一种路线规划方法、装置、设备和计算机存储介质制造方法及图纸

本申请公开了一种路线规划方法、装置、设备和计算机存储介质，涉及大数据技术领域。具体实现方案为：获取路网的实时交通流特征数据；利用所述路网的实时交通流特征数据对所述路网中各路段的状态变化风险进行预测，获得各路段的状态变化风险信息；利用各路段的状态变化风险信息，进行路线规划。本申请在路线规划中融入对各路段的状态变化风险的考虑，使得规划的路线从全局上考虑了用户在通过各路段时可能面临的状态变化风险，从而提高规划的路线质量以及用户体验。

【技术实现步骤摘要】
一种路线规划方法、装置、设备和计算机存储介质
本申请涉及计算机应用
，特别涉及大数据

技术介绍
路径规划已经广泛的应用于包含导航功能的地图类应用中，其能够为用户提供路线推荐、拥堵状况和预估到达时间等信息的丰富展现结果。但由于现实道路交通状况变化很快，目前的导航系统只能根据当前的准实时状态给用户以路线规划。而在实际导航过程中，规划路线可能会途径一些拥堵可能性大、出事故概率高等高风险路段，导致用户无法在计划时间到达目的地。对于一些对时间要求非常严格的需求场景上，比如商务会议、接送朋友、搭乘飞机等，如果这类风险发生，则无法预期抵达目的地。这就给用户造成规划的路线质量低、用户体验差等问题。
技术实现思路
有鉴于此，本申请提供了一种路线规划方法、装置、设备和存计算机储介质，以便于提高规划的路线质量以及用户体验。根据第一方面，本申请提供了一种路线规划方法，该方法包括：获取路网的实时交通流特征数据；利用所述路网的实时交通流特征数据对所述路网中各路段的状态变化风险进行预测，获得各路段的状态变化风险信息；利用各路段的状态变化风险信息，进行路线规划。根据第二方面，本申请提供了一种路线规划装置，该装置包括：数据获取单元，用于获取路网的实时交通流特征数据；风险预测单元，用于利用所述路网的实时交通流特征数据对所述路网中各路段的状态变化风险进行预测，获得各路段的状态变化风险信息；路线规划单元，用于利用各路段的状态变化风险信息，进行路线规划。>根据第三方面，本申请提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项所述的方法。根据第四方面，本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上任一项所述的方法。通过以上技术方案，本申请在路线规划中融入对各路段的状态变化风险的考虑，使得规划的路线从全局上考虑了用户在通过各路段时可能面临的状态变化风险，从而提高规划的路线质量以及用户体验。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1示出了可以应用本专利技术实施例的示例性系统架构；图2为本申请实施例提供的方法流程图；图3为本申请实施例提供的拥堵状态预测模型的结构示意图；图4为本申请实施例提供的事故预测模型的结构示意图；图5为本申请实施例提供的推荐路线的展现界面示例图；图6为本申请实施例提供的装置结构图；图7是用来实现本申请实施例的路线规划方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。图1示出了可以应用本专利技术实施例的示例性系统架构。如图1所示，该系统架构可以包括终端设备101和102，网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。用户可以使用终端设备101和102通过网络103与服务器104交互。终端设备101和102上可以安装有各种应用，例如地图类应用、语音交互类应用、网页浏览器应用、通信类应用等。终端设备101和102可以是能够支持并展现地图类应用的各种电子设备，包括但不限于智能手机、平板电脑、智能穿戴式设备等等。本专利技术所提供的装置可以设置并运行于上述服务器104中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。例如，路线规划装置设置并运行于上述服务器104中，服务器104可以预先收集并维护各终端设备(包括101和102)在使用地图类应用过程中上传的用户轨迹数据、通过各种交通传感器上传的交通流数据，这些数据可以构成路网的交通流特征数据。路线规划装置使用本专利技术实施例提供的方式进行路线规划。当终端设备101或102的用户在使用地图类应用的过程中需要进行路线规划，则可以由设置并运行于服务器104中的路线规划装置进行路线规划，该路线规划结果可以返回终端设备101或102。服务器104可以是单一服务器，也可以是多个服务器构成的服务器群组。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。本申请的核心思想在于，在路线规划中融入对各路段的状态变化风险的考虑，使得规划的路线从全局上考虑了用户在通过各路段时可能面临的状态变化风险，从而提高规划的路线质量以及用户体验。下面结合实施例对本申请提供的方法和装置进行详细描述。图2为本申请实施例提供的方法流程图，如图2中所示，该方法可以包括以下步骤：在201中，获取路网的实时交通流特征数据。在本申请实施例中，可以以预设时长的时间分片为周期，获取路网在当前时间分片的实时交通流特征数据，供在后续步骤中确定各路段的状态变化风险系数进而进行路线规划。例如，以5分钟的时间分片为例，每隔5分钟获取路网的实时交通流特征数据。其中获取的交通流特征数据可以包括各路段的交通流量统计数据、速度数据以及急减速次数中的一种或任意组合。其中，交通流量统计数据主要针对的是车流量的统计。速度数据可以包括诸如平均速度、速度中位数、最快速度、最慢速度等中的至少一种。急减速次数可以是车辆在路段上行驶时发生的急减速次数，所谓急减速可以是单位时间内速度减小的幅度超过预设阈值。在202中，利用路网的实时交通流特征数据对路网中各路段的状态变化风险进行预测，获得各路段的状态变化风险信息。本申请中对各路段进行的状态变化风险预测可以包括拥堵状态变化预测、事故发生预测、可通行性预测、交通规则变化预测以及道路质量劣化预测中的至少一种。下面分别对各种预测进行详细描述。1)拥堵状态变化预测。本申请中可以采用拥堵状态预测模型来进行拥堵状态变化预测。该拥堵状态预测模型能够在输入当前路网的实时交通流特征数据、道路属性特征数据以及未来环境特征数据的情况下，输出各路段未来的预测通行时长。为了方便理解，首先对拥堵状态预测模型的训练过程进行描述。如图3中所示，本申请中的拥堵状态预测模型主要包括GCN(GraphConvolutionalNetwork，图卷积网络)和全连接层。本文档来自技高网...

【技术保护点】
1.一种路线规划方法，其特征在于，该方法包括：/n获取路网的实时交通流特征数据；/n利用所述路网的实时交通流特征数据对所述路网中各路段的状态变化风险进行预测，获得各路段的状态变化风险信息；/n利用各路段的状态变化风险信息，进行路线规划。/n

【技术特征摘要】
1.一种路线规划方法，其特征在于，该方法包括：
获取路网的实时交通流特征数据；
利用所述路网的实时交通流特征数据对所述路网中各路段的状态变化风险进行预测，获得各路段的状态变化风险信息；
利用各路段的状态变化风险信息，进行路线规划。


2.根据权利要求1所述的方法，其特征在于，所述交通流特征数据包括以下至少一种：
各路段的交通流量统计数据、速度数据以及急减速次数。


3.根据权利要求1所述的方法，其特征在于，所述利用所述路网的实时交通流特征数据对所述路网中各路段的状态变化风险进行预测，获得各路段的状态变化风险信息包括：
利用所述路网的实时交通流特征数据分别针对各路段进行拥堵状态变化预测、事故发生预测、可通行性预测、交通规则变化预测以及道路质量劣化预测中的至少一种，根据各种预测结果分别得到各种预测对应的风险系数；
将针对各路段得到的所述各种预测对应的风险系数分别进行加权处理，得到各路段的状态变化风险系数。


4.根据权利要求3所述的方法，其特征在于，利用所述路网的实时交通流特征数据针对各路段进行拥堵状态变化预测包括：
将当前时间分片对应的所述路网的实时交通流特征数据、道路属性特征数据以及未来时间分片对应的环境特征数据输入预先训练得到的拥堵状态预测模型，得到对路网中各路段在所述未来时间分片的预测通行时长；
依据各路段在所述未来时间分片的预测通行时长，确定各路段在所述未来时间分片的拥堵状态变化。


5.根据权利要求4所述的方法，其特征在于，所述拥堵状态预测模型采用如下方式预先训练得到：
获取训练数据，所述训练数据包括所述路网中各路段的历史第一时间分片的交通流特征数据、道路属性特征数据以及历史第二时间分片的环境特征数据和平均通行时长，其中所述第二时间分片为相对于所述第一时间分片的未来时间分片；
将路段的历史第一时间分片的交通流特征数据进行编码；
将编码后得到的向量表示与路网链接关系矩阵输入到图卷积网络；
将所述图卷积网络输出的向量表示与道路属性特征数据、所述历史第二时间分片的环境特征数据进行拼接后输入全连接层，得到对该路段在所述第二时间分片的预测通行时长；
训练所述图卷积网络和所述全连接层，直至达到训练目标，所述训练目标为最小化路段的预测通行时长和训练数据中平均通行时长的差值。


6.根据权利要求3所述的方法，其特征在于，利用所述路网的实时交通流特征数据针对各路段进行事故发生预测包括：
将当前时间分片对应的所述路网的实时交通流特征数据、道路属性特征数据以及未来时间分片对应的环境特征数据输入预先训练得到的事故预测模型，得到对路网中各路段在所述未来时间分片是否发生事故的预测。


7.根据权利要求6所述的方法，其特征在于，所述事故预测模型采用如下方式预先训练得到：
获取训练数据，所述训练数据包括所述路网中各路段的历史第一时间分片的交通流特征数据、道路属性特征数据以及历史第二时间分片的环境特征数据和是否发生事故，其中所述第二时间分片为相对于所述第一时间分片的未来时间分片；
将路段的历史第一时间分片的交通流特征数据进行编码；
将编码后得到的向量表示与路网链接关系矩阵输入到图卷积网络；
将所述图卷积网络输出的向量表示与道路属性特征数据、所述历史第二时间分片的环境特征数据输入全连接层，得到对该路段在所述第二时间分片是否发生事故的预测；
训练所述图卷积网络和所述全连接层，直至达到训练目标，所述训练目标为使各路段是否发生事故的预测结果与训练数据一致。


8.根据权利要求3所述的方法，其特征在于，利用所述路网的实时交通流特征数据针对各路段进行可通行性预测包括：
获取各路段的当前流量特征，所述流量特征包括路段的交通流量、前序路段的交通流量以及后序路段的交通流量；
获取各路段的历史流量特征；
将路段的当前流量特征和历史流量特征进行差分后得到的特征与道路属性特征输入可通行性预测模型，得到对该路段是否可通行的预测，其中所述可通行性预测模型基于分类器预先训练得到。


9.根据权利要求3所述的方法，其特征在于，利用所述路网的实时交通流特征数据针对各路段进行交通规则变化预测包括：
获取各路段上来自前序路段的当前交通流量比例，以及，获取与各路段上来自前序路段的历史流量比例；
若路段的当前交通高流量比例相比较历史流量比例的下降程度超过预设比例阈值，则预测得到该路段存在交通规则变化。


10.根据权利要求3所述的方法，其特征在于，利用所述路网的实时交通流特征数据针对各路段进行道路质量劣化预测包括：
获取各路段的当前速度数据以及急减速次数，以及，
获取各路段的历史速度数据以及急减速次数；
若路段的当前速度数据相比较历史速度数据存在速度下降程度超过预设速度阈值，和/或，当前急减速次数与历史急减速次数的上升程度超过预设次数阈值，则预测得到该路段出现道路质量劣化。


11.根据权利要求1所述的方法，其特征在于，所述利用各路段的状态变化风险信息，进行路线规划包括：
利用各路段的状态变化风险信息更新各路段的权值，其中状态变化风险越高，对路段权值的降低程度越大；
基于更新后各路段的权值，对用户输入的起始位置和终点位置进行路线查找，得到至少一条候选路线；
从所述候选路线中确定向所述用户推荐的路线。


12.根据权利要求1所述的方法，其特征在于，所述利用各路段的状态变化风险系数，进行路线规划包括：
对用户输入的起始位置和终点位置进行路线查找，得到至少一条候选路线；
融合所述候选路线中各路段的状态变化风险信息，对所述候选路线进行排序；
依据排序结果，确定向所述用户推荐的路线。


13.根据权利要求1所述的方法，其特征在于，该方法还包括：采用以下方式中的至少一种展现路线规划的结果：
对向用户推荐的规划路线中所包含各路段的状态变化风险系数的总和最低的路线，展现指示该路线风险最低的信息；
对向用户推荐的路线中状态变化风险满足预设条件的路段，展示针对该路段预测的状态变化风险信息；
对因状态变化风险而未向用户推荐的路线，展示该路线未向用户推荐的原因信息。


14.根据权利要求4所述的方法，其特征在于，该方法还包括：
若向用户推荐的规划路线中包含拥堵状态变化风险的路段，则利用包含拥堵状态变化风险的路段的预测通行时长确定路线的第二预估到达时间；
...

【专利技术属性】
技术研发人员：黄际洲，张昊，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京;11