一种路径规划方法、装置、设备、存储介质及程序产品制造方法及图纸

本申请提供了一种路径规划方法、装置、设备、存储介质及程序产品；本申请实施例可以应用于智慧交通、自动驾驶、车载等的路径规划场景中，涉及人工智能技术；该方法包括：针对指定的出发地和目的地进行路径生成，得到至少两条待选择路径；获取T个历史周期的历史候选路径的路径数据、T个历史周期的路径选择标签，以及T个历史周期的天气数据；基于前T

【技术实现步骤摘要】
一种路径规划方法、装置、设备、存储介质及程序产品


[0001]本申请涉及人工智能技术，尤其涉及一种路径规划方法、装置、设备、存储介质及程序产品。

技术介绍

[0002]路径规划是人工智能技术的一个重要应用，其是指针对使用者所指定的出发地和目的地，为使用者规划合理的路线。然而，使用者在出行时，不仅会考虑车流量等道路因素，还需要考虑天气等因素，例如，未来时间段是否下雨，会影响使用者能否骑行或步行进行通勤。然而，相关技术中，只是简单的将天气数据匹配到规划的路线上，即实际的路径规划过程缺乏对天气数据的运用，仍然需要使用者根据天气手动选择路线，影响了路径规划的智能程度。

技术实现思路

[0003]本申请实施例提供一种路径规划方法、装置、设备、计算机可读存储介质及计算机程序产品，能够提高路径规划的智能程度。
[0004]本申请实施例的技术方案是这样实现的：
[0005]本申请实施例提供一种路径规划方法，包括：
[0006]针对指定的出发地和目的地进行路径生成，得到至少两条待选择路径；
[0007]获取T个历史周期的历史候选路径的路径数据、T个所述历史周期的路径选择标签，以及T个所述历史周期的天气数据；其中，T为正整数，T≥3；
[0008]基于前T
‑
1个所述历史周期的所述历史候选路径的路径数据和所述天气数据，以及后T
‑
1个所述历史周期的所述路径选择标签，构建路径选择模型集合；
[0009]基于所述路径选择模型集合、T个所述历史周期的所述历史候选路径的路径数据和所述天气数据，针对每个所述待选择路径确定选择概率；
[0010]基于所述选择概率，从至少两个所述待选择路径中筛选得到目标规划路径，完成路径规划。
[0011]本申请实施例提供一种路径规划装置，包括：
[0012]路径生成模块，用于针对指定的出发地和目的地进行路径生成，得到至少两条待选择路径；
[0013]数据获取模块，用于获取T个历史周期的历史候选路径的路径数据、T个所述历史周期的路径选择标签，以及T个所述历史周期的天气数据；其中，T为正整数，T≥3；
[0014]模型构建模块，用于基于前T
‑
1个所述历史周期的所述历史候选路径的路径数据和所述天气数据，以及后T
‑
1个所述历史周期的所述路径选择标签，构建路径选择模型集合；
[0015]概率确定模块，用于基于所述路径选择模型集合、T个所述历史周期的所述历史候选路径的路径数据和所述天气数据，针对每个所述待选择路径确定选择概率；
个所述历史周期的天气数据进行特征编码，得到上文天气特征；利用第t
‑
1个所述历史周期的上文模型子集中的初始隐层模型，对第t
‑
1个所述历史周期的隐层特征进行特征编码，得到上文编码特征；对所述上文路径特征、所述上文天气特征、所述上文编码特征进行叠加计算，得到第t个所述历史周期的上文隐层分量。
[0023]在本申请的一些实施例中，所述模型构建模块，还用于对前T
‑
1个所述历史周期的目标模型集合中的每个模型分别进行均值计算，并利用每个模型的模型均值，构建得到所述路径选择模型集合。
[0024]在本申请的一些实施例中，所述概率确定模块，还用于将前T
‑
1个所述历史周期的历史候选路径的路径数据的均值，确定为第T+2个所述历史周期的路径估计数据；将前T
‑
1个所述历史周期的天气数据的均值，确定为第T+2个所述历史周期的天气估计数据；将前T
‑
1个所述历史周期的隐层特征的均值，确定为第T+2个所述历史周期的隐层估计特征和第T个所述历史周期的隐层特征；利用第T个所述历史周期的所述历史候选路径的路径数据、天气数据和隐层特征，第T+2个所述历史周期的路径估计数据、天气估计数据和隐层估计特征，以及所述路径选择模型集合，确定每个所述待选择路径的选择概率。
[0025]在本申请的一些实施例中，所述概率确定模块，还用于从所述路径选择模型集合中，解析得到目标联邦模型、目标隐层模型、第T个所述历史周期的目标模型子集，以及第T+2个所述历史周期的目标模型子集；利用第T个所述历史周期的路径数据、天气数据、隐层特征，以及第T个所述历史周期的目标参数子集，计算得到每个所述待选择路径的目标上文特征；利用第T+2个所述历史周期的路径估计数据、天气估计数据和隐层估计特征，以及第T+2个所述历史周期的目标参数子集，计算得到每个所述待选择路径的目标下文特征；利用所述目标联邦模型参数，对所述目标上文特征、所述目标下文特征和所述目标隐层模型的偏置分量的融合结果进行特征提取，得到每条所述待选择路径的目标中间特征；将所述目标中间特征和所述目标上文特征中的天气子特征进行融合，并将目标融合结果的概率预测结果，确定为每条所述待选择路径的选择概率。
[0026]在本申请的一些实施例中，所述路径筛选模块，还用于将至少两个所述待选择路径中选择概率最大的待选择路径进行筛选，得到所述目标规划路径。
[0027]本申请实施例提供一种路径规划设备，包括：
[0028]存储器，用于存储可执行指令；
[0029]处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的路径规划方法。
[0030]本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的路径规划方法。
[0031]本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时实现本申请实施例提供的路径规划方法。
[0032]本申请实施例具有以下有益效果：路径规划设备在构建路径选择模型集合时，不仅会采用基于历史周期的历史候选路径的路径数据，还会结合历史周期的天气数据，建立路径选择过程同时与道路本身和天气的隐式关系，并基于所得到的路径选择模型集合，以及历史周期的道路情况和天气情况，为初步生成的待选择路径确定对应的选择概率，从而
筛选得到更加合理的目标规划路径，提升了路径规划的智能程度。
附图说明
[0033]图1是本申请实施例提供的路径规划系统的架构示意图；
[0034]图2是本申请实施例提供的图1中的服务器的结构示意图；
[0035]图3是本申请实施例提供的路径规划方法的流程示意图一；
[0036]图4是本申请实施例提供的路径规划方法的流程示意图二；
[0037]图5是本申请实施例提供的路径规划方法的流程示意图三；
[0038]图6是本申请实施例提供的路径规划方法的流程示意图四；
[0039]图7是本申请实施例提供的路径规划方法的流程示意图五；
[0040]图8是本申请实施例提供的路径规划过程的示意图。
具体实施方式
[0041]为了使本申请的目的、技术方案和优点更加清楚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路径规划方法，其特征在于，所述方法包括：针对指定的出发地和目的地进行路径生成，得到至少两条待选择路径；获取T个历史周期的历史候选路径的路径数据、T个所述历史周期的路径选择标签，以及T个所述历史周期的天气数据；其中，T为正整数，T≥3；基于前T
‑
1个所述历史周期的所述历史候选路径的路径数据和所述天气数据，以及后T
‑
1个所述历史周期的所述路径选择标签，构建路径选择模型集合；基于所述路径选择模型集合、T个所述历史周期的所述历史候选路径的路径数据和所述天气数据，针对每个所述待选择路径确定选择概率；基于所述选择概率，从至少两个所述待选择路径中筛选得到目标规划路径，完成路径规划。2.根据权利要求1所述的方法，其特征在于，所述基于前T
‑
1个所述历史周期的所述历史候选路径的路径数据和所述天气数据，以及后T
‑
1个所述历史周期的所述路径选择标签，构建路径选择模型集合，包括：基于前T
‑
1个所述历史周期的所述历史候选路径的路径数据和所述天气数据，以及后T
‑
1个所述历史周期的所述路径选择标签，针对前T
‑
1个所述历史周期分别确定目标模型集合；利用前T
‑
1个所述历史周期的所述目标模型集合，构建得到所述路径选择模型集合。3.根据权利要求2所述的方法，其特征在于，所述基于前T
‑
1个所述历史周期的所述历史候选路径的路径数据和所述天气数据，以及后T
‑
1个所述历史周期的所述路径选择标签，针对前T
‑
1个所述历史周期分别确定目标模型集合，包括：针对T
‑
1个所述历史周期，分别生成初始路径模型、初始天气模型、初始隐层模型和初始联邦模型；利用第t
‑
1个所述历史周期和第t+1个所述历史周期各自的初始路径模型、初始天气模型、初始隐层模型，以及第t个所述历史周期的初始联邦模型和初始隐层模型，生成第t个所述历史周期的待调整模型集合；其中，t为整数，2≤t≤T
‑
1；基于第t
‑
1个所述历史周期至第t+1个所述历史周期中的每个所述历史周期的路径数据和天气数据，以及第t个所述历史周期的路线选择标签，对第t个所述历史周期的待调整模型集合中的模型进行参数调整，并利用完成参数调整的模型确定第t个所述历史周期的目标模型集合。4.根据权利要求3所述的方法，其特征在于，所述利用第t
‑
1个所述历史周期和第t+1个所述历史周期各自的初始路径模型、初始天气模型、初始隐层模型，以及第t个所述历史周期的初始联邦模型和初始隐层模型，生成第t个所述历史周期的待调整模型集合，包括：利用第t
‑
1个所述历史周期的初始路径模型、初始天气模型、初始隐层模型，确定第t个所述历史周期的上文模型子集；利用第t+1个所述历史周期的初始路径模型、初始天气模型、初始隐层模型，确定第t个所述历史周期的下文模型子集；基于所述上文模型子集、所述下文模型子集，以及第t个所述历史周期的初始联邦模型和初始隐层模型，生成第t个所述历史周期的待调整模型集合。5.根据权利要求4所述的方法，其特征在于，所述基于第t
‑
1个所述历史周期至第t+1个
所述历史周期中的每个所述历史周期的路径数据和天气数据，以及第t个所述历史周期的路线选择标签，对第t个所述历史周期的待调整模型集合中的模型进行参数调整，并利用完成参数调整的模型确定第t个所述历史周期的目标模型集合，包括：利用第t
‑
1个所述历史周期的路径数据、天气数据、隐层特征，以及第t个所述历史周期的待调整模型集合中的所述上文模型子集，计算得到第t个所述历史周期的上文隐层分量；针对第t+1个所述历史周期的隐层进行特征估计，得到第t+1个所述历史周期的隐层特征；利用第t+1个所述历史周期的路径数据、天气数据、隐层特征，以及第t个所述历史周期的待调整模型集合中的所述下文模型子集，计算得到第t个所述历史周期的下文隐层分量；基于所述上文隐层分量、所述下文隐层分量和所述路径选择标签，对第t个所述历史周期的待调整模型集合中的各个模型进行参数调整，并利用完成参数调整的模型确定第t个所述历史周期的所述目标模型集合。6.根据权利要求5所述的方法，其特征在于，所述基于所述上文隐层分量、所述下文隐层分量和所述路径选择标签，对第t个所述历史周期的待调整模型集合中的各个模型进行参数调整，并利用完成参数调整的模型确定第t个所述历史周期的所述目标模型集合，包括：将所述上文隐层分量、所述下文隐层分量，以及所述待调整模型集合中的初始隐层模型的偏置分量进行融合，得到第t个所述历史周期的隐层特征；利用第t个所述历史周期的待调整模型集合中的初始联邦模型，对第t个所述历史周期的隐层特征进行特征提取，得到中间特征；利用第t个所述历史周期的初始天气模型，对第t个所述历史周期的天气数据进行特征提取，得到天气特征；针对所述中间特征和所述天气特征的融合结果进行概率预测，得到第t个所述历史周期的历史候选路径的预测概率；基于所述预测概率和第t个所述历史周期的所述路径选择标签之间...

【专利技术属性】
技术研发人员：钟子宏，
申请(专利权)人：腾讯云计算北京有限责任公司，
类型：发明
国别省市：