CN110058276A - 异常点判断方法及装置 - Google Patents
异常点判断方法及装置 Download PDFInfo
- Publication number
- CN110058276A CN110058276A CN201910147334.4A CN201910147334A CN110058276A CN 110058276 A CN110058276 A CN 110058276A CN 201910147334 A CN201910147334 A CN 201910147334A CN 110058276 A CN110058276 A CN 110058276A
- Authority
- CN
- China
- Prior art keywords
- point
- sequential track
- sequential
- subset
- track point
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
Abstract
本公开的实施例提供了一种异常点判断方法及装置。所述方法包括:将时序轨迹点集划分为至少两组时序轨迹点子集;对所述时序轨迹点子集内的轨迹点进行拟合处理,确定所述时序轨迹点子集的时序轨迹函数;获取所述时序轨迹点集中的目标轨迹点;依据所述目标轨迹点和各所述时序轨迹点子集的时序轨迹函数,判断所述目标轨迹点是否为异常轨迹点。本公开实施例通过拟合运动模型来判断异常轨迹点,对于多于1个的异常轨迹点能有效进行判定,从而减少了误判和漏判。
Description
技术领域
本公开的实施例涉及计算机技术领域,尤其涉及一种异常点判断方法及装置。
背景技术
GPS(Global Positioning System,全球定位系统)轨迹异常点是指GPS 轨迹中明显不符合轨迹的运动特性的点位,一般在连续的定位过程中GPS 点位在轨迹中具有很好的连续性,光滑性。为了能更好的利用轨迹信息,就需要剔除这些数据,以免对后续的轨迹分析,以及数据处理造成影响。
目前,异常轨迹点定位技术通常是对速度或者角度的单方面考虑,或者速度、角度联合起来的考虑。这些方法在使用过程中都需要基于好的数据滤掉坏的数据,并且只能滤掉单个坏点,如果连续出现多于一个GPS跳点且跳点总数量较少的情况下,可能出现无法识别的问题,导致了异常点的误判和漏判。
发明内容
本公开的实施例提供一种异常点判断方法及装置,用以减少用户的手动操作,节省用户的时间,进而提升用户的使用体验。
根据本公开的实施例的第一方面,提供了一种异常点判断方法,包括:将时序轨迹点集划分为至少两组时序轨迹点子集;对所述时序轨迹点子集内的轨迹点进行拟合处理,确定所述时序轨迹点子集的时序轨迹函数;获取所述时序轨迹点集中的目标轨迹点;依据所述目标轨迹点和各所述时序轨迹点子集的时序轨迹函数,判断所述目标轨迹点是否为异常轨迹点。
优选地,所述将时序轨迹点集划分为至少两组时序轨迹点子集的步骤,包括:获取所述时序轨迹点集中每个时序轨迹点对应的时间参数;针对每个所述时间参数,依次判断所述时间参数是否满足预置时间条件;若不满足,则从所述时序轨迹点集中删除所述时间参数对应的时序轨迹点,得到处理后的时序轨迹点集;将所述处理后的时序轨迹点集划分为至少两组时序轨迹点子集。
优选地,所述对所述时序轨迹点子集内的轨迹点进行拟合处理,确定所述时序轨迹点子集的时序轨迹函数的步骤,包括:依据所述时序轨迹点子集中各轨迹点的精度值,确定所述时序轨迹点子集的权重;依据各所述权重,利用加权最小二乘法拟合生成所述时序轨迹点子集的时序轨迹函数。
优选地,所述时序轨迹函数包括时间戳,所述依据所述目标轨迹点和各所述时序轨迹点子集的时序轨迹函数,判断所述目标轨迹点是否为异常轨迹点的步骤,包括:获取所述目标轨迹点的目标时间戳;将所述目标时间戳代入所述时序轨迹函数,确定与所述目标轨迹点对应的预测经纬度坐标值;获取所述目标轨迹点的经纬度观测值;依据所述经纬度观测值和所述预测经纬度坐标值,确定所述目标轨迹点是否为异常轨迹点。
优选地,所述依据所述经纬度观测值和所述预测经纬度坐标值,确定所述目标轨迹点是否为异常轨迹点的步骤,包括:获取所述经纬度观测值和所述预测经纬度坐标值之间的差值;在所述差值大于设定阈值时,判定所述目标轨迹点为异常轨迹点。
优选地,每组所述时序轨迹点子集中轨迹点的个数大于3个。
根据本公开的实施例的第二方面,提供了一种异常点判断装置,包括:轨迹点集划分模块,用于将时序轨迹点集划分为至少两组时序轨迹点子集;轨迹函数确定模块,用于对所述时序轨迹点子集内的轨迹点进行拟合处理,确定所述时序轨迹点子集的时序轨迹函数;目标轨迹点获取模块,用于获取所述时序轨迹点集中的目标轨迹点;异常轨迹点判断模块,用于依据所述目标轨迹点和各所述时序轨迹点子集的时序轨迹函数,判断所述目标轨迹点是否为异常轨迹点。
优选地,所述轨迹点集划分模块包括:时间参数获取子模块,用于获取所述时序轨迹点集中每个时序轨迹点对应的时间参数;时间参数判断子模块,用于针对每个所述时间参数,依次判断所述时间参数是否满足预置时间条件;处理后轨迹点集获取子模块,用于在所述时间参数不满足所述预置时间条件时,从所述时序轨迹点集中删除所述时间参数对应的时序轨迹点,得到处理后的时序轨迹点集;轨迹点集划分子模块,用于将所述处理后的时序轨迹点集划分为至少两组时序轨迹点子集。
优选地,所述轨迹函数确定模块包括:子集权重确定子模块,用于依据所述时序轨迹点子集中各轨迹点的精度值,确定所述时序轨迹点子集的权重;轨迹函数生成子模块,用于依据各所述权重,利用加权最小二乘法拟合生成所述时序轨迹点子集的时序轨迹函数。
优选地,目标时间戳获取子模块,用于获取所述目标轨迹点的目标时间戳;经纬度坐标确定子模块,用于将所述目标时间戳代入所述时序轨迹函数,确定与所述目标轨迹点对应的预测经纬度坐标值;真实坐标值获取子模块,用于获取所述目标轨迹点的经纬度观测值;异常轨迹点确定子模块,用于依据所述经纬度观测值和所述预测经纬度坐标值,确定所述目标轨迹点是否为异常轨迹点。
优选地,坐标差值获取子模块,用于获取所述经纬度观测值和所述预测经纬度坐标值之间的差值;异常轨迹点判定子模块,用于在所述差值大于设定阈值时,判定所述目标轨迹点为异常轨迹点。
优选地,每组所述时序轨迹点子集中轨迹点的个数大于3个。
根据本公开的实施例的第三方面,提供了一种电子设备,包括:处理器、存储器以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,所述处理器执行所述程序时实现如上述一个或多个所述的异常点判断方法。
根据本公开的实施例的第四方面,提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如上述一个或多个所述的异常点判断方法。
本公开的实施例提供了一种异常点判断方法及装置。通过将时序轨迹点集划分为至少两组时序轨迹点子集,对时序轨迹点子集内的轨迹点进行拟合处理,确定时序轨迹点子集的时序轨迹函数,获取时序轨迹点集中的目标轨迹点,并依据目标轨迹点和各时序轨迹点子集的时序轨迹函数,判断目标轨迹点是否为异常轨迹点。本公开实施例通过拟合运动模型来判断异常轨迹点,对于多于1个的异常轨迹点能有效进行判定,从而减少了误判和漏判。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对本公开的实施例的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公开的实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本公开的实施例提供的一种异常点判断方法的步骤流程图;
图2是本公开的实施例提供的一种异常点判断方法的步骤流程图;
图3是本公开的实施例提供的一种异常点判断装置的结构示意图;
图4是本公开的实施例提供的一种异常点判断装置的结构示意图。
具体实施方式
下面将结合本公开的实施例中的附图,对本公开的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开的实施例一部分实施例,而不是全部的实施例。基于本公开的实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开的实施例保护的范围。
实施例一
参照图1,示出了本公开实施例提供的一种异常点判断方法的步骤流程图,具体可以包括如下步骤:
步骤101:将时序轨迹点集划分为至少两组时序轨迹点子集。
在本公开实施例中,时序轨迹点集是指物体或人在运动过程中按时间排序产生的轨迹点,例如,当人在移动状态下,开启定位过程,在移动过程中,通过不断定位产生的轨迹序列,即为时序轨迹点集。
在生成时序轨迹点集之后,可以判定出时序轨迹点集中的异常轨迹点,从而更正后的时序轨迹点集可以应用于后续的数据分析处理过程。
在生成时序轨迹点集中,各轨迹点的表示方式可以为(lat,lng,accuracy,timestamp)。
上述表示方式中,lat:latitude,表示纬度,也即物体或人所处的纬度;
lng:longitude,表示经度,也即物体或人所处的经度;
accuracy:表示精度,也即定位装置的精度(如系统给出的GPS的精度值);
timestamp:表示时间戳,也即轨迹点的定位时间。
对于纬度和经度的计算过程可以如下述示例所描述的内容:
当用户处于移动状态,该用户携带有定位设备(如手机等),且该定位设备开启了定位功能的情况下,在用户不断移动的过程中,会产生一系列的轨迹点,而模型拟合方法是根据人类的运动模型,给出了一维的时间和路程的关系公式,如下述公式(1)所示:
上述公式(1)中,t表示运用户移动的时刻,v表示在t时刻的速度,表示在t时刻的加速度,s1表示用户从开始移动至第一时刻移动的距离, s(t)表示用户从开始移动至t时刻移动的距离,而对于单位时刻的划分可以是按照秒、分预先进行的划分,如每秒定位一次用户的位置,或者每分钟定位一次用户位置等等。
上述公式(1)为速度与时间的公式,而定位点的坐标是个二维的关于时间的关系,对上述公式(1)进行改进可以得到移动过程中各定位点的点位模型,可以是如下述公式(2)所示:
上述公式(2)中,lat(t)表示t时刻的纬度,lng(t)表示t时刻的经度, a1、b1、c1分别表示纬度对应的系数,a2、b2、c2分别表示经度对应的系数,a1、b1、c1、a2、b2、c2均为常数,可以是预先由研发人员根据数据训练或者数据统计得到的,具体地,可以根据实际情况而定,本公开实施例对此不加以限制。
通过上述公式,可以根据用户实际的移动情况(如起始时间、移动速度等),计算得到在移动过程中产生的轨迹点分别对应的经度和纬度。
可以理解地,上述示例仅是为了更好地理解本公开实施例的技术方案而列举的示例,不作为对本公开实施例的唯一限制。
在得到时序轨迹点集之后,可以将时序轨迹点集划分为两组时序轨迹点子集,如,时序轨迹点集中包含50个轨迹点,可以从时序轨迹点集中间位置处进行划分,即将前25个轨迹点组成第一时序轨迹点子集,将后25 个轨迹点组成第二时序轨迹点子集。
当然,也可以将时序轨迹点集划分为两组以上的时序轨迹点子集,如划分为3组、5组等等,本公开实施例对此不加以限制。
可以理解地,上述示例仅是为了更好地理解本公开实施例的技术方案而列举的示例,不作为对本公开的唯一限制。
在具体划分时,可以按照时序轨迹点集的轨迹点个数平均划分为n组 (n为大于等于2的正整数),也可以按照其它方式进行划分,本公开实施例对此也不加以限制。
而在对时序轨迹点集进行划分时,还需要结合时序轨迹点集中每个时序轨迹点对应的时间参数(即上述时间戳),判定是否符合预置时间条件,具体地,将在下述优选实施例中进行详细描述。
在本公开实施例的一种优选实施例中,上述步骤101可以包括:
子步骤M1:获取所述时序轨迹点集中每个时序轨迹点对应的时间参数。
在本公开实施例中,时序轨迹点集中每个时序轨迹点的表示方式可以为:(lat,lng,accuracy,timestamp),即(纬度,经度,精度,时间戳)。
时间参数即为上述时序轨迹点的表示方式中的时间戳,也即获取每个时序轨迹点的时间。
在确定时序轨迹点集之后,可以根据时序轨迹点集中每个时序轨迹点的表示方式,获取时序轨迹点集中每个时序轨迹点对应的时间参数,并执行子步骤M2。
子步骤M2:针对每个所述时间参数,依次判断所述时间参数是否满足预置时间条件。
预置时间条件是指预先设置的时间范围条件,即对于时序轨迹点集中处于预设时间范围内的时序轨迹点才可以进行后续的时序轨迹点的异常判断,而处于预设时间范围外的时序轨迹点不进行异常判断,例如,在两个时序轨迹点时间间隔较久的情况下,可能是在当前和一个小时后采集的时序轨迹点,则这两个时序轨迹点可能是不同的运动线路产生的时序轨迹点,二者之间不存在关联。
在获取时序轨迹点集中每个时序轨迹点的时间参数之后,可以针对每个时间参数,依次判断时间参数是否满足预置时间条件,即判断时间参数是否处于预设时间范围内。
在时间参数不满足预置时间条件的情况下,执行子步骤M3。
子步骤M3:从所述时序轨迹点集中删除所述时间参数对应的时序轨迹点,得到处理后的时序轨迹点集。
在时间参数满足预置时间条件的情况下,则该时间参数对应的时序轨迹点可以进行后续的异常轨迹点判断的过程。
而在时间参数不满足预置时间条件的情况下,则该时间参数对应的时序轨迹点不可以进行后续的异常轨迹点判断的过程,则将该时间参数对应的时序轨迹点从时序轨迹点集中删除,例如,预置时间条件为: 10:00-11:00,即上午10:00至上午11:00一个小时内的时序轨迹点可以进行后续的异常轨迹点判断过程,时序轨迹点包括a、b、c,a的时间参数为9:20,b的时间参数为10:22,c的时间参数为10:45,则b和c满足预置时间条件,而a不满足预置时间条件,则将a从时序轨迹点集中删除。
在针对每个时间参数与预置时间条件进行判断之后,可以将不满足预置时间条件的时间参数对应的时序轨迹点从时序轨迹点集中删除,从而得到处理后的时序轨迹点集。
在得到处理后的时序轨迹点集之后,执行子步骤M4。
子步骤M4:将所述处理后的时序轨迹点集划分为至少两组时序轨迹点子集。
在得到处理后的时序轨迹点集之后,可以对处理后的时序轨迹点集进行划分,以将处理后的时序轨迹点集划分为至少两组时序轨迹点子集。
而对于划分的时序轨迹点子集的组数可以是事先设定的,本公开实施例对此不加以限制。
当然,划分得到的各时序轨迹点子集中的轨迹点的个数应大于3个,如果一组时序轨迹点集中的轨迹点的个数小于等于3,则不进行后续的拟合解算过程。
本公开实施例中,通过将时序轨迹点集划分为多组时序轨迹点子集,从而可以针对每组时序轨迹点子集拟合生成对应的时序轨迹函数,从而可以在进行异常轨迹点判断时,使得异常轨迹点的检测结果准确率更高。
在将时序轨迹点集划分为至少两组时序轨迹点子集之后,执行步骤102。
步骤102:对所述时序轨迹点子集内的轨迹点进行拟合处理,确定所述时序轨迹点子集的时序轨迹函数。
在划分得到的时序轨迹点子集中的轨迹点个数小于等于3个的情况下,则不进行轨迹点拟合处理,即忽略该时序轨迹点子集。
因而,在先前的时序轨迹点集划分时,预先设置划分得到的各组时序轨迹点子集中的轨迹点个数大于等于3个。
在得到至少两组时序轨迹点子集之后,可以针对每组时序轨迹点子集,依次对时序轨迹点子集中的轨迹点进行拟合处理,从而生成与时序轨迹点子集对应的时序轨迹函数。
对于各组时序轨迹点子集的拟合过程,可以采用各组时序轨迹点子集对应的权重,结合各轨迹点的经纬度值,并采用最小二乘法进行拟合,以生成与各组时序轨迹点子集对应的时序轨迹函数,得到的时序轨迹函数即为与经纬度和时间关联的二次函数,而对于拟合的具体过程,将在下述实施例二中进行详细描述,本公开实施例在此不再加以赘述。
在对时序轨迹点子集内的轨迹点进行拟合处理,确定时序轨迹点子集的时序轨迹函数之后,执行步骤103。
步骤103:获取所述时序轨迹点集中的目标轨迹点。
目标轨迹点是指从时序轨迹点集中选择的一个轨迹点,即时序轨迹点集中需要判断是否异常的轨迹点。
目标轨迹点可以是由用户选择的判定是否异常的轨迹点,也可以是系统按照时序轨迹点的时间顺序,依次选择的判定是否异常的轨迹点,对此,本公开实施例也不加以限制。
在获取时序轨迹点集中的目标轨迹点之后,执行步骤104。
步骤104:依据所述目标轨迹点和各所述时序轨迹点子集的时序轨迹函数,判断所述目标轨迹点是否为异常轨迹点。
在获取目标轨迹点及各组时序轨迹点及的时序轨迹函数之后,可以判断该目标轨迹点属于哪组时序轨迹点子集,进而将目标轨迹点代入目标轨迹点所属时序轨迹点子集对应的时序轨迹函数,从而判断目标轨迹是否为异常轨迹点。
可以理解地,获取的时序轨迹函数通常为一条曲线,则可以根据目标轨迹点的经纬度坐标,计算目标轨迹点与曲线之间的最短距离,在最短距离大于设定阈值的情况下,可以判定该目标轨迹点为异常轨迹点;而在最短距离小于等于设定阈值的情况下,可以判定目标轨迹点为正常轨迹点。
在具体实现中,还可以选择其它方式判定目标轨迹点是否为异常轨迹点,对此,本公开实施例不加以限制。
本公开实施例通过拟合运动模型来判断异常轨迹点,对于多于1个的异常轨迹点能有效进行判定,从而减少了误判和漏判。
本公开实施例提供的异常点判断方法,通过将时序轨迹点集划分为至少两组时序轨迹点子集,对时序轨迹点子集内的轨迹点进行拟合处理,确定时序轨迹点子集的时序轨迹函数,其中,时序轨迹函数是与经纬度和时间关联的二次函数,获取时序轨迹点集中的目标轨迹点,并依据目标轨迹点和各时序轨迹点子集的时序轨迹函数,判断目标轨迹点是否为异常轨迹点。本公开实施例通过拟合运动模型来判断异常轨迹点,对于多于1个的异常轨迹点能有效进行判定,从而减少了误判和漏判。
实施例二
参照图2,示出了本公开实施例提供的一种异常点判断方法的步骤流程图,具体可以包括如下步骤:
步骤201:将时序轨迹点集划分为至少两组时序轨迹点子集。
在本公开实施例中,时序轨迹点集是指物体或人在运动过程中按时间排序产生的轨迹点,例如,当人在移动状态下,开启定位过程,在移动过程中,通过不断定位产生的轨迹序列,即为时序轨迹点集。
在生成时序轨迹点集之后,可以判定出时序轨迹点集中的异常轨迹点,从而更正后的时序轨迹点集可以应用于后续的数据分析处理过程。
在生成时序轨迹点集中,各轨迹点的表示方式可以为(lat,lng, accuracy,timestamp)。
上述表示方式中,lat:latitude,表示纬度,也即物体或人所处的纬度;
lng:longitude,表示经度,也即物体或人所处的经度;
accuracy:表示精度,也即定位装置的精度(如系统给出的GPS的精度值);
timestamp:表示时间戳,也即轨迹点的定位时间。
在得到时序轨迹点集之后,可以将时序轨迹点集划分为两组时序轨迹点子集,如,时序轨迹点集中包含50个轨迹点,可以从时序轨迹点集中间位置处进行划分,即将前25个轨迹点组成第一时序轨迹点子集,将后25 个轨迹点组成第二时序轨迹点子集。
当然,也可以将时序轨迹点集划分为两组以上的时序轨迹点子集,如划分为3组、5组等等,本公开实施例对此不加以限制。
可以理解地,上述示例仅是为了更好地理解本公开实施例的技术方案而列举的示例,不作为对本公开的唯一限制。
在具体划分时,可以按照时序轨迹点集的轨迹点个数平均划分为n组 (n为大于等于2的正整数),也可以按照其它方式进行划分,本公开实施例对此也不加以限制。
当然,划分得到的各时序轨迹点子集中的轨迹点的个数应大于3个,如果一组时序轨迹点集中的轨迹点的个数小于等于3,则不进行后续的拟合解算过程。
在将时序轨迹点集划分为至少两组时序轨迹点子集之后,执行步骤202。
步骤202:依据所述时序轨迹点子集中各轨迹点的精度值,确定所述时序轨迹点子集的权重。
在本公开实施例中,精度值是指在获取各轨迹点时系统所给出的定位装置的精度值,例如,在使用手机中的GPS对用户进行时序定位时,在每次进行定位时,系统均会给出一个定位精度值。对于时序轨迹点集,各个轨迹点的精度值可能是相同的,也可能是不相同的,具体地,可以根据实际情况而定,本公开实施例对此不加以限制。
在获取各组时序轨迹点子集中各轨迹点的精度值之后,可以依据各轨迹点的精度值计算得到各组时序轨迹点子集对应的权重,例如,对于时序轨迹点子集A,精度归一化作为权重等等。
在实际应用中,还可以依据各组时序轨迹点子集中所有轨迹点的精度值按照其它算法,计算得到各组时序轨迹点子集的权重,本公开实施例对此不加以限制。
在依据时序轨迹点子集中各轨迹点的精度值,确定时序轨迹点子集的权重之后,执行步骤203。
步骤203:依据各所述权重,利用加权最小二乘法拟合生成所述时序轨迹点子集的时序轨迹函数。
加权最小二乘法是指对原模型中的各参数进行加权,然后采用最小二乘法估计其参数的一种数学优化技术。在本公开实施例中,是对各时序轨迹点子集中的各轨迹点进行加权,然后采用最小二乘法估计各参数。
在本公开实施例中,在获取各组时序轨迹点子集对应的权重之后,可以结合各轨迹点的经纬度值,采用加权最小二乘法对各组时序轨迹点子集进行拟合处理,从而生成对应的时序轨迹函数。
得到的时序轨迹函数是与各轨迹点的经纬度值和时间相关的函数表达式(如抛物线函数表达式、双曲线函数表达式等等),对于得到的时序轨迹函数的具体表达方式可以根据实际情况而定,本公开实施例不加以限制。
可以理解地,采用加权最小二乘法拟合的方式已经是本领域较为成熟的技术,本公开实施例在此不再加以详细描述。
在依据各权重,利用加权最小二乘法拟合生成时序轨迹点子集的时序轨迹函数之后,执行步骤204。
步骤204:获取所述时序轨迹点集中的目标轨迹点。
目标轨迹点是指从时序轨迹点集中选择的一个轨迹点,即时序轨迹点集中需要判断是否异常的轨迹点。
目标轨迹点可以是由用户选择的判定是否异常的轨迹点,也可以是系统按照时序轨迹点的时间顺序,依次选择的判定是否异常的轨迹点,对此,本公开实施例也不加以限制。
在获取时序轨迹点集中的目标轨迹点之后,执行步骤205。
步骤205:获取所述目标轨迹点的目标时间戳。
依据上述步骤201中各轨迹点的表示方式可知,每个轨迹点均对应有不同的时间戳。
在获取时序轨迹点集中的目标轨迹点之后,可以依据目标轨迹点的表示方式,获取目标轨迹点的目标时间戳。
在获取目标轨迹点的目标时间戳之后,执行步骤206。
步骤206:将所述目标时间戳代入所述时序轨迹函数,确定与所述目标轨迹点对应的预测经纬度坐标值。
获取在获取目标时间戳之后,可以将目标时间戳代入时序轨迹函数,由于时序轨迹函数是与各轨迹点的经纬度值和时间关联的函数表达式,从而在将目标时间戳代入时序轨迹函数之后,可以得到对应的经纬度值,也即与目标轨迹点对应的预测经纬度坐标值。
在将目标时间戳代入时序轨迹函数,确定与目标轨迹点对应的预测经纬度坐标值之后,执行步骤207。
步骤207:获取所述目标轨迹点的经纬度观测值。
经纬度观测值是指采用定位装置(如GPS等)进行定位得到的目标轨迹点的经纬度坐标值。
在先前的时序轨迹点集中预先保存了各轨迹点的经纬度坐标值,如步骤201中的各轨迹点的表达方式。在确定目标轨迹点之后,可以依据目标轨迹点的表达方式获取目标轨迹点的经纬度观测值。
在获取目标轨迹点的经纬度观测值之后,执行步骤208。
步骤208:依据所述经纬度观测值和所述预测经纬度坐标值,确定所述目标轨迹点是否为异常轨迹点。
可以理解地,预测经纬度坐标值是相对准确的经纬度坐标值。
在获取目标轨迹点的经纬度观测值之后,可以依据真实经纬度坐标和预测经纬度坐标值,确定目标轨迹点是否为异常轨迹点。
对于依据真实经纬度坐标和预测经纬度坐标值,确定目标轨迹点是否为异常点的具体实现方式可以参照下述优选实施例进行详细描述。
在本公开实施例的一种有优选实施例中,上述步骤208可以包括:
子步骤S1:获取所述经纬度观测值和所述预测经纬度坐标值之间的差值;
子步骤S2:在所述差值大于设定阈值时,判定所述目标轨迹点为异常轨迹点。
在本公开实施例中,设定阈值可以为系统预先设定的距离差值,设定阈值可以为1m、5m、10m等等,本公开实施例对此不加以限制。
可以结合经纬度观测值和预测经纬度之间的距离,确定目标轨迹点是否为异常轨迹点。
首先,可以获取经纬度观测值和预测经纬度坐标值之间的差值,通过该差值可以得到经纬度观测值和预测经纬度坐标值之间的距离,即两个点之间的距离。
其次,在得到经纬度观测值和预测经纬度坐标值之间的差值后,可以将差值与设定阈值进行比较,进而依据比较结果判断目标轨迹点是否为异常轨迹点。
在差值小于等于设定阈值的情况下,则可以判定该目标轨迹点为正常轨迹点,即非异常轨迹点。
而在差值大于设定阈值的情况下,则可以判定该目标轨迹点为异常轨迹点。
在判定目标轨迹点为异常轨迹点的情况下,则可以在时序轨迹点集中,将上述获取的目标轨迹点的预测经纬度坐标值替代目标轨迹点的经纬度观测值。
通过上述方式,针对时序轨迹点集中,可以依次采用上述方式判定各轨迹点是否为异常轨迹点,从而可以完成时序轨迹点集中异常轨迹点的排查、校正过程,从而得到较为准确的时序轨迹点集,以供后续的轨迹分析,避免了数据错误造成的分析错误。
本公开实施例通过拟合运动模型来判断异常轨迹点,对于多于1个的异常轨迹点能有效进行判定,从而减少了误判和漏判。
本公开实施例提供的异常点判断方法,通过将时序轨迹点集划分为至少两组时序轨迹点子集,对时序轨迹点子集内的轨迹点进行拟合处理,确定时序轨迹点子集的时序轨迹函数,其中,时序轨迹函数是与经纬度和时间关联的二次函数,获取时序轨迹点集中的目标轨迹点,并依据目标轨迹点和各时序轨迹点子集的时序轨迹函数,判断目标轨迹点是否为异常轨迹点。本公开实施例通过拟合运动模型来判断异常轨迹点,对于多于1个的异常轨迹点能有效进行判定,从而减少了误判和漏判。
实施例三
参照图3,示出了本公开实施例提供的一种异常点判断装置的结构示意图,具体可以包括:
轨迹点集划分模块310,用于将时序轨迹点集划分为至少两组时序轨迹点子集;轨迹函数确定模块320,用于对所述时序轨迹点子集内的轨迹点进行拟合处理,确定所述时序轨迹点子集的时序轨迹函数;其中,所述时序轨迹函数是与经纬度和时间关联的二次函数;目标轨迹点获取模块330,用于获取所述时序轨迹点集中的目标轨迹点;异常轨迹点判断模块340,用于依据所述目标轨迹点和各所述时序轨迹点子集的时序轨迹函数,判断所述目标轨迹点是否为异常轨迹点。
优选地,所述轨迹点集划分模块310包括:时间参数获取子模块,用于获取所述时序轨迹点集中每个时序轨迹点对应的时间参数;时间参数判断子模块,用于针对每个所述时间参数,依次判断所述时间参数是否满足预置时间条件;处理后轨迹点集获取子模块,用于在所述时间参数不满足所述预置时间条件时,从所述时序轨迹点集中删除所述时间参数对应的时序轨迹点,得到处理后的时序轨迹点集;轨迹点集划分子模块,用于将所述处理后的时序轨迹点集划分为至少两组时序轨迹点子集。
优选地,每组所述时序轨迹点子集中轨迹点的个数大于3个。
本公开实施例提供的异常点判断装置,通过将时序轨迹点集划分为至少两组时序轨迹点子集,对时序轨迹点子集内的轨迹点进行拟合处理,确定时序轨迹点子集的时序轨迹函数,其中,时序轨迹函数是与经纬度和时间关联的二次函数,获取时序轨迹点集中的目标轨迹点,并依据目标轨迹点和各时序轨迹点子集的时序轨迹函数,判断目标轨迹点是否为异常轨迹点。本公开实施例通过拟合运动模型来判断异常轨迹点,对于多于1个的异常轨迹点能有效进行判定,从而减少了误判和漏判。
实施例四
参照图4,示出了本公开实施例提供的一种异常点判断装置的结构示意图,具体可以包括:
轨迹点集划分模块410,用于将时序轨迹点集划分为至少两组时序轨迹点子集;轨迹函数确定模块420,用于对所述时序轨迹点子集内的轨迹点进行拟合处理,确定所述时序轨迹点子集的时序轨迹函数;目标轨迹点获取模块430,用于获取所述时序轨迹点集中的目标轨迹点;异常轨迹点判断模块440,用于依据所述目标轨迹点和各所述时序轨迹点子集的时序轨迹函数,判断所述目标轨迹点是否为异常轨迹点。
优选地,所述轨迹函数确定模块420包括:子集权重确定子模块4201,用于依据所述时序轨迹点子集中各轨迹点的精度值,确定所述时序轨迹点子集的权重;轨迹函数生成子模块4202,用于依据各所述权重,利用加权最小二乘法拟合生成所述时序轨迹点子集的时序轨迹函数。
优选地,所述时序轨迹函数包括时间戳,所述异常轨迹点判断模块440 包括:目标时间戳获取子模块4401,用于获取所述目标轨迹点的目标时间戳;经纬度坐标确定子模块4402,用于将所述目标时间戳代入所述时序轨迹函数,确定与所述目标轨迹点对应的预测经纬度坐标值;真实坐标值获取子模块4403,用于获取所述目标轨迹点的经纬度观测值;异常轨迹点确定子模块4404,用于依据所述经纬度观测值和所述预测经纬度坐标值,确定所述目标轨迹点是否为异常轨迹点。
优选地,所述异常轨迹点确定子模块4404包括:坐标差值获取子模块,用于获取所述经纬度观测值和所述预测经纬度坐标值之间的差值;异常轨迹点判定子模块,用于在所述差值大于设定阈值时,判定所述目标轨迹点为异常轨迹点。
本公开实施例提供的异常点判断装置,通过将时序轨迹点集划分为至少两组时序轨迹点子集,对时序轨迹点子集内的轨迹点进行拟合处理,确定时序轨迹点子集的时序轨迹函数,其中,时序轨迹函数是与经纬度和时间关联的二次函数,获取时序轨迹点集中的目标轨迹点,并依据目标轨迹点和各时序轨迹点子集的时序轨迹函数,判断目标轨迹点是否为异常轨迹点。本公开实施例通过拟合运动模型来判断异常轨迹点,对于多于1个的异常轨迹点能有效进行判定,从而减少了误判和漏判。
本公开的实施例还提供了一种电子设备,包括:处理器、存储器以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,所述处理器执行所述程序时实现前述实施例的异常点判断方法。
本公开的实施例还提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述实施例的异常点判断方法。
对于装置实施例而言,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。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本公开的实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的实施例的内容,并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书 (包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP) 来实现根据本公开的实施例的动态图片的生成设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已,并不用以限制本公开的实施例,凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本公开的实施例的保护范围之内。
以上所述,仅为本公开的实施例的具体实施方式,但本公开的实施例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公开的实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的实施例的保护范围之内。因此,本公开的实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种异常点判断方法,其特征在于,包括:
将时序轨迹点集划分为至少两组时序轨迹点子集;
对所述时序轨迹点子集内的轨迹点进行拟合处理,确定所述时序轨迹点子集的时序轨迹函数;
获取所述时序轨迹点集中的目标轨迹点;
依据所述目标轨迹点和各所述时序轨迹点子集的时序轨迹函数,判断所述目标轨迹点是否为异常轨迹点。
2.根据权利要求1所述的方法,其特征在于,所述将时序轨迹点集划分为至少两组时序轨迹点子集的步骤,包括:
获取所述时序轨迹点集中每个时序轨迹点对应的时间参数;
针对每个所述时间参数,依次判断所述时间参数是否满足预置时间条件;
若不满足,则从所述时序轨迹点集中删除所述时间参数对应的时序轨迹点,得到处理后的时序轨迹点集;
将所述处理后的时序轨迹点集划分为至少两组时序轨迹点子集。
3.根据权利要求1所述的方法,其特征在于,所述对所述时序轨迹点子集内的轨迹点进行拟合处理,确定所述时序轨迹点子集的时序轨迹函数的步骤,包括:
依据所述时序轨迹点子集中各轨迹点的精度值,确定所述时序轨迹点子集的权重;
依据各所述权重,利用加权最小二乘法拟合生成所述时序轨迹点子集的时序轨迹函数。
4.根据权利要求1所述的方法,其特征在于,所述时序轨迹函数包括时间戳,所述依据所述目标轨迹点和各所述时序轨迹点子集的时序轨迹函数,判断所述目标轨迹点是否为异常轨迹点的步骤,包括:
获取所述目标轨迹点的目标时间戳;
将所述目标时间戳代入所述时序轨迹函数,确定与所述目标轨迹点对应的预测经纬度坐标值;
获取所述目标轨迹点的经纬度观测值;
依据所述经纬度观测值和所述预测经纬度坐标值,确定所述目标轨迹点是否为异常轨迹点。
5.根据权利要求4所述的方法,其特征在于,所述依据所述经纬度观测值和所述预测经纬度坐标值,确定所述目标轨迹点是否为异常轨迹点的步骤,包括:
获取所述经纬度观测值和所述预测经纬度坐标值之间的差值;
在所述差值大于设定阈值时,判定所述目标轨迹点为异常轨迹点。
6.根据权利要求1-5任一项所述的方法,其特征在于,每组所述时序轨迹点子集中轨迹点的个数大于3个。
7.一种异常点判断装置,其特征在于,包括:
轨迹点集划分模块,用于将时序轨迹点集划分为至少两组时序轨迹点子集;
轨迹函数确定模块,用于对所述时序轨迹点子集内的轨迹点进行拟合处理,确定所述时序轨迹点子集的时序轨迹函数;
目标轨迹点获取模块,用于获取所述时序轨迹点集中的目标轨迹点;
异常轨迹点判断模块,用于依据所述目标轨迹点和各所述时序轨迹点子集的时序轨迹函数,判断所述目标轨迹点是否为异常轨迹点。
8.根据权利要求7所述的装置,其特征在于,所述轨迹点集划分模块包括:
时间参数获取子模块,用于获取所述时序轨迹点集中每个时序轨迹点对应的时间参数;
时间参数判断子模块,用于针对每个所述时间参数,依次判断所述时间参数是否满足预置时间条件;
处理后轨迹点集获取子模块,用于在所述时间参数不满足所述预置时间条件时,从所述时序轨迹点集中删除所述时间参数对应的时序轨迹点,得到处理后的时序轨迹点集;
轨迹点集划分子模块,用于将所述处理后的时序轨迹点集划分为至少两组时序轨迹点子集。
9.一种电子设备,其特征在于,包括:
处理器、存储器以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,所述处理器执行所述程序时实现如权利要求1-6中一个或多个所述的异常点判断方法。
10.一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如方法权利要求1-6中一个或多个所述的异常点判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910147334.4A CN110058276A (zh) | 2019-02-27 | 2019-02-27 | 异常点判断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910147334.4A CN110058276A (zh) | 2019-02-27 | 2019-02-27 | 异常点判断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110058276A true CN110058276A (zh) | 2019-07-26 |
Family
ID=67316507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910147334.4A Pending CN110058276A (zh) | 2019-02-27 | 2019-02-27 | 异常点判断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110058276A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062655A (zh) * | 2019-11-29 | 2020-04-24 | 德银天下投资控股有限公司 | 一种异常物流运单的识别方法、装置及系统 |
CN111522035A (zh) * | 2020-06-04 | 2020-08-11 | 深圳市华德安科技有限公司 | 定位轨迹的生成方法、设备及可读存储介质 |
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 |
CN111553291A (zh) * | 2020-04-30 | 2020-08-18 | 北京爱笔科技有限公司 | 行人轨迹的生成方法、装置、设备及计算机存储介质 |
CN112748451A (zh) * | 2021-01-26 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 轨迹处理方法、装置、电子设备及介质 |
CN113465616A (zh) * | 2021-06-28 | 2021-10-01 | 湖北亿咖通科技有限公司 | 轨迹异常点检测方法和装置、电子设备、计算机程序产品及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103035123A (zh) * | 2012-12-25 | 2013-04-10 | 中国科学院深圳先进技术研究院 | 一种交通轨迹数据中异常数据获取方法及系统 |
US20130166188A1 (en) * | 2011-12-21 | 2013-06-27 | Microsoft Corporation | Determine Spatiotemporal Causal Interactions In Data |
CN104395696A (zh) * | 2012-06-28 | 2015-03-04 | 皇家飞利浦有限公司 | 估计设备位置的方法和实施该方法的装置 |
CN104931989A (zh) * | 2015-07-14 | 2015-09-23 | 成都乐动信息技术有限公司 | 运动轨迹中异常点的检测方法与装置 |
CN104951655A (zh) * | 2015-06-08 | 2015-09-30 | 浙江大学 | 一种基于频繁模式树的车辆运动模式挖掘方法 |
CN107798079A (zh) * | 2017-09-30 | 2018-03-13 | 北京泓达九通科技发展有限公司 | 基于车辆轨迹数据的路段拼接方法及系统 |
CN109165058A (zh) * | 2018-07-06 | 2019-01-08 | 北京三快在线科技有限公司 | 一种图片处理方法及装置 |
-
2019
- 2019-02-27 CN CN201910147334.4A patent/CN110058276A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130166188A1 (en) * | 2011-12-21 | 2013-06-27 | Microsoft Corporation | Determine Spatiotemporal Causal Interactions In Data |
CN104395696A (zh) * | 2012-06-28 | 2015-03-04 | 皇家飞利浦有限公司 | 估计设备位置的方法和实施该方法的装置 |
CN103035123A (zh) * | 2012-12-25 | 2013-04-10 | 中国科学院深圳先进技术研究院 | 一种交通轨迹数据中异常数据获取方法及系统 |
CN104951655A (zh) * | 2015-06-08 | 2015-09-30 | 浙江大学 | 一种基于频繁模式树的车辆运动模式挖掘方法 |
CN104931989A (zh) * | 2015-07-14 | 2015-09-23 | 成都乐动信息技术有限公司 | 运动轨迹中异常点的检测方法与装置 |
CN107798079A (zh) * | 2017-09-30 | 2018-03-13 | 北京泓达九通科技发展有限公司 | 基于车辆轨迹数据的路段拼接方法及系统 |
CN109165058A (zh) * | 2018-07-06 | 2019-01-08 | 北京三快在线科技有限公司 | 一种图片处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
焦竹青 等: "基于曲线拟合的无线传感器网络目标定位算法", 《东南大学学报(自然科学版)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062655A (zh) * | 2019-11-29 | 2020-04-24 | 德银天下投资控股有限公司 | 一种异常物流运单的识别方法、装置及系统 |
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 |
CN111553291A (zh) * | 2020-04-30 | 2020-08-18 | 北京爱笔科技有限公司 | 行人轨迹的生成方法、装置、设备及计算机存储介质 |
CN111553291B (zh) * | 2020-04-30 | 2023-10-17 | 北京爱笔科技有限公司 | 行人轨迹的生成方法、装置、设备及计算机存储介质 |
CN111522035A (zh) * | 2020-06-04 | 2020-08-11 | 深圳市华德安科技有限公司 | 定位轨迹的生成方法、设备及可读存储介质 |
CN111522035B (zh) * | 2020-06-04 | 2023-11-14 | 深圳市华德安科技有限公司 | 定位轨迹的生成方法、设备及可读存储介质 |
CN112748451A (zh) * | 2021-01-26 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 轨迹处理方法、装置、电子设备及介质 |
CN112748451B (zh) * | 2021-01-26 | 2022-04-22 | 腾讯科技(深圳)有限公司 | 轨迹处理方法、装置、电子设备及介质 |
CN113465616A (zh) * | 2021-06-28 | 2021-10-01 | 湖北亿咖通科技有限公司 | 轨迹异常点检测方法和装置、电子设备、计算机程序产品及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110058276A (zh) | 异常点判断方法及装置 | |
CN111896914A (zh) | 一种协同定位方法、装置、设备和存储介质 | |
CN106767772B (zh) | 地磁指纹分布图的构建方法和装置及定位方法和装置 | |
CN109634819B (zh) | 告警根因定位方法和装置、电子设备 | |
CN108072886A (zh) | 一种定位方法、装置及电子设备 | |
CN109883423A (zh) | 基于卡尔曼滤波的定位方法、系统、设备及存储介质 | |
CN106646554A (zh) | 一种gps定位数据的处理方法及装置,电子设备 | |
CN107968987B (zh) | 基于定积分结合环境参数的rssi加权质心定位方法 | |
CN108897022A (zh) | 一种基于gps的轨迹精确定位方法及系统 | |
CN106323272B (zh) | 一种获取航迹起始轨迹的方法及电子设备 | |
CN109633703B (zh) | 一种应对遮挡场景的北斗导航无源定位方法 | |
CN106773783A (zh) | 一种连续运行参考站系统的半物理仿真测试系统及方法 | |
CN110221244A (zh) | 非视距条件下基于到达时间差的鲁棒定位方法 | |
CN103809985B (zh) | 一种软件开发方案的生成方法及系统 | |
CN116050136A (zh) | 一种智能船舶测试场景库的生成方法、装置及设备 | |
CN105411614A (zh) | 平板探测器的曝光剂量的确定方法、装置及设备 | |
CN105338541B (zh) | 一种基于移动无线网络数据的异常轨迹检测方法及装置 | |
KR101258832B1 (ko) | 액세스 포인트를 이용한 위치 측정 방법 및 그 장치 | |
CN103974410A (zh) | 用于定位的方法和装置 | |
CN106851584A (zh) | 识别移动设备所处环境的方法及装置 | |
CN109308291A (zh) | 地图轨迹的平滑方法、装置、终端及计算机可读存储介质 | |
CN103091508A (zh) | 一种获取导航目标运动方向的方法和装置 | |
CN104155636A (zh) | 一种基于恒虚警目标检测的优化方法 | |
CN109951855B (zh) | 利用非视距状态空间相关性的定位方法及装置 | |
CN102901972A (zh) | 北斗卫星搜索装置及其搜索方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |
|
RJ01 | Rejection of invention patent application after publication |