一种目的地预测方法、系统以及车辆与流程

1.本技术涉及出行预测技术领域，特别是一种目的地预测方法、系统以及车辆。


背景技术：

2.车机交互是目前汽车行业内研究的热点，尤其是车机主动预测车主出行目的地，并进行推送的车机交互功能，不仅能够加强车机系统的智能属性，还可以使车主的出行更加方便和高效。
3.然而，目前传统目的地预测方法通常基于车主历史的行程记录，根据历史出发地、目的地信息，采用机器学习方法建模并预测车主的目的地，但是，传统目的地预测方法仅能够预测车主的高频目的地，而不能覆盖车主的频率相对较低的目的地，这限制了车机交互功能的使用场景。
4.针对上述问题，本技术提出了一种目的地预测方法。


技术实现要素：

5.鉴于上述问题，本技术实施例提供了一种目的地预测方法、系统以及车辆，以解决现有预测目的地的方法仅能够预测车主的高频目的地，适用范围小，且预测精度不高的问题。
6.本技术实施例第一方面，提供了一种目的地预测方法，所述方法包括：
7.获取当前车辆的行程统计数据，所述行程统计数据表征所述当前车辆的多个行程各自的出发地和目的地；
8.对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果；
9.获取所述当前车辆的行程轨迹数据，所述行程轨迹数据表征所述多个行程各自的轨迹点参数值；
10.对所述行程轨迹数据进行分类处理，得到第二目的地预测结果；
11.根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。
12.可选地，所述根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果，包括：
13.利用所述第二目的地预测结果，对所述第一目的地预测结果进行校验；
14.在所述第一目的地预测结果校验通过的情况下，根据所述第一目的地预测结果，确定所述当前车辆的目的地预测结果；
15.在所述第一目的地预测结果校验未通过的情况下，根据所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。
16.可选地，所述第二目的地预测结果为预测目的地和所述预测目的地的预测概率；所述第一目的地预测结果包括：多个候选目的地以及所述多个候选目的地各自对应的预测
概率；所述利用所述第二目的地预测结果，对所述第一目的地预测结果进行校验，包括：
17.确定所述预测目的地是否与所述多个候选目的地中的任一个候选目的匹配；
18.其中，所述预测目的地与所述多个候选目的地中的任一个候选目的地匹配，表征所述第一目的地预测结果校验通过；
19.所述预测目的地与所述多个候选目的地中的各个候选目的地均不匹配，表征所述第一目的地预测结果校验未通过。
20.可选地，所述在所述第一目的地预测结果校验通过的情况下，根据所述第一目的地预测结果，确定所述当前车辆的目的地预测结果，包括：
21.将所述多个候选目的地中，与所述预测目的地匹配的一个候选目的地，确定为所述当前车辆的目的地预测结果；
22.所述在所述第一目的地预测结果校验未通过的情况下，根据所述第二目的地预测结果，确定所述当前车辆的目的地预测结果，包括：
23.将所述预测目的地，确定为所述当前车辆的目的地预测结果。
24.可选地，所述获取当前车辆的行程统计数据，包括：
25.获取所述当前车辆的行程结果数据；
26.统计所述行程结果数据中各个出发地和/或目的地的出现频次，以及，统计每个行程的出现频次，得到所述行程统计数据。
27.可选地，所述统计所述行程结果数据中各个出发地和/或目的地的出现频次，以及，统计每个行程的出现频次，得到所述行程统计数据，包括：
28.针对所述行程结果数据中的每个出发地，统计由该出发地至各个目的地的出现频次，按照出现频次由大到小的顺序，统计由该出发地至出现频次排名前n位的目的地；
29.针对所述行程结果数据中的每个目的地，统计由该目的地至各个出发地的出现频次，按照出现频次由大到小的顺序，统计由该目的地至出现频次排名前n位的出发地；其中，n为大于1的整数；
30.统计每个行程的出现频次占所述行程结果数据中所有行程的数量的占比。
31.可选地，所述对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果，包括：
32.将所述行程统计数据输入多分类模型进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到所述第一目的地预测结果；
33.所述对所述行程轨迹数据进行分类处理，得到第二目的地预测结果，包括：
34.将所述行程轨迹数据输入循环神经网络模型进行分类处理，得到所述第二目的地预测结果。
35.可选地，所述多分类模型包括lightgbm模型和xgboost模型，所述将所述行程统计数据输入多分类模型进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到所述第一目的地预测结果，包括：
36.将所述行程统计数据输入所述lightgbm模型，得到第一子预测结果；
37.将所述行程统计数据输入所述xgboost模型，得到第二子预测结果；
38.将所述第一子预测结果与所述第二子预测结果进行融合，得到所述第一目的地预测结果。
39.本技术实施例第二方面，提供了一种目的地预测系统，所述系统包括：
40.第一获取模块，用于获取当前车辆的行程统计数据，所述行程统计数据表征所述当前车辆的多个行程各自的出发地和目的地；
41.第一处理模块，用于对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果；
42.第二获取模块，用于获取所述当前车辆的行程轨迹数据，所述行程轨迹数据表征所述多个行程各自的轨迹点参数值；
43.第二处理模块，用于对所述行程轨迹数据进行分类处理，得到第二目的地预测结果；
44.确定模块，用于根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。
45.可选地，所述根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果，所述确定模块，包括：
46.校验子模块，用于利用所述第二目的地预测结果，对所述第一目的地预测结果进行校验；
47.第一确定子模块，用于在所述第一目的地预测结果校验通过的情况下，根据所述第一目的地预测结果，确定所述当前车辆的目的地预测结果；
48.第二确定子模块，用于在所述第一目的地预测结果校验未通过的情况下，根据所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。
49.可选地，所述第二目的地预测结果为预测目的地和所述预测目的地的预测概率；所述第一目的地预测结果包括：多个候选目的地以及所述多个候选目的地各自对应的预测概率；所述利用所述第二目的地预测结果，对所述第一目的地预测结果进行校验，所述第一校验子模块，包括：
50.第一确定子单元，用于确定所述预测目的地是否与所述多个候选目的地中的任一个候选目的匹配；
51.其中，所述预测目的地与所述多个候选目的地中的任一个候选目的地匹配，表征所述第一目的地预测结果校验通过；
52.所述预测目的地与所述多个候选目的地中的各个候选目的地均不匹配，表征所述第一目的地预测结果校验未通过。
53.可选地，所述在所述第一目的地预测结果校验通过的情况下，根据所述第一目的地预测结果，确定所述当前车辆的目的地预测结果，所述第一确定子单元，包括：
54.第二确定子单元，用于将所述多个候选目的地中，与所述预测目的地匹配的一个候选目的地，确定为所述当前车辆的目的地预测结果；
55.所述在所述第一目的地预测结果校验未通过的情况下，根据所述第二目的地预测结果，确定所述当前车辆的目的地预测结果，包括：
56.第三确定子单元，将所述预测目的地，确定为所述当前车辆的目的地预测结果。
57.可选地，所述获取当前车辆的行程统计数据，所述第一获取模块，包括：
58.第一获取子模块，用于获取所述当前车辆的行程结果数据；
59.统计子模块，用于统计所述行程结果数据中各个出发地和/或目的地的出现频次，
以及，统计每个行程的出现频次，得到所述行程统计数据。
60.可选地，所述统计所述行程结果数据中各个出发地和/或目的地的出现频次，以及，统计每个行程的出现频次，得到所述行程统计数据，所述统计模块，包括：
61.第一统计子单元，用于针对所述行程结果数据中的每个出发地，统计由该出发地至各个目的地的出现频次，按照出现频次由大到小的顺序，统计由该出发地至出现频次排名前n位的目的地；
62.第二统计子单元，用于针对所述行程结果数据中的每个目的地，统计由该目的地至各个出发地的出现频次，按照出现频次由大到小的顺序，统计由该目的地至出现频次排名前n位的出发地；其中，n为大于1的整数；
63.第三统计子单元，用于统计每个行程的出现频次占所述行程结果数据中所有行程的数量的占比。
64.可选地，所述对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果，所述第一处理模块，包括：
65.第一处理子模块，用于将所述行程统计数据输入多分类模型进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到所述第一目的地预测结果；
66.所述对所述行程轨迹数据进行分类处理，得到第二目的地预测结果，包括：
67.第二处理子模块，用于将所述行程轨迹数据输入循环神经网络模型进行分类处理，得到所述第二目的地预测结果。
68.可选地，所述多分类模型包括lightgbm模型和xgboost模型，所述将所述行程统计数据输入多分类模型进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到所述第一目的地预测结果，所述第一处理子模块，包括：
69.第一输入子单元，用于将所述行程统计数据输入所述lightgbm模型，得到第一子预测结果；
70.第二输入子单元，用于将所述行程统计数据输入所述xgboost模型，得到第二子预测结果；
71.融合子模块，用于将所述第一子预测结果与所述第二子预测结果进行融合，得到所述第一目的地预测结果。
72.本技术实施例第三方面，提供了一种车辆，包括存储器、处理器及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序以实现如本技术实施例第一方面所述的目的地预测方法。
73.本技术具有以下优点：
74.本技术实施例提供了一种目的地预测方法，所述方法包括：获取当前车辆的行程统计数据，所述行程统计数据表征所述当前车辆的多个行程各自的出发地和目的地；对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果；获取所述当前车辆的行程轨迹数据，所述行程轨迹数据表征所述多个行程各自的轨迹点参数值；所述行程轨迹数据进行分类处理，得到第二目的地预测结果；根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。本技术通过多分类处理得到的第一目的地预测结果与分类处理得到的第二目的地预测结果，确定当前车辆的目的地预测结果，不仅有更广的适用范围，同时还提高了目
的地预测的精度。
附图说明
75.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例的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技术的一些实施例，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。
76.图1是本技术实施例提供的一种目的地预测方法的步骤流程图；
77.图2是本技术实施例提供的一种确定第二预测概率序列网络架构的示意图；
78.图3是本技术实施例提供的一种目的地预测方法的流程框图；
79.图4是本技术实施例提供的一种目的地预测系统的示意图；
80.图5是本技术实施例提供的一种车辆的示意图。
具体实施方式
81.下面将结合本技术实施例中的附图更详细地描述本技术的示例性实施例。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本技术，并且能够将本技术的范围完整的传达给本领域的技术人员。
82.本技术实施例的第一方面，提供了一种目的地预测方法，所述方法应用于车辆的车机系统，参照图1，为本技术实施例提供的一种目的地预测方法的步骤流程图，所述方法包括：
83.步骤s101，获取当前车辆的行程统计数据，所述行程统计数据表征所述当前车辆的多个行程各自的出发地和目的地；
84.具体而言，要预测用户出行的目的地，首先需要获取用户的can(控制器局域网总线，controller area network)数据，本技术实施例中，将用户的can数据上传至服务器中，当用户打开地图app或是其他用于导航的应用时，首先根据用户车辆的vin码，识别当前车辆，并根据vin码从服务器中存储的数据中获取当前车辆的原始can数据，并从原始can数据中提取车辆的行程序列数据。
85.优选的，所述获取当前车辆的原始can数据，并提取所述原始can数据中行程序列数据，具体包括如下步骤：
86.步骤s1011，根据发动机的启动状态和熄火状态，分别记录所述启动状态的行程序列数据和所述熄火状态的行程序列数据；
87.步骤s1012，结合所述启动状态的行程序列数据和所述熄火状态的行程序列数据，确定所述车辆的行程序列数据。
88.在一种可选的实施方式中，可通过车机系统从服务器中获取车辆的原始can数据，具体地，首选需要建立一个数据查询接口，以便车机系统能够从服务器中查询到车辆的原始can数据，实际应用中，可以使用restful api或其他协议建立数据查询接口，在获取到原始can数据后，根据需要对原始can数据进行过滤和筛选，并根据发动机的状态对数据进行分割，其中，发动机的状态具体为发动机的启动状态和熄火状态，即，从原始can数据中，记
录下启动状态的行程序列数据和熄火状态的行程序列数据，并将启动状态的行程序列数据和熄火状态的行程序列数据确定为车辆的行程序列数据。
89.在又一种可选的实施方式中，在获取当前车辆的原始can数据，并提取原始can数据中的行程序列数据后，还可以通过服务器中的can数据解析工具，来对can数据进行解析和提取，并根据发动机的状态对数据进行分割，从原始can数据中，记录下发动机启动状态的行程序列数据和熄火状态的行程序列数据，并将启动状态的行程序列数据和熄火状态的行程序列数据确定为车辆的行程序列数据，车机系统可根据车辆的vin码直接从服务器中获取对应的行程序列数据。
90.进一步地，根据获取到的车辆的行程序列数据，衍生出对应的行程结果数据；其中，所述行程结果数据包括所述当前车辆的多个行程各自的出发地以及目的地。
91.统计所述行程结果数据中各个出发地和/或目的地的出现频次，以及，统计每个行程的出现频次，得到所述行程统计数据，具体包括：
92.针对所述行程结果数据中的每个出发地，统计由该出发地至各个目的地的出现频次，按照出现频次由大到小的顺序，统计由该出发地至出现频次排名前n位的目的地；
93.针对所述行程结果数据中的每个目的地，统计由该目的地至各个出发地的出现频次，按照出现频次由大到小的顺序，统计由该目的地至出现频次排名前n位的出发地；
94.统计每个行程的出现频次占所述行程结果数据中所有行程的数量的占比。
95.其中，将由该出发地至出现频次排名前n位的目的地、由该目的地至出现频次排名前n位的出发地以及每个行程的出现频次占所述行程结果数据中所有行程的数量的占比确定为行程统计数据，需要注意的是，n为大于1的整数。例如：n可以为5；当然也可以根据实际需求预先设定n为其他值。
96.在一种具体的实施例中，记录的车辆的行程序列数据可以为车辆的vin码、gps信息以及时间中的至少一者。
97.具体而言，根据获取到的行程序列数据，对所述的行程序列数据做进一步的分析和挖掘，从行程序列数据中提取出特征数据，衍生出行程结果数据，包括，开始时间、出发地、结束时间以及目的地。并进一步对上述信息进行标识分类，从而得到第一类别特征数据，实际应用中，可以采用geohash类库或其他编码的方式处理行程结果数据，如将开始时间、出发地、结束时间以及目的地进行标识分类，从而得到第一类别特征数据，如开始时间标签、出发地标签、结束时间标签以及目的地标签。
98.根据获取到的行程结果数据中的第一类别特征数据，统计行程结果数据中各个出发地和/或目的地的出现频次，以及，统计每个行程的出现频次，得到行程统计数据。具体地，针对第一类别特征数据中的每个出发地，统计由该出发地至各个目的地的出现频次，按照出现频次由大到小的顺序，统计由该出发地至出现频次排名前n位的目的地；针对第一类别特征数据中的每个目的地，统计由该目的地至各个出发地的出现频次，按照出现频次由大到小的顺序，统计由该目的地至出现频次排名前n位的出发地；统计每个行程的出现频次占第一类别特征数据中所有行程的数量的占比。
99.将由该出发地至出现频次排名前n位的目的地、由该目的地至出现频次排名前n位的出发地以及每个行程的出现频次占所述行程结果数据中所有行程的数量的占比进行标记分类，其中，将由该出发地至出现频次排名前n位的目的地标记为startto_end_topn，将
由该目的地至出现频次排名前n位的出发地标记为endfrom_start_topn，将每个行程的出现频次占所述行程结果数据中所有行程的数量的占比标记为trip_rate，从而得到第二类别特征数据，将第一类别特征数据与第二类别特征数据确定为行程统计数据。
100.步骤s102，对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果；
101.具体而言，本技术实施例中，将行程统计数据输入多分类模型，并通过多分类模型对行程统计数据进行多分类处理，再将多分类处理得到的各分类结果进行融合得到第一目的地预测结果。
102.一种优选实施例中，多分类模型包括lightgbm模型和xgboost模型，将行程统计数据输入多分类模型，并通过多分类模型对行程统计数据进行多分类处理，包括如下步骤：
103.将所述行程统计数据输入所述lightgbm模型，得到第一子预测结果；
104.将所述行程统计数据输入所述xgboost模型，得到第二子预测结果；
105.将所述第一子预测结果与所述第二子预测结果进行融合，得到所述第一目的地预测结果。
106.示例性的，将行程统计数据输入lightgbm模型，得到第一子预测结果，例如：分别将行程统计数据中的第一类别特征数据，如开始时间标签、出发地标签、结束时间标签以及目的地标签，和第二类别特征数据，如由该出发地至出现频次排名前n位的目的地startto_end_topn、由该目的地至出现频次排名前n位的出发地endfrom_start_topn以及每个行程的出现频次占所述行程结果数据中所有行程的数量的占比trip_rate，输入lightgbm模型，得到第一子预测结果，其中，第一子预测结果可以是类别比分的形式a[x1,x2...xn]，其中a表示所有类别比分的集合，a中的每个元素代表每个类别对应的比分。
[0107]
将行程统计数据输入xgboost模型，得到第二子预测结果，例如：分别将行程统计数据中的第一类别特征数据，如开始时间标签、出发地标签、结束时间标签以及目的地标签，和第二类别特征数据，如由该出发地至出现频次排名前n位的目的地startto_end_topn、由该目的地至出现频次排名前n位的出发地endfrom_start_topn以及每个行程的出现频次占所述行程结果数据中所有行程的数量的占比trip_rate，输入lightgbm模型，得到第二子预测结果，其中，第二子预测结果可以是类别比分的形式b[y1,y2...yn]，其中b表示所有类别比分的集合，b中的每个元素代表每个类别对应的比分。
[0108]
进一步地，将第一子预测结果a[x1,x2...xn]与第二子预测结果b[y1,y2...yn]进行融合，得到第一目的地预测结果c[x1y1,x2y2…
x
nyn
]，其中，c表示融合后的所有类别比分的集合，c中的每个元素代表每个融合后的类别对应的比分。
[0109]
步骤s103，获取所述当前车辆的行程轨迹数据，所述行程轨迹数据表征所述多个行程各自的轨迹点参数值；
[0110]
具体而言，将前序步骤中获取到的当前车辆的原始can数据，进行数据处理，并提取所述原始can数据中的行程序列数据，进一步对can数据中提取的行程序列数据进行轨迹处理，具体包括，轨迹网格化、频繁项提取以及重复点消除等，从而可以得到处理后的行程轨迹数据。
[0111]
步骤s104，对所述行程轨迹数据进行分类处理，得到第二目的地预测结果；
[0112]
具体而言，如图2所示，为本技术实施例提供的一种确定第二预测概率序列网络架
构的示意图，参照图2所示，将原始can数据经过数据处理后得到的行程轨迹数据输入到循环神经网络模型中，经过循环神经网络模型的处理后，具体处理过程可以是规范化、全连接、非线性以及归一化等处理过程，输出第二目的地预测结果，需要注意的是，第二目的地预测结果表征所有预测结果中最大概率值以及对应的目的地。
[0113]
步骤s105，根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果，具体包括如下步骤：
[0114]
利用所述第二目的地预测结果，对所述第一目的地预测结果进行校验；
[0115]
在所述第一目的地预测结果校验通过的情况下，根据所述第一目的地预测结果，确定所述当前车辆的目的地预测结果；
[0116]
在所述第一目的地预测结果校验未通过的情况下，根据所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。
[0117]
具体而言，第二目的地预测结果为预测目的地和预测目的地的预测概率；第一目的地预测结果包括：多个候选目的地以及多个候选目的地各自对应的预测概率；
[0118]
进一步地，利用第二目的地预测结果，对第一目的地预测结果进行校验，具体包括：确定第二目的地预测结果中的预测目的地是否与第一目的地预测结果中的多个候选目的地中的任一个候选目的地匹配；其中，预测目的地与多个候选目的地中的任一个候选目的地匹配，表征第一目的地预测结果校验通过，在第一目的地预测结果校验通过的情况下，将第一目的地预测结果中的多个候选目的地中，与预测目的地匹配的一个候选目的地，确定为当前车辆的目的地预测结果，实际应用中，可以将第一目的地预测结果中，预测概率最大值对应的目的地确定为目的地预测结果；预测目的地与多个候选目的地中的各个候选目的地均不匹配，表征第一目的地预测结果校验未通过，在第一目的地预测结果校验未通过的情况下，将第二目的地预测结果中的预测目的地，确定为当前车辆的目的地预测结果，实际应用中，可以将第二目的地预测结果中概率值最大的目的地确定为目的地预测结果。
[0119]
图3为本技术实施例提供的一种目的地预测方法的流程框图，参照图3所示：首先获取车辆的can数据，并从中提取行程序列数据，经过数据处理后，得到行程统计数据，一方面，将行程统计数据输入到lightgbm模型和xgboost模型进行类别打分，将类别比分进行相乘融合，得到第一目的地预测结果，另一方面，通过对行程序列数据进行轨迹处理后，将处理后的行程轨迹数据，输入到循环神经网络模型中，经循环神经网络模型分类、评分以及概率预测后，得到第二目的地预测结果，并将第二目的地预测结果中的概率最大值与第一目的地预测结果进行比较，确定出概率最大值对应的目的地为预测的目的地。
[0120]
本技术实施例提供了一种目的地预测方法，所述方法包括：获取当前车辆的行程统计数据，所述行程统计数据表征所述当前车辆的多个行程各自的出发地和目的地；对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果；获取所述当前车辆的行程轨迹数据，所述行程轨迹数据表征所述多个行程各自的轨迹点参数值；所述行程轨迹数据进行分类处理，得到第二目的地预测结果；根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。本技术通过多分类处理得到的第一目的地预测结果与分类处理得到的第二目的地预测结果，确定当前车辆的目的地预测结果，不仅有更广的适用范围，同时还提高了目的地预测的精度。
[0121]
基于同一发明构思，本技术第二方面提供了一种目的地预测系统，如图4所示，所述系统包括：
[0122]
第一获取模块201，用于获取当前车辆的行程统计数据，所述行程统计数据表征所述当前车辆的多个行程各自的出发地和目的地；
[0123]
第一处理模块202，用于对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果；
[0124]
第二获取模块203，用于获取所述当前车辆的行程轨迹数据，所述行程轨迹数据表征所述多个行程各自的轨迹点参数值；
[0125]
第二处理模块204，用于对所述行程轨迹数据进行分类处理，得到第二目的地预测结果；
[0126]
确定模块205，用于根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。
[0127]
可选地，所述根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果，所述确定模块205，包括：
[0128]
校验子模块，用于利用所述第二目的地预测结果，对所述第一目的地预测结果进行校验；
[0129]
第一确定子模块，用于在所述第一目的地预测结果校验通过的情况下，根据所述第一目的地预测结果，确定所述当前车辆的目的地预测结果；
[0130]
第二确定子模块，用于在所述第一目的地预测结果校验未通过的情况下，根据所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。
[0131]
可选地，所述第二目的地预测结果为预测目的地和所述预测目的地的预测概率；所述第一目的地预测结果包括：多个候选目的地以及所述多个候选目的地各自对应的预测概率；所述利用所述第二目的地预测结果，对所述第一目的地预测结果进行校验，所述第一校验子模块，包括：
[0132]
第一确定子单元，用于确定所述预测目的地是否与所述多个候选目的地中的任一个候选目的匹配；
[0133]
其中，所述预测目的地与所述多个候选目的地中的任一个候选目的地匹配，表征所述第一目的地预测结果校验通过；
[0134]
所述预测目的地与所述多个候选目的地中的各个候选目的地均不匹配，表征所述第一目的地预测结果校验未通过。
[0135]
可选地，所述在所述第一目的地预测结果校验通过的情况下，根据所述第一目的地预测结果，确定所述当前车辆的目的地预测结果，所述第一确定子单元，包括：
[0136]
第二确定子单元，用于将所述多个候选目的地中，与所述预测目的地匹配的一个候选目的地，确定为所述当前车辆的目的地预测结果；
[0137]
所述在所述第一目的地预测结果校验未通过的情况下，根据所述第二目的地预测结果，确定所述当前车辆的目的地预测结果，包括：
[0138]
第三确定子单元，将所述预测目的地，确定为所述当前车辆的目的地预测结果。
[0139]
可选地，所述获取当前车辆的行程统计数据，所述第一获取模块201，包括：
[0140]
第一获取子模块，用于获取所述当前车辆的行程结果数据；
[0141]
统计子模块，用于统计所述行程结果数据中各个出发地和/或目的地的出现频次，以及，统计每个行程的出现频次，得到所述行程统计数据。
[0142]
可选地，所述统计所述行程结果数据中各个出发地和/或目的地的出现频次，以及，统计每个行程的出现频次，得到所述行程统计数据，所述统计子模块，包括：
[0143]
第一统计子单元，用于针对所述行程结果数据中的每个出发地，统计由该出发地至各个目的地的出现频次，按照出现频次由大到小的顺序，统计由该出发地至出现频次排名前n位的目的地；
[0144]
第二统计子单元，用于针对所述行程结果数据中的每个目的地，统计由该目的地至各个出发地的出现频次，按照出现频次由大到小的顺序，统计由该目的地至出现频次排名前n位的出发地；其中，n为大于1的整数；
[0145]
第三统计子单元，用于统计每个行程的出现频次占所述行程结果数据中所有行程的数量的占比。
[0146]
可选地，所述对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果，所述第一处理模块202，包括：
[0147]
第一处理子模块，用于将所述行程统计数据输入多分类模型进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到所述第一目的地预测结果；
[0148]
所述对所述行程轨迹数据进行分类处理，得到第二目的地预测结果，包括：
[0149]
第二处理子模块，用于将所述行程轨迹数据输入循环神经网络模型进行分类处理，得到所述第二目的地预测结果。
[0150]
可选地，所述多分类模型包括lightgbm模型和xgboost模型，所述将所述行程统计数据输入多分类模型进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到所述第一目的地预测结果，所述第一处理子模块，包括：
[0151]
第一输入子单元，用于将所述行程统计数据输入所述lightgbm模型，得到第一子预测结果；
[0152]
第二输入子单元，用于将所述行程统计数据输入所述xgboost模型，得到第二子预测结果；
[0153]
融合子模块，用于将所述第一子预测结果与所述第二子预测结果进行融合，得到所述第一目的地预测结果。
[0154]
基于同一发明构思，本技术实施例第三方面，提供了一种车辆100，所述车辆100如图5所示，包括存储器110、处理器120及存储在所述存储器110上的计算机程序，所述处理器120执行所述计算机程序以实现如本技术实施例第一方面所述的目的地预测方法。
[0155]
本说明书中的每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0156]
本领域内的技术人员应明白，本技术实施例可提供为方法、装置、或计算机程序产品。因此，本技术实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0157]
本技术实施例是参照根据本技术实施例的方法、终端设备(系统)、和计算机程序
产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0158]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0159]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0160]
尽管已描述了本技术实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术实施例范围的所有变更和修改。
[0161]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0162]
以上对所提供的一种目的地预测方法、系统以及车辆，进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种目的地预测方法，其特征在于，所述方法包括：获取当前车辆的行程统计数据，所述行程统计数据表征所述当前车辆的多个行程各自的出发地和目的地；对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果；获取所述当前车辆的行程轨迹数据，所述行程轨迹数据表征所述多个行程各自的轨迹点参数值；对所述行程轨迹数据进行分类处理，得到第二目的地预测结果；根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。2.根据权利要求1所述的目的地预测方法，其特征在于，所述根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果，包括：利用所述第二目的地预测结果，对所述第一目的地预测结果进行校验；在所述第一目的地预测结果校验通过的情况下，根据所述第一目的地预测结果，确定所述当前车辆的目的地预测结果；在所述第一目的地预测结果校验未通过的情况下，根据所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。3.根据权利要求2所述的目的地预测方法，其特征在于，所述第二目的地预测结果为预测目的地和所述预测目的地的预测概率；所述第一目的地预测结果包括：多个候选目的地以及所述多个候选目的地各自对应的预测概率；所述利用所述第二目的地预测结果，对所述第一目的地预测结果进行校验，包括：确定所述预测目的地是否与所述多个候选目的地中的任一个候选目的地匹配；其中，所述预测目的地与所述多个候选目的地中的任一个候选目的地匹配，表征所述第一目的地预测结果校验通过；所述预测目的地与所述多个候选目的地中的各个候选目的地均不匹配，表征所述第一目的地预测结果校验未通过。4.根据权利要求3所述的目的地预测方法，其特征在于，所述在所述第一目的地预测结果校验通过的情况下，根据所述第一目的地预测结果，确定所述当前车辆的目的地预测结果，包括：将所述多个候选目的地中，与所述预测目的地匹配的一个候选目的地，确定为所述当前车辆的目的地预测结果；所述在所述第一目的地预测结果校验未通过的情况下，根据所述第二目的地预测结果，确定所述当前车辆的目的地预测结果，包括：将所述预测目的地，确定为所述当前车辆的目的地预测结果。5.根据权利要1或2所述的目的地预测方法，其特征在于，所述获取当前车辆的行程统计数据，包括：获取所述当前车辆的行程结果数据；统计所述行程结果数据中各个出发地和/或目的地的出现频次，以及，统计每个行程的出现频次，得到所述行程统计数据。
6.根据权利要求5所述的目的地预测方法，其特征在于，所述统计所述行程结果数据中各个出发地和/或目的地的出现频次，以及，统计每个行程的出现频次，得到所述行程统计数据，包括：针对所述行程结果数据中的每个出发地，统计由该出发地至各个目的地的出现频次，按照出现频次由大到小的顺序，统计由该出发地至出现频次排名前n位的目的地；针对所述行程结果数据中的每个目的地，统计由该目的地至各个出发地的出现频次，按照出现频次由大到小的顺序，统计由该目的地至出现频次排名前n位的出发地；其中，n为大于1的整数；统计每个行程的出现频次占所述行程结果数据中所有行程的数量的占比。7.根据权利要求2所述的目的地预测方法，其特征在于，所述对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果，包括：将所述行程统计数据输入多分类模型进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到所述第一目的地预测结果；所述对所述行程轨迹数据进行分类处理，得到第二目的地预测结果，包括：将所述行程轨迹数据输入循环神经网络模型进行分类处理，得到所述第二目的地预测结果。8.根据权利要求7所述的目的地预测方法，其特征在于，所述多分类模型包括lightgbm模型和xgboost模型，所述将所述行程统计数据输入多分类模型进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到所述第一目的地预测结果，包括：将所述行程统计数据输入所述lightgbm模型，得到第一子预测结果；将所述行程统计数据输入所述xgboost模型，得到第二子预测结果；将所述第一子预测结果与所述第二子预测结果进行融合，得到所述第一目的地预测结果。9.一种目的地预测系统，其特征在于，所述系统包括：第一获取模块，用于获取当前车辆的行程统计数据，所述行程统计数据表征所述当前车辆的多个行程各自的出发地和目的地；第一处理模块，用于对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果；第二获取模块，用于获取所述当前车辆的行程轨迹数据，所述行程轨迹数据表征所述多个行程各自的轨迹点参数值；第二处理模块，用于对所述行程轨迹数据进行分类处理，得到第二目的地预测结果；确定模块，用于根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。10.一种车辆，包括存储器、处理器及存储在所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1至8中任一项所述的目的地预测方法。

技术总结
本申请实施例提供了一种目的地预测方法、系统以及车辆，所述方法包括：获取当前车辆的行程统计数据；对所述行程统计数据进行多分类处理，并对经过多分类处理所得到的各分类结果进行融合，得到第一目的地预测结果；获取所述当前车辆的行程轨迹数据；对所述行程轨迹数据进行分类处理，得到第二目的地预测结果；根据所述第一目的地预测结果和所述第二目的地预测结果，确定所述当前车辆的目的地预测结果。本申请通过多分类处理得到的第一目的地预测结果与分类处理得到的第二目的地预测结果，确定当前车辆的目的地预测结果，不仅有更广的适用范围，同时还提高了目的地预测的精度。同时还提高了目的地预测的精度。同时还提高了目的地预测的精度。


技术研发人员：罗智
受保护的技术使用者：长城汽车股份有限公司
技术研发日：2023.04.21
技术公布日：2023/8/14