导航终端及其路线偏好预测方法技术

本申请涉及一种导航终端及其路线偏好预测方法，所述路线偏好预测方法包括：在导航终端启动导航规划时，获取当前用户的历史偏好数据；对所述历史偏好数据采用神经网络模型进行学习训练；利用训练好的神经网络模型进行规划预测得到符合所述当前用户路线偏好的导航规划路线；将所述导航规划路线提示给所述当前用户。本申请能够很好地做到根据不同用户进行智能规划，所提供的路线规划能较大程度上满足用户的偏好需求，能根据用户的实际行驶情况自动调整后续的导航建议方案。

Prediction Method of Navigation Terminal and Route Preference

This application relates to a navigation terminal and its route preference prediction method. The route preference prediction method includes: acquiring the current user's historical preference data when the navigation terminal starts navigation planning; learning and training the historical preference data using the neural network model; and using the trained neural network model to plan and forecast to obtain the current user's route in accordance with the said current user's route. Preferred navigation planning route; prompts the navigation planning route to the current user. This application can make intelligent planning according to different users. The route planning provided by this application can satisfy users'preferences to a large extent, and can automatically adjust the subsequent navigation suggestions according to users' actual driving conditions.

【技术实现步骤摘要】
导航终端及其路线偏好预测方法
本申请涉及导航系统
，具体涉及一种导航终端、一种导航终端的路线偏好预测方法。
技术介绍
随着社会的发展，人们生活水平的提高，汽车越来越成为人们出行的重要交通工具。但是很多时候用户对所要去的目的地一无所知、或者实时路况、道路开闭情况等都无法及时得知，因此，导航的相关产品得以应运而生。其中，基于GPS(全球定位系统)的现有技术导航装置是众所周知的，且广泛用作车内导航系统。一般而言，基于GPS的导航装置涉及一种计算装置，所述计算装置在与外部(或内部)GPS接收器的功能性连接中能够确定其全球位置。此外，所述计算装置能够确定开始地址与目的地地址之间的路线，所述地址可由计算装置的用户输入。通常，所述计算装置由软件启用，以用于从地图数据库计算开始地址位置与目的地地址位置之间的“最佳”或“最优”路线。“最佳”或“最优”路线是基于预定准则而确定的，且无需一定是最快或最短路线。其也可为基于先前所驾驶的路线而确定的优选路线。现有技术中，导航终端通过使用从GPS接收器导出的位置信息，计算装置可用规则的间隔确定其位置，且可向用户显示交通工具或用户自身的当前位置。而且，其可提供关于如何通过恰当的导航方向来导航所确定路线的指令，所述指令显示在显示器上和/或产生作为来自扬声器的可听信号(例如，“在前方100m处左转”)。描绘待完成的动作的图形(例如，指示前方左转的左箭头)可显示于状态条中，且也可在地图本身中重叠于适用交叉路口/转弯处等上。这在交通工具遭遇施工作业或严重交通堵塞的情况下非常有用。在具体工作过程中，用户能够选择由导航装置部署的路线，例如从“正常”模式及“快速”模式(快速模式在最短时间内计算路线，但并不会探测像正常模式一样多的替代路线)中作出选择。或者，用户可能更乐意由装置来计算适合出游看沿途风景的路线。然而，现有技术的路线规划方面，无法做到根据不同用户进行智能规划，所提供的路线规划不一定能满足用户的偏好需求，甚至在用户希望按自己的想法行驶时，无论怎么操作都无法改变导航终端的硬性规划路线，导致用户体验非常不好。
技术实现思路
本申请的目的在于，提供一种导航终端及其路线偏好预测方法，其可以解决上述技术问题，能够很好地做到根据不同用户进行智能规划，所提供的路线规划能较大程度上满足用户的偏好需求，能根据用户的实际行驶情况自动调整后续的导航建议方案。为解决上述技术问题，本申请提供一种导航终端的路线偏好预测方法，所述路线偏好预测方法包括：在导航终端启动导航规划时，获取当前用户的历史偏好数据；对所述历史偏好数据采用神经网络模型进行学习训练；利用训练好的神经网络模型进行规划预测得到符合所述当前用户路线偏好的导航规划路线；将所述导航规划路线提示给所述当前用户。其中，所述历史偏好数据包括是否躲避拥堵、在拥堵情况下是否以距离长短为偏好、早晚高峰期的不同路线偏好、高架桥和地面路段的偏好、长途的高速和省道选择偏好、不同天气环境下的路线偏好、当前用户在拼车情况下是否主动愿意绕路、以及任意两种情况以上组合时所述当前用户的偏好。其中，所述对所述历史偏好数据采用神经网络模型进行学习训练的步骤，具体包括：将所述历史偏好数据进行数据清洗、归一化；将清洗归一化后的历史偏好数据按照时间划分为训练数据集与测试数据集；对所述训练数据集的训练数据进行离线模型训练，以分别训练长短期记忆神经网络LSTM的多个神经网络模型；获取训练数据对于训练后的多个神经网络模型输出的预测值列表，将所述预测值列表与实际的路线偏好值进行比较，计算得到多个神经网络模型作为组合模型时所占的权重值；利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值。其中，所述根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值之后，还包括：使用滚动时间窗口的方式对未来预定时间段的路线偏好具体数值进行预测。其中，所述使用滚动窗口的方式对未来预定时间段的路线偏好进行预测，包括：将组合模型预测的涨跌幅转换为被预测时刻的预测数值，再将当前预测出的预测数值，填入下一被预测时刻的时间窗口，并依此交替循环；当获取到当前用户实际变化趋势的实际数值时，将预测数值与实际数值对比，并根据对比结果将实际数值作为一组新的训练数据，代入模型以更新模型参数。其中，所述将所述历史偏好数据进行数据清洗、归一化，具体包括：根据当前用户的数据分布特点，使用接受-拒绝采样方法，参考其他用户的成本/时间最优化导航数据，清洗归一所述当前用户的数据。其中，所述将清洗归一化后的历史偏好数据按照时间划分为训练数据集与测试数据集，包括：将所述历史偏好数据中时间位于指定时刻之前的早期数据划分为训练数据集，将所述历史偏好数据中时间位于指定时刻之后的晚期数据划分为测试数据集。其中：所述对所述训练数据集的训练数据进行离线模型训练之前，还包括：使用训练数据集的训练数据生成不同跨度的时间序列数据；所述对所述训练数据集的训练数据进行离线模型训练，对应包括：使用不同跨度的时间序列数据中的每份时间序列数据分别训练LSTM的多个神经网络模型。其中，所述对所述训练数据集的训练数据进行离线模型训练，具体包括：对所述训练数据集的训练数据采用基于内存计算的分布式训练方法进行训练，其中，将训练数据分发到各个节点上并将神经网络模型的初始模型参数广播给各个节点，每个节点根据当前的模型参数与一定规模的训练数据，获得当前梯度与模型参数更新量，通过汇总各个节点反馈的模型参数更新量来更新模型参数，并将更新后的模型参数广播给各个节点，依此迭代反复，以根据要求完成单个LSTM神经网络模型的训练；所述计算得到多个神经网络模型作为组合模型时所占的权重值，具体包括：通过多个时段的训练数据，使用线性回归的方法，得到各个LSTM神经网络模型在最终的组合模型输出中的权重值。为解决上述技术问题，本申请还提供一种导航终端，所述导航终端包括处理器，所述处理器用于执行程序数据，以实现任一上述的路线偏好预测方法的步骤，所述导航终端为智能手机、平板电脑或车载电脑。本申请导航终端及其路线偏好预测方法，在导航终端启动导航规划时，对当前用户的历史偏好数据采用神经网络模型进行学习训练，利用训练好的神经网络模型进行规划预测得到符合所述当前用户路线偏好的导航规划路线，将所述导航规划路线提示给所述当前用户。通过这种方式，本申请能够很好地做到根据不同用户进行智能规划，所提供的路线规划能较大程度上满足用户的偏好需求，能根据用户的实际行驶情况自动调整后续的导航建议方案。此外，本申请采用的神经网络模型，能够更加精准地根据用户的历史数据推测用户的最佳偏好，通过分析用户的以往行为，预测用户接下来的行为，较大程度上实现了人工智能化。上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。附图说明图1为本申请导航终端的路线偏好预测方法的流程示意图。图2为本申请导航终端的模块示意图。具体实施方式为更进一步阐述本申请为达成预定申请目的所采取的技术手段及效果,以下结合附图及较佳实施例，对本文档来自技高网...

【技术保护点】
1.一种导航终端的路线偏好预测方法，其特征在于，所述路线偏好预测方法包括：在导航终端启动导航规划时，获取当前用户的历史偏好数据；对所述历史偏好数据采用神经网络模型进行学习训练；利用训练好的神经网络模型进行规划预测得到符合所述当前用户路线偏好的导航规划路线；将所述导航规划路线提示给所述当前用户。

【技术特征摘要】
1.一种导航终端的路线偏好预测方法，其特征在于，所述路线偏好预测方法包括：在导航终端启动导航规划时，获取当前用户的历史偏好数据；对所述历史偏好数据采用神经网络模型进行学习训练；利用训练好的神经网络模型进行规划预测得到符合所述当前用户路线偏好的导航规划路线；将所述导航规划路线提示给所述当前用户。2.根据权利要求1所述的路线偏好预测方法，其特征在于，所述历史偏好数据包括是否躲避拥堵、在拥堵情况下是否以距离长短为偏好、早晚高峰期的不同路线偏好、高架桥和地面路段的偏好、长途的高速和省道选择偏好、不同天气环境下的路线偏好、当前用户在拼车情况下是否主动愿意绕路、以及任意两种情况以上组合时所述当前用户的偏好。3.根据权利要求1或2所述的路线偏好预测方法，其特征在于，所述对所述历史偏好数据采用神经网络模型进行学习训练的步骤，具体包括：将所述历史偏好数据进行数据清洗、归一化；将清洗归一化后的历史偏好数据按照时间划分为训练数据集与测试数据集；对所述训练数据集的训练数据进行离线模型训练，以分别训练长短期记忆神经网络LSTM的多个神经网络模型；获取训练数据对于训练后的多个神经网络模型输出的预测值列表，将所述预测值列表与实际的路线偏好值进行比较，计算得到多个神经网络模型作为组合模型时所占的权重值；利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值。4.根据权利要求3所述的路线偏好预测方法，其特征在于，所述根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值之后，还包括：使用滚动时间窗口的方式对未来预定时间段的路线偏好具体数值进行预测。5.根据权利要求4所述的路线偏好预测方法，其特征在于，所述使用滚动窗口的方式对未来预定时间段的路线偏好进行预测，包括：将组合模型预测的涨跌幅转换为被预测时刻的预测数值，再将当前预测出的预测数值，填入下一被预测时刻的时间窗口，并依此交替循环；当获取到当前用户实际变化趋势的实际数值时，将预测数值与实际数...

【专利技术属性】
技术研发人员：徐平，相奇，张芹，
申请(专利权)人：上海博泰悦臻网络技术服务有限公司，
类型：发明
国别省市：上海,31