CN115222036A - 模型的训练方法、表征信息的获取方法和路线规划方法 - Google Patents
模型的训练方法、表征信息的获取方法和路线规划方法 Download PDFInfo
- Publication number
- CN115222036A CN115222036A CN202110409953.3A CN202110409953A CN115222036A CN 115222036 A CN115222036 A CN 115222036A CN 202110409953 A CN202110409953 A CN 202110409953A CN 115222036 A CN115222036 A CN 115222036A
- Authority
- CN
- China
- Prior art keywords
- navigation behavior
- navigation
- information
- route
- feature
- 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
- 238000012549 training Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 140
- 238000012512 characterization method Methods 0.000 title claims abstract description 96
- 230000006399 behavior Effects 0.000 claims abstract description 289
- 238000004590 computer program Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 24
- 230000009471 action Effects 0.000 claims description 18
- 230000003068 static effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 21
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 101150034459 Parpbp gene Proteins 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
Abstract
本公开实施例涉及一种表征信息获取模型的训练方法和装置、表征信息的获取方法和装置、路线规划方法和装置,以及电子设备、计算机存储介质和计算机程序产品。该训练方法包括:获取待表征对象的导航行为特征序列,导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息;获取对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,对象包括待表征对象和除待表征对象外其他对象;基于待表征对象的导航行为特征序列,以及对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本;用训练样本对表征信息获取模型进行训练,获取训练后的表征信息获取模型,能够得到较为精准的表征信息获取模型。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种表征信息获取模型的训练方法和装置、表征信息的获取方法和装置、路线规划方法和装置,以及电子设备、计算机存储介质和计算机程序产品。
背景技术
随着计算机技术的发展,导航技术和导航软件在日常生活中的应用逐渐增多。对象(例如终端用户)通过使用导航软件,可以自主、便捷地选择能够到达目的地的路线,提高了用户出行的便利性。
现有技术中,导航软件将出发地与目的地之间的所有可选路线按照预设规则推荐给用户,由用户从其中选择满足需求的路线。如此,导致无法针对不同用户,个性化的规划路线,用户体验较差。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种表征信息获取模型的训练方法和装置、表征信息的获取方法和装置、路线规划方法和装置,以及电子设备、计算机存储介质和计算机程序产品。
本公开实施例提供了一种表征信息获取模型的训练方法,包括:
获取待表征对象的导航行为特征序列,所述导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息;
获取对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,所述对象包括待表征对象和除待表征对象外其他对象;
基于所述待表征对象的导航行为特征序列,以及对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本;
用训练样本对所述表征信息获取模型进行训练,获取训练后的表征信息获取模型。
本公开实施例还提供了一种对象表征信息的获取方法,包括:
获取对象的导航行为特征序列,所述导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息;
基于所述对象的导航行为特征序列,通过上述任一种方法训练得到的表征信息获取模型获取所述对象的表征信息。
本公开实施例还提供了一种路线规划方法,包括:
获取基于上述任一种对象表征信息的获取方法得到的对象的表征信息;
至少基于所述对象的表征信息、对象选择的起终点以及路况信息,确定向对象推荐的规划路线。
本公开实施例还提供了一种表征信息获取模型的训练装置,包括:
序列获取模块,用于待表征对象的导航行为特征序列,所述导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息;
特征信息获取模块,用于获取对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,所述对象包括待表征对象和除待表征对象外其他对象;
样本生成模块,用于基于所述待表征对象的导航行为特征序列,以及每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本;
训练模块,用于用训练样本对所述表征信息获取模型进行训练,获取训练后的表征信息获取模型。
本公开实施例还提供了一种对象表征信息的获取装置,包括:
序列获取模块,用于获取待表征对象的导航行为特征序列,所述导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息;
表征信息获取模块,用于基于所述待表征对象的导航行为特征序列,通过上述任一种装置训练得到的表征信息获取模型获取所述对象的表征信息。
本公开实施例还提供了一种路线规划装置,包括:
表征信息获取模块,用于获取基于上述任一种对象表征信息的获取装置得到的对象的表征信息;
路线规划模块,用于至少基于所述对象的表征信息、对象选择的起终点,确定向对象推荐的规划路线。
本公开实施例还提供了一种地图导航系统,包括上述任一种路线规划装置。
本公开实施例还提供了一种网约车平台系统,包括上述任一种路线规划装置。
本公开实施例还提供了一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现权上述任一种表征信息获取模型的训练方法、上述任一种对象表征信息的获取方法或者上述任一种路线规划方法。
本公开实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述任一种表征信息获取模型的训练方法、上述任一种对象表征信息的获取方法或者上述任一种路线规划方法。
本公开实施例还提供了一种计算机程序产品,所述计算机程序产品用于执行上述任一种表征信息获取模型的训练方法、上述任一种对象表征信息的获取方法或者上述任一种路线规划方法。
本公开实施例提供的技术方案与现有技术相比至少具有如下优点:在本公开实施例中,通过获取待表征对象的导航行为特征序列,该导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息;获取包括待表征对象和除待表征对象外其他对象在内的对象的每次导航行为的实走覆盖率最大的规划路线的特征信息;并基于待表征对象的导航行为特征序列,以及对象的每次导航行为的实走覆盖率最大的规划路线的特征信息生成训练样本,用该训练样本对表征信息获取模型进行训练,获取训练后的表征信息获取模型。其中,基于导航行为特征序列和每次导航行为的实走覆盖率最大的规划路线的特征信息,能够提取到用于表征对象偏好的信息,即对象表征信息;由此,针对不同的待表征对象,通过获取待表征对象的导航行为特征序列以及待表征对象和除待表征对象外其他对象的实走覆盖率最大的规划路线的特征信息,并基于此构建用于训练模型的训练样本;进一步地,利用该训练样本对表征信息获取模型进行训练,能够得到可较为精准地确定待表征对象的表征信息的表征信息获取模型,从而可利用训练得到的表征信息获取模型实现自动化捕捉对象表征信息,确定对象偏好,进而有利于实现基于对象偏好,针对性地进行个性化路线规划,进而提升对象导航体验。同时,表征信息可以基于对象的导航行为特征序列的原始信息直接获取,不存在数据分析者的经验对模型训练的局限的问题,使得该表征信息获取模型易于维护且可实现对象导航行为特征序列的有效利用。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种表征信息获取模型的训练方法的流程示意图;
图2为图1所示方法中,S103的具体流程示意图;
图3为本公开实施例提供的另一种表征信息获取模型的训练方法的流程示意图;
图4为本公开实施例提供的一种表征信息获取模型的结构示意图;
图5为图1所示流程中,S104的具体流程示意图;
图6为图5所示流程中,S301的具体流程示意图;
图7为本公开实施例提供的一种对象表征信息的获取方法的流程示意图;
图8为本公开实施例提供的一种路线规划方法的流程示意图;
图9为本公开实施例提供的一种表征信息获取模型的训练装置的结构示意图;
图10为本公开实施例提供的另一种表征信息获取模型的训练装置的结构示意图;
图11为本公开实施例提供的一种对象表征信息的获取装置的结构示意图;
图12为本公开实施例提供的一种路线规划装置的结构示意图;
图13为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
针对现有技术中无法针对不同对象实现个性化推路的问题,相关技术提出一种基于对象历史导航行为统计的标识方法,具体可包括:获取对象历史导航信息;统计对象历史导航信息中的特征指标,例如对象选择时间更短的路线的次数、对象选择收费更少的路线的次数等;将统计的特征指标作为训练模型的输入,提供给模型对象个性化的信息。但是,该方法中对于特征指标的统计基于数据分析者的经验指定统计规则,在对对象偏好提取的精度和召回上都存在一定的局限性;同时,对象偏好随着时间的推移会不断发生变化,基于特征指标统计的方法很难捕捉到这种变化,导致在对象偏好发生改变时,模型无法及时进行适配,导致对象偏好提取的精度较差。
针对上述至少部分问题,本公开实施例提供了一种基于待表征对象的导航行为特征序列和对象(包括待表征对象和除待表征对象外其他对象)的实走覆盖率最大的规划路线的特征信息,生成训练样本;并利用该训练样本对表征信息获取模型进行训练,以获取训练后的、能够较准确地提取对象偏好的表征信息获取模型的方法。该方法可视为一种对象个性化偏好自动化挖掘学习模型的训练方法,训练后的表征信息获取模型可基于对象的导航行为特征序列获取对象表征信息,即提取对象的个性化偏好(即“对象偏好”),可用于辅助个性化推路,使路线规划可满足不同对象的个性化需求,提高对象导航体验。
其中,该表征信息获取模型的训练方法、表征信息的获取方法以及路线规划方法,可适用于各种应用路线规划技术和导航技术的场景中,例如包括对象自主驾车、骑车或步行时导航,也包括对象线下打车、网约车或代驾时导航。其中,利用训练后的表征信息获取模型,可确定给对象表征信息,再直接应用到下游模型中,例如规划路线、推荐路线、对对象(消费者)的推群表征(例如通过对象表征信息可确定对象对钱敏感与否,基于此可指导平台发券)等。例如可应用于打车软件中,对象对路线的选择。示例性地,对象表征信息表明对象偏好于省钱,则推荐路线中不走高速;或者对象表征信息表明对象偏好于节省时间,则推荐路线中优先包括走高速。上述方法具体可在具有导航功能的应用程序或小程序所在的终端设备本地执行,也可由与终端设备交互的服务器执行,在此不限定。
下面结合图1-图13,对本公开实施例提供的表征信息获取模型的训练方法和装置、表征信息的获取方法和装置、路线规划方法和装置,以及电子设备、计算机存储介质和计算机程序产品进行示例性说明。
图1为本公开实施例提供的一种表征信息获取模型的训练方法的流程示意图。参照图1,该表征信息获取模型的训练方法,包括:
S101、获取待表征对象的导航行为特征序列。
其中,导航行为特征序列也可称为历史导航行为特征序列,包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息。
其中,一次导航行为包括对象从最开始的规划路线,到行中跟随导航行进,直到到达目的地结束导航的整个过程。一次导航行为中,规划路线的数目可为一条、两条或更多条,基于出发地(即起点)与目的地(即终点)之间的可选路线的数目确定;实际行驶路线的数目仅为一条,为对象由出发地到目的地实际行进的路线。导航行为特征序列可为按照时间顺序拼接的至少两次导航行为相关联的特征,如此可确保后续步骤中用于模型训练的数据量较多,从而使得训练得到的表征信息获取模型对对象表征信息的提取精度较高,可较准确的确定对象偏好。
其中,特征信息用于表征规划路线和实际行驶路线的特征;对应地,可基于对规划路线和实际行驶路线的特征进行提取、统计以及本领域技术人员可知的其他方式得到,在此不赘述也不限定。
示例性地,特征信息可包括时长、距离、红绿灯数、导航动作数以及费用等信息,导航动作数可包括直行、转弯、掉头、进入匝道、进入环路以及出环路等动作的统计数目,在此仅为示例性说明,不构成对本公开实施例的限定。
示例性地,导航行为特征序列可存储在终端设备本地和/或云端服务器。该步骤中,可基于数据调取指令,获取存储的导航行为特征序列。当导航行为特征序列存储在终端设备,且该方法在终端设备执行时,可直接进行数据调取;同理,当导航行为特征序列存储在云端服务器,且该方法在云端服务器执行时,也可直接进行数据调取;当导航行为数据存储在终端设备,该方法在云端服务器执行时,云端服务器可向终端设备下发数据调取指令,终端设备基于接收到的数据调取指令,将导航行为特征序列上传至云端服务器。
S102、获取对象的每次导航行为的实走覆盖率最大的规划路线的特征信息。
其中,对象包括待表征对象和除待表征对象外的其他对象,对象的实走覆盖率最大的规划路线的特征信息可体现对象选择规划路线时的偏好,由此,通过获取待表征对象和除待表征对象外的其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,可将待表征对象的对象偏好与其他对象的对象偏好进行区分,为构建训练样本中的正样本和负样本提供数据,后文中详述。
其中,实走覆盖率用于表征实际行驶路线对规划路线的覆盖程度,即路线重叠的部分在规划路线中的占比,也可理解为规划路线在对象实际行进过程中的有效利用率。
基于此,实走覆盖率最大的规划路线为对象在行进过程中有效利用率最高的规划路线,即路线重叠的部分占比最多的规划路线。
示例性地,对于每次导航行为,可将实际行驶路线与所有规划路线分别计算实走覆盖率,并采用做差,与0对比;或者采用作比,与1对比的方式比较计算得到的实走覆盖率的相对大小,最大的实走覆盖率对应的规划路线即为该次导航行为的实走覆盖率最大的规划路线。
示例性地,实走覆盖率可采用百分比的形式表示,并在0-100%之间取值。其中,实走覆盖率取值为0,代表规划路线与实际行驶路线不存在重叠;实走覆盖率取值为100%,代表规划路线被实际行驶路线完全覆盖;实走覆盖率大于0且小于100%时,实走覆盖率越大,规划路线中与实际行驶路线重叠的部分越多。
可理解的是,实走覆盖率最大的规划路线可以是实走覆盖率取值为100%的规划路线,也可以是实走覆盖率取值为小于100%的数值的其他规划路线,满足在单次导航行为的所有规划路线中,其实走覆盖率最大即可,在此不限定其具体取值。
在其他实施方式中,实走覆盖率还可采用本领域技术人员可知的其他形式表示,在此不限定。
S103、基于待表征对象的导航行为特征序列,以及对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本。
其中,表征信息获取模型用于提取对象表征信息,对象表征信息用于待表征对象的个性化偏好。通常,不同对象的个性化偏好存在差异,其对应的对象表征信息不尽相同。具体地,对象对于路线的需求是多目标的,例如时间短、距离短、导航动作数少或费用少等,不同的对象倾向于不同的目标,此被称为对象的个性化偏好。
该步骤中,基于前述步骤中获取的待表征对象导航行为的导航序列,以及对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本;以便后续步骤中利用训练样本对表征信息获取模型进行训练,下文中结合S104进行说明。
S104、用训练样本对表征信息获取模型进行训练,获取训练后的表征信息获取模型。
结合上文,利用S103中生成的训练样本对表征信息获取模型进行训练,即基于能够表征对象偏好的数据对表征信息获取模型进行训练,由此训练后得到的表征信息获取模型能较准确地确定对象表征信息,提取对象个性化偏好,便于实现针对不同对象个性化规划路线,以提升对象导航体验。
本公开实施例提供的表征信息获取模型的训练方法,能够针对不同的待表征对象,基于表征该对象的导航行为特征序列,以及对象(包括待表征对象和除待表征对象外的其他对象)的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本;该训练样本基于能够表征对象偏好的数据生成,由此利用该训练样本对表征信息获取模型进行训练,可得到能够较为精准地确定该对象的对象表征信息的表征信息获取模型,从而可实现利用训练后的表征信息获取模型自动化捕捉对象表征信息,确定对象个性化偏好;有利于实现基于对象个性化偏好,针对性地进行个性化路线规划,进而提升对象导航体验。且,对象表征信息可以基于对象的导航行为特征序列的原始信息直接获取,由此该模型训练方法中不存在数据分析者的经验对模型训练的局限的问题,使得该表征信息获取模型易于维护且可实现对象导航行为特征序列的有效利用。
在一些实施例中,在图1的基础上,S101中,至少两次导航行为的规划路线的特征信息,可包括如下至少两个:
实走覆盖率最大的规划路线的特征信息;
位于推荐首位的规划路线的特征信息;
静态耗时最短的规划路线的特征信息。
其中,实走覆盖率最大的规划路线为能最大程度满足对象个性化需求,即最能待表征对象偏好的规划路线,可结合上文理解,在此不赘述。
其中,位于推荐首位的规划路线为按照预设规则,排序在第一位的规划路线。
示例性地,预设规则可包括时间优先、距离优先、费用优先、导航动作数优先或结合至少两个因素的综合规则。其中,时间优先可为按照时间由短到长的顺序排序,距离优先可为按照距离由短到长的顺序排序,费用优先可为按照费用由少到多的顺序排序,导航动作书优先可为按照导航动作数由少到多的顺序排序;综合规则可为结合不同因素对应的权重,对规划路线进行综合排序,在此不赘述也不限定。
其中,静态耗时最短的规划路线为不考虑任何动态信息的情况下,用时最短的规划路线;也可理解为只采用静态特征,即在不拥堵、自由流的情况下,用时最短的规划路线;也可称为“常规最快的规划路线”或“常规最快召回首条路线”,与“动态最快的规划路线”区分。可理解的,“动态最快的规划路线”即为结合动态信息,例如实际路况、车流等条件下耗时最短的规划路线。
该步骤中,实走覆盖率最大的规划路线、位于推荐首位的规划路线以及静态耗时最短的规划路线都能与对象表征信息存在关联关系,通过获取上述规划路线中的至少两个规划路线的特征信息,可为后续训练模型提供数据,规划路线种类和数量较多时,训练效果较好。
在其他实施方式中,对象导航行为中的规划路线还可包括其他用于关联对象表征信息的规划路线,在此不赘述也不限定。
在一些实施例中,训练样本可包括正样本和负样本。其中,采用待表征对象的每次导航行为的实走覆盖率最大的规划路线的特征信息与待表征对象的导航行为特征序列生成的训练样本为正样本;采用其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息与待表征对象的导航行为特征序列生成的训练样本为负样本。
示例性地,图2为图1所示方法中,S103的具体流程示意图。在图1的基础上,参照图2,S103可包括:
S201、基于待表征对象的导航行为特征序列,以及待表征对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本中的正样本。
S202、基于待表征对象的导航行为特征序列,以及其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本中的负样本。
其中,正样本可体现待表征对象的偏好,负样本可体现除待表征对象外的其他对象的偏好,用于将其他对象与待表征对象区分,以准确得到待表征对象的个性化偏好。
在一些实施例中,在图2的基础上,S201可包括:生成每次导航行为的第一特征对,作为训练样本中的正样本;第一特征对包括截止最后一次导航行为的导航行为特征序列,以及最后一次导航行为的实走覆盖率最大的规划路线的特征信息。
其中,每次导航行为的第一特征对包括截止最后一次导航行为的导航行为特征序列,以及最后一次导航行为的实走覆盖率最大的规划路线的特征信息。
其中,截止最后一次导航行为的导航行为特征序列也可称为历史统计信息,最后一次导航行为的实走覆盖率最大的规划路线的特征信息也可称为单次导航信息;基于此,每次导航行为的第一特征对可为对象导航行为的历史统计信息与单次导航信息组成的pair对。
示例性地,导航行为特征序列可表示为[navi1,navi2,……,navin];实走覆盖率最大的规划路线的特征信息可表示单位navim’。其中,navin代表第n次的单次导航行为,n≥1且取整数,1≤m’≤n且取整数。基于此,第一特征对可包括([navi1,navi2,……,navin],navi1’)、……、([navi1,navi2,……,navin],navim’)、……、([navi1,navi2,……,navin],navin’)。
示例性地,当n的取值为2时,第一特征对可包括([navi1,navi2],navi1’)和([navi1,navi2],navi2’);即对于单次导航来说,其与此次导航及之前的对象的导航行为特征序列组成pair对。
其中,前述构建的导航行为的第一特征对,即对应构建的pari对,作为表征信息获取模型的训练样本的正样本。
在一些实施例中,导航行为的第一特征对中导航行为特征序列和待表征对象的每次导航行为的实走覆盖率最大的规划路线的特征信息要尽可能相似,以较准确地待表征对象个性化偏好,实现对象个性化偏好的提取。
示例性地,此处的“尽可能相似”与后文中“导航行为的第二特征对中的导航行为特征序列与其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息尽可能不相似”进行区分,在后文中进行示例性说明。
在一些实施例中,在图2的基础上,S202可包括:生成每次导航行为的第二特征对,作为训练样本中的负样本;第二特征对包括截止最后一次导航行为的导航行为特征序列,以及随机选择的其他对象的导航行为的实走覆盖率最大的规划路线的特征信息。
其中,随机选择的其他对象的导航行为可设置为与最后一次导航区分,具体可为同一对象的不同路线对应的导航行为;也设置为与当前对象区分,具体可为上文中的除待表征对象外的其他对象所做出的导航行为,实现与待表征对象的导航行为进行区分即可。
同时,其他对象的导航行为的实走覆盖率最大的规划路线的特征信息可表明其他对象的偏好,以更好地与待表征对象进行区分。
其中,每次导航行为的第二特征对包括待表征对象的截止最后一次导航行为的导航行为特征序列,以及其他对象的实走覆盖率最大的规划路线的特征信息。
示例性地,以n取值为2为例,针对每一对正样本,从除待表征对象外的剩余的其他对象的实走覆盖率最大的规划路线中,随机抽取两条,将navim’换成其他对象的实走覆盖率最大的规划路线的特征信息,构成导航行为的第二特征对。示例性地,将其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息与对象导航行为的历史统计信息组成负样本的pari对。
其中,前述构建的导航行为的第二特征对,即对应构建的pari对,作为表征信息获取模型的训练样本的负样本。
在一些实施例中,导航行为的第二特征对中,其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息与待表征对象的导航行为特征序列尽可能不相似,以实现待表征对象与其他对象的精准区分,实现对象个性化偏好的准确提取。
示例性地,此处的“尽可能不相似”与前文中的“导航行为的第一特征对中导航行为特征序列和待表征对象的每次导航行为的实走覆盖率最大的规划路线的特征信息要尽可能相似”区分。“尽可能不相似”主要指的是正样本和负样本的路线不同,如果选用多个负样本,则各负样本中的路线可以相同,也可以不同,在此不限定;并且具体地,路线不同是指路线的起点和终点中的至少一个不同。示例性地,在对象相同或不同的情况下,一条规划路线的起点为地址A,终点为地址B,另一条规划路线的起点为地址C,终点为地址D,其中,地址A与地址C不同,和/或,地址B与地址D不同,以使得正样本和负样本中可针对不同的规划路线确定对象的每次导航行为的实走覆盖率最大的规划路线的特征信息;再如,可采用除待表征对象外的其他对象的其他路线,例如待表征对象为用户1,其他对象为用户2,以使得正样本和负样本中可针对不同对象确定对象的每次导航行为的实走覆盖率最大的规划路线的特征信息。
在一些实施例中,图3为本公开实施例提供的另一种表征信息获取模型的训练方法的流程示意图。在图1的基础上,参照图3,该方法可包括S101、S102、S103和S104,并且具体地:S102可包括S1021和S1022,S103和包括S1031和S1032,S104可替换为S1041。
S101、获取待表征对象的导航行为特征序列。
S1021、获取待表征对象的每次导航行为的实走覆盖率最大的规划路线的特征信息。
S1022、获取除待表征对象外其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息。
其中,除待表征对象外其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,可表征除当前对象外的其他对象的个性化偏好,用于与待表征对象区分。
结合上文,由于不同对象的个性化偏好存在差异,其对应的对象表征信息不尽相同。基于此,该步骤中获取其他对象的导航行为的实走覆盖率最大的规划路线的特征信息,为后续步骤中构建训练表征信息获取模型的负样本提供数据基础。
S1031、基于待表征对象的导航行为特征序列,以及待表征对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成每次导航行为的第一特征对,作为训练样本的正样本。
S1032、基于待表征对象的导航行为特征序列,以及除待表征对象外其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成每次导航行为的第二特征对,作为训练样本的负样本。
S1041、用训练样本中的正样本和负样本,对表征信息获取模型进行训练,得到训练后的表征信息获取模型。
其中,将S1031中构建的导航行为的第一特征对作为正样本,将S1032中构建的导航行为的第二特征对作为负样本,输入到表征信息获取模型中,输出为对应的对象表征信息,以实现对对象表征信息获取模型进行训练,便于后续利用该对象表征信息获取模型确定对象表征信息,以准确提取对象个性化偏好。
在其他实施方式中,还可将前述步骤中获取的导航行为特征序列、待表征对象的每次导航行为的实走覆盖率最大的规划路线的特征信息以及除待表征对象外的其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息直接作为表征信息获取模型的训练数据,利用表征信息获取模型构建导航行为的第一特征对和导航行为的第二特征对,并进一步实现S1041中的训练步骤,在此不限定。
在一些实施例中,针对待表征对象的每次导航行为,第二特征对中其他对象的实走覆盖率最大的规划路线,与第一特征对中待表征对象的实走覆盖率最大的规划路线的差异度较大。
其中,第一特征对中待表征对象的实走覆盖率最大的规划路线为表征待表征对象的个性化偏好的规划路线,第二特征对中其他对象的实走覆盖率最大的规划路线为表征其他对象的个性化偏好的规划路线;基于此,同一次导航行为中两规划路线的差异度用于表示其他对象的个性化偏好与待表征对象的个性化偏好的差异,通过设置该差异度较大,可将其他对象的个性化偏好与待表征对象的个性化偏好明确区分,从而实现对对象表征信息获取模型的有效训练,以准确提取待表征对象的对象表征信息。
示例性地,差异度可以采用百分比的形式表示,并在0-100%之间取值。其中,差异度取值为0,代表同一次导航行为中上述两规划路线不存在差异,即二者完全相同;差异度取值为100%,代表同一次导航行为中上述两规划路线差异最大,即二者完全不同;差异度大于0且小于100%时,差异度越大,同一次导航行为中上述两规划路线的差异越大。对应的,差异度阈值可为80%、90%或其他百分比数值,可基于对象表征信息获取模型的训练方法的需求设置,在此不限定。
在其他实施方式中,差异度还可采用本领域技术人员可知的其他形式表示,在此不限定。
在一些实施例中,针对待表征对象的每次导航行为,同一次导航行为的第二特征对与第一特征对的数目之比为N:1,N为大于或等于1的正整数。
结合上文,用于训练对象表征信息获取模型的负样本和正样本的数目之比可为1:1,或者大于1:1,即负样本的数目可更多一些。
其中,负样本中,其他对象的实走覆盖率最大的规划路线可为同一个其他对象的实走覆盖率最大的规划路线,也可为不同对象的对应于同一次导航行为的多条实走覆盖率最大的规划路线,在此不限定。
如此,可采用较多的正样本和负样本对表征信息获取模型进行训练,有利于提高训练精度,以便后续应用中利用训练后的表征信息获取模型精准提取对象个性化偏好。
在一些实施例中,图4为本公开实施例提供的一种表征信息获取模型的结构示意图。参照图4,表征信息获取模型10可包括对象偏好提取模块11、路线特征提取模块12和相似度映射模块13。
其中,对象偏好提取模块11用于对每次导航行为的导航行为特征序列进行编码,得到对象偏好编码;路线特征提取模块12用于对每次导航行为的实走覆盖率最大的规划路线的特征信息进行编码,得到路线特征编码;通过对象偏好编码、路线特征编码对相似度映射模块13进行训练,以获得相似度映射模块13中的相似度映射参数。
基于此,图5为图1所示流程中,S104的具体流程示意图。在图1和图4的基础上,参照图5,S104可包括:
S301、通过对象偏好提取模块对每次导航行为的导航行为特征序列进行编码,得到对象偏好编码。
其中,对象偏好编码为对象表征信息,可作为对象的表示,用于表示对象的倾向性,也称为对象的个性化偏好。
示例性地,对象偏好编码可为对象向量,可基于64维度进行表示,或采用其他方式进行表示,在此不限定。
示例性地,对象偏好提取模块可采用导航对象个性化深度嵌入网络(Navigation-User-Personalized-Deep-Embedding-Network,NUPDEN)实现,即利用NUPDEN对待表征对象的每次导航行为的导航行为特征序列进行编码,得到对象偏好编码。
在其他实施方式中,还可采用其他神经网络实现对象偏好提取模块以及实现表征信息获取模型中的路线特征提取模块和相似度映射模块,在此不限定。
S302、通过路线特征提取模块对每次导航行为的实走覆盖率最大的规划路线的特征信息进行编码,得到路线特征编码。
其中,路线特征编码与每次导航行为的实走覆盖率最大的规划路线的特征信息关联,不同的路线特征编码可代表具有不同特征信息的实走覆盖率最大的规划路线。
S303、基于对象偏好编码、路线特征编码对相似度映射模块进行训练,以获得相似度映射模块中的相似度映射参数。
其中,相似度映射参数用于表征对象与规划路线之间的关联关系,可对对象偏好编码和路线特征编码做相似度计算,并对相似度映射模块中的相似度映射参数进行计算和优化,即利用对象偏好编码和线路特征编码对相似度映射模块进行训练,得到其中的相似度映射参数。
其后,可利用训练好的相似度映射模块,基于输入的待表征对象的导航行为特征序列,即可得到对应的对象表征信息,即对象偏好编码,即提取出对象的个性化偏好。
在一些实施例中,图6为图5所示流程中,S301的具体流程示意图。在图5的基础上,参照图6,S301可包括:
S401、确定每次导航行为的权重值。
其中,每次导航行为的权重值用于表征该次导航行为对对象偏好编码的影响程度大小;权重值越大,该次导航行为对对象偏好编码的影响越大。
在一些实施例中,该步骤可包括:
基于导航行为的发生时间确定导航行为的权重值;其中,距离最后一次导航行为时间越近的导航行为的权重值越大。
由此,距离最后一次导航行为时间越近的导航行为对对象偏好编码的影响越大,距离最后一次导航行为时间越远的导航行为对对象偏好编码的影响越小,即对象偏好编码可随着时间的推移不断发生变化,从而有利于实现在不断更新迭代的过程中,该表征信息获取模型可捕捉对象个性化偏好的变化,进而利于使得规划路线满足对象随着时间的推移而不断变化的个性化需求。
S402、基于每次导航行为的权重值,通过对象偏好提取模块对每次导航行为的导航行为特征序列进行编码,得到对象偏好编码。
其中,对象偏好提取模块基于每次导航行为权重值对导航行为特征序列进行编码,得到对象偏好编码,以使得对象偏好编码更准确地表征对象个性化偏好。
由此,将导航行为特征序列输入表征信息获取模型之后,表征信息获取模型中的对象偏好提取模块会基于每次导航行为的权重值自动对导航行为特征序列的重要程度进行设置并选择,示例性地,10次导航行为中有3次可以表达出对象的个性化偏好,那么这3次导航行为的权重值会相对较大;同时,离最后一次导航行为时间越近的导航行为特征序列,其重要程度越大。基于此,通过对象偏好提取模块对每次导航行为的导航行为特征序列进行编码,得到对象偏好编码。
同时,路线特征提取模块的输入是每次导航行为的实走覆盖率最大的规划路线的特征信息,编码后的结果为路线特征编码。
最后,通过对对象偏好编码和路线特征编码做相似度计算,得到最终对象与路线间的相似度,并对相似度映射模块中的相似度映射参数进行计算和优化,以实现对相似度映射模块的训练,即实现对表征信息获取模型进行训练。
本公开实施例提供的表征信息获取模型的训练方法中,训练得到的表征信息获取模型可以自动捕捉不同导航行为特征序列之间的关联关系,以及时间衰减的关联系数(即上述时间越近权重值越大的设置),在不断更新迭代的过程中,自动提取随时间推移而不断变化的对象个性化偏好,从而实现对对象个性化偏好的准确获取。
本公开实施例还提供了一种对象表征信息的获取方法,用于基于对象的导航行为特征序列,通过上述任一种方法训练得到的表征信息获取模型获取对象的表征信息,从而确定对象偏好。
在一些实施例中,图7为本公开实施例提供的一种户表征信息的获取方法的流程示意图。参照图7,该对象表征信息的获取方法包括:
S111、获取对象的导航行为特征序列。
其中,导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息。
其中,一次导航行为中,规划路线可为一条、两条或更多条,基于出发地与目的地之间的可选路线的数目确定;实际行驶路线的数目仅为一条,为对象由出发地到目的地实际行进的路线,可与对象的个性化偏好对应关联。导航行为特征序列中包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息,为后续通过表征信息获取模型确定对象表征信息提供基础数据。
S112、基于对象的导航行为特征序列,通过表征信息获取模型的训练方法训练得到的表征信息获取模型获取对象的表征信息。
其中,表征信息获取模型的训练方法可为上述实施方式中的任一种方法,用于训练得到表征信息获取模型。训练得到的表征信息获取模型可基于S111中获取的对象的导航行为特征序列确定对象的表征信息,从而确定对象的个性化偏好。
本公开实施例提供的对象表征信息的获取方法,可基于获取的对象的导航行为特征序列,通过上述任一种表征信息获取模型的训练方法训练得到的表征信息获取模型获取对象的表征信息,且准确性较高。
在一些实施例中,对象为车辆驾驶员或网约车平台对象。
其中,对象为车辆驾驶员时,在其由出发地前往目的地的导航场景中,导航软件或程序可基于车辆驾驶员的导航行为特征序列,通过表征信息获取模型确定车辆驾驶员的表征信息,即其个性化偏好,例如倾向于选择时间短、距离短或导航动作数少的规划路线等,并进一步的基于获取到的车辆驾驶员的表征信息进行路线规划和推荐,从而满足车辆驾驶员的需求,提高驾车体验。
其中,对象为网约车平台对象时,在网约车平台对象打车时,在其输入出发地和目的地之后,路线规划软件或程序可基于网约车平台对象的导航行为特征序列,通过表征信息获取模型确定租车平台对象的表征信息,即其个性化偏好,例如倾向于选择时间短、距离短或费用少的规划路线等,并进一步的基于获取到的租车平台对象的表征信息进行路线规划和推荐,从而满足网约车平台对象的需求,提高驾车体验。
在其他实施方式中,对象还可为步行对象、骑行对象或采用其他方式出行的对象,在此不限定。
本公开实施例提供的对象表征信息的获取方法,可通过表征信息获取模型,自动化地从对象的导航行为特征序列中提取对象的个性化偏好,还可随着时间的推移,捕捉到对象的个性化偏好的变化,从而实现对对象的个性化偏好的准确提取。
本公开实施例还提供了一种路线规划方法,结合上述任一种对象表征信息的获取方法得到的对象的表征信息确定规划路线,从而使得规划路线与对象偏好的契合度较高,提升对象导航体验。
在一些实施例中,图8为本公开实施例提供的一种路线规划方法的流程示意图。参照图8,该路线规划方法包括:
S121、获取基于对象表征信息的获取方法得到的对象的表征信息。
其中,基于上述任一种对象表征信息的获取方法,可自动确定对象的表征信息,该步骤中获取对象表征信息,确定对象的个性化偏好。
示例性地,对象的个性化偏好可包括对象倾向于不走高速、时间短、导航动作数少、费用少或者红绿灯少等。
S122、至少基于对象的表征信息、对象选择的起终点以及路况信息,确定向对象推荐的规划路线。
其中,路况信息用于表征实时路况,例如可包括车辆拥是否拥堵、路口数量、红绿灯情况以及天气情况等与路线规划相关的信息。
其中,向对象推荐的规划路线为符合对象的个性化偏好的规划路线。结合前述S121,该步骤中,基于对象选择的起终点、路况信息以及对象的表征信息,确定符合对象的个性化偏好的规划路线,实现针对不同对象的个性化路线规划。
本公开实施例提供的路线规划方法,可获取通过上述任一种对象的表征信息的获取方法得到的对象的表征信息,并结合对象选择的起终点以及路况信息,确定向对象推荐的规划路线,该规划路线与对象的个性化偏好的契合度较高,有利于满足对象个性化需求,提升对象导航体验。
本公开实施例还提供了一种表征信息获取模型的训练装置,可用于执行上述任一种表征信息获取模型的训练方法的流程步骤,实现对应的效果。
在一些实施例中,图9为本公开实施例提供的一种表征信息获取模型的训练装置的结构示意图。参照图9,该表征信息获取模型的训练装置600可包括:
序列获取模块610,用于获取待表征对象的导航行为特征序列,导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息;
特征信息获取模块620,用于获取对象的每两次导航行为的实走覆盖率最大的规划路线的特征信息,对象包括待表征对象和除待表征对象外其他对象;
样本生成模块630,用于基于待表征对象的导航行为特征序列,以及对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本;
训练模块640,用于用训练样本对表征信息获取模型进行训练,获取训练后的表征信息获取模型。
本公开实施例提供的表征信息获取模型的训练装置,通过上述各功能模块的协同作用,能够针对不同的对象,基于表征该对象的导航行为特征序列,以及对象(包括待表征对象和除待表征对象外的其他对象)的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本,;该训练样本基于能够表征对象偏好的数据生成,由此利用该训练样本对表征信息获取模型进行训练,可得到能够较为精准地确定该对象的对象表征信息的表征信息获取模型,从而可实现利用训练后的表征信息获取模型自动化捕捉对象表征信息,确定对象个性化偏好;有利于实现基于对象个性化偏好,针对性地进行个性化路线规划,进而提升对象导航体验。其中,对象表征信息可以基于对象的导航行为特征序列的原始信息直接获取,不存在数据分析者的经验对模型训练的局限的问题,使得该表征信息获取模型易于维护且可实现对象导航行为特征序列的有效利用。
在一些实施例中,特征信息获取模块620可包括如下至少两个子模块:
第一获取子模块,用于获取实走覆盖率最大的规划路线的特征信息;
第二获取子模块,用于获取位于推荐首位的规划路线的特征信息;
第三获取子模块,用于获取静态耗时最短的规划路线的特征信息。
在一些实施例中,图10为本公开实施例提供的另一种表征信息获取模型的训练装置的结构示意图。在图9的基础上,参照图10,样本生成模块630可包括:
正样本生成子模块631,用于基于待表征对象的导航行为特征序列,以及待表征对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本中的正样本;
负样本生成子模块632,用于基于待表征对象的导航行为特征序列,以及其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本中的负样本。
在一些实施例中,继续参照图10,该装置600中,正样本生成子模块631,具体用于:
生成每次导航行为的第一特征对,作为训练样本中的正样本;第一特征对包括截止最后一次导航行为的导航行为特征序列,以及最后一次导航行为的实走覆盖率最大的规划路线的特征信息。
在一些实施例中,继续参照图10,该装置600中,负样本生成子模块632,具体用于:
生成每次导航行为的第二特征对,作为训练样本中的负样本;第二特征对包括截止最后一次导航行为的导航行为特征序列,以及随机选择的其他对象的导航行为的实走覆盖率最大的规划路线的特征信息。
在一些实施例中,针对待表征对象的每次导航行为,第二特征对与第一特征对的数目之比为N:1,N为大于或等于1的正整数。
在一些实施例中,结合图4和图10,训练模块640可用于:
通过对象偏好提取模块对每次导航行为的导航行为特征序列进行编码,得到对象偏好编码;
通过路线特征提取模块对对象的每次导航行为的实走覆盖率最大的规划路线的特征信息进行编码,得到路线特征编码;
基于对象偏好编码、路线特征编码对相似度映射模块进行训练,以获得相似度映射模块中的相似度映射参数。
在一些实施例中,训练模块640用于通过对象偏好提取模块对每次导航行为的导航行为特征序列进行编码,得到对象偏好编码,具体可包括:
确定每次导航行为的权重值;
基于每次导航行为的权重值,通过对象偏好提取模块对每次导航行为的导航行为特征序列进行编码,得到对象偏好编码。
在一些实施例中,训练模块640确定每次导航行为的权重值具体可包括:
基于导航行为的发生时间确定导航行为的权重值,距离最后一次导航行为时间越近的导航行为的权重值越大。
以上实施例公开的路线表征信息获取模型的训练装置能够实现以上各方法实施例公开的表征信息获取模型的训练方法的流程,具有相同或相应的有益效果,为避免重复,在此不再赘述。
本公开实施例还提供了一种对象表征信息的获取装置,可用于执行上述任一种对象表征信息的获取方法的流程步骤,实现对应的效果。
在一些实施例中,图11为本公开实施例提供的一种对象表征信息的获取装置的结构示意图。参照图11,该对象表征信息的获取装置700包括:
序列获取模块710,用于获取待表征对象的导航行为特征序列,导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息;
表征信息获取模块720,用于基于待表征对象的导航行为特征序列,通过上述任一种表征信息获取模型的训练装置训练得到的表征信息获取模型获取对象的表征信息。
本公开实施例提供的对象表征信息的获取装置,通过上述各功能模块的协同作用,能够基于获取的对象的导航行为特征序列,通过上述任一种表征信息获取模型的训练装置训练得到的表征信息获取模型获取对象的表征信息,且准确性较高。
本公开实施例还提供了一种路线规划装置,可用于执行上述任一种路线规划方法,实现对应的效果。
在一些实施例中,图12为本公开实施例提供的一种路线规划装置的结构示意图。参照图12,该路线规划装置800包括:
表征信息获取模块810,用于获取基于上述任一种对象表征信息的获取装置得到的对象的表征信息;
路线规划模块820,用于至少基于对象的表征信息、对象选择的起终点以及路况信息,确定向对象推荐的规划路线。
本公开实施例提供的路线规划装置,可获取通过上述任一种对象的表征信息的获取装置得到的对象的表征信息,并结合对象选择的起终点以及路况信息,确定向对象推荐的规划路线,该规划路线与对象的个性化偏好的契合度较高,有利于满足对象个性化需求,提升对象导航体验。
本公开实施例还提供了一种地图导航系统,包括上述任一种路线规划装置。
示例性地,对象可为车辆驾驶员。其中,路线规划装置可基于车辆驾驶员的表征信息和当前路况信息,确定符合车辆驾驶员的个性化偏好的规划路线;地图导航系统中还可包括显示模块,用于将规划路线展示给车辆驾驶员,以供车辆驾驶员查看;地图导航系统中还可包括语音模块,用于基于规划路线以及车辆驾驶员的实时位置,播放导航提示音频,以提示车辆驾驶员执行导航动作。
在其他实施方式中,地图导航系统还可包括本领域技术人员可知的其他功能模块,在此不赘述也不限定。
本公开实施例提供的地图导航系统,可基于上述任一种路线规划装置,确定符合对象的个性化偏好的规划路线,并进一步地实现导航。
本公开实施例还提供了一种网约车平台系统,包括上述任一种路线规划装置。
示例性地,对象可为网约车平台对象。其中,路线规划装置可基于车租车平台对象的表征信息和当前路况信息,确定符合车租车平台对象的个性化偏好的规划路线;网约车平台系统中还可包括显示模块,用于将规划路线展示给车租车平台对象,以供车租车平台对象确认。
在其他实施方式中,网约车平台系统还可包括本领域技术人员可知的其他功能模块,在此不赘述也不限定。
图13为本公开实施例提供的一种电子设备的结构示意图,对于本公开实施例中上述的表征信息获取的训练方法、对象表征信息的获取方法或路线规划方法,其既可以在云服务器上实现,也可以在本地主机实现,因此该电子设备既可以是云服务器,也可以是本地主机,或者是上述实施例中的客户端设备、终端设备。
下面具体参考,其示出了适于用来实现本公开实施例中的电子设备500的结构示意图。本公开实施例中的电子设备500可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和占用范围带来任何限制。
如图13所示,电子设备500可以包括处理器(例如中央处理器、图形处理器等,也可称为处理装置)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理器501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,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,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于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装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的表征信息获取模型的训练方法、对象表征信息的获取方法或路线规划方法中限定的上述流程,实现对应的功能。
需要说明的是,本公开上述的计算机可读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是——但不限于——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、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,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。而在本公开中,计算机可读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介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务端可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
获取待表征对象的导航行为特征序列,所述导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息;
获取对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,所述对象包括待表征对象和除待表征对象外其他对象;
基于所述待表征对象的导航行为特征序列,以及对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本;
用训练样本对所述表征信息获取模型进行训练,获取训练后的表征信息获取模型。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
获取对象的导航行为特征序列,所述导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息;
基于所述对象的导航行为特征序列,通过上述任一种方法训练得到的表征信息获取模型获取所述对象的表征信息。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
获取基于上述任一种对象表征信息的获取方法得到的对象的表征信息;
至少基于所述对象的表征信息、对象选择的起终点以及路况信息,确定向对象推荐的规划路线。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述任一种表征信息获取模型的训练方法、对象表征信息的获取方法或路线规划方法。为避免重复,在此不赘述。
其中,可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于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对象计算机上执行、部分地在对象计算机上执行、作为一个独立的软件包执行、部分在对象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端上执行。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)—连接到对象计算机,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,图示了按照本公开各种实施例的系统、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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元、模块及子模块的名称在某种情况下并不构成对该单元、模块及子模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例,本公开提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行如本公开实施例提供的任一种表征信息获取模型的训练方法,或者是用于执行如本公开实施例提供的任一种对象表征信息的获取方法,或者是用于执行如本公开实施例提供的任一种路线规划方法。
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,本公开中所涉及的公开范围,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公开构思的情况下,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。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (11)
1.一种表征信息获取模型的训练方法,包括:
获取待表征对象的导航行为特征序列,所述导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息;
获取对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,所述对象包括待表征对象和除待表征对象外其他对象;
基于所述待表征对象的导航行为特征序列,以及对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本;
用训练样本对所述表征信息获取模型进行训练,获取训练后的表征信息获取模型。
2.根据权利要求1所述的方法,其中,所述至少两次导航行为的规划路线的特征信息,包括如下至少两个:
实走覆盖率最大的规划路线的特征信息;
位于推荐首位的规划路线的特征信息;
静态耗时最短的规划路线的特征信息。
3.根据权利要求1所述的方法,其中,所述训练样本包括正样本和负样本;所述基于所述待表征对象的导航行为特征序列,以及对象的每次导航行为的实走覆盖率最大的规划路线的特征信息对所述表征信息,生成训练样本,包括:
基于所述待表征对象的导航行为特征序列,以及待表征对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本中的正样本;
基于所述待表征对象的导航行为特征序列,以及其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本中的负样本。
4.根据权利要求3所述的方法,其中,所述基于待表征对象的导航行为特征序列,以及待表征对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本中的正样本,包括:
生成每次导航行为的第一特征对,作为训练样本中的正样本;所述第一特征对包括截止最后一次导航行为的导航行为特征序列,以及最后一次导航行为的实走覆盖率最大的规划路线的特征信息。
5.根据权利要求4所述的方法,其中,所述基于所述待表征对象的导航行为特征序列,以及其他对象的每次导航行为的实走覆盖率最大的规划路线的特征信息,生成训练样本中的负样本,包括:
生成每次导航行为的第二特征对,作为训练样本中的负样本;所述第二特征对包括所述截止最后一次导航行为的导航行为特征序列,以及随机选择的其他对象的导航行为的实走覆盖率最大的规划路线的特征信息。
6.根据权利要求4所述的方法,其中,针对待表征对象的每次导航行为,第二特征对与第一特征对的数目之比为N:1,N为大于或等于1的正整数。
7.根据权利要求1所述的方法,其中,所述表征信息获取模型包括对象偏好提取模块、路线特征提取模块和相似度映射模块;
所述用训练样本对所述表征信息获取模型进行训练,获取训练后的表征信息获取模型,包括:
通过所述对象偏好提取模块对所述每次导航行为的导航行为特征序列进行编码,得到对象偏好编码;
通过所述路线特征提取模块对每次导航行为的实走覆盖率最大的规划路线的特征信息进行编码,得到路线特征编码;
基于所述对象偏好编码、所述路线特征编码对所述相似度映射模块进行训练,以获得所述相似度映射模块中的相似度映射参数。
8.根据权利要求7所述的方法,其中,所述通过所述对象偏好提取模块对所述每次导航行为的导航行为特征序列进行编码,得到对象偏好编码,包括:
基于所述导航行为的发生时间,确定每次导航行为的权重值;其中,距离最后一次导航行为时间越近的导航行为的权重值越大;
基于每次导航行为的权重值,通过所述对象偏好提取模块对所述每次导航行为的导航行为特征序列进行编码,得到对象偏好编码。
9.一种对象表征信息的获取方法,包括:
获取对象的导航行为特征序列,所述导航行为特征序列包括至少两次导航行为的规划路线的特征信息,以及实际行驶路线的特征信息;
基于所述对象的导航行为特征序列,通过权利要求1-8任一所述的方法训练得到的表征信息获取模型获取所述对象的表征信息。
10.一种路线规划方法,包括:
获取基于权利要求9所述的方法得到的对象的表征信息;
至少基于所述对象的表征信息、对象选择的起终点以及路况信息,确定向对象推荐的规划路线。
11.一种计算机程序产品,所述计算机程序产品用于执行权利要求1-8任一所述的表征信息获取模型的训练方法、权利要求9所述的对象表征信息的获取方法或者权利要求10所述的路线规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110409953.3A CN115222036A (zh) | 2021-04-16 | 2021-04-16 | 模型的训练方法、表征信息的获取方法和路线规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110409953.3A CN115222036A (zh) | 2021-04-16 | 2021-04-16 | 模型的训练方法、表征信息的获取方法和路线规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222036A true CN115222036A (zh) | 2022-10-21 |
Family
ID=83604380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110409953.3A Pending CN115222036A (zh) | 2021-04-16 | 2021-04-16 | 模型的训练方法、表征信息的获取方法和路线规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222036A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115629993A (zh) * | 2022-12-19 | 2023-01-20 | 深圳依时货拉拉科技有限公司 | 软件的测试方法及装置、计算机设备及可读存储介质 |
-
2021
- 2021-04-16 CN CN202110409953.3A patent/CN115222036A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115629993A (zh) * | 2022-12-19 | 2023-01-20 | 深圳依时货拉拉科技有限公司 | 软件的测试方法及装置、计算机设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019101806A4 (en) | Methods and systems for providing information for an on-demand service | |
CN109214584B (zh) | 用于预测客流量的方法和装置 | |
US10386190B2 (en) | Cognitive guide system for multi-objective excursion | |
CN106643774B (zh) | 一种导航路线生成方法及终端 | |
CN112905839A (zh) | 模型训练方法、模型使用方法、装置、存储介质及设备 | |
CN112017630B (zh) | 一种语种识别方法、装置、电子设备及存储介质 | |
CN113362811B (zh) | 语音识别模型的训练方法、语音识别方法和装置 | |
CN113436620A (zh) | 模型的训练方法、语音识别方法、装置、介质及设备 | |
CN112115372B (zh) | 一种停车场的推荐方法及装置 | |
CN115534939B (zh) | 车辆控制方法、装置、电子设备和计算机可读介质 | |
CN112632380A (zh) | 兴趣点推荐模型的训练方法和推荐兴趣点的方法 | |
CN111950791A (zh) | 一种航班延误预测方法、装置、服务器及存储介质 | |
CN115222036A (zh) | 模型的训练方法、表征信息的获取方法和路线规划方法 | |
CN114170342A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN115994726B (zh) | 派送路径调整方法、装置、电子设备和计算机可读介质 | |
CN116164770B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN111797822A (zh) | 文字对象评价方法、装置和电子设备 | |
CN112685996B (zh) | 文本标点预测方法、装置、可读介质和电子设备 | |
CN113177176A (zh) | 特征构建方法、内容显示方法及相关装置 | |
CN114862491A (zh) | 车辆位置确定方法、派单方法、装置、服务器及存储介质 | |
CN114459492A (zh) | 确定推荐路线的方法、装置、设备、存储介质及产品 | |
CN111582456A (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN110633707A (zh) | 预测速度的方法和装置 | |
CN115630585B (zh) | 物品流转量预测方法、装置、设备和计算机可读介质 | |
CN115169852B (zh) | 信息发送方法、装置、电子设备、介质和计算机程序产品 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240310 Address after: # 03-06, Lai Zan Da Building 1, 51 Belarusian Road, Singapore Applicant after: Alibaba Innovation Co. Country or region after: Singapore Address before: Room 01, 45th Floor, AXA Building, 8 Shanton Road Applicant before: Alibaba Singapore Holdings Ltd. Country or region before: Singapore |