CN114485696A - 到达点的获取方法、电子设备及存储介质 - Google Patents
到达点的获取方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114485696A CN114485696A CN202111594890.XA CN202111594890A CN114485696A CN 114485696 A CN114485696 A CN 114485696A CN 202111594890 A CN202111594890 A CN 202111594890A CN 114485696 A CN114485696 A CN 114485696A
- Authority
- CN
- China
- Prior art keywords
- arrival
- point
- points
- candidate
- positioning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000010801 machine learning Methods 0.000 claims abstract description 29
- 238000012163 sequencing technique Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 13
- 230000004807 localization Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 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
- G01C21/26—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
- G01C21/3476—Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本申请实施例提供了一种到达点的获取方法、电子设备及计算机可读存储介质,涉及导航技术领域。方法包括:获取与导航路线规划相关的会话数据;基于会话数据,确定与导航路线规划对应的目的地及定位点序列;从定位点序列中,提取能够表征到达目的地的到达特征定位点;根据路网信息对到达特征定位点进行空间聚类,得到候选到达点及候选到达点的空间属性特征;将候选到达点的空间属性特征作为预先训练的机器学习模型的输入,由机器学习模型基于候选到达点的空间属性特征对候选到达点进行打分排序;基于候选到达点的打分排序结果,确定目的地的到达点。
Description
技术领域
本申请实施例涉及导航技术领域,尤其涉及一种到达点的获取方法、电子设备及计算机可读存储介质。
背景技术
目前,具备地图导航功能的应用可以根据用户输入的目的地信息,确定用于规划引导用户到达该目的地的导航路线的终点位置坐标,该终点位置坐标对应的位置点可以称为所述目的地的到达点,到达点的准确度直接影响了为用户规划的导航路线的合理性。
在用户输入的目的地没有对应的到达点时,可以采用两种方式确定到达点,一种方式是将目的地的显示位置点作为到达点,所述显示位置点是指在电子地图中显示该目的地时所使用的位置点,另一种方式是在目的地周边的道路上确定到达点。这两种方式确定的到达点,会出现导航路线引导用户到达的并不是目的地的正门或可进入目的地内部的入口等。
相关技术中,可以通过人工的方式生成目的地的到达点,但是人工方式效率较低、且成本较高,或者,可以基于车辆行驶轨迹自动挖掘到达点,但是这种方式挖掘出的到达点有可能是该目的地周边可以停车的地点,这些地点不一定满足可引导用户到达该目的地且用户到达后可看到该目的地的要求。因此,需要提供新的可以获取满足前述要求的到达点的技术方案。
发明内容
本申请的目的在于提出一种到达点的获取方法、电子设备及计算机可读存储介质,用于解决现有技术中生成到达点的准确性较低的技术问题。
根据本申请实施例的第一方面,提供了一种到达点的获取方法,包括:到达点的获取方法,包括:获取与导航路线规划相关的会话数据;基于所述会话数据,确定与所述导航路线规划对应的目的地及定位点序列;从所述定位点序列中,提取能够表征到达所述目的地的到达特征定位点;根据路网信息对所述到达特征定位点进行空间聚类,得到候选到达点及所述候选到达点的空间属性特征;将所述候选到达点的空间属性特征作为预先训练的机器学习模型的输入,由所述机器学习模型基于所述所述候选到达点的空间属性特征对所述候选到达点进行打分排序;基于所述候选到达点的打分排序结果,确定所述目的地的到达点。
根据本申请实施例的第二方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上述第一方面所述的到达点的获取方法。
根据本申请实施例的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例的第一方面所述的到达点的获取方法。
本申请实施例提供的到达点的获取方案,由于导航会话是用户使用导航软件时生成的,使得本实施例提供的方案中使用的数据源的获取较为方便,无需专门采集,且针对热点较高(到达的用户数量较多)的目的地,可以获取到较多的导航会话,从而通过本方案获得准确性较高的到达点。之后根据导航会话确定导航路线规划的目的地及定位点序列,可以使得获得的定位点序列对目的地附近的区域覆盖的较为广泛,且导航会话中包括驾车导航结束后的会话数据,驾车导航结束后的会话数据中可以包括用户从停车位置步行前往兴趣点的定位点,因此,通过导航会话获得定位点,可以尽量排除用户在非到达点停车的情况带来的干扰,使得获得的定位点与实际到达点更接近。另外,本实施例中,根据路网信息对多个定位点进行空间聚类,而不是直接根据定位点之间的距离对多个定位点进行空间聚类,更符合实际的道路场景,因此可以提高获得的候选到达点的空间属性特征的准确性。再通过神经网络模型根据候选到达点的空间属性特征对候选到达点进行打分排序,可以筛选较优的候选到达点,以进一步提高所生成的到达点的准确性。
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,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请实施例的到达点的获取方法的一种流程图;
图2为图1所示实施例中的一种场景示例的示意图;
图3为本申请实施例的到达点的获取方法的又一种流程图;
图4a为本申请实施例的确定候选到达点的位置得分的一种流程图;
图4b为本申请实施例的模型训练方法的一种流程图;
图5为本申请实施例中电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅配置为解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请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申请。
在驾车路径规划中,到达点的位置坐标至关重要,它直接决定用户能否在导航结束时合理地可见可达其目的地。本申请实施例中,目的地可以为电子地图中的兴趣点(Point of Interest,POI)、道路等任何用户可以到达的地理位置点。
相关技术中,可以通过采集图像的方式计算到达点的位置坐标。具体的,可以利用采集图像的拍摄位置、拍摄角度以及对拍摄内容(例如作为目的地的兴趣点POI的挂牌)的理解,再结合基础的路网结构、楼块等信息,计算目的地对应的到达点的位置。但是图像采集的成本较高,且更新频率有限,无法通过该方式大量生成到达点。
由于导航应用中的用户驾车行为是源源不断的,因此,也可以基于驾车导航轨迹确定目的地对应的到达点的位置坐标。具体的,用户使用导航时会形成高频的GPS(GlobalPositioning System,全球定位系统)轨迹记录,可以利用用户导航轨迹的终点生成目的地对应的到达点。然而,用户自驾时可能会将车辆停在方便停车的地方(例如停车场或者路边有位置的停车位等),而非直接“可见可达”目的地位置(例如POI门前),故利用用户导航轨迹的终点位置生成目的地对应的到达点的准确率较低。
同样地,在利用用户打车轨迹中的结束计费点来生成目的地对应的到达点时,考虑到一些场景下的驶入驶离成本,司机有可能会在方便乘客下车且步行前往成本较低的位置结束打车服务,因此,利用导航轨迹的终点位置生成目的地对应的到达点的准确率也较低。
为了解决上述问题,本申请实施例提供了一种到达点的获取方法、电子设备及计算机可读存储介质,可以尽量解决生成到达点准确性较低的技术问题。
参见图1,示出了本申请实施例的到达点的获取方法的一种流程图,可以包括以下步骤:
步骤S110,获取与导航路线规划相关的会话数据。
本申请实施例中,用户在启动导航应用后,可以执行搜索、点击、导航路线规划、导航等操作,在此过程中,导航应用可以生成导航会话。
导航会话内可以记录有用户每一次操作对应的数据(例如定位点的位置坐标、用户的操作类型等)。通常情况下,一个导航会话中可以包括用户在预设时间长度内的搜索、点击、导航路线规划等操作。导航应用在冷启动时可以开启一导航会话,即后台没有该导航应用的进程时启动该导航应用,可以开始一个新的导航会话。或者,若用户持续一段时间并未操作导航应用或者用户退出导航应用等,则可以结束当前的导航会话;结束掉导航会话后,若接收到用户新的操作,则可以再次开启一条新的导航会话。即后台已有该导航应用的进程,在用户切换至其他应用预设时长(例如可以是半小时、1小时等)之后可以结束导航会话,用户再切回至导航应用时,也可以开始一个新的导航会话。
需要说明的是,在用户使用导航应用的过程中,可能会出现用户切换导航规划路径、切换出行方式或者切换目的地等操作,因此一导航会话中可能包括一个或多个导航路线规划内容。
另外,导航会话与导航轨迹是不相同的,导航轨迹仅仅包含驾车导航过程中从导航起始点到导航终止点的轨迹数据,而导航会话除了包含从导航起始点到导航终止点的轨迹数据之外,还可以包含用户操作的类型、起始定位点、用户搜索的POI等;导航会话中还可以包括驾车导航结束后用户继续在导航应用中执行的其他导航操作(例如步行或者骑行等)对应的导航数据。因此,导航会话可以在一定程度上“捕捉”驾车导航结束(可能在错误的到达点位置)后的用户移动过程(例如,用户从停车位置步行前往POI入口的过程),从而发掘更准确的到达点。
步骤S120,基于所述会话数据,确定与所述导航路线规划对应的目的地及定位点序列。
本申请实施例中,会话数据中可能存在多个导航路线规划,则可以确定多个导航路线规划中最后一次导航路线规划的目的地,或者,可以确定会话数据中任意的导航路线规划的目的地。
导航路线规划对应的定位点序列,可以为按照导航路线规划前行时的定位点组成的序列;或者,可以为导航路线规划中的位置点组成的定位点序列。
步骤S130,从所述定位点序列中,提取能够表征到达所述目的地的到达特征定位点。
本实施例中,可以根据定位点在定位点序列中的位置,或者,定位点与目的地之间的空间位置关系,从定位点序列中确定出用户到达“可见可达”目的地位置可能的定位点,即能够表征到达目的地的到达特征定位点。
示例地,可以从所述定位点序列中,提取以下定位点中的至少一种,作为到达特征定位点:所述定位点序列的末端定位点、所述定位点序列中距离目的地最近的定位点、所述定位点序列中距离所述目的地对应的道路投影点在第二预设距离范围内的定位点、所述定位点序列中距离所述目的地最近的道路节点在第三预设距离范围内的定位点。
所述定位点序列的末端定位点,是指定位点序列中的最后一个定位点;所述定位点序列中距离目的地最近的定位点,可以为定位点序列中与目的地之间的物理距离最小的定位点。
上述第二预设距离和第三预设距离,可以由本领域的技术人员根据需求设置,本实施例不再赘述。
步骤S140,根据路网信息对所述到达特征定位点进行空间聚类,得到候选到达点及所述候选到达点的空间属性特征。
如果直接对多个定位点进行空间聚类,容易导致聚类中心最终出现在一些灰色地带的问题。为了避免该问题,本申请可以根据路网信息对多个定位点进行空间聚类,例如,可以将多个定位点按路段进行隔离,然后每个路段内部分别进行空间聚类,根据聚类结果确定候选到达点。
通过基于路网信息对到达特征点进行空间聚类,可以基于聚类结果确定候选到达点,可以极大地减少确定出的候选到达点的数量,减小后续步骤的计算量。
候选到达点的空间属性特征可以用于表达候选特征点的空间特征,具体可以位候选到达点与道路、目的地等的空间位置关系等。
候选到达点的空间属性特征可以是一维的属性信息,也可以是多维的属性信息,即可以从一个维度或多个不同维度来表示候选到达点的空间属性。在空间属性特征为多维时,可以提高候选到达点筛选的准确性。候选到达点的空间属性特征可以包括根据上述空间聚类得到的聚簇特征、场景特征(例如场景类别)、环境特征(例如路网构成、楼块、AOI、卫星影像等)、导航轨迹等。
步骤S150,将所述候选到达点的空间属性特征作为预先训练的机器学习模型的输入,由所述机器学习模型基于所述所述候选到达点的空间属性特征对所述候选到达点进行打分排序。
本申请实施例中,机器学习模型是根据训练数据预先训练完成的模型,用于根据候选到达点的空间属性特征,对候选到达点进行打分排序。机器学习模型可以是基于神经网络的机器学习模型,也可以是树结构的机器学习模型等,本申请对此不做限定。
机器学习模型可以根据候选到达点对应的空间属性特征,得到候选到达点对应的评分值,该评分值可以表示候选到达点与实际到达点的接近程度,评分值越高,表示候选到达点与实际到达点越接近。获得多个候选到达点的评分值之后,可以根据评分值对多个候选到达点进行打分排序。
需要说明的是,机器学习模型可以是排序模型,也可以不是排序模型,本申请对机器学习模型的模型结构不做限定,下文将对机器学习模型的训练过程进行详细介绍。
步骤S160,基于所述候选到达点的打分排序结果,确定所述目的地的到达点。
本实施例中,可以确定打分排序结果中位于前列的候选到达点为目的地的到达点。
本申请实施例提供的到达点的获取方法,由于导航会话是用户使用导航软件时生成的,使得本实施例提供的方案中使用的数据源的获取较为方便,无需专门采集,且针对热点较高(到达的用户数量较多)的目的地,可以获取到较多的导航会话,从而通过本方案获得准确性较高的到达点。之后根据导航会话确定导航路线规划的目的地及定位点序列,可以使得获得的定位点序列对目的地附近的区域覆盖的较为广泛,且导航会话中包括驾车导航结束后的会话数据,驾车导航结束后的会话数据中可以包括用户从停车位置步行前往兴趣点的定位点,因此,通过导航会话获得定位点,可以尽量排除用户在非到达点停车的情况带来的干扰,使得获得的定位点与实际到达点更接近。另外,本实施例中,根据路网信息对多个定位点进行空间聚类,而不是直接根据定位点之间的距离对多个定位点进行空间聚类,更符合实际的道路场景,因此可以提高获得的候选到达点的空间属性特征的准确性。再通过神经网络模型根据候选到达点的空间属性特征对候选到达点进行打分排序,可以筛选较优的候选到达点,以进一步提高所生成的到达点的准确性。
以下,以一个具体场景示例,对上述过程进行示例性说明,如图2所示。
用户驾车需要使用导航时,可以启动导航应用,并在导航应用中搜索计划前往的目标POI(即目的地),导航应用可以提供多个线路供用户选择,用户选择任意一个路线之后,根据该路线行驶。在用户对导航应用的操作过程中,可以生成对应的导航会话,导航会话中可以包含用户操作的类型、起始定位点、用户搜索的POI等。
在驾车导航过程中以及驾车导航结束后,如果用户在导航应用中执行操作,即可生成对应的导航会话。驾车导航结束后的导航会话指的是用户从停车位置步行前往兴趣点的导航会话,其中包含的定位点与目标POI对应的到达点更接近。因此,为了提高生成到达点的准确性,可以通过获取驾车导航过程中的导航会话,以及驾车导航结束后的导航会话点来挖掘到达点。
获取导航会话之后,可以对导航会话进行数据提取,得到定位点序列,并从定位点序列中提取出能够表征到达目标POI的到达特征定位点。例如,可以将用户进行线路规划时的POI作为目标POI,在用户进行多次规划时,可以将最后一次规划的POI作为目标POI。并且,可以根据用户的导航路线规划中的多个定位点作为定位点序列,提取距离目标POI距离较近的定位点作为到达特征定位点。
之后,可以根据路网信息对多个到达特征定位点进行空间聚类,例如,可以按路段进行空间聚类,得到聚类中心,并根据聚类中心确定候选到达点。进一步地,还可以确定候选到达点的空间属性特征,将空间属性特征输入机器学习模型,从而通过机器学习模型对候选到达点进行打分排序,并根据打分排序的结果确定目标POI的到达点。
可见,本申请实施例的到达点的获取方法中,由于导航会话是用户使用导航应用时天然形成的,每日可获取到增量的导航会话,根据新增的导航会话生成其他兴趣点对应的到达点。另外,可以在一定程度上捕捉到用户从停车位置前往目标POI的入口的过程,利用这部分信息进行挖掘可以减少用户在非标准位置停车带来的干扰,从而可以发掘相对更准确的到达点。
参见图3,示出了本申请实施例的到达点的获取方法的又一种流程图,可以包括以下步骤:
步骤S310,获取与导航路线规划相关的会话数据,会话数据包括至少一条会话对应的数据。
需要说明的是,本步骤的处理过程具体可参见图1实施例步骤S110中的相关描述,在此不再赘述。
步骤S320,针对每条会话对应的数据,获取每条会话对应的导航路线规划的目的地。
可选地,本实施例中,若用户进行了多次导航路线规则,则每条会话中包含至少一次导航路线规划的数据;所述获取每条会话对应的导航路线规划的目的地,包括:获取每条会话中包含的至少一次导航路线规划中的最后一次导航路线规划的数据;将所述最后一次导航路线规划的数据中的目的地确定为每条会话对应的目的地。
示例地,一个导航会话中可以包括用户在预设时间长度内的多次搜索、多次点击、多次导航路线规划等操作,则可以将最后一次导航路线规划的数据中的目的地确定为该条导航会话的目的地。
步骤S330,将每条会话对应的定位点按照导航规划操作的操作序号排序,形成候选定位点序列。
本申请实施例中,在用户操作导航应用时可以记录定位点,在用户不操作导航应用时,可以不记录定位点。在网络状况较好时可以记录定位点,在网络状况较差时,可能无法记录定位点。
本实施例中,可以通过记录定位点,得到每条会话对应的多个定位点,并可以按照导航规划操作的操作序号对定位点进行排序,从而得到候选定位点序列。若某一操作序号对应有多个定位点,可以进一步按照采集时间对定位点进行排序。
步骤S340,对所述候选定位点序列进行过滤,基于过滤后的候选定位点序列确定与所述导航路线规划对应的定位点序列。
本实施例中,得到的候选定位点序列中,可能存在位置重复的定位点、肯定不能作为到达点的定位点等。为了减小后续步骤的计算量,本步骤中将定位点序列进行过滤。
可选地,本申请实施例中,对所述候选定位点序列进行过滤,包括:针对所述候选定位点序列中重复出现的候选定位点进行去重处理;若所述目的地为兴趣区域,则从所述定位点序列中滤除位于所述兴趣区域内的定位点。
目的地为兴趣区域,则兴趣区域内部的定位点,表征用户已经进入兴趣区域内,因此,兴趣区域内部的定位点不可能作为目的地的到达点,将其从定位点序列中删除。
可选地,本实施例中,所述基于过滤后的候选定位点序列确定与所述导航路线规划对应的定位点序列,包括:从过滤后的候选定位点序列中,筛选与所述目的地的距离在第一预设距离范围内的候选定位点,并根据筛选出的候选定位点在原候选定位点序列中的序列位置,获得筛选后的候选定位点序列;根据筛选后的候选定位点序列,确定与所述导航路线规划对应的定位点序列。
本实施例中,由于用户到达目的地之前以及到达目的地之后,用户都可能操作导航应用,而导航会话中也没有信息表明用户在哪个定位点真实地到达了目的地。因此,通过筛选与目的地距离在第一预设距离范围内的候选定位点,得到定位点序列,一方面,可以减少数据处理量,另一方面,还可以提高到达点确定的准确性。
具体地,可以从候选定位点序列汇总,筛选与目的地的距离在第一预设范围内的候选定位点,并按照筛选出的候选定位点在候选定位点序列中的先后的序列位置,将筛选后的候选定位点组成导航路线规划对应的定位点序列。
步骤S350,从所述定位点序列中,提取能够表征到达所述目的地的到达特征定位点。
可选地,本实施例中,所述从所述定位点序列中,提取能够表征到达所述目的地的到达特征定位点,包括:从所述定位点序列中,提取以下定位点中的至少一种:所述定位点序列的末端定位点、所述定位点序列中距离目的地最近的定位点、所述定位点序列中距离所述目的地对应的道路投影点在第二预设距离范围内的定位点、所述定位点序列中距离所述目的地最近的道路节点在第三预设距离范围内的定位点。
在一种可选的实施方式中,由于定位点与目的地距离越近,该定位点越有可能为到达点,可以提取定位点序列中距离目的地最近的定位点作为到达特征定位点。
并且,在大多数情况下,用户在到达POI之后,可能不再操作导航应用,则还可以提取定位点序列的末端定位点作为到达特征定位点。
另外,还可以根据目的地和路网信息确定可能到达位置,提取定位点序列中距离所述目的地对应的道路投影点在第二预设距离范围内的定位点作为到达特征定位点,或者,提取所述定位点序列中距离所述目的地最近的道路节点在第三预设距离范围内的定位点作为到达特征定位点。
其中,可能到达位置是根据路网信息和目的地预测得到的位置,即目的地对应的道路投影点或者距离所述目的地最近的道路节点。也就是,可以将与目的地距离较近(例如,小于50米、100米等)的道路节点作为可能到达位置,和/或,将目的地对应的道路投影点作为可能到达位置。定位点与可能到达位置的距离越近,该定位点与目的地可能越相关,因此,可以提取定位点序列中距离所述目的地对应的道路投影点在第二预设距离范围内(例如,可以是30米、50米等)的定位点作为到达特征定位点,或者,提取所述定位点序列中距离所述目的地最近的道路节点在第三预设距离范围内(例如,可以是30米、50米等)的定位点作为到达特征定位点。本实施例中,第二预设距离范围和第三预设距离范围可能相同,也可能不同,本实施例对此不进行限定。
在又一种可选的实施方式中,也可以直接获取定位点序列中与目的地的距离小于距离阈值(例如,可以是100米、或200米等)的多个定位点作为到达特征定位点。在特殊情况下,如果按照该方法所获取的定位点的数量较少,例如,导航会话中与目的地的距离小于距离阈值的定位点的数量只有1个、2个或3个时,也可以结束流程,不再根据该导航会话生成对应的到达点,可以根据其他导航会话生成该目的地对应的到达点。这样,可以避免生成的到达点准确性较低的问题。
步骤S360,根据路网信息对所述到达特征定位点进行空间聚类,得到候选到达点及所述候选到达点的空间属性特征。
本申请实施例中,可以将到达特征定位点按路段进行空间聚类,也就是,可以将到达特征定位点按路段隔离,之后,再对每个路段内的到达特征定位点进行空间聚类,从而在每个路段内都形成一个或多个簇,每个簇中包含的到达特征定位点的数量表示簇大小,且可以得到每个簇的聚类中心。则,可以根据聚类中心确定候选到达点,并根据候选到达点的位置信息等确定候选到达点的空间属性特征。
可选地,本申请实施例中,步骤S360可以包括:根据路网信息,将到达特征定位点按照路段进行划分;针对划分后获得的每个路段对应的到达特征定位点,以路段为单位进行到达特征定位点的空间聚类,得到聚类中心;将聚类中心在其对应的路段上的投影点,确定该路段对应的候选到达点,并获得候选到达点的空间属性特征。具体的,由于驾车导航的终点位置坐标通常是在路段上,因此,可以将聚类中心向对应的路段做投影,得到对应的投影点,将投影点作为候选到达点。本申请实施例中,在聚类之后得到的簇的数量为一个时,可以得到一个聚类中心,在簇的数量为多个时,可以得到多个聚类中心。相应地,候选到达点的数量也可以是一个或多个。
本申请一种实现方式中,所述将所述到达特征定位点按照路段进行划分,包括:若所述到达特征定位点为所述定位点序列的末端定位点,或者为所述定位点序列中距离目的地最近的定位点,则将所述到达特征定位点划分至与所述到达特征定位点的距离在第四预设距离范围内的路段。
例如,若到达特征定位点为定位点序列的末端定位点,则表示该到达特征定位点为导航会话中最后一次记录的用户位置,极有可能是用户看到目的地的位置;或者,若定位点序列中距离目的地最近的定位点,也有可能是用户看到目的地的位置。因此,可以将其划分至与所述到达特征定位点的距离在第四预设距离范围内的路段。
本申请又一种实现方式中,所述将所述到达特征定位点按照路段进行划分,可以包括:若所述到达特征定位点为所述定位点序列中距离所述目的地对应的道路投影点在第二预设距离范围内的定位点,则将所述到达特征定位点划分至所述道路投影点所在的路段。
示例地,可以将目的地对应的道路投影点作为目的地先验的到达位置,则若所述到达特征定位点为所述定位点序列中距离所述目的地对应的道路投影点在第二预设距离范围内的定位点,则将所述到达特征定位点划分至所述道路投影点所在的路段。示例地,可以将目的地对应的道路投影点距离30米内的到达特征定位点,划分至目的地对应的道路投影点所在的路段。
本申请再一种实现方式中,所述将所述到达特征定位点按照路段进行划分,还包括:若所述到达特征定位点为所述定位点序列中距离所述目的地最近的道路节点在第三预设距离范围内的定位点,则将所述到达特征定位点划分至所述道路节点所在的路段。示例地,可以将道路节点对应的道路投影点距离30米内的到达特征定位点,划分至目的地对应的道路投影点所在的路段。
本申请实施例中,在得到候选到达点之后,可以获取候选到达点的空间属性特征并进行综合分析,来筛选出目标候选到达点。
可选地,本申请实施例中,所述候选到达点的空间属性特征包括以下至少之一:用于表征所述候选到达点所属路段对应的所有候选到达点形成的聚类簇的聚簇特征、用于表征所述候选到达点对应的导航路线规则的场景信息的场景特征、用于表征所述候选到达点所在空间范围的环境信息的环境特征、用于表征所述候选到达点的导航行为的导航行为特征、用于表征所述候选到达点所在道路的属性信息与所述目的地对应的属性信息的相似度的文本特征、用于表征所述候选到达点与所述目的地的空间关系的采集特征。
本实施例中,用于表征所述候选到达点所在道路的属性信息与所述目的地对应的属性信息的相似度的文本特征,包括:候选到达点所在道路与目的地的名称的相似度。候选到达点所在道路与目的地的名称的相似度可以根据最长公共字符串的长度确定。
用于表征所述候选到达点与所述目的地的空间关系的采集特征包括:候选到达点对应的簇与目的地的空间关系、候选到达点与导航会话中导航轨迹的空间关系、候选到达点与目的地的空间关系。
用于表征所述候选到达点对应的导航路线规则的场景信息的场景特征可以是场景类别,例如商场、医院等等。
用于表征所述候选到达点所在空间范围的环境信息的环境特征可以是楼块、AOI、卫星影像等。用于表征所述候选到达点所在空间范围的环境信息的环境特征还可以包括候选到达点所在路段的属性信息,例如:道路等级(例如,高速公路、国道、城市快速路、城市普通道路、小路等)、道路构成(例如,上下线分离、引路、右转专用、普通道路)、道路所有(例如,公共道路、内部道路、停车场道路)、通行状态(例如,车行道路、人行道路、人车均可通行道路)等。不同兴趣点,其面向不同属性道路的概率不同,例如,由于公共道路上人流量大,因此,底商面向一个公共道路的概率要高于内部道路。因此,也可以将候选到达点所在路段的属性信息作为评价候选到达点的一个因素。
可选地,本申请实施例中,空间属性特征还可以包括候选到达点的位置得分,位置得分用于表征基于空间位置确定的该候选到达点是目标候选到达点的分数。在候选到达点的空间属性特征包含候选到达点的位置得分时,可以通过图4a所示的方式确定候选到达点的位置得分,包括以下步骤:
步骤S402,对导航会话中的导航轨迹和/或目的地预设空间范围内的环境特征进行栅格化,得到多个网格对应的特征;其中,网格的大小根据目的地的空间大小确定。
本申请实施例中,可以以目的地为中心划分等距网格,基于栅格化数据构建特征,从而实现用户行为与空间数据的统一表达。具体的,可以对导航轨迹进行栅格化,得到栅格化的导航轨迹特征,和/或,对目的地预设空间范围内的环境特征进行栅格化,得到栅格化的环境特征。其中,环境特征可以包括:道路(包括公共道路和内部道路)、楼块、AOI、卫星影像等,可以将道路、楼块、AOI、卫星影像等分别进行栅格化,得到对应的栅格化特征。栅格化的特征具体可以是多个网络分别对应的特征。
步骤S404,将多个网格对应的特征输入预先训练完成的第二模型,得到多个网格的得分。
本申请实施例中,可以通过第二模型对每个网格对应的特征进行分析,来对网格进行评分,得到网格的得分,第二模型可以是卷积神经网络模型,也可以是其他结构的模型等等,在此不做限定。
由于目的地有大小之分,以目的地为中心划分等距网格时,难以确定多大范围的感受视野可以刻画目的地周围的环境信息。针对该问题,可以通过设置多个比例尺(例如网格边长分别为1米、2米、4米、6米、8米、16米),使得第二模型视野更加全面,同时兼顾精度与广度。
例如,如果以目的地为中心划分51*51的网格,若网格边长为1米(精度较高),则可以将目的地周围近似50米*50米(广度较低)的环境特征输入给第二模型;若网格边长为16米(精度较低),则可以将目的地周围近似800米*800米(广度较高)的环境特征输入给第二模型。
然而,如果以多尺度进行网格划分,将导致输入至第二模型的特征的维度大量上涨,在此可以引入Channel-Wise Attention机制,channel-wise attention可以根据需要选择语义相关的特征,即可以从多维特征中选取更重要的特征。另外,还可以引入Pixel-Wise Attention机制,选取对挖掘到达更有效的位置。
第二模型的输出可以是以目的地为中心所划分网格的每个网格的得分。网格的得分越高,表示该网格中的位置越有可能是目的地的到达点的位置。需要说明的是,第二模型的输入为各个网格的特征,输出为各个网格的得分,对于第二模型的具体训练过程,在此不再详述。
步骤S406,将候选到达点所占用的网格的得分作为候选到达点的位置得分。
本申请实施例中,如果候选到达点位于某个网格内,那么,可以将该网格的得分作为该候选到达点的位置得分。
步骤S370,将所述候选到达点的空间属性特征作为预先训练的机器学习模型的输入,由所述机器学习模型基于所述所述候选到达点的空间属性特征对所述候选到达点进行打分排序,基于所述候选到达点的打分排序结果,确定所述目的地的到达点。
本申请实施例中,机器学习模型可以为排序模型,例如,可以是LambdaMART模型等。此时,可以将一个或多个候选到达点的空间属性特征同时输入排序模型,通过排序模型对一个或多个候选到达点的空间属性特征进行打分,得到针对候选到达点的打分值的排序结果;基于打分排序结果,确定目标候选到达点。
可选地,本实施例中,可以根据所述排序模型输出的候选到达点的打分排序结果,将排序最高的候选到达点确定为所述目的地的到达点。具体的,可以选取评分值最高,也就是排名靠前的候选到达点作为目标候选到达点。
除此之外,机器学习模型也可以是卷积神经网络模型等,通过机器学习模型对单个候选到达点的空间属性特征进行处理,得到单个候选到达点对应的评分值;将最大评分值对应的候选到达点确定为目标候选到达点。
步骤S380,判断所述到达点是否满足预设修正条件,若满足,则对所述到达点进行修正处理。
本申请还可以根据预设修正条件对候选到达点进行过滤,也就是在目标候选到达点不满足预设修正条件时,可以将目标候选到达点作为目的地对应的到达点,而在目标候选到达点满足预设修正条件时,可以过滤掉目标候选到达点,避免所生成的到达点的准确性较低。可以重新根据其他导航会话确定该目的地对应的到达点。
所述预设修正条件包括以下至少之一:所述到达点的评分低于预设评分阈值、所述到达点所属的聚类簇的大小小于预设大小阈值、所述到达点与其所属道路不在同一侧。
针对所述到达点的评分低于预设评分阈值。例如,如果目标候选到达点对应的评分值小于或等于评分阈值,表示多个候选到达点的评分值均比较低,均不满足要求,可以将目标候选到达点过滤掉。
针对到达点所属的聚类簇的大小小于预设大小阈值,其中,聚类簇的大小表示目标候选到达点对应的聚类簇中包含的候选到达点的数量。具体而言,如果目标候选到达点对应的聚类簇的大小较小,例如聚类簇的大小为1或2等,表示目标候选到达点是通过一个定位点或者2个点位点确定的,相比于根据多个(例如5个、6个等)定位点确定的候选到达点,准确性较低,因此,也可以将目标候选到达点过滤掉。
以下对本申请实施例中机器学习模型的训练方法进行介绍。
参见图4b,示出了本申请实施例的机器学习模型的训练方法的一种流程图,若机器学习模型为排序模型,则模型的训练方法包括以下步骤:
步骤S410,获取训练样本。
所述训练样本包括:多个具有人工标注到达点的样本兴趣点、每个样本兴趣点分别对应的多个样本候选到达点的空间属性特征、每个样本兴趣点分别对应的多个样本候选到达点对应的评分值的排序结果。
本申请实施例中,样本兴趣点具有人工标注的到达点指的是已经预先通过人工标注确定该样本兴趣点对应到达点。通常情况下,样本候选到达点是与样本兴趣点对应的到达点相关的兴趣点,在此,可以选取与样本兴趣点对应的到达点距离较近的到达点,作为该样本兴趣点对应的样本候选到达点。
可选地,申请实施例中,获取训练样本,包括:
步骤S4101,获取多个具有人工标注到达点的样本兴趣点,以及每个样本兴趣点分别对应的多个样本候选到达点。
步骤S4102,针对每个样本兴趣点,根据该样本兴趣点对应的到达点的信息,以及该样本兴趣点对应的每个样本候选到达点的信息,确定每个样本候选到达点的评分值。
步骤S4103,针对每个样本兴趣点,将该样本兴趣点对应的多个样本候选到达点的空间属性特征作为输入,以及将多个样本候选到达点的评分值的排序结果作为标签,构建一组训练样本。
与前述模型应用过程相对应,可以将样本候选到达点的评分值作为训练数据的标签。样本候选到达点的评分值可以根据样本候选到达点的信息与样本兴趣点实际的到达点的信息确定。例如,可以根据样本候选到达点与实际的到达点之间的距离,以及两者各自所属路段之间的关系(例如,是否属于同一路段、属于不同路段时两者是否相连、两个路段相连时两个路段形成的角度等),为样本候选到达点计算评分值。
步骤S420,使用所述训练样本,对所述排序模型进行训练。
通过上述过程,训练生成的机器学习模型为排序模型。当然,也可以将单个样本候选到达点的空间属性特征作为输入,单个样本候选到达点的评分值作为标签构建训练数据,此时,训练生成的机器学习模型将不是排序模型。
本实施例提供的方案,通过神经网络模型对候选到达点的空间属性信息进行分析处理,可以筛选较优的目标候选到达点。并且,在目标候选到达点不满足预设条件的情况下,可以过滤掉目标候选到达点,而在目标候选到达点满足预设条件的情况下,还可以根据实际情况对目标候选到达点进行修正,以进一步提高所生成的到达点的准确性。
本实施例提供的方法可以由任意适当的具有数据处理能力的设备执行,包括但不限于:终端、移动终端、PC机、服务器、车载设备、娱乐设备、广告设备、个人数码助理(PDA)、平板电脑、笔记本电脑、掌上游戏机、眼镜、手表、可穿戴设备、虚拟显示设备或显示增强设备等。
本申请实施例中,还提供了一种电子设备,参见图5,图5为本申请实施例中电子设备的结构示意图,可以包括:
处理器502、通信接口504、存储器506、以及通信总线508。
其中,处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它电子设备或服务器进行通信。
处理器502,用于执行程序510,具体可以执行上述到达点的获取方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是处理器CPU,或者是特定集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。智能设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可以是但不限于,随机存取存储介质(Random Access Memory,简称RAM),只读存储介质(Read Only Memory,简称ROM),可编程只读存储介质(Programmable Read-Only Memory,简称PROM),可擦除只读存储介质(Erasable Programmable Read-Only Memory,简称EPROM),电可擦除只读存储介质(Electric Erasable Programmable Read-Only Memory,简称EEPROM)等。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含配置为执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储介质、只读存储介质、可擦式可编程只读存储介质(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储介质(CD-ROM)、光存储介质件、磁存储介质件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输配置为由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、射频RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写配置为执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络:包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个配置为实现规定的逻辑功能的可执行指令。上述具体实施例中有特定先后关系,但这些先后关系只是示例性的,在具体实现的时候,这些步骤可能会更少、更多或执行顺序有调整。即在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括导航会话获取模块、兴趣点及定位点确定模块、空间属性特征确定模块、目标候选到达点确定模块和兴趣点到达点确定模块。
作为另一方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例所描述的到达点的获取方法。其中,该计算机可读存储介质可以是上述实施例中描述的装置中所包含的,也可以是单独存在,本申请对此不作限定。
在本申请的各种实施方式中所使用的表述“第一”、“第二”、“所述第一”或“所述第二”可修饰各种部件而与顺序和/或重要性无关,但是这些表述不限制相应部件。以上表述仅配置为将元件与其它元件区分开的目的。例如,第一用户设备和第二用户设备表示不同的用户设备,虽然两者均是用户设备。例如,在不背离本申请的范围的前提下,第一元件可称作第二元件,类似地,第二元件可称作第一元件。
当一个元件(例如,第一元件)称为与另一元件(例如,第二元件)“(可操作地或可通信地)联接”或“(可操作地或可通信地)联接至”另一元件(例如,第二元件)或“连接至”另一元件(例如,第二元件)时,应理解为该一个元件直接连接至该另一元件或者该一个元件经由又一个元件(例如,第三元件)间接连接至该另一个元件。相反,可理解,当元件(例如,第一元件)称为“直接连接”或“直接联接”至另一元件(第二元件)时,则没有元件(例如,第三元件)插入在这两者之间。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (15)
1.一种到达点的获取方法,包括:
获取与导航路线规划相关的会话数据;
基于所述会话数据,确定与所述导航路线规划对应的目的地及定位点序列;
从所述定位点序列中,提取能够表征到达所述目的地的到达特征定位点;
根据路网信息对所述到达特征定位点进行空间聚类,得到候选到达点及所述候选到达点的空间属性特征;
将所述候选到达点的空间属性特征作为预先训练的机器学习模型的输入,由所述机器学习模型基于所述所述候选到达点的空间属性特征对所述候选到达点进行打分排序;
基于所述候选到达点的打分排序结果,确定所述目的地的到达点。
2.根据权利要求1所述的方法,其中,所述会话数据包括至少一条会话对应的数据;
所述基于所述会话数据,确定与所述导航路线规划对应的目的地及定位点序列,包括:
针对每条会话对应的数据,获取每条会话对应的导航路线规划的目的地;
将每条会话对应的定位点按照导航规划操作的操作序号排序,形成候选定位点序列;
对所述候选定位点序列进行过滤,基于过滤后的候选定位点序列确定与所述导航路线规划对应的定位点序列。
3.根据权利要求2所述的方法,其中,每条会话中包含至少一次导航路线规划的数据;
所述获取每条会话对应的导航路线规划的目的地,包括:
获取每条会话中包含的至少一次导航路线规划中的最后一次导航路线规划的数据;
将所述最后一次导航路线规划的数据中的目的地确定为每条会话对应的目的地。
4.根据权利要求2或3所述的方法,其中,所述基于过滤后的候选定位点序列确定与所述导航路线规划对应的定位点序列,包括:
从过滤后的候选定位点序列中,筛选与所述目的地的距离在第一预设距离范围内的候选定位点,并根据筛选出的候选定位点在原候选定位点序列中的序列位置,获得筛选后的候选定位点序列;
根据筛选后的候选定位点序列,确定与所述导航路线规划对应的定位点序列。
5.根据权利要求2或3所述的方法,其中,对所述候选定位点序列进行过滤,包括:
针对所述候选定位点序列中重复出现的候选定位点进行去重处理;
若所述目的地为兴趣区域,则从所述定位点序列中滤除位于所述兴趣区域内的定位点。
6.根据权利要求1所述的方法,其中,所述从所述定位点序列中,提取能够表征到达所述目的地的到达特征定位点,包括:
从所述定位点序列中,提取以下定位点中的至少一种:所述定位点序列的末端定位点、所述定位点序列中距离目的地最近的定位点、所述定位点序列中距离所述目的地对应的道路投影点在第二预设距离范围内的定位点、所述定位点序列中距离所述目的地最近的道路节点在第三预设距离范围内的定位点。
7.根据权利要求6所述的方法,其中,所述根据路网信息对所述到达特征定位点进行空间聚类,得到候选到达点及所述候选到达点的空间属性特征,包括:
根据路网信息,将所述到达特征定位点按照路段进行划分;
针对划分后获得的每个路段对应的到达特征定位点,以路段为单位进行到达特征定位点的空间聚类,得到聚类中心;
将所述聚类中心在其对应的路段上的投影点,确定该路段对应的候选到达点,并获得所述候选到达点的空间属性特征。
8.根据权利要求7所述的方法,其中,所述将所述到达特征定位点按照路段进行划分,包括:
若所述到达特征定位点为所述定位点序列的末端定位点,或者为所述定位点序列中距离目的地最近的定位点,则将所述到达特征定位点划分至与所述到达特征定位点的距离在第四预设距离范围内的路段;
若所述到达特征定位点为所述定位点序列中距离所述目的地对应的道路投影点在第二预设距离范围内的定位点,则将所述到达特征定位点划分至所述道路投影点所在的路段;
若所述到达特征定位点为所述定位点序列中距离所述目的地最近的道路节点在第三预设距离范围内的定位点,则将所述到达特征定位点划分至所述道路节点所在的路段。
9.根据权利要求7所述的方法,其中,所述候选到达点的空间属性特征包括以下至少之一:用于表征所述候选到达点所属路段对应的所有候选到达点形成的聚类簇的聚簇特征、用于表征所述候选到达点对应的导航路线规则的场景信息的场景特征、用于表征所述候选到达点所在空间范围的环境信息的环境特征、用于表征所述候选到达点的导航行为的导航行为特征、用于表征所述候选到达点所在道路的属性信息与所述目的地对应的属性信息的相似度的文本特征、用于表征所述候选到达点与所述目的地的空间关系的采集特征。
10.根据权利要求1所述的方法,其中,所述机器学习模型为排序模型;
所述方法还包括:
获取训练样本,所述训练样本包括:多个具有人工标注到达点的样本兴趣点、每个样本兴趣点分别对应的多个样本候选到达点的空间属性特征、每个样本兴趣点分别对应的多个样本候选到达点对应的评分值的排序结果;
使用所述训练样本,对所述排序模型进行训练。
11.根据权利要求10所述的方法,其中,所述获取训练样本,包括:
获取多个具有人工标注到达点的样本兴趣点,以及每个样本兴趣点分别对应的多个样本候选到达点;
针对每个样本兴趣点,根据该样本兴趣点对应的到达点的信息,以及该样本兴趣点对应的每个样本候选到达点的信息,确定每个样本候选到达点的评分值;
针对每个样本兴趣点,将该样本兴趣点对应的多个样本候选到达点的空间属性特征作为输入,以及将多个样本候选到达点的评分值的排序结果作为标签,构建一组训练样本。
12.根据权利要求10或11所述的方法,其中,所述基于所述候选到达点的打分排序结果,确定所述目的地的到达点,包括:
根据所述排序模型输出的候选到达点的打分排序结果,将排序最高的候选到达点确定为所述目的地的到达点。
13.根据权利要求12所述的方法,其中,所述方法还包括:
判断所述到达点是否满足预设修正条件,若满足,则对所述到达点进行修正处理;
其中,所述预设修正条件包括以下至少之一:所述到达点的评分低于预设评分阈值、所述到达点所属的聚类簇的大小小于预设大小阈值、所述到达点与其所属道路不在同一侧。
14.一种电子设备,包括:
处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1至13任一项所述的方法。
15.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1至13任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111594890.XA CN114485696B (zh) | 2021-12-23 | 到达点的获取方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111594890.XA CN114485696B (zh) | 2021-12-23 | 到达点的获取方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114485696A true CN114485696A (zh) | 2022-05-13 |
CN114485696B CN114485696B (zh) | 2024-06-28 |
Family
ID=
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110208429A1 (en) * | 2010-02-24 | 2011-08-25 | Microsoft Corporation | Route Computation Based on Route-Oriented Vehicle Trajectories |
CN108427965A (zh) * | 2018-03-05 | 2018-08-21 | 重庆邮电大学 | 一种基于路网聚类的热点区域挖掘方法 |
CN111141301A (zh) * | 2019-12-25 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 导航终点确定方法、装置、存储介质和计算机设备 |
CN111475730A (zh) * | 2020-04-09 | 2020-07-31 | 腾讯科技(北京)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备 |
CN111666359A (zh) * | 2019-03-07 | 2020-09-15 | 阿里巴巴集团控股有限公司 | Poi候选到达点挖掘方法、装置与设备 |
CN112262557A (zh) * | 2018-06-11 | 2021-01-22 | 北京嘀嘀无限科技发展有限公司 | 用于为线上到线下服务提供信息的系统和方法 |
CN112328766A (zh) * | 2020-11-10 | 2021-02-05 | 四川长虹电器股份有限公司 | 一种基于路径搜索的知识图谱问答方法和装置 |
US20210043086A1 (en) * | 2018-06-08 | 2021-02-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for generating personalized destination recommendations |
CN112666584A (zh) * | 2019-10-15 | 2021-04-16 | 阿里巴巴集团控股有限公司 | 路线排序、路线排序模型训练及训练样本获取方法和装置 |
US20210201212A1 (en) * | 2019-12-31 | 2021-07-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for ranking in alternative destination recommendation on ridesharing platforms |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110208429A1 (en) * | 2010-02-24 | 2011-08-25 | Microsoft Corporation | Route Computation Based on Route-Oriented Vehicle Trajectories |
CN108427965A (zh) * | 2018-03-05 | 2018-08-21 | 重庆邮电大学 | 一种基于路网聚类的热点区域挖掘方法 |
US20210043086A1 (en) * | 2018-06-08 | 2021-02-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for generating personalized destination recommendations |
CN112262557A (zh) * | 2018-06-11 | 2021-01-22 | 北京嘀嘀无限科技发展有限公司 | 用于为线上到线下服务提供信息的系统和方法 |
CN111666359A (zh) * | 2019-03-07 | 2020-09-15 | 阿里巴巴集团控股有限公司 | Poi候选到达点挖掘方法、装置与设备 |
CN112666584A (zh) * | 2019-10-15 | 2021-04-16 | 阿里巴巴集团控股有限公司 | 路线排序、路线排序模型训练及训练样本获取方法和装置 |
CN111141301A (zh) * | 2019-12-25 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 导航终点确定方法、装置、存储介质和计算机设备 |
US20210201212A1 (en) * | 2019-12-31 | 2021-07-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for ranking in alternative destination recommendation on ridesharing platforms |
CN111475730A (zh) * | 2020-04-09 | 2020-07-31 | 腾讯科技(北京)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备 |
CN112328766A (zh) * | 2020-11-10 | 2021-02-05 | 四川长虹电器股份有限公司 | 一种基于路径搜索的知识图谱问答方法和装置 |
Non-Patent Citations (3)
Title |
---|
TAO LI; SHUAICHI ZHANG; YONGJUN REN;等: "A Lightning Location Algorithm Based on Clustering Analysis", 2018 1ST INTERNATIONAL COGNITIVE CITIES CONFERENCE (IC3), 9 December 2018 (2018-12-09) * |
庄立坚;何兆成;杨文臣;叶伟佳;邓玲丽;: "基于大规模浮动车数据的交叉口转向规则自动提取算法", 武汉理工大学学报(交通科学与工程版), vol. 37, no. 05, 31 October 2013 (2013-10-31) * |
陆川伟,孙群,季晓林,等: "一种基于核距离的车辆轨迹点聚类方法", 武汉大学学报(信息科学版), vol. 45, no. 7, 31 July 2020 (2020-07-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021858A (zh) | 移动客体识别方法及客体流量分析方法 | |
CN111143680B (zh) | 路线的推荐方法、系统、电子设备及计算机存储介质 | |
CN106969782B (zh) | 导航路线的推送方法、装置、设备以及存储介质 | |
CN105091890A (zh) | 用于推荐候选路径的方法和装置 | |
CN111739323B (zh) | 一种路口信息的采集方法及装置 | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN104819726A (zh) | 导航数据处理方法、装置及导航终端 | |
CN109739926A (zh) | 一种基于卷积神经网络的移动对象目的地预测方法 | |
CN105678412A (zh) | 面向多人乘车的路线规划方法和装置 | |
US10989549B2 (en) | Route recommendation in map service | |
CN111859291A (zh) | 交通事故识别方法、装置、设备和计算机存储介质 | |
CN111141301B (zh) | 导航终点确定方法、装置、存储介质和计算机设备 | |
CN110060182A (zh) | 旅游行为追踪方法、装置、计算机设备和存储介质 | |
US20230273040A1 (en) | System and method of creating custom dynamic neighborhoods for individual drivers | |
CN110542425A (zh) | 导航路径选择方法、导航装置、计算机设备及可读介质 | |
CN117455237A (zh) | 一种基于多源数据的道路交通事故风险预测方法 | |
CN111831929B (zh) | 一种获取poi信息的方法及装置 | |
CN109446437B (zh) | 信息挖掘方法、装置、服务器及存储介质 | |
CN114485696B (zh) | 到达点的获取方法、电子设备及存储介质 | |
CN114485696A (zh) | 到达点的获取方法、电子设备及存储介质 | |
JP7148956B2 (ja) | 情報処理システム、情報処理プログラムおよび情報処理方法 | |
CN112667925B (zh) | 一种路线推荐方法、装置、计算机设备以及存储介质 | |
CN112699202B (zh) | 禁行道路的识别方法、装置、电子设备及存储介质 | |
JP7416614B2 (ja) | 学習モデルの生成方法、コンピュータプログラム、情報処理装置、及び情報処理方法 | |
CN114428888A (zh) | 轨迹还原方法和装置、存储介质及电子设备 |
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 |