CN113901341A - 导航信息提示方法、装置、介质及程序产品 - Google Patents
导航信息提示方法、装置、介质及程序产品 Download PDFInfo
- Publication number
- CN113901341A CN113901341A CN202111158962.6A CN202111158962A CN113901341A CN 113901341 A CN113901341 A CN 113901341A CN 202111158962 A CN202111158962 A CN 202111158962A CN 113901341 A CN113901341 A CN 113901341A
- Authority
- CN
- China
- Prior art keywords
- station
- traffic behavior
- preset
- stations
- behavior state
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000006399 behavior Effects 0.000 claims abstract description 155
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 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
- 238000013145 classification model Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation 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
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/005—Traffic control systems for road vehicles including pedestrian guidance indicator
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种导航信息提示方法、装置、介质及程序产品，涉及智能交通和深度学习等人工智能领域。该方法的一实施方式包括：在用户处于地下交通工具区域时，获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态；响应于导航路线上的相邻站点中每个站点的交通行为状态与第一预设交通行为状态一致，将相邻站点中的后一站点对应的基站确定为基准站；基于基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置；响应于地下交通工具在预设站点的交通行为状态与第二预设交通行为状态一致，输出下车提示信息。
Description
技术领域
本公开涉及计算机领域，具体涉及智能交通和深度学习，尤其涉及一种导航信息提示方法、装置、介质及程序产品。
背景技术
多数终端设备均具备定位功能，能够向用户提供很多基于位置的服务，为用户带来了便利。
目前，终端设备的定位方式包括全球导航卫星系统(Global NavigationSatellite System，GNSS)定位等。
发明内容
本公开实施例提出了一种导航信息提示方法、装置、介质及程序产品。
第一方面，本公开实施例提出了一种导航信息提示方法，包括：在用户处于地下交通工具区域时，获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态；响应于导航路线上的相邻站点中每个站点的交通行为状态与第一预设交通行为状态一致，将相邻站点中的后一站点对应的基站确定为基准站；基于基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置；响应于地下交通工具在预设站点的交通行为状态与第二预设交通行为状态一致，输出下车提示信息。
第二方面，本公开实施例提出了一种导航信息提示装置，包括：状态获取模块，被配置成在用户处于地下交通工具区域时，被配置成获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态；第一确定模块，被配置成响应于导航路线上的相邻站点中每个站点的交通行为状态与第一预设交通行为状态一致，将相邻站点中的后一站点对应的基站确定为基准站；第二确定模块，被配置成基于基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置；信息输出模块，被配置成响应于地下交通工具在预设站点的交通行为状态与第二预设交通行为状态一致，输出下车提示信息。
第三方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面描述的方法。
第四方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面描述的方法。
第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面描述的方法。
本公开实施例提供的导航信息提示方法、装置、介质及程序产品，首先在用户处于地下交通工具区域时，获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态；然后在导航路线上的相邻站点中每个站点的交通行为状态与第一预设交通行为状态一致时，将相邻站点中的后一站点对应的基站确定为基准站；然后基于基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置；最后在地下交通工具在预设站点的交通行为状态与第二预设交通行为状态一致时，输出下车提示信息。能够在地下交通工具在地下交通场景导航时，可以根据地下交通工具的交通行为状态，确定基准站；之后，根据基准站的位置，以及设置在导航路线上的各个站点处的基站的位置，推导出预设站点的位置，以输出下车提示信息。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开可以应用于其中的示例性系统架构图；
