CN102819953A - 一种疑似新增道路的发现方法和装置 - Google Patents

Abstract

本发明实施例提供一种疑似新增道路的发现方法和装置，涉及动态交通信息服务领域，能够及时准确地发现新增道路，提高地图的现势性，并且降低了地图更新的成本。其方法为：通过获取待分析区域在预设时间区间内的浮动车辆数据记录，并将待分析区域划分为大小相同多个网格，而后获取每个网格的网格密度，并且根据网格密度筛选异常网格，通过分析异常网格之间趋势的相关度获取高相关度网格，再根据高相关度网格之间的空间位置关系获取网格连通图，而后根据网格连通图获取网格树，以便根据网格树得到疑似新增道路的形状。本发明实施例用于疑似新增道路的发现。

Description

一种疑似新增道路的发现方法和装置

技术领域

本发明涉及动态交通信息服务领域，尤其涉及一种疑似新增道路的发现方法和装置。

背景技术

随着越来越快的城镇化建设，及时准确地发现新增道路，并且快速更新在地图中，可以使得人们对出行线路的认识更方便清晰。

目前，一般去发现新增道路是通过外业数据采集来实现的，但是在外业数据采集的现势性(地图更新周期愈短，现势性就越强)比较差。例如，今年发布的地图是根据去年或者前年外业采集回来的数据制作的地图，这样，虽然使用的是新版地图，但是反映的却是以前的道路状况，这样就会给人们的出行带来不便。

在现有的外业数据采集过程中，如果采用地毯式的对全国进行道路采集，虽然可以把新增的道路采集进去，但是这样一来，不仅对于外采作业来说会面临人力、物力以及财力的增加，对于内业制图来说更是增加了一些没有意义的工作，因为大部分的道路形态以及属性是不变的。

因此，很多图商往往采取网上搜索、电视新闻、广播报道、城市规划打探等等方式收集信息，经过汇总分析后，然后进行外出采集。这种方式尽管对地图现势性有所改进，但是成本依然很大。

发明内容

本发明的实施例提供一种疑似新增道路的发现方法和装置，能够及时准确地发现新增道路，提高地图的现势性，并且降低了地图更新的成本。

为达到上述目的，本发明的实施例采用如下技术方案：

一方面，提供一种疑似新增道路的发现方法，包括：

接收合并后的待分析区域在预设时间区间内的浮动车辆数据记录；

将所述待分析区域划分为多个大小相同的网格；

根据待分析区域在预设时间区间内的浮动车辆数据记录获取每个网格的网格密度，所述网格密度为在单位时间内落入每个网格中的浮动车辆数据记录的数量；

根据所述每个网格的网格密度在所有网格中筛选出异常网格；

获取所有异常网格的网格密度随时间变化趋势的相关度，并根据所有异常网格的网格密度随时间变化趋势的相关度获取高相关度网格，再根据所述高相关度网格之间的空间位置关系获取所述待分析区域的网格连通图；

根据所述网格连通图获取所述待分析区域内的疑似新增道路的形状。

另一方面，一种疑似新增道路的发现装置，包括：

接收单元，用于接收合并后的待分析区域在预设时间区间内的浮动车辆数据记录，并将所述合并后的待分析区域在预设时间区间内的浮动车辆数据记录发送至密度获取单元；

网格划分单元，用于将所述待分析区域划分为多个大小相同的网格；

密度获取单元，用于从所述接收单元接收所述合并后的待分析区域在预设时间区间内的浮动车辆数据记录，根据待分析区域在预设时间区间内的浮动车辆数据记录获取每个网格的网格密度，并将每个网格的网格密度发送至网格筛选单元，所述网格密度为在单位时间内落入每个网格中的浮动车辆数据记录的数量；

网格筛选单元，用于从所述密度获取单元接收每个网格的网格密度，根据所述每个网格的网格密度在所有网格中筛选出异常网格，并将筛选出的异常网格发送至网格连通单元；

网格连通单元，用于从所述网格筛选单元接收筛选出的异常网格，获取所有异常网格的网格密度随时间变化趋势的相关度，并根据所有异常网格的网格密度随时间变化趋势的相关度获取高相关度网格，再根据所述高相关度网格之间的空间位置关系获取所述待分析区域的网格连通图，并将所述网格连通图发送至道路分析单元；

道路分析单元，用于从所述网格连通单元接收所述网格连通图，并根据所述网格连通图获取所述待分析区域内的疑似新增道路的形状。

本发明的实施例提供一种疑似新增道路的发现方法和装置，通过获取待分析区域在预设时间区间内的浮动车辆数据记录，并将待分析区域划分为大小相同多个网格，而后获取每个网格的网格密度，并且根据网格密度筛选异常网格，通过分析异常网格之间趋势的相关度获取高相关度网格，再根据高相关度网格之间的空间位置关系获取网格连通图，并根据网格连通图获取网格树，以便根据网格树得到疑似新增道路的形状，从而能够及时准确地发现新增道路，提高地图的现势性，并且降低了地图更新的成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种疑似新增道路的发现方法的流程示意图；

图2为本发明另一实施例提供的一种疑似新增道路的发现方法的流程示意图；

图3为本发明又一实施例提供的一种疑似新增道路的发现装置的结构示意图一；

图4为本发明又一实施例提供的一种疑似新增道路的发现装置的结构示意图二；

图5为本发明又一实施例提供的一种疑似新增道路的发现装置的结构示意图三；

图6为本发明又一实施例提供的一种疑似新增道路的发现装置的结构示意图四。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种疑似新增道路的发现方法，如图1所示，包括：

S101、接收合并后的待分析区域在预设时间区间内的FCD(Floating Car Data，浮动车辆数据)记录。

FCD是一种新型的交通信息检测技术，其核心是利用具有GSP定位功能的浮动车辆(主要是城市出租车和私家车)采集的位置和时间信息，计算浮动车辆所在位置点的速度，并把这些速度信息与电子地图进行对应，直观描述道路的交通流速度状况。

因此，如果某条新增道路一旦开通，就会被城市中无孔不入的浮动车所经过，从而留下一连串的FCD数据，所以定期的分析FCD数据，根据新增道路所固有的特点，对FCD数据进行挖掘处理，就可以方便的得出是否有新增道路，或者直接分析出道路的形状，以便快速的更新地图，保持地图的现势性。

S102、将待分析区域划分为多个大小相同的网格。

S103、根据待分析区域在预设时间区间内的FCD记录获取每个网格的网格密度，网格密度为在单位时间内落入每个网格中的浮FCD的数量。

S104、根据每个网格的网格密度在所有网格中筛选出异常网格。

S105、获取所有异常网格的网格密度随时间变化趋势的相关度，并根据所有异常网格的网格密度随时间变化趋势的相关度获取高相关度网格，再根据高相关度网格之间的空间位置关系获取待分析区域的网格连通图。

S106、根据网格连通图获取待分析区域内的疑似新增道路的形状。

本发明的实施例提供一种疑似新增道路的发现方法，通过获取待分析区域在预设时间区间内的浮动车辆数据记录，并将待分析区域划分为大小相同多个网格，而后获取每个网格的网格密度，并且根据网格密度筛选异常网格，通过分析异常网格之间趋势的相关度获取高相关度网格，再根据高相关度网格之间的空间位置关系获取网格连通图，并根据网格连通图获取网格树，以便根据网格树得到疑似新增道路的形状，从而能够及时准确地发现新增道路，提高地图的现势性，并且降低了地图更新的成本。

本发明另一实施例提供一种疑似新增道路的发现方法，如图2所示，包括：

S201、合并待分析区域在预设时间区间内的FCD记录。

具体的，在将待分析区域在预设时间区间内的FCD记录进行合并时，该预设时间区间单位可以根据实际需要处理的频次而定，这里不做限定。例如，当预设时间区间为10天时，就将该待分析区域在10天内的FCD记录进行合并。

合并完成后就可以将合并后的FCD记录上传到的Hadoop集群的HDFS(Hadoop Distributed File System，分布式文件系统)中。

S202、接收合并后的待分析区域在预设时间区间内的FCD记录。

其中，该中部署有Hadoop集群，Hadoop是一个分布式系统基础架构，即为一个能够对大量数据进行分布式处理的软件框架。用户可以在不了解分布式底层的情况下，开发分布式程序，充分利用了集群的威力高速运算和存储，Hadoop实现了一个分布式文件系统HDFS。HDFS有着高容错性的特点，并且用来部署在低廉的硬件上，而且它提供高传输率来访问应用程序的数据，适合那些有着超大数据集的应用程序。

S203、将待分析区域划分为多个大小相同的网格。

具体的，将待分析区域划分的多个大小相同的网格的边长可以根据实际路网的疏密程度来确定，例如网格的边长可以为50米、100米或者200米。

S204、将待分析区域划分的多个大小相同的网格进行重新编号。

示例性的，可以根据网格编号公式获取每个网格的网格号，其中，网格编号公式包括： $\begin{array}{c}\mathrm{AAA}=(X-X0)/\mathrm{SteplengthX}+1\\ \mathrm{BBB}=(Y-Y0)/\mathrm{SteplengthY}+1\end{array}$

其中，AAA_BBB表示网格号，SteplengthX表示网格在X轴方向的边长，SteplengthY表示网格在Y轴方向的边长，X0为待分析区域的纬度最小值，Y0为待分析区域的经度最小值，X为所述待分析区域的任意一点的经度，Y为所述待分析区域的任意一点的纬度。

值得一提的是，在完成网格编号后，新生成的网格号AAA_BBB将作为该网格所有FCD数据的Key(键)值。

S205、根据待分析区域在预设时间区间内的FCD记录获取每个网格的网格密度。

其中，网格密度为在单位时间内落入每个网格中的FCD记录的数量(单位时间可以根据实际需要自行设定，一般情况下单位时间标准是以1天进行处理的)，且每个网格的网格密度是根据合并后的待分析区域在预设时间区间内的FCD记录获取的。

示例性的，网格密度的获取可以通过以下方式：调用一个MapReduce程序统计在单位时间内(例如1天内)落入每个网格中的FCD记录的数量，就能够得到这个网格的网格密度。其中，MapReduce程序是一种在Hadoop集群的MapReduce编程框架下的程序，MapReduce编程框架一般用于大规模数据的并行运算。

S206、根据每个网格的网格密度获取每个网格在每个子时间区间的平均网格密度。

具体的，首先将上述的预设时间区间划分为N个时间长度相同的子时间区间，该子时间区间的时间长度可以根据实际需要自行设定(例如可以为3天、10天或者30天)。而后统计每个网格在每个子时间区间内的网格密度之和，再将每个网格在每个子时间区间内的网格密度之和除以子时间区间的时间长度就得到了每个网格在每个子时间区间的平均网格密度。

例如，假设预设时间区间的长度为30天，即接收到是待分析区域在30天内的FCD记录，假设子时间区间的时间长度为3天，则将预设时间区间分为了10个子时间区间，再假设获取的每个网格的网格密度是以1天为单位的，则将某个网格在第1至3天的网格密度相加求和并除以3就可以得到该网格在第一个子时间区间的平均网格密度，同理还可以得到该网格在第2至9个子时间区间的平均网格密度。

S207、根据平均网格密度值在所有网格中筛选出异常网格。

在计算出每个网格在每个子时间区间的平均网格密度后，就可以根据每个网格在每个子时间区间的平均网格密度是否满足条件：avgBefore＜5，avgAfter＞30且

来判断每个网格是否为异常网格，其中avgBefore为网格前一个子时间区间的，avgAfter为网格后一个子时间区间的平均网格密度。

若网格的平均网格密度满足上述条件，则将该网格判定为异常网格；

若网格的平均网格密度不满足上述条件时，则将该网格判定为正常网格。

S208、获取所有异常网格的网格密度随时间变化趋势的相关度，获取高相关度的网格。

具体的，判定所有异常网格是否为高相关度的网格，可以通过将所有异常网格的网格密度随时间变化趋势的相关度(以下简称为网格密度的相关度)与相关度阈值的大小进行比较。其中，上述网格密度随时间变化趋势指的是每个网格的网格密度随时间变化的规律，具体的表现形式可以是一条曲线，若两个网格的曲线差异越小，则表示这两个网格的相关度越高。

当两个异常网格的网格密度的相关度大于相关度阈值时，判定这两个异常网格为高相关度网格，当两个异常网格的网格密度的相关度不大于相关度阈值时，则判定这两个异常网格为低相关度网格。其中相关度阈值为预先设置好的，且可以根据实际需要来设置，例如该相关度阈值可以为0.8。

S209、根据高相关度网格之间的空间位置关系获取待分析区域的网格连通图。

具体的，在筛选出高相关度的网格后，根据高相关度网格之间的空间位置关系，将高相关度的网格两两连通起来，并根据网格号之间的关系就可以生成所有高相关度网格之间的一个连通图。

S210、遍历网格连通图输出待分析区域内的所有的网格树。

其中，以网格连通图中的任意网格为起点进行遍历，就可以得到待分析区域内的所有的网格树。

具体的，在对网格连通图进行遍历时，可以采用深度优先遍历法对网格连通图进行遍历：首先可以选取任何一个网格为初始出发点，从此初始出发点开始访问，并将其标记为已访问过，然后依次从初始出发点搜索初始出发点的每个邻接点，若有邻接点未曾访问过，则以未曾访问过的邻接点为新的出发点继续进行深度优先遍历，直至连通图中所有和初始出发点有通路的点均已被访问为止。

需要说明的是，在图论中，树是任意两个节点间有且只有一条路径的连通图。这里的节点即为高相关度网格，两个节点间的路径即为网格号之间的关系。

S211、根据所有的网格树获取待分析区域内的疑似新增道路的形状。

具体的，由于处于同一棵树上的网格是连通的，那么所获取的网格树即为所要得到的疑似新增道路的形状。

本发明的实施例提供一种疑似新增道路的发现方法，通过获取待分析区域在预设时间区间内的浮动车辆数据记录，并将待分析区域划分为大小相同多个网格，而后获取每个网格的网格密度，并且根据网格密度筛选异常网格，通过分析异常网格之间趋势的相关度获取高相关度网格，再根据高相关度网格之间的空间位置关系获取网格连通图，并根据网格连通图获取网格树，以便根据网格树得到疑似新增道路的形状，从而能够及时准确地发现新增道路，提高地图的现势性，并且降低了地图更新的成本。

本发明又一实施例提供一种疑似新增道路的发现装置01，如图3所示，包括：

接收单元011，用于接收合并后的待分析区域在预设时间区间内的浮动车辆数据记录，并将合并后的待分析区域在预设时间区间内的浮动车辆数据记录发送至密度获取单元013；

网格划分单元012，用于将待分析区域划分为多个大小相同的网格；

密度获取单元013，用于从接收单元011接收合并后的待分析区域在预设时间区间内的浮动车辆数据记录，根据待分析区域在预设时间区间内的浮动车辆数据记录获取每个网格的网格密度，并将每个网格的网格密度发送至网格筛选单元014，网格密度为在单位时间内落入每个网格中的浮动车辆数据记录的数量；

网格筛选单元014，用于从密度获取单元013接收每个网格的网格密度，根据每个网格的网格密度在所有网格中筛选出异常网格，并将筛选出的异常网格发送至网格连通单元015；

网格连通单元015，用于从网格筛选单元014接收筛选出的异常网格，获取所有异常网格的网格密度随时间变化趋势的相关度，并根据所有异常网格的网格密度随时间变化趋势的相关度获取高相关度网格，再根据高相关度网格之间的空间位置关系获取待分析区域的网格连通图，并将网格连通图发送至道路分析单元016；

道路分析单元016，用于从网格连通单元接收网格连通图，并根据网格连通图获取待分析区域内的疑似新增道路的形状。

进一步的，网格划分单元012可以具体用于：

按照预设的网格大小将待分析区域划分为多个大小相同的网格，并根据网格编号公式获取每个网格的网格号；

网格编号公式包括： $\begin{array}{c}\mathrm{AAA}=(X-X0)/\mathrm{SteplengthX}+1\\ \mathrm{BBB}=(Y-Y0)/\mathrm{SteplengthY}+1\end{array}$

其中，AAA_BBB表示网格号，SteplengthX表示网格在X轴方向的边长，SteplengthY表示网格在Y轴方向的边长，X0为待分析区域的纬度最小值，Y0为待分析区域的经度最小值，X为所述待分析区域的任意一点的经度，Y为所述待分析区域的任意一点的纬度。

再进一步的，如图4所示，网格筛选单元014可以包括：

时间划分子单元0141，用于将预设时间区间划分为N个时间长度相同的子时间区间，并将划分好的子时间区间发送至平均密度获取子单元0142；

平均密度获取子单元0142，用于从时间划分子单元接收划分好的子时间区间，根据每个网格的网格密度获取每个网格在每个子时间区间的平均网格密度，并将每个网格在每个子时间区间的平均网格密度发送至异常网格判定子单元0143；

异常网格判定子单元0143，用于从平均密度获取子单元接收每个网格在每个子时间区间的平均网格密度，并根据每个网格在每个子时间区间的平均网格密度将满足条件：avgBefore＜5，avgAfter＞30且

的网格判定为异常网格，其中avgBefore为网格前一个子时间区间的平均网格密度，avgAfter为网格后一个子时间区间的平均网格密度。

再进一步的，如图5所示，网格连通单元015可以包括：

相关度获取子单元0151，用于获取每两个异常网格之间的网格密度随时间变化趋势的相关度，并将每两个异常网格之间的相关度发送至相关度对比子单元0152；

相关度对比子单元0152，用于从相关度获取子单元接收每两个异常网格之间的相关度，将相关度超过相关度阈值的两个异常网格判定为高相关度的网格，并将相关度对比结果发送至连通图获取子单元0153；

连通图获取子单元0153，用于从相关度对比子单元接收相关度对比结果，并根据所述高相关度的网格之间的空间位置关系判断所述高相关度的网格之间是否相邻，将相邻的高相关度的网格两两连通起来，得到待分析区域的网格连通图。

更进一步的，如图6所示，道路分析单元016可以包括：

网格遍历子单元0161，用于以网格连通图中的任意网格为起点进行遍历，得到待分析区域内的所有的网格树，并将所有的网格树发送至道路获取子单元0162；

道路获取子单元0162，用于从网格遍历子单元接收所有的网格树，并根据所有的网格树获取待分析区域内的疑似新增道路的形状。

本发明的实施例提供一种疑似新增道路的发现装置，通过获取待分析区域在预设时间区间内的浮动车辆数据记录，并将待分析区域划分为大小相同多个网格，而后获取每个网格的网格密度，并且根据网格密度筛选异常网格，通过分析异常网格之间趋势的相关度获取高相关度网格，再根据高相关度网格之间的空间位置关系获取网格连通图，并根据网格连通图获取网格树，以便根据网格树得到疑似新增道路的形状，从而能够及时准确地发现新增道路，提高地图的现势性，并且降低了地图更新的成本。

在本发明各个实施例中的疑似新增道路的发现装置01，各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。且上述的各单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种疑似新增道路的发现方法，其特征在于，包括：

接收合并后的待分析区域在预设时间区间内的浮动车辆数据记录；

将所述待分析区域划分为多个大小相同的网格；

根据待分析区域在预设时间区间内的浮动车辆数据记录获取每个网格的网格密度，所述网格密度为在单位时间内落入每个网格中的浮动车辆数据记录的数量；

根据所述每个网格的网格密度在所有网格中筛选出异常网格；

获取所有异常网格的网格密度随时间变化趋势的相关度，并根据所有异常网格的网格密度随时间变化趋势的相关度获取高相关度网格，再根据所述高相关度网格之间的空间位置关系获取所述待分析区域的网格连通图；

根据所述网格连通图获取所述待分析区域内的疑似新增道路的形状。

2.根据权利要求1所述的方法，其特征在于，将所述待分析区域划分为多个大小相同的网格包括：

按照预设的网格大小将所述待分析区域划分为多个大小相同的网格，并根据网格编号公式获取每个网格的网格号；

所述网格编号公式包括： $\begin{array}{c}\mathrm{AAA}=(X-X0)/\mathrm{SteplengthX}+1\\ \mathrm{BBB}=(Y-Y0)/\mathrm{SteplengthY}+1\end{array}$

其中，AAA_BBB表示网格号，SteplengthX表示网格在X轴方向的边长，SteplengthY表示网格在Y轴方向的边长，X0为所述待分析区域的纬度最小值，Y0为所述待分析区域的经度最小值，X为所述待分析区域的任意一点的经度，Y为所述待分析区域的任意一点的纬度。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述每个网格的网格密度在所有网格中筛选出异常网格包括：

将所述预设时间区间划分为N个时间长度相同的子时间区间；

根据所述每个网格的网格密度获取每个网格在每个子时间区间的平均网格密度；

根据每个网格在每个子时间区间的平均网格密度将满足条件：avgBefore＜5，avgAfter＞30且的网格判定为异常网格，其中avgBefore为网格前一个子时间区间的平均网格密度，avgAfter为网格后一个子时间区间的平均网格密度。

4.根据权利要求1至3任意一项所述的方法，其特征在于，所述获取所有异常网格的网格密度随时间变化趋势的相关度，并根据所有异常网格的网格密度随时间变化趋势的相关度获取高相关度网格，再根据所述高相关度网格之间的空间位置关系获取所述待分析区域的网格连通图包括：

获取每两个异常网格之间的网格密度随时间变化趋势的相关度；

将相关度超过相关度阈值的两个异常网格判定为高相关度的网格；

根据所述高相关度的网格之间的空间位置关系判断所述高相关度的网格之间是否相邻，将相邻的高相关度的网格两两连通起来，得到所述待分析区域的网格连通图。

5.根据权利要求1至4任意一项所述的方法，所述根据所述网格连通图得到所述待分析区域内的疑似新增道路的形状包括：

以所述网格连通图中的任意网格为起点进行遍历，得到所述待分析区域内的所有的网格树；

根据所有的网格树获取所述待分析区域内的疑似新增道路的形状。

6.一种疑似新增道路的发现装置，其特征在于，包括：

接收单元，用于接收合并后的待分析区域在预设时间区间内的浮动车辆数据记录，并将所述合并后的待分析区域在预设时间区间内的浮动车辆数据记录发送至密度获取单元；

网格划分单元，用于将所述待分析区域划分为多个大小相同的网格；

密度获取单元，用于从所述接收单元接收所述合并后的待分析区域在预设时间区间内的浮动车辆数据记录，根据待分析区域在预设时间区间内的浮动车辆数据记录获取每个网格的网格密度，并将每个网格的网格密度发送至网格筛选单元，所述网格密度为在单位时间内落入每个网格中的浮动车辆数据记录的数量；

网格筛选单元，用于从所述密度获取单元接收每个网格的网格密度，根据所述每个网格的网格密度在所有网格中筛选出异常网格，并将筛选出的异常网格发送至网格连通单元；

网格连通单元，用于从所述网格筛选单元接收筛选出的异常网格，获取所有异常网格的网格密度随时间变化趋势的相关度，并根据所有异常网格的网格密度随时间变化趋势的相关度获取高相关度网格，再根据所述高相关度网格之间的空间位置关系获取所述待分析区域的网格连通图，并将所述网格连通图发送至道路分析单元；

道路分析单元，用于从所述网格连通单元接收所述网格连通图，并根据所述网格连通图获取所述待分析区域内的疑似新增道路的形状。

7.根据权利要求6所述的疑似新增道路的发现装置，其特征在于，网格划分单元具体用于：

按照预设的网格大小将所述待分析区域划分为多个大小相同的网格，并根据网格编号公式获取每个网格的网格号；

所述网格编号公式包括： $\begin{array}{c}\mathrm{AAA}=(X-X0)/\mathrm{SteplengthX}+1\\ \mathrm{BBB}=(Y-Y0)/\mathrm{SteplengthY}+1\end{array}$

其中，AAA_BBB表示网格号，SteplengthX表示网格在X轴方向的边长，SteplengthY表示网格在Y轴方向的边长，X0为所述待分析区域的纬度最小值，Y0为所述待分析区域的经度最小值，X为所述待分析区域的任意一点的经度，Y为所述待分析区域的任意一点的纬度。

8.根据权利要求6或7所述的疑似新增道路的发现装置，其特征在于，所述网格筛选单元包括：

时间划分子单元，用于将所述预设时间区间划分为N个时间长度相同的子时间区间，并将划分好的子时间区间发送至平均密度获取子单元；

平均密度获取子单元，用于从所述时间划分子单元接收所述划分好的子时间区间，根据所述每个网格的网格密度获取每个网格在每个子时间区间的平均网格密度，并将每个网格在每个子时间区间的平均网格密度发送至异常网格判定子单元；

异常网格判定子单元，用于从所述平均密度获取子单元接收每个网格在每个子时间区间的平均网格密度，并根据每个网格在每个子时间区间的平均网格密度将满足条件：avgBefore＜5，avgAfter＞30且

的网格判定为异常网格，其中avgBefore为网格前一个子时间区间的平均网格密度，avgAfter为网格后一个子时间区间的平均网格密度。

9.根据权利要求6至8任意一项所述的疑似新增道路的发现装置，其特征在于，网格连通单元包括：

相关度获取子单元，用于获取每两个异常网格之间的网格密度随时间变化趋势的相关度，并将每两个异常网格之间的相关度发送至相关度对比子单元；

相关度对比子单元，用于从所述相关度获取子单元接收每两个异常网格之间的相关度，将相关度超过相关度阈值的两个异常网格判定为高相关度的网格，并将相关度对比结果发送至连通图获取子单元；

连通图获取子单元，用于从所述相关度对比子单元接收所述相关度对比结果，并根据所述高相关度的网格之间的空间位置关系判断所述高相关度的网格之间是否相邻，将相邻的高相关度的网格两两连通起来，得到所述待分析区域的网格连通图。

10.根据权利要求6至9任意一项所述的疑似新增道路的发现装置，其特征在于，所述道路分析单元包括：

网格遍历子单元，用于以所述网格连通图中的任意网格为起点进行遍历，得到所述待分析区域内的所有的网格树，并将所有的网格树发送至道路获取子单元；

道路获取子单元，用于从网格遍历子单元接收所有的网格树，并根据所有的网格树获取所述待分析区域内的疑似新增道路的形状。

Images