一種用戶車輛導航系統、裝置及方法與流程
2023-05-01 16:14:11
本發明涉及計算機技術領域，特別涉及一種用戶車輛導航系統、裝置及方法。
背景技術：
隨著導航技術的發展，為用戶車輛提供的各種導航系統層出不窮，很多計算機技術公司都推出了自己的導航系統供用戶車輛選擇使用。
目前，導航系統根據用戶車輛的起點和終點的設置，匹配所存儲的對應多條路徑，然後根據用戶車輛設置的導航策略，比如「躲避擁堵」、「高速優先」、「不走高速」或「避免收費」等導航策略，基於對應的多條路徑的靜態因素信息及動態因素信息，確定為用戶提供的導航路徑，其中靜態因素信息為紅綠燈和限速等靜態不變的因素信息，動態因素信息為實時路況信息，包括：當前路況狀態、時間段、擁堵路段及車流速度等信息。導航系統在為用戶車輛選擇路徑時，由於路徑的動態因素信息的存在且不能預知，常常在遇到路徑的路況問題時才重新計算最適合用戶車輛的導航策略的路徑，不能提前預算，從而使得用戶車輛的導航具有不確定性及準確性。
更進一步地，導航系統提供給用戶車輛的導航策略也比較有限，並沒有涉及「用時最短」及「最經濟」等用戶比較關心的導航策略，無法滿足用戶車輛的路徑導航需求。
技術實現要素：
有鑑於此，本發明實施例提供一種用戶車輛導航系統，該系統能夠按照用戶車輛設置的個性化導航策略提供路徑導航需求，提高用戶車輛的路徑導航的確定性和準確性。
本發明實施例還提供一種用戶車輛導航裝置，該裝置能夠按照用戶車輛設置的個性化導航策略提供路徑導航需求，提高用戶策略的路徑導航的確定性和準確性。
本發明實施例還提供一種用戶車輛導航方法，該方法能夠按照用戶車輛設置的個性化導航策略提供路徑導航需求，提高用戶策略側路徑導航的確定性和準確性。
根據上述目的，本發明是這樣實現的：
一種用戶車輛導航系統，包括：雲導航伺服器及用戶車輛終端，其中，
雲導航伺服器，用於設置用戶駕車習慣模型庫及道路狀況模型庫，分別對應用戶車輛存儲用戶駕車習慣模型及針對路徑存儲道路狀況模型，並實時分別更新；接收導航路徑請求，根據所述請求攜帶的個性化導航策略，基於用戶駕車習慣模型庫中對應用戶車輛的用戶駕車習慣模型及道路狀況模型庫中對應路徑的道路狀況模型，為用戶車輛提供匹配個性化導航策略的路徑；
用戶車輛終端，用於向雲導航伺服器發送導航路徑請求，請求攜帶個性化導航策略，所述個性化導航策略為用時最短導航策略和/或最經濟導航策略。
所述雲導航伺服器包括：樣本收集模塊、數據學習模塊及分析推導模塊，其中，
樣本收集模塊，用於採集同一用戶車輛的用戶駕車習慣信息，作為用戶車輛駕車模型樣本，採集不同用戶車輛在同一路徑上的道路狀況信息，作為道路狀況模型樣本；
數據學習模塊，用於基於用戶駕車模型樣本按照設定的計算模型進行學習；基於道路狀況模型樣本按照設置的計算模型進行學習；
分析推導模塊，用於對學習後的用戶駕車模型樣本進行推導歸類，形成對應用戶車輛的用戶駕車習慣模型，對學習後的道路狀況模型樣本進行推導歸類，形成對應路徑的道路狀況模型。
所述雲導航伺服器還包括：路徑規劃模塊、策略預估模塊及決策評價模塊，其中，
路徑規劃模塊，用於從道路狀況模型庫中獲得請求的路徑對應的道路狀況模型，從用戶駕車習慣模型庫中獲取對應用戶車輛的用戶駕車習慣模型，發送給策略預估模塊；將用戶車輛的個性化導航策略發送給策略預估模塊；
策略預估模塊，用於根據用戶車輛的個性化導航策略，基於用戶駕車習慣模型及道路狀況模型，進行計算，得到計算結果，發送給決策評價模塊；
決策評價模塊，用於根據計算結果為用戶車輛提供匹配個性化導航策略的路徑。
所述用戶駕車習慣信息為：用戶車輛的駕車時速信息，在剎車狀態下和怠速狀態下的油耗信息；
所述道路狀況信息為路徑在不同時間段內的車流速度、擁堵路段及擁堵時間段的動態因素信息及靜態因素信息。
一種用戶車輛導航裝置，包括：模型設置模塊及請求處理模塊，其中，
模型設置模塊，用於設置對應用戶車輛的用戶駕車習慣模型及對應路徑的道路狀況模型，分別存儲到用戶駕車習慣模型庫中及道路狀況模型路中，並實時更新；
請求處理模塊，用於接收導航路徑請求，根據所述請求攜帶的個性化導航策略，基於用戶駕車習慣模型庫中對應用戶車輛的用戶駕車習慣模型及道路狀況模型庫中對應路徑的道路狀況模型，為用戶車輛提供匹配個性化導航策略的路徑。
所述模型設置模塊，還包括：樣本收集模塊、數據學習模塊及分析推導模塊，其中，
樣本收集模塊，用於採集同一用戶車輛的用戶駕車習慣信息，作為用戶車輛駕車模型樣本，採集不同用戶車輛在同一路徑上的道路狀況信息，作為道路狀況模型樣本；
數據學習模塊，用於基於用戶駕車模型樣本按照設定的計算模型進行學習；基於道路狀況模型樣本按照設置的計算模型進行學習；
分析推導模塊，用於對學習後的用戶駕車模型樣本進行推導歸類，形成對應用戶車輛的用戶駕車習慣模型，對學習後的道路狀況模型樣本進行推導歸類，形成對應路徑的道路狀況模型。
所述請求處理模塊還包括路徑規劃模塊、策略預估模塊及決策評價模塊，其中，
路徑規劃模塊，用於從道路狀況模型庫中獲得請求的路徑對應的道路狀況模型，從用戶駕車習慣模型庫中獲取對應用戶車輛的用戶駕車習慣模型，發送給策略預估模塊；將用戶車輛的個性化導航策略發送給策略預估模塊；
策略預估模塊，用於根據用戶車輛的個性化導航策略，基於用戶駕車習慣模型及道路狀況模型，進行計算，得到計算結果，發送給決策評價模塊；
決策評價模塊，用於根據計算結果為用戶車輛提供匹配個性化導航策略的路徑。
一種用戶車輛導航方法，包括：
設置用戶駕車習慣模型庫及道路狀況模型庫，分別對應用戶車輛存儲用戶駕車習慣模型及針對路徑存儲道路狀況模型，並實時分別更新；
接收導航路徑請求，根據所述請求攜帶的個性化導航策略；
基於用戶駕車習慣模型庫中對應用戶車輛的用戶駕車習慣模型及道路狀況模型庫中對應路徑的道路狀況模型，為用戶車輛提供匹配個性化導航策略的路徑。
所述設置用戶駕車習慣模型及道路狀況模型是通過學習方式設置的，為：
採集同一用戶車輛的用戶駕車習慣信息，作為用戶車輛駕車模型樣本，採集不同用戶車輛在同一路徑上的道路狀況信息，作為道路狀況模型樣本；
基於用戶駕車模型樣本按照設定的計算模型進行學習；基於道路狀況模型樣本按照設置的計算模型進行學習；
對學習後的用戶駕車模型樣本進行推導歸類，形成對應用戶車輛的用戶駕車習慣模型，對學習後的道路狀況模型樣本進行推導歸類，形成對應路徑的道路狀況模型。
所述為用戶車輛提供匹配個性化導航策略的路徑為：
從道路狀況模型庫中獲得請求的路徑對應的道路狀況模型，從用戶駕車習慣模型庫中獲取對應用戶車輛的用戶駕車習慣模型；
根據用戶車輛的個性化導航策略，基於用戶駕車習慣模型及道路狀況模型，進行計算，得到計算結果，為用戶車輛提供匹配個性化導航策略的路徑。
由上述方案可以看出，本發明實施例在雲導航系統中設置用戶駕車習慣模型庫及道路狀況模型庫，分別對應用戶車輛終端設置用戶駕車習慣模型及針對路徑設置道路狀況模型，並可實時更新。當接收用戶車輛終端的路徑選擇請求後，基於用戶駕車習慣模型庫中對應的用戶駕車習慣模型及道路狀況模型庫中對應的道路狀況模型，為用戶車輛提供匹配個性化導航策略的路徑，所述個性化導航策略為用時最短導航策略或/和最經濟導航策略。這樣，由於本發明實施例在選擇用戶車輛的導航路徑時，基於了用戶車輛的個性化策略，為用戶車輛提供多種多樣導航需求，提高了用戶的體驗度。更進一步地，其在導航路徑確定時，不僅僅依據了對應路徑道路的狀況，而且依據針對不同用戶車輛設置的不同用戶駕車習慣信息，從而使得用戶車輛的導航的確定性和準確性更高。
附圖說明
圖1為本發明實施例提供的一種用戶車輛導航系統的結構示意圖；
圖2為本發明實施例提供的一種用戶車輛導航裝置的結構示意圖；
圖3為本發明實施例提供的用戶車輛導航方法流程圖；
圖4為本發明實施例提供的躲避擁堵策略選擇路徑的示意圖；
圖5為本發明實施例提供的所建立的用戶駕車習慣模型及道路狀況模型的結構示意圖；
圖6為本發明實施例提供的最短時間導航策略下的路徑選擇示意圖；
圖7為本發明實施例提供的最經濟導航策略下的路徑選擇示意圖。
具體實施方式
為使本發明的目的、技術方案及優點更加清楚明白，以下參照附圖並舉實施例，對本發明作進一步詳細說明。
從背景技術可以看出，目前為用戶車輛進行導航時並沒有將用時最短導航策略和最經濟導航策略這兩種用戶車輛最關心的問題考慮進去，而這兩個導航策略也確實是充滿不確定因素的部分，比如用時最短導航策略與路況、時間段、擁堵路段及車流速度等動態因素信息及紅綠燈、限速等靜態因素信息關係比較大，即其構成既有靜態不變因素也有動態變化因素；而最經濟導航策略與用戶車輛平時的駕車習慣及時速等動態因素信息密切相關，同時又與路徑上的收費站等靜態因素信息密切相關，而且路徑時速也受到路況、時間段、擁堵路段及車流速度等動態因素以及紅綠燈和限速等靜態因素信息密切相關。因此，上述這些個性化導航策略都是同時受到不變的靜態因素信息影響，又受到變化的動態因素信息影響，給用戶車輛的導航過程帶來了很多不確定性，導致導航結果的不準確性。
為了解決上述問題，本發明實施例在雲導航系統中設置用戶駕車習慣模型庫及道路狀況模型庫，分別對應用戶車輛終端設置用戶駕車習慣模型及針對路徑設置道路狀況模型，並可實時更新。當接收用戶車輛終端的路徑選擇請求後，基於用戶駕車習慣模型庫中對應的用戶駕車習慣模型及道路狀況模型庫中對應的道路狀況模型，為用戶車輛提供匹配個性化導航策略的路徑，所述個性化導航策略為用時最短導航策略或/和最經濟導航策略。這樣，由於本發明實施例在選擇用戶車輛的導航路徑時，基於了用戶車輛的個性化策略，為用戶車輛提供多種多樣導航需求，提高了用戶的體驗度。更進一步地，其在導航路徑確定時，不僅僅依據了對應路徑道路的狀況，而且依據針對不同用戶車輛設置的不同用戶駕車習慣信息，從而使得用戶車輛的導航的確定性和準確性更高。
在本發明實施例中，所述用戶駕車習慣模型庫的建立及道路狀況模型庫的建立都採用學習型方式建立，不斷根據用戶車輛的上報的各種信息進行學習更新。通過不斷地從用戶車輛學習某一用戶車輛的駕車習慣，得到該用戶車輛在駕車時不同的時速下、怠速情況下及剎車情況下不同的油耗信息。同時也不斷地從不同的用戶車輛學習不同用戶車輛設置的同一起點至終點之間的不同路徑、不同時間段、擁堵路段及車流平均速度等信息，再結合靜態因素信息如收費站信息、紅綠燈信息及限速等信息。通過日積月累地不斷學習，不斷地更新通過學習推導的用戶駕車習慣模型及道路狀況模型，從而使得導航越來越精確。當用戶車輛使用導航時使用通過學習得到的動態因素信息，以及靜態因素信息相結合，在用戶車輛規劃路徑的時候預先計算，從而得到基於用時最短導航策略和最經濟導航策略的導航結果。
本發明實施例主要分為兩個階段，分為學習階段及路徑規劃階段，具體地說：
第一階段為學習階段，在學習階段，本發明實施例收到各個用戶車輛終端的用戶駕車習慣信息，比如用戶車輛在怠速狀態、剎車狀態及不同時速狀態下的不同油耗信息，根據設定的計算模型學習推導得到不同狀態下不同時速下的油耗模型，並且將該模型作為用戶駕車習慣模型；本發明實施例還採集來自不同用戶車輛終端上報的路徑信息，比如不同用戶車輛終端上報的從某一起點到某一終點，在不同路徑、不同時間段及不同路段上的車流速度、擁堵路段及擁堵時間段信息等，而限速及紅燈等靜態因素信息作為靜態因素信息已經存儲，無需採集，在採集上述樣本信息後，就進行學習，根據設定的計算模型進行學習推導得到例如某一路徑在某一時間點的車流平均速度等信息的道路狀況模型並存儲在道路狀況模型庫中；
第二階段為路徑規劃階段，在路徑規劃階段，本發明實施例根據用戶車輛終端的請求規劃路徑的當前時間點，根據用戶駕車習慣模型庫中存儲對應的用戶駕車習慣模型，道路狀況模型庫中存儲對應路徑的道路狀況模型，進行估算，得到最短時間路徑或/和最經濟的導航路徑提供給用戶車輛終端。
在本發明實施例中，隨著時間上的累積，在每一路徑學習到的道路狀況的樣本越來越多，用戶車輛習慣樣本也會越來越多，隨著樣本數的增多，其通過學習推導出的模型也會更加準確，因此隨著不斷學習，用戶車輛可以更好及更準確的獲取到最短時間路徑或/和最經濟的導航路徑。
圖1為本發明實施例提供的一種用戶車輛導航系統的結構示意圖，包括雲導航伺服器及用戶車輛終端，其中，
雲導航伺服器，用於設置用戶駕車習慣模型庫及道路狀況模型庫，分別對應用戶車輛存儲用戶駕車習慣模型及針對路徑存儲道路狀況模型，並實時分別更新；接收導航路徑請求，根據所述請求攜帶的個性化導航策略，基於用戶駕車習慣模型庫中對應用戶車輛的用戶駕車習慣模型及道路狀況模型庫中對應路徑的道路狀況模型，為用戶車輛提供匹配個性化導航策略的路徑；
用戶車輛終端，用於向雲導航伺服器發送導航路徑請求，請求攜帶個性化導航策略，所述個性化導航策略為用時最短導航策略和/或最經濟導航策略。
在該系統中，雲導航伺服器，用於通過學習方式設置用戶駕車習慣模型庫及道路狀況模塊庫。
在該系統中，所述雲導航伺服器包括：樣本收集模塊、數據學習模塊及分析推導模塊，其中，
樣本收集模塊，用於採集同一用戶車輛的用戶駕車習慣信息，作為用戶車輛駕車模型樣本，採集不同用戶車輛在同一路徑上的道路狀況信息，作為道路狀況模型樣本；
數據學習模塊，用於基於用戶駕車模型樣本按照設定的計算模型進行學習；基於道路狀況模型樣本按照設置的計算模型進行學習；
分析推導模塊，用於對學習後的用戶駕車模型樣本進行推導歸類，形成對應用戶車輛的用戶駕車習慣模型，對學習後的道路狀況模型樣本進行推導歸類，形成對應路徑的道路狀況模型。
在該系統中，所述用戶駕車習慣信息為：用戶車輛的駕車時速信息，在剎車狀態下和怠速狀態下的油耗信息，所述道路狀況信息為路徑在不同時間段內的車流速度、擁堵路段及擁堵時間段等動態因素信息及紅路燈、限速信息和收費站等靜態因素信息。
在該系統中，雲導航伺服器採集各個用戶車輛終端的路徑規劃信息並進行學習，最終推導出一個學習結果的模型。雲導航伺服器採用同一用戶車輛在不同時速，不同狀態下的駕車習慣和油耗信息。隨著日結月累不斷收集各個用戶車輛終端的導航數據進行不斷地學習，這個學習的模型將會越來越準確，當用戶車輛希望規劃路徑時，會利用學習大的模型庫進行導航路徑的計算。
在該系統中，所述用戶車輛終端發送的導航路徑請求中包括路徑的起終點。
在該系統中，所述雲導航伺服器還包括：路徑規劃模塊、策略預估模塊及決策評價模塊，其中，
路徑規劃模塊，用於從道路狀況模型庫中獲得請求的路徑對應的道路狀況模型，從用戶駕車習慣模型庫中獲取對應用戶車輛的用戶駕車習慣模型，發送給策略預估模塊；將用戶車輛的個性化導航策略發送給策略預估模塊；
策略預估模塊，用於根據用戶車輛的個性化導航策略，基於用戶駕車習慣模型及道路狀況模型，進行計算，得到計算結果，發送給決策評價模塊。具體地說，如果個性化導航策略是時間最短導航策略，則根據道路狀況模型中的道路狀況信息以及用戶駕車習慣模型中的用戶車輛的路徑時間規劃等信息，結合紅綠燈及限速等信息計算預估完成各個路徑所需時間，將得到的計算結果發送給決策評價模塊；如果個性化導航策略是最經濟導航策略，則根據用戶駕車習慣模型中用戶的駕車習慣進行計算，獲取完成起終點之間的每條路徑所需要的油耗信息，並結合一些收費站等信息計算預估完成該路徑所需要的費用，將得到的計算結果發送給決策評價模塊；
決策評價模塊，用於根據計算結果為用戶車輛提供匹配個性化導航策略的路徑。具體地，選擇其中一個所需時間最短的路徑導航提供給用戶車輛終端或者/和選擇其中一個最經濟的路徑導航提供給用戶車輛終端。
圖2為本發明實施例提供的一種車輛導航裝置的結構示意圖，包括：模型設置模塊及請求處理模塊，其中，
模型設置模塊，用於設置對應用戶車輛的用戶駕車習慣模型及對應路徑的道路狀況模型，分別存儲到用戶駕車習慣模型庫中及道路狀況模型路中，並實時更新；
請求處理模塊，用於接收導航路徑請求，根據所述請求攜帶的個性化導航策略，基於用戶駕車習慣模型庫中對應用戶車輛的用戶駕車習慣模型及道路狀況模型庫中對應路徑的道路狀況模型，為用戶車輛提供匹配個性化導航策略的路徑。
具體地說，所述模型設置模塊，還包括：樣本收集模塊、數據學習模塊及分析推導模塊，其中，
樣本收集模塊，用於採集同一用戶車輛的用戶駕車習慣信息，作為用戶車輛駕車模型樣本，採集不同用戶車輛在同一路徑上的道路狀況信息，作為道路狀況模型樣本；
數據學習模塊，用於基於用戶駕車模型樣本按照設定的計算模型進行學習；基於道路狀況模型樣本按照設置的計算模型進行學習；
分析推導模塊，用於對學習後的用戶駕車模型樣本進行推導歸類，形成對應用戶車輛的用戶駕車習慣模型，對學習後的道路狀況模型樣本進行推導歸類，形成對應路徑的道路狀況模型。
所述請求處理模塊還包括路徑規劃模塊、策略預估模塊及決策評價模塊，其中，
路徑規劃模塊，用於從道路狀況模型庫中獲得請求的路徑對應的道路狀況模型，從用戶駕車習慣模型庫中獲取對應用戶車輛的用戶駕車習慣模型，發送給策略預估模塊；將用戶車輛的個性化導航策略發送給策略預估模塊；
策略預估模塊，用於根據用戶車輛的個性化導航策略，基於用戶駕車習慣模型及道路狀況模型，進行計算，得到計算結果，發送給決策評價模塊。
決策評價模塊，用於根據計算結果為用戶車輛提供匹配個性化導航策略的路徑。
圖3為本發明實施例提供的車輛導航方法流程圖，其具體步驟為：
步驟301、設置用戶駕車習慣模型庫及道路狀況模型庫，分別對應用戶車輛存儲用戶駕車習慣模型及針對路徑存儲道路狀況模型，並實時分別更新；
步驟302、接收導航路徑請求，根據所述請求攜帶的個性化導航策略；
步驟303、基於用戶駕車習慣模型庫中對應用戶車輛的用戶駕車習慣模型及道路狀況模型庫中對應路徑的道路狀況模型，為用戶車輛提供匹配個性化導航策略的路徑。
在該方法中，所述設置用戶駕車習慣模型及道路狀況模型是通過學習方式設置的，具體過程為：
採集同一用戶車輛的用戶駕車習慣信息，作為用戶車輛駕車模型樣本，採集不同用戶車輛在同一路徑上的道路狀況信息，作為道路狀況模型樣本；
基於用戶駕車模型樣本按照設定的計算模型進行學習；基於道路狀況模型樣本按照設置的計算模型進行學習；
對學習後的用戶駕車模型樣本進行推導歸類，形成對應用戶車輛的用戶駕車習慣模型，對學習後的道路狀況模型樣本進行推導歸類，形成對應路徑的道路狀況模型。
在該方法中，所述為用戶車輛提供匹配個性化導航策略的路徑為：
從道路狀況模型庫中獲得請求的路徑對應的道路狀況模型，從用戶駕車習慣模型庫中獲取對應用戶車輛的用戶駕車習慣模型；
根據用戶車輛的個性化導航策略，基於用戶駕車習慣模型及道路狀況模型，進行計算，得到計算結果，為用戶車輛提供匹配個性化導航策略的路徑。
以下舉幾個具體實施例對本發明進行詳細說明
背景技術中的用戶車輛導航沒有對於最短時間策略和最經濟策略計算導航路徑，而是基於以下幾個方面的導航策略進行導航：
1)躲避擁堵策略
可以在到達擁堵路段之前規避前方路徑，選擇新路徑避免擁堵，但是不能保證新路徑上繞過擁堵路段後其他路段上不會有擁堵，不能保證新路徑上的擁堵時長相比於原來的短，費用比原來的少。如圖4所示，圖4為本發明實施例提供的躲避擁堵策略選擇路徑的示意圖。從起點a到終點b之間擁有三條路徑，採用現有技術的導航路徑在行駛到c點時就會選擇繞行路線，當其行駛到e點時無法繞行，反而進入了更長更擁堵的嚴重擁堵路段，而本發明實施例提供的導航路徑由於在日積月累的學習過程中掌握了哪一段路，在什麼時間點，車流速度大約多少及用戶車輛的平時駕車習慣，再結合紅綠燈信息及限速信息等，對所有路徑進行計算，可以預先估計到可能繞行路徑比原來路徑更加費時，更加不經濟。即現有的導航為實時評估，而本發明實施例根據學習的模型進行預先評估。
2)高速優先策略
採用高速優先策略不能確保高速導航就是最快捷及最經濟的路徑。
3)不走高速策略
採用不走高速策略不能確保不走高速導航就是最快捷及最經濟的路徑。
4)少收費策略
減少用戶車輛路過收費站的次數，不能確保該路線是最快捷及最經濟的路線，而本發明實施例將結合用戶車輛的駕車習慣模型並且結合收費站信息，擁堵信息及擁堵車輛速度，且結合限速等信息對每一條路徑進行預先評估測算，得到最佳路徑，而不僅僅是收費站的信息。
本發明實施例採用學習型導航，在該例子中，生成的道路狀況模型庫是基於每一個時間段的不同路段的時速信息，這只是為了更方便地說明問題，而實際上，用戶車輛也可以選擇生成不同的道路狀況模型，如對每個路段按照擁堵時間段和不擁堵時間段的時速進行劃分。用戶車輛的駕車習慣模型也可以根據實際需要選擇劃分方法，而在該例子中，僅僅是為了更方便的闡述本發明實施例對最省時間導航策略及最經濟導航策略的計算方法而設定的。實際情況可以進行導航策略件優化。如圖5所示，圖5為本發明實施例提供的所建立的用戶駕車習慣模型及道路狀況模型的結構示意圖。
採用本發明實施例提供的導航策略
1)最短時間導航策略計算結果如圖6所示，圖6為本發明實施例提供的最短時間導航策略下的路徑選擇示意圖，在該例子中，假設a點出發時間為00:00，並且只考慮動態因素信息擁堵的情況。
2)最經濟策略計算結果如圖7所示，圖7為本發明實施例提供的最經濟導航策略下的路徑選擇示意圖，在該例子中，只考慮動態因素信息及油耗信息。
在圖中，粗線路段對應為道路擁堵路段，細線路段對飲為道路暢通路段，對於每一個路段，當用戶車輛行駛到不同的拐點，如b點。f點及e點為不同路段的分叉點，可以由全球定位系統(gps)獲取到，對於道路擁堵路段，如c點到d點，e點到f點等，可以結合限速、gps和採集到的車輛每次路過時的時速信息等動態因素信息，例如當低於限速30％時就認為是擁堵路段，或者用戶車輛終端導航自帶的實時路況信息為擁堵路段等，可以認定該路段為擁堵路段。在用戶車輛實際駕駛過程中，可能到達某一拐點時其到達時間可能會不一致。本發明實施例的導航，可以進一步迭代計算，以便更加精確的計算最省時間的路徑及最經濟的路徑。
以上舉較佳實施例，對本發明的目的、技術方案和優點進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的較佳實施例而已，並不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換和改進等，均應包含在本發明的保護範圍之內。