CN113358127A - 道路权值确定方法、模型生成方法和路线规划方法及装置 - Google Patents

Abstract

本发明公开了道路权值确定方法、模型生成方法和路线规划方法及装置。所述道路权值确定方法包括：根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从首轨迹点到尾轨迹点的规划路线；将历史行驶轨迹包括的轨迹点进行道路匹配，得到轨迹点匹配的道路，由道路构成所历史行驶轨迹对应的历史轨迹路线；将历史轨迹路线和对应的规划路线组成一个样本；利用样本的集合训练机器学习模型，输出道路的通行时间系数和通行距离系数；根据道路的常规通行时间、通行距离、通行时间系数和通行距离系数，确定道路的权值。能够综合用户实走轨迹和规划路线建立学习样本，使得学习结果更贴近道路的真实情况。

Description

道路权值确定方法、模型生成方法和路线规划方法及装置

技术领域

本发明涉及导航技术领域，特别涉及道路权值确定方法、模型生成方法和路线规划方法及装置。

背景技术

在导航技术领域中，规划导航路线时，通常会利用到道路的权值，道路的权值是指道路(或包括道路及其对应路口)的通行成本，融合了道路的通行时间、通行距离和路况等因素。路线规划引擎可以基于道路的权值和最短路线算法，实现导航路线的召回，其中，道路的权值是决定召回的导航路线的关键参数。因此，如何准确地确定道路的权值是导航技术领域需要解决的问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的道路权值确定方法、模型生成方法和路线规划方法及装置。

第一方面，本发明实施例提供一种道路权值确定方法，包括：

根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从首轨迹点到尾轨迹点的规划路线；

将历史行驶轨迹包括的轨迹点进行道路匹配，得到所述轨迹点匹配的道路，由所述道路构成所述历史行驶轨迹对应的历史轨迹路线；

将历史轨迹路线和对应的规划路线组成一个样本；

利用所述样本的集合训练机器学习模型，输出道路的通行时间系数和通行距离系数；

根据道路的常规通行时间、通行距离、通行时间系数和通行距离系数，确定道路的权值。

在一些可选的实施例中，所述根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线，具体包括：

将连通历史行驶轨迹记录的首、尾轨迹点的路线作为备选规划路线；

根据所述历史行驶轨迹记录的出发时间和所述出发时间对应的道路的权值确定各备选规划路线包含的各道路的道路权值之和；

根据备选规划路线的道路权值之和确定规划路线。

在一些可选的实施例中，所述确定道路的权值之后，还包括：

根据当前样本对应的历史行驶轨迹的首、尾轨迹点、出发时间和当前道路的权值确定新规划路线，将所述新规划路线加入所述样本；

利用所述新样本的集合训练当前训练好的所述机器学习模型，输出道路的新通行时间系数和新通行距离系数；

根据道路的常规通行时间、通行距离、新通行时间系数和新通行距离系数，确定道路的新权值；

判断是否满足预设的终止训练条件，若否，继续执行所述根据当前样本对应的历史行驶轨迹的首、尾轨迹点、出发时间和当前道路的权值确定新规划路线，将所述新规划路线加入所述样本。

在一些可选的实施例中，所述将所述新规划路线加入所述样本之前，还包括：

判断所述新规划路线是否与所述历史轨迹路线一致；

若否，执行所述将所述新规划路线加入所述样本；

若是，删除所述样本。

在一些可选的实施例中，所述判断是否满足预设的终止训练条件，具体包括：

判断训练次数是否达到预设的次数阈值；和/或，

判断根据当前训练好的机器学习模型确定的损失函数值是否满足预设条件；和/或，

判断根据当前训练好的机器学习模型确定的偏航率是否满足预设条件。

在一些可选的实施例中，所述利用所述样本的集合训练机器学习模型，具体包括：

获取所述样本中历史轨迹路线的各道路的设定特征参数的离散数据，获取所述样本中每条规划路线的各道路的设定特征参数的离散数据，得到离散样本；

使用所述离散样本的集合训练选定逻辑回归模型。

在一些可选的实施例中，所述利用所述样本的集合训练机器学习模型，具体包括：

获取所述样本中历史轨迹路线的各道路的设定特征参数的连续特征表达数据，获取所述样本中每条规划路线的各道路的设定特征参数的连续特征表达数据，得到连续特征表达样本；

使用所述连续特征表达样本的集合训练选定神经网络模型。

在一些可选的实施例中，所述根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线之前，还包括：

判断历史行驶轨迹是否满足预设的样本条件；

若是，执行所述根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线；

若否，删除所述历史行驶轨迹。

在一些可选的实施例中，所述判断历史行驶轨迹是否满足预设的样本条件，具体包括：

判断历史行驶轨迹是否包含违章记录信息；和/或，

判断历史行驶轨迹中任两个相邻轨迹点间的时间间隔是否都小于预设时间阈值。

在一些可选的实施例中，所述由所述道路构成所述历史行驶轨迹对应的历史轨迹路线之后，还包括：

判断所述历史轨迹路线的通行距离与对应的各所述规划路线的通行距离的比值是否都小于预设的比值阈值；

若是，执行所述将历史轨迹路线和对应的规划路线组成一个样本。

第二方面，本发明实施例提供一种路线规划方法，包括：

根据用户的导航起点、终点、请求时间和按照上述道路权值确定方法确定的道路权值确定导航路线。

第三方面，本发明实施例提供一种路权模型生成方法，包括：

根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线；

将历史行驶轨迹包括的轨迹点进行道路匹配，得到所述轨迹点匹配的道路，由所述道路构成所述历史行驶轨迹对应的历史轨迹路线；

将历史轨迹路线和对应的规划路线组成一个样本；

利用所述样本的集合训练机器学习模型，所述机器学习模型用于输出道路的通行时间系数和通行距离系数。

第四方面，本发明实施例提供一种道路权值确定装置，包括：

规划模块，用于根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线；

匹配模块，用于将历史行驶轨迹包括的轨迹点进行道路匹配，得到所述轨迹点匹配的道路，由所述道路构成所述历史行驶轨迹对应的历史轨迹路线；

组合模块，用于将所述规划模块规划的历史轨迹路线和所述匹配模块匹配出的对应的规划路线组成一个样本；

训练模块，用于利用所述组合模块组合的样本的集合训练机器学习模型，输出道路的通行时间系数和通行距离系数；

确定模块，用于根据道路的常规通行时间、通行距离、通行时间系数和通行距离系数，确定道路的权值。

第五方面，本发明实施例提供一种路权模型生成装置，包括：

规划模块，用于根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线；

匹配模块，用于将历史行驶轨迹包括的轨迹点进行道路匹配，得到所述轨迹点匹配的道路，由所述道路构成所述历史行驶轨迹对应的历史轨迹路线；

组合模块，用于将所述规划模块规划的历史轨迹路线和所述匹配模块匹配出的对应的规划路线组成一个样本；

训练模块，用于利用所述组合模块组合的样本的集合训练机器学习模型，所述机器学习模型用于输出道路的通行时间系数和通行距离系数。

第六方面，本发明实施例提供一种导航设备，所述导航设备设置有上述道路权值确定装置；

所述导航设备用于根据用户的导航起点、终点、请求时间和利用所述道路权值确定装置确定的道路权值确定导航路线。

第七方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机指令，当该指令被处理器执行时实现上述道路权值确定方法，或实现上述路线规划方法，或实现上述路权模型生成方法。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明实施例提供的道路权值确定方法，根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从首轨迹点到尾轨迹点的规划路线；将历史行驶轨迹包括的轨迹点进行道路匹配，得到轨迹点匹配的道路，由道路构成所历史行驶轨迹对应的历史轨迹路线；将历史轨迹路线和对应的规划路线组成一个样本；利用样本的集合训练机器学习模型，输出道路的通行时间系数和通行距离系数；根据道路的常规通行时间、通行距离、通行时间系数和通行距离系数，确定道路的权值。每条样本中包括了真实的历史行驶轨迹对应的历史轨迹路线，用户行为相关的特征是很重要的信息，故真实的历史轨迹路线的学习能带来训练效果的提升；而实际的业务是，即使各种情况都相同，不同的用户也有可能选择不同的路线，这是个性化的行为，所以针对每条行驶历史轨迹，又确定一条或多条规划路线加入样本数据集合，丰富了样本数据，使得学习结果更贴近道路的真实情况。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例一中道路权值确定方法的流程图；

图2为图1中步骤S11的具体实现流程图；

图3为本发明实施例二中道路权值确定方法的具体实现流程图；

图4为本发明实施例三中道路权值确定方法的另一具体实现流程图；

图5为本发明实施例中道路权值确定装置的结构示意图；

图6为本发明实施例中路权模型生成装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为了解决现有技术中存在的道路权值确定准确度低的问题，本发明实施例提供道路权值确定方法、模型生成方法和路线规划方法及装置，能够综合用户实走轨迹和规划路线建立学习样本，使得学习结果更贴近道路的真实情况。

实施例一

本发明实施例一提供一种道路权值确定方法，其流程如图1所示，包括如下步骤：

步骤S11：根据历史行使轨迹记录的首、尾轨迹点和出发时间，规划从首轨迹点到尾轨迹点的规划路线。

在一个实施例中，参照图2所示，可以包括下述步骤：

步骤S21：将连通历史行驶轨迹记录的首、尾轨迹点的路线作为备选规划路线。

例如通过导航软件可以搜集到大量用户的历史行驶轨迹。根据道路的连通关系，确定连通每条历史行驶轨迹记录的首、尾轨迹点的一条或多条路线作为备选规划路线。

步骤S22：根据历史行驶轨迹记录的出发时间和出发时间对应的道路的权值确定各备选规划路线包含的各道路的道路权值之和。

上述出发时间对应的道路的权值可以是利用其他的路权模型学习方法确定的对应时间的路权，也可以是按照统计的数据得到的经验值，具体确定方法，本实施例不做限定。

步骤S23：根据备选规划路线的道路权值之和确定规划路线。

确定的规划路线可以是一条，即确定道路权值之和最小的一条备选规划路线为规划路线。可选的，规划路线也可以是多条，可以是设置每条历史行驶轨迹对应的具体规划路线的数量；也可以是设置规划路线的权值之和与历史行驶轨迹权值之和的比值阈值，将权值之和与历史行驶轨迹权值之和的比值小于比值阈值的一条或多条备选规划路线确定为规划路线。

步骤S12：将历史行驶轨迹包括的轨迹点进行道路匹配，得到轨迹点匹配的道路，由道路构成历史行驶轨迹对应的历史轨迹路线。

历史行驶轨迹和道路做匹配，使得得到的历史轨迹路线包括了历史行驶轨迹都行驶过了哪些道路和路口；后面的规划路线也是包含道路和路口，所以，经过机器学习模型能得到道路的通行时间系数和通行距离系数。

具体的轨迹点匹配道路的方法本实施例不做限定。

步骤S13：将历史轨迹路线和对应的规划路线组成一条样本。

具体的，历史轨迹路线不单包括轨迹点和与轨迹点匹配的道路，具体可以包括下述一项或多项信息：

每个轨迹点的实际通行时间，其中首轨迹点的实际通行时间即出发时间；

每个轨迹点的位置；

历史轨迹路线包括的各道路的道路等级、道路通行能力、车道数、道路连通度和动态的交通路况；

历史轨迹路线包括的各道路的实际通行时间。

具体的，规划路线可以是包括下述一项或多项信息：

规划路线包括的各道路的道路等级、道路通行能力、车道数、道路连通度和动态的交通路况；

规划路线包括的各道路的规划通行时间。

具体的，上述道路的实际通行时间或规划通行时间，不单单指道路的实际通行时间或规划通行时间，而是包括了与道路对应的路口的通行时间。例如，道路A经过路口B到达道路C，则道路A的实际通行时间可以是道路A和路口B的实际通行时间。

步骤S14：利用样本的集合训练机器学习模型，输出道路的通行时间系数和通行距离系数。

在一个实施例中，可以是，针对样本集合中的每条样本，获取样本中历史轨迹路线的各道路(包括路口)的设定特征参数的离散数据，获取样本中每条规划路线的各道路(包括路口)的设定特征参数的离散数据，得到离散样本；使用离散样本的集合训练选定逻辑回归模型。

具体的，利用样本的集合训练机器学习模型，在一个实施例中，也可以是，针对样本集合中的每条样本，获取样本中历史轨迹路线的各道路(包括路口)的设定特征参数的连续特征表达数据，获取样本中每条规划路线的各道路(包括路口)的设定特征参数的连续特征表达数据，得到连续特征表达样本；使用连续特征表达样本的集合训练选定神经网络模型。

即，当选用逻辑回归模型训练学习时，需要将样本集合中的每条历史轨迹路线和规划路线包含的道路的设定特征参数转换成枚举的格式。

当选用神经网络模型训练学习时，需要将样本集合中的每条历史轨迹路线和规划路线包含的道路的设定特征参数转换成连续特征表达的向量的形式。基于Road2Vec(Roadto Vector，R2V)，把道路和路口映射到向量空间中表示，相似的道路或者路口会有相似的向量表示，由于共用了神经元，从而使相似但不完全相同的场景相互利用训练数据，从而解决了低频场景路权系数不准确的问题，使得最终的训练学习结果更准确。上述神经网络模型可以是深度神经网络(Deep Neural Networks，DNN)神经网络模型，也可以是其他的神经网络模型。

可选的，也可以选用其他的机器学习模型，本实施例具体不做限定。

步骤S15：根据道路的常规通行时间、通行距离、通行时间系数和通行距离系数，确定道路的权值。

具体的，可以根据下式确定道路的权值e_i：

e_i＝W_t×t+W_d×d

上式中，i为道路序号，w_t为模型输出的道路i的通行时间系数，t为道路i的常规通行时间，w_d为模型输出的道路i的通行距离系数，d为道路i的通行距离。

上述道路的常规通行时间和通行距离是预先确定的，道路的常规通行时间即道路和对应的路口在通常情况下的通行所需时间，可以是综合道路的等级、道路的限速和车辆的通常行驶速度等因素来确定。

本实施例的上述方法中，根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从首轨迹点到尾轨迹点的规划路线；将历史行驶轨迹包括的轨迹点进行道路匹配，得到轨迹点匹配的道路，由道路构成所历史行驶轨迹对应的历史轨迹路线；将历史轨迹路线和对应的规划路线组成一个样本；利用样本的集合训练机器学习模型，输出道路的通行时间系数和通行距离系数；根据道路的常规通行时间、通行距离、通行时间系数和通行距离系数，确定道路的权值。每条样本中包括了真实的历史行驶轨迹对应的历史轨迹路线，用户行为相关的特征是很重要的信息，故真实的历史轨迹路线的学习能带来训练效果的提升；而实际的业务是，即使各种情况都相同，不同的用户也有可能选择不同的路线，这是个性化的行为，所以针对每条行驶历史轨迹，又确定一条或多条规划路线加入样本数据集合，丰富了样本数据，使得学习结果更贴近道路的真实情况。

实施例二

本发明实施例二提供道路权值确定方法的一种具体实现过程，其流程如图3所示，包括如下步骤：

步骤S301：将历史行驶轨迹进行过滤。

判断历史行驶轨迹是否满足预设的样本条件，在一个实施例中，可以是，判断历史行驶轨迹是否包含违章记录信息；和/或，判断历史行驶轨迹中任两个相邻轨迹点间的时间间隔是否都小于预设时间阈值，即判断历史行驶轨迹是否途中有停留。将不满足预设样本条件的历史行驶轨迹删除。

具体的，也可以是删除存在其他不正常行驶情况的历史行驶轨迹。

步骤S302：根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从首轨迹点到尾轨迹点的规划路线。

步骤S303：将历史行驶轨迹包括的轨迹点进行道路匹配，得到轨迹点匹配的道路，由道路构成历史行驶轨迹对应的历史轨迹路线。

步骤S304：判断历史轨迹路线的通行距离与对应的各规划路线的通行距离的比值是否都小于预设的比值阈值。

判断历史轨迹路线的通行距离与对应的各规划路线的通行距离的比值都小于预设的比值阈值，验证了用户轨迹没有绕远，执行步骤S306；若判断为否，确定用户轨迹存在绕远，则执行步骤S305。

步骤S305：将历史轨迹路线和对应的历史行驶轨迹删除。

步骤S301至步骤S305根据历史行驶轨迹确定规划路线的前后，将历史行驶轨迹进行筛选，将存在违章、绕远或停留等的历史行驶轨迹删除，使得建立的样本集合中只包含正常合理的历史轨迹路线及其对应的规划路线，增加了最终利用样本集合训练机器学习模型的训练结果准确度。

步骤S306：将历史轨迹路线和对应的规划路线组成一个样本，得到样本集合。

步骤S307：利用样本集合训练机器学习模型，输出道路的通行时间系数和通行距离系数。

步骤S308：根据各道路的常规通行时间、通行距离、通行时间系数和通行距离系数，确定道路的权值。

步骤S309：针对当前样本集合中的每条样本，根据当前样本对应的历史行驶轨迹的首、尾轨迹点、出发时间和当前道路的权值确定新规划路线，将新规划路线加入样本。

步骤S310：利用新样本的集合训练当前训练好的机器学习模型，输出道路的新通行时间系数和新通行距离系数。

步骤S311：根据道路的常规通行时间、通行距离、新通行时间系数和新通行距离系数，确定道路的新权值。

步骤S312：判断是否满足预设的终止训练条件。

在一个实施例中，可以是，判断训练次数是否达到预设的次数阈值；和/或，判断根据当前训练好的机器学习模型确定的损失函数值是否满足预设条件；和/或，判断根据当前训练好的机器学习模型确定的偏航率是否满足预设条件。

