CN115017989A - 模型训练方法、装置及电子设备 - Google Patents
模型训练方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115017989A CN115017989A CN202210620596.XA CN202210620596A CN115017989A CN 115017989 A CN115017989 A CN 115017989A CN 202210620596 A CN202210620596 A CN 202210620596A CN 115017989 A CN115017989 A CN 115017989A
- Authority
- CN
- China
- Prior art keywords
- category
- road
- route
- target
- predicted
- 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 95
- 238000012549 training Methods 0.000 title claims abstract description 61
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009877 rendering Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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"
-
- G06Q50/40—
Abstract
本公开实施例公开了一种模型训练方法、装置及电子设备,所述方法包括:获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息;所述目标路段集合包括所述样本路线上的至少一个目标路段、所述目标路段的长度以及所述目标路段的道路特征;基于所述道路特征对所述目标路段集合中的所述目标路段进行聚类;基于所述样本路线对应的所述聚类结果以及所述路线附加信息训练机器自学习模型,以确定所述目标路段类别对应的类别附加信息。该技术方案能够在新路线中出现样本路线中未曾出现过的新路段时,也可以准确预测新路线的路线附加信息。
Description
技术领域
本公开涉及导航技术领域,具体涉及一种模型训练方法、装置及电子设备。
背景技术
随着互联网技术的发展,人们的出行越来越依赖于基于位置的服务系统。基于位置的服务包括导航、路径规划、地图渲染等。路径规划服务中基于用户提供的起点和终点给出推荐的导航规划路线,并且针对导航规划路线预测行驶时间、红绿灯路口、路段收费信息等路线附加信息。路线附加信息对于用户的路线选择倾向具有一定的影响,有时甚至能够对部分用户路线选择起决定作用。因此,在路径规划服务中准确预测上述路线附加信息是必要的。以路段收费信息为例,已有技术中采用的里程计费方式,由于各地区费率、计费规则等有所不同,维护困难。此外,还有一些其他计费方式虽然能够较为准确的预测以往道路的收费信息,但是无法准确预测包括新开通路段的道路收费信息。因此,有必要提出一种解决方案,在准确预测道路收费信息等路线附加信息时,能够覆盖到新开通路段。
发明内容
本公开实施例提供一种模型训练方法、装置及电子设备。
第一方面,本公开实施例中提供了一种模型训练方法,其中,包括:
获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息;所述目标路段集合包括所述样本路线上的至少一个目标路段、所述目标路段的长度以及所述目标路段的道路特征;
基于所述道路特征对所述目标路段集合中的所述目标路段进行聚类;其中,所述道路特征相同的所述目标路段被聚为同一目标路段类别,聚类结果包括所述目标路段类别以及所述目标路段类别下目标路段的总长度;
基于所述样本路线对应的所述聚类结果以及所述路线附加信息训练机器自学习模型,以确定所述目标路段类别对应的类别附加信息。
进一步地,基于所述样本路线对应的所述聚类结果以及所述路线附加信息训练机器自学习模型,以确定所述目标路段类别对应的类别附加信息,包括:
基于所述聚类结果获得所述机器自学习模型的样本特征变量及样本特征真值;所述样本特征变量包括所述目标路段类别下目标路段的总长度,所述样本特征真值包括所述样本路线的所述路线附加信息;
利用多个所述样本路线对应的所述样本特征变量以及所述样本特征真值训练所述机器自学习模型,得到所述目标路段类别对应的类别附加信息。
进一步地,所述道路特征包括多个子特征;基于所述道路特征对所述目标路段集合中的所述目标路段进行聚类,包括:
将所述样本路线中所述多个子特征均相同的所述目标路段聚至同一目标路段类别。
进一步地,所述道路特征包括道路等级、道路构成、车道数和车速中的一种或多种的组合。
进一步地,获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息,包括:
获取样本路线;
通过在分叉路口处打断的方式将所述样本路线划分成多个目标路段,以获得所述样本路线对应的所述目标路段集合。
第二方面,本公开实施例中提供了一种附加信息预测方法,其中,包括:
获取待预测路线对应的待预测路段集合以及目标路段类别集合;所述待预测路段集合包括所述待预测路线中的待预测路段、待预测路段的长度以及所述待预测路段的道路特征;所述目标路段类别集合包括至少一个目标路段类别以及所述目标路段类别对应的类别附加信息;
基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配;
基于匹配结果中所述目标路段类别对应的类别附加信息以及所述待预测路段的长度确定所述待预测路线的路线附加信息。
进一步地,基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配,包括:
基于道路特征将所述待预测路段集合中的待预测路段进行聚类;其中,聚类结果包括具有相同道路特征的待预测路段类别以及所述待预测路段类别下待预测路段的总长度;
将所述聚类结果中的待预测路段类别与所述目标路段类别集合进行匹配,获得包括相匹配的待预测路段类别以及目标路段类别的匹配结果。
进一步地,基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配,包括:
基于道路特征确定所述待预测路段集合中所述待预测路段所属的待预测路段类别;
将所述待预测路段类别与所述目标路段类别集合进行匹配,获得包括相匹配的待预测路段类别以及目标路段类别的匹配结果。
进一步地,所述目标路段类别集合预先通过多个样本路线训练机器自学习模型得到;在训练机器自学习模型的过程中,所述样本路线的路线附加信息已知,对所述样本路线对应的目标路段集合中的目标路段进行聚类得到目标路段类别,以及利用目标路段类别下所述目标路段的长度、所述路线附加信息对所述机器自学习模型训练后,得到所述目标路段类别对应的类别附加信息。
第三方面,本公开实施例中提供了一种基于位置的服务提供方法,所述方法利用第一方面和/或第二方面所述的方法为被服务对象提供基于位置的服务,所述基于位置的服务包括:导航、地图渲染、路线规划中的一种或多种。
第四方面,本公开实施例中提供了一种模型训练装置,其中,包括:
第一获取模块,被配置为获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息;所述目标路段集合包括所述样本路线上的至少一个目标路段、所述目标路段的长度以及所述目标路段的道路特征;
聚类模块,被配置为基于所述道路特征对所述目标路段集合中的所述目标路段进行聚类;其中,所述道路特征相同的所述目标路段被聚为同一目标路段类别,聚类结果包括所述目标路段类别以及所述目标路段类别下目标路段的总长度;
训练模块,被配置为基于所述样本路线对应的所述聚类结果以及所述路线附加信息训练机器自学习模型,以确定所述目标路段类别对应的类别附加信息。
进一步地,所述训练模块,包括:
第一获取子模块,被配置为基于所述聚类结果获得所述机器自学习模型的样本特征变量及样本特征真值;所述样本特征变量包括所述目标路段类别下目标路段的总长度,所述样本特征真值包括所述样本路线的所述路线附加信息;
训练子模块,被配置为利用多个所述样本路线对应的所述样本特征变量以及所述样本特征真值训练所述机器自学习模型,得到所述目标路段类别对应的类别附加信息。
进一步地,所述道路特征包括多个子特征;所述聚类模块,包括:
第一聚类子模块,被配置为将所述样本路线中所述多个子特征均相同的所述目标路段聚至同一目标路段类别。
进一步地,所述道路特征包括道路等级、道路构成、车道数和车速中的一种或多种的组合。
进一步地,所述第一获取模块,包括:
第二获取子模块,被配置为获取样本路线;
划分子模块,被配置为通过在分叉路口处打断的方式将所述样本路线划分成多个目标路段,以获得所述样本路线对应的所述目标路段集合。
第五方面,本公开实施例中提供了一种附加信息预测装置,其中,包括:
第二获取模块,被配置为获取待预测路线对应的待预测路段集合以及目标路段类别集合;所述待预测路段集合包括所述待预测路线中的待预测路段、待预测路段的长度以及所述待预测路段的道路特征;所述目标路段类别集合包括至少一个目标路段类别以及所述目标路段类别对应的类别附加信息;
