基于递归神经网络的目的地预测方法及服务器
阅读：955发布：2023-06-11
专利汇可以提供基于递归神经网络的目的地预测方法及服务器专利检索，专利查询，专利分析的服务。并且本 申请 涉及一种基于 递归神经网络 的目的地预测方法及 服务器 ，基于递归神经网络的目的地预测方法包括：获取车辆的历史停留数据，历史停留数据包括历史停留的 位置 与对应的时间，根据历史停留数据训练递归神经网络模型，获取当前时间和车辆当前的位置作为递归神经网络模型的输入，预测车辆的至少一个时间版本的目的地。通过这种方式，本申请能够通过 深度学习 递归神经网络的 算法 预测车辆即将到达的目的地，提高目的地预测的准确率。，下面是基于递归神经网络的目的地预测方法及服务器专利的具体信息内容。
1.一种基于递归神经网络的目的地预测方法，其特征在于，包括：
获取车辆的历史停留数据，所述历史停留数据包括历史停留的位置与对应的时间；
根据所述历史停留数据训练递归神经网络模型；
获取当前时间和所述车辆当前的位置作为所述递归神经网络模型的输入，预测所述车辆的至少一个时间版本的目的地。
2.根据权利要求1所述的基于递归神经网络的目的地预测方法，其特征在于，所述根据所述历史停留数据训练递归神经网络模型，包括：
将所述历史停留数据进行数据清洗、归一化以生成训练集，所述训练集的每个训练样本包括输入特征与目标值；
设置递归神经网络模型的超参数；
将所述训练集作为输入以进行递归神经网络模型训练。
3.根据权利要求2所述的基于递归神经网络的目的地预测方法，其特征在于，所述将所述训练集作为输入以进行递归神经网络模型训练，包括：
按顺序从所述训练集中读取训练样本的输入特征以计算递归神经网络中每个隐藏层节点的输出以及输出层每个节点的输出；
根据每个隐藏层节点的输出、输出层每个节点的输出及对应训练样本的目标值计算每个节点的误差项；
更新递归神经网络中每个连接的权值，依此迭代反复以完成递归神经网络模型的训练。
4.根据权利要求3所述的基于递归神经网络的目的地预测方法，其特征在于，迭代次数根据遍历次数、训练样本的数量及每次迭代读取的训练样本数量确定。
5.根据权利要求3所述的基于递归神经网络的目的地预测方法，其特征在于，所述更新递归神经网络中每个连接的权值，包括：
基于随机梯度下降算法更新递归神经网络中每个连接的权值。
6.根据权利要求2所述的基于递归神经网络的目的地预测方法，其特征在于，所述根据所述历史停留数据训练递归神经网络模型，还包括：
将清洗归一化后的历史停留数据按照时间划分为测试集与所述训练集；
在根据所述训练集进行递归神经网络模型的训练后，利用所述测试集评估所述递归神经网络模型的预测准确率。
7.根据权利要求6所述的基于递归神经网络的目的地预测方法，其特征在于，所述将清洗归一化后的历史停留数据按照时间划分为测试集与所述训练集，包括：
将所述历史停留数据中时间位于指定时刻之前的早期数据划分为训练集，将所述历史停留数据中时间位于指定时刻之后的晚期数据划分为测试集。
8.根据权利要求2所述的基于递归神经网络的目的地预测方法，其特征在于，所述将所述历史停留数据进行数据清洗、归一化，包括：
对获取的历史停留数据进行清洗得到特征数据和标注数据；
对所述特征数据和标注数据进行特征归一化处理以生成可用于模型训练的历史停留数据。
9.一种服务器，其特征在于，包括存储器和处理器，所述存储器存储有至少一条程序指令；所述处理器通过加载并执行所述至少一条程序指令以实现如权利要求1至8中任一项所述的基于递归神经网络的目的地预测方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如权利要求1至8中任一项所述的基于递归神经网络的目的地预测方法。
基于递归神经网络的目的地预测方法及服务器
技术领域
[0001] 本申请涉及神经网络技术领域，具体涉及一种基于递归神经网络的目的地预测方法及服务器。
背景技术
[0003] 一方面，随着无线通信技术的快速发展，汽车逐渐成为了互联网中的一个重要节点，成了人们获取信息的重要渠道，如果这些信息的获取需要用户先进行人机交互，将使得汽车只能被动地去获取和展示信息，而不能自动感知用户的需求来主动为用户提供其所需的信息，进行目的地预测可以让汽车获知用户的目的地和需求，进而主动地为用户提供相关信息。另一方面，汽车拥有量的快速增加为交通拥堵缓解等城市管理工作带来巨大挑战，车辆位置的精准预测对于城市交通安全具有重要意义，是全球共同关注的问题。然而，用户驾车出行的路线既会受到自身行为习惯的影响，还会受到外部条件的约束，而传统进行目的地预测的关联规则算法属于无记忆算法，预测的准确率低。发明内容
[0004] 本申请的目的在于，提供一种基于递归神经网络的目的地预测方法及服务器，其可以解决上述技术问题，能够通过深度学习递归神经网络的算法预测车辆即将到达的目的地，提高目的地预测的准确率。
[0005] 为解决上述技术问题，本申请提供一种基于递归神经网络的目的地预测方法，包括：
[0006] 获取车辆的历史停留数据，所述历史停留数据包括历史停留的位置与对应的时间；
[0007] 根据所述历史停留数据训练递归神经网络模型；
[0008] 获取当前时间和所述车辆当前的位置作为所述递归神经网络模型的输入，预测所述车辆的至少一个时间版本的目的地。
[0009] 其中，所述根据所述历史停留数据训练递归神经网络模型，包括：
[0010] 将所述历史停留数据进行数据清洗、归一化以生成训练集，所述训练集的每个训练样本包括输入特征与目标值；
[0011] 设置递归神经网络模型的超参数；
[0012] 将所述训练集作为输入以进行递归神经网络模型训练。
[0013] 其中，所述将所述训练集作为输入以进行递归神经网络模型训练，包括：
[0015] 根据每个隐藏层节点的输出、输出层每个节点的输出及对应的目标值计算每个节点的误差项；
[0016] 更新递归神经网络中每个连接的权值，依此迭代反复以完成递归神经网络模型的训练。
[0017] 其中，迭代次数根据遍历次数、训练样本的数量及每次迭代读取的训练样本数量确定。
[0018] 其中，所述更新递归神经网络中每个连接的权值，包括：
[0019] 基于随机梯度下降算法更新递归神经网络中每个连接的权值。
[0020] 其中，所述根据所述历史停留数据训练递归神经网络模型，还包括：
[0021] 将清洗归一化后的历史停留数据按照时间划分为测试集与所述训练集；
[0022] 在根据所述训练集进行递归神经网络模型的训练后，利用所述测试集评估所述递归神经网络模型的预测准确率。
[0023] 其中，所述将清洗归一化后的历史停留数据按照时间划分为测试集与所述训练集，包括：
[0025] 其中，所述将所述历史停留数据进行数据清洗、归一化，包括：
[0026] 对获取的历史停留数据进行清洗得到特征数据和标注数据；
[0027] 对所述特征数据和标注数据进行特征归一化处理以生成可用于模型训练的数据。
[0028] 本申请还提供一种服务器，包括存储器和处理器，所述存储器存储有至少一条程序指令；所述处理器通过加载并执行所述至少一条程序指令以实现如上所述的基于递归神经网络的目的地预测方法。
[0029] 本申请还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上所述的基于递归神经网络的目的地预测方法。
[0030] 本申请的基于递归神经网络的目的地预测方法及服务器，基于递归神经网络的目的地预测方法包括：获取车辆的历史停留数据，历史停留数据包括历史停留的位置与对应的时间，根据历史停留数据训练递归神经网络模型，获取当前时间和车辆当前的位置作为递归神经网络模型的输入，预测车辆的至少一个时间版本的目的地。通过这种方式，本申请能够通过深度学习递归神经网络的算法预测车辆即将到达的目的地，提高目的地预测的准确率。
[0031] 上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。
附图说明
[0032] 图1是根据一示例性实施例示出的一种基于递归神经网络的目的地预测方法的流程示意图。
[0033] 图2是根据一示例性实施例示出的一种服务器的结构示意图。
具体实施方式
[0034] 为更进一步阐述本申请为达成预定申请目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本申请基于递归神经网络的目的地预测方法及服务器提出的具体实施方式、方法、步骤、结构、特征及其效果，详细说明如下。
[0035] 有关本申请的前述及其他技术内容、特点及功效，在以下配合参考图式的较佳实施例的详细说明中将可清楚呈现。通过具体实施方式的说明，当可对本申请为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，然而所附图式仅是提供参考与说明之用，并非用来对本申请加以限制。
