CN116929383A - 车辆行驶路径的确定方法、路径分类模型的获取方法及装置 - Google Patents
车辆行驶路径的确定方法、路径分类模型的获取方法及装置 Download PDFInfo
- Publication number
- CN116929383A CN116929383A CN202210346737.3A CN202210346737A CN116929383A CN 116929383 A CN116929383 A CN 116929383A CN 202210346737 A CN202210346737 A CN 202210346737A CN 116929383 A CN116929383 A CN 116929383A
- Authority
- CN
- China
- Prior art keywords
- path
- vehicle
- travel
- historical
- history
- 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
- 238000013145 classification model Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 125
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 93
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提出了一种车辆行驶路径的确定方法、路径分类模型的获取方法及装置,方法包括获取车辆的历史出行记录,并确定历史出行记录中的历史规律路径;采集车辆的初始行驶轨迹和初始车况参数;根据初始行驶轨迹和/或初始车况参数,从历史规律路径中确定车辆的目标行驶路径。本申请中,从车辆的历史规律路径中确定车辆的目标行驶路径,提高了车辆的目标行驶路径的确定效率和准确率,实现了对车辆的行驶过程中的路径的获取,避免了由于行驶过程中的路径数据的缺失导致的车辆的部分功能无法启动,实现了车辆的个性化智能服务,优化了车辆的驾驶体验感受,提高了车辆的性能。
Description
技术领域
本申请涉及数据处理领域,尤其涉及现代传感、信息融合等智能汽车领域。
背景技术
随着社会的发展,人们对于车辆不仅仅存在局限于代步工具的需求,还存在越来越多关于驾驶体验的需求。因此,随着技术的发展,车辆也存在越来越多的服务可以为用户的驾驶和乘坐提供优质的驾驶体验以及乘坐体验。
相关技术中,车辆存在部分功能需要基于车辆行驶过程中的相关路径信息实现,因此,如何确定车辆出行的行驶路径是非常重要的。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请第一方面提出一种车辆行驶路径的确定方法。
本申请第二方面提出一种路径分类模型的获取方法。
本申请第三方面还提出一种车辆行驶路径的确定装置。
本申请第四方面提出一种路径分类模型的获取装置。
本申请第五方面提出一种电子设备。
本申请第六方面提出一种计算机可读存储介质。
本申请第一方面提出一种车辆行驶路径的确定方法,包括:获取车辆的历史出行记录,并确定历史出行记录中的历史规律路径;采集车辆的初始行驶轨迹和初始车况参数;根据初始行驶轨迹和/或初始车况参数,从历史规律路径中确定车辆的目标行驶路径。
另外,本申请第一方面提出的车辆行驶路径的确定方法,还可以具有如下附加的技术特征:
根据本申请的一个实施例,获取车辆的历史出行记录,并确定历史出行记录中的历史规律路径,包括:基于历史出行记录,获取车辆的历史出行路径;对历史出行路径进行路径归类处理,以确定历史出行路径归类后的候选组别;分别获取候选组别中的路径数量,并根据路径数量从候选组别中确定目标组别;将目标组别中的历史出行路径,确定为车辆的历史规律路径。
根据本申请的一个实施例,对历史出行路径进行路径归类处理,以确定历史出行路径归类后的候选组别,包括:获取历史出行路径中,各历史出行路径的路径轨迹信息之间的第一匹配度;响应于第一匹配度大于或者等于第一匹配度阈值,将历史出行路径归类于同一候选组别。
根据本申请的一个实施例,对历史出行路径进行路径归类处理,以确定历史出行路径归类后的候选组别,包括:获取历史出行路径的路径起点和路径终点;将路径起点和路径终点均相同的历史出行路径,归类于同一出行路径集合;获取同一出行路径集合中,各历史出行路径的路径轨迹信息之间的第二匹配度;将同一出行路径集合中,第二匹配度大于或者等于第一匹配度阈值的历史出行路径,归类于同一候选组别。
根据本申请的一个实施例,基于历史出行记录获取车辆的历史出行路径,包括:获取历史出行记录中的异常数据,其中,异常数据包括行驶距离不满足设定距离条件、行驶时间不满足设定时间条件以及存在信息缺失的出行记录数据中的至少一种;删除历史出行记录中的异常数据,从删除后的历史出行记录中获取车辆的历史出行路径。
根据本申请的一个实施例,根据初始行驶轨迹和/或初始车况参数,从历史规律路径中确定车辆的目标行驶路径,包括:将初始行驶轨迹和/或初始车况参数输入预先训练的目标路径分类模型,从模型的输出结果中获取历史规律路径的路径预测概率,其中,目标路径分类模型通过车辆的历史规律路径训练得到,路径预测概率为历史规律路径作为车辆即将行驶的路径的概率;将路径预测概率大于或者等于预测概率阈值的历史规律路径,确定为车辆的目标行驶路径。
根据本申请的一个实施例,确定车辆的目标行驶路径之后,包括:持续采集车辆的实时行驶轨迹;响应于实时行驶轨迹与目标行驶路径的匹配度小于第二匹配度阈值,获取车辆的新初始行驶轨迹和新初始行驶车况参数,并根据新初始行驶轨迹和/或新初始行驶参数,从历史规律路径中确定车辆的新的目标行驶路径。
根据本申请的一个实施例,响应于实时行驶轨迹与目标行驶路径的匹配度小于第二匹配度阈值,获取车辆的新初始行驶轨迹和新初始行驶车况参数,并根据新初始行驶轨迹和/或新初始行驶参数,从历史规律路径中确定车辆的新的目标行驶路径,包括:从历史规律路径中,获取与实时行驶轨迹匹配度大于或者等于第二匹配度阈值的历史规律路径,作为车辆的新的目标行驶路径。
根据本申请的一个实施例,初始车况参数,包括车辆的出行时间、车辆的油量/电量、车辆的座椅传感器信号中的至少一个。
本申请第二方面提出一种路径分类模型的获取方法,包括:根据车辆的历史出行记录,获取车辆的历史规律路径和车辆沿历史规律路径出行时的历史规律车况;将历史规律路径和对应的历史规律车况作为样本数据,并根据历史规律路径的路径分类标签,确定样本数据的标签信息,以生成待训练的路径分类模型的训练样本;根据训练样本训练路径分类模型,以获取训练好的目标路径分类模型。
本申请第三方面还提出一种车辆行驶路径的确定装置,方法包括:第一获取模块,用于获取车辆的历史出行记录,并确定历史出行记录中的历史规律路径;采集模块,用于采集车辆的初始行驶轨迹和初始车况参数;确定模块,用于根据初始行驶轨迹和/或初始车况参数,从历史规律路径中确定车辆的目标行驶路径。
本申请第四方面还提出一种路径分类模型的获取装置,其特征在于,方法包括:第二获取模块,用于根据车辆的历史出行记录,获取车辆的历史规律路径和车辆沿历史规律路径出行时的历史规律车况;生成模块,用于将历史规律路径和对应的历史规律车况作为样本数据,并根据历史规律路径的路径分类标签,确定样本数据的标签信息,以生成待训练的路径分类模型的训练样本;训练模块,用于根据训练样本训练路径分类模型,以获取训练好的目标路径分类模型。
本申请第五方面提出了一种电子设备,包括存储器、处理器;其中,处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,以用于实现上述第一方面和第二方面任一项提出的方法。
本申请第六方面提出了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述第一方面和第二方面任一项提出的方法。
本申请提出的车辆行驶路径的确定方法、路径分类模型的获取方法及装置,从车辆的历史出行记录中,确定车辆的历史规律路径,相应地,采集车辆的初始行驶轨迹和初始车况参数。根据采集到的车辆的初始行驶轨迹和/或初始车况参数,从车辆的历史规律路径中,获取车辆出行的目标行驶路径。其中,可以通过训练好的目标路径分类模型实现车辆的目标行驶路径的确定。进一步地,从车辆的历史出行记录中,确定车辆的历史出行的历史规律路径和历史规律车况。根据历史规律路径的路径分类标签,确定包括车辆的历史规律路径以及历史规律路况的样本数据对应的标签信息,进而生成待训练的路径分类模型的训练样本。进一步地,根据训练样本对待训练的路径分类模型进行模型训练,直至路径分类模型满足模型训练结束条件,则结束对路径分类模型的训练,进而获取训练好的目标路径分类模型。进一步地,将采集到的车辆的初始行驶轨迹和/或初始车况参数输入训练好的目标路径分类模型,根据模型的输出结果从车辆的历史规律路径中获取车辆出行的目标行驶路径。本申请中,从车辆的历史规律路径中确定车辆的目标行驶路径,提高了车辆的目标行驶路径的确定效率和准确率,通过训练好的目标路径分类模型确定车辆的目标行驶路径,将车辆的目标行驶路径的确定转化为了路径分类,降低了目标行驶路径的确定难度,实现了对车辆的行驶过程中的路径的获取,避免了由于行驶过程中的路径数据的缺失导致的车辆的部分功能无法启动,实现了车辆的个性化智能服务,优化了车辆的驾驶体验感受,提高了车辆的性能。
应当理解,本申请所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请一实施例的车辆行驶路径的确定方法的流程示意图;
图2为本申请另一实施例的车辆行驶路径的确定方法的流程示意图;
图3为本申请一实施例的历史规律路径的示意图;
图4为本申请另一实施例的历史规律路径的示意图;
图5为本申请一实施例的车辆行驶路径的确定方法的流程示意图;
图6为本申请另一实施例的车辆行驶路径的确定方法的流程示意图;
图7为本申请一实施例的路径分类模型训练方法的流程示意图;
图8为本申请一实施例的路径分类模型训练和车辆行驶路径确定方法的流程示意图;
图9为本申请一实施例的车辆行驶路径的确定装置的结构示意图;
图10为本申请一实施例的路径分类模型的获取装置的结构示意图;
图11为本申请一实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参照附图描述本申请实施例的车辆行驶路径的确定方法、路径分类模型的获取方法、装置、电子设备和存储介质。
图1为本申请一实施例的车辆行驶路径的确定方法的流程示意图,如图1所示,该方法包括:
S101,获取车辆的历史出行记录,并确定历史出行记录中的历史规律路径。
在车辆的行驶过程中,车辆存在部分功能需要基于车辆行驶路径的相关参数实现,因此,需要对车辆的行驶路径进行预测和确定。
在一些实现中,可以通过车辆行驶的相关信息,结合相关的设定算法,实现对车辆行驶路径的预测和确定。
在另一些实现中,可以通过设定的路径预测模型,将车辆行驶的相关信息输入设定的路径预测模型中,进而实现对车辆行驶路径的预测和确定。
本申请实施例中,为了实现车辆行驶路径的个性化预测和确定,提高预测和确定的准确性,可以通过车辆的历史出行相关数据对车辆的行驶路径进行预测。
其中,可以从车辆的历史出行记录中,获取存在设定规律的出行记录数据,进而实现对车辆行驶路径的预测。
可选地,车辆的历史出行记录中可以包括车辆在历史出行时的规律路径,以及车辆沿规律路径行驶时的相关车况参数。
实现中,车辆存在设定的数据采集设备,在车辆出行的同时对其出行的相关数据进行采集和记录,并将其存储于设定位置。
比如,可以将采集和记录到的车辆出行的相关数据存储于车辆上配置的用于存储的数据库中。再比如,可以将采集和记录到的车辆出行的相关数据存储于服务器的数据库中。
其中,可以将在车辆历史出行过程中采集和记录到的出行的相关数据,确定为车辆的历史出行记录。比如可以将车辆历史出行过程中的坐标信息、行驶时间、车辆载重、车辆油量/电量等进行采集和记录,并将其作为历史出行记录进行存储。
可选地,可以从车辆的历史出行记录中获取车辆的历史规律路径。其中,可以对车辆的历史出行记录进行相应地的分析处理,进而从车辆的历史出行记录中,获取车辆在历史出行过程中的历史规律路径。
进一步地,可以从车辆的历史出行记录中,获取车辆沿历史规律路径行驶时,车辆的相关状态信息,包括车辆沿历史规律路径出行时的车辆载重,以及车辆沿历史规律路径出行时的车辆的能源状况等,并将获取到的车辆的相关状态信息,确定为车辆沿历史规律路径出行时的历史规律车况。
S102,采集车辆的初始行驶轨迹和初始车况参数。
本申请实施例中,车辆上存在设定的数据采集设备,其中,可以包括对获取车辆的坐标信息的数据采集设备,还可以包括获取车辆当前各项车况参数的数据采集设备。
比如,可以通过车辆配置的设定定位系统,实时获取车辆的坐标信息,从而确定车辆的行驶轨迹的相关信息。再比如,可以通过车辆配置的传感器,实时获取车辆的车况对应的状态参数,进而获取车辆的车况参数。
本申请实施例中,可以从车辆启动开始对车辆的行驶轨迹等相关信息进行采集和记录,直至车辆行驶至设定时间。
进一步地,可以将该时间段确定为车辆的初始行驶时间段,则在初始行驶时间段内采集到的车辆的行驶轨迹,可以确定为车辆的初始行驶轨迹。相应地,在初始行驶时间段内采集到的车辆的车况参数,可以确定为车辆的初始车况参数。
S103,根据初始行驶轨迹和/或初始车况参数,从历史规律路径中确定车辆的目标行驶路径。
本申请实施例中,对于车辆的行驶路径的预测确定基于车辆的历史规律路径实现,其中,可以根据采集到的车辆的初始行驶轨迹和/或初始车况参数,从车辆的历史规律路径中确定车辆本次出行的行驶路径,并将其确定为车辆的目标行驶路径。
可选地,可以根据采集到的初始行驶轨迹的相关信息,与历史规律路径的对应相关信息进行对比,根据对比的结果,从历史规律路径中确定车辆的目标行驶路径。
可选地,还可以根据采集到的初始车况参数,与车辆沿历史规律路径行驶时的历史车况参数进行对比,根据对比的结果,从历史规律路径中确定车辆的目标行驶路径。
比如,根据采集到的初初始车况参数中,车辆的油量/电量的相关信息,与车辆在沿历史规律路径行驶时的对应油量/电量进行对比,进而可以将车辆开始行驶的地址与相关的加油站/充电站之间的路径,确定为车辆的目标行驶路径。
本申请提出的车辆行驶路径的确定方法,从车辆的历史出行记录中,确定车辆的历史规律路径,相应地,采集车辆的初始行驶轨迹和初始车况参数。根据采集到的车辆的初始行驶轨迹和/或初始车况参数,从车辆的历史规律路径中,获取车辆出行的目标行驶路径。本申请中,从车辆的历史规律路径中确定车辆的目标行驶路径,提高了车辆的目标行驶路径的确定效率和准确率,实现了对车辆的行驶过程中的路径的获取,避免了由于行驶过程中的路径数据的缺失导致的车辆的部分功能无法启动,实现了车辆的个性化智能服务,优化了车辆的驾驶体验感受,提高了车辆的性能。
上述实施例中,关于车辆的历史规律路径,可结合图2进一步理解,图2为本申请另一实施例的车辆行驶路径的确定方法的流程示意图,如图2所示,该方法包括:
S201,获取历史出行记录对应的路径作为车辆的历史出行路径。
实现中,车辆的历史出行记录中包括车辆历史行驶的多条路径,其中,每条出行路径存在其对应的出行记录相关信息,因此,可以分别获取历史出行记录对应的路径,并将其确定为车辆的历史出行路径。
在一些实现中,车辆的历史出行记录中可能包括车辆历史出行的多种类型的路径信息。
为了获取准确的历史规律路径,可以从车辆的历史出行记录中,获取车辆历史出行的每条完整路径的相关信息,其中,可以将车辆历史出行的每条路径确定为车辆的历史出行路径,进而历史出行路径中确定车辆的历史规律路径。
可选地,车辆的历史出行记录中存储的路径信息存在对应的时间信息,因此,可以根据车辆的停车时间设定相应地时间间隔,并根据设定的时间间隔对车辆的历史出行记录进行划分。
对历史出行记录进行划分后,与获取多组车辆的历史出行记录的相关数据,可以根据每组历史出行记录的相关数据,获取车辆的历史出行路径的相关信息。
在一些实现中,车辆的历史出行记录中存在可能包括异常数据,该异常数据对应的历史路径存在可能并非车辆的历史规律路径,且存在可能对车辆的历史规律路径的确定存在一定程度的影响。
其中,异常数据可以包括行驶距离不满足设定距离条件、行驶时间不满足设定时间条件以及存在信息缺失的出行记录数据中的至少一种。
进一步地,可以根据设定的异常数据判定条件,从历史出行记录中获取车辆的历史出行记录中的异常数据。
比如,可以获取历史出行记录中对应的每条路径的行驶时间,当车辆沿某一条路径的行驶时间不满足设定的时间条件时,可以确定,该条路径存在可能为行驶时间过短的路径,可以将其确定为车辆的历史出行记录中的异常数据。
再比如,可以获取历史出行记录中每条路径的行驶距离,当车辆沿某一条路径行驶时,行驶距离不满足设定的距离条件时,可以判定,该条路径存在可能为行驶距离过短的路径,可以将其确定为车辆的历史出行记录中的异常数据。
进一步地,可以对历史出行记录中的异常数据进行删除过滤等相关处理,删除历史出行记录中的异常数据,从删除后的历史出行记录中获取车辆的历史出行路径。
其中,可以从删除异常数据后的历史出行记录中,获取其对应的路径信息,该部分路径信息即为车辆历史出行的有效完整路径,并将该部分有效完整路径确定为车辆的历史出行路径。
S202,对历史出行路径进行路径归类处理,以确定历史出行路径归类后的候选组别。
本申请实施例中,可以根据设定的属性参数从历史出行路径中进行筛选,进而确定车辆的历史规律路径。
作为一种可能地实现方式,可以根据候选历史路径之间的匹配度,确定候选历史路径中的历史规律路径,其中,可以获取历史出行路径中,各历史出行路径的路径轨迹信息之间的第一匹配度。
可选地,可以根据设定算法获取历史出行路径中,各历史出行路径的路径轨迹信息之间的匹配度,并将其确定为各历史出行路径之间的第一匹配度。
比如,可以使用路径匹配算法计算各历史出行路径的路径轨迹信息之间的匹配度,并根据计算结果,确定历史出行路径中各历史出行路径的路径轨迹信息之间的第一匹配度。
进一步地,可以获取历史规律路径对应的匹配度阈值,并将其标识为第一匹配度阈值。将获取到的各路径之间的匹配度与第一匹配度阈值进行对比,根据对比的结果对历史出行路径进行归类处理。
其中,可以将第一匹配度大于或者等于第一匹配度阈值的历史出行路径归类于同一候选组别。
本申请实施例中,当历史出行路径的路径轨迹信息之间的第一匹配度大于或者等于第一匹配度阈值时,可以判断,满足该条件的历史出行路径之间的覆盖范围相同。因此,可以将满足该条件的历史两条路径判定为同一路径并归类于同一组别。
其中,可以将历史出行路径归类后的组别确定为候选组别。
比如,设定第一匹配度阈值为M,历史出行路径B和历史出行路径C之间的匹配度为P,则当P大于或者等于M时,可以确定,历史出行路径B和历史出行路径C覆盖的路径范围相同,可以将历史出行路径B和历史出行路径C判定为同一路径。
进一步地,可以将历史出行路径B和历史出行路径C归类为同一候选组别H。
作为另一种可能地实现方式,可以根据历史出行路径的起点和终点先行筛选,进一步地,对起点和终点相同的出行路径进行匹配程度的确定,从而实现历史出行路径的有效归类。
可选地,可以获取历史出行路径的路径起点和路径终点。其中,可以从历史出行路径的路径信息中,获取每条出行路径的路径起点对应的坐标信息和路径终点对应的坐标信息。
进一步地,对每条路径的路径起点对应的坐标信息以及路径终点对应的坐标信息进行对比,基于设定的判定条件,确定路径起点和路径终点均相同的历史出行路径,并将该部分路径起点和路径终点均相同的历史出行路径归类于同一出行路径集合。
实现中,同一出行路径集合中的起点和终点均相同的出行路径,存在可能,其中间行驶路径之间存在差异。其中,差异程度较高的路径存在可能并非车辆的同一条出行路径。
因此,可以获取同一出行路径集合中,各历史出行路径的路径轨迹信息之间的第二匹配度。
可选地,可以根据设定算法获取同一出行路径集合中,各历史出行路径的路径轨迹信息之间的匹配度,并将其确定为同一出行路径集合中各历史出行路径之间的第二匹配度。
比如,可以使用路径匹配算法计算同一出行路径集合中的各历史出行路径的路径轨迹信息之间的匹配度,并根据计算结果,确定同一出行路径集合中各历史出行路径的路径轨迹信息之间的第二匹配度。
进一步地,可以获取历史规律路径对应的第一匹配度阈值,并将获取到的同一出行路径集合中的各路径之间的第二匹配度与第一匹配度阈值进行对比,根据对比的结果实现对同一出行路径结合中的历史出行路径的归类处理。
其中,当同一出行路径集合中的历史出行路径之间的第二匹配度大于或者等于第一匹配度阈值时,可以确定,该部分历史出行路径在起点和终点均相同的同时,其中间路径的轨迹信息之间的匹配程度满足设定条件,因此,可以将同一出行路径集合中的第二匹配度大于或者等于第一匹配度阈值的历史出行路径归类于同一候选组别
S203,分别获取候选组别中的路径数量,并根据路径数量从候选组别中确定目标组别。
实现中,路径分类模型对于训练样本的数量存在设定的要求,因此,为了实现对路径分类模型的有效训练,对于归类后的历史出行路径,需要进行进一步地筛选。
可选地,可以获取每个候选组别中的路径数量,以及历史规律路径对应的目标组别的路径数量阈值。
进一步地,将每个候选组别中的路径数量与设定的路径数量阈值进行对比,根据对比结果,将路径数量大于或者等于路径数量阈值的候选组别确定为目标组别。
如图3所示,对车辆A的历史出行路径归类后,获取了4个候选组别,分别为候选组别1、候选组别2、候选组别3和候选组别4。
可以分别获取候选组别1、候选组别2、候选组别3和候选组别4中的路径数量,如图3所示,候选组别1中的历史出行路径的数量为40条,候选组别2中的历史出行路径的数量为38条,候选组别3中的历史出行路径的数量为20条,候选组别4中的历史出行路径的数量为2条。
设定路径数量阈值N=15条,则分别将候选组别1、候选组别2、候选组别3和候选组别4中的历史出行路径数量与路径数量阈值N=15条进行对比,从对比结果可知,候选组别1中的历史出行路径数量40条,候选组别2中的历史出行路径数量38条以及候选组别3中历史出行路径数量20条,均大于或者等于设定的路径数量阈值N=15条,则可以将候选组别1、候选组别2、候选组别3确定为对应的目标组别1、目标组别2和目标组别3。
S204,将目标组别中的历史出行路径,确定为车辆的历史规律路径。
本申请实施例中,目标组别对应的历史出行路径,即为车辆的历史出行相关数据中的历史规律路径。
如图4所示,目标组别1中的40条历史出行路径的覆盖范围相同,可以将该40条历史出行路径判定为同一路径,因此,可以将目标组别1中的40条历史出行路径确定为车辆A的历史规律路径。
相应地,目标组别2中的38条历史出行路径的覆盖范围相同,可以将该38条历史出行路径判定为同一路径,因此,可以将目标组别2中的38条历史出行路径确定为车辆A的历史规律路径。
相应地,目标组别3中的20条历史出行路径的覆盖范围相同,可以将该20条历史出行路径判定为同一路径,因此,可以将目标组别3中的20条历史出行路径确定为车辆A的历史规律路径。
本申请提出的路车辆行驶路径的确定方法,根据车辆的历史出行记录获取车辆的历史出行路径,并对历史出行路径进行归类处理,以确定归类后的候选组别。分别获取候选组别中的历史出行路径的路径数量,并根据获取到的路径数量从候选组别中确定目标组别。进一步地,将目标组别中包括的历史出行路径确定为车辆的历史规律路径。本申请中,根据车辆的历史出行记录确定车辆的历史规律路径,实现了历史规律路径的个性化确定,进而使得车辆实现个性化的行驶路径的预测确定,实现了车辆的个性化智能服务,优化了车辆的驾驶体验感受,提高了车辆的性能。
上述实施例中,关于目标行驶路径的确定,可结合图5进一步理解,图5为本申请一实施例的车辆行驶路径的确定方法的流程示意图,如图5所示,该方法包括:
S501,将初始行驶轨迹和/或初始车况参数输入预先训练的目标路径分类模型,从模型的输出结果中获取历史规律路径的路径预测概率,其中,目标路径分类模型通过车辆的历史规律路径训练得到,路径预测概率为历史规律路径作为车辆即将行驶的路径的概率。
本申请实施例中,对于车辆的行驶路径的预测确定基于车辆的历史规律路径实现,其中,可以根据采集到的车辆的初始行驶轨迹和/或初始车况参数,从车辆的历史规律路径中确定车辆本次出行的行驶路径,并将其确定为车辆的目标行驶路径。
可选地,初始车况参数可以包括车辆的出行时间、车辆的油量/电量、车辆的座椅传感器信号中的至少一个。
进一步地,可以通过预先训练好的目标路径分类模型,实现车辆行驶路径的预测确定。
为了实现从车辆的历史规律路径中确定车辆即将行驶的目标行驶路径,可以根据车辆的历史规律路径以及相关信息生成待训练的路径分类模型的训练样本,进而获取预先训练好的目标路径分类模型。
进一步地,可以将采集到的车辆的初始行驶轨迹和/或初始车况参数输入至预先训练好的目标路径分别模型中,进而实现车辆的目标行驶路径的确定。
作为一种可能地实现方式,可以将车辆的初始行驶轨迹和/或初始车况参数,输入训练好的目标路径分类模型中,目标路径分类模型可以基于输入的初始行驶轨迹和/或初始车况参数的相关轨迹信息,从历史规律路径中获取与初始行驶轨迹和/或初始车况参数匹配的历史规律路径。
实现中,历史规律路径中,可能存在数量大于一条的与初始行驶轨迹和/或初始车况参数匹配的历史规律路径,因此,在基于目标路径分类模型获取车辆的目标行驶路径的场景下,目标路径分类模型可以基于模型的设定算法,获取车辆的历史规律路径作为车辆即将行驶的目标行驶路径的可能性。
进一步地,可以基于概率值的方式输出历史规律路径作为车辆的目标行驶路径的可能性,并将其确定为历史规律路径对应的路径预测概率。
作为另一种可能的实现方式,可以通过获取与初始行驶轨迹和/或初始车况参数匹配的规律路径对应的相关标识信息,从历史规律路径中获取与初始行驶轨迹和/或初始车况参数匹配的历史规律路径。
可选地,车辆的历史规律路径存在设定标识信息,可以通过对历史规律路径所属的目标组别进行编号,进而实现对历史规律路径的设定标识信息的确定。
如图4所示,可以将目标组别1编号为“1”,目标组别2编号为“2”,目标组别3编号为“3”。则可以将“1”作为目标组别1中的40条历史规律路径的设定标识信息,将“2”作为目标组别2中的38条历史规律路径的设定标识信息,将“3”作为目标组别3中的20条历史规律路径的设定标识信息。
需要说明的是,对于未被确定为目标组别的候选组别,可以通过设定字符对其进行标识,以对其中的非历史规律路径进行标记。
如图4所示,候选组别4中的路径数量小于设定的路径数量阈值,因此,候选组别4中的路径并非车辆的历史规律路径,可以将候选组别4编号为“0”,以将其中的2条历史出行路径标记为车辆A的非历史规律路径。
可选地,可以通过预先训练好的目标路径分类模型输出历史规律路径的设定标识信息对应的概率值,确定车辆即将行驶的目标行驶路径。
其中,该设定标识信息对应的概率值即为该设定标识信息指示的历史规律路径对应的路径预测概率。
S502,将路径预测概率大于或者等于预测概率阈值的历史规律路径,确定为车辆的目标行驶路径。
实现中,可以根据路径预测概率对获取到的候选行驶路径进行筛选,可以获取设定的预测概率阈值,并将每个候选行驶路径下的路径预测概率与设定的预测概率阈值进行对比,根据对比的结果,确定车辆的目标行驶路径。
可选地,当路径预测概率大于或者等于预测概率阈值时,可以判断,该路径预测概率对应的候选行驶路径作为车辆的目标行驶路径的准确率满足的设定标准,可以将该候选行驶路径确定为车辆的目标行驶路径。
比如,如图4所示,设定根据目标路径分类模型确定的候选行驶路径为,目标组别“2”中的历史规律路径,其对应的路径预测概率为0.85,以及,目标组别“5”中的历史规律路径,其对应的路径预测概率为0.15。
设定路径预测概率阈值为0.8,则分别将目标组别“2”中的历史规律路径的路径预测概率0.85和目标组别“5”中的历史规律路径的路径预测概率0.15与设定的路径预测概率阈值0.8进行对比,根据对比结果可知,目标组别“2”中的历史规律路径的路径预测概率0.85大于设定的路径预测概率阈值0.8,则可以判断,目标组别“2”中的历史规律路径作为车辆的目标行驶路径的准确率满足设定标准。
进一步地,可以将目标组别“2”中的历史规律路径作为车辆出行的目标行驶路径。
需要说明的是,在对目标行驶路径确定的过程中,存在可能,获取到的候选路径对应的路径预测概率小于设定的预测概率阈值,在该场景下,可以判断本次的目标行驶路径预测失败。进一步地,可以将本次预测过程的相关数据进行整理,并将其作为本次预测失败对应的失败信息,并根据获取到的失败信息对目标路径分类模型进行相关的优化训练,直至优化训练后的目标路径分类模型可以实现对车辆行驶的目标行驶路径的准确预测和确定。
本申请提出的车辆行驶路径的确定方法,获取车辆的历史规律路径对应的标识,并将采集到的车辆的初始行驶轨迹和/或初始车况参数输入训练好的目标路径分类模型中,获取目标路径分类模型根据输入的初始行驶轨迹和/或初始车况参数,从历史规律路径中获取的候选行驶路径对应的候选路径标识以及对应的标识预测概率。进一步地,根据候选路径标识从历史规律路径中获取车辆的候选行驶路径并确定对应的路径预测概率。响应于路径预测概率大于或者等于设定的预测概率阈值,将候选行驶路径确定为车辆的目标行驶路径。本申请中,基于训练好的目标路径分类模型实现车辆的目标行驶路径的确定,通过路径分类方法实现车辆行驶路径的确定,降低了车辆的目标行驶路径的确定难度,通过预测概率确定车辆出行的目标行驶路径,提高了车辆的目标行驶路径的确定效率和准确率。
上述实施例中,确定车辆的目标行驶路径后,可以对确定的目标行驶路径进行进一步地监测,可结合图6进一步理解,图6为本申请另一实施例的车辆行驶路径的确定方法的流程示意图,如图6所示,该方法包括:
S601,持续采集车辆的实时行驶轨迹。
实现中,在确定车辆的目标行驶路径之后,存在可能,确定的目标行驶路径与车辆正在行驶的路径之间存在偏差,因此,需要对已经确定的车辆的目标行驶路径进行实时监测。
其中,可以通过车辆的实时行驶轨迹与目标行驶路径之间的对比,实现对目标行驶路径的实时监测。
可选地,车辆存在设定的坐标采集设备,在车辆的出行过程中,对车辆的移动坐标进行实时的采集和记录,进而生成车辆的实时行驶轨迹。
S602,响应于实时行驶轨迹与目标行驶路径的匹配度小于第二匹配度阈值,获取车辆的新初始行驶轨迹和新初始行驶车况参数,并根据新初始行驶轨迹和/或新初始行驶参数,从历史规律路径中确定车辆的新目标行驶路径。
本申请实施例中,可以获取目标行驶路径与实时行驶轨迹之间的匹配度阈值,并将其标识为第二匹配度阈值。
进一步地,基于设定的匹配度算法获取实时行驶轨迹与目标行驶路径之间的匹配度,并将其与第二匹配度阈值进行对比,根据对比的结果,判断当前车辆的实时行驶路径是否为通过目标路径分类模型确定的目标行驶路径。
其中,当实时行驶轨迹与目标行驶路径之间的匹配度大于或者等于第二匹配度阈值时,可以判断,当前车辆行驶的实时行驶轨迹与目标路径分类模型确定的目标行驶路径相同,当前确定的车辆的目标行驶路径准确。
相应地,当实时行驶轨迹与目标行驶路径之间的匹配度小于第二匹配度阈值时,可以判断,当前车辆行驶的实时行驶轨迹与目标行驶路径之间存在偏差,当前确定的车辆的目标行驶路径异常。
在该场景中,需要重新确定车辆的目标行驶路径,可以从历史规律路径中,获取与实时行驶轨迹匹配度大于或者等于第二匹配度阈值的历史规律路径,作为车辆的新目标行驶路径。
其中,可以重新开始对车辆的行驶轨迹和车况参数进行设定时间内的采集,并作为车辆的新初始行驶轨迹和新初始行驶车况。
进一步地,根据采集到的车辆的新初始行驶轨迹和新初始行驶车况参数,从车辆的历史规律路径中获取车辆的新目标行驶路径。
在一些实现中,可以通过设定的计算方法,从历史规律路径中重新获取与新初始行驶轨迹和新初始行驶车况参数匹配的历史规律路径,并将其作为车辆的新目标行驶路径的新候选行驶路径。
在另一些实现中,可以将获取到的新初始行驶轨迹和新初始行驶车况参数再次输入至目标路径分类模型中,根据模型的输出结果,确定车辆的新目标行驶路径对应的新候选行驶路径。
进一步地,可以获取实时行驶轨迹与新候选行驶路径之间的匹配度,当该匹配度大于或者等于第二匹配度阈值时,可以判断,该新候选行驶路径与当前车辆行驶的实时行驶轨迹相同,可以将该新候选行驶路径作为车辆的新目标行驶路径。
相应地,若当前车辆行驶的实时行驶轨迹与新候选行驶路径之间的匹配度,均小于第二匹配度阈值时,可以判断,当前车辆行驶的实时行驶轨迹并非车辆已经记录的历史规律路径,则停止对车辆的目标行驶路径的确定。
本申请提出的车辆行驶路径的确定方法,在确定车辆的目标行驶路径之后,持续采集车辆的实时行驶轨迹,并获取实时行驶轨迹与目标行驶路径之间的匹配度,当获取到的匹配度小于设定的第二匹配度阈值时,则重新为车辆确定新的目标行驶路径。本申请中,通过对目标行驶路径的实时监测,实现了对目标行驶路径的动态调整,优化了目标行驶路径的确定方法,提高了目标行驶路径的准确性。
上述实施例中,关于目标路径分类模型的训练,可结合图7进一步理解,图7为本申请一实施例的路径分类模型的获取方法的流程示意图,如图7所示,该方法包括:
S701,根据车辆的历史出行记录,获取车辆的历史规律路径和车辆沿历史规律路径出行时的历史规律车况。
关于历史规律路径的获取方法,可参见上述相关详细内容,此处不再赘述。
本申请实施例中,车辆上配置有车况参数对应的数据采集设备,可以将配置的数据采集设备对车辆沿历史规律路径行驶时,采集到的车况参数,作为历史规律路径对应的历史规律车况。
比如,车辆沿历史规律行驶时,车辆的电量/油量,车辆的载重,以及车内的座椅传感器采集到的数据等等。
S702,将历史规律路径和对应的历史规律车况作为样本数据,并根据历史规律路径的路径分类标签,确定样本数据的标签信息,以生成待训练的路径分类模型的训练样本。
本申请实施例中,可以通过车辆的历史规律路径和车辆沿历史规律路径出行时的历史规律车况,对车辆的路径分类模型进行训练。
其中,可以将车辆的历史规律路径和车辆沿历史规律路径出行时的历史规律车况,作为车辆的路径分类模型进行训练的样本数据。
进一步地,可以对样本数据中的车辆的历史规律路径和车辆沿历史规律路径出行时的历史规律车况进行进一步地分类。
实现中,车辆的历史规律路径可以包括车辆历史出行的多条路径,因此,可以基于不同的路径对车辆的历史规律路径进行分类,并分别确定分类后的不同类别的历史规律路径的路径分类标签。
进一步地,可以将该路径分类标签作为包括历史规律路径和车辆沿历史规律路径出行时的历史规律车况的样本数据的标签信息。
在一些实现中,待训练的路径分类模型对其模型输入存在设定的要求。
进一步地,可以基于待训练的路径分类模型对于模型输入的设定要求,对包括历史规律路径和车辆沿历史规律路径出行时的历史规律车况的样本数据和其对应的标签信息进行调整,进而生成待训练路径分类模型对应的训练样本。
S703,根据训练样本训练路径分类模型,以获取训练好的目标路径分类模型。
本申请实施例中,将获取到的训练样本输入待训练的路径分类模型中,进而对待训练的路径分类模型进行迭代训练。
其中,可以根据每个轮次的训练输出结果,对待训练的路径分类模型的模型参数进行相关的优化调整,直至路径分类模型满足模型训练结束的条件。
可选地,可以基于训练次数设定模型训练对应的训练条件。可以对路径分类模型训练的迭代轮次进行监控和记录,当监控和记录到路径分类模型的迭代训练次数已经满足设定的训练结束条件时,即可判断,当前训练结束的路径分类模型可以满足实际应用所需,进一步地,结束对路径分类模型的训练,并将当前轮次训练结束的模型确定为训练好的目标路径分类模型。
可选地,可以基于训练的输出结果设定对应的训练结束条件。可以对每个轮次的模型训练的输出结果进行分析,当某一个轮次的模型训练的输出结果满足设定的训练结束条件时,即可判断,当前训练结束的路径分类模型可以满足实际应用所需,进一步地,结束当前路径分类模型的训练,并将当前轮次训练结束的模型确定为训练好的目标路径分类模型。
需要说明的是,路径分类模型可以在服务器中进行相应地模型训练,并通过设定通道将训练好的目标路径分类模型传输至对应的车辆。
在一些实现中,可以基于设定的时间间隔对路径分类模型进行训练,并通过设定通道将训练好的目标路径分类模型传输至对应的车辆。
在另一些实现中,车辆已经加载了训练好的目标路径分类模型。在实际的目标行驶路径的确定过程中,车辆会将目标路径分类模型的预测准确率反馈至服务器,服务器可以根据接收到的车辆的目标路径分类模型的准确率信息,对服务器中已经训练好的目标路径分类模型进行优化训练。
可以理解为,当服务器接收到车辆加载的目标路径分类模型的准确率低于设定值时,即可开始对服务器上已经训练好的目标路径分类模型的优化训练,并将优化后的新的目标路径分类模型传输至对应的车辆。
本申请提出的路径分类模型的获取方法,从车辆的历史出行记录中,确定车辆的历史出行的历史规律路径和历史规律车况。根据历史规律路径的路径分类标签,确定包括车辆的历史规律路径以及历史规律路况的样本数据对应的标签信息,进而生成待训练的路径分类模型的训练样本。进一步地,根据训练样本对待训练的路径分类模型进行模型训练,直至路径分类模型满足模型训练结束条件,则结束对路径分类模型的训练,进而获取训练好的目标路径分类模型。本申请中,通过车辆的历史规律路径和历史规律路况生成的训练样本对路径分类模型进行训练,使得训练好的目标路径分类模型可以针对车辆实现个性化的行驶路径的预测确定,提高了车辆行驶路径预测和确定的准确性,实现了车辆的个性化智能服务,优化了车辆的驾驶体验感受,提高了车辆的性能。
为更好的理解上述实施例,可结合图8,图8为本申请一实施例的路径分类模型训练和车辆行驶路径确定方法的流程示意图,如图8所示,该方法包括:
获取车辆采集的历史出行记录,并根据历史出行记录获取车辆的历史规律路径,获取车辆的历史规律路径的分类标签信息,并根据历史规律路径的分类标签信息确定历史规律路径和历史规律车况对应的分类标签信息,进而生成待训练的路径分类模型的训练样本。根据训练样本对待训练的路径分类模型进行训练,获取训练好的目标路径分类模型,并将其传输至对应的车辆。
车辆加载接收到的目标路径分类模型后,采集车辆的初始行驶轨迹和初始车况参数,将车辆的初始行驶轨迹和/或初始车况参数输入目标路径分类模型后,获取目标路径分类模型输出的车辆即将行驶的路径的路径预测概率。进一步地,根据路径预测概率从车辆的历史规律路径中确定车辆的目标行驶路径。
相应地,若路径预测概率无法确定车辆的目标行驶路径,则可以判断,本次对车辆的目标行驶路径的预测确定失败,可以获取相关失败信息,并将其上传至车辆对应的服务器。
进一步地,对于确定的目标行驶路径进行实时监测,获取车辆的实时行驶轨迹,并获取其与目标行驶路径之间的匹配度。当获取到的匹配度小于设定的第二匹配度阈值时,可以确定,当前的车辆的实时行驶轨迹与确定的目标行驶路径之间存在偏差,则可以从历史规律路径中为车辆重新确定新的目标行驶路径。
相应地,若从历史规律路径中无法为车辆重新确定新的目标行驶路径,则停止本次对目标行驶路径的确定。
需要说明的是,对于目标行驶路径的实时监测所需的相关参数,可以从车辆对应的服务器获取。
进一步地,服务器根据接收到的目标路径分类模型的输出结果和目标行驶路径的确定结果的信息反馈,对已经训练好的目标路径分类模型进行进一步地优化,并将优化后的新的目标路径分类模型传输至对应的车辆。
本申请提出的车辆行驶路径的确定方法和路径分类模型的获取方法,从车辆的历史出行记录中,确定车辆的历史规律路径,相应地,采集车辆的初始行驶轨迹和初始车况参数。根据采集到的车辆的初始行驶轨迹和/或初始车况参数,从车辆的历史规律路径中,获取车辆出行的目标行驶路径。其中,可以通过训练好的目标路径分类模型实现车辆的目标行驶路径的确定。进一步地,从车辆的历史出行记录中,确定车辆的历史出行的历史规律路径和历史规律车况。根据历史规律路径的路径分类标签,确定包括车辆的历史规律路径以及历史规律路况的样本数据对应的标签信息,进而生成待训练的路径分类模型的训练样本。进一步地,根据训练样本对待训练的路径分类模型进行模型训练,直至路径分类模型满足模型训练结束条件,则结束对路径分类模型的训练,进而获取训练好的目标路径分类模型。进一步地,将采集到的车辆的初始行驶轨迹和/或初始车况参数输入训练好的目标路径分类模型,根据模型的输出结果从车辆的历史规律路径中获取车辆出行的目标行驶路径。
本申请中,从车辆的历史规律路径中确定车辆的目标行驶路径,提高了车辆的目标行驶路径的确定效率和准确率,通过训练好的目标路径分类模型确定车辆的目标行驶路径,将车辆的目标行驶路径的确定转化为了路径分类,降低了目标行驶路径的确定难度,实现了对车辆的行驶过程中的路径的获取,避免了由于行驶过程中的路径数据的缺失导致的车辆的部分功能无法启动,实现了车辆的个性化智能服务,优化了车辆的驾驶体验感受,提高了车辆的性能。
与上述几种实施例提出的车辆行驶路径的确定方法相对应,本申请的一个实施例还提出了一种车辆行驶路径的确定装置,由于本申请实施例提出的车辆行驶路径的确定装置与上述几种实施例提出的车辆行驶路径的确定方法相对应,因此上述车辆行驶路径的确定方法的实施方式也适用于本申请实施例提出的车辆行驶路径的确定装置,在下述实施例中不再详细描述。
图9为本申请一实施例路径分类模型的获取装置的结构示意图,如图9所示,车辆行驶路径的确定装置900,包括第一获取模块91、采集模块92、确定模块93,其中:
第一获取模块91,用于获取车辆的历史出行记录,并确定历史出行记录中的历史规律路径;
采集模块92,用于采集车辆的初始行驶轨迹和初始车况参数;
确定模块93,用于根据初始行驶轨迹和/或初始车况参数,从历史规律路径中确定车辆的目标行驶路径。
本申请实施例中,第一获取模块91,还用于:基于历史出行记录,获取车辆的历史出行路径;对历史出行路径进行路径归类处理,以确定历史出行路径归类后的候选组别;分别获取候选组别中的路径数量,并根据路径数量从候选组别中确定目标组别;将目标组别中的历史出行路径,确定为车辆的历史规律路径。
本申请实施例中,第一获取模块91,还用于:获取历史出行路径中,各历史出行路径的路径轨迹信息之间的第一匹配度;响应于第一匹配度大于或者等于第一匹配度阈值,将历史出行路径归类于同一候选组别。
本申请实施例中,第一获取模块91,还用于:获取历史出行路径的路径起点和路径终点;将路径起点和路径终点均相同的历史出行路径,归类于同一出行路径集合;获取同一出行路径集合中,各历史出行路径的路径轨迹信息之间的第二匹配度;将同一出行路径集合中,第二匹配度大于或者等于第一匹配度阈值的历史出行路径,归类于同一候选组别。
本申请实施例中,第一获取模块91,还用于:获取历史出行记录中的异常数据,其中,异常数据包括行驶距离不满足设定距离条件、行驶时间不满足设定时间条件以及存在信息缺失的出行记录数据中的至少一种;删除历史出行记录中的异常数据,从删除后的历史出行记录中获取车辆的历史出行路径。
本申请实施例中,确定模块93,还用于:将初始行驶轨迹和/或初始车况参数输入预先训练的目标路径分类模型,从模型的输出结果中获取历史规律路径的路径预测概率,其中,目标路径分类模型通过车辆的历史规律路径训练得到,路径预测概率为历史规律路径作为车辆即将行驶的路径的概率;将路径预测概率大于或者等于预测概率阈值的历史规律路径,确定为车辆的目标行驶路径。
本申请实施例中,确定模块93,还用于:持续采集车辆的实时行驶轨迹;响应于实时行驶轨迹与目标行驶路径的匹配度小于第二匹配度阈值,获取车辆的新初始行驶轨迹和新初始行驶车况参数,并根据新初始行驶轨迹和/或新初始行驶参数,从历史规律路径中确定车辆的新目标行驶路径。
本申请实施例中,确定模块93,还用于:从历史规律路径中,获取与实时行驶轨迹匹配度大于或者等于第二匹配度阈值的历史规律路径,作为车辆的新目标行驶路径。
本申请实施例中,初始车况参数,包括车辆的出行时间、车辆的油量/电量、车辆的座椅传感器信号中的至少一个。
本申请提出的车辆行驶路径的确定装置,从车辆的历史出行记录中,确定车辆的历史规律路径,相应地,采集车辆的初始行驶轨迹和初始车况参数。根据采集到的车辆的初始行驶轨迹和/或初始车况参数,从车辆的历史规律路径中,获取车辆出行的目标行驶路径。本申请中,从车辆的历史规律路径中确定车辆的目标行驶路径,提高了车辆的目标行驶路径的确定效率和准确率,实现了对车辆的行驶过程中的路径的获取,避免了由于行驶过程中的路径数据的缺失导致的车辆的部分功能无法启动,实现了车辆的个性化智能服务,优化了车辆的驾驶体验感受,提高了车辆的性能。
与上述几种实施例提出的路径分类模型的获取方法相对应,本申请的一个实施例还提出了一种路径分类模型的获取装置,由于本申请实施例提出的路径分类模型的获取装置与上述几种实施例提出的路径分类模型的获取方法相对应,因此上述路径分类模型的获取方法的实施方式也适用于本申请实施例提出的路径分类模型的获取装置,在下述实施例中不再详细描述。
图10为本申请一实施例车辆行驶路径的确定装置的结构示意图,如图10所示,路径分类模型的获取装置1000,包括第二获取模块11、生成模块12、训练模块13,其中:
第二获取模块11,用于根据车辆的历史出行记录,获取车辆的历史规律路径和车辆沿历史规律路径出行时的历史规律车况;
生成模块12,用于将历史规律路径和对应的历史规律车况作为样本数据,并根据历史规律路径的路径分类标签,确定样本数据的标签信息,以生成待训练的路径分类模型的训练样本;
训练模块13,用于根据训练样本训练路径分类模型,以获取训练好的目标路径分类模型。
本申请提出的路径分类模型的获取装置,从车辆的历史出行记录中,确定车辆的历史出行的历史规律路径和历史规律车况。根据历史规律路径的路径分类标签,确定包括车辆的历史规律路径以及历史规律路况的样本数据对应的标签信息,进而生成待训练的路径分类模型的训练样本。进一步地,根据训练样本对待训练的路径分类模型进行模型训练,直至路径分类模型满足模型训练结束条件,则结束对路径分类模型的训练,进而获取训练好的目标路径分类模型。本申请中,通过车辆的历史规律路径和历史规律路况生成的训练样本对路径分类模型进行训练,使得训练好的目标路径分类模型可以针对车辆实现个性化的行驶路径的预测确定,提高了车辆行驶路径预测和确定的准确性,实现了车辆的个性化智能服务,优化了车辆的驾驶体验感受,提高了车辆的性能。
为达到上述实施例,本申请还提出了一种电子设备、一种计算机可读存储介质和一种计算机程序产品。
图11示出了可以用来实施本申请的实施例的示例电子设备1100的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示,设备1100包括存储器111、处理器112及存储在存储111上并可在处理器112上运行的计算机程序,处理器112执行程序指令时,实现上述实施例提出的路径分类模型的获取方法和/或车辆行驶路径的确定方法。
从车辆的历史出行记录中,确定车辆的历史规律路径,相应地,采集车辆的初始行驶轨迹和初始车况参数。根据采集到的车辆的初始行驶轨迹和/或初始车况参数,从车辆的历史规律路径中,获取车辆出行的目标行驶路径。其中,可以通过训练好的目标路径分类模型实现车辆的目标行驶路径的确定。进一步地,从车辆的历史出行记录中,确定车辆的历史出行的历史规律路径和历史规律车况。根据历史规律路径的路径分类标签,确定包括车辆的历史规律路径以及历史规律路况的样本数据对应的标签信息,进而生成待训练的路径分类模型的训练样本。进一步地,根据训练样本对待训练的路径分类模型进行模型训练,直至路径分类模型满足模型训练结束条件,则结束对路径分类模型的训练,进而获取训练好的目标路径分类模型。进一步地,将采集到的车辆的初始行驶轨迹和/或初始车况参数输入训练好的目标路径分类模型,根据模型的输出结果从车辆的历史规律路径中获取车辆出行的目标行驶路径。本申请中,从车辆的历史规律路径中确定车辆的目标行驶路径,提高了车辆的目标行驶路径的确定效率和准确率,通过训练好的目标路径分类模型确定车辆的目标行驶路径,将车辆的目标行驶路径的确定转化为了路径分类,降低了目标行驶路径的确定难度,实现了对车辆的行驶过程中的路径的获取,避免了由于行驶过程中的路径数据的缺失导致的车辆的部分功能无法启动,实现了车辆的个性化智能服务,优化了车辆的驾驶体验感受,提高了车辆的性能。
本申请实施例提出的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器112执行时,实现上述实施例提出的路径分类模型的获取方法和/或车辆行驶路径的确定方法。
从车辆的历史出行记录中,确定车辆的历史规律路径,相应地,采集车辆的初始行驶轨迹和初始车况参数。根据采集到的车辆的初始行驶轨迹和/或初始车况参数,从车辆的历史规律路径中,获取车辆出行的目标行驶路径。其中,可以通过训练好的目标路径分类模型实现车辆的目标行驶路径的确定。进一步地,从车辆的历史出行记录中,确定车辆的历史出行的历史规律路径和历史规律车况。根据历史规律路径的路径分类标签,确定包括车辆的历史规律路径以及历史规律路况的样本数据对应的标签信息,进而生成待训练的路径分类模型的训练样本。进一步地,根据训练样本对待训练的路径分类模型进行模型训练,直至路径分类模型满足模型训练结束条件,则结束对路径分类模型的训练,进而获取训练好的目标路径分类模型。进一步地,将采集到的车辆的初始行驶轨迹和/或初始车况参数输入训练好的目标路径分类模型,根据模型的输出结果从车辆的历史规律路径中获取车辆出行的目标行驶路径。本申请中,从车辆的历史规律路径中确定车辆的目标行驶路径,提高了车辆的目标行驶路径的确定效率和准确率,通过训练好的目标路径分类模型确定车辆的目标行驶路径,将车辆的目标行驶路径的确定转化为了路径分类,降低了目标行驶路径的确定难度,实现了对车辆的行驶过程中的路径的获取,避免了由于行驶过程中的路径数据的缺失导致的车辆的部分功能无法启动,实现了车辆的个性化智能服务,优化了车辆的驾驶体验感受,提高了车辆的性能。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本身的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提出给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,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。
为了提出与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提出给计算机。其它种类的装置还可以用于提出与用户的交互;例如,提出给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网格浏览器的用户计算机,用户可以通过该图形用户界面或者该网格浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网格)来将系统的部件相互连接。通信网格的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网格。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网格进行交互。通过在相应的计算机上运行并且彼此具有客户端服务器关系的计算机程序来产生客户端和服务器的关系。服务端可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“VirtualPrivate Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合区块链的服务器。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种车辆行驶路径的确定方法,其特征在于,所述方法包括:
获取车辆的历史出行记录,并确定所述历史出行记录中的历史规律路径;
采集所述车辆的初始行驶轨迹和初始车况参数;
根据所述初始行驶轨迹和/或所述初始车况参数,从所述历史规律路径中确定所述车辆的目标行驶路径。
2.根据权利要求1所述的方法,其特征在于,所述获取车辆的历史出行记录,并确定所述历史出行记录中的历史规律路径,包括:
基于所述历史出行记录,获取所述车辆的历史出行路径;
对所述历史出行路径进行路径归类处理,以确定所述历史出行路径归类后的候选组别;
分别获取所述候选组别中的路径数量,并根据所述路径数量从所述候选组别中确定目标组别;
将所述目标组别中的历史出行路径,确定为所述车辆的所述历史规律路径。
3.根据权利要求2所述的方法,其特征在于,所述对所述历史出行路径进行路径归类处理,以确定所述历史出行路径归类后的候选组别,包括:
获取所述历史出行路径中,各历史出行路径的路径轨迹信息之间的第一匹配度;
响应于所述第一匹配度大于或者等于第一匹配度阈值,将所述历史出行路径归类于同一候选组别。
4.根据权利要求2所述的方法,其特征在于,所述对所述历史出行路径进行路径归类处理,以确定所述历史出行路径归类后的候选组别,包括:
获取所述历史出行路径的路径起点和路径终点;
将所述路径起点和所述路径终点均相同的历史出行路径,归类于同一出行路径集合;
获取所述同一出行路径集合中,各历史出行路径的路径轨迹信息之间的第二匹配度;
将所述同一出行路径集合中,所述第二匹配度大于或者等于第一匹配度阈值的历史出行路径,归类于同一候选组别。
5.根据权利要求2所述的方法,其特征在于,所述基于所述历史出行记录获取所述车辆的历史出行路径,包括:
获取所述历史出行记录中的异常数据,其中,所述异常数据包括行驶距离不满足设定距离条件、行驶时间不满足设定时间条件以及存在信息缺失的出行记录数据中的至少一种;
删除所述历史出行记录中的所述异常数据,从删除后的历史出行记录中获取所述车辆的所述历史出行路径。
6.根据权利要求2所述的方法,其特征在于,所述根据所述初始行驶轨迹和/或所述初始车况参数,从所述历史规律路径中确定所述车辆的目标行驶路径,包括:
将所述初始行驶轨迹和/或所述初始车况参数输入预先训练的目标路径分类模型,从模型的输出结果中获取所述历史规律路径的路径预测概率,其中,所述目标路径分类模型通过车辆的历史规律路径训练得到,所述路径预测概率为所述历史规律路径作为所述车辆即将行驶的路径的概率;
将所述路径预测概率大于或者等于预测概率阈值的历史规律路径,确定为所述车辆的目标行驶路径。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述确定所述车辆的目标行驶路径之后,包括:
持续采集所述车辆的实时行驶轨迹;
响应于所述实时行驶轨迹与所述目标行驶路径的匹配度小于第二匹配度阈值,获取所述车辆的新初始行驶轨迹和新初始行驶车况参数,并根据所述新初始行驶轨迹和/或所述新初始行驶参数,从所述历史规律路径中确定所述车辆的新目标行驶路径。
8.根据权利要求7所述的方法,其特征在于,所述响应于所述实时行驶轨迹与所述目标行驶路径的匹配度小于第二匹配度阈值,获取所述车辆的新初始行驶轨迹和新初始行驶车况参数,并根据所述新初始行驶轨迹和/或所述新初始行驶参数,从所述历史规律路径中确定所述车辆的新目标行驶路径,包括:
从所述历史规律路径中,获取与所述实时行驶轨迹匹配度大于或者等于第二匹配度阈值的历史规律路径,作为所述车辆的新目标行驶路径。
9.根据权利要求2所述的方法,其特征在于,所述初始车况参数,包括所述车辆的出行时间、所述车辆的油量/电量、所述车辆的座椅传感器信号中的至少一个。
10.一种路径分类模型的获取方法,其特征在于,所述方法包括:
根据车辆的历史出行记录,获取所述车辆的历史规律路径和所述车辆沿所述历史规律路径出行时的历史规律车况;
将所述历史规律路径和对应的所述历史规律车况作为样本数据,并根据所述历史规律路径的路径分类标签,确定所述样本数据的标签信息,以生成待训练的路径分类模型的训练样本;
根据所述训练样本训练所述路径分类模型,以获取训练好的目标路径分类模型。
11.一种车辆行驶路径的确定装置,其特征在于,所述方法包括:
第一获取模块,用于获取车辆的历史出行记录,并确定所述历史出行记录中的历史规律路径;
采集模块,用于采集所述车辆的初始行驶轨迹和初始车况参数;
确定模块,用于根据所述初始行驶轨迹和/或所述初始车况参数,从所述历史规律路径中确定所述车辆的目标行驶路径。
12.一种路径分类模型的获取装置,其特征在于,所述方法包括:
第二获取模块,用于根据车辆的历史出行记录,获取所述车辆的历史规律路径和所述车辆沿所述历史规律路径出行时的历史规律车况;
生成模块,用于将所述历史规律路径和对应的所述历史规律车况作为样本数据,并根据所述历史规律路径的路径分类标签,确定所述样本数据的标签信息,以生成待训练的路径分类模型的训练样本;
训练模块,用于根据所述训练样本训练所述路径分类模型,以获取训练好的目标路径分类模型。
13.一种电子设备,其特征在于,包括存储器、处理器;
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1-9和权利要求10中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-9和权利要求10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346737.3A CN116929383A (zh) | 2022-03-31 | 2022-03-31 | 车辆行驶路径的确定方法、路径分类模型的获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346737.3A CN116929383A (zh) | 2022-03-31 | 2022-03-31 | 车辆行驶路径的确定方法、路径分类模型的获取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116929383A true CN116929383A (zh) | 2023-10-24 |
Family
ID=88385016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210346737.3A Pending CN116929383A (zh) | 2022-03-31 | 2022-03-31 | 车辆行驶路径的确定方法、路径分类模型的获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116929383A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117891892A (zh) * | 2024-03-14 | 2024-04-16 | 南京师范大学 | 一种基于历史巡护数据的护林员轨迹优化算法 |
-
2022
- 2022-03-31 CN CN202210346737.3A patent/CN116929383A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117891892A (zh) * | 2024-03-14 | 2024-04-16 | 南京师范大学 | 一种基于历史巡护数据的护林员轨迹优化算法 |
CN117891892B (zh) * | 2024-03-14 | 2024-05-31 | 南京师范大学 | 一种基于历史巡护数据的护林员轨迹优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3457336B1 (en) | Method and device for acquiring traffic light duration data | |
CN113064839B (zh) | 一种系统评测方法及装置 | |
CN108133611A (zh) | 车辆行驶轨迹监测方法及系统 | |
CN106969782B (zh) | 导航路线的推送方法、装置、设备以及存储介质 | |
CN111680362A (zh) | 一种自动驾驶仿真场景获取方法、装置、设备及存储介质 | |
CN115718802A (zh) | 一种故障诊断方法、系统、设备及存储介质 | |
CN114435138A (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
CN116929383A (zh) | 车辆行驶路径的确定方法、路径分类模型的获取方法及装置 | |
CN115585816A (zh) | 车道级地图匹配方法和装置 | |
CN110134754B (zh) | 区域兴趣点的作业时长预测方法、装置、服务器和介质 | |
CN115128438A (zh) | 一种芯片内部故障监测方法及其装置 | |
Liu et al. | A novel compression approach for truck GPS trajectory data | |
CN113108806A (zh) | 路径规划方法、装置、设备及介质 | |
CN109446437B (zh) | 信息挖掘方法、装置、服务器及存储介质 | |
CN109270566B (zh) | 导航方法、导航效果测试方法、装置、设备和介质 | |
CN114331477A (zh) | 一种异常轨迹识别方法、装置、电子设备及存储介质 | |
CN112380443B (zh) | 导乘推荐方法、装置、计算机设备和存储介质 | |
CN113624245B (zh) | 导航方法及装置、计算机存储介质、电子设备 | |
CN114596702A (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
CN113469475A (zh) | 数据处理方法、装置、存储介质和电子设备 | |
CN111767651A (zh) | 指标预测模型的构建方法、指标预测方法和装置 | |
CN116168544B (zh) | 切换点预测方法、预测模型训练方法、装置、设备及介质 | |
CN111932038B (zh) | 轨迹生成方法、装置、计算机设备及计算机可读存储介质 | |
CN114620055B (zh) | 道路数据处理方法、装置、电子设备及自动驾驶车辆 |
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 |