CN115952364A - 一种路线推荐的方法、装置、存储介质及电子设备 - Google Patents
一种路线推荐的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115952364A CN115952364A CN202310242285.9A CN202310242285A CN115952364A CN 115952364 A CN115952364 A CN 115952364A CN 202310242285 A CN202310242285 A CN 202310242285A CN 115952364 A CN115952364 A CN 115952364A
- Authority
- CN
- China
- Prior art keywords
- track
- target
- cluster
- determining
- time
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Navigation (AREA)
Abstract
本说明书公开了一种路线推荐的方法、装置、存储介质及电子设备，获取目标轨迹，将基于预设编码器所确定出目标轨迹的时空表征对应的待优化特征向量输入到预设的解码器中，以得到基于所述待优化特征向量还原出的还原轨迹，根据还原轨迹与目标轨迹对应标准轨迹之间的偏差，确定第一损失值；并根据待优化特征向量与每个第二类簇之间相匹配的概率分布与预设的标准分布之间的偏差，确定第二损失值，以最小化第一损失值和第二损失值为优化目标，调整待优化特征向量，并对得到的目标轨迹对应的目标特征向量聚类，当向用户进行路线推荐时，根据得到的聚类结果进行路线推荐。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种路线推荐的方法、装置、存储介质及电子设备。
背景技术
如今，随着互联网技术的发展，用户在出行时，现有的推荐路线的方法会根据用户设定的起点和终点向用户推荐合适的路线轨迹，以方便用户出行。
但现有的推荐路线的方法在为用户进行路线推荐时不太准确。
发明内容
本说明书提供一种路线推荐的方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种路线推荐的方法，包括：
获取目标轨迹；
根据预先确定出的各第一类簇以及所述目标轨迹中每个轨迹点对应的时间信息，确定所述目标轨迹对应的时空表征，并将基于预设编码器所确定出的所述时空表征对应的待优化特征向量输入到预设的解码器中，以得到基于所述待优化特征向量还原出的轨迹，作为还原轨迹，并根据所述还原轨迹与所述目标轨迹对应标准轨迹之间的偏差，确定第一损失值，第一类簇是将多个轨迹中的轨迹点聚类得到；
确定所述待优化特征向量与每个第二类簇之间相匹配的概率的概率分布，并根据所述概率分布与预设的标准分布之间的偏差，确定第二损失值，第二类簇是通过将目标轨迹对应的待优化特征向量进行聚类得到；
以最小化所述第一损失值和所述第二损失值为优化目标，调整所述待优化特征向量，并对得到的所述目标轨迹对应的目标特征向量聚类；
当向用户进行路线推荐时，根据得到的聚类结果进行路线推荐。
可选地，根据预先确定出的各第一类簇以及所述目标轨迹中每个轨迹点对应的时间信息，确定所述目标轨迹对应的时空表征，具体包括：
确定所述目标轨迹中各轨迹点归属的各第一类簇，作为第一目标簇，并根据预先确定出的第一目标簇对应的标记信息，确定所述目标轨迹对应的空间表征；针对所述目标轨迹中包含的每个轨迹点，确定该轨迹点对应的时间信息的极坐标表示，作为该轨迹点对应的极坐标表示；
根据所述空间表征以及所述目标轨迹中包含的每个轨迹点对应的极坐标表示，确定所述目标轨迹的时空表征。
可选地，确定所述目标轨迹中各轨迹点归属的各第一类簇，具体包括：
针对每个第一类簇，确定该第一类簇在预设空间中所占据的空间范围；
针对所述目标轨迹中包含的每个轨迹点，将该轨迹点所落入的空间范围对应的第一类簇，作为该轨迹点归属的第一类簇。
可选地，针对每个第一类簇，确定该第一类簇在预设空间中所占据的空间范围，具体包括：
针对每个第一类簇，通过预设的最小凸包算法，确定该第一类簇对应的最小外包多边形，并将所述最小外包多边形在所述预设空间中所占据的空间范围，作为该第一类簇在所述预设空间中所占据的空间范围。
可选地，将基于预设编码器所确定出的所述时空表征对应的待优化特征向量输入到预设的解码器之前，所述方法还包括：
将所述时空表征输入到编码器中，以确定出所述时空表征对应的初始特征向量，并将所述时空表征对应的初始特征向量输入到解码器中，以得到基于所述时空表征对应的初始特征向量所输出的轨迹，根据输出的轨迹与所述目标轨迹对应标准轨迹之间的偏差，对所述编码器以及所述解码器进行预训练；
根据经过预训练的所述编码器确定所述时空表征对应的待优化特征向量。
可选地，获取目标轨迹，具体包括：
针对每个第一类聚类簇，根据该第一类聚类簇中包含的每个轨迹点的坐标，确定该第一类聚类簇对应的特征向量。
可选地，获取各目标轨迹，具体包括：
获取标准轨迹；
对所述标准轨迹进行失真处理，得到所述标准轨迹对应的目标轨迹。
可选地，以最小化所述第一损失值和所述第二损失值为优化目标，调整所述目标轨迹对应的待优化特征向量，具体包括：
以最小化所述第一损失值和所述第二损失值为优化目标，调整所述目标轨迹对应的待优化特征向量，并对每个第二类簇进行调整，得到调整后的第二类簇，并根据调整后的第二类簇，重新确定第二损失值，直至满足预设的条件为止，得到所述目标轨迹对应的目标特征向量。
可选地，所述方法还包括：
以最小化所述第一损失值和所述第二损失值为优化目标，对所述编码器以及所述解码器进行训练，得到训练后的编码器和解码器。
可选地，所述方法还包括：
当获取到除目标轨迹以外的其他轨迹时，将所述其他轨迹输入到所述编码器中，以通过所述编码器，得到所述其他轨迹对应的目标特征向量。
可选地，根据得到的聚类结果进行路线推荐，具体包括：
接收用户发送的路线推荐请求；
从所述路线推荐请求中确定所述用户的出发地和目的地；
从所述聚类结果中确定所述出发地和所述目的地所命中的簇；
根据命中的簇对应的目标轨迹，向所述用户进行路线推荐。
可选地，根据命中的簇对应的目标轨迹，向所述用户进行路线推荐，具体包括：
将命中的簇对应的目标轨迹，作为候选轨迹；
针对每个候选轨迹，确定按照该候选轨迹从所述出发地到所述目的地的通行时间，作为该候选轨迹对应的通行时间；
从各候选轨迹中筛选出通行时间满足预设条件的候选轨迹，作为推荐轨迹；
将所述推荐轨迹推荐给所述用户。
可选地，针对每个候选轨迹，确定按照该候选轨迹从所述出发地到所述目的地的通行时间，作为该候选轨迹对应的通行时间，具体包括：
确定所述用户发送所述路线推荐请求所基于的时间；
针对每个候选轨迹，根据所述时间，确定按照该候选轨迹从所述出发地到所述目的地的通行时间，作为该候选轨迹对应的通行时间。
