CN109508471A - 运动轨迹补全方法及装置、可读存储介质 - Google Patents
运动轨迹补全方法及装置、可读存储介质 Download PDFInfo
- Publication number
- CN109508471A CN109508471A CN201811110142.8A CN201811110142A CN109508471A CN 109508471 A CN109508471 A CN 109508471A CN 201811110142 A CN201811110142 A CN 201811110142A CN 109508471 A CN109508471 A CN 109508471A
- Authority
- CN
- China
- Prior art keywords
- path
- duration
- record
- motion
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241000222712 Kinetoplastida Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种运动轨迹补全方法，该方法包括：获取两个相邻轨迹点记录之间的至少两条路径；基于两个相邻轨迹点记录的运动时长利用假设检验从至少两条路径中筛选出补全运动轨迹，补全运动轨迹能够通过假设检验，假设检验的至少部分参数是利用路径对应的相关运动记录得到的。本发明还公开了一种运动轨迹补全装置、可读存储介质。通过上述方式，本发明能够补全运动轨迹缺失的部分。
Description
技术领域
本发明涉及运动跟踪领域，特别是涉及一种运动轨迹补全方法及装置、可读存储介质。
背景技术
运动体在移动过程中，可以不定期记录运动体的位置得到若干离散轨迹点，用插值的方式推测运动体的轨迹，具体的，当轨迹点足够密集时，通过平滑的曲线连接，可以近似还原运动体的轨迹(以下简称运动轨迹)。
实际运动体可能局限于固定网络中运动，固定网络包括多个固定的站点和站点之间的路径，例如轨道交通网络。此时不适合用平滑曲线来拟合运动轨迹，只能沿着固定路径将已知运动体经过的轨迹点(包括站点)连接起来形成运动轨迹。
运动体在固定网络中运动的过程中，可能不会记录下运动体经过的每个站点。如果运动体的运动过程中两个相邻轨迹点记录之间可能的路径不止一个，则无法直接确定运动体在这两个轨迹点间的实际路径，使得运动轨迹出现缺失。
发明内容
本发明主要解决的技术问题是提供一种运动轨迹补全方法及装置、可读存储介质，能够解决现有技术中相邻轨迹点记录之间可能的路径不止一个导致的运动轨迹缺失的问题。
为了解决上述技术问题，本发明提供了一种运动轨迹补全方法，该方法包括：获取两个相邻轨迹点记录之间的至少两条路径；基于两个相邻轨迹点记录的运动时长利用假设检验从至少两条路径中筛选出补全运动轨迹，补全运动轨迹能够通过假设检验，假设检验的至少部分参数是利用路径对应的相关运动记录得到的。
为了解决上述技术问题，本发明提供了一种运动轨迹补全装置，该装置包括至少一个处理器，单独或协同工作，处理器用于执行指令以实现前述的运动轨迹补全方法。
为了解决上述技术问题，本发明提供了一种可读存储介质，存储有指令，指令被执行时实现前述的运动轨迹补全方法。
本发明的有益效果是：通过获取两个相邻轨迹点记录之间的至少两条路径；基于两个相邻轨迹点记录的运动时长利用假设检验从至少两条路径中筛选出补全运动轨迹，补全运动轨迹能够通过假设检验，假设检验的至少部分参数是利用路径对应的相关运动记录得到的，基于小概率原理筛选得到的补全运动轨迹可以作为运动体在这两个相邻轨迹点记录之间的运动轨迹，从而补全运动轨迹缺失的部分。
附图说明
图1是本发明运动轨迹补全方法一实施例的流程示意图；
图2是本发明运动轨迹补全方法一实施例中vA到vB两条路径的示意图；
图3是图1中S2的具体流程示意图；
图4是图3中S21之前获取路径的时长期望和时长标准差的流程示意图；
图5是本发明运动轨迹补全方法另一实施例的流程示意图；
图6是本发明运动轨迹补全装置一实施例的结构示意图；
图7是本发明可读存储介质一实施例的结构示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。以下各实施例中不冲突的可以相互结合。
如图1所示，本发明运动轨迹补全方法一实施例包括：
S1：获取两个相邻轨迹点记录之间的至少两条路径。
