CN114543829A - 模型训练方法、导航轨迹的推荐方法、装置及车辆 - Google Patents
模型训练方法、导航轨迹的推荐方法、装置及车辆 Download PDFInfo
- Publication number
- CN114543829A CN114543829A CN202210180669.8A CN202210180669A CN114543829A CN 114543829 A CN114543829 A CN 114543829A CN 202210180669 A CN202210180669 A CN 202210180669A CN 114543829 A CN114543829 A CN 114543829A
- Authority
- CN
- China
- Prior art keywords
- navigation
- track
- navigation track
- user
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 title claims abstract description 64
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000009826 distribution Methods 0.000 claims description 63
- 238000004590 computer program Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 23
- 238000012417 linear regression Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种模型训练方法、导航轨迹的推荐方法、装置及车辆,涉及计算机技术中的地图技术深度学习,具体涉及导航技术,可以应用于自动驾驶和智能交通。具体实现方案为:获取路网数据,并根据路网数据确定用户导航轨迹,对用户导航轨迹进行多维度的特征抽取,得到用户导航轨迹的路径特征,并基于路网数据、路径特征、以及用户导航轨迹,构建样本轨迹集合,根据样本轨迹集合训练得到导航轨迹推荐模型,其中,导航推荐推荐模型用于召回并推荐导航轨迹,使得导航轨迹推荐模型具有较高的可靠性和有效性,从而提高推荐的准确性,进而提高车辆的行驶安全的技术效果。
Description
技术领域
本公开涉及计算机技术中的地图技术深度学习,具体涉及导航技术,可以应用于自动驾驶和智能交通,尤其涉及一种模型训练方法、导航轨迹的推荐方法、装置及车辆。
背景技术
地图导航服务包括导航轨迹推荐服务,如地图导航系统接收到用户输入起点和终点,并基于预先构建的地图召回并输出相应的导航轨迹。
在相关技术中,地图导航系统基于地图搜索出通行代价(road cost)最小的路径作为导航轨迹,且通行代价最小通常是以距离或者时间为基准确定的。
然而,采用上述方法确定并为用户推荐导航轨迹,存在推荐的可靠性偏低的问题。
发明内容
本公开提供了一种用于提高导航轨迹的推荐可靠性的模型训练方法、导航轨迹的推荐方法、装置及车辆。
根据本公开的第一方面,提供了一种模型训练方法,包括:
获取路网数据,并根据所述路网数据确定用户导航轨迹;
对所述用户导航轨迹进行多维度的特征抽取,得到所述用户导航轨迹的路径特征,并基于所述路网数据、所述路径特征、以及所述用户导航轨迹,构建样本轨迹集合;
根据所述样本轨迹集合训练得到导航轨迹推荐模型,其中,所述导航轨迹推荐模型用于召回并推荐导航轨迹。
根据本公开的第二方面,提供了一种导航轨迹的推荐方法,包括:
获取用户的导航请求,其中,所述导航请求中包括起点和终点;
根据所述导航请求和预先训练的导航轨迹推荐模型,召回并输出与所述导航请求对应的导航轨迹;
其中,所述导航轨迹推荐模型是基于如第一方面所述的方法得到的。
根据本公开的第三方面,提供了一种模型训练装置,包括:
第一获取单元,用于获取路网数据;
确定单元,用于根据所述路网数据确定用户导航轨迹;
抽取单元,用于对所述用户导航轨迹进行多维度的特征抽取,得到所述用户导航轨迹的路径特征;
构建单元,用于基于所述路网数据、所述路径特征、以及所述用户导航轨迹,构建样本轨迹集合;
训练单元,用于根据所述样本轨迹集合训练得到导航轨迹推荐模型,其中,所述导航轨迹推荐模型用于召回并推荐导航轨迹。
根据本公开的第四方面,提供了一种导航轨迹的推荐装置,包括:
第二获取单元,用于获取用户的导航请求,其中,所述导航请求中包括起点和终点;
召回单元,用于根据所述导航请求和预先训练的导航轨迹推荐模型,召回与所述导航请求对应的导航轨迹;
输出单元,用于输出与所述导航请求对应的导航轨迹
其中,所述导航轨迹推荐模型是基于如第一方面所述的方法得到的。
根据本公开的第五方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面或第二方面所述的方法。
根据本公开的第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据第一方面或第二方所述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或第二方所述的方法。
根据本公开的第八方面,提供了一种车辆,包括:如第四方面所述的装置。
根据本公开的从多个维度对用户导航轨迹进行特征抽取,以结合路网数据、路径特征、以及用户导航轨迹训练得到导航轨迹推荐模型的技术方案,使得导航轨迹推荐模型具有较高的可靠性和有效性,从而提高推荐的准确性,进而提高车辆的行驶安全的技术效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开的导航节点的示意图;
图4是导航轨迹的示意图一;
图5是导航轨迹的示意图二;
图6是导航轨迹的示意图三;
图7是导航轨迹的示意图四;
图8是根据本公开第三实施例的示意图;
图9是根据本公开的路网的通行代价的算法框架的示意图;
图10是根据本公开第四实施例的示意图;
图11是根据本公开第五实施例的示意图;
图12是根据本公开第六实施例的示意图;
图13是根据本公开第七实施例的示意图;
图14是用来实现本公开实施例的模型训练方法、导航轨迹的推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
为了便于用户出行,可以预先构建电子地图,其中,电子地图可以为对真实路网进行抽象得到的有向图,有向图中包括节点,节点可以为真实路网中的路口,两个节点构成的边为两个节点之间的导航轨迹。
地图导航系统可以根据电子点图召回并输出满足用户出行需求的导航轨迹,以便车辆基于该导航路径轨迹。
在一些实施例中,地图导航系统可以接收用户输入的起点和终点,并在电子地图上确定与起点对应的节点以及与终点对应的节点,基于图搜索的路径规划算法,在电子地图上确定出的两个节点(即起点与终点)之间,搜索出通行代价最小的边作为最优轨迹。
示例性的,最优轨迹的确定方法可以包括如下步骤:
第一步骤:以预设维度参数对通行代价进行初始化处理。
其中,预设维度参数可以为道路等级,也可以为通行时间,也可以为通行距离。
例如,以道路等级为例,若道路为国道,道路等级为高级,通行代价为90每千米;若道路为省道,道路等级为中级,通行代价为70每千米。
应该理解的是,上述示只是用于示范性地说明道路等级可能的划分情况,而不能理解为对道路等级的限定。例如,在另一些实施例中,也可以基于道路是否为高速道路进行等级的划分。
第二步骤:基于概率的优化算法,通过不断遍历微调(finetune)初始模型,求解最优解,将满足最优解的通行代价对应的边确定为最优轨迹。
然而,采用上述方法确定最优轨迹时,需要基于概率的优化算法不断遍历,导致复杂度高,时间随着特征难度的增加而指数增加,且引入更多维度的特征困难,难以更精准表征道路属性和通行代价,无法向用户满足用户偏好的导航轨迹,通行代价不能随着路网和导航轨迹及时更新,导致部分路网可通行能力变化,为用户的推荐不能及时更新。
为了避免上述问题中的至少一种,本公开的发明人经过创造性地劳动,得到了本公开的发明构思:对用户导航轨迹进行多维度的特征抽取,得到路径特征,以结合路网数据、路径特征、用户导航轨迹训练导航轨迹推荐模型。
基于上述发明构思,本公开提供一种模型训练方法、导航轨迹的推荐方法、装置及车辆,应用于计算机技术中的地图技术深度学习,具体涉及导航技术,可以应用于自动驾驶和智能交通,以达到导航轨迹推荐的可靠性。
图1是根据本公开第一实施例的示意图,如图1所示,本公开提供的模型训练方法,包括:
S101:获取路网(road network)数据,并根据路网数据确定用户导航轨迹。
示例性地,本实施例的执行主体可以为模型训练装置,模型训练装置可以为服务器(包括本地服务器和云端服务器,服务器可以为云控平台、车路管理平台、中心子系统、边缘计算平台、云计算平台等),也可以为路侧设备,也可以为终端设备,也可以为处理器,还可以为芯片,等等,本实施例不做限定。
其中,路侧设备例如有计算功能的路侧感知设备、与路侧感知设备相连接的路侧计算设备,在智能交通系统架构中,路侧设备包括路侧感知设备和路侧计算设备,路侧感知设备(例如路侧相机)连接到路侧计算设备(例如路侧计算单元RSCU),路侧计算设备连接到服务器,服务器可以通过各种方式与自动驾驶或辅助驾驶车辆通信;或者,路侧感知设备自身包括计算功能,则路侧感知设备直接连接到服务器。以上连接可以是有线或是无线。
本实施例中的路网是指交通领域的道路路网,用于限定移动对象的移动轨迹。其中,移动对象包括在道路上发生位移的对象,如人和/或车辆等。移动轨迹包括移动速度和/或移动方向等。
相应的,路网数据为道路路网中的移动对象的移动轨迹。也可以理解为,路网数据中包括如人和车辆等的移动对象的移动轨迹,车辆的移动轨迹可以被称为用户导航轨迹。
S102:对用户导航轨迹进行多维度的特征抽取,得到用户导航轨迹的路径特征,并基于路网数据、路径特征、以及用户导航轨迹,构建样本轨迹集合。
在本实施例中,采用了从多个维度抽取用户导航轨迹,以得到用于表征用户导航轨迹在不同维度的特征的路径特征,可以实现对用户导航轨迹特征抽取的全面性和多样性。
且在本实施例中,是从三个方面(即路网数据、路径特征、以及用户导航轨迹)构建样本轨迹集合,使得样本轨迹集合具有全面性,从而当基于样本轨迹集合训练导航轨迹推荐模型时,可以提高导航轨迹推荐模型的可靠性和有效性,进而当基于导航轨迹推荐模型为用户推荐导航轨迹时,提高推荐的准确性,且提高车辆基于导航轨迹行驶的安全性,满足用户的导航体验。
S103:根据样本轨迹集合训练得到导航轨迹推荐模型。
其中,导航轨迹推荐模型用于召回并推荐导航轨迹。
基于上述分析可知,本公开实施例提供了一种模型训练方法,包括:获取路网数据,并根据路网数据确定用户导航轨迹,对用户导航轨迹进行多维度的特征抽取,得到用户导航轨迹的路径特征,并基于路网数据、路径特征、以及用户导航轨迹,构建样本轨迹集合,根据样本轨迹集合训练得到导航轨迹推荐模型,其中,导航推荐推荐模型用于召回并推荐导航轨迹,在本实施例,通过从多个维度对用户导航轨迹进行特征抽取,以结合路网数据、路径特征、以及用户导航轨迹训练得到导航轨迹推荐模型的技术特征,使得导航轨迹推荐模型具有较高的可靠性和有效性,从而提高推荐的准确性,进而提高车辆的行驶安全的技术效果。
图2是根据本公开第二实施例的示意图,如图2所示,本公开提供的模型训练方法,包括:
S201:获取路网数据,并根据路网数据确定用户导航轨迹。
应该理解的是,为了避免繁琐的陈述,关于本实施例与上述实施例中相同的技术特征,本实施例不再赘述。
S202:基于多维度中的每一维度对用户导航轨迹进行特征抽取,得到每一维度各自对应的抽取特征。
其中,多维度包括:道路属性维度、实时路况维度、预计到达时间(Estimated Timeof Arrival,ETA)维度、行驶信息维度中的至少两种。
道路属性维度为表征道路的特征的维度,如上述实施例中的道路等级维度,也可以为道路尺寸维度,如道路的宽度和/或长度等。
实时路况维度为表征道路的实时通行的特征的维度,如道路的拥堵信息等。
行驶信息维度为表征行驶的特征的维度,如行驶的速度和/或加速度,行驶的车辆的车型(或货车,或者小车等)。
示例性的,若多维度包括两个维度,且分别为道路属性维度和实时路况维度,则基于道路属性维度对用户导航轨迹进行特征抽取,得到道路属性维度对应的抽取特征;基于实时路况维度对用户导航轨迹进行特征抽取,得到实时路况维度对应的抽取特征。
应该理解的是,上述多维度的内容只是用于示范性地说明可能包括的维度,而不能理解为对多维度的限定。
S203:将各维度各自对应的抽取特征进行拼接处理,得到路径特征。
结合上述分析,可以将道路属性维度对应的抽取特征和实时路况维度对应的抽取特征进行拼接处理,得到路径特征。
在本实施例中,通过结合上述各维度对用户导航轨迹进行特征抽取,并基于拼接处理得到路径特征,可以使得路径特征较为充分和全面的表征用户导航轨迹,以使得路径特征具有较强的表征能力和可靠性。
S204:根据路网数据和用户导航轨迹,确定用户导航轨迹的导航轨迹分布信息。
其中,导航轨迹分布信息用于表征用户导航轨迹的分布情况,如有些用户导航轨迹的数量较多,分布相对密集,有些用户导航轨迹的数量较少,分布相对稀疏。
在一些实施例中,路网数据包括路口节点;S204可以包括如下步骤:
第一步骤:根据路口节点和用户导航轨迹,获取用户导航轨迹的导航节点。
第二步骤:根据用户导航轨迹的导航节点,确定用户导航轨迹的导航轨迹分布信息。
示例性的,如图3所示,数字表示路口节点,link_xx表示路口节点之间的有向边。假设图3所示的路段中,用户导航轨迹的起点为节点4,用户导航轨迹的终点为节点2,则根据路口节点可以确定用户导航轨迹的导航节点为节点4—>节点2的导航轨迹分布信息。
如图3所示,可以确定用户导航轨迹的导航节点为节点4、节点5、节点2,也可以确定用户导航轨迹的导航节点为节点4、节点1、节点2,并确定用户导航轨迹的导航轨迹分布信息。
例如,共有N条用户导航轨迹,则可以从N条用户导航轨迹中,确定导航节点为节点4、节点5、节点2的用户导航轨迹(4—>节点5—>节点2)的分布信息;也可以从N条用户导航轨迹中,确定导航节点为节点4、节点1、节点2的用户导航轨迹(4—>节点1—>节点2)的分布信息。
也就是说,用户导航轨迹的数量为多个,针对每一用户导航轨迹,根据各用户导航轨迹的导航节点,确定该用户导航轨迹的导航轨迹分布信息。
在本实施例中,通过结合路口节点确定用户导航轨迹的导航节点,并基于确定出的导航节点确定导航轨迹分布信息,可以使得导航轨迹分布信息与真实路网高度贴合,以提高导航轨迹分布信息的可靠性和有效性。
S205:根据路径特征和导航轨迹分布信息,构建样本轨迹集合。
在本实施例中,通过确定导航轨迹分布信息,以结合导航轨迹分布信息和路径特征构建样本轨迹集合,以使得样本轨迹集合可以表征用户导航轨迹的分布情况,提高样本轨迹集合的可靠性和有效性。
在一些实施例中,S205可以包括如下步骤:
第一步骤:根据导航轨迹分布信息,构建样本标签。
其中,样本标签为正样本标签或者为负样本标签。
在一些实施例中,用户导航轨迹的数量为多个;第一步骤可以包括如下子步骤:
第一子步骤:根据导航轨迹分布信息,确定在具有相同起点和终点的用户导航轨迹中,分布数量最多的用户导航轨迹。
第二子步骤:将分布数量最多的用户导航轨迹的样本标签构建为正样本标签。
第三子步骤:将分布数量最多的用户导航轨迹以外的用户导航轨迹的样本标签,构建为负样本标签。
示例性的,结合上述实施例,用户导航轨迹4→5→2和用户导航轨迹4→1→2具有相同的起点和相同的终点,若用户导航轨迹4→5→2的分布数量最多,或者,远远大于用户导航轨迹4→1→2的分布数量,则可以将用户导航轨迹4→1→2确定为负样本,将用户导航轨迹4→5→2确定为正样本。且用户导航轨迹4→1→2和用户导航轨迹4→5→2均具有路径特征。
相应的,经构建样本轨迹集合,样本轨迹集合中包括正样本(f(4→1→2)=1),负样本(f(4→5→2)=0),其中,f为路径特征。
值得说明的是,网络模型具有模型参数,相应的,正样本可以表示为(w*f(4→1→2)=1),负样本可以表示为(w*f(4→5→2)=0),其中,w表示模型参数。
在本实施例中,通过结合分布数量确定正样本和负样本,且正样本和负样本均具有路径特征,可以使得正样本和负样本具有较高的准确性和可靠性。
第二步骤:根据正样本标签确定具有路径特征的正样本的用户导航轨迹,根据负样本标签确定具有路径特征的负样本的用户导航轨迹。
其中,样本轨迹集合包括正样本的用户导航轨迹和负样本的用户导航轨迹,且正样本的用户导航轨迹和负样本的用户导航轨迹均具有路径特征。
结合上述分析可知,路径特征可以从多维度对用户导航轨迹的特征进行表征,导航轨迹分布信息可以表征用户导航轨迹的数量分布情况,因此,在本实施例中,通过结合导航轨迹分布信息和路径特征构建样本标签,可以使得样本标签具有较高的准确性和可靠性,以便当结合样本标签确定对应的正样本和负样本时,使得确定出的正样本和负样本具有较高的准确性,从而避免正样本和负样本之间的干扰,提高训练的有效性和可靠性。
S206:根据样本轨迹集合对预设的线性回归模型进行训练,得到导航轨迹推荐模型。
其中,导航轨迹推荐模型用于召回并推荐导航轨迹。
值得说明的是,在本领域中,通常采用图搜索算法,以采用图搜索算法确定通行的距离最短,或者,通行的速度最快(即通行时间最短)的方式实现导航轨迹的推荐,但是,在本实施例中,使用线性回归模型进行模型训练,且可以随机梯度下降的方式,求解出在样本轨迹集合下,能取得用户偏好分类效果最佳的导航轨迹推荐模型,以使得导航轨迹推荐模型可以实现基于用户的偏好召回并推荐导航轨迹,从而提高推荐的灵活性和可靠性。
示例性的,如图4所示,起点为X大厦,终点为Y地铁站,若采以通行时间最短为例,采用图搜索算法,召回的导航轨迹为如图4中所示包括Z高速公路的导航轨迹。
然而,相对而言,用户在此路段更加偏好于G辅路,虽然G辅路的道路等级相对较低,通行时间性对略长,但可以避免上下高速、偶尔车辆被查、收费等,而通过本实施例采用的根据样本轨迹集合对线性回归模型进行训练得到导航轨迹推荐模型的进行推荐,可以为用户召回并推荐如图5所示的包括G辅路的导航轨迹。
结合上述分析可知,在采用图搜索算法时,通常是从单一维度的特征进行导航轨迹的推荐,而通过本实施例采用的根据样本轨迹集合对线性回归模型进行训练,耗时相对更短,且可以融入更多维度的特征,如上述实施例中的道路属性维度、实时路况维度、预计到达时间维度、行驶信息维度、用户偏好维度等,以实现召回出耗时更短,路况更佳,更接近用户偏好的导航轨迹。
示例性的,如图6所示,起点为A大厦,终点为火车南站,若采以通行时间最短为例,采用图搜索算法,召回的导航轨迹中所示包括Z高速公路和二环的导航轨迹,导航轨迹的示意图可以参阅图6。该导航轨迹的通行时间虽然最短,但途径多个拥堵路段,用户体验较差。
而通过本实施例采用的根据样本轨迹集合对线性回归模型进行训练得到导航轨迹推荐模型的进行推荐,可以为用户召回并推荐相对更为畅通、通行体验更加、用户更为偏好的如图7所示的导航轨迹。
在一些实施例中,S206可以包括如下步骤:
第一步骤:根据样本轨迹集合对线性回归模型进行多轮模型训练,得到各轮模型训练各自对应的网络模型。
其中,对线性回归模型的训练轮数可以基于需求、历史记录、以及试验等方式进行设置,本实施例不做限定。
第二步骤:基于预设的验证集对每一网络模型进行验证,得到每一网络模型的准确率与召回率之间的比值。
其中,验证集可以理解为用户对网络模型进行验证其准确性和/或可靠性等指标的样本导航轨迹。
在本实施例中,针对每一网络模型,可以采用验证集对该网络模型的准确率和召回率进行确定,以计算得到该网络模型的准确率与召回率之间的商值。
第三步骤:从各比值中,获取比值最接近于1的比值,并将获取到的比值对应的网络模型确定为导航轨迹推荐模型。
相对而言,比值约接近于1,准确率与召回率之间的平衡性越强,即对应的网络模型的可靠性偏高,准确性和召回有效性均相对偏高,则采用该网络模型作为导航轨迹推荐模型,从而提高导航轨迹推荐模型的准确性和可靠性。
图8是根据本公开第三实施例的示意图,如图8所示,本公开提供的导航轨迹的推荐方法,包括:
S801:获取用户的导航请求,其中,导航请求中包括起点和终点。
示例性的,本实施例的执行主体为导航轨迹的推荐装置(下文简称为推荐装置),推荐装置可以为与模型训练装置相同的装置,也可以为不同的装置,本实施例不做限定。
在一些实施例中,用户可以基于用户设备输入导航请求,用户设备可以为手机等移动用户设备,也可以为设置于车辆的车载终端等。
例如,以车载终端为例,车载终端包括显示装置,用户可以通过触屏的方式输入导航请求。或者,车载终端包括拾音装置,如麦克风等,用户可以通过语音的方式输入导航请求。
S802:根据导航请求和预先训练的导航轨迹推荐模型,召回并输出与导航请求对应的导航轨迹。
其中,导航轨迹推荐模型是基于如上任一实施例所述的模型训练方法得到的。
在一些实施例中,S802可以包括如下步骤:
第一步骤:根据起点和终点确定待导航路段。
其中,待导航路段是指需要导航的路段,即起点和终点之间的路段。
第二步骤:提取待导航路段的路径特征,根据待导航路段确定至少一个疑似导航轨迹。
同理,为了避免繁琐的陈述,关于本实施例与上述实施例相同的技术特征,本实施例不再限定。
其中,疑似导航轨迹为从起点至终点的可能的导航轨迹。疑似导航轨迹一般为多个,即车辆可以采用不同的导航轨迹从起点行驶至终点。
第三步骤:根据导航轨迹推荐模型、各疑似导航轨迹、待导航路段的路径特征,召回并输出与导航请求对应的导航轨迹。
在一些实施例中,第三步骤可以包括如下子步骤:
第一子步骤:获取导航轨迹推荐模型的模型参数。
第二子步骤:根据模型参数和待导航路段的路径特征,确定每一疑似导航轨迹的通行代价。
其中,通行代价可以理解为疑似导航轨迹的通行成本,疑似导航轨迹的通行成本越高,疑似导航轨迹的通行代价越高,反之,疑似导航轨迹的通行成本越低,疑似导航轨迹的通行代价越小。
示例性的,结合上述分析,若待导航路段的路径特征为f,一个疑似导航轨迹为(4→1→2),另一个疑似导航轨迹为(4→5→2),模型参数为w,则可以使用线性回归的方式,计算得到疑似导航轨迹为(4→1→2)的通行代价w*f(4→1→2)、以及疑似导航轨迹为(4→1→2)的通行代价w*f(4→5→2)。
第三子步骤:从各通行代价中确定最小的通行代价,并将最小的通行代价对应的疑似导航轨迹确定为与导航请求对应的导航轨迹。
第四子步骤:输出与导航请求对应的导航轨迹。
示例性的,若w*f(4→1→2)>w*f(4→5→2),则导航轨迹(4→5→2)被召回,即导航轨迹(4→5→2)为与导航请求对应的导航轨迹。
结合上述分析,在本实施例中,路网的通行代价的算法框架包括两个部分,分别为如图9所示的离线模块和在线模块,其中,离线模块用于导航轨迹推荐模型的训练,在线模块用于应用导航轨迹推荐模型。
如图9所示,离线模块可以包括:
用户导航轨迹的处理子模块,用于执行如上述实施例中的特征抽取和确定导航轨迹的分布信息等。
样本轨迹集合子模块,用于执行如上述实施例中的构建样本标签并构建样本轨迹集合等。
训练子模块,用于执行如上述实施例中的多轮训练。
参数选取子模块,用于执行如上述实施例中的基于多轮训练确定包括模型参数的导航轨迹推荐模型。
如图9所示,在线模块可以包括:
特征构造子模块,用于执行如上述实施例中的提取待导航路段的路径特征等。
通行代价计算子模块,用于执行如上述实施例中的确定每一疑似导航轨迹的通行代价等。
路径规划子模块,用于执行如上述实施例中的基于各通行代价召回并输出与导航请求对应的导航轨迹等。
图10是根据本公开第四实施例的示意图,如图10所示,本公开提供的模型训练装置1000,包括:
第一获取单元1001,用于获取路网数据。
确定单元1002,用于根据路网数据确定用户导航轨迹。
抽取单元1003,用于对用户导航轨迹进行多维度的特征抽取,得到用户导航轨迹的路径特征。
构建单元1004,用于基于路网数据、路径特征、以及用户导航轨迹,构建样本轨迹集合。
训练单元1005,用于根据样本轨迹集合训练得到导航轨迹推荐模型,其中,导航轨迹推荐模型用于召回并推荐导航轨迹。
图11是根据本公开第五实施例的示意图,如图11所示,本公开提供的模型训练装置1100,包括:
第一获取单元1101,用于获取路网数据。
确定单元1102,用于根据路网数据确定用户导航轨迹。
抽取单元1103,用于对用户导航轨迹进行多维度的特征抽取,得到用户导航轨迹的路径特征。
在一些实施例中,多维度包括:道路属性维度、实时路况维度、预计到达时间维度、行驶信息维度中的至少两种;结合图11可知,抽取单元1103,包括:
抽取子单元11031,用于基于多维度中的每一维度对用户导航轨迹进行特征抽取,得到每一维度各自对应的抽取特征。
拼接子单元11032,用于将各维度各自对应的抽取特征进行拼接处理,得到路径特征。
构建单元1104,用于基于路网数据、路径特征、以及用户导航轨迹,构建样本轨迹集合。
结合图11可知,在一些实施例中,构建单元1104,包括:
第一确定子单元11041,用于根据路网数据和用户导航轨迹,确定用户导航轨迹的导航轨迹分布信息。
在一些实施例中,路网数据包括路口节点;第一确定子单元11041,包括:
第一获取模块,用于根据路口节点和所述用户导航轨迹,获取用户导航轨迹的导航节点。
第一确定模块,用于根据用户导航轨迹的导航节点,确定用户导航轨迹的导航轨迹分布信息。
在一些实施例中,用户导航轨迹的数量为多个;第一确定模块用于,针对每一用户导航轨迹,根据各用户导航轨迹的导航节点,确定该用户导航轨迹的导航轨迹分布信息。
构建子单元11042,用于根据路径特征和导航轨迹分布信息,构建样本轨迹集合。
在一些实施例中,构建子单元11042,包括:
构建模块,用于根据导航轨迹分布信息,构建样本标签,其中,样本标签为正样本标签或者为负样本标签。
在一些实施例中,用户导航轨迹的数量为多个;构建模块,包括:
确定子模块,用于根据导航轨迹分布信息,确定在具有相同起点和终点的用户导航轨迹中,分布数量最多的用户导航轨迹。
第一构建子模块,用于将分布数量最多的用户导航轨迹的样本标签构建为正样本标签。
第二构建子模块,用于将分布数量最多的用户导航轨迹以外的用户导航轨迹的样本标签,构建为负样本标签。
第二确定模块,用于根据正样本标签确定具有路径特征的正样本的用户导航轨迹,根据负样本标签确定具有路径特征的负样本的用户导航轨迹,其中,样本轨迹集合包括正样本的用户导航轨迹和负样本的用户导航轨迹。
训练单元1105,用于根据样本轨迹集合训练得到导航轨迹推荐模型,其中,导航轨迹推荐模型用于召回并推荐导航轨迹。
在一些实施例中,训练单元1105用于,根据样本轨迹集合对预设的线性回归模型进行训练,得到导航轨迹推荐模型。
结合图11可知,在一些实施例中,训练单元1105,包括:
训练子单元11051,用于根据样本轨迹集合对线性回归模型进行多轮模型训练,得到各轮模型训练各自对应的网络模型。
验证子单元11052,用于基于预设的验证集对每一网络模型进行验证,得到每一网络模型的准确率与召回率之间的比值。
获取子单元11053,用于从各比值中,获取比值最接近于1的比值。
第二确定子单元11054,同于将获取到的比值对应的网络模型确定为导航轨迹推荐模型。
图12是根据本公开第六实施例的示意图,如图12所示,本公开提供的导航轨迹的推荐装置1200,包括:
第二获取单元1201,用于获取用户的导航请求,其中,导航请求中包括起点和终点。
召回单元1202,用于根据导航请求和预先训练的导航轨迹推荐模型,召回与导航请求对应的导航轨迹。
结合图12可知,在一些实施例中,召回单元1202,包括:
第三确定子单元12021,用于根据起点和终点确定待导航路段。
提取子单元12022,用于提取待导航路段的路径特征。
第四确定子单元12023,用于根据待导航路段确定至少一个疑似导航轨迹。
召回子单元12024,用于根据导航轨迹推荐模型、各疑似导航轨迹、待导航路段的路径特征,召回与导航请求对应的导航轨迹。
在一些实施例中,召回子单元12024,包括:
第二获取模块,用于获取导航轨迹推荐模型的模型参数。
第三确定模块,用于根据模型参数和待导航路段的路径特征,确定每一疑似导航轨迹的通行代价。
第四确定模块,用于从各通行代价中确定最小的通行代价,并将最小的通行代价对应的疑似导航轨迹确定为与导航请求对应的导航轨迹。
输出单元1203,用于输出与导航请求对应的导航轨迹。
其中,导航轨迹推荐模型是基于如上任一实施例所述的模型训练方法得到的。
根据本公开实施例的另一个方面,本公开实施例还提供了一种车辆,包括:如上任一实施例所述的导航轨迹的推荐装置。
图13是根据本公开第七实施例的示意图,如图13所示,本公开中的电子设备1300可以包括:处理器1301和存储器1302。
存储器1302,用于存储程序;存储器1302,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器1302用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1302中。并且上述的计算机程序、计算机指令、数据等可以被处理器1301调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1302中。并且上述的计算机程序、计算机指据等可以被处理器1301调用。
处理器1301,用于执行存储器1302存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器1301和存储器1302可以是独立结构,也可以是集成在一起的集成结构。当处理器1301和存储器1302是独立结构时,存储器1302、处理器1301可以通过总线1303耦合连接。
本实施例的电子设备可以执行上述方法中的技术方案,其具体实现过程和技术原理相同,此处不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图14示出了可以用来实施本公开的实施例的示例电子设备1400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图14所示,设备1400包括计算单元1401,其可以根据存储在只读存储器(ROM)1402中的计算机程序或者从存储单元1408加载到随机访问存储器(RAM)1403中的计算机程序,来执行各种适当的动作和处理。在RAM 1403中,还可存储设备1400操作所需的各种程序和数据。计算单元1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。
设备1400中的多个部件连接至I/O接口1405,包括:输入单元1406,例如键盘、鼠标等;输出单元1407,例如各种类型的显示器、扬声器等;存储单元1408,例如磁盘、光盘等;以及通信单元1409,例如网卡、调制解调器、无线通信收发机等。通信单元1409允许设备1400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1401执行上文所描述的各个方法和处理,例如模型训练方法、导航轨迹的推荐方法。例如,在一些实施例中,模型训练方法、导航轨迹的推荐方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1402和/或通信单元1409而被载入和/或安装到设备1400上。当计算机程序加载到RAM 1403并由计算单元1401执行时,可以执行上文描述的模型训练方法、导航轨迹的推荐方法的一个或多个步骤。备选地,在其他实施例中,计算单元1401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型训练方法、导航轨迹的推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (30)
1.一种模型训练方法,包括:
获取路网数据,并根据所述路网数据确定用户导航轨迹;
对所述用户导航轨迹进行多维度的特征抽取,得到所述用户导航轨迹的路径特征,并基于所述路网数据、所述路径特征、以及所述用户导航轨迹,构建样本轨迹集合;
根据所述样本轨迹集合训练得到导航轨迹推荐模型,其中,所述导航轨迹推荐模型用于召回并推荐导航轨迹。
2.根据权利要求1所述的方法,其中,基于所述路网数据、所述路径特征、以及所述用户导航轨迹,构建样本轨迹集合,包括:
根据所述路网数据和所述用户导航轨迹,确定所述用户导航轨迹的导航轨迹分布信息;
根据所述路径特征和所述导航轨迹分布信息,构建所述样本轨迹集合。
3.根据权利要求2所述的方法,其中,所述路网数据包括路口节点;根据所述路网数据和所述用户导航轨迹,确定所述用户导航轨迹的导航轨迹分布信息,包括:
根据所述路口节点和所述用户导航轨迹,获取所述用户导航轨迹的导航节点;
根据所述用户导航轨迹的导航节点,确定所述用户导航轨迹的导航轨迹分布信息。
4.根据权利要求3所述的方法,其中,所述用户导航轨迹的数量为多个;根据所述用户导航轨迹的导航节点,确定所述用户导航轨迹的导航轨迹分布信息,包括:
针对每一用户导航轨迹,根据各用户导航轨迹的导航节点,确定该用户导航轨迹的导航轨迹分布信息。
5.根据权利要求2-4任一项所述的方法,其中,根据所述路径特征和所述导航轨迹分布信息,构建所述样本轨迹集合,包括:
根据所述导航轨迹分布信息,构建样本标签,其中,所述样本标签为正样本标签或者为负样本标签;
根据所述正样本标签确定具有所述路径特征的正样本的用户导航轨迹,根据所述负样本标签确定具有所述路径特征的负样本的用户导航轨迹,其中,所述样本轨迹集合包括正样本的用户导航轨迹和负样本的用户导航轨迹。
6.根据权利要求5所述的方法,其中,所述用户导航轨迹的数量为多个;根据所述导航轨迹分布信息,构建样本标签,包括:
根据所述导航轨迹分布信息,确定在具有相同起点和终点的用户导航轨迹中,分布数量最多的用户导航轨迹;
将分布数量最多的用户导航轨迹的样本标签构建为正样本标签。
7.根据权利要求6所述的方法,在根据所述导航轨迹分布信息,确定在具有相同起点和终点的用户导航轨迹中,分布数量最多的用户导航轨迹之后,所述方法还包括:
将分布数量最多的用户导航轨迹以外的用户导航轨迹的样本标签,构建为负样本标签。
8.根据权利要求1-7任一项所述的方法,其中,所述多维度包括:道路属性维度、实时路况维度、预计到达时间维度、行驶信息维度中的至少两种;对所述用户导航轨迹进行多维度的特征抽取,得到所述用户导航轨迹的路径特征,包括:
基于所述多维度中的每一维度对所述用户导航轨迹进行特征抽取,得到每一维度各自对应的抽取特征;
将各维度各自对应的抽取特征进行拼接处理,得到所述路径特征。
9.根据权利要求1-8任一项所述的方法,其中,根据所述样本轨迹集合训练得到导航轨迹推荐模型,包括:
根据所述样本轨迹集合对预设的线性回归模型进行训练,得到所述导航轨迹推荐模型。
10.根据权利要求9所述的方法,其中,根据所述样本轨迹集合对预设的线性回归模型进行训练,得到所述导航轨迹推荐模型,包括:
根据所述样本轨迹集合对所述线性回归模型进行多轮模型训练,得到各轮模型训练各自对应的网络模型;
基于预设的验证集对每一网络模型进行验证,得到每一网络模型的准确率与召回率之间的比值;
从各比值中,获取比值最接近于1的比值,并将获取到的比值对应的网络模型确定为所述导航轨迹推荐模型。
11.一种导航轨迹的推荐方法,包括:
获取用户的导航请求,其中,所述导航请求中包括起点和终点;
根据所述导航请求和预先训练的导航轨迹推荐模型,召回并输出与所述导航请求对应的导航轨迹;
其中,所述导航轨迹推荐模型是基于如权利要求1-10任一项所述的方法得到的。
12.根据权利要求11所述的方法,其中,根据所述导航请求和预先训练的导航轨迹推荐模型,召回并输出与所述导航请求对应的导航轨迹,包括:
根据所述起点和所述终点确定待导航路段;
提取所述待导航路段的路径特征,根据所述待导航路段确定至少一个疑似导航轨迹;
根据所述导航轨迹推荐模型、各疑似导航轨迹、所述待导航路段的路径特征,召回并输出与所述导航请求对应的导航轨迹。
13.根据权利要求12所述的方法,其中,根据所述导航轨迹推荐模型、各疑似导航轨迹、所述待导航路段的路径特征,召回并输出与所述导航请求对应的导航轨迹,包括:
获取所述导航轨迹推荐模型的模型参数;
根据所述模型参数和所述待导航路段的路径特征,确定每一疑似导航轨迹的通行代价;
从各通行代价中确定最小的通行代价,并将最小的通行代价对应的疑似导航轨迹确定为与所述导航请求对应的导航轨迹;
输出与所述导航请求对应的导航轨迹。
14.一种模型训练装置,包括:
第一获取单元,用于获取路网数据;
确定单元,用于根据所述路网数据确定用户导航轨迹;
抽取单元,用于对所述用户导航轨迹进行多维度的特征抽取,得到所述用户导航轨迹的路径特征;
构建单元,用于基于所述路网数据、所述路径特征、以及所述用户导航轨迹,构建样本轨迹集合;
训练单元,用于根据所述样本轨迹集合训练得到导航轨迹推荐模型,其中,所述导航轨迹推荐模型用于召回并推荐导航轨迹。
15.根据权利要求14所述的装置,其中,所述构建单元,包括:
第一确定子单元,用于根据所述路网数据和所述用户导航轨迹,确定所述用户导航轨迹的导航轨迹分布信息;
构建子单元,用于根据所述路径特征和所述导航轨迹分布信息,构建所述样本轨迹集合。
16.根据权利要求15所述的装置,其中,所述路网数据包括路口节点;所述第一确定子单元,包括:
第一获取模块,用于根据所述路口节点和所述用户导航轨迹,获取所述用户导航轨迹的导航节点;
第一确定模块,用于根据所述用户导航轨迹的导航节点,确定所述用户导航轨迹的导航轨迹分布信息。
17.根据权利要求16所述的装置,其中,所述用户导航轨迹的数量为多个;所述第一确定模块用于,针对每一用户导航轨迹,根据各用户导航轨迹的导航节点,确定该用户导航轨迹的导航轨迹分布信息。
18.根据权利要求15-17任一项所述的装置,其中,所述构建子单元,包括:
构建模块,用于根据所述导航轨迹分布信息,构建样本标签,其中,所述样本标签为正样本标签或者为负样本标签;
第二确定模块,用于根据所述正样本标签确定具有所述路径特征的正样本的用户导航轨迹,根据所述负样本标签确定具有所述路径特征的负样本的用户导航轨迹,其中,所述样本轨迹集合包括正样本的用户导航轨迹和负样本的用户导航轨迹。
19.根据权利要求18所述的装置,其中,所述用户导航轨迹的数量为多个;所述构建模块,包括:
确定子模块,用于根据所述导航轨迹分布信息,确定在具有相同起点和终点的用户导航轨迹中,分布数量最多的用户导航轨迹;
第一构建子模块,用于将分布数量最多的用户导航轨迹的样本标签构建为正样本标签。
20.根据权利要求19所述的装置,构建模块还包括:
第二构建子模块,用于将分布数量最多的用户导航轨迹以外的用户导航轨迹的样本标签,构建为负样本标签。
21.根据权利要求14-20任一项所述的装置,其中,所述多维度包括:道路属性维度、实时路况维度、预计到达时间维度、行驶信息维度中的至少两种;所述抽取单元,包括:
抽取子单元,用于基于所述多维度中的每一维度对所述用户导航轨迹进行特征抽取,得到每一维度各自对应的抽取特征;
拼接子单元,用于将各维度各自对应的抽取特征进行拼接处理,得到所述路径特征。
22.根据权利要求14-21任一项所述的装置,其中,训练单元用于,根据所述样本轨迹集合对预设的线性回归模型进行训练,得到所述导航轨迹推荐模型。
23.根据权利要求22所述的装置,其中,所述训练单元,包括:
训练子单元,用于根据所述样本轨迹集合对所述线性回归模型进行多轮模型训练,得到各轮模型训练各自对应的网络模型;
验证子单元,用于基于预设的验证集对每一网络模型进行验证,得到每一网络模型的准确率与召回率之间的比值;
获取子单元,用于从各比值中,获取比值最接近于1的比值;
第二确定子单元,同于将获取到的比值对应的网络模型确定为所述导航轨迹推荐模型。
24.一种导航轨迹的推荐装置,包括:
第二获取单元,用于获取用户的导航请求,其中,所述导航请求中包括起点和终点;
召回单元,用于根据所述导航请求和预先训练的导航轨迹推荐模型,召回与所述导航请求对应的导航轨迹;
输出单元,用于输出与所述导航请求对应的导航轨迹;
其中,所述导航轨迹推荐模型是基于如权利要求1-10任一项所述的方法得到的。
25.根据权利要求24所述的装置,其中,所述召回单元,包括:
第三确定子单元,用于根据所述起点和所述终点确定待导航路段;
提取子单元,用于提取所述待导航路段的路径特征;
第四确定子单元,用于根据所述待导航路段确定至少一个疑似导航轨迹;
召回子单元,用于根据所述导航轨迹推荐模型、各疑似导航轨迹、所述待导航路段的路径特征,召回与所述导航请求对应的导航轨迹。
26.根据权利要求25所述的装置,其中,所述召回子单元,包括:
第二获取模块,用于获取所述导航轨迹推荐模型的模型参数;
第三确定模块,用于根据所述模型参数和所述待导航路段的路径特征,确定每一疑似导航轨迹的通行代价;
第四确定模块,用于从各通行代价中确定最小的通行代价,并将最小的通行代价对应的疑似导航轨迹确定为与所述导航请求对应的导航轨迹。
27.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10任一项所述的方法;或者,以使所述至少一个处理器能够执行权利要求11-13任一项所述的方法。
28.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-10任一项所述的方法;或者,所述计算机指令用于使所述计算机执行根据权利要求11-13任一项所述的方法。
29.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-10任一项所述方法的步骤;或者,该计算机程序被处理器执行时实现权利要求11-13任一项所述方法的步骤。
30.一种车辆,包括:如权利要求24-26任一项所述的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210180669.8A CN114543829A (zh) | 2022-02-25 | 2022-02-25 | 模型训练方法、导航轨迹的推荐方法、装置及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210180669.8A CN114543829A (zh) | 2022-02-25 | 2022-02-25 | 模型训练方法、导航轨迹的推荐方法、装置及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114543829A true CN114543829A (zh) | 2022-05-27 |
Family
ID=81678730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210180669.8A Pending CN114543829A (zh) | 2022-02-25 | 2022-02-25 | 模型训练方法、导航轨迹的推荐方法、装置及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114543829A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687764A (zh) * | 2022-11-01 | 2023-02-03 | 北京百度网讯科技有限公司 | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 |
CN115752501A (zh) * | 2022-12-01 | 2023-03-07 | 广州小鹏自动驾驶科技有限公司 | 导航路径推荐方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108444486A (zh) * | 2017-02-16 | 2018-08-24 | 高德信息技术有限公司 | 一种导航路线排序方法和装置 |
CN109724611A (zh) * | 2019-01-08 | 2019-05-07 | 北京三快在线科技有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN111782974A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 路线推荐模型的训练和路线推荐方法、装置、设备和介质 |
WO2021051221A1 (en) * | 2019-09-16 | 2021-03-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for evaluating driving path |
CN113970338A (zh) * | 2020-07-22 | 2022-01-25 | 阿里巴巴集团控股有限公司 | 一种出行模式推荐方法、相关方法及装置和系统 |
-
2022
- 2022-02-25 CN CN202210180669.8A patent/CN114543829A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108444486A (zh) * | 2017-02-16 | 2018-08-24 | 高德信息技术有限公司 | 一种导航路线排序方法和装置 |
CN109724611A (zh) * | 2019-01-08 | 2019-05-07 | 北京三快在线科技有限公司 | 路径规划方法、装置、电子设备及存储介质 |
WO2021051221A1 (en) * | 2019-09-16 | 2021-03-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for evaluating driving path |
CN111782974A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 路线推荐模型的训练和路线推荐方法、装置、设备和介质 |
CN113970338A (zh) * | 2020-07-22 | 2022-01-25 | 阿里巴巴集团控股有限公司 | 一种出行模式推荐方法、相关方法及装置和系统 |
Non-Patent Citations (2)
Title |
---|
NAWAZ, A等: "SSMDL: Semi-supervised Multi-task Deep Learning for Transportation Mode Classification and Path Prediction with GPS Trajectories", 《WEB AND BIG DATA. 4TH INTERNATIONAL JOINT CONFERENCE, APWEB-WAIM 2020. PROCEEDINGS. LECTURE NOTES IN COMPUTER SCIENCE (LNCS 12318)》, 4 December 2020 (2020-12-04) * |
范菁;阮体洪;吴佳敏;董天阳;: "基于二次谱聚类和HMM-RF混合模型的车辆行为识别方法研究", 计算机科学, no. 05, 31 May 2016 (2016-05-31) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687764A (zh) * | 2022-11-01 | 2023-02-03 | 北京百度网讯科技有限公司 | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 |
CN115687764B (zh) * | 2022-11-01 | 2023-12-01 | 北京百度网讯科技有限公司 | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 |
CN115752501A (zh) * | 2022-12-01 | 2023-03-07 | 广州小鹏自动驾驶科技有限公司 | 导航路径推荐方法、装置、设备及存储介质 |
CN115752501B (zh) * | 2022-12-01 | 2024-03-26 | 广州小鹏汽车科技有限公司 | 导航路径推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114581180B (zh) | 一种充电站推荐方法、充电桩状态的确定方法及装置 | |
CN112050824B (zh) | 用于车辆导航的路线规划方法、装置、系统及电子设备 | |
CN111489553A (zh) | 一种路线规划方法、装置、设备和计算机存储介质 | |
CN113758494B (zh) | 导航路径规划方法、装置、设备和存储介质 | |
CN114543829A (zh) | 模型训练方法、导航轨迹的推荐方法、装置及车辆 | |
CN115585816B (zh) | 车道级地图匹配方法和装置 | |
CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
CN113899381A (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
CN114715145A (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN114625744A (zh) | 电子地图的更新方法和装置 | |
CN114689069A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
CN115687764B (zh) | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 | |
CN115046564B (zh) | 导航处理方法、装置、设备及存储介质 | |
CN114582125B (zh) | 道路通行方向的识别的方法、装置、设备及存储介质 | |
CN116386323A (zh) | 时长预测模型训练和车流速度的预估方法、装置和设备 | |
CN113850297B (zh) | 道路数据的监测方法、装置、电子设备及存储介质 | |
CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
CN114689061A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
CN112559881A (zh) | 步行路线确定方法、装置、电子设备及存储介质 | |
CN114970949B (zh) | 行驶速度预测方法、装置、电子设备及存储介质 | |
CN115031750B (zh) | 阻断路段的状态确定方法、装置及计算机程序产品 | |
CN116245215A (zh) | 预测模型获取及通行时长预测方法、装置、设备及介质 | |
CN114647799A (zh) | 路径推荐方法、路径推荐模型的训练方法及装置 | |
CN113865611B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN113902002B (zh) | 用于训练站点出入口确定模型的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |