CN104050832A - 位置信息的补全方法和装置 - Google Patents

Abstract

本申请提供了一种位置信息的补全方法和装置，该方法包括：确定车辆缺失的位置信息所在的路径范围；根据历史数据，确定路径范围内从开始缺失位置信息的起始点到结束缺失位置信息的结束点的各路径的概率；根据概率，确定车辆实际行驶的路径；在实际行驶的路径上插入位置点作为补全的位置信息。本申请提高了补全结果的准确性。

Description

位置信息的补全方法和装置

技术领域

本申请涉及测试技术领域，特别是涉及一种位置信息的补全方法和装置。

背景技术

车辆在行驶过程中，可能会因为全球定位系统(Global PositioningSystem，GPS)信号受阻、车机通信故障等情况而造成该车辆某时段内位置数据缺失的问题。

在现有技术中，通过下面的方法获得缺失的位置数据：找到该车辆开始缺失数据和结束缺失数据时的车辆位置和时间；结合路网数据，根据导航算法，计算缺失数据起始点和结束点之间的行驶路径，具体地，获取到起始点和结束点之间的路径，取距离最短的路径作为行驶路径；根据缺失数据起始点和结束点的时间，将位置点添加到上一步计算得到的行驶路径上。

但是，在数据缺失的时段内，如果车辆可能经过的路网状况比较复杂，使用上述方法则不容易确认车辆实际的行驶路线，因此，现有技术在解决位置信息补全问题时，很容易产生数据准确度低，误差较大的问题。

发明内容

本申请所要解决的技术问题是提供一种位置信息的补全方法和装置，能够提高补全位置信息的准确性。

为了解决上述问题，本申请公开了一种位置信息的补全方法，包括：确定车辆缺失的位置信息所在的路径范围；根据历史数据，确定路径范围内从开始缺失位置信息的起始点到结束缺失位置信息的结束点的各路径的概率；根据概率，确定车辆实际行驶的路径；在实际行驶的路径上插入位置点作为补全的位置信息。

优选地，根据历史数据，确定路径范围内从开始缺失位置信息的起始点到结束缺失位置信息的结束点的各路径的概率，包括：获取路径范围内的所有路径；对路径范围内的每一条路径，根据历史数据，确定特征变量和经过该路径的概率之间的关系；确定车辆的特征变量；根据车辆的特征变量，以及特征变量和经过路径范围内的每一条路径的概率之间的关系，确定车辆经过路径范围内每一条路径的概率。

优选地，对路径范围内的每一条路径，根据历史数据，确定特征变量和经过该路径的概率之间的关系，包括：对路径范围内的每一条路径，使用历史数据的一部分，建立特征变量和经过该路径的概率之间的模型；使用历史数据的另一部分来检验模型的准确性；当准确性大于第一阈值时，确定模型为特征变量和经过该路径的概率之间的关系。

优选地，特征变量包括以下至少之一：运行时段、驾驶员、和交通状况。

优选地，确定车辆缺失的位置信息所在的路径范围包括：根据起始点、结束点、以及车辆缺失位置信息的时间，确定车辆缺失的位置信息所在的路径范围。

优选地，根据起始点、结束点、以及车辆缺失位置信息的持续时间，确定车辆缺失的位置信息所在的路径范围包括：以起始点和结束点之间的连线作为矩形的对角线构建矩形区域；根据持续时间，将矩形区域扩宽；确定扩宽之后的矩形区域为路径范围。

优选地，根据概率，确定车辆实际行驶的路径包括：确定路径范围内概率最高的路径为车辆实际行驶的路径。

为了解决上述问题，本申请公开了一种位置信息的补全装置，包括：第一确定单元，用于确定车辆缺失的位置信息所在的路径范围；第二确定单元，用于根据历史数据，确定路径范围内从开始缺失位置信息的起始点到结束缺失位置信息的结束点的各路径的概率；第三确定单元，用于根据概率，确定车辆实际行驶的路径；插入单元，用于在实际行驶的路径上插入位置点作为补全的位置信息。

优选地，第二确定单元还用于：获取路径范围内的所有路径；对路径范围内的每一条路径，根据历史数据，确定特征变量和经过该路径的概率之间的关系；确定车辆的特征变量；根据车辆的特征变量，以及特征变量和经过路径范围内的每一条路径的概率之间的关系，确定车辆经过路径范围内每一条路径的概率。

优选地，第二确定单元还用于：对路径范围内的每一条路径，使用历史数据的一部分，建立特征变量和经过该路径的概率之间的模型；使用历史数据的另一部分来检验模型的准确性；当准确性大于第一阈值时，确定模型为特征变量和经过该路径的概率之间的关系。

与现有技术相比，本申请具有以下优点：

在本申请中，根据历史数据来确定路径范围内从开始缺失位置信息的起始点到结束缺失位置信息的结束点的各路径的概率，根据该概率来确定车辆实际行驶的路径，从而进行信息的补全，这样，相对于现有技术中采用最短路径进行位置信息的补全方法，本申请提高了补全结果的准确性。

附图说明

图1是根据本发明实施例一的一种位置信息的补全方法的流程图；

图2是根据本发明实施例二的一种位置信息的补全方法的流程图；

图3是根据本发明实施例三的一种位置信息的补全装置的流程图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

实施例一

参照图1，示出了本申请一种位置信息的补全方法，包括：

步骤102，确定车辆缺失的位置信息所在的路径范围；

在本发明实施例的一个优选实例中，可以根据开始缺失位置信息的起始点、结束缺失位置信息的结束点、以及车辆缺失位置信息的时间，来确定车辆缺失的位置信息所在的路径范围。例如，以起始点和结束点之间的连线作为矩形的对角线构建矩形区域；根据持续时间，将矩形区域扩宽，例如，每小时将矩形区域的每个边向外扩宽30km；然后，将扩宽之后的矩形区域确定为路径范围。在本实施例中，考虑到持续时间来确定可能的路径范围，当持续时间较长时，车辆行驶的范围就较大，此时可以选择的路径范围较大；当持续时间较短时，车辆行驶的范围就较小，此时可以选择的路径范围较小，通过该实施例，能够有针对性地选取路径范围，从而有针对性地选取路径，提高确定路径的可靠性。

步骤104，根据历史数据，确定路径范围内从开始缺失位置信息的起始点到结束缺失位置信息的结束点的各路径的概率。

目前，交通运输部门已建有车辆监管/监控等业务系统，在长期运营这些系统的过程中，会持续接收到众多车辆终端发送的以位置数据为主的车辆报文数据。这些报文数据经过积累成为海量数据后成为历史数据，从其中进行数据挖掘将会得到很多采用普通技术不易发现的信息和规律。

在本发明实施例的一个优选实例中，可以先确定出路径范围内的所有路径，这可以根据原始路网数据和历史轨迹点得到；然后，对路径范围内的每一条路径，根据历史数据来确定特征变量和经过该路径的概率之间的关系；将缺失位置信息的车辆的特征变量与上述确定的特征变量和经过各个路径的概率之间的关系，确定出该车辆经过每条路径的概率。

在具体实现时，可以通过以下方式确定特征变量和经过某一路径的概率之间的关系：对这一条路径，使用历史数据的一部分，例如，使用历史数据中的80％，建立特征变量和经过该路径的概率之间的模型；使用历史数据的另一部分来检验模型的准确性，例如，使用历史数据的20％来检验模型的准确性；当准确性大于第一阈值时，则确定该模型为特征变量和经过该路径的概率之间的关系；否则，可以改变特征变量，继续上述步骤，知道准确性超过第一阈值或建立模型的次数超过第二阈值，其中，第一阈值可以是50％，第二阈值可以是10，特征变量可以包括以下至少之一：运行时段、驾驶员、和交通状况。通过该方式，能够建立比较准确的特征变量和经过某一路径的概率之间的对应关系，从而能够准确确定出车辆经过的路径，提高位置信息补全的准确性。

步骤106，根据上述概率，确定车辆实际行驶的路径；例如，可以确定路径范围内概率最高的路径为车辆实际行驶的路径。

步骤108，在实际行驶的路径上插入位置点作为补全的位置信息。

在本实施例中，根据历史数据来确定路径范围内从开始缺失位置信息的起始点到结束缺失位置信息的结束点的各路径的概率，根据该概率来确定车辆实际行驶的路径，从而进行信息的补全，这样，相对于现有技术中采用最短路径进行位置信息的补全方法，本实施例采用的数据维度有所增加，提高了补全结果的准确性。

实施例二

参照图2，示出了本申请一种位置信息的补全方法。本实施例立足于对海量车机报文数据进行数据挖掘的基础上，结合路网数据及传统导航技术对确实的位置信息进行补全。在轨迹回放的操作中，如果某车辆因为车机故障等原因而丢失了一段时间内的轨迹信息，为了显示正常的回放效果，可以使用本实施例中提供的方法对位置信息进行补全。如图2所示，该方法包括：

步骤202，模糊确定缺失数据(例如，缺失的位置信息)范围，以缺失数据起止点位置构建一个矩形范围，根据缺失数据的时间对矩形范围进行扩宽，例如，每小时扩宽30km。该矩形范围即为上述实施例中提到的路径范围。

步骤204，查询该路径范围所有历史轨迹点。

其中，步骤202和步骤204为采集位置数据的步骤。下面介绍分析历史路段的步骤。

步骤206，从历史轨迹点和原始路网数据中找出该车辆可能经过的路段。

步骤208，对于每条路段，以运行时段、驾驶员、交通状况等条件作为特征变量，选择分类模型。从历史轨迹中选择80％的数据作为样本进行训练，建立预测模型。

步骤210，以剩下的20％的历史轨迹作为检验数据检验模型的准确度。

步骤212，判断准确度是否大于50％；如果是，则执行步骤214；否则，执行步骤220；

步骤214，当准确度大于50％时，模型建立成功。

步骤216，根据预测模型，对需要补全数据所可能经过的每条路段进行预测，得到可能通过该路段的概率；

步骤218，选择概率最高的那条路段作为实际路径，根据经历的时间，补上缺失的位置信息。

步骤220，判断执行步骤208到步骤212的次数是否大于10次，如果是，则流程结束，否则，将执行步骤208到步骤212的次数加1，即，循环次数加1，修改特征变量或分类模型，重新执行步骤208至步骤212.

在本实施例中，可以多使用几种预测模型和特征值进行建模和测试，选择准确度最高的模型作为步骤216中的预测模型。相对于现有技术，本实施例基于大数据进行位置信息的补齐的，其充分利用车机报文大数据的优势，尽量挖掘有效的信息为目标提供支持，并且，由于本实施例采用的数据维度增加了，补全结果的准确度也会随之提高。

实施例三

参照图3，示出了本申请一种位置信息的补全装置，该装置用于实现上述方法，因此，上述方法实施例中的特征可以应用到本实施例中，该装置包括：

第一确定单元302，用于确定车辆缺失的位置信息所在的路径范围；

第二确定单元304，用于根据历史数据，确定路径范围内从开始缺失位置信息的起始点到结束缺失位置信息的结束点的各路径的概率；

第三确定单元306，用于根据概率，确定车辆实际行驶的路径；

插入单元308，用于在实际行驶的路径上插入位置点作为补全的位置信息。

在本发明实施例的一个优选实例中，第二确定单元304还用于：

获取路径范围内的所有路径；

对路径范围内的每一条路径，根据历史数据，确定特征变量和经过该路径的概率之间的关系；

确定车辆的特征变量；

根据车辆的特征变量，以及特征变量和经过路径范围内的每一条路径的概率之间的关系，确定车辆经过路径范围内每一条路径的概率。

在本发明实施例的一个优选实例中，第二确定单元304还用于：

对路径范围内的每一条路径，使用历史数据的一部分，建立特征变量和经过该路径的概率之间的模型；

使用历史数据的另一部分来检验模型的准确性；

当准确性大于第一阈值时，确定模型为特征变量和经过该路径的概率之间的关系。

在本发明实施例的一个优选实例中，特征变量包括以下至少之一：运行时段、驾驶员、和交通状况。

在本发明实施例的一个优选实例中，第一确定单元302还用于根据起始点、结束点、以及车辆缺失位置信息的时间，确定车辆缺失的位置信息所在的路径范围。

在本发明实施例的一个优选实例中，第一确定单元302还用于：以起始点和结束点之间的连线作为矩形的对角线构建矩形区域；根据持续时间，将矩形区域扩宽；确定扩宽之后的矩形区域为路径范围。

在本发明实施例的一个优选实例中，第三确定单元306还用于：确定所述路径范围内概率最高的路径为所述车辆实际行驶的路径。

在本实施例中，根据历史数据来确定路径范围内从开始缺失位置信息的起始点到结束缺失位置信息的结束点的各路径的概率，根据该概率来确定车辆实际行驶的路径，从而进行信息的补全，这样，相对于现有技术中采用最短路径进行位置信息的补全方法，本实施例采用的数据维度有所增加，提高了补全结果的准确性。

本说明书中的各个实施例均采用递进的方式描述，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。对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本申请所提供的一种位置信息的补全方法和装置，进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，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申请的限制。

Claims (10)

1.一种位置信息的补全方法，其特征在于，包括：

确定车辆缺失的位置信息所在的路径范围；

根据历史数据，确定所述路径范围内从开始缺失位置信息的起始点到结束缺失位置信息的结束点的各路径的概率；

根据所述概率，确定所述车辆实际行驶的路径；

在所述实际行驶的路径上插入位置点作为补全的位置信息。

2.如权利要求1所述的方法，其特征在于，根据历史数据，确定所述路径范围内从开始缺失位置信息的起始点到结束缺失位置信息的结束点的各路径的概率，包括：

获取所述路径范围内的所有路径；

对所述路径范围内的每一条路径，根据历史数据，确定特征变量和经过该路径的概率之间的关系；

确定所述车辆的特征变量；

根据所述车辆的特征变量，以及特征变量和经过所述路径范围内的每一条路径的概率之间的关系，确定所述车辆经过所述路径范围内每一条路径的概率。

3.如权利要求2所述的方法，其特征在于，对所述路径范围内的每一条路径，根据历史数据，确定特征变量和经过该路径的概率之间的关系，包括：

对所述路径范围内的每一条路径，使用历史数据的一部分，建立特征变量和经过该路径的概率之间的模型；

使用历史数据的另一部分来检验所述模型的准确性；

当所述准确性大于第一阈值时，确定所述模型为特征变量和经过该路径的概率之间的关系。

4.如权利要求2或3所述的方法，其特征在于，所述特征变量包括以下至少之一：

运行时段、驾驶员、和交通状况。

5.如权利要求1所述的方法，其特征在于，确定车辆缺失的位置信息所在的路径范围包括：

根据所述起始点、所述结束点、以及所述车辆缺失位置信息的时间，确定车辆缺失的位置信息所在的路径范围。

6.如权利要求5所述的方法，其特征在于，根据所述起始点、所述结束点、以及所述车辆缺失位置信息的持续时间，确定车辆缺失的位置信息所在的路径范围包括：

以所述起始点和所述结束点之间的连线作为矩形的对角线构建矩形区域；

根据所述持续时间，将所述矩形区域扩宽；

确定扩宽之后的矩形区域为所述路径范围。

7.如权利要求1所述的方法，其特征在于，根据所述概率，确定所述车辆实际行驶的路径包括：

确定所述路径范围内概率最高的路径为所述车辆实际行驶的路径。

8.一种位置信息的补全装置，其特征在于，包括：

第一确定单元，用于确定车辆缺失的位置信息所在的路径范围；

第二确定单元，用于根据历史数据，确定所述路径范围内从开始缺失位置信息的起始点到结束缺失位置信息的结束点的各路径的概率；

第三确定单元，用于根据所述概率，确定所述车辆实际行驶的路径；

插入单元，用于在所述实际行驶的路径上插入位置点作为补全的位置信息。

9.如权利要求8所述的装置，其特征在于，所述第二确定单元还用于：

获取所述路径范围内的所有路径；

对所述路径范围内的每一条路径，根据历史数据，确定特征变量和经过该路径的概率之间的关系；

确定所述车辆的特征变量；

根据所述车辆的特征变量，以及特征变量和经过所述路径范围内的每一条路径的概率之间的关系，确定所述车辆经过所述路径范围内每一条路径的概率。

10.如权利要求9所述的装置，其特征在于，所述第二确定单元还用于：

对所述路径范围内的每一条路径，使用历史数据的一部分，建立特征变量和经过该路径的概率之间的模型；

使用历史数据的另一部分来检验所述模型的准确性；

当所述准确性大于第一阈值时，确定所述模型为特征变量和经过该路径的概率之间的关系。