CN110795467A - 交通规则数据处理方法、装置、存储介质和计算机设备 - Google Patents
交通规则数据处理方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN110795467A CN110795467A CN201910915409.9A CN201910915409A CN110795467A CN 110795467 A CN110795467 A CN 110795467A CN 201910915409 A CN201910915409 A CN 201910915409A CN 110795467 A CN110795467 A CN 110795467A
- Authority
- CN
- China
- Prior art keywords
- road section
- ordered
- road
- abnormal
- route
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 234
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims description 72
- 238000012546 transfer Methods 0.000 claims description 66
- 230000007704 transition Effects 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 238000009412 basement excavation Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 34
- 238000010586 diagram Methods 0.000 description 27
- 230000005856 abnormality Effects 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Abstract
本申请涉及一种交通规则数据处理方法、装置、存储介质和计算机设备,该方法包括:获取历史轨迹数据集合,历史轨迹数据集合包括至少一个历史轨迹路线,历史轨迹路线存在对应的导航路线,获取基于路网拓扑关系构建的路网,根据路网确定历史轨迹路线在路网中对应的有序路段集合,将有序路段集合中的相邻路段形成对应的有序路段对,根据历史轨迹路线和导航路线确定有序路段对对应的目标特征组合,将目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对,根据交通规则异常路段对确定目标交通规则缺失路段。本申请提供的方案能够提高道路交通规则缺失路段挖掘效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种交通规则数据处理方法、装置、计算机可读存储介质和计算机设备。
背景技术
随着计算机技术的发展,地图导航成为了人们日常出行必不可少的工具。例如,当用户进入一个陌生的环境(例如城市、国家等)不知道如何到达目的地时,往往会开启终端上的地图导航功能。
其中,道路交通规则数据是地图导航的服务基础数据,道路交通规则缺失会直接影响导航地图,然而,目前通常是通过采集车辆及人员周期批量全国路段,或者在直面用户的产品中增加反馈入口,收集用户反馈信息进行人工验证修改确定道路交通规则缺失路段,存在道路交通规则缺失路段挖掘效率低下。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高道路交通规则缺失路段挖掘效率的交通规则数据处理方法、装置、计算机可读存储介质和计算机设备。
一种交通规则数据处理方法,该方法包括:
获取历史轨迹数据集合,历史轨迹数据集合包括至少一个历史轨迹路线,历史轨迹路线存在对应的导航路线;
获取基于路网拓扑关系构建的路网,根据路网确定历史轨迹路线在路网中对应的有序路段集合;
将有序路段集合中的相邻路段形成对应的有序路段对,根据历史轨迹路线和导航路线确定有序路段对对应的目标特征组合;
将目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对;
根据交通规则异常路段对确定目标交通规则缺失路段。
一种交通规则数据处理装置,该装置包括:
历史轨迹数据获取模块,用于获取历史轨迹数据集合,历史轨迹数据集合包括至少一个历史轨迹路线,历史轨迹路线存在对应的导航路线;
有序路段集合获取模块,用于获取基于路网拓扑关系构建的路网,根据路网确定历史轨迹路线在路网中对应的有序路段集合;
有序路段对形成模块,用于将有序路段集合中的相邻路段形成对应的有序路段对,根据历史轨迹路线和导航路线确定有序路段对对应的目标特征组合;
交通规则预测模型预测模块,用于将目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对;
交通规则缺失路段确定模块,用于根据交通规则异常路段对确定目标交通规则缺失路段。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行所述程序时实现以下步骤:
获取历史轨迹数据集合,历史轨迹数据集合包括至少一个历史轨迹路线,历史轨迹路线存在对应的导航路线;
获取基于路网拓扑关系构建的路网,根据路网确定历史轨迹路线在路网中对应的有序路段集合;
将有序路段集合中的相邻路段形成对应的有序路段对,根据历史轨迹路线和导航路线确定有序路段对对应的目标特征组合;
将目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对;
根据交通规则异常路段对确定目标交通规则缺失路段。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
获取历史轨迹数据集合,历史轨迹数据集合包括至少一个历史轨迹路线,历史轨迹路线存在对应的导航路线;
获取基于路网拓扑关系构建的路网,根据路网确定历史轨迹路线在路网中对应的有序路段集合;
将有序路段集合中的相邻路段形成对应的有序路段对,根据历史轨迹路线和导航路线确定有序路段对对应的目标特征组合;
将目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对;
根据交通规则异常路段对确定目标交通规则缺失路段。
上述交通规则数据处理方法、装置、计算机可读存储介质和计算机设备,将获取到的至少一个历史轨迹路线转换为路网中的有序路段集合,根据有序路段集合得到有序路段对,再根据历史轨迹路线和对应的导航路线确定有序路段对对应的目标特征组合,将目标特征组合作为已训练好的交通规则预测模型,得到交通规则异常路段对,进而根据交通规则异常路段对确定目标交通规则缺失路段。因此,对有序路段对进行特征提取,得到对应的目标特征组合,再利用交通规则预测模型对目标特征组合进行分离,得到交通规则异常路段对,最后通过交通规则异常路段对进一步筛选得到目标交通规则缺失路段,不仅无需任何人工参与交通规则缺失路段的挖掘,提高了交通规则缺失路段的挖掘效率,而且,对交通规则预测模型输出的结果进一步筛选,进而保证了交通规则缺失路段挖掘的准确性。
附图说明
图1为一个实施例中交通规则数据处理方法的应用环境图;
图2为一个实施例中交通规则数据处理方法的流程示意图;
图3为一个实施例中有序路段集合确定步骤的流程示意图;
图4为一个实施例中历史轨迹数据集合获取步骤的流程示意图;
图4A为一个实施例中原始轨迹数据集合的结构示意图;
图5为一个实施例中目标特征组合确定步骤的流程示意图;
图6为一个实施例中流量出入特征计算步骤的流程示意图;
图6A为一个实施例中进入转移特征的结构示意图;
图7为一个实施例中退出转移特征计算步骤的流程示意图;
图7A为一个实施例中退出转移特征的结构示意图;
图8为一个实施例中绕路比例特征计算步骤的流程示意图;
图8A为一个实施例中绕路比例特征的结构示意图;
图9为一个实施例中导航偏差特征计算步骤的流程示意图;
图9A为一个实施例中导航偏差特征的结构示意图;
图10为一个实施例中交通规则预测模型处理步骤的流程示意图;
图11为一个实施例中目标交通规则缺失路段确定步骤的流程示意图;
图11A为一个实施例中实际交通规则异常路段的示意图;
图11B为一个实施例中目标交通规则缺失路段的结构示意图;
图12为一个实施例中交通规则数据处理装置的结构框图;
图13为一个实施例中有序路段集合获取模块的结构框图;
图14为一个实施例中历史轨迹数据获取模块的结构框图;
图15为一个实施例中有序路段对形成模块的结构框图;
图16为一个实施例中交通规则预测模型预测模块的结构框图;
图17为一个实施例中交通规则缺失路段确定模块的结构框图;
图18为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为一个实施例中交通规则数据处理方法的应用环境图。参照图1,该交通规则数据处理方法应用于交通规则数据处理系统。该交通规则数据处理系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
具体地,终端110可将采集到的历史轨迹数据集合发送至服务器120上,其中,历史轨迹数据集合包括至少一个历史轨迹路线,历史轨迹路线存在对应的导航路线。服务器120再获取基于路网拓扑关系构建的路网,根据路网确定历史轨迹路线在路网中对应的有序路段集合,将有序路段集合中的相邻路段形成对应的有序路段对,根据历史轨迹路线和导航路线确定有序路段对对应的目标特征组合,将目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对,根据交通规则异常路段对确定目标交通规则缺失路段。
如图2所示,在一个实施例中,提供了一种交通规则数据处理方法。本实施例主要以该方法应用于上述图1中的终端110或服务器120来举例说明。参照图2,该交通规则数据处理方法具体包括如下步骤:
步骤202,获取历史轨迹数据集合,历史轨迹数据集合包括至少一个历史轨迹路线,历史轨迹路线存在对应的导航路线。
其中,历史轨迹数据集合是由至少一个历史轨迹路线对应的轨迹数据组成的集合,历史轨迹路线是从地图导航应用中采集到的用户车辆历史行驶轨迹路线,具体可从地图导航应用中采集用户车辆历史行驶轨迹路线得到历史轨迹路线。其中,历史轨迹路线可由多个轨迹采集点组成,轨迹采集点是采集时间点对应的轨迹点,采集时间点可根据实际需要或者应用场景进行设置。
其中,历史轨迹路线存在对应的导航路线,这里的导航路线是通过GPS(GlobalPositioning System)导航系统规划一条线路从起始点到终止点,其中这条线路称为导航路线。每一条历史轨迹路线都存在对应的导航路线,但是历史轨迹路线可以与对应的导航路线相同,也可以与对应的导航路线不同。
