WO2019000472A1 - 导航方法、装置、存储介质以及服务器 - Google Patents
导航方法、装置、存储介质以及服务器 Download PDFInfo
- Publication number
- WO2019000472A1 WO2019000472A1 PCT/CN2017/091384 CN2017091384W WO2019000472A1 WO 2019000472 A1 WO2019000472 A1 WO 2019000472A1 CN 2017091384 W CN2017091384 W CN 2017091384W WO 2019000472 A1 WO2019000472 A1 WO 2019000472A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- candidate path
- navigation
- path
- behavior data
- candidate
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 135
- 238000010801 machine learning Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 17
- 239000010410 layer Substances 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 239000002356 single layer Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Definitions
- Step S102 Generate a candidate path set according to the location information of the starting point and the location information of the end point, where the candidate path in the candidate path set includes at least one road segment.
- the behavior data of the current user mainly refers to a behavior log of the number of times the current user passes the link.
- the navigation method of the embodiment of the present invention first receives a navigation request, and the navigation request carries location information of the starting point and location information of the end point; and then generates a candidate path according to the location information of the starting point and the location information of the endpoint. a set, wherein the candidate path in the candidate path set includes at least one road segment; then acquiring behavior data of the current user; and finally screening the candidate path based on a preset similarity model and behavior data of the current user, A recommendation result is generated to perform a navigation operation according to the recommendation result, wherein the similarity model is used to indicate a similarity between the candidate path and behavior data of the current user.
- the method may specifically include:
- a current user U passes through the road segment "X Street 010 segment” for 20 times in a preset month, and the candidate path A in the candidate path set includes the road segment "X Street 010 segment", according to the current
- the behavior data of the user U and the ranking feature vector R constructed by the attribute information of the link included in the candidate path A include a dimension such as [20 times, X street 010 segment].
- Step c2 Determine, according to the scoring result, a recommended path, where the recommended path is a candidate path in the candidate path set, and the corresponding scoring result exceeds a preset score threshold;
- Step c3 Sort the recommended paths according to the recommended path and the corresponding scoring result, obtain a sorted recommended path, and determine the sorted recommended path as the recommended path queue.
- the embodiment of the present invention scores the candidate path according to the behavior data of the current user and the attribute information of the link included in the candidate path, so as to further filter and sort the candidate path according to the score result. Get the recommended path after sorting. For example, if the candidate path includes more segments than the current user has a higher number of segments, the candidate segment has a higher score.
- the method may further include:
- Step d1 acquiring road condition information of the candidate path
- step d2 the candidate path is corrected according to the road condition information, and the corrected candidate path set is generated.
- the candidate path in the candidate path set is filtered based on the preset similarity model and the behavior data of the current user, and a recommendation result is generated to perform a navigation operation according to the recommendation result (ie, step S104).
- the method may specifically include: screening a candidate path in the modified candidate path set based on a preset similarity model and behavior data of the current user, and generating a recommendation result to perform a navigation operation according to the recommendation result.
- the road condition information refers to information reflecting the smoothness of the road, the traveling speed, the cause of the congestion, the traffic control, and the like, reflecting the use of the road.
- the embodiment of the present invention obtains the road condition information on the candidate path in real time, and corrects the candidate path according to the real-time road condition information, so as to provide a more suitable candidate path for the current user, for example, avoiding the congestion road segment, the accident road segment, and the like.
- the current navigation path may be corrected according to the real-time road condition information during the current user's navigation using the selected navigation path. It can be understood that, in the process of the current user using the selected navigation path for navigation, the corrected feedback signal may be obtained according to the real-time road condition information, and the modified feedback signal is provided to the current user, and the current user determines whether the current navigation path is Make corrections.
- acquiring the road condition information of the candidate path may include: acquiring the The environment information and the image information of the candidate path are determined according to the environmental information of the candidate path and the image information, and the road condition information of the candidate path is determined.
- the environmental information may include information such as traffic flow, occupancy rate, traveling speed, speed limit information, and position of the monitoring/photographing point of the road.
- environmental information can be obtained from third parties, such as road traffic data of the transportation department.
- the image information of the candidate path refers to an image obtained by capturing a candidate path in real time using a camera.
- the environment information of the candidate path may be further confirmed by using the image information of the candidate path.
- the environmental information such as the traffic volume and the occupancy of the candidate path is confirmed according to the image information of the candidate path, and the candidate path may be confirmed according to the image information of the candidate path.
- causes of unexpected situations such as traffic congestion.
- the embodiment of the present invention filters and filters the candidate path according to the similarity model and the behavior data of the current user, where the similarity model is used to indicate the similarity between the candidate path and the behavior data of the current user, and
- the selected candidate paths are scored and sorted, which can provide a more suitable candidate path for the current user, and improve the personalization and accuracy of the navigation.
- step S201 the behavior data of all the access users and the attribute information of the road segments that each access user passes are collected.
- the server collects behavior data of all access users and attribute information of the road segments that each access user passes as a data source.
- the behavior data of the access user includes: the number of times the user passes the road segment;
- the attribute information of the road segment includes: a road segment identifier (for example, represented by a road name + a number), a road segment type (such as an ordinary road or a highway), and a number of lanes (for example) Two lanes, three lanes, etc.).
- Step S202 Generate a preset similarity model based on the preset machine learning algorithm and according to the behavior data of all the accessed users and the attribute information of the road segments that each access user passes.
- FIG. 5 is a schematic flowchart of generating a similarity model according to an embodiment of the present invention.
- generating the similarity model may specifically include:
- Step S302 Learning, according to a preset machine learning algorithm, data of the sorting feature to generate a feature weight
- the sorting features constructed include the sorting feature X1 and the sorting feature X2, wherein the sorting feature X1 indicates the number of times the visiting user passes the road segment.
- the current user sends a navigation request to the server through an electronic device such as a smart phone, wherein the navigation request carries the location information of the starting point and the location information of the destination; and the recommendation result is generated according to the location information of the starting point and the location information of the destination.
- an electronic device such as a smart phone
- FIG. 6 is a schematic flowchart of generating a recommendation result according to an embodiment of the present invention.
- generating the recommendation result may specifically include:
- Step 401 Receive a navigation request, where the navigation request carries location information of a starting point and location information of an end point;
- Step 403 Perform correction on the candidate path in the candidate path set.
- FIG. 7 is a schematic flowchart of a modified candidate path according to an embodiment of the present invention.
- modifying the candidate path may specifically include:
- Step 502 Determine, according to the scoring result, a recommended path, where the recommended path is a candidate path in the candidate path set, and the corresponding scoring result exceeds a preset score threshold;
- Step 503 Sort the recommended paths according to the recommended path and the corresponding scoring result, obtain a sorted recommended path, and determine the sorted recommended path as the recommended path queue.
- the candidate path whose score exceeds the preset score threshold is determined as the recommended path. For example, if the preset score threshold is 30, the recommended path includes the candidate path a and the candidate path c.
- Step e4 Sorting based on the score of the recommended path, and obtaining a recommended path queue to perform a navigation operation according to the recommended path queue.
- the server feeds back the recommended path queue to the electronic device such that the current user can obtain the recommended path queue at the electronic device and select the candidate path according to the recommended path queue to perform the navigation operation.
- FIG. 11 is a schematic diagram of a third usage interface of a navigation method according to an embodiment of the present invention.
- the recommended path queues are: (1) candidate path c, and (2) candidate path. a.
- the embodiment of the present invention filters the candidate path according to the similarity model and the behavior data of the current user, where the similarity model is used to indicate the similarity between the candidate path and the behavior data of the current user, and after filtering
- the candidate paths are scored and sorted, which can provide a more suitable candidate path for the current user, and improve the personalization and accuracy of the navigation.
- the first obtaining module 301 may be configured to: receive a navigation request, where the navigation request carries location information of a starting point and location information of an end point.
- the second obtaining module 303 can be configured to: obtain behavior data of a current user.
- the behavior data of the current user mainly refers to a behavior log of the number of times the current user passes the link.
- the second generation module 304 may be configured to: filter the candidate path based on a preset similarity model and behavior data of the current user, and generate a recommendation result for the The current user determines a navigation route from the recommendation result to perform a navigation operation, wherein the similarity model is used to indicate a similarity between the candidate path and behavior data of the current user.
- the candidate path included in the recommendation result is a candidate path with higher similarity to the behavior data of the current user.
- the candidate path included in the recommendation result is a road segment with a higher number of times of the current user, that is, a road segment that is familiar to the current user, so the candidate path in the recommendation result is more suitable for the current user.
- the embodiment of the present invention filters and filters the candidate path according to the similarity model and the behavior data of the current user, where the similarity model is used to indicate the similarity between the candidate path and the behavior data of the current user, and may be determined for the current user. Appropriate candidate paths to improve the personalization and accuracy of navigation.
- FIG. 13 is another schematic structural diagram of a navigation device according to an embodiment of the present invention.
- the collecting sub-module 3051 can be used to collect behavior data of all access users and attribute information of road segments that each access user passes;
- the similarity model generating module 305 needs to collect a large number of data sources of the access user's behavior data and attribute information of each road segment through which the user passes, and perform behavior on the access user based on a preset machine learning algorithm. The data and the attribute information of the link through which the user passes are learned to generate a similarity model. Thus, based on the similarity model, the user can be screened for candidate paths that more closely match the user's behavioral data.
- the attribute information of the road segment may include a road segment identifier of the road segment, a road segment type (such as an ordinary road or a highway), and a number of lanes.
- the generating sub-module 3052 is specifically configured to: construct a sorting feature according to the behavior data of all the access users and the attribute information of the road segment through which each access user passes, wherein the sorting feature includes Accessing the user and accessing the road segment through which the user passes; learning the data of the sorting feature based on a preset machine learning algorithm to generate a feature weight; generating a preset similarity model according to the sorting feature and the corresponding feature weight .
- the sorting feature can quantitatively measure the importance of factors such as the number of accesses to the user through the road segment and the type of the road segment or the number of times the user accesses the road segment and the number of lanes of the road segment to access the user selected road segment. It should be noted that the above examples are only examples of sorting features, and do not represent the definition of sorting features.
- the ranking features X1, sort feature data X2 is performed based on the equation (2) study, right right on sorting feature X1 weights w 1 and ranking features X2 weight W 2 be constantly corrected, after multiple rounds of iterations through ( That is, learning the data of a large number of sorting features X1 and sorting features X2, the weights of the sorting features of the similarity model can be learned, and the similarity model indicating the behavior data of the visiting user and the road segment through which the user passes is obtained. .
- the processor 401 is further configured to: according to the current user line Constructing a sorting feature vector for the data and the attribute information of the road segment included in the candidate path; and filtering the candidate path based on the preset similarity model and the sorting feature vector to generate a recommendation result according to the Recommended results for navigation.
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明提供一种导航方法，包括：根据导航请求携带的起点的位置信息以及终点的位置信息，生成候选路径集合；基于预设的相似度模型以及当前用户的行为数据，对候选路径进行筛选，生成推荐结果，其中相似度模型用于指示候选路径与当前用户的行为数据之间的相似度。本发明还提供一种导航装置、存储介质以及服务器。
Description
本发明涉及通信技术领域，尤其涉及一种导航方法、装置、存储介质以及服务器。
导航是指用于引导某一设备，从指定路径的一点运动到另一点的方法。随着导航技术的发展，导航技术通常可以为用户提供各种功能，例如搜索目的地、实时定位、生成导航路径等等。目前，导航技术通常由导航应用程序(APP，Application)实现，并且导航APP已经成为人们出行的常用工具。
发明内容
本发明提供一种导航方法、装置、存储介质以及服务器，能够提升导航技术的个性化和准确性。
第一方面，本发明实施例提供一种导航方法，包括以下步骤：
接收导航请求，所述导航请求携带起点的位置信息以及终点的位置信息；
根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段；
获取当前用户的行为数据；
基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，以供所述当前用户从所述推荐结果中确定导航路线进行导航操作，其中所述相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度。
第二方面，本发明实施例提供一种导航装置，包括：
第一获取模块，用于接收导航请求，所述导航请求携带起点的位置信息以及终点的位置信息；
第一生成模块，用于根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段；
第二获取模块，用于获取当前用户的行为数据；
第二生成模块，用于基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，以供所述当前用户从所述推荐
结果中确定导航路线进行导航操作，其中所述相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度。
第三方面，本发明实施例提供一种存储介质，所述存储介质存储多条指令，所述多条指令适于由处理器加载以执行上述导航方法。
第四方面，本发明实施例提供一种服务器，包括处理器和存储器，所述存储器存储多条指令，所述处理器加载所述存储器中的指令用于执行上述导航方法。
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，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为本发明实施例提供的导航装置的应用场景示意图。
图2为本发明实施例提供的导航方法的流程示意图。
图3为本发明实施例提供的相似度模型的原理示意图。
图4为本发明实施例提供的导航方法的另一流程示意图。
图5为本发明实施例提供的生成相似度模型的流程示意图。
图6为本发明实施例提供的生成推荐结果的流程示意图。
图7为本发明实施例提供的修正候选路径的流程示意图。
图8为本发明实施例提供的导航方法的第一使用界面示意图。
图9为本发明实施例提供的生成推荐路径队列的流程示意图。
图10为本发明实施例提供的导航方法的第二使用界面示意图。
图11为本发明实施例提供的导航方法的第三使用界面示意图。
图12为本发明实施例提供的导航装置的结构示意图。
图13为本发明实施例提供的导航装置的另一结构示意图。
图14为本发明实施例提供的服务器的结构示意图。
图15为本发明实施例提供的服务器的另一结构示意图。
请参照图式，其中相同的组件符号代表相同的组件，本发明的原理是以实
施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本发明具体实施例，其不应被视为限制本发明未在此详述的其它具体实施例。
在以下的说明中，本发明的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本发明原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本文所使用的术语「模块」可看做为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文所述的装置及方法可以以软件的方式进行实施，当然也可在硬件上进行实施，均在本发明保护范围之内。
本发明中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是某些实施例还包括没有列出的步骤或模块，或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明实施例提供一种导航方法，该导航方法的执行主体可以是本发明实施例提供的一种导航装置，或者集成了所述导航装置的服务器，又或者集成了所述导航装置的电子设备，其中所述导航装置可以采用硬件或者软件的方式实
现，所述电子设备可以是智能手机、车载终端、平板电脑、台式电脑、笔记本、掌上电脑等设备。
请参阅图1，图1为本发明实施例提供的一种导航装置的应用场景示意图，其中该导航装置具体可以集成在服务器中。该导航装置主要用于：首先，接收导航请求，所述导航请求携带起点的位置信息以及终点的位置信息；其次，导航装置根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段；然后，导航装置获取当前用户的行为数据；最后，导航装置基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，以供所述当前用户从所述推荐结果中确定导航路线进行导航操作，其中所述相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度。
本发明实施例提供一种导航方法，包括：当接收到导航请求时，获取起点的位置信息以及终点的位置信息；根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段；获取当前用户的行为数据；基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，以根据所述推荐结果进行导航操作，其中所述相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度。
本发明实施例中，将从导航装置的角度进行描述，该导航装置具体可以集成在服务器中。请参阅图2，图2为本发明实施例提供的导航方法的流程示意图。所述导航方法包括：
步骤S101，接收导航请求，所述导航请求携带起点的位置信息以及终点的位置信息。
步骤S102，根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段。
其中，步骤S101和步骤S102可以具体包括：
比如，首先当前用户通过电子设备向导航装置发送导航请求，其中该导航请求携带起点的位置信息以及终点的位置信息；然后导航装置根据所述导航请求，得到起点的位置信息以及终点的位置信息；最后导航装置根据所述起点的位置信息以及终点的位置信息，生成候选路径集合。
在本发明实施例中，当前用户指的是当前正在访问导航装置的用户。
在本发明实施例中，所述位置信息可以是坐标或者位置标识等用于确定位置的信息。其中，位置标识可以是用于标识起点/终点的位置的数据或符号，例如楼宇名称、公司名称、公交站名称等地点信息。比如位置标识可以是“深圳大学东门”、“欢乐谷”、“建业大厦”以及“竹子林公交站”等。可以理解的是，起点的位置信息可以由导航装置通过实时定位技术进行获取，也可以由当前用户向导航装置输入；终点的位置信息可以由当前用户向导航装置输入。
在本发明实施例中，候选路径指的是用于引导当前用户从所述起点到达所述终点的路径。候选路径集合可以包括一条或多条候选路径。其中，候选路径可以划分为多个路段。
在本发明实施例中，可以设置路段的预设长度，例如路段对应的实际道路长度为100米。进而，根据路段的预设长度，可以将候选路径划分为多个路段。例如，候选路径A对应的实际道路长度为2300米，则可以将候选路径A划分为23个路段。可以理解的，若候选路径不足一个路段，则按一个路段计算，例如候选路径B对应的实际道路长度为1870米，则可以将候选路径B划分为19个路段，其中最后一个路段的对应的实际道路长度为70米。
步骤S103，获取当前用户的行为数据。
在本发明实施例中，所述当前用户的行为数据主要指当前用户经过路段的次数等行为日志。
步骤S104，基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，以供所述当前用户从所述推荐结果中确定导航路线进行导航操作，其中所述相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度。
比如，导航装置基于预设的相似度模型以及所述当前用户经过路段的次数等行为数据，对候选路径集合中的候选路径进行筛选和过滤，生成推荐结果，则当前用户可以根据所述推荐结果确定导航路线进行导航操作。
由于相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度，则推荐结果所包括的候选路径是与所述当前用户的行为数据的相似度较高的候选路径。比如，推荐结果中的候选路径所包含的较多路段是所述当
前用户经过次数较多的路段，即所述当前用户熟悉的路段，因此推荐结果中的候选路径是更加适合所述当前用户的候选路径。
由上述可知，本发明实施例的导航方法首先接收导航请求，所述导航请求携带起点的位置信息以及终点的位置信息；然后根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段；接着获取当前用户的行为数据；最后基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，以根据所述推荐结果进行导航操作，其中所述相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度。即本发明实施例根据相似度模型以及当前用户的行为数据，对候选路径进行筛选和过滤，其中相似度模型用于指示候选路径与当前用户的行为数据之间的相似度，可以为当前用户确定合适的候选路径，提升导航的个性化及准确性。
在本发明实施例中，所述相似度模型可以预先设置在导航装置中，则接收导航请求，所述导航请求携带起点的位置信息以及终点的位置信息(即步骤S101)之前，需要生成相似度模型并存储。在某些实施方式中，生成相似度模型可以包括：
步骤a1，收集所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息；
步骤a2，基于预设的机器学习算法，并根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，生成预设的相似度模型。
比如，导航装置需要预先收集大量的访问用户的行为数据以及每一访问用户所经过的路段的属性信息等数据源，并基于预设的机器学习算法，对所述访问用户的行为数据以及访问用户所经过的路段的属性信息进行学习，生成相似度模型。从而，基于相似度模型，可以为用户筛选更符合用户的行为数据的候选路径。
在本发明实施例，访问用户指的是访问过导航装置的用户。可以理解的是，访问用户也可以指某一时间段内访问过导航装置的用户。上述的当前用户也是其中一个访问用户。
在本发明实施例中，路段的属性信息可以包括路段的路段标识、路段类型(比如普通公路或高速公路)、车道数量等属性。
在本发明实施例中，预设的机器学习算法可以包括但不限于以下的一种或多种：深度神经网络算法、协同过滤(CF，Collaborative Filtering)算法、奇异值分解(SVD，Singular Value Decomposition)算法等。
在某些实施方式中，基于预设的机器学习算法，并根据所述用户的行为数据以及路段的属性信息，生成预设的相似度模型(步骤a2)，可以具体包括：
步骤b1，根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，构造排序特征，其中所述排序特征包括访问用户和访问用户所经过的路段；
步骤b2，基于预设的机器学习算法，对所述排序特征的数据进行学习，生成特征权重；
步骤b3，根据所述排序特征以及相应的特征权重，生成预设的相似度模型。
即，本发明实施例的导航方法可以结合所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，使用预设的机器学习算法对排序特征进行学习，从而可以学习出各排序特征的特征权重，其中，这些特征权重用于量化地衡量影响访问用户选择路段的各因素的重要程度。由于排序特征包括访问用户的行为数据，则相似度模型可以实现对访问用户选择路段的意图进行预测，进而相似度模型可以实现对访问用户选择候选路径的意图进行预测，从而个性化地为访问用户推荐候选路径，不仅提高了导航的准确性，而且提升了导航的个性化。
在本发明实施例中，排序特征用于指示访问用户的行为数据与访问用户所经过的路段的属性信息之间的关联性。其中，排序特征可以由访问用户的行为数据中的一项特征与访问用户所经过的路段的属性信息中的一项特征关联构成。比如，排序特征可以包括但不限于以下的一种或多种：访问用户经过路段的次数与路段的类型之间的关联特征、访问用户经过路段的次数与路段的车道数量之间的关联特征等。因此，排序特征可以量化地衡量“访问用户经过路段的次数与路段的类型”或者“访问用户经过路段的次数与路段的车道数量”等因素对于访问用户选择路段的影响的重要程度。需要说明的是，以上示例仅为排序特征的示例，并不表示对排序特征的限定。
具体的，以预设的机器学习算法是深度神经网络算法为例。如图3所示，
以单层神经网络为例，单层神经网络包括输入层和输出层，其中输入层用于传输数据，输出层用于对输入层的数据进行计算。在图3中，输入层的每一个圆圈表示一个输入单元，输出层的每一个圆圈表示一个输出单元，输入单元与输出单元的连接线上的数值(比如w1、w2)表示相应的输入单元的权重。基于此，生成预设的相似度模型，可以具体包括：
比如，根据访问用户的行为数据以及访问用户所经过的路段的属性信息，构造排序特征，其中排序特征包括排序特征X1和排序特征X2；将排序特征X1和排序特征X2作为单层神经网络的输入单元，则输出单元Z1可以通过如下公式获得：
公式(1)：z1＝f(x1*w1+x2*w2)，
其中f(x)为激活函数，例如Sigmoid函数，即f(x)＝1/(1+e-x)，其中x1和x2分别指排序特征X1和排序特征X2的数据，z1指输出单元Z1的数据。
进一步地，排序特征X1和排序特征X2构成的向量X可以用[x1，x2]表示，排序特征X1和排序特征X2的权重构成的向量W可以用[w1，w2]表示，输出单元用向量Z1表示，则输出单元Z1可以通过如下公式获得：
公式(2)：Z1＝f(X*W)；
基于上述公式(2)，对所述排序特征X1、排序特征X2的数据进行学习，可以对排序特征X1的权重w1和排序特征X2的权重w2进行不断地修正，经过多轮迭代后(即对大量的排序特征X1及排序特征X2的数据进行学习)，即可学习出相似度模型的各排序特征的权重，从而得到指示访问用户的行为数据与访问用户所经过的路段的相似度模型。
需要说明的是，以上示例仅以单层神经网络且单层神经网络包括两个输入单元和一个输出单元为例，但并不表示对利用深度神经网络学习算法生成相似度模型的限定。可以理解地，利用深度神经网络学习算法生成相似度模型可以采用多层神经网络，且包括多个输入单元和/或多个输出单元。
在某些实施方式中，基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，以供所述当前用户从所述推荐结果中确定导航路线进行导航操作(即步骤S104)可以包括：
根据所述当前用户的行为数据以及所述候选路径所包括的路段的属性信息，构造排序特征向量；
基于预设的相似度模型以及所述排序特征向量，对所述候选路径进行筛选，生成推荐结果，以根据所述推荐结果进行导航操作。
可具体的，导航装置在为当前用户推荐候选路径时，首先获取候选路径集合，然后根据当前用户的行为数据(比如经过路段的次数等)以及候选路径所包括的路段的属性信息(比如路段标识、路段类型、车道数量等)，构造排序特征向量。比如，一位当前用户U在预设的一个月内经过路段“X街010段”的次数为20次，候选路径集合中的候选路径A包括所述路段“X街010段”，则根据当前用户U的行为数据以及候选路径A所包括的路段的属性信息构造的排序特征向量R中即包含【20次，X街010段】这样的维度。
在某些实施方式中，基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果之后，还可以包括：根据所述推荐结果，生成推荐路径队列，其中所述推荐路径队列包括排序后的推荐路径。
比如，导航装置根据推荐结果，对候选路径进一步筛选，获得推荐路径，再将推荐路径进行排序，生成推荐路径队列，以供当前用户根据推荐路径队列进行导航操作。
在某些实施方式中，根据所述推荐结果，生成推荐路径队列，可以具体包括：
步骤c1，根据所述相似度模型以及所述排序特征向量，对所述候选路径集合中的候选路径进行打分，得到打分结果；
步骤c2，根据所述打分结果，确定推荐路径，其中所述推荐路径为在所述候选路径集合中，相应的打分结果超过预设分数阈值的候选路径；
步骤c3，根据所述推荐路径以及相应的打分结果，对所述推荐路径进行排序，得到排序后的推荐路径，并将所述排序后的推荐路径确定为所述推荐路径队列。
即，本发明实施例基于相似度模型，根据所述当前用户的行为数据以及所述候选路径所包括的路段的属性信息，对候选路径进行打分，从而根据打分结果对候选路径进一步筛选并排序，得到排序后的推荐路径。比如，若候选路径所包括的较多路段为当前用户经过次数较高的路段，则该候选路径的分数较高。
由于结合当前用户的行为数据以及候选路径所包括的路段的属性信息对
候选路径进行打分，可以量化地对当前用户选择候选路径的意图进行预测，即可以量化地对当前用户对候选路径的熟悉程度进行预测，从而为当前用户提供更加合适的推荐路径。根据打分结果对推荐路径进行排序，可以方便当前用户快速获得符合其行为数据的推荐路径。
在某些实施方式中，根据所述相似度模型以及所述排序特征向量，对所述候选路径集合中的候选路径进行打分，得到打分结果(即步骤c1)，可以具体包括：将所述相似度模型以及所述排序特征向量进行相乘，生成得分向量，将所述得分向量作为打分结果。
在某些实施方式中，在基于预设的相似度模型以及所述获取当前用户的行为数据(即步骤S103)之前，还可以包括：
步骤d1，获取所述候选路径的路况信息；
步骤d2，根据所述路况信息对所述候选路径进行修正，生成修正后的候选路径集合。
进而，基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径集合中的候选路径进行筛选，生成推荐结果，以根据所述推荐结果进行导航操作(即步骤S104)，可以具体包括：基于预设的相似度模型以及所述当前用户的行为数据，对所述修正后的候选路径集合中的候选路径进行筛选，生成推荐结果，以根据所述推荐结果进行导航操作。
在本发明实施例中，路况信息指的是反映道路的畅通情况、行驶车速、拥堵原因、交通管制等反映道路使用情况的信息。
本发明实施例实时获取候选路径上的路况信息，并根据实时的路况信息对候选路径进行修正，可以为当前用户提供更加合适的候选路径，例如避开拥堵路段、事故路段等。
需要说明的是，除了在生成推荐结果之前，根据路况信息对候选路径进行修正，还可以在当前用户使用选择的导航路径进行导航的过程中，根据实时路况信息对当前的导航路径进行修正。可以理解的是，在当前用户使用选择的导航路径进行导航的过程中，可以根据实时路况信息获得修正反馈信号，将所述修正反馈信号提供给当前用户，由当前用户决定是否对当前的导航路径进行修正。
在某些实施方式中，获取所述候选路径的路况信息，可以包括：获取所述
候选路径的环境信息以及图像信息，根据所述候选路径的环境信息以及图像信息，确定所述候选路径的路况信息。
在本发明实施例中，环境信息可以包括道路的车流量、占用率、行驶车速、限速信息、监控/拍照点位置等信息。其中，环境信息可以从第三方获取，例如交通部门的道路交通数据。
候选路径的图像信息指的是利用摄像头实时拍摄候选路径所获得的图像。利用候选路径的图像信息可以对候选路径的环境信息进一步确认，例如，根据候选路径的图像信息确认候选路径的车流量、占用率等环境信息，并且可以根据候选路径的图像信息确认导致候选路径产生交通拥堵等突发状况的原因等。
由上述可知，本发明实施例根据相似度模型以及当前用户的行为数据，对候选路径进行筛选和过滤，其中相似度模型用于指示候选路径与当前用户的行为数据之间的相似度，并且对筛选后的候选路径进行打分和排序，可以为当前用户提供更加合适的候选路径，提升导航的个性化及准确性。
上述所有的技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
请参阅图4，图4为本发明实施例提供的导航方法的另一流程示意图。本发明实施例以导航装置集成在服务器为例，描述本发明实施例的导航方法的具体实施步骤。首先，本发明实施例的导航方法通过深度神经网络算法生成相似度模型，再基于相似度模型以及当前用户的行为数据，对候选路径进行筛选并排序，获得推荐路径队列。以下将进行详细说明。
本发明实施例的导航方法包括：
步骤S201，收集所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息。
比如，服务器收集所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息作为数据源。其中，访问用户的行为数据包括：用户经过路段的次数；路段的属性信息包括：路段标识(例如用道路名称+数字的形式表示)、路段类型(比如普通公路或高速公路)、车道数量(比如两车道、三车道等)。
步骤S202，基于预设的机器学习算法，并根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，生成预设的相似度模型。
请参阅图5，图5为本发明实施例提供的生成相似度模型的流程示意图。
在某些实施方式中，生成相似度模型可以具体包括：
步骤S301，根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，构造排序特征，其中所述排序特征包括访问用户和访问用户所经过的路段之间的关联特征；
步骤S302，基于预设的机器学习算法，对所述排序特征的数据进行学习，生成特征权重；
步骤S303，根据所述排序特征以及相应的特征权重，生成预设的相似度模型。
比如，基于深度神经网络算法，对所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息等数据源进行学习，生成相似度模型，其中相似度模型用于指示访问用户的行为数据与访问用户所经过的路段之间的相似度。
具体的，比如，首先根据所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，构造的排序特征包括排序特征X1和排序特征X2，其中排序特征X1表示访问用户经过路段的次数与路段的类型之间的关联特征X1，排序特征X2表示访问用户经过路段的次数与路段的车道数量之间的关联特征X2；然后基于深度神经网络算法，对排序特征X1和排序特征X2的数据进行学习，生成排序特征X1的权重w1以及排序特征X2的权重w2；最后，根据排序特征X1及其相应的权重w1、排序特征X2及其相应的权重w2生成相似度模型。
步骤S203，接收导航请求，生成推荐结果。
比如，当前用户通过智能手机等电子设备向服务器发送导航请求，其中该导航请求携带起点的位置信息以及终点的位置信息；根据所述起点的位置信息以及终点的位置信息，生成推荐结果。
请参阅图6，图6为本发明实施例提供的生成推荐结果的流程示意图。在某些实施方式中，生成推荐结果可以具体包括：
步骤401，接收导航请求，所述导航请求携带起点的位置信息以及终点的位置信息；
步骤402，根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段；
步骤403，对所述候选路径集合中的候选路径进行修正；
步骤404，获取当前用户的行为数据；
步骤405，根据所述当前用户的行为数据以及所述候选路径所包括的路段的属性信息，构造排序特征向量；
步骤406，基于预设的相似度模型以及所述排序特征向量，对所述候选路径进行筛选，生成推荐结果。
请参阅图7，图7为本发明实施例提供的修正候选路径的流程示意图。在某些实施方式中，修正候选路径具体可以包括：
步骤431，获取所述候选路径的环境信息以及图像信息；
步骤432，根据所述候选路径的环境信息以及图像信息，确定所述候选路径的路况信息；
步骤433，根据所述路况信息对所述候选路径进行修正，生成修正后的候选路径集合。
在某些实施方式中，服务器将候选路径集合反馈至电子设备。请参阅图8，图8为本发明实施例提供的导航方法的第一使用界面示意图。具体的，比如，起点的位置信息为深圳大学，终点的位置信息为深圳市知识产权局，根据所述起点的位置信息以及终点的位置信息，生成的候选路径集合包括候选路径a、候选路径b、以及候选路径c。
步骤S204，根据所述推荐结果，生成推荐路径队列，以供所述当前用户从所述推荐结果中确定导航路线进行导航操作。
请参阅图9，图9为本发明实施例提供的生成推荐路径队列的流程示意图。在某些实施方式中，生成推荐路径队列可以具体包括：
步骤501，将所述相似度模型以及所述排序特征向量进行相乘，生成得分向量，将所述得分向量作为打分结果；
步骤502，根据所述打分结果，确定推荐路径，其中所述推荐路径为在所述候选路径集合中，相应的打分结果超过预设分数阈值的候选路径；
步骤503，根据所述推荐路径以及相应的打分结果，对所述推荐路径进行排序，得到排序后的推荐路径，并将所述排序后的推荐路径确定为所述推荐路径队列。
再比如，步骤S204可以具体包括：
步骤e1，获取当前用户U的行为数据；基于相似度模型以及当前用户U
的行为数据，计算候选路径a、候选路径b以及候选路径c中各路段与当前用户U的行为数据的相似度。
步骤e2，计算各候选路径中与当前用户U的行为数据的相似度超过某一预设相似度阈值的路段数量，基于所述超过某一预设相似度阈值的路段数量，对各候选路径进行打分，分别得到候选路径a、候选路径b以及候选路径c的分数。在某些实施方式中，服务器将候选路径的分数反馈至电子设备。请参阅图10，图10为本发明实施例提供的导航方法的第二使用界面示意图，比如候选路径a中符合上述条件的路段数量为38，候选路径b中符合上述条件的路段数量为25，候选路径c中符合上述条件的路段数量为43，则候选路径a、候选路径b以及候选路径c的分数分别为38、25以及43。
步骤e3，将分数超过预设分数阈值的候选路径确定为推荐路径。比如预设分数阈值为30，则推荐路径包括候选路径a和候选路径c。
步骤e4，基于推荐路径的分数，进行排序，得到推荐路径队列，以根据所述推荐路径队列进行导航操作。在某些实施方式中，服务器将推荐路径队列反馈至电子设备，从而当前用户可以在电子设备获取推荐路径队列，并根据推荐路径队列选择候选路径以执行导航操作。请参阅图11，图11为本发明实施例提供的导航方法的第三使用界面示意图，比如按分数从高到低排列，则推荐路径队列为：(1)候选路径c，(2)候选路径a。
在本发明实施例中，由于相似度模型用于指示当前用户的行为数据与当前用户所经过的路段之间的相似度，则通过候选路径所包括的多个路段，可以获得各候选路径与当前用户的行为数据之间的相似度。比如，候选路径中包含较多与当前用户的行为数据相似度较高的路段，则该候选路径与该当前用户的行为数据的相似度较高。
由上述可知，本发明实施例根据相似度模型以及当前用户的行为数据，对候选路径进行筛选，其中相似度模型用于指示候选路径与当前用户的行为数据之间的相似度，并且对筛选后的候选路径进行打分和排序，可以为当前用户提供更加合适的候选路径，提升导航的个性化及准确性。
为便于更好地实施本发明实施例提供的导航方法，本发明实施例还提供一种导航装置。其中名词的含义与上述导航方法中相同，具体实现细节可以参考方法实施例中的说明。
请参阅图12，图12为本发明实施例提供的导航装置的结构示意图。其中该导航装置300包括第一获取模块301、第一生成模块302、第二获取模块303以及第二生成模块304。
在所述导航装置300中，所述第一获取模块301可以用于：接收导航请求，所述导航请求携带起点的位置信息以及终点的位置信息。
在所述导航装置300中，所述第一生成模块302可以用于：根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段。
其中，所述第一获取模块301和第二生成模块302具体可以用于：
比如，首先当前用户通过电子设备向导航装置发送导航请求，其中该导航请求携带起点的位置信息以及终点的位置信息；然后导航装置根据所述导航请求，得到起点的位置信息以及终点的位置信息；最后导航装置根据所述起点的位置信息以及终点的位置信息，生成候选路径集合。
在本发明实施例中，当前用户指的是当前正在访问导航装置的用户。
在本发明实施例中，所述位置信息可以是坐标或者位置标识等用于确定位置的信息。其中，位置标识可以是用于标识起点/终点的位置的数据或符号，例如楼宇名称、公司名称、公交站名称等地点信息。比如位置标识可以是“深圳大学东门”、“欢乐谷”、“建业大厦”以及“竹子林公交站”等。可以理解的是，起点的位置信息可以由导航装置通过实时定位技术进行获取，也可以由当前用户向导航装置输入；终点的位置信息可以由当前用户向导航装置输入。
在本发明实施例中，候选路径指的是用于引导当前用户从所述起点到达所述终点的路径。候选路径集合可以包括一条或多条候选路径。其中，候选路径可以划分为多个路段。
在本发明实施例中，可以设置路段的预设长度，例如路段对应的实际道路长度为100米。进而，根据路段的预设长度，可以将候选路径划分为多个路段。例如，候选路径A对应的实际道路长度为2300米，则可以将候选路径A划分为23个路段。可以理解的，若候选路径不足一个路段，则按一个路段计算，例如候选路径B对应的实际道路长度为1870米，则可以将候选路径B划分为19个路段，其中最后一个路段的对应的实际道理长芦为70米。
在所述导航装置300中，所述第二获取模块303可以用于：获取当前用户的行为数据。
在本发明实施例中，所述当前用户的行为数据主要指当前用户经过路段的次数等行为日志。
在所述导航装置300中，所述第二生成模块304可以用于：基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，以供所述当前用户从所述推荐结果中确定导航路线进行导航操作，其中所述相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度。
比如，所述第二生成模块304基于预设的相似度模型以及所述当前用户经过路段的次数等行为数据，对候选路径集合中的候选路径进行筛选和过滤，生成推荐结果，则当前用户可以根据所述推荐结果确定导航路线进行导航操作。
由于相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度，则推荐结果所包括的候选路径是与所述当前用户的行为数据的相似度较高的候选路径。比如，推荐结果中的候选路径所包含的较多路段是所述当前用户经过次数较多的路段，即所述当前用户熟悉的路段，因此推荐结果中的候选路径是更加适合所述当前用户的候选路径。
由上述可知，本发明实施例的导航方法首先接收导航请求，所述导航请求携带起点的位置信息以及终点的位置信息；然后根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段；接着获取当前用户的行为数据；最后基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，以根据所述推荐结果进行导航操作，其中所述相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度。即本发明实施例根据相似度模型以及当前用户的行为数据，对候选路径进行筛选和过滤，其中相似度模型用于指示候选路径与当前用户的行为数据之间的相似度，可以为当前用户确定合适的候选路径，提升导航的个性化及准确性。
请一并参阅图13，图13为本发明实施例提供的导航装置的另一结构示意图。
在某些实施方式中，所述导航装置300还可以包括相似度模型生成模块
305，其中所述相似度模型生成模块305可以包括：
收集子模块3051，可以用于收集所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息；
生成子模块3052，可以用于基于预设的机器学习算法，并根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，生成预设的相似度模型。
比如，相似度模型生成模块305需要预先收集大量的访问用户的行为数据以及每一访问用户所经过的路段的属性信息等数据源，并基于预设的机器学习算法，对所述访问用户的行为数据以及访问用户所经过的路段的属性信息进行学习，生成相似度模型。从而，基于相似度模型，可以为用户筛选更符合用户的行为数据的候选路径。
在本发明实施例，访问用户指的是访问过导航装置的用户。可以理解的是，访问用户也可以指某一时间段内访问过导航装置的用户。上述的当前用户也是其中一个访问用户。
在本发明实施例中，路段的属性信息可以包括路段的路段标识、路段类型(比如普通公路或高速公路)、车道数量等属性。
在本发明实施例中，预设的机器学习算法可以包括但不限于以下的一种或多种：深度神经网络算法、协同过滤(CF，Collaborative Filtering)算法、奇异值分解(SVD，Singular Value Decomposition)算法等。
在某些实施方式中，所述生成子模块3052具体可以用于：根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，构造排序特征，其中所述排序特征包括访问用户和访问用户所经过的路段；基于预设的机器学习算法，对所述排序特征的数据进行学习，生成特征权重；根据所述排序特征以及相应的特征权重，生成预设的相似度模型。
即，本发明实施例的生成子模块3052可以结合所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，使用预设的机器学习算法对排序特征进行学习，从而可以学习出各排序特征的特征权重，其中，这些特征权重用于量化地衡量影响访问用户选择路段的各因素的重要程度。由于排序特征包括访问用户的行为数据，则相似度模型可以实现对访问用户选择路段的意图进行预测，进而相似度模型可以实现对访问用户选择候选路径的意图进行预测，
从而个性化地为访问用户推荐候选路径，不仅提高了导航的准确性，而且提升了导航的个性化。
在本发明实施例中，排序特征用于指示访问用户的行为数据与访问用户所经过的路段的属性信息之间的关联性。其中，排序特征可以由访问用户的行为数据中的一项特征与访问用户所经过的路段的属性信息中的一项特征关联构成。比如，排序特征可以包括但不限于以下的一种或多种：访问用户经过路段的次数与路段的类型之间的关联特征、访问用户经过路段的次数与路段的车道数量之间的关联特征等。因此，排序特征可以量化地衡量“访问用户经过路段的次数与路段的类型”或者“访问用户经过路段的次数与路段的车道数量”等因素对于访问用户选择路段的影响的重要程度。需要说明的是，以上示例仅为排序特征的示例，并不表示对排序特征的限定。
具体的，以预设的机器学习算法是深度神经网络算法为例。如图3所示，以单层神经网络为例，单层神经网络包括输入层和输出层，其中输入层用于传输数据，输出层用于对输入层的数据进行计算。在图3中，输入层的每一个圆圈表示一个输入单元，输出层的每一个圆圈表示一个输出单元，输入单元与输出单元的连接线上的数值(比如w1、w2)表示相应的输入单元的权重。基于此，生成预设的相似度模型，可以具体包括：
比如，根据访问用户的行为数据以及访问用户所经过的路段的属性信息，构造排序特征，其中排序特征包括排序特征X1和排序特征X2；将排序特征X1和排序特征X2作为单层神经网络的输入单元，则输出单元Z1可以通过如下公式获得：
公式(1)：z1＝f(x1*w1+x2*w2)，
其中f(x)为激活函数，例如Sigmoid函数，即f(x)＝1/(1+e-x)，其中x1和x2分别指排序特征X1和排序特征X2的数据，z1指输出单元Z1的数据。
进一步地，排序特征X1和排序特征X2构成的向量X可以用[x1，x2]表示，排序特征X1和排序特征X2的权重构成的向量W可以用[w1，w2]表示，输出单元用向量Z1表示，则输出单元Z1可以通过如下公式获得：
公式(2)：Z1＝f(X*W)；
基于上述公式(2)，对所述排序特征X1、排序特征X2的数据进行学习，可以对排序特征X1的权重w1和排序特征X2的权重w2进行不断地修正，经
过多轮迭代后(即对大量的排序特征X1及排序特征X2的数据进行学习)，即可学习出相似度模型的各排序特征的权重，从而得到指示访问用户的行为数据与访问用户所经过的路段的相似度模型。
需要说明的是，以上示例仅以单层神经网络且单层神经网络包括两个输入单元和一个输出单元为例，但并不表示对利用深度神经网络学习算法生成相似度模型的限定。可以理解地，利用深度神经网络学习算法生成相似度模型可以采用多层神经网络，且包括多个输入单元和/或多个输出单元。
在某些实施方式中，所述第二生成模块304具体可以用于：
根据所述当前用户的行为数据以及所述候选路径所包括的路段的属性信息，构造排序特征向量；
基于预设的相似度模型以及所述排序特征向量，对所述候选路径进行筛选，生成推荐结果，以根据所述推荐结果进行导航操作。
可具体的，导航装置300在为当前用户推荐候选路径时，首先通过第二获取模块303获取候选路径集合，然后第二生成模块304根据当前用户的行为数据(比如经过路段的次数等)以及候选路径所包括的路段的属性信息(比如路段标识、路段类型、车道数量等)，构造排序特征向量。比如，一位当前用户U在预设的一个月内经过路段“X街010段”的次数为20次，候选路径集合中的候选路径A包括所述路段“X街010段”，则根据当前用户U的行为数据以及候选路径A所包括的路段的属性信息构造的排序特征向量R中即包含【20次，X街010段】这样的维度。
在某些实施方式中，所述导航装置300还可以包括：第三生成模块306，用于根据所述推荐结果，生成推荐路径队列，其中所述推荐路径队列包括排序后的推荐路径。
比如，第三生成模块306根据推荐结果，对候选路径进一步筛选，获得推荐路径，再将推荐路径进行排序，生成推荐路径队列。
在某些实施方式中，所述第三生成模块306可以包括：
打分子模块3061，可以用于根据所述相似度模型以及所述排序特征向量，对所述候选路径集合中的候选路径进行打分，得到打分结果；
确定子模块3062，可以用于根据所述打分结果，确定推荐路径，其中所述推荐路径为在所述候选路径集合中，相应的打分结果超过预设分数阈值的候
选路径；
排序子模块3063，可以用于根据所述推荐路径以及相应的打分结果，对所述推荐路径进行排序，得到排序后的推荐路径，并将所述排序后的推荐路径确定为所述推荐路径队列。
即，本发明实施例基于相似度模型，根据所述当前用户的行为数据以及所述候选路径所包括的路段的属性信息，对候选路径进行打分，从而根据打分结果对候选路径进一步筛选并排序，得到排序后的推荐路径。比如，若候选路径所包括的较多路段为当前用户经过次数较高的路段，则该候选路径的分数较高。
由于结合当前用户的行为数据以及候选路径所包括的路段的属性信息对候选路径进行打分，可以量化地对当前用户选择候选路径的意图进行预测，即可以量化地对当前用户对候选路径的熟悉程度进行预测，从而为当前用户提供更加合适的推荐路径。根据打分结果对推荐路径进行排序，可以方便当前用户快速获得符合其行为数据的推荐路径。
在某些实施方式中，所述打分子模块3061可以具体用于：将所述相似度模型以及所述排序特征向量进行相乘，生成得分向量，将所述得分向量作为打分结果。
在某些实施方式中，所述导航装置300还可以包括修正模块307，其中所述修正模块307可以包括：
获取子模块3071，可以用于获取所述候选路径的路况信息；
修正子模块3072，可以用于根据所述路况信息对所述候选路径进行修正，生成修正后的候选路径集合。
进而所述第二生成模块304可以具体用于：基于预设的相似度模型以及所述当前用户的行为数据，对所述修正后的候选路径集合中的候选路径进行筛选，生成推荐结果，以根据所述推荐结果进行导航操作。
在本发明实施例中，路况信息指的是反映道路的畅通情况、行驶车速、拥堵原因、交通管制等反映道路使用情况的信息。
本发明实施例实时获取候选路径上的路况信息，并根据实时的路况信息对候选路径进行修正，可以为当前用户提供更加合适的候选路径，例如避开拥堵路段、事故路段等。
需要说明的是，除了在生成推荐结果之前，根据路况信息对候选路径进行修正，还可以在当前用户使用选择的导航路径进行导航的过程中，根据实时路况信息对当前的导航路径进行修正。可以理解的是，在当前用户使用选择的导航路径进行导航的过程中，可以根据实时路况信息获得修正反馈信号，将所述修正反馈信号提供给当前用户，由当前用户决定是否对当前的导航路径进行修正。
在某些实施方式中，所述获取子模块3071可以具体用于：获取所述候选路径的环境信息以及图像信息，根据所述候选路径的环境信息以及图像信息，确定所述候选路径的路况信息。
在本发明实施例中，环境信息可以包括道路的车流量、占用率、行驶车速、限速信息、监控/拍照点位置等信息。其中，环境信息可以从第三方获取，例如交通部门的道路交通数据。
候选路径的图像信息指的是利用摄像头实时拍摄候选路径所获得的图像。利用候选路径的图像信息可以对候选路径的环境信息进一步确认，例如，根据候选路径的图像信息确认候选路径的车流量、占用率等环境信息，并且可以根据候选路径的图像信息确认导致候选路径产生交通拥堵等突发状况的原因等。
上述所有的技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
由上述可知，本发明实施例根据相似度模型以及当前用户的行为数据，对候选路径进行筛选和过滤，其中相似度模型用于指示候选路径与当前用户的行为数据之间的相似度，并且对筛选后的候选路径进行打分和排序，可以为当前用户提供更加合适的候选路径，提升导航的个性化及准确性。
本发明实施例中，所述导航装置与上文实施例中的导航方法属于同一构思，在所述导航装置上可以运行所述导航方法实施例中提供的任一方法，其具体实现过程详见所述导航方法的实施例，此处不再赘述。
本发明实施例还提供一种服务器。请参阅图14，服务器400包括处理器401以及存储器402。其中，处理器401与存储器402电性连接。
所述处理器400是服务器400的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或加载存储在存储器402内的应用程序，以及调用存储在存储器402内的数据，执行服务器400的各种功能并处理数据，从而
对服务器400进行整体监控。
所述存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
在本发明实施例中，服务器400中的处理器401会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器402中，并由处理器401运行存储在存储器402中的应用程序，从而实现各种功能，如下：
接收导航请求，所述导航请求携带起点的位置信息以及终点的位置信息；
根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段；
获取当前用户的行为数据；
基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，以供所述当前用户从所述推荐结果中确定导航路线进行导航操作，其中所述相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度。
在某些实施方式中，所述处理器401还可以用于：收集所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息；基于预设的机器学习算法，并根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，生成预设的相似度模型。
在某些实施方式中，所述处理器401还可以用于：根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，构造排序特征，其中所述排序特征包括访问用户和访问用户所经过的路段；基于预设的机器学习算法，对所述排序特征的数据进行学习，生成特征权重；根据所述排序特征以及相应的特征权重，生成预设的相似度模型。
在某些实施方式中，所述处理器401还可以用于：根据所述当前用户的行
为数据以及所述候选路径所包括的路段的属性信息，构造排序特征向量；基于预设的相似度模型以及所述排序特征向量，对所述候选路径进行筛选，生成推荐结果，以根据所述推荐结果进行导航操作。
在某些实施方式中，所述处理器401还可以用于：根据所述推荐结果，生成推荐路径队列，其中所述推荐路径队列包括排序后的推荐路径。
在某些实施方式中，所述处理器401还可以用于：根据所述相似度模型以及所述排序特征向量，对所述候选路径集合中的候选路径进行打分，得到打分结果；根据所述打分结果，确定推荐路径，其中所述推荐路径为在所述候选路径集合中，相应的打分结果超过预设分数阈值的候选路径；根据所述推荐路径以及相应的打分结果，对所述推荐路径进行排序，得到排序后的推荐路径，并将所述排序后的推荐路径确定为所述推荐路径队列。
在某些实施方式中，所述处理器401还可以用于：将所述相似度模型以及所述排序特征向量进行相乘，生成得分向量，将所述得分向量作为打分结果。
在某些实施方式中，所述处理器401还可以用于：获取所述候选路径的路况信息；根据所述路况信息对所述候选路径进行修正，生成修正后的候选路径集合。进而，所述处理器401还可以具体用于：基于预设的相似度模型以及所述当前用户的行为数据，对所述修正后的候选路径集合中的候选路径进行筛选，生成推荐结果，以根据所述推荐结果进行导航操作。
在某些实施方式中，所述处理器401还可以用于：获取所述候选路径的环境信息以及图像信息；根据所述候选路径的环境信息以及图像信息，确定所述候选路径的路况信息。
由上述可知，本发明实施例的服务器根据相似度模型以及当前用户的行为数据，对候选路径进行筛选和过滤，其中相似度模型用于指示候选路径与当前用户的行为数据之间的相似度，可以为当前用户确定合适的候选路径，提升导航的个性化及准确性。
请一并参阅图15，在某些实施方式中，服务器400还可以包括：显示器403、射频电路404、音频电路405、无线保真模块406以及电源407。其中，其中，显示器403、射频电路404、音频电路405、无线保真模块406以及电源407分别与处理器401电性连接。
所述显示器403可以用于显示由用户输入的信息或提供给用户的信息以
及各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示器403可以包括显示面板，在某些实施方式中，可以采用液晶显示器(LCD，Liquid Crystal Display)、或者有机发光二极管(OLED，Organic Light-Emitting Diode)等形式来配置显示面板。
所述射频电路404可以用于收发射频信号，以通过无线通信与网络设备或其他服务器建立无线通讯，与网络设备或其他服务器之间收发信号。
所述音频电路405可以用于通过扬声器、传声器提供用户与服务器之间的音频接口。
所述无线保真模块406可以用于短距离无线传输，可以帮助用户收发电子邮件、浏览网站和访问流式媒体等，它为用户提供了无线的宽带互联网访问。
所述电源407可以用于给服务器400的各个部件供电。在一些实施例中，电源407可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图15中未示出，服务器400还可以包括摄像头、蓝牙模块等，在此不再赘述。
本发明实施例还提供一种存储介质，所述存储介质存储多条指令，所述多条指令适于由处理器加载以执行上述任一实施例中的导航方法，比如：当接收到导航请求时，获取起点的位置信息以及终点的位置信息；根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段；获取当前用户的行为数据；基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，其中所述相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度。
在本发明实施例中，所述存储介质可以是磁碟、光盘、只读存储器(ROM，Read Only Memory)、或者随机存取记忆体(RAM，Random Access Memory)等。
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的部分，可以参见其他实施例的相关描述。
需要说明的是，对本发明实施例的所述导航方法而言，本领域普通测试人员可以理解实现本发明实施例所述导航方法的全部或部分流程，是可以通过计
算机程序来控制相关的硬件来完成，所述计算机程序可存储于一计算机可读取存储介质中，如存储在服务器的存储器中，并被该服务器内的至少一个处理器执行，在执行过程中可包括如所述导航方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。
对本发明实施例的所述导航装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。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，所述存储介质譬如为只读存储器，磁盘或光盘等。
以上对本发明实施例所提供的一种导航方法、装置、存储介质及服务器进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (20)
- 一种导航方法，其中，包括：接收导航请求，所述导航请求携带起点的位置信息以及终点的位置信息；根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段；获取当前用户的行为数据；基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，以供所述当前用户从所述推荐结果中确定导航路线进行导航操作，其中所述相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度。
- 根据权利要求1所述的导航方法，其中，所述接收导航请求之前，还包括：收集所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息；基于预设的机器学习算法，并根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，生成预设的相似度模型。
- 根据权利要求2所述的导航方法，其中，所述基于预设的机器学习算法，并根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，生成预设的相似度模型，包括：根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，构造排序特征，其中所述排序特征包括访问用户和访问用户所经过的路段之间的关联特征；基于预设的机器学习算法，对所述排序特征的数据进行学习，生成特征权重；根据所述排序特征以及相应的特征权重，生成预设的相似度模型。
- 根据权利要求1所述的导航方法，其中，所述基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，包括：根据所述当前用户的行为数据以及所述候选路径所包括的路段的属性信息，构造排序特征向量；基于预设的相似度模型以及所述排序特征向量，对所述候选路径进行筛选，生成推荐结果。
- 根据权利要求4所述的导航方法，其中，在所述基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果之后，还包括：根据所述推荐结果，生成推荐路径队列，其中所述推荐路径队列包括排序后的推荐路径。
- 根据权利要求5所述的导航方法，其中，所述根据所述推荐结果，生成推荐路径队列，包括：根据所述相似度模型以及所述排序特征向量，对所述候选路径集合中的候选路径进行打分，得到打分结果；根据所述打分结果，确定推荐路径，其中所述推荐路径为在所述候选路径集合中，相应的打分结果超过预设分数阈值的候选路径；根据所述推荐路径以及相应的打分结果，对所述推荐路径进行排序，得到排序后的推荐路径，并将所述排序后的推荐路径确定为所述推荐路径队列。
- 根据权利要求6所述的导航方法，其中，所述根据所述相似度模型以及所述排序特征向量，对所述候选路径集合中的候选路径进行打分，得到打分结果，包括：将所述相似度模型以及所述排序特征向量进行相乘，生成得分向量，将所述得分向量作为打分结果。
- 根据权利要求1所述的导航方法，其中，在所述获取当前用户的行为数据之前，还包括：获取所述候选路径的路况信息；根据所述路况信息对所述候选路径进行修正，生成修正后的候选路径集合；所述基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径集合中的候选路径进行筛选，生成推荐结果，包括：基于预设的相似度模型以及所述当前用户的行为数据，对所述修正后的候选路径集合中的候选路径进行筛选，生成推荐结果。
- 根据权利要求8所述的导航方法，其中，所述获取所述候选路径相应 的路况信息，包括：获取所述候选路径的环境信息以及图像信息；根据所述候选路径的环境信息以及图像信息，确定所述候选路径的路况信息。
- 一种导航装置，其中，包括：第一获取模块，用于接收导航请求，所述导航请求携带起点的位置信息以及终点的位置信息；第一生成模块，用于根据所述起点的位置信息以及所述终点的位置信息，生成候选路径集合，其中所述候选路径集合中的候选路径包括至少一个路段；第二获取模块，用于获取当前用户的行为数据；第二生成模块，用于基于预设的相似度模型以及所述当前用户的行为数据，对所述候选路径进行筛选，生成推荐结果，以供所述当前用户从所述推荐结果确定导航路线进行导航操作，其中所述相似度模型用于指示所述候选路径与所述当前用户的行为数据之间的相似度。
- 根据权利要求10所述的导航装置，其中，所述导航装置还包括相似度模型生成模块，其中所述相似度模型生成模块包括：收集子模块，用于收集所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息；生成子模块，用于基于预设的机器学习算法，并根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，生成预设的相似度模型。
- 根据权利要求11所述的导航装置，其中，所述生成子模块用于：根据所述所有访问用户的行为数据以及每一访问用户所经过的路段的属性信息，构造排序特征，其中所述排序特征包括访问用户和访问用户所经过的路段；基于预设的机器学习算法，对所述排序特征的数据进行学习，生成特征权重；根据所述排序特征以及相应的特征权重，生成预设的相似度模型。
- 根据权利要求10所述的导航装置，其中，所述第二生成模块用于：根据所述当前用户的行为数据以及所述候选路径所包括的路段的属性信 息，构造排序特征向量；基于预设的相似度模型以及所述排序特征向量，对所述候选路径进行筛选，生成推荐结果。
- 根据权利要求13所述的导航装置，其中，所述导航装置还包括：第三生成模块，用于根据所述推荐结果，生成推荐路径队列，其中所述推荐路径队列包括排序后的推荐路径。
- 根据权利要求14所述的导航装置，其中，所述第三生成模块包括：打分子模块，用于根据所述相似度模型以及所述排序特征向量，对所述候选路径集合中的候选路径进行打分，得到打分结果；确定子模块，用于根据所述打分结果，确定推荐路径，其中所述推荐路径为在所述候选路径集合中，相应的打分结果超过预设分数阈值的候选路径；排序子模块，用于根据所述推荐路径以及相应的打分结果，对所述推荐路径进行排序，得到排序后的推荐路径，并将所述排序后的推荐路径确定为所述推荐路径队列。
- 根据权利要求15所述的导航装置，其中，所述打分子模块用于：将所述相似度模型以及所述排序特征向量进行相乘，生成得分向量，将所述得分向量作为打分结果。
- 根据权利要求10所述的导航装置，其中，所述导航装置还包括修正模块，其中所述修正模块包括：获取子模块，用于获取所述候选路径的路况信息；修正子模块，用于根据所述路况信息对所述候选路径进行修正，生成修正后的候选路径集合；所述第二生成模块，用于：基于预设的相似度模型以及所述当前用户的行为数据，对所述修正后的候选路径集合中的候选路径进行筛选，生成推荐结果，以根据所述推荐结果进行导航操作。
- 根据权利要求17所述的导航装置，其中，所述获取子模块用于：获取所述候选路径的环境信息以及图像信息，根据所述候选路径的环境信息以及图像信息，确定所述候选路径的路况信息。
- 一种存储介质，其中，所述存储介质存储多条指令，所述多条指令适于由处理器加载以执行如权利要求1至9任一项所述的方法。
- 一种服务器，其中，包括处理器和存储器，所述存储器存储多条指令，所述处理器加载所述存储器中的指令用于执行如权利要求1至9任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2017/091384 WO2019000472A1 (zh) | 2017-06-30 | 2017-06-30 | 导航方法、装置、存储介质以及服务器 |
| CN201780090136.8A CN110573837B (zh) | 2017-06-30 | 2017-06-30 | 导航方法、装置、存储介质以及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2017/091384 WO2019000472A1 (zh) | 2017-06-30 | 2017-06-30 | 导航方法、装置、存储介质以及服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2019000472A1 true WO2019000472A1 (zh) | 2019-01-03 |
Family
ID=64740925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2017/091384 WO2019000472A1 (zh) | 2017-06-30 | 2017-06-30 | 导航方法、装置、存储介质以及服务器 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110573837B (zh) |
| WO (1) | WO2019000472A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111627204A (zh) * | 2020-03-10 | 2020-09-04 | 蘑菇车联信息科技有限公司 | 路径确定方法、装置、电子设备及存储介质 |
| CN111982144A (zh) * | 2020-08-20 | 2020-11-24 | 北京百度网讯科技有限公司 | 导航方法、装置、电子设备及计算机可读介质 |
| CN112800338A (zh) * | 2021-03-04 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 下车点的推荐方法、装置、电子设备和计算机程序产品 |
| CN114091771A (zh) * | 2021-11-26 | 2022-02-25 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种确定目标路径的方法、装置、电子设备及存储介质 |
| CN115451981A (zh) * | 2021-06-08 | 2022-12-09 | 阜新德尔汽车部件股份有限公司 | 加氢预约导航方法、装置、系统以及计算机可读存储介质 |
| CN116839616A (zh) * | 2023-07-04 | 2023-10-03 | 深圳源谷科技有限公司 | 一种应用北斗定位技术的智能化管理系统及方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113868443A (zh) * | 2020-06-30 | 2021-12-31 | 北京达佳互联信息技术有限公司 | 一种多媒体资源推荐方法、装置及存储介质 |
| CN113758496B (zh) * | 2021-11-09 | 2022-02-22 | 腾讯科技（深圳）有限公司 | 路径的规划方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9146127B2 (en) * | 2012-06-27 | 2015-09-29 | International Business Machines Corporation | Navigation system providing lane guidance to driver based on driver's driving habits and preferences |
| CN105091890A (zh) * | 2014-04-25 | 2015-11-25 | 国际商业机器公司 | 用于推荐候选路径的方法和装置 |
| CN106202114A (zh) * | 2015-05-07 | 2016-12-07 | 骑记(厦门)科技有限公司 | 路径导航方法和装置 |
| US20170122759A1 (en) * | 2010-04-09 | 2017-05-04 | Google Inc. | Collective Vehicle Traffic Routing |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6317686B1 (en) * | 2000-07-21 | 2001-11-13 | Bin Ran | Method of providing travel time |
| KR100866206B1 (ko) * | 2006-07-20 | 2008-10-30 | 삼성전자주식회사 | 네비게이션 게임을 이용한 사전 사용자 맞춤형 경로 안내장치 및 방법 |
| US7512487B1 (en) * | 2006-11-02 | 2009-03-31 | Google Inc. | Adaptive and personalized navigation system |
| CN101556165A (zh) * | 2009-04-24 | 2009-10-14 | 方舟信息技术(苏州)有限公司 | 嵌入式移动电子地图数据库的实时更新方法 |
| JP5507620B2 (ja) * | 2012-06-22 | 2014-05-28 | ヤフー株式会社 | 同義語推定装置、同義語推定方法および同義語推定プログラム |
| CN102706358A (zh) * | 2012-06-28 | 2012-10-03 | 深圳市凯立德欣软件技术有限公司 | 回避禁行道路的路径规划方法、导航方法及终端 |
| CN104121916B (zh) * | 2013-04-27 | 2017-03-01 | 国际商业机器公司 | 用于地图匹配的方法和系统 |
| CN105783932B (zh) * | 2014-12-23 | 2018-12-14 | 阿里巴巴集团控股有限公司 | 寻路信息的提示方法和装置 |
| CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种物品信息的推荐方法及装置 |
| CN106096000A (zh) * | 2016-06-22 | 2016-11-09 | 长江大学 | 一种基于移动互联网的用户旅行最优化推荐方法及系统 |
-
2017
- 2017-06-30 WO PCT/CN2017/091384 patent/WO2019000472A1/zh active Application Filing
- 2017-06-30 CN CN201780090136.8A patent/CN110573837B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170122759A1 (en) * | 2010-04-09 | 2017-05-04 | Google Inc. | Collective Vehicle Traffic Routing |
| US9146127B2 (en) * | 2012-06-27 | 2015-09-29 | International Business Machines Corporation | Navigation system providing lane guidance to driver based on driver's driving habits and preferences |
| CN105091890A (zh) * | 2014-04-25 | 2015-11-25 | 国际商业机器公司 | 用于推荐候选路径的方法和装置 |
| CN106202114A (zh) * | 2015-05-07 | 2016-12-07 | 骑记(厦门)科技有限公司 | 路径导航方法和装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111627204A (zh) * | 2020-03-10 | 2020-09-04 | 蘑菇车联信息科技有限公司 | 路径确定方法、装置、电子设备及存储介质 |
| CN111982144A (zh) * | 2020-08-20 | 2020-11-24 | 北京百度网讯科技有限公司 | 导航方法、装置、电子设备及计算机可读介质 |
| CN112800338A (zh) * | 2021-03-04 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 下车点的推荐方法、装置、电子设备和计算机程序产品 |
| CN115451981A (zh) * | 2021-06-08 | 2022-12-09 | 阜新德尔汽车部件股份有限公司 | 加氢预约导航方法、装置、系统以及计算机可读存储介质 |
| CN114091771A (zh) * | 2021-11-26 | 2022-02-25 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种确定目标路径的方法、装置、电子设备及存储介质 |
| CN116839616A (zh) * | 2023-07-04 | 2023-10-03 | 深圳源谷科技有限公司 | 一种应用北斗定位技术的智能化管理系统及方法 |
| CN116839616B (zh) * | 2023-07-04 | 2024-05-07 | 深圳源谷科技有限公司 | 一种应用北斗定位技术的智能化管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110573837B (zh) | 2023-10-27 |
| CN110573837A (zh) | 2019-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019000472A1 (zh) | 导航方法、装置、存储介质以及服务器 | |
| US11537719B2 (en) | Deep neural network system for similarity-based graph representations | |
| WO2021196981A1 (zh) | 语音交互方法、装置和终端设备 | |
| US20210334624A1 (en) | Neural architecture search using a performance prediction neural network | |
| KR102436293B1 (ko) | 이미지 데이터에 적어도 부분적으로 기초하여 액션을 수행하기 위한 에이전트 결정 | |
| US20180276553A1 (en) | System for querying models | |
| US20130132851A1 (en) | Sentiment estimation of web browsing user | |
| US20130110992A1 (en) | Electronic device management using interdomain profile-based inferences | |
| WO2020093289A1 (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
| US20200301935A1 (en) | Information ranking based on properties of a computing device | |
| JP7488871B2 (ja) | 対話推薦方法、装置、電子機器、記憶媒体ならびにコンピュータプログラム | |
| CN109493592A (zh) | 路径推荐方法及装置 | |
| CN115238582A (zh) | 知识图谱三元组的可靠性评估方法、系统、设备及介质 | |
| US11693897B2 (en) | Using a hierarchical machine learning algorithm for providing personalized media content | |
| CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
| CN114428867A (zh) | 数据挖掘方法、装置、存储介质及电子设备 | |
| CN111339770A (zh) | 用于输出信息的方法和装置 | |
| CN113010769A (zh) | 基于知识图谱的物品推荐方法、装置、电子设备及介质 | |
| CN111507471A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
| US20220121698A1 (en) | Systems and methods for using hierarchical ordered weighted averaging for providing personalized media content | |
| CN117743674A (zh) | 资源召回方法、计算机设备及存储介质 | |
| CN114385828A (zh) | 产品推荐方法、装置、介质及电子设备 | |
| EP4150440A1 (en) | Delivery of compatible supplementary content via a digital assistant | |
| CN116304329A (zh) | 信息推荐方法、装置、设备及介质 | |
| CN110750555A (zh) | 用于生成索引的方法、装置、计算设备以及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 17915841 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 17915841 Country of ref document: EP Kind code of ref document: A1 |