图2是根据本公开的导航信息提示方法的一个实施例的流程图；
图3(a)～图3(b)为确定基准站的示意图；
图4是根据本公开的导航信息提示方法的一个实施例的流程图；
图5是根据本公开的导航信息提示方法的一个应用场景的示意图；
图6是根据本公开的导航信息提示装置的一个实施例的结构示意图；
图7是用来实现本公开实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的导航信息提示方法或导航信息提示装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以地下交通工具在预设的导航路线上的各个站点处的交通行为状态等。终端设备101、102、103上可以安装有各种客户端应用、智能交互应用，例如导航应用、地图应用等等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，终端设备可以为与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品，例如PC(Personal Computer，个人计算机)、手机、智能手机、PDA(Personal Digital Assistant，个人数字助手)、可穿戴设备、PPC(PocketPC，掌上电脑)、平板电脑、智能车机、智能电视、智能音箱、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种服务。例如，服务器105可以在用户处于地下交通工具区域时，获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态；响应于导航路线上的相邻站点中每个站点的交通行为状态与第一预设交通行为状态一致，将相邻站点中的后一站点对应的基站确定为基准站；基于基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置；响应于地下交通工具在预设站点的交通行为状态与第二预设交通行为状态一致，输出下车提示信息。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开实施例所提供的导航信息提示方法一般由服务器105执行，相应地，导航信息提示装置一般设置于服务器105中。
应该理解，图1中的电子设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备、网络和服务器。
继续参考图2，其示出了根据本公开的导航信息提示方法的一个实施例的流程200。该导航信息提示方法可以包括以下步骤：
步骤201，在用户处于地下交通工具区域时，获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态。
在本实施例中，导航信息提示方法的执行主体(例如图1所示的服务器105)可以在用户处于地下交通工具区域时，获取地下交通工具在预设的导航路线上的各个站点的位置处的交通行为状态；或，导航信息提示方法的执行主体(例如图1所示的终端设备101、102、103)可以获取地下交通工具在导航路线上的各个站点的位置处的交通行为状态。上述用户可以为终端设备(例如图1所示的终端设备101、102、103)的使用者。上述地下交通工具区域可以为地下交通场景下的交通工具行驶途经的区域。
在这里，本公开实施例中通过设置在预设的导航路线上的各个站点的基站，例如，设置在各个站点预设范围内的基站，该预设范围可以基站的辐射覆盖范围。上述预设的导航路线可以为用户预先在终端设备上通过导航应用或地图应用进行导航得到的路线，例如，用户可以输入目的站点(例如，地下交通工具途径的站点)，再根据基站获取的起始站点或获取用户刷卡(例如，智能IC卡(Smart Card)、智能终端设备)进入的起始站点或用户输入的起始站点，通过导航应用或地图应用，确定导航路线。该导航路线可以包括地下交通工具在导航路线中途经的至少两个站点。
在这里，获取地下交通工具在各个站点的位置处的交通行为状态可以包括：通过预先训练的状态识别模型，确定地下交通工具在该站点的交通行为状态。该交通行为状态可以用于表征地下交通工具的运行状态，例如，进站、出站、行驶中、停止等。
在一个示例中，上述执行主体可以基于以下步骤训练状态识别模型：先获得地下交通工具在各个站点的位置处的交通行为数据，以及对应的各个站点的位置处的交通行为状态；之后，可以利用交通行为数据，以及交通行为状态训练机器学习模型，得到状态识别模型。在训练时，执行主体可以将交通行为数据作为状态识别模型的输入，以及将所输入对应的交通行为状态，作为期望输出，得到状态识别模型。上述机器学习模型可以为现有技术或未来发展技术中的概率模型、分类模型或者其他分类器等，例如，机器学习模型可以包括以下任意一项：决策树模型(XGBoost)、逻辑回归模型(LR)、深度神经网络模型(DNN)。
在一个示例中，在得到交通行为数据和交通行为状态之后，对交通行为数据进行特征提取，以得到交通行为特征；之后，利用交通行为特征和交通行为状态进行模型训练。上述交通行为特征可以用于表征地下交通工具的交通行为。
需要说明的是，可以通过预先训练的特征提取模型提取交通行为特征。
本公开的技术方案中，所涉及的基站位置、交通运行状态的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
步骤202，响应于导航路线上的相邻站点中每个站点的交通行为状态与第一预设交通行为状态一致，将相邻站点中后一站点对应的基站确定为基准站。
在实施例中，上述执行主体可以在导航路线上的相邻站点中每个站点的交通行为状态与第一预设交通行为状态一致，将相邻站点中后一站点对应的基站确定为基准点。
在一个示例中，在图3(a)中，“站点A～站点n”为导航路线上的站点，“站点A”与“站点B”为相邻站点，地铁在“站点A”实际的交通行为状态为“停车”态，且与“站点A”对应的第一预设交通行为状态为“停车”态；在“站点A”预测地铁下一站到达的站点为是否“站点B”(例如，预测P2＝站点B)，地铁在“站点B”对应的交通行为状态(即，预设的状态)是否为“停车”态；在下一次获取到基站的位置时，如果确定该基站对应的站点为“站点B”(即，P2＝站点B，预测P2＝站点B)，地铁在“站点B”实际的交通行为状态为“停车”态，且与“站点B”对应的第一预设交通行为状态为“停车”态一致；那么说明，基于“站点A”预测的“站点B”的位置是准确的，此时可以将“站点B”对应的基站作为基准站。
对应地，在该示例中，可以通过相邻站点的交通行为状态来证明与“站点A”和“站点B”对应的、由其对应的基站测得的位置是准确的；此时，可以将“站点B”作为基准站，以确定后续站点(例如，站点C～站点n)的位置。
在一个示例中，在图3(b)中，地铁在“站点A”实际的交通行为状态为“停车”态，且与“站点A”对应的第一预设交通行为状态为“停车”态；预测“站点A”预测地铁下一站到达的站点是否为“站点B”(即，预测P2＝站点B)，“站点B”对应的交通行为状态(即，第一预设交通行为状态)是否为“停车”态；在下一次获取到基站的位置时，如果确定该基站对应的站点不为“站点B”，则以当前基站对应的站点预测地铁下一站到达的站点是否为“站点C”(即，在预测P2＝C)，地铁在“站点C”的交通行为状态是否为“停车”态；在下一次获取到基站的位置时，如果确定该基站对应的站点为“站点C”，且地铁在“站点C”实际的交通行为状态为“停车”态，与“站点C”对应的第一预设交通行为状态为“停车”态一致；那么说明，基于“当前基站对应的站点”预测的“站点C”的位置是准确的，此时可以将“站点C”对应的基站作为基准站。
如果确定该基站对应的站点不为“站点C”(即，P2不为站点C)，则以当前基站对应的站点“站点n-1”预测地铁下一站到达的站点为“站点n”(即，预测P2＝站点n)；在下一次获取到基站的位置时，如果确定该基站对应的站点为“站点n”(即，P2＝站点n，预测P2＝站点n)，且地铁在“站点n”实际的交通行为状态为“停车”态，与“站点n”对应的第一预设交通行为状态为“停车”态一致；那么说明，基于“站点n-1”预测的“站点n”的位置是准确的，此时可以将“站点n”对应的基站作为基准站。
需要说明的是，上述描述以地下交通工具在下一站和相邻的两个站点处的停车态(即，停止)为示例。在本公开的实施例中，还可以以下几站(例如站点B的下两站)和相邻的几站(例如，于站点B相邻的两站等)。具体站数的设置可以基于导航路线的长短或按照默认方式(例如，下一站)进行设置。
需要说明的是，第一预设交通行为状态与相邻站点中的每个站点的交通行为状态对应，每个站点的交通行为状态对应的第一预设交通行为状态可以不同。
在这里，在相邻站点中的所有站点的交通行为状态均与各个站点对应的第一预设交通行为状态一致时，将将相邻站点中后一站点对应的基站确定为基准站。上述一致可以为所有站点的交通行为状态与第一预设交通行为状态相同。
也就是说，通过相邻站点中的其他站点(即，所有站点中除后一站点)的准确的交通行为状态，来辅助确定后一站点对应的基站为基准站。以使基准站可以用于作为确定导航路线上的后续的站点的位置的基准。
需要说明的是，相邻站点可以包括三个站点，此时，每个相邻的站点都可以包括三个站点，相邻站点中的后一站可以为三个站点中的第二个站点或最后的一个站点，即除第一个站点之后的站点。相邻站点中的后一站可以为导航路线上除起始站点和目的地站点之外的站点。可选的，相邻站点的后一站可以为导航路线上的、在目的地站点之前的三站。以起到在到达目的地站点之前，可以确定基准站，以基于该基准站的位置确定预设站点(即，目的地站点之间的站点，例如，目的地站点的前一站、前两站等)的位置，以起到提前提醒下车的目的。
步骤203，基于基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置。
在本实施例中，上述执行主体可以基于基准站的位置，以及设置在各个站点处的基站的位置，确定预设站点的位置。上述基准站的位置可以用于表征与基准站对应的站点所在的位置。上述位置可以为经纬度、还可以为三维空间位置等。
在一个示例中，可以预先采集设置在地下交通工具处的基站，例如，地铁途经所有站点对应的基站的位置；在确定基准站之后，也就确定了基准站对应的站点；之后，再根据地铁途径所有站点对应的基站的位置，确定预设站点的位置。
例如，以图3(a)为例，“站点B”为基准站，预设站点为“站点n-1”；在确定基准站(也即，确定“站点B”的位置)之后，可以基于“站点A”～“站点n”对应的基站的位置，确定“站点n”的位置。
需要说明的是，预设站点可以根据导航路线进行设置，例如，预设站点为在导航路线的目的地站点的前一站，或前两站等。
步骤204，响应于地下交通工具在预设站点的交通行为状态与第二预设交通行为状态一致，输出下车提示信息。
在本实施例中，上述执行主体可以在地下交通工具在预设站点的交通行为状态与第二预设交通行为状态一致，输出下车提示信息。
在这里，上述执行可以向终端设备发送下车提示信息，以提醒终端设备的用户下地下交通工具。上述下车提示信息可以通过预设的方式进行提示，例如，震动终端设备、在终端设备上高亮、通过终端设备发出提示声音等。
本公开实施例提供的导航信息提示方法，首先在用户处于地下交通工具区域时，获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态；然后在导航路线上的相邻站点中每个站点的交通行为状态与第一预设交通行为状态一致时，将相邻站点中的后一站点对应的基站确定为基准站；然后基于基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置；最后在地下交通工具在预设站点的交通行为状态与第二预设交通行为状态一致时，输出下车提示信息。能够在地下交通工具在地下交通场景导航时，可以根据地下交通工具的交通行为状态，确定基准站；之后，根据基准站的位置，以及设置在导航路线上的各个站点处的基站的位置，推导出预设站点的位置，以输出下车提示信息。
进一步参考图4，图4示出了根据本公开的导航信息提示方法的另一个实施例的流程400。该导航信息提示方法可以包括以下步骤：
步骤401，响应于基于终端设备在地下交通工具的目标站点进行网络定位得到的位置，从预先采集的地下交通工具的基站中匹配到与目标站点对应的基站，确定用户处于地下交通工具区域。
在本实施例中，导航信息提示方法的执行主体(例如图1所示的服务器105)可以通过终端设备(例如图1所示的终端设备101)在地下交通工具的目标站点进行网络定位得到的位置，在基于网络定位得到的位置从预先采集的地下交通工具的基站中匹配到与目标站点对应的基站时，确定用户处于地下交通工具区域。
在这里，基于终端设备在地下交通工具的目标站点进行网络定位，可以包括：在用户到达地下交通工具的目标站点，且基于网络定位，可以从预先采集的地下交通工具在各个站点对应的基站中匹配出与目标站点对应的基站时，确定用户处于地下交通工具区域。
对应地，在该示例中，目标站点可以为用户进入地下交通工具的某一站点。上述网络定位可以为基于通信网络确定目标站点的位置，例如，无线保真(Wireless-Fidelity，WI-FI)、第五代移动通信技术(5th-Generation Mobile Communication Technology，5G)、第四代移动通信技术(the 4Generation mobile communication technology，4G)、第三代移动通信技术(The 3rd Generation Telecommunication，3G)、第二代移动通信技术(2-Generation wireless telephone technology，2G)等。
在一个示例中，用户需要在目标站点(例如，站点A)乘坐地下交通工具，在用户通过“站点A”的进站口进入“地下交通工具”的过程中，可以通过用户使用的终端设备(例如图1所示的终端设备101)进行网络定位，确定“站点A”的位置；之后，在基于“站点A”的位置从预先采集的地下交通工具在各个站点对应的基站中匹配出与目标站点对应的基站时，确定此时用户此时进入了地下交通工具区域。
步骤402，在用户处于地下交通工具区域时，获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态。
步骤403，响应于导航路线上的相邻站点中每个站点的交通行为状态与第一预设交通行为状态一致，将相邻站点中的后一站点对应的基站确定为基准站。
步骤404，基于基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置。
步骤405，响应于地下交通工具在预设站点的交通行为状态与第二预设交通行为状态一致，输出下车提示信息。
在本实施例中，步骤402-405具体操作分别已在图2所示的实施例中步骤201-204进行了详细的介绍，在此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的导航信息提示方法突出了确定用户处于地下交通工具区域的步骤。由此，本实施例描述的方案在基于终端设备在地下交通工具的目标站点进行网络定位得到的位置，从预先采集的地下交通工具在各个站点对应的基站中匹配到与目标站点对应的基站时，确定用户处于地下交通工具区域。能够基于网络定位得到的位置，从预先采集的地下交通工具在各个站点对应的基站中匹配到与目标站点对应的基站，能够准确地确定用户处于地下交通工具区域。
在本实施例的一些可选的实现方式中，获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态，可以包括：通过终端设备的传感器获取地下交通工具在预设的导航路线上的各个站点处的交通行为数据；将各个站点处的交通行为数据输入预先训练的状态识别模型，得到各个站点处的交通行为状态。
在本实现方式中，上述执行主体可以基于终端设备的传感器获取地下交通工具在各个站点的位置处的交通运行数据；之后，将交通行为数据输入预先训练的状态识别模型，确定地下交通工具在各个站点的位置处的交通行为状态。上述交通运行数据可以为地下交通工具在导航路线上的各个站点处产生的与交通运行相关的数据，例如，运行速度、运行时间、运行方式等。
在这里，状态识别模型可以为预先对机器学习模型进行训练得到的模型。
在这里，将该路测数据和导向箭头标志作为状态识别模型的输入，将道路通达方向作为状态识别模型的输出，训练机器学习模型，得到状态识别模型。
在一个示例中，上述执行主体可以基于以下步骤训练状态识别模型：先获得地下交通工具在各个站点的位置处的交通行为数据，以及对应的各个站点的位置处的交通行为状态；之后，可以利用交通行为数据，以及交通行为状态训练机器学习模型，得到状态识别模型。在训练时，执行主体可以将交通行为数据作为状态识别模型的输入，以及将所输入对应的交通行为状态，作为期望输出，得到状态识别模型。上述机器学习模型可以为现有技术或未来发展技术中的概率模型、分类模型或者其他分类器等，例如，机器学习模型可以包括以下任意一项：决策树模型(XGBoost)、逻辑回归模型(LR)、深度神经网络模型(DNN)。
在一个示例中，在得到交通行为数据和交通行为状态之后，对交通行为数据进行特征提取，以得到交通行为特征；之后，利用交通行为特征和交通行为状态进行模型训练。上述交通行为特征可以用于表征地下交通工具的交通行为。
需要说明的是，可以通过预先训练的特征提取模型提取交通行为特征。
在本实现方式中，上述执行主体可以基于预先训练的状态识别模型，以及基于传感器获取的地下交通工具在各个站点处的交通行为数据，确定地下交通工具在各个站点对应的交通行为状态。
在本实施例的一些可选的实现方式中，相邻站点为导航路线上的每个相邻站点，该导航信息提示方法还可以包括：响应于每个相邻站点的下一相邻站点对应的基准站与每个相邻站点对应的基准站不同，将下一相邻站点对应的基准站作为新的基准站；基于基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置，可以包括：基于新的基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置。
在本实现方式中，上述执行主体可以基于每个相邻站点的交通行为状态与预设的交通行为状态，确定每个相邻站点对应的基准站；响应于相邻站点中下一相邻站点对应的基准站与该相邻站点对应的基准站不同，将下一相邻站点对应的基准站作为新的基准站；基于新的基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置。上述下一相邻站点可以与每个相邻站点相邻的站点。
在本实现方式中，上述执行主体可以在地下交通工具在导航路线行驶的过程中，多次确定新的基准站，以尽量修正之前确定的基准站预测后续的站点的位置不准确的情况。
需要说明的是，多次确定新的基准站可以为每获取到一个基站的位置时，都进行基准站的确定；或者，按照预设的间隔站数，重新确定新的基准站。
在本实现方式中，可以多次重新确定新的基准站，以使基于新的基准站确定的预设站点的位置是准确的。
在本实施例的一些可选的实现方式中，传感器包括以下至少一种：加速度传感器、陀螺仪传感器和重力传感器。
在本实现方式中，传感器可以包括以下至少一项：加速度传感器、陀螺仪传感器和重力传感器，该传感器可以用于获取地下交通工具在各个站点的位置处的交通行为数据。
在本实施例的一些可选的实现方式中，其中，交通行为状态包括以下至少一项：进站、出站、行进或停止。
在本实现方式中，交通行为状态可以包括以下至少一项：进站、出站、行进或停止。
在本实现方式中，可以通过以上交通行为状态，确定基准站。
进一步参考图5，图5示出了根据本公开的导航信息提示方法的一个应用场景示意图。在该应用场景中，在用户处于地下交通工具区域时，通过终端设备(例如图1所示的终端设备101)502获取地下交通工具在各个站点的位置处的交通行为状态；之后，将各个站点的位置，以及各个站点的位置处的交通行为状态发送至服务器(例如图1所示的服务器105)501；之后，服务器501在导航路线上的相邻站点中每个站点的交通行为状态与预设的交通行为状态一致时，将相邻站点中后一站点对应的基站确定为基准站；服务器501基于基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置；服务器501在地下交通工具在预设站点的交通行为状态与第二预设交通行为状态一致时，输出下车提示信息；之后，将提示信息发送至终端设备502，以提醒终端设备的用户要做好下地下交通工具的准备。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种导航信息提示装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的导航信息提示装置600可以包括：状态获取模块601、第一确定模块602、第二确定模块603和信息输出模块604。其中，状态获取模块601，被配置成在用户处于地下交通工具区域时，被配置成获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态；第一确定模块602，被配置成响应于导航路线上的相邻站点中每个站点的交通行为状态与第一预设交通行为状态一致，将相邻站点中的后一站点对应的基站确定为基准站；第二确定模块603，被配置成基于基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置；信息输出模块604，被配置成响应于地下交通工具在预设站点的交通行为状态与第二预设交通行为状态一致，输出下车提示信息。
在本实施例中，导航信息提示装置600中：状态获取模块601、第一确定模块602、第二确定模块603和信息输出模块604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，位置获取模块601，进一步被配置成：响应于基于终端设备在地下交通工具的目标站点进行网络定位得到的位置，从预先采集的地下交通工具在各个站点对应的基站中匹配到与目标站点对应的基站，确定用户处于地下交通工具区域。
在本实施例的一些可选的实现方式中，状态获取模块602，进一步被配置成：通过终端设备的传感器获取地下交通工具在预设的导航路线上的各个站点处的交通行为数据；将各个站点处的交通行为数据输入预先训练的状态识别模型，得到各个站点处的交通行为状态。
在本实施例的一些可选的实现方式中，其中，相邻站点为导航路线上的每个相邻站点，该导航信息提示装置还包括：基准点作为模块，被配置成响应于每个相邻站点的下一相邻站点对应的基准站与每个相邻站点对应的基准站不同，将下一相邻站点对应的基准站作为新的基准站；第二确定模块604，进一步被配置成：基于新的基准站的位置，以及设置在各个站点处的基站的位置，确定导航路线上的预设站点的位置。
在本实施例的一些可选的实现方式中，传感器包括以下至少一种：加速度传感器、陀螺仪传感器和重力传感器。
在本实施例的一些可选的实现方式中，交通行为状态包括以下至少一项：进站、出站、行进或停止。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如导航信息提示方法。例如，在一些实施例中，导航信息提示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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的导航信息提示方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行导航信息提示方法。
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，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。
人工智能是研究计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语音处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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，本发公开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，只要能够实现本公开提及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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (15)
1.一种导航信息提示方法，包括：
在用户处于地下交通工具区域时，获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态；
响应于所述导航路线上的相邻站点中每个站点的交通行为状态与第一预设交通行为状态一致，将所述相邻站点中的后一站点对应的基站确定为基准站；
基于基准站的位置，以及设置在所述各个站点处的基站的位置，确定所述导航路线上的预设站点的位置；
响应于所述地下交通工具在所述预设站点的交通行为状态与第二预设交通行为状态一致，输出下车提示信息。
2.根据权利要求1所述的方法，其中，用户处于地下交通工具区域，包括：
响应于基于终端设备在地下交通工具的目标站点进行网络定位得到的位置，从预先采集的地下交通工具在各个站点对应的基站中匹配到与目标站点对应的基站，确定用户处于地下交通工具区域。
3.根据权利要求1或2所述的方法，其中，所述获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态，包括：
通过终端设备的传感器获取地下交通工具在预设的导航路线上的各个站点处的交通行为数据；
将所述各个站点处的交通行为数据输入预先训练的状态识别模型，得到所述各个站点处的交通行为状态。
4.根据权利要求1-3任一项所述的方法，其中，所述相邻站点为导航路线上的每个相邻站点，所述方法还包括：
响应于每个相邻站点的下一相邻站点对应的基准站与所述每个相邻站点对应的基准站不同，将下一相邻站点对应的基准站作为新的基准站；
所述基于基准站的位置，以及设置在所述各个站点处的基站的位置，确定所述导航路线上的预设站点的位置，包括：
基于所述新的基准站的位置，以及设置在所述各个站点处的基站的位置，确定所述导航路线上的预设站点的位置。
5.根据权利要求3所述的方法，其中，所述传感器包括以下至少一种：加速度传感器、陀螺仪传感器和重力传感器。
6.根据权利要求1-5任一项所述的方法，其中，所述交通行为状态包括以下至少一项：进站、出站、行进或停止。
7.一种导航信息提示装置，包括：
状态获取模块，被配置成在用户处于地下交通工具区域时，被配置成获取地下交通工具在预设的导航路线上的各个站点处的交通行为状态；
第一确定模块，被配置成响应于所述导航路线上的相邻站点中每个站点的交通行为状态与第一预设交通行为状态一致，将所述相邻站点中的后一站点对应的基站确定为基准站；
第二确定模块，被配置成基于基准站的位置，以及设置在所述各个站点处的基站的位置，确定所述导航路线上的预设站点的位置；
信息输出模块，被配置成响应于所述地下交通工具在所述预设站点的交通行为状态与第二预设交通行为状态一致，输出下车提示信息。
8.根据权利要求7所述的装置，其中，所述位置获取模块，进一步被配置成：
响应于基于终端设备在地下交通工具的目标站点进行网络定位得到的位置，从预先采集的地下交通工具在各个站点对应的基站中匹配到与目标站点对应的基站，确定用户处于地下交通工具区域。
9.根据权利要求7或8所述的装置，其中，所述状态获取模块，进一步被配置成：
通过终端设备的传感器获取地下交通工具在预设的导航路线上的各个站点处的交通行为数据；
将所述各个站点处的交通行为数据输入预先训练的状态识别模型，得到所述各个站点处的交通行为状态。
10.根据权利要求7-9任一项所述的装置，其中，所述相邻站点为导航路线上的每一个相邻站点，所述装置还包括：
基准点作为模块，被配置成响应于每个相邻站点的下一相邻站点对应的基准站与所述每个相邻站点对应的基准站不同，将下一相邻站点对应的基准站作为新的基准站；
所述第二确定模块，进一步被配置成：基于所述新的基准站的位置，以及设置在所述各个站点处的基站的位置，确定所述导航路线上的预设站点的位置。
11.根据权利要求9所述的装置，其中，所述传感器包括以下至少一种：加速度传感器、陀螺仪传感器和重力传感器。
12.根据权利要求7-11任一项所述的装置，其中，所述交通行为状态包括以下至少一项：进站、出站、行进或停止。
13.一种电子设备，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1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，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1-6中任一项所述的方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111158962.6A CN113901341A (zh) | 2021-09-30 | 2021-09-30 | 导航信息提示方法、装置、介质及程序产品 |
| EP22169253.6A EP4015998A3 (en) | 2021-09-30 | 2022-04-21 | Method and apparatus for prompting navigation information, medium and program product |
| US17/727,390 US20220246032A1 (en) | 2021-09-30 | 2022-04-22 | Method and apparatus for prompting navigation information, and medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111158962.6A CN113901341A (zh) | 2021-09-30 | 2021-09-30 | 导航信息提示方法、装置、介质及程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113901341A true CN113901341A (zh) | 2022-01-07 |
Family