匹配模块,被配置为基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配;
确定模块,被配置为基于匹配结果中所述目标路段类别对应的类别附加信息以及所述待预测路段的长度确定所述待预测路线的路线附加信息。
进一步地,所述匹配模块,包括:
第二聚类子模块,被配置为基于道路特征将所述待预测路段集合中的待预测路段进行聚类;其中,聚类结果包括具有相同道路特征的待预测路段类别以及所述待预测路段类别下待预测路段的总长度;
第一匹配子模块,被配置为将所述聚类结果中的待预测路段类别与所述目标路段类别集合进行匹配,获得包括相匹配的待预测路段类别以及目标路段类别的匹配结果。
进一步地,所述匹配模块,包括:
确定子模块,被配置为基于道路特征确定所述待预测路段集合中所述待预测路段所属的待预测路段类别;
第二匹配子模块,被配置为将所述待预测路段类别与所述目标路段类别集合进行匹配,获得包括相匹配的待预测路段类别以及目标路段类别的匹配结果。
进一步地,所述待预测路线包括导航规划路线中入口收费站至出口收费站之间的路线;所述路线附加信息为所述待预测路线的总体道路收费信息;所述类别附加信息为所述目标路段类别下目标路段每单位长度的道路收费信息。
进一步地,所述目标路段类别集合预先通过多个样本路线训练机器自学习模型得到;在训练机器自学习模型的过程中,所述样本路线的路线附加信息已知,对所述样本路线对应的目标路段集合中的目标路段进行聚类得到目标路段类别,以及利用目标路段类别下所述目标路段的长度、所述路线附加信息对所述机器自学习模型训练后,得到所述目标路段类别对应的类别附加信息。
所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中,上述装置的结构中包括存储器和处理器,所述存储器用于存储一个或多条支持上述装置执行上述对应方法的计算机指令,所述处理器被配置为用于执行所述存储器中存储的计算机指令。上述装置还可以包括通信接口,用于上述装置与其他设备或通信网络通信。
第六方面,本公开实施例提供了一种电子设备,包括存储器、处理器以及存储在存储器上的计算机程序,其中,所述处理器执行所述计算机程序以实现上述任一方面所述的方法。
第七方面,本公开实施例提供了一种计算机可读存储介质,用于存储上述任一装置所用的计算机指令,该计算机指令被处理器执行时用于实现上述任一方面所述的方法。
第八方面,本公开实施例提供了一种计算机程序产品,其包含计算机指令,该计算机指令被处理器执行时用于实现上述任一方面所述的方法。
本公开实施例提供的技术方案可以包括以下有益效果:
本公开实施例中,为了确定新路线的路线附加信息,利用多个样本路线以及多个样本路线的已知路线附加信息,确定该样本路线中各个目标路段对应的目标路段类别的类别附加信息,其中,目标路段类别基于道路特征是否相同来划分;本实施例中通过样本路线对应的目标路段类别以及目标路段类别下各目标路段的总长度训练机器自学习模型,得到各个目标路段类别的类别附加信息。通过上述方式,可以确定样本路线所涉及的各个目标路段类别的类别附加信息,从而能够基于新路线上的待预测路段所属的目标路段类别以及类别附加信息预测该新路线的路线附加信息;该实施方式由于确定的是具有不同道路特征的目标路段类别的类别附加信息,即使新路线中出现样本路线中未曾出现过的新路段,也可以准确预测新路线的路线附加信息,扩大了覆盖面,能够进一步提高路线附加信息的预测准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示出根据本公开一实施方式的模型训练方法的流程图。
图2示出根据本公开实施方式的样本路线划分效果示意图。
图3示出根据本公开一实施方式的附加信息预测方法的流程图。
图4示出根据本公开一实施方式的地图导航场景下的应用场景示意图。
图5示出根据本公开一实施方式的模型训练装置的结构框图。
图6示出根据本公开一实施方式的附加信息预测装置的结构框图。
图7是适于用来实现根据本公开一实施方式的模型训练方法、附加信息预测方法和/或基于位置的服务提供方法的电子设备的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施方式,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施方式无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
下面通过具体实施例详细介绍本公开实施例的细节。
图1示出根据本公开一实施方式的模型训练方法的流程图。如图1所示,该模型训练方法包括以下步骤:
在步骤S101中,获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息;所述目标路段集合包括所述样本路线上的至少一个目标路段、所述目标路段的长度以及所述目标路段的道路特征;
在步骤S102中,基于所述道路特征对所述目标路段集合中的所述目标路段进行聚类;其中,所述道路特征相同的所述目标路段被聚为同一目标路段类别,聚类结果包括所述目标路段类别以及所述目标路段类别下目标路段的总长度;
在步骤S103中,基于所述样本路线对应的所述聚类结果以及所述路线附加信息训练机器自学习模型,以确定所述目标路段类别对应的类别附加信息。
本实施例中,该模型训练方法可以在云端或者服务器上执行。样本路线可以是路线附加信息已知的路线,比如车辆在高速上的行驶路线,其路线附加信息可以通过相应方式获得,以路段收费信息为例,可以通过ETC对账数据、出租车发票、网约车费用信息等获得。
在收集到大量的样本路线后,可以针对每个样本路线进行预处理。预处理过程中可以将每个样本路线划分成包括多个目标路段的目标路段集合。该目标路段集合包括目标路段的标识、目标路段的长度以及目标路段的道路特征等。
在一些实施例中,道路特征可以包括多个子特征,该多个子特征可以是道路等级、道路构成、车道数和车速中的一种或多种的组合。
目标路段的长度以及道路特征可以从路网数据获得。路网数据在制作时,通常会将以路段为单位记录路段的标识、位置、长度、道路特征以及与其他道路要素的关系等。
本实施例中获得所收集的大量样本路线后,通过对样本路线进行路段划分的方式得到每个样本路线对应的目标路段集合。进而在对所获得的目标路段集合进行聚类,聚类的依据是将道路特征一致的两个或多个目标路段聚为一类,并为该一类目标路段赋予路段类别的标识。
在一些实施例中,道路特征一致的两个或多个目标路段可以理解为道路特征完全相同的目标路段。可以理解的是,道路特征一致的两个或多个目标路段的长度可以相同也可以不同。也即道路特征不包括目标路段的长度。
将道路特征相同的一个或多个目标路段聚为一类之后,还可以计算当前样本路线中属于任意一个路段类别的所有目标路段的长度之和,该长度之和可以为该路段类别下目标路段的总长度。
因此,针对当前样本路线的目标路段聚类完成之后,得到的聚类结果包括该当前样本路线对应的各个目标路段类别以及各个目标路段类别下目标路段的长度。
在一些实施例中,目标路段类别的标识可以使用道路特征来表示。例如某个目标路段类别可以表示为类别X_道路特征X1_道路特征X2_……道路特征Xn;假如某个样本路线对应的聚类结果中包括X和Y两个目标路段类别,则该样本路线对应的聚类结果可以表示为类别X_道路特征X1_道路特征X2_……道路特征Xn、类别Y_道路特征Y1_道路特征Y2_……道路特征Yn;类别X的总长度;类别Y的总长度。
针对所收集的多个样本路线经过上述处理后,获得各自对应的聚类结果。在收集的样本路线数量足够多时,各个样本路线对应的聚类结果中包括的目标路段类别可以覆盖路网数据中全部或者大多数的路段。因此,通过构建机器自学习模型,并将各个样本路线对应的聚类结果中包括的目标路段类别的长度以及样本路线的路线附加信息作为输入训练该机器自学习模型,使得通过该机器自学习模型能够求解出各个目标路段类别对应的类别附加信息。在一些实施例中,目标路段类别对应的类别附加信息可以理解为属于该目标路段类别的目标路段所对应的单位长度下的附加信息。基于该目标路段类别对应的类别附加信息以及某个属于该目标路段类别的目标路段的长度即可确定该目标路段的类别附加信息。
在一些实施例中,该机器自学习模型可以采用线性回归模型。
在一些实施例中,路线附加信息为道路收费信息。样本路线的路线附加信息也即道路收费信息为该样本路线被划分出的目标路段对应的类别附加信息也即道路收费信息之和。一个路线上道路收费信息跟路线长度有关,因此在利用多个样本路线上的各个目标路段类别训练机器自学习模型时,可以基于目标路段类别、目标路段类别对应的总长度、样本路线的路线附加信息进行线性拟合,并且可以将目标路段类别的标识、目标路段类别对应的总长度、样本路线的路线附加信息等作为输入,训练机器自学习模型,从而求解出各个目标路段类别的类别附加信息。
本公开实施例中,为了确定新路线的路线附加信息,利用多个样本路线以及多个样本路线的已知路线附加信息,确定该样本路线中各个目标路段对应的目标路段类别的类别附加信息,其中,目标路段类别基于道路特征是否相同来划分;本实施例中通过样本路线对应的目标路段类别以及目标路段类别下各目标路段的总长度训练机器自学习模型,得到各个目标路段类别的类别附加信息。通过上述方式,可以确定样本路线所涉及的各个目标路段类别的类别附加信息,从而能够基于新路线上的待预测路段所属的目标路段类别以及类别附加信息预测该新路线的路线附加信息;该实施方式由于确定的是具有不同道路特征的目标路段类别的类别附加信息,即使新路线中出现样本路线中未曾出现过的新路段,也可以准确预测新路线的路线附加信息,扩大了覆盖面,能够进一步提高路线附加信息的预测准确率。
在本实施例的一个可选实现方式中,步骤S103,即基于所述样本路线对应的所述聚类结果以及所述路线附加信息训练机器自学习模型,以确定所述目标路段类别对应的类别附加信息的步骤,进一步包括以下步骤:
基于所述聚类结果获得所述机器自学习模型的样本特征变量及样本特征真值;所述样本特征变量包括所述目标路段类别下目标路段的总长度,所述样本特征真值包括所述样本路线的所述路线附加信息;
利用多个所述样本路线对应的所述样本特征变量以及所述样本特征真值训练所述机器自学习模型,得到所述目标路段类别对应的类别附加信息。
该可选的实现方式中,可以将样本路线对应的目标路段类别下目标路段的总长度确定为机器自学习模型的样本特征变量,而将样本路线的路线附加信息作为样本特征真值训练该机器自学习模型,以便基于该机器自学习模型求解出各个目标路段类别的类别附加信息。该机器自学习模型可以采用线性回归模型。
该线性回归模型中,样本特征变量包括目标路段类别下目标路段的总长度,而样本特征真值为样本路线的路线附加特征,求解的是目标路段类别的类别附加信息。也即线性回归模型左侧的样本特征变量包括目标路段类别下目标路段的总长度,线性回归模型右侧的样本特征真值包括样本路线的路线附加特征。
由于训练线性回归模型需要大量的样本路线,而不同样本路线中的目标路段类别可能相同也可能不同,为了能够区分相同目标路段类别以及不同目标路段类别,可以为同一个目标路段类别赋予唯一的标识,该唯一的标识可以作为机器自学习模型中的变量名称。
如上文中所述,目标路段类别的标识可以使用道路特征来表示。例如某个目标路段类别可以表示为类别X_道路特征X1_道路特征X2_……道路特征Xn;假如某个样本路线对应的聚类结果中包括X和Y两个目标路段类别,则该样本路线对应的聚类结果可以表示为类别X_道路特征X1_道路特征X2_……道路特征Xn、类别Y_道路特征Y1_道路特征Y2_……道路特征Yn;类别X的总长度;类别Y的总长度。
下面以道路收费信息为例说明:
假如对某个样本路线进行聚类后得到如下的目标类别集合:
RoadClass0_Formway1_Lane4_120,RoadClass0_Formway1_Lane2_80;5000,3000;4
其中,该目标路段类别集合中包括两个目标路段类别,第一个目标路段类别标识key1为:RoadClass0_Formway1_Lane4_120,该key1下的目标路段累计长度为5km;第二个目标路段类别key2为:RoadClass0_Formway1_Lane2_80,该key2下的目标路段累计长度为3km;包括key1和key2的样本路线的实际道路收费信息为4元。
这里的key1和key2即为机器自学习模型的训练时,需要计算出费用的一个变量名标识。
假如机器自学习模型选用线性回归模型,则模型训练过程中,基于上述样本路线得到输入数据为:
RoadClass0_Formway1_Lane4_120,RoadClass0_Formway1_Lane2_80;5000,3000;4
可以基于多个样本路线对应的输入数据,对线性回归模型进行训练,线性回归模型的训练过程也即线性求解过程。求解过程中所有输入数据中的目标路段类别key对应总长度作为输入变量x,要求解的是每个目标路段类别key对应的费用(也即类别附加信息),记为w,则可以基于线性回归模型得到如下叉乘矩阵关系:x*w=y;y为样本路线的道路收费信息,也即样本路线的路线附加信息。w为单列矩阵,其中每一行的单个元素为要求解的目标路段类别对应的费用。
输入变量x的矩阵形式如下表示:
keyA1,keyA2,....keyAn (对应于样本路线A)
keyB1,keyB2,....keyBn (对应于样本路线B)
keyC1,keyC2,....keyCn (对应于样本路线C)
n的大小即为要求解的目标路段类别的费用的个数,也即目标路段类别的个数。可以统计所有参与求解的样本路线中的目标路段类别。在实际求解过程中,每条样本路线的输入数据中可能仅包括n个目标路段类别的其中部分目标路段类别的总长度,而该样本路线中不涉及的目标路段类别的总长度可以为0。
求解过程可以简单如下表示:
其中,keyA1,keyA2,…keyAn为样本路线A中n个目标路段类别下目标路段的总长度,keyB1,keyB2,....keyBn为样本路线B中n个目标路段类别下目标路段的总长度,keyC1,keyC2,....keyCn为样本路线C中n个目标路段类别下目标路段的总长度;w1,w2,……,wn为n个目标路段类别的费用,也即类别附加信息,yA,yB和yC分别为样本路线A、B和C的道路收费信息,也即路线附加信息。
在本实施例的一个可选实现方式中,所述道路特征包括多个子特征;步骤S102,即基于所述道路特征对所述目标路段集合中的所述目标路段进行聚类的步骤,进一步包括以下步骤:
将所述样本路线中所述多个子特征均相同的所述目标路段聚至同一目标路段类别。
该可选的实现方式中,目标路段可以包括多个子特征。由于道路特征不同,不同类别的目标路段对应的附加信息也有所不同。以道路收费信息为例,由于不同道路等级、道路构成(例如高架桥、匝道等)、不同的车道宽度和车速限制,道路的建设维护成本等有所不同,因此道路收费信息也不同。因此,可以将目标路段按照道路特征进行分类,不同目标路段类别对应不同的道路特征。
在一些实施例中,目标路段可以包括道路等级、道路构成、车道数和车速中的一种或多种的组合。
在一些实施例中,目标路段的道路特征可以包括多个子特征,而划分目标路段类别时,可以将多个子特征均相同的目标路段划分为同一目标路段类别。假如目标路段的道路特征包括道路等级、道路构成、车道数和车速四个子特征,则可以将该四个子特征都相同的目标路段划分为同一目标路段类别,其中一个子特征不同时,则可以被划分成不同的目标路段类别。
在本实施例的一个可选实现方式中,步骤S101,即获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息的步骤,进一步包括以下步骤:
获取样本路线;
通过在分叉路口处打断的方式将所述样本路线划分成多个目标路段,以获得所述样本路线对应的所述目标路段集合。
该可选的实现方式中,获取的样本路线可能是一个从起点到终点的连续路线,而该连续路线可以由多个目标路段构成。为了将样本路线划分成目标路段集合的形式,可以从样本路线的起点开始搜索,遇到分叉路口后,在分叉路口处将该样本路线打断的方式进行划分,打断后得到的一段路线作为目标路段加入该样本路线的目标路段集合中,该目标路段的路段长度也加入该目标路段集合中。
图2示出根据本公开实施方式的样本路线划分效果示意图。如图2所示,对于样本路线AB、AC、AD和AF,分别进行上述方式的划分后得到的目标路段集合分别为:{AF_x1,FH_x2,HB_x3},{AF_x4,FH_x5,HC_x6},{AF_x7,FG_x8,GC_x9},{AF_x10,FG_x11,GD_x11}。其中,AF_x1中AF表示该目标路段,x1表示该目标路段的路段长度。
需要说明的是,路段(Link)是描述道路的最小数据结构,一个路段可以为路线切分出来的最小一段路,具有道路等级、道路构成、路名、长度、形状点、方向等属性信息。在电子地图的路网数据中,每个路段都会被赋予唯一标识。
图3示出根据本公开一实施方式的附加信息预测方法的流程图。如图3所示,该附加信息预测方法包括以下步骤:
在步骤S301中,获取待预测路线对应的待预测路段集合以及目标路段类别集合;所述待预测路段集合包括所述待预测路线中的待预测路段、待预测路段的长度以及所述待预测路段的道路特征;所述目标路段类别集合包括至少一个目标路段类别以及所述目标路段类别对应的类别附加信息;
在步骤S302中,基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配;
在步骤S303中,基于相匹配的所述目标路段类别对应的类别附加信息以及所述待预测路段的长度确定所述待预测路线的路线附加信息。
本实施例中,该附加信息预测方法适用于在服务器上执行,例如可以在导航服务器上执行。用户使用导航终端请求导航信息时,导航服务器可以基于导航终端提供的起点位置以及终点位置生成导航规划路线,还可以预测该导航规划路线的路线附加信息,该实施例中该导航规划路线即为待预测路线。需要说明的是,待预测路线的路线附加信息未知,而待预测路段集合中各待预测路段所属的目标路段类别的类别附加信息已预先确定,该目标路段类别集合可以包括路网数据中全部或部分目标路段类别以及该目标路段类别的类别附加信息。
在一些实施例中,待预测路线可以包括一个或者多个待预测路段,需要说明的是,路段(Link)是描述道路的最小数据结构,一个路段可以为路线切分出来的最小一段路,具有道路等级、道路构成、车道数量、车道速度、路段名、长度、形状点、方向等信息。在电子地图的路网数据中,每个路段都会被赋予路段标识。
