基于大数据机器学习的导航方法及其导航系统技术方案

一种基于大数据机器学习的导航方法及其导航系统包括：在第一步骤(S1)中，采集车辆出行信息以构建包括海量所述出行信息的大数据库，其中，所述出行信息包括起点、终点和行车路径；在第二步骤(S2)中，输入搜索条件在所述大数据库中直接使用大数据训练进行机器学习以获得导航路线，所述搜索条件为起点和终点。

Navigation method and navigation system based on large data machine learning

Including a navigation method based on machine learning and big data and navigation system: in the first step (S1), collecting the vehicle travel information to build a large database including the mass, travel information, travel information including the starting point and end point and driving path; in the second step (S2), the input search condition large training data for machine learning in order to obtain the navigation route used directly in the large database, the search conditions for the starting point and end point.

【技术实现步骤摘要】

本专利技术属于导航领域，特别是涉及一种基于大数据机器学习的导航方法及其导航系统。
技术介绍
现在的导航技术，基本是基于对历史数据的统计，或者是基于对某些有效数据的学习，来将道路交通网根据节点(各种交叉路口或者影响行车的关键性地貌如转盘、特殊行车点等)、路径(车道宽窄、拥堵等情况)、行车方向(双向、单向、定时限向等)等要素，划分成有逻辑内在的矢量地图数据。然后根据用户提出的起点与终点的数据，按照预设的时间最短、路径最短、红绿灯最少等不同规则，计算出一条符合用户需要的线路。然后这种方式的问题在于，将实际路况读入后，需要经过建模和逻辑推演转换成数字模型，然后利用数字模型计算，并给出最终结果。在具体数据采集和路径计算过程中，依据其建模准确性、公式选用等因素，具体导航路线的设计和灵活性等，不能保证。这也造成了不同的导航软件都声称自己具备最优的算法或者具有最权威的交通数据。但是在实际应用中，导航软件往往仅适于陌生目标地的查询和找路，对于一些路况熟悉的老司机而言，总是能找到比导航软件更优化的路线。原因也是显而易见的，总有一些导航软件无法预见的意外因素是没法统计在导航软件内的，比如某些地点的周期性拥堵(学校放学、医院排号、人流量大小区的周期性拥堵)，甚至有些因素是计算机无法理解和难以采集的。比如某些路段因为难于监管原因长期存在干扰道路畅通的黑车或者路边摊贩，再如某些地段因为属于大学集中地，有大量步行人群影响路况等。专利文献CN105675002A公开的一种面向非同等优先级的多途经点导航路线规划方法包含以下步骤：步骤1、任务初始化：任务调度中心向导航用户终端发送模型系数设定方案，并分配非同等优先级的多途经点的多重导航任务，其中所述多途经点个数为n，当导航用户终端选择接受该任务时，将该任务中的途经点与用户终端已有任务中的途经点共同组成新的当前任务，则该当前任务下共有n！条备选路线；其中n！表示n的全排列；步骤2、计算导航模型权重：所述导航模型为面向非同等优先级的多途经点的多点模型；步骤3、路线规划：用户终端的地图导航系统提供任意两个途经点间的分路段距离和分路段耗时，自动根据上述模型及设置的权重计算全部备选路线的权重值，并按权重值由大到小进行排序，将权重值最大的规划路线设为第一优选路线；步骤4、输出规划结果并导航：将全部备选路线的权重值输出给UI交互模块，用户可选择默认接受第一优选路线或自主选择其他优选路线，并根据选择结果开始导航。该专利建立了面向非同等优先级的多途经点道路导航规划算法模型，可解决多任务多目的地外卖/生鲜配送服务，但该专利无法不受实时路况数据的限制，给出参考线路，对于网络资源流量和数据计算的依赖较大，采用建模、计算的方式，增加数据转换的次数，增加了不确定性，降低了原始数据的利用率,且由于建模忽略了很多因素，特别是一些意外因素和无法采集或规律化的因素，导航路线规划上具有准确性天花板。专利文献CN103968853A公开的一种用于为驾驶员导航提供调整性引导的方法包括：记录由车辆中的导航系统检测到的导航误差的导航误差数据；分析导航误差数据来检测导航误差中的模式；以及提供调整性驾驶员导航引导，其中基于导航误差中的模式来做出引导的调整。该专利可通过记录和分析过去的导航误差，来调整性地改进向驾驶员提供的导航引导，但该专利无法不受实时路况数据的限制，给出参考线路,对于网络资源流量和数据计算的依赖较大；该专利虽然采用误差数据进行修正，但其并没有急于海量的数据来确定最佳导航路线规划，只是在原来建模方式产生的导航路线上进行修正，其导航路线离最佳导航路线仍具有显著的差距。综上所述，现有的导航方法中，基本也是基于对历史交通数据的统计，然后得到关于道路信息、历史行车信息的统计规律，但是传统导航方法为了解决从任一点到任一点的导航线路计算，必须将上述信息按照构建地图的逻辑规则，将线路转化为节点之间的线段。然后分别计算每个线段所需要消耗的行车时间。从而将从某一点到另一点的行车路线，先按照合理并且尽可能全面的方式来计算所有可能的行车路线，然后通过比较这些所有行车路线中，在每一段路程上可能消耗的时间，并求出总时间。基于总时间的多少，来向用户推荐最佳路线。常见的推荐标准，比如可以是时间最省、路程最短、红绿灯最少等等。参考机器翻译的发展历史可知，最早人们认为用机器来完成翻译任务的最直接的解决方式，就是训练机器学会理解人的一种语言，然后借助机器永不疲倦的工作能力，从一种语言出发，学会所有语言，最终让机器作为中介完成不同语种的互译。通俗的说，机器就好像是一个同传翻译，只是这个同传翻译现在的情况，词汇量是无限的，但是理解能力始终有问题。然而后来，谷歌翻译充分利用网络时代产生的大数据，提出了一种新的思路，就是机器完全不需要读懂和理解人的语言，机器作为一个翻译者，只要知道A语言应该对应B语言即可，换句话说，机器这个翻译者其实不是一个同传翻译，他虽然把一种语言变成了另一种语言，但是其实他也不知道这两句话到底什么意思，他只是通过大量数据量的训练得知，就应该这么转换。由于可参考数据量的足够多，谷歌翻译采用机器翻译的这种思路所实现的翻译效果，开始逐渐明显超越了原有，基于自然语言的翻译方案。换句话说，让机器按照机器的思路去解决问题，不要强求机器按照人的想法去思考问题，从而解放了机器的信息处理能力，充分发挥了机器的信息处理特点。这就是基于数据驱动的应用方式，并且也成为了当前人工智能的发展热点。具体到导航路线规划而言，本申请专利技术人注意到，由于导航软件等出行数据积累了十几年，特别是一些城区的车辆出行信息已经积聚了海量的数据。在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
技术实现思路
本申请人注意到上述问题，现有关于本专利技术所要解决的技术问题，其具体需求如下：1.能够不受实时路况数据的限制，给出参考线路传统导航软件，需要依据路况实时计算推荐给用户的路线，因此对于网络资源流量和数据计算的依赖较大。本专利技术提出的一种导航方法，由于其通过长期机器学习来提升导航路线规划的精度，所以某一天的实时路况数据并不是必须的，该方法完全可以通过闲时来跑导航数据库，在用户网络流量不充裕或者要求比较急的时候，基于已有大数据来推荐路线即可，无需依赖实时数据流量。2.能够摆脱对于机器计算线路，采样不全导致精度不高的缺陷，充分利用历史行车路线，提供意想不到的线路传统导航软件的线路计算，采用建模、计算的方式，增加数据转换的次数，增加了不确定性，降低了原始数据的利用率。本申请方法，仅根据实际行车路线的出行数据来确定最佳路线，充分利用了已完成的行车数据，能够通过大规模数据洗练，得到理论上的最佳行车路线。本专利技术的目的是通过以下技术方案予以实现。根据本专利技术的一方面，一种基于大数据机器学习的导航方法包括以下步骤：在第一步骤中，采集车辆出行信息以构建包括海量所述出行信息的大数据库，其中，所述出行信息包括起点和终点。在第二步骤中，输入搜索条件在所述大数据库中直接使用大数据训练进行机器学习以获得导航路线，所述搜索条件为起点和终点。本专利技术的导航方法不同于现有技术中采用建模方式来实现导航路线规划，而是采用大数据机器学习，充分利用海量的原本文档来自技高网...

【技术保护点】
一种基于大数据机器学习的导航方法，其包括以下步骤：在第一步骤(S1)中，采集车辆出行信息以构建包括海量所述出行信息的大数据库，其中，所述出行信息包括起点、终点和行车路径；在第二步骤(S2)中，输入搜索条件在所述大数据库中直接使用大数据训练进行机器学习以获得导航路线，所述搜索条件为起点和终点。

【技术特征摘要】
1.一种基于大数据机器学习的导航方法，其包括以下步骤：在第一步骤(S1)中，采集车辆出行信息以构建包括海量所述出行信息的大数据库，其中，所述出行信息包括起点、终点和行车路径；在第二步骤(S2)中，输入搜索条件在所述大数据库中直接使用大数据训练进行机器学习以获得导航路线，所述搜索条件为起点和终点。2.根据权利要求1所述的基于大数据机器学习的导航方法，其特征在于：在第一步骤(S1)中，采所述出行信息包括起点、终点行车路径、行车发生时间和行车总用时间；在第二步骤(S2)中所述搜索条件为起点、终点和行车发生时间。3.根据权利要求2所述的基于大数据机器学习的导航方法，其特征在于：在第二步骤(S2)中，当搜索条件中的起点和终点没有在出行信息中，在出行信息中选择离起点最近的位置作为搜索条件中的起点，选择离终点最近的位置作为搜索条件中的终点；当搜索条件中的行车发生时间没有在出行信息中，选择最接近的时间作为搜索条件中的行车发生时间。4.根据权利要求1所述的基于大数据机器学习的导航方法，其特征在于：在第一步骤(S1)中，所述行车路径包括行车经过的位置数据以及相应消耗的时间数据。5.根据权利要求4所述的基于大数据机器学习的导航方法，其特征在于：在第二步骤...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：高域北京智能科技研究院有限公司，
类型：发明
国别省市：北京;11