CN114450557B - 路线偏差量化及基于此的车辆路线学习 - Google Patents
路线偏差量化及基于此的车辆路线学习 Download PDFInfo
- Publication number
- CN114450557B CN114450557B CN202080068085.0A CN202080068085A CN114450557B CN 114450557 B CN114450557 B CN 114450557B CN 202080068085 A CN202080068085 A CN 202080068085A CN 114450557 B CN114450557 B CN 114450557B
- Authority
- CN
- China
- Prior art keywords
- route
- map
- ground truth
- inferred
- proposed
- 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.)
- Active
Links
- 238000011002 quantification Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims description 70
- 238000004590 computer program Methods 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 27
- 230000004931 aggregating effect Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 38
- 238000004891 communication Methods 0.000 description 24
- 238000003860 storage Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 19
- 238000005457 optimization Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010200 validation analysis Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000009877 rendering Methods 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
- 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
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- 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
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Social Psychology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了用于路线偏差量化和基于其的车辆路线学习的方法、装置和系统。在一些示例中,提供了一种用于对建议路线进行路线偏差量化的方法。该方法包括:基于过滤轨迹获得地面实况路线,该过滤轨迹包括推断的起点位置和推断的目的地位置;获得基于推断的起点位置和推断的目的地位置生成的建议路线;通过基于建议路线中与地面实况路线中的对应路段匹配的路段的组合长度和地面实况路线中的路段的组合长度计算偏离比率,来量化建议路线与地面实况路线的偏差。
Description
技术领域
本公开宽泛但非排他地涉及用于路线偏差量化和基于其的车辆路线学习的方法、设备和系统。
背景技术
车辆路线确定在叫车服务行业对于基于位置的服务(例如预计到达时间(ETA)、定价、导航、最近的驾驶员搜索等)至关重要。准确的路线规划是通过避免额外成本(例如,收费和电子道路定价(ERP))、交通繁忙和道路限制为客户提供卓越交通体验的关键因素。
传统的车辆路线确定以成本为中心,且旨在寻找成本最低的路线(例如,通过最短距离或最短旅行时间)。最短路径算法,例如Dijkstra的算法和收缩层次结构用于在传统车辆路线确定中建议最快或最短的路线。
然而,在现实生活中,驾驶员经常选择通常既不是最快也不是最短的、并且与建议的最快或最短路线的那些有很大不同的路线。驾驶员的实际路线与车辆路线确定建议的最快或最短路线之间的偏差可能是由多种因素造成的,例如避免收费、路况,或甚至是个人原因。
当前的车辆路线确定方法试图通过学习驾驶员的轨迹数据来最小化偏差,这些数据捕获车辆的运动,以优化路网中每个边或路段的成本,从而建议尽可能接近驾驶员实际路线的最短路线。
然而,当前的车辆路线确定方法存在多重挑战,其包括:a.如何量化车辆路线确定建议的路线与驾驶员的实际路线之间的偏差,以最小化偏差来改善路线确定结果;b.如何高效地且有效地学习驾驶员的量大且可能有噪声的原始轨迹数据,以改善路线确定结果;和c.如何改进路线确定,使其在不同国家或地理区域运行良好,尽管存在超本地化情况(例如,在东南亚,每个国家的交通规则、路况和法规差异很大)。
因此存在对于提供寻求克服或至少最小化上述挑战并提供准确路线规划的方法和装置的需要。
发明内容
根据本公开的第一方面,提供了一种用于对建议路线进行路线偏差量化的方法。该方法包括:基于过滤轨迹获得地面实况路线,该过滤轨迹包括推断的起点位置和推断的目的地位置;获得基于推断的起点位置和推断的目的地位置生成的建议路线;通过基于建议路线中与地面实况路线中的对应路段匹配的路段的组合长度和地面实况路线中路段的组合长度计算偏离比率来量化建议路线与地面实况路线的偏差。
根据本公开的第二方面,提供了一种用于建议路线的路线偏差量化的装置。该装置包括处理器模块和包括计算机程序代码的存储器模块。存储器模块和计算机程序代码被配置为利用处理器模块使该装置:基于过滤轨迹获得地面实况路线,过滤轨迹包括推断的起点位置和推断的目的地位置;获得基于推断的起点位置和推断的目的地位置生成的建议路线;并且通过基于与地面实况路线中的对应路段匹配的建议路线中的路段的组合长度和在地面实况路线中的路段的组合长度计算偏离比率,来量化建议路线与地面实况路线之间的偏差。
根据本公开的第三方面,提供了一种用于车辆路线学习的方法。该方法包括:取得与地图上的历史轨迹对应的训练数据集;优化地图的速度分布,以实现训练数据集的最小平均偏离比率;以及更新地图的速度分布。
根据本公开的第四方面,提供了一种用于车辆路线学习的系统。该系统包括处理器模块和包括计算机程序代码的存储器模块。存储器模块和计算机程序代码被配置为利用处理器模块使该系统:取得与地图上的历史轨迹相对应的训练数据集;优化地图的速度轮廓,以实现训练数据集的最小平均偏离比率;以及更新地图的速度分布。
附图说明
实施例和实施方式仅以示例的方式提供,并且从结合附图阅读的以下书面描述中,对于本领域普通技术人员而言,将更好地理解和容易理解,其中:
图1是计算装置的示意图。根据本申请的实施例,该计算装置可以实现为用于路线偏差量化的装置或用于车辆路线学习的系统。
图2是根据一个实施例的用于路线偏差量化的装置的示意图。
图3是根据另一个实施例的用于路线偏差量化模块的装置的框图。
图4是图示了根据一个实施例的用于路线偏差量化的方法的流程图。
图5是示出根据一个实施例的原始GPS数据和预处理GPS数据的示例图。预处理GPS数据可以在路线确定度量计算模块中用于评估如图2中所示的路线引擎模块建议的建议路线。路线确定度量计算模块产生的评估结果可以进一步用于下游应用,例如车辆路线学习。
图6示出了根据一个实施例的用于计算建议路线中与地面实况路线中的路段相匹配的路段的组合长度的示例性方法,其以算法的形式呈现。该示例性方法可以在如图4中所示的示例性方法400的步骤412中用于路线偏差量化。
图7示出了根据一个实施例的用于车辆路线学习的系统的示意图。
图8示出了根据另一个实施例的用于车辆路线学习的系统的示意图。
图9是图示了根据一个实施例的用于车辆路线学习的方法的流程图。车辆路线学习可以是独立的过程,取决于各种需求,其可以按需触发或批量触发。
图10是图示了根据一个实施例的用于优化地图中每个道路类别的速度的方法的流程图。该方法包括可在如图9中所示的示例性方法900的步骤904中用于车辆路线学习的子步骤。
图11示出了根据一个实施例的用于优化地图中每个道路类别的速度的示例性方法,其以算法的形式呈现。该方法包括可在如图9中所示的示例性方法900的步骤904中用于车辆路线学习的子步骤。
图12示出了描绘根据一个实施例的在没有优化的情况下的偏离路线比率和道路类别速度之间的关系的图表。该关系可以在实施用于优化地图中的每个道路类别的速度的示例性方法期间获得,如图11所例示。该关系可以基于在预定城市(例如曼谷)在预定时间段(例如,一周的每早上8点到早上9点)期间捕获的历史轨迹而获得,其又可以根据如图7至11中所例示的用于车辆路线学习的方法和系统,用于在预定城市(例如曼谷)在预定时间段(例如上午8点到上午9点)标识每个道路类别的优化速度。
图13是适用于实施图1至6中例示的用于路线偏差量化的方法和装置和/或图7至11中例示的用于车辆路线学习的方法和系统的并行计算系统的框图。
图14是适合用作如图2至3中所示的用于路线偏差量化的装置和/或如图7至8中所示的用于车辆路线学习的系统的计算机系统的框图。
图15是计算机系统的示意图,该计算机系统适用于实施如本文所述(例如,如图4中所例示)的用于路线偏差量化的方法和/或如本文所述(例如,如在图9至10中所例示)的用于车辆路线学习的方法中所需要的步骤。
本领域技术人员将理解,图中的元件是为了简单和清楚而示出的,并且不一定按比例描绘。例如,图示、框图或流程图中的一些元件的尺寸可能相对于其他元件被夸大以帮助改进对本实施例的理解。
具体实施方式
将参考附图仅以示例的方式描述实施例。附图中相同的附图标记和字符表示相同的元件或其同等物。
以下的描述的某些部分以算法和对计算机存储器内数据的操作的功能或符号表示的形式明确或隐含地呈现。这些算法描述和功能或符号表示是数据处理领域的技术人员用来最有效地将他们的工作内容传达给本领域的其他技术人员的手段。算法在这里,并且通常,被认为是导致期望结果的自洽步骤序列。这些步骤是需要对物理量—例如能够被存储、传输、组合、比较和以其他方式操作的电、磁或光信号—进行物理操作的那些步骤。
除非另有明确说明,并且从下文中显而易见,否则将理解,在整个本说明书中,使用诸如“提取”、“预处理”、“转换”、“构建”、“提供”、“生成”、“量化”、“计算”、“输出”、“优化”、“重新构建”、“存储”、“映射”、“检查”、“标识”、“拼接”、“搜索”、“执行”、“开始”、“聚合”、“确定”、“重新生成”、“更新”、“比较”、“调整”、“重新计算”、“分割”、“获得”等术语进行的讨论,是指计算机系统或类似的电子设备的动作与过程,其操作并将计算机系统内表示为物理量的数据转换为类似地表示为计算机系统或其他信息存储、传输或显示装置内的物理量的其他数据。
