本發(fā)明屬于導航領域，特別是涉及一種基于大數(shù)據機器學習的導航方法及其導航系統(tǒng)。

背景技術：

現(xiàn)在的導航技術，基本是基于對歷史數(shù)據的統(tǒng)計，或者是基于對某些有效數(shù)據的學習，來將道路交通網根據節(jié)點(各種交叉路口或者影響行車的關鍵性地貌如轉盤、特殊行車點等)、路徑(車道寬窄、擁堵等情況)、行車方向(雙向、單向、定時限向等)等要素，劃分成有邏輯內在的矢量地圖數(shù)據。然后根據用戶提出的起點與終點的數(shù)據，按照預設的時間最短、路徑最短、紅綠燈最少等不同規(guī)則，計算出一條符合用戶需要的線路。

然后這種方式的問題在于，將實際路況讀入后，需要經過建模和邏輯推演轉換成數(shù)字模型，然后利用數(shù)字模型計算，并給出最終結果。在具體數(shù)據采集和路徑計算過程中，依據其建模準確性、公式選用等因素，具體導航路線的設計和靈活性等，不能保證。這也造成了不同的導航軟件都聲稱自己具備最優(yōu)的算法或者具有最權威的交通數(shù)據。但是在實際應用中，導航軟件往往僅適于陌生目標地的查詢和找路，對于一些路況熟悉的老司機而言，總是能找到比導航軟件更優(yōu)化的路線。

原因也是顯而易見的，總有一些導航軟件無法預見的意外因素是沒法統(tǒng)計在導航軟件內的，比如某些地點的周期性擁堵(學校放學、醫(yī)院排號、人流量大小區(qū)的周期性擁堵)，甚至有些因素是計算機無法理解和難以采集的。比如某些路段因為難于監(jiān)管原因長期存在干擾道路暢通的黑車或者路邊攤販，再如某些地段因為屬于大學集中地，有大量步行人群影響路況等。

專利文獻CN105675002A公開的一種面向非同等優(yōu)先級的多途經點導航路線規(guī)劃方法包含以下步驟：步驟1、任務初始化：任務調度中心向導航用戶終端發(fā)送模型系數(shù)設定方案，并分配非同等優(yōu)先級的多途經點的多重導航任務，其中所述多途經點個數(shù)為n，當導航用戶終端選擇接受該任務時，將該任務中的途經點與用戶終端已有任務中的途經點共同組成新的當前任務，則該當前任務下共有n！條備選路線；其中n！表示n的全排列；步驟2、計算導航模型權重：所述導航模型為面向非同等優(yōu)先級的多途經點的多點模型；步驟3、路線規(guī)劃：用戶終端的地圖導航系統(tǒng)提供任意兩個途經點間的分路段距離和分路段耗時，自動根據上述模型及設置的權重計算全部備選路線的權重值，并按權重值由大到小進行排序，將權重值最大的規(guī)劃路線設為第一優(yōu)選路線；步驟4、輸出規(guī)劃結果并導航：將全部備選路線的權重值輸出給UI交互模塊，用戶可選擇默認接受第一優(yōu)選路線或自主選擇其他優(yōu)選路線，并根據選擇結果開始導航。該專利建立了面向非同等優(yōu)先級的多途經點道路導航規(guī)劃算法模型，可解決多任務多目的地外賣/生鮮配送服務，但該專利無法不受實時路況數(shù)據的限制，給出參考線路，對于網絡資源流量和數(shù)據計算的依賴較大，采用建模、計算的方式，增加數(shù)據轉換的次數(shù)，增加了不確定性，降低了原始數(shù)據的利用率,且由于建模忽略了很多因素，特別是一些意外因素和無法采集或規(guī)律化的因素，導航路線規(guī)劃上具有準確性天花板。

專利文獻CN103968853 A公開的一種用于為駕駛員導航提供調整性引導的方法包括：記錄由車輛中的導航系統(tǒng)檢測到的導航誤差的導航誤差數(shù)據；分析導航誤差數(shù)據來檢測導航誤差中的模式；以及提供調整性駕駛員導航引導，其中基于導航誤差中的模式來做出引導的調整。該專利可通過記錄和分析過去的導航誤差，來調整性地改進向駕駛員提供的導航引導，但該專利無法不受實時路況數(shù)據的限制，給出參考線路,對于網絡資源流量和數(shù)據計算的依賴較大；該專利雖然采用誤差數(shù)據進行修正，但其并沒有急于海量的數(shù)據來確定最佳導航路線規(guī)劃，只是在原來建模方式產生的導航路線上進行修正，其導航路線離最佳導航路線仍具有顯著的差距。

綜上所述，現(xiàn)有的導航方法中，基本也是基于對歷史交通數(shù)據的統(tǒng)計，然后得到關于道路信息、歷史行車信息的統(tǒng)計規(guī)律，但是傳統(tǒng)導航方法為了解決從任一點到任一點的導航線路計算，必須將上述信息按照構建地圖的邏輯規(guī)則，將線路轉化為節(jié)點之間的線段。然后分別計算每個線段所需要消耗的行車時間。從而將從某一點到另一點的行車路線，先按照合理并且盡可能全面的方式來計算所有可能的行車路線，然后通過比較這些所有行車路線中，在每一段路程上可能消耗的時間，并求出總時間。基于總時間的多少，來向用戶推薦最佳路線。常見的推薦標準，比如可以是時間最省、路程最短、紅綠燈最少等等。

參考機器翻譯的發(fā)展歷史可知，最早人們認為用機器來完成翻譯任務的最直接的解決方式，就是訓練機器學會理解人的一種語言，然后借助機器永不疲倦的工作能力，從一種語言出發(fā)，學會所有語言，最終讓機器作為中介完成不同語種的互譯。通俗的說，機器就好像是一個同傳翻譯，只是這個同傳翻譯現(xiàn)在的情況，詞匯量是無限的，但是理解能力始終有問題。然而后來，谷歌翻譯充分利用網絡時代產生的大數(shù)據，提出了一種新的思路，就是機器完全不需要讀懂和理解人的語言，機器作為一個翻譯者，只要知道A語言應該對應B語言即可，換句話說，機器這個翻譯者其實不是一個同傳翻譯，他雖然把一種語言變成了另一種語言，但是其實他也不知道這兩句話到底什么意思，他只是通過大量數(shù)據量的訓練得知，就應該這么轉換。由于可參考數(shù)據量的足夠多，谷歌翻譯采用機器翻譯的這種思路所實現(xiàn)的翻譯效果，開始逐漸明顯超越了原有，基于自然語言的翻譯方案。換句話說，讓機器按照機器的思路去解決問題，不要強求機器按照人的想法去思考問題，從而解放了機器的信息處理能力，充分發(fā)揮了機器的信息處理特點。這就是基于數(shù)據驅動的應用方式，并且也成為了當前人工智能的發(fā)展熱點。

具體到導航路線規(guī)劃而言，本申請發(fā)明人注意到，由于導航軟件等出行數(shù)據積累了十幾年，特別是一些城區(qū)的車輛出行信息已經積聚了海量的數(shù)據。

在背景技術部分中公開的上述信息僅僅用于增強對本發(fā)明背景的理解，因此可能包含不構成在本國中本領域普通技術人員公知的現(xiàn)有技術的信息。

技術實現(xiàn)要素：

本申請人注意到上述問題，現(xiàn)有關于本發(fā)明所要解決的技術問題，其具體需求如下：

1.能夠不受實時路況數(shù)據的限制，給出參考線路

傳統(tǒng)導航軟件，需要依據路況實時計算推薦給用戶的路線，因此對于網絡資源流量和數(shù)據計算的依賴較大。本發(fā)明提出的一種導航方法，由于其通過長期機器學習來提升導航路線規(guī)劃的精度，所以某一天的實時路況數(shù)據并不是必須的，該方法完全可以通過閑時來跑導航數(shù)據庫，在用戶網絡流量不充裕或者要求比較急的時候，基于已有大數(shù)據來推薦路線即可，無需依賴實時數(shù)據流量。

2.能夠擺脫對于機器計算線路，采樣不全導致精度不高的缺陷，充分利用歷史行車路線，提供意想不到的線路

傳統(tǒng)導航軟件的線路計算，采用建模、計算的方式，增加數(shù)據轉換的次數(shù)，增加了不確定性，降低了原始數(shù)據的利用率。本申請方法，僅根據實際行車路線的出行數(shù)據來確定最佳路線，充分利用了已完成的行車數(shù)據，能夠通過大規(guī)模數(shù)據洗練，得到理論上的最佳行車路線。

本發(fā)明的目的是通過以下技術方案予以實現(xiàn)。

根據本發(fā)明的一方面，一種基于大數(shù)據機器學習的導航方法包括以下步驟：

在第一步驟中，采集車輛出行信息以構建包括海量所述出行信息的大數(shù)據庫，其中，所述出行信息包括起點和終點。

在第二步驟中，輸入搜索條件在所述大數(shù)據庫中直接使用大數(shù)據訓練進行機器學習以獲得導航路線，所述搜索條件為起點和終點。

本發(fā)明的導航方法不同于現(xiàn)有技術中采用建模方式來實現(xiàn)導航路線規(guī)劃，而是采用大數(shù)據機器學習，充分利用海量的原始出行信息，提高了原始數(shù)據的利用率，從根本上解決了建模帶有的路線規(guī)劃精確性下降的問題，通過機器學習獲得最佳導航路線。

優(yōu)選地，在第一步驟中，采集車輛出行信息以構建包括海量所述出行信息的大數(shù)據庫，其中，所述出行信息包括起點、終點、行車路徑、行車發(fā)生時間和行車總用時間。

優(yōu)選地，在第二步驟中，輸入搜索條件在所述大數(shù)據庫中直接使用大數(shù)據訓練進行機器學習以獲得導航路線，所述搜索條件為起點、終點和行車發(fā)生時間。

優(yōu)選地，在第二步驟中，當搜索條件中的起點和終點沒有在出行信息中，在出行信息中選擇離起點最近的位置作為搜索條件中的起點，選擇離終點最近的位置作為搜索條件中的終點；當搜索條件中的行車發(fā)生時間沒有在出行信息中，選擇最接近的時間作為搜索條件中的行車發(fā)生時間。

優(yōu)選地，在第一步驟中，所述行車路徑包括行車經過的位置數(shù)據以及相應消耗的時間數(shù)據。

優(yōu)選地，在第二步驟中，對行車路徑進行大數(shù)據訓練迭代優(yōu)化以修正所述導航路線，所述大數(shù)據庫優(yōu)化包括錯誤數(shù)據和/或過期數(shù)據排除篩查的數(shù)據優(yōu)化。例如，過期數(shù)據包括由于交通設施變化引起的數(shù)據失真。

優(yōu)選地，在第二步驟中，所述導航方法在脫離網絡提供的實時路況信息的情況下進行機器學習以獲得導航路線。

優(yōu)選地，在第一步驟中，所述大數(shù)據庫實時更新或定時更新。

優(yōu)選地，在第一步驟中，通過采集電子地圖導航軟件的出行數(shù)據以采集和累積車輛出行信息。

優(yōu)選地，在第二步驟中，所述搜索條件包括最短時間和最短路程，在所述大數(shù)據庫中進行機器學習以獲得最短時間或最短路程的導航路線。

優(yōu)選地，在第二步驟中，所述大數(shù)據庫包括錯誤數(shù)據和/或過期數(shù)據排除篩查的數(shù)據優(yōu)化，其中過期數(shù)據包括由于交通設施變化引起的數(shù)據失真。

根據本發(fā)明的另一方面，一種實施所述的基于大數(shù)據機器學習的導航方法的導航系統(tǒng)包括采集車輛出行信息的數(shù)據采集模塊、連接所述數(shù)據采集模塊的大數(shù)據庫、連接所述大數(shù)據庫的機器學習模塊、用于輸入信息的輸入模塊和用于顯示信息的顯示界面，其中，機器學習模塊包括搜索單元和數(shù)據處理單元。

本申請的優(yōu)勢在于：由于本發(fā)明是依賴于歷史數(shù)據中，海量出行信息的選優(yōu)，直接利用的是所有人中，那些可能通過邏輯分析、機遇、經驗等方式得到的最佳路線，因此本發(fā)明的導航效果顯著高于比通過數(shù)據建模，電子推算等較為呆板的方式且天然帶有缺陷的方式，如忽略了無法規(guī)律化的影響因素等的導航效果，且本發(fā)明的導航效果將隨著系統(tǒng)的不斷運行而不斷趨于完善。

上述說明僅是本發(fā)明技術方案的概述，為了能夠使得本發(fā)明的技術手段更加清楚明白，達到本領域技術人員可依照說明書的內容予以實施的程度，并且為了能夠讓本發(fā)明的上述和其它目的、特征和優(yōu)點能夠更明顯易懂，下面以本發(fā)明的具體實施方式進行舉例說明。

附圖說明

通過學習下文優(yōu)選的具體實施方式中的詳細描述，本發(fā)明各種其他的優(yōu)點和益處對于本領域普通技術人員將變得清楚明了。說明書附圖僅用于示出優(yōu)選實施方式的目的，而并不認為是對本發(fā)明的限制。顯而易見地，下面描述的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。而且在整個附圖中，用相同的附圖標記表示相同的部件。

在附圖中：

圖1是根據本發(fā)明一個實施例的基于大數(shù)據機器學習的導航方法的步驟示意圖；

圖2是根據本發(fā)明一個實施例的實施基于大數(shù)據機器學習的導航方法的導航系統(tǒng)的結構示意圖。

以下結合附圖和實施例對本發(fā)明作進一步的解釋。

具體實施方式

下面將參照附圖更詳細地描述本發(fā)明的具體實施例。雖然附圖中顯示了本發(fā)明的具體實施例，然而應當理解，可以以各種形式實現(xiàn)本發(fā)明而不應被這里闡述的實施例所限制。相反，提供這些實施例是為了能夠更透徹地理解本發(fā)明，并且能夠將本發(fā)明的范圍完整的傳達給本領域的技術人員。

需要說明的是，在說明書及權利要求當中使用了某些詞匯來指稱特定組件。本領域技術人員應可以理解，技術人員可能會用不同名詞來稱呼同一個組件。本說明書及權利要求并不以名詞的差異來作為區(qū)分組件的方式，而是以組件在功能上的差異來作為區(qū)分的準則。如在通篇說明書及權利要求當中所提及的“包含”或“包括”為一開放式用語，故應解釋成“包含但不限定于”。說明書后續(xù)描述為實施本發(fā)明的較佳實施方式，然所述描述乃以說明書的一般原則為目的，并非用以限定本發(fā)明的范圍。本發(fā)明的保護范圍當視所附權利要求所界定者為準。

為便于對本發(fā)明實施例的理解，下面將結合附圖以幾個具體實施例為例做進一步的解釋說明，且各個附圖并不構成對本發(fā)明實施例的限定。

圖1為本發(fā)明的一個實施例的基于大數(shù)據機器學習的導航方法的步驟示意圖，本發(fā)明實施例將結合圖1進行具體說明。基于大數(shù)據機器學習的導航方法包括以下步驟：

在第一步驟S1中，采集車輛出行信息以構建包括海量所述出行信息的大數(shù)據庫，其中，所述出行信息包括起點、終點、行車路徑、行車發(fā)生時間和行車總用時間。

在第二步驟S2中，輸入搜索條件在所述大數(shù)據庫中直接使用大數(shù)據訓練進行機器學習以獲得導航路線，所述搜索條件為起點、終點和行車發(fā)生時間。

本發(fā)明的導航方法的核心在于并非是將歷史出行信息轉化成地圖邏輯之下的節(jié)點之間線段的運算模型，而是直接基于歷史出行信息來獲得最佳行車路線。

本發(fā)明的導航方法基于電子地圖導航方案的大面積推廣。由于電子地圖導航的行車方式，隨著私家車的出現(xiàn)而被廣泛應用。原來老司機依靠記憶力和打聽的方式去找到目的地的方式，漸漸被逐漸出現(xiàn)的個性化駕車需求和不受束縛的行車路線選擇等方式所替代。在交通需求轉變到上述特點的初始階段，電子地圖導航開始成為了一種重要的便利需求，為大量司機提供了方便?；谶@種需求，電子地圖導航的設計模式就形成了如上所述的傳統(tǒng)導航模型和計算方法。但是本發(fā)明申請人注意到，電子地圖導航的應用，實際上還推動了一項重要的數(shù)據積累，那就是形成了海量的出行數(shù)據。這個出行數(shù)據理論上包括了從任意地點到任意地點的出行數(shù)據。

以北京為例來說明：

電子地圖導航的初期階段，電子地圖的設計需要首先將整個北京地圖轉換成數(shù)字邏輯關系下的地圖，并且定時更新其中所有數(shù)據。此時北京的所有實際交通路線，變成不同交通節(jié)點之間的分支路線。某個司機從西直門開車到東直門的路線，可能就是一條經過8個節(jié)點(路口)的7條分支路線的集合。然而，作為電子地圖導航設計的模型設計和計算來說，就是基于上述西直門這個節(jié)點和東直門這個節(jié)點為基礎，來計算這兩個節(jié)點之間經過多少節(jié)點就能夠聯(lián)通，事實上，由于節(jié)點(路口)的分布復雜性和多樣性，這種聯(lián)通的方案是有眾多種方案的。傳統(tǒng)模型可以按照適當調減對這些方案進行初篩之后，對剩下得到的方案中，遍歷所有分支路線需要的時間進行預測和匯總，從而得出多條供選擇的線路，并且還能預測這些線路的總時長，或者這些線路的其他特點。

所以，這種方法的特點是，即使從來沒有人從西直門開到東直門過，導航系統(tǒng)也能計算出一條較為合理的線路，并將其提供給用戶。

這種導航方法的優(yōu)點是邏輯上比較完善，無論何種情況下都能給用戶提供較為合理的選擇。

但是這種導航方法并不一定能夠提供最優(yōu)選擇。原因在于，這種導航方法中，需要將歷史交通數(shù)據先通過建模方式轉換為數(shù)據模型，這種轉換必然導致一些實際信息的丟失和損耗。仍以北京這個地點為例，傳統(tǒng)導航方法的數(shù)據轉換中，很可能就不能采集到某個小區(qū)周邊的主要道路，因為小區(qū)出入口設置不合理，導致該道路出現(xiàn)周期性的擁堵；再如某些道路因為占道攤販的長期周期性出現(xiàn)，導致的交通不暢等；甚至某些原始地圖數(shù)據中未采集到的捷徑或者小道。

本發(fā)明的導航方法與傳統(tǒng)導航方法完全不同，同樣是基于電子地圖數(shù)據。但是不再另行做節(jié)點和分支路線的分析?？紤]到隨著出行者使用電子地圖導航的情況越來越常見，事實上傳統(tǒng)電子地圖導航軟件中，已經采集了足夠數(shù)量的出行數(shù)據。換句話說，理論上對于交通繁忙的城市而言，99％以上從A點到B點的出行數(shù)據都有現(xiàn)成的積累。

換句話說，今天一個用戶提出了一個導航需求是從西直門到東直門的時候，系統(tǒng)后臺可能已經有十幾萬條歷史數(shù)據都是從西直門到東直門的實際行車歷史數(shù)據，這些歷史數(shù)據中已經包括了行車總用時間，行車路徑、行車發(fā)生時間等主要信息。那么系統(tǒng)再向用戶反饋提供一條合適的線路，比如提供一條用時最短的線路，完全不需要重新去計算一條線路，而是選擇一條總用時最短、當日內發(fā)生時間最為接近、總時間上較為接近的路線提供給用戶，即可作為導航路線。

具體來說，當用戶甲在今天下午兩點時提出了從西直門到東直門的行車導航需求的時候，系統(tǒng)只需要讀取歷史數(shù)據庫，進行匹配，就能發(fā)現(xiàn)，在三天前的幾乎同一時間，另一用戶乙同樣從西直門到東直門的行車，僅同時23分鐘，并且在此期間，該行車線路并未出現(xiàn)臨時限行、道路整修等特殊突發(fā)情況。那么用戶甲只需要重復按照用戶乙的行車路線行駛，就很可能是用時最短的行車路線。

本發(fā)明優(yōu)選的實施方式中，在第二步驟S2中，當搜索條件中的起點和終點沒有在出行信息中，在出行信息中選擇離起點最近的位置作為搜索條件中的起點，選擇離終點最近的位置作為搜索條件中的終點；當搜索條件中的行車發(fā)生時間沒有在出行信息中，選擇最接近的時間作為搜索條件中的行車發(fā)生時間。

在上述實施例下，即使某用戶甲提出了一種導航需求，是從A點到B點，但是極小概率下，系統(tǒng)中不存在正好也是從A點到B點的行車路線，系統(tǒng)也只需要選擇與A、B點最接近的C、D點作為替代線路即可。換句話說，系統(tǒng)只需要將C點(與A點非常接近)到D點(與B點非常接近)的最佳路線呈現(xiàn)給用戶即可。

本發(fā)明優(yōu)選的實施方式中，在第一步驟S1中，所述行車路徑包括行車經過的位置數(shù)據以及相應消耗的時間數(shù)據。進一步地，大數(shù)據庫可以采集包括行車經過的位置數(shù)據以及相應消耗的時間數(shù)據的行車路徑，也即是說，可以對行車路徑的劃分成多個段，每一段也可以是一種新的起點到終點的路線。

本發(fā)明優(yōu)選的實施方式中，在第二步驟S2中，對行車路徑進行大數(shù)據訓練迭代優(yōu)化以修正所述導航路線。通過大數(shù)據機器學習可以對每一段的路線進行海量訓練以迭代優(yōu)化以修正所述導航路線。

本發(fā)明優(yōu)選的實施方式中，在第二步驟S2中，所述導航方法在脫離網絡提供的實時路況信息的情況下進行機器學習以獲得導航路線。

本發(fā)明優(yōu)選的實施方式中，在第一步驟S1中，所述大數(shù)據庫實時更新或定時更新。本發(fā)明的導航路線的提供不依賴于實時路況，因此在脫離網絡提供的實時路況信息的情況下，也能提供有價值的導航線路。

并且，由于是基于大數(shù)據實施的最佳線路積累和優(yōu)化，缺失當前兩三天的路線數(shù)據，并不會影響到整個導航方法的基本效果。所以本發(fā)明的導航方法，也可以采用數(shù)據庫定時更新的方式來降低系統(tǒng)資源消耗。比如本發(fā)明的導航方法的電子地圖系統(tǒng)可以選擇在深夜或者閑時來下載最近一段時間(一天、三天、一周、一個月等時間周期)的歷史交通數(shù)據，從而不斷完善和更新系統(tǒng)的導航效果。

本發(fā)明優(yōu)選的實施方式中，在第一步驟S1中，通過采集電子地圖導航軟件的出行數(shù)據以采集和累積車輛出行信息。但不僅限于此，本發(fā)明還可以通過采集互聯(lián)網的出行數(shù)據以累計車輛出行信息的數(shù)據量，例如，百度地圖或實時導航網站等的出行信息。

本發(fā)明優(yōu)選的實施方式中，在第二步驟S2中，所述搜索條件包括最短時間和最短路程，在所述大數(shù)據庫中進行機器學習以獲得最短時間或最短路程的導航路線。導航路線可以是最節(jié)約時間的路線規(guī)劃，也可以是最省油的最短路線規(guī)劃，進一步地，還可以是途經某一個或多個位置的路線規(guī)劃。

本發(fā)明優(yōu)選的實施方式中，在第二步驟S2中，所述大數(shù)據庫包括錯誤數(shù)據和/或過期數(shù)據排除篩查的數(shù)據優(yōu)化，其中過期數(shù)據包括由于交通設施變化引起的數(shù)據失真。本發(fā)明的方法通過這些數(shù)據優(yōu)化處理，能夠進一步提高本發(fā)明的最佳導航路線規(guī)劃的準確性。

圖2是根據本發(fā)明一個實施例的實施基于大數(shù)據機器學習的導航方法的導航系統(tǒng)的結構示意圖，一種實施所述的基于大數(shù)據機器學習的導航方法的導航系統(tǒng)包括采集車輛出行信息的數(shù)據采集模塊1、連接所述數(shù)據采集模塊1的大數(shù)據庫2、連接所述大數(shù)據庫2的機器學習模塊3、用于輸入信息的輸入模塊5和用于顯示信息的顯示界面4，其中，機器學習模塊3包括搜索單元6和數(shù)據處理單元7。進一步地，所述顯示界面4為基于電子地圖的導航界面。

由于本發(fā)明的導航系統(tǒng)是依賴于歷史數(shù)據中，海量交通數(shù)據的選優(yōu)，直接利用的是所有人中，那些可能通過邏輯分析、機遇、經驗等方式得到的最佳路線，因此本發(fā)明的導航系統(tǒng)，才有可能拿到比通過數(shù)據建模，電子推算等較為呆板的方式所無法得到的最多可能的線路設計，其導航效果，將隨著系統(tǒng)的不斷運行，不斷趨于完善。

在一個實施例中，數(shù)據處理單元6可以是通用處理器、數(shù)字信號處理器、專用集成電路ASIC，現(xiàn)場可編程門陣列FPGA、模擬電路或數(shù)字電路。

在一個實施例中，導航系統(tǒng)包括存儲器，其可以是易失性存儲器或非易失性存儲器。存儲器可以包括一個或多個只讀存儲器ROM、隨機存取存儲器RAM、快閃存儲器、電子可擦除可編程只讀存儲器EEPROM或其它類型的存儲器。

盡管以上結合附圖對本發(fā)明的實施方案進行了描述，但本發(fā)明并不局限于上述的具體實施方案和應用領域，上述的具體實施方案僅僅是示意性的、指導性的，而不是限制性的。本領域的普通技術人員在本說明書的啟示下和在不脫離本發(fā)明權利要求所保護的范圍的情況下，還可以做出很多種的形式，這些均屬于本發(fā)明保護之列。