根据得到的聚类结果进行路线推荐，具体包括：
确定所述用户从过去设定时刻到当前时刻的时间段内已经经过的行驶轨迹；
根据所述各第一类簇以及所述行驶轨迹中包含的每个轨迹点对应的时间信息，确定所述行驶轨迹对应的时空表征；
将所述行驶轨迹对应的时空表征输入到所述编码器中，确定所述行驶轨迹对应的目标特征向量；
根据各第二类簇中与所述目标特征向量相匹配的簇，确定第二目标簇；
根据所述第二目标簇进行路线推荐。
可选地，根据各第二类簇中与所述目标特征向量相匹配的簇，确定第二目标簇，具体包括：
将各第二类簇中与所述目标特征向量相匹配的簇，作为候选簇；
针对每个候选簇，确定该候选簇中与所述行驶轨迹存在部分重叠的轨迹的轨迹数量，作为该候选簇对应的轨迹数量；
根据每个候选簇对应的轨迹数量，确定第二目标簇。
可选地，根据每个候选簇对应的轨迹数量，确定第二目标簇，具体包括：
将对应的轨迹数量最低的候选簇，作为第二目标簇。
可选地，根据所述第二目标簇进行路线推荐，具体包括：
从所述第二目标簇中确定与所述行驶轨迹存在部分重叠的轨迹，作为候选轨迹；
按照所述行驶轨迹对应的行驶方向，从所述候选轨迹中确定除与所述行驶轨迹相重叠的轨迹段外剩余的部分最短的轨迹，向所述用户进行路线推荐。
可选地，所述方法还包括：
确定所述第二目标簇包含的各轨迹中所涉及的下车点；
确定各下车点被所述第二目标簇中包含的各轨迹经过的次数；
根据每个下车点被所述第二目标簇中包含的各轨迹经过的次数，向所述用户推荐下车点。
本说明书提供了一种路线推荐装置，包括：
获取模块，用于获取目标轨迹；
输入模块，用于根据预先确定出的各第一类簇以及所述目标轨迹中每个轨迹点对应的时间信息，确定所述目标轨迹对应的时空表征，并将基于预设编码器所确定出的所述时空表征对应的待优化特征向量输入到预设的解码器中，以得到基于所述待优化特征向量还原出的轨迹，作为还原轨迹，并根据所述还原轨迹与所述目标轨迹对应标准轨迹之间的偏差，确定第一损失值，第一类簇是将多个轨迹中的轨迹点聚类得到；
确定模块，用于确定所述待优化特征向量与每个第二类簇之间相匹配的概率的概率分布，并根据所述概率分布与预设的标准分布之间的偏差，确定第二损失值，第二类簇是通过将目标轨迹对应的待优化特征向量进行聚类得到；
调整模块，用于以最小化所述第一损失值和所述第二损失值为优化目标，调整所述目标轨迹对应的待优化特征向量，并对得到的所述目标轨迹对应的目标特征向量聚类；
推荐模块，用于当接收到用户的路线推荐请求时，根据得到的聚类结果进行路线推荐。
本说明书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，所述计算机程序被处理器执行时实现上述路线推荐的方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述路线推荐的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
本说明书提供的路线推荐的方法，将基于预设编码器所确定出的所述时空表征对应的待优化特征向量输入到预设的解码器中，以得到基于所述待优化特征向量还原出的还原轨迹，根据所述还原轨迹与目标轨迹对应标准轨迹之间的偏差，确定第一损失值，并根据待优化特征向量与每个第二类簇之间相匹配的概率分布与预设的标准分布之间的偏差，确定第二损失值，以最小化所述第一损失值和所述第二损失值为优化目标，调整所述待优化特征向量，并对得到的所述目标轨迹对应的目标特征向量聚类，根据得到的聚类结果进行路线推荐。
从上述方法中可以看出，相比于现有技术，本申请在确定各目标轨迹的待优化特征向量时，不仅考虑到了目标轨迹在空间上的特点，同时还考虑到时间上的特点，使得确定出的待优化特征向量更加准确。并且，后续编解码器还以最小化第一损失值和第二损失值为优化目标，对确定出的待优化特征向量进行调整，使每个目标轨迹对应的待优化特征向量的准确性进一步提高，进一步保证了为用户进行推荐的路线的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种路线推荐方法的流程示意图；
图2为本说明书中提供的预先确定各第一类簇的空间示意图；
图3为本说明书中提供的确定轨迹点对应的时间信息的极坐标表示；
图4为本说明书提供的一种路线推荐的装置结构的示意图；
图5为本说明书提供的一种对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种路线推荐方法的流程示意图，包括以下步骤：
S100：获取目标轨迹。
如今，随着互联网技术的发展，交通道路网体系不断完善，人们在出行时常常会面临着多种轨迹路线的选择，现有的技术在为用户推荐路线时，难以结合轨迹路线在空间和时间上的特点为用户进行准确的路线推荐。基于此，本申请兼顾不同的轨迹路线在时间和空间上的表示，能够为用户推荐更加准确的路线信息。
本说明书中为用户推荐路线的执行主体可以是服务器，也可以是诸如台式电脑、笔记本电脑等电子设备。为了便于描述，下面仅以服务器为执行主体，对本说明书提供的路线推荐的方法进行说明。
在本说明书中，服务器获取的目标轨迹可以是多种形式的轨迹，例如，当用户为路边的行人时，服务器可以采集过去的一段时间如一周内，从出发点到目的地行人步行所产生的轨迹；当用户为出租车司机时，服务器可以采集过去一周的从出发点到目的地的所有车辆行驶的GPS轨迹数据，进而获取到目标轨迹。
在获取到目标轨迹后，基于预设的编解码器，服务器可以确定出目标轨迹对应的待优化特征向量，之后再对确定出的待优化向量进行调整，最终得到优化后的目标轨迹对应的目标特征向量。后续服务器可以将其他的新轨迹输入到训练后的编解码器中，直接得到新轨迹对应的目标特征向量。
由于在实际应用中，服务器获取到的轨迹可能自身就存在着噪声，即，采集到的轨迹中本身可以会存在诸如轨迹点缺失，轨迹点漂移等情况。为了使编解码器能够准确地表示出实际轨迹的待优化特征向量（即排除轨迹中包含的噪声对特征表示的影响），服务器可以先获取目标轨迹对应的标准轨迹（即服务器先获取标准轨迹），针对每个标准轨迹，对该标准轨迹进行失真处理，如添加噪声、随机丢弃部分采样点等等，进而得到该标准轨迹对应的目标轨迹。
在本说明书中，每条目标轨迹都是由各轨迹点组成的轨迹点序列，各轨迹点可以由自身经度、纬度以及时间戳构成的三元组来进行表示。
S102：根据预先确定出的各第一类簇以及所述目标轨迹中每个轨迹点对应的时间信息，确定所述目标轨迹对应的时空表征，并将基于预设编码器所确定出的所述时空表征对应的待优化特征向量输入到预设的解码器中，以得到基于所述待优化特征向量还原出的轨迹，作为还原轨迹，并根据所述还原轨迹与所述目标轨迹对应标准轨迹之间的偏差，确定第一损失值，第一类簇是将多个轨迹中的轨迹点聚类得到。
在本说明书中，服务器是通过先确定目标轨迹中各轨迹点归属的各第一类簇，作为第一目标簇，再根据预先确定出的第一目标簇对应的标记信息，来确定目标轨迹对应的空间表征。其中，这里提到的第一类簇可以是通过对获取到的目标轨迹中包含的轨迹点进行聚类得到的。
确定目标轨迹各轨迹点归属的各第一类簇的具体过程可以是：
在获取到目标轨迹后，服务器可以先将各目标轨迹中包含的所有轨迹点进行聚类，得到各第一类簇。其中，本说明书中获得第一类簇采用的聚类方法可以有多种，例如，具有噪声的基于密度的聚类算法（Density-Based Spatial Clustering of Applicationswith Noise，DBSCAN）或K均值聚类算法等，本说明书不对获得第一类簇采用的聚类方法进行限制。
为了便于理解，图2为本说明书提供的确定各第一聚类簇的空间示意图。
服务器在对所有轨迹点进行聚类得到各第一类簇后，针对每个第一类簇，可以通过预设的最小凸包算法，先在第一类簇中随机找一个轨迹点，从该轨迹点开始按逆时针方向或顺时针方向逐个对第一类簇中的其他轨迹点进行极角排序，直到从第一类簇中圈出一个最小的凸多边形。
服务器可以将最小外包多边形（即上述提到的最小的凸多边形）在预设空间中所占据的空间范围，作为该第一类簇在预设空间中所占据的空间范围。针对目标轨迹中包含的每个轨迹点，服务器可以将该轨迹点所落入的空间范围对应的第一类簇，作为该轨迹点归属的第一类簇。
服务器将目标轨迹中各轨迹点归属的各第一类簇，作为第一目标簇，并根据预先确定出的第一目标簇对应的标记信息，确定所述目标轨迹对应的空间表征。
例如，假设目标轨迹共有五个轨迹点，服务器可以分别确定出这五个轨迹点落入的第一类簇，并直接用该五个轨迹点落入的第一类簇对应的标记信息来确定该目标轨迹对应的空间表征。
其中，这里提到的标记信息可以通过多种形式进行表示，例如，每个第一类簇对应的标记信息可以是指每个第一类簇对应的序号；再例如，每个第一类簇对应的标记信息可以通过每个第一类簇对应的空间坐标来表示。
所以，从上述内容可知，对各目标轨迹中包含的各轨迹点进行聚类实际上是在一个预设的空间中进行空间划分，但是，本申请中并不是将一个预设的空间划分成大小相同的各空间范围，而是根据各目标轨迹中各轨迹点的聚类结果，在预设的空间中划分成大小不完全相同的各空间范围。通过本申请所提供的方式所划分出的各空间范围是按照用户的实际活动的规律所确定出的，因此，基于划分出的各第一类簇对应的空间范围确定出的空间表征也更符合实际情况，提高了空间表征的合理性以及准确性。
为了进一步地提高确定出的目标轨迹对应的待优化特征向量的准确性，本说明书还考虑到目标轨迹在时间上的特点。具体的，针对目标轨迹中包含的每个轨迹点，服务器还可以确定该轨迹点对应的时间信息的极坐标表示，作为该轨迹点对应的极坐标表示。
图3为本说明书中提供的确定轨迹点对应的时间信息的极坐标表示，其中
来表示时间，R可以取固定值，例如1，t为轨迹点所在的时刻，segment为预先划分的时间间隔，T为总的时间周期，
。其中，floor函数的功能是“向下取整”，即求得不大于
的最大整数。
具体地，服务器可以根据预先设定的时间间隔，来表示出轨迹点对应的极坐标表示。例如，当时间间隔为两小时时，在图3中，时间间隔将一天（24小时）分为12个部分，此时T=24，segment=2，服务器先得到对t/segment向下取整后的结果1，再确定出轨迹点在当前时刻的弧度，当t=2时，
，轨迹点的时间坐标可以表示为
，当t∈[2,4]时，轨迹点的时间坐标都可以表示为
。
值得说明的是，在固定应用场景中，
、
、
均为常量，轨迹点在时间维度可以表示为一维的向量。
具体地，服务器可以根据确定出的目标轨迹的空间表征以及目标轨迹中包含的每个轨迹点对应的极坐标表示，来确定所述目标轨迹的时空表征。而后，服务器可以基于预设编码器所确定出的时空表征对应的待优化特征向量，并将确定出的待优化特征向量输入到预设的解码器中，以通过解码器得到基于该待优化特征向量所还原出的轨迹，作为还原轨迹，进而进一步地确定出还原轨迹与目标轨迹对应标准轨迹之间的偏差，得到第一损失值。
而在此之前，服务器也可以先对编解码器进行预训练，进而通过预训练的编解码器，确定出上述待优化特征向量。
具体的，在对上述编解码器进行预训练的过程中，服务器可以通过上述相同的方式，先确定出上述时空表征。然后，服务器可以将该时空表征输入到编码器中，以确定出时空表征对应的初始特征向量，并将时空表征对应的初始特征向量输入到解码器中，以得到基于时空表征对应的初始特征向量所输出的轨迹。而后，服务器可以根据解码器输出的轨迹与所述目标轨迹对应标准轨迹之间的偏差，对编码器以及解码器进行预训练。其中，在确定出解码器输出的轨迹与所述目标轨迹对应标准轨迹之间的偏差后，可以基于该偏差确定相应的损失值，进而以最小化该损失值为优化目标，对编解码器进行预训练。
在完成编解码器的预训练后，实际上就已经确定出了目标轨迹的时空表征所对应的待优化特征向量。
需要说明的是，在本说明书中，确定上述还原轨迹所使用的编解码器可以与预训练的编解码器是相同的模型，即，在完成编解码器的预训练后，可以将其进行部署，以执行过程中对待优化特征向量的优化。
当然，在完成编解码器的预训练后，实际上可以确定出经过预训练的编解码器中的网络权重，因此，可以将确定出的网络权重部署在对待优化特征向量进行优化所使用的编解码器中。
在对待优化特征向量进行优化的过程中，确定还原轨迹与标准轨迹之间偏差的方式有多种，例如，服务器可以根据还原轨迹与标准轨迹所对应的特征向量之间的距离来确定出第一损失值；再例如，服务器还可以确定还原轨迹和标准轨迹之间的轨迹重合度，并根据两条轨迹之间的轨迹重合度，来确定还原轨迹与标准轨迹之间的偏差，进而确定出第一损失值。
S104：确定所述待优化特征向量与每个第二类簇之间相匹配的概率的概率分布，并根据所述概率分布与预设的标准分布之间的偏差，确定第二损失值，第二类簇是通过将目标轨迹对应的待优化特征向量进行聚类得到。
为了进一步地提高特征向量的表达准确性，服务器可以将编解码器得到的待优化特征向量再次进行聚类，以优化待优化特征向量。
服务器可以获取目标轨迹的待优化特征向量以及经过预训练后的编解码器的网络权重
，对待优化特征向量进行聚类，得到各第二类簇，再将各第二类簇的簇中心作为各初始簇中心
。
此外，服务器还可以先分别确定出各第二类簇的轮廓系数，根据各第二类簇的轮廓系数，从中选出一部分轮廓系数较高的第二类簇，并确定选取出的这些第二类簇的簇中心，作为各初始簇中心
。
服务器获取初始簇中心
后，通过在编解码器中定义软聚类算法，可以确定待优化特征向量归属于每个第二类簇的概率分布，作为待优化分布Q。待优化分布Q通过该公式求出：
。
其中，
是第i个目标轨迹的待优化特征向量，
是第j个第二类簇的簇中心，
是一个常数，
表示
属于
所在第二类簇的概率。
值得说明是的，编解码器在通过软聚类算法确定待优化特征向量归属于各第二类簇的概率分布时，簇中心是在不断变动的，待优化特征向量归属于各第二类簇的概率分布也是在不断变化的。服务器可以根据待优化分布Q确定待优化分布Q对应的标准分布P，标准分布P可以通过该公式求出：
。
服务器通过对目标轨迹的待优化特征向量进行优化，使得待优化特征向量归属于每个第二类簇的概率分布，能够达到预先设定的标准分布。例如，假设某一条目标轨迹的待优化特征向量归属于三个第二类簇，待优化分布Q分别为0.3，0.3和0.4，服务器预先设定的标准分布P为0.1，0.1，0.8，显然此时的待优化分布并未达到标准分布，服务器可以根据待优化分布与预设的标准分布之间的偏差，确定第二损失值。基于得到的第二损失值，服务器可以对目标轨迹的待优化特征向量进行优化，尽可能使得待优化分布达到预设的标准分布。
服务器可以通过交叉熵来确定优化分布Q与标准分布P之间的差异，进而确定出第二损失值。其中，第二损失值的损失函数可以表示为：
S106：以最小化所述第一损失值和所述第二损失值为优化目标，调整所述待优化特征向量，并对得到的所述目标轨迹对应的目标特征向量聚类。
服务器以最小化第一损失值和第二损失值为优化目标，对编码器以及解码器进行训练，得到训练后的编码器和解码器。
在训练过程中，实际上是实现了对每个目标轨迹对应的待优化特征向量的动态调整，而随着每个目标轨迹对应的待优化特征向量的不断调整，每个第二类簇也是在不断调整的，第二类簇的簇中心
以及编解码器的网络权重
是在不断地同时进行更新的。所以，服务器根据调整后的第二类簇，可以重新确定第二损失值，直至满足预设条件为止。
其中，服务器可以将目标轨迹的待优化特征向量归属于每个第二类簇的概率分布达到预设的标准分布，作为预设条件，也可以将当确定出的第二损失值小于预设阈值，或调整第二簇的次数达到预设轮次作为预设条件。
在完成对编解码器的训练后，实际上已经完成了对上述待优化特征向量的调整（也即优化），同时完成了对每个第二类簇的簇中心的更新。而需要说明的是，由于服务器是通过获取的各目标轨迹对编解码器进行训练，训练时所使用的目标轨迹可能仅是所有轨迹中的一部分，随着目标轨迹数量的不断增加，后续服务器在获取到除目标轨迹以外的其他轨迹时，可以将其他轨迹输入到训练好的编码器中，以通过编码器直接得到其他轨迹对应的目标特征向量，从而提高确定轨迹特征向量的效率。
S108：当向用户进行路线推荐时，根据得到的聚类结果进行路线推荐。
基于目标轨迹对应的目标特征向量，服务器可以对目标特征向量进行聚类，得到聚类结果，对于聚类结果中的一个簇来说，该簇中所包含的轨迹的出发点或目的地是相接近的（当然，该簇中所包含的轨迹在形状上也是相接近的）。在实际应用中，服务器可以根据聚类结果向用户推荐路线。
例如，若出租车司机在当前时刻想从A点行驶到B点，服务器在接收到该出租车司机发送的路线推荐请求时，先根据路线推荐请求确定出租车司机的出发地和目的地，判断出发地和目的地是否命中了聚类结果中的某个聚类簇。服务器将命中的聚类簇中包含的目标轨迹，作为候选轨迹，向用户进行路线推荐。
当然，命中的聚类簇中所包含的候选轨迹可能有多条，所以，服务器可以针对每条候选轨迹，确定按照该候选轨迹从出发地到目的地的通行时间，作为该候选轨迹对应的通行时间，再从各候选轨迹中筛选出通行时间满足预设条件的候选轨迹，作为推荐轨迹推荐给所述用户。
在实际应用中，受道路的交通密度流影响，相同的路段在不同时间段，通行时间可能不相同。基于此，服务器可以先确定用户发送路线推荐请求的时间，针对每个候选轨迹，根据用户的请求时间，再确定按照该候选轨迹从出发地到目的地的通行时间，作为该候选轨迹对应的通行时间，进而从候选轨迹中筛选出通行时间较优的路线推荐给用户。
此外，服务器还可以基于用户在过去一段时间的轨迹，来向用户推荐在接下来一段时间内用户所需的路线信息。具体的，服务器可以确定用户从过去设定时刻到当前时刻的时间段内已经经过的行驶轨迹，而后，根据各第一类簇以及行驶轨迹中包含的每个轨迹点对应的时间信息，确定行驶轨迹对应的时空表征。这一过程与上述确定时空表征的方式基本相同，在此就不详细赘述了。
服务器可以将行驶轨迹对应的时空表征输入到编码器中，确定行驶轨迹对应的目标特征向量，而后，服务器可以根据各第二类簇中与目标特征向量相匹配的簇，确定第二目标簇，进而根据第二目标簇，进行路线推荐。
例如，当目标用户为行人时，若行人已经步行了一段路程，服务器先确定出这段已经行驶了的轨迹对应的时空表征，并可以将该行驶轨迹对应的时空表征输入到编码器中，确定行驶轨迹对应的目标特征向量。而后，服务器可以根据各第二类簇中与目标特征向量相匹配的簇，确定第二目标簇。
在本说明书中，确定第二目标簇的方法有很多，服务器可以先将各第二类簇中与确定出的行驶轨迹的目标特征向量相匹配的簇，作为候选簇，而后，针对每个候选簇，服务器可以确定出该候选簇中与行驶轨迹存在部分重叠的轨迹的轨迹数量，作为该候选簇对应的轨迹数量。在确定出所有候选簇对应的轨迹数量，可以将对应的轨迹数量最低的候选簇，确定第二目标簇。
例如，服务器可以将在过去一段时间内，与用户行驶过的轨迹的目标特征向量匹配的a，b，c三个簇，作为候选簇。服务器可以分别确定三个候选簇中，与用户行驶轨迹存在部分重叠的轨迹数量，并将其作为候选轨迹的数量，若候选簇a、b和c中与用户行驶轨迹存在部分重叠的轨迹数量分别为3条、4条和5条，显然，服务器可以将有3条候选轨迹的候选簇a，确定为第二目标簇。
需要说明的是，之所以将对应的轨迹数量最低的候选簇作为第二目标簇，是因为对于一条轨迹来说，如果除去与用户的行驶轨迹存在重叠的部分，那么剩余的轨迹可以视作是用户在前行方向上的一条分叉路线，而第二目标簇对应的轨迹数量最低，则说明在用户的前行方向上，第二目标簇可以向用户提供更少的分叉路线，而且由于第二目标簇中的轨迹数量最低，所以可以在后续过程中快速的从第二目标簇中筛选出需要推荐给用户的轨迹。
进一步地，服务器可以按照用户行驶轨迹对应的行驶方向，从第二目标簇的候选轨迹中，确定除与行驶轨迹相重叠的轨迹段外剩余的部分最短的轨迹，向用户进行路线推荐。其中，服务器按照用户行驶轨迹对应的行驶方向从候选轨迹中选取合适的轨迹进行路线推荐，可以保证向用户推荐的路线是符合用户的前进方向的。
在本申请中，在向用户推荐路线时，服务器还可以结合用户的行驶路线，为用户推荐下车点以及下车点周边的一些信息。具体地，服务器可以选取一些被第二目标簇中包含的各轨迹经过的次数较多的下车点推荐给用户，并结合下车点周边的信息，将下车点附近的一些商家或者商品的信息同时展现给用户。例如，在将候选簇a确定为第二目标簇后，若第二目标簇中3条候选轨迹均经过某个下车点，服务器可以将该下车点以及该下车点周边的信息推荐给用户。
从上述方法中可以看出，相比于现有技术，本申请在确定各目标轨迹的待优化特征向量时，不仅考虑到了目标轨迹在空间上的特点，同时还考虑到时间上的特点，使得确定出的待优化特征向量更加准确。并且，后续编解码器还以最小化第一损失值和第二损失值为优化目标，对确定出的待优化特征向量进行调整，使每个目标轨迹对应的待优化特征向量的准确性进一步提高，进一步保证了为用户进行推荐的路线的准确性。
以上为本说明书的一个或多个实施的方法，基于同样的思路，本说明书还提供了相应的路线推荐的装置，如图4所示。
图4为本说明书提供的一种的装置的示意图，包括：
获取模块401，用于获取目标轨迹；
输入模块402，用于根据预先确定出的各第一类簇以及所述目标轨迹中每个轨迹点对应的时间信息，确定所述目标轨迹对应的时空表征，并将基于预设编码器所确定出的所述时空表征对应的待优化特征向量输入到预设的解码器中，以得到基于所述待优化特征向量还原出的轨迹，作为还原轨迹，并根据所述还原轨迹与所述目标轨迹对应标准轨迹之间的偏差，确定第一损失值，第一类簇是将多个轨迹中的轨迹点聚类得到；
确定模块403，用于确定所述待优化特征向量与每个第二类簇之间相匹配的概率的概率分布，并根据所述概率分布与预设的标准分布之间的偏差，确定第二损失值，第二类簇是通过将目标轨迹对应的待优化特征向量进行聚类得到；
调整模块404，用于以最小化所述第一损失值和所述第二损失值为优化目标，调整所述目标轨迹对应的待优化特征向量，并对得到的所述目标轨迹对应的目标特征向量聚类；
推荐模块405，用于当接收到用户的路线推荐请求时，根据得到的聚类结果进行路线推荐。
可选地，所述输入模块402具体用于，确定所述目标轨迹中各轨迹点归属的各第一类簇，作为第一目标簇，并根据预先确定出的第一目标簇对应的标记信息，确定所述目标轨迹对应的空间表征；针对所述目标轨迹中包含的每个轨迹点，确定该轨迹点对应的时间信息的极坐标表示，作为该轨迹点对应的极坐标表示；根据所述空间表征以及所述目标轨迹中包含的每个轨迹点对应的极坐标表示，确定所述目标轨迹的时空表征。
可选地，所述输入模块402具体用于，针对每个第一类簇，确定该第一类簇在预设空间中所占据的空间范围；针对所述目标轨迹中包含的每个轨迹点，将该轨迹点所落入的空间范围对应的第一类簇，作为该轨迹点归属的第一类簇。
可选地，所述输入模块402具体用于，针对每个第一类簇，通过预设的最小凸包算法，确定该第一类簇对应的最小外包多边形，并将所述最小外包多边形在所述预设空间中所占据的空间范围，作为该第一类簇在所述预设空间中所占据的空间范围。
可选地，所述输入模块402具体用于，将所述时空表征输入到编码器中，以确定出所述时空表征对应的初始特征向量，并将所述时空表征对应的初始特征向量输入到解码器中，以得到基于所述时空表征对应的初始特征向量所输出的轨迹，根据输出的轨迹与所述目标轨迹对应标准轨迹之间的偏差，对所述编码器以及所述解码器进行预训练；根据经过预训练的所述编码器确定所述时空表征对应的待优化特征向量。
可选地，所述获取模块401具体用于，获取标准轨迹；对所述标准轨迹进行失真处理，得到所述标准轨迹对应的目标轨迹。
可选地，所述调整模块404具体用于，以最小化所述第一损失值和所述第二损失值为优化目标，调整所述目标轨迹对应的待优化特征向量，并对每个第二类簇进行调整，得到调整后的第二类簇，并根据调整后的第二类簇，重新确定第二损失值，直至满足预设的条件为止，得到所述目标轨迹对应的目标特征向量。
可选地，所述调整模块404具体用于，以最小化所述第一损失值和所述第二损失值为优化目标，对所述编码器以及所述解码器进行训练，得到训练后的编码器和解码器。
可选地，所述调整模块404具体用于，当获取到除目标轨迹以外的其他轨迹时，将所述其他轨迹输入到所述编码器中，以通过所述编码器，得到所述其他轨迹对应的目标特征向量。
可选地，所述推荐模块405具体用于，接收用户发送的路线推荐请求；从所述路线推荐请求中确定所述用户的出发地和目的地；从所述聚类结果中确定所述出发地和所述目的地所命中的簇；根据命中的簇对应的目标轨迹，向所述用户进行路线推荐。
可选地，所述推荐模块405具体用于，将命中的簇对应的目标轨迹，作为候选轨迹；针对每个候选轨迹，确定按照该候选轨迹从所述出发地到所述目的地的通行时间，作为该候选轨迹对应的通行时间；从各候选轨迹中筛选出通行时间满足预设条件的候选轨迹，作为推荐轨迹；将所述推荐轨迹推荐给所述用户。
可选地，所述推荐模块405具体用于，确定所述用户发送所述路线推荐请求所基于的时间；针对每个候选轨迹，根据所述时间，确定按照该候选轨迹从所述出发地到所述目的地的通行时间，作为该候选轨迹对应的通行时间。
可选地，所述推荐模块405具体用于，确定所述用户从过去设定时刻到当前时刻的时间段内已经经过的行驶轨迹；根据所述各第一类簇以及所述行驶轨迹中包含的每个轨迹点对应的时间信息，确定所述行驶轨迹对应的时空表征；将所述行驶轨迹对应的时空表征输入到所述编码器中，确定所述行驶轨迹对应的目标特征向量；根据各第二类簇中与所述目标特征向量相匹配的簇，确定第二目标簇；根据所述第二目标簇进行路线推荐。
可选地，所述推荐模块405具体用于，将各第二类簇中与所述目标特征向量相匹配的簇，作为候选簇；针对每个候选簇，确定该候选簇中与所述行驶轨迹存在部分重叠的轨迹的轨迹数量，作为该候选簇对应的轨迹数量；根据每个候选簇对应的轨迹数量，确定第二目标簇。
可选地，所述推荐模块405具体用于，将对应的轨迹数量最低的候选簇，作为第二目标簇。
可选地，所述推荐模块405具体用于，从所述第二目标簇中确定与所述行驶轨迹存在部分重叠的轨迹，作为候选轨迹；按照所述行驶轨迹对应的行驶方向，从所述候选轨迹中确定除与所述行驶轨迹相重叠的轨迹段外剩余的部分最短的轨迹，向所述用户进行路线推荐。
可选地，所述推荐模块405具体用于，确定所述第二目标簇包含的各轨迹中所涉及的下车点；确定各下车点被所述第二目标簇中包含的各轨迹经过的次数；根据每个下车点被所述第二目标簇中包含的各轨迹经过的次数，向所述用户推荐下车点。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种路线推荐的方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所示，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的路线推荐的方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (20)
1.一种路线推荐的方法，其特征在于，包括：
获取目标轨迹；
根据预先确定出的各第一类簇以及所述目标轨迹中每个轨迹点对应的时间信息，确定所述目标轨迹对应的时空表征，并将基于预设编码器所确定出的所述时空表征对应的待优化特征向量输入到预设的解码器中，以得到基于所述待优化特征向量还原出的轨迹，作为还原轨迹，并根据所述还原轨迹与所述目标轨迹对应标准轨迹之间的偏差，确定第一损失值，第一类簇是将多个轨迹中的轨迹点聚类得到；
确定所述待优化特征向量与每个第二类簇之间相匹配的概率的概率分布，并根据所述概率分布与预设的标准分布之间的偏差，确定第二损失值，第二类簇是通过将目标轨迹对应的待优化特征向量进行聚类得到；
以最小化所述第一损失值和所述第二损失值为优化目标，调整所述待优化特征向量，并对得到的所述目标轨迹对应的目标特征向量聚类；
当向用户进行路线推荐时，根据得到的聚类结果进行路线推荐。
2.如权利要求1所述的方法，其特征在于，根据预先确定出的各第一类簇以及所述目标轨迹中每个轨迹点对应的时间信息，确定所述目标轨迹对应的时空表征，具体包括：
确定所述目标轨迹中各轨迹点归属的各第一类簇，作为第一目标簇，并根据预先确定出的第一目标簇对应的标记信息，确定所述目标轨迹对应的空间表征；针对所述目标轨迹中包含的每个轨迹点，确定该轨迹点对应的时间信息的极坐标表示，作为该轨迹点对应的极坐标表示；
根据所述空间表征以及所述目标轨迹中包含的每个轨迹点对应的极坐标表示，确定所述目标轨迹的时空表征。
3.如权利要求2所述的方法，其特征在于，确定所述目标轨迹中各轨迹点归属的各第一类簇，具体包括：
针对每个第一类簇，确定该第一类簇在预设空间中所占据的空间范围；
针对所述目标轨迹中包含的每个轨迹点，将该轨迹点所落入的空间范围对应的第一类簇，作为该轨迹点归属的第一类簇。
4.如权利要求1所述的方法，其特征在于，针对每个第一类簇，确定该第一类簇在预设空间中所占据的空间范围，具体包括：
针对每个第一类簇，通过预设的最小凸包算法，确定该第一类簇对应的最小外包多边形，并将所述最小外包多边形在所述预设空间中所占据的空间范围，作为该第一类簇在所述预设空间中所占据的空间范围。
5.如权利要求1所述的方法，其特征在于，将基于预设编码器所确定出的所述时空表征对应的待优化特征向量输入到预设的解码器之前，所述方法还包括：
将所述时空表征输入到编码器中，以确定出所述时空表征对应的初始特征向量，并将所述时空表征对应的初始特征向量输入到解码器中，以得到基于所述时空表征对应的初始特征向量所输出的轨迹，根据输出的轨迹与所述目标轨迹对应标准轨迹之间的偏差，对所述编码器以及所述解码器进行预训练；
根据经过预训练的所述编码器确定所述时空表征对应的待优化特征向量。
6.如权利要求1所述的方法，其特征在于，获取目标轨迹，具体包括：
获取标准轨迹；
对所述标准轨迹进行失真处理，得到所述标准轨迹对应的目标轨迹。
7.如权利要求1所述的方法，其特征在于，以最小化所述第一损失值和所述第二损失值为优化目标，调整所述目标轨迹对应的待优化特征向量，具体包括：
以最小化所述第一损失值和所述第二损失值为优化目标，调整所述目标轨迹对应的待优化特征向量，并对每个第二类簇进行调整，得到调整后的第二类簇，并根据调整后的第二类簇，重新确定第二损失值，直至满足预设的条件为止，得到所述目标轨迹对应的目标特征向量。
8.如权利要求1或5所述的方法，其特征在于，所述方法还包括：
以最小化所述第一损失值和所述第二损失值为优化目标，对所述编码器以及所述解码器进行训练，得到训练后的编码器和解码器。
9.如权利要求8所述的方法，其特征在于，所述方法还包括：
当获取到除目标轨迹以外的其他轨迹时，将所述其他轨迹输入到所述编码器中，以通过所述编码器，得到所述其他轨迹对应的目标特征向量。
10.如权利要求1所述的方法，其特征在于，根据得到的聚类结果进行路线推荐，具体包括：
接收用户发送的路线推荐请求；
从所述路线推荐请求中确定所述用户的出发地和目的地；
从所述聚类结果中确定所述出发地和所述目的地所命中的簇；
根据命中的簇对应的目标轨迹，向所述用户进行路线推荐。
11.如权利要求10所述的方法，其特征在于，根据命中的簇对应的目标轨迹，向所述用户进行路线推荐，具体包括：
将命中的簇对应的目标轨迹，作为候选轨迹；
针对每个候选轨迹，确定按照该候选轨迹从所述出发地到所述目的地的通行时间，作为该候选轨迹对应的通行时间；
从各候选轨迹中筛选出通行时间满足预设条件的候选轨迹，作为推荐轨迹；
将所述推荐轨迹推荐给所述用户。
12.如权利要求11所述的方法，其特征在于，针对每个候选轨迹，确定按照该候选轨迹从所述出发地到所述目的地的通行时间，作为该候选轨迹对应的通行时间，具体包括：
确定所述用户发送所述路线推荐请求所基于的时间；
针对每个候选轨迹，根据所述时间，确定按照该候选轨迹从所述出发地到所述目的地的通行时间，作为该候选轨迹对应的通行时间。
13.如权利要求1所述的方法，其特征在于，根据得到的聚类结果进行路线推荐，具体包括：
确定所述用户从过去设定时刻到当前时刻的时间段内已经经过的行驶轨迹；
根据所述各第一类簇以及所述行驶轨迹中包含的每个轨迹点对应的时间信息，确定所述行驶轨迹对应的时空表征；
将所述行驶轨迹对应的时空表征输入到所述编码器中，确定所述行驶轨迹对应的目标特征向量；
根据各第二类簇中与所述目标特征向量相匹配的簇，确定第二目标簇；
根据所述第二目标簇进行路线推荐。
14.如权利要求13所述的方法，其特征在于，根据各第二类簇中与所述目标特征向量相匹配的簇，确定第二目标簇，具体包括：
将各第二类簇中与所述目标特征向量相匹配的簇，作为候选簇；
针对每个候选簇，确定该候选簇中与所述行驶轨迹存在部分重叠的轨迹的轨迹数量，作为该候选簇对应的轨迹数量；
根据每个候选簇对应的轨迹数量，确定第二目标簇。
15.如权利要求14所述的方法，其特征在于，根据每个候选簇对应的轨迹数量，确定第二目标簇，具体包括：
将对应的轨迹数量最低的候选簇，作为第二目标簇。
16.如权利要求13所述的方法，其特征在于，根据所述第二目标簇进行路线推荐，具体包括：
从所述第二目标簇中确定与所述行驶轨迹存在部分重叠的轨迹，作为候选轨迹；
按照所述行驶轨迹对应的行驶方向，从所述候选轨迹中确定除与所述行驶轨迹相重叠的轨迹段外剩余的部分最短的轨迹，向所述用户进行路线推荐。
17.如权利要求13所述的方法，其特征在于，所述方法还包括：
确定所述第二目标簇包含的各轨迹中所涉及的下车点；
确定各下车点被所述第二目标簇中包含的各轨迹经过的次数；
根据每个下车点被所述第二目标簇中包含的各轨迹经过的次数，向所述用户推荐下车点。
18.一种路线推荐装置，其特征在于，包括：
获取模块，用于获取目标轨迹；
输入模块，用于根据预先确定出的各第一类簇以及所述目标轨迹中每个轨迹点对应的时间信息，确定所述目标轨迹对应的时空表征，并将基于预设编码器所确定出的所述时空表征对应的待优化特征向量输入到预设的解码器中，以得到基于所述待优化特征向量还原出的轨迹，作为还原轨迹，并根据所述还原轨迹与所述目标轨迹对应标准轨迹之间的偏差，确定第一损失值，第一类簇是将多个轨迹中的轨迹点聚类得到；
确定模块，用于确定所述待优化特征向量与每个第二类簇之间相匹配的概率的概率分布，并根据所述概率分布与预设的标准分布之间的偏差，确定第二损失值，第二类簇是通过将目标轨迹对应的待优化特征向量进行聚类得到；
调整模块，用于以最小化所述第一损失值和所述第二损失值为优化目标，调整所述目标轨迹对应的待优化特征向量，并对得到的所述目标轨迹对应的目标特征向量聚类；
推荐模块，用于当接收到用户的路线推荐请求时，根据得到的聚类结果进行路线推荐。
19.一种计算机可读存储介质，其特征在于，所述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上述权利要求1~17任一项所述的方法。
20.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现上述权利要求1~17任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310242285.9A CN115952364B (zh) | 2023-03-07 | 2023-03-07 | 一种路线推荐的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310242285.9A CN115952364B (zh) | 2023-03-07 | 2023-03-07 | 一种路线推荐的方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115952364A true CN115952364A (zh) | 2023-04-11 |
| CN115952364B CN115952364B (zh) | 2023-05-23 |
Family
ID=85891463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310242285.9A Active CN115952364B (zh) | 2023-03-07 | 2023-03-07 | 一种路线推荐的方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115952364B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190101401A1 (en) * | 2017-10-04 | 2019-04-04 | Ford Global Technologies, Llc | Dynamic vehicle routing determinations |
| CN111382217A (zh) * | 2018-12-29 | 2020-07-07 | 北京奇虎科技有限公司 | 一种目的地推荐方法和装置 |
| CN111428091A (zh) * | 2020-03-19 | 2020-07-17 | 腾讯科技（深圳）有限公司 | 一种编码器的训练方法、信息推荐的方法以及相关装置 |
| CN112686327A (zh) * | 2021-01-05 | 2021-04-20 | 重庆邮电大学 | 一种基于轨迹三重特征聚类的方法 |
| WO2021115143A1 (zh) * | 2019-12-13 | 2021-06-17 | 华为技术有限公司 | 一种运动轨迹处理方法、介质、装置及设备 |
| CN113780395A (zh) * | 2021-08-31 | 2021-12-10 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 海量高维ais轨迹数据聚类方法 |
| CN113848878A (zh) * | 2021-08-24 | 2021-12-28 | 深圳大学 | 基于众源数据的室内外三维行人路网构建方法 |
| CN113988203A (zh) * | 2021-11-01 | 2022-01-28 | 之江实验室 | 一种基于深度学习的轨迹序列聚类方法 |
| CN114064834A (zh) * | 2021-11-16 | 2022-02-18 | 深圳市中科明望通信软件有限公司 | 目标地点确定方法及装置、存储介质和电子设备 |
| CN114372736A (zh) * | 2020-10-14 | 2022-04-19 | 北京三快在线科技有限公司 | 一种路线推荐的方法、装置、存储介质及电子设备 |
| US20220221285A1 (en) * | 2021-01-13 | 2022-07-14 | Tata Consultancy Services Limited | Method and system for fleet route optimization |
| CN114754786A (zh) * | 2022-03-31 | 2022-07-15 | 北京中交兴路信息科技有限公司 | 一种货车导航寻路方法、装置、设备及介质 |
| CN115168900A (zh) * | 2022-07-22 | 2022-10-11 | 南京邮电大学 | 一种用于智慧交通系统的轨迹数据隐私保护方法及系统 |
| CN115374375A (zh) * | 2022-10-24 | 2022-11-22 | 北京数业专攻科技有限公司 | 基于深度学习的轨迹聚类方法、系统及存储介质 |
| CN115409256A (zh) * | 2022-08-24 | 2022-11-29 | 吉林化工学院 | 基于行程时间预测的拥堵区避让的路径推荐方法 |
-
2023
- 2023-03-07 CN CN202310242285.9A patent/CN115952364B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190101401A1 (en) * | 2017-10-04 | 2019-04-04 | Ford Global Technologies, Llc | Dynamic vehicle routing determinations |
| CN111382217A (zh) * | 2018-12-29 | 2020-07-07 | 北京奇虎科技有限公司 | 一种目的地推荐方法和装置 |
| WO2021115143A1 (zh) * | 2019-12-13 | 2021-06-17 | 华为技术有限公司 | 一种运动轨迹处理方法、介质、装置及设备 |
| CN111428091A (zh) * | 2020-03-19 | 2020-07-17 | 腾讯科技（深圳）有限公司 | 一种编码器的训练方法、信息推荐的方法以及相关装置 |
| CN114372736A (zh) * | 2020-10-14 | 2022-04-19 | 北京三快在线科技有限公司 | 一种路线推荐的方法、装置、存储介质及电子设备 |
| CN112686327A (zh) * | 2021-01-05 | 2021-04-20 | 重庆邮电大学 | 一种基于轨迹三重特征聚类的方法 |
| US20220221285A1 (en) * | 2021-01-13 | 2022-07-14 | Tata Consultancy Services Limited | Method and system for fleet route optimization |
| CN113848878A (zh) * | 2021-08-24 | 2021-12-28 | 深圳大学 | 基于众源数据的室内外三维行人路网构建方法 |
| CN113780395A (zh) * | 2021-08-31 | 2021-12-10 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 海量高维ais轨迹数据聚类方法 |
| CN113988203A (zh) * | 2021-11-01 | 2022-01-28 | 之江实验室 | 一种基于深度学习的轨迹序列聚类方法 |
| CN114064834A (zh) * | 2021-11-16 | 2022-02-18 | 深圳市中科明望通信软件有限公司 | 目标地点确定方法及装置、存储介质和电子设备 |
| CN114754786A (zh) * | 2022-03-31 | 2022-07-15 | 北京中交兴路信息科技有限公司 | 一种货车导航寻路方法、装置、设备及介质 |
| CN115168900A (zh) * | 2022-07-22 | 2022-10-11 | 南京邮电大学 | 一种用于智慧交通系统的轨迹数据隐私保护方法及系统 |
| CN115409256A (zh) * | 2022-08-24 | 2022-11-29 | 吉林化工学院 | 基于行程时间预测的拥堵区避让的路径推荐方法 |
| CN115374375A (zh) * | 2022-10-24 | 2022-11-22 | 北京数业专攻科技有限公司 | 基于深度学习的轨迹聚类方法、系统及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 李晓旭;于亚新;张文超;王磊;: "Coteries轨迹模式挖掘及个性化旅游路线推荐", 软件学报 * |
| 陆川伟;孙群;季晓林;徐立;温伯威;程绵绵;: "一种基于核距离的车辆轨迹点聚类方法", 武汉大学学报(信息科学版) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115952364B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11562168B2 (en) | Clustering for K-anonymity in location trajectory data | |
| US20200162850A1 (en) | Smart signaling of location updates for arrival estimation and generation of arrival alerts | |
| US10909470B2 (en) | Method and apparatus for providing semantic-free traffic prediction | |
| US9483467B2 (en) | Tagging geographical areas | |
| US10546043B1 (en) | Triangulation for K-anonymity in location trajectory data | |
| US9349104B2 (en) | Learning geofence models directly | |
| US20210019376A1 (en) | Method, apparatus, and system for providing traffic simulations in a smart-city infrastructure | |
| US10955255B2 (en) | Navigation system with location based parser mechanism and method of operation thereof | |
| US11150095B2 (en) | Methods and apparatuses for predicting a destination of a user's current travel path | |
| EP3290866A2 (en) | Navigation system with preference analysis mechanism and method of operation thereof | |
| JP2018503920A (ja) | オン・デマンドサービスの情報を提供する方法及びシステム | |
| KR20180013843A (ko) | 오더 할당 시스템 및 방법 | |
| US10837791B2 (en) | Generating and recommending customized traversal routes | |
| KR20180008388A (ko) | 주문들을 푸싱하기 위한 방법들 및 시스템들 | |
| TWI581207B (zh) | 共乘路徑的計算方法及使用此方法的計算裝置與記錄媒體 | |
| US20200111357A1 (en) | Method, apparatus, and system for automatic road closure detection | |
| US20220164910A1 (en) | Prioritized transportation requests for a dynamic transportation matching system | |
| CN113704378A (zh) | 一种伴随信息的确定方法、装置、设备及存储介质 | |
| CN113325855B (zh) | 基于迁移场景用于预测障碍物轨迹的模型训练方法 | |
| CN110458651A (zh) | 商户识别方法、装置、设备及存储介质 | |
| CN115952364A (zh) | 一种路线推荐的方法、装置、存储介质及电子设备 | |
| US20200245141A1 (en) | Privacy protection of entities in a transportation system | |
| CN111625724A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
| US10832573B2 (en) | Modifying travel estimates based on schedule anxiety | |
| CN114372736A (zh) | 一种路线推荐的方法、装置、存储介质及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |