CN114383617A - 基于地图神经网络导航算路方法、装置、设备及存储介质 - Google Patents
基于地图神经网络导航算路方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114383617A CN114383617A CN202111648730.9A CN202111648730A CN114383617A CN 114383617 A CN114383617 A CN 114383617A CN 202111648730 A CN202111648730 A CN 202111648730A CN 114383617 A CN114383617 A CN 114383617A
- Authority
- CN
- China
- Prior art keywords
- neural network
- route
- navigation
- map
- node
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive 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
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于地图神经网络导航算路方法、装置、设备及存储介质,其中方法包括:接收导航算路请求,导航算路请求包括起始地、目的地以及当前时刻,将导航算路请求输入至预先训练的地图神经网络模型,计算得到最佳行驶路线,其通过将常规的电子地图中的路段、路段交叉口进行转换,构建地图神经网络模型,并赋予路段、路段交叉口与时间相关的权值数据,而不是固定的、静态权值,从而在导航计算时获得更优的路线。
Description
技术领域
本申请涉及导航算路技术领域,特别是涉及一种基于地图神经网络导航算路方法、装置、设备及存储介质。
背景技术
目前车载导航系统基本上采用的都是离线路线规划技术,即数据与软件系统存储在本地,软件系统利用本地数据规划路线供用户使用,这种路线规划技术存在软件及地图数据更新慢的劣势,并且在算路过程中不会参考实时路况信息,所以有时规划出的路线质量不佳。导航算路基于地图数据搜索一条从起点到终点的最优路线,传统导航计算中路段和道路交叉口的权值采用地图制作中给定的数据或者换算的数据,最常见的比如路段的长度和通行时间等等。然而地图数据本身只是考虑到地图的静态属性,动态的交通状况以及司机经验等因素没有考虑在内,导航结果可能与实际出现较大偏差,比如要计算一条出发点到目的地的最短时间路线,基于纯地图数据的计算出的结果可能与真实的最优路径相差很大。
发明内容
本申请提供一种基于地图神经网络导航算路方法、装置、设备及存储介质,以解决基于纯地图数据的计算出的结果可能与真实的最优路径相差很大的问题。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种基于地图神经网络导航算路方法,包括:
接收导航算路请求,所述导航算路请求包括起始地、目的地以及当前时刻;
将所述导航算路请求输入至预先训练的地图神经网络模型,计算得到最佳行驶路线,所述地图神经网络模型以电子地图数据中的路段为边、路段交叉口为节点,各边和节点分别对应一组与时间相关的权值数据。
作为本申请的进一步改进,将所述导航算路请求输入至预先训练的地图神经网络模型,计算得到最佳行驶路线,包括:
在接收导航算路请求的当前时刻,在起始地和目的地之间,选取各时间点所到达的边或点对应的权值总和最小所对应的路线为最佳行驶路线。
作为本申请的进一步改进,结合车辆历史轨迹数据和原始导航得到的导航路线,训练所述地图神经网络模型,构建地图神经网络模型中各边和节点以时间为维度的权值回归树。
作为本申请的进一步改进,对所述地图神经网络模型的训练,包括:
根据车辆历史轨迹数据,匹配得到轨迹匹配路线;
根据各条轨迹匹配路线和导航路线的比对结果,确定各时间点下地图神经网络模型中节点和边的权值,构建边和节点以时间为维度的权值回归树。
作为本申请的进一步改进,所述根据各条轨迹匹配路线和导航路线的比对结果,确定各时间点下地图神经网络模型中节点和边的权值,包括:
对比各条轨迹匹配路线和导航路线是否一致,若是,将各节点或边对应的初始权值与所述轨迹匹配路线或导航路线中相同对应节点或边的权值进行加权求和,作为该时间点下各节点或边的权值;
若否,则选择边和节点对应权值的总和最小的路线,将其各节点或边的权值与相同对应节点或边对应的初始权值进行加权求和,作为该时间点下各节点或边的权值。
作为本申请的进一步改进,基于电子地图数据构建地图神经网络模型时,包括:
合并电子地图数据中出度为二和出度为一的节点,以及所关联节点和边的权值。
作为本申请的进一步改进,训练所述地图神经网络模型之前,对模型中各节点和边赋予初始权值;其中,节点初始权值为0,边初始权值为电子地图数据中基于行驶时长或距离属性设定的数值。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种基于地图神经网络导航算路装置,包括:
接收模块,接收导航算路请求,所述导航算路请求包括起始地、目的地以及当前时刻;
计算模块,将所述导航算路请求输入至预先训练的地图神经网络模型,计算得到最佳行驶路线,所述地图神经网络模型以电子地图数据中的路段为边、路段交叉口为节点,各边和节点分别对应一组与时间相关的权值数据。
为解决上述技术问题,本申请采用的再一个技术方案是:提供一种计算机设备,计算机设备包括处理器、与处理器耦接的存储器,存储器中存储有程序指令,程序指令被处理器执行时,使得处理器执行上述中任一项的基于地图神经网络导航算路方法的步骤。
为解决上述技术问题,本申请采用的再一个技术方案是:提供一种存储介质,存储有能够实现上述中任一项的基于地图神经网络导航算路方法的程序指令。
本申请的有益效果是:本申请基于地图神经网络导航算路方法通过导航软件接收包括起始地、目的地以及当前时刻的导航算路请求,将导航算路请求输入至预先训练的地图神经网络模型,计算得到最佳行驶路线,其通过将常规的电子地图中的路段、路段交叉口进行转换,构建地图神经网络模型,并赋予路段、路段交叉口与时间相关的权值数据,而不是固定的、静态权值,从而在导航计算时获得更优的路线。
附图说明
图1是本发明实施例的基于地图神经网络导航算路方法的流程示意图;
图2是本发明实施例的基于地图神经网络导航算路方法的一个路段示意图;
图3是本发明实施例的本发明实施例的基于地图神经网络导航算路方法的另一个路段示意图;
图4是本发明实施例的基于地图神经网络导航算路装置的功能模块示意图;
图5是本发明实施例的计算机设备的结构示意图;
图6是本发明实施例的存储介质的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
图1是本发明实施例的基于地图神经网络导航算路方法的流程示意图。需注意的是,若有实质上相同的结果,本申请的方法并不以图1所示的流程顺序为限。如图1所示,该方法包括:
步骤S1、接收导航算路请求,所述导航算路请求包括起始地、目的地以及当前时刻。
在本实施例中,导航程序接收包括起始地、目的地以及当前时刻导航算路请求,导航程序在接收到用户输入的起始地和目的地后,可以将携带该起始地和目的地的算路请求发送至服务端进行路径计算。
步骤S2、将所述导航算路请求输入至预先训练的地图神经网络模型,计算得到最佳行驶路线。
地图神经网络模型以电子地图数据进行构建,具体为,以电子地图数据中的路段为地图神经网络模型的边、路段交叉口为地图神经网络模型的节点进行构建,其中,电子地图数据中的各路段和路段交叉口均赋予了权值。但是,由于电子地图数据中路段和路段交叉口比较多,为了提高训练速度和路线计算速度,在构建地图神经网络模型前,可以精简电子地图数据,其中,路段为相邻两个路段交叉口之间的道路,。
精简电子地图数据的具体过程包括:合并电子地图数据中出度为二和出度为一的路段交叉口和路段,以及所关联路段交叉口和路段的权值。
具体的,度是图论的概念,如图2所示,“出度为二的路段交叉口”指的是一个路段交叉口仅连接两条路段,即从一路段行驶到路段交叉口时,仅只有一个驶出端到另一个路段,如图3所示,“出度为一的路段交叉口”指的是一个路段交叉口连接的一个路段为断头路,即,从一道路交叉口驶出到一路段时,该路段终点无路可行驶。可以理解的是,一个路段交叉口连接四条路段即出度为四的节点,一个路段交叉口连接三条路段即出度为三的路段交叉口。由于路段和路段交叉口较多的数据在训练和算路过程中将比较慢,因此将这些出度为二和出度为一的路段交叉口和路段合并,出度为二的路段交叉口的合并规则为:去掉路段交叉口,将该路段交叉口连接的两条路段直接相连,并将去掉的路段交叉口的权值以及两条路段的权值进行合并;出度为一的路段交叉口的合并规则为:将该出度为一的路段交叉口所连接的断头路段去掉,并将该路段的权值合并至连接的路段交叉口中。
需要说明的是,电子地图数据中的各路段和路段交叉口赋予的权值,可以路段或路段交叉口的距离属性来设定,或以路段或路段交叉口的行驶时长属性为设定。当设定权值为距离属性时,路段的权值即为路段长度(两个路段交叉口之间的路段长度,路段交叉口的权值即为路段交叉口中驶入端到驶出端的距离,其中,一个路段交叉口的权值并不唯一,其权值根据该路段交叉口实际所发生的驶入段和驶出端确定。例如,当该路段交叉口为出度为三的路段交叉口时,也就是三岔路口,从A路段进入该路段交叉口,驶出可进入B路段和C路段,那A路段到B路段的之间的路段交叉口权值即为A路段驶入该路段交叉口的驶入端到该路段交叉口驶出到B路段的驶出端之间的距离;而A路段到C路段的路段交叉口权值即为A路段驶入该路段交叉口的驶入端到该路段交叉口驶出到C路段的驶出端之间的距离;当权值是以行驶时长为属性设定时,确定路段的权值时,可根据路段的限速值和路段距离计算得到;而确定路段交叉口权值时,可根据转弯的的限速值和交叉路所连路段间的距离计算得到。
构建出地图神经网络模型后,通过结合车辆历史轨迹数据和原始导航得到的导航路线,对该地图神经网络模型进行训练,以构建地图神经网络模型中各边和节点以时间为维度的权值回归树。
对地图神经网络模型的训练,包括:
首先,根据车辆历史轨迹数据,匹配得到轨迹匹配路线。具体地,根据车辆历史轨迹数据,进行轨迹匹配计算得到轨迹匹配路线;同时,根据车辆同一条历史轨迹数据进行导航程序计算得到导航路线,从而得到轨迹匹配路线和导航路线。导航路线偏重于理论,轨迹匹配路线偏重于实际情况,如,司机熟路,根据经验走的路线,可能会比导航计算的路线更佳。需要说明的是,轨迹匹配路线和导航路线中包含的路段、路段交叉口均映射到构建的地图神经网络模型中。另外,根据车辆历史轨迹数据进行匹配得到轨迹匹配路线前,可以对轨迹数据进行清洗,具体为:去掉无效轨迹点、进行轨迹矫正等操作。轨迹匹配计算即为将每个轨迹点匹配到电子地图中对应的路段,并将该路段按照时间顺序连接形成轨迹匹配路线。
其次,根据各轨迹匹配路线和导航路线的比对结果,确定各时间点下地图神经网络模型中节点和边的权值,构建边和节点以时间为维度的权值回归树。具体地,对比分析轨迹匹配计算和导航计算的轨迹匹配路线和导航路线两条路线,在地图神经网络模型中训练完所有历史轨迹数据后,确定各时间点下地图神经网络模型中节点和边的权值,节点和边都保存一组与时间相关的权值队列数据,以构建边和节点以时间为维度的权值回归树。需要说明的是,对于同一起始点和目的地,不同时间下的历史行驶路线会存在差异,原因在于,由于时间段本身原因、路况,如早晚高峰和非高峰期,又或者不同司机的驾驶经验等,这些因素均使得同一条路线的实际行驶时间、实际行驶距离往往会存在差异。通过结合历史轨迹数据,对电子地图数据中的路段和路段交叉口的权值进行动态确定,可以将历史轨迹数据中隐含的路况、司机经验等信息赋予其中。
最后,根据各条轨迹匹配路线和导航路线的比对结果,确定各时间点下地图神经网络模型中节点和边的权值,包括:对比各条轨迹匹配路线和导航路线是否一致,若是,将各节点或边对应的初始权值与所述轨迹匹配路线或导航路线中相同对应节点或边的权值进行加权求和,作为该时间点下各节点或边的权值。
其中,w1是轨迹匹配路线或导航路线中对应时间点下节点或边的权值,w2是相同对应节点或边的对应的初始权值;wTrace是轨迹匹配路线或导航路线中节点和边的权值;N是同一节点已经计算过的次数。需要说明的是,计算路线中边或节点的权值均用该公式进行计算。
若轨迹匹配路线和导航路线不一致,则选择边和节点对应权值的总和最小的路线,将其各节点或边的权值与相同对应节点或边对应的初始权值进行加权求和,作为该时间点下各节点或边的权值。具体地,对比分析轨迹匹配计算和导航计算的轨迹匹配路线和导航路线两条路线,如果两条路线不一致,选择花费少的路线,对地图神经网络模型中的节点和边的权值进行计算,也就是选择边和节点对应权值的总和最小的路线,花费其实就是对于每种计算策略下该路线权值的总和。将其各节点或边的权值与相同对应节点或边对应的初始权值进行加权求和,作为该时间点下各节点或边的权值。
需要说明的是,训练所述地图神经网络模型之前,对模型中各节点和边赋予初始权值;其中,节点初始权值为0,边初始权值为电子地图数据中基于行驶时长或距离属性设定的数值。
地图神经网络模型训练好之后,当发生导航算路请求时,将该请求中包含的起始地、目的地以及当前时刻输入模型之中;地图神经网络模型在接收导航算路请求的当前时刻,在起始地和目的地之间,选取各时间点所到达的边或点对应的权值总和最小所对应的路线为最佳行驶路线。
具体的,根据起始地向目的地进行导航算路时,会根据起始地的当前时刻,进行扩展边和节点,并计算起始地到达扩展的边和节点的时间点,根据该时间点所对应权值回归树中的边和节点的权值进行计算,选择各边和节点对应权值总和最小所对应的路线作为最佳行驶路线。由于不同时间点下,同一边或节点的权值不同,例如,早高峰和非高峰时期,同一路线所行驶的时长是不同的;或,早高峰时期,司机会根据路况选择路况较好的路线行驶;或,同一时间时刻,司机实际所行走的路线比导航所计算的路线行驶路程短,等等,所以,按照到达的时间点,在各时间点下候选的节点或边中,根据权值进行点或边选择,依此选择下去,计算起始点和目的点之间所选的全部边和节点的权值总和,选取权值最小所对应的路线为最佳行驶路线。本发明实施例,充分考虑到不同时间的路况,以及司机经验等来计算最佳行驶路线,通过历史轨迹数据训练后的地图数据进行导航时将会更准确,更容易计算得到最优路线。
本发明实施例的基于地图神经网络导航算路方法通过接收包括起始地、目的地以及当前时间,将导航算路请求输入至预先训练的地图神经网络模型,计算得到最佳行驶路线,其通过将常规的电子地图中的路段、路段交叉口进行转换,构建地图神经网络模型,并赋予路段、路段交叉口与时间相关的权值数据,而不是固定的、静态权值,根据路段的限速值和路段距离计算得到从而在导航计算时获得更优的路线。
图4是本申请实施例的基于地图神经网络导航算路装置的功能模块示意图。如图4所示,该基于地图神经网络导航算路装置2包括接收模块21、计算模块22。
接收模块21,用于接收导航算路请求,所述导航算路请求包括起始地、目的地以及当前时刻;
计算模块22,用于将所述导航算路请求输入至预先训练的地图神经网络模型,计算得到最佳行驶路线,所述地图神经网络模型以电子地图数据中的路段为边、路段交叉口为节点,各边和节点分别对应一组与时间相关的权值数据。
可选地,计算模块22执行将所述导航算路请求输入至预先训练的地图神经网络模型,计算得到最佳行驶路线的操作包括:
在接收导航算路请求的当前时刻,在起始地和目的地之间,选取各时间点所到达的边或点对应的权值总和最小所对应的路线为最佳行驶路线。
可选地,结合车辆历史轨迹数据和原始导航得到的导航路线,训练所述地图神经网络模型,构建地图神经网络模型中各边和节点以时间为维度的权值回归树。
可选地,计算模块22执行对所述地图神经网络模型的训练的操作包括:
根据车辆历史轨迹数据,匹配得到轨迹匹配路线;
根据各条轨迹匹配路线和导航路线的比对结果,确定各时间点下地图神经网络模型中节点和边的权值,构建边和节点以时间为维度的权值回归树。
可选地,计算模块22执行所述根据各条轨迹匹配路线和导航路线的比对结果,确定各时间点下地图神经网络模型中节点和边的权值的操作,包括:
对比各条轨迹匹配路线和导航路线是否一致,若是,将各节点或边对应的初始权值与所述轨迹匹配路线或导航路线中相同对应节点或边的权值进行加权求和,作为该时间点下各节点或边的权值;
若否,则选择边和节点对应权值的总和最小的路线,将其各节点或边的权值与相同对应节点或边对应的初始权值进行加权求和,作为该时间点下各节点或边的权值。
可选地,计算模块22执行训练所述地图神经网络模型的操作之前,对模型中各节点和边赋予初始权值;其中,节点初始权值为0,边初始权值为电子地图数据中基于行驶时长或距离属性设定的数值。
关于上述实施例基于地图神经网络导航算路装置中各模块实现技术方案的其他细节,可参见上述实施例中的基于地图神经网络导航算路方法中的描述,此处不再赘述。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可
请参阅图5,图5为本申请实施例的计算机设备的结构示意图。如图5所示,该计算机设备30包括处理器31及和处理器31耦接的存储器32。
存储器32存储有程序指令,程序指令被处理器31执行时,使得处理器31执行上述实施例中的基于地图神经网络导航算路方法的步骤。
其中,处理器31还可以称为CPU(Central Processing Unit,中央处理单元)。处理器31可能是一种集成电路芯片,具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图6,图6为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序指令41,其中,该程序指令41可以以软件产品的形式存储在上述存储介质中,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)或处理器(processor)执行本申请各个实施方式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,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等计算机设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于地图神经网络导航算路方法,其特征在于,包括:
接收导航算路请求,所述导航算路请求包括起始地、目的地以及当前时刻;
将所述导航算路请求输入至预先训练的地图神经网络模型,计算得到最佳行驶路线,所述地图神经网络模型以电子地图数据中的路段为边、路段交叉口为节点,各边和节点分别对应一组与时间相关的权值数据。
2.根据权利要求1所述的基于地图神经网络导航算路方法,其特征在于,所述将所述导航算路请求输入至预先训练的地图神经网络模型,计算得到最佳行驶路线,包括:
在接收导航算路请求的当前时刻,在起始地和目的地之间,选取各时间点所到达的边或点对应的权值总和最小所对应的路线为最佳行驶路线。
3.根据权利要求1所述的基于地图神经网络导航算路方法,其特征在于,结合车辆历史轨迹数据和原始导航得到的导航路线,训练所述地图神经网络模型,构建地图神经网络模型中各边和节点以时间为维度的权值回归树。
4.根据权利要求3所述的基于地图神经网络导航算路方法,其特征在于,对所述地图神经网络模型的训练,包括:
根据车辆历史轨迹数据,匹配得到轨迹匹配路线;
根据各条轨迹匹配路线和导航路线的比对结果,确定各时间点下地图神经网络模型中节点和边的权值,构建边和节点以时间为维度的权值回归树。
5.根据权利要求3所述的基于地图神经网络导航算路方法,其特征在于,所述根据各条轨迹匹配路线和导航路线的比对结果,确定各时间点下地图神经网络模型中节点和边的权值,包括:
对比各条轨迹匹配路线和导航路线是否一致,若是,将各节点或边对应的初始权值与所述轨迹匹配路线或导航路线中相同对应节点或边的权值进行加权求和,作为该时间点下各节点或边的权值;
若否,则选择边和节点对应权值的总和最小的路线,将其各节点或边的权值与相同对应节点或边对应的初始权值进行加权求和,作为该时间点下各节点或边的权值。
6.根据权利要求1所述的基于地图神经网络导航算路方法,其特征在于,基于电子地图数据构建地图神经网络模型时,包括:
合并电子地图数据中出度为二和出度为一的节点,以及所关联节点和边的权值。
7.根据权利要求3所述基于地图神经网络导航算路方法,其特征在于,训练所述地图神经网络模型之前,对模型中各节点和边赋予初始权值;其中,节点初始权值为0,边初始权值为电子地图数据中基于行驶时长或距离属性设定的数值。
8.一种基于地图神经网络导航算路装置,其特征在于,其包括:
接收模块,接收导航算路请求,所述导航算路请求包括起始地、目的地以及当前时刻;
计算模块,将所述导航算路请求输入至预先训练的地图神经网络模型,计算得到最佳行驶路线,所述地图神经网络模型以电子地图数据中的路段为边、路段交叉口为节点,各边和节点分别对应一组与时间相关的权值数据。
9.一种计算机设备,其特征在于,所述计算设备包括处理器、与所述处理器耦接的存储器,所述存储器中存储有程序指令,所述程序指令被所述处理器执行时,使得所述处理器执行如权利要求1-7中任一项权利要求所述的基于地图神经网络导航算路方法的步骤。
10.一种存储介质,其特征在于,存储有能够实现如权利要求1-7中任一项所述的基于地图神经网络导航算路方法的程序指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111648730.9A CN114383617B (zh) | 2021-12-29 | 2021-12-29 | 基于地图神经网络导航算路方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111648730.9A CN114383617B (zh) | 2021-12-29 | 2021-12-29 | 基于地图神经网络导航算路方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114383617A true CN114383617A (zh) | 2022-04-22 |
CN114383617B CN114383617B (zh) | 2024-07-09 |
Family
ID=81199109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111648730.9A Active CN114383617B (zh) | 2021-12-29 | 2021-12-29 | 基于地图神经网络导航算路方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114383617B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116878531A (zh) * | 2023-07-14 | 2023-10-13 | 山东科技大学 | 基于道路资源预测的智能导航方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103557870A (zh) * | 2013-10-09 | 2014-02-05 | 董路 | 一种动态轨迹导航方法及云平台 |
CN106225794A (zh) * | 2016-06-30 | 2016-12-14 | 百度在线网络技术(北京)有限公司 | 一种导航路线的规划方法及装置 |
CN109870164A (zh) * | 2017-12-01 | 2019-06-11 | 上海博泰悦臻网络技术服务有限公司 | 导航终端及其路线偏好预测方法 |
CN110210604A (zh) * | 2019-05-21 | 2019-09-06 | 北京邮电大学 | 一种终端设备移动轨迹预测方法及装置 |
CN110530387A (zh) * | 2019-09-02 | 2019-12-03 | 上海图聚智能科技股份有限公司 | 路径规划方法、装置、电子设备、及存储介质 |
CN110657815A (zh) * | 2019-09-07 | 2020-01-07 | 苏州浪潮智能科技有限公司 | 一种基于云计算的Dijkstra导航方法、系统、终端及存储介质 |
CN111197991A (zh) * | 2020-01-15 | 2020-05-26 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
CN111561945A (zh) * | 2020-05-26 | 2020-08-21 | 姜沛松 | 基于车联网的导航路径生成方法及装置 |
US10816351B1 (en) * | 2017-07-14 | 2020-10-27 | Uber Technologies, Inc. | Generation of trip estimates using real-time data and historical data |
-
2021
- 2021-12-29 CN CN202111648730.9A patent/CN114383617B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103557870A (zh) * | 2013-10-09 | 2014-02-05 | 董路 | 一种动态轨迹导航方法及云平台 |
CN106225794A (zh) * | 2016-06-30 | 2016-12-14 | 百度在线网络技术(北京)有限公司 | 一种导航路线的规划方法及装置 |
US10816351B1 (en) * | 2017-07-14 | 2020-10-27 | Uber Technologies, Inc. | Generation of trip estimates using real-time data and historical data |
CN109870164A (zh) * | 2017-12-01 | 2019-06-11 | 上海博泰悦臻网络技术服务有限公司 | 导航终端及其路线偏好预测方法 |
CN110210604A (zh) * | 2019-05-21 | 2019-09-06 | 北京邮电大学 | 一种终端设备移动轨迹预测方法及装置 |
CN110530387A (zh) * | 2019-09-02 | 2019-12-03 | 上海图聚智能科技股份有限公司 | 路径规划方法、装置、电子设备、及存储介质 |
CN110657815A (zh) * | 2019-09-07 | 2020-01-07 | 苏州浪潮智能科技有限公司 | 一种基于云计算的Dijkstra导航方法、系统、终端及存储介质 |
CN111197991A (zh) * | 2020-01-15 | 2020-05-26 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
CN111561945A (zh) * | 2020-05-26 | 2020-08-21 | 姜沛松 | 基于车联网的导航路径生成方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116878531A (zh) * | 2023-07-14 | 2023-10-13 | 山东科技大学 | 基于道路资源预测的智能导航方法 |
CN116878531B (zh) * | 2023-07-14 | 2024-03-12 | 山东科技大学 | 基于道路资源预测的智能导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114383617B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6332287B2 (ja) | 経路予測装置および経路予測方法 | |
US8423283B2 (en) | System and method for efficient routing on a network in the presence of multiple-edge restrictions and other constraints | |
JP5906837B2 (ja) | 経路探索方法、経路探索装置、及びプログラム | |
US20090125229A1 (en) | Corridor mapping with alternative routes | |
EP1784655B1 (en) | Selective download of corridor map data | |
EP1988362B1 (en) | Route determination method and device | |
JP5831290B2 (ja) | 分岐確率予測装置 | |
CN106846873B (zh) | 一种路况导航的方法及装置 | |
CN111133277A (zh) | 使用时间和空间生成路线的方法、设备和计算机程序产品 | |
JP6090226B2 (ja) | 経路生成装置および経路生成方法 | |
EP3561453A1 (en) | Method, apparatus and computer program product for determining likelihood of a route | |
EP3112808A1 (en) | Route-finding device, route-finding method, and program | |
KR100901013B1 (ko) | 경로 탐색 시스템 및 그 방법 | |
US20160003631A1 (en) | Time-efficient traffic routing system | |
CN113654568A (zh) | 基于车辆刹车次数的导航方法、装置、介质和设备 | |
CN114383617A (zh) | 基于地图神经网络导航算路方法、装置、设备及存储介质 | |
US20020169543A1 (en) | Long distance routing | |
EP3779363B1 (en) | Method and system for vehicle routing based on parking probabilities | |
US20210333112A1 (en) | Route search system and route search program | |
CN115547087A (zh) | 基于两阶段法与方向诱导的城市路网最短路径获取方法及应用 | |
JPH08240437A (ja) | 車両経路案内装置 | |
US20130060463A1 (en) | Method, apparatus and computer program for selecting and displaying route favorable to driver | |
KR102332924B1 (ko) | 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 | |
CN113494919B (zh) | 基于个人局部经验路线的导航规划方法和装置 | |
JP2917282B2 (ja) | 最適経路検索方法 |
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 |