[发明专利]导航终端及其路线偏好预测方法

权利要求书

1.一种导航终端的路线偏好预测方法，其特征在于，所述路线偏好预测方法包括：

在导航终端启动导航规划时，获取当前用户的历史偏好数据；

对所述历史偏好数据采用神经网络模型进行学习训练；

利用训练好的神经网络模型进行规划预测得到符合所述当前用户路线偏好的导航规划路线；

将所述导航规划路线提示给所述当前用户。

2.根据权利要求1所述的路线偏好预测方法，其特征在于，所述历史偏好数据包括是否躲避拥堵、在拥堵情况下是否以距离长短为偏好、早晚高峰期的不同路线偏好、高架桥和地面路段的偏好、长途的高速和省道选择偏好、不同天气环境下的路线偏好、当前用户在拼车情况下是否主动愿意绕路、以及任意两种情况以上组合时所述当前用户的偏好。

3.根据权利要求1或2所述的路线偏好预测方法，其特征在于，所述对所述历史偏好数据采用神经网络模型进行学习训练的步骤，具体包括：

将所述历史偏好数据进行数据清洗、归一化；

将清洗归一化后的历史偏好数据按照时间划分为训练数据集与测试数据集；

对所述训练数据集的训练数据进行离线模型训练，以分别训练长短期记忆神经网络LSTM的多个神经网络模型；

获取训练数据对于训练后的多个神经网络模型输出的预测值列表，将所述预测值列表与实际的路线偏好值进行比较，计算得到多个神经网络模型作为组合模型时所占的权重值；

利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值。

4.根据权利要求3所述的路线偏好预测方法，其特征在于，所述根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值之后，还包括：

使用滚动时间窗口的方式对未来预定时间段的路线偏好具体数值进行预测。

5.根据权利要求4所述的路线偏好预测方法，其特征在于，所述使用滚动窗口的方式对未来预定时间段的路线偏好进行预测，包括：

将组合模型预测的涨跌幅转换为被预测时刻的预测数值，再将当前预测出的预测数值，填入下一被预测时刻的时间窗口，并依此交替循环；

当获取到当前用户实际变化趋势的实际数值时，将预测数值与实际数值对比，并根据对比结果将实际数值作为一组新的训练数据，代入模型以更新模型参数。

6.根据权利要求3所述的路线偏好预测方法，其特征在于，所述将所述历史偏好数据进行数据清洗、归一化，具体包括：

根据当前用户的数据分布特点，使用接受-拒绝采样方法，参考其他用户的成本/时间最优化导航数据，清洗归一所述当前用户的数据。

7.根据权利要求3所述的路线偏好预测方法，其特征在于，所述将清洗归一化后的历史偏好数据按照时间划分为训练数据集与测试数据集，包括：

将所述历史偏好数据中时间位于指定时刻之前的早期数据划分为训练数据集，将所述历史偏好数据中时间位于指定时刻之后的晚期数据划分为测试数据集。

8.根据权利要求3所述的路线偏好预测方法，其特征在于：

所述对所述训练数据集的训练数据进行离线模型训练之前，还包括：

使用训练数据集的训练数据生成不同跨度的时间序列数据；

所述对所述训练数据集的训练数据进行离线模型训练，对应包括：

使用不同跨度的时间序列数据中的每份时间序列数据分别训练LSTM的多个神经网络模型。