CN108304852B - 道路路段类型的确定方法、装置以及存储介质、电子装置 - Google Patents
道路路段类型的确定方法、装置以及存储介质、电子装置 Download PDFInfo
- Publication number
- CN108304852B CN108304852B CN201710583365.5A CN201710583365A CN108304852B CN 108304852 B CN108304852 B CN 108304852B CN 201710583365 A CN201710583365 A CN 201710583365A CN 108304852 B CN108304852 B CN 108304852B
- Authority
- CN
- China
- Prior art keywords
- type
- road
- classification model
- road section
- road segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明公开了一种道路路段类型的确定方法、装置以及存储介质、电子装置。该方法包括:接收类型确定请求,其中,类型确定请求用于请求确定道路中的第一路段的类型,第一路段的类型处于待确定状态;获取第一路段的属性数据;利用已训练完成的目标分类模型确定第一路段的属性数据所对应的第一路段的类型,其中,目标分类模型用于指示路段的属性数据与路段的类型之间的对应关系。本发明解决了相关技术采用人工方式收集路段缺失的属性数据来确定该路段的类型所导致的耗时耗力的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种道路路段类型的确定方法、装置以及存储介质、电子装置。
背景技术
随着社会经济的不断发展,交通系统越来越完善,汽车普及程度不断增加,同时,随着移动互联网技术的发展,移动端地图导航应用普及,这为人们的日常出行提供了极大的便利。然而,交通道路也是处于不断的变化中,道路数据是海量的,收集过程中难免会产生一些错误的数据,比如缺失某些道路的属性(例如,缺失主辅路出入口、掉头、左右转道等属性),而这些数据缺失将给导航的诱导带来极大的不便。
图1是现有技术的一种掉头属性缺失的示意图,如图1所示,掉头道属性缺失时,长掉头道路容易计算成左转然后左转。
图2是现有技术的一种左右转属性缺失的示意图,如图2所示,缺少左右转属性时,道路计算成左前方、右前方行驶。
图3是现有技术的一种主辅路属性缺失的示意图,如图3所示,缺少主辅路属性时,播报将会缺少进主路、出主路信息。
现有技术为了避免道路的属性缺失,通常采用人工收集或利用影像识别道路所缺失的属性数据,通过人工地方法进行逐一验证道路的属性数据,消耗的时间较多,基于影像的模式识别,开发难度较大,识别率较低。
针对上述相关技术采用人工方式收集路段缺失的属性数据来确定该路段的类型所导致的耗时耗力的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种道路路段类型的确定方法、装置以及存储介质、电子装置,以至少解决相关技术采用人工方式收集路段缺失的属性数据来确定该路段的类型所导致的耗时耗力的技术问题。
根据本发明实施例的一个方面,提供了一种道路路段类型的确定方法,包括:接收类型确定请求,其中,所述类型确定请求用于请求确定道路中的第一路段的类型,所述第一路段的类型处于待确定状态;获取所述第一路段的属性数据;利用已训练完成的目标分类模型确定所述第一路段的属性数据所对应的所述第一路段的类型,其中,所述目标分类模型用于指示路段的属性数据与路段的类型之间的对应关系。
根据本发明实施例的另一方面,还提供了一种道路路段类型的确定装置,包括:第一接收单元,用于接收类型确定请求,其中,所述类型确定请求用于请求确定道路中的第一路段的类型,所述第一路段的类型处于待确定状态;获取单元,用于获取所述第一路段的属性数据;确定单元,用于利用已训练完成的目标分类模型确定所述第一路段的属性数据所对应的所述第一路段的类型,其中,所述目标分类模型用于指示路段的属性数据与路段的类型之间的对应关系。
根据本发明实施例的另一方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行本发明实施例中任意一种道路路段类型的确定方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器通过所述计算机程序执行本发明实施例中任意一种道路路段类型的确定方法。
在本发明实施例中,类型确定请求用于请求确定道路中的类型处于待确定状态的第一路段的类型,本发明实施例在接收到类型确定请求之后可以通过获取第一路段的属性数据,然后利用指示路段的属性数据与路段的类型之间的对应关系的已训练完成的目标分类模型确定第一路段的属性数据对应的第一路段的类型,实现了自动确定类型处于待确定状态的路段的类型,解决了相关技术采用人工方式收集路段缺失的属性数据来确定该路段的类型所导致的耗时耗力的技术问题,进而达到快速、准确地确定缺失属性数据的路段的类型的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是现有技术的一种掉头属性缺失的示意图;
图2是现有技术的一种左右转属性缺失的示意图;
图3是现有技术的一种主辅路属性缺失的示意图;
图4是根据本发明实施例的道路路段类型的确定方法的硬件环境的示意图;
图5是根据本发明实施例的一种可选的道路路段类型的确定方法的流程图;
图6是根据本发明实施例的一种可选的识别路段缺失属性方案流程示意图;
图7是根据本发明实施例的一种可选的道路路段内部转弯角度的示意图;
图8是根据本发明实施例的一种可选的划分象限的示意图;
图9是根据本发明实施例的一种可选的划分象限的示意图;
图10是根据本发明实施例的一种可选的分类间隔最大化的示意图;
图11是根据本发明实施例的一种可选的道路路段类型的确定装置的示意图;以及
图12是根据本发明实施例的一种电子装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,在对本发明实施例进行描述的过程中出现的部分名词或者术语适用于如下解释:
SVM:support vector machine,支持向量机,是一种监督式学习的方法,可广泛地应用于统计分类以及回归分析。支持向量机属于一般化线性分类器,这种分类器的特点是其能够同时最小化经验误差与最大化几何边缘区,因此支持向量机也被称为最大边缘区分类器。
实施例1
根据本发明实施例,提供了一种道路路段类型的确定方法的实施例。
