CN110196440B - 重合轨迹的识别方法及装置、电子设备、存储介质 - Google Patents
重合轨迹的识别方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN110196440B CN110196440B CN201810492659.1A CN201810492659A CN110196440B CN 110196440 B CN110196440 B CN 110196440B CN 201810492659 A CN201810492659 A CN 201810492659A CN 110196440 B CN110196440 B CN 110196440B
- Authority
- CN
- China
- Prior art keywords
- road section
- moving object
- moving
- unit
- length
- 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
- 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
本发明揭示了一种重合轨迹的识别方法及装置、电子设备、计算机可读存储介质,该方案包括:对运动对象的轨迹数据进行道路匹配,得到运动对象所途经的路段单元;根据运动对象所途经的路段单元,聚合途经同一路段单元的运动对象;从每一路段单元下的运动对象集合中,查找每个运动对象对应的可能重合对象;根据每一运动对象所途经的路段单元以及对应路段单元下的可能重合对象,获得运动对象与可能重合对象之间的重合路段长度;根据运动对象的运动轨迹长度,筛选出重合路段长度占运动轨迹长度的比重大于阈值的目标对象作为运动对象的轨迹重合对象。与传统比较曲线相似度方法相比,该方案在保证准确性的前提下极大地提高了重合轨迹的识别效率。
Description
技术领域
本发明涉及数据挖掘技术领域,特别涉及一种重合轨迹的识别方法及装置、电子设备、计算机可读存储介质。
背景技术
GPS轨迹数据是指通过手机或其他GPS设备采集的一系列车辆行驶的位置点,每个点至少包括时间戳、经度、纬度、海拔、速度、方向角等信息。GPS轨迹数据可以用于计算实时路况,在实际应用中路况计算所采用的车辆GPS轨迹数据可能来自不同的数据供应商,也即不同的数据来源。现实中不同数据来源之间有部分轨迹数据可能是重复的,即同一辆车的数据可能同时存在于两个数据集中。因此需要统计车辆轨迹重合的占比情况,进而评估数据来源的可用价值。
目前对两个GPS数据集间的轨迹重合度统计过程如下:两两对比车辆的轨迹重合情况,找出两个数据集之间的重合轨迹,然后统计数据集中重合轨迹的整体占比。在对比车辆轨迹是否重合时,一般采用比较轨迹曲线相似度的方法。
由于实际应用中,一个数据集可能包含几十甚至上百万辆车的轨迹数据,对两个数据集之间的车辆轨迹数据进行两两对比,统计数据集间的重合轨迹,需要耗费较长的时间,且比较轨迹曲线的相似度算法复杂,运算耗时高,因此现有进行GPS数据集间轨迹重合度统计的效率较低。
发明内容
为了解决相关技术中存在的进行GPS数据集间轨迹重合度统计的效率较低的问题,本发明提供了一种重合轨迹的识别方法。
一方面,本发明提供了一种重合轨迹的识别方法,所述方法包括:
对所有运动对象的轨迹数据进行道路匹配,得到每一运动对象所途经的路段单元;
根据每一运动对象所途经的路段单元,聚合途经同一路段单元的运动对象,获得每一路段单元下的运动对象集合;
从每一路段单元下的运动对象集合中,查找每个运动对象对应的可能重合对象;
根据每一运动对象所途经的路段单元以及对应路段单元下的可能重合对象,获得所述运动对象与所述可能重合对象之间的重合路段长度;
根据所述运动对象的运动轨迹长度,在所述可能重合对象中筛选出所述重合路段长度占所述运动轨迹长度的比重大于阈值的目标对象,得到所述运动对象对应的轨迹重合对象。
另一方面,本发明还提供了一种重合轨迹的识别装置,所述装置包括:
道路匹配模块,用于对所有运动对象的轨迹数据进行道路匹配,得到每一运动对象所途经的路段单元;
对象聚合模块,用于根据每一运动对象所途经的路段单元,聚合途经同一路段单元的运动对象,获得每一路段单元下的运动对象集合;
重合查找模块,用于从每一路段单元下的运动对象集合中,查找每个运动对象对应的可能重合对象;
长度计算模块,用于根据每一运动对象所途经的路段单元以及对应路段单元下的可能重合对象,获得所述运动对象与所述可能重合对象之间的重合路段长度;
重合输出模块,用于根据所述运动对象的运动轨迹长度,在所述可能重合对象中筛选出所述重合路段长度占所述运动轨迹长度的比重大于阈值的目标对象,得到所述运动对象对应的轨迹重合对象。
此外,本发明还提供了一种电子设备,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述重合轨迹的识别方法。
进一步的,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序可由处理器执行完成上述重合轨迹的识别方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明提供的技术方案,在判断运动对象轨迹是否重合时,不再使用传统的曲线相似度比较方法,而是比较运动对象经过的路段单元,根据每个运动对象所途经的路段单元,首先聚合每一路段单元下经过的运动对象,然后查找该路段单元下各运动对象的可能重合对象,并计算运动对象与可能重合对象之间的重合路段长度,如果重合路段长度占运动对象的运动轨迹长度的比重大于阈值,可以认为运动对象与可能重合对象的轨迹数据重合,由此实现了数据集中重合轨迹的识别,与传统比较曲线相似度方法相比,在保证准确性的前提下极大地提高了重合轨迹的识别效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是根据本发明所涉及的实施环境的示意图;
图2是根据一示例性实施例示出的一种服务器的框图;
图3是根据一示例性实施例示出的一种重合轨迹的识别方法的流程图;
图4是通过两个map-reduce作业进行重合轨迹识别的流程示意图;
图5是图3对应实施例中步骤330的细节流程图;
图6是对两个数据集进行重合度统计的流程示意图;
图7是图3对应实施例中步骤370的细节流程图
图8是在图3对应实施例的基础上另一示例性实施例示出的一种重合轨迹的识别方法的流程图;
图9是根据一示例性实施例示出的一种重合轨迹识别装置的框图;
图10是图9对应实施例中对象聚合模块的细节框图;
图11是图9对应实施例中长度计算模块的细节框图。
具体实施方式
这里将详细地对示例性实施例执行说明,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发明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、本发明的一些方面相一致的装置和方法的例子。
图1是根据本发明所涉及的实施环境的示意图。该实施环境包括:服务端110。服务端110可以是一台服务器或服务器集群。服务端110可以采用本发明提供的方法进行重合轨迹的识别,进而可以计算出不同数据集之间的轨迹重合度。
根据需要,该实施环境还将包括提供数据,即运动对象轨迹数据的数据来说。具体而言,在本实施环境中,数据来源可以为GPS(Global Positioning System,全球定位系统)设备120。服务端110可以获取GPS设备120采集的运动对象的轨迹数据,并采用本发明提供的方法进行重合轨迹的识别,从而评估数据集的可用价值。
应当说明的是,本发明提供的重合轨迹的识别方法,不限于在服务端110中部署相应的处理逻辑,其也可以是部署于其它机器中的处理逻辑。例如,在具备计算能力的终端设备中部署重合轨迹的识别方法的处理逻辑等。
参见图2,图2是本发明实施例提供的一种服务器结构示意图。该服务器200可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)222(例如,一个或一个以上处理器)和存储器232,一个或一个以上存储应用程序242或数据244的存储介质230(例如一个或一个以上海量存储设备)。其中,存储器232和存储介质230可以是短暂存储或持久存储。存储在存储介质230的程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对服务器200中的一系列指令操作。更进一步地,中央处理器222可以设置为与存储介质230通信,在服务器200上执行存储介质230中的一系列指令操作。服务器200还可以包括一个或一个以上电源226,一个或一个以上有线或无线网络接口250,一个或一个以上输入输出接口258,和/或,一个或一个以上操作系统241,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。下述图3、图5-图8所示实施例中所述的由服务端所执行的步骤可以基于该图2所示的服务器结构。
本领域普通技术人员可以理解实现下述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
图3是根据一示例性实施例示出的一种重合轨迹的识别方法的流程图。该重合轨迹的识别方法的适用范围和执行主体,例如,该方法用于图1所示实施环境的服务端110。如图3所示,该方法可以由服务端110执行,可以包括以下步骤。
在步骤310中,对所有运动对象的轨迹数据进行道路匹配,得到每一运动对象所途经的路段单元;
其中,运动对象是指处于运动状态的物体,运动对象可以是人、车辆、船只等可以产生移动的物体。轨迹数据是指时空环境下,通过对一个或多个移动对象运动过程的采样所获得的数据信息,包括采样点位置、采样时间、速度等,这些采样点数据信息根据采样先后顺序构成了轨迹数据。在一种实施例中,轨迹数据可以是GPS轨迹数据,GPS轨迹数据是指由手机或其他GPS设备采集的一系列运动对象运动的位置点,每个位置点包括时间戳、经度、纬度、海拔、速度、方向角等信息。
路段单元是路网数据中定义基础路段单元,是道路的基本组成部分,通常,一个转弯处到下一个转弯处之间的道路作为一个路段单元,路网数据中的路段单元是提前定义好的,每个路段单元均有对应的编号。具体的,将每一运动对象的GPS轨迹数据与路网数据中定义的路段单元进行道路匹配,可以得到每一运动对象所途经的路段单元。路网数据中提前定义了每个路段单元的位置,由此根据每个运动对象的轨迹数据,可以确定每个运动对象所途经的路段单元。换句话说,每个运动对象的轨迹数据均可以转化成所经过的路段单元。举例来说,通过将运动对象1的轨迹数据转化成所经过的路段单元(路段单元1、路段单元8、路段单元13……)。依次类推,可以将每个运动对象的轨迹数据转化得到路段单元,进行得到包含所有路段单元的路段单元集合。
在步骤330中,根据每一运动对象所途经的路段单元,聚合途经同一路段单元的运动对象,获得每一路段单元下的运动对象集合;
具体的,服务端110可以是hadoop(分布式系统的平台)集群,hadoop集群通过运行map-reduce(分布式计算框架)程序,进行重合路段长度的计算。服务端110运行两个map-reduce作业,在第一个map-reduce作业的map(映射)阶段,根据每个运动对象所途经的路段单元,遍历路段单元集合,以路段单元的ID(标识信息)为key(关键字),筛选出经过该路段单元的所有运动对象。其中,运动对象集合就是经过同一路段单元ID的所有运动对象构成的集合。针对每个路段单元ID,均可得到经过该路段单元的运动对象集合UID。
举例来说,假设车辆a经过路段单元ID是3、5、6、7,车辆b经过路段单元ID是4、6、7、8、9,车辆c经过的路段单元ID是2、5、7、9,则可以以ID=2为key,得到集合1(包含车辆c),以ID=3为key,得到集合2(包含车辆a),以ID=4为key,以ID=5为key……依次类推,得到每个路段单元下的车辆集合。
在一种实施例中,为了判断两个数据集中运动对象轨迹数据的重合情况,遍历路段单元集合,以每一路段单元的ID为key,聚合第一数据集中经过该路段单元的所有运动对象,得到该路段单元下的运动对象集合U1,聚合第二数据集中经过该路段单元的所有运动对象,得到该路段单元下的运动对象集合U2。
在步骤350中,从每一路段单元下的运动对象集合中,查找每个运动对象对应的可能重合对象;
其中,可能重合对象的判断条件可以是与运动对象经过某路段单元的时间差小于阈值,阈值可以是2分钟、3分钟或其他时间。由于上述步骤330已经得到了经过同一路段单元的运动对象集合,由此在该运动对象集合中,可以根据每个运动对象经过该路段单元的时间,筛选出与某一运动对象经过该路段时间的时间间隔小于3分钟的其他运动对象,作为该运动对象的可能重合对象。每个运动对象的可能重合对象可能是1个或多个运动对象。
具体的,服务端110在第一个map-reduce作业的reduce(归约)阶段,从每一路段单元ID下的运动对象集合UID中,查找出每个运动对象对应的可能重合对象。也就是说,一个路段单元对应一个运动对象集合,针对该集合中的每个运动对象查找对应的可能重合对象。对每个路段单元所对应的运动对象集合,均采用同样的方式,查找集合中每一运动对象所对应的可能重合对象。
参照上述所述,为了判断两个数据集中运动对象轨迹数据的重合情况,在map阶段,以每一路段单元的ID为key,聚合第一数据集中经过该路段单元的所有运动对象,得到该路段单元下的运动对象集合U1,聚合第二数据集中经过该路段单元的所有运动对象,得到该路段单元下的运动对象集合U2。进而,在reduce阶段,遍历运动对象集合U1,查找U1中每个运动对象在集合U2中的可能重合对象,得到包含<运动对象ID、运路段单元ID、经过时间、可能重合对象列表>的集合。同理,遍历运动对象集合U2,可以查找U2中每个运动对象在集合U1中的可能重合对象。
在步骤370中,根据每一运动对象所途经的路段单元以及对应路段单元下的可能重合对象,获得所述运动对象与所述可能重合对象之间的重合路段长度;
其中,重合路段长度是指运动对象与某个可能重合对象之间重合轨迹的长度。具体的,在第二个map-reduce作业的map阶段,服务端110以运动对象的ID的key,遍历所有运动对象,得到每个运动对象在一天内经过的路段单元集合以及各个路段单元上对应的可能重合对象。举例来说,某运动对象x一天内经过的路段单元集合是路段单元3、5、7、9,而在路段单元3上对应的可能重合对象是运动对象a、c、d,在路段单元5上对应的可能重合对象是a、f,在路段单元7上对应的可能重合对象是a、e,在路段单元9上对应的可能重合对象是c、f。在第二个map-reduce作业的reduce阶段,可以筛选出运动对象x与可能重合对象a之间的重合路段长度是3段(路段3、5、7),运动对象x与可能重合对象c之间的重合路段长度是2段(路段3、9),运动对象x与可能重合对象d之间的重合路段长度是1段(路段3),运动对象x与可能重合对象e之间的重合路段长度是1段(路段3),运动对象x与可能重合对象f之间的重合路段长度是2段(路段5、9)。
在步骤390中,根据所述运动对象的运动轨迹长度,在所述可能重合对象中筛选出所述重合路段长度占所述运动轨迹长度的比重大于阈值的目标对象,得到所述运动对象对应的轨迹重合对象。
其中,运动轨迹长度是指某运动对象运动轨迹的总长度。目标对象是从所有可能重合对象中找出的确定与运动对象的轨迹数据重合度较高的重合对象,即轨迹重合对象。具体的,假设某个运动对象x与可能重合对象a之间的重合路段长度是d,而运动对象x的运动轨迹长度是n,d/n的比值大于阈值(如80%),则可以认为运动对象x和可能重合对象a的轨迹数据的重合度达到80%以上,确定可能重合对象a是运动对象x的轨迹重合对象,可以输出轨迹重合对象的ID。在一种实施例中,为了判断两个数据集中运动对象轨迹数据的重合情况,运动对象取自第一数据集,可能重合对象位于第二数据集,通过上述方案,可以快速从两个数据集中找出轨迹数据互相重合的车辆。
如图4所示,服务端110运行map-reduce计算框架,通过两个map-reduce作业查找轨迹重合的对象。在第一个map-reduce作业的map阶段,根据每个运动对象的所途经的路段单元,以路段单元ID为key聚合经过该路段单元的所有运动对象,也就是将相同key的运动对象信息(即value信息)放在同一个集合中,输出:路段长度、运动对象ID、通过时间、数据集标识。在reduce阶段,是根据上述集合中的value信息进一步查找该路段单元上每个运动对象对应的可能重合对象,输出:路段单元ID、路段长度、运动对象ID、通过时间、可能重合对象。在第二个map-reduce作业的map阶段,以运动对象ID为key聚合该运动对象所经过的路段单元,输出该运动对象ID对应的数据集ID、路段单元、路段长度、可能重合对象。在第二个map-reduce作业的reduce阶段,根据map阶段输出的运动对象ID对应的数据集ID、路段单元、路段长度、可能重合对象,计算运动对象与各可能重合对象的重合路段长度,如果与某个可能重合对象之间的重合路段长度占运动对象的运动轨迹长度达到80%,则可以认为该可能重合对象属于运动对象的轨迹重合对象,输出:运动对象ID、数据集、运动轨迹长度、运动对象ID的轨迹重合对象ID、重合路段长度。
本发明上述示例性实施例提供的技术方案,在判断运动对象轨迹是否重合时,不再使用传统的曲线相似度比较方法,而是比较运动对象经过的路段单元,根据每个运动对象所途经的路段单元,首先聚合每一路段单元下经过的运动对象,然后查找该路段单元下各运动对象的可能重合对象,并计算运动对象与可能重合对象之间的重合路段长度,如果重合路段长度占运动对象的运动轨迹长度的比重大于阈值,可以认为运动对象与可能重合对象的轨迹数据重合,由此实现了数据集中重合轨迹的识别,与传统比较曲线相似度方法相比,在保证准确性的前提下极大地提高了重合轨迹的识别效率。
在一种示例性实施例中,如图5所示,上述步骤330具体包括:
在步骤331中,根据每一运动对象所途经的路段单元,得到包含所有运动对象所途经路段单元的路段集合;
具体的,假设存在运动对象a、b、c,运动对象a途经路段1、3、5,运动对象b途径路段2、3、4,运动对象c途经路段2、5、7,则所有运动对象所途径的路段集合包括路段1、2、3、4、5、7。
在步骤332中,以所述路段集合中每一路段单元为条件,聚合途经所述路段单元的运动对象,得到每一路段单元下的运动对象集合。
其中,聚合是指归为一类,以上述路段集合中的每个路段单元为key,将途经该路段单元的运动对象归为一类,得到一个集合即运动对象集合。例如以路段5为key,途经该路段5的运动对象是a、c,由此将途经路段5的运动对象a和c归为一个运动对象集合。同理,还可以得到途经路段1的运动对象集合,途经路段2的运动对象集合……途经路段7的运动对象集合。
在一种示例性实施例中,上述步骤350具体包括:
在每一路段单元下的所述运动对象集合中,查找与每一运动对象途经所述路段单元的时间间隔小于预设值的其他运动对象,得到每一运动对象对应的可能重合对象。
其中,预设值可以是1分钟、2分钟、3分钟或者其他时间。举例来说,在途经路段单元1的运动对象集合中,查找与运动对象x途经该路段单元1的时间间隔小于3分钟的其他运动对象,其他运动对象可以认为是运动对象x的可能重合对象。同理,在途经路段单元2的运动对象集合中,可以找到与运动对象y途经该路段单元2的时间间隔小于3分钟的其他运动对象,其他运动对象可以认为是运动对象y的可能重合对象。以此类推,在每个路段单元下的运动对象集合中,查找与每个运动对象途经该路段单元的时间间隔小于3分钟的其他运动对象,由此得到每个运动对象的可能重合对象。
在一种示例性实施例中,上述步骤330中的运动对象集合包括第一集合和第二集合,上述步骤在每一路段单元下的所述运动对象集合中,查找与每一运动对象途经所述路段单元的时间间隔小于预设值的其他运动对象,得到每一运动对象对应的可能重合对象,包括:
根据每一路段单元下的第一集合中运动对象,在所述路段单元下的第二集合中,查找与所述第一集合中运动对象经过所述路段单元的时间间隔小于预设值的可能重合对象。
具体的,为了判断两个数据集中运动对象轨迹数据的重合情况,根据第一数据集中每个运动对象所途经的路段单元,聚合途经同一路段单元的运动对象,得到每个路段单元下的运动对象集合U1(即第一集合)。根据第二数据集中每个运动对象所途经的路段单元,聚合途径同一路段单元的运动对象,得到每个路段单元下的运动对象集合U2(即第二集合)。
对于每一路段单元下运动对象集合U1中的运动对象x,在该路段单元下的运动对象集合U2中查找与运动对象x经过该路段单元的时间间隔小于3分钟的运动对象,作为运动对象x的可能重合对象。
如图6所示,对于第一数据集(DATA1)和第二数据集(DARA2),为了比较DATA1和DARA2的轨迹数据重合情况。首先,将两个数据集的轨迹数据进行道路匹配,得到每个运动对象所途经的路段单元,然后通过上述步骤330-390进行轨迹是否重合的查找和判定。最后可以进行数据集轨迹重合度的统计。
在一种示例性实施例中,如图7所示,上述步骤370具体包括:
在步骤371中,根据每一运动对象所途经的路段单元以及对应路段单元下的可能重合对象,获得所述运动对象与所述可能重合对象之间的重合路段;
其中,重合路段是指运动对象与可能重合对象之间重合的路段单元。服务端110根据每一运动对象经过的路段单元,以及步骤350已经得到的每个路段单元下每一运动对象对应的可能重合对象,可以得到每个运动对象与其可能重合对象之间互相重合的路段单元。举例来说,运动对象x经过的路段单元是路段单元1、2、5,在步骤350中已经得到在路段单元1的运动对象集合中,查找到运动对象x对象的可能重合对象是L,在路段单元2的运动对象集合中,查找到运动对象x对象的可能重合对象是M,在路段单元5的运动对象集合中,查找到运动对象x对象的可能重合对象是N,由此,可以得到运动对象x与可能重合对象L的重合路段是路段单元1,运动对象x与可能重合对象M的重合路段是路段单元2,运动对象x与可能重合对象N的重合路段是路段单元5。
在步骤372中,根据每一路段单元的路段长度以及所述运动对象与所述可能重合对象之间的重合路段,计算得到所述运动对象与所述可能重合对象之间的重合路段长度。
需要说明的是,每个路段单元的路段长度是已知量,由此根据运动对象与可能重合对象之间重合的路段单元,以及每个路段单元的路段长度,可以计算出重合的路段单元的总长度即重合路段长度。
举例来说,运动对象x与可能重合对象L的重合路段是路段单元1,运动对象x与可能重合对象M的重合路段是路段单元2,运动对象x与可能重合对象N的重合路段是路段单元5。假设路段单元1的路段长度是1500米,路段单元2的路段长度是2000米,路段单元5的路段长度是1800米,则运动对象x与可能重合对象L的重合路段长度是1500,运动对象x与可能重合对象M的重合路段长度是2000,运动对象x与可能重合对象N的重合路段长度是1800。需要说明的是,如果运动对象x与可能重合对象L的重合路段不止路段单元1,还存在路段单元5、6、7等,则运动对象x与可能重合对象L的重合路段长度是路段单元1、5、6、7的路段长度之和。
在一种示例性实施例中,在上述步骤390之前,本发明提供的方法还包括:
根据每一运动对象所途经的路段单元以及每个路段单元对应的路段长度,计算得到每个运动对象的运动轨迹长度。
其中,每个运动对象的运动轨迹长度代表该运动对象在一定时间(如一天)内的运动距离。由于每个路段单元的路段长度是已知量,是对道路进行路段单元划分时已经确定的,由此根据运动对象一天内经过的路段单元,以及每个路段单元的路段长度,可以计算出该运动对象一天内的运动轨迹长度。举例来说,某运动对象x一天内经过的路段单元包括路段单元1、5、9,路段单元1的路段长度是5公里,路段单元5_的路段长度是2公里,路段单元9的路段长度是1公里,则通过累加可以计算出运动对象x的运动轨迹长度是8公里。
在一种示例性实施例中,如图8所示,在上述步骤390之后,本发明提供的方法还包括:
在步骤801中,根据第一数据集中运动对象与第二数据集中所对应轨迹重合对象之间的重合路段长度,计算所述第一数据集中运动对象的总重合里程;
其中,重合路段长度是指运动对象与其可能重合对象之间重合路段的总长度。总重合里程是数据集中每个运动对象的重合路段长度的总和。需要说明的是,为了比较两个数据集中运动对象轨迹数据的重合度,针对第一数据集中运动对象,在第二数据集中查找对应的轨迹重合对象。根据第一数据集中每个运动对象与第二数据集中对应轨迹重合对象之间的重合路段长度,通过累加可以算出第一数据集中所有运动对象与第二数据集中轨迹重合对象的总重合里程。
在步骤802中,根据所述第一数据集中运动对象的总运动里程,计算所述总重合里程占所述总运动里程的比重,获得所述第一数据集与所述第二数据集之间的轨迹重合度。
总运动里程是数据集中所有运动对象的运动轨迹长度的总和。根据第一数据集中每个运动对象的运动轨迹长度,通过累加可以计算出第一数据集中所有运动对象的总运动里程,由此总重合里程除以总运动里程得到的计算结果,可以认为是第一数据集与第二数据集的轨迹重合度。根据需要还可以统计出,数据集中所有运动对象的数量,以及存在轨迹重合对象的运动对象数量,由此计算出数据集的轨迹重合度。
下述为本发明装置实施例,可以用于执行本发明上述服务端110执行的重合轨迹的识别方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明重合轨迹的识别方法实施例。
图9是根据一示例性实施例示出的一种重合轨迹的识别装置的框图,该重合轨迹的识别装置可以用于图1所示实施环境的服务端110中,执行图3、图5-图8任一所示的重合轨迹的识别方法的全部或者部分步骤。如图9所示,该重合轨迹的识别装置包括但不限于:道路匹配模块910、对象聚合模块930、重合查找模块950、长度计算模块970以及重合输出模块990。
道路匹配模块910,用于对所有运动对象的轨迹数据进行道路匹配,得到每一运动对象所途经的路段单元;
对象聚合模块930,用于根据每一运动对象所途经的路段单元,聚合途经同一路段单元的运动对象,获得每一路段单元下的运动对象集合;
重合查找模块950,用于从每一路段单元下的运动对象集合中,查找每个运动对象对应的可能重合对象;
长度计算模块970,用于根据每一运动对象所途经的路段单元以及对应路段单元下的可能重合对象,获得所述运动对象与所述可能重合对象之间的重合路段长度;
重合输出模块990,用于根据所述运动对象的运动轨迹长度,在所述可能重合对象中筛选出所述重合路段长度占所述运动轨迹长度的比重大于阈值的目标对象,得到所述运动对象对应的轨迹重合对象。
上述装置中各个模块的功能和作用的实现过程具体详见上述重合轨迹的识别方法中对应步骤的实现过程,在此不再赘述。
道路匹配模块910比如可以是图2中的某一个物理结构中央处理器222。
对象聚合模块930、重合查找模块950、长度计算模块970以及重合输出模块990也可以是功能模块,用于执行上述重合轨迹的识别方法中的对应步骤。可以理解,这些模块可以通过硬件、软件、或二者结合来实现。当以硬件方式实现时,这些模块可以实施为一个或多个硬件模块,例如一个或多个专用集成电路。当以软件方式实现时,这些模块可以实施为在一个或多个处理器上执行的一个或多个计算机程序,例如图2的中央处理器222所执行的存储在存储器232中的程序。
在一种示例性实施例中,如图10所示,上述对象聚合模块930包括但不限于:
路段得到单元931,用于根据每一运动对象所途经的路段单元,得到包含所有运动对象所途经路段单元的路段集合;
对象聚合单元932,用于以所述路段集合中每一路段单元为条件,聚合途经所述路段单元的运动对象,得到每一路段单元下的运动对象集合。
在一种示例性实施例中,上述重合查找模块950包括但不限于:
对象查找单元,用于在每一路段单元下的所述运动对象集合中,查找与每一运动对象途经所述路段单元的时间间隔小于预设值的其他运动对象,得到每一运动对象对应的可能重合对象。
在一种示例性实施例中,所述运动对象集合包括第一集合和第二集合,所述对象查找单元包括:
对象查找子单元,用于根据每一路段单元下的第一集合中运动对象,在所述路段单元下的第二集合中,查找与所述第一集合中运动对象经过所述路段单元的时间间隔小于预设值的可能重合对象。
在一种示例性实施例中,如图11所示,所述长度计算模块970包括但不限于:
重合路段获得单元971,用于根据每一运动对象所途经的路段单元以及对应路段单元下的可能重合对象,获得所述运动对象与所述可能重合对象之间的重合路段;
路段长度计算单元972,用于根据每一路段单元的路段长度以及所述运动对象与所述可能重合对象之间的重合路段,计算得到所述运动对象与所述可能重合对象之间的重合路段长度。
在一种示例性实施例中,上述重合轨迹的识别装置还包括:
轨迹计算模块,用于根据每一运动对象所途经的路段单元以及每个路段单元对应的路段长度,计算得到每个运动对象的运动轨迹长度。
在一种示例性实施例中,上述重合轨迹的识别装置还包括:
重合里程计算模块,用于根据第一数据集中运动对象与第二数据集中所对应轨迹重合对象之间的重合路段长度,计算所述第一数据集中运动对象的总重合里程;
重合度计算模块,用于根据所述第一数据集中运动对象的总运动里程,计算所述总重合里程占所述总运动里程的比重,获得所述第一数据集与所述第二数据集之间的轨迹重合度。
可选的,本发明还提供一种电子设备,该电子设备可以用于图1所示实施环境的服务端110中,执行图3、图5-图8任一所示的重合轨迹的识别方法的全部或者部分步骤。所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述示例性实施例所述的重合轨迹的识别方法。
该实施例中的装置的处理器执行操作的具体方式已经在有关该重合轨迹的识别方法的实施例中执行了详细描述,此处将不做详细阐述说明。
在示例性实施例中,还提供了一种存储介质,该存储介质为计算机可读存储介质,例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质存储有计算机程序,所述计算机程序可由服务器200的中央处理器222执行以完成上述重合轨迹的识别方法。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (15)
1.一种重合轨迹的识别方法,其特征在于,所述方法包括:
对所有运动对象的轨迹数据进行道路匹配,得到每一运动对象所途经的路段单元;
根据每一运动对象所途经的路段单元,聚合途经同一路段单元的运动对象,获得每一路段单元下的运动对象集合;
从每一路段单元下的运动对象集合中,查找每个运动对象对应的可能重合对象;
根据每一运动对象所途经的路段单元以及对应路段单元下的可能重合对象,获得所述运动对象与所述可能重合对象之间的重合路段长度;
根据所述运动对象的运动轨迹长度,在所述可能重合对象中筛选出所述重合路段长度占所述运动轨迹长度的比重大于阈值的目标对象,得到所述运动对象对应的轨迹重合对象。
2.根据权利要求1所述的方法,其特征在于,所述根据每一运动对象所途经的路段单元,聚合途经同一路段单元的运动对象,获得每一路段单元下的运动对象集合,包括:
根据每一运动对象所途经的路段单元,得到包含所有运动对象所途经路段单元的路段集合;
以所述路段集合中每一路段单元为条件,聚合途经所述路段单元的运动对象,得到每一路段单元下的运动对象集合。
3.根据权利要求1所述的方法,其特征在于,所述从每一路段单元下的运动对象集合中,查找每个运动对象对应的可能重合对象,包括:
在每一路段单元下的所述运动对象集合中,查找与每一运动对象途经所述路段单元的时间间隔小于预设值的其他运动对象,得到每一运动对象对应的可能重合对象。
4.根据权利要求3所述的方法,其特征在于,所述运动对象集合包括第一集合和第二集合,所述在每一路段单元下的所述运动对象集合中,查找与每一运动对象途经所述路段单元的时间间隔小于预设值的其他运动对象,得到每一运动对象对应的可能重合对象,包括:
根据每一路段单元下的第一集合中运动对象,在所述路段单元下的第二集合中,查找与所述第一集合中运动对象经过所述路段单元的时间间隔小于预设值的可能重合对象。
5.根据权利要求1所述的方法,其特征在于,所述根据每一运动对象所途经的路段单元以及对应路段单元下的可能重合对象,获得所述运动对象与所述可能重合对象之间的重合路段长度,包括:
根据每一运动对象所途经的路段单元以及对应路段单元下的可能重合对象,获得所述运动对象与所述可能重合对象之间的重合路段;
根据每一路段单元的路段长度以及所述运动对象与所述可能重合对象之间的重合路段,计算得到所述运动对象与所述可能重合对象之间的重合路段长度。
6.根据权利要求1所述的方法,其特征在于,所述根据所述运动对象的运动轨迹长度,在所述可能重合对象中筛选出所述重合路段长度占所述运动轨迹长度的比重大于阈值的目标对象,得到所述运动对象对应的轨迹重合对象之前,所述方法还包括:
根据每一运动对象所途经的路段单元以及每个路段单元对应的路段长度,计算得到每个运动对象的运动轨迹长度。
7.根据权利要求1所述的方法,其特征在于,所述根据所述运动对象的运动轨迹长度,在所述可能重合对象中筛选出所述重合路段长度占所述运动轨迹长度的比重大于阈值的目标对象,得到所述运动对象对应的轨迹重合对象之后,所述方法还包括:
根据第一数据集中运动对象与第二数据集中所对应轨迹重合对象之间的重合路段长度,计算所述第一数据集中运动对象的总重合里程;
根据所述第一数据集中运动对象的总运动里程,计算所述总重合里程占所述总运动里程的比重,获得所述第一数据集与所述第二数据集之间的轨迹重合度。
8.一种重合轨迹的识别装置,其特征在于,所述装置包括:
道路匹配模块,用于对所有运动对象的轨迹数据进行道路匹配,得到每一运动对象所途经的路段单元;
对象聚合模块,用于根据每一运动对象所途经的路段单元,聚合途经同一路段单元的运动对象,获得每一路段单元下的运动对象集合;
重合查找模块,用于从每一路段单元下的运动对象集合中,查找每个运动对象对应的可能重合对象;
长度计算模块,用于根据每一运动对象所途经的路段单元以及对应路段单元下的可能重合对象,获得所述运动对象与所述可能重合对象之间的重合路段长度;
重合输出模块,用于根据所述运动对象的运动轨迹长度,在所述可能重合对象中筛选出所述重合路段长度占所述运动轨迹长度的比重大于阈值的目标对象,得到所述运动对象对应的轨迹重合对象。
9.根据权利要求8所述的装置,其特征在于,所述对象聚合模块包括:
路段得到单元,用于根据每一运动对象所途经的路段单元,得到包含所有运动对象所途经路段单元的路段集合;
对象聚合单元,用于以所述路段集合中每一路段单元为条件,聚合途经所述路段单元的运动对象,得到每一路段单元下的运动对象集合。
10.根据权利要求8所述的装置,其特征在于,所述重合查找模块包括:
对象查找单元,用于在每一路段单元下的所述运动对象集合中,查找与每一运动对象途经所述路段单元的时间间隔小于预设值的其他运动对象,得到每一运动对象对应的可能重合对象。
11.根据权利要求10所述的装置,其特征在于,所述运动对象集合包括第一集合和第二集合,所述对象查找单元包括:
对象查找子单元,用于根据每一路段单元下的第一集合中运动对象,在所述路段单元下的第二集合中,查找与所述第一集合中运动对象经过所述路段单元的时间间隔小于预设值的可能重合对象。
12.根据权利要求8所述的装置,其特征在于,所述长度计算模块包括:
重合路段获得单元,用于根据每一运动对象所途经的路段单元以及对应路段单元下的可能重合对象,获得所述运动对象与所述可能重合对象之间的重合路段;
路段长度计算单元,用于根据每一路段单元的路段长度以及所述运动对象与所述可能重合对象之间的重合路段,计算得到所述运动对象与所述可能重合对象之间的重合路段长度。
13.根据权利要求8所述的装置,其特征在于,所述装置还包括:
轨迹计算模块,用于根据每一运动对象所途经的路段单元以及每个路段单元对应的路段长度,计算得到每个运动对象的运动轨迹长度。
14.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-7任意一项所述的重合轨迹的识别方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序可由处理器执行完成权利要求1-7任意一项所述的重合轨迹的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810492659.1A CN110196440B (zh) | 2018-05-22 | 2018-05-22 | 重合轨迹的识别方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810492659.1A CN110196440B (zh) | 2018-05-22 | 2018-05-22 | 重合轨迹的识别方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110196440A CN110196440A (zh) | 2019-09-03 |
CN110196440B true CN110196440B (zh) | 2022-01-11 |
Family
ID=67751360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810492659.1A Active CN110196440B (zh) | 2018-05-22 | 2018-05-22 | 重合轨迹的识别方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110196440B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808409B (zh) * | 2020-06-17 | 2023-02-10 | 华为技术有限公司 | 一种道路安全监控的方法、系统和计算机设备 |
CN113076386A (zh) * | 2021-03-31 | 2021-07-06 | 商汤集团有限公司 | 一种道路数据处理的方法、装置、电子设备及存储介质 |
CN113221732B (zh) * | 2021-05-10 | 2021-12-10 | 精点视界(深圳)科技有限公司 | 基于人脸识别的大数据精准制作智能证卡的实现方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106297280A (zh) * | 2015-05-22 | 2017-01-04 | 高德软件有限公司 | 一种信息处理方法和装置 |
CN106485952A (zh) * | 2016-10-28 | 2017-03-08 | 北京航空航天大学 | 一种基于v2v的弯道前车识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6555049B2 (ja) * | 2015-09-24 | 2019-08-07 | 富士通株式会社 | 共通情報出力方法、装置、プログラム、及び経路グラフ生成方法 |
-
2018
- 2018-05-22 CN CN201810492659.1A patent/CN110196440B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106297280A (zh) * | 2015-05-22 | 2017-01-04 | 高德软件有限公司 | 一种信息处理方法和装置 |
CN106485952A (zh) * | 2016-10-28 | 2017-03-08 | 北京航空航天大学 | 一种基于v2v的弯道前车识别方法 |
Non-Patent Citations (2)
Title |
---|
移动轨迹聚类方法研究综述;牟乃夏 等;《测绘通报》;20180131(第01期);全文 * |
面向数据发布的轨迹隐私保护技术研究;贾明正;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20170115(第01期);I138-55 * |
Also Published As
Publication number | Publication date |
---|---|
CN110196440A (zh) | 2019-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110196440B (zh) | 重合轨迹的识别方法及装置、电子设备、存储介质 | |
US9880011B2 (en) | Simplification of trajectory representation | |
CN112035591B (zh) | 一种路网匹配方法、装置、设备和存储介质 | |
US11255678B2 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
CN111189459A (zh) | 一种定位信息与道路匹配的方法和装置 | |
EP3909035A2 (en) | System for determining a journey of a vehicle | |
US20210231458A1 (en) | System and method for event data processing for identification of road segments | |
CN111737377B (zh) | 一种漂移轨迹的识别方法、装置及计算设备、存储介质 | |
CN113587944B (zh) | 准实时的车辆行驶路线生成方法、系统及设备 | |
US20220082405A1 (en) | System and method for vehicle event data processing for identifying parking areas | |
CN106940929B (zh) | 交通数据预测方法及装置 | |
Moosavi et al. | Characterizing driving context from driver behavior | |
Javanmard et al. | Multi-track map matching | |
CN116484036A (zh) | 图像推荐方法、装置、电子设备及计算机可读存储介质 | |
US20220046380A1 (en) | System and method for processing vehicle event data for journey analysis | |
KR102054984B1 (ko) | 위치 정보를 이용한 분석용 경로 데이터 생성 방법과, 생성 시스템과, 위치 정보를 이용한 분석용 경로 데이터 생성 서비스를 운영하는 방법 및 운영 시스템 | |
CN111882102A (zh) | 轨迹中的中断区间信息的补偿方法、设备及存储介质 | |
CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
Antoniades et al. | Fare and duration prediction: A study of New York city taxi rides | |
CN111414437B (zh) | 线路轨迹的生成方法及装置 | |
Behera et al. | Real time identification of inputs for a BATP system using data analytics | |
US11702080B2 (en) | System and method for parking tracking using vehicle event data | |
Dutta et al. | Inferencing transportation mode using unsupervised deep learning approach exploiting GPS point-level characteristics | |
CN114691523B (zh) | 一种gps系统调测方法及装置 | |
CN112767732B (zh) | 一种停车位置确定方法、装置以及电子设备 |
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 |