本发明专利技术提供了一种目的地预测方法、装置、系统和电子设备，其中应用于云端的方法包括：获取第一数据；基于LSTM神经网络模型且使用统一分布式计算框架对第一数据进行训练、学习和迭代，得到基础预测模型；基于基础预测模型，根据第二数据得到潜在的目的地预测结果；将第三数据同步到车辆端，形成基础数据库。应用于车辆端的方法包括：获取车辆用车时的实时数据；基于车载边缘计算，结合基础数据库计算得到各预测目的地的概率，其中基础数据库中的数据为从云端同步而来的数据。采用本发明专利技术方法，云端计算效率更高，能够有效保证数据的安全和计算的稳定性；车载边缘计算进行实时预测，对本地计算资源耗费低并且很好地保护了用户的隐私数据。数据。数据。
【技术实现步骤摘要】
目的地预测方法、装置、系统和电子设备
[0001]本专利技术主要涉及汽车智能化
，尤其涉及一种目的地预测方法、装置、系统和电子设备。
技术介绍
[0002]随着科学技术的发展，车辆(汽车)出行成为了人们主要的出行方式之一。不止如此，技术的持续进步以及对人们车辆多样化安全化的需求，使得汽车越来越智能化。所谓汽车智能化，是指汽车通过智能化技术进步并与车辆整合，以实现自动驾驶、人工智能和智能交互等功能。当然，车辆搭载的各种智能辅助设备，可以让车辆驾驶以及乘坐变得更加安全、便捷，以及更具娱乐性。
[0003]在车辆智能化技术的发展过程中，车辆目的地预测受到了越来越多的关注，其作用也越来越显著。例如，在车辆行驶过程中，根据用户车辆的行驶轨迹进行目的地预测，可以为用户的行驶提供重要参考信息。
[0004]目前，车辆的目的地预测主要由车载终端以及信息推送服务器两部分组成。其中，车载终端主要用于采集车辆状态信息，学习用户驾驶习惯，预测用户出行目的地，向信息推送服务器发送用户车辆状态信息、驾驶习惯和出行目的地，并接收和显示信息推送服务器所推送的信息；而信息推送服务器主要用于接收用户车辆状态信息、驾驶习惯和出行目的地，根据所接收到的信息判断用户的需求并自动获取用户所需的信息，然后向车载终端推送该信息。
[0005]总的来说，对于目的地预测的实现方式大致有两类：第一类是通过车机算力使用预测模型对历史行车轨迹和当前车辆状况信息进行分析，从而得到当前行车的预计目的地。此方式存在的问题主要是预测模型过于简单，预测结果不准，且对车机算力消耗较高。第二类是通过云端对历史行车轨迹构建复杂预测模型，并将预测结果发送到车机端。此类方式的预测精度虽然高，但是会受限于云端计算的网络带宽，并且会产生一些对应的隐私保护问题。
技术实现思路
[0006]本专利技术要解决的技术问题是提供一种目的地预测方法、装置、系统和电子设备，使得云端计算效率更高，能够有效保证数据的安全和计算的稳定性；车载边缘计算进行实时预测，对本地计算资源耗费低并且很好地保护了用户的隐私数据。
[0007]为解决上述技术问题，第一方面，本专利技术提供了一种目的地预测方法，应用于云端，包括：获取第一数据，其中所述第一数据为用于训练基础预测模型的序列数据；基于LSTM神经网络模型且使用统一分布式计算框架对所述第一数据进行训练、学习和迭代，得到所述基础预测模型；基于所述基础预测模型，根据第二数据得到潜在的目的地预测结果，其中所述第二数据为用于预测潜在的目的地的数据；将第三数据同步到车辆端，形成基础数据库，其中所述第三数据包括潜在的目的地预测结果。
[0008]可选地，所述第一数据包括以下数据的一种或多种：行车轨迹、用户信息、车辆设置信息和道路信息。
[0009]可选地，所述第一数据使用大数据技术进行存储。
[0010]可选地，所述第一数据和/或所述第二数据来自于车辆向所述云端发送的数据。
[0011]可选地，若监测到所述车辆发送数据，则更新所述云端的第一数据和/或第二数据。
[0012]可选地，所述第三数据还包括以下数据的一种或多种：用户用车行为习惯数据和导航偏好数据。
[0013]可选地，还包括：采用所述第二数据对所述基础预测模型进行修正。
[0014]第二方面，本专利技术提供了另一种目的地预测方法，应用于车辆端，包括：获取所述车辆用车时的实时数据，所述实时数据包括车辆位置数据、车况数据和用户数据；基于车载边缘计算，结合基础数据库计算得到各预测目的地的概率，其中所述基础数据库中的数据为从云端同步而来的数据。
[0015]可选地，还包括：将包括所述预测目的地的概率和最终目的地在内的数据反馈到所述云端。
[0016]第三方面，本专利技术提供了一种目的地预测装置，应用于云端，包括：第一获取模块，用于获取第一数据，其中所述第一数据为用于训练基础预测模型的序列数据；训练模块，用于基于LSTM神经网络模型且使用统一分布式计算框架对所述第一数据进行训练、学习和迭代，得到所述基础预测模型；第一预测模块，用于基于所述基础预测模型，根据第二数据得到潜在的目的地预测结果，其中所述第二数据为用于预测潜在的目的地的数据；同步模块，用于将第三数据同步到车辆端，形成基础数据库，其中所述第三数据包括潜在的目的地预测结果。
[0017]第四方面，本专利技术提供了另一种目的地预测装置，应用于车辆端，包括：第二获取模块，用于获取所述车辆用车时的实时数据，所述实时数据包括车辆位置数据、车况数据和用户数据；第二预测模块，用于基于车载边缘计算，结合基础数据库计算得到各预测目的地的概率，其中所述基础数据库中的数据为从云端同步而来的数据。
[0018]可选地，还包括反馈模块，所述反馈模块用于将包括所述预测目的地的概率和最终目的地在内的数据反馈到所述云端。
[0019]第五方面，本专利技术提供了一种目的地预测系统，包括：基础预测单元，所述基础预测单元用于执行如第一方面任一项所述的目的地预测方法；实时预测单元，所述实时预测单元用于执行如第二方面任一项所述的目的地预测方法。
[0020]第六方面，本专利技术提供了一种电子设备，包括：处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面或第二方面任一项所述的目的地预测方法的步骤。
[0021]第七方面，本专利技术提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面或第二方面任一项所述的目的地预测方法的步骤。
[0022]与现有技术相比，本专利技术具有以下优点：云端计算效率更高，能够有效保证数据的安全和计算的稳定性；车载边缘计算进行实时预测，对本地计算资源耗费低并且很好地保
护了用户的隐私数据，同时不受云端网络带宽限制，即使在车辆没有网络的情况下也能实时预测目的地。
附图说明
[0023]包括附图是为提供对本申请进一步的理解，它们被收录并构成本申请的一部分，附图示出了本申请的实施例，并与本说明书一起起到解释本申请原理的作用。附图中：
[0024]图1是本专利技术一实施例目的地预测方法的流程示意图；
[0025]图2是本专利技术另一实施例目的地预测方法的流程示意图一；
[0026]图3是本专利技术另一实施例目的地预测方法的流程示意图二；
[0027]图4是本专利技术一实施例目的地预测装置的结构示意图；
[0028]图5是本专利技术另一实施例目的地预测置的结构示意图一；
[0029]图6是本专利技术另一实施例目的地预测置的结构示意图二；
[0030]图7是本专利技术一实施例目的地预测系统的结构示意图；
[0031]图8是根据本专利技术一实施例示出的电子设备示意图。
具体实施方式
[0032]为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目的地预测方法，应用于云端，其特征在于，包括：获取第一数据，其中所述第一数据为用于训练基础预测模型的序列数据；基于LSTM神经网络模型且使用统一分布式计算框架对所述第一数据进行训练、学习和迭代，得到所述基础预测模型；基于所述基础预测模型，根据第二数据得到潜在的目的地预测结果，其中所述第二数据为用于预测潜在的目的地的数据；将第三数据同步到车辆端，形成基础数据库，其中所述第三数据包括潜在的目的地预测结果。2.如权利要求1所述的目的地预测方法，其特征在于，所述第一数据包括以下数据的一种或多种：行车轨迹、用户信息、车辆设置信息和道路信息。3.如权利要求1所述的目的地预测方法，其特征在于，所述第一数据使用大数据技术进行存储。4.如权利要求1所述的目的地预测方法，其特征在于，所述第一数据和/或所述第二数据来自于车辆向所述云端发送的数据。5.如权利要求4所述的目的地预测方法，其特征在于，若监测到所述车辆发送数据，则更新所述云端的第一数据和/或第二数据。6.如权利要求1所述的目的地预测方法，其特征在于，所述第三数据还包括以下数据的一种或多种：用户用车行为习惯数据和导航偏好数据。7.如权利要求1所述的目的地预测方法，其特征在于，还包括：采用所述第二数据对所述基础预测模型进行修正。8.一种目的地预测方法，应用于车辆端，其特征在于，包括：获取所述车辆用车时的实时数据，所述实时数据包括车辆位置数据、车况数据和用户数据；基于车载边缘计算，结合基础数据库计算得到各预测目的地的概率，其中所述基础数据库中的数据为从云端同步而来的数据。9.如权利要求8所述的目的地预测方法，其特征在于，还包括：将包括所述预测目的地的概率和最终目的地在内的数据反馈到所述云端。10.一种目的地预测装置，应用于云端，其特征...
【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：合众新能源汽车股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。