[发明专利]路径规划方法、装置、电子设备及存储介质

权利要求书

1.一种路径规划方法，其特征在于，包括：

将指定的出发地点、目的地点和途经地点映射为网络节点，以将各所述网络节点两两连接而成的路径构建全局路径网络，其中，所述出发地点和所述目的地点不直接连接；

根据路径规划场景特征和所述全局路径网络的网络特征，确定任意两个所述网络节点之间的路径对应的耗时；

选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边，并将所述最短耗时作为所述边的权重；

根据设置有边权重的所述全局路径网络，进行最短耗时路径规划；

其中，所述根据路径规划场景特征和所述全局路径网络的网络特征，确定任意两个所述网络节点之间的路径对应的耗时的步骤，包括：

对于任意两个所述网络节点，确定所述任意两个所述网络节点之间的距离最短的K条路径；

确定所述距离最短的K条路径各自的网络特征；

根据路径规划场景特征和所述网络特征，预测所述距离最短的K条路径分别对应的耗时；

其中，所述网络特征包括以下至少一项：度特征、簇系数特征、介数特征；所述路径规划场景特征包括以下至少一项：天气特征、时间特征、司机特征、车型特征。

2.根据权利要求1所述的方法，其特征在于，所述根据路径规划场景特征和所述网络特征，预测所述距离最短的K条路径分别对应的耗时的步骤，包括：

对于所述距离最短的K条路径中的每条路径，将路径规划场景特征和该条路径的网络特征输入至预先训练的机器学习模型，预测该条路径对应的耗时。

3.根据权利要求2所述的方法，其特征在于，所述根据路径规划场景特征和所述网络特征，预测所述距离最短的K条路径分别对应的耗时的步骤之前，还包括：

根据历史交通数据确定若干条路径的信息，作为训练样本；其中，每条所述训练样本的特征包括以下至少一项：相应路径的网络特征和路径规划场景特征，所述训练样本的标签为相应路径的最短耗时；

基于回归算法训练用于预测路径耗时的机器学习模型。

4.根据权利要求3所述的方法，其特征在于，所述网络特征根据相应路径的网络评价指标确定，所述网络评价指标包括以下至少一项：度、簇系数、介数；

所述度特征为相应路径包含的所有节点的度的乘积；

所述簇系数特征为相应路径包含的所有节点的簇系数的乘积；

所述介数特征为相应路径包含的所有节点的介数的乘积。

5.一种路径规划装置，其特征在于，包括：

全局路径网络构建模块，用于将指定的出发地点、目的地点和途经地点映射为网络节点，以将各所述网络节点两两连接而成的路径构建全局路径网络，其中，所述出发地点和所述目的地点不直接连接；

节点对路径及耗时确定模块，用于根据路径规划场景特征和所述全局路径网络的网络特征，确定任意两个所述网络节点之间的路径对应的耗时；

网络加权模块，用于选取所述全局路径网络中与最短耗时对应的所述路径作为所对应的两个所述网络节点之间的边，并将所述最短耗时作为所述边的权重；

路径规划模块，用于根据设置有边权重的所述全局路径网络，进行最短耗时路径规划；

所述节点对路径及耗时确定模块进一步包括：

节点对距离最短路径确定子模块，用于对于任意两个所述网络节点，确定所述任意两个所述网络节点之间的距离最短的K条路径；

最短路径耗时预测子模块，用于确定所述距离最短的K条路径各自的网络特征；以及，

根据路径规划场景特征和所述网络特征，预测所述距离最短的K条路径分别对应的耗时；

其中，所述网络特征包括以下至少一项：度特征、簇系数特征、介数特征；所述路径规划场景特征包括以下至少一项：天气特征、时间特征、司机特征、车型特征。

6.根据权利要求5所述的装置，其特征在于，所述根据路径规划场景特征和所述网络特征，预测所述距离最短的K条路径分别对应的耗时，包括：

对于所述距离最短的K条路径中的每条路径，将路径规划场景特征和该条路径的网络特征输入至预先训练的机器学习模型，预测该条路径对应的耗时。