在一些实施例中,待预测路线对应的待预测路段集合可以通过在分叉路口打断的方式将待预测路线划分成包括多个待预测路段的待预测路段集合,例如可以如下得到:
可以从待预测路线的起点开始搜索,遇到分叉路口后,在分叉路口处将该待预测路线打断的方式进行划分,打断后得到的一段路线作为待预测路段加入该待预测路线的待预测路段集合中。在一些实施例中,待预测路线为导航规划路线时,由于导航规划路线均是以路段为单位进行规划,因此待预测路段集合在生成导航规划路线已对应生成,可以直接获取,而无需执行上述划分步骤。
在一些实施例中,利用样本路线对应的目标路段集合以及样本路线对应的已知的路线附加信息,预先通过训练机器自学习模型而得到目标路段集合中各目标路段所属目标路段类别对应的类别附加信息。在一些实施例中,目标路段所属目标路段类别的类别附加信息的获取过程可以参见上文中对模型训练方法的描述,在此不再赘述。当然可以理解的是,目标路段所属目标路段类别的类别附加信息也可以通过其他方式获得,只要目标路段类别的类别附加信息已知即可,在此不做限制。
因此,获取了待预测路线对应的待预测路段集合后,可以通过将待预测路段集合中的待预测路段与目标路段类别集合进行匹配,确定待预测路线包括的所有待预测路段所属目标路段类别以及该目标路段类别的类别附加信息,进而再基于待预测路段的长度以及所属目标路段类别的类别附加信息确定待预测路线的路线附加信息。在一些实施例中,目标路段类别的类别附加信息为每单位长度的附加信息,如每单位长度的路段费用。
也就是说,本公开实施例中目标路段类别下每单位长度的附加信息已知,通过将待预测路线划分成多个待预测路段后,基于道路特征确定待预测路段所属目标路段类别,进而再基于该目标路段类别下每单位长度的附加信息以及待预测路段的长度确定待预测路线的路线附加信息。
本公开实施例中,在预测待预测路线如导航规划路线的路线附加信息时,获取该待预测路线对应的待预测路段集合,并将该待预测路段集合中的待预测路段与目标路段类别集合进行匹配,目标路段类别集合包括至少一个目标路段类别以及该至少一个目标路段类别对应的类别附加信息;基于相匹配的目标路段类别对应的类别附加信息以及待预测路段的长度确定待预测路线的路线附加信息。通过上述方式,由于预先确定了目标路段类别集合中各目标路段类别的类别附加信息,从而通过匹配该目标路段类别集合即可确定待预测路线中待预测路段的路段附加信息,从而能够确定待预测路线的路线附加信息,由于使用待预测路线上各待预测路段所属目标路段类别的已知类别附加信息确定待预测路线的路线附加信息,能够提高预测的准确率。
在本实施例的一个可选实现方式中,步骤S302,即基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配的步骤,进一步包括以下步骤:
基于道路特征将所述待预测路段集合中的待预测路段进行聚类;其中,聚类结果包括具有相同道路特征的待预测路段类别以及所述待预测路段类别下待预测路段的总长度;
将所述聚类结果中的待预测路段类别与所述目标路段类别集合进行匹配,获得包括相匹配的待预测路段类别以及目标路段类别的匹配结果。
该可选的实现方式中,可以先将待预测路段集合中的待预测路段进行聚类,聚类的依据是相同道路特征的待预测路段被聚为一类,获得一个或多个待预测路段类别,此外,还可以确定每个待预测路段类别下待预测路段的总长度。
该一个或多个待预测路段类别与目标路段类别集合中的目标路段类别进行匹配,获得包括相匹配的待预测路段类别与目标路段类别的匹配结果。
基于该匹配结果可以确定待预测路段类别的类别附加信息,进而可以基于待预测路段类别下待预测路段的总长度以及类别附加信息确定待预测路线的路线附加信息。以道路收费信息为例,待预测路线的道路收费信息可以通过将每个待预测路段类别下待预测路段的总长度与该待预测路段类别的费用信息相乘后,再将各待预测路段类别对应的乘积相加得到。
在本实施例的一个可选实现方式中,步骤S302,即基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配的步骤,进一步包括以下步骤:
基于道路特征确定所述待预测路段集合中所述待预测路段所属的待预测路段类别;
将所述待预测路段类别与所述目标路段类别集合进行匹配,获得包括相匹配的待预测路段类别以及目标路段类别的匹配结果。
该可选的实现方式中,如上文所述,目标路段类别可以基于道路特征赋予类别标识,该类别标识中包括对应的道路特征,而待预测路段的道路特征已知的情况下,可以基于该待预测路段的道路特征获取该待预测路段所属的待预测路段类别的类别标识,将该待预测路段类别的类别标识与目标路段类别集合中目标路段类别的类别标识进行匹配,可以确定与待预测路段类别相匹配的目标路段类别,从而获得相匹配的待预测路段类别与目标路段类别的匹配结果。
基于该匹配结果可以确定待预测路段类别的类别附加信息,进而可以基于待预测路段类别下待预测路段的总长度以及类别附加信息确定待预测路线的路线附加信息。以道路收费信息为例,待预测路线的道路收费信息可以通过将每个待预测路段类别下待预测路段的总长度与该待预测路段类别的费用信息相乘后,再将各待预测路段类别对应的乘积相加得到。
在本实施例的一个可选实现方式中,所述待预测路线包括导航规划路线中入口收费站至出口收费站之间的路线;所述路线附加信息为所述待预测路线的总体道路收费信息;所述类别附加信息为所述目标路段类别下目标路段每单位长度的道路收费信息。
该可选的实现方式中,可以在导航服务器上执行上述附加信息预测方法,待预测路线可以是导航服务器基于导航终端提供的起点位置和终点位置而规划的导航规划路线中的部分路线,该部分路线为入口收费站和出口收费站之间的一段路线。也即待预测路线为收费路段上的路线。路线附加信息为待预测路线的总体道路收费信息;而类别附加信息为目标路段类别下每单位长度的道路收费信息。
在本实施例的一个可选实现方式中,所述目标路段类别集合预先通过多个样本路线训练机器自学习模型得到;在训练机器自学习模型的过程中,所述样本路线的路线附加信息已知,对所述样本路线对应的目标路段集合中的目标路段进行聚类得到目标路段类别,以及利用目标路段类别下所述目标路段的长度、所述路线附加信息对所述机器自学习模型训练后,得到所述目标路段类别对应的类别附加信息。
该可选的实现方式中,可以收集到大量的样本路线,并将每个样本路线划分成包括多个目标路段的目标路段集合。划分过程中,可以从样本路线的起点开始搜索,遇到分叉路口后,在分叉路口处将该样本路线打断的方式进行划分,打断后得到的一段路线作为目标路段加入该样本路线的目标路段集合中,该目标路段的路段长度也加入该目标路段集合中。
针对每个样本路线划分得到对应的目标路段集合之后,可以基于目标路段集合以及该样本路线的路线附加信息确定目标路段集合中各个目标路段的路段附加信息。
在一些实施例中,可以将样本路线对应的目标路段集合中的目标路段进行聚类,将具有相同道路特征的目标路段聚为一类,而将道路特征不同的目标路段聚为不同类,获得样本路线对应的目标路段类别。还可以确定每个目标路段类别下目标路段的总长度,基于目标路段类别下目标路段的总长度以及样本路线的路线附加信息训练机器子学习模型后,确定各个目标路段类别的类别附加信息。
可以理解的是,每个样本路线对应的路线附加信息已知,并且该样本路线被划分成多个目标路段之后,每个目标路段的路段长度也已知,样本路线的路线附加信息基于该样本路线被划分成的各个目标路段的路段附加信息得到。而道路特征相同的目标路段的路段附加信息相同,基于此可以通过将每个样本路线中划分出的目标路段所属的目标路段类别、目标路段类别下目标路段类别的总长度以及样本路线的路线附加信息作为训练样本集,训练机器自学习模型,得到每个目标路段类别对应的类别附加信息,进而在线预测时,可以基于目标路段类别对应的类别附加信息以及该新路线中各路段所属目标路段类别及长度确定新路线的路线附加信息。在一些实施例中,该机器自学习模型可以采用线性回归模型。
在一些实施例中,路线附加信息为道路收费信息。样本路线的路线附加信息也即道路收费信息为该样本路线被划分出的目标路段对应的路段附加信息也即道路收费信息之和。一个路线上道路收费信息跟路线长度有关,因此可以利用多个样本路线上的各个目标路段所属目标路段类别及总长度、路线附加信息拟合线性回归模型,进而求解出各个目标路段类别的类别附加信息。
图4示出根据本公开一实施方式的地图导航场景下的应用场景示意图。如图4所示,收费信息确定服务器从样本库中获取样本路线及其道路收费信息;对样本路线划分成目标路段集合后,基于道路特征对目标路段集合中的目标路段进行聚类,同一目标路段类别下目标路段的长度加和得到该目标路段类别的总长度,基于目标路段类别的总长度、样本路线的道路收费信息训练线性回归模型,得到每个目标路段类别对应每公里费用。收费信息确定服务器将包括所有目标路段类别及其每公里费用的目标路段类别集合发送至导航服务器。导航服务器接收到导航终端的导航请求后,基于位置信息生成导航规划路线,并基于目标类别集合预测导航规划路线的收费信息,导航服务器将收费信息作为导航规划路线的附加信息提供给导航终端,供导航终端或者使用导航终端的用户选择相应的导航规划路线。
根据本公开一实施方式的基于位置的服务提供方法,该基于位置的服务提供方法利用上述模型训练方法和/或附加信息预测方法为被服务对象提供基于位置的服务,所述基于位置的服务包括:导航、地图渲染、路线规划中的一种或多种。
本实施例中,该基于位置的服务提供方法可以在位置服务终端上执行,位置服务终端是手机、ipad、电脑、智能手表、车载设备等。本公开实施例,可以在导航、路径规划和/或地图渲染过程中,预测路线对应的道路收费信息,进而在导航过程中可以被服务对象推送该道路收费信息,在路径规划服务中基于道路收费信息为被服务对象规划费用低的路线,和/或在地图渲染过程中,可以将路线的道路收费信息渲染在地图上,供被服务对象查看。
被服务对象可以是手机、ipad、电脑、智能手表、自动驾驶车辆、机器人等。服务器可以将上述方法获得目标道路集合和/或预测的道路收费信息下发给位置服务终端,位置服务终端在为被服务对象导航、规划路径或者渲染地图上的道路时,为被服务对象提供道路收费信息,具体细节可以参见上述对模型训练方法和/或附加信息预测方法的描述,在此不再赘述。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图5示出根据本公开一实施方式的模型训练装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图5所示,该模型训练装置包括:
第一获取模块501,被配置为获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息;所述目标路段集合包括所述样本路线上的至少一个目标路段、所述目标路段的长度以及所述目标路段的道路特征;
聚类模块502,被配置为基于所述道路特征对所述目标路段集合中的所述目标路段进行聚类;其中,所述道路特征相同的所述目标路段被聚为同一目标路段类别,聚类结果包括所述目标路段类别以及所述目标路段类别下目标路段的总长度;
训练模块503,被配置为基于所述样本路线对应的所述聚类结果以及所述路线附加信息训练机器自学习模型,以确定所述目标路段类别对应的类别附加信息。
本实施例中,该模型训练装置可以在云端或者服务器上执行。样本路线可以是路线附加信息已知的路线,比如车辆在高速上的行驶路线,其路线附加信息可以通过相应方式获得,以路段收费信息为例,可以通过ETC对账数据、出租车发票、网约车费用信息等获得。
在收集到大量的样本路线后,可以针对每个样本路线进行预处理。预处理过程中可以将每个样本路线划分成包括多个目标路段的目标路段集合。该目标路段集合包括目标路段的标识、目标路段的长度以及目标路段的道路特征等。
在一些实施例中,道路特征可以包括多个子特征,该多个子特征可以是道路等级、道路构成、车道数和车速中的一种或多种的组合。
目标路段的长度以及道路特征可以从路网数据获得。路网数据在制作时,通常会将以路段为单位记录路段的标识、位置、长度、道路特征以及与其他道路要素的关系等。
本实施例中获得所收集的大量样本路线后,通过对样本路线进行路段划分的方式得到每个样本路线对应的目标路段集合。进而在对所获得的目标路段集合进行聚类,聚类的依据是将道路特征一致的两个或多个目标路段聚为一类,并为该一类目标路段赋予路段类别的标识。
在一些实施例中,道路特征一致的两个或多个目标路段可以理解为道路特征完全相同的目标路段。可以理解的是,道路特征一致的两个或多个目标路段的长度可以相同也可以不同。也即道路特征不包括目标路段的长度。
将道路特征相同的一个或多个目标路段聚为一类之后,还可以计算当前样本路线中属于任意一个路段类别的所有目标路段的长度之和,该长度之和可以为该路段类别下目标路段的总长度。
因此,针对当前样本路线的目标路段聚类完成之后,得到的聚类结果包括该当前样本路线对应的各个目标路段类别以及各个目标路段类别下目标路段的长度。
在一些实施例中,目标路段类别的标识可以使用道路特征来表示。例如某个目标路段类别可以表示为类别X_道路特征X1_道路特征X2_……道路特征Xn;假如某个样本路线对应的聚类结果中包括X和Y两个目标路段类别,则该样本路线对应的聚类结果可以表示为类别X_道路特征X1_道路特征X2_……道路特征Xn、类别Y_道路特征Y1_道路特征Y2_……道路特征Yn;类别X的总长度;类别Y的总长度。
针对所收集的多个样本路线经过上述处理后,获得各自对应的聚类结果。在收集的样本路线数量足够多时,各个样本路线对应的聚类结果中包括的目标路段类别可以覆盖路网数据中全部或者大多数的路段。因此,通过构建机器自学习模型,并将各个样本路线对应的聚类结果中包括的目标路段类别的长度以及样本路线的路线附加信息作为输入训练该机器自学习模型,使得通过该机器自学习模型能够求解出各个目标路段类别对应的类别附加信息。在一些实施例中,目标路段类别对应的类别附加信息可以理解为属于该目标路段类别的目标路段所对应的单位长度下的附加信息。基于该目标路段类别对应的类别附加信息以及某个属于该目标路段类别的目标路段的长度即可确定该目标路段的类别附加信息。
在一些实施例中,该机器自学习模型可以采用线性回归模型。
在一些实施例中,路线附加信息为道路收费信息。样本路线的路线附加信息也即道路收费信息为该样本路线被划分出的目标路段对应的类别附加信息也即道路收费信息之和。一个路线上道路收费信息跟路线长度有关,因此在利用多个样本路线上的各个目标路段类别训练机器自学习模型时,可以基于目标路段类别、目标路段类别对应的总长度、样本路线的路线附加信息进行线性拟合,并且可以将目标路段类别的标识、目标路段类别对应的总长度、样本路线的路线附加信息等作为输入,训练机器自学习模型,从而求解出各个目标路段类别的类别附加信息。
本公开实施例中,为了确定新路线的路线附加信息,利用多个样本路线以及多个样本路线的已知路线附加信息,确定该样本路线中各个目标路段对应的目标路段类别的类别附加信息,其中,目标路段类别基于道路特征是否相同来划分;本实施例中通过样本路线对应的目标路段类别以及目标路段类别下各目标路段的总长度训练机器自学习模型,得到各个目标路段类别的类别附加信息。通过上述方式,可以确定样本路线所涉及的各个目标路段类别的类别附加信息,从而能够基于新路线上的待预测路段所属的目标路段类别以及类别附加信息预测该新路线的路线附加信息;该实施方式由于确定的是具有不同道路特征的目标路段类别的类别附加信息,即使新路线中出现样本路线中未曾出现过的新路段,也可以准确预测新路线的路线附加信息,扩大了覆盖面,能够进一步提高路线附加信息的预测准确率。
在本实施例的一个可选实现方式中,所述训练模块,包括:
第一获取子模块,被配置为基于所述聚类结果获得所述机器自学习模型的样本特征变量及样本特征真值;所述样本特征变量包括所述目标路段类别下目标路段的总长度,所述样本特征真值包括所述样本路线的所述路线附加信息;
训练子模块,被配置为利用多个所述样本路线对应的所述样本特征变量以及所述样本特征真值训练所述机器自学习模型,得到所述目标路段类别对应的类别附加信息。
该可选的实现方式中,可以将样本路线对应的目标路段类别下目标路段的总长度确定为机器自学习模型的样本特征变量,而将样本路线的路线附加信息作为样本特征真值训练该机器自学习模型,以便基于该机器自学习模型求解出各个目标路段类别的类别附加信息。该机器自学习模型可以采用线性回归模型。
该线性回归模型中,样本特征变量包括目标路段类别下目标路段的总长度,而样本特征真值为样本路线的路线附加特征,求解的是目标路段类别的类别附加信息。也即线性回归模型左侧的样本特征变量包括目标路段类别下目标路段的总长度,线性回归模型右侧的样本特征真值包括样本路线的路线附加特征。
由于训练线性回归模型需要大量的样本路线,而不同样本路线中的目标路段类别可能相同也可能不同,为了能够区分相同目标路段类别以及不同目标路段类别,可以为同一个目标路段类别赋予唯一的标识,该唯一的标识可以作为机器自学习模型中的变量名称。
如上文中所述,目标路段类别的标识可以使用道路特征来表示。例如某个目标路段类别可以表示为类别X_道路特征X1_道路特征X2_……道路特征Xn;假如某个样本路线对应的聚类结果中包括X和Y两个目标路段类别,则该样本路线对应的聚类结果可以表示为类别X_道路特征X1_道路特征X2_……道路特征Xn、类别Y_道路特征Y1_道路特征Y2_……道路特征Yn;类别X的总长度;类别Y的总长度。
下面以道路收费信息为例说明:
假如对某个样本路线进行聚类后得到如下的目标类别集合:
RoadClass0_Formway1_Lane4_120,RoadClass0_Formway1_Lane2_80;5000,3000;4
其中,该目标路段类别集合中包括两个目标路段类别,第一个目标路段类别标识key1为:RoadClass0_Formway1_Lane4_120,该key1下的目标路段累计长度为5km;第二个目标路段类别key2为:RoadClass0_Formway1_Lane2_80,该key2下的目标路段累计长度为3km;包括key1和key2的样本路线的实际道路收费信息为4元。
这里的key1和key2即为机器自学习模型的训练时,需要计算出费用的一个变量名标识。
假如机器自学习模型选用线性回归模型,则模型训练过程中,基于上述样本路线得到输入数据为:
RoadClass0_Formway1_Lane4_120,RoadClass0_Formway1_Lane2_80;5000,3000;4
