CN115839721A - 一种行驶路线的预测方法、装置、车载终端及介质 - Google Patents

Abstract

本申请适用于汽车技术领域，提供了一种行驶路线的预测方法、装置、车载终端及计算机可读存储介质，所述方法包括：获取车辆的第一出发时间、第一出发地点以及车辆在行驶过程中的位置坐标集合；根据位置坐标集合确定车辆的已行驶路线；将第一出发时间、第一出发地点、位置坐标集合以及已行驶路线输入至路线预测模型进行处理，得到车辆的目标行驶路线；其中，路线预测模型为预先训练的神经网络模型。与现有技术仅根据车辆的出发时间和出发地点对车辆的未来行驶路线进行预测相比，本申请提供的方法需要结合车辆的出发时间、出发地点、车辆在行驶过程中的位置坐标集合以及已行驶路线对车辆的行驶路线进行预测，从而提高了对行驶路线的预测准确率。

Description

一种行驶路线的预测方法、装置、车载终端及介质

技术领域

本申请属于汽车技术领域，尤其涉及一种行驶路线的预测方法、装置、车载终端及计算机可读存储介质。

背景技术

随着车辆智能化程度的提高，很多智能化功能的使用需要基于导航数据(如车辆到达目的地所经过的路线等)才能使用。目前，大多数车主在驾驶车辆时并不会使用汽车导航系统进行路线导航，有部分车主会选择使用手机导航，也有部分车主因为熟悉路线等原因不需要使用导航，使得车载终端需要实时预测车辆的未来行驶路线，以达到实现车辆智能化功能的目的。

然而，现有技术通常只是简单的根据车辆的出发时间和出发地点对车辆的未来行驶路线进行预测，考虑不够全面，导致对行驶路线的预测准确率低下。

发明内容

本申请实施例提供了一种行驶路线的预测方法、装置、车载终端及计算机可读存储介质，提高了对行驶路线的预测准确率。

第一方面，本申请实施例提供了一种行驶路线的预测方法，包括：

获取车辆的第一出发时间、第一出发地点以及所述车辆在行驶过程中的位置坐标集合；

根据所述位置坐标集合确定所述车辆的已行驶路线；

将所述第一出发时间、所述第一出发地点、所述位置坐标集合以及所述已行驶路线输入至路线预测模型进行处理，得到所述车辆的目标行驶路线；其中，所述路线预测模型为预先训练的神经网络模型。

可选的，所述将所述第一出发时间、所述第一出发地点、所述位置坐标集合以及所述已行驶路线输入至路线预测模型进行处理，得到所述车辆的目标行驶路线，包括：

获取预存储的与所述车辆对应的多条标准路线，并确定所述多条标准路线各自对应的特征信息；其中，所述特征信息包括出发时间、出发地点和行驶位置坐标；

根据所述第一出发时间、所述第一出发地点、所述位置坐标集合、所述已行驶路线以及所述多条标准路线各自对应的特征信息，计算得到所述已行驶路线与每条所述标准路线在多个第一预设维度上各自对应的第一差值；

将所述已行驶路线与每条所述标准路线在多个第一预设维度上各自对应的第一差值输入至所述路线预测模型进行处理，得到所述目标行驶路线。

可选的，所述获取预存储的与所述车辆对应的多条标准路线，包括：

获取所述车辆在历史时间段内的多条历史行驶路线，并确定每条所述历史行驶路线的出发地点和结束地点；

根据每条所述历史行驶路线的出发地点和结束地点，对所述多条历史行驶路线进行划分，得到多个路线集合；其中，每个所述路线集合中所有历史行驶路线的出发地点和结束地点均相同；

针对每个所述路线集合，将所述路线集合中出现次数最多的历史行驶路线确定为所述标准路线。

可选的，将所述已行驶路线与每条所述标准路线在多个第一预设维度上各自对应的第一差值输入至所述路线预测模型进行处理，得到所述目标行驶路线之前，还包括：

基于设定条件对每条所述历史行驶路线进行拆分，得到每条所述历史行驶路线对应的多条子行驶路线；

确定每条所述子行驶路线对应的第二出发时间和第二出发地点；

针对每条所述子行驶路线，根据所述第二出发时间、所述第二出发时间、所述子行驶路线的位置坐标以及所述多条标准路线各自对应的特征信息，计算得到所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值；

根据每条所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值，对所述神经网络模型进行训练，得到所述路线预测模型。

可选的，所述根据每条所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值，对所述神经网络模型进行训练，得到所述路线预测模型，包括：

将每条所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值分别与每条所述子行驶路线对应的历史行驶路线进行关联；

计算每条所述历史行驶路线与所述每条标准路线在多个第二预设维度上各自对应的第三差值；

根据所述第三差值确定每条所述历史行驶路线各自对应的目标标准路线，并基于所述目标标准路线对每条所述历史行驶路线设置标签；

根据携带标签的每条所述历史行驶路线，以及与每条所述历史行驶路线关联的所述第三差值，对所述神经网络模型进行训练，得到所述路线预测模型。

可选的，所述多个第二预设维度包括：起点维度、终点维度以及路线维度；所述根据所述第三差值确定每条所述历史行驶路线各自对应的目标标准路线，包括：

针对每条所述历史行驶路线，若所述历史行驶路线与所述多条标准路线中的一条标准路线在所述起点维度的第三差值小于或等于第一阈值，在所述终点维度的第三差值小于或等于第二阈值，且根据所述路线维度的第三差值计算得到的路线相似度大于或等于第三阈值，则确定所述一条标准路线为所述历史行驶路线对应的目标标准路线。

可选的，在将所述第一出发时间、所述第一出发地点、所述位置坐标集合以及所述已行驶路线输入至路线预测模型进行处理，得到所述车辆的目标行驶路线之后，还包括：

根据所述目标行驶路线确定所述车辆行驶的目标地点和所述车辆对应的多个目标行驶位置；

调用设定的地图接口，以使所述地图接口根据所述目标地点和所述多个目标行驶位置，输出所述车辆在所述目标行驶路线下的环境信息和行驶信息。

第二方面，本申请实施例提供了一种行驶路线的预测装置，包括：

第一获取单元，用于获取车辆的第一出发时间、第一出发地点以及所述车辆在行驶过程中的位置坐标集合；

第一确定单元，用于根据所述位置坐标集合确定所述车辆的已行驶路线；

第一处理单元，用于将所述第一出发时间、所述第一出发地点、所述位置坐标集合以及所述已行驶路线输入至路线预测模型进行处理，得到所述车辆的目标行驶路线；其中，所述路线预测模型为预先训练的神经网络模型。

第三方面，本申请实施例提供了一种车载终端，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的行驶路线的预测方法。

第四方面，本申请实施例提供了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程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的行驶路线的预测方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在车载终端上运行时，使得车载终端可执行上述第一方面中任一项所述的行驶路线的预测方法。

本申请实施例与现有技术相比存在的有益效果是：

本申请实施例提供的一种行驶路线的预测方法，通过获取车辆的第一出发时间、第一出发地点以及车辆在行驶过程中的位置坐标集合；根据位置坐标集合确定车辆的已行驶路线；将第一出发时间、第一出发地点、位置坐标集合以及已行驶路线输入至路线预测模型进行处理，得到车辆的目标行驶路线；其中，路线预测模型为预先训练的神经网络模型。与现有技术仅根据车辆的出发时间和出发地点对车辆的未来行驶路线进行预测相比，本申请提供的方法需要结合车辆的出发时间、出发地点、车辆在行驶过程中的位置坐标集合以及已行驶路线对车辆的行驶路线进行预测，从而提高了对行驶路线的预测准确率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本申请一实施例提供的行驶路线的预测方法的实现流程图；

图2是本申请另一实施例提供的行驶路线的预测方法的实现流程图；

图3是本申请再一实施例提供的行驶路线的预测方法的实现流程图；

图4是本申请又一实施例提供的行驶路线的预测方法的实现流程图；

图5是本申请实施例提供的累加式切分法的工作原理示意图；

图6是本申请又一实施例提供的行驶路线的预测方法的实现流程图；

图7是本申请一实施例提供的行驶路线的预测装置的结构示意图；

图8是本申请一实施例提供的车载终端的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

请参阅图1，图1是本申请一实施例提供的一种行驶路线的预测方法的实现流程图。本申请实施例中，该行驶路线的预测方法的执行主体为车载终端。

如图1所示，本申请一实施例提供的行驶路线的预测方法可以包括S101～S103，详述如下：

在S101中，获取车辆的第一出发时间、第一出发地点以及所述车辆在行驶过程中的位置坐标集合。

在实际应用中，随着车辆智能化程度的提高，很多智能化功能的使用需要基于导航数据(如车辆到达目的地所经过的路线等)才能使用。目前，大多数车主在驾驶车辆时并不会使用汽车导航系统进行路线导航，有部分车主会选择使用手机导航，也有部分车主因为熟悉路线等原因不需要使用导航，使得车载终端需要实时预测车辆的未来行驶路线，以达到实现车辆智能化功能的目的。

基于此，本申请实施例中，当需要使用车辆的智能化功能时，车载终端可以获取车辆的第一出发时间、第一出发地点以及该车辆在行驶过程中的位置坐标集合。其中，位置坐标集合中每组位置坐标具体指车辆在行驶过程中，在某个时刻下所处的经纬度。

需要说明的是，车辆的行驶过程具体指从车辆从第一出发时间行驶至车载终端获取上述信息的时刻的过程。

在一些可能的实施例中，为了进一步提高对车辆未来的行驶路线的预测准确率，车载终端还可以获取在第一出发时间下的第一天气信息，以及该第一出发时间对应的出发日期的第一日期特征。其中，第一天气信息用于描述在第一出发时间时的天气情况；第一日期特征用于描述第一出发时间对应的出发日期是否为节假日。

在S102中，根据所述位置坐标集合确定所述车辆的已行驶路线。

本申请实施例中，车载终端在获取位置坐标集合后，可以根据位置坐标集合中包含的不同时刻下车辆所处的位置坐标确定该车辆的已行驶路线。

需要说明的是，已行驶路线具体指车辆从第一出发时间至车载终端获取上述信息的时刻所行驶的路线。

在S103中，将所述第一出发时间、所述第一出发地点、所述位置坐标集合以及所述已行驶路线输入至路线预测模型进行处理，得到所述车辆的目标行驶路线；其中，所述路线预测模型为预先训练的神经网络模型。

本申请实施例中，车载终端在获取到车辆的第一出发时间、第一出发地点、位置坐标集合以及已行驶路线后，可以将该第一出发时间、该第一出发地点、该位置坐标集合以及该已行驶路线输入至路线预测模型进行处理，以使路线预测模型根据车辆的第一出发时间、第一出发地点、位置坐标集合以及已行驶路线，对车辆未来的行驶路线进行预测，从而得到车辆的目标行驶路线。

以上可以看出，本申请实施例提供的一种行驶路线的预测方法，通过获取车辆的第一出发时间、第一出发地点以及车辆在行驶过程中的位置坐标集合；根据位置坐标集合确定车辆的已行驶路线；将第一出发时间、第一出发地点、位置坐标集合以及已行驶路线输入至路线预测模型进行处理，得到车辆的目标行驶路线；其中，路线预测模型为预先训练的神经网络模型。与现有技术仅根据车辆的出发时间和出发地点对车辆的未来行驶路线进行预测相比，本申请提供的方法需要结合车辆的出发时间、出发地点、车辆在行驶过程中的位置坐标集合以及已行驶路线对车辆的行驶路线进行预测，从而提高了对行驶路线的预测准确率。

请参阅图2，图2是本申请另一实施例提供的行驶路线的预测方法。相对于图1对应的实施例，为了进一步提高对车辆未来的行驶路线的预测准确率，本实施例中，步骤S103具体可以包括S201～S203，详述如下：

在S201中，获取预存储的与所述车辆对应的多条标准路线，并确定所述多条标准路线各自对应的特征信息；其中，所述特征信息包括出发时间、出发地点和行驶位置坐标。

需要说明的是，标准路线指通过统计学的方式从车辆行驶的出发地点、结束地点以及行驶的完整路线等角度对重复的路线进行统计，得到车辆在相同的出发地点和结束地点下，重复次数最多的完整路线作为车辆在该相同的出发地点和结束地点下的标准路线。

具体地，在本申请的一个实施例中，车载终端可以通过如图3所示的S301～S303确定车辆的标准路线，详述如下：

在S301中，获取所述车辆在历史时间段内的多条历史行驶路线，并确定每条所述历史行驶路线的出发地点和结束地点。

在本实施例的一种实现方式中，车载终端可以预先获取到车辆在历史时间段内的多条历史行驶路线并存储至自身存储器中，当车辆需要获取车辆在该历史时间段内的多条历史行驶路线时，车载终端可以从其自身的存储器中获取到该历史时间段内的多条历史行驶路线。其中，历史时间段可以根据实际需要确定，此处不作限制。

在一些可能的实施例中，为了保证获取到的多条历史行驶路线的时效性，历史时间段可以设置为车载终端需要获取多条历史行驶路线之前的最近30天。示例性的，假设车载终端需要获取多条历史行驶路线的日期为2022年11月20日，则历史时间段可以为2022年10月22日至2022年11月21日的时间段。

需要说明的是，由于每条历史行驶路线包含不同时刻下的位置坐标，因此，车载终端可以根据每条历史行驶路线包含的不同时刻下的位置坐标，确定每条历史行驶路线的出发地点和结束地点。

在S302中，根据每条所述历史行驶路线的出发地点和结束地点，对所述多条历史行驶路线进行划分，得到多个路线集合；其中，每个所述路线集合中所有历史行驶路线的出发地点和结束地点均相同。

本实施例中，车载终端在获取到车辆在历史时间段内的多条历史行驶路线后，为了准确确定车辆的标准路线，车载终端可以根据每条历史行驶路线的出发地点和结束地点，对各条历史行驶路线进行划分，将出发地点和结束地点均相同的历史行驶路线划分至同一个路线集合中，也就是说，每个路线集合中所有历史行驶路线的出发地点和结束地点均相同。

在S303中，针对每个所述路线集合，将所述路线集合中出现次数最多的历史行驶路线确定为所述标准路线。

本实施例中，车载终端在得到多个路线集合后，由于每个路线集合中所有历史行驶路线的出发地点和结束地点都相同，因此，车载终端可以直接将每个路线集合中出行次数最多的历史行驶路线确定为车辆的标准路线。其中，出行次数最多用于表征一个路线集合中轨迹完全相同的历史行驶路线重复出现的次数最多。

本实施例中，车载终端在得到车辆的多条标准路线后，由于每条标准路线均为历史行驶路线，且每条历史行驶路线均包含不同时刻下的位置坐标，因此，车载终端可以确定每条标准路线的特征信息。其中，特征信息包括但不限于标准路线的出发时间、出发地点及行驶坐标位置。

需要说明的是，行驶坐标位置包括多个，每个行驶坐标位置用于描述车辆在某个时刻下所处的经纬度。

在一些可能的实施例中，结合S101，为了进一步提高对车辆未来的行驶路线的预测准确率，特征信息还可以包括：第二天气信息和第二日期特征。其中，第二天气信息用于描述每条标准路线各自对应的出发日期下的天气情况，第二日期特征用于描述每条标准路线对应的出发日期是否为节假日。

在S202中，根据所述第一出发时间、所述第一出发地点、所述位置坐标集合、所述已行驶路线以及所述多条标准路线各自对应的特征信息，计算得到所述已行驶路线与每条所述标准路线在多个第一预设维度上各自对应的第一差值。

需要说明的是，多个第一预设维度包括但不限于：时间维度、地点维度、坐标维度及路线维度。

因此，本实施例中，针对每条标准路线，车载终端可以根据车辆的第一出发时间和该标准路线对应的出发时间，计算得到已行驶路线与该标准路线在时间维度上对应的第一差值；车载终端可以根据车辆的第一出发地点和该标准路线对应的出发地点，计算得到已行驶路线与该标准路线在地点维度上对应的第一差值；车载终端可以根据车辆的位置坐标集合和该标准路线的行驶位置坐标，计算得到已行驶路线与该标准路线在坐标维度上对应的第一差值；车载终端可以根据车辆的已行驶路线的具体行驶轨迹和该标准路线的具体行驶轨迹，计算得到已行驶路线与该标准路线在路线维度上对应的第一差值。

结合S201，在本申请的一个实施例中，多个第一预设维度还可以包括：天气维度和日期维度。

基于此，针对每条标准路线，车载终端还可以根据已行驶路线对应的第一天气信息和该标准路线对应的第二天气信息，计算得到已行驶路线与该标准路线在天气维度上对应的第一差值；车载终端还可以根据已行驶路线对应的第一日期特征和该标准路线对应的第二日期特征，计算得到已行驶路线与该标准路线在日期维度上对应的第一差值。

在S203中，将所述已行驶路线与每条所述标准路线在多个第一预设维度上各自对应的第一差值输入至所述路线预测模型进行处理，得到所述目标行驶路线。

本实施例中，车载终端在获取到已行驶路线与每条标准路线在多个第一预设维度上各自对应的第一差值后，可以将该第一差值输入至路线预测模型进行处理，以使路线预测模型根据该第一差值对车辆未来的行驶路线进行预测，从而得到车辆的目标行驶路线。

可以理解的是，结合S202，车载终端可以将获取到的已行驶路线与该标准路线在时间维度上对应的第一差值、已行驶路线与该标准路线在地点维度上对应的第一差值、已行驶路线与该标准路线在坐标维度上对应的第一差值，以及已行驶路线与该标准路线在路线维度上对应的第一差值，输入至路线预测模型进行处理，以使路线预测模型可以根据上述第一差值准确预测出车辆在未来的行驶路线。

在本申请的一个实施例中，结合S202，车载终端可以将获取到的已行驶路线与该标准路线在时间维度上对应的第一差值、已行驶路线与该标准路线在地点维度上对应的第一差值、已行驶路线与该标准路线在坐标维度上对应的第一差值、已行驶路线与该标准路线在路线维度上对应的第一差值、已行驶路线与该标准路线在天气维度上对应的第一差值以及已行驶路线与该标准路线在日期维度上对应的第一差值，输入至路线预测模型进行处理，以使路线预测模型可以根据上述第一差值准确预测出车辆在未来的行驶路线。

以上可以看出，本实施例提供的行驶路线的预测方法，通过获取预存储的与车辆对应的多条标准路线，并确定多条标准路线各自对应的特征信息；其中，特征信息包括出发时间、出发地点和行驶位置坐标；根据第一出发时间、第一出发地点、位置坐标集合、已行驶路线以及多条标准路线各自对应的特征信息，计算得到已行驶路线与每条标准路线在多个第一预设维度上各自对应的第一差值；将已行驶路线与每条标准路线在多个第一预设维度上各自对应的第一差值输入至路线预测模型进行处理，得到目标行驶路线。本实施例提供的预测方法需要结合已行驶路线与每条标准路线在多个第一预设维度上各自对应的第一差值对车辆未来的行驶路线进行预测，由于上述各个差值可以描述已行驶路线与每条标准路线之间的差距，进而可以根据上述各个差值确定已行驶路线与每条标准路线之间的相似度，从而可以准确的预测车辆的目标行驶路线，即提高了对车辆未来行驶路线的预测准确率。

请参阅图4，图4是本申请再一实施例提供的行驶路线的预测方法。相对于图2对应的实施例，为了进一步提高对车辆未来的行驶路线的预测准确率，车载终端需要对预先构建的神经网络模型进行训练，因此，本实施例在S203之前，还可以包括S401～S404，详述如下：

在S401中，基于设定条件对每条所述历史行驶路线进行拆分，得到每条所述历史行驶路线对应的多条子行驶路线。

在S402中，确定每条所述子行驶路线对应的第二出发时间和第二出发地点。

在本实施例的一种实现方式中，设定条件可以是：累加式拆分法。其中，累加式拆分法指以历史行驶路线的出发地点为该历史行驶路线的所有子行驶路线的出发地点，当前子行驶路线的长度为上一个子行驶路线的长度与预设长度之和。其中，预设长度可以根据实际需要确定，此处不作限制。

示例性的，请参阅图5，图5是本申请实施例提供的累加式拆分法的原理示意图。如图5所示，线段L为一条完整的历史行驶路线，线段l1为该历史行驶路线的第一子行驶路线，线段l2为该历史行驶路线的第二子行驶路线，线段l3为该历史行驶路线的第三子行驶路线，线段l4为该历史行驶路线的第四子行驶路线，以此类推，线段ln为该历史行驶路线的第n子行驶路线。

本实施例中，由于每条历史行驶路线均包含不同时刻下的位置坐标，因此，针对每条历史行驶路线，车载终端可以根据该历史行驶路线包含的不同时刻下的位置坐标，确定该历史行驶路线对应的每条子行驶路线对应的第二出发时间和第二出发地点。

在一些可能的实施例中，为了提高路线预测模型的预测准确率，车载终端还可以获取在第二出发时间下的第三天气信息，以及该第二出发时间对应的出发日期的第三日期特征。其中，第三天气信息用于描述在第二出发时间时的天气情况；第三日期特征用于描述第二出发时间对应的出发日期是否为节假日。

在S403中，针对每条所述子行驶路线，根据所述第二出发时间、所述第二出发时间、所述子行驶路线的位置坐标以及所述多条标准路线各自对应的特征信息，计算得到所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值。

需要说明的是，多个第一预设维度包括但不限于：时间维度、地点维度、坐标维度及路线维度。

因此，本实施例中，针对每条子行驶路线，车载终端可以根据该子行驶路线对应的第二出发时间和多条标准路线各自对应的出发时间，计算得到该子行驶路线与多条标准路线在时间维度上各自对应的第二差值；车载终端可以根据该子行驶路线对应的第二出发地点和多条标准路线各自对应的出发地点，计算得到该子行驶路线与多条标准路线在地点维度上各自对应的第二差值；车载终端可以根据该子行驶路线的位置坐标和多条标准路线各自的行驶位置坐标，计算得到该子行驶路线与多条标准路线在坐标维度上各自对应的第二差值；车载终端可以根据该子行驶路线的具体行驶轨迹和多条标准路线各自的具体行驶轨迹，计算得到该子行驶路线与多条标准路线在路线维度上各自对应的第二差值。

结合S402，在本申请的一个实施例中，多个第一预设维度还可以包括：天气维度和日期维度。

基于此，针对每条子行驶路线，车载终端还可以根据该子行驶路线对应的第三天气信息和多条标准路线各自对应的第二天气信息，计算得到该子行驶路线与多条标准路线在天气维度上各自对应的第二差值；车载终端还可以根据该子行驶路线对应的第三日期特征和多条标准路线各自对应的第二日期特征，计算得到该子行驶路线与多条标准路线在日期维度上各自对应的第二差值。

在S404中，根据每条所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值，对所述神经网络模型进行训练，得到所述路线预测模型。

本实施例中，车载终端在获取到每条子行驶路线与每条标准路线在多个第一预设维度上各自对应的第二差值后，可以根据该第二差值对神经网络模型进行训练，以得到路线预测模型。

可以理解的是，结合S403，车载终端可以根据获取到的每条子行驶路线与每条标准路线在时间维度上各自对应的第二差值、每条子行驶路线与每条标准路线在地点维度上各自对应的第二差值、每条子行驶路线与每条标准路线在坐标维度上各自对应的第二差值，以及每条子行驶路线与每条标准路线在路线维度上各自对应的第二差值，对神经网络模型进行训练。

在本申请的一个实施例中，结合S403，车载终端还可以根据获取到的每条子行驶路线与每条标准路线在时间维度上各自对应的第二差值、每条子行驶路线与每条标准路线在地点维度上各自对应的第二差值、每条子行驶路线与每条标准路线在坐标维度上各自对应的第二差值、每条子行驶路线与每条标准路线在路线维度上各自对应的第二差值、每条子行驶路线与每条标准路线在天气维度上各自对应的第二差值，以及每条子行驶路线与每条标准路线在日期维度上各自对应的第二差值，对神经网络模型进行训练。

在本申请的一个实施例中，车载终端具体可以通过如图6所示的S501～S504对神经网络模型进行训练，详述如下：

在S501中，将每条所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值分别与每条所述子行驶路线对应的历史行驶路线进行关联。

本实施例中，车载终端可以将每条子行驶路线与每条标准路线在多个第一预设维度上各自对应的第二差值分别与该每条子行驶路线对应的历史行驶路线进行关联，也就是说，上述第二差值与历史行驶路线存在对应关系。

在S502中，计算每条所述历史行驶路线与所述每条标准路线在多个第二预设维度上各自对应的第三差值。

需要说明的是，多个第二预设维度包括但不限于：起点维度、终点维度以及路线维度。

因此，本实施例中，针对每条历史行驶路线，车载终端可以根据该历史子行驶路线的出发地点和多条标准路线对应的出发地点，计算得到该历史行驶路线与多条标准路线在起点维度上各自对应的第三差值；车载终端可以根据该历史子行驶路线的结束地点和多条标准路线对应的结束地点，计算得到该历史行驶路线与多条标准路线在终点维度上各自对应的第三差值；车载终端可以根据该历史子行驶路线的具体行驶轨迹和多条标准路线的各自的具体行驶轨迹，计算得到该历史行驶路线与多条标准路线在路线维度上各自对应的第三差值。

在S503中，根据所述第三差值确定每条所述历史行驶路线各自对应的目标标准路线，并基于所述目标标准路线对每条所述历史行驶路线设置标签。

本实施例中，车载终端在得到上述第三差值后，可以将该第三差值与设定阈值进行比较。其中，设定阈值可以根据实际需要确定，此处不作限制。

车载终端可以根据上述第三差值与设定阈值之间的比较结果，确定每条历史行驶路线各自对应的目标标准路线。

在本申请的一个实施例中，结合S502，针对每条历史行驶路线，由于第三差值包括但不限于：该历史行驶路线与多条标准路线在起点维度上各自对应的第三差值、该历史行驶路线与多条标准路线在终点维度上各自对应的第三差值，以及该历史行驶路线与多条标准路线在路线维度上各自对应的第三差值，因此，设定阈值包括但不限于第一阈值、第二阈值及第三阈值。其中，第一阈值可以为[0,1km]中的任意数值，如500m、1km等，第二阈值可以为[0,1km]中的任意数值，如500m、1km等，第三阈值可以为[80％,99％]中的任意数值，如80％、95％等。

基于此，车载终端具体可以根据以下步骤确定每条历史行驶路线各自对应的目标标准路线，详述如下：

针对每条所述历史行驶路线，若所述历史行驶路线与所述多条标准路线中的一条标准路线在所述起点维度的第三差值小于或等于第一阈值，在所述终点维度的第三差值小于或等于第二阈值，且根据所述路线维度的第三差值计算得到的路线相似度大于或等于第三阈值，则确定所述一条标准路线为所述历史行驶路线对应的目标标准路线。

本实施例中，针对每条历史行驶路线，车载终端在检测到该历史行驶路线与多条标准路线中的某条标准路线在起点维度的第三差值小于或等于第一阈值，在终点维度的第三差值小于或等于第二阈值，且根据路线维度的第三差值计算得到的路线相似度大于或等于第三阈值，则确定上述某条标准路线为该历史行驶路线对应的目标标准路线。

在本申请的一个实施例中，车载终端可以根据豪斯多夫距离和路线维度的第三差值计算路线相似度。

在本申请的另一个实施例中，车载终端还可以根据最长公共子序列(The longestcommon subsequence，LCS)算法和路线维度的第三差值计算路线相似度。

本实施例中，车载终端在确定每条历史行驶路线对应的目标标准路线后，可以基于该目标标准路线对该历史行驶路线设置标签。

在S504中，根据携带标签的每条所述历史行驶路线，以及与每条所述历史行驶路线关联的所述第三差值，对所述神经网络模型进行训练，得到所述路线预测模型。

本实施例中，车载终端在得到携带标签的每条历史行驶路线，以及与每条历史行驶路线关联的第三差值后，可以根据该携带标签的每条历史行驶路线，以及与每条历史行驶路线关联的第三差值对神经网络模型进行训练，以得到路线预测模型。

以上可以看出，本实施例提供的行驶路线的预测方法，通过基于设定条件对每条历史行驶路线进行拆分，得到每条历史行驶路线对应的多条子行驶路线；确定每条子行驶路线对应的第二出发时间和第二出发地点；针对每条子行驶路线，根据第二出发时间、第二出发时间、子行驶路线的位置坐标以及多条标准路线各自对应的特征信息，计算得到子行驶路线与每条标准路线在多个第一预设维度上各自对应的第二差值；根据每条子行驶路线与每条标准路线在多个第一预设维度上各自对应的第二差值，对神经网络模型进行训练，得到路线预测模型。本实施例提供的预测方法，通过计算得到的子行驶路线与每条标准路线在多个第一预设维度上各自对应的第二差值对神经网络模型进行训练，可以提高后期路线预测模型的预测准确率。

在本申请的又一个实施例中，车载终端在得到车辆的目标行驶路线后，还可以执行以下步骤：

根据所述目标行驶路线确定所述车辆行驶的目标地点和所述车辆对应的多个目标行驶位置；

调用设定的地图接口，以使所述地图接口根据所述目标地点和所述多个目标行驶位置，输出所述车辆在所述目标行驶路线下的环境信息和行驶信息。

本实施例中，车载终端在得到车辆的目标行驶路线后，由于目标行驶路线为标准路线，且每条标准路线均包含其对应的行驶坐标位置和结束地点，因此，车载终端可以根据该目标行驶路线确定车辆行驶的目标地点和该车辆对应的多个目标行驶位置。

基于此，车载终端可以调用设定的地图接口，以使该地图接口根据上述目标地点和多个目标行驶位置，输出该车辆在目标行驶路线下的环境信息和行驶信息。其中，设定的地图接口可以根据实际需要确定，此处不作限制。

本实施例中，环境信息包括但不限于：车辆所处区域、该区域的路况信息，以及车辆的当前所处位置与目标行驶路线的结束地点之间的距离等。行驶信息包括但不限于车辆的车速等。

以上可以看出，本实施例提供的行驶路线的预测方法，在得到车辆的目标行驶路线后，车载终端可以直接根据目标行驶路线确定该车辆行驶的目标地点和该车辆对应的多个目标行驶位置；调用设定的地图接口，以使地图接口根据目标地点和多个目标行驶位置，输出车辆在目标行驶路线下的环境信息和行驶信息，使得车载终端在用户不使用车辆的汽车导航系统，无法实时获取到车辆的导航数据时，仍然可以根据预测到的目标行驶路线获取到车辆在目标行驶路线下的环境信息和行驶信息，即实现车辆的智能化功能。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的一种行驶路线的预测方法，图7示出了本申请实施例提供的一种行驶路线的预测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。参照图7，该行驶路线的预测装置700包括：第一获取单元71、第一确定单元72及第一处理单元73。其中：

第一获取单元71用于获取车辆的第一出发时间、第一出发地点以及所述车辆在行驶过程中的位置坐标集合。

第一确定单元72用于根据所述位置坐标集合确定所述车辆的已行驶路线。

第一处理单元73用于将所述第一出发时间、所述第一出发地点、所述位置坐标集合以及所述已行驶路线输入至路线预测模型进行处理，得到所述车辆的目标行驶路线；其中，所述路线预测模型为预先训练的神经网络模型。

在本申请的一个实施例中，第一处理单元72具体包括：第二获取单元、第一计算单元及第二处理单元。其中：

第二获取单元用于获取预存储的与所述车辆对应的多条标准路线，并确定所述多条标准路线各自对应的特征信息；其中，所述特征信息包括出发时间、出发地点和行驶位置坐标。

第一计算单元用于根据所述第一出发时间、所述第一出发地点、所述位置坐标集合、所述已行驶路线以及所述多条标准路线各自对应的特征信息，计算得到所述已行驶路线与每条所述标准路线在多个第一预设维度上各自对应的第一差值。

第二处理单元用于将所述已行驶路线与每条所述标准路线在多个第一预设维度上各自对应的第一差值输入至所述路线预测模型进行处理，得到所述目标行驶路线。

在本申请的一个实施例中，所述第二获取单元具体包括：第三获取单元、第二确定单元及第三确定单元。其中：

第三获取单元用于获取所述车辆在历史时间段内的多条历史行驶路线，并确定每条所述历史行驶路线的出发地点和结束地点；

第二确定单元用于根据每条所述历史行驶路线的出发地点和结束地点，对所述多条历史行驶路线进行划分，得到多个路线集合；其中，每个所述路线集合中所有历史行驶路线的出发地点和结束地点均相同。

第三确定单元用于针对每个所述路线集合，将所述路线集合中出现次数最多的历史行驶路线确定为所述标准路线。

在本申请的一个实施例中，行驶路线的预测装置700还包括：拆分单元、第四确定单元、第二计算单元及第一训练单元。其中：

拆分单元用于基于设定条件对每条所述历史行驶路线进行拆分，得到每条所述历史行驶路线对应的多条子行驶路线。

第四确定单元，用于确定每条所述子行驶路线对应的第二出发时间和第二出发地点。

第二计算单元用于针对每条所述子行驶路线，根据所述第二出发时间、所述第二出发时间、所述子行驶路线的位置坐标以及所述多条标准路线各自对应的特征信息，计算得到所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值。

第一训练单元用于根据每条所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值，对所述神经网络模型进行训练，得到所述路线预测模型。

在本申请的一个实施例中，所述第一训练单元具体包括：关联单元、第三计算单元、设置单元及第二训练单元。其中：

关联单元用于将每条所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值分别与每条所述子行驶路线对应的历史行驶路线进行关联。

第三计算单元用于计算每条所述历史行驶路线与所述每条标准路线在多个第二预设维度上各自对应的第三差值。

设置单元用于根据所述第三差值确定每条所述历史行驶路线各自对应的目标标准路线，并基于所述目标标准路线对每条所述历史行驶路线设置标签。

第二训练单元用于根据携带标签的每条所述历史行驶路线，以及与每条所述历史行驶路线关联的所述第三差值，对所述神经网络模型进行训练，得到所述路线预测模型。

在本申请的一个实施例中，所述多个第二预设维度包括：起点维度、终点维度以及路线维度；所述设置单元具体包括：第五确定单元。

第五确定单元用于针对每条所述历史行驶路线，若所述历史行驶路线与所述多条标准路线中的一条标准路线在所述起点维度的第三差值小于或等于第一阈值，在所述终点维度的第三差值小于或等于第二阈值，且根据所述路线维度的第三差值计算得到的路线相似度大于或等于第三阈值，则确定所述一条标准路线为所述历史行驶路线对应的目标标准路线。

在本申请的一个实施例中，行驶路线的预测装置700还包括：第六确定单元和输出单元。其中：

第六确定单元用于根据所述目标行驶路线确定所述车辆行驶的目标地点和所述车辆对应的多个目标行驶位置。

输出单元用于调用设定的地图接口，以使所述地图接口根据所述目标地点和所述多个目标行驶位置，输出所述车辆在所述目标行驶路线下的环境信息和行驶信息。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图8为本申请一实施例提供的车载终端的结构示意图。如图8所示，该实施例的车载终端8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个行驶路线的预测方法实施例中的步骤。

该车载终端可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是车载终端8的举例，并不构成对车载终端8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器81在一些实施例中可以是所述车载终端8的内部存储单元，例如车载终端8的内存。所述存储器81在另一些实施例中也可以是所述车载终端8的外部存储设备，例如所述车载终端1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(Flash Card)等。进一步地，所述存储器81还可以既包括所述车载终端8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还提供了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程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在车载终端上运行时，使得车载终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到车载终端的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种行驶路线的预测方法，其特征在于，包括：

获取车辆的第一出发时间、第一出发地点以及所述车辆在行驶过程中的位置坐标集合；

根据所述位置坐标集合确定所述车辆的已行驶路线；

将所述第一出发时间、所述第一出发地点、所述位置坐标集合以及所述已行驶路线输入至路线预测模型进行处理，得到所述车辆的目标行驶路线；其中，所述路线预测模型为预先训练的神经网络模型。

2.如权利要求1所述的预测方法，其特征在于，所述将所述第一出发时间、所述第一出发地点、所述位置坐标集合以及所述已行驶路线输入至路线预测模型进行处理，得到所述车辆的目标行驶路线，包括：

获取预存储的与所述车辆对应的多条标准路线，并确定所述多条标准路线各自对应的特征信息；其中，所述特征信息包括出发时间、出发地点和行驶位置坐标；

根据所述第一出发时间、所述第一出发地点、所述位置坐标集合、所述已行驶路线以及所述多条标准路线各自对应的特征信息，计算得到所述已行驶路线与每条所述标准路线在多个第一预设维度上各自对应的第一差值；

将所述已行驶路线与每条所述标准路线在多个第一预设维度上各自对应的第一差值输入至所述路线预测模型进行处理，得到所述目标行驶路线。

3.如权利要求2所述的预测方法，其特征在于，所述获取预存储的与所述车辆对应的多条标准路线，包括：

获取所述车辆在历史时间段内的多条历史行驶路线，并确定每条所述历史行驶路线的出发地点和结束地点；

根据每条所述历史行驶路线的出发地点和结束地点，对所述多条历史行驶路线进行划分，得到多个路线集合；其中，每个所述路线集合中所有历史行驶路线的出发地点和结束地点均相同；

针对每个所述路线集合，将所述路线集合中出现次数最多的历史行驶路线确定为所述标准路线。

4.如权利要求3所述的预测方法，其特征在于，在将所述已行驶路线与每条所述标准路线在多个第一预设维度上各自对应的第一差值输入至所述路线预测模型进行处理，得到所述目标行驶路线之前，还包括：

基于设定条件对每条所述历史行驶路线进行拆分，得到每条所述历史行驶路线对应的多条子行驶路线；

确定每条所述子行驶路线对应的第二出发时间和第二出发地点；

针对每条所述子行驶路线，根据所述第二出发时间、所述第二出发时间、所述子行驶路线的位置坐标以及所述多条标准路线各自对应的特征信息，计算得到所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值；

根据每条所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值，对所述神经网络模型进行训练，得到所述路线预测模型。

5.如权利要求4所述的预测方法，其特征在于，所述根据每条所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值，对所述神经网络模型进行训练，得到所述路线预测模型，包括：

将每条所述子行驶路线与所述每条标准路线在所述多个第一预设维度上各自对应的第二差值分别与每条所述子行驶路线对应的历史行驶路线进行关联；

计算每条所述历史行驶路线与所述每条标准路线在多个第二预设维度上各自对应的第三差值；

根据所述第三差值确定每条所述历史行驶路线各自对应的目标标准路线，并基于所述目标标准路线对每条所述历史行驶路线设置标签；

根据携带标签的每条所述历史行驶路线，以及与每条所述历史行驶路线关联的所述第三差值，对所述神经网络模型进行训练，得到所述路线预测模型。

6.如权利要求5所述的预测方法，其特征在于，所述多个第二预设维度包括：起点维度、终点维度以及路线维度；所述根据所述第三差值确定每条所述历史行驶路线各自对应的目标标准路线，包括：

针对每条所述历史行驶路线，若所述历史行驶路线与所述多条标准路线中的一条标准路线在所述起点维度的第三差值小于或等于第一阈值，在所述终点维度的第三差值小于或等于第二阈值，且根据所述路线维度的第三差值计算得到的路线相似度大于或等于第三阈值，则确定所述一条标准路线为所述历史行驶路线对应的目标标准路线。

7.如权利要求1-6任一项所述的预测方法，其特征在于，在将所述第一出发时间、所述第一出发地点、所述位置坐标集合以及所述已行驶路线输入至路线预测模型进行处理，得到所述车辆的目标行驶路线之后，还包括：

根据所述目标行驶路线确定所述车辆行驶的目标地点和所述车辆对应的多个目标行驶位置；

调用设定的地图接口，以使所述地图接口根据所述目标地点和所述多个目标行驶位置，输出所述车辆在所述目标行驶路线下的环境信息和行驶信息。

8.一种行驶路线的预测装置，其特征在于，包括：

第一获取单元，用于获取车辆的第一出发时间、第一出发地点以及所述车辆在行驶过程中的位置坐标集合；

第一确定单元，用于根据所述位置坐标集合确定所述车辆的已行驶路线；

第一处理单元，用于将所述第一出发时间、所述第一出发地点、所述位置坐标集合以及所述已行驶路线输入至路线预测模型进行处理，得到所述车辆的目标行驶路线；其中，所述路线预测模型为预先训练的神经网络模型。

9.一种车载终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的行驶路线的预测方法。

10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的行驶路线的预测方法。

Images