CN115049151A - 导航路线推荐方法、装置、设备及存储介质 - Google Patents

导航路线推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115049151A
CN115049151A CN202210816462.5A CN202210816462A CN115049151A CN 115049151 A CN115049151 A CN 115049151A CN 202210816462 A CN202210816462 A CN 202210816462A CN 115049151 A CN115049151 A CN 115049151A
Authority
CN
China
Prior art keywords
machine learning
parameters
vehicle
model
learning model
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
Application number
CN202210816462.5A
Other languages
English (en)
Inventor
张�杰
吴凌宇
夏修理
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Runlian Software System Shenzhen Co Ltd
Original Assignee
Runlian Software System Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Runlian Software System Shenzhen Co Ltd filed Critical Runlian Software System Shenzhen Co Ltd
Priority to CN202210816462.5A priority Critical patent/CN115049151A/zh
Publication of CN115049151A publication Critical patent/CN115049151A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Navigation (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Development Economics (AREA)

Abstract

本申请涉及边缘计算和人工智能技术，揭露了一种导航路线推荐方法、装置、设备及存储介质，所述方法包括：获取各车辆对应的行驶数据；利用各行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至机器学习模型的损失函数达到预设要求；将各训练后的所述机器学习模型的参数，上传至车辆对应的边缘服务器进行平均处理，得到边缘模型参数，并指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆；各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新；使用更新后的机器学习模型，根据获取到的终点信息，输出导航路线。本申请实现极大地提升模型的训练质量，得到较优的导航路线。

Description

导航路线推荐方法、装置、设备及存储介质
技术领域
本申请涉及边缘计算和人工智能技术领域，尤其涉及一种导航路线推荐方法、装置、设备及存储介质。
背景技术
近年来，随着物联网和人工智能技术的快速发展，车联网已经从简单的通信交互网络转变为智能集成网络。随着这一趋势的变化出现的智能网联汽车可以相互通信，接入城市交通信息网络，支持各种人工智能应用，如自动驾驶、智能导航、道路安全检测和车载娱乐服务等。然而，支持这些应用的机器学习需要大量的训练数据，而大型模型的输入也随着参数的数量呈指数增长。此外，车辆数据隐私性阻碍了传统的基于云的大型模型训练数据的聚合。基于上述原因，跨多台机器分布式机器学习，如联邦学习，是必要的。
但现有的联邦学习不能很好的结合到车联网领域中，导致训练得到的模型较差，因此，如何将联邦学习结合到车联网中，进行机器学习模型的训练和推理，得到较优的导航路线成为了亟待解决的问题。
发明内容
本申请提供了一种导航路线推荐方法、装置、设备及存储介质，以解决现有技术中训练得到的模型质量较差，导致模型提供的导航路线较差的问题。
为解决上述问题，本申请提供了一种导航路线推荐方法，包括：
获取各车辆对应的行驶数据；
利用各所述行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求；
将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数，并指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆；
各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新；
使用更新后的机器学习模型，根据获取到的终点信息，输出导航路线。
进一步的，所述利用各所述行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求包括：
分别利用各车辆对应的行驶数据对本地的多层感知机模型分别进行训练，直至如下的损失函数达到预设要求：
Figure BDA0003740869810000021
其中，
Figure BDA0003740869810000022
表示在第i辆车辆上训练的模型参数，
Figure BDA0003740869810000023
表示训练样本集，即行驶数据，
Figure BDA0003740869810000024
表示总的训练样本数，xk和yk分别表示第k个样本的输入和对应的标签，
Figure BDA0003740869810000025
表示第k个样本的损失函数。
进一步的，所述利用各所述行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求包括：
通过采用梯度下降算法对所述损失函数进行梯度下降，以更新所述机器学习模型的参数；
当下降步数达到预设数值时，所述机器学习模型的损失函数达到预设要求，得到此时机器学习模型的参数。
进一步的，所述将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数包括：
根据接收到的第一上传指令，上传训练后的所述机器学习模型的参数，使所述边缘服务器对所述参数进行加权平均，得到初始边缘模型参数；
判断所述边缘服务器的迭代次数是否满足预设次数；
若不满足，则利用各所述行驶数据，分别对各所述车辆本地的训练后的机器学习模型进行再训练，直至所述训练后的机器学习模型的损失函数达到预设要求，得到再训练后的机器学习模型；
根据接收到的第二上传指令，将所述再训练后的机器学习模型的参数上传至所述车辆对应的边缘服务器进行加权平均，直至所述边缘服务器的迭代次数满足所述预设次数，得到边缘模型参数，其中，所述边缘服务器将预设数量的上传指令随机发送至所述车辆，所述预设数量小于所述边缘服务器管理的车辆数量。
进一步的，所述边缘服务器对所述参数进行加权平均包括：
通过如下公式对所述参数进行加权平均：
Figure BDA0003740869810000031
其中，
Figure BDA0003740869810000032
表示参数、
Figure BDA0003740869810000033
表示车辆i上的总的训练样本数、Cj·Nj表示随机选取车辆的数量，Cj表示概率、|Dj|表示边缘服务器j上的聚合数据集数。
进一步的，所述指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆包括：
指示各所述边缘服务器将所述边缘模型参数发送至云服务器，云服务器对所述边缘模型参数进行加权平均，得到最终模型参数；
所述云服务器通过边缘服务器将所述最终模型参数返回各车辆。
进一步的，在所述各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新之后，还包括：
获取本地的测试数据；
利用所述测试数据确定所述更新后的机器学习模型的准确度；
判断所述更新后的机器学习模型的准确度是否满足预设要求；
当所述更新后的机器学习模型的准确度不满足预设要求时，将利用各所述行驶数据，分别对各所述车辆本地的所述更新后的机器学习模型进行训练，直至所述更新后的机器学习模型的损失函数达到预设要求，得到第一模型；
将各所述第一模型的第一参数，上传至所述车辆对应的边缘服务器进行平均处理，得到第二参数，并指示所述边缘服务器上传所述第二参数至云服务器进行聚合更新，得到第三参数并返回至各所述车辆；
各所述车辆基于所述第三参数，对所述第一模型进行更新，得到第二模型，直至所述第二模型的准确度满足所述预设要求。
为了解决上述问题，本申请还提供一种导航路线推荐装置，所述装置包括：
获取模块，用于获取各车辆对应的行驶数据；
单独训练模块，用于利用各所述行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求；
参数递归模块，用于将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数，并指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆；
更新模块，用于各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新；
输出模块，用于使用更新后的机器学习模型，根据获取到的终点信息，输出导航路线。
为了解决上述问题，本申请还提供一种计算机设备，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如上所述的导航路线推荐方法。
为了解决上述问题，本申请还提供一种非易失性的计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的导航路线推荐方法。
根据本申请实施例提供的一种导航路线推荐方法、装置、设备及存储介质，与现有技术相比至少具有以下有益效果：
通过获取各车辆对应的行驶数据，在各车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求，保障了各车辆行驶数据的隐私性，将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数，并指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆，通过逐步聚合处理，得到最终模型参数，并返回至各所述车辆。各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新；使用更新后的机器学习模型，根据获取到的终点信息，输出导航路线。充分地发挥了云服务器和边缘服务器的既有优势，利用云边端协同进行机器学习模型的训练，极大地提升模型的训练质量，从而得到较优的导航路线。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图做一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2为本申请一实施例提供的导航路线推荐方法的流程示意图；
图3为图1中步骤S2的一种具体实施方式的流程示意图；
图4为图1中步骤S3的一种具体实施方式的流程示意图；
图5为本申请一实施例提供的导航路线推荐装置的模块示意图；
图6为本申请一实施例的计算机设备的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是是相同的实施例，也不是与其它实施例相互排斥的独立的或备选的实施例。本领域技术人员显式地或隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明属于车载边缘计算领域，主要针对车载边缘计算网络中的路线导航应用，提出了一种基于软件定义网络(Software Defined Network，SDN)的车载边缘计算系统，以及云边端协同的的分层联邦学习架构，以有效地利用当前的智能网联汽车所收集到的行驶数据以及司机/乘客的数据。并引入SDN作为中央控制单元，并将边缘服务器作为参数服务器，参与模型的训练。
如图1所示，示出了一种车载边缘计算系统，所述系统包含一个云服务器，M个边缘服务器M＝{1,2,3,...,M}，以及N辆车辆N＝{1,2,3,...,N}。在系统架构中，车辆配备了车载单元(OBU)。它们可以通过各种广泛的无线电收发器与路侧单元(RSU)通信。同时，SDN控制器可以整合从车辆和路侧单元收集到的信息，进行模型训练的控制。此外，为了实现车辆之间的高质量通信，组成车载边缘网络的每一辆车辆都配备了专用短程通信(DSRC)以及毫米微波通信(mmWave)设备，DSRC可以提供200米的低速全向通信，而mmWave提供有限范围(10m)的高速单向通信。在车载边缘网络中，DSRC用来实现控制消息和少量数据的频繁通信，而mmWave用来实现大量数据通信，增强网络对于数据密集型应用的处理能力。
本申请主要用于对用户进行导航路线的推荐，在导航路线推荐中，通常会向用户推荐2-3条路线以及其距离、耗时、费用等信息，并且选取其中一条路线为默认路线(通常为耗时最短的路线)。要达到默认选取的路线为用户的最优选，需要收集用户车辆出行的起点-终点信息，以及其路线选择，即车辆的实际行驶情况，这有助于更好地训练智能导航应用中的路径规划模型，以提高用户出行的效率和体验。然而，此服务对敏感信息数据的需求可能会侵犯用户的隐私。
在联邦学习中，通过使用服务器上的代理数据训练共享模型，并将训练后的模型发送到每个设备。在车辆使用其数据训练本地模型后，来自多个车辆本地训练的参数更新将在服务器上被聚合。由于服务器上模型的训练使用车辆本地训练的模型参数，而不涉及到车辆路径选择的原始数据，保证了模型的整个训练过程中无敏感隐私信息共享。
本申请提供一种导航路线推荐方法。参照图2所示，图2为本申请一实施例提供的导航路线推荐方法的流程示意图。
在本实施例中，导航路线推荐方法包括：
S1、获取各车辆对应的行驶数据；
具体的，各车辆终端获取到其对应的行驶数据，所述行驶数据为各车辆在正常行驶状态下的路线数据，包括路线的距离、行驶时间以及所需费用等，每个车辆的数据进行随机分隔，其中路线数据中的70％的数据作为行驶数据，用于模型训练，30％的数据作为测试数据，用于对训练后的模型进行测试。
S2、利用各所述行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求；
具体的，利用各所述行驶数据，对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数的梯度下降预设步数。
并且在进行训练之前，还将初始化系统状态，通过SDN中央控制器获取参与模型训练的车辆训练数据集、本地模型参数、边缘服务器聚合频率k1，以及云服务器聚合频率k2。设置边缘参数服务器j,1≤j≤M下用于联邦学习的车辆集合为Nj＝{1,2,3,...,Nj}。相应地，在分层的联邦学习架构中，云服务器聚合模型数据集为D，边缘服务器Mj的聚合数据集为Dj，车辆Nj上的训练数据集为Dj i。
进一步的，所述利用各所述行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求包括：
分别利用各车辆对应的行驶数据对本地的多层感知机模型分别进行训练，直至如下的损失函数达到预设要求：
Figure BDA0003740869810000071
其中，
Figure BDA0003740869810000072
表示在第i辆车辆上训练的模型参数，
Figure BDA0003740869810000073
表示训练样本集，即行驶数据，
Figure BDA0003740869810000074
表示总的训练样本数，xk和yk分别表示第k个样本的输入和对应的标签，
Figure BDA0003740869810000075
表示第k个样本的损失函数。
在本申请中，上述示出了模型的总体损失函数；通过在车辆上利用形式数据对多层感知机模型进行训练，且所述多层感知机模型，输出还使用sigmoid函数激活，将输出值在0和1之间转换，考虑到输出是二进制并使用sigmoid函数激活，针对二进制交叉熵进行了优化。使用二元交叉熵作为样本损失函数，为：
Figure BDA0003740869810000076
其中yi代表路线选取标签(0代表默认标签，1代表备选标签)，p(yi)代表路线选取的预测概率。
多层感知机(MLP，Multilayer Perceptron)模型是一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上。
通过利用各自的行驶数据对其本地的多层感知机模型进行训练，至损失函数达到预设要求，实现在保护隐私的前提下，完成模型的训练。
进一步的，如图3所示，所述利用各所述行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求包括：
S21、通过采用梯度下降算法对所述损失函数进行梯度下降，以更新所述机器学习模型的参数；
S22、当下降步数达到预设数值时，所述机器学习模型的损失函数达到预设要求，得到此时机器学习模型的参数。
具体的，具体通过梯度下降算法对所述损失函数进行梯度下降，以不断更新所述机器学习模型的参数；如梯度每下降一步，模型参数的更新如下：
Figure BDA0003740869810000081
其中，ηt表示梯度下降的步长，t表示更新步骤的索引，
Figure BDA0003740869810000082
表示在步骤t时损失函数的梯度。
当损失函数的下降步数达到预设数值时，所述预设数值根据需要自行设定，即所述机器学习模型的损失函数达到预设要求，得到此时的机器学习模型参数。所述梯度下降算法可为随机梯度下降算法或小批量梯度下降算法等。
通过采用梯度下降算法对所述损失函数进行梯度下降，以确定较优的模型参数，更好最终得到的模型质量。
S3、将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数，并指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆；
具体的，各车辆在对其本地的机器学习模型训练完毕后，将模型的参数上传给各车辆对应的边缘服务器，所述边缘服务器对接收到的参数进行加权平均，得到边缘模型参数，其中所述权重为各车辆行驶数据的量占对应所述边缘服务器下管理车辆的行驶数据总量(或边缘服务器下被抽选到参与聚合的车辆的行驶数据总量)的比例。同样的各边缘服务器得到边缘模型参数后，将边缘模型参数上传至云服务器进行加权平均，得到最终参数，其中，所述权重为各边缘服务器下管理车辆的行驶数据总量(或边缘服务器下被抽选到参与聚合的车辆的行驶数据总量)占参与训练的所有车辆的行驶数据总量(或被抽选到参与聚合的车辆的行驶数据总量)的比例。在得到最终模型参数后，将最终模型参数逐步返回各所述车辆。
进一步的，如图4所示，所述将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数包括：
S31、根据接收到的第一上传指令，上传训练后的所述机器学习模型的参数，使所述边缘服务器对所述参数进行加权平均，得到初始边缘模型参数；
S32、判断所述边缘服务器的迭代次数是否满足预设次数；
S33、若不满足，则利用各所述行驶数据，分别对各所述车辆本地的训练后的机器学习模型进行再训练，直至所述训练后的机器学习模型的损失函数达到预设要求，得到再训练后的机器学习模型；
S34、根据接收到的第二上传指令，将所述再训练后的机器学习模型的参数上传至所述车辆对应的边缘服务器进行加权平均，直至所述边缘服务器的迭代次数满足所述预设次数，得到边缘模型参数，其中，所述边缘服务器将预设数量的上传指令随机发送至所述车辆，所述预设数量小于所述边缘服务器管理的车辆数量。
具体的，在车辆本地上的机器模型训练完毕后，边缘服务器会多次随机下发预设数量的上传指令，至其下管理的车辆；例如所述边缘服务器下管理的车辆为100时，首次将下发80个第一上传指令至随机的80辆车，接收到第一上传指令的车辆，将上传训练后的所述机器学习模型的参数，使所述边缘服务器对所述参数进行加权平均，得到初始边缘模型参数；
若所述边缘服务器设定的迭代次数的预设次数，即边缘服务器聚合频率k1为2时，次数迭代次数不满足所述预设次数；
将利用各所述行驶数据，分别对各所述车辆本地的训练后的机器学习模型进行再训练，直至所述训练后的机器学习模型的损失函数达到预设要求，得到再训练后的机器学习模型。
然后边缘服务器随机发送第二上传指令，接收到的第二上传指令，将所述再训练后的机器学习模型的参数上传至所述车辆对应的边缘服务器进行加权平均，直至所述边缘服务器的迭代次数满足所述预设次数，得到边缘模型参数。
此时，次数迭代次数为2次，满足了预设次数要求，将第二次迭代得到的边缘模型参数上传至云服务器。
通过在边缘服务器设定迭代次数的要求限制，当不满足要求时，对模型进行重训练，得到新的参数，并进行聚合得到新的边缘模型参数，提高了最终得到的模型的质量，从而提高后续推荐的准确率，且仅上传模型的参数，保障了车辆的相关隐私安全。
再进一步的，所述边缘服务器对所述参数进行加权平均包括：
通过如下公式对所述参数进行加权平均：
Figure BDA0003740869810000091
其中，
Figure BDA0003740869810000101
表示参数、
Figure BDA0003740869810000102
表示车辆i上的总的训练样本数、Cj·Nj表示随机选取车辆的数量，Cj表示概率、|Dj|表示边缘服务器j上的聚合数据集数。
具体通过上述公式进行加权平均。
通过采用上述公式进行加权求和，提高了得到边缘模型参数的质量，进而提高了最终得到模型的质量。
进一步的，所述指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆包括：
指示各所述边缘服务器将所述边缘模型参数发送至云服务器，云服务器对所述边缘模型参数进行加权平均，得到最终模型参数；
所述云服务器通过边缘服务器将所述最终模型参数返回各车辆。
具体的，在各边缘服务器得到边缘模型参数后，将边缘模型参数上传至云服务器以进一步加权平均，得到最终参数，具体通过如下公式进行加权平均：
Figure BDA0003740869810000103
其中，wj(t+1)表示第j个边缘服务器的边缘模型参数、|D|表示参与训练的所有车辆的行驶数据总量。
在得到最终模型参数后，将先发送给边缘服务器，再通过边缘服务器发送给各车辆。
通过云服务器对所述边缘服务器再进行加权求和，实现获取到以大量的训练数据为基础，得到的最终模型参数，从而提高了最终得到的模型的质量，且通过分级聚合，减少各级的计算量，缓解计算压力。
S4、各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新；
具体的，各所述车辆在得到最终模型参数后，对其本地中训练后的机器学习模型进行更新，得到更新后的机器学习模型。
进一步的，在所述各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新之后，还包括：
获取本地的测试数据；
利用所述测试数据确定所述更新后的机器学习模型的准确度；
判断所述更新后的机器学习模型的准确度是否满足预设要求；
当所述更新后的机器学习模型的准确度不满足预设要求时，将利用各所述行驶数据，分别对各所述车辆本地的所述更新后的机器学习模型进行训练，直至所述更新后的机器学习模型的损失函数达到预设要求，得到第一模型；
将各所述第一模型的第一参数，上传至所述车辆对应的边缘服务器进行平均处理，得到第二参数，并指示所述边缘服务器上传所述第二参数至云服务器进行聚合更新，得到第三参数并返回至各所述车辆；
各所述车辆基于所述第三参数，对所述第一模型进行更新，得到第二模型，直至所述第二模型的准确度满足所述预设要求。
具体的，在得到更新后的机器学习模型，还对更新后的机器学习模型进行了准确度判断；通过获取到本地的测试数据，利用所述测试数据确定所述更新后的机器学习模型的准确度，即判断通过更新后的机器学习模型对测试数据进行处理，得到处理结果与所述测试数据中真实标签的偏差。判断所述更新后的机器学习模型的准确度是否满足预设要求；
当不满足预设要求时，将对更新后的机器学习模型重新进行训练，将利用各所述行驶数据，分别对各所述车辆本地的所述更新后的机器学习模型进行训练，直至所述更新后的机器学习模型的损失函数达到预设要求，得到第一模型；将各所述第一模型的第一参数，上传至所述车辆对应的边缘服务器进行平均处理，得到第二参数，并指示所述边缘服务器上传所述第二参数至云服务器进行聚合更新，得到第三参数并返回至各所述车辆；
各所述车辆基于所述第三参数，对所述第一模型进行更新，得到第二模型，再判断第二模型的准确度，若仍不满足要求，将再进行上述的训练过程，得到第三模型，直至车辆本地的机器学习模型的准确度满足所述预设要求。
对所述准确度满足预设要求的机器学习模型进行利用。
通过引入对准确度的判断，对不满足准确度要求的模型再进行训练，直至模型的准确度满足所述预设要求。提高了模型的质量，进而提高后续利用模型得到导航路线的准确度。
S5、使用更新后的机器学习模型，根据获取到的终点信息，输出导航路线。
更新后的机器学习模型可直接利用，在获取到用户输入的终点信息后，并自动获取当前所在位置，利用所述当前所在位置与终点信息输入更新后的机器学习模型处理，得到导航路线。
本实施例的导航路线推荐方法，通过获取各车辆对应的行驶数据，在各车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求，保障了各车辆行驶数据的隐私性，将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数，并指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆，通过逐步聚合处理，得到最终模型参数，并返回至各所述车辆。各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新；使用更新后的机器学习模型，根据获取到的终点信息，输出导航路线。充分地发挥了云服务器和边缘服务器的既有优势，利用云边端协同进行机器学习模型的训练，极大地提升模型的训练质量，从而得到较优的导航路线。
本实施例还提供一种导航路线推荐装置，如图5所示，是本申请导航路线推荐装置的功能模块图。
本申请所述导航路线推荐装置100可以安装于电子设备中。根据实现的功能，所述导航路线推荐装置100可以包括获取模块101、单独训练模块102、参数递归模块103、更新模块104以及输出模块105。本申请所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
获取模块101，用于获取各车辆对应的行驶数据；
单独训练模块102，用于利用各所述行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求；
进一步的，所述单独训练模块102包括训练子模块；
训练子模块，用于分别利用各车辆对应的行驶数据对本地的多层感知机模型分别进行训练，直至如下的损失函数达到预设要求：
Figure BDA0003740869810000121
其中，
Figure BDA0003740869810000122
表示在第i辆车辆上训练的模型参数，
Figure BDA0003740869810000123
表示训练样本集，即行驶数据，
Figure BDA0003740869810000124
表示总的训练样本数，xk和yk分别表示第k个样本的输入和对应的标签，
Figure BDA0003740869810000131
表示第k个样本的损失函数。
通过训练子模块，通过利用各自的行驶数据对其本地的多层感知机模型进行训练，至损失函数达到预设要求，实现在保护隐私的前提下，完成模型的训练。
进一步的，所述单独训练模块102包括梯度下降子模块和参数获取子模块；
梯度下降子模块，用于通过采用梯度下降算法对所述损失函数进行梯度下降，以更新所述机器学习模型的参数；
参数获取子模块，用于当下降步数达到预设数值时，所述机器学习模型的损失函数达到预设要求，得到此时机器学习模型的参数。
通过梯度下降子模块和参数获取子模块的配合，采用梯度下降算法对所述损失函数进行梯度下降，以确定较优的模型参数，更好最终得到的模型质量。
参数递归模块103，用于将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数，并指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆；
进一步的，所述参数递归模块103包括第一上传子模块、次数判断子模块、再训练子模块和第二上传子模块；
所述第一上传子模块，用于根据接收到的第一上传指令，上传训练后的所述机器学习模型的参数，使所述边缘服务器对所述参数进行加权平均，得到初始边缘模型参数；
所述次数判断子模块，用于判断所述边缘服务器的迭代次数是否满足预设次数；
所述再训练子模块，用于若不满足，则利用各所述行驶数据，分别对各所述车辆本地的训练后的机器学习模型进行再训练，直至所述训练后的机器学习模型的损失函数达到预设要求，得到再训练后的机器学习模型；
所述第二上传子模块，用于根据接收到的第二上传指令，将所述再训练后的机器学习模型的参数上传至所述车辆对应的边缘服务器进行加权平均，直至所述边缘服务器的迭代次数满足所述预设次数，得到边缘模型参数，其中，所述边缘服务器将预设数量的上传指令随机发送至所述车辆，所述预设数量小于所述边缘服务器管理的车辆数量。
通过第一上传子模块、次数判断子模块、再训练子模块和第二上传子模块的配合，在边缘服务器设定迭代次数的要求限制，当不满足要求时，对模型进行重训练，得到新的参数，并进行聚合得到新的边缘模型参数，提高了最终得到的模型的质量，从而提高后续推荐的准确率，且仅上传模型的参数，保障了车辆的相关隐私安全。
再进一步的，所述上传子模块包括加权平均单元；
所述加权平均单元，用于通过如下公式对所述参数进行加权平均：
Figure BDA0003740869810000141
其中，
Figure BDA0003740869810000142
表示参数、
Figure BDA0003740869810000143
表示车辆i上的总的训练样本数、Cj·Nj表示随机选取车辆的数量，Cj表示概率、|Dj|表示边缘服务器j上的聚合数据集数。
通过加权平均单元，采用上述公式进行加权求和，提高了得到边缘模型参数的质量，进而提高了最终得到模型的质量。
进一步的，所述参数递归模块103包括平均子模块和返回子模块；
所述平均子模块，用于指示各所述边缘服务器将所述边缘模型参数发送至云服务器，云服务器对所述边缘模型参数进行加权平均，得到最终模型参数；
所述返回子模块，用于所述云服务器通过边缘服务器将所述最终模型参数返回各车辆。
通过平均子模块和返回子模块的配合，在得到最终模型参数后，将先发送给边缘服务器，再通过边缘服务器发送给各车辆。
更新模块104，用于各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新；
进一步的，所述导航路线推荐装置100还包括测试数据获取模块、精准度计算模块、要求判断模块、迭代训练模块、发送模块以及再更新模块；
测试数据获取模块，用于获取本地的测试数据；
精准度计算模块，用于利用所述测试数据确定所述更新后的机器学习模型的准确度；
要求判断模块，用于判断所述更新后的机器学习模型的准确度是否满足预设要求；
迭代训练模块，用于当所述更新后的机器学习模型的准确度不满足预设要求时，将利用各所述行驶数据，分别对各所述车辆本地的所述更新后的机器学习模型进行训练，直至所述更新后的机器学习模型的损失函数达到预设要求，得到第一模型；
发送模块，用于将各所述第一模型的第一参数，上传至所述车辆对应的边缘服务器进行平均处理，得到第二参数，并指示所述边缘服务器上传所述第二参数至云服务器进行聚合更新，得到第三参数并返回至各所述车辆；
再更新模块，用于各所述车辆基于所述第三参数，对所述第一模型进行更新，得到第二模型，直至所述第二模型的准确度满足所述预设要求。
通过测试数据获取模块、精准度计算模块、要求判断模块、迭代训练模块、发送模块以及再更新模块的配合，引入对准确度的判断，对不满足准确度要求的模型再进行训练，直至模型的准确度满足所述预设要求。提高了模型的质量，进而提高后续利用模型得到导航路线的准确度。
输出模块105，用于使用更新后的机器学习模型，根据获取到的终点信息，输出导航路线。
通过采用上述装置，所述导航路线推荐装置100通过获取模块101、单独训练模块102、参数递归模块103、更新模块104以及输出模块105的配合使用，通过获取各车辆对应的行驶数据，在各车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求，保障了各车辆行驶数据的隐私性，将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数，并指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆，通过逐步聚合处理，得到最终模型参数，并返回至各所述车辆。各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新；使用更新后的机器学习模型，根据获取到的终点信息，输出导航路线。充分地发挥了云服务器和边缘服务器的既有优势，利用云边端协同进行机器学习模型的训练，极大地提升模型的训练质量，从而得到较优的导航路线。
本申请实施例还提供一种计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如导航路线推荐方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述导航路线推荐方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例导航路线推荐方法的步骤，通过获取各车辆对应的行驶数据，在各车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求，保障了各车辆行驶数据的隐私性，将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数，并指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆，通过逐步聚合处理，得到最终模型参数，并返回至各所述车辆。各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新；使用更新后的机器学习模型，根据获取到的终点信息，输出导航路线。充分地发挥了云服务器和边缘服务器的既有优势，利用云边端协同进行机器学习模型的训练，极大地提升模型的训练质量，从而得到较优的导航路线。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的导航路线推荐方法的步骤，通过获取各车辆对应的行驶数据，在各车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求，保障了各车辆行驶数据的隐私性，将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数，并指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆，通过逐步聚合处理，得到最终模型参数，并返回至各所述车辆。各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新；使用更新后的机器学习模型，根据获取到的终点信息，输出导航路线。充分地发挥了云服务器和边缘服务器的既有优势，利用云边端协同进行机器学习模型的训练，极大地提升模型的训练质量，从而得到较优的导航路线。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
本申请上述实施例的导航路线推荐装置、计算机设备、计算机可读存储介质具有与上述实施例的导航路线推荐方法相同的技术效果，在此不作展开。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种导航路线推荐方法，其特征在于，所述方法包括：
获取各车辆对应的行驶数据；
利用各所述行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求；
将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数，并指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆；
各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新；
使用更新后的机器学习模型，根据获取到的终点信息，输出导航路线。
2.根据权利要求1所述的导航路线推荐方法，其特征在于，所述利用各所述行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求包括：
分别利用各车辆对应的行驶数据对本地的多层感知机模型分别进行训练，直至如下的损失函数达到预设要求：
Figure FDA0003740869800000011
其中，
Figure FDA0003740869800000012
表示在第i辆车辆上训练的模型参数，
Figure FDA0003740869800000013
表示训练样本集，即行驶数据，
Figure FDA0003740869800000016
表示总的训练样本数，xk和yk分别表示第k个样本的输入和对应的标签，
Figure FDA0003740869800000015
表示第k个样本的损失函数。
3.根据权利要求1所述的导航路线推荐方法，其特征在于，所述利用各所述行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求包括：
通过采用梯度下降算法对所述损失函数进行梯度下降，以更新所述机器学习模型的参数；
当下降步数达到预设数值时，所述机器学习模型的损失函数达到预设要求，得到此时机器学习模型的参数。
4.根据权利要求1所述的导航路线推荐方法，其特征在于，所述将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数包括：
根据接收到的第一上传指令，上传训练后的所述机器学习模型的参数，使所述边缘服务器对所述参数进行加权平均，得到初始边缘模型参数；
判断所述边缘服务器的迭代次数是否满足预设次数；
若不满足，则利用各所述行驶数据，分别对各所述车辆本地的训练后的机器学习模型进行再训练，直至所述训练后的机器学习模型的损失函数达到预设要求，得到再训练后的机器学习模型；
根据接收到的第二上传指令，将所述再训练后的机器学习模型的参数上传至所述车辆对应的边缘服务器进行加权平均，直至所述边缘服务器的迭代次数满足所述预设次数，得到边缘模型参数，其中，所述边缘服务器将预设数量的上传指令随机发送至所述车辆，所述预设数量小于所述边缘服务器管理的车辆数量。
5.根据权利要求4所述的导航路线推荐方法，其特征在于，所述边缘服务器对所述参数进行加权平均包括：
通过如下公式对所述参数进行加权平均：
Figure FDA0003740869800000021
其中，
Figure FDA0003740869800000022
表示参数、
Figure FDA0003740869800000023
表示车辆i上的总的训练样本数、Cj·Nj表示随机选取车辆的数量，Cj表示概率、|Dj|表示边缘服务器j上的聚合数据集数。
6.根据权利要求1所述的导航路线推荐方法，其特征在于，所述指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆包括：
指示各所述边缘服务器将所述边缘模型参数发送至云服务器，云服务器对所述边缘模型参数进行加权平均，得到最终模型参数；
所述云服务器通过边缘服务器将所述最终模型参数返回各车辆。
7.根据权利要求1至6中任一项所述的导航路线推荐方法，其特征在于，在所述各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新之后，还包括：
获取本地的测试数据；
利用所述测试数据确定所述更新后的机器学习模型的准确度；
判断所述更新后的机器学习模型的准确度是否满足预设要求；
当所述更新后的机器学习模型的准确度不满足预设要求时，将利用各所述行驶数据，分别对各所述车辆本地的所述更新后的机器学习模型进行训练，直至所述更新后的机器学习模型的损失函数达到预设要求，得到第一模型；
将各所述第一模型的第一参数，上传至所述车辆对应的边缘服务器进行平均处理，得到第二参数，并指示所述边缘服务器上传所述第二参数至云服务器进行聚合更新，得到第三参数并返回至各所述车辆；
各所述车辆基于所述第三参数，对所述第一模型进行更新，得到第二模型，直至所述第二模型的准确度满足所述预设要求。
8.一种导航路线推荐装置，其特征在于，所述装置包括：
获取模块，用于获取各车辆对应的行驶数据；
单独训练模块，用于利用各所述行驶数据，分别对各所述车辆本地的机器学习模型进行训练，直至所述机器学习模型的损失函数达到预设要求；
参数递归模块，用于将各训练后的所述机器学习模型的参数，上传至所述车辆对应的边缘服务器进行平均处理，得到边缘模型参数，并指示所述边缘服务器上传边缘模型参数至云服务器进行聚合更新，得到最终模型参数并返回至各所述车辆；
更新模块，用于各所述车辆基于所述最终模型参数，对所述训练后的机器学习模型进行更新；
输出模块，用于使用更新后的机器学习模型，根据获取到的终点信息，输出导航路线。
9.一种计算机设备，其特征在于，所述计算机设备包括：
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，
所述存储器存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一所述的导航路线推荐方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一所述的导航路线推荐方法。
CN202210816462.5A 2022-07-12 2022-07-12 导航路线推荐方法、装置、设备及存储介质 Pending CN115049151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210816462.5A CN115049151A (zh) 2022-07-12 2022-07-12 导航路线推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210816462.5A CN115049151A (zh) 2022-07-12 2022-07-12 导航路线推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115049151A true CN115049151A (zh) 2022-09-13

Family

ID=83165568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210816462.5A Pending CN115049151A (zh) 2022-07-12 2022-07-12 导航路线推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115049151A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678432A (zh) * 2023-08-04 2023-09-01 江西师范大学 一种基于边缘服务下的车辆实时路径规划方法
WO2024113120A1 (en) * 2022-11-28 2024-06-06 Beijing Baidu Netcom Science Technology Co., Ltd. Artificial intelligence enabled vehicle operating system

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024113120A1 (en) * 2022-11-28 2024-06-06 Beijing Baidu Netcom Science Technology Co., Ltd. Artificial intelligence enabled vehicle operating system
CN116678432A (zh) * 2023-08-04 2023-09-01 江西师范大学 一种基于边缘服务下的车辆实时路径规划方法
CN116678432B (zh) * 2023-08-04 2023-10-24 江西师范大学 一种基于边缘服务下的车辆实时路径规划方法

Similar Documents

Publication Publication Date Title
CN110146100B (zh) 轨迹预测方法、装置及存储介质
US20220105961A1 (en) Method for automatic control of vehicle and method for training lane change intention prediction network
US11494685B2 (en) Learning system, in-vehicle device, and server
CN115049151A (zh) 导航路线推荐方法、装置、设备及存储介质
DE102017108447A1 (de) Fahrzeugmodusplanung mit gelernten Benutzerpräferenzen
CN110573837A (zh) 导航方法、装置、存储介质以及服务器
CN116346863B (zh) 基于联邦学习的车载网数据处理方法、装置、设备及介质
CN110293818A (zh) 车载空调控制方法和装置
CN112069279A (zh) 地图数据更新方法、装置、设备及可读存储介质
CN113326826A (zh) 网络模型的训练方法、装置、电子设备及存储介质
CN114495060B (zh) 一种道路交通标线识别方法及装置
CN113643532A (zh) 一种区域交通的预测方法以及设备
CN112884235A (zh) 出行推荐方法、出行推荐模型的训练方法、装置
CN111626338A (zh) 基于融合分类模型的云环境匹配方法、装置、设备和介质
US11993287B2 (en) Fleet-level AV simulation system and method
CN108304852A (zh) 道路路段类型的确定方法、装置以及存储介质、电子装置
CN111710153A (zh) 交通流量的预测方法、装置、设备及计算机存储介质
CN111383357A (zh) 一种适应目标数据集的网络模型微调方法、系统、终端和存储介质
CN116974735A (zh) 模型训练的方法、电子设备和计算机程序产品
CN113516163B (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质
CN114915940A (zh) 一种基于边云计算的车路通信链路匹配方法及系统
CN114528893A (zh) 机器学习模型训练方法、电子设备及存储介质
CN116567719B (zh) 数据传输方法、车载系统、设备和存储介质
CN115985124B (zh) 车辆行驶的控制方法、装置、存储介质及电子装置
CN114529768B (zh) 确定对象类别的方法、装置、电子设备和存储介质

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