目的地的预测方法、装置、终端和存储介质与流程

本发明涉及智能技术领域，尤其涉及一种目的地的预测方法、装置、终端和存储介质。

背景技术：

随着经济的发展和人民生活水平的提高，汽车几乎成为用户出行的必需品，准确地预测出用户的目的地，从而更好的规划交通尤其重要。

在实际应用中，主要基于历史出行订单来预测用户的目的地，具体地，计算获取每一个目的地对应的接单时刻的平均值和方差，根据当前时刻和每一个目的地对应的接单时刻的平均值和方差，预测用户的目的地。

然而，由于正常的私家车没有历史订单数据，无法采用上述方案来预测用户的目的地，导致无法准确预测地用户的目的地，影响用户体验。

技术实现要素：

为解决现有技术中存在的问题，本发明提供一种目的地的预测方法、装置、终端和存储介质，以提高对目的地预测的准确性，提高用户体验。

第一方面，本发明实施例提供一种目的地的预测方法，包括：

获取用户的出行数据，所述出行数据包括所述用户的多个出行地点和每个出行地点对应的出行时间；

将所述出行数据输入到目的地预测模型中，获取所述用户的目的地，其中，所述目的地预测模型为预先获取的根据用户的出行地点和出行时间确定目的地的模型。

可选的，所述方法还包括：

获取所述用户的多个历史出行链，每个历史出行链包括多个出行地点和每个出行地点对应的出行时间；

根据所述多个历史出行链训练得到所述目的地预测模型。

可选的，所述获取用户的出行数据之后，所述方法还包括：

采用独热编码，对所述出行数据进行编码，得到多个特征向量。

可选的，所述出行数据包括至少三个出行地点和每个出行地点对应的出行时间。

可选的，所述目的地预测模型包括长短期记忆网络lstm模型和隐马尔可夫模型hmm模型；

其中，所述lstm模型的输出为所述hmm模型的输入，所述hmm模型为一阶hmm模型。

第二方面，本发明实施例提供一种目的地的预测装置，包括：

获取模块，用于获取用户的出行数据，所述出行数据包括所述用户的多个出行地点和每个出行地点对应的出行时间；

所述获取模块，还用于将所述出行数据输入到目的地预测模型中，获取所述用户的目的地，其中，所述目的地预测模型为预先获取的根据用户的出行地点和出行时间确定目的地的模型。

可选的，所述获取模块还用于：

获取所述用户的多个历史出行链，每个历史出行链包括多个出行地点和每个出行地点对应的出行时间；

训练模块，用于根据所述多个历史出行链训练得到所述目的地预测模型。

可选的，所述装置还包括编码模块，所述编码模块用于：

采用独热编码，对所述出行数据进行编码，得到多个特征向量。

可选的，所述出行数据包括至少三个出行地点和每个出行地点对应的出行时间。

可选的，所述目的地预测模型包括长短期记忆网络lstm模型和隐马尔可夫模型hmm模型；

其中，所述lstm模型的输出为所述hmm模型的输入，所述hmm模型为一阶hmm模型。

第三方面，本发明实施例提供一种车载终端，包括：

至少一个处理器和存储器；所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面所述的目的地预测方法。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面所述的目的地预测方法。

本发明提供的目的地的预测方法、装置、终端和存储介质，通过获取用户的出行数据，该出行数据包括该用户的多个出行地点和每个出行地点对应的出行时间，将该出行数据输入到目的地预测模型中，获取该用户的目的地，其中，目的地预测模型为预先获取的根据用户的出行地点和出行时间确定目的地的模型。结合多个出行地点和每个出行地点预测用户的目的地，从而能够准确预测用户的目的地，提升了用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的目的地的预测方法的流程示意图一；

图2为本发明实施例提供的目的地的预测方法的流程示意图二；

图3为本发明实施例提供的目的地的预测模型的示意图；

图4为本发明实施例提供的目的地的预测装置的结构示意图一；

图5为本发明实施例提供的目的地的预测装置的结构示意图二；

图6为本发明实施例提供的车载终端的硬件结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供的目的地的预测方法可以应用于需要对用户的目的地进行预测的应用场景中，尤其应用在对预测出的用户的目的地的准确性要求较高的场景中。通常用户每天的出行呈现一定的规律，例如：家-公司–幼儿园-家，这也称为该用户的出行链，出行链是指将用户一天中一连串始于的地点、最后以该地点为终点的出行活动顺序链接起来，所形成的闭合链。

准确地预测用户的目的地不仅可以提前规划路线，例如：当预测到用户a的目的地是公司时，可以向用户a推送当前时间公司附近的路况、推荐优化导航路线等，并且车载终端也可以向用户提供更好的车载服务，例如：当预测到用户a的目的地是加油站时，可以向用户推送加油站相关的折扣信息和服务等，提升用户体验。

目前，通常基于用户的历史出行订单来预测用户的目的地，首先计算获取历史出行订单中每一个目的地对应的接单时刻的平均值和方差，在实际应用中，根据当前时刻和每一个目的地对应的接单时刻的平均值和方差，预测用户意图目的地。然而，上述预测用户的目的地的方案，仅基于有历史订单数据的前提下，而对于正常的私家车由于没有历史订单数据，无法采用上述方案来预测用户目的地，导致无法准确预测地用户的目的地，影响用户体验。

本发明实施例考虑到上述问题，提出了一种目的地的预测方法，该方法中车载终端获取用户的出行数据，该出行数据包括该用户的多个出行地点和每个出行地点对应的出行时间，将该出行数据输入到目的地预测模型中，获取该用户的目的地，其中，目的地预测模型为预先获取的根据用户的出行地点和出行时间确定目的地的模型。结合多个出行地点和每个出行地点来预测用户的目的地，从而可以准确预测用户的目的地，提升了用户体验。

下面以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图1为本发明实施例提供的目的地的预测方法的流程示意图一。本发明实施例提供了一种目的地的预测方法，该方法可以由任意执行目的地的预测方法的装置来执行，该装置可以通过软件和/或硬件实现。本实施例中，该装置可以集成在车载终端中。如图1所示，本发明实施例提供的目的地的预测方法包括如下步骤：

s101、获取用户的出行数据。

用户的出行数据可以为用户的出行链上已出行的多个出行地点和每个出行地点对应的出行时间，每个出行地点对应的出行时间为从每个出行地点出行的时间。

可选的，出行数据包括至少三个出行地点和每个出行地点对应的出行时间。

可选的，用户的出行链可以通过以下方式获得：

将每一个出行地点标记为一个二元组t(t,l)，l为标定该地点的标签，如“家”、“公司”、“幼儿园”等，这些标签可以利用车载终端安装的地图软件得到，具体地，该地图软件记录用户的出行轨迹，车载终端调用该地图软件对应的应用程序编程接口(applicationprogramminginterface，api)，获取用户的出行轨迹，通过经纬度反推，得到用户的各个出行地点，然后根据用户操作，对每个地点设置标签，如：“家”、“学校”等，从而获得用户的整个出行链，如：家-公司-幼儿园-家。

t为出行地点对应的出行时间。

本步骤中的出行地点也可以通过调用地图软件对应的api获得，在此不再赘述。

可选的，获取用户的出行数据之后，所述方法还包括：

采用独热编码，对出行数据进行编码，得到多个特征向量。下面对特征向量进行详细说明。

由于出行数据包括出行地点和出行时间，则对出行数据进行编码包括对出行地点和出行时间进行编码，从而得到特征向量。

举例来说，若出行链上的地点有3个，分别是家、公司、幼儿园，则采用独热编码(one-hotcode)，对“家”编码，结果为一个三维的向量[1,0,0]。由于出行时间包括日期和分钟，若日期是周一，则对日期进行独热编码结果为一个七维向量[1,0,0,0,0,0,0]，若分钟为上午7点，即一天的第420分钟，由于一天是1440分钟，即为一个1440维的向量，第420维为1，其他为0。进一步，将出行地点和出行时间构成一个特征向量，即“家-上午7点”对应一个1450维的特征向量，同理，可以采用上述方法对其他出行地点和出行时间进行编码，得到该出行时间和出行时间对应的获取特征向量。

s102、将该出行数据输入到目的地预测模型中，获取该用户的目的地。

目的地预测模型为预先获取的根据用户的出行地点和出行时间确定目的地的模型，即根据预先获取的该用户的多个出行地点和每个出行地点对应的出行时间训练得到该目的地预测模型。

在本步骤中，将出行数据输入到目的地预测模型中，该目的地预测模型输出为该用户的目的地。

可选的，将多个特征向量输入到目的地预测模型中，得到用户的目的地。

本实施例提供的目的地的预测方法，通过获取用户的出行数据，该出行数据包括该用户的多个出行地点和每个出行地点对应的出行时间，将该出行数据输入到目的地预测模型中，获取该用户的目的地，其中，目的地预测模型为预先获取的根据用户的出行地点和出行时间确定目的地的模型。结合多个出行地点和每个出行地点来预测用户的目的地，从而可以准确预测用户的目的地，提高了用户体验。

图2为本发明实施例提供的目的地的预测方法的流程示意图二，在获取用户的出行数据之前，目的地预测方法还包括以下步骤：

s201、获取用户的多个历史出行链。

每个历史出行链包括多个出行地点和每个出行地点对应的出行时间。可选的，用户的多个历史出行链为该用户在过去90天内的出行数据，多个历史出行链可以为包含多个不同出行地点的不同出行链，例如，出行链a为：家-学校-公司-家，出行链b为：家-超市-加油站-公司-家。

对于出行链的获取方式可参照s101的相关描述，在此不再赘述。

s202、根据多个历史出行链训练得到目的地预测模型。

每个历史出行链包括多个出行地点和每个出行地点对应的出行时间，可选的，出行数据包括至少三个出行地点和每个出行地点对应的出行时间。

参照图3对目的地预测模型进行详细说明，图3为本发明实施例提供的目的地预测模型的示意图，如图3所示，该目的地预测模型包括长短期记忆网络lstm模型和隐马尔可夫模型hmm模型，其中，lstm模型的输出为hmm模型的输入，hmm模型为一阶hmm模型。

本领域技术人员应理解，一阶hmm模型的公式为：

其中，p{w1}表示向量w1出现的次数，p{w1,w2}表示向量组合(w1,w2)出现的概率，采用拉普拉斯平滑，避免很多概率为0的情况，即公式调整为：

在本方案中，若采用一阶hmm模型，则对目的地的预测只考虑了前面一个出行地点和其对应的出行时间，并未考虑多个出行地点和出行时间，因此结合lstm模型，即考虑出行链上多个已出行地点和其对应的出行时间，即本方案中的目的地的预测模型。

应理解，本方案的目的地预测模型可以但不限于包括lstm模型和hmm模型，还可以是二阶hmm模型，三阶hmm模型，同时，也不限于lstm模型，还可以是循环神经网络模型(recurrentneuralnetwork，rnn)以及lstm模型的各种变形体，本方案对此不做限制。

下面以该目的地预测模型包括长短期记忆网络lstm模型和隐马尔可夫模型hmm模型为例，进行详细说明。

如图3所示，onehotvector层输入的是出行地点和出行时间，如：家-7点，学校-8点，图3中的a、d、c、a为出行地点，t1、t2、t3、t4分别为出行地点对应的出行时间，look-uplayer层将onehotvector层输入的出行地点和其对应的出行时间转化成多个特征向量(x1、x2、x3、x4)，将出行地点和出行时间转换为特征向量的方式参考上述图1实施例的相关描述，在此不再赘述。

进一步，将特征向量x1、x2、x3、x4分别作为lstm模型的输入，lstm模型的输出为hmm模型的输入，hmm模型的输出p5则为预测出的目的地的概率。

在本步骤中，车载终端根据多个历史出行链训练得到目的地预测模型，使得该目的地预测模型的输出接近实际的目的地。

s203、获取用户的出行数据。

s204、将该出行数据输入到目的地预测模型中，获取该用户的目的地。

可选的，出行数据包括至少三个出行地点和每个出行地点对应的出行时间。

在上述步骤中，用户的出行数据可以为家-7点、公司-8点、幼儿园-17点，将该出行数据输入到目的地预测模型中，该模型输出80％-家、10％-公司、10％-幼儿园，表示用户目的地为家的概率为80％，同理，目的地为公司的概率为10％，目的地为幼儿园的概率为10％，判断概率最高的地点则为预测出的该用户的目的地。

本发明实施例提供的目的地的预测方法，通过获取用户的多个历史出行链，根据多个历史出行链训练得到目的地预测模型，获取用户的出行数据，将该出行数据输入到目的地预测模型中，获取该用户的目的地。结合多个出行地点和每个出行地点来预测用户的目的地，从而可以准确预测用户的目的地，提高了用户体验。

图4为本发明实施例提供的目的地的预测装置的结构示意图一。该目的地的预测装置可以为独立的车载终端，也可以为集成在车载终端中的装置，该装置可以通过软件、硬件或者软硬件结合的方式实现。如图4所示，该目的地的预测装置40包括：获取模块401、训练模块402。

获取模块401，用于获取用户的出行数据，所述出行数据包括所述用户的多个出行地点和每个出行地点对应的出行时间；

所述获取模块401，还用于将所述出行数据输入到目的地预测模型中，获取所述用户的目的地，其中，所述目的地预测模型为预先获取的根据用户的出行地点和出行时间确定目的地的模型。

可选的，所述获取模块401还用于：

获取所述用户的多个历史出行链，每个历史出行链包括多个出行地点和每个出行地点对应的出行时间；

训练模块402，用于根据所述多个历史出行链训练得到所述目的地预测模型。

本发明实施例提供的目的地的预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

图5为本发明实施例提供的目的地的预测装置的结构示意图二，在上述图4实施例的基础上，该目的地的预测装置40还包括：编码模块403。

可选的，所述获取模块401还用于：

获取所述用户的出行地点和每个出行地点对应的出行时间；

编码模块403，用于采用独热编码，对所述出行地点和每个出行地点对应的出行时间进行编码，得到特征向量；所述出行数据为所述特征向量。

可选的，所述出行数据包括至少三个出行地点和每个出行地点对应的出行时间。

可选的，所述目的地预测模型包括长短期记忆网络lstm模型和隐马尔可夫模型hmm模型；

其中，所述lstm模型的输出为所述hmm模型的输入，所述hmm模型为一阶hmm模型。

本发明实施例提供的目的地的预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

图6为本发明实施例提供的车载终端的硬件结构示意图，如图6所示，该车载终端60包括：至少一个处理器602和存储器601；所述存储器601存储计算机执行指令；

所述至少一个处理器602执行所述存储器601存储的计算机执行指令，使得所述至少一个处理器602执行如上所述的目的地预测方法。

可选地，存储器601既可以是独立的，也可以跟处理器602集成在一起。

当存储器601独立设置时，该语音交互设备还包括总线603，用于连接所述存储器601和处理器602。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的目的地的预测方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。

应理解，上述处理器可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。

总线可以是工业标准体系结构(industrystandardarchitecture，isa)总线、外部设备互连(peripheralcomponent，pci)总线或扩展工业标准体系结构(extendedindustrystandardarchitecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(applicationspecificintegratedcircuits，简称：asic)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。