将固定网络建模为有向图G＝G(V,E)，各站点构成端点V，相邻站点间的路段构成边集E。总路径集合记作P＝{ρ|o(ρ),d(ρ)∈V,o(ρ)≠d(ρ)}。运动体沿着路径ρ进行一次移动，产生一次运动过程，记Rρ为路径ρ所有实际运动过程的集合。考虑部分运动过程的记录丢失或不可用，是Rρ中被有效观测和记录到的部分，称为ρ上的运动记录。
例如，旅客乘坐地铁的过程中，进出站刷卡时会留下记录，刷卡的记录只包括旅程的起点和终点，此外，在途中旅客的手机可能上传定位数据，从而记录旅客经过的某些中间轨迹点(例如中间站点)的信息。
在运动体的运动过程中，记录到了两个相邻轨迹点记录，可以表示为vA,vB，相邻意味着vA和vB之间没有其他的轨迹点记录。两个相邻轨迹点记录的运动时长为T，即vA的记录时刻与vB的记录时刻之间的时间间隔长度为T。运动时长T的记录时刻可以包括vA的记录时刻和/或vB的记录时刻。
vA和vB并非固定网络中的相邻站点，且vA到vB的路径数量不止一条。可以利用回溯算法(backtracking)或通过遍历日志获取vA到vB(也可以被称为vA和vB之间)的至少两条路径，这些路径组成的集合可被称为PAB。
举例说明，如图2所示，vA到vB的路径可以包括vA–vC–vB和vA–vD–vB两条路径。
S2：基于两个相邻轨迹点记录的运动时长利用假设检验从至少两条路径中筛选出补全运动轨迹。
给出两个合理假设：(1)运动体在特定路径上的运动用时的概率分布仅取决于该路径的特征，与记录时刻及运动体本身特征无关；(2)运动过程不出现环路。
基于上述假设，可以基于小概率原理——发生概率很小的随机事件(小概率事件)在一次实验中几乎是不可能发生的，检验运动时长T是否满足PAB中路径的运动时长的分布，从而从PAB中筛选出补全运动轨迹。补全运动轨迹能够通过假设检验，即运动时长T满足补全运动轨迹的运动时长的分布。假设检验的至少部分参数，例如PAB中路径的运动时长的分布，是利用路径对应的相关运动记录得到的。
具体的，如图3所示，本步骤可以包括：
S21：分别假设每条路径为补全运动轨迹，利用两个相邻轨迹点记录的运动时长判断假设是否被接受。
在本发明一具体实施例中，认为运动时长的概率分布为正态分布，可以对于任意路径ρi∈PAB，假设ρt＝ρi，判断两个相邻轨迹点记录的运动时长T是否满足以下判断条件：
|T-τ(ρi)|>σ(ρi)μα/2 (1)
其中表示PAB表示两个相邻轨迹点记录A和B之间的至少两条路径组成的集合，i＝1,2,…,N，N表示PAB中路径的总数，ρt表示补全运动轨迹，τ(ρi)表示ρi的时长期望，σ(ρi)表示ρi的时长标准差，μα/2表示显著性水平α对应的临界值。μα/2为标准正态分布N(0,1)的α/2分位点，若x～N(0,1),则概率P(x<α/2)＝1-α/2。一般取α为一个较小的正数，如0.05。
若运动时长T满足判断条件，意味着出现了小概率事件，判定假设不被接受；若运动时长T不满足判断条件，则判定假设被接受，执行后续步骤。
在其他实施例中，运动时长的概率分布可以为其他类型的概率分布，判断条件需要对应修改。
在执行本步骤之前，可以利用路径ρi对应的相关运动记录获取路径的时长期望τ(ρi)和时长标准差σ(ρi)。如图4所示，利用路径ρi对应的相关运动记录获取路径ρi的时长期望τ(ρi)和时长标准差σ(ρi)的具体过程可以包括：
S201：获取路径ρi上的运动记录
包括若干个独立同分布的样本，每个样本表示路径ρi上一次运动过程的记录。具体的，可以获取已记录的在路径ρi上的所有运动过程并进行样本清洗去除离群点(即运动时长与其样本偏离较大的样本)得到运动记录
若路径ρi上的运动记录包括的样本总数大于预设阈值，则跳转到S202，否则跳转到S203。
S202：将路径ρi上的运动记录作为路径ρi对应的相关运动记录进行无偏估计以获取路径ρi的时长期望τ(ρi)和时长标准差σ(ρi)。
具体如下式所示：
其中n表示包括的样本总数，表示中第j个样本的运动时长。
S203：利用回归模型对路径ρi的时长期望τ(ρi)和时长标准差σ(ρi)进行预测。
回归模型表示路径的特征与时长期望和时长标准差之间的映射关系，可以通过对路径ρi对应的相关运动记录进行有监督机器学习得到。
具体的，可以获取相关运动记录。相关运动记录包括多条除路径ρi之外的训练路径上的运动记录，所有训练路径组成集合训练路径集合是总路径集合P的子集且不包括ρi。对于任意训练路径其上的运动记录包括的样本总数均大于预设阈值。
对于每一训练路径ρk，利用对应的运动记录进行无偏估计以获取训练路径ρk的时长期望τ(ρk)和时长标准差σ(ρk)作为训练目标，无偏估计的具体计算方式可参考S202；并获取训练路径ρk的特征F(ρk)作为训练特征。训练路径ρk的特征F(ρk)包括决定训练路径ρk的时长期望τ(ρk)和时长标准差σ(ρk)的特征，例如长度、站点数量、运行速度等。
对于训练目标和训练特征组成的训练样本集合进行有监督机器学习以训练得到回归模型。
不同的路径对应的相关运动记录和训练路径集合可以相同，也可以不同。可选的，训练路径ρk可以与路径ρi存在关联关系，例如训练路径ρk在路径ρi周围的预设区域内、训练路径ρk是路径ρi的子路径等。
S22：若假设被接受，则路径通过假设检验。
S23：将通过假设检验的路径中的部分或全部作为补全运动轨迹。
若通过假设检验的路径只有一条，则可以直接将该路径作为补全运动轨迹，若通过假设检验的路径的数量大于一，则可以选择其中的部分或者全部作为补全运动轨迹。
在本发明一具体实施例中，通过假设检验的路径的数量大于一，这些路径组成的集合为H，H是PAB的子集，可以利用极大频率法或最优路径法从H中筛选出一个(即一条路径)作为补全运动轨迹。
具体的，极大频率法是根据H中路径对应的频率信息，从中找到最有可能的路径作为补全运动轨迹。极大频率法要求满足如下适用条件:
对于任意ρ∈H,均有足量的样本且保持路径选择的频率分布同实际运动过程一致,即
此时，选取ρ＝argmaxρ∈H|Rρ|为问题的解，即补全运动轨迹。
最优路径法隐含的假设是运动体更倾向于选择“优良”的路径。基于若干种指标对H中的路径的“优劣”进行排序，如用时最短、长度最短、站数最少、换乘次数最少等中的至少一个，然后以最优路径为问题的解，即补全运动轨迹。
上述路径筛选的实现需要满足假设：(1)运动体在特定路径上的运动用时的概率分布仅取决于该路径的特征，与记录时刻及运动体本身特征无关；(2)运动过程不出现环路。然而在实际应用中，可能出现不满足假设(1)的情况，此时运动体通过特定路径ρ的期望时间τ除取决于ρ本身特征外，还受到具体记录时刻的影响。如在地铁列车的例子中，从较长的时间范围观测列车运动，其期望用时τ会随着记录时刻t处于不断的变化中,记作τ＝τ(ρ,t)。同时，对于特定ρ＝ρ1,τ(ρ1,t)是关于t的连续函数。
在τ相对于t连续的条件下，对于任意小的正实数Δτ,均存在正实数Δt，使得在给定时刻t1附近Δt大小的时间区间内进行观察时，τ的波动也限制在了Δτ范围内。在本发明一具体实施例中，路径ρi对应的相关运动记录中每个样本的运动时长的记录时刻与两个相邻轨迹点记录的运动时长T的记录时刻之间的时间间隔在预设范围内，例如在[-t0,t0]内，t0可以是一个较小的时间阈值，例如1小时，可消除记录时刻这一维度的影响，认为假设(1)仍然成立。
通过本实施例的实施，获取两个相邻轨迹点记录之间的至少两条路径；基于两个相邻轨迹点记录的运动时长利用假设检验从至少两条路径中筛选出补全运动轨迹，补全运动轨迹能够通过假设检验，假设检验的至少部分参数是利用路径对应的相关运动记录得到的，基于小概率原理筛选得到的补全运动轨迹可以作为运动体在这两个相邻轨迹点记录之间的运动轨迹，从而补全运动轨迹缺失的部分。
如图5所示，本发明运动轨迹补全方法另一实施例包括：
S101：获取两个相邻轨迹点记录之间的至少两条路径组成的集合PAB。
本实施例描述了运动轨迹补全的一种具体流程，其中与前述实施例相同的部分不再重复。
S102：获取PAB中一条路径上的运动记录。
S103：判断运动记录中的样本总数是否大于预设阈值。
若是，则跳转到S104，否则跳转到S105。
S104：对运动记录进行无偏估计以获取该路径的时长期望和时长标准差。
跳转到S109。
S105：获取该路径的训练路径集合和相关运动记录。
S106：对于训练路径集合中的每一训练路径，利用其对应的运动记录进行无偏估计以获取该训练路径的时长期望和时长标准差作为训练目标，获取该训练路径的特征作为训练特征。
S107：对于训练目标和训练特征组成的训练样本集合进行有监督机器学习以训练得到回归模型。
S108：利用该回归模型对该路径的时长期望和时长标准差进行预测。
S109：假设该路径为补全运动轨迹，判断两个相邻轨迹点记录的运动时长T是否满足判断条件(1)。
若满足，则该假设不被接受，该路径不能通过假设检验；若不满足，则该假设被接受，该路径通过了假设检验。
为PAB中的每条路径执行S102-S109，完成之后得到通过假设检验的路径组成的集合H。
S110：判断H中的路径数量是否大于1。
若是，则跳转到S111，否则跳转到S114。
S111：判断H是否满足极大频率法的适用条件。
若满足，则跳转到S112，否则跳转到S113。
S112：使用极大频率法从H中筛选出一个作为补全运动轨迹。
S113：使用最优路径法从H中筛选出一个作为补全运动轨迹。
S114：将H中的唯一一条路径作为补全运动轨迹。
如图6所示，本发明运动轨迹补全装置一实施例包括：处理器110。图中只画出了一个处理器110，实际数量可以更多。处理器110可以单独或者协同工作。
处理器110控制运动轨迹补全装置的操作，处理器110还可以称为CPU(CentralProcessing Unit，中央处理单元)。处理器110可能是一种集成电路芯片，具有信号序列的处理能力。处理器110还可以是通用处理器、数字信号序列处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
处理器110用于执行指令以实现本发明运动轨迹补全方法任一实施例以及不冲突的组合所提供的方法。
如图7所示，本发明可读存储介质一实施例包括存储器210，存储器210存储有指令，该指令被执行时实现本发明运动轨迹补全方法任一实施例及不冲突的结合所提供的方法。
存储器210可以包括只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、闪存(Flash Memory)、硬盘、光盘等。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，所述模块或单元的划分，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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方式方案的目的。
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包括，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。
所述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，可以存储在一个计算机可读取存储介质中。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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、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实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (13)
1.一种运动轨迹补全方法，其特征在于，包括：
获取两个相邻轨迹点记录之间的至少两条路径；
基于所述两个相邻轨迹点记录的运动时长利用假设检验从所述至少两条路径中筛选出补全运动轨迹，所述补全运动轨迹能够通过所述假设检验，所述假设检验的至少部分参数是利用所述路径对应的相关运动记录得到的。
2.根据权利要求1所述的方法，其特征在于，
所述基于所述两个相邻轨迹点记录的运动时长利用假设检验从所述至少两条路径中筛选出补全运动轨迹包括：
分别假设每条所述路径为所述补全运动轨迹，利用所述两个相邻轨迹点记录的运动时长判断所述假设是否被接受；
若所述假设被接受，则所述路径通过所述假设检验；
将通过所述假设检验的所述路径中的部分或全部作为所述补全运动轨迹。
3.根据权利要求2所述的方法，其特征在于，
所述分别假设每条所述路径为所述补全运动轨迹，利用所述运动时长判断所述假设是否被接受包括：
对于任意所述路径ρi∈PAB，假设ρt＝ρi，判断所述两个相邻轨迹点记录的运动时长T是否满足以下判断条件：
|T-τ(ρi)|＞σ(ρi)μα/2 (1)
其中PAB表示所述两个相邻轨迹点记录A和B之间的所述至少两条路径组成的集合，i＝1，2，...，N，N表示所述PAB中路径的总数，ρt表示所述补全运动轨迹，τ(ρi)表示ρi的时长期望，σ(ρi)表示ρi的时长标准差，μα/2表示显著性水平α对应的临界值；
若所述运动时长T满足所述判断条件，则判定所述假设不被接受，若所述运动时长T不满足所述判断条件，则判定所述假设被接受。
4.根据权利要求3所述的方法，其特征在于，
所述分别假设每条所述路径为所述补全运动轨迹，利用所述运动时长判断所述假设是否被接受之前进一步包括：
利用所述路径对应的相关运动记录获取所述路径的时长期望和时长标准差。
5.根据权利要求4所述的方法，其特征在于，
所述利用所述路径对应的相关运动记录获取所述路径的时长期望和时长标准差包括：
获取所述路径ρi上的运动记录
若所述路径ρi上的运动记录包括的样本总数大于预设阈值，则将所述路径ρi上的运动记录作为所述路径ρi对应的相关运动记录进行无偏估计以获取所述路径ρi的时长期望τ(ρi)和时长标准差σ(ρi)：
其中n表示包括的样本总数，表示中第j个样本的运动时长；
若所述路径ρi上的运动记录包括的样本总数小于或等于所述预设阈值，则利用回归模型对所述路径ρi的时长期望τ(ρi)和时长标准差σ(ρi)进行预测，所述回归模型是对所述路径ρi对应的相关运动记录进行有监督机器学习得到的。
6.根据权利要求5所述的方法，其特征在于，
所述利用回归模型对所述路径ρi的时长期望τ(ρi)和时长标准差σ(ρi)进行预测之前进一步包括：
获取所述相关运动记录，所述相关运动记录包括多条除所述路径ρi之外的训练路径上的运动记录，所有所述训练路径组成集合其中对于任意所述训练路径其上的运动记录包括的样本总数大于所述预设阈值；
对于每一所述训练路径ρk，利用对应的运动记录进行无偏估计以获取所述训练路径ρk的时长期望τ(ρk)和时长标准差σ(ρk)作为训练目标，获取所述训练路径ρk的特征F(ρk)作为训练特征；
对于所述训练目标和所述训练特征组成的训练样本集合进行所述有监督机器学习以训练得到所述回归模型。
7.根据权利要求6所述的方法，其特征在于，
所述训练路径ρk与所述路径ρi存在关联关系。
8.根据权利要求5所述的方法，其特征在于，
所述获取所述路径ρi上的运动记录包括：
获取已记录的在所述路径ρi上的所有运动过程并进行样本清洗去除离群点得到所述运动记录
9.根据权利要求2所述的方法，其特征在于，
所述将通过所述假设检验的所述路径中的部分作为所述补全运动轨迹包括：
利用极大频率法或最优路径法从通过所述假设检验的所述路径中选择一个作为所述补全运动轨迹。
10.根据权利要求1-9中任一项所述的方法，其特征在于，所述路径ρi对应的相关运动记录中每个样本的运动时长的记录时刻与所述两个相邻轨迹点记录的运动时长的记录时刻之间的时间间隔在预设范围内。
11.根据权利要求1-9中任一项所述的方法，其特征在于，所述获取两个相邻轨迹点记录之间的至少两条路径包括：
利用回溯算法或通过遍历日志获取所述至少两条路径。
12.一种运动轨迹补全装置，其特征在于，包括至少一个处理器，单独或协同工作，所述处理器用于执行指令以实现如权利要求1-11中任一项所述的方法。
13.一种可读存储介质，存储有指令，其特征在于，所述指令被执行时实现如权利要求1-11中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811110142.8A CN109508471B (zh) | 2018-09-21 | 2018-09-21 | 运动轨迹补全方法及装置、可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811110142.8A CN109508471B (zh) | 2018-09-21 | 2018-09-21 | 运动轨迹补全方法及装置、可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109508471A true CN109508471A (zh) | 2019-03-22 |
| CN109508471B CN109508471B (zh) | 2024-04-12 |
Family
ID=65745993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811110142.8A Active CN109508471B (zh) | 2018-09-21 | 2018-09-21 | 运动轨迹补全方法及装置、可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109508471B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110727757A (zh) * | 2019-10-22 | 2020-01-24 | 北京卡路里信息技术有限公司 | 轨迹数据的处理方法及装置、电子设备 |
| CN110944294A (zh) * | 2019-11-26 | 2020-03-31 | 北京梧桐车联科技有限责任公司 | 移动轨迹记录方法、装置、系统、计算机设备及存储介质 |
| CN111553732A (zh) * | 2020-04-24 | 2020-08-18 | 北京爱笔科技有限公司 | 移动轨迹的处理方法和装置 |
| CN113326877A (zh) * | 2021-05-28 | 2021-08-31 | 深圳前海微众银行股份有限公司 | 模型训练、数据处理方法、装置、设备、存储介质及程序 |
| WO2021243516A1 (zh) * | 2020-06-01 | 2021-12-09 | 深圳先进技术研究院 | 城市公共交通乘客出行轨迹估计方法、系统、终端以及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104050832A (zh) * | 2014-05-23 | 2014-09-17 | 北京中交兴路信息科技有限公司 | 位置信息的补全方法和装置 |
| CN105308462A (zh) * | 2013-05-31 | 2016-02-03 | 拉维视有限公司 | 用于求取颗粒在多个时间点时的变化的空间分布的方法 |
| CN106646518A (zh) * | 2016-11-18 | 2017-05-10 | 北京创业公社征信服务有限公司 | 基于三阶贝塞尔曲线及插值的gps轨迹数据补全方法 |
| CN107248009A (zh) * | 2017-06-05 | 2017-10-13 | 亿海蓝（北京）数据技术股份公司 | 一种基于轨迹语言识别的启发式航线生成方法及装置 |
| US20180030550A1 (en) * | 2015-06-03 | 2018-02-01 | Dow Agrosciences Llc | Genetic locus associated with phytophthora root and stem rot in soybean |
-
2018
- 2018-09-21 CN CN201811110142.8A patent/CN109508471B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105308462A (zh) * | 2013-05-31 | 2016-02-03 | 拉维视有限公司 | 用于求取颗粒在多个时间点时的变化的空间分布的方法 |
| CN104050832A (zh) * | 2014-05-23 | 2014-09-17 | 北京中交兴路信息科技有限公司 | 位置信息的补全方法和装置 |
| US20180030550A1 (en) * | 2015-06-03 | 2018-02-01 | Dow Agrosciences Llc | Genetic locus associated with phytophthora root and stem rot in soybean |
| CN106646518A (zh) * | 2016-11-18 | 2017-05-10 | 北京创业公社征信服务有限公司 | 基于三阶贝塞尔曲线及插值的gps轨迹数据补全方法 |
| CN107248009A (zh) * | 2017-06-05 | 2017-10-13 | 亿海蓝（北京）数据技术股份公司 | 一种基于轨迹语言识别的启发式航线生成方法及装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110727757A (zh) * | 2019-10-22 | 2020-01-24 | 北京卡路里信息技术有限公司 | 轨迹数据的处理方法及装置、电子设备 |
| CN110944294A (zh) * | 2019-11-26 | 2020-03-31 | 北京梧桐车联科技有限责任公司 | 移动轨迹记录方法、装置、系统、计算机设备及存储介质 |
| CN110944294B (zh) * | 2019-11-26 | 2021-05-07 | 北京梧桐车联科技有限责任公司 | 移动轨迹记录方法、装置、系统、计算机设备及存储介质 |
| CN111553732A (zh) * | 2020-04-24 | 2020-08-18 | 北京爱笔科技有限公司 | 移动轨迹的处理方法和装置 |
| CN111553732B (zh) * | 2020-04-24 | 2024-02-23 | 北京爱笔科技有限公司 | 移动轨迹的处理方法和装置 |
| WO2021243516A1 (zh) * | 2020-06-01 | 2021-12-09 | 深圳先进技术研究院 | 城市公共交通乘客出行轨迹估计方法、系统、终端以及存储介质 |
| CN113326877A (zh) * | 2021-05-28 | 2021-08-31 | 深圳前海微众银行股份有限公司 | 模型训练、数据处理方法、装置、设备、存储介质及程序 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109508471B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508471A (zh) | 运动轨迹补全方法及装置、可读存储介质 | |
| CN106874432A (zh) | 一种公共交通乘客出行时空轨迹提取方法 | |
| CN106650771A (zh) | 基于聚类分析的轨迹去噪方法以及装置 | |
| CN104981876B (zh) | 单元编程验证 | |
| CN104750828B (zh) | 一种基于6w规则的归纳演绎知识无意识自学习方法 | |
| CN103530395B (zh) | 数据追踪方法及装置 | |
| CN109472017A (zh) | 获得待生成裁判文书本院认为段相关信息的方法及装置 | |
| CN106936778A (zh) | 网站流量异常的检测方法和装置 | |
| CN109324959A (zh) | 一种自动转移数据的方法、服务器及计算机可读存储介质 | |
| CN112989158A (zh) | 一种识别网页爬虫行为的方法、装置及存储介质 | |
| CN108066990A (zh) | 一种从候选用户列表中选择用户的方法、装置及服务器 | |
| CN106156170A (zh) | 舆情分析方法及装置 | |
| CN104572329A (zh) | 一种故障确定方法及装置 | |
| CN106844166A (zh) | 一种数据处理方法及装置 | |
| CN108228339A (zh) | 一种内存回收方法及装置、终端设备及计算机可读存储介质 | |
| Garai et al. | Mining correlation between fluid intelligence and whole-brain large scale structural connectivity | |
| Moerbeek et al. | What are the statistical implications of treatment non‐compliance in cluster randomized trials: a simulation study | |
| JP2005527106A5 (zh) | ||
| CN107798934A (zh) | 一种训练课程的调整方法和装置 | |
| CN107295059A (zh) | 业务推送量的统计系统及方法 | |
| CN106506399A (zh) | 实现mfp的方法、装置及数据交换芯片 | |
| CN109753585A (zh) | 一种推荐视频的确定方法、装置、电子设备及存储介质 | |
| Ambegaokar et al. | Entropy and time | |
| DE112016005840T5 (de) | Drahtloses kommunikationsgerät, drahtloses kommunikationsverfahren und programm für drahtlose kommunikation | |
| SatyaPrasad et al. | SRGM with imperfect debugging by genetic algorithms |
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 |