ID=79189617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111158962.6A Pending CN113901341A (zh) | 2021-09-30 | 2021-09-30 | 导航信息提示方法、装置、介质及程序产品 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220246032A1 (zh) |
| EP (1) | EP4015998A3 (zh) |
| CN (1) | CN113901341A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116193574A (zh) * | 2023-02-22 | 2023-05-30 | 中电建建筑集团有限公司 | 一种基于5g网络的观测信息融合定位关键技术方法与系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117271693B (zh) * | 2023-10-17 | 2024-04-26 | 中运科技股份有限公司 | 基于大数据分析的交通线路到站归属地自动判定方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111405478A (zh) * | 2020-03-02 | 2020-07-10 | Oppo广东移动通信有限公司 | 服务提供方法、装置、终端及存储介质 |
| CN111858812A (zh) * | 2020-07-21 | 2020-10-30 | 携程旅游信息技术（上海）有限公司 | 出行服务方法、系统、设备及存储介质 |
| CN111967301A (zh) * | 2020-06-30 | 2020-11-20 | 北京百度网讯科技有限公司 | 定位导航方法、装置、电子设备和存储介质 |
| CN112747761A (zh) * | 2020-12-28 | 2021-05-04 | 北京航迹科技有限公司 | 一种基于自动驾驶车辆出行的导航方法和系统 |
| CN113012461A (zh) * | 2021-04-08 | 2021-06-22 | 北京百度网讯科技有限公司 | 导航方法及其装置、设备和介质 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3874356B2 (ja) * | 2004-05-06 | 2007-01-31 | 株式会社ナビタイムジャパン | 携帯型案内装置 |
| JP2006017749A (ja) * | 2004-06-30 | 2006-01-19 | Nec Corp | 情報案内サービスシステム、情報案内提供装置及びそれに用いる情報案内サービス方法 |
| US20090207049A1 (en) * | 2008-02-15 | 2009-08-20 | Chunghwa United Television Co., Ltd. | Method for smart announcing of bus stop |
| US8400294B2 (en) * | 2009-12-21 | 2013-03-19 | Garmin Switzerland Gmbh | Transit stop detection |
| US8560230B2 (en) * | 2010-10-15 | 2013-10-15 | Alex Morgan Bell | System and method for tracking mass transit vehicles |
| US20150070131A1 (en) * | 2013-09-11 | 2015-03-12 | Here Global B.V. | Method and apparatus for detecting boarding of a means of transport |
| US10757671B2 (en) * | 2014-09-30 | 2020-08-25 | Apple Inc. | Location fingerprinting for a transit system |
| WO2018134890A1 (ja) * | 2017-01-17 | 2018-07-26 | 三菱電機株式会社 | 進路制御装置、無線列車制御システム、車上装置、進路制御方法および進路制御プログラム |
| US11227494B1 (en) * | 2017-09-29 | 2022-01-18 | Apple Inc. | Providing transit information in an augmented reality environment |
| US10979857B2 (en) * | 2018-05-03 | 2021-04-13 | Curbside Inc. | Content conversion tracking based on location data |
| EP3657196A1 (en) * | 2018-11-23 | 2020-05-27 | HERE Global B.V. | Determining a non-gnss based position of a mobile device |
| US20230013672A1 (en) * | 2021-12-24 | 2023-01-19 | Changxin Memory Technologies, Inc. | Transistor unit and array and integrated circuit thereof |
-
2021
- 2021-09-30 CN CN202111158962.6A patent/CN113901341A/zh active Pending
-
2022
- 2022-04-21 EP EP22169253.6A patent/EP4015998A3/en active Pending
- 2022-04-22 US US17/727,390 patent/US20220246032A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111405478A (zh) * | 2020-03-02 | 2020-07-10 | Oppo广东移动通信有限公司 | 服务提供方法、装置、终端及存储介质 |
| CN111967301A (zh) * | 2020-06-30 | 2020-11-20 | 北京百度网讯科技有限公司 | 定位导航方法、装置、电子设备和存储介质 |
| CN111858812A (zh) * | 2020-07-21 | 2020-10-30 | 携程旅游信息技术（上海）有限公司 | 出行服务方法、系统、设备及存储介质 |
| CN112747761A (zh) * | 2020-12-28 | 2021-05-04 | 北京航迹科技有限公司 | 一种基于自动驾驶车辆出行的导航方法和系统 |
| CN113012461A (zh) * | 2021-04-08 | 2021-06-22 | 北京百度网讯科技有限公司 | 导航方法及其装置、设备和介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116193574A (zh) * | 2023-02-22 | 2023-05-30 | 中电建建筑集团有限公司 | 一种基于5g网络的观测信息融合定位关键技术方法与系统 |
| CN116193574B (zh) * | 2023-02-22 | 2023-10-13 | 中电建建筑集团有限公司 | 一种基于5g网络的观测信息融合定位关键技术方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4015998A2 (en) | 2022-06-22 |
| US20220246032A1 (en) | 2022-08-04 |
| EP4015998A3 (en) | 2022-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107690568B (zh) | 基于频率的通行行程表征 | |
| CN112001287B (zh) | 障碍物的点云信息生成方法、装置、电子设备和介质 | |
| EP4015998A2 (en) | Method and apparatus for prompting navigation information, medium and program product | |
| US10900795B2 (en) | Method and system for identifying meeting points | |
| CN113420692A (zh) | 生成方向识别模型的方法、装置、设备、介质及程序产品 | |
| CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
| CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
| CN113591569A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
| CN116088537B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
| EP4092388A2 (en) | Method and apparatus of recommending information, electronic device, storage medium, and program product | |
| US20220164723A1 (en) | Method for determining boarding information, electronic device, and storage medium | |
| EP4016004A2 (en) | Navigation method, navigation apparatus, device and storage medium | |
| CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
| CN112685996B (zh) | 文本标点预测方法、装置、可读介质和电子设备 | |
| CN115675528A (zh) | 基于相似场景挖掘的自动驾驶方法和车辆 | |
| CN115061386A (zh) | 智能驾驶的自动化仿真测试系统及相关设备 | |
| CN112866915A (zh) | 导航信息处理方法、装置、电子设备及存储介质 | |
| CN113344121A (zh) | 训练招牌分类模型和招牌分类的方法 | |
| CN113051926A (zh) | 文本抽取方法、设备和存储介质 | |
| CN113147794A (zh) | 生成自动驾驶预警信息方法、装置、设备及自动驾驶车辆 | |
| CN112987707A (zh) | 一种车辆的自动驾驶控制方法及装置 | |
| KR102068796B1 (ko) | 내비게이션 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체 | |
| EP4099292A2 (en) | Method and apparatus of determining state of target object, electronic device, storage medium, and program product | |
| CN117635403B (zh) | 异常订单告警方法、装置、电子设备和计算机可读介质 | |
| CN113902002B (zh) | 用于训练站点出入口确定模型的方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220107 |
|
| RJ01 | Rejection of invention patent application after publication |