开了一种数据处理方法、装置、电子设备及计算机可读存储介质，通过任务请求中的位置信息确定与所述位置信息的距离在预定范围内的路段集合，获取位置信息对应的路段的第一特征向量以及所述路段集合中的路段的第二特征向量，根据第一特征向量和各第二特征向量确定目标任务执行车辆，其中，第一特征向量和第二特征向量通过异质图神经网络模型预先获得，本实施例通过采用异质图神经网络模型各路段的特征向量，以使得在确定目标任务执行车辆时参考各路段的类型以及路段之间的链接关系类型，由此，可以降低车辆的空驶率，提高目标任务执行效率。
Description
技术领域
本发明涉及互联网领域，更具体地，涉及一种数据处理方法、装置、电子设备及计算机可读存储介质。
背景技术
近年来，随着移动通信技术的快速发展，基于位置的服务越来越受到人们的青睐，如打车服务等。出租车、快车等作为公共交通的重要补充，以其便捷，舒适，服务性强等特点在城市交通中发挥着重要的作用。
目前，通常根据乘客发送乘车请求的位置与车辆位置的距离来确定该乘车请求对应的车辆，但是，由于城市交通道路的复杂性，仅仅根据距离来选择乘车请求对应的车辆可能会增加司机的空驶路程以及乘客的等待时间，给乘客带来了不好的体验。
发明内容
有鉴于此，本发明实施例提供了一种数据处理方法、装置、电子设备及计算机可读存储介质，以降低车辆的空驶率，提高目标任务执行效率。
第一方面，本发明实施例提供一种数据处理方法，所述方法包括：
根据交通地图数据建立道路异质图，所述道路异质图以所述交通地图数据中的多个路段为目标顶点，以各所述目标顶点之间的链接关系为边；
将所述道路异质图输入至异质图神经网络模型中进行处理，输出各所述目标顶点的目标顶点向量；
训练调整所述异质图神经网络模型的参数，以最小化目标顶点向量分布与对应的各路段的链接关系分布之间的散度值；以及
将所述散度值最小时对应的各目标顶点向量确定为所述各路段的特征向量。
可选的，所述散度值为KL散度值或JS散度值。
可选的，将所述道路异质图输入至异质图神经网络模型中进行处理，输出各所述目标顶点的目标顶点向量包括：
在所述异质图神经网络模型的各处理层中，对所述目标顶点执行以下处理：
对所述道路异质图中的各目标顶点，将对应的各关联顶点的第一向量采用对应于目标顶点类型的投影矩阵进行空间转换，以使得各所述关联顶点处于所述目标顶点类型对应的属性空间，所述关联顶点为与所述目标顶点具有链接关系的顶点，所述关联顶点至少包括所述目标顶点，所述第一向量为所述关联顶点的初始化向量或上一层处理层输出的关联顶点向量；所述关联顶点的初始化向量根据所述关联顶点对应的路段的信息确定；
在所述目标顶点类型对应的属性空间中，对所述目标顶点和各所述关联顶点的链接关系进行评分；
对各所述评分进行归一化处理，以确定所述目标顶点和各所述关联顶点的链接关系的权重；以及
根据各所述权重对各所述关联顶点进行聚合以确定所述目标顶点在当前处理层对应的目标顶点向量。
可选的，根据各所述权重对各所述关联顶点进行聚合以获取所述目标顶点在当前处理层的输出向量包括：
计算经过空间转换后的关联顶点的向量分别与对应的权重的乘积；
计算各所述乘积之间的和，以确定所述目标顶点在当前处理层对应的目标顶点向量。
可选的，对各所述评分进行归一化处理包括：
根据softmax函数对各所述评分进行归一化处理。
可选的，对所述目标顶点和各所述关联顶点的链接关系进行评分包括：
根据所述链接关系类型，采用对应的注意力机制对所述目标顶点和各所述关联顶点的链接关系进行评分。
第二方面，本发明实施例提供一种数据处理方法，所述方法包括：
接收任务请求，所述任务请求包括位置信息；
获取与所述位置信息的距离在预定范围内的路段集合，所述路段集合包括至少一个路段；
获取第一特征向量和至少一个第二特征向量，所述第一特征向量为所述位置信息对应的路段的特征向量，所述至少一个第二特征向量分别为所述路段集合中的路段的特征向量；其中，所述第一特征向量和第二特征向量通过异质图神经网络模型预先获得；
根据所述第一特征向量和所述至少一个第二特征向量确定目标任务执行车辆。
可选的，根据所述第一特征向量和所述至少一个第二特征向量确定目标任务执行车辆包括：
计算所述第一特征向量和各所述第二特征向量的相似度；
根据所述相似度对所述至少一个路段进行排序；
根据相似度排序结果确定目标任务执行车辆。
可选的，根据相似度排序结果确定目标任务执行车辆包括：
根据相似度排序结果确定至少一个候选路段；
对各候选路段上的任务执行车辆进行评分；
将评分最高的任务执行车辆确定为所述目标任务执行车辆。
可选的，通过所述异质图神经网络模型获得各路段的特征向量包括以下步骤：
获取交通地图数据；
对所述交通地图数据中的各道路进行处理以获取多个路段，所述路段的信息包括路段的标识、名称、类型、位置中的至少一项；
建立道路异质图，所述道路异质图以所述多个路段为目标顶点，以各所述目标顶点之间的链接关系为边；以及
将所述道路异质图输入至所述异质图神经网络模型以获取各路段的特征向量。
可选的，将所述道路异质图输入至所述异质图神经网络模型以获取各路段的特征向量包括：
将所述道路异质图输入至所述异质图神经网络模型中进行处理，输出各目标顶点的目标顶点向量；
训练调整所述异质图神经网络模型的参数，以最小化目标顶点向量分布与对应的各路段的链接关系分布之间的散度值；以及
将所述散度值最小时对应的各目标顶点向量确定为所述各路段的特征向量。
可选的，将所述道路异质图输入至所述异质图神经网络模型中进行处理，输出各目标顶点的目标顶点向量包括：
在所述异质图神经网络模型的各处理层中，对所述目标顶点执行以下处理：
对所述道路异质图中的各目标顶点，将对应的各关联顶点的第一向量采用对应于目标顶点类型的投影矩阵进行空间转换，以使得各所述关联顶点处于所述目标顶点类型对应的属性空间，所述关联顶点为与所述目标顶点具有链接关系的顶点，所述关联顶点至少包括所述目标顶点，所述第一向量为所述关联顶点的初始化向量或上一层处理层输出的关联顶点向量；所述关联顶点的初始化向量根据所述关联顶点对应的路段的信息确定；
在所述目标顶点类型对应的属性空间中，对所述目标顶点和各所述关联顶点的链接关系进行评分；
对各所述评分进行归一化处理，以确定所述目标顶点和各所述关联顶点的链接关系的权重；以及
根据各所述权重对各所述关联顶点进行聚合以确定所述目标顶点在当前处理层对应的目标顶点向量。
第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如本发明实施例第一方面所述的方法和/或实现如本发明第二方面所述的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时以实现如本发明实施例第一方面所述的方法和/或实现如本发明第二方面所述的方法。
本发明实施例通过任务请求中的位置信息确定与所述位置信息的距离在预定范围内的路段集合，获取位置信息对应的路段的第一特征向量以及所述路段集合中的路段的第二特征向量，并计算第一特征向量和各第二特征向量的相似度，基于相似度对路段集合中的各路段进行排序，根据排序结果确定目标任务执行车辆，其中，第一特征向量和第二特征向量通过异质图神经网络模型预先获得，本实施例通过采用异质图神经网络模型各路段的特征向量，以使得在确定目标任务执行车辆时参考各路段的类型以及路段之间的链接关系类型，由此，可以降低车辆的空驶率，提高目标任务执行效率。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明实施例的一种数据处理方法的流程图；
图2是本发明实施例的道路异质图的示意图；
图3是本发明实施例的道路异质图处理方法的流程图；
图4是本发明实施例的异质图神经网络模型的示意图；
图5是本发明实施例的异质图神经网络模型的处理过程示意图；
图6是本发明实施例的另一种数据处理方法的流程图；
图7是本发明实施例的一种目标任务执行车辆确定方法的流程图；
图8是本发明实施例的另一种目标任务执行车辆确定方法的流程图；
图9是本发明实施例的数据处理方法的应用场景的示意图；
图10是本发明实施例的一种数据处理装置的示意图；
图11是本发明实施例的另一种数据处理装置的示意图；
图12是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
图1是本发明实施例的一种数据处理方法的流程图。如图1所示，本实施例的数据处理方法包括以下步骤：
步骤S110，根据交通地图数据建立道路异质图。异质图，也即图中顶点和/或边具有多种不同类型。在本实施例中，道路异质图以交通地图数据中的多个路段为目标顶点，以各目标顶点之间的链接关系为边。其中，目标顶点之间的链接关系可以为左转、右转、直行、掉头等。路段类型可以为单行道、双行道、高速公路、辅路等。
在一种可选的实现方式中，获取交通地图数据，并对交通地图数据中的各道路进行处理，以获取多个路段。可选的，在道路的长度大于阈值，将该道路划分为多个路段，以使得每个路段不大于该阈值。可选的，阈值为1km。
在本实施例中，路段的信息包括路段标识、路段名称、路段类型及路段位置等。应理解，由一条道路划分的多个路段的路段类型均与该道路的类型相同。可选的，路段位置为对应路段的GPS位置信息，例如路段首尾的GPS信息。路段类型可以为单行道、双行道、高速公路、辅路等。在一种可选的实现方式中，根据交通地图数据确定各路段的路段类型。若根据交通地图数据无法确定路段的路段类型，可以通过人工确认后，对这些路段的路段类型进行填充。
图2是本发明实施例的道路异质图的示意图。如图2所示，道路异质图2包括多个目标顶点(例如目标顶点21-24等)以及多个边(例如边a、b、c等)。其中，目标顶点用于表征各个路段，边用于表征路段之间的链接关系。
下面从目标顶点21的角度来对道路异质图进行说明，假设边a表征的链接关系为直行，边b表征的链接关系为右转，边c表征的链接关系为左转，则目标顶点22对应的路段通过左转可以到达目标顶点21对应的路段，目标顶点23对应的路段通过右转可以到达目标顶点21对应的路段，目标顶点24对应的路段通过直行可以到达目标顶点21对应的路段。容易理解，若从目标顶点22的角度来描述，则目标顶点21对应的路段通过右转可以到达目标顶点22对应的路段。
在一种可选的实现方式中，将道路异质图中的各目标顶点进行初始化，以获取各目标顶点的初始化向量。可选的，通过字向量和/或one-hot编码等对目标顶点对应的路段信息(路段名称、路段类型、路段位置等)进行初始化，以获取各目标顶点对应的初始化向量。
步骤S120，将道路异质图输入至异质图神经网络模型中进行处理，输出各目标顶点的目标顶点向量。在一种可选的实现方式中，异质图神经网络模型可以为异质图卷积神经网络模型。
由于异质图的顶点和/或边具有不同的类型，不同类型的顶点具有其各自的特点，节点的属性空间也可能不同，因此，异质图神经网络需要考虑不同顶点和不同边(也即顶点之间的链接关系)的差异，以使得在处理不同类型的顶点时保留各类顶点的特性。并且，异质图的基本结构是元路径结构，对于一具体任务，不同元路径表达的语义不同，对任务的贡献也不同，同时，对于异质图中的各顶点，其关联顶点对其的重要性会有所差异，因此异质图神经网络模型对于元路径表达的语义及其关联节点的重要性采用不同的注意力机制。
图3是本发明实施例的道路异质图处理方法的流程图。在一种可选的实现方式中，异质图神经网络模型包括多个处理层，在所述异质图神经网络模型的各处理层中，如图3所示，步骤S120可以包括：
步骤S121，接收各目标顶点的第一向量，第一向量为对应的目标顶点的初始化向量或上一层处理层输出的目标顶点向量。容易理解，在异质图神经网络的第1个处理层中，接收各目标顶点的初始化向量，在异质图神经网络的其他处理层中，接收上一个处理层输出的目标顶点向量。
步骤S122，对道路异质图中的各目标顶点，将一目标顶点对应的各关联顶点的第一向量采用对应于目标顶点类型的投影矩阵进行空间转换，以使得各关联顶点处于目标顶点类型对应的属性空间。其中，关联顶点为与该目标顶点具有链接关系的顶点，关联顶点至少包括该目标顶点。第一向量为对应的关联顶点的初始化向量或上一层处理层输出的关联顶点向量；关联顶点的初始化向量根据该关联顶点对应的路段的信息确定。例如，参考图2中的道路异质图，对于目标顶点21，其对应的关联顶点为目标顶点21-24，由此，目标顶点21与目标顶点22的链接关系为左转，与目标顶点24的链接关系为直行，与目标顶点23的链接关系为右转。
可选的，采用下面公式进行空间转换：
其中，WφLi为目标顶点类型对应的投影矩阵，hLj、
分别为目标顶点Lj在空间转换前后的向量。
步骤S123，在目标顶点类型对应的属性空间中，对目标顶点和各关联顶点的链接关系进行评分。在一种可选的实现方式中，根据链接关系类型，采用对应的注意力机制对目标顶点和各关联顶点的链接关系进行评分。参考图2中的道路异质图，分别对目标顶点21与自身的链接关系、与目标顶点22的链接关系，与目标顶点24的链接关系以及与目标顶点23的链接关系采用不同的注意力机制计算评分。
可选的，目标顶点和各关联顶点的链接关系进行评分满足下面公式：
其中，o(Li,Lj,φ)为目标顶点Li与其关联顶点Lj的重要性评分，φ用于表征目标顶点Li与其关联顶点Lj之间的链接关系，attN()为当前采用的注意力机制。对于目标顶点Li与其关联顶点Lj，通过对应的注意力机制N来学习关联顶点Lj相对于目标顶点Li的重要性评分，其中，顶点Li与Lj的重要性评分是非对称的，也即关联顶点Lj相对于目标顶点Li的重要性与关联顶点Li相对于目标顶点Lj的重要性是不对称的。可选的，注意力机制N可以为顶点级别的注意力机制(Node-level Attention)，例如自注意力机制(self-attention)。
步骤S124，对各评分进行归一化处理，以确定目标顶点和各关联顶点的链接关系的权重。其中，权重用于表征该链接关系对于目标顶点的重要性，也即可以表征关联顶点对应的路段到达目标顶点对应的路段的易达程度。
在一种可选的实现方式中，根据softmax函数(归一化指数函数)对各所述评分进行归一化处理。softmax函数是有限项离散概率分布的梯度对数归一化。采用softmax函数进行归一化满足下面公式：
α(Li,Lj,φ)＝softmaxLj(o(Li,Lj,φ))
其中，α(Li,Lj,φ)为目标顶点Li与其关联顶点Lj的链接关系的权重，o(Li,Lj,φ)为目标顶点Li与其关联顶点Lj的重要性评分，φ用于表征目标顶点Li与其关联顶点Lj之间的链接关系。
步骤S125，根据各权重对各关联顶点进行聚合以确定目标顶点在当前处理层对应的目标顶点向量。
可选的，通过下面公式对各关联顶点的权重进行聚合以确定目标顶点在当前处理层对应的目标顶点向量：
其中，h′Li为目标顶点Li在当前处理层对应的目标顶点向量，
为目标顶点Li的关联顶点Lj在空间转换前后的向量，α(Li,Lj,φ)为目标顶点Li与其关联顶点Lj的链接关系的权重，φ用于表征目标顶点Li与其关联顶点Lj之间的链接关系。
也就是说，可以通过计算经过空间转换后的关联顶点的向量分别与对应的权重的乘积，并计算获得的各乘积之间的和，以确定目标顶点在当前处理层对应的目标顶点向量。
步骤S130，训练调整异质图神经网络模型的参数，以最小化目标顶点向量分布与对应的各路段的链接关系分布之间的散度值。
步骤S140，将所述散度值最小时对应的各目标顶点向量确定为各路段的特征向量。
在一种可选的实现方式中，所述散度值为KL散度值或JS散度值。
KL散度是一种衡量两个分布之间的匹配程度的方法，其可以用来衡量给定任意分布偏离真实分布的程度。由此，在本实施例中，可以通过确定异质图神经网络模型输出的各目标顶点向量的分布以及各路段的链接关系分布，并计算目标顶点向量分布与对应的各路段的链接关系分布之间的KL散度，训练调整异质图神经网络模型的参数，以最小化异质图神经网络模型输出的各目标顶点向量的分布以及各路段的链接关系分布之间的KL散度，将所述KL散度最小时对应的各目标顶点向量确定为各路段的特征向量。由此，可以使得根据异质图神经网络获取的各路段的特征向量分布趋近于各路段的实际的链接关系分布，由此，可以提高后续根据路段的特征向量来进行的任务的执行效率。
JS散度也是一种衡量两个分布之间的差异的方式，其与KL散度不同之处是KL散度是不对称的，而JS散度是对称的，取值范围是[0,1]，其中两个分布越相似，则JS值越趋向于0。
应理解，本实施例中的异质图神经网络模型中所采用的损失函数(也即最小化目标顶点向量分布与对应的各路段的链接关系分布之间的散度值的方式)不仅仅限于KL散度和JS散度，其他能够衡量两个分布之间的相似性的方式，例如交叉熵(Cross Entropy)、Wasserstein距离等均可应用于本实施例中。
图4是本发明实施例的异质图神经网络模型的示意图。如图4所示，本实施例的异质图神经网络模型4包括L(L>1)个处理层，将道路异质图输入至异质图神经网络模型中进行处理，以输出各目标顶点向量，并计算目标顶点向量分布与对应的各路段的链接关系分布之间的散度值，训练调整异质图神经网络模型的参数，输出该散度值最小化时的各目标顶点向量以作为各路段的特征向量。
图5是本发明实施例的异质图神经网络模型的处理过程示意图。如图5所示，以异质图神经网络模型中的第(l+1)处理层、道路异质图中的目标顶点21为例进行描述，0≤l≤L-1。
如图5所示，在异质图神经网络模型中，第(l+1)处理层接收第l处理层输出的各目标顶点的向量
其中，目标顶点L1的关联顶点包括目标顶点L1-L4。容易理解，若第(l+1)处理层为第1层处理层，则
分别为目标顶点L1-L4的初始化向量。
对于目标顶点L1，在第(l+1)处理层中，将目标顶点L1对应的关联顶点L1-L4的向量
采用对应于目标顶点L1类型的投影矩阵进行空间转换，以使得各关联顶点L1-L4处于目标顶点L1类型对应的属性空间中。
在本实施例中，以目标顶点L1的类型对应的空间转换函数为WφL1为例，由此，在第(l+1)处理层中，关联顶点L1-L4的向量
分别经过
进行空间转换，以获取在同一属性空间下的关联顶点L1-L4的向量
在目标顶点L1的类型对应的属性空间中，获取目标顶点L1分别与关联顶点L1-L4对应的矩阵
和
并根据目标顶点L1分别与关联顶点L1-L4的链接关系对应的注意力机制计算该链接关系的评分
和
然后采用据softmax函数(归一化指数函数)对各所述评分进行归一化处理以确定目标顶点和各所述关联顶点的链接关系的权重
和
其中，权重用于表征该链接关系对于目标顶点的重要性，也即可以表征关联顶点对应的路段到达目标顶点对应的路段的易达程度。
由此，可根据各权重对各关联顶点进行聚合以确定目标顶点L1在第(l+1)处理层对应的目标顶点向量
其中，目标顶点向量
满足以下公式：
也就是说，通过计算经过空间转换后的关联顶点的向量分别与对应的权重的乘积，并计算获得的各乘积之间的和，以确定目标顶点L1在第(l+1)处理层对应的目标顶点向量
应理解，异质图神经网络模型中的其他处理层的处理过程与第(l+1)处理层类似，其他目标顶点在异质图神经网络模型中的处理过程也与目标顶点L1类似，本实施例不再详细描述。
本发明实施例通过采用异质图神经网络模型训练获取各路段的特征向量，以使得在确定目标任务执行车辆时加入路段之间的链接关系，由此，可以降低车辆的空驶率，提高目标任务执行效率。
图6是本发明实施例的另一种数据处理方法的流程图。如图6所示，本发明实施例的数据处理方法包括以下步骤：
步骤S210，接收任务请求。其中，任务请求包括位置信息。可选的，位置信息可以为GPS定位信息。例如，在打车服务中，用户通过终端设备上传打车请求，打车请求中包括用户当前的位置信息。
步骤S220，获取与任务请求中的位置信息的距离在预定范围内的路段集合，路段集合包括至少一个路段。其中，该路段集合中至少包括所述位置信息对应的路段。可选的，预定范围可以为10km。
步骤S230，获取第一特征向量和至少一个第二特征向量。第一特征向量为任务请求中的位置信息对应的路段的特征向量，至少一个第二特征向量分别为路段集合中的路段的特征向量。其中，第一特征向量和第二特征向量通过异质图神经网络模型预先获得。
在一种可选的实现方式中，通过异质图神经网络模型获得各路段的特征向量以下步骤：
获取交通地图数据；
对所述交通地图数据中的各道路进行处理以获取多个路段，所述路段的信息包括路段的标识、名称、类型、位置中的至少一项；可选的，响应于所述道路的长度大于阈值，将所述道路划分为多个路段；
建立道路异质图；可选的，道路异质图以多个路段为目标顶点，以各目标顶点之间的链接关系为边。
将所述道路异质图输入至所述异质图神经网络模型以获取各路段的特征向量。
在一种可选的实现方式中，将所述道路异质图输入至所述异质图神经网络模型以获取各路段的特征向量包括：
将所述道路异质图输入至所述异质图神经网络模型中进行处理，输出各目标顶点的目标顶点向量；
训练调整所述异质图神经网络模型的参数，以最小化目标顶点向量分布与对应的各路段的链接关系分布之间的散度值；以及
将所述散度值最小时对应的各目标顶点向量确定为所述各路段的特征向量。
其中，上述通过异质图神经网络模型获得各路段的特征向量的方法详情可参见图1和图3中的方法，在此不再赘述。
步骤S240，根据第一特征向量和至少一个第二特征向量确定目标任务执行车辆。
图7是本发明实施例的一种目标任务执行车辆确定方法的流程图。在一种可选的的实现方式中，如图7所示，步骤S240可包括：
步骤S241，计算第一特征向量和各第二特征向量的相似度。在一种可选的实现方式中，可以通过计算第一特征向量和第二特征向量的内积或余弦距离来确定对应的相似度。应理解，本实施例不对计算相似度的方法进行限制，其他计算方法，例如欧氏距离等，均可应用于本实施例中。
步骤S242，根据第一特征向量和各第二特征向量相似度对至少一个路段进行排序。在一种可选的实现方式中，将路段集合中的各路段根据相似度由大到小进行排序。在另一种可选的实现方式中，将路段集合中的各路段根据相似度由小到大进行排序。本实施例并不对排序方式进行限制。
步骤S243，根据相似度排序结果确定目标任务执行车辆。
图8是本发明实施例的另一种目标任务执行车辆确定方法的流程图。在一种可选的实现方式中，如图8所示，步骤S243可以包括：
步骤S243a，根据相似度排序结果确定至少一个候选路段。以将路段集合中的各路段根据相似度由大到小进行排序为例，选择相似度序列中的前K名的路段作为候选路段，其中K大于等于1，可选的，K的取值为5。
步骤S243b，对各候选路段上的任务执行车辆进行评分。在一种可选的实现方式中，获取各候选路段上的任务执行车辆，对各任务执行车辆对应的司机进行综合评分。可选的，可以根据各司机的历史完成任务情况及对应的服务评价进行评分。
步骤S243c，将评分最高的任务执行车辆确定为目标任务执行车辆。
本发明实施例通过任务请求中的位置信息确定与所述位置信息的距离在预定范围内的路段集合，获取位置信息对应的路段的第一特征向量以及所述路段集合中的路段的第二特征向量，并计算第一特征向量和各第二特征向量的相似度，基于相似度对路段集合中的各路段进行排序，根据排序结果确定目标任务执行车辆，其中，第一特征向量和第二特征向量通过异质图神经网络模型预先获得，本实施例通过采用异质图神经网络模型各路段的特征向量，以使得在确定目标任务执行车辆时参考各路段的类型以及路段之间的链接关系类型，由此，可以降低车辆的空驶率，提高目标任务执行效率。
图9是本发明实施例的数据处理方法的应用场景的示意图。如图9所示，用户A在当前位置通过终端设备上传打车请求，其中，该打车请求包括用户A当前的位置信息，用户A的当前位置位于路段91。接收打车请求的服务器根据用户A当前的位置信息获取预定范围内的路段集合。路段集合包括路段91-96，其中，路段91、路段92、路段94和路段96为单行道，路段93和路段95为双行道。路段92通过直行可到达路段91，路段93通过右转可到达路段91，路段94通过直行并斜穿过十字路口到达路段91，路段95通过左转可到达路段91，路段96通过掉头可到达路段91。服务器从对应的存储器中获取用户A所在路段91的特征向量以及路段集合中的路段的特征向量，计算路段91的特征向量分别与路段集合中的路段的相似度，根据相似度从大到小对至少一个路段进行排序，排序后的路段序列为：路段93、路段92、路段95、路段96、路段94。根据上述相似度排序结果确定2个候选路段为路段92和路段93，对路段92和路段93上的任务执行车辆921、931以及932进行评分，假设任务执行车辆932的评分最高，则将任务执行车辆932确定为目标任务执行车辆。由此，可以将用户A上传的打车请求形成的任务发布到任务执行车辆932对应的司机终端上。
如图9所示，路段96是距离路段91最近的路段，但是由于其需要通过掉头才能到达路段91，因此，即使路段96距离路段91的直线距离最近，路段96上的任务执行车辆实际行驶到路段91的距离也相对较远。由此，本实施例通过采用异质图神经网络模型来获取各路段的特征向量，以使得在确定目标任务执行车辆时参考各路段的类型以及路段之间的链接关系类型，降低了车辆的空驶率，提高了目标任务执行效率。
图10是本发明实施例的一种数据处理装置的示意图。如图10所示，本实施例的数据处理装置10包括道路异质图建立单元101、处理单元102、训练单元103和确定单元104。
道路异质图建立单元101被配置为根据交通地图数据建立道路异质图，所述道路异质图以所述交通地图数据中的多个路段为目标顶点，以各所述目标顶点之间的链接关系为边。处理单元102被配置为将所述道路异质图输入至异质图神经网络模型中进行处理，输出各所述目标顶点的目标顶点向量。训练单元103被配置为训练调整所述异质图神经网络模型的参数，以最小化目标顶点向量分布与对应的各路段的链接关系分布之间的散度值。确定单元104被配置为将所述散度值最小时对应的各目标顶点向量确定为所述各路段的特征向量。
本发明实施例通过采用异质图神经网络模型训练获取各路段的特征向量，以使得在确定目标任务执行车辆时加入路段之间的链接关系，由此，可以降低车辆的空驶率，提高目标任务执行效率。
图11是本发明实施例的另一种数据处理装置的示意图。如图11所示，本实施例的数据处理装置11包括任务请求接收单元111、路段集合获取单元112、特征向量获取单元113以及目标任务执行车辆确定单元114。
任务请求接收单元111被配置为接收任务请求，所述任务请求包括位置信息。路段集合获取单元112被配置为获取与所述位置信息的距离在预定范围内的路段集合，所述路段集合包括至少一个路段。特征向量获取单元113被配置为获取第一特征向量和至少一个第二特征向量，所述第一特征向量为所述位置信息对应的路段的特征向量，所述至少一个第二特征向量分别为所述路段集合中的路段的特征向量；其中，所述第一特征向量和第二特征向量通过异质图神经网络模型预先获得。目标任务执行车辆确定单元114被配置为根据所述第一特征向量和所述至少一个第二特征向量确定目标任务执行车辆。
在一种可选的实现方式中，目标任务执行车辆确定单元114包括相似度计算子单元1141、排序子单元1142以及目标任务执行车辆确定子单元1143。相似度计算子单元1141被配置为计算所述第一特征向量和各所述第二特征向量的相似度。排序子单元1142被配置为根据所述相似度对所述至少一个路段进行排序。目标任务执行车辆确定子单元1143被配置为根据相似度排序结果确定目标任务执行车辆。
本发明实施例通过任务请求中的位置信息确定与所述位置信息的距离在预定范围内的路段集合，获取位置信息对应的路段的第一特征向量以及所述路段集合中的路段的第二特征向量，并计算第一特征向量和各第二特征向量的相似度，基于相似度对路段集合中的各路段进行排序，根据排序结果确定目标任务执行车辆，其中，第一特征向量和第二特征向量通过异质图神经网络模型预先获得，本实施例通过采用异质图神经网络模型各路段的特征向量，以使得在确定目标任务执行车辆时参考各路段的类型以及路段之间的链接关系类型，由此，可以降低车辆的空驶率，提高目标任务执行效率。
图12是本发明实施例的电子设备的示意图。如图12所示，图12所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器121和存储器122。处理器121和存储器122通过总线123连接。存储器122适于存储处理器121可执行的指令或程序。处理器121可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器121通过执行存储器122所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线123将上述多个组件连接在一起，同时将上述组件连接到显示控制器124和显示装置以及输入/输出(I/O)装置125。输入/输出(I/O)装置125可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置125通过输入/输出(I/O)控制器126与系统相连。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
本发明的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各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-OnlyMemory)、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。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种数据处理方法，其特征在于，所述方法包括：
根据交通地图数据建立道路异质图，所述道路异质图以所述交通地图数据中的多个路段为目标顶点，以各所述目标顶点之间的链接关系为边；
将所述道路异质图输入至异质图神经网络模型中进行处理，输出各所述目标顶点的目标顶点向量；
训练调整所述异质图神经网络模型的参数，以最小化目标顶点向量分布与对应的各路段的链接关系分布之间的散度值；以及
将所述散度值最小时对应的各目标顶点向量确定为所述各路段的特征向量。
2.根据权利要求1所述的方法，其特征在于，所述散度值为KL散度值或JS散度值。
3.根据权利要求1所述的方法，其特征在于，将所述道路异质图输入至异质图神经网络模型中进行处理，输出各所述目标顶点的目标顶点向量包括：
在所述异质图神经网络模型的各处理层中，对所述目标顶点执行以下处理：
对所述道路异质图中的各目标顶点，将对应的各关联顶点的第一向量采用对应于目标顶点类型的投影矩阵进行空间转换，以使得各所述关联顶点处于所述目标顶点类型对应的属性空间，所述关联顶点为与所述目标顶点具有链接关系的顶点，所述关联顶点至少包括所述目标顶点，所述第一向量为所述关联顶点的初始化向量或上一层处理层输出的关联顶点向量；所述关联顶点的初始化向量根据所述关联顶点对应的路段的信息确定；
在所述目标顶点类型对应的属性空间中，对所述目标顶点和各所述关联顶点的链接关系进行评分；
对各所述评分进行归一化处理，以确定所述目标顶点和各所述关联顶点的链接关系的权重；以及
根据各所述权重对各所述关联顶点进行聚合以确定所述目标顶点在当前处理层对应的目标顶点向量。
4.根据权利要求3所述的方法，其特征在于，根据各所述权重对各所述关联顶点进行聚合以获取所述目标顶点在当前处理层的输出向量包括：
计算经过空间转换后的关联顶点的向量分别与对应的权重的乘积；
计算各所述乘积之间的和，以确定所述目标顶点在当前处理层对应的目标顶点向量。
5.根据权利要求3所述的方法，其特征在于，对各所述评分进行归一化处理包括：
根据softmax函数对各所述评分进行归一化处理。
6.根据权利要求3所述的方法，其特征在于，对所述目标顶点和各所述关联顶点的链接关系进行评分包括：
根据所述链接关系类型，采用对应的注意力机制对所述目标顶点和各所述关联顶点的链接关系进行评分。
7.一种数据处理方法，其特征在于，所述方法包括：
接收任务请求，所述任务请求包括位置信息；
获取与所述位置信息的距离在预定范围内的路段集合，所述路段集合包括至少一个路段；
获取第一特征向量和至少一个第二特征向量，所述第一特征向量为所述位置信息对应的路段的特征向量，所述至少一个第二特征向量分别为所述路段集合中的路段的特征向量；其中，所述第一特征向量和第二特征向量通过异质图神经网络模型预先获得；
根据所述第一特征向量和所述至少一个第二特征向量确定目标任务执行车辆。
8.根据权利要求7所述的方法，其特征在于，根据所述第一特征向量和所述至少一个第二特征向量确定目标任务执行车辆包括：
计算所述第一特征向量和各所述第二特征向量的相似度；
根据所述相似度对所述至少一个路段进行排序；
根据相似度排序结果确定目标任务执行车辆。
9.根据权利要求8所述的方法，其特征在于，根据相似度排序结果确定目标任务执行车辆包括：
根据相似度排序结果确定至少一个候选路段；
对各候选路段上的任务执行车辆进行评分；
将评分最高的任务执行车辆确定为所述目标任务执行车辆。
10.根据权利要求7所述的方法，其特征在于，通过所述异质图神经网络模型获得各路段的特征向量包括以下步骤：
获取交通地图数据；
对所述交通地图数据中的各道路进行处理以获取多个路段，所述路段的信息包括路段的标识、名称、类型、位置中的至少一项；
建立道路异质图，所述道路异质图以所述多个路段为目标顶点，以各所述目标顶点之间的链接关系为边；以及
将所述道路异质图输入至所述异质图神经网络模型以获取各路段的特征向量。
11.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-6中任一项所述的方法和/或实现如权利要求7-10中任一项所述的方法。
12.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时以实现如权利要求1-6中任一项所述的方法和/或实现如权利要求7-10中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010015540.2A CN113159357B (zh) | 2020-01-07 | 2020-01-07 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| PCT/CN2021/070721 WO2021139738A1 (zh) | 2020-01-07 | 2021-01-07 | 一种确定目标任务执行车辆的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010015540.2A CN113159357B (zh) | 2020-01-07 | 2020-01-07 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113159357A true CN113159357A (zh) | 2021-07-23 |
| CN113159357B CN113159357B (zh) | 2023-11-24 |
Family
ID=76787746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010015540.2A Active CN113159357B (zh) | 2020-01-07 | 2020-01-07 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113159357B (zh) |
| WO (1) | WO2021139738A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114339155B (zh) * | 2021-12-29 | 2023-05-12 | 重庆紫光华山智安科技有限公司 | 抓拍漏洞路线确定方法和相关装置 |
| CN114399250B (zh) * | 2021-12-30 | 2023-04-07 | 淮阴工学院 | 基于认知图谱的冷链多温混配选温方法及装置 |
| CN115658271B (zh) * | 2022-11-01 | 2023-07-21 | 中科雨辰科技有限公司 | 一种基于目标任务列表获取目标任务对象的方法 |
| CN116303976B (zh) * | 2023-05-12 | 2023-08-08 | 中国人民解放军国防科技大学 | 基于网络安全知识图谱的渗透测试问答方法、系统及介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电（中国）有限公司 | 基于时空关系的路况预测方法和系统 |
| CN103136932A (zh) * | 2011-12-05 | 2013-06-05 | 中国移动通信集团上海有限公司 | 一种车辆调度方法、系统以及装置 |
| CN106898134A (zh) * | 2015-12-21 | 2017-06-27 | 北京奇虎科技有限公司 | 车辆的调度方法、装置和服务器 |
| CN108388999A (zh) * | 2018-03-09 | 2018-08-10 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
| CN109489674A (zh) * | 2017-09-12 | 2019-03-19 | 腾讯科技（深圳）有限公司 | 基于位置确定路段的方法、装置及存储介质 |
| CN109543893A (zh) * | 2018-11-14 | 2019-03-29 | 南京邮电大学 | 异构信息网络关系预测方法、可读存储介质和终端 |
| CN110009455A (zh) * | 2019-04-02 | 2019-07-12 | 长安大学 | 一种基于网络表示学习的网约共享出行人员匹配方法 |
| CN110046698A (zh) * | 2019-04-28 | 2019-07-23 | 北京邮电大学 | 异质图神经网络生成方法、装置、电子设备及存储介质 |
| CN110175224A (zh) * | 2019-06-03 | 2019-08-27 | 安徽大学 | 基于语义链接异构信息网络嵌入的专利推荐方法及装置 |
| US10479356B1 (en) * | 2018-08-17 | 2019-11-19 | Lyft, Inc. | Road segment similarity determination |
| CN110633425A (zh) * | 2018-09-30 | 2019-12-31 | 北京奇虎科技有限公司 | 一种移动目标查找方法和装置 |
| US20200043324A1 (en) * | 2017-11-01 | 2020-02-06 | Tencent Technology (Shenzhen) Company Limited | Method for obtaining road condition information, apparatus thereof, and storage medium |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3980844B2 (ja) * | 2001-05-31 | 2007-09-26 | 富士通株式会社 | 案内情報リクエスト装置および案内情報提供装置 |
| CN110363329A (zh) * | 2019-06-12 | 2019-10-22 | 河海大学 | 一种基于供求双边满意度匹配的网约车派单方法 |
| CN111862590A (zh) * | 2020-05-13 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、装置及存储介质 |
| CN111967271A (zh) * | 2020-08-19 | 2020-11-20 | 北京大学 | 分析结果的生成方法、装置、设备及可读存储介质 |
-
2020
- 2020-01-07 CN CN202010015540.2A patent/CN113159357B/zh active Active
-
2021
- 2021-01-07 WO PCT/CN2021/070721 patent/WO2021139738A1/zh active Application Filing
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电（中国）有限公司 | 基于时空关系的路况预测方法和系统 |
| CN103136932A (zh) * | 2011-12-05 | 2013-06-05 | 中国移动通信集团上海有限公司 | 一种车辆调度方法、系统以及装置 |
| CN106898134A (zh) * | 2015-12-21 | 2017-06-27 | 北京奇虎科技有限公司 | 车辆的调度方法、装置和服务器 |
| CN109489674A (zh) * | 2017-09-12 | 2019-03-19 | 腾讯科技（深圳）有限公司 | 基于位置确定路段的方法、装置及存储介质 |
| US20200043324A1 (en) * | 2017-11-01 | 2020-02-06 | Tencent Technology (Shenzhen) Company Limited | Method for obtaining road condition information, apparatus thereof, and storage medium |
| CN108388999A (zh) * | 2018-03-09 | 2018-08-10 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
| US10479356B1 (en) * | 2018-08-17 | 2019-11-19 | Lyft, Inc. | Road segment similarity determination |
| CN110633425A (zh) * | 2018-09-30 | 2019-12-31 | 北京奇虎科技有限公司 | 一种移动目标查找方法和装置 |
| CN109543893A (zh) * | 2018-11-14 | 2019-03-29 | 南京邮电大学 | 异构信息网络关系预测方法、可读存储介质和终端 |
| CN110009455A (zh) * | 2019-04-02 | 2019-07-12 | 长安大学 | 一种基于网络表示学习的网约共享出行人员匹配方法 |
| CN110046698A (zh) * | 2019-04-28 | 2019-07-23 | 北京邮电大学 | 异质图神经网络生成方法、装置、电子设备及存储介质 |
| CN110175224A (zh) * | 2019-06-03 | 2019-08-27 | 安徽大学 | 基于语义链接异构信息网络嵌入的专利推荐方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021139738A1 (zh) | 2021-07-15 |
| CN113159357B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113159357B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
| CN110395250B (zh) | 用于车辆弯道速度限制的方法和系统 | |
| US10565279B2 (en) | Contextual search for location services | |
| US11118921B2 (en) | Vehicle routing guidance to an authoritative location for a point of interest | |
| EP3318985B1 (en) | Driving route matching method and apparatus and storage medium | |
| JP4796400B2 (ja) | 車両速度制御装置および同装置における目標速度設定方法ならびにプログラム | |
| CN110389584A (zh) | 用于评估自动驾驶车辆的轨迹候选项的方法 | |
| CN108995657A (zh) | 操作自动驾驶车辆的方法和数据处理系统 | |
| CN107664994A (zh) | 用于自主驾驶合并管理的系统和方法 | |
| CN111859178B (zh) | 一种推荐上车点的方法和系统 | |
| US11643105B2 (en) | Systems and methods for generating simulation scenario definitions for an autonomous vehicle system | |
| CN113506457B (zh) | 基于大型停车场场景下寻找停车位的装置和方法 | |
| JP2020064619A (ja) | イメージ認識モデルのトレーニング装置及び方法並びにイメージ認識方法 | |
| CN112270427A (zh) | 一种推荐上车点的方法和系统 | |
| US20170103121A1 (en) | Drive support apparatus | |
| CN109556609A (zh) | 一种基于人工智能的避碰方法及装置 | |
| CN112328880A (zh) | 地理区域聚类方法、装置、存储介质和电子设备 | |
| CN116737857A (zh) | 道路数据处理方法、相关装置和介质 | |
| CN112985442A (zh) | 行驶路径匹配方法、可读存储介质和电子设备 | |
| CN110910202B (zh) | 一种订单处理方法及装置 | |
| US11657268B1 (en) | Training neural networks to assign scores | |
| JP6232913B2 (ja) | 平面グラフ生成装置、プログラム、及び方法 | |
| CN112989194B (zh) | 一种车联网用户请求与服务偏好融合的推荐方法及系统 | |
| US20220355824A1 (en) | Predicting near-curb driving behavior on autonomous vehicles | |
| CN112861900B (zh) | 影像系统及检测方法 |
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 |