可以基于多个样本路线对应的输入数据,对线性回归模型进行训练,线性回归模型的训练过程也即线性求解过程。求解过程中所有输入数据中的目标路段类别key对应总长度作为输入变量x,要求解的是每个目标路段类别key对应的费用(也即类别附加信息),记为w,则可以基于线性回归模型得到如下叉乘矩阵关系:x*w=y;y为样本路线的道路收费信息,也即样本路线的路线附加信息。w为单列矩阵,其中每一行的单个元素为要求解的目标路段类别对应的费用。
输入变量x的矩阵形式如下表示:
keyA1,keyA2,....keyAn (对应于样本路线A)
keyB1,keyB2,....keyBn (对应于样本路线B)
keyC1,keyC2,....keyCn (对应于样本路线C)
n的大小即为要求解的目标路段类别的费用的个数,也即目标路段类别的个数。可以统计所有参与求解的样本路线中的目标路段类别。在实际求解过程中,每条样本路线的输入数据中可能仅包括n个目标路段类别的其中部分目标路段类别的总长度,而该样本路线中不涉及的目标路段类别的总长度可以为0。
求解过程可以简单如下表示:
其中,keyA1,keyA2,…keyAn为样本路线A中n个目标路段类别下目标路段的总长度,keyB1,keyB2,....keyBn为样本路线B中n个目标路段类别下目标路段的总长度,keyC1,keyC2,....keyCn为样本路线C中n个目标路段类别下目标路段的总长度;w1,w2,……,wn为n个目标路段类别的费用,也即类别附加信息,yA,yB和yC分别为样本路线A、B和C的道路收费信息,也即路线附加信息。
在本实施例的一个可选实现方式中,所述道路特征包括多个子特征;所述聚类模块,包括:
第一聚类子模块,被配置为将所述样本路线中所述多个子特征均相同的所述目标路段聚至同一目标路段类别。
该可选的实现方式中,目标路段可以包括多个子特征。由于道路特征不同,不同类别的目标路段对应的附加信息也有所不同。以道路收费信息为例,由于不同道路等级、道路构成(例如高架桥、匝道等)、不同的车道宽度和车速限制,道路的建设维护成本等有所不同,因此道路收费信息也不同。因此,可以将目标路段按照道路特征进行分类,不同目标路段类别对应不同的道路特征。
在一些实施例中,目标路段可以包括道路等级、道路构成、车道数和车速中的一种或多种的组合。
在一些实施例中,目标路段的道路特征可以包括多个子特征,而划分目标路段类别时,可以将多个子特征均相同的目标路段划分为同一目标路段类别。假如目标路段的道路特征包括道路等级、道路构成、车道数和车速四个子特征,则可以将该四个子特征都相同的目标路段划分为同一目标路段类别,其中一个子特征不同时,则可以被划分成不同的目标路段类别。
在本实施例的一个可选实现方式中,所述第一获取模块,包括:
第二获取子模块,被配置为获取样本路线;
划分子模块,被配置为通过在分叉路口处打断的方式将所述样本路线划分成多个目标路段,以获得所述样本路线对应的所述目标路段集合。
该可选的实现方式中,获取的样本路线可能是一个从起点到终点的连续路线,而该连续路线可以由多个目标路段构成。为了将样本路线划分成目标路段集合的形式,可以从样本路线的起点开始搜索,遇到分叉路口后,在分叉路口处将该样本路线打断的方式进行划分,打断后得到的一段路线作为目标路段加入该样本路线的目标路段集合中,该目标路段的路段长度也加入该目标路段集合中。
需要说明的是,路段(Link)是描述道路的最小数据结构,一个路段可以为路线切分出来的最小一段路,具有道路等级、道路构成、路名、长度、形状点、方向等属性信息。在电子地图的路网数据中,每个路段都会被赋予唯一标识。
图6示出根据本公开一实施方式的附加信息预测装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图6所示,该附加信息预测装置包括:
第二获取模块601,被配置为获取待预测路线对应的待预测路段集合以及目标路段类别集合;所述待预测路段集合包括所述待预测路线中的待预测路段、待预测路段的长度以及所述待预测路段的道路特征;所述目标路段类别集合包括至少一个目标路段类别以及所述目标路段类别对应的类别附加信息;
匹配模块602,被配置为基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配;
确定模块603,被配置为基于匹配结果中所述目标路段类别对应的类别附加信息以及所述待预测路段的长度确定所述待预测路线的路线附加信息。
本实施例中,该附加信息预测装置适用于在服务器上运行,例如可以在导航服务器上执行。用户使用导航终端请求导航信息时,导航服务器可以基于导航终端提供的起点位置以及终点位置生成导航规划路线,还可以预测该导航规划路线的路线附加信息,该实施例中该导航规划路线即为待预测路线。需要说明的是,待预测路线的路线附加信息未知,而待预测路段集合中各待预测路段所属的目标路段类别的类别附加信息已预先确定,该目标路段类别集合可以包括路网数据中全部或部分目标路段类别以及该目标路段类别的类别附加信息。
在一些实施例中,待预测路线可以包括一个或者多个待预测路段,需要说明的是,路段(Link)是描述道路的最小数据结构,一个路段可以为路线切分出来的最小一段路,具有道路等级、道路构成、车道数量、车道速度、路段名、长度、形状点、方向等信息。在电子地图的路网数据中,每个路段都会被赋予路段标识。
在一些实施例中,待预测路线对应的待预测路段集合可以通过在分叉路口打断的方式将待预测路线划分成包括多个待预测路段的待预测路段集合,例如可以如下得到:
可以从待预测路线的起点开始搜索,遇到分叉路口后,在分叉路口处将该待预测路线打断的方式进行划分,打断后得到的一段路线作为待预测路段加入该待预测路线的待预测路段集合中。在一些实施例中,待预测路线为导航规划路线时,由于导航规划路线均是以路段为单位进行规划,因此待预测路段集合在生成导航规划路线已对应生成,可以直接获取,而无需执行上述划分步骤。
在一些实施例中,利用样本路线对应的目标路段集合以及样本路线对应的已知的路线附加信息,预先通过训练机器自学习模型而得到目标路段集合中各目标路段所属目标路段类别对应的类别附加信息。在一些实施例中,目标路段所属目标路段类别的类别附加信息的获取过程可以参见上文中对模型训练装置的描述,在此不再赘述。当然可以理解的是,目标路段所属目标路段类别的类别附加信息也可以通过其他方式获得,只要目标路段类别的类别附加信息已知即可,在此不做限制。
因此,获取了待预测路线对应的待预测路段集合后,可以通过将待预测路段集合中的待预测路段与目标路段类别集合进行匹配,确定待预测路线包括的所有待预测路段所属目标路段类别以及该目标路段类别的类别附加信息,进而再基于待预测路段的长度以及所属目标路段类别的类别附加信息确定待预测路线的路线附加信息。在一些实施例中,目标路段类别的类别附加信息为每单位长度的附加信息,如每单位长度的路段费用。
也就是说,本公开实施例中目标路段类别下每单位长度的附加信息已知,通过将待预测路线划分成多个待预测路段后,基于道路特征确定待预测路段所属目标路段类别,进而再基于该目标路段类别下每单位长度的附加信息以及待预测路段的长度确定待预测路线的路线附加信息。
本公开实施例中,在预测待预测路线如导航规划路线的路线附加信息时,获取该待预测路线对应的待预测路段集合,并将该待预测路段集合中的待预测路段与目标路段类别集合进行匹配,目标路段类别集合包括至少一个目标路段类别以及该至少一个目标路段类别对应的类别附加信息;基于相匹配的目标路段类别对应的类别附加信息以及待预测路段的长度确定待预测路线的路线附加信息。通过上述方式,由于预先确定了目标路段类别集合中各目标路段类别的类别附加信息,从而通过匹配该目标路段类别集合即可确定待预测路线中待预测路段的路段附加信息,从而能够确定待预测路线的路线附加信息,由于使用待预测路线上各待预测路段所属目标路段类别的已知类别附加信息确定待预测路线的路线附加信息,能够提高预测的准确率。
在本实施例的一个可选实现方式中,所述匹配模块,包括:
第二聚类子模块,被配置为基于道路特征将所述待预测路段集合中的待预测路段进行聚类;其中,聚类结果包括具有相同道路特征的待预测路段类别以及所述待预测路段类别下待预测路段的总长度;
第一匹配子模块,被配置为将所述聚类结果中的待预测路段类别与所述目标路段类别集合进行匹配,获得包括相匹配的待预测路段类别以及目标路段类别的匹配结果。
该可选的实现方式中,可以先将待预测路段集合中的待预测路段进行聚类,聚类的依据是相同道路特征的待预测路段被聚为一类,获得一个或多个待预测路段类别,此外,还可以确定每个待预测路段类别下待预测路段的总长度。
该一个或多个待预测路段类别与目标路段类别集合中的目标路段类别进行匹配,获得包括相匹配的待预测路段类别与目标路段类别的匹配结果。
基于该匹配结果可以确定待预测路段类别的类别附加信息,进而可以基于待预测路段类别下待预测路段的总长度以及类别附加信息确定待预测路线的路线附加信息。以道路收费信息为例,待预测路线的道路收费信息可以通过将每个待预测路段类别下待预测路段的总长度与该待预测路段类别的费用信息相乘后,再将各待预测路段类别对应的乘积相加得到。
在本实施例的一个可选实现方式中,所述匹配模块,包括:
确定子模块,被配置为基于道路特征确定所述待预测路段集合中所述待预测路段所属的待预测路段类别;
第二匹配子模块,被配置为将所述待预测路段类别与所述目标路段类别集合进行匹配,获得包括相匹配的待预测路段类别以及目标路段类别的匹配结果。
该可选的实现方式中,如上文所述,目标路段类别可以基于道路特征赋予类别标识,该类别标识中包括对应的道路特征,而待预测路段的道路特征已知的情况下,可以基于该待预测路段的道路特征获取该待预测路段所属的待预测路段类别的类别标识,将该待预测路段类别的类别标识与目标路段类别集合中目标路段类别的类别标识进行匹配,可以确定与待预测路段类别相匹配的目标路段类别,从而获得相匹配的待预测路段类别与目标路段类别的匹配结果。
基于该匹配结果可以确定待预测路段类别的类别附加信息,进而可以基于待预测路段类别下待预测路段的总长度以及类别附加信息确定待预测路线的路线附加信息。以道路收费信息为例,待预测路线的道路收费信息可以通过将每个待预测路段类别下待预测路段的总长度与该待预测路段类别的费用信息相乘后,再将各待预测路段类别对应的乘积相加得到。
在本实施例的一个可选实现方式中,所述待预测路线包括导航规划路线中入口收费站至出口收费站之间的路线;所述路线附加信息为所述待预测路线的总体道路收费信息;所述类别附加信息为所述目标路段类别下目标路段每单位长度的道路收费信息。
该可选的实现方式中,可以在导航服务器上执行上述附加信息预测装置,待预测路线可以是导航服务器基于导航终端提供的起点位置和终点位置而规划的导航规划路线中的部分路线,该部分路线为入口收费站和出口收费站之间的一段路线。也即待预测路线为收费路段上的路线。路线附加信息为待预测路线的总体道路收费信息;而类别附加信息为目标路段类别下每单位长度的道路收费信息。
在本实施例的一个可选实现方式中,所述目标路段类别集合预先通过多个样本路线训练机器自学习模型得到;在训练机器自学习模型的过程中,所述样本路线的路线附加信息已知,对所述样本路线对应的目标路段集合中的目标路段进行聚类得到目标路段类别,以及利用目标路段类别下所述目标路段的长度、所述路线附加信息对所述机器自学习模型训练后,得到所述目标路段类别对应的类别附加信息。
该可选的实现方式中,可以收集到大量的样本路线,并将每个样本路线划分成包括多个目标路段的目标路段集合。划分过程中,可以从样本路线的起点开始搜索,遇到分叉路口后,在分叉路口处将该样本路线打断的方式进行划分,打断后得到的一段路线作为目标路段加入该样本路线的目标路段集合中,该目标路段的路段长度也加入该目标路段集合中。
针对每个样本路线划分得到对应的目标路段集合之后,可以基于目标路段集合以及该样本路线的路线附加信息确定目标路段集合中各个目标路段的路段附加信息。
在一些实施例中,可以将样本路线对应的目标路段集合中的目标路段进行聚类,将具有相同道路特征的目标路段聚为一类,而将道路特征不同的目标路段聚为不同类,获得样本路线对应的目标路段类别。还可以确定每个目标路段类别下目标路段的总长度,基于目标路段类别下目标路段的总长度以及样本路线的路线附加信息训练机器子学习模型后,确定各个目标路段类别的类别附加信息。
可以理解的是,每个样本路线对应的路线附加信息已知,并且该样本路线被划分成多个目标路段之后,每个目标路段的路段长度也已知,样本路线的路线附加信息基于该样本路线被划分成的各个目标路段的路段附加信息得到。而道路特征相同的目标路段的路段附加信息相同,基于此可以通过将每个样本路线中划分出的目标路段所属的目标路段类别、目标路段类别下目标路段类别的总长度以及样本路线的路线附加信息作为训练样本集,训练机器自学习模型,得到每个目标路段类别对应的类别附加信息,进而在线预测时,可以基于目标路段类别对应的类别附加信息以及该新路线中各路段所属目标路段类别及长度确定新路线的路线附加信息。在一些实施例中,该机器自学习模型可以采用线性回归模型。
在一些实施例中,路线附加信息为道路收费信息。样本路线的路线附加信息也即道路收费信息为该样本路线被划分出的目标路段对应的路段附加信息也即道路收费信息之和。一个路线上道路收费信息跟路线长度有关,因此可以利用多个样本路线上的各个目标路段所属目标路段类别及总长度、路线附加信息拟合线性回归模型,进而求解出各个目标路段类别的类别附加信息。
根据本公开一实施方式的基于位置的服务提供装置,该基于位置的服务提供装置利用上述模型训练装置和/或附加信息预测装置为被服务对象提供基于位置的服务,所述基于位置的服务包括:导航、地图渲染、路线规划中的一种或多种。
本实施例中,该基于位置的服务提供装置可以在位置服务终端上执行,位置服务终端是手机、ipad、电脑、智能手表、车载设备等。本公开实施例,可以在导航、路径规划和/或地图渲染过程中,预测路线对应的道路收费信息,进而在导航过程中可以被服务对象推送该道路收费信息,在路径规划服务中基于道路收费信息为被服务对象规划费用低的路线,和/或在地图渲染过程中,可以将路线的道路收费信息渲染在地图上,供被服务对象查看。
被服务对象可以是手机、ipad、电脑、智能手表、自动驾驶车辆、机器人等。服务器可以将上述装置获得目标道路集合和/或预测的道路收费信息下发给位置服务终端,位置服务终端在为被服务对象导航、规划路径或者渲染地图上的道路时,为被服务对象提供道路收费信息,具体细节可以参见上述对模型训练装置和/或附加信息预测装置的描述,在此不再赘述。
图7是适于用来实现根据本公开一实施方式的模型训练方法、附加信息预测方法和/或基于位置的服务提供方法的电子设备的结构示意图。
如图7所示,电子设备700包括处理单元701,其可实现为CPU、GPU、FPGA、NPU等处理单元。处理单元701可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行本公开上述任一方法的实施方式中的各种处理。在RAM703中,还存储有电子设备700操作所需的各种程序和数据。处理单元701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施方式,上文参考本公开实施方式中的任一方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行本公开实施方式中任一方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的系统、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,路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,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,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。
描述于本公开实施方式中所涉及到的单元或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。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开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,本公开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所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。例如上述特征与本公开中公开的(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 (14)
1.一种模型训练方法,其中,包括:
获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息;所述目标路段集合包括所述样本路线上的至少一个目标路段、所述目标路段的长度以及所述目标路段的道路特征;
基于所述道路特征对所述目标路段集合中的所述目标路段进行聚类;其中,所述道路特征相同的所述目标路段被聚为同一目标路段类别,聚类结果包括所述目标路段类别以及所述目标路段类别下目标路段的总长度;
基于所述样本路线对应的所述聚类结果以及所述路线附加信息训练机器自学习模型,以确定所述目标路段类别对应的类别附加信息。
2.根据权利要求1所述的方法,其中,基于所述样本路线对应的所述聚类结果以及所述路线附加信息训练机器自学习模型,以确定所述目标路段类别对应的类别附加信息,包括:
基于所述聚类结果获得所述机器自学习模型的样本特征变量及样本特征真值;所述样本特征变量包括所述目标路段类别下目标路段的总长度,所述样本特征真值包括所述样本路线的所述路线附加信息;
利用多个所述样本路线对应的所述样本特征变量以及所述样本特征真值训练所述机器自学习模型,得到所述目标路段类别对应的类别附加信息。
3.根据权利要求1或2所述的方法,其中,所述道路特征包括多个子特征;基于所述道路特征对所述目标路段集合中的所述目标路段进行聚类,包括:
将所述样本路线中所述多个子特征均相同的所述目标路段聚至同一目标路段类别。
4.根据权利要求1或2所述的方法,其中,所述道路特征包括道路等级、道路构成、车道数和车速中的一种或多种的组合。
5.根据权利要求1或2所述的方法,其中,获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息,包括:
获取样本路线;
通过在分叉路口处打断的方式将所述样本路线划分成多个目标路段,以获得所述样本路线对应的所述目标路段集合。
6.一种附加信息预测方法,其中,包括:
获取待预测路线对应的待预测路段集合以及目标路段类别集合;所述待预测路段集合包括所述待预测路线中的待预测路段、待预测路段的长度以及所述待预测路段的道路特征;所述目标路段类别集合包括至少一个目标路段类别以及所述目标路段类别对应的类别附加信息;
基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配;
基于匹配结果中所述目标路段类别对应的类别附加信息以及所述待预测路段的长度确定所述待预测路线的路线附加信息。
7.根据权利要求6所述的方法,其中,基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配,包括:
基于道路特征将所述待预测路段集合中的待预测路段进行聚类;其中,聚类结果包括具有相同道路特征的待预测路段类别以及所述待预测路段类别下待预测路段的总长度;
将所述聚类结果中的待预测路段类别与所述目标路段类别集合进行匹配,获得包括相匹配的待预测路段类别以及目标路段类别的匹配结果。
8.根据权利要求6所述的方法,其中,基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配,包括:
基于道路特征确定所述待预测路段集合中所述待预测路段所属的待预测路段类别;
将所述待预测路段类别与所述目标路段类别集合进行匹配,获得包括相匹配的待预测路段类别以及目标路段类别的匹配结果。
9.根据权利要求6-8任一项所述的方法,其中,所述目标路段类别集合预先通过多个样本路线训练机器自学习模型得到;在训练机器自学习模型的过程中,所述样本路线的路线附加信息已知,对所述样本路线对应的目标路段集合中的目标路段进行聚类得到目标路段类别,以及利用目标路段类别下所述目标路段的长度、所述路线附加信息对所述机器自学习模型训练后,得到所述目标路段类别对应的类别附加信息。
10.一种基于位置的服务提供方法,所述方法利用权利要求1-9任一项所述的方法为被服务对象提供基于位置的服务,所述基于位置的服务包括:导航、地图渲染、路线规划中的一种或多种。
11.一种模型训练装置,其中,包括:
第一获取模块,被配置为获取样本路线对应的目标路段集合以及所述样本路线对应的路线附加信息;所述目标路段集合包括所述样本路线上的至少一个目标路段、所述目标路段的长度以及所述目标路段的道路特征;
聚类模块,被配置为基于所述道路特征对所述目标路段集合中的所述目标路段进行聚类;其中,所述道路特征相同的所述目标路段被聚为同一目标路段类别,聚类结果包括所述目标路段类别以及所述目标路段类别下目标路段的总长度;
训练模块,被配置为基于所述样本路线对应的所述聚类结果以及所述路线附加信息训练机器自学习模型,以确定所述目标路段类别对应的类别附加信息。
12.一种附加信息预测装置,其中,包括:
第二获取模块,被配置为获取待预测路线对应的待预测路段集合以及目标路段类别集合;所述待预测路段集合包括所述待预测路线中的待预测路段、待预测路段的长度以及所述待预测路段的道路特征;所述目标路段类别集合包括至少一个目标路段类别以及所述目标路段类别对应的类别附加信息;
匹配模块,被配置为基于所述道路特征将所述待预测路段集合中的所述待预测路段与所述目标路段类别集合中的目标路段类别进行匹配;
确定模块,被配置为基于匹配结果中所述目标路段类别对应的类别附加信息以及所述待预测路段的长度确定所述待预测路线的路线附加信息。
13.一种电子设备,其中,包括存储器、处理器以及存储在存储器上的计算机程序,其中,所述处理器执行所述计算机程序以实现权利要求1-10任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机指令,其中,该计算机指令被处理器执行时实现权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210620596.XA CN115017989A (zh) | 2022-06-01 | 2022-06-01 | 模型训练方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210620596.XA CN115017989A (zh) | 2022-06-01 | 2022-06-01 | 模型训练方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115017989A true CN115017989A (zh) | 2022-09-06 |
Family
ID=83072151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210620596.XA Pending CN115017989A (zh) | 2022-06-01 | 2022-06-01 | 模型训练方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017989A (zh) |
-
2022
- 2022-06-01 CN CN202210620596.XA patent/CN115017989A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dandl et al. | Comparing future autonomous electric taxis with an existing free-floating carsharing system | |
Ma et al. | Real-time city-scale taxi ridesharing | |
Cobo et al. | A bibliometric analysis of the intelligent transportation systems research based on science mapping | |
CN103557870B (zh) | 一种动态轨迹导航方法及云平台 | |
CN113763700B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
Ni et al. | Agent-based modelling and simulation to assess the impact of parking reservation system | |
EP2825849B1 (en) | Method and system for determining routes of vehicles | |
CN106875734B (zh) | 一种推送停车路线的方法及装置 | |
Huang et al. | Travel time prediction using tree-based ensembles | |
CN110942198A (zh) | 一种用于轨道交通运营的乘客路径识别方法和系统 | |
CN112734956B (zh) | 一种etc门架确定的方法、装置及存储介质 | |
CN108332754B (zh) | 路径优化方法、装置、电子设备及计算机存储介质 | |
EP2659227B1 (en) | Incremental network generation providing seamless network | |
CN114863047A (zh) | 路口虚拟线绘制方法、装置、电子设备及计算机程序产品 | |
JP7121154B2 (ja) | 配送計画作成方法、装置、システムおよびコンピュータ読み取り可能な記憶媒体 | |
Monnot et al. | Routing games in the wild: Efficiency, equilibration, regret, and a price of anarchy bound via long division | |
CN115017989A (zh) | 模型训练方法、装置及电子设备 | |
CN114719880B (zh) | 模型训练方法、装置及电子设备 | |
Rodrigues et al. | Hybrid context-aware multimodal routing | |
CN111831931B (zh) | 一种上车点排序、信息排序的方法及装置 | |
CN114822050A (zh) | 路况识别方法、电子设备及计算机程序产品 | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
CN115077528A (zh) | 模型训练方法、装置及电子设备 | |
CN111582962B (zh) | 一种服务状态识别方法及装置 | |
CN109711451A (zh) | 一种数据处理方法、装置、电子设备及存储介质 |
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 |