本说明书还公开了用于执行这些方法的操作的设备。这样的设备可以为所需目的而专门构造,或者可以包括计算机或由存储在计算机中的计算机程序选择性地激活或重新配置的其他装置。本文提出的算法和显示与任何特定的计算机或其他设备没有内在的关系。根据本文的教导,各种机器可以与程序一起使用。备选地,构建更专业的设备来执行所需的方法步骤可能是合适的。适合于执行本文描述的各种方法/过程的计算机的结构将从下面的描述中显现出来。
此外,本说明书还隐含地公开了一种计算机程序,因为对于本领域技术人员来说将显而易见的是,本文描述的方法的各个步骤可以通过计算机代码来实施。计算机程序不旨在限于任何特定的编程语言及其实现方式。应当理解,可以使用多种编程语言及其编码来实现本文包含的本公开的教导。此外,计算机程序不旨在限于任何特定的控制流。计算机程序还有许多其他变体,它们可以使用不同的控制流而不偏离说明书的范围。
此外,计算机程序的一个或多个步骤可以并行而不是顺序地执行。这样的计算机程序可以存储在任何计算机可读介质上。计算机可读介质可以包括存储装置,例如磁盘或光盘、存储芯片或其他适合与计算机接口的存储装置。计算机可读介质还可以包括例如在因特网系统中示例的硬连线介质,或例如在GSM移动电话系统中示例的无线介质。当在这种计算机上加载并执行时,该计算机程序有效地产生了一种实现优选方法的步骤的设备。
路网是地图的加权图表示。路网可以表示为G=(V,E,W),其包括:顶点集V,包括图中的多个节点v;边集包括多个路段,每个路段由开始节点和结束节点表示,带有方向;以及将每个路段映射到持续时间的权重函数W。在本申请中,路段可互换地称为边。
路网的元数据,包括节点属性(节点位置等)和路段属性(路段距离、每个路段的道路类别等)和拓扑信息,都存储在地图中。路网可以包括进一步的信息,例如转弯限制、单行道等。为了简单起见,在本申请中不讨论路网的进一步信息。
路线计划—在本申请中可互换地称为“路线”,可以表示为P=<v1,v2,...,vk>,它是一个节点序列,其中每两个连续节点由一条边(即路段)连接。路线也可以表示为P=<e1,e2,...,ek>,它是一个路段序列,每个路段由一个开始节点和一个结束节点表示,其中用于每两个连续的路段ei=(oi,di)和ei+1=(oi+1,di+1),di=oi+1。也就是说,在每两个连续的路段中,第一路段的结束节点是第二路段的开始节点。
轨迹是捕获车辆运动的全球定位系统(GPS)ping的时序序列,其中GPS ping表示为指示在时间戳ts处的车辆位置(由纬度lat和经度lon组成)的三元组(ts、lat、lon)。在GPS系统中,两个位置之间的距离是半正弦距离(haversine),即角距离。两次连续ping之间的时间间隔通常在1秒左右。
地图具有速度分布,其包括速度集合,每个速度对应于地图上的道路类别。在开放街道地图(Open S树t Map)中,每个路段都包含标识道路类型的道路类别信息(例如,高速公路、主要道路、次要道路等)。每个路段的权重(持续时间)可以很容易地从距离(即路段的开始节点和结束节点之间的长度)和速度(即可以从基于路段所属的道路类别的速度分布中获得的速度)得出。由于在每个地图中每个路段的距离都是已知的,因此可以在地图及其速度分布上构建路网,即地图的加权图形表示。
在本申请中,提供了关于路线确定度量的实施例,即路线偏差量化,以量化路线引擎模块建议的路线与驾驶员采用的实际路线之间的差异,以评估路线建议的性能。对于本领域的技术人员来说可以理解的是,其他类型的路线确定度量,例如成本、延迟等,也可用于量化路线确定服务建议的路线与驾驶员采用的实际路线之间的差异。
图1图示了计算装置100的示意图。根据本申请的实施例,装置100可以被实现为如本文所讨论的用于路线偏差量化的装置或用于车辆路线学习的系统。
装置100至少包括处理器102和存储器104。处理器102和存储器104相互连接。存储器104包括计算机程序代码(图1中未示出)。存储器104和计算机程序代码被配置为利用处理器102使装置100执行如本公开的以下段落中描述的用于路线偏差量化的步骤或用于车辆路线学习的步骤。
下面将参考图4描述路线偏差量化的步骤的细节,图4描绘了图示根据一个实施例的用于路线偏差量化的方法400的流程图。下面将参考图9描述用于车辆路线学习的步骤的细节,图9描绘了图示根据一个实施例的用于车辆路线学习的方法900的流程图。
图2描绘了根据一个实施例的用于建议路线的路线偏差量化的装置200的示意图。在该实施例中,装置200包括预处理模块204、地面实况生成器模块206、路线引擎模块208和路线确定度量计算模块210。
如图4中用于路线偏差量化的示例方法400中所示,用于路线偏差量化的装置200,以及当实现为用于路线偏差量化的装置100时的装置100,被配置为执行以下步骤:
步骤402:基于过滤轨迹获得地面实况路线,过滤轨迹包括推断的起点位置和推断的目的地位置;
步骤404:获取基于推断的起点位置和推断的目的地位置生成的建议路线;和
步骤406:通过基于建议路线中与地面实况路线中的对应路段匹配的路段的组合长度和地面实况路线中的路段的组合长度计算偏离比率,来量化建议路线与地面实况路线的偏差。
在步骤402,路线确定度量计算模块210基于过滤轨迹获得地面实况路线。该过滤轨迹包括推断的起点位置和推断的目的地位置。在一些实施例中,地面实况路线是从预处理模块204获得的,步骤402包括以下子步骤:
步骤402A:提取包括地图上的历史轨迹的原始GPS数据的历史数据;
步骤402B:对历史轨迹的原始GPS数据进行预处理,得到具有推断的起点位置和推断的目的地位置的过滤轨迹,其中过滤轨迹包括GPS ping的时序序列,且其中每个GPSping指示在过滤轨迹期间的时间戳时的车辆位置;和
步骤402C:将GPS ping的时序序列转换为地面实况路线
在子步骤402A处,预处理模块204提取包括地图上历史轨迹的原始GPS数据的历史数据。该地图可以是一个城市的地图,例如新加坡、曼谷、吉隆坡等,或者是这样的城市的一个地区的地图,例如新加坡中央商务区(CBD)地区等。
历史数据包括由装置200的采集模块201捕获并存储在装置200的数据库模块202中的历史轨迹的原始GPS数据。采集模块201可以是装置200中的通信模块。历史数据中的每个历史轨迹代表驾驶员在一天中的某个时间进行的行程。历史数据可以包括表示多个驾驶员在一天、一周、一个月、一年或任何预定间隔期间进行的大量行程的历史轨迹。
在一些实施例中,历史数据可以包括在预定时间段期间捕获的历史轨迹的原始GPS数据。预定时间段可以是例如预定月份的每天上午8点到上午9点,或预定年份的每个星期五下午5点到下午6点。设计这样的预先确定的时间段以对足够的数据进行采样取决于实际需要。
历史轨迹的原始GPS数据表示了出发地位置、目的地位置和驾驶员在行程期间走过的实际路线。然而,如上所述,这样的原始GPS数据通常是大量的并且需要预处理以获得地面实况路线,以与路线引擎模块208生成的建议路线进行比较,以量化建议路线的不准确性(即偏差)。原始GPS数据的预处理在步骤402B中进行,这将在以下段落中详细描述。
在本实施例中,在步骤402A处提取一个历史轨迹。在一些其他实施例中,可以以类似的方式提取一批历史轨迹,其中根据步骤402B-402C和步骤404-406独立地提取和处理每个历史轨迹。
在步骤402B,预处理模块204对历史轨迹的原始GPS数据进行预处理以获得具有推断的起点位置和推断的目的地位置的过滤轨迹。过滤轨迹包括GPS ping的时序序列,并且其中每个GPS ping指示在过滤轨迹期间的时间戳处车辆的位置。
图5中描绘了示出预处理原始GPS数据以获得过滤轨迹的步骤402B的示例图。在一些实施例中,在预处理期间,可以首先处理原始GPS数据以去除重复的GPS ping并重新排列以变成时序性的。此外,由于原始GPS ping通常在驾驶员靠近起点位置和目的地位置时由于这些区域周围的速度慢而噪声很大,本申请通过从起点位置直到距起点位置大于阈值的距离来过滤历史轨迹的GPS ping有利地解决了这个技术问题。以这种方式,如图5中所示,起点位置附近的GPS ping被过滤,并且位于阈值半径之外的第一GPS ping的位置被获得作为推断的起点位置。类似第,目的地位置附近的GPS ping被过滤并获得推断的目的地位置。
如图5中所示,凭借在步骤402B处对原始GPS数据的预处理,预处理模块204获得具有推断的起点位置和推断的目的地位置的过滤轨迹。为了区分图5中预处理前后的起点位置,起初的起点位置标记为原始起点,推断的起点位置标记为推断起点。类似地,图5中,起初的目的地位置被标记为原始目的地,而推断的目的地位置被标记为推断目的地。
如上所述,预处理的GPS数据,即具有推断的起点位置和推断的目的地位置的过滤轨迹,可以在路线确定度量计算模块210中用于评估由路线引擎模块208建议的建议路线。路线确定度量计算模块210产生的评估结果可以进一步用于下游应用,例如车辆路线学习。
过滤轨迹包括GPS ping的时序序列,并且每个GPS ping指示车辆在过滤轨迹期间的时间戳处的位置。这种GPS ping的时序序列指示了车辆的实际路线。这种车辆的实际路线被称为地面实况路线。在步骤402C,地面实况生成器模块206将GPS ping的时序序列转换为地面实况路线。
在一些实施例中,当在步骤402C转换GPS ping的时序序列时,地面实况生成器模块206将GPS ping的时序序列映射到地图上最相似的路段。映射的最相似的路段在地图中形成了一系列节点。以这种方式,GPS ping的时序序列被映射到地图中的节点序列。
在GPS ping时序序列的映射期间,每个GPS ping可以通过R-树映射到多个候选路段。此后,执行过程以通过隐藏马尔可夫模型为GPS ping序列找到最相似的路段。
在一些备选实施例中,地面实况生成器模块206可以包括地图匹配模块,该地图匹配模块被配置为将GPS ping的时序序列映射到如上所述的地图中的节点序列。图3中描绘了地图匹配模块的示例。
在一些实施例中,地图中的节点的映射序列可以包括某些仅可路线确定但在地图中不直接连接的连续节点。为了增加节点序列的连通性,将GPS ping的时序序列转换为地面实况路线的步骤402C可以进一步要求地面实况生成器模块206检查节点序列中每两个连续节点的连通性。如果节点序列中存在地图中未连接的两个连续节点,则地面实况生成器模块206可以标识包括两个或更多个节点的路径,将地图中的两个连续节点互连,并通过在这两个连续节点之间插入两个或更多个节点来拼接这两个连续节点。
在一些备选实施例中,地面实况生成器模块206可以包括拼接器模块,该拼接器模块被配置为检查节点序列中每两个连续节点的连通性,并且如果节点序列中存在地图中没有连接的两个连续节点,则标识包括连接地图中这两个连续节点的两个或更多个节点的路径,并通过在这两个连续节点之间插入两个或更多个节点来拼接这两个连续节点。图3中描绘了拼接器模块的示例。
在一些示例中,地面实况生成器模块206或拼接器模块可以通过在两个断开的连续节点之间找到一个且仅一个路线来标识路径,例如,从节点a到节点b,无论是在起初的地图中,还是在将某些节点组(例如交汇点)视为一个节点的简化地图中。在任一地图中,地面实况生成器模块206或拼接器模块将沿该一个且仅一个路线的节点插入到节点a和节点b之间的间隙中,以确保从节点a到节点b的节点序列变得完全连接。
本申请的实验数据表明,在上述用于通过在地面实况生成器模块206或拼接器模块处拼接断开的连续节点增加连通性的步骤之后,映射的节点序列的连通性可以显著提高。例如,对于一天内捕获的历史轨迹,从预处理的历史轨迹转换而来的总节点序列的30%以上的连通性可以通过拼接得到改善。由这种处理过的节点序列形成的地面实况路线又可以促进准确评估以改进路线确定。
鉴于上述内容,在对映射的节点序列中的某些断开的连续节点进行拼接后,拼接后的映射节点序列形成地面实况路线。本领域技术人员可以理解的是,在一些其他实施例中,映射的节点序列可以在没有拼接的情况下形成地面实况路线。
在步骤404,路线确定度量计算模块210获得基于推断的起点位置和推断的目的地位置生成的建议路线。在一些实施例中,建议路线是从路线引擎模块208获得的,且步骤404包括以下子步骤:
-步骤404A:基于地图和地图的速度分布构建路网,速度分布包括速度的集合,每个速度对应于地图中的道路类别;以及
-步骤404B:基于路网、推断的起点位置和推断的目的地位置生成建议路线。
在步骤404A,路线引擎模块208基于地图和地图的速度分布构建路网。如上所述,速度分布包括速度的集合,其中每个速度对应于地图中的道路类别。
在一些实施例中,地图可以包括12或15个道路类别。在这方面,速度分布可以包括12或15个速度的集合,每个速度对应于地图中的相应道路类别。
在一些实施例中,当在步骤404C处构建路网时,路网中每个路段的权重是每个路段的持续时间,并且是基于地图和速度分布以及辅助数据结构来推断的,以支持不同的查询(例如,生成R-树以支持最近路段查询)。
在一些实施例中,路线引擎模块208可以包括映射器模块,其被配置为构建如上所述的路网。图3中描绘了映射器模块的一个示例。
在步骤404B,路线引擎模块208基于路网、推断的起点位置和推断的目的地位置生成建议路线。
在一些实施例中,步骤404B包括子步骤,在该子步骤处,路线引擎模块208将推断的起点位置和推断的目的地位置与最近的路段匹配,作为起点路段和目的地路段。这种匹配类似于如步骤402C中描述的从GPS ping的时序序列到节点序列的映射。在一些示例中,路线引擎模块208可以包括被配置为进行匹配的映射器模块。图3中描绘了映射器模块的示例。
此后,步骤404B包括另一子步骤,在该子步骤处,路线引擎模块208产生以最短权重(持续时间)连接起点路段和目的地路段的建议路线。各种算法可用于计算单源最短路径,例如Dijkstra算法或A*搜索。本路线引擎模块208使用收缩层次算法,因为它能够在步骤402B的预处理之后高效地处理数百万个最短路径查询。
在本申请中,将GPS ping的时序序列转换为地面实况路线的上述步骤402C可以在用于构建路网和基于路网与推断的起点和目的地位置生成建议路线的步骤404A和404B之前、并行或之后发生。
在步骤406,路线确定度量计算模块210通过基于建议路线中与地面实况路线中的对应路段匹配的路段的组合长度和地面实况路线中路段的组合长度计算偏离比率,来量化建议路线与地面实况路线之间的偏差。
在一些实施例中,当在步骤406计算偏离比率时,路线确定度量计算模块210被配置为计算以下等式:
在一些实施例中,步骤406可以包括用于获得建议路线中与地面实况路线中的对应路段匹配的路段的组合长度的子步骤。在步骤406的该子步骤处,路线确定度量计算模块210被配置为在建议路线中搜索与地面实况路线中的对应路段匹配的路段。
在搜索路段的该子步骤中,路线确定度量计算模块210顺序地对建议路线中的每个路段中的匹配路段进行搜索,其中在每次搜索迭代期间,路线确定度量计算模块210从放置在建议路线中上次匹配的路段之后的路段开始在地面实况路线中的搜索。
图6示出了可以在步骤406的子步骤中使用以获得在建议路线中与地面实况路线中的路段相匹配的路段的组合长度的示例性方法600。该示例性方法600以算法的形式呈现。
如图6中所示,方法600接收地面实况路线和建议路线作为输入,并产生重叠路段的组合长度作为输出。
如图6的第1行中所示,方法600开始在地面实况路线中为建议路线的第一路段搜索匹配的路段。该搜索从地面实况路线中的第一个路段开始。重叠路段的初始长度设置为0,如图6的第2行中所示。
如在图6的第3行和第4行中所示,方法600迭代建议路线中的每个路段并在地面实况路线中搜索匹配的路段。
如果建议路线的路段如方法600的第5行中所示在地面实况路线中找到匹配的路段,则建议路线的该路段的长度被添加到重叠路段的长度中,如方法600的行6中所示。在如图6的第7行中所示的下一次迭代中,搜索从地面实况路线中的下一个路段开始,以确保建议路线和地面实况路线中的路段是顺序地匹配。
如果没有为建议路线的路段找到匹配的路段,函数FirstMatch将返回负索引,表示不匹配,并继续搜索建议路线的下一个路段,如图6的第9行中所示。
如上所述的方法和装置的实施例中获得的路线偏差量化提供了双重技术优势:首先,通过路线偏差量化计算的偏离比率更直接地指示建议路线和地面实况路线之间的差异,因为建议路线与地面实况路线共享的路段越多、越长,这两条路线越相似;其次,通过路线偏差量化计算的偏离比率更准确,因为建议路线中与地面实况路线中的路段匹配的路段的组合长度的获取是准确的。这是因为建议路线和地面实况路线的重叠必须是顺序的,因为两条路线中的路段的顺序是以时间方式连接的。
此外,上述方法和装置的实施例中获得的路线偏差量化为路线偏差量化提供了灵活性。如等式(1)和(2)中所示,无论两个路段序列是否完全连接,都可以通过本申请的路线偏差量化来计算任意两个路段序列之间的偏差。
根据等式(1),由路线偏差量化计算出的偏离比率介于0和1之间,其中0表示两条路线完全相同,1表示建议路线完全偏离了地面实况路线。也就是说,偏离比率越小,建议路线越接近地面实况比率。作为评估由路线引擎模块208生成的建议路线与地面实况路线相比的偏差的值,偏离比率可以随后在下游应用中用于改进路线确定。
在一些实施例中,路线确定度量计算模块210可以将偏离比率存储到与具有推断的起点位置和推断的目的地位置的建议路线相对应的数据库中。该数据库可以是装置200的数据库模块202或本文所述的用于车辆路线学习的系统700中的数据库模块702,或如本文所述的用于车辆路线学习的系统800中的数据库模块802。
在一些实施例中,如果偏离比率不大于阈值,则路线确定度量计算模块210可以将具有推断的起点位置和推断的目的地位置的建议路线存储在装置200的数据模块202中。响应于在采集模块201处接收到的具有对应于推断的起点位置的起点位置和对应于推断的目的地位置的目的地位置的路线确定请求,装置200可以将建议路线输出到路线引擎模块212,用于响应路线确定请求提供建议路线。阈值可以根据实际需要预先确定,例如:0.2。
在一些实施例中,如果偏离比率大于阈值,则路线确定度量计算模块210可以将偏离比率发送到下游应用程序,例如用于车辆路线学习的系统,以便优化地图的速度分布来重新构建路网以重新生成建议路线,以实现最小化的偏离比率。附加地或备选地,车辆路线学习是独立的过程,其可以根据各种需求按需或批量触发,而不是由大于阈值的偏离比率触发。
图3示出了用于路线偏差量化模块的装置300的另一个实施例。类似于图2中所示的装置200,装置300包括预处理模块302、地面实况生成器模块332、路线引擎模块334和路线确定度量计算模块312。如上所述,装置300被配置为执行图4中所示和上文所述的步骤。
在装置300的该实施例中,地面实况生成器模块332包括两个子模块:地图匹配模块304和拼接器模块306。
在装置300的该实施例中,路线引擎模块334包括两个子模块:映射器模块308和路线引擎310。
在步骤402,路线确定度量计算模块312被配置为基于过滤轨迹获得地面实况路线。过滤轨迹包括推断的起点位置和推断的目的地位置。在一些实施例中,从地面实况生成器模块332获得地面实况路线。
在步骤402的子步骤,地图匹配模块304将GPS ping的时序序列映射到地图中的节点序列,如上文关于图4所述。
在步骤402的另一个子步骤中,拼接器模块306检查节点序列中每两个连续节点的连通性,且如果节点序列中存在地图中没有连接的两个连续节点,则标识出一条路径,其包括将地图中的两个连续节点互连的两个或更多个节点,并且通过在这两个连续节点之间插入两个或更多个节点来拼接这两个连续节点。
在步骤404,路线确定度量计算模块312还被配置为获得基于推断的起点位置和推断的目的地位置生成的建议路线。在一些实施例中,建议的路线是从路线引擎模块334获得的。
在步骤406,路线确定度量计算模块312被配置为通过基于建议路线中与地面实况路线中的对应路段匹配的路段的组合长度和地面实况路线中路段的组合长度计算偏离比率来量化建议路线与地面实况路线的偏差。
如上所述,通过如上所述的路线偏差量化计算的偏离比率被用作用于车辆路线学习的评价指标。给定一张地图,路网的拓扑结构和每个路段的道路类别是固定的。因此,本申请中的车辆路线学习被表述为标识路网中每个路段的优化速度。如上所述,车辆路线学习是独立的过程,其可以根据各种需求按需触发或批量触发,且可能会或可能不会由大于阈值的偏离比率触发。
路网可以包括数百万个道路段。通过详尽的枚举直接推断数百万路段的速度是困难的,并且要耗费计算系统的大量计算带宽。为了解决这个数据量问题,本申请将相同的速度分配给具有相同道路类别的路段。以这种方式,由于地图中道路类别的数量有限(例如,通常少于15个),则本申请的车辆路线学习发现每个道路类别的优化速度可以显著降低计算压力并提高学习性能。本申请的车辆路线学习所标识的优化速度不是真实的速度,而是用于生成优化路线的路线确定权重。
图7示出了用于车辆路线学习的系统700的实施例。系统700的架构利用装置200的结构进行如图2中所示的路线偏差量化。
系统700包括预处理模块704、地面实况生成器模块706、路线确定度量计算模块710和路线确定权重调整模块714。
图8示出了用于车辆路线学习的系统800的另一个实施例。系统800包括路线确定度量计算模块804、聚合与平均计算模块806、路线确定度量比较器模块808、路线确定权重优化模块810和路线引擎模块812。
在一些实施例中,用于车辆路线学习的系统800可以被实施为系统700中的路线确定权重调整模块714。
图9示出了用于车辆路线学习的实施例方法900。方法900包括可由系统700和800以及实现为用于车辆路线学习的系统的计算装置200执行的以下步骤:
-步骤902:取得对应于地图上的历史轨迹的训练数据集;
-步骤904:优化地图的速度分布以实现训练数据集的最小平均偏离比率;和
-步骤906:更新地图的速度分布。
在步骤902,路线确定权重调整模块714被配置为取得对应于地图上的历史轨迹的训练数据集。在一些实施例中,训练数据可以在步骤902之前构建,并且包括数据点的集合。每个数据点对应于地图上的一条历史轨迹,并包含该历史轨迹的推断的起点位置、该历史轨迹的推断的目的地位置、基于地图和速度分布生成的连接该推断的起点位置和推断的目的地位置的建议路线,以及该历史轨迹的相应地面实况路线。
在一些实施例中,训练数据集可以表示为D,其包括一组数据点,其中每个数据点包含起点位置lo和目的地ld,和连接这两个位置的建议路线P,以及地面实况路线/>建议路线P和地面实况路线/>可以根据如上文关于图4描述的用于路线偏差量化的方法400来获得。
在一些实施例中,训练数据可以由连接到路线确定度量计算模块710的系统700中的数据库模块712构建,该路线确定度量计算模块710接收偏离比率以及推断的起点位置、推断的目的地位置、地面实况路线,以及由路线确定度量计算模块710、预处理模块704、地面实况模块706在预定时间段内生成的、连接推断的起点位置和推断的目的地位置的建议路线。
在一些实施例中,训练数据可以由系统800中的数据库模块802构建,该数据库模块802连接到用于路线偏差量化的装备(在图8中未示出),或者当装置100被实施为用于车辆路线学习的系统时的该装置100的存储器模块104(以与数据库模块702类似的方式)。
如上所述,预定时间段可以是例如预定月份的每天上午8点到上午10点,或预定年份的每个星期五下午5点到下午8点。取决于实际需要来设计这样的预定时间段以接收足够的数据用于车辆路线学习。
在步骤902之前,系统700中的数据库模块702或存储器模块104可以被配置为将历史数据划分为包括提取的训练数据集的多个训练数据集。历史数据包括存储在数据库模块702或存储器模块104中的历史轨迹的原始GPS数据。多个训练数据集中的每个训练数据集包括对应于在一天的预定时间中在地图上捕获的历史轨迹的数据点。如上所述,预定时间可以是上午8点至上午9点、下午5点至下午6点,或取决于实际需要而定的任何时间。
由于不同国家或城市交通状况的高度本地化,按小时的车辆路线学习比按高峰或非高峰时间学习具有优势,因为由于每个国家中的时区和交通法规以及交通模式的原因,很难为每个城市指定准确的高峰时间段。通过按小时划分训练数据,对于大城市来说,每个小时批量(bucket)的数据量显著减少,并且其有利地变得利于扩展车辆路线学习,因为按小时学习可以并行进行。在这种方法中,对非高峰时段的训练数据集进行上采样,以确保每小时的数据大小保持平衡。
此后,预处理模块704或处理器模块102对历史轨迹的原始GPS数据进行预处理,以获得具有起点位置和目的地位置的过滤轨迹。每个过滤轨迹都包括GPS ping的时序序列。GPS ping中的每一个指示在过滤轨迹期间的时间戳处车辆的位置。
在一些实施例中,步骤902包括预处理模块704或处理器模块102构建速度分布的子步骤,其中速度分布包括速度的集合,每个速度对应于地图中的道路类别。
在一些实施例中,预处理模块704或处理器模块102聚合历史轨迹的原始GPS数据以确定地图中每个道路类别的历史速度,从而构建速度分布。此后,路线引擎模块708或处理器模块102基于速度分布和地图构建路网。
此后,对于每个过滤轨迹,地面实况生成器模块706或处理器模块102将GPS ping的时序序列转换为训练数据集中的地面实况路线。
在步骤904,路线确定权重调整模块714、路线确定度量计算模块804或处理器模块120优化地图的速度分布,以实现训练数据集的最小化平均偏离比率。在一些实施例中,步骤904包括以下子步骤904A、904B和904C。
在步骤904A,路线确定权重调整模块714、路线确定度量计算模块804或处理器模块120计算训练数据集中每条建议路线的偏离比率,以基于在建议路线中与对应地面实况路线中的对应路段匹配的路段的组合长度和对应地面实况路线中的路段组合长度,来量化建议路线和对应地面实况路线之间的偏差。
在步骤904A,根据方法400中描述的用于路线偏差量化的步骤,计算训练数据集中每条建议路线的偏离比率。
在步骤904B,路线确定权重调整模块714、聚合与平均计算模块806聚合计算的偏离比率并确定训练数据集中所有建议路线的平均偏离比率。
在步骤904D,对于地图中的每个道路类别,路线确定权重调整模块714、路线确定度量比较器模块808与路线确定权重优化模块810或处理器模块102一起工作来优化对应速度,以标识优化速度,该优化速度使路线引擎生成器模块能够以最小的平均偏离比率针对训练数据集中的推断的起点位置和推断的目的地位置重新生成建议路线。
如上所述,车辆路线学习过程使训练数据集D上的平均偏离比率最小化,以免在单个路线上过度拟合。由于训练数据集D的大小足够大(实际上,训练数据集D的大小通常以百万为单位),训练数据集D中捕获的样本路线将覆盖地图上的所有路段,并且学习到的路段权重将反映地图上任意两个节点之间的优化路线。
等式(3)中限定的车辆路线学习模型的实施例在图10中描绘,并在相应的段落中进行了描述。
在步骤906,路线确定权重调整模块714、路线确定度量比较器模块808或处理器模块102用在步骤904中获得的相应道路类别的优化速度来更新速度分布。
在一些实施例中,响应于在系统700的采集模块701接收到具有对应于推断的起点位置之一的起点位置和对应于推断的目的地位置之一的目的地位置的路线确定请求,系统700可以响应于路线确定请求,基于地图和更新的速度分布生成并输出建议路线。
在一些实施例中,当接收到路线确定请求时,基于请求中指定的属性(时间戳、车辆车轮、城市等),系统700中的路线引擎模块可以选择相应的更新的速度分布来生成建议路线,并将建议路线输出到用户的装置(未显示)。
如图9中所示的车辆路线学习的验证可以在数据集上执行,该数据集由与训练数据集相比在不同时间段内捕获的历史数据构建而成。例如,当车辆路线学习完成并且针对特定地图获得更新的速度分布时,可以如下执行验证过程。
首先,路线确定权重调整模块714、路线确定度量计算模块804或处理器模块120取得为同一地图构建的验证数据集(基于在同一城市中在不同的时间段捕获的历史数据,以与训练数据集相似的方式和相同的格式获得)。
此后,路线确定权重调整模块714,路线确定度量计算模块804或处理器模块120根据用于路线偏差量化的方法400中描述的步骤计算验证数据集中每个建议路线的偏离比率,聚合计算的偏离比率,并以关于步骤904B描述的方式在验证数据集中确定所有建议路线的平均偏离比率。验证数据集中所有建议路线的平均偏离比率的计算、聚合和确定的步骤是使用地图的起初的速度分布和地图的更新的速度分布进行的。
随后,路线确定权重调整模块714、路线确定度量计算模块804或处理器模块120比较使用地图的起初的速度分布获得的验证数据集中所有建议路线的平均偏离比率和使用地图的更新的速度分布获得的验证数据集中所有建议路线的平均偏离比率。
如果使用地图的更新的速度分布获得的验证数据集中所有建议路线的平均偏离比率小于使用地图的起初的速度分布获得的验证数据集,则如图9中所示的车辆路线学习过程被验证为是成功的。
另一方面,如果使用地图的更新的速度分布获得的验证数据集中所有建议路线的平均偏离比率不小于使用地图的起初的速度分布获得的验证数据集,则新的训练数据集可由路线确定权重调整模块714、路线确定度量计算模块804或处理器模块120构建和取得,以重复车辆路线学习的过程900的步骤902至906。
图10图示了用于优化地图中每个道路类别的速度的方法1000的实施例。该方法包括可以在方法900的步骤904中使用的子步骤1002到1016。
如图10中所示,步骤904可以包括子步骤1002,其中路线确定权重调整模块714、路线确定度量比较器模块808或处理器模块102比较训练数据集中的所确定的所有建议路线的平均偏离比率是否大于地图的现有平均偏离比率。
如果子步骤1002处的比较表明为训练数据集中的所有建议路线确定的平均偏离比率不大于地图的现有平均偏离比率,则路线确定权重调整模块714、路线确定度量比较器模块808,或者处理器模块102在子步骤1004处将对应速度标识为道路类别的优化速度。在子步骤1004,可以用优化的速度相应地更新速度分布。确定的平均偏离比率和更新的速度分布可以存储在数据库模块702、802或存储器模块104。现有的平均偏离值可以用数据库模块702、802或存储器104中的确定的平均偏离比率覆盖。
在子步骤1004之后,路线确定权重调整模块714、路线确定权重优化模块810或处理器模块102可以在子步骤1006继续调整道路类别的对应速度,以寻找潜在的更好结果。
另一方面,如果子步骤1002处的比较表明为训练数据集中的所有建议路线确定的平均偏离比率大于地图的现有平均偏离比率,则路线确定权重调整模块714、路线确定权重优化模块810或处理器模块102在子步骤1006调整速度分布中道路类别的对应速度。
在子步骤1006之后,在子步骤1008处,路线确定权重调整模块714、路线引擎模块812或处理器模块102基于地图和具有调整的对应速度的调整的速度分布来构建路网。
在子步骤1008之后,在子步骤1010处,路线确定权重调整模块714、路线引擎模块812或处理器模块102向路线引擎模块提供路网、推断的起点位置和推断的目的地位置,以重新生成建议路线。
在子步骤1010之后,在子步骤1012处,路线确定权重调整模块714、路线确定度量计算模块804或处理器模块102重新计算每个重新生成的建议路线的偏离比率,以量化重新生成的建议路线和对应地面实况路线之间的偏差。
在子步骤1012之后,在子步骤1014处,路线确定权重调整模块714、聚合与平均计算模块806或处理器模块102聚合重新计算的偏离比率,并确定所有重新生成的建议路线的平均偏离比率。
在子步骤1014之后,在子步骤1002'处,路线确定权重调整模块714、路线确定度量比较器模块808或处理器模块102比较所有重新生成的建议路线的确定的平均偏离比率是否大于地图的现有平均偏离比率。
在子步骤1002'之后,如果在子步骤1002'的比较表明所有重新生成的建议路线的确定的平均偏离比率大于地图的现有平均偏离比率,则路线确定权重调整模块714、系统800中的模块804、806、808、810或812,或处理器模块102迭代调整道路类别的对应速度,如子步骤1006'、1008'、1010'、1012'和1014'中所描绘的。
在子步骤1002'之后,如果在子步骤1002'处的比较表明所有重新生成的建议路线的确定的平均偏离比率不大于地图的现有平均偏离比率,则路线确定权重调整模块714,路线确定度量比较器模块808或处理器模块102在步骤1004'处将调整后的对应速度标识为道路类别的优化速度。在子步骤1004',可以用该优化速度相应地更新速度分布。确定的平均偏离比率和更新的速度分布可以存储在数据库模块702、802或存储器模块104中。现有的平均偏离值可以用数据库模块702、802或存储器模块104中的确定的平均偏离比率覆盖。
在子步骤1004'之后,路线确定权重调整模块714、路线确定权重优化模块810或处理器模块102可以在子步骤1006'继续调整道路类别的对应速度以寻找潜在的更好结果,并迭代子步骤1008'、1010'、1012'和1014'中所描绘的步骤。
如果在1006'、1008'、1010'、1012'和1014'的子步骤的迭代之后,在子步骤1002'的比较表明在步骤1014'针对所有重新生成的建议路线基于在步骤1006'中调整的速度确定的平均偏离比率不大于地图的现有平均偏离比率,则路线确定权重调整模块714、路线确定度量比较器模块808或处理器模块102可以在子步骤1016将步骤1014'处确定的平均偏离比率标识为训练数据集的最小平均偏离比率,并将在步骤1006'中调整的速度标识为该道路类别的优化速度。在子步骤1016,可以用该优化速度相应地更新速度分布。该最小平均偏离比率和更新的速度分布可以存储在数据库模块702、802或存储器模块104。
图11示出了示例性方法1100,其也可以用作步骤904中的子步骤,用于优化地图中每个道路类别的速度。示例性方法1100以算法的形式呈现。
如图11中所示,方法1100包括两步调整框架,其接收训练数据集D、地图和速度分布作为输入,并产生优化速度分布作为输出。
如图11的第1行所示,方法1100开始迭代优化每个道路类别及其对应速度,以顺序地获得每个道路类别的优化速度。在第一次迭代开始时,设置道路类别的最小速度s_MIN作为道路类别的起初速度,如图11的第2行所示。如图11的第3行中所示,起初的平均偏离比率是基于地图和具有道路类别的起初速度的速度分布为训练数据集D计算的。
对于每个道路类别,通过利用两次扫描进行的网格搜索获得优化速度。如图11的第4行至第7行所示,在第一步,系统700、800或处理器模块102通过长度的大步长的速度调整迭代来找到实现优化速度的区域。如图11的第9至12行所示,在第二步,系统700、800或处理器模块102使用长度的小步长进行速度调整的迭代,以找到具有最小偏离比率的最终优化速度。
例如,在第二步中,通过周围的可能值s*来进一步调整在第一步中获得的优化速度s。在步骤的备选实施例中,图11的第8行可以更改为“s*←max(s-Δ,s_MIN)”,以及图11的第9行可以更改为“while s*<min(s_MAX,s+Δ)do”。此更改可以避免调整的周围可能值s*超出预定义的最小值和最大值的潜在情况。如果在第一步之后,优化速度s等于s_MIN,则在第二步中,方法1100将只检查s_MIN到s_MIN+Δ之间的范围。
例如,s_MIN可以设置为8km/h,而s_MAX可以设置为100km/h。在一个实施例中,在第一步中,可以将长度的大步长(步长1)设置为步长1=10km/h。以这种方式,可以在s=58km/h的第一步处获得优化速度。随后在第二步中,我们设置了范围Δ,用于调整优化速度s的周围可能值s*为Δ=10km/h,且长度的小步长为step_2=1km/h。以这种方式,从s-Δ(即58–10=48km/h)到s+Δ(即58+10=68km/h)检查优化速度的周围可能值s*。以这种方式,最终优化速度s*=63km/h被确定为具有最小平均偏离比率。
当执行图11的第3、6和11行中提到的计算和比较函数时,系统700、800或处理器模块102基于地图和新的速度分布重新构建路网,基于起点和目的地的位置在重新构建的路网上重新生成建议路线,并计算重新生成的建议路线与地面实况路线相比的平均偏离比率。系统700、800或处理器模块102然后将计算出的平均偏离比率与现有偏离比率(例如,如图11的第3行中计算的起初的平均偏离比率)比较,选择较小的那个,并关于对应速度覆盖现有的平均偏离比率,如图11的第13行中所示。
在实施图11的两步调整框架时,观察到道路类别优化的顺序对最终速度分布优化结果的影响很小。因此,可以看出每个道路类别的速度是独立的,这又可以显著减小解空间。
图12示出了示例图1200,其描绘了在没有优化的情况下的偏离比率和道路类别速度之间的关系。这种关系可以在实施用于优化地图中每个道路类别的速度的方法1100期间获得,如图11所例示。
如图12中所示,道路类别速度和偏离比例之间的关系接近单峰。在图12中,以步长等于1的方式绘制了两个特定道路类别(例如曼谷的高速公路和二级公路)的速度。然后根据图3所示的步长计算相应的偏离比率。以该方式,获得高速公路的关系曲线1202和二级公路的关系曲线1204。从关系曲线1202、1204可以看出,每个道路类别存在一个优化速度,但是存在多个局部优化,因为相应的关系曲线1202、1204并不平滑。不平滑的曲线可以通过图11中的两步调整框架在两次扫描中解决。在第一次扫描(可互换地称为第一步)中,由于步长较大,具有优化值的区域很可能位于其中。在第二次扫描(可互换地称为第二步)中,将在调谐范围Δ>=step1内以小步长找到全局优化值。存在这样的情况,其中,在第一次扫描中无法找到全局优化值并因此返回次优速度,但这是可以接受的,因为车辆路线学习的主要重点是提高平均偏离比率。此外,与使用小步长对所有解决方案空间进行详尽搜索相比,图11中的两步调整框架的运行速度要快得多。
图13是并行计算系统1300的框图,该并行计算系统1300适用于实施图1至图6中例示的用于路线偏差量化的方法和装置和/或图7至图11中例示的用于车辆路线学习的方法和系统。
如上所述,路线偏差量化的计算可以针对每个历史轨迹独立进行。类似地,车辆路线学习是基于每个训练数据集进行优化的,因此可以并行处理不同的训练数据集。
如图13中所示,原始GPS数据首先通过预定义的分割键进行分割以进行索引。分割键包括年、月、日、小时、城市和车辆车轮,因为城市之间的交通状况和路线确定偏好不同,且汽车和摩托车之间的交通状况和路线确定偏好也有所区别。
此后,将分割的数据聚合到每个任务中。聚合策略取决于任务的类型,例如路线确定度量计算,例如,路线偏差量化通常聚合每天的GPS数据,而车辆路线学习可能需要数周的GPS数据,这些数据按小时分割。
随后,相应的任务可以按数据大小平均分配给相应的机器,并在每台机器上并行地运行。
图14是计算机系统1400的框图,该计算机系统1400适合用作如图2至3中所示的用于路线偏差量化的装置和/或如图7至8中所示的用于车辆路线学习的系统。
计算机系统/计算装置1400的以下描述仅作为示例提供,并且不旨在进行限制。
如图1400中所示,示例计算装置1400包括用于执行软件例程的处理器1404。尽管为了清楚起见示出了单个处理器,但是计算装置1400也可以包括多处理器系统。处理器1404连接到通信基础设施1406,用于与计算装置1400的其他组件通信。通信基础设施1406可以包括例如通信总线、交叉开关或网络。
计算装置1400还包括诸如随机存取存储器(RAM)的主存储器1408和辅助存储器1410。辅助存储器1410可以包括例如硬盘驱动器1412和/或可移除存储驱动器1414,其可以包括磁带驱动器、光盘驱动器等。可移除存储驱动器1414以众所周知的方式从可移除存储单元1418读取和/或写入到可移除存储单元1418。可移除存储单元1418可以包括由可移除存储驱动器1414读取和写入的磁带、光盘等。如相关领域(一个或多个)的技术人员将理解的,可移除存储单元1418包括其中存储有计算机可执行程序代码指令和/或数据的计算机可读存储介质。
在备选实施方式中,辅助存储器1410可以附加地或备选地包括用于允许将计算机程序或其他指令加载到计算装置1400中的其他类似装置。这样的装置可以包括例如可移除存储单元1422和接口1420。可移除存储单元1422和接口1420的示例包括可移除存储芯片(例如EPROM或PROM)和相关联的套接字,以及其他可移除存储单元1422和允许软件和数据从该可移除存储单元1422传输到计算机系统1400的接口1420。
计算装置1400还包括至少一个通信接口1424。该通信接口1424允许软件和数据通过通信路径1426在计算装置1400和外部设备之间传输。在各种实施例中,通信接口1424允许数据在计算装置1400和数据通信网络(例如公共数据或私有数据通信网络)之间传输。通信接口1424可用于在不同计算装置1400之间交换数据,这些计算装置1400形成互连计算机网络的一部分。通信接口1424的示例可以包括调制解调器、网络接口(例如以太网卡)、通信端口、具有相关电路的天线等。通信接口1424可以是有线的或者可以是无线的。经由通信接口1424传送的软件和数据是信号的形式,这些信号可以是电子的、电磁的、光学的或能够被通信接口1424接收的其他信号。这些信号通过通信路径1426被提供给通信接口。
可选地,计算装置1400还包括显示接口1402和音频接口532,该显示接口1402执行用于将图像渲染到相关联的显示器530的操作,该音频接口532用于执行通过相关联的扬声器(一个或多个)534播放音频内容的操作。
如本文所使用的,术语“计算机程序产品”可以部分地指可移除存储单元1418、可移除存储单元1422、安装在硬盘驱动器1412中的硬盘、或通过通信路径1426(无线连接或电缆)将软件携带至通信接口1424的载波。计算机可读存储介质指的是向计算装置1400提供记录的指令和/或数据以供执行和/或处理的任何非暂时性有形存储介质。这种存储介质的示例包括软盘、磁带、CD-ROM、DVD、蓝光(Blu-rayTM)光盘、硬盘驱动器、ROM或集成电路、USB存储器、磁光盘或计算机可读卡,例如PCMCIA卡等,无论这些装置是在计算装置1400的内部还是外部。也可以参与将软件、应用程序、指令和/或数据提供给计算装置1400的暂时性或非有形的计算机可读传输介质的示例包括无线电或红外线传输通道以及到另一台计算机或联网装置的网络连接,以及互联网或内联网,包括电子邮件传输和记录在网站等上的信息。
计算机程序(也称为计算机程序代码)存储在主存储器1408和/或辅助存储器1410中。计算机程序也可以通过通信接口1424接收。这样的计算机程序在执行时使计算装置1400能够执行本文讨论的实施例的一个或多个特征。在各种实施例中,计算机程序在被执行时使处理器1404能够执行上述实施例的特征。因此,这样的计算机程序代表计算机系统1400的控制器。
软件可以存储在计算机程序产品中,并使用可移除存储驱动器1414、硬盘驱动器1412或接口1420加载到计算装置1400中。备选地,计算机程序产品可以通过通信路径1426下载到计算机系统1400。该软件在由处理器1404执行时使计算装置1400执行本文描述的实施例的功能。
将理解的是,图5的实施例仅以示例的方式呈现。因此,在一些实施例中,可以省略计算装置1400的一个或多个特征。此外,在一些实施例中,计算装置1400的一个或多个特征可以组合在一起。另外,在一些实施例中,计算装置1400的一个或多个特征可以被分成一个或多个组成部分。
图15示出了计算机系统1500,该计算机系统1500适合于实施如上所述的用于路线偏差量化的方法和/或用于车辆路线学习的方法中所需的步骤。
如图所示,计算机系统1500可以包括彼此可通信的一个或多个计算装置1502、1504。计算装置1502、1504中的每一个可以被配置为执行如上述方法中描述的一个或多个步骤。
该一个或多个计算装置1502、1504中的每一个可以被实现为服务器,以执行如上所述的一个或多个步骤。这些服务器可能属于同一实体或不同实体。
例如,当实施用于路线偏差量化的方法400时,步骤402、404和406可以由同一实体处的计算装置1502进行。在一些备选示例中,步骤402和404可以由计算装置1504在第一实体处执行,并且从步骤402和404获得的地面实况路线和建议路线然后可以经由通信链路1506转发到计算装置1504用于在第二实体处进行步骤406。
本说明书中描述的技术产生一种或多种技术效果。特别地,本公开有利地利用路线偏差量化作为关键路线确定度量来准确评估由路线引擎模块生成的建议路线与驾驶员实际采取的地面实况路线的偏差,并随后使用通过路线偏差量化计算的偏离比率关于定制的训练数据集(例如,提取具有在特定城市的一个月中每天的同一小时捕获的历史数据的训练数据集)构建车辆路线学习系统。此外,本公开有利地利用并行计算来分割和处理用于路线偏差量化和车辆路线学习的数据,这允许从大量历史数据中学习而不损害性能。
本领域技术人员将理解,可以对如具体实施例中所示的本公开进行多种变化和/或修改,而不背离广泛描述的说明书的范围。因此,本实施例在所有方面都将被认为是说明性的而不是限制性的。
Claims (48)
1.一种用于建议路线的路线偏差量化的方法,该方法包括:
基于从地图上的历史轨迹获得的过滤轨迹获得地面实况路线,所述过滤轨迹包括推断的起点位置和推断的目的地位置,其中,所述推断的起点位置和推断的目的地位置分别距起点位置和目的地位置大于阈值半径;
获得基于所述推断的起点位置和推断的目的地位置生成的建议路线;和
通过计算所述建议路线中与所述地面实况路线中的对应路段匹配的路段的组合长度与所述地面实况路线中的路段的组合长度的偏离比率,来量化所述建议路线与所述地面实况路线的偏差。
2.根据权利要求1所述的方法,其中,获得地面实况路线包括:
提取历史数据,所述历史数据包括所述地图上的所述历史轨迹的原始GPS数据;
对所述历史轨迹的原始GPS数据进行预处理,以获得具有推断的起点位置和推断的目的地位置的所述过滤轨迹,其中,所述过滤轨迹包括GPS ping的时序序列,并且其中,每个GPS ping指示车辆在所述过滤轨迹期间的时间戳处的位置;以及
将GPS ping的所述时序序列转换为所述地面实况路线。
3.根据权利要求2所述的方法,其中,对所述历史轨迹的原始GPS数据进行预处理,以获得具有推断的起点位置和推断的目的地位置的所述过滤轨迹包括:
过滤距所述起点位置和目的地位置处于所述阈值半径处和在所述阈值半径之内的所述历史轨迹的GPS ping,其中,所述过滤轨迹的GPS ping是从距所述起点位置和所述目的地位置所述阈值半径之外的所述历史轨迹的剩余GPS ping中获得的。
4.根据权利要求1所述的方法,其中,获得所述建议路线包括:
基于所述地图和所述地图的速度分布来构建路网,所述速度分布包括速度集合,每个速度对应于所述地图中的道路类别;和
基于所述路网、所述推断的起点位置和所述推断的目的地位置生成所述建议路线。
5.根据权利要求1所述的方法,还包括:
如果所述偏离比率不大于阈值,则响应于路线确定请求输出所述建议路线,所述建议路线具有对应于所述推断的起点位置的所述起点位置和对应于所述推断的目的地位置的所述目的地位置。
6.根据权利要求4所述的方法,还包括:
如果所述偏离比率大于阈值,则优化所述地图的速度分布以重新构建所述路网,来重新生成所述建议路线。
7.根据权利要求1至6中任一项所述的方法,还包括:
将所述偏离比率存储到与具有推断的起点位置和推断的目的地位置的所述建议路线相对应的数据库中。
8.根据权利要求2所述的方法,其中,将GPS ping的时序序列转换为所述地面实况路线包括:
将GPS ping的所述时序序列映射到所述地图中的节点序列。
9.根据权利要求8所述的方法,其中,将GPS ping的所述时序序列转换为所述地面实况路线还包括:
检查节点序列中每两个连续节点的连通性;以及
如果两个连续节点在所述地图中没有连接,则
标识使所述两个连续节点在所述地图中互连的路径,所述路径包括两个或更多个节点,以及
通过在所述两个连续节点之间插入所述两个或更多个节点来拼接所述两个连续节点。
11.根据权利要求10所述的方法,还包括:
搜索所述地面实况路线中与所述建议路线中的对应路段匹配的路段,
其中,所述路段的搜索包括:
顺序地针对所述建议路线中的每个路段,执行搜索所述地面实况路线中的匹配路段,
其中,在每次搜索迭代期间,从布置在所述地面实况路线中上次匹配的路段之后的路段开始在所述地面实况路线中的搜索。
12.一种用于建议路线的路线偏差量化的装置,该装置包括:
处理器模块;和
包括计算机程序代码的存储器模块;
所述存储器模块和计算机程序代码被配置为与所述处理器模块一起使该装置:
基于从地图上的历史轨迹获得的过滤轨迹来获得地面实况路线,所述过滤轨迹包括推断的起点位置和推断的目的地位置,其中,所述推断的起点位置和所述推断的目的地位置分别距起点位置和目的地位置大于阈值半径;
获得基于所述推断的起点位置和推断的目的地位置生成的建议路线;和
通过计算所述建议路线中与所述地面实况路线中对应路段匹配的路段的组合长度与所述地面实况路线中的路段的组合长度的偏离比率,来量化所述建议路线与所述地面实况路线的偏差。
13.根据权利要求12所述的装置,其中,在获取所述地面实况路线时,所述装置配置成用于:
提取历史数据,包括所述地图上的所述历史轨迹的原始GPS数据;
对所述历史轨迹的原始GPS数据进行预处理,以获得具有所述推断的起点位置和推断的目的地位置的过滤轨迹,其中,所述过滤轨迹包括GPS ping的时序序列,并且其中,每个GPS ping指示在所述过滤轨迹期间的时间戳处的车辆位置;和
将GPS ping的所述时序序列转换为所述地面实况路线。
14.根据权利要求13所述的装置,其中,当对所述历史轨迹的原始GPS数据进行预处理,以获得具有推断的起点位置和推断的目的地位置的所述过滤轨迹时,所述装置被配置为:
过滤距所述起点位置和目的地位置处于所述阈值半径处和在所述阈值半径之内的所述历史轨迹的GPS ping,其中,所述过滤轨迹的GPS ping是从距所述起点位置和所述目的地位置所述阈值半径之外的所述历史轨迹的剩余GPS ping中获得的。
15.根据权利要求12所述的装置,其中,在获得所述建议路线时,所述装置被配置为:
基于所述地图和所述地图的速度分布构建路网,所述速度分布包括速度集合,每个速度对应于所述地图中的道路类别;和
基于所述路网、所述推断的起点位置和所述推断的目的地位置生成所述建议路线。
16.根据权利要求12所述的装置,其中,进一步使所述装置:
如果所述偏离比率不大于阈值,则响应于路线确定请求输出所述建议路线,所述建议路线具有对应于所述推断的起点位置的所述起点位置和对应于所述推断的目的地位置的所述目的地位置。
17.根据权利要求15所述的装置,其中,进一步使所述装置:
如果所述偏离比率大于阈值,则优化所述地图的速度分布以重新构建路网,以便重新生成所述建议路线。
18.根据权利要求12至17中任一项所述的装置,其中,进一步使所述装置:
将所述偏离比率存储到与具有所述推断的起点位置和所述推断的目的地位置的所述建议路线相对应的数据库中。
19.根据权利要求13所述的装置,其中,当将GPS ping的所述时序序列转换为所述地面实况路线时,所述装置被配置为:
将GPS ping的所述时序序列映射到所述地图中的节点序列。
20.根据权利要求19所述的装置,其中,在将GPS ping的所述时序序列转换为所述地面实况路线时,进一步使所述装置:
检查节点序列中每两个连续节点的连通性;和
如果两个连续节点在所述地图中没有连接,则
标识使所述两个连续节点在所述地图中互连的路径,该路径包括两个或更多个节点,以及
通过在所述两个连续节点之间插入所述两个或更多个节点来拼接所述两个连续节点。
22.根据权利要求21所述的装置,其中,进一步使所述装置:
搜索所述地面实况路线中与所述建议路线中的对应路段匹配的路段,
其中,在搜索所述路段时,所述装置被配置为:
顺序地针对所述建议路线中的每个路段,执行搜索所述地面实况路线中的匹配路段,
其中,在每次搜索迭代期间,从布置在所述地面实况路线中上次匹配的路段之后的路段起,开始在所述地面实况路线中的搜索。
23.一种用于车辆路线学习的方法,所述方法包括:
取得与地图上的历史轨迹相对应的训练数据集;
其中,所述训练数据集包括数据点的集合,其中,每个数据点对应于所述地图上的历史轨迹之一并且包含:
所述历史轨迹之一的推断的起点位置和推断的目的地位置,其中,所述推断的起点位置和推断的目的地位置分别距起点位置和目的地位置大于阈值半径;
基于地图和速度分布生成的连接所述推断的起点位置和所述推断的目的地位置的建议路线,以及
所述历史轨迹之一的对应的地面实况路线;
优化所述地图的所述速度分布来实现所述训练数据集的最小平均偏离比率,其中,优化所述速度分布包括:
对于所述训练数据集中的每条建议路线,计算所述建议路线中与对应的地面实况路线中的对应路段匹配的路段的组合长度与所述对应的地面实况路线中的路段的组合长度的偏离比率,以量化所述建议路线与所述对应的地面实况路线之间的偏差;
聚合计算的偏离比率,并确定所述训练数据集中所有所述建议路线的平均偏离比率;和
更新所述地图的速度分布。
24.根据权利要求23所述的方法,还包括:
构建所述速度分布,其中,所述速度分布包括速度的集合,每个速度对应于所述地图中的道路类别。
25.根据权利要求24所述的方法,其中,优化所述速度分布以实现所述训练数据集的最小平均偏离比率包括:
对于所述地图中的每个道路类别,优化对应速度以标识优化的速度,其使路线引擎生成器模块能够以最小的平均偏离比率针对所述训练数据集中推断的起点位置和推断的目的地位置重新生成所述建议路线。
26.根据权利要求23所述的方法,还包括:
响应于路线确定请求,基于所述地图和更新的速度分布生成并输出建议路线,所述建议路线具有对应于推断的起点位置之一的起点位置和对应于推断的目的地位置之一的目的地位置。
27.根据权利要求25所述的方法,其中,针对所述地图中的每个道路类别优化对应速度包括:
比较所述训练数据集中的所有建议路线的确定的平均偏离比率是否大于所述地图的现有平均偏离比率;以及
如果所述训练数据集中所有建议路线的确定的平均偏离比率大于所述地图的现有平均偏离比率,则
调整所述速度分布中道路类别的对应速度;
基于所述地图和具有调整后的对应速度的调整后的速度分布来构建路网;
将所述路网、所述推断的起点位置和所述推断的目的地位置提供给路线规划模块以重新生成建议路线;
重新计算每条重新生成的建议路线的偏离比率,以量化所述重新生成的建议路线与对应的地面实况路线之间的偏差;
聚合重新计算的偏离比率,并确定所有重新生成的建议路线的平均偏离比率;
比较所有重新生成的建议路线的确定的平均偏离比率是否大于所述地图的现有平均偏离比率;和
如果所有重新生成的建议路线的确定的平均偏离比率大于所述地图的现有平均偏离比率,则迭代调整所述道路类别的对应速度,
如果所有重新生成的建议路线的确定的平均偏离比率不大于所述地图的现有平均偏离比率,则将调整后的对应速度标识为所述道路类别的优化速度。
28.根据权利要求25所述的方法,其中,针对所述地图中的每个道路类别优化对应速度包括:
比较所述训练数据集中的所有建议路线的确定的平均偏离比率是否大于所述地图的现有平均偏离比率;和
如果所述训练数据集中的所有建议路线的确定的平均偏离比率不大于所述地图的现有平均偏离比率,则将所述对应速度标识为所述道路类别的优化速度。
29.根据权利要求23所述的方法,还包括:
将历史数据分割为包括取得到的训练数据集的多个训练数据集,所述历史数据包括存储在数据库模块中的历史轨迹的原始GPS数据,
其中,所述多个训练数据集中的每个训练数据集包括对应于在所述地图上的一天的预定小时内捕获的历史轨迹的数据点。
30.根据权利要求29所述的方法,还包括:
对所述历史轨迹的原始GPS数据进行预处理,以获得具有推断的起点位置和推断的目的地位置的过滤轨迹,
其中,每个所述过滤轨迹包括GPS ping的时序序列,并且其中,每个GPS ping在所述过滤轨迹期间的时间戳处指示车辆的位置。
31.根据权利要求30所述的方法,其中:对所述历史轨迹的原始GPS数据进行预处理,以获得具有推断的起点位置和推断的目的地位置的所述过滤轨迹包括:
过滤距对应于其推断的起点位置的其起点位置和对应于其推断的目的地位置的其目的地位置处于所述阈值半径处和在所述阈值半径之内的所述历史轨迹中的每一个的GPSping,其中,所述过滤轨迹的GPS ping是从距其起点位置和其目的地位置所述阈值半径之外的所述历史轨迹中的每一个的剩余GPS ping中获得的。
32.根据权利要求29或30所述的方法,还包括:
聚合所述历史轨迹的原始GPS数据,以确定所述地图中每个道路类别的历史速度,以便构建所述速度分布,以及
基于所述速度分布和所述地图来构建路网。
33.根据权利要求30所述的方法,还包括:
对于每个所述过滤轨迹,将GPS ping的所述时序序列转换为所述训练数据集中的地面实况路线。
35.根据权利要求34所述的方法,还包括:
搜索所述地面实况路线中与所述建议路线中的对应路段匹配的路段,
其中,所述路段的搜索包括:
顺序地针对所述建议路线中的每个路段,执行搜索所述地面实况路线中的匹配路段,
其中,在每次搜索迭代期间,从布置在所述地面实况路线中上次匹配的路段之后的路段开始在所述地面实况路线中的搜索。
36.一种用于车辆路线学习的系统,该系统包括:
处理器模块;和
包括计算机程序代码的存储器模块;
所述存储器模块和所述计算机程序代码被配置为与所述处理器模块一起使所述系统:
取得与地图上的历史轨迹相对应的训练数据集;
其中,所述训练数据集包括数据点的集合,其中,每个数据点对应于所述地图上的历史轨迹之一并且包含:
所述历史轨迹之一的推断的起点位置和推断的目的地位置,其中,所述推断的起点位置和推断的目的地位置分别距起点位置和目的地位置大于阈值半径;
基于所述地图和速度分布生成的连接所述推断的起点位置和所述推断的目的地位置的建议路线,以及
所述历史轨迹之一的对应的地面实况路线;
优化所述地图的所述速度分布来实现所述训练数据集的最小平均偏离比率,其中,在优化所述速度分布来实现所述训练数据集的所述最小平均偏离比率时,使得所述系统:
对于所述训练数据集中的每条建议路线,计算所述建议路线中与对应的地面实况路线中的对应路段匹配的路段的组合长度与所述对应的地面实况路线中的路段的组合长度的偏离比率,以量化所述建议路线与所述对应的地面实况路线之间的偏差;和
聚合计算的偏离比率,并确定所述训练数据集中所有所述建议路线的平均偏离比率;和
更新所述地图的所述速度分布。
37.根据权利要求36所述的系统,其中,所述速度分布包括速度的集合,每个速度对应于所述地图中的道路类别。
38.根据权利要求37所述的系统,其中,当优化所述速度分布以实现所述训练数据集的最小平均偏离比率时,使所述系统:
对于所述地图中的每个道路类别,优化对应速度以识别优化速度,其使路线引擎生成器模块能够以最小平均偏离比率为所述训练数据集中的推断的起点位置和推断的目的地位置重新生成建议路线。
39.根据权利要求38所述的系统,其中,进一步使所述系统:
响应于路线确定请求,基于所述地图和更新的速度分布生成并输出建议路线,所述建议路线具有对应于推断的起点位置之一的起点位置和对应于推断的目的地位置之一的目的地位置。
40.根据权利要求38所述的系统,其中,当针对所述地图中的每个道路类别优化对应速度时,使所述系统:
比较所述训练数据集中所有建议路线的确定的平均偏离比率是否大于所述地图的现有平均偏离比率;和
如果所述训练数据集中所有建议路线的确定的平均偏离比率大于所述地图的现有平均偏离比率,则
调整所述速度分布中道路类别的对应速度;
基于所述地图和具有调整后的对应速度的调整后的速度分布来构建路网;
将所述路网、所述推断的起点位置和所述推断的目的地位置提供给路线规划模块,以重新生成建议路线;
重新计算每条重新生成的建议路线的偏离比率,以量化所述重新生成的建议路线与所述对应的地面实况路线之间的偏差;
聚合重新计算的偏离比率,并确定所有重新生成的建议路线的平均偏离比率;
比较所有重新生成的建议路线的确定的平均偏离比率是否大于所述地图的现有平均偏离比率;和
如果所有重新生成的建议路线的确定的平均偏离比率大于所述地图的现有平均偏离比例,则迭代调整所述道路类别的对应速度,
如果所有重新生成的建议路线的确定的平均偏离比率不大于所述地图的现有平均偏离比率,则将调整后的对应速度标识为所述道路类别的优化速度。
41.根据权利要求38所述的系统,其中,当针对地图中的每个道路类别优化对应速度时,使系统:
比较训练数据集中所有建议路线的确定的平均偏离比率是否大于所述地图的现有平均偏离比率;和
如果训练数据集中所有建议路线的确定的平均偏离比率不大于所述地图的现有平均偏离比率,则将所述对应速度标识为所述道路类别的优化速度。
42.根据权利要求38所述的系统,其中,进一步使所述系统:
将历史数据分割为包括取得的训练数据集的多个训练数据集,所述历史数据包括存储在数据库模块中的历史轨迹的原始GPS数据,
其中,所述多个训练数据集中的每个训练数据集包括对应于在所述地图上的一天的预定小时内捕获的历史轨迹的数据点。
43.根据权利要求42所述的系统,其中,进一步使所述系统:
对所述历史轨迹的原始GPS数据进行预处理,以获得具有推断的起点位置和推断的目的地位置的过滤轨迹,
其中,每个所述过滤轨迹包括GPS ping的时序序列,并且其中,每个GPS ping在所述过滤轨迹期间的时间戳处指示车辆的位置。
44.根据权利要求43所述的系统,其中,使得所述系统:
过滤距对应于其推断的起点位置的其起点位置和对应于其推断的目的地位置的其目的地位置处于所述阈值半径处和在所述阈值半径之内的所述历史轨迹中的每一个的GPSping,其中,所述过滤轨迹的GPS ping是从距其起点位置和其目的地位置所述阈值半径之外的所述历史轨迹的每一个的剩余GPS ping中获得的。
45.根据权利要求42或43所述的系统,其中,进一步使所述系统:
聚合所述历史轨迹的原始GPS数据,以确定所述地图中每个道路类别的历史速度,从而构建所述速度分布,以及
基于所述速度分布和所述地图构建路网。
46.根据权利要求43所述的系统,其中,进一步使所述系统:
对于每个所述过滤轨迹,将GPS ping的所述时序序列转换为所述训练数据集中的地面实况路线。
48.根据权利要求47所述的系统,其中,进一步使所述系统:
搜索所述地面实况路线中与所述建议路线中的对应路段匹配的路段,其中,当搜索所述路段时,所述系统配置为:
顺序地针对所述建议路线中的每个路段,执行搜索所述地面实况路线中的匹配路段,
其中,在每次搜索迭代期间,从布置在所述地面实况路线中上次匹配的路段之后的路段开始在所述地面实况路线中的搜索。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/SG2020/050295 WO2021236006A1 (en) | 2020-05-19 | 2020-05-19 | Route deviation quantification and vehicular route learning based thereon |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114450557A CN114450557A (zh) | 2022-05-06 |
CN114450557B true CN114450557B (zh) | 2023-03-28 |
Family
ID=78707987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080068085.0A Active CN114450557B (zh) | 2020-05-19 | 2020-05-19 | 路线偏差量化及基于此的车辆路线学习 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11788850B2 (zh) |
CN (1) | CN114450557B (zh) |
TW (1) | TW202146852A (zh) |
WO (1) | WO2021236006A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021236006A1 (en) | 2020-05-19 | 2021-11-25 | Grabtaxi Holdings Pte. Ltd. | Route deviation quantification and vehicular route learning based thereon |
CN113220680A (zh) * | 2021-04-29 | 2021-08-06 | 北京理工大学珠海学院 | 疫情密切接触者轨迹确定方法、系统、装置及存储介质 |
CN115617938B (zh) * | 2022-12-20 | 2023-03-14 | 永立数智(北京)科技有限公司 | 基于时空历史比对的车辆轨迹重复校验方法及装置 |
CN116193363B (zh) * | 2023-05-04 | 2023-06-27 | 广东省农业科学院动物科学研究所 | 一种生猪转栏的动态追踪处理方法和系统 |
CN117891892B (zh) * | 2024-03-14 | 2024-05-31 | 南京师范大学 | 一种基于历史巡护数据的护林员轨迹优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009036702A (ja) * | 2007-08-03 | 2009-02-19 | Taito Corp | ナビゲーションプログラム、プログラム記憶媒体、ナビゲーション装置、及び携帯端末 |
CN106465056A (zh) * | 2014-05-15 | 2017-02-22 | 三星电子株式会社 | 用于提供个性化信息的系统和提供个性化信息的方法 |
CN106919993A (zh) * | 2015-12-25 | 2017-07-04 | 滴滴(中国)科技有限公司 | 一种基于历史数据的高准确性默认目的地预测方法及装置 |
CN106969782A (zh) * | 2017-05-27 | 2017-07-21 | 百度在线网络技术(北京)有限公司 | 导航路线的推送方法、装置、设备以及存储介质 |
KR101843683B1 (ko) * | 2017-04-28 | 2018-03-30 | 이영욱 | 개인 맞춤형 추천 경로를 제공하는 네비게이션 시스템 및 그 구동방법 |
CN108303108A (zh) * | 2017-12-05 | 2018-07-20 | 华南理工大学 | 一种基于车辆历史轨迹的个性化路线推荐方法 |
CN109429506A (zh) * | 2017-06-21 | 2019-03-05 | 北京嘀嘀无限科技发展有限公司 | 用于路线规划的系统和方法 |
DE102019000617A1 (de) * | 2019-01-28 | 2019-06-06 | Daimler Ag | Verfahren zur automatischen Erkennung mindestens einer Verkehrsstörung auf einer Route eines Fahrzeugs, Navigationssystem zum Ausführen eines solchen Verfahrens, sowie Fahrzeug mit einem solchen Navigationssystem |
CN110647693A (zh) * | 2019-09-23 | 2020-01-03 | 京东城市(北京)数字科技有限公司 | 路径推荐的方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4697747B2 (ja) * | 2007-07-11 | 2011-06-08 | 本田技研工業株式会社 | ナビサーバおよびナビシステム |
US9261376B2 (en) * | 2010-02-24 | 2016-02-16 | Microsoft Technology Licensing, Llc | Route computation based on route-oriented vehicle trajectories |
US20200234582A1 (en) * | 2016-01-03 | 2020-07-23 | Yosef Mintz | Integrative system and methods to apply predictive dynamic city-traffic load balancing and perdictive parking control that may further contribute to cooperative safe driving |
US9952056B2 (en) | 2016-03-11 | 2018-04-24 | Route4Me, Inc. | Methods and systems for detecting and verifying route deviations |
US10551199B2 (en) | 2017-12-29 | 2020-02-04 | Lyft, Inc. | Utilizing artificial neural networks to evaluate routes based on generated route tiles |
WO2021236006A1 (en) | 2020-05-19 | 2021-11-25 | Grabtaxi Holdings Pte. Ltd. | Route deviation quantification and vehicular route learning based thereon |
-
2020
- 2020-05-19 WO PCT/SG2020/050295 patent/WO2021236006A1/en active Application Filing
- 2020-05-19 CN CN202080068085.0A patent/CN114450557B/zh active Active
- 2020-05-19 US US17/754,011 patent/US11788850B2/en active Active
-
2021
- 2021-05-14 TW TW110117508A patent/TW202146852A/zh unknown
-
2023
- 2023-09-06 US US18/461,758 patent/US20240142242A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009036702A (ja) * | 2007-08-03 | 2009-02-19 | Taito Corp | ナビゲーションプログラム、プログラム記憶媒体、ナビゲーション装置、及び携帯端末 |
CN106465056A (zh) * | 2014-05-15 | 2017-02-22 | 三星电子株式会社 | 用于提供个性化信息的系统和提供个性化信息的方法 |
CN106919993A (zh) * | 2015-12-25 | 2017-07-04 | 滴滴(中国)科技有限公司 | 一种基于历史数据的高准确性默认目的地预测方法及装置 |
KR101843683B1 (ko) * | 2017-04-28 | 2018-03-30 | 이영욱 | 개인 맞춤형 추천 경로를 제공하는 네비게이션 시스템 및 그 구동방법 |
CN106969782A (zh) * | 2017-05-27 | 2017-07-21 | 百度在线网络技术(北京)有限公司 | 导航路线的推送方法、装置、设备以及存储介质 |
CN109429506A (zh) * | 2017-06-21 | 2019-03-05 | 北京嘀嘀无限科技发展有限公司 | 用于路线规划的系统和方法 |
CN108303108A (zh) * | 2017-12-05 | 2018-07-20 | 华南理工大学 | 一种基于车辆历史轨迹的个性化路线推荐方法 |
DE102019000617A1 (de) * | 2019-01-28 | 2019-06-06 | Daimler Ag | Verfahren zur automatischen Erkennung mindestens einer Verkehrsstörung auf einer Route eines Fahrzeugs, Navigationssystem zum Ausführen eines solchen Verfahrens, sowie Fahrzeug mit einem solchen Navigationssystem |
CN110647693A (zh) * | 2019-09-23 | 2020-01-03 | 京东城市(北京)数字科技有限公司 | 路径推荐的方法和装置 |
Non-Patent Citations (3)
Title |
---|
Path Planning Strategy for Vehicle Navigation Based on User Habits;CHEN P.等;《Applied Sciences》;20180309;第8卷(第3期);全文 * |
Personalized Route Recommendation using Big Trajectory Data;DAI J.等;《2015 IEEE 31st International Conference on Data Engineering》;20150417;全文 * |
Trip Router with Individualized Preferences(TRIP):Incorporating Personalization into Route Planning;LETCHNER J.等;《 IAAI"06 Proceedings of the 18th conference on Innovative applications of artifical intelligence》;20060731;第2卷;全文 * |
Also Published As
Publication number | Publication date |
---|---|
TW202146852A (zh) | 2021-12-16 |
US11788850B2 (en) | 2023-10-17 |
US20220373339A1 (en) | 2022-11-24 |
WO2021236006A1 (en) | 2021-11-25 |
US20240142242A1 (en) | 2024-05-02 |
CN114450557A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114450557B (zh) | 路线偏差量化及基于此的车辆路线学习 | |
US11562168B2 (en) | Clustering for K-anonymity in location trajectory data | |
Hsueh et al. | Map matching for low-sampling-rate GPS trajectories by exploring real-time moving directions | |
US10546043B1 (en) | Triangulation for K-anonymity in location trajectory data | |
CN104331422B (zh) | 一种路段类型推测方法 | |
US9536146B2 (en) | Determine spatiotemporal causal interactions in data | |
US8554473B2 (en) | Energy efficient routing using an impedance factor | |
CN107305131A (zh) | 以节点为中心的导航优化 | |
US11348453B2 (en) | Method and apparatus for dynamic speed aggregation of probe data for high-occupancy vehicle lanes | |
CN103942312B (zh) | 公交换乘线路规划方法和装置 | |
CN110942211A (zh) | 一种基于深度神经网络的预估达到时间预测方法及装置 | |
Ozdemir et al. | A hybrid HMM model for travel path inference with sparse GPS samples | |
CN111951543B (zh) | 流量预测方法及装置 | |
US20230137263A1 (en) | Method and apparatus for generating structured trajectories from geospatial observations | |
Santos et al. | Gbus-route geotracer | |
CN111613052B (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 | |
CN110411450A (zh) | 一种用于压缩轨迹的地图匹配方法 | |
Rodrigues et al. | Hybrid context-aware multimodal routing | |
US20230160705A1 (en) | Method, apparatus, and system for linearizing a network of features for machine learning tasks | |
CN116989801A (zh) | 一种面向复杂路网低频长轨迹的地图匹配方法及装置 | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
Värv | Travel Time Prediction Based on Raw GPS Data | |
Hou et al. | Distribution-based weights estimation for map matching algorithms | |
CN115424435B (zh) | 一种跨link道路识别网络的训练方法、识别跨link道路的方法 | |
KR102070121B1 (ko) | 이용자 선호다양성을 반영한 경로 생성방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 생성 시스템 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: Singapore Patentee after: GRABTAXI HOLDINGS Pte. Ltd. Address before: Singapore Patentee before: Gebu Holdings Pte. Ltd. |