若步骤S312判断为否，继续执行步骤S309，直至步骤S312判断为是，说明模型的学习已经达到最优，执行步骤S313。

步骤S313：终止模型的训练。

上述步骤与实施例一中的步骤相同的，此处不做赘述，具体可见实施例一中的对应步骤。

本实施例二中，每次训练完模型，得到道路的新权值后，根据道路的新权值确定样本集合中每条历史轨迹路线对应的新的规划路线，生成对抗，并将新的规划路线填加到样本集合中，重新利用新的样本集合训练模型，如此往复迭代训练，直至训练结果达到预设要求，使得最终的训练结果更准确、更接近道路的实际情况。

上述实施例一中的方法，只对机器学习模型训练一次，未引入新的规划路线生成对抗样本，训练用的样本数据只由历史轨迹路线和一次规划路线组成，这样产生的约束较少，学习得到的路权适用范围有限，样本没有覆盖的情况无法给出合理的路线规划；但计算量小，学习效率高。实施例二中的方法，引入新的规划路线生成对抗样本数据，之前样本数据覆盖不足而导致的错误路线规划，会再次作为负样本进入模型训练，从而提升了路线规划的效果；但计算量也相对增加了。

实施例三

本发明实施例三提供道路权值确定方法的另一种具体实现过程，其流程如图3所示，包括如下步骤：

步骤S401：将历史行驶轨迹进行过滤。

步骤S402：根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从首轨迹点到尾轨迹点的规划路线。

步骤S403：将历史行驶轨迹包括的轨迹点进行道路匹配，得到轨迹点匹配的道路，由道路构成历史行驶轨迹对应的历史轨迹路线。

步骤S404：判断历史轨迹路线的通行距离与对应的各规划路线的通行距离的比值是否都小于预设的比值阈值。

判断历史轨迹路线的通行距离与对应的各规划路线的通行距离的比值都小于预设的比值阈值，验证了用户轨迹没有绕远，执行步骤S406；若判断为否，确定用户轨迹存在绕远，则执行步骤S405。

步骤S405：将历史轨迹路线和对应的历史行驶轨迹删除。

步骤S406：将历史轨迹路线和对应的规划路线组成一个样本，得到样本集合。

步骤S407：利用样本集合训练机器学习模型，输出道路的通行时间系数和通行距离系数。

步骤S408：根据各道路的常规通行时间、通行距离、通行时间系数和通行距离系数，确定道路的权值。

步骤S409：针对当前样本集合中的每条样本，根据当前样本对应的历史行驶轨迹的首、尾轨迹点、出发时间和当前道路的权值确定新规划路线。

步骤S410：判断新规划路线是否与历史轨迹路线一致。

判断新规划路线中的任一条是否与所在样本中的历史轨迹路线一致，若否，执行步骤S412；若是，执行步骤S411。

步骤S411：在新样本集合中删除规划路线对应的样本。

步骤S412：将新规划路线加入样本得到新样本集合。

步骤S413：利用新样本的集合训练当前训练好的机器学习模型，输出道路的新通行时间系数和新通行距离系数。

步骤S414：根据道路的常规通行时间、通行距离、新通行时间系数和新通行距离系数，确定道路的新权值。

步骤S415：判断是否满足预设的终止训练条件。

若步骤S415判断为否，继续执行步骤S409，直至判断为是，说明模型的学习已经达到最优，执行步骤S416。

步骤S416：终止模型的训练。

上述步骤与实施例一或实施例二中的步骤相同的，此处不做赘述，具体可见实施例一或实施例二中的对应步骤。

上述实施例三中，在对机器学习模型的迭代训练过程中，针对当前样本集合中的每条样本，根据历史轨迹路线对应的首、尾轨迹点、出发时间和道路的新权值确定新规划路线后，判断新规划路线是否与历史轨迹路线一致，若任一新规划路线与历史轨迹路线一致，确定该条样本已经学习好了，则删除该样本；若新规划路线都与历史轨迹路线不一致，则将新规划路线加入样本得到新样本集合，利用新样本集合重新训练机器学习模型。在迭代训练机器学习模型的过程中不断的删除已经学习好了的样本，大大减小了计算量，提高了学习效率。

本发明中的道路权值确定方法并不局限于上述实施例中的方法，上述实施例中各步骤的任意组合都可以理解为本发明中的道路权值确定方法。

基于本发明的发明构思，本发明实施例还提供一种路线规划方法，包括：

根据用户的导航起点、终点、请求时间和按照上述道路权值确定方法确定的道路权值确定导航路线。

基于本发明的发明构思，本发明实施例还提供一种路权模型生成方法，包括：

根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线；

将历史行驶轨迹包括的轨迹点进行道路匹配，得到所述轨迹点匹配的道路，由所述道路构成所述历史行驶轨迹对应的历史轨迹路线；

将历史轨迹路线和对应的规划路线组成一个样本；

利用所述样本的集合训练机器学习模型，所述机器学习模型用于输出道路的通行时间系数和通行距离系数。

可选的，上述路权模型生成方法还可以是利用上述实施例中道路权值确定方法中的任一方法来生成。

基于本发明的发明构思，本发明实施例还提供一种道路权值确定装置，该装置可以设置在导航设备中，该装置的结构如图5所示，包括：

规划模块51，用于根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线；

匹配模块52，用于将历史行驶轨迹包括的轨迹点进行道路匹配，得到所述轨迹点匹配的道路，由所述道路构成所述历史行驶轨迹对应的历史轨迹路线；

组合模块53，用于将规划模块51规划的历史轨迹路线和匹配模块52匹配出的对应的规划路线组成一个样本；

训练模块54，用于利用组合模块54组合的样本的集合训练机器学习模型，输出道路的通行时间系数和通行距离系数；

确定模块55，用于根据道路的常规通行时间、通行距离、通行时间系数和通行距离系数，确定道路的权值。

在一些实施例中，规划模块51，具体用于：

将连通历史行驶轨迹记录的首、尾轨迹点的路线作为备选规划路线；根据所述历史行驶轨迹记录的出发时间和所述出发时间对应的道路的权值确定各备选规划路线包含的各道路的道路权值之和；根据备选规划路线的道路权值之和确定规划路线。

在一些实施例中，上述道路权值确定装置还包括，第一判断模块56；

在确定模块55确定道路的权值之后，规划模块51还用于，根据当前样本对应的历史行驶轨迹的首、尾轨迹点、出发时间和当前道路的权值确定新规划路线，将所述新规划路线加入所述样本；训练模块54还用于，利用所述新样本的集合训练当前训练好的所述机器学习模型，输出道路的新通行时间系数和新通行距离系数；确定模块55还用于，根据道路的常规通行时间、通行距离、新通行时间系数和新通行距离系数，确定道路的新权值；第一判断模块56用于判断是否满足预设的终止训练条件；若第一判断模块56判断为是，规划模块51、训练模块54和确定模块55继续依次执行上述功能。

在一些实施例中，上述道路权值确定装置还包括，第二判断模块57，用于在规划模块51将所述新规划路线加入所述样本之前，判断所述新规划路线是否与所述历史轨迹路线一致；若第二判断模块57判断为是，规划模块51执行将所述新规划路线加入所述样本；若第二判断模块57判断为否，规划模块51用于删除所述样本。

在一些实施例中，第一判断模块56，具体用于：

判断训练次数是否达到预设的次数阈值；和/或，判断根据当前训练好的机器学习模型确定的损失函数值是否满足预设条件；和/或，判断根据当前训练好的机器学习模型确定的偏航率是否满足预设条件。

在一些实施例中，训练模块54，具体用于：

获取所述样本中历史轨迹路线的各道路的设定特征参数的离散数据，获取所述样本中每条规划路线的各道路的设定特征参数的离散数据，得到离散样本；使用所述离散样本的集合训练选定逻辑回归模型。

在一些实施例中，训练模块54，具体用于：

获取所述样本中历史轨迹路线的各道路的设定特征参数的连续特征表达数据，获取所述样本中每条规划路线的各道路的设定特征参数的连续特征表达数据，得到连续特征表达样本；使用所述连续特征表达样本的集合训练选定神经网络模型。

在一些实施例中，上述道路权值确定装置还包括，第三判断模块58，用于规划模块51根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线前，判断历史行驶轨迹是否满足预设的样本条件；若第三判断模块58判断为是，规划模块51执行将所述根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线；若第三判断模块58判断为否；规划模块51用于删除所述历史行驶轨迹。

在一些实施例中，第三判断模块58，具体用于：

判断历史行驶轨迹是否包含违章记录信息；和/或，判断历史行驶轨迹中任两个相邻轨迹点间的时间间隔是否都小于预设时间阈值。

在一些实施例中，上述道路权值确定装置还包括，第四判断模块59，用于，规划模块51由所述道路构成所述历史行驶轨迹对应的历史轨迹路线之后，判断所述历史轨迹路线的通行距离与对应的各所述规划路线的通行距离的比值是否都小于预设的比值阈值；若第四判断模块59判断为是，组合模块53执行所述将历史轨迹路线和对应的规划路线组成一个样本。

基于本发明的发明构思，本发明实施例还提供一种路权模型生成装置，该装置可以设置在导航设备中，该装置的结构如图6所示，包括：

规划模块61，用于根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线；

匹配模块62，用于将历史行驶轨迹包括的轨迹点进行道路匹配，得到所述轨迹点匹配的道路，由所述道路构成所述历史行驶轨迹对应的历史轨迹路线；

组合模块63，用于将规划模块61规划的历史轨迹路线和匹配模块62匹配出的对应的规划路线组成一个样本；

训练模块64，用于利用组合模块63组合的样本的集合训练机器学习模型，所述机器学习模型用于输出道路的通行时间系数和通行距离系数。

基于本发明的发明构思，本发明实施例还提供一种导航设备，所述导航设备设置有上述道路权值确定装置；所述导航设备用于根据用户的导航起点、终点、请求时间和利用所述道路权值确定装置确定的道路权值确定导航路线。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

基于本发明的发明构思，本发明实施例提供一种计算机可读存储介质，其上存储有计算机指令，当该指令被处理器执行时实现上述道路权值确定方法，或实现上述路线规划方法，或实现上述路权模型生成方法。

除非另外具体陈述，术语比如处理、计算、运算、确定、显示等等可以指一个或更多个处理或者计算系统、或类似设备的动作和/或过程，所述动作和/或过程将表示为处理系统的寄存器或存储器内的物理(如电子)量的数据操作和转换成为类似地表示为处理系统的存储器、寄存器或者其他此类信息存储、发射或者显示设备内的物理量的其他数据。信息和信号可以使用多种不同的技术和方法中的任何一种来表示。例如，在贯穿上面的描述中提及的数据、指令、命令、信息、信号、比特、符号和码片可以用电压、电流、电磁波、磁场或粒子、光场或粒子或者其任意组合来表示。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。

结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (16)

1.一种道路权值确定方法，包括：

根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从首轨迹点到尾轨迹点的规划路线；

将历史行驶轨迹包括的轨迹点进行道路匹配，得到所述轨迹点匹配的道路，由所述道路构成所述历史行驶轨迹对应的历史轨迹路线；

将历史轨迹路线和对应的规划路线组成一个样本；

利用所述样本的集合训练机器学习模型，输出道路的通行时间系数和通行距离系数；

根据道路的常规通行时间、通行距离、通行时间系数和通行距离系数，确定道路的权值。

2.如权利要求1所述的方法，所述根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线，具体包括：

将连通历史行驶轨迹记录的首、尾轨迹点的路线作为备选规划路线；

根据所述历史行驶轨迹记录的出发时间和所述出发时间对应的道路的权值确定各备选规划路线包含的各道路的道路权值之和；

根据备选规划路线的道路权值之和确定规划路线。

3.如权利要求1所述的方法，所述确定道路的权值后，还包括：

根据当前样本对应的历史行驶轨迹的首、尾轨迹点、出发时间和当前道路的权值确定新规划路线，将所述新规划路线加入所述样本；

利用所述新样本的集合训练当前训练好的所述机器学习模型，输出道路的新通行时间系数和新通行距离系数；

根据道路的常规通行时间、通行距离、新通行时间系数和新通行距离系数，确定道路的新权值；

判断是否满足预设的终止训练条件，若否，继续执行所述根据当前样本对应的历史行驶轨迹的首、尾轨迹点、出发时间和当前道路的权值确定新规划路线，将所述新规划路线加入所述样本。

4.如权利要求3所述的方法，所述将所述新规划路线加入所述样本前，还包括：

判断所述新规划路线是否与所述历史轨迹路线一致；

若否，执行所述将所述新规划路线加入所述样本；

若是，删除所述样本。

5.如权利要求3所述的方法，所述判断是否满足预设的终止训练条件，具体包括：

判断训练次数是否达到预设的次数阈值；和/或，

判断根据当前训练好的机器学习模型确定的损失函数值是否满足预设条件；和/或，

判断根据当前训练好的机器学习模型确定的偏航率是否满足预设条件。

6.如权利要求1所述的方法，所述利用所述样本的集合训练机器学习模型，具体包括：

获取所述样本中历史轨迹路线的各道路的设定特征参数的离散数据，获取所述样本中每条规划路线的各道路的设定特征参数的离散数据，得到离散样本；

使用所述离散样本的集合训练选定逻辑回归模型。

7.如权利要求1所述的方法，所述利用所述样本的集合训练机器学习模型，具体包括：

获取所述样本中历史轨迹路线的各道路的设定特征参数的连续特征表达数据，获取所述样本中每条规划路线的各道路的设定特征参数的连续特征表达数据，得到连续特征表达样本；

使用所述连续特征表达样本的集合训练选定神经网络模型。

8.如权利要求1-7任一所述的方法，所述根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线前，还包括：

判断历史行驶轨迹是否满足预设的样本条件；

若是，执行所述根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线；

若否，删除所述历史行驶轨迹。

9.如权利要求8所述的方法，所述判断历史行驶轨迹是否满足预设的样本条件，具体包括：

判断历史行驶轨迹是否包含违章记录信息；和/或，

判断历史行驶轨迹中任两个相邻轨迹点间的时间间隔是否都小于预设时间阈值。

10.如权利要求8所述的方法，所述由所述道路构成所述历史行驶轨迹对应的历史轨迹路线后，还包括：

判断所述历史轨迹路线的通行距离与对应的各所述规划路线的通行距离的比值是否都小于预设的比值阈值；

若是，执行所述将历史轨迹路线和对应的规划路线组成一个样本。

11.一种路线规划方法，包括：

根据用户的导航起点、终点、请求时间和按照权利要求1-10任一所述的道路权值确定方法确定的道路权值确定导航路线。

12.一种路权模型生成方法，包括：

根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线；

将历史行驶轨迹包括的轨迹点进行道路匹配，得到所述轨迹点匹配的道路，由所述道路构成所述历史行驶轨迹对应的历史轨迹路线；

将历史轨迹路线和对应的规划路线组成一个样本；

利用所述样本的集合训练机器学习模型，所述机器学习模型用于输出道路的通行时间系数和通行距离系数。

13.一种道路权值确定装置，包括：

规划模块，用于根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线；

匹配模块，用于将历史行驶轨迹包括的轨迹点进行道路匹配，得到所述轨迹点匹配的道路，由所述道路构成所述历史行驶轨迹对应的历史轨迹路线；

组合模块，用于将所述规划模块规划的历史轨迹路线和所述匹配模块匹配出的对应的规划路线组成一个样本；

训练模块，用于利用所述组合模块组合的样本的集合训练机器学习模型，输出道路的通行时间系数和通行距离系数；

确定模块，用于根据道路的常规通行时间、通行距离、通行时间系数和通行距离系数，确定道路的权值。

14.一种路权模型生成装置，包括：

规划模块，用于根据历史行驶轨迹记录的首、尾轨迹点和出发时间，规划从所述首轨迹点到尾轨迹点的规划路线；

匹配模块，用于将历史行驶轨迹包括的轨迹点进行道路匹配，得到所述轨迹点匹配的道路，由所述道路构成所述历史行驶轨迹对应的历史轨迹路线；

组合模块，用于将所述规划模块规划的历史轨迹路线和所述匹配模块匹配出的对应的规划路线组成一个样本；

训练模块，用于利用所述组合模块组合的样本的集合训练机器学习模型，所述机器学习模型用于输出道路的通行时间系数和通行距离系数。

15.一种导航设备，所述导航设备设置有权利要求13所述的道路权值确定装置；

所述导航设备用于根据用户的导航起点、终点、请求时间和利用所述道路权值确定装置确定的道路权值确定导航路线。

16.一种计算机可读存储介质，其上存储有计算机指令，当该指令被处理器执行时实现权利要求1～10任一所述的道路权值确定方法，或实现权利要求11所述的路线规划方法，或实现权利要求12所述的路权模型生成方法。

Images