具体地,终端或服务器中安装有地图导航应用,地图导航应用可根据预设采集时间点采集与预设采集时间点对应的轨迹点,再由采集到的轨迹点组成历史轨迹路线,将至少一个历史轨迹路线对应的轨迹数据组成历史轨迹数据集合。这里的轨迹数据是指与轨迹点相关的行驶数据,可以是轨迹点所在的实际地理位置信息等。
步骤204,获取基于路网拓扑关系构建的路网,根据路网确定历史轨迹路线在路网中对应的有序路段集合。
其中,路网是将实际道路数据进行抽象化、数字化、矢量化后组成的地图路网数据,路网可以是地图导航应用中的地图,而路网是基于路网拓扑关系构建的,具体可以是将实际道路中各个实体抽象成对应的表示图形,再根据各个实体之间的关系连接对应的表示图形,从而得到基于路网拓扑关系的路网。而路网拓扑关系是指路网数据中,各个实体对应的表示图形之间的关系。具体地,终端或者服务器可以预先获取实际道路中各个实体,将实际道路中各个实体抽象成对应的表示图形,再根据各个实体之间的关系连接对应的表示图像,得到路网。
其中,有序路段集合是由至少一个有序路段组成的集合,有序路段是路网中用来表示实际路段的路网数据,也就是说,可以将实际道路中的实际路段转换为路网中用来表示实际路段的有序路段。具体地,在获取历史轨迹数据集合后,根据路网确定历史轨迹数据集合中的历史轨迹路线在路网中对应的有序路段集合,在一个实施例中,具体可以是根据历史轨迹路线上各个轨迹采集点的实际地理位置信息,根据各个轨迹采集点的实际地理位置信息确定各个轨迹采集点在路网中对应的目标路段,根据目标路段对应的路段标识得到有序路段,进而得到有序路段集合。在另一个实施例中,还可以是通过路网数据转换算法根据历史轨迹路线上各个轨迹采集点的经纬度信息计算得到在路网中对应的目标路段,根据目标路段对应的路段标识得到有序路段,进而得到有序路段集合。
例如,历史轨迹路线上包括多个轨迹采集点,获取各个轨迹采集点对应的经纬度信息,历史轨迹路线上7个轨迹采集点的经纬度信息如下:[116.4546,39.98093,116.45492,39.98092,116.45506,39.98095,116.45508,39.98095,116.4552,39.981,116.4552,39.981,116.45542,39.98109],根据这7个轨迹采集点的经纬度信息转换为路网中对应的有序路段,有序路段可通过路网中路段标识来表示,有序路段集合如:[69904047,686832,686831,663813],69904047为有序路段对应的路段标识。
步骤206,将有序路段集合中的相邻路段形成对应的有序路段对,根据历史轨迹路线和导航路线确定有序路段对对应的目标特征组合。
其中,有序路段对是由相互匹配的有序路段组成的,相互匹配的有序路段可以是入口路段和出口路段,相互匹配的有序路段还可以是相邻路段。具体可以是将有序路段集合中相邻路段形成对应的有序路段对,即将有序路段对集合中两个相邻的有序路段组成对应的有序路段对。如,有序路段对集合为[69904047,686832,686831,663813],将有序路段对集合中相邻路段形成对应的有序路段对,如[69904047,686832]、[686832,686831]和[686831,663813]。
其中,目标特征组合是对有序路段对进行特征提取得到的,目标特征组合中可以包括至少一个目标特征,目标特征可以是第一目标特征、第二目标特征中的至少一种,第一目标特征和第二目标特征可以是流量出入特征、绕路比例特征和导航偏差特征中的至少一种。进一步地,再根据历史轨迹路线和导航路线确定有序路段对对应的目标特征组合,其中确定目标特征组合的方式可以是根据历史轨迹路线计算得到各个有序路段对对应的第一目标特征,根据历史轨迹路线和导航路线计算得到各个有序路段对对应的第二目标特征,第一目标特征和第二目标特征组成目标特征组合。
在一个实施例中,第一目标特征可以是流量出入特征和绕路比例特征,第二目标特征可以是导航偏差特征,确定目标特征组合的方式具体可以是根据历史轨迹路线计算得到各个有序路段对对应的流量出入特征和绕路比例特征,同时根据历史轨迹路线和对应的导航路线计算得到各个有序路段对对应的导航偏差特征,将流量出入特征、绕路比例特征和导航偏差特征组成各个有序路段对对应的目标特征组合。
步骤208,将目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对。
其中,这里的交通规则预测模型是用来预测交通规则异常路段对的,预先通过大量训练数据训练得到的,交通规则预测模型可以是卷积神经网络、循环神经网络、分类器等等。可以预先对初始交通规则预测模型进行训练,得到已训练好的交通规则预测模型。其中,初始交通规则预测模型的训练采用的是无监督训练,使用无监督训练的训练数据不存在对应的实际标签。
具体地,在得到有序路段对对应的目标特征组合后,将目标特征组合输入至已训练的交通规则预测模型中,交通规则预测模型对输入的目标特征组合进行异常率确定,对目标特征组合进行特征提取和计算,根据异常率从有序路段对集合中得到对应的交通规则异常路段对。所谓交通规则异常路段对是指出现交通规则异常的有序路段对,交通规则异常可以是交通规则缺失或者交通规则不清楚或者交通规则不正确等等。其中,交通规则预测模型对输入的目标特征组合进行异常率确定可以是根据目标特征组合中的目标特征进行确定,异常率具体可以是根据目标特征计算得到,或者是根据目标特征的分布确定得到异常率。
其中,交通规则预测模型根据目标特征组合确定有序路段对集合中的交通规则异常路段对可以是利用聚类的思想确定交通规则路段对,或者利用异常检测的方式确定交通规则路段对。其中,聚类的思想就是按照某一个特定的标准(比如距离),把有序路段对集合分割成不同的类或簇,使得同一个簇内的有序路段对的相似性尽可能大,同时不再同一个簇内的数据对象的差异性也尽可能的大,然后再将不在任何簇中的有序路段对确定为交通规则缺失路段对。其中,异常检测的方式可以是通过找出有序路段对集合中与正常交通规则路段对差异较大的离群点,把离群点作为交通规则异常路段对。
步骤210,根据交通规则异常路段对确定目标交通规则缺失路段。
具体地,在得到交通规则预测模型输出的交通规则异常路段对后,为了进一步提高交通规则缺失路段挖掘的准确性,可根据交通规则路段对确定目标交通规则缺失路段。具体可以是根据预设交通规则筛选规则从交通规则预测模型输出的交通规则异常路段对中确定目标交通规则缺失路段,其中,预设交通规则筛选规则可预先设置,可根据实际需要或者应用场景进行提前设置。这里的预设交通规则筛选规则中包括有序路段对和对应的交通规则之间的映射关系,当根据映射关系检测到交通规则异常路段对不存在对应的交通规则时,确定交通规则异常路段对为目标交通规则缺失路段。
在另一个实施例中,根据交通规则异常路段对确定目标交通规则缺失路段还可以是直接检测交通规则异常路段对是否存在交通规则,若检测到交通规则异常路段对不存在交通规则时,则可确定交通规则异常路段对位目标交通规则缺失路段,若检测到交通规则异常路段对存在交通规则时,可检测交通规则异常路段对和检测到的交通规则是否匹配,若检测交通规则异常路段对与检测到的交通规则不匹配时,则可确定该交通规则异常路段对位目标交通规则缺失路段。
上述交通规则数据处理方法,将获取到的至少一个历史轨迹路线转换为路网中的有序路段集合,根据有序路段集合得到有序路段对,再根据历史轨迹路线和对应的导航路线确定有序路段对对应的目标特征组合,将目标特征组合作为已训练好的交通规则预测模型,得到交通规则异常路段对,进而根据交通规则异常路段对确定目标交通规则缺失路段。因此,对有序路段对进行特征提取,得到对应的目标特征组合,再利用交通规则预测模型对目标特征组合进行分离,得到交通规则异常路段对,最后通过交通规则异常路段对进一步筛选得到目标交通规则缺失路段,不仅无需任何人工参与交通规则缺失路段的挖掘,提高了交通规则缺失路段的挖掘效率,而且,对交通规则预测模型输出的结果进一步筛选,进而保证了交通规则缺失路段挖掘的准确性。
在一个实施例中,如图3所示,历史轨迹路线包括多个轨迹采集点,根据路网确定历史轨迹路线在路网中对应的有序路段集合,包括:
步骤302,获取各个轨迹采集点对应的实际地理位置信息。
步骤304,根据各个轨迹采集点对应的实际地理位置信息确定各个轨迹采集点在路网中对应的目标路段,不同的目标路段根据历史轨迹路线对应的行驶方向形成有序路段集合。
其中,历史轨迹路线包括多个轨迹采集点,轨迹采集点是采集时间点对应的轨迹点,采集时间点可根据实际需要或者应用场景进行设置。而各个轨迹采集点都存在对应的实际地理位置信息,这里的实际地理位置信息可以是各个轨迹采集点的相对地理位置信息,还可以是各个轨迹采集点的绝对地理位置信息,相对地理位置信息可以是以其参考点的周围事物进行确定。而绝对地理位置是以整个地球为参考系,以经纬度为度量标准。地球上每一个地方都有自身唯一的经纬度值,例如,可以将各个轨迹采集点对应的经纬度值作为对应的实际地理位置信息,还可以是根据各个轨迹采集点对应的经纬度值计算得到综合值,将综合值作为对应的实际地理位置信息。
其中,在获取到各个轨迹采集点对应的实际地理位置信息后,可根据各个轨迹采集点对应的实际地理位置信息确定各个轨迹采集点在路网中对应的目标路段,具体可以是将各个轨迹采集点对应的实际地理位置信息确定各个轨迹采集点在路网中所属的目标路段。其中,不同的目标路段根据历史轨迹路线对应的行驶方向形成有序路段集合,即按照历史轨迹路线对应的行驶方向形成有序路段集合。
例如,历史轨迹路线上包括多个轨迹采集点,获取各个轨迹采集点对应的经纬度信息,历史轨迹路线上7个轨迹采集点的经纬度信息如下:[116.4546,39.98093,116.45492,39.98092,116.45506,39.98095,116.45508,39.98095,116.4552,39.981,116.4552,39.981,116.45542,39.98109],根据这7个轨迹采集点的经纬度信息转换为路网中对应的目标路段,目标路段可通过路网中路段标识来表示,根据历史轨迹路线对应的行驶方向形成有序路段集合如:[69904047,686832,686831,663813],69904047为目标路段对应的路段标识。
在一个实施例中,如图4所示,获取历史轨迹数据集合,包括:
步骤402,获取原始轨迹数据集合,原始轨迹数据集合包括至少一个原始轨迹路线,原始轨迹路线包括至少一个原始轨迹采集点。
其中,这里的原始轨迹数据集合是未进行异常轨迹采集点检测的轨迹数据集合,可以按预设时间点从地图导航应用中收集用户车辆历史行驶轨迹数据,再将收集用户车辆行驶轨迹数据组成原始轨迹数据集合。这里的原始轨迹数据集合包括至少一个原始轨迹路线,同样地,原始轨迹路线包括至少一个原始轨迹采集点。如图4A所示,图4A示出一个实施例中原始轨迹数据集合的结构示意图。图4A示出的原始轨迹数据集合包括一个原始轨迹路线,而原始轨迹路线上包括至少一个原始轨迹采集点,图4A中的原始轨迹路线包括16个原始轨迹采集点。
步骤404,从至少一个原始轨迹采集点中获取偏移原始轨迹路线的异常原始轨迹采集点。
步骤406,将异常原始轨迹采集点进行过滤,将过滤后的原始轨迹采集点组成历史轨迹数据集合。
其中,由于原始轨迹路线中可能包含噪音数据,所谓噪音数据是指由各种因素导致原始轨迹路线上局部原始轨迹采集点出现异常的轨迹采集点。引起异常的因素可以是轨迹源、数据传输、设备原因、环境原因、用户异常行为,这些因素都容易导致原始轨迹路线上出现异常原始轨迹采集点。进一步地,根据原始轨迹路线从至少一个原始轨迹采集点中确定异常原始轨迹采集点,其中,确定异常原始轨迹采集点的方式可自定义,自定义可以是将偏移原始轨迹路线的原始轨迹采集点确定为异常原始轨迹采集点,或者还可以是利用DP压缩算法、KALMAN滤波等方法对至少一个原始轨迹采集点进行滤除、过滤、清洗,将异常原始轨迹采集点进行过滤。
例如,如图4A所示,图4A中的原始轨迹路线包括16个原始轨迹采集点,从至少一个原始轨迹采集点中获取偏离原始轨迹路线的异常原始轨迹采集点,如p5、p10、p11和p12偏离原始轨迹路线,确定为异常原始轨迹采集点。
进一步地,将异常原始轨迹采集点进行过滤后,将过滤后剩下的原始轨迹采集点组成历史轨迹数据集合,而剩下的原始轨迹采集点可以作为历史轨迹路线上的历史轨迹采集点。
在一个实施例中,如图5所示,根据历史轨迹路线和导航路线确定有序路段对对应的目标特征组合,包括:
步骤502,根据历史轨迹路线计算得到有序路段对对应的流量出入特征。
其中,这里的流量出入特征是与出入流量相关的特征,流量是指在规定期间内通过有序路段对的车辆或行人数量。其中,流量出入特征包括但不限于进入转移特征和退出转移特征,进入转移特征是进入流量相关的特征,退出转移特征是退出流量相关的特征。
具体地,可根据历史轨迹路线计算得到有序路段对对应的流量出入特征,其中,流量出入特征计算方式可自定义,自定义可以是先获取各个有序路段对对应的出口总流量,出口总流量是各个有序路段对中入口路段对应的所有匹配出口路段对应的出口子流量的综合值,再获取各个有序路段对对应的第一出口子流量,根据第一出口子流量和出口总流量计算得到各个有序路段对对应的进入转移特征。自定义还可以是先获取各个有序路段对对应的入口总流量,入口总流量是各个有序路段对中出口路段对应的所有匹配入口路段对应的入口子流量的综合值,再获取各个有序路段对对应的第一入口子流量,根据第一入口子流量和入口总流量计算得到各个有序路段对对应的退出转移特征。其中,可以将进入转移特征、退出转移特征作为流量出入特征。
步骤504,根据历史轨迹路线计算得到有序路段对对应的绕路比例特征。
其中,这里的绕路比例特征是与绕路比例相关的特征,绕路比例是指绕路通行次数占总通行次数的比例,各个有序路段对存在对应的直通轨迹路线,未按照直通轨迹路线进行行驶,则确定为绕路轨迹路线。统计各个有序路段对对应的总通行流量和绕路轨迹路线对应的绕路总流量,根据绕路总流量和总通行次数计算得到有序路段对对应的绕路比例特征。其中,根据绕路总流量和总通行流量计算得到有序路段对对应的绕路比例特征可以是将绕路总流量与总通行流量的比值作为绕路比例特征。
例如,有序路段对s1→d1为直通轨迹路线,s1→s2→s3→d1为绕路轨迹路线,获取历史轨迹路线对应的总通行次数100,获取绕路轨迹路线对应的绕路通行次数为20,则绕路比例为绕路通行次数与总通行次数的比值:20/100=1/5。
步骤506,根据历史轨迹路线和导航路线计算得到有序路段对对应的导航偏差特征。
步骤508,将流量出入特征、绕路比例特征和导航偏差特征组成有序路段对对应的目标特征组合。
其中,这里的导航偏差特征是与导航偏航比例相关的特征,导航偏航比例是指偏航通行次数占总通行次数的比例,各个有序路段对存在对应的导航路线,未按照导航路线进行行驶,确定为偏航轨迹路线。统计各个有序路段对对应的总通行流量和偏航轨迹路线队对应的偏航总流量,根据偏航总流量和总通行流量计算得到有序路段对对应的导航偏差特征。其中,根据偏航总流量和总通行流量计算得到有序路段对对应的导航偏差特征可以是将偏航总流量与总通行流量的比值作为导航偏差特征。
例如,有序路段对s1→d1为导航路线,s1→d2为偏航轨迹路线,由于偏航轨迹路线和导航路线不一样,确定为偏航,获取历史轨迹路线对应的总通行次数100,获取偏航轨迹路线对应的偏航通行次数为50,则偏航通行次数与总通行次数比值为导航偏差特征:50/100=1/2。
进一步地,在获取流量出入特征、绕路比例特征和导航偏差特征后,将流量出入特征、绕路比例特征和导航偏差特征组成有序路段对对应的目标特征组合,如目标特征组合可以为[流量出入特征,绕路比例特征,导航偏差特征]。
在一个实施例中,如图6所示,流量出入特征包括进入转移特征,有序路段对包括入口路段和对应的出口路段,根据历史轨迹路线计算得到路段对对应的流量出入特征,包括:
步骤602,获取当前有序路段对,获取当前有序路段对对应的当前入口路段。
步骤604,获取当前入口路段对应的匹配出口路段集合。
其中,流量出入特征包括进入转移特征,有序路段对包括入口路段和对应的出口路段,即有序路段对=[入口路段,出口路段]。其中,进入转移特征是与进入流量相关的特征。
其中,当前有序路段对是正在用来处理的有序路段对,从有序路段对集合中确定当前有序路段对,当前有序路段对包括当前入口路段和对应的当前出口路段。如,当前有序路段对为:[当前入口路段,当前出口路段]。
具体地,从有序路段对集合中确定当前有序路段对,当前有序路段对中包括当前入口路段和当前出口路段,获取当前有序路段对对应的当前入口路段。其中,由于当前入口路段存在至少一个匹配出口路段,根据当前入口路段获取匹配的出口路段,从而得到匹配出口路段集合。这里的匹配出口路段集合包括当前入口路段对应的当前出口路段。
例如,如图6A所示,图6A示出一个实施例中进入转移特征的结构示意图,图6A中的s1为当前入口路段,当前入口路段s1的所有流量将转入d1,d2,d3,d1,d2,d3为当前入口路段对应的匹配出口路段集合。其中,d1为当前入口路段s1对应的当前出口路段,当前有序路段对为:[s1,d1]。
步骤606,根据历史轨迹路线获取匹配出口路段集合中各个匹配出口路段对应的出口子流量,统计得到出口总流量。
具体地,在获取当前入口路段对应的匹配出口路段集合后,根据历史轨迹路线获取匹配出口路段集合中各个匹配出口路段对应的出口子流量,具体可以是根据历史轨迹数据集合记载历史轨迹路线上各个轨迹采集点对应的出入流量后,获取匹配出口路段集合中各个匹配出口路段对应的出口子流量,流量是在规定期间内通过各个匹配出口路段对应的车辆或行人数量。进一步地,根据各个匹配出口路段对应的出口子流量计算得到出口总流量,其中,计算方式可自定义,自定义可以是统计各个匹配出口路段对应的出口子流量,从而得到出口总流量,还可以是对各个匹配出口路段对应的出口子流量进行加权计算,得到出口总流量。
步骤608,获取当前有序路段对对应的第一出口子流量。
步骤610,根据第一出口子流量和出口总流量计算得到当前有序路段对对应的进入转移特征。
其中,这里的第一出口子流量是当前有序路段对中当前出口路段对应的出口子流量,即将当前出口路段对应的出口子流量作为第一出口子流量。具体地,从匹配出口路段集合中各个匹配出口路段对应的出口子流量中获取当前出口路段对应的出口子流量,将当前出口路段对应的出口子流量作为当前有序路段对对应的第一出口子流量。进一步地,根据第一出口子流量和出口总流量计算得到当前有序路段对对应的进入转移特征,其中进入转移特征的计算方式可自定义,自定义可以是将第一出口子流量和出口总流量的比值作为当前有序路段对对应的进入转移特征,或者还可以是根据第一出口子流量和出口总流量计算综合值,将综合指作为当前有序路段对对应的进入转移特征。
例如,当前有序路段对为:[69904047,686832],其中,69904047为当前入口路段对应的路段标识,686832为当前出口路段对应的路段标识,假设进入当前入口路段69904047拥有686832,686831,686833,686834等匹配出口路段,69904047→686832对应的出口子流量为5,69904047→686831对应的出口子流量为10,69904047→686834对应的出口子流量为7,那么当前有序路段对69904047→686832的进入转移特征则为:snumi=5;s_total=5+10+7S_pert1=5/(5+10+7)。其中,snumi为当前有序路段对对应的第一出口子流量,即当前有序路段对中当前出口路段对应的出口子流量,S_pert1为进入转移特征。
在一个实施例中,如图7所示,流量出入特征包括退出转移特征,有序路段对包括入口路段和对应的出口路段,根据历史轨迹路线计算得到路段对对应的流量出入特征,包括:
步骤702,获取当前有序路段对,获取当前有序路段对对应的当前出口路段。
步骤704,获取当前出口路段对应的匹配入口路段集合。
其中,流量出入特征包括退出转移特征,有序路段对包括入口路段和对应的出口路段,即有序路段对=[入口路段,出口路段]。其中,退出转移特征是与退出流量相关的特征。
其中,当前有序路段对是正在用来处理的有序路段对,从有序路段对集合中确定当前有序路段对,当前有序路段对包括当前入口路段和对应的当前出口路段。如,当前有序路段对为:[当前入口路段,当前出口路段]。
具体地,从有序路段对集合中确定当前有序路段对,当前有序路段对中包括当前入口路段和当前出口路段,获取当前有序路段对对应的当前出口路段。其中,由于当前出口路段存在至少一个匹配入口路段,根据当前出口路段获取匹配的入口路段,从而得到匹配入口路段集合。同样地,这里的匹配入口路段集合包括当前出口路段对应的当前入口路段。
例如,如图7A所示,图7A示出一个实施例中退出转移特征的结构示意图,图7A中的d1为当前出口路段,当前出口路段d1的所有流量都来自于s1,s2,s3,s1,s2,s3为当前出口路段对应的匹配入口路段集合。其中,s1为当前出口路段d1对应的当前入口路段,当前有序路段对为:[s1,d1]。
步骤706,根据历史轨迹路线获取匹配入口路段集合中各个匹配入口路段对应的入口子流量,统计得到入口总流量。
具体地,在获取当前出口路段对应的匹配入口路段集合后,根据历史轨迹路线获取匹配入口路段集合中各个匹配入口路段对应的入口子流量,具体可以是根据历史轨迹数据集合记载历史轨迹路线上各个轨迹采集点对应的出入流量后,获取匹配入口路段集合中各个匹配入口路段对应的入口子流量,流量是在规定期间内通过各个匹配入口路段对应的车辆或行人数量。
进一步地,根据各个匹配入口路段对应的入口子流量计算得到入口总流量,其中,计算方式可自定义,自定义可以是统计各个匹配入口路段对应的入口子流量,从而得到入口总流量,还可以是对各个匹配入口路段对应的入口子流量进行加权计算,得到入口总流量。
步骤708,获取当前有序路段对对应的第一入口子流量。
步骤710,根据第一入口子流量和入口总流量计算得到当前有序路段对对应的退出转移特征。
其中,这里的第一入口子流量是当前有序路段对中当前入口路段对应的入口子流量,即将当前入口路段对应的入口子流量作为第一入口子流量。具体地,从匹配入口路段集合中各个匹配入口路段对应的入口子流量中获取当前入口路段对应的入口子流量,将当前入口路段对应的入口子流量作为当前有序路段对对应的第一入口子流量。
进一步地,根据第一入口子流量和入口总流量计算得到当前有序路段对对应的进入退出转移特征,其中退出转移特征的计算方式可自定义,自定义可以是将第一入口子流量和入口总流量的比值作为当前有序路段对对应的退出转移特征,或者还可以是根据第一入口子流量和入口总流量计算综合值,将综合指作为当前有序路段对对应的退出转移特征。
例如,假设当前有序路段对:[s1,d1],对于当前出口路段d1,存在连通关系s1→d1,s2→d1,s3→d1,则s1、s2、s3为当前出口路段对应的匹配入口路段集合,并且由历史轨迹路线对应的轨迹数据得知s1→d1对应的入口子流量为10,s2→d1对应的入口子流量为5,s3→d1对应的入口子流量为7,则当前有序路段对s1→d1退出转移特征为:d_num1=10,d_total=10+5+7;d_pert1=10/(10+5+7),其中,d_num1为当前有序路段对对应的第一入口子流量,即当前有序路段对中当前入口路段对应的入口子流量,d_pert1为退出转移特征。
在一个实施例中,如图8所示,根据历史轨迹路线计算得到有序路段对对应的绕路比例特征,包括:
步骤802,获取当前有序路段对,根据历史轨迹路线获取当前有序路段对对应的通行总流量。
具体地,当前有序路段对是正在用来处理的有序路段对,从有序路段对集合中确定当前有序路段对,当前有序路段对包括当前入口路段和对应的当前出口路段。如,当前有序路段对为:[当前入口路段,当前出口路段]。
其中,通行总流量是指从当前入口路段进入,从当前出口路段退出的通行次数。具体地,根据历史轨迹路线获取从当前入口路段进入,再从当前出口路段退出的总通行流量。
步骤804,获取当前有序路段对对应的直通轨迹路线。
步骤806,根据历史轨迹路线和直通轨迹路线确定当前有序路段对对应的绕路轨迹路线。
其中,各个有序路段对存在对应的直通轨迹路线,所谓直通轨迹路线是指入口路段与出口路段之间距离最短的轨迹路线。具体可预先规划各个有序路段对对应的直通轨迹路线,可直接获取当前有序路段对对应的直通轨迹路线。
进一地,根据历史轨迹路线和直通轨迹路线确定当前有序路段对对应的绕路轨迹路线,具体可以是,将历史轨迹路线中与直通轨迹路线不相同的轨迹路线确定为绕路轨迹路线。例如,如图8A所示,图8A示出一个实施例中绕路比例特征的结构示意图,图8A中的当前有序路段对为:[s1,d1],其中当前入口路段为s1,当前出口路段为d1,当前有序路段对对应的直通轨迹路线为:s1→d1,根据历史轨迹路线和直通轨迹路线确定s1→s2→s3→d1为绕路轨迹路线。
步骤808,根据历史轨迹路线获取绕路轨迹路线对应的绕路总流量。
步骤810,根据绕路总流量和通行总流量计算得到当前有序路段对对应的绕路比例特征。
其中,这里的绕路总流量为绕路轨迹路线对应的通行总次数,根据历史轨迹路线统计绕路轨迹路线对应的绕路总流量,也就是说,根据历史轨迹路线获取按照绕路轨迹路线行驶的总通行流量。进一步地,再根据绕路总流量和通行总流量计算得到当前有序路段对对应的绕路比例特征,其中,绕路比例特征的计算方式可自定义,自定义可以是将绕路总流量和通行总流量的比值作为当前有序路段对对应的绕路比例特征,或者还可以是根据绕路总流量和通行总流量计算综合值,将计算得到的综合值作为当前有序路段对对应的绕路比例特征。
例如,如图8A所示,图8A中的当前有序路段对为:[s1,d1],其中当前入口路段为s1,当前出口路段为d1,当前有序路段对对应的直通轨迹路线为:s1→d1,根据历史轨迹路线和直通轨迹路线确定s1→s2→s3→d1为绕路轨迹路线,根据历史轨迹路线获取当前有序路段对对应的通行总流量为1000,绕路轨迹路线对应的绕路总流量为200,可将绕路总流量与通行总流量的比值作为绕路比例特征,即绕路比例特征为:200/1000=1/5。
在一个实施例中,如图9所示,根据历史轨迹路线和导航路线计算得到有序路段对对应的导航偏差特征,包括:
步骤902,获取当前有序路段对,获取当前有序路段对对应的导航路线。
步骤904,根据历史轨迹路线和导航路线确定当前有序路段对对应的偏航轨迹路线。
其中,当前有序路段对是正在用来处理的有序路段对,从有序路段对集合中确定当前有序路段对,当前有序路段对包括当前入口路段和对应的当前出口路段。如,当前有序路段对为:[当前入口路段,当前出口路段]。
其中,由于各个有序路段对存在对应的导航路线,获取当前有序路段对对应的导航路线,所谓导航路线是利用GPS规划的路线,进一步根据历史轨迹路线和导航路线确定当前有序路段对对应的偏航轨迹路段,具体可以是,将历史轨迹路段中与导航路线不相同的轨迹路线确定为偏航轨迹路线。
例如,如图9A所示,图9A示出一个实施例中导航偏差特征的结构示意图,图9A中的当前有序路段对为:[s1,d1],其中,当前入口路段为s1,当前出口路段为d1,当前有序路段对对应的导航路线为:s1→d1,s1→d2为用户实际轨迹路线,由于用户实际轨迹路线与导航路线并不匹配,则认为s1→d2为偏航轨迹路线。
步骤906,根据历史轨迹路线获取当前有序路段对对应的通行总流量。
步骤908,根据偏航轨迹路线获取当前有序路段对对应的偏航总流量。
步骤910,根据偏航总流量和通行总流量计算得到当前有序路段对对应的导航偏差特征。
其中,这里的偏航总流量为偏航轨迹路线对应的通行总次数,根据历史轨迹路线统计偏航轨迹路线对应的偏航总流量,也就是说,根据历史轨迹路线获取按照偏航轨迹路线行驶的总通行流量。同时,根据历史轨迹路线获取当前有序路段对对应的通行总流量,这里的通行总流量是指当前有序路段对所有轨迹路线对应的总通行次数,包括偏航轨迹路线对应的通行次数和导航轨迹路线对应的通行次数。
进一步地,再根据偏航总流量和通行总流量计算得到当前有序路段对对应的导航偏差特征,其中,导航偏差特征的计算方式可自定义,自定义可以是将偏航总流量和通行总流量作为当前有序路段对对应的导航偏差特征,或者还可以是根据偏航总流量和通行总流量计算综合值,将计算得到的综合值作为当前有序路段对对应的导航偏差特征。
例如,如图9A所示,图9A中的当前有序路段对为:[s1,d1],其中,当前入口路段为s1,当前出口路段为d1,当前有序路段对对应的导航路线为:s1→d1,s1→d2为用户实际轨迹路线,由于用户实际轨迹路线与导航路线并不匹配,则认为s1→d2为偏航轨迹路线,根据历史轨迹路线获取当前有序路段对对应的通行总流量为1000,偏航轨迹路线对应的偏航总流量为300,可将偏航总流量与通行总流量的比值作为导航偏差特征,即导航偏差特征为:300/1000=3/10。
在一个实施例中,如图10所示,目标特征组合包括进入转移特征、退出转移特征、绕路比例特征和导航偏差特征,将目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对,包括:
步骤1002,将进入转移特征、退出转移特征、绕路比例特征和导航偏差特征同时输入至交通规则预测模型中,交通规则预测模型根据导航偏差特征确定目标异常率。
其中,目标特征组合包括进入转移特征、退出转移特征、绕路比例特征和导航偏差特征,即目标特征组合=[进入转移特征,退出转移特征,绕路比例特征,导航偏差特征]。具体地,在获取各个有序路段对对应的目标特征组合后,将目标特征组合输入至已训练好的交通规则预测模型中,具体可以是,将进入转移特征、退出转移特征、绕路比例特征和导航偏差特征同时输入至交通规则预测模型中,交通规则预测模型获取到目标特征组合后,根据目标特征组合中的导航偏差特征确定目标异常率,也就是说,利用导航偏差特征来控制交通规则预测模型输出的异常率。其中,交通规则预测模型根据目标特征组合的导航偏差特征确定目标异常率的确定方式可自定义,自定义可以是根据导航偏差特征的分布确定目标异常率,如将导航偏差特征分布最多的值作为目标异常率,自定义还可以是根据导航偏差特征计算得到目标异常率,计算包括但不限于求均值、加权求和、统计等等。
步骤1004,从进入转移特征对应的最大值和最小值中随机选取第一分割值,根据第一分割值分配进入转移特征,得到异常进入转移特征对应的第一异常数目。
其中,交通规则预测模型获取到目标特征组合后,利用异常检测隔离算法对目标特征组合中的异常特征进行筛选,得到异常特征对应的路段对。异常检测隔离算法是交通规则缺失路段挖掘中的一个重要方面,用基于统计或者机器学习的方法来发现“小的模式”(相对于聚类),即数据集中间显著不同于其它数据的对象确认为异常数据。
具体地,交通规则预测模型获取到目标特征组合中的进入转移特征后,从进入转移特征对应的最大值和最小值中随机选取第一分割值,第一分割值的计算方式可自定义,自定义可以是由算法自行计算,通常取中位数。或者自定义还可以是按进入转移特征的分布和设定的目标异常率计算第一分割值。
进一步地,在选取得到进入转移特征对应的第一分割值后,根据第一分割值分配进入转移特征,进入转移特征的分配可以是将大于第一分割值的进入转移特征分配到一个数据集中,将小于第一分割值的进入转移特征分配到另一个数据集中,进入转移特征的分配或者还可以是再从分配好的各个数据集中再选取对应的第一分隔值,进而继续分配各个数据集中的进入转移特征,直至满足第一收敛条件,得到不属于任何一个数据集中的异常进入转移特征,记录异常进入转移特征对应的第一异常数目。
步骤1006,从退出转移特征对应的最大值和最小值中随机选取第二分割值,根据第二分割值分配退出转移特征,得到异常退出转移特征对应的第二异常数目。
具体地,交通规则预测模型获取到目标特征组合中的退出转移特征后,从退出转移特征对应的最大值和最小值中随机选取第二分割值,第二分割值的计算方式可自定义,自定义可以是由算法自行计算,如取中位数作为第二分割值。或者自定义还可以是按退出转移特征的分布和设定的目标异常率计算第二分割值。
进一步地,在选取得到退出转移特征对应的第二分割值后,根据第二分割值分配退出转移特征,退出转移特征的分配可以是将大于第二分割值的退出转移特征分配到一个数据集中,将小于第二分割值的退出转移特征分配到另一个数据集中,退出转移特征的分配或者还可以是再从分配好的各个数据集中再随机选取对应的第二分割值,继续分配各个数据集中的退出转移特征,直至满足第二收敛条件,得到不属于任何一个数据集中的异常退出转移特征,记录异常退出转移特征对应的第二异常数目。
步骤1008,从绕路比例特征对应的最大值和最小值中随机选取第三分割值,根据第三分割值分配绕路比例特征,得到异常绕路比例特征对应的第三异常数目。
具体地,交通规则预测模型获取到目标特征组合中的绕路比例特征后,从绕路比例特征对应的最大值和最小值中随机选取第三分割值,第三分割值的计算方式可自定义,自定义可以是由算法自行计算,如取中位数作为第三分割值。或者自定义还可以是按绕路比例特征的分布和设定的目标异常率计算第三分割值。
进一步地,在选取得到绕路比例特征对应的第三分割值后,根据第三分割值分配绕路比例特征,绕路比例特征的分配可以是将大于第三分割值的绕路比例特征分配到一个数据集中,将小于第三分割值的绕路比例特征分配到另一个数据集中,绕路比例特征的分配或者还可以是再从分配好的各个数据集中再随机选取对应的第三分割值,继续分配各个数据集中的绕路比例特征,直至满足第三收敛条件,得到不属于任何一个数据集中的异常绕路比例特征,记录异常绕路比例特征对应的第三异常数目。
步骤1010,从导航偏差特征对应的最大值和最小值中随机选取第四分割值,根据第四分割值分配导航偏差特征,得到异常导航偏差特征对应的第四异常数目。
具体地,交通规则预测模型获取到目标特征组合中的导航偏差特征后,从导航偏差特征对应的最大值和最小值中随机选取第四分割值,第四分割值的计算方式可自定义,自定义可以是由算法自行计算,如取中位数作为第四分割值。或者自定义还可以是按导航偏差特征的分布和设定的目标异常率计算第四分割值。
进一步地,在选取得到导航偏差特征对应的第四分割值后,根据第四分割值分配导航偏差特征,导航偏差特征的分配可以是将大于第四分割值的导航偏差特征分配到一个数据集中,将小于第四分割值的导航偏差特征分配到另一个数据集中,导航偏差特征的分配或者还可以是再从分配好的各个数据集中再随机选取对应的第四分割值,继续分配各个数据集中的导航偏差特征,直至满足第四收敛条件,得到不属于任何一个数据集中的异常导航偏差特征,记录异常导航偏差特征对应的第四异常数目。
步骤1012,获取有序路段对对应的有序路段对总数目,根据第一异常数目、第二异常数目、第三异常数目、第四异常数目和有序路段对总数目计算当前异常率。
其中,这里的有序路段对总数目是目标特征组合对应的有序路段对的总个数,交通规则预测模型根据输入的目标特征组合的数目确定有序路段对的总数量,获取有序路段对对应的有序路段对总数量。具体地,根据第一异常数目、第二异常数目、第三异常数目、第四异常数目和有序路段对总数目计算当前异常率,其中,计算方式可自定义,自定义可以是先统计异常数目,即第一异常数目、第二异常数目、第三异常数目、第四异常数目的总和,再计算异常数目占有序路段对总数目的比例,根据比例得到当前异常率。或者自定义还可以是计算第一异常数目、第二异常数目、第三异常数目、第四异常数目分别有序路段对总数目的比例,根据各个比例计算得到当前异常率。
例如,第一异常数目为10、第二异常数目为20、第三异常数目为20、第四异常数目为50,有序路段对总数目为1000,则当前异常率可以是异常数目占有序路段对总数目的比值为:100/1000=1/10。
步骤1014,当当前异常率与目标异常率匹配时,输出对应的交通规则异常路段对,否则,重新选取第一分割值、第二分割值、第三分割值和第四分割值,更新当前异常率,直至当前异常率与目标异常率匹配,得到对应的交通规则异常路段对。
具体地,在计算得到当前异常率后,检测当前异常率与目标异常率是否匹配,具体可以是检测当前异常率与目标异常率是否相同,当相同时,则确定当前异常率与目标异常率匹配,反之,则确定当前异常率与目标异常率不匹配。进一步地,当检测到当前异常率与目标异常率匹配时,输出对应的交通规则异常路段对。反之,当检测到当前异常率与目标异常率不匹配时,则返回重新选取第一分割值、第二分割值、第三分割值和第四分割值,更新当前异常率,直至当前异常率与目标异常率匹配,得到对应的交通规则异常路段对。其中,第一分割值、第二分割值、第三分割值和第四分割值可以是在各个数据集中重新随机选取对应的分割值,根据重新选取的分割值分配对应的数据集中的特征,记录异常数目,从而更新当前异常率,直至更新后的当前异常率与目标异常率匹配,输出交通规则异常路段对。
在一个实施例中,如图11所示,根据交通规则异常路段对确定目标交通规则缺失路段,包括:
步骤1102,获取预设交通规则筛选规则,预设交通规则筛选规则中包括有序路段对和对应的交通规则之间的映射关系。
步骤1104,当根据映射关系检测到交通规则异常路段对不存在对应的交通规则时,确定交通规则异常路段对为目标交通规则缺失路段。
其中,预设交通规则筛选规则是用来对交通规则预测模型输出的交通规则异常路段对进行进一步筛选的,从而提高交通规则缺失路段挖掘的准确性。具体可以提前设置,可以根据大量经验规则进行确定得到,或者还可以是根据实际应用场景所需的交通规则确定得到,或者还可以是根据业务需求进行确定得到。其中,预设交通规则筛选规则中包括有序路段对和对应的交通规则之间的映射关系,有序路段对和对应的交通规则之间是一一对应的关系。
具体地,获取预设交通规则筛选规则,根据预设交通规则筛选规则检测交通规则预测模型输出的交通规则异常路段对是否存在对应的交通规则,若根据映射关系检测到交通规则异常路段对不存在对应的交通规则时,则可确定交通规则异常路段对为目标交通规则缺失路段。若根据映射关系检测到交通规则异常路段对存在对应的交通规则时,则将该交通规则异常路段对进行过滤。
其中,例如,如图11A所示,图11A示出一个实施例中实际交通规则异常路段的示意图。图11A示出的实际交通规则异常路段中设置有禁止调头的交通规则,但是与图11A相对于导航数据中并没有设置禁止调头的交通规则,如图11B所示,因此可以将图11B所示的交通规则异常路段确定为目标交通规则缺失路段。
在一个实施例中,若根据映射关系检测到交通规则异常路段对存在对应的交通规则时,为了进一步提高交通规则缺失路段挖掘的准确性,再对交通规则异常路段对进行检测,检测该交通规则异常路段对是否需要交通规则,若该交通异常路段对不需要交通规则却检测到存在对应的交通规则,可确定为目标交通规则缺失路段。其中,检测该交通规则异常路段对是否需要交通规则可预先设置路段标识,根据路段标识确定是否该交通规则异常路段对不需要设置交通规则。例如,不需要设置交通规则的路段对可以为以下有序路段对:
a)对提前左转,提前右转,提前调头,区域性掉头口等理论交通规则限制路段,不需要设置交通规则;
b)对连接区域内,大门,步行路结果,不需要设置交通规则;
c)对于实际道路车信指示无需制作交通规则路段,与挖掘结果相反的路段不需要设置交通规则;
d)对于影响路网连通关系的路段,比如直行,顺向,单连通路段,不需要设置交通规则;
e)对于高速,快速路无需设置交通规则。
在一个具体的实施例中,提供了一种交通规则数据处理方法,具体包括以下步骤:
1、获取历史轨迹数据集合,历史轨迹数据集合包括至少一个历史轨迹路线,历史轨迹路线存在对应的导航路线。
1-1、获取原始轨迹数据集合,原始轨迹数据集合包括至少一个原始轨迹路线,原始轨迹路线包括至少一个原始轨迹采集点。
1-2、从至少一个原始轨迹采集点中获取偏移原始轨迹路线的异常原始轨迹采集点。
1-3、将异常原始轨迹采集点进行过滤,将过滤后的原始轨迹采集点组成历史轨迹数据集合。
2、获取基于路网拓扑关系构建的路网,根据路网确定历史轨迹路线在路网中对应的有序路段集合。
2-1、历史轨迹路线包括多个轨迹采集点,获取各个轨迹采集点对应的实际地理位置信息。
2-2、根据各个轨迹采集点对应的实际地理位置信息确定各个轨迹采集点在路网中对应的目标路段,不同的目标路段根据历史轨迹路线对应的行驶方向形成有序路段集合。
3、将有序路段集合中的相邻路段形成对应的有序路段对,根据历史轨迹路线和导航路线确定有序路段对对应的目标特征组合。
3-1、根据历史轨迹路线计算得到有序路段对对应的流量出入特征。
3-1-1-1、流量出入特征包括进入转移特征,有序路段对包括入口路段和对应的出口路段,获取当前有序路段对,获取当前有序路段对对应的当前入口路段。
3-1-1-2、获取当前入口路段对应的匹配出口路段集合。
3-1-1-3、根据历史轨迹路线获取匹配出口路段集合中各个匹配出口路段对应的出口子流量,统计得到出口总流量。
3-1-1-4、获取当前有序路段对对应的第一出口子流量。
3-1-1-5、根据第一出口子流量和出口总流量计算得到当前有序路段对对应的进入转移特征。
3-1-2-1、流量出入特征包括退出转移特征,有序路段对包括入口路段和对应的出口路段,获取当前有序路段对,获取当前有序路段对对应的当前出口路段。
3-1-2-2、获取当前出口路段对应的匹配入口路段集合。
3-1-2-3、根据历史轨迹路线获取匹配入口路段集合中各个匹配入口路段对应的入口子流量,统计得到入口总流量。
3-1-2-4、获取当前有序路段对对应的第一入口子流量。
3-1-2-5、根据第一入口子流量和入口总流量计算得到当前有序路段对对应的退出转移特征。
3-2、根据历史轨迹路线计算得到有序路段对对应的绕路比例特征。
3-2-1、获取当前有序路段对,根据历史轨迹路线获取当前有序路段对对应的通行总流量。
3-2-2、获取当前有序路段对对应的直通轨迹路线。
3-2-3、根据历史轨迹路线和直通轨迹路线确定当前有序路段对对应的绕路轨迹路线。
3-2-4、根据历史轨迹路线获取绕路轨迹路线对应的绕路总流量。
3-2-5、根据绕路总流量和通行总流量计算得到当前有序路段对对应的绕路比例特征。
3-3、根据历史轨迹路线和导航路线计算得到有序路段对对应的导航偏差特征。
3-3-1、获取当前有序路段对,获取当前有序路段对对应的导航路线。
3-3-2、根据历史轨迹路线和导航路线确定当前有序路段对对应的偏航轨迹路线。
3-3-3、根据历史轨迹路线获取当前有序路段对对应的通行总流量。
3-3-4、根据偏航轨迹路线获取当前有序路段对对应的偏航总流量。
3-3-5、根据偏航总流量和通行总流量计算得到当前有序路段对对应的导航偏差特征。
4、将目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对。
4-1、目标特征组合包括进入转移特征、退出转移特征、绕路比例特征和导航偏差特征,将进入转移特征、退出转移特征、绕路比例特征和导航偏差特征同时输入至交通规则预测模型中,交通规则预测模型根据导航偏差特征确定目标异常率。
4-2、从进入转移特征对应的最大值和最小值中随机选取第一分割值,根据第一分割值分配进入转移特征,得到异常进入转移特征对应的第一异常数目。
4-3、从退出转移特征对应的最大值和最小值中随机选取第二分割值,根据第二分割值分配退出转移特征,得到异常退出转移特征对应的第二异常数目。
4-4、从绕路比例特征对应的最大值和最小值中随机选取第三分割值,根据第三分割值分配绕路比例特征,得到异常绕路比例特征对应的第三异常数目。
4-5、从导航偏差特征对应的最大值和最小值中随机选取第四分割值,根据第四分割值分配导航偏差特征,得到异常导航偏差特征对应的第四异常数目。
4-6、获取有序路段对对应的有序路段对总数目,根据第一异常数目、第二异常数目、第三异常数目、第四异常数目和有序路段对总数目计算当前异常率。
4-7、当当前异常率与目标异常率匹配时,输出对应的交通规则异常路段对,否则,重新选取第一分割值、第二分割值、第三分割值和第四分割值,更新当前异常率,直至当前异常率与目标异常率匹配,得到对应的交通规则异常路段对。
5、根据交通规则异常路段对确定目标交通规则缺失路段。
5-1、获取预设交通规则筛选规则,预设交通规则筛选规则中包括有序路段对和对应的交通规则之间的映射关系。
5-2、当根据映射关系检测到交通规则异常路段对不存在对应的交通规则时,确定交通规则异常路段对为目标交通规则缺失路段。
在一个实际应用场景中,收集北京26万有序路段对作为测试集合,对26万有序路段对进行异常检测方式检测交通规则缺失路段,异常检测方式包括现有技术的隔离森林算法、局部异常系数lof、机器模型交集过滤和本申请的交通规则数据处理方法,测试集评测效果如下:
从上述表格中可以看到,使用本申请的交通规则数据处理方法后,不仅可以保证召回一定的程度下,极大提升了结果有效率,能够达到生产作业要求。
其中,当前本申请所述的交通规则数据处理方法已经在交通规则限制专项改善项目中实施,日均挖掘城市2-3个,产出情报3000多条,效率达到40%。因此,不仅可以提升了改善覆盖率,改善频次,节省了路采人力物资成本,大大提升了交通规则缺失路段的改善效率,其中,city为城市,month为月份,day为天:
原方案 | 现方案 | 现方案情报产出量 | |
挖掘效率 | 10city/month | 60city/month | 3000/day |
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图12所示,提供了一种交通规则数据处理装置1200,其中:
历史轨迹数据获取模块1202,用于获取历史轨迹数据集合,历史轨迹数据集合包括至少一个历史轨迹路线,历史轨迹路线存在对应的导航路线。
有序路段集合获取模块1204,用于获取基于路网拓扑关系构建的路网,根据路网确定历史轨迹路线在路网中对应的有序路段集合。
有序路段对形成模块1206,用于将有序路段集合中的相邻路段形成对应的有序路段对,根据历史轨迹路线和导航路线确定有序路段对对应的目标特征组合。
交通规则预测模型预测模块1208,用于将目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对。
交通规则缺失路段确定模块1210,用于根据交通规则异常路段对确定目标交通规则缺失路段。
在一个实施例中,如图13所示,历史轨迹路线包括多个轨迹采集点,有序路段集合获取模块1204包括:
实际地理位置信息获取单元1204a,用于获取各个轨迹采集点对应的实际地理位置信息。
目标路段确定单元1204b,用于根据各个轨迹采集点对应的实际地理位置信息确定各个轨迹采集点在路网中对应的目标路段,不同的目标路段根据历史轨迹路线对应的行驶方向形成有序路段集合。
在一个实施例中,如图14所示,历史轨迹数据获取模块1202包括:
原始轨迹数据获取单元1202a,用于获取原始轨迹数据集合,原始轨迹数据集合包括至少一个原始轨迹路线,原始轨迹路线包括至少一个原始轨迹采集点。
异常原始轨迹采集点获取单元1202b,用于从至少一个原始轨迹采集点中获取偏移原始轨迹路线的异常原始轨迹采集点。
异常原始轨迹采集点过滤单元1202c,用于将异常原始轨迹采集点进行过滤,将过滤后的原始轨迹采集点组成历史轨迹数据集合。
在一个实施例中,如图15所示,有序路段对形成模块1206包括:
流量出入特征计算单元1206a,用于根据历史轨迹路线计算得到有序路段对对应的流量出入特征。
绕路比例特征计算单元1206b,用于根据历史轨迹路线计算得到有序路段对对应的绕路比例特征。
导航偏差特征计算单元1206c,用于根据历史轨迹路线和导航路线计算得到有序路段对对应的导航偏差特征。
目标特征组合确定单元1206d,用于将流量出入特征、绕路比例特征和导航偏差特征组成有序路段对对应的目标特征组合。
在一个实施例中,流量出入特征包括进入转移特征,有序路段对包括入口路段和对应的出口路段,流量出入特征计算单元1206a还用于获取当前有序路段对,获取当前有序路段对对应的当前入口路段,获取当前入口路段对应的匹配出口路段集合,根据历史轨迹路线获取匹配出口路段集合中各个匹配出口路段对应的出口子流量,统计得到出口总流量,获取当前有序路段对对应的第一出口子流量,根据第一出口子流量和出口总流量计算得到当前有序路段对对应的进入转移特征。
在一个实施例中,流量出入特征包括退出转移特征,有序路段对包括入口路段和对应的出口路段,流量出入特征计算单元1206a还用于获取当前有序路段对,获取当前有序路段对对应的当前出口路段,获取当前出口路段对应的匹配入口路段集合,根据历史轨迹路线获取匹配入口路段集合中各个匹配入口路段对应的入口子流量,统计得到入口总流量,获取当前有序路段对对应的第一入口子流量,根据第一入口子流量和入口总流量计算得到当前有序路段对对应的退出转移特征。
在一个实施例中,绕路比例特征计算单元1206b还用于获取当前有序路段对,根据历史轨迹路线获取当前有序路段对对应的通行总流量,获取当前有序路段对对应的直通轨迹路线,根据历史轨迹路线和直通轨迹路线确定当前有序路段对对应的绕路轨迹路线,根据历史轨迹路线获取绕路轨迹路线对应的绕路总流量,根据绕路总流量和通行总流量计算得到当前有序路段对对应的绕路比例特征。
在一个实施例中,导航偏差特征计算单元1206c还用于获取当前有序路段对,获取当前有序路段对对应的导航路线,根据历史轨迹路线和导航路线确定当前有序路段对对应的偏航轨迹路线,根据历史轨迹路线获取当前有序路段对对应的通行总流量,根据偏航轨迹路线获取当前有序路段对对应的偏航总流量,根据偏航总流量和通行总流量计算得到当前有序路段对对应的导航偏差特征。
在一个实施例中,如图16所示,目标特征组合包括进入转移特征、退出转移特征、绕路比例特征和导航偏差特征,交通规则预测模型预测模块1208包括:
交通规则预测模型输入单元1208a,用于将进入转移特征、退出转移特征、绕路比例特征和导航偏差特征同时输入至交通规则预测模型中,交通规则预测模型根据导航偏差特征确定目标异常率。
进入转移特征处理单元1208b,用于从进入转移特征对应的最大值和最小值中随机选取第一分割值,根据第一分割值分配进入转移特征,得到异常进入转移特征对应的第一异常数目。
退出转移特征处理单元1208c,用于从退出转移特征对应的最大值和最小值中随机选取第二分割值,根据第二分割值分配退出转移特征,得到异常退出转移特征对应的第二异常数目。
绕路比例特征处理单元1208d,用于从绕路比例特征对应的最大值和最小值中随机选取第三分割值,根据第三分割值分配绕路比例特征,得到异常绕路比例特征对应的第三异常数目。
导航偏差特征处理单元1208e,用于从导航偏差特征对应的最大值和最小值中随机选取第四分割值,根据第四分割值分配导航偏差特征,得到异常导航偏差特征对应的第四异常数目。
当前异常率计算单元1208f,用于获取有序路段对对应的有序路段对总数目,根据第一异常数目、第二异常数目、第三异常数目、第四异常数目和有序路段对总数目计算当前异常率。
交通规则预测模型输出单元1208g,用于当当前异常率与目标异常率匹配时,输出对应的交通规则异常路段对,否则,重新选取第一分割值、第二分割值、第三分割值和第四分割值,更新当前异常率,直至当前异常率与目标异常率匹配,得到对应的交通规则异常路段对。
在一个实施例中,如图17所示,交通规则缺失路段确定模块1210包括:
筛选规则获取单元1210a,用于获取预设交通规则筛选规则,预设交通规则筛选规则中包括有序路段对和对应的交通规则之间的映射关系。
筛选规则筛选单元1210b,用于当根据映射关系检测到交通规则异常路段对不存在对应的交通规则时,确定交通规则异常路段对为目标交通规则缺失路段。图18示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110或服务器120。如图18所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现交通规则数据处理方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行交通规则数据处理方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图18中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的交通规则数据处理装置可以实现为一种计算机程序的形式,计算机程序可在如图18所示的计算机设备上运行。计算机设备的存储器中可存储组成该交通规则数据处理装置的各个程序模块,比如,图12所示的历史轨迹数据获取模块、有序路段集合获取模块、有序路段对形成模块、交通规则预测模型预测模块和交通规则缺失路段确定模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的交通规则数据处理方法中的步骤。
例如,图18所示的计算机设备可以通过如图12所示的交通规则数据处理装置中的历史轨迹数据获取模块执行获取历史轨迹数据集合,历史轨迹数据集合包括至少一个历史轨迹路线,历史轨迹路线存在对应的导航路线。计算机设备可通过有序路段集合获取模块执行获取基于路网拓扑关系构建的路网,根据路网确定历史轨迹路线在路网中对应的有序路段集合。计算机设备可通过有序路段对形成模块执行将有序路段集合中的相邻路段形成对应的有序路段对,根据历史轨迹路线和导航路线确定有序路段对对应的目标特征组合。计算机设备可通过交通规则预测模型预测模块执行将目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对。计算机设备可通过交通规则缺失路段确定模块执行根据交通规则异常路段对确定目标交通规则缺失路段。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述交通规则数据处理方法的步骤。此处交通规则数据处理方法的步骤可以是上述各个实施例的交通规则数据处理方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述交通规则数据处理方法的步骤。此处交通规则数据处理方法的步骤可以是上述各个实施例的交通规则数据处理方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种交通规则数据处理方法,包括:
获取历史轨迹数据集合,所述历史轨迹数据集合包括至少一个历史轨迹路线,所述历史轨迹路线存在对应的导航路线;
获取基于路网拓扑关系构建的路网,根据所述路网确定所述历史轨迹路线在所述路网中对应的有序路段集合;
将所述有序路段集合中的相邻路段形成对应的有序路段对,根据所述历史轨迹路线和所述导航路线确定所述有序路段对对应的目标特征组合;
将所述目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对;
根据所述交通规则异常路段对确定目标交通规则缺失路段。
2.根据权利要求1所述的方法,其特征在于,所述历史轨迹路线包括多个轨迹采集点,所述根据所述路网确定所述历史轨迹路线在所述路网中对应的有序路段集合,包括:
获取各个所述轨迹采集点对应的实际地理位置信息;
根据各个所述轨迹采集点对应的实际地理位置信息确定各个所述轨迹采集点在所述路网中对应的目标路段,不同的所述目标路段根据历史轨迹路线对应的行驶方向形成有序路段集合。
3.根据权利要求1所述的方法,其特征在于,所述获取历史轨迹数据集合,包括:
获取原始轨迹数据集合,所述原始轨迹数据集合包括至少一个原始轨迹路线,所述原始轨迹路线包括至少一个原始轨迹采集点;
从至少一个原始轨迹采集点中获取偏移所述原始轨迹路线的异常原始轨迹采集点;
将所述异常原始轨迹采集点进行过滤,将过滤后的原始轨迹采集点组成历史轨迹数据集合。
4.根据权利要求1所述的方法,其特征在于,所述根据所述历史轨迹路线和所述导航路线确定所述有序路段对对应的目标特征组合,包括:
根据所述历史轨迹路线计算得到所述有序路段对对应的流量出入特征;
根据所述历史轨迹路线计算得到所述有序路段对对应的绕路比例特征;
根据所述历史轨迹路线和所述导航路线计算得到所述有序路段对对应的导航偏差特征;
将所述流量出入特征、所述绕路比例特征和所述导航偏差特征组成所述有序路段对对应的目标特征组合。
5.根据权利要求4所述的方法,其特征在于,所述流量出入特征包括进入转移特征,所述有序路段对包括入口路段和对应的出口路段,所述根据所述历史轨迹路线计算得到所述路段对对应的流量出入特征,包括:
获取当前有序路段对,获取所述当前有序路段对对应的当前入口路段;
获取所述当前入口路段对应的匹配出口路段集合;
根据所述历史轨迹路线获取匹配出口路段集合中各个匹配出口路段对应的出口子流量,统计得到出口总流量;
获取所述当前有序路段对对应的第一出口子流量;
根据所述第一出口子流量和所述出口总流量计算得到所述当前有序路段对对应的进入转移特征。
6.根据权利要求4所述的方法,其特征在于,所述流量出入特征包括退出转移特征,所述有序路段对包括入口路段和对应的出口路段,所述根据所述历史轨迹路线计算得到所述路段对对应的流量出入特征,包括:
获取当前有序路段对,获取所述当前有序路段对对应的当前出口路段;
获取所述当前出口路段对应的匹配入口路段集合;
根据所述历史轨迹路线获取匹配入口路段集合中各个匹配入口路段对应的入口子流量,统计得到入口总流量;
获取所述当前有序路段对对应的第一入口子流量;
根据所述第一入口子流量和所述入口总流量计算得到所述当前有序路段对对应的退出转移特征。
7.根据权利要求4所述的方法,其特征在于,所述根据所述历史轨迹路线计算得到所述有序路段对对应的绕路比例特征,包括:
获取当前有序路段对,根据所述历史轨迹路线获取所述当前有序路段对对应的通行总流量;
获取所述当前有序路段对对应的直通轨迹路线;
根据所述历史轨迹路线和所述直通轨迹路线确定所述当前有序路段对对应的绕路轨迹路线;
根据所述历史轨迹路线获取所述绕路轨迹路线对应的绕路总流量;
根据所述绕路总流量和所述通行总流量计算得到所述当前有序路段对对应的绕路比例特征。
8.根据权利要求4所述的方法,其特征在于,所述根据所述历史轨迹路线和所述导航路线计算得到所述有序路段对对应的导航偏差特征,包括:
获取当前有序路段对,获取所述当前有序路段对对应的导航路线;
根据所述历史轨迹路线和所述导航路线确定所述当前有序路段对对应的偏航轨迹路线;
根据所述历史轨迹路线获取所述当前有序路段对对应的通行总流量;
根据所述偏航轨迹路线获取所述当前有序路段对对应的偏航总流量;
根据所述偏航总流量和所述通行总流量计算得到所述当前有序路段对对应的导航偏差特征。
9.根据权利要求1所述的方法,其特征在于,所述目标特征组合包括进入转移特征、退出转移特征、绕路比例特征和导航偏差特征,所述将所述目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对,包括:
将所述进入转移特征、所述退出转移特征、所述绕路比例特征和所述导航偏差特征同时输入至所述交通规则预测模型中,所述交通规则预测模型根据所述导航偏差特征确定目标异常率;
从所述进入转移特征对应的最大值和最小值中随机选取第一分割值,根据所述第一分割值分配所述进入转移特征,得到异常进入转移特征对应的第一异常数目;
从所述退出转移特征对应的最大值和最小值中随机选取第二分割值,根据所述第二分割值分配所述退出转移特征,得到异常退出转移特征对应的第二异常数目;
从所述绕路比例特征对应的最大值和最小值中随机选取第三分割值,根据所述第三分割值分配所述绕路比例特征,得到异常绕路比例特征对应的第三异常数目;
从所述导航偏差特征对应的最大值和最小值中随机选取第四分割值,根据所述第四分割值分配所述导航偏差特征,得到异常导航偏差特征对应的第四异常数目;
获取所述有序路段对对应的有序路段对总数目,根据所述第一异常数目、所述第二异常数目、所述第三异常数目、所述第四异常数目和有序路段对总数目计算当前异常率;
当所述当前异常率与所述目标异常率匹配时,输出对应的交通规则异常路段对,否则,重新选取所述第一分割值、所述第二分割值、所述第三分割值和所述第四分割值,更新当前异常率,直至所述当前异常率与所述目标异常率匹配,得到对应的交通规则异常路段对。
10.根据权利要求1所述的方法,其特征在于,所述根据所述交通规则异常路段对确定目标交通规则缺失路段,包括:
获取预设交通规则筛选规则,所述预设交通规则筛选规则中包括有序路段对和对应的交通规则之间的映射关系;
当根据所述映射关系检测到所述交通规则异常路段对不存在对应的交通规则时,确定所述交通规则异常路段对为目标交通规则缺失路段。
11.一种交通规则数据处理装置,其特征在于,所述装置包括:
历史轨迹数据获取模块,用于获取历史轨迹数据集合,所述历史轨迹数据集合包括至少一个历史轨迹路线,所述历史轨迹路线存在对应的导航路线;
有序路段集合获取模块,用于获取基于路网拓扑关系构建的路网,根据所述路网确定所述历史轨迹路线在所述路网中对应的有序路段集合;
有序路段对形成模块,用于将所述有序路段集合中的相邻路段形成对应的有序路段对,根据所述历史轨迹路线和所述导航路线确定所述有序路段对对应的目标特征组合;
交通规则预测模型预测模块,用于将所述目标特征组合输入至已训练的交通规则预测模型中,得到对应的交通规则异常路段对;
交通规则缺失路段确定模块,用于根据所述交通规则异常路段对确定目标交通规则缺失路段。
12.根据权利要求11所述的装置,其特征在于,所述历史轨迹路线包括多个轨迹采集点,所述有序路段集合获取模块包括:
实际地理位置信息获取单元,用于获取各个所述轨迹采集点对应的实际地理位置信息;
目标路段确定单元,用于根据各个所述轨迹采集点对应的实际地理位置信息确定各个所述轨迹采集点在所述路网中对应的目标路段,不同的所述目标路段根据历史轨迹路线对应的行驶方向形成有序路段集合。
13.根据权利要求11所述的装置,其特征在于,所述历史轨迹数据获取模块包括:
原始轨迹数据获取单元,用于获取原始轨迹数据集合,所述原始轨迹数据集合包括至少一个原始轨迹路线,所述原始轨迹路线包括至少一个原始轨迹采集点;
异常原始轨迹采集点获取单元,用于从至少一个原始轨迹采集点中获取偏移所述原始轨迹路线的异常原始轨迹采集点;
异常原始轨迹采集点过滤单元,用于将所述异常原始轨迹采集点进行过滤,将过滤后的原始轨迹采集点组成历史轨迹数据集合。
14.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至10中任一项所述方法的步骤。
15.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915409.9A CN110795467B (zh) | 2019-09-26 | 2019-09-26 | 交通规则数据处理方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915409.9A CN110795467B (zh) | 2019-09-26 | 2019-09-26 | 交通规则数据处理方法、装置、存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110795467A true CN110795467A (zh) | 2020-02-14 |
CN110795467B CN110795467B (zh) | 2024-02-27 |
Family
ID=69439755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910915409.9A Active CN110795467B (zh) | 2019-09-26 | 2019-09-26 | 交通规则数据处理方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110795467B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111540026A (zh) * | 2020-03-24 | 2020-08-14 | 北京三快在线科技有限公司 | 动线图的绘制方法、装置、电子设备及存储介质 |
CN111707285A (zh) * | 2020-06-28 | 2020-09-25 | 北京百度网讯科技有限公司 | 规划路线的方法和装置 |
CN111982144A (zh) * | 2020-08-20 | 2020-11-24 | 北京百度网讯科技有限公司 | 导航方法、装置、电子设备及计算机可读介质 |
CN112667671A (zh) * | 2021-01-05 | 2021-04-16 | 腾讯科技(深圳)有限公司 | 一种路网数据处理方法、装置、计算机设备和存储介质 |
CN113029180A (zh) * | 2021-03-25 | 2021-06-25 | 北京百度网讯科技有限公司 | 一种交通限制识别方法、装置、电子设备及存储介质 |
CN113823082A (zh) * | 2021-06-07 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 导航数据处理方法、装置、设备及存储介质 |
CN114419883A (zh) * | 2022-01-07 | 2022-04-29 | 北京百度网讯科技有限公司 | 识别路口缺失交通限制信息的方法、装置和电子设备 |
CN114719880A (zh) * | 2022-06-01 | 2022-07-08 | 阿里巴巴(中国)有限公司 | 模型训练方法、装置及电子设备 |
CN114926980A (zh) * | 2022-04-22 | 2022-08-19 | 阿里巴巴(中国)有限公司 | 交通数据挖掘方法、装置、电子设备及计算机程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130325325A1 (en) * | 2012-05-30 | 2013-12-05 | Toyota Motor Engineering & Manufacturing North America | System and method for hazard detection and sharing |
CN108959414A (zh) * | 2018-06-07 | 2018-12-07 | 同济大学 | 一种基于机器学习的导航数据点提取缺失道路的方法 |
CN109670010A (zh) * | 2018-12-29 | 2019-04-23 | 北斗天地股份有限公司 | 轨迹数据补充方法及装置 |
CN109766777A (zh) * | 2018-12-18 | 2019-05-17 | 东软集团股份有限公司 | 异常轨迹的检测方法、装置、存储介质及电子设备 |
CN109844832A (zh) * | 2016-12-30 | 2019-06-04 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
WO2019148715A1 (zh) * | 2018-02-01 | 2019-08-08 | 平安科技(深圳)有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
-
2019
- 2019-09-26 CN CN201910915409.9A patent/CN110795467B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130325325A1 (en) * | 2012-05-30 | 2013-12-05 | Toyota Motor Engineering & Manufacturing North America | System and method for hazard detection and sharing |
CN109844832A (zh) * | 2016-12-30 | 2019-06-04 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
WO2019148715A1 (zh) * | 2018-02-01 | 2019-08-08 | 平安科技(深圳)有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
CN108959414A (zh) * | 2018-06-07 | 2018-12-07 | 同济大学 | 一种基于机器学习的导航数据点提取缺失道路的方法 |
CN109766777A (zh) * | 2018-12-18 | 2019-05-17 | 东软集团股份有限公司 | 异常轨迹的检测方法、装置、存储介质及电子设备 |
CN109670010A (zh) * | 2018-12-29 | 2019-04-23 | 北斗天地股份有限公司 | 轨迹数据补充方法及装置 |
Non-Patent Citations (2)
Title |
---|
王春辉: "基于高斯混合模型的多源异类交通数据融合研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 08, 15 August 2016 (2016-08-15), pages 034 - 447 * |
韩博洋;汪兆洋;金蓓弘;: "一种基于轨迹大数据离线挖掘与在线实时监测的出租车异常轨迹检测算法", 中国科学技术大学学报, no. 03, 15 March 2016 (2016-03-15), pages 78 - 83 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111540026A (zh) * | 2020-03-24 | 2020-08-14 | 北京三快在线科技有限公司 | 动线图的绘制方法、装置、电子设备及存储介质 |
CN111707285A (zh) * | 2020-06-28 | 2020-09-25 | 北京百度网讯科技有限公司 | 规划路线的方法和装置 |
CN111982144A (zh) * | 2020-08-20 | 2020-11-24 | 北京百度网讯科技有限公司 | 导航方法、装置、电子设备及计算机可读介质 |
CN112667671A (zh) * | 2021-01-05 | 2021-04-16 | 腾讯科技(深圳)有限公司 | 一种路网数据处理方法、装置、计算机设备和存储介质 |
CN112667671B (zh) * | 2021-01-05 | 2022-04-22 | 腾讯科技(深圳)有限公司 | 一种路网数据处理方法、装置、计算机设备和存储介质 |
CN113029180A (zh) * | 2021-03-25 | 2021-06-25 | 北京百度网讯科技有限公司 | 一种交通限制识别方法、装置、电子设备及存储介质 |
CN113823082A (zh) * | 2021-06-07 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 导航数据处理方法、装置、设备及存储介质 |
CN113823082B (zh) * | 2021-06-07 | 2023-08-18 | 腾讯科技(深圳)有限公司 | 导航数据处理方法、装置、设备及存储介质 |
CN114419883A (zh) * | 2022-01-07 | 2022-04-29 | 北京百度网讯科技有限公司 | 识别路口缺失交通限制信息的方法、装置和电子设备 |
CN114926980A (zh) * | 2022-04-22 | 2022-08-19 | 阿里巴巴(中国)有限公司 | 交通数据挖掘方法、装置、电子设备及计算机程序产品 |
CN114926980B (zh) * | 2022-04-22 | 2023-04-14 | 阿里巴巴(中国)有限公司 | 交通数据挖掘方法、装置、电子设备及计算机程序产品 |
CN114719880A (zh) * | 2022-06-01 | 2022-07-08 | 阿里巴巴(中国)有限公司 | 模型训练方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110795467B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795467A (zh) | 交通规则数据处理方法、装置、存储介质和计算机设备 | |
CN109448370B (zh) | 一种基于车辆轨迹数据的交通控制子区划分方法 | |
Huang et al. | Modeling real-time human mobility based on mobile phone and transportation data fusion | |
CN103646187B (zh) | 一种统计周期内车辆出行路线及od矩阵获取方法 | |
CN104574967A (zh) | 一种基于北斗的城市大面积路网交通感知方法 | |
Cui et al. | Identifying mismatch between urban travel demand and transport network services using GPS data: A case study in the fast growing Chinese city of Harbin | |
CN110222131A (zh) | 起讫信息提取方法及装置 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN106710208A (zh) | 交通状态的获取方法及装置 | |
CN108346292A (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
Liu et al. | Road recognition using coarse-grained vehicular traces | |
CN114446051A (zh) | 一种城市路网交通韧性薄弱识别方法 | |
CN111275975B (zh) | 一种交叉口转向流量数据的获取方法、装置和存储介质 | |
CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
CN112163166B (zh) | 检测道路属性的方法、装置、计算机可读介质及电子设备 | |
Xie et al. | Testing the proportionality condition with taxi trajectory data | |
CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
CN111047860B (zh) | 一种车辆运行轨迹提取方法 | |
CN113360543A (zh) | 公共交通的重复路线识别方法、装置、设备及存储介质 | |
CN116797055A (zh) | 一种基于物联网的城市道路规划方法及系统 | |
CN112556717A (zh) | 出行方式筛选方法和出行路线推荐方法和装置 | |
CN109118769A (zh) | 一种基于交通监测数据的路段自由流速度挖掘方法 | |
Cruz et al. | Trajectory prediction from a mass of sparse and missing external sensor data | |
Hosseini et al. | Traffic flow prediction using MI algorithm and considering noisy and data loss conditions: An application to Minnesota traffic flow prediction | |
CN116611586A (zh) | 一种基于双层异构网络的新建路网流量预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40021020 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |