本公开涉及一种目的地预测方法、装置、介质及电子设备，所述方法包括：获取与目标车辆相关的目标特征信息，其中，所述目标特征信息包括当前随机特征信息、所述目标车辆的目标历史行为轨迹信息，所述当前随机特征信息包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息；将所述目标特征信息输入到目的地预测模型中，得到所述目的地预测模型输出的所述目标车辆的预测目的地信息。通过上述技术方案，由于目的地预测模型在进行预测时的特征信息更为全面，因此通过该目的地预测模型得出的预测目的地信息更为准确。模型得出的预测目的地信息更为准确。模型得出的预测目的地信息更为准确。
【技术实现步骤摘要】
目的地预测方法、装置、介质及电子设备
[0001]本公开涉及计算机
，具体地，涉及一种目的地预测方法、装置、介质及电子设备。
技术介绍
[0002]车辆是人们日常生活中常用的交通工具，随着车辆技术的发展，车辆的智能化程度越来越高，例如用户准备出行时，可以对用户的目的地进行预测，从而为用户提供参考信息。相关技术中，通常根据车辆的历史轨迹信息对目的地进行预测，预测准确度较低，无法向用户提供准确的预测目的地结果。
技术实现思路
[0003]本公开的目的是提供一种目的地预测方法、装置、介质及电子设备，以提高目的地预测结果的准确性。
[0004]为了实现上述目的，第一方面，本公开提供一种目的地预测方法，所述方法包括：获取与目标车辆相关的目标特征信息，其中，所述目标特征信息包括当前随机特征信息、所述目标车辆的目标历史行为轨迹信息，所述当前随机特征信息包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息；将所述目标特征信息输入到目的地预测模型中，得到所述目的地预测模型输出的所述目标车辆的预测目的地信息。
[0005]可选地，所述目的地预测模型是通过如下方式训练得到的：获取用于训练所述目的地预测模型所需的原始训练数据，其中，所述原始训练数据包括多个车辆各自的历史行为轨迹信息、历史目的地信息、与所述历史行为轨迹信息相关的历史随机特征信息，所述历史随机特征信息包括历史节假日信息、历史通行时间信息、历史车辆限行信息、历史天气信息；通过所述原始训练数据对模型进行训练，以得到所述目的地预测模型。
[0006]可选地，所述通过所述原始训练数据对模型进行训练，包括：对所述原始训练数据进行预处理，得到目标训练数据；将所述目标训练数据存储到动态知识图谱中；通过所述动态知识图谱中存储的所述目标训练数据，对所述模型进行训练。
[0007]可选地，所述通过所述动态知识图谱中存储的所述目标训练数据，对所述模型进行训练，包括：针对每一所述车辆，根据该车辆的历史行为轨迹信息，对该车辆的历史行为轨迹进行行程划分，得到该车辆的历史行程轨迹信息；采用Word2vec模型中的Skip-Gram模型，分别对每一车辆的所述历史行程轨迹信息进行处理，得到所述车辆的行程轨迹特征向量信息；将所述车辆的行程轨迹特征向量信息以及与所述车辆的历史行为轨迹信息相关的历史随机特征信息作为所述模型的输入，将所述车辆的历史目的地信息作为所述模型的目标输出，对所述模型进行训练。
[0008]可选地，所述根据该车辆的历史行为轨迹信息，对该车辆的历史行为轨迹进行行程划分，包括：获取所述车辆从历史起始点信息到历史目的地信息中间经过的多个路程段；确定每一所述路程段各自对应的时长阈值；针对每一所述路程段，在所述车辆通过该路程
段的时长大于对应的时长阈值的情况下，在该路程段对所述车辆的历史行为轨迹进行划分。
[0009]可选地，所述确定每一所述路程段各自对应的时长阈值，包括：针对每一所述路程段，根据所述车辆通过所述路程段的时刻，确定预设时间段；根据在所述预设时间段内其他车辆通过该路程段所需的时长，确定所述时长阈值。
[0010]可选地，所述目的地预测模型包括多个SRU单元，所述SRU单元之间采用SDZ算法进行计算，所述SRU单元内的记忆单元状态的生成和隐藏层状态的生成均采用所述SDZ算法。
[0011]第二方面，本公开提供一种目的地预测装置，所述装置包括：目标特征信息获取模块，用于获取与目标车辆相关的目标特征信息，其中，所述目标特征信息包括当前随机特征信息、所述目标车辆的目标历史行为轨迹信息，所述当前随机特征信息包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息；输入模块，用于将所述目标特征信息输入到目的地预测模型中，得到所述目的地预测模型输出的所述目标车辆的预测目的地信息。
[0012]可选地，所述目的地预测模型是通过目的地预测模型的训练装置训练得到的，所述目的地预测模型的训练装置包括：训练数据获取模块，用于获取用于训练所述目的地预测模型所需的原始训练数据，其中，所述原始训练数据包括多个车辆各自的历史行为轨迹信息、历史目的地信息、与所述历史行为轨迹信息相关的历史随机特征信息，所述历史随机特征信息包括历史节假日信息、历史通行时间信息、历史车辆限行信息、历史天气信息；训练模块，用于通过所述原始训练数据对模型进行训练，以得到所述目的地预测模型。
[0013]可选地，所述训练模块，包括：预处理子模块，用于对所述原始训练数据进行预处理，得到目标训练数据；存储子模块，用于将所述目标训练数据存储到动态知识图谱中；训练子模块，用于通过所述动态知识图谱中存储的所述目标训练数据，对所述模型进行训练。
[0014]可选地，所述训练子模块，包括：行程划分子模块，用于针对每一所述车辆，根据该车辆的历史行为轨迹信息，对该车辆的历史行为轨迹进行行程划分，得到该车辆的历史行程轨迹信息；处理子模块，用于采用Word2vec模型中的Skip-Gram模型，分别对每一车辆的所述历史行程轨迹信息进行处理，得到所述车辆的行程轨迹特征向量信息；模型训练子模块，用于将所述车辆的行程轨迹特征向量信息以及与所述车辆的历史行为轨迹信息相关的历史随机特征信息作为所述模型的输入，将所述车辆的历史目的地信息作为所述模型的目标输出，对所述模型进行训练。
[0015]可选地，所述行程划分子模块，包括：获取子模块，用于获取所述车辆从历史起始点信息到历史目的地信息中间经过的多个路程段；确定子模块，用于确定每一所述路程段各自对应的时长阈值；划分子模块，用于针对每一所述路程段，在所述车辆通过该路程段的时长大于对应的时长阈值的情况下，在该路程段对所述车辆的历史行为轨迹进行划分。
[0016]可选地，所述确定子模块用于：针对每一所述路程段，根据所述车辆通过所述路程段的时刻，确定预设时间段；根据在所述预设时间段内其他车辆通过该路程段所需的时长，确定所述时长阈值。
[0017]第三方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面提供的所述方法的步骤。
[0018]第四方面，本公开提供一种电子设备，包括：存储器，其上存储有计算机程序；处理
器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。
[0019]通过上述技术方案，获取与目标车辆相关的目标特征信息，将该目标特征信息输入到目的地预测模型中，得到目的地预测模型输出的目标车辆的预测目的地信息。其中，该目标特征信息可包括当前随机特征信息，由于目标车辆的行驶轨迹以及可能的目的地信息受到多方面的影响，本公开中在对目标车辆的目的地进行预测时，综合当前随机特征信息，该当前随机特征信息可包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息。由于目的地预测模型在进行预测时的特征信息更为全面，因此通过该目的地预测模型得出的预测目的地信息更为准确，与目标车辆的用户的实际目的地更接近，更符本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目的地预测方法，其特征在于，所述方法包括：获取与目标车辆相关的目标特征信息，其中，所述目标特征信息包括当前随机特征信息、所述目标车辆的目标历史行为轨迹信息，所述当前随机特征信息包括当前节假日信息、当前通行时间信息、当前车辆限行信息、当前天气信息；将所述目标特征信息输入到目的地预测模型中，得到所述目的地预测模型输出的所述目标车辆的预测目的地信息。2.根据权利要求1所述的方法，其特征在于，所述目的地预测模型是通过如下方式训练得到的：获取用于训练所述目的地预测模型所需的原始训练数据，其中，所述原始训练数据包括多个车辆各自的历史行为轨迹信息、历史目的地信息、与所述历史行为轨迹信息相关的历史随机特征信息，所述历史随机特征信息包括历史节假日信息、历史通行时间信息、历史车辆限行信息、历史天气信息；通过所述原始训练数据对模型进行训练，以得到所述目的地预测模型。3.根据权利要求2所述的方法，其特征在于，所述通过所述原始训练数据对模型进行训练，包括：对所述原始训练数据进行预处理，得到目标训练数据；将所述目标训练数据存储到动态知识图谱中；通过所述动态知识图谱中存储的所述目标训练数据，对所述模型进行训练。4.根据权利要求3所述的方法，其特征在于，所述通过所述动态知识图谱中存储的所述目标训练数据，对所述模型进行训练，包括：针对每一所述车辆，根据该车辆的历史行为轨迹信息，对该车辆的历史行为轨迹进行行程划分，得到该车辆的历史行程轨迹信息；采用Word2vec模型中的Skip-Gram模型，分别对每一车辆的所述历史行程轨迹信息进行处理，得到所述车辆的行程轨迹特征向量信息；将所述车辆的行程轨迹特征向量信息以及与所述车辆的历史行为轨迹信息相关的历史随机特征信息作为所述模型的输入，将所述车辆的历史目的地信息作为所述模型的...
【专利技术属性】
技术研发人员：刘译璟，朱泽润，马国锐，徐若萱，孙伟，黄伟，赵丹，于帮付，苏海波，
申请(专利权)人：北京百分点信息科技有限公司，
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。