可选地,在本实施例中,上述道路路段类型的确定方法可以应用于如图4所示的由服务器102和终端104所构成的硬件环境中。如图4所示,服务器102通过网络与终端104进行连接,上述网络包括但不限于:广域网、城域网或局域网,终端104并不限定于PC、手机、平板电脑等。本发明实施例的道路路段类型的确定方法可以由服务器102来执行,也可以由终端104来执行,还可以是由服务器102和终端104共同执行。其中,终端104执行本发明实施例的道路路段类型的确定方法也可以是由安装在其上的客户端来执行。
图5是根据本发明实施例的一种可选的道路路段类型的确定的流程图,如图5所示,该方法可以包括以下步骤:
步骤S202,接收类型确定请求,其中,类型确定请求用于请求确定道路中的第一路段的类型,第一路段的类型处于待确定状态;
步骤S204,获取第一路段的属性数据;
步骤S206,利用已训练完成的目标分类模型确定第一路段的属性数据所对应的第一路段的类型,其中,目标分类模型用于指示路段的属性数据与路段的类型之间的对应关系。
通过上述步骤S202至步骤S206,在接收到类型确定请求之后可以通过获取第一路段的属性数据,然后利用指示路段的属性数据与路段的类型之间的对应关系的已训练完成的目标分类模型确定第一路段的属性数据对应的第一路段的类型,实现了自动确定类型处于待确定状态的路段的类型,解决了相关技术采用人工方式收集路段缺失的属性数据来确定该路段的类型所导致的耗时耗力的技术问题,进而达到快速、准确地确定缺失属性数据的路段的类型的技术效果。
需要说明的是,道路路段类型是指在某一区域路段上道路的类型。例如,在高速路或城市快速路上,道路分为供车辆快速行驶的主干道路路段,以及供车辆进出主干道路的辅助道路路段(又被称为匝道或引道)。由于主干道路具有道路宽度较宽,道路的走向趋近于直线,且方向相同等特征,则确定符合上述特征的道路路段为主干道路路段;与主干道路相连且道路宽度较窄的转向道路路段则为辅助道路路段。
需要说明的是,一条道路上可以包括多个路段,每个路段可以对应一种类型,一条道路上的多个路段的类型可以相同,也可以不相同。
可选地,本发明实施例中的道路路段类型的确定方法可以应用在后台服务器中。
在步骤S202提供的技术方案中,一条道路上可以包括多个路段,多个路段中的类型处于待确定状态的路段即为第一路段。其中,本发明实施例对第一路段的数量不做具体限定,第一路段可以是一个,也可以是多个,当第一路段为多个时,可以应用本发明实施例中的道路路段类型的确定方法依次确定这些第一路段的类型。本发明实施例对第一路段的类型也不做具体限定,虽然第一路段的类型处于待确定状态,例如第一路段本身的类型可以是掉头、左转、右转等类型。
本发明实施例中的类型确定请求可以用于请求确定第一路段的类型。可选地,类型确定请求中可以至少携带有以下信息:道路的标识信息、道路中第一路段的标识信息、道路的位置信息、道路中第一路段的位置信息等。
可选地,类型确定请求可以由以下任意一种方式触发生成,例如,客户端应用(例如地图应用)启动之后自动触发生成类型确定请求,其中,该类型确定请求中所携带的第一路段即为该客户端应用当前定位的路段。或者,客户端应用启动之后,当用户在该客户端应用执行触控操作时触发生成类型确定请求,其中,所述触控操作包括但并不限于点击、长按、滑动、手势等,其中,该类型确定请求中所携带的第一路段可以为该客户端应用当前定位的路段,也可以为用户触控操作的操作路段。需要说明的是,本发明实施例中的类型确定请求还可以由其他方式触发生成,此处不再一一举例说明。
可选地,后台服务器在接收到类型确定请求之后,可以对该类型确定请求进行解析,以便于从中解析得到第一路段的相关信息,例如第一路段的标识信息、第一路段的位置信息等,进而确定所需要确定类型的路段为第一路段。
在步骤S204提供的技术方案中,后台服务器在接收到类型确定请求之后,可以从中解析确定第一路段的标识信息,并根据该第一路段的标识信息获取到第一路段的属性数据。需要说明的是,后台服务器中可以预先存储有大量道路路段的属性数据,其中就包括第一路段的属性数据,后台服务器在确定第一路段的标识信息之后,可以从预先存储的道路路段的属性数据中查找到该第一路段的属性数据。还需要说明的是,本发明实施例对后台服务器中存储的大量道路路段的属性数据的获取方式不做具体限定,例如,这些道路路段的属性数据可以是通过人工采集的,也可以是通过摄像头等采集设备采集识别的,还可以是由客户端实时采集并上报给后台服务器的。
可选地,道路路段的属性数据可以包括但并不仅限于道路路段的长度、道路路段的等级(例如,高速路、城市快速路、国道、省道、县道、乡镇道路、以及其他道路)、道路路段的内部转弯角度、道路路段是否可双向行驶、道路路段的车道数量、道路路段入边的数量、道路路段出边的数量、道路路段入边的最小角度、道路路段入边的最大角度、道路路段出边的最小角度、道路路段出边的最大角度、道路路段出边和入边的分布等。路段的属性数据还可以包括其他类型的数据,在此处不再一一列举。其中,第一路段的属性数据也可以包括上述所列举的全部或者部分数据。
在步骤S206提供的技术方案中,后台服务器在获取到第一路段的属性数据之后,可以利用已训练完成的目标分类模型确定该第一路段的类型,其中,目标分类模型可以用于指示道路路段的属性数据与道路路段的类型之间的对应关系。需要说明的是,目标分类模型是一个已经训练好的分类模型,在目标分类模型中记录有路段的属性数据与路段的类型之间的对应关系,利用目标分类模型可以确定第一路段的属性数据对应的第一路段的类型。
作为一个可选的示例,多个路段的属性数据与路段类型之间存在对应关系,例如,属性数据A与路段的类型A对应;属性数据B与路段的类型B对应;属性数据C与路段的类型C对应,目标分类模型中记录有上述多个路段的属性数据与路段的类型之间的对应关系。在获取到路段A的属性数据A之后,可以利用目标分类模型确定属性数据A所对应的路段的类型A,则类型A为路段A对应的类型。
目标分类模型是一个已训练完成的分类模型,下面将结合以下可选实施例对目标分类模型的训练过程进行详细介绍:
作为一种可选的实施例,在接收类型确定请求之前,该实施例还可以包括:利用道路中的第二路段的属性数据与第二路段的类型之间的对应关系进行分类训练,得到目标分类模型,其中,第二路段的类型处于已确定状态,在进行分类训练时,输入参数为第二路段的属性数据,输出参数用于指示第二路段的类型。
需要说明的是,该可选实施例中的第二路段可以为类型处于已确定状态的任意路段,本发明实施例对第二路段的类型不做具体限定,例如第二路段可以是掉头、左转、右转等类型。可选地,为了提高分类训练后所得到的目标分类模型的准确度,该可选实施例可以利用大量的类型处于已确定状态的第二路段进行分类训练,这样能够保证分类训练得到的目标分类模型的准确度,进而达到提高利用目标分类模型确定第一路段的属性数据所对应的第一路段的类型的准确度的效果。
采用本发明上述实施例,可以通过上述分类训练得到训练好的目标分类模型,其中,在进行分类训练时,输入参数可以为第二路段的属性数据,输出参数可以用于指示第二路段的类型,由于预先确定了第二路段的属性数据与第二路段的类型之间的对应关系,因此利用该对应关系进行分类训练后可以得到目标分类模型,使得该目标分类模型在输入参数设置为第二路段的属性数据时,输出参数可以用于指示第二路段的类型,或者使得该目标分类模型在输入参数设置为与第二路段的属性数据相匹配的属性数据时,输出参数所指示的路段类型与第二路段的类型相同。
下面对上述利用第二路段的属性数据与第二路段的类型之间的对应关系进行分类训练,得到目标分类模型的具体过程进行详细描述,具体地:
作为第一种可选的实施例,利用道路中的第二路段的属性数据与第二路段的类型之间的对应关系进行分类训练,得到目标分类模型可以包括:获取训练样本集D{(X1,Y1),(X2,Y2)…(Xi,Yi)},其中,Xi表示第i个第二路段的属性数据所对应的特征向量,Yi用于指示第i个第二路段的类型;利用训练样本集确定目标分类模型中的第一参数w的取值和第二参数t的取值,其中,目标分类模型通过以下公式表示:Y=w X+t,其中,该公式用于表示目标分类模型对应的划分超平面,划分超平面可以用于将训练样本集中的样本进行分类,第一参数w表示法向量,法向量可以用于指示划分超平面的方向,第二参数t表示位移量,位移量可以用于指示划分超平面到划分超平面所在直角坐标系中的原点的距离。
采用本发明上述实施例,利用训练样本集中的样本进行分类训练,也即将训练样本集中的(Xi,Yi)代入公式Y=w X+t中,从而可以确定该公式中的第一参数w的取值和第二参数t的取值,进而确定得到该公式,也即实现利用训练样本集进行分类训练得到目标分类模型,其中,该目标分类模型可以用第一参数w的取值和第二参数t的取值已确定的公式Y=w X+t表示。
在确定得到用于表示目标分类模型的公式Y=w X+t之后,其中,第一参数w的取值和第二参数t的取值已确定,该可选实施例可以利用目标分类模型确定第一路段的属性数据所对应的第一路段的类型,具体可以包括:将公式中的X设置为第一路段的属性数据所对应的特征向量,并通过该公式获得Y的取值;在Y的取值为预定值时,可以将Y的取值所对应的类型确定为第一路段的类型。这样便可以实现利用训练好的目标分类模型确定第一路段的属性数据所对应的第一路段的类型的目的。
需要说明的是,该可选实施例可以设置多个预定值,每个预定值可以对应一种路段的类型,通过判断Y的取值对应的预定值,即可确定第一路段的类型。可选地,该可选实施例可以设置预定值为大于0的整数或者小于0的整数,例如Y的取值可以为+1或者-1,在Y的取值为大于0的整数(例如+1)的情况下,说明该Y的取值所对应的类型与训练该目标分类模型的第二路段的类型相匹配,则可以确定在Y的取值为大于0的整数的情况下,将第二路段的类型确定为第一路段的类型。在Y的取值为小于0的整数(例如-1)的情况下,说明该Y的取值所对应的类型与训练该目标分类模型的第二路段的类型不匹配,则利用该目标分类模型无法确定第一路段的类型,此时需要再利用已训练完成的其他分类模型确定第一路段的类型。
例如,假设目标分类模型为已完成训练的掉头分类模型,其中,训练该掉头分类模型的第二路段为掉头路段,当将掉头分类模型的输入参数设置为第一路段的属性数据之后该掉头分类模型的输出参数大于0时,说明该第一路段为掉头路段,否则可以利用其他训练好的分类模型,例如左转分类模型再进一步确定该第一路段的类型,直到最终确定该第一路段的类型为止。
上述第一种可选的实施例,通过将目标分类器训练成一个二分类分类器,该二分类分类器可以用上述公式表示,能够实现利用简单的参数取值计算以及公式取值判断确定第一路段的类型的目的,这种分类器训练方式比较简单,且利用这种二分类分类器也能够比较快速准确地确定第一路段的类型,进而达到提高确定属性数据缺失的路段的类型的准确度和效率的效果。
作为第二种可选的实施例,进行分类训练所需的第二路段可以包括:第一类型路段和第二类型路段,其中,第一类型路段的类型与第一路段的类型相同,第二类型路段的类型与第一路段的类型不同,此处第一类型路段可以理解为分类训练的正样本,第二类型路段可以理解为分类训练的负样本。其中,利用道路中的第二路段的属性数据与第二路段的类型之间的对应关系进行分类训练,得到目标分类模型可以具体包括:利用第一类型路段的属性数据与第一类型路段的类型之间的对应关系以及第二类型路段的属性数据与第二类型路段的类型之间的对应关系进行分类训练,得到目标分类模型,其中,在进行分类训练时,第一类型路段的数量大于第二类型路段的数量。
需要说明的是,该可选实施例利用第二路段进行分类训练时,为了提高分类训练的准确度,可以选用较多的正样本(也即第一类型路段)以及较少的负样本(也即第二类型路段)进行分类训练,具体可以利用第一类型路段的属性数据与第一类型路段的类型之间的对应关系以及第二类型路段的属性数据与第二类型路段的类型之间的对应关系进行分类训练,得到目标分类模型。通过该可选实施例训练得到的目标分类模型更加准确,进而达到提高利用该目标分类模型所确定的第一路段的类型的准确度的效果。
可选地,利用上述分类训练方式训练得到目标分类模型后,利用该目标分类模型确定第一路段的属性数据所对应的第一路段的类型可以具体包括:将目标分类模型的输入参数设置为第一路段的属性数据,得到目标分类模型的目标输出参数;在目标输出参数与第一输出参数相匹配的情况下,将第一类型路段的类型确定为第一路段的类型,其中,第一输出参数为将目标分类模型的输入参数设置为第一类型路段的属性数据后目标分类模型的输出参数;在目标输出参数与第二输出参数相匹配的情况下,将第二类型路段的类型确定为第二路段的类型,其中,第二输出参数为将目标分类模型的输入参数设置为第二类型路段的属性数据后目标分类模型的输出参数。
需要说明的是,利用上述分类训练得到的目标分类模型并不仅限于二分类分类器的功能,还可以实现多分类分类器的功能,具体地,可以通过分类训练记录目标分类模型的输入参数设置为每种类型的路段的属性数据之后其输出参数的类型,然后在将目标分类模型的输入参数设置为第一路段的属性数据之后得到的目标输出参数与每种类型的输出参数进行对比,如果目标输出参数与其中一种输出参数匹配,则可以确认该输出参数对应的路段的类型即为第一路段的类型。
采用上述第二种可选实施例,可以实现只利用该分类训练得到的目标分类模型便可以确定第一路段的类型的目的,进而实现进一步地提高确定第一路段的类型的效率的效果。
作为一种可选的实施例,在利用目标分类模型确定第一路段的属性数据所对应的第一路段的类型之后,该实施例还可以包括:接收客户端发送的数据请求,其中,数据请求可以用于请求第一路段的类型;将第一路段的类型发送给客户端进行显示。
需要说明的是,本发明实施例对客户端的类型不做具体限定,例如地图应用,在地图导航过程中,地图应用可以实时向后台服务器发送数据请求,以请求当前路段(也即第一路段)的类型,以便于地图应用可以准确地为用户提供导航诱导功能。后台服务器在接收到客户端发送的数据请求后,可以通过本发明实施例中的道路路段类型的确定方法确定所请求的第一路段的类型,并将其发送给客户端。客户端在接收到后台服务器发送的第一路段的类型之后,可以在客户端中进行显示,也可以以语音形式进行播报,以便于用户直观清楚地获取到路况信息,进而达到提高用户使用体验的目的。
本发明还提供了一种优选实施例,该优选实施例提供了一种识别地图中道路路段属性缺失数据的方案。
本方案提取路网中已知类型道路路段的属性特征,比如,道路路段长度、内部角度、车道数、前后连接结构特点等,然后使用one-class SVM方法学习各类道路路段的特征模型,再通过模型识别无属性的道路路段中特点相近的道路路段,确定这些属性缺失的道路路段数据。
本方案的主要目标是通过已有的道路路段数据学习各类型道路路段的特征,自动识别同类型的缺失属性的道路路段,方便导航中的诱导计算。
图6是根据本发明实施例的一种可选的识别路段缺失属性方案流程示意图,如图6所示,通过对道路路段数据进行收集,并根据收集的道路路段数据进行数据预处理、特征提取等操作进行学习,生成判别模型,然后在输入新的无属性道路路段数据的情况下,通过判别模型进行判断,再输出判别结果。
本方案中主要考虑两个方面特征,分别是道路路段自身的基本属性特征和道路路段结构特征。
(1)基本属性特征,如下:
a)道路路段长度。
b)道路路段等级,分为高速、城市快速路、国道、省道、县道、乡镇道路路段、其他道路路段。
c)道路路段内部转弯角度。
图7是根据本发明实施例的一种可选的道路路段内部转弯角度的示意图,如图7所示,道路路段开始转弯弧度的渐近线,与道路路段结束转弯弧度的渐近线之间的角度即为道路路段内部转弯角度。
d)道路路段是否可双向行驶。
e)道路路段车道数量。
(2)道路路段结构特征,如下:
a)出入边数量,包括路段入边的数量、路段出边的数量。
b)出入边角度,包括入边最小角度、入边最大角度、出边最小角度、出边最大角度。
c)出入边分布。
图8是根据本发明实施例的一种可选的划分象限的示意图,如图8所示,将[0,360°]分成下面几个象限,根据角度将出入边分别放到对应的象限中,用各象限中边的数量代表其分布特征。
可选地,查找缺失属性的道路路段,实际上等价于检测一个道路路段是否属于某个类型道路路段,因此可以转换成一类分类问题,下面简单介绍其原理。
给定训练样本集D={(x1,y1),(x2,y2)...(xi,yi)},yi∈{-1,+1},其中xi代表第i个样本的特征向量,yi代表所属类别。
图9是根据本发明实施例的一种可选的划分象限的示意图,如图9所示,首先假定样本数据线性可分,分类学习主要是通过训练集D在样本空间中找到一个划分超平面,将不同类别的样本分开。通过观察图9可以发现,分类学习的过程是一个普通二类分类问题。这个划分超平面可以通过如下线性方程来描述:y=wx+t,其中,w为法向量,决定了超平面的方向;b为位移量,决定了超平面和原点间的距离。
定义样本空间中样本点(xi,yi)到超平面(w,t)的几何间隔为:
图10是根据本发明实施例的一种可选的分类间隔最大化的示意图,如图10所示,超平面(w,t)关于样本点(xi,yi)的几何间隔物理意义也就是样本点到超平面的距离。支持向量机学习的基本思想是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。因此得到下面的线性可分支持向量机学习的最优化问题:
可转化成:
s.t.yi(wxi+t)-1≥0,i-1,2,...,N
这样就得到了一个凸二次规划问题,可进一步应用拉格朗日对偶性将问题转化成对偶问题并求解。而对于线性不可分问题,可以应用核函数将问题转换成线性可分问题,或对每个样本点引入松弛变量后进行求解。而对SVM算法进行扩展可以将其应用到一分类问题中,得到了一类支持向量机(One-class SVM)。它主要通过核函数将原始数据集映射到更高维度的特征空间中,将一分类问题转换成二分类问题进行求解。
因此,本方案将大量已知某类型的路段作为正类样本(y=+1)、其他类型的路段作为负类样本(y=-1),提取道路路段特征并进行归一化,得到训练样本特征向量(x),进行训练即可得到一个能够判别新的道路路段是否具有某一属性的一类SVM判别模型。
可选地,根据要判断的属性类型,使用上述的方法训练出不同的模型,然后将新的无属性输入到模型中,根据输入结果判断路段的类型。
本方案能够自动检测一些可能缺少属性数据的道路路段的类型,提高了数据精度,为用户导航中的诱导计算提供了便利。
可选地,在上述实施例中,数据特征能够进行扩充。
可选地,可以尝试其他的分类模型,或通过无监督聚类方式自动识别类似的路段。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述道路路段类型的确定方法的道路类型的确定装置。图11是根据本发明实施例的一种可选的道路路段类型的确定装置的示意图,如图11所示,该装置可以包括:第一接收单元1101,用于接收类型确定请求,其中,类型确定请求用于请求确定道路中的第一路段的类型,第一路段的类型处于待确定状态;获取单元1103,用于获取第一路段的属性数据;确定单元1105,用于利用已训练完成的目标分类模型确定第一路段的属性数据所对应的第一路段的类型,其中,目标分类模型用于指示路段的属性数据与路段的类型之间的对应关系。
需要说明的是,该实施例中的第一接收单元1101可以用于执行本申请实施例1中的步骤S202,该实施例中的获取单元1103可以用于执行本申请实施例1中的步骤S204,该实施例中的确定单元1105可以用于执行本申请实施例1中的步骤S206。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图4所示的硬件环境中,可以通过软件实现,也可以通过硬件实现。
作为一种可选的实施例,该实施例还可以包括:训练单元,用于在接收类型确定请求之前,利用道路中的第二路段的属性数据与第二路段的类型之间的对应关系进行分类训练,得到目标分类模型,其中,第二路段的类型处于已确定状态,在进行分类训练时,输入参数为第二路段的属性数据,输出参数用于指示第二路段的类型。
作为一种可选的实施例,第二路段包括第一类型路段和第二类型路段,第一类型路段的类型与第一路段的类型相同,第二类型路段的类型与第一路段的类型不同,其中,训练单元可以包括:训练模块,用于利用第一类型路段的属性数据与第一类型路段的类型之间的对应关系以及第二类型路段的属性数据与第二类型路段的类型之间的对应关系进行分类训练,得到目标分类模型,其中,在进行分类训练时,第一类型路段的数量大于第二类型路段的数量。
作为一种可选的实施例,确定单元可以包括:设置模块,用于将目标分类模型的输入参数设置为第一路段的属性数据,得到目标分类模型的目标输出参数;第一确定模块,用于在目标输出参数与第一输出参数相匹配的情况下,将第一类型路段的类型确定为第一路段的类型,其中,第一输出参数为将目标分类模型的输入参数设置为第一类型路段的属性数据后目标分类模型的输出参数;第二确定模块,用于在目标输出参数与第二输出参数相匹配的情况下,将第二类型路段的类型确定为第二路段的类型,其中,第二输出参数为将目标分类模型的输入参数设置为第二类型路段的属性数据后目标分类模型的输出参数。
作为一种可选的实施例,训练单元可以包括:获取模块,用于获取训练样本集D{(X1,Y1),(X2,Y2)…(Xi,Yi)},其中,Xi表示第i个第二路段的属性数据所对应的特征向量,Yi表示第i个第二路段的类型;第三确定模块,用于利用训练样本集确定目标分类模型中的第一参数w的取值和第二参数t的取值,其中,目标分类模型通过以下公式表示:Y=w X+t,其中,公式用于表示目标分类模型对应的划分超平面,划分超平面用于将训练样本集中的样本进行分类,第一参数w表示法向量,法向量用于指示划分超平面的方向,第二参数t表示位移量,位移量用于指示划分超平面到划分超平面所在直角坐标系中的原点的距离。
作为一种可选的实施例,第三确定模块可以包括:设置子模块,用于将X设置为第一路段的属性数据所对应的特征向量,并通过公式获得Y的取值,其中,公式中的第一参数w的取值和第二参数t的取值已确定;确定子模块,用于在Y的取值为预定值时,将Y的取值所对应的类型确定为第一路段的类型。
作为一种可选的实施例,确定子模块可以包括:第一确定子模块,在Y的取值为大于0的整数的情况下,将第二路段的类型确定为第一路段的类型,其中,Y的取值所对应的类型为第二路段的类型;第二确定子模块,用于在Y的取值为小于0的整数的情况下,利用已训练完成的其他分类模型确定第一路段的类型。
作为一种可选的实施例,该实施例还可以包括:第二接收单元,用于在利用目标分类模型确定第一路段的属性数据所对应的第一路段的类型之后,接收客户端发送的数据请求,其中,数据请求用于请求第一路段的类型;发送单元,用于将第一路段的类型发送给客户端进行显示。
通过上述模块,实现了自动确定类型处于待确定状态的路段的类型,解决了相关技术采用人工方式收集路段缺失的属性数据来确定该路段的类型所导致的耗时耗力的技术问题,进而达到快速、准确地确定缺失属性数据的路段的类型的技术效果。
实施例3
根据本发明实施例,还提供了一种用于实施上述道路路段类型的确定方法的电子装置。
图12是根据本发明实施例的一种电子装置的结构框图,如图12所示,该电子装置可以包括:一个或多个(图中仅示出一个)处理器201、存储器203、以及传输装置205,如图12所示,该电子装置还可以包括输入输出设备207。
其中,存储器203可用于存储软件程序以及模块,如本发明实施例中的道路类型的确定方法和装置对应的程序指令/模块,处理器201通过运行存储在存储器203内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的道路类型的确定方法。存储器203可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器203可进一步包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置205用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置205包括一个网络适配器(NetworkInterface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置205为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
其中,具体地,存储器203用于存储应用程序。
处理器201可以调用存储器203存储的应用程序,以执行下述步骤:接收类型确定请求,其中,类型确定请求用于请求确定道路中的第一路段的类型,第一路段的类型处于待确定状态;获取第一路段的属性数据;利用已训练完成的目标分类模型确定第一路段的属性数据所对应的第一路段的类型,其中,目标分类模型用于指示路段的属性数据与路段的类型之间的对应关系。
处理器201还用于执行下述步骤:在接收类型确定请求之前,利用道路中的第二路段的属性数据与第二路段的类型之间的对应关系进行分类训练,得到目标分类模型,其中,第二路段的类型处于已确定状态,在进行分类训练时,输入参数为第二路段的属性数据,输出参数用于指示第二路段的类型。
处理器201还用于执行下述步骤:利用第一类型路段的属性数据与第一类型路段的类型之间的对应关系以及第二类型路段的属性数据与第二类型路段的类型之间的对应关系进行分类训练,得到目标分类模型,其中,在进行分类训练时,第一类型路段的数量大于第二类型路段的数量。
处理器201还用于执行下述步骤:将目标分类模型的输入参数设置为第一路段的属性数据,得到目标分类模型的目标输出参数;在目标输出参数与第一输出参数相匹配的情况下,将第一类型路段的类型确定为第一路段的类型,其中,第一输出参数为将目标分类模型的输入参数设置为第一类型路段的属性数据后目标分类模型的输出参数;在目标输出参数与第二输出参数相匹配的情况下,将第二类型路段的类型确定为第二路段的类型,其中,第二输出参数为将目标分类模型的输入参数设置为第二类型路段的属性数据后目标分类模型的输出参数。
处理器201还用于执行下述步骤:获取训练样本集D{(X1,Y1),(X2,Y2)…(Xi,Yi)},其中,Xi表示第i个第二路段的属性数据所对应的特征向量,Yi用于指示第i个第二路段的类型;利用训练样本集确定目标分类模型中的第一参数w的取值和第二参数t的取值,其中,目标分类模型通过以下公式表示:Y=w X+t,公式用于表示目标分类模型对应的划分超平面,划分超平面用于将训练样本集中的样本进行分类,第一参数w表示法向量,法向量用于指示划分超平面的方向,第二参数t表示位移量,位移量用于指示划分超平面到划分超平面所在直角坐标系中的原点的距离。
处理器201还用于执行下述步骤:将X设置为第一路段的属性数据所对应的特征向量,并通过公式获得Y的取值,其中,公式中的第一参数w的取值和第二参数t的取值已确定;在Y的取值为预定值时,将Y的取值所对应的类型确定为第一路段的类型。
处理器201还用于执行下述步骤:在Y的取值为大于0的整数的情况下,将第二路段的类型确定为第一路段的类型,其中,Y的取值所对应的类型为第二路段的类型;在Y的取值为小于0的整数的情况下,利用已训练完成的其他分类模型确定第一路段的类型。
处理器201还用于执行下述步骤:在利用目标分类模型确定第一路段的属性数据所对应的第一路段的类型之后,接收客户端发送的数据请求,其中,数据请求用于请求第一路段的类型;将第一路段的类型发送给客户端进行显示。
采用本发明实施例,提供了一种道路类型的确定方案。该方案在接收到类型确定请求之后可以通过获取第一路段的属性数据,然后利用指示路段的属性数据与路段的类型之间的对应关系的已训练完成的目标分类模型确定第一路段的属性数据对应的第一路段的类型,实现了自动确定类型处于待确定状态的路段的类型,解决了相关技术采用人工方式收集路段缺失的属性数据来确定该路段的类型所导致的耗时耗力的技术问题,进而达到快速、准确地确定缺失属性数据的路段的类型的技术效果。
可选地,本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图12所示的结构仅为示意,电子装置可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图12其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图12中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图12所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例4
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行道路类型的确定方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
S1,接收类型确定请求,其中,类型确定请求用于请求确定道路中的第一路段的类型,第一路段的类型处于待确定状态;
S2,获取第一路段的属性数据;
S3,利用已训练完成的目标分类模型确定第一路段的属性数据所对应的第一路段的类型,其中,目标分类模型用于指示路段的属性数据与路段的类型之间的对应关系。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:在接收类型确定请求之前,利用道路中的第二路段的属性数据与第二路段的类型之间的对应关系进行分类训练,得到目标分类模型,其中,第二路段的类型处于已确定状态,在进行分类训练时,输入参数为第二路段的属性数据,输出参数用于指示第二路段的类型。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:利用第一类型路段的属性数据与第一类型路段的类型之间的对应关系以及第二类型路段的属性数据与第二类型路段的类型之间的对应关系进行分类训练,得到目标分类模型,其中,在进行分类训练时,第一类型路段的数量大于第二类型路段的数量。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:将目标分类模型的输入参数设置为第一路段的属性数据,得到目标分类模型的目标输出参数;在目标输出参数与第一输出参数相匹配的情况下,将第一类型路段的类型确定为第一路段的类型,其中,第一输出参数为将目标分类模型的输入参数设置为第一类型路段的属性数据后目标分类模型的输出参数;在目标输出参数与第二输出参数相匹配的情况下,将第二类型路段的类型确定为第二路段的类型,其中,第二输出参数为将目标分类模型的输入参数设置为第二类型路段的属性数据后目标分类模型的输出参数。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:获取第二模型的训练样本集D{(X1,Y1),(X2,Y2)…(Xi,Yi)},其中,Xi表示第i个第二路段的属性数据所对应的特征向量,Yi用于指示第i个第二路段的类型;利用训练样本集确定目标分类模型中的第一参数w的取值和第二参数t的取值,其中,目标分类模型通过以下公式表示:Y=w X+t,公式用于表示目标分类模型对应的划分超平面,划分超平面用于将训练样本集中的样本进行分类,第一参数w表示法向量,法向量用于指示划分超平面的方向,第二参数t表示位移量,位移量用于指示划分超平面到划分超平面所在直角坐标系中的原点的距离。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:将X设置为第一路段的属性数据所对应的特征向量,并通过公式获得Y的取值,其中,公式中的第一参数w的取值和第二参数t的取值已确定;在Y的取值为预定值时,将Y的取值所对应的类型确定为第一路段的类型。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:在Y的取值为大于0的整数的情况下,将第二路段的类型确定为第一路段的类型,其中,Y的取值所对应的类型为第二路段的类型;在Y的取值为小于0的整数的情况下,利用已训练完成的其他分类模型确定第一路段的类型。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:在利用目标分类模型确定第一路段的属性数据所对应的第一路段的类型之后,接收客户端发送的数据请求,其中,数据请求用于请求第一路段的类型;将第一路段的类型发送给客户端进行显示。
可选地,本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的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存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种道路路段类型的确定方法,其特征在于,包括:
接收地图导航应用发送的类型确定请求,其中,所述类型确定请求用于请求确定道路中的第一路段的类型,所述第一路段的类型处于待确定状态;
获取所述第一路段的属性数据,其中,所述第一路段的属性数据中包含所述第一路段在道路中的基本属性特征和/或路段结构特征,所述基本属性特征用于指示路段的自身的基本属性,所述路段结构特征用于指示路段的出入边的特征;
将所述第一路段的属性数据输入已训练完成的目标分类模型,根据所述目标分类模型的输出确定所述第一路段的类型,其中,所述目标分类模型为利用已知路段类型的第二路段的属性数据及所述第二路段的类型之间的对应关系生成的分类判别模型,用于指示路段的属性数据与路段的类型之间的对应关系,所述目标分类模型为二分类分类器;
在所述目标分类模型未确定出所述第一路段的类型的情况下,利用已训练完成的下一个分类模型确定所述第一路段的属性数据所对应的所述第一路段的类型,其中,所述目标分类模型与所述下一个分类模型分别用于分类识别不同的路段类型。
2.根据权利要求1所述的方法,其特征在于,在所述接收地图导航应用发送的类型确定请求之前,所述方法还包括:
利用道路中的第二路段的属性数据与所述第二路段的类型之间的对应关系进行分类训练,得到所述目标分类模型,其中,所述第二路段的类型处于已确定状态,在进行所述分类训练时,输入参数为所述第二路段的属性数据,输出参数用于指示所述第二路段的类型。
3.根据权利要求2所述的方法,其特征在于,所述第二路段包括第一类型路段和第二类型路段,所述第一类型路段的类型与所述第一路段的类型相同,所述第二类型路段的类型与所述第一路段的类型不同,其中,所述利用道路中的第二路段的属性数据与所述第二路段的类型之间的对应关系进行分类训练,得到所述目标分类模型包括:
利用所述第一类型路段的属性数据与所述第一类型路段的类型之间的对应关系以及所述第二类型路段的属性数据与所述第二类型路段的类型之间的对应关系进行分类训练,得到所述目标分类模型,其中,在进行所述分类训练时,所述第一类型路段的数量大于所述第二类型路段的数量。
4.根据权利要求3所述的方法,其特征在于,所述将所述第一路段的属性数据输入已训练完成的目标分类模型,根据所述目标分类模型的输出确定所述第一路段的类型包括:
将所述目标分类模型的输入参数设置为所述第一路段的属性数据,得到所述目标分类模型的目标输出参数;
在所述目标输出参数与第一输出参数相匹配的情况下,将所述第一类型路段的类型确定为所述第一路段的类型,其中,所述第一输出参数为将所述目标分类模型的输入参数设置为所述第一类型路段的属性数据后所述目标分类模型的输出参数;
在所述目标输出参数与第二输出参数相匹配的情况下,将所述第二类型路段的类型确定为所述第二路段的类型,其中,所述第二输出参数为将所述目标分类模型的输入参数设置为所述第二类型路段的属性数据后所述目标分类模型的输出参数。
5.根据权利要求2所述的方法,其特征在于,所述利用道路中的第二路段的属性数据与所述第二路段的类型之间的对应关系进行分类训练,得到所述目标分类模型包括:
获取训练样本集D{(X1,Y1),(X2,Y2)…(Xi,Yi)},其中,Xi表示第i个所述第二路段的属性数据所对应的特征向量,Yi用于指示第i个所述第二路段的类型;
利用所述训练样本集确定所述目标分类模型中的第一参数w的取值和第二参数t的取值,其中,所述目标分类模型通过以下公式表示:
Y=w X+t
其中,所述公式用于表示所述目标分类模型对应的划分超平面,所述划分超平面用于将所述训练样本集中的样本进行分类,所述第一参数w表示法向量,所述法向量用于指示所述划分超平面的方向,所述第二参数t表示位移量,所述位移量用于指示所述划分超平面到所述划分超平面所在直角坐标系中的原点的距离。
6.根据权利要求5所述的方法,其特征在于,所述将所述第一路段的属性数据输入已训练完成的目标分类模型,根据所述目标分类模型的输出确定所述第一路段的类型包括:
将所述X设置为所述第一路段的属性数据所对应的特征向量,并通过所述公式获得所述Y的取值,其中,所述公式中的所述第一参数w的取值和所述第二参数t的取值已确定;
在所述Y的取值为预定值时,将所述Y的取值所对应的类型确定为所述第一路段的类型。
7.根据权利要求6所述的方法,其特征在于,所述在所述Y的取值为预定值时,将所述Y的取值所对应的类型确定为所述第一路段的类型包括:
在所述Y的取值为大于0的整数的情况下,将所述第二路段的类型确定为所述第一路段的类型,其中,所述Y的取值所对应的类型为所述第二路段的类型;
在所述Y的取值为小于0的整数的情况下,利用已训练完成的其他分类模型确定所述第一路段的类型。
8.根据权利要求1至7中任一项所述的方法,其特征在于,在将所述第一路段的属性数据输入已训练完成的目标分类模型,根据所述目标分类模型的输出确定所述第一路段的类型之后,所述方法还包括:
接收客户端发送的数据请求,其中,所述数据请求用于请求所述第一路段的类型;
将所述第一路段的类型发送给所述客户端进行显示。
9.一种道路路段类型的确定装置,其特征在于,包括:
第一接收单元,用于接收地图导航应用发送的类型确定请求,其中,所述类型确定请求用于请求确定道路中的第一路段的类型,所述第一路段的类型处于待确定状态;
获取单元,用于获取所述第一路段的属性数据,其中,所述第一路段的属性数据中包含所述第一路段在道路中的基本属性特征和/或路段结构特征,所述基本属性特征用于指示路段的自身的基本属性,所述路段结构特征用于指示路段的出入边的特征;
确定单元,用于将所述第一路段的属性数据输入已训练完成的目标分类模型,根据所述目标分类模型的输出确定所述第一路段的类型,其中,所述目标分类模型为利用已知路段类型的第二路段的属性数据及所述第二路段的类型之间的对应关系生成的分类判别模型,用于指示路段的属性数据与路段的类型之间的对应关系,所述目标分类模型为二分类分类器;在所述目标分类模型未确定出所述第一路段的类型的情况下,利用已训练完成的下一个分类模型确定所述第一路段的属性数据所对应的所述第一路段的类型,其中,所述目标分类模型与所述下一个分类模型分别用于分类识别不同的路段类型。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
训练单元,用于在接收类型确定请求之前,利用道路中的第二路段的属性数据与所述第二路段的类型之间的对应关系进行分类训练,得到所述目标分类模型,其中,所述第二路段的类型处于已确定状态,在进行所述分类训练时,输入参数为所述第二路段的属性数据,输出参数用于指示所述第二路段的类型。
11.根据权利要求10所述的装置,其特征在于,所述第二路段包括第一类型路段和第二类型路段,所述第一类型路段的类型与所述第一路段的类型相同,所述第二类型路段的类型与所述第一路段的类型不同,其中,所述训练单元包括:
训练模块,用于利用所述第一类型路段的属性数据与所述第一类型路段的类型之间的对应关系以及所述第二类型路段的属性数据与所述第二类型路段的类型之间的对应关系进行分类训练,得到所述目标分类模型,其中,在进行所述分类训练时,所述第一类型路段的数量大于所述第二类型路段的数量。
12.根据权利要求11所述的装置,其特征在于,所述确定单元包括:
设置模块,用于将所述目标分类模型的输入参数设置为所述第一路段的属性数据,得到所述目标分类模型的目标输出参数;
第一确定模块,用于在所述目标输出参数与第一输出参数相匹配的情况下,将所述第一类型路段的类型确定为所述第一路段的类型,其中,所述第一输出参数为将所述目标分类模型的输入参数设置为所述第一类型路段的属性数据后所述目标分类模型的输出参数;
第二确定模块,用于在所述目标输出参数与第二输出参数相匹配的情况下,将所述第二类型路段的类型确定为所述第二路段的类型,其中,所述第二输出参数为将所述目标分类模型的输入参数设置为所述第二类型路段的属性数据后所述目标分类模型的输出参数。
13.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行所述权利要求1至8任一项中所述的方法。
14.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710583365.5A CN108304852B (zh) | 2017-07-17 | 2017-07-17 | 道路路段类型的确定方法、装置以及存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710583365.5A CN108304852B (zh) | 2017-07-17 | 2017-07-17 | 道路路段类型的确定方法、装置以及存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108304852A CN108304852A (zh) | 2018-07-20 |
CN108304852B true CN108304852B (zh) | 2022-09-13 |
Family
ID=62872640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710583365.5A Active CN108304852B (zh) | 2017-07-17 | 2017-07-17 | 道路路段类型的确定方法、装置以及存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304852B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190587B (zh) * | 2018-09-19 | 2021-03-26 | 宽凳(北京)科技有限公司 | 对车道线数据正确率和召回率进行评估的方法和系统 |
CN112798005B (zh) * | 2021-01-06 | 2022-06-10 | 腾讯科技(深圳)有限公司 | 一种道路数据的处理方法以及相关装置 |
CN114140903B (zh) * | 2021-08-02 | 2024-03-19 | 南斗六星系统集成有限公司 | 一种基于决策树生成规则的道路类型识别车载装置 |
CN113761099B (zh) * | 2021-09-13 | 2023-07-14 | 湖南科技大学 | 一种志愿者地理信息道路类型预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183259A (zh) * | 2011-03-17 | 2011-09-14 | 光庭导航数据(武汉)有限公司 | 基于电子地图道路特征识别的导航方法 |
CN106205161A (zh) * | 2016-07-09 | 2016-12-07 | 腾讯科技(深圳)有限公司 | 路况信息传输方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009043309A1 (de) * | 2009-02-26 | 2010-09-16 | Navigon Ag | Verfahren und Navigationseinrichtung zur Ermittlung der voraussichtlichen Fahrzeit |
JP5482167B2 (ja) * | 2009-12-10 | 2014-04-23 | アイシン・エィ・ダブリュ株式会社 | 車両用走行案内装置、車両用走行案内方法及びコンピュータプログラム |
CN101907088B (zh) * | 2010-05-27 | 2012-07-04 | 中国人民解放军国防科学技术大学 | 基于单类支持向量机的故障诊断方法 |
CN103577790B (zh) * | 2012-07-26 | 2016-06-01 | 株式会社理光 | 道路转弯类型检测方法和装置 |
CN105740793B (zh) * | 2016-01-26 | 2019-12-20 | 哈尔滨工业大学深圳研究生院 | 基于路面颠簸情况和道路类型识别的自动调速方法与系统 |
CN106295607A (zh) * | 2016-08-19 | 2017-01-04 | 北京奇虎科技有限公司 | 道路识别方法及装置 |
-
2017
- 2017-07-17 CN CN201710583365.5A patent/CN108304852B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183259A (zh) * | 2011-03-17 | 2011-09-14 | 光庭导航数据(武汉)有限公司 | 基于电子地图道路特征识别的导航方法 |
CN106205161A (zh) * | 2016-07-09 | 2016-12-07 | 腾讯科技(深圳)有限公司 | 路况信息传输方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108304852A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109426801B (zh) | 一种车道线实例检测方法和装置 | |
CN108304852B (zh) | 道路路段类型的确定方法、装置以及存储介质、电子装置 | |
CN112085952B (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
EP3550473A1 (en) | Character identification method and device | |
CN109886222B (zh) | 人脸识别方法、神经网络训练方法、装置及电子设备 | |
EP4044146A1 (en) | Method and apparatus for detecting parking space and direction and angle thereof, device and medium | |
CN110502982A (zh) | 一种检测高速公路中障碍物的方法、装置及计算机设备 | |
CN110517500B (zh) | 一种人车关联处理方法及装置 | |
CN107944425A (zh) | 道路标志的识别方法和装置 | |
CN110826484A (zh) | 车辆重识别的方法、装置、计算机设备及模型训练方法 | |
CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN115797403A (zh) | 交通事故预测方法和装置、存储介质及电子设备 | |
CN112001378A (zh) | 基于特征空间的车道线处理方法、装置、车载终端和介质 | |
CN110619280B (zh) | 一种基于深度联合判别学习的车辆重识别方法及装置 | |
CN116467615A (zh) | 车辆轨迹的聚类方法和装置、存储介质和电子装置 | |
CN110909656A (zh) | 一种雷达与摄像机融合的行人检测方法和系统 | |
CN113313110A (zh) | 一种车牌类型识别模型构建及车牌类型识别方法 | |
CN102609732B (zh) | 基于泛化视觉词典图的物体识别方法 | |
CN112036362A (zh) | 图像处理方法、装置、计算机设备和可读存储介质 | |
CN112163521A (zh) | 一种车辆行驶行为的识别方法、装置及设备 | |
CN113743359B (zh) | 车辆重识别方法、模型训练方法及相关装置 | |
CN117216249A (zh) | 数据分类方法、装置、电子设备、介质及车辆 | |
CN114627319A (zh) | 目标数据的上报方法、装置、存储介质及电子装置 | |
CN110874602A (zh) | 一种图像识别方法及装置 | |
CN116033544A (zh) | 室内停车场定位方法、计算机设备、存储介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |