路径推荐方法、路径推荐模型的训练方法及装置与流程

1.本公开涉及数据处理技术和地图技术，具体涉及自动驾驶、智能交通以及深度学习，可以应用于车辆导航和路径规划等场景，尤其涉及一种路径推荐方法、路径推荐模型的训练方法及装置。


背景技术：

2.随着车辆出行的智能化，车辆可以通过导航的方式从始发地行驶至目的地。
3.在相关技术中，可以获取历史的车辆行驶路径，以基于获取到的车辆行驶路径为推荐车辆行驶路径。


技术实现要素：

4.本公开提供了一种用于提高推荐效率的路径推荐方法、路径推荐模型的训练方法及装置。
5.根据本公开的第一方面，提供了一种路径推荐方法，包括：
6.获取车辆行驶路径推荐请求；
7.根据所述车辆行驶路径推荐请求确定推荐域序列，其中，所述推荐域序列为车辆在域之间的推荐行驶转移关系，域包括基于路网中具有相同路名的有名路段确定的有名域、以及基于所述路网中的无名路段确定的得到虚拟域；
8.根据所述推荐域序列生成并输出车辆行驶路径。
9.根据本公开的第二方面，提供了一种路径推荐模型的训练方法，包括：
10.对路网中具有相同路名的有名路段进行聚合处理，得到有名域；对所述路网中的无名路段进行聚合处理，得到虚拟域；
11.根据所述路网和获取到的行驶于所述路网的样本车辆行驶路径，确定车辆在域之间的行驶转移关系，其中，域包括所述有名域和所述虚拟域；
12.根据所述行驶转移关系和所述样本车辆行驶路径训练得到路径推荐模型，其中，所述路径推荐模型用于推荐车辆行驶路径。
13.根据本公开的第三方面，提供了一种路径推荐装置，包括：
14.第一获取单元，用于获取车辆行驶路径推荐请求；
15.第一确定单元，用于根据所述车辆行驶路径推荐请求确定推荐域序列，其中，所述推荐域序列为车辆在域之间的推荐行驶转移关系，域包括基于路网中具有相同路名的有名路段确定的有名域、以及基于所述路网中的无名路段确定的得到虚拟域；
16.生成单元，用于根据所述推荐域序列生成车辆行驶路径；
17.输出单元，用于输出所述车辆行驶路径。
18.根据本公开的第四方面，提供了一种路径推荐模型的训练装置，包括：
19.聚合单元，用于对路网中具有相同路名的有名路段进行聚合处理，得到有名域；对所述路网中的无名路段进行聚合处理，得到虚拟域；
20.第二确定单元，用于根据所述路网和获取到的行驶于所述路网的样本车辆行驶路径，确定车辆在域之间的行驶转移关系，其中，域包括所述有名域和所述虚拟域；
21.训练单元，用于根据所述行驶转移关系和所述样本车辆行驶路径训练得到路径推荐模型，其中，所述路径推荐模型用于推荐车辆行驶路径。
22.根据本公开的第五方面，提供了一种电子设备，包括：
23.至少一个处理器；以及
24.与所述至少一个处理器通信连接的存储器；其中，
25.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面或者第二方面所述的方法。
26.根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面或者第二方面所述的方法。
27.根据本公开的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或者第二方面所述的方法。
28.根据本公开的基于有名域和虚拟域确定表征推荐行驶转移关系的推荐域序列，以基于该推荐域序列确定车辆行驶路径，即以“域”为粒度确定车辆行驶路径的技术特征，相对“路段”为粒度训练而言，路径推荐的“解空间”相对较小，可以实现提高推荐效率的技术效果。
29.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
30.附图用于更好地理解本方案，不构成对本公开的限定。其中：
31.图1是根据本公开第一实施例的示意图；
32.图2是根据本公开第二实施例的示意图；
33.图3是根据本公开第三实施例的示意图；
34.图4是根据本公开第四实施例的示意图；
35.图5是根据本公开第五实施例的示意图；
36.图6是根据本公开第六实施例的示意图；
37.图7是根据本公开第七实施例的示意图；
38.图8是根据本公开第八实施例的示意图；
39.图9是根据本公开第九实施例的示意图；
40.图10是用来实现本公开实施例的路径推荐方法、路径推荐模型的训练方法的电子设备的框图。
具体实施方式
41.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种
细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
42.随着车辆出行的智能化，车辆用户对车辆出行的安全和效率等有了更高的需求。为了满足车辆用户的车辆出行的需求，提高车辆出行的安全和效率，可以至少采用下述实施例实现对车辆行驶路径的推荐。
43.在一些实施例中，可以基于图论算法搜索并推荐总代价最小的车辆行驶路径。
44.示例性的，基于历史行驶轨迹或道路属性挖掘路网的各道路的通行代价，并通过图论算法加速搜索通行代价最小的路径，将该通行代价最小的路径确定为推荐的车辆行驶路径。
45.其中，道路属性包括道路的类型，如高速公路等，也可以包括道路的通行拥挤程度，等等。通行代价可以为用户基于需求设置的，如通行代价最小可以为通行时间最短，也可以为最畅通，过路费用最少等。
46.然而，车辆行驶路径的通行代价并不完全等同于车辆行驶路径途径的道路和路口代价累加和，车辆行驶路径中的道路序列关系也是代价影响因素，例如从辅路汇入主路再左转跟本来就在主路左转的通行代价并不一样，因此，采用上述方法存在推荐的车辆行驶路径的准确性偏低的弊端。
47.在另一些实施例中，可以通过训练路径推荐模型，以基于路径推荐模型生成并推荐车辆行驶路径。
48.示例性的，获取样本数据，其中，样本数据为历史的车辆行驶路径，根据样本数据对基础网络模型进行训练，得到路径推荐模型，并根据路径推荐模型推荐车辆行驶路径，以便车辆基于车辆行驶路径行驶，或者，以便用户基于车辆行驶路径控制车辆行驶。
49.然而，路网的覆盖面较广，包括上百万甚至更多的道路段，无论是训练路径推荐模型，还是基于路径推荐模型预测车辆行驶路径，均存在效率偏低，消耗资源较大的弊端。
50.为了避免上述技术问题，本公开的发明人经过创造性地劳动，得到了本公开的发明构思：根据车辆行驶路径推荐请求确定推荐域序列，即确定车辆在域之间的推荐行驶转移关系，以基于该转移关系生成车辆行驶路径。
51.基于上述发明构思，本公开提供一种路径推荐方法、路径推荐模型的训练方法及装置，涉及数据处理技术和地图技术，具体涉及自动驾驶、智能交通以及深度学习，可以应用于车辆导航和路径规划等场景，以提高车辆行驶路径的推荐的效率和可靠性。
52.图1是根据本公开第一实施例的示意图，如图1所示，本公开实施例的路径推荐方法，包括：
53.s101：获取车辆行驶路径推荐请求。
54.示例性的，本实施例的执行主体可以为路径推荐装置(下文简称推荐装置)，推荐装置可以为服务器(如云端服务器，或者本地服务器，或者服务器集群等)，也可以为计算机，也可以为终端设备，也可以为处理器，也可以为芯片等，此处不再一一列举。
55.本实施例对获取车辆行驶路径推荐请求的方式不做限定，如可以为基于设置与车辆的车载终端获取到的，也可以为基于车辆用户的用户设备获取到的，也可以为基于设置于车辆的拾音装置获取到的，等等，此处不再一一列举。
56.s102：根据车辆行驶路径推荐请求确定推荐域序列。其中，推荐域序列为车辆在域之间的推荐行驶转移关系，域包括基于路网中具有相同路名的有名路段确定的有名域、以及基于路网中的无名路段确定的得到虚拟域。
57.路网可以理解为由各种路段组成的相互联络、交织成网状分布的道路系统。示例性的，路网中包括路段，路段可能具有路名，也可能不具有路名，且不同路段可能具有相同的路名。
58.有名域可以理解为由具有相同路名的有名路段组成的区域。虚拟域可以理解为由无名路段组成的区域。
59.推荐行驶转移关系与后文中的样本行驶转移关系为相对概念，“推荐”和“样本”不能理解为对行驶转移关系的限定。
60.示例性的，车辆从一个域行驶至另一域，则车辆从一个域行驶至另一域的行驶关系可以称一个域与另一个域之间存在行驶转移关系。如车辆可以从域a行驶至域b，则可以称为域a与域b之间存在行驶转移关系。
61.且由于域包括有名域和虚拟域，相应的，行驶转移关系可以为有名域与有名域之间的行驶转移关系，也可以为有名域与虚拟域之间的行驶转移关系，也可以为虚拟域与虚拟域之间的行驶转移关系。
62.s103：根据推荐域序列生成并输出车辆行驶路径。
63.基于上述分析可知，本公开实施例提供了一种路径推荐方法，包括：获取车辆行驶路径推荐请求，根据车辆行驶路径推荐请求确定推荐域序列，其中，推荐域序列为车辆在域之间的推荐行驶转移关系，域包括基于路网中具有相同路名的有名路段确定的有名域、以及基于路网中的无名路段确定的得到虚拟域，根据推荐域序列生成并输出车辆行驶路径，在本实施例中，通过基于有名域和虚拟域确定表征推荐行驶转移关系的推荐域序列，以基于该推荐域序列确定车辆行驶路径，即以“域”为粒度确定车辆行驶路径的技术特征，相对“路段”为粒度训练而言，路径推荐的“解空间”相对较小，可以实现提高推荐效率的技术效果。
64.为使读者更加深刻地理解本公开的实现原理，现结合如图2对如图1所示的实施例进行更为详细地阐述。
65.图2是根据本公开第二实施例的示意图，如图2所示，本公开实施例的路径推荐方法，包括：
66.s201：获取车辆行驶路径推荐请求，行驶路径推荐请求中包括行驶起点和行驶终点。
67.应该理解的是，为了避免繁琐的陈述，关于本实施例与上述实施例中相同的技术特征，本实施例不再赘述。
68.行驶起点为车辆行驶的始发地，行驶终点为车辆行驶的目的地。
69.s202：根据行驶起点和行驶终点确定推荐域序列。其中，推荐域序列为车辆在域之间的推荐行驶转移关系，域包括基于路网中具有相同路名的有名路段确定的有名域、以及基于路网中的无名路段确定的得到虚拟域。
70.示例性的，可以确定行驶起点和行驶终点之间的域(包括有名域和/或无名域)，并确定车辆为从行驶起点行驶至行驶终点，在域之间的行驶转移关系，该行驶转移关系可以
称为推荐行驶转移关系。
71.在一些实施例中，有名域是对路网中具有相同路名的有名路段进行聚合处理得到的；虚拟域是对路网中的无名路段进行聚合处理得到的。
72.示例性的，推荐装置可以从路网中确定各有名路段和各无名路段。针对各有名路段，推荐装置可以获取各有名路段各自对应的路名，以从各有名路段中，提取具有相同路名的有名路段，并对提取到的有名路段进行聚合处理，得到有名域，有名域可以理解为由具有相同路名的有名路段组成的区域。
73.例如，有名路段a1、a2以及a3的路名均为a，则可以对有名路段a1、a2以及a3进行聚合处理，从而得到有名域。相应的，有名域可以理解为基于有名路段a1、a2以及a3组成的连通区域。
74.同理，针对各无名路段，推荐装置可以对各无名路段进行聚合处理，得到虚拟域，虚拟域可以理解为由无名路段组成的区域。
75.在本实施例中，通过结合聚合处理得到有名域和无名域，可以使得确定出的有名域和无名域具有较高的准确性和可靠性，进而使得以“域”为粒度推荐的车辆行驶路径具有较高的准确性和可靠性的技术效果。
76.在一些实施例中，无名路段的数量为多个；虚拟域是根据获取到的与路网对应的无向图，并以任一无名路段为探索起始点，直至从无向图中探索到有名路段确定的，虚拟域表征任一无名路段与探索到的有名路段之间的区域。
77.也就是说，可以根据无向图按照联通分量的方式对无名路段进行聚合，从而虚拟域。
78.例如，在路网对应的无向图中，以当前的无名路段为起点进行周边范围探索，直至探索到有名路段，创建包括起点(即当前的无名路段)至探索到的有名路段之间的区域的虚拟域，依次类推，直至得到所有的虚拟域。
79.在本实施例中，通过结合无向图探索得到虚拟域，可以使得虚拟域具有较高的准确性和有效性。
80.s203：根据推荐域序列和预设的映射关系，生成并输出车辆行驶路径。其中，映射关系用于表征路网中有名路段与路名之间的映射关系。
81.在一些实施例中，映射关系是从路网中获取各有名路段各自对应的路名，并构建的有名路段与路名之间的对应关系。
82.示例性的，推荐域序列为车辆域之间推荐行驶转移关系，域包括有名域和无名域，且有名域是基于具有相同路名的有名路段聚合得到的，因此，当确定出推荐域序列之后，可以结合映射关系从“域”的粒度确定车辆行驶路径，从而提高确定车辆行驶路径的效率。
83.在一些实施例中，s203可以包括：根据映射关系确定推荐域序列中各域各自对应的路段，并根据确定出的各路段生成并输出车辆行驶路径。
84.通过结合映射关系，可以将以“域”粒度的推荐域序列转换为以“路段”粒度的车辆行驶路径，以实现推荐相对更为“细粒度”车辆行驶路径，满足用户的车辆行驶需求，提高车辆行驶的安全性和可靠性。
85.在一些实施例中，车辆行驶路径推荐请求中还包括车辆用户的用户特征，用户特征用于表征车辆用户的年龄、性别以及行车偏好等，以结合用户特征确定车辆行驶路径，从
而满足车辆用户的个性化需求，提高推荐的多样性和灵活性。
86.在一些实施例中，还可以通过构建路径推荐模型，以基于路径推荐模型推荐车辆行驶路径，如可以将车辆行驶路径推荐请求(如包括行驶起点和行驶终点，也可以包括用户特征)输入至路径推荐模型，输出推荐域序列，以根据推荐域序列和映射关系，生成并输出车辆行驶路径。
87.示例性的，对行驶起点、行驶终点以及用户特征进行拼接处理，得到拼接特征，并将拼接特征输入至路径推荐模型，输出推荐域序列，以根据推荐域序列和映射关系，生成并输出车辆行驶路径。
88.现结合图3对路径推荐模型的训练方法进行阐述，其中，图3是根据本公开第三实施例的示意图，如图3所示，本公开实施例的路径推荐模型的训练方法，包括：
89.s301：对路网中具有相同路名的有名路段进行聚合处理，得到有名域。对路网中的无名路段进行聚合处理，得到虚拟域。
90.示例性的，本实施例的执行主体为路径推荐模型的训练装置(下文简称训练装置)，训练装置可以为与路径推荐装置相同的装置，也可以为不同的装置，本实施例不做限定。
91.同理，为了避免繁琐的陈述，关于本实施例与上述实施例中相同的技术特征，本实施例不再赘述。
92.在一些实施例中，训练装置可以从路网中确定各有名路段和各无名路段。针对各有名路段，训练装置可以获取各有名路段各自对应的路名，以从各有名路段中，提取具有相同路名的有名路段，并对提取到的有名路段进行聚合处理，得到有名域，有名域可以理解为由具有相同路名的有名路段组成的区域。
93.同理，针对各无名路段，训练装置可以对各无名路段进行聚合处理，得到虚拟域，虚拟域可以理解为由无名路段组成的区域。
94.s302：根据路网和获取到的行驶于路网的样本车辆行驶路径，确定车辆在域之间的行驶转移关系。其中，域包括有名域和虚拟域。
95.样本车辆行驶路径可以理解为，车辆行驶于路网而生成的车辆行驶路径。本实施例对样本车辆行驶路径的数量不做限定，可以基于需求、历史记录以及试验等方式进行确定。
96.示例性的，针对相对训练需求较高的场景，样本车辆行驶路径的数量可以相对较多，针对相对训练需求较低的场景，样本车辆行驶路径的数量可以相对较少。
97.该实施例可以理解为：根据道路系统和样本车辆行驶路径，可以确定车辆从一个域行驶至另一域，则车辆从一个域行驶至另一域的行驶关系可以称一个域与另一个域之间存在行驶转移关系。如车辆可以从域a行驶至域b，则可以称为域a与域b之间存在行驶转移关系。
98.且由于域包括有名域和虚拟域，相应的，行驶转移关系可以为有名域与有名域之间的行驶转移关系，也可以为有名域与虚拟域之间的行驶转移关系，也可以为虚拟域与虚拟域之间的行驶转移关系。
99.s303：根据行驶转移关系和样本车辆行驶路径训练得到路径推荐模型。其中，路径推荐模型用于推荐车辆行驶路径。
100.基于上述分析可知，本公开实施例提供了一种路径推荐模型的训练方法，包括：对路网中具有相同路名的有名路段进行聚合处理，得到有名域。对路网中的无名路段进行聚合处理，得到虚拟域，根据路网和获取到的样本车辆行驶路径，确定车辆在域之间的行驶转移关系，其中，域包括有名域和虚拟域，根据行驶转移关系和样本车辆行驶路径训练得到路径推荐模型。其中，路径推荐模型用于推荐车辆行驶路径，在本实施例中，通过生成有名域和虚拟域，以确定车辆在域之间的行驶转移关系，即以“域”为粒度训练得到路径推荐模型的技术特征，相对“路段”为粒度训练而言，训练的“解空间”相对较小，可以提高训练效率的技术效果。
101.为使读者更加深刻地理解本公开的实现原理，现结合图4对上述实施例进行更为详细地阐述。
102.其中，图4是根据本公开第四实施例的示意图，如图4所示，本公开实施例的路径推荐模型的训练方法，包括：
103.s401：从路网中获取各路段各自对应的路名，并对具有相同路名的有名路段进行聚合处理，得到有名域。
104.应该理解的是，为了避免繁琐的陈述，关于本实施例与上述实施例中相同的技术特征，本实施例不再赘述。
105.s402：获取与路网对应的无向图，并获取路网中没有路名的无名路段。
106.无向图中包括点和边，点可以理解为路网中的路口，两个点之间的边可以理解为两个点之间的路段。
107.s403：以任一无名路段为探索起始点，直至从无向图中探索到有名路段，并将任一无名路段与探索到的有名路段之间的区域确定为虚拟域。
108.也就是说，可以根据无向图按照联通分量的方式对无名路段进行聚合，从而虚拟域。
109.例如，在路网对应的无向图中，以当前的无名路段为起点进行周边范围探索，直至探索到有名路段，创建包括起点(即当前的无名路段)至探索到的有名路段之间的区域的虚拟域，依次类推，直至得到所有的虚拟域。
110.在本实施例中，通过结合无向图探索得到虚拟域，可以使得虚拟域具有较高的准确性和有效性。
111.s404：根据路网和获取到的行驶于路网的样本车辆行驶路径，确定车辆在域之间的行驶转移关系，并根据行驶转移关系，生成新的无向图。
112.其中，域包括所述有名域和所述虚拟域。
113.示例性的，该步骤可以理解为对s402中所涉及的无向图进行更新，在s402中，无线图的粒度的为路段，而新的无向图的粒度为域。
114.在一些实施例中，根据路网和获取到的行驶于路网的样本车辆行驶路径，确定车辆在域之间的行驶转移关系，可以包括：提取路网中各域之间的连接关系，并根据连接关系和样本车辆行驶路径确定行驶转移关系。
115.示例性的，根据有名域与有名域之间的连接关系，有名域与无名域之间的连接关系，无名域与无名域之间的连接关系，确定行驶转移关系，以使得行驶转移关系为以域为粒度的车辆行驶的转移信息。
116.由于连接关系可以为有名域之间，也可以为无名域之间，也可以为有名域与无名域之间，因此，通过结合连接关系确定出的行驶转移关系具有较高的准确性和可靠性的技术效果。
117.在一些实施例中，可以根据新的无向图、行驶转移关系以及样本车辆行驶路径训练得到路径推荐模型，即以“域”为粒度训练得到路径推荐模型，以提高训练的效率。
118.s405：构建有名路段与路名之间的映射关系。
119.示例性的，结合上述分析，一个路名下可能对应多个有名路段，因此，在映射关系中，一个路名可能对应一个有名路段，也可能对应多个有名路段，但是，通常一个有名路段对应一个路名。
120.s406：根据新的无向图、行驶转移关系、映射关系以及样本车辆行驶路径，训练得到路径推荐模型。其中，路径推荐模型用于推荐车辆行驶路径。
121.结合上述分析，通过新的无向图训练得到路径推荐模型，可以提高训练的效率，而由于映射关系可以表征有名路段与路名之间的对应关系，因此，通过结合映射关系训练得到路径推荐模型，可以实现相对更为细粒度的训练，从而提高训练得到的路径推荐模型的准确性和有效性。
122.在一些实施例中，s406可以包括如下步骤：
123.第一步骤：根据样本车辆行驶路径，确定车辆行驶于路网中各路段的路段轨迹序列。
124.其中，路段轨迹序列用于表征车辆行驶的各路段，以及各路段之间的顺序关系。
125.第二步骤：根据映射关系和新的无向图，将路段轨迹序列转换为域轨迹序列，并根据路段轨迹序列、行驶转移关系以及域轨迹序列，训练得到路径推荐模型。
126.其中，路段轨迹序列与域轨迹序列为相对概念，路段轨迹序列为以路段为粒度的轨迹序列，域轨迹序列为以域为粒度的轨迹序列，由于域为对路段进行聚合处理得到的，如有名域为对具有共同路名的有名路段进行聚合处理得到的，虚拟域为对无名路段进行聚合处理得到的，因此，相对而言，基于域轨迹序列的训练收敛更快，效率更高。
127.在一些实施例中，根据映射关系和新的无向图，将路段轨迹序列转换为域轨迹序列，可以包括如下步骤：
128.第一步骤：针对路段轨迹序列中的各路段，根据映射关系确定各路段各自对应的域。
129.示例性的，路段轨迹序列中可能包括有名路段和无名路段，映射关系可以表征有名路段与路名之间的对应关系，且有名域是基于具有相同路名的有名路段聚合处理得到的，因此，针对路段轨迹序列中的有名路段，可以根据映射关系确定对应的有名域，针对路段轨迹序列中的无名路段，可以确定无名路段对应的无名域。
130.第二步骤：根据新的无向图获取确定出的各路段各自对应的域之间的连通关系，并根据连通关系生成域轨迹序列。
131.结合上述分析，新的无向图为以域为粒度的无向图，通过结合新的无向图生成域轨迹序列，可以提高域轨迹序列的准确性和可靠性的技术效果。
132.在一些实施例中，路段轨迹序列具有轨迹起点和轨迹终点；根据路段轨迹序列、行驶转移关系以及域轨迹序列，训练得到路径推荐模型，可以包括：根据轨迹起点、轨迹终点、
行驶转移关系以及域轨迹序列，训练得到路径推荐模型。
133.由于不同的轨迹起点和轨迹终点对应的车辆行驶路径可能不同，因此，为了提高车辆行驶路径推荐的准确性和可靠性，可以结合轨迹起点和轨迹终点训练得到路径推荐模型。
134.在一些实施例中，还可以获取路段轨迹序列对应的车辆用户的用户特征，即形成样本车辆行驶路径的车辆用户的用户特征，用户特征用于表征用户的年龄、性别以及行车偏好等，并结合用户特征训练得到路径推荐模型，以满足路径推荐模型满足路径推荐的个性化需求，提高路径推荐的灵活性和多样性。
135.示例性的，可以对用户特征、轨迹起点、轨迹终点以及域轨迹序列，进行特征拼接处理，得到拼接特征，并根据行驶转移关系和拼接特征训练得到路径推荐模型。
136.其中，拼接特征可以作为输入特征，可以基于行驶转移关系对输入特征进行预测，得到预测的车辆行驶路径，通过计算预测的车辆行驶路径与预先标定的真实车辆行驶路径之间的损失值，以基于损失值进行迭代训练，从而得到路径推荐模型。
137.图5是根据本公开第五实施例的示意图，如图5所示，本公开实施例的路径推荐装置500，包括：
138.第一获取单元501，用于获取车辆行驶路径推荐请求。
139.第一确定单元502，用于根据车辆行驶路径推荐请求确定推荐域序列，其中，推荐域序列为车辆在域之间的推荐行驶转移关系，域包括基于路网中具有相同路名的有名路段确定的有名域、以及基于路网中的无名路段确定的得到虚拟域。
140.生成单元503，用于根据推荐域序列生成车辆行驶路径。
141.输出单元504，用于输出车辆行驶路径。
142.图6是根据本公开第六实施例的示意图，如图6所示，本公开实施例的路径推荐装置600，包括：
143.第一获取单元601，用于获取车辆行驶路径推荐请求。
144.在一些实施例中，车辆行驶路径推荐请求中包括行驶起点、行驶终点、以及车辆行驶路径推荐请求的车辆用户的用户特征。
145.第一确定单元602，用于根据车辆行驶路径推荐请求确定推荐域序列，其中，推荐域序列为车辆在域之间的推荐行驶转移关系，域包括基于路网中具有相同路名的有名路段确定的有名域、以及基于路网中的无名路段确定的得到虚拟域。
146.结合图6可知，在一些实施例中，第一确定单元602，包括：
147.输入子单元6021，用于将车辆行驶路径推荐请求输入至预先训练的路径推荐模型。
148.输出子单元6022，用于输出推荐域序列。
149.其中，路径推荐模型是根据样本行驶转移关系和样本车辆行驶路径训练得到的，样本行驶转移关系是根据路网和获取到的样本车辆行驶路径确定的车辆在域之间的行驶转移关系。
150.生成单元603，用于根据推荐域序列生成车辆行驶路径。
151.在一些实施例中，生成单元603用于，根据推荐域序列和预设的映射关系，生成车辆行驶路径，其中，映射关系用于表征路网中有名路段与路名之间的映射关系。
152.结合图6可知，在一些实施例中，生成单元603包括：
153.第一确定子单元6031，用于根据映射关系确定推荐域序列中各域各自对应的路段。
154.第一生成子单元6032，用于根据确定出的各路段生成车辆行驶路径。
155.在一些实施例中，映射关系是从路网中获取各有名路段各自对应的路名，并构建的有名路段与路名之间的对应关系。
156.在一些实施例中，有名域是对路网中具有相同路名的有名路段进行聚合处理得到的；虚拟域是对路网中的无名路段进行聚合处理得到的。
157.在一些实施例中，无名路段的数量为多个；虚拟域是根据获取到的与路网对应的无向图，并以任一无名路段为探索起始点，直至从无向图中探索到有名路段确定的，虚拟域表征任一无名路段与探索到的有名路段之间的区域。
158.输出单元604，用于输出车辆行驶路径。
159.图7是根据本公开第七实施例的示意图，如图所示，本公开实施例的路径推荐模型的训练装置700，包括：
160.聚合单元701，用于对路网中具有相同路名的有名路段进行聚合处理，得到有名域；对路网中的无名路段进行聚合处理，得到虚拟域。
161.第二确定单元702，用于根据路网和获取到的行驶于路网的样本车辆行驶路径，确定车辆在域之间的行驶转移关系，其中，域包括有名域和虚拟域。
162.训练单元703，用于根据行驶转移关系和样本车辆行驶路径训练得到路径推荐模型，其中，路径推荐模型用于推荐车辆行驶路径。
163.图8是根据本公开第八实施例的示意图，如图8所示，本公开实施例的路径推荐模型的训练装置800，包括：
164.聚合单元801，用于对路网中具有相同路名的有名路段进行聚合处理，得到有名域；对路网中的无名路段进行聚合处理，得到虚拟域。
165.在一些实施例中，无名路段的数量为多个；聚合单元801，包括：
166.获取子单元8011，用于获取与路网对应的无向图。
167.探索子单元8012，用于以任一无名路段为探索起始点，直至从无向图中探索到有名路段。
168.第三确定子单元8013，用于将任一无名路段与探索到的有名路段之间的区域确定为虚拟域。
169.第二确定单元802，用于根据路网和获取到的行驶于路网的样本车辆行驶路径，确定车辆在域之间的行驶转移关系，其中，域包括有名域和虚拟域。
170.结合图8可知，在一些实施例中，第二确定单元802，包括：
171.提取子单元8021，用于提取路网中各域之间的连接关系。
172.第二确定子单元8022，用于根据连接关系和样本车辆行驶路径确定行驶转移关系。
173.第二获取单元803，用于从路网中获取各有名路段各自对应的路名。
174.构建单元804，用于构建有名路段与路名之间的映射关系。
175.第三获取单元805，用于获取路段轨迹序列对应的车辆用户的用户特征。
176.训练单元806，用于根据行驶转移关系和样本车辆行驶路径训练得到路径推荐模型，其中，路径推荐模型用于推荐车辆行驶路径。
177.结合图8可知，在一些实施例中，训练单元806，包括：
178.第二生成子单元8061，用于根据行驶转移关系，生成与路网对应的无向图。
179.训练子单元8062，用于根据无向图、行驶转移关系以及样本车辆行驶路径训练得到路径推荐模型。
180.训练子单元8062用于，根据无向图、行驶转移关系、映射关系以及样本车辆行驶路径，训练得到路径推荐模型。
181.在一些实施例中，训练子单元8062，包括：
182.确定模块，用于根据样本车辆行驶路径，确定车辆行驶于路网中各路段的路段轨迹序列。
183.转换模块，用于根据无向图和映射关系，将路段轨迹序列转换为域轨迹序列。
184.在一些实施例中，转换模块，包括：
185.确定子模块，用于针对路段轨迹序列中的各路段，根据映射关系确定各路段各自对应的域。
186.获取子单元，用于根据无向图获取确定出的各路段各自对应的域之间的连通关系。
187.生成子模块，用于根据连通关系生成域轨迹序列。
188.训练模块，用于根据路段轨迹序列、行驶转移关系以及域轨迹序列，训练得到路径推荐模型。
189.在一些实施例中，路段轨迹序列具有轨迹起点和轨迹终点；训练模块用于，根据轨迹起点、轨迹终点、行驶转移关系以及域轨迹序列，训练得到路径推荐模型。
190.训练模块用于，根据用户特征、轨迹起点、轨迹终点、行驶转移关系以及域轨迹序列，训练得到路径推荐模型。
191.在一些实施例中，训练模块，包括：
192.拼接子模块，用于对用户特征、轨迹起点、轨迹终点、以及域轨迹序列，进行特征拼接处理，得到拼接特征。
193.训练子模块，用于根据行驶转移关系和拼接特征训练得到路径推荐模型。
194.图9是根据本公开第九实施例的示意图，如图9所示，本公开中的电子设备900可以包括：处理器901和存储器902。
195.存储器902，用于存储程序；存储器902，可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)，如静态随机存取存储器(英文：static random-access memory，缩写：sram)，双倍数据率同步动态随机存取存储器(英文：double data rate synchronous dynamic random access memory，缩写：ddr sdram)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器902用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器902中。并且上述的计算机程序、计算机指令、数据等可以被处理器901调用。
196.上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器902中。并且
上述的计算机程序、计算机指据等可以被处理器901调用。
197.处理器901，用于执行存储器902存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
198.具体可以参见前面方法实施例中的相关描述。
199.处理器901和存储器902可以是独立结构，也可以是集成在一起的集成结构。当处理器901和存储器902是独立结构时，存储器902、处理器901可以通过总线903耦合连接。
200.本实施例的电子设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
201.本公开的技术方案中，所涉及的用户个人信息(如用户特征等)的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
202.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
203.根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
204.图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
205.如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(rom)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(ram)1003中的计算机程序，来执行各种适当的动作和处理。在ram 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
206.设备1000中的多个部件连接至i/o接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
207.计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如路径推荐方法、路径推荐模型的训练方法。例如，在一些实施例中，路径推荐方法、路径推荐模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由rom 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到ram 1003并由
计算单元1001执行时，可以执行上文描述的路径推荐方法、路径推荐模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行路径推荐方法、路径推荐模型的训练方法。
208.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
209.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
210.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
211.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
212.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
213.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计
算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
214.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
215.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。