[0036] 图1是根据一示例性实施例示出的一种基于递归神经网络的目的地预测方法的流程示意图。请参考图1，本实施例的基于递归神经网络的目的地预测方法，包括：
[0037] 步骤110，获取车辆的历史停留数据，历史停留数据包括历史停留的位置与对应的时间。
[0038] 其中，所述历史停留数据从车辆的定位数据中获取，包括历史停留的位置与对应的时间，也即为多个时间地点一一对应的定位数据，历史停留数据可以存储于车辆终端，也可以存储于服务器中，在此不作限定。另外，在获取车辆的历史停留数据时验证用户的身份，用户的身份可以通过指纹、账号或者其他方式进行智能识别，比如当前用户在使用车辆终端时，采用指纹登录其个人系统，接着车辆终端或服务器将当前用户的所有数据都进行同步更新，以供后续使用。
[0039] 步骤120，根据历史停留数据训练递归神经网络模型。
[0040] 在一实施方式中，根据历史停留数据训练递归神经网络模型，包括：
[0041] 将历史停留数据进行数据清洗、归一化以生成训练集，训练集的每个训练样本包括输入特征与目标值；
[0042] 设置递归神经网络模型的超参数；
[0043] 将训练集作为输入以进行递归神经网络模型训练。
[0044] 其中，输入特征为上一时刻的位置，目标值为下一时刻的实际位置，也即标记(label)，使得本实施例的模型训练可以基于监督学习的方式进行。递归神经网络模型的超参数(Hyper-Parameters)包括神经网络的连接方式、网络的层数、每层的节点数，本实施例中隐藏层设置为多层以实现深度学习，输出层可采用softmax()函数，假设输出层的节点个数为n，每一个节点的输出值经过softmax()函数后变成一个概率值，n个概率值形成概率分布，概率值最高的即为预测的目的地。在搭建好递归神经网络模型后，将训练集作为输入以进行递归神经网络模型训练。
[0045] 在一实施方式中，将历史停留数据进行数据清洗、归一化，具体可包括以下处理过程：
[0046] 对获取的历史停留数据进行清洗得到特征数据和标注数据；
[0047] 对特征数据和标注数据进行特征归一化处理以生成可用于模型训练的数据。
[0048] 在一实施方式中，将训练集作为输入以进行递归神经网络模型训练，包括：
[0049] 按顺序从训练集中读取训练样本的输入特征以计算递归神经网络中每个隐藏层节点的输出以及输出层每个节点的输出；
[0050] 根据每个隐藏层节点的输出、输出层每个节点的输出及对应的目标值计算每个节点的误差项；
[0051] 更新递归神经网络中每个连接的权值，依此迭代反复以完成递归神经网络模型的训练。
[0052] 其中，本实施例采用反向传播算法(Back Propagation，BP)作为递归神经网络的训练算法，在训练过程中，设定时间步，按照顺序每次从训练集中读取N个训练样本，在每个时间步里，对递归神经网络输入一个输入特征，N个时间步后，完成一次递归神经网络的前向传播，接着，在每一个时间步上，分步计算每一步的输出的误差，从后往前，将误差依次反向传播至前面时间步的网络层，并基于梯度下降优化算法更新递归神经网络中每个连接的权值，一次前向传播加一次反向传播为一次迭代过程，迭代次数根据遍历次数、训练样本的数量及每次迭代读取的训练样本数量确定，例如为遍历次数与训练样本的数量的乘积除以每次迭代读取的训练样本数量。值得一提的是，当样本数量较大时，可采用随机梯度下降算法(Stochastic Gradient Descent，SGD)进行权值更新，在SGD算法中，每次更新的迭代，只计算一个样本，对于一个具有数百万样本的训练集，完成一次遍历就会对权值进行更新数百万次，效率大大提升。
[0053] 在一实施方式中，根据历史停留数据训练递归神经网络模型，还包括：
[0054] 将清洗归一化后的历史停留数据按照时间划分为测试集与训练集；
[0055] 在根据训练集进行递归神经网络模型的训练后，利用测试集评估递归神经网络模型的预测准确率。
[0056] 在一实施方式中，将清洗归一化后的历史停留数据按照时间划分为测试集与训练集，包括：将历史停留数据中时间位于指定时刻之前的早期数据划分为训练集，将历史停留数据中时间位于指定时刻之后的晚期数据划分为测试集。比如，指定时刻可以是季节交替、上下班、或者月份等时刻，还可以是随机的时刻，历史停留数据可以分成多份一一对应的测试集与训练集从而得到多对“训练集-测试集”，在评估预测准确率时可获取准确率的变化规律。
[0057] 步骤130，获取当前时间和车辆当前的位置作为递归神经网络模型的输入，预测车辆的至少一个时间版本的目的地。
[0058] 其中，在完成递归神经网络模型训练后，获取当前时间和车辆当前的位置作为输入，递归神经网络模型输出中概率值最高的即为预测的目的地，目的地可以预测一个、两个或多个，至少一个时间版本的目的地通过多步预测得到，例如，预测得到车辆接下来顺序要去A、B、C、D四个目的地，也即得到4个时间版本的目的地。
[0059] 本申请的基于递归神经网络的目的地预测方法，获取车辆的历史停留数据，历史停留数据包括历史停留的位置与对应的时间，根据历史停留数据训练递归神经网络模型，获取当前时间和车辆当前的位置作为递归神经网络模型的输入，预测车辆的至少一个时间版本的目的地。通过这种方式，本申请能够通过深度学习递归神经网络的算法预测车辆即将到达的目的地，提高目的地预测的准确率。
[0060] 图2是根据一示例性实施例示出的一种服务器的结构示意图。请参考图2，本实施例的服务器包括存储器210和处理器220，存储器210存储有至少一条程序指令，处理器220通过加载并执行至少一条程序指令以实现如上所述基于递归神经网络的目的地预测方法。
[0061] 存储器210可以用于存储上述程序数据，也可以用于存储不同用户的个人数据。
[0062] 处理器220获取车辆的历史停留数据，历史停留数据包括历史停留的位置与对应的时间。
[0063] 其中，所述历史停留数据从车辆的定位数据中获取，包括历史停留的位置与对应的时间，也即为多个时间地点一一对应的数据，历史停留数据可以存储于车辆终端，也可以存储于服务器中，在此不作限定。另外，在获取车辆的历史停留数据时验证用户的身份，用户的身份可以通过指纹、账号或者其他方式进行智能识别，比如当前用户在使用车辆终端时，采用指纹登录其个人系统，接着车辆终端或服务器将当前用户的所有数据都进行同步更新，以供后续使用。
[0064] 处理器220根据历史停留数据训练递归神经网络模型。
[0065] 在一实施方式中，处理器220根据历史停留数据训练递归神经网络模型，包括：
[0066] 将历史停留数据进行数据清洗、归一化以生成训练集，训练集的每个训练样本包括输入特征与目标值；
[0067] 设置递归神经网络模型的超参数；
[0068] 将训练集作为输入以进行递归神经网络模型训练。
[0069] 其中，输入特征为上一时刻的位置，目标值为下一时刻的实际位置，也即标记(label)，使得本实施例的模型训练可以基于监督学习的方式进行。递归神经网络模型的超参数(Hyper-Parameters)包括神经网络的连接方式、网络的层数、每层的节点数，在本实施例中隐藏层设置为多层以实现深度学习，输出层可采用softmax()函数，假设输出层的节点个数为n，每一个节点的输出值经过softmax()函数后变成一个概率值，n个概率值形成概率分布，概率值最高的即为预测的目的地。在搭建好递归神经网络模型后，将训练集作为输入以进行递归神经网络模型训练。
[0070] 在一实施方式中，处理器220将历史停留数据进行数据清洗、归一化，具体可包括以下处理过程：
[0071] 对获取的历史停留数据进行清洗得到特征数据和标注数据；
[0072] 对特征数据和标注数据进行特征归一化处理以生成可用于模型训练的数据。
[0073] 在一实施方式中，处理器220将训练集作为输入以进行递归神经网络模型训练，包括：
[0074] 按顺序从训练集中读取训练样本的输入特征以计算递归神经网络中每个隐藏层节点的输出以及输出层每个节点的输出；
[0075] 根据每个隐藏层节点的输出、输出层每个节点的输出及对应的目标值计算每个节点的误差项；
[0076] 更新递归神经网络中每个连接的权值，依此迭代反复以完成递归神经网络模型的训练。
[0077] 其中，本实施例采用反向传播算法作为递归神经网络的训练算法，在训练过程中，设定时间步，按照顺序每次从训练集中读取N个训练样本，在每个时间步里，对递归神经网络输入一个输入特征，N个时间步后，完成一次递归神经网络的前向传播，接着，在每一个时间步上，分步计算每一步的输出的误差，从后往前，将误差依次反向传播至前面时间步的网络层，并基于梯度下降优化算法更新递归神经网络中每个连接的权值，一次前向传播加一次反向传播为一次迭代过程，迭代次数根据遍历次数、训练样本的数量及每次迭代读取的训练样本数量确定，例如为遍历次数与训练样本的数量的乘积除以每次迭代读取的训练样本数量。值得一提的是，当样本数量较大时，可采用随机梯度下降算法(Stochastic Gradient Descent，SGD)进行权值更新，在SGD算法中，每次更新的迭代，只计算一个样本，对于一个具有数百万样本的训练集，完成一次遍历就会对权值进行更新数百万次，效率大大提升。
[0078] 在一实施方式中，处理器220根据历史停留数据训练递归神经网络模型，还包括：
[0079] 将清洗归一化后的历史停留数据按照时间划分为测试集与训练集；
[0080] 在根据训练集进行递归神经网络模型的训练后，利用测试集评估递归神经网络模型的预测准确率。
[0081] 在一实施方式中，处理器220将清洗归一化后的历史停留数据按照时间划分为测试集与训练集，包括：将历史停留数据中时间位于指定时刻之前的早期数据划分为训练集，将历史停留数据中时间位于指定时刻之后的晚期数据划分为测试集。比如，指定时刻可以是季节交替、上下班、或者月份等时刻，还可以是随机的时刻，历史停留数据可以分成多份一一对应的测试集与训练集从而得到多对“训练集-测试集”，在评估预测准确率时可获取准确率的变化规律。
[0082] 处理器220获取当前时间和车辆当前的位置作为递归神经网络模型的输入，预测车辆的至少一个时间版本的目的地。
[0083] 其中，在完成递归神经网络模型训练后，获取当前时间和车辆当前的位置作为输入，递归神经网络模型输出中概率值最高的即为预测的目的地，目的地可以预测一个、两个或多个，至少一个时间版本的目的地通过多步预测得到，例如，预测得到车辆接下来顺序要去A、B、C、D四个目的地，也即得到4个时间版本的目的地。
[0084] 本实施例中处理器220执行时实现的具体步骤请参图1所示实施例的描述，在此不再赘述。
[0085] 本申请的服务器，获取车辆的历史停留数据，历史停留数据包括历史停留的位置与对应的时间，根据历史停留数据训练递归神经网络模型，获取当前时间和车辆当前的位置作为递归神经网络模型的输入，预测车辆的至少一个时间版本的目的地。通过这种方式，本申请能够通过深度学习递归神经网络的算法预测车辆即将到达的目的地，提高目的地预测的准确率。
[0086] 本申请还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如上所述的基于递归神经网络的目的地预测方法。
[0087] 处理器获取车辆的历史停留数据，历史停留数据包括历史停留的位置与对应的时间。
[0088] 其中，所述历史停留数据从车辆的定位数据中获取，包括历史停留的位置与对应的时间，也即为多个时间地点一一对应的数据，历史停留数据可以存储于车辆终端，也可以存储于服务器中，在此不作限定。另外，在获取车辆的历史停留数据时验证用户的身份，用户的身份可以通过指纹、账号或者其他方式进行智能识别，比如当前用户在使用车辆终端时，采用指纹登录其个人系统，接着车辆终端或服务器将当前用户的所有数据都进行同步更新，以供后续使用。
[0089] 处理器根据历史停留数据训练递归神经网络模型。
[0090] 在一实施方式中，处理器根据历史停留数据训练递归神经网络模型，包括：
[0091] 将历史停留数据进行数据清洗、归一化以生成训练集，训练集的每个训练样本包括输入特征与目标值；
[0092] 设置递归神经网络模型的超参数；
[0093] 将训练集作为输入以进行递归神经网络模型训练。
[0094] 其中，输入特征为上一时刻的位置，目标值为下一时刻的实际位置，也即标记(label)，使得本实施例的模型训练可以基于监督学习的方式进行。递归神经网络模型的超参数(Hyper-Parameters)包括神经网络的连接方式、网络的层数、每层的节点数，在本实施例中隐藏层设置为多层以实现深度学习，输出层可采用softmax()函数，假设输出层的节点个数为n，每一个节点的输出值经过softmax()函数后变成一个概率值，n个概率值形成概率分布，概率值最高的即为预测的目的地。在搭建好递归神经网络模型后，将训练集作为输入以进行递归神经网络模型训练。
[0095] 在一实施方式中，处理器将历史停留数据进行数据清洗、归一化，具体可包括以下处理过程：
[0096] 对获取的历史停留数据进行清洗得到特征数据和标注数据；
[0097] 对特征数据和标注数据进行特征归一化处理以生成可用于模型训练的数据。
[0098] 在一实施方式中，处理器将训练集作为输入以进行递归神经网络模型训练，包括：
[0099] 按顺序从训练集中读取训练样本的输入特征以计算递归神经网络中每个隐藏层节点的输出以及输出层每个节点的输出；
[0100] 根据每个隐藏层节点的输出、输出层每个节点的输出及对应的目标值计算每个节点的误差项；
[0101] 更新递归神经网络中每个连接的权值，依此迭代反复以完成递归神经网络模型的训练。
[0102] 其中，本实施例采用反向传播算法作为递归神经网络的训练算法，在训练过程中，设定时间步，按照顺序每次从训练集中读取N个训练样本，在每个时间步里，对递归神经网络输入一个输入特征，N个时间步后，完成一次递归神经网络的前向传播，接着，在每一个时间步上，分步计算每一步的输出的误差，从后往前，将误差依次反向传播至前面时间步的网络层，并基于梯度下降优化算法更新递归神经网络中每个连接的权值，一次前向传播加一次反向传播为一次迭代过程，迭代次数根据遍历次数、训练样本的数量及每次迭代读取的训练样本数量确定，例如为遍历次数与训练样本的数量的乘积除以每次迭代读取的训练样本数量。值得一提的是，当样本数量较大时，可采用随机梯度下降算法(Stochastic Gradient Descent，SGD)进行权值更新，在SGD算法中，每次更新的迭代，只计算一个样本，对于一个具有数百万样本的训练集，完成一次遍历就会对权值进行更新数百万次，效率大大提升。
[0103] 在一实施方式中，处理器根据历史停留数据训练递归神经网络模型，还包括：
[0104] 将清洗归一化后的历史停留数据按照时间划分为测试集与训练集；
[0105] 在根据训练集进行递归神经网络模型的训练后，利用测试集评估递归神经网络模型的预测准确率。
[0106] 在一实施方式中，处理器将清洗归一化后的历史停留数据按照时间划分为测试集与训练集，包括：将历史停留数据中时间位于指定时刻之前的早期数据划分为训练集，将历史停留数据中时间位于指定时刻之后的晚期数据划分为测试集。比如，指定时刻可以是季节交替、上下班、或者月份等时刻，还可以是随机的时刻，历史停留数据可以分成多份一一对应的测试集与训练集从而得到多对“训练集-测试集”，在评估预测准确率时可获取准确率的变化规律。
[0107] 处理器获取当前时间和车辆当前的位置作为递归神经网络模型的输入，预测车辆的至少一个时间版本的目的地。
[0108] 其中，在完成递归神经网络模型训练后，获取当前时间和车辆当前的位置作为输入，递归神经网络模型输出中概率值最高的即为预测的目的地，目的地可以预测一个、两个或多个，至少一个时间版本的目的地基于多步预测得到，例如，预测得到车辆接下来顺序要去A、B、C、D四个目的地，也即得到4个时间版本的目的地。
[0109] 本实施例中处理器执行时实现的具体步骤请参图1所示实施例的描述，在此不再赘述。
[0110] 以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制，虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请，任何熟悉本专业的技术人员，在不脱离本申请技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本申请技术方案内容，依据本申请的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本申请技术方案的范围内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 半导体器件的制造方法、半导体器件 | 2020-05-11 | 811 |
| 用于确定电池的操作模式的系统和方法 | 2020-05-08 | 789 |
| 堆叠式DDR存储器的存储器测试控制 | 2020-05-08 | 214 |
| 一种图像亮度统计方法及成像设备 | 2020-05-08 | 250 |
| 对报文进行处理方法及装置 | 2020-05-08 | 512 |
| 用于机动车辆中的远程在线软件更新的方法 | 2020-05-08 | 659 |
| 一种交换机报文拥塞的处理方法、设备以及存储介质 | 2020-05-08 | 658 |
| 使用横向推进和垂直移动控制飞行器的系统和方法 | 2020-05-08 | 801 |
| 用于运行机器人控制系统的方法、设备和计算机程序 | 2020-05-08 | 101 |
| 通过掺杂自旋转移扭矩(STT)磁阻式随机存取存储器(MRAM)的氧化盖层的高热稳定性 | 2020-05-08 | 524 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