CN109033395A - 确定路段的方法及装置 - Google Patents
确定路段的方法及装置 Download PDFInfo
- Publication number
- CN109033395A CN109033395A CN201810864175.5A CN201810864175A CN109033395A CN 109033395 A CN109033395 A CN 109033395A CN 201810864175 A CN201810864175 A CN 201810864175A CN 109033395 A CN109033395 A CN 109033395A
- Authority
- CN
- China
- Prior art keywords
- section
- preset shape
- undetermined
- point
- motion profile
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种确定路段的方法及装置,方法包括:基于已收集的运动轨迹确定预设形状的路段;对预设形状的路段进行分类,以得到至少一个类簇;针对至少一个类簇中的每一个类簇,确定该类簇中每两个预设形状的路段之间的相似度;基于该相似度确定符合预设条件的路段。该预设条件的路段可以是用户常走的热门路段,由于在从已收集的运动轨迹中提取出预设形状的路段后,通过对路段进行分类,以将相似性比较高的路段分配到同一个类簇中,进一步再基于每个类簇包含的预设形状的路段之间的相似度确定符合预设条件的路段,最终采集到真正的热门路段,因此本申请充分利用了已有的运动轨迹数据,并且采集到的热门路段的准确度比较高。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种确定路段的方法及装置。
背景技术
随着具备定位功能的智能设备(如智能手机、智能可穿戴设备等)的普及,越来越多的人借助这些智能设备来记录运动轨迹。这些运动轨迹中通常会存在一些用户常走的比较热门的路段,如果能够采集到这些热门路段,就可以根据用户的位置推荐附近的热门路段,并且还可以围绕热门路段开展线上赛、线下跑等社交活动。
相关技术中,通过将用户创建并上传的路段作为热门路段,然而这种依赖于用户创建并上传路段的方式,并未充分利用已有的大量运动轨迹数据,因此其可能并不是真正的热门路段。
发明内容
有鉴于此,本申请提供一种确定路段的方法及装置,以解决相关技术依赖用户创建并上传路段的方式不够准确的问题。
根据本申请实施例的第一方面,提供一种确定路段的方法,所述方法包括:
基于已收集的运动轨迹确定预设形状的路段;
对所述预设形状的路段进行分类,得到至少一个类簇;
针对所述至少一个类簇中的每一个类簇,确定该类簇中每两个预设形状的路段之间的相似度;
基于所述相似度确定符合预设条件的路段。
根据本申请实施例的第二方面,提供一种确定路段的装置,所述装置包括:
第一确定模块,用于基于已收集的运动轨迹确定预设形状的路段;
分类模块,用于对所述预设形状的路段进行分类,得到至少一个类簇;
第二确定模块,用于针对所述至少一个类簇中的每一个类簇,确定该类簇中每两个预设形状的路段之间的相似度;
第三确定模块,用于基于所述相似度确定符合预设条件的路段。
根据本申请实施例的第三方面,提供一种电子设备,所述设备包括可读存储介质和处理器;
其中,所述可读存储介质,用于存储机器可执行指令;
所述处理器,用于读取所述可读存储介质上的所述机器可执行指令,并执行所述指令以实现上述所述的确定路段的方法的步骤。
应用本申请实施例,可以基于已收集的运动轨迹确定预设形状的路段,并对预设形状的路段进行分类,以得到至少一个类簇,然后针对至少一个类簇中的每一个类簇,确定该类簇中每两个预设形状的路段之间的相似度,并基于该相似度再确定符合预设条件的路段,从而实现从大量运动轨迹中批量挖掘符合预设条件的路段,即用户常走的热门路段。由于在从已收集的运动轨迹中提取出预设形状的路段后,通过对路段进行分类,以将相似性比较高的路段划分到同一个类簇,最后进一步在每个类簇中,基于预设形状的路段之间的相似度相似度确定符合预设条件的路段,最终采集到真正的热门路段,因此本申请充分利用了已有的运动轨迹数据,并且采集到的热门路段的准确度也比较高。
附图说明
图1为本申请根据一示例性实施例示出的一种确定路段的方法的实施例流程图;
图2为本申请根据一示例性实施例示出的另一种确定路段的方法的实施例流程图;
图3A为本申请根据一示例性实施例示出的又一种确定路段的方法的实施例流程图;
图3B为本申请根据图3A所示实施例示出的一种起点位置和终点位置不重合的两个环形路段;
图4为本申请根据一示例性实施例示出的一种确定路段的装置的实施例结构图;
图5为本申请根据一示例性实施例示出的一种电子设备的硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
目前,关于热门路段的采集,是依赖于各用户自行创建并上传的路段。由于用户自行上传的路段并未充分利用已有的大量运动轨迹数据,因此采集到的热门路段的数量和质量均无法得到保证。
基于此,为了提高采集热门路段的准确度,通过收集大量的运动轨迹,并基于已收集的运动轨迹确定预设形状的路段,然后对预设形状的路段进行分类,以得到多个类簇,最后针对每个类簇,确定该类簇包含的预设形状的路段与该类簇包含的其它预设形状的路段之间的相似度,并基于该相似度确定符合预设条件的路段,从而实现在已有的运动轨迹数据中采集热门路段的过程,使得采集的热门路段更加准确。
下面以具体实施例对本申请的技术方案进行详细阐述。
图1为本申请根据一示例性实施例示出的一种确定路段的方法的实施例流程图,如图1所示,该确定路段的方法包括如下步骤:
步骤101:基于已收集的运动轨迹确定预设形状的路段。
在一实施例中,可以从所有用户上传的运动轨迹中选取预设数量的运动轨迹作为已收集的运动轨迹,或者将所有用户上传的运动轨迹确定为已收集的运动轨迹。
其中,运动轨迹指的是用户跑步或散步所走的路线,每个运动轨迹由多个点组成,每个点的坐标由经度和纬度表示。
在一实施例中,在基于已收集的运动轨迹确定预设形状的路段之前,可以针对已收集的运动轨迹中的每一个运动轨迹,基于该运动轨迹上相邻点之间的距离进行点距调整,使得运动轨迹上的点距分布均匀,以避免点距不均匀对后续预设形状的路段确定的影响。
例如,针对该运动轨迹中的每一个点,计算该点与下一个点之间的距离,若该距离小于低阈值,则删除下一个点,并返回执行计算该点与下一个点之间的距离的步骤;若该距离大于高阈值,则基于该点与下一个点的坐标值在该点与下一个点之间增加一个点,并将增加的点作为该点的下一个点,返回执行计算该点与下一个点之间的距离的步骤,最终将该运动轨迹上相邻点之间的距离均调整到低阈值与高阈值之间。其中,低阈值与高阈值之间的范围指的是可以容忍的点距范围。
针对基于已收集的运动轨迹确定预设形状的路段的过程,可以参见下述图2所示实施例的描述,在此暂不详述。
步骤102:对预设形状的路段进行分类,得到至少一个类簇。
在一实施例中,在对预设形状的路段进行分类,得到至少一个类簇之前,可以将预设形状的路段分配到对应的地理分块中,并针对每个地理分块,确定该地理分块包含的预设形状的路段的数量,若该数量小于第一预设数量,则将该地理分块删除,以去除非热门地理分块,提高最终提取的热门路段的准确度。
在一个例子中,针对将预设形状的路段分配到对应的地理分块中的过程,计算每个预设形状的路段上所有点的平均经纬度,然后针对每个预设形状的路段对应的平均经纬度,将该平均经纬度输入地理分块算法(如Geohash、Google S2等算法),由地理分块算法输出该预设形状的路段所属的地理分块的标识。
在另一个例子中,若数量小于第一预设数量,表示各用户不经常在该地理分块范围内活动,该地理分块属于非热门地理分块,可以过滤掉该地理分块,若数量大于第一预设数量,表示各用户经常在该地理分块范围内活动,该地理分块属于热门地理分块,可以保留该地理分块,以用于后续从各地理分块包含的预设形状的路段中提取热门路段。
在一实施例中,可以并行对每个地理分块包含的预设形状的路段进行分类,然后再确定每个类簇包含的预设形状的路段的数量,并确定包含的预设形状的路段的数量小于第二预设数量的类簇,并删除确定的类簇。由于采用并行方式,对每个地理分块包含的预设形状的路段分类,因此可以降低分类复杂度,提高分类效率。
其中,可以通过层次聚类算法对每个地理分块包含的预设形状的路段进行分类,得到的每个类簇中包含的各预设形状的路段之间的相似度比较高。在分类之后,进一步将包含的预设形状的路段的数量小于第二预设数量的类簇过滤掉,以提高最终提取的热门路段的准确度。
步骤103:针对至少一个类簇中的每一个类簇,确定该类簇中每两个预设形状的路段之间的相似度。
针对步骤103的过程,可以参见下述图3A所示实施例的描述,在此暂不详述。
在一实施例中,也可以获取上述步骤102中通过层次聚类算法得到的该类簇中每两个预设形状的路段之间的相似度。
步骤104:基于该相似度确定符合预设条件的路段。
在一实施例中,可以针对每个类簇,确定该类簇中每个预设形状的路段与该类簇中其它预设形状的路段之间相似度的平均相似度,并将最大的平均相似度对应的预设形状的路段确定为符合预设条件的路段,从而针对每个类簇都可以得到一个符合预设条件的路段,该符合预设条件的路段即为用户常走的热门路段。
在一示例性场景中,假设某一类簇包含了3个预设形状的路段L1、L2、L3,该类簇中每两个路段之间的相似度有S12、S13、S23,针对L1,可以得到与其它路段L2、L3之间的相似度的平均相似度为Sa=0.5*(S12+S13),针对L2,可以得到与其它路段L1、L3之间的相似度的平均相似度为Sb=0.5*(S12+S23),针对L3,可以得到与其它路段L1、L2之间的相似度的平均相似度为Sc=0.5*(S13+S23),假设Sa、Sb、Sc中的最大值为Sc,那么可以将Sc对应的路段L3确定为符合预设条件的路段。
本申请实施例中,可以基于已收集的运动轨迹确定预设形状的路段,并对预设形状的路段进行分类,以得到至少一个类簇,然后针对至少一个类簇中的每一个类簇,确定该类簇中每两个预设形状的路段之间的相似度,并基于该相似度再确定符合预设条件的路段,从而实现从大量运动轨迹中批量挖掘符合预设条件的路段,该预设条件的路段可以是用户常走的热门路段。由于在从已收集的运动轨迹中提取出预设形状的路段后,通过对路段进行分类,以将相似性比较高的路段分配到同一个类簇中,进一步再基于每个类簇包含的预设形状的路段之间的相似度确定符合预设条件的路段,最终采集到真正的热门路段,因此本申请充分利用了已有的运动轨迹数据,并且采集到的热门路段的准确度也比较高。
图2为本申请根据一示例性实施例示出的另一种确定路段的方法的实施例流程图,基于上述图1所示实施例的基础上,以如何基于已收集的运动轨迹确定预设形状的路段为例进行示例性说明,如图2所示,该确定路段的方法可包括如下步骤:
步骤201:针对已收集的运动轨迹中的每一个运动轨迹,从该运动轨迹上确定一个待定路段,确定的待定路段由该运动轨迹上相邻两点组成。
在一实施例中,可以将运动轨迹的起始点和起始点的下一个点之间的路段确定为待定路段。
步骤202:确定该待定路段的起点是否在该运动轨迹包含的已确定的预设形状的路段中,若该待定路段的起点未在该运动轨迹包含的已确定的预设形状的路段中,则执行步骤203,若该待定路段的起点在该运动轨迹包含的已确定的预设形状的路段中,则执行步骤204-步骤206。
步骤203:判断该待定路段的起点和终点是否符合预设形状条件,若符合,则执行步骤207,若不符合,则执行步骤208。
在一实施例中,由于运动轨迹通常是用户从家里出发,到某一场所后绕该场所运动几圈,然后又回到家里,因此运动轨迹中包含的绕场所的路段大致是呈环形形状的,且这种呈环形形状的路段可能是所有用户喜欢运动的路段。基于此,预设形状条件可以是环形形状,即待定路段的起点和终点之间的距离小于门限阈值T1,且起点和终点之间的运动方向夹角的差值绝对值小于门限阈值T2,且待定路段的总长度大于门限阈值T3。
本领域技术人员可以理解的是,针对确定待定路段的起点或终点的运动方向夹角的过程,可以通过在运动轨迹上,将该点与下一个点的连线与预设方向的夹角确定为该点的运动方向夹角,该预设方向可以是正北方向。另外,待定路段的总长度可以是待定路段上每相邻两点之间的距离之和。
步骤204:利用该待定路段的终点更新该待定路段的起点,从该运动轨迹上选取该待定路段的终点的下一个点,并利用该下一个点更新该待定路段的终点。
步骤205:判断该待定路段的终点是否为该运动轨迹上的最后一个点,若不是,则返回执行步骤202,若是,则执行步骤206。
步骤206:结束当前流程。
步骤207:将该待定路段确定为预设形状的路段,并返回执行步骤204。
步骤208:从该运动轨迹上选取该待定路段的起点的前一个点,并利用前一个点更新该待定路段的起点,并返回执行步骤202。
针对上述步骤201至步骤204的过程,假设某一运动轨迹R由n个点组成:P1,P2,P3……Pn,
1)初始化已确定的预设形状的路段的终点的编号m=0,待定路段的起点和终点k=1,i=2;
2)如果k>m(表示待定路段的起点未在运动轨迹包含的已确定的预设形状的路段中),则确定待定路段Pk~Pi是否为预设形状的路段,如果确定是,则输出预设形状的路段Pk~Pi,并利用i更新m,即m=i,执行步骤3);如果确定否,则将k更新为k-1(表示将待定路段的起点往前挪一个点),并再执行步骤2);
如果k≤m(表示待定路段的起点在运动轨迹包含的已确定的预设形状的路段中),则执行步骤3)
3)利用待定路段Pk~Pi的终点更新该待定路段的起点,即起点k=i,从运动轨迹上选取待定路段Pk~Pi的终点的下一个点i+1,并利用下一个点更新该待定路段的终点,即终点i=i+1;
4)如果i≤n,则执行步骤2),如果i>n,则结束当前流程。
至此,完成图2所示流程,通过图2所示流程,最终实现预设形状的路段的确定。
图3A为本申请根据一示例性实施例示出的又一种确定路段的方法的实施例流程图,基于上述图1所示实施例的基础上,以如何确定该类簇中每两个预设形状的路段之间的相似度为例进行示例性说明,本申请实施例中的预设形状为环形形状,如图3A所示,该确定路段的方法可包括如下步骤:
步骤301:针对该类簇中每两个预设形状的路段,对其中的第一预设形状的路段进行扩展。
在一实施例中,由于两个预设形状的路段之间的起点的位置和终点的位置可能不重合,后续在采用动态规划算法计算两个路段之间的相似长度时,会丢失一部分不对应的匹配路段,从而降低了最终的相似度的准确度。如图3B所示,路段La包含点P1,P2,P3...P100,起点和终点分别为P1和P100,路段Lb包含点Q1,Q2,Q3...Q100,起点和终点分别为Q1和Q100,由图3B可知,两个路段的起点的位置和终点的位置不重合,后续在计算两个路段之间的相似长度时,考虑的是开始点为P1Q10~P95Q100之间的相似路段,而P96~P100、Q1~Q9之间的路段丢失。基于此,可以对其中的第一预设形状的路段进行扩展。
其中,对第一预设形状的路段进行的扩展可以是利用该路段上原有的点扩展,即相当于在该路段的基础上再扩展一圈。
在一示例性场景中,两个预设形状的路段分别为Lc和Ld,Lc由m个坐标点P1,P2,P3...Pm组成,Ld由n个坐标点Q1,Q2,Q3...Qn组成,假设将Lc作为第一预设形状的路段,Ld作为第二预设形状的路段,Lc扩展一圈后得到Lc_extended,由2m个坐标点P1,P2,P3...Pm,Pm+1,Pm+2,Pm+3...P2m组成,其中点Pm+1的坐标等于点P1的坐标,点Pm+2的坐标等于点P2的坐标,以此类推,最后点P2m的坐标等于点Pm的坐标。
步骤302:确定扩展后的第一预设形状的路段中每个点与其中的第二预设形状的路段中每个点之间的距离。
步骤303:确定扩展后的第一预设形状的路段中每个点的第一运动方向夹角,及第二预设形状的路段中每个点的第二运动方向夹角,并确定第一运动方向夹角与第二运动方向夹角的差值绝对值。
针对步骤303计算运动方向夹角的过程,可以参见上述步骤203中有关运动方向夹角计算的相关描述,不再赘述。
基于上述步骤301的场景,Lc_extended与Ld之间可以得到一个2m*n大小的距离矩阵M,还可以得到一个2m*n大小的运动方向夹角差矩阵N,其中,M(i,j)表示Lc_extended第i点,Ld第j点,N(i,j)表示Lc_extended第i点,Ld第j点。
需要说明的是,本申请实施例对上述步骤302和步骤303的执行顺序不进行限定,既可以先执行步骤302,也可以先执行步骤303,也可以同时执行步骤302和步骤303。
步骤304:基于该距离和该差值绝对值确定第一预设形状的路段与第二预设形状的路段之间的相似度。
在一实施例中,可以针对所述距离中的每个距离,若该距离小于第一阈值且对应的差值绝对值小于第二阈值,则确定该距离对应的扩展后的第一预设形状的路段的点与第二预设形状的路段的点匹配,然后再根据确定的匹配点确定第一预设形状的路段与第二预设形状的路段之间的相似度。
在一示例性场景中,再如上述图3B所示,假设将路段Lb扩展了一圈,得到的扩展后的路段Lb包含的点为Q1,Q2,Q3...Q100,Q101,Q102,Q103...Q200组成,其中点Q101的坐标等于点Q1的坐标,点Q102的坐标等于点Q2的坐标,以此类推,最后点Q200的坐标等于点Q100的坐标,计算两个路段之间的匹配点有:P1Q10、P2Q11、P3Q12……P95Q100、P96Q101、P97Q102……P100Q109。
在一可选的实现方式中,针对根据确定的匹配点确定第一预设形状的路段与第二预设形状的路段之间的相似度的过程,可以通过动态规划算法,从确定的匹配点中确定最大公共子序列,该最大公共子序列中的每个公共点的坐标,为该个公共点对应的一对匹配点的的平均经度和平均纬度,然后再计算最大公共子序列中相邻公共点之间的距离,并选取大于某一阈值的距离,并将选取的距离之和确定为相似长度,最后基于相似长度确定第一预设形状的路段与第二预设形状的路段之间的相似度,相似度确定公式可以是:S=Dc/(Da+Db–Dc),其中,Da和Db分别表示两个预设形状的路段的长度,Dc表示距离之和。
至此,完成图3A所示流程,通过图3A所示流程,最终实现两个预设形状的路段的之间相似度的确定。
图4为本申请根据一示例性实施例示出的一种确定路段的装置的实施例结构图,如图4所示,所述确定路段的装置包括:
第一确定模块410,用于基于已收集的运动轨迹确定预设形状的路段;
分类模块420,用于对所述预设形状的路段进行分类,得到至少一个类簇;
第二确定模块430,用于针对所述至少一个类簇中的每一个类簇,确定该类簇中每两个预设形状的路段之间的相似度;
第三确定模块440,用于基于所述相似度确定符合预设条件的路段。
在一可选的实现方式中,所述第一确定模块410,具体用于针对已收集的运动轨迹中的每一个运动轨迹,从该运动轨迹上确定一个待定路段,确定的待定路段由该运动轨迹上相邻两点组成;确定该待定路段的起点是否在该运动轨迹包含的已确定的预设形状的路段中;若否,则确定该待定路段是否为预设形状的路段;若是,则利用该待定路段的终点更新该待定路段的起点,从该运动轨迹上选取该待定路段的终点的下一个点,并利用所述下一个点更新该待定路段的终点,若该待定路段的终点不是该运动轨迹上的最后一个点,则执行确定该待定路段的起点是否在该运动轨迹包含的已确定的预设形状的路段中的步骤。
在一可选的实现方式中,所述第一确定模块410,还具体用于在确定该待定路段是否为预设形状的路段过程中,若该待定路段的起点和终点符合预设形状条件且该待定路段的长度大于预设长度,则将该待定路段确定为预设形状的路段,并执行利用该待定路段的终点更新该待定路段的起点的步骤;否则,从该运动轨迹上选取该待定路段的起点的前一个点,并利用所述前一个点更新该待定路段的起点,并执行确定该待定路段的起点是否在该运动轨迹包含的已确定的预设形状的路段中的步骤。
在一可选的实现方式中,所述装置还包括(图4中未示出):
地理分块过滤模块,用于将所述预设形状的路段分配到对应的地理分块中;针对每个地理分块,确定该地理分块包含的预设形状的路段的数量,若所述数量小于第一预设数量,则将该地理分块删除。
在一可选的实现方式中,所述分类模块420,具体用于并行对每个地理分块包含的预设形状的路段进行分类;确定每个类簇包含的预设形状的路段的数量;确定包含的预设形状的路段的数量小于第二预设数量的类簇,并删除确定的类簇。
在一可选的实现方式中,所述第二确定模块430,具体用于针对该类簇中每两个预设形状的路段,对其中的第一预设形状的路段进行扩展,并确定扩展后的第一预设形状的路段中每个点与其中的第二预设形状的路段中每个点之间的距离;确定扩展后的第一预设形状的路段中每个点的第一运动方向夹角,及所述第二预设形状的路段中每个点的第二运动方向夹角,并确定所述第一运动方向夹角与所述第二运动方向夹角的差值绝对值;基于所述距离和所述差值绝对值确定第一预设形状的路段与第二预设形状的路段之间的相似度。
在一可选的实现方式中,所述第二确定模块430,还具体用于在基于所述距离和所述差值绝对值确定第一预设形状的路段与第二预设形状的路段之间的相似度过程中,针对所述距离中的每个距离,若该距离小于第一阈值且对应的差值绝对值小于第二阈值,则确定该距离对应的扩展后的第一预设形状的路段的点与第二预设形状的路段的点匹配;根据确定的匹配点确定第一预设形状的路段与第二预设形状的路段之间的相似长度;基于所述相似长度确定第一预设形状的路段与第二预设形状的路段之间的相似度。
图5示出了根据本发明的一示例性实施例的电子设备的结构示意图;对应于上述图1-图3A的确定路段的方法,如图5所示,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成上述图4所示实施例提供的确定路段的装置。当然,除了软件实现方式之外,本申请并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以上处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (15)
1.一种确定路段的方法,其特征在于,所述方法包括:
基于已收集的运动轨迹确定预设形状的路段;
对所述预设形状的路段进行分类,得到至少一个类簇;
针对所述至少一个类簇中的每一个类簇,确定该类簇中每两个预设形状的路段之间的相似度;
基于所述相似度确定符合预设条件的路段。
2.根据权利要求1所述的方法,其特征在于,所述基于已收集的运动轨迹确定预设形状的路段,包括:
针对已收集的运动轨迹中的每一个运动轨迹,从该运动轨迹上确定一个待定路段,确定的待定路段由该运动轨迹上相邻两点组成;
确定该待定路段的起点是否在该运动轨迹包含的已确定的预设形状的路段中;
若该待定路段的起点在该运动轨迹包含的已确定的预设形状的路段中,则利用该待定路段的终点更新该待定路段的起点,从该运动轨迹上选取该待定路段的终点的下一个点,并利用所述下一个点更新该待定路段的终点,若该待定路段的终点不是该运动轨迹上的最后一个点,则执行确定该待定路段的起点是否在该运动轨迹包含的已确定的预设形状的路段中的步骤。
3.根据权利要求2所述的方法,其特征在于,确定该待定路段的起点是否在该运动轨迹包含的已确定的预设形状的路段中之后,所述方法还包括:
若该待定路段的起点未在该运动轨迹包含的已确定的预设形状的路段中,则判断该待定路段的起点和终点是否符合预设形状条件;
若符合,则将该待定路段确定为预设形状的路段,并执行利用该待定路段的终点更新该待定路段的起点的步骤;
若不符合,则从该运动轨迹上选取该待定路段的起点的前一个点,并利用所述前一个点更新该待定路段的起点,并执行确定该待定路段的起点是否在该运动轨迹包含的已确定的预设形状的路段中的步骤。
4.根据权利要求1所述的方法,其特征在于,在对所述预设形状的路段进行分类,得到至少一个类簇之前,所述方法还包括:
将所述预设形状的路段分配到对应的地理分块中;
针对每个地理分块,确定该地理分块包含的预设形状的路段的数量,若所述数量小于第一预设数量,则将该地理分块删除。
5.根据权利要求4所述的方法,其特征在于,对所述预设形状的路段进行分类,得到至少一个类簇,包括:
并行对每个地理分块包含的预设形状的路段进行分类;
确定每个类簇包含的预设形状的路段的数量;
确定包含的预设形状的路段的数量小于第二预设数量的类簇,并删除确定的类簇。
6.根据权利要求1所述的方法,其特征在于,确定该类簇中每两个预设形状的路段的之间相似度,包括:
针对该类簇中每两个预设形状的路段,对其中的第一预设形状的路段进行扩展,并确定扩展后的第一预设形状的路段中每个点与其中的第二预设形状的路段中每个点之间的距离;
确定扩展后的第一预设形状的路段中每个点的第一运动方向夹角,及所述第二预设形状的路段中每个点的第二运动方向夹角,并确定所述第一运动方向夹角与所述第二运动方向夹角的差值绝对值;
基于所述距离和所述差值绝对值确定第一预设形状的路段与第二预设形状的路段之间的相似度。
7.根据权利要求6所述的方法,其特征在于,基于所述距离和所述差值绝对值确定第一预设形状的路段与第二预设形状的路段之间的相似度,包括:
针对所述距离中的每个距离,若该距离小于第一阈值且对应的差值绝对值小于第二阈值,则确定该距离对应的扩展后的第一预设形状的路段的点与第二预设形状的路段的点匹配;
根据确定的匹配点确定第一预设形状的路段与第二预设形状的路段之间的相似长度;
基于所述相似长度确定第一预设形状的路段与第二预设形状的路段之间的相似度。
8.一种确定路段的装置,其特征在于,所述装置包括:
第一确定模块,用于基于已收集的运动轨迹确定预设形状的路段;
分类模块,用于对所述预设形状的路段进行分类,得到至少一个类簇;
第二确定模块,用于针对所述至少一个类簇中的每一个类簇,确定该类簇中每两个预设形状的路段之间的相似度;
第三确定模块,用于基于所述相似度确定符合预设条件的路段。
9.根据权利要求8所述的装置,其特征在于,
所述第一确定模块,具体用于针对已收集的运动轨迹中的每一个运动轨迹,从该运动轨迹上确定一个待定路段,确定的待定路段由该运动轨迹上相邻两点组成;确定该待定路段的起点是否在该运动轨迹包含的已确定的预设形状的路段中;若该待定路段的起点在该运动轨迹包含的已确定的预设形状的路段中,则利用该待定路段的终点更新该待定路段的起点,从该运动轨迹上选取该待定路段的终点的下一个点,并利用所述下一个点更新该待定路段的终点,若该待定路段的终点不是该运动轨迹上的最后一个点,则执行确定该待定路段的起点是否在该运动轨迹包含的已确定的预设形状的路段中的步骤。
10.根据权利要求9所述的装置,其特征在于,所述第一确定模块,还具体用于确定该待定路段的起点是否在该运动轨迹包含的已确定的预设形状的路段中之后,若该待定路段的起点未在该运动轨迹包含的已确定的预设形状的路段中,则判断该待定路段的起点和终点是否符合预设形状条件;若符合,则将该待定路段确定为预设形状的路段,并执行利用该待定路段的终点更新该待定路段的起点的步骤;若不符合,则从该运动轨迹上选取该待定路段的起点的前一个点,并利用所述前一个点更新该待定路段的起点,并执行确定该待定路段的起点是否在该运动轨迹包含的已确定的预设形状的路段中的步骤。
11.根据权利要求8所述的装置,其特征在于,所述装置还包括:
地理分块过滤模块,用于将所述预设形状的路段分配到对应的地理分块中;针对每个地理分块,确定该地理分块包含的预设形状的路段的数量,若所述数量小于第一预设数量,则将该地理分块删除。
12.根据权利要求11所述的装置,其特征在于,所述分类模块,具体用于并行对每个地理分块包含的预设形状的路段进行分类;确定每个类簇包含的预设形状的路段的数量;确定包含的预设形状的路段的数量小于第二预设数量的类簇,并删除确定的类簇。
13.根据权利要求8所述的装置,其特征在于,所述第二确定模块,具体用于针对该类簇中每两个预设形状的路段,对其中的第一预设形状的路段进行扩展,并确定扩展后的第一预设形状的路段中每个点与其中的第二预设形状的路段中每个点之间的距离;确定扩展后的第一预设形状的路段中每个点的第一运动方向夹角,及所述第二预设形状的路段中每个点的第二运动方向夹角,并确定所述第一运动方向夹角与所述第二运动方向夹角的差值绝对值;基于所述距离和所述差值绝对值确定第一预设形状的路段与第二预设形状的路段之间的相似度。
14.根据权利要求13所述的装置,其特征在于,所述第二确定模块,还具体用于在基于所述距离和所述差值绝对值确定第一预设形状的路段与第二预设形状的路段之间的相似度过程中,针对所述距离中的每个距离,若该距离小于第一阈值且对应的差值绝对值小于第二阈值,则确定该距离对应的扩展后的第一预设形状的路段的点与第二预设形状的路段的点匹配;根据确定的匹配点确定第一预设形状的路段与第二预设形状的路段之间的相似长度;基于所述相似长度确定第一预设形状的路段与第二预设形状的路段之间的相似度。
15.一种电子设备,其特征在于,所述设备包括可读存储介质和处理器;
其中,所述可读存储介质,用于存储机器可执行指令;
所述处理器,用于读取所述可读存储介质上的所述机器可执行指令,并执行所述指令以实现权利要求1-7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864175.5A CN109033395A (zh) | 2018-08-01 | 2018-08-01 | 确定路段的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864175.5A CN109033395A (zh) | 2018-08-01 | 2018-08-01 | 确定路段的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109033395A true CN109033395A (zh) | 2018-12-18 |
Family
ID=64647300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810864175.5A Pending CN109033395A (zh) | 2018-08-01 | 2018-08-01 | 确定路段的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033395A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111627204A (zh) * | 2020-03-10 | 2020-09-04 | 蘑菇车联信息科技有限公司 | 路径确定方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840507A (zh) * | 2010-04-09 | 2010-09-22 | 江苏东大金智建筑智能化系统工程有限公司 | 基于角点特征不变量和图论聚类的目标跟踪方法 |
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
CN104064051A (zh) * | 2014-06-23 | 2014-09-24 | 银江股份有限公司 | 一种乘客便携移动终端与所乘公交车辆定位信息动态匹配方法 |
CN104850604A (zh) * | 2015-05-04 | 2015-08-19 | 华中科技大学 | 一种基于张量的用户轨迹挖掘方法 |
US20150363508A1 (en) * | 2014-06-17 | 2015-12-17 | Naveen NANDAN | Grid-based analysis of geospatial trajectories |
US20160179923A1 (en) * | 2014-12-19 | 2016-06-23 | Xerox Corporation | Adaptive trajectory analysis of replicator dynamics for data clustering |
CN106774314A (zh) * | 2016-12-11 | 2017-05-31 | 北京联合大学 | 一种基于行走轨迹的家庭服务机器人路径规划方法 |
CN107122461A (zh) * | 2017-04-27 | 2017-09-01 | 东软集团股份有限公司 | 一种出行轨迹聚类方法、装置及设备 |
-
2018
- 2018-08-01 CN CN201810864175.5A patent/CN109033395A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840507A (zh) * | 2010-04-09 | 2010-09-22 | 江苏东大金智建筑智能化系统工程有限公司 | 基于角点特征不变量和图论聚类的目标跟踪方法 |
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
US20150363508A1 (en) * | 2014-06-17 | 2015-12-17 | Naveen NANDAN | Grid-based analysis of geospatial trajectories |
CN104064051A (zh) * | 2014-06-23 | 2014-09-24 | 银江股份有限公司 | 一种乘客便携移动终端与所乘公交车辆定位信息动态匹配方法 |
US20160179923A1 (en) * | 2014-12-19 | 2016-06-23 | Xerox Corporation | Adaptive trajectory analysis of replicator dynamics for data clustering |
CN104850604A (zh) * | 2015-05-04 | 2015-08-19 | 华中科技大学 | 一种基于张量的用户轨迹挖掘方法 |
CN106774314A (zh) * | 2016-12-11 | 2017-05-31 | 北京联合大学 | 一种基于行走轨迹的家庭服务机器人路径规划方法 |
CN107122461A (zh) * | 2017-04-27 | 2017-09-01 | 东软集团股份有限公司 | 一种出行轨迹聚类方法、装置及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111627204A (zh) * | 2020-03-10 | 2020-09-04 | 蘑菇车联信息科技有限公司 | 路径确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5917719B2 (ja) | 画像データベースにおける画像管理のための方法、装置、および、コンピュータで読取り可能な記録媒体 | |
CN103593430A (zh) | 一种基于移动对象时空信息轨迹分段聚类的方法 | |
CN109948641A (zh) | 异常群体识别方法及装置 | |
CN104915351A (zh) | 图片排序方法及终端 | |
CN105989087B (zh) | 一种确定热点区域的方法和装置 | |
CN104426841A (zh) | 设置背景图像的方法及相关的服务器和系统 | |
CN106339716A (zh) | 一种基于加权欧氏距离的移动轨迹相似度匹配方法 | |
PH12014501098B1 (en) | Method and server for searching for nearby user in social networking services | |
US20190353488A1 (en) | Generating trail network maps | |
CN111680102A (zh) | 基于人工智能的定位数据处理方法及相关设备 | |
CN108664526A (zh) | 检索的方法和设备 | |
CN110572813A (zh) | 一种基于移动大数据的手机用户行为相似度分析方法 | |
CN109902619A (zh) | 图像闭环检测方法及系统 | |
CN104615881A (zh) | 一种基于移动位置应用的用户常态轨迹分析方法 | |
CN110275911A (zh) | 基于频繁序列模式的私家车出行热点路径挖掘方法 | |
CN111899279A (zh) | 一种目标对象的运动速度检测方法及装置 | |
CN115393681A (zh) | 一种目标融合方法、装置、电子设备及存储介质 | |
CN114549873A (zh) | 一种图像档案的关联方法、装置、电子设备及存储介质 | |
CN109033395A (zh) | 确定路段的方法及装置 | |
CN109862313A (zh) | 一种视频浓缩方法及装置 | |
CN108108407A (zh) | 基于时空轨迹的群体运动移动簇模式排序方法 | |
US10419885B2 (en) | Communication device and method, and computer program product for associating a mobile telephony identifier and a computer network identifier | |
CN112926639A (zh) | 一种轨迹跟踪方法、装置、存储介质及电子装置 | |
CN114078269A (zh) | 一种人脸图像聚类方法、装置、服务器和存储介质 | |
CN114443914B (zh) | 元宇宙空间服务器的数据索引、查询方法及系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200226 Address after: 100193 2nd Floor 206-2, 23rd Building, 8th Hospital, Wangxi Road, Haidian District, Beijing Applicant after: Beijing Shunyuan Kaihua Technology Co.,Ltd. Address before: Anhui city of Hefei province innovation road 230088 No. 2800 high tech Zone Innovation Industrial Park two building H8 Applicant before: Anhui Huami Information Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |
|
RJ01 | Rejection of invention patent application after publication |