CN110895879A - 同行车的检测方法及装置、存储介质、电子装置 - Google Patents
同行车的检测方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN110895879A CN110895879A CN201911176829.6A CN201911176829A CN110895879A CN 110895879 A CN110895879 A CN 110895879A CN 201911176829 A CN201911176829 A CN 201911176829A CN 110895879 A CN110895879 A CN 110895879A
- Authority
- CN
- China
- Prior art keywords
- vector
- vehicle
- track
- trajectory
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 282
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 21
- 230000002457 bidirectional effect Effects 0.000 claims description 14
- 230000000306 recurrent effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 28
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明提供了一种同行车的检测方法及装置、存储介质、电子装置。其中,上述方法包括:获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中,第一轨迹向量至少用于指示目标车辆经过的卡口和时间,第二轨迹向量至少用于指示候选车辆经过的卡口和时间;将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;通过第三轨迹向量确定目标车辆和候选车辆是否为同行车。采用上述技术方案,解决了相关技术中同行车的检测方式准确度低,流程复杂的问题,提供了一种运行时间更短的同行车检测流程,加快了同行车检测速度。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种同行车的检测方法及装置、存储介质、电子装置。
背景技术
同行车检测是安防行业数据应用的一项重要业务,相关技术中提供了几种实现方式,例如公开号为CN108932839A公开了以下技术方案:获取某一区域内目标车辆在行车路线上依照先后顺序经过的卡口及时间和候选车辆在行车路线上依照先后顺序经过的卡口及时间,确定N个卡口组,每个卡口组包括所述目标车辆在行车路线上经过的一个卡口以及所述候选车辆在行车路线上经过的一个卡口,并且所述目标车辆经过卡口的顺序和所述候选车辆经过卡口的顺序相对应。判断每个卡口组是否符合设定条件,若符合,则针对每个卡口组确定卡口组对应的第一轨迹同行度,所述第一轨迹同行度用于表征所述目标车辆和所述候选车辆在对应卡口处的行车路线相似程度,其中,所述设定条件为:卡口组中的两个卡口间的距离和时间差均小于各自的阈值,根据N个卡口各自的同行度和权重得到相似程度的值来判断是否为同行车。
可见,目标区域选择局限性较大,无法进行大区域的同行车检测且区域的选择具有偶然性;对卡口匹配的要求较高,目标车和候选车的卡口组必须一一匹配;且卡口组的权重的设置是根据人为来判断重要性,存在较大的人为主观因素。需要比较两辆车的所有卡口之间的距离以及过车时间差,运算量非常大,效率很低,无法进行大量车辆之间同行车的检测;对硬件设备的性能有一定的要求。
此外,论文名称为《基于社交属性的时空轨迹语义分析》主要公开了:尝试采用深度学习的方法挖掘具备社交属性的用户签到数据,结合用户标记、位置点及时间序列等多维数据属性探索时空轨迹的语义特征。所提出的轨迹模型综合考虑了轨迹挖掘中的空间转移和时序因素:通过不同时间粒度的划分将时间属性内嵌于位置样本中,再实施多维数据的组合单位向量化操作;在向量空间模型(vector space model,简称为VSM)中实现定量计算分析,进而开展用户轨迹的挖掘与处理工作;在位置向量自定义运算的基础上,采用Top-K近邻预测、聚类分析等手段验证模型的合理性,以达成时空轨迹语义分析的目标.轨迹数据的语义特征化表达将时空数据中隐含的用户移动模式与宏观趋势直观地展现出来,通过调整轨迹模型的参数设置即可实现对用户轨迹的定制化深度探索,该论文虽然利用了空间和时间信息,将时空数据进行了语义向量化,但还是停留在一个点的向量化上,对整条轨迹向量化没有提出好的解决方案。
针对相关技术中,同行车的检测方式准确度低,流程复杂等问题,尚未提出有效的技术方案。
发明内容
本发明实施例提供了一种同行车的检测方法及装置、存储介质、电子装置,以至少解决相关技术中同行车的检测方式准确度低,流程复杂的问题。
根据本发明的一个实施例,提供了一种同行车的检测方法,包括:获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中第一轨迹向量至少用于指示目标车辆经过的卡口和时间,第二轨迹向量至少用于指示候选车辆经过的卡口和时间;将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;通过第三轨迹向量确定目标车辆和候选车辆是否为同行车。
可选的,获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,包括:确定用于描述车辆的轨迹词向量的内容,其中,内容至少包括:车辆经过的卡口,车辆经过卡口的时间;基于内容获取在预定时间段内第一轨迹向量和第二轨迹向量。
可选的,将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量,包括:将第一轨迹向量和第二轨迹向量输入到共享权重的双向循环神经网络模型中,输出第三轨迹向量。
可选的,将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量之后,所述方法还包括:将第三轨迹向量输入到向量数据库中;通过向量数据库响应目标对象的查询指令,输出与查询指令对应的同行车的车牌标识ID。
根据本发明的另一个实施例,提供了一种同行车的检测装置,包括:获取模块,用于获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中第一轨迹向量至少用于指示目标车辆经过的卡口和时间,第二轨迹向量至少用于指示候选车辆经过的卡口和时间;输出模块,用于将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;确定模块,用于通过第三轨迹向量确定目标车辆和候选车辆是否为同行车。
可选的,获取模块,还用于确定用于描述车辆的轨迹词向量的内容,其中,内容至少包括:车辆经过的卡口,车辆经过卡口的时间;基于内容获取在预定时间段内第一轨迹向量和第二轨迹向量。
可选的,输出模块,还用于将第一轨迹向量和第二轨迹向量输入到共享权重的双向循环神经网络模型中,输出第三轨迹向量。
可选的,所述装置还包括:处理模块,用于将第三轨迹向量输入到向量数据库中;通过向量数据库响应目标对象的查询指令,输出与查询指令对应的同行车的车牌标识ID。
根据本发明的另一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行以上任一项同行车的检测方法。
根据本发明的另一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行以上任一项同行车的检测方法。
通过本发明的技术方案,获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中所述第一轨迹向量至少用于指示所述目标车辆经过的卡口和时间,所述第二轨迹向量至少用于指示所述候选车辆经过的卡口和时间;将所述第一轨迹向量和所述第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;通过所述第三轨迹向量确定所述目标车辆和所述候选车辆是否为同行车,采用上述技术方案,解决了相关技术中同行车的检测方式准确度低,流程复杂的问题,提供了一种运行时间更短的同行车检测流程,加快了同行车检测速度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为根据本发明实施例的一种同行车的检测方法的计算机终端的硬件结构框图;
图2为根据本发明实施例的同行车的检测方法的流程图;
图3为根据发明实施例的车辆轨迹向量的方法流程图;
图4是为根据本发明实施例的神经网络模型的工作流程示意图;
图5是根据本发明实施例的同行车的检测装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例,图1是本发明实施例的一种同行车的检测方法的计算机终端的硬件结构框图。如图1所示,计算机终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的同行车的检测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
为了更好的理解本发明实施例限定的同行车的确定流程,以下对本发明实施例的技术方案中可能涉及的相关方案进行说明,但不用于限定本发明实施例的技术方案。
动态时间归整(Dynamic Time Warping,简称为DTW)算法,它是一种衡量不同长度时间序列的相似度的方案,由于判断是否同行车时,两辆车的轨迹长短不一,无法直接计算其相似度,而简单的线性对齐则会忽略轨迹的一些变化信息,效果达不到最佳。因此普遍使用DTW算法采用动态规划的方法来找到两条轨迹的最小距离。
为了对齐两条轨迹,DTW算法构建了N*M的矩阵,N,M分别为同行车识别中基准车q与目标识别车c的轨迹长度,矩阵中的点(i,j)表示q的第i个轨迹点与c第j个轨迹点之间的距离(也就是相似度)由于过车轨迹通常会提供经纬度坐标,可以直接使用两个点之间的地理距离作为相似度度量的指标。DTW算法可以归纳为寻找通过该矩阵网格部分点的路径W,而这些点即为需要计算对齐的点。DTW算法需要注意:
(1)边界条件:W1=(1,1)、Wk=(n,m)。任何轨迹路径的先后顺序不可改变,必须从矩阵的左下角出发,在矩阵的右上角截止。
(2)连续性:每个点都只能与相邻的点进行匹配,不能跨越某个点进行匹配,保证q轨迹和c轨迹所有点都出现在矩阵网格上。
(3)单调性:同一时间出现的轨迹点最多只能是一个并且必须随着时间单调前进。
r(i,j)=d(qi,cj)+min{r(i-1,j-1),r(i-1,j),r(i,j-1)},
其中r(i,j)是累计距离,d(qi,cj)为当前格点距离,累计距离等于当前格点距离与到达该点的最小的邻近元素的累计距离之和。得到的r(n,m)即为基准车和目标车的轨迹距离(距离越大相似度越低)。
最终计算所有车辆和基准车的轨迹距离,轨迹距离小于阈值的即为同行车。
DTW具有:对异常点的敏感性很高,异常点会导致轨迹距离迅速增大;计算效率很低,一条轨迹上的所有点都需要参与计算;当两条轨迹中点的时间重合度比较低的情况下,计算误差较大。上述DTW的缺点和局限性,限制了车辆轨迹采集的效率。
为了解决上述通过DTW来实现的同行车的检测过程中可能存在的问题,在本实施例中提供了一种基于同行车检测方法,图2是根据本发明实施例的同行车的检测方法的流程图,如图2所示,包括以下步骤:
步骤202,获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中第一轨迹向量至少用于指示目标车辆经过的卡口和时间,第二轨迹向量至少用于指示候选车辆经过的卡口和时间;
步骤204,将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;
步骤206,通过第三轨迹向量确定目标车辆和候选车辆是否为同行车。
通过上述步骤,通过获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中第一轨迹向量至少用于指示目标车辆经过的卡口和时间,第二轨迹向量至少用于指示候选车辆经过的卡口和时间;将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;通过第三轨迹向量确定目标车辆和候选车辆是否为同行车,采用上述技术方案,解决了相关技术中同行车的检测方式准确度低,流程复杂的问题,提供了一种运行时间更短的同行车检测流程,加快了同行车检测速度。
可选的,上述步骤S202可能有多种实现方式,在一个可选实施例中,先确定用于描述车辆的轨迹词向量的内容,其中,上述内容至少包括:车辆经过的卡口,车辆经过卡口的时间;基于内容获取在预定时间段内第一轨迹向量和第二轨迹向量,也即在确定轨迹词向量中包括卡口和内容的情况下,进而确定在预定时间段内目标车辆的第一轨迹向量和候选车辆的第二轨迹向量。
在本发明的可选实施例中,通过时间来区分卡口,利用时间和空间信息融合,生成向量化的信息,根据不同时间下的卡口包含的信息不同,对信息进行区分。例如早高峰和晚高峰过车数量密集,深夜过车数量少,所以以车流量为划分条件,将一天划分为88个时间段,车流量密集时,前后时间段间隔小,车流量稀疏时,前后时间间隔大。最后组合每个过车卡口点和88个不同时间段,构造类似“卡口_时间”的词,这样一来,每辆车的轨迹就是由数个‘卡口时间’词组成的,每一辆车的轨迹就相当于一个句子,整个城市的交通网就是由这些数以万计句子组成的文本。
通过本实施例,通过目标车辆和候选车辆过的卡口和时间来获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,提高了目标车辆的第一轨迹向量和候选车辆的第二轨迹向量获取的准确性与灵活性。
可选的,将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量,包括:将第一轨迹向量和第二轨迹向量输入到共享权重的双向循环神经网络模型中,输出第三轨迹向量,经过双向循环神经网络模型对量化的第一轨迹向量和第二轨迹向量进行进一步的提炼,得到一组新的轨迹向量(相当于上述实施例的第三轨迹向量)。
通过本实施例,经过共享权重的双向循环神经网络模型,将第一轨迹向量和第二轨迹向量通过转换输出第三轨迹向量,减少了获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量后对整条轨迹向量化结果时间较长的问题,简化了轨迹量化流程,提高了轨迹量化的效率。
可选的,将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量之后,上述方法还包括:将第三轨迹向量输入到向量数据库中;通过向量数据库响应目标对象的查询指令,输出与查询指令对应的同行车的车牌标识ID。
在本发明的可选实施例中,在得到第三轨迹向量后,将得到的第三轨迹向量输入到向量数据库中进行向量信息的查询比对,根据第三轨迹向量与数据库中查询到的轨迹向量进行比对,可以快速检测出同行车的运动轨迹的相似性,来判断目标车辆与候选车辆的是否同行。
综上,本实施例中,将车辆(例如,目标车辆和候选车辆)的轨迹进行了向量化,分别得到第一轨迹向量和第二轨迹向量,然后将原本高维的第一轨迹向量和第二轨迹向量输入都神经网络模型中,利用神经网络模型将原本高维的第一轨迹向量和第二轨迹向量压缩到低维空间的第三轨迹向量,在不损失语义信息的情况下,缓解数据库的储存压力;此外,由于是将车辆的整条轨迹均实现了向量化,利用整个行车过程,避免目标区域的选择;同时向量化的轨迹可以使用向量数据库进行加速,减少程序运行时间,可见,通过上述技术方案,解决了相关技术中,DTW的对于轨迹信息采集中异常点过于敏感缺点和计算轨迹时选用过多点参与计算的局限性,使DTW的实用性得到了提高,获取轨迹向量的效率得到加强。
为了更好的理解上述同行车的确定过程,以下结合一可选实施例对上述流程进行说明,但不用于限定本发明实施例的技术方案,图3是根据上述发明实施例的同行车的确定方法的又一流程图,包括以下步骤:
步骤302,数据采集:将过车卡口的抓拍数据导入到数据库中,对数据进行清洗,如:车牌号码等字段是否符合规范;关键字段是否缺失;经纬度是否异常(坏点检测)。
可选地,还可以DTW标注数据:原有数据集中不含标签,无法进行有监督训练,因此使用DTW算法对数据进行标注。
步骤304,将历史行程数据编码成向量,具体可以通过以下方案实现:
(1)类似于自然语言中词的概念,将轨迹中的各个卡口点构造为词,具体方案是将过车卡口以时间区分,将时间和空间信息融合,可以理解的是,不同时间下的卡口包含的信息不同,例如早高峰和晚高峰过车数量密集,深夜过车数量少,所以以车流量为划分条件,将一天划分为88个时间段,车流量密集时,前后时间段间隔小,车流量稀疏时,前后时间间隔大。最后组合每个过车卡口点和88个不同时间段,构造类似“卡口_时间”的词,这样一来,每辆车的轨迹就是由数个‘卡口时间’词组成的,每一辆车的轨迹就相当于一个句子,整个城市的交通网就是由这些数以万计句子组成的文本;
(2)可以将文本处理中的词向量技术引入,训练轨迹词向量。将过去一个月内的城市所有过车轨迹通过以上的词构造方法进行转化,然后训练轨迹词向量,得到每一个词由256维的向量表示,验证词向量的效果,得出时间以及地理位置相近的相似卡口的词向量相似。
(3)由于每辆车的轨迹长短不一致,因此无法直接对两辆车的词向量进行例如余弦相似度这类的相似度计算。最简单的方法是将轨迹中的词向量wi进行加权平均,得到代表该轨迹的一个256维的轨迹向量,然后计算该轨迹与其他车轨迹间的相似度。
可选地,另外一种方法是对每一条轨迹构造词库所有词长度维度的向量,向量中的每一维都对应着词库中的一个词,然后取轨迹中每一个词与其最相似的m个词间的相似度填入相应的维度。假设词库中共有10W个词,轨迹长度为n,那么每一个轨迹为10W维的稀疏向量,其中,不为零的向量个数小于等于n*m。
步骤306,训练孪生神经网络(相当于上述实施例的共享权重的双向循环神经网络模型):孪生神经网络可以衡量两个输入的相似度,通过分别将目标车轨迹向量和候选车轨迹向量输入两个共享权重的神经网络,之后神经网络将两个输入映射到新的空间,形成新的向量表示,这些向量表示就是我们最后需要存到数据库中,这里的神经网络模型选择的是带注意力机制的双向循环神经网络。
图4为根据本发明实施例的神经网络模型的工作流程示意图,如图4所示,包括以下步骤:
步骤1:获取目标车轨迹向量和候选车轨迹向量;
步骤2:将获取到的上述轨迹向量分别输入到共享权重的双向循环网络中;
步骤3:通过双向循环网络对目标车轨迹向量和候选车轨迹向量进行分析,得到输出结果。
步骤308,负样本增强:类似于对抗生成网络的思想,将孪生网络训练过程中产生的预测错误数据当成负样本加入模型,可以有效的缓解过拟合现象,提高模型的准确性。
步骤310,向量数据库快速实时搜索:通过孪生网络提取得到的向量是对步骤306中目标车轨迹向量和候选车轨迹向量的综合概括,在不损失语义的情况下,向量库的储存压力大大减少,可以通过余弦相似度等计算方式来得到同行车。而从海量的向量库中找到最相似的前K个向量,就可以利用业界通用的方式——近似最近邻搜索技术,如哈希方法、Facebook的开源库Faiss,来大大提升搜索性能。
需要说明的是,本发明实施例中,训练孪生神经网络时只需要线下训练,一段时间训练一次,将权重矩阵提取出来即可,也即通过孪生神经网络的引入,加快了同行车的检测速度,避免了在载入卡口过车数据时对内存的占用以及载入时间过长的问题,还可以利用GPU提升性能来提高同行车的检测速度,此外,由于计算的是车辆的全局的轨迹向量,对异常点的敏感性不高,并且同时利用了轨迹的时间和空间信息,不再需要相关技术中,人工进行卡口的权重设置,没有选择目标区域的困扰。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
在本实施例中还提供了一种同行车的检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的同行车的检测装置的结构框图,如图5所示,该装置包括:
(1)获取模块502,用于获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中第一轨迹向量至少用于指示目标车辆经过的卡口和时间,第二轨迹向量至少用于指示候选车辆经过的卡口和时间;
(2)输出模块504,与获取模块502连接,用于将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;
(3)确定模块506,与获取模块504连接,用于通过第三轨迹向量确定目标车辆和候选车辆是否为同行车。
通过上述技术方案,通过获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中第一轨迹向量至少用于指示目标车辆经过的卡口和时间,第二轨迹向量至少用于指示候选车辆经过的卡口和时间;将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;通过第三轨迹向量确定目标车辆和候选车辆是否为同行车,采用上述技术方案,解决了相关技术中同行车的检测方式准确度低,流程复杂的问题,提供了一种运行时间更短的同行车检测流程,加快了同行车检测速度。
一个可选实施例中,上述获取模块502,还用于先确定用于描述车辆的轨迹词向量的内容,其中,获取模块502可获取的内容至少包括:车辆经过的卡口,车辆经过卡口的时间;基于内容获取在预定时间段内第一轨迹向量和第二轨迹向量,也即在确定轨迹词向量中包括卡口和内容的情况下,进而确定在预定时间段内目标车辆的第一轨迹向量和候选车辆的第二轨迹向量。
例如,可以通过将过时间来区分卡口,融合时间和空间信息,生成向量化的信息,可以理解的是,不同时间下的卡口包含的信息不同,例如:早高峰和晚高峰过车数量密集,深夜过车数量少,所以以车流量为划分条件,将一天划分为88个时间段,车流量密集时,前后时间段间隔小,车流量稀疏时,前后时间间隔大。最后组合每个过车卡口点和88个不同时间段,构造类似“卡口_时间”的词,这样一来,每辆车的轨迹就是由数个‘卡口时间’词组成的,每一辆车的轨迹就相当于一个句子,整个城市的交通网就是由这些数以万计句子组成的文本。
通过本实施例,通过目标车辆和候选车辆过的卡口和时间来获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,提高了目标车辆的第一轨迹向量和候选车辆的第二轨迹向量获取的准确性与灵活性。
可选的,输出模块504,还用于将第一轨迹向量和第二轨迹向量输入到共享权重的双向循环神经网络模型中,输出第三轨迹向量,经过双向循环神经网络模型对量化的第一轨迹向量和第二轨迹向量进行进一步的提炼,得到一组新的轨迹向量(相当于上述实施例的第三轨迹向量)。
通过本实施例,经过共享权重的双向循环神经网络模型,将第一轨迹向量和第二轨迹向量通过转换输出第三轨迹向量,减少了获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量后对整条轨迹向量化结果时间较长的问题,简化了轨迹量化流程,提高了轨迹量化的效率。
可选的,所述装置还包括:处理模块,用于将第三轨迹向量输入到向量数据库中;通过向量数据库响应目标对象的查询指令,输出与查询指令对应的同行车的车牌标识ID。
在本发明的可选实施例中,在得到第三轨迹向量后,将得到的第三轨迹向量输入到向量数据库中进行向量信息的查询比对,根据第三轨迹向量与数据库中查询到的轨迹向量进行比对,可以快速检测出同行车的运动轨迹的相似性,来判断目标车辆与候选车辆的是否同行。
在本实施例中,通过将车辆的轨迹点词向量化(例如,轨迹点词可以是车辆经过的卡口,以及车辆经过卡口的时间),对时间分割并与卡口进行组合,构造出基于时间和空间的词,之后使用Word2vec模型(相当于上述实施例共享权重的双向循环神经网络模型)使用基于时间和空间的词来进行词向量训练,得出车辆(例如,目标车辆和候选车辆)的轨迹向量。并且进一步的使用孪生神经网络对词向量化的样本进行训练,得到轨迹的压缩向量(相对于实施例中的第三轨迹向量)。完成样本训练和向量压缩后将得到的向量存入向量数据库,之后可以通过一些规则可以实现快速搜索(例如,通过规则的输入完整的车辆轨迹向量,在数据库中搜索,并且通过比对检测是否是同行车)。
需要说明的是,以上技术方案可以结合使用,上述各个模块可以位于同一处理器中,也可以位于不同处理器中,本发明实施例对此不作限定。
为了更好的理解上述操作指令的发送或接收过程,以下结合优选实施例对上述技术方案进行说明,本发明实施例对此不作限定。
本发明的实施例还提供了一种存储介质,该存储介质包括存储的程序,其中,上述程序运行时执行上述任一项的方法。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的程序代码:
S1,获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中第一轨迹向量至少用于指示目标车辆经过的卡口和时间,第二轨迹向量至少用于指示候选车辆经过的卡口和时间;
S2,将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;
S3,通过第三轨迹向量确定目标车辆和候选车辆是否为同行车。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中第一轨迹向量至少用于指示目标车辆经过的卡口和时间,第二轨迹向量至少用于指示候选车辆经过的卡口和时间;
S2,将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;
S3,通过第三轨迹向量确定目标车辆和候选车辆是否为同行车。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中第一轨迹向量至少用于指示目标车辆经过的卡口和时间,第二轨迹向量至少用于指示候选车辆经过的卡口和时间;
S2,将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;
S3,通过第三轨迹向量确定目标车辆和候选车辆是否为同行车。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中第一轨迹向量至少用于指示目标车辆经过的卡口和时间,第二轨迹向量至少用于指示候选车辆经过的卡口和时间;
S2,将第一轨迹向量和第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;
S3,通过第三轨迹向量确定目标车辆和候选车辆是否为同行车。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种同行车的确定方法,其特征在于,包括:
获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中,所述第一轨迹向量至少用于指示所述目标车辆经过的卡口和时间,所述第二轨迹向量至少用于指示所述候选车辆经过的卡口和时间;
将所述第一轨迹向量和所述第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;
通过所述第三轨迹向量确定所述目标车辆和所述候选车辆是否为同行车。
2.根据权利要求1所述的方法,其特征在于,获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,包括:
确定用于描述车辆的轨迹词向量的内容,其中,所述内容至少包括:车辆经过的卡口,车辆经过卡口的时间;
基于所述内容获取在预定时间段内所述第一轨迹向量和所述第二轨迹向量。
3.根据权利要求1所述的方法,其特征在于,将所述第一轨迹向量和所述第二轨迹向量输入到神经网络模型中,输出第三轨迹向量,包括:
将所述第一轨迹向量和所述第二轨迹向量输入到共享权重的双向循环神经网络模型中,输出所述第三轨迹向量。
4.根据权利要求1所述的方法,其特征在于,将所述第一轨迹向量和所述第二轨迹向量输入到神经网络模型中,输出第三轨迹向量之后,所述方法还包括:
将所述第三轨迹向量输入到向量数据库中;
通过所述向量数据库响应目标对象的查询指令,输出与查询指令对应的同行车的车牌标识ID。
5.一种同行车的确定装置,其特征在于,包括:
获取模块,用于获取目标车辆的第一轨迹向量和候选车辆的第二轨迹向量,其中所述第一轨迹向量至少用于指示所述目标车辆经过的卡口和时间,所述第二轨迹向量至少用于指示所述候选车辆经过的卡口和时间;
输出模块,用于将所述第一轨迹向量和所述第二轨迹向量输入到神经网络模型中,输出第三轨迹向量;
确定模块,用于通过所述第三轨迹向量确定所述目标车辆和所述候选车辆是否为同行车。
6.根据权利要求5所述的装置,其特征在于,所述获取模块,还用于确定用于描述车辆的轨迹词向量的内容,其中,所述内容至少包括:车辆经过的卡口,车辆经过卡口的时间;基于所述内容获取在预定时间段内所述第一轨迹向量和所述第二轨迹向量。
7.根据权利要求5所述的装置,其特征在于,所述输出模块,还用于将所述第一轨迹向量和所述第二轨迹向量输入到共享权重的双向循环神经网络模型中,输出所述第三轨迹向量。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括:处理模块,用于将所述第三轨迹向量输入到向量数据库中;通过所述向量数据库响应目标对象的查询指令,输出与查询指令对应的同行车的车牌标识ID。
9.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至4任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至4任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911176829.6A CN110895879A (zh) | 2019-11-26 | 2019-11-26 | 同行车的检测方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911176829.6A CN110895879A (zh) | 2019-11-26 | 2019-11-26 | 同行车的检测方法及装置、存储介质、电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110895879A true CN110895879A (zh) | 2020-03-20 |
Family
ID=69788357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911176829.6A Pending CN110895879A (zh) | 2019-11-26 | 2019-11-26 | 同行车的检测方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895879A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695511A (zh) * | 2020-06-12 | 2020-09-22 | 中国人民公安大学 | 基于城市社区的对象管理方法、装置、机器可读介质及设备 |
CN111798492A (zh) * | 2020-07-16 | 2020-10-20 | 商汤国际私人有限公司 | 轨迹预测方法、装置、电子设备及介质 |
CN112612825A (zh) * | 2020-12-18 | 2021-04-06 | 北京锐安科技有限公司 | 一种确定同行车辆的方法、装置、设备以及存储介质 |
CN112800111A (zh) * | 2021-01-26 | 2021-05-14 | 重庆邮电大学 | 一种基于训练数据挖掘的位置预测方法 |
CN113570635A (zh) * | 2021-06-03 | 2021-10-29 | 浙江大华技术股份有限公司 | 目标运动轨迹还原方法、装置、电子设备、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268599A (zh) * | 2014-09-29 | 2015-01-07 | 中国科学院软件研究所 | 一种基于车辆轨迹时空特征分析的黑车智能发现方法 |
CN106844368A (zh) * | 2015-12-03 | 2017-06-13 | 华为技术有限公司 | 用于人机对话的方法、神经网络系统和用户设备 |
CN108022012A (zh) * | 2017-12-01 | 2018-05-11 | 兰州大学 | 基于深度学习的车辆位置预测方法 |
CN108829822A (zh) * | 2018-06-12 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 媒体内容的推荐方法和装置、存储介质、电子装置 |
CN108932839A (zh) * | 2018-06-19 | 2018-12-04 | 浙江大华技术股份有限公司 | 一种同行车辆判断方法及装置 |
CN109685109A (zh) * | 2018-11-26 | 2019-04-26 | 浙江工业大学 | 一种基于孪生神经网络的基站标号轨迹分类方法 |
US20190147602A1 (en) * | 2017-11-13 | 2019-05-16 | Qualcomm Technologies, Inc. | Hybrid and self-aware long-term object tracking |
-
2019
- 2019-11-26 CN CN201911176829.6A patent/CN110895879A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268599A (zh) * | 2014-09-29 | 2015-01-07 | 中国科学院软件研究所 | 一种基于车辆轨迹时空特征分析的黑车智能发现方法 |
CN106844368A (zh) * | 2015-12-03 | 2017-06-13 | 华为技术有限公司 | 用于人机对话的方法、神经网络系统和用户设备 |
US20190147602A1 (en) * | 2017-11-13 | 2019-05-16 | Qualcomm Technologies, Inc. | Hybrid and self-aware long-term object tracking |
CN108022012A (zh) * | 2017-12-01 | 2018-05-11 | 兰州大学 | 基于深度学习的车辆位置预测方法 |
CN108829822A (zh) * | 2018-06-12 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 媒体内容的推荐方法和装置、存储介质、电子装置 |
CN108932839A (zh) * | 2018-06-19 | 2018-12-04 | 浙江大华技术股份有限公司 | 一种同行车辆判断方法及装置 |
CN109685109A (zh) * | 2018-11-26 | 2019-04-26 | 浙江工业大学 | 一种基于孪生神经网络的基站标号轨迹分类方法 |
Non-Patent Citations (3)
Title |
---|
苏松志 等: "《行人检测:理论与实践》", 31 March 2016 * |
裔隽 等: "《Python机器学习实战》", 28 February 2018 * |
高扬: "《智能摘要与深度学习》", 31 July 2019 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695511A (zh) * | 2020-06-12 | 2020-09-22 | 中国人民公安大学 | 基于城市社区的对象管理方法、装置、机器可读介质及设备 |
CN111695511B (zh) * | 2020-06-12 | 2021-04-16 | 中国人民公安大学 | 基于城市社区的对象管理方法、装置、可读介质及设备 |
CN111798492A (zh) * | 2020-07-16 | 2020-10-20 | 商汤国际私人有限公司 | 轨迹预测方法、装置、电子设备及介质 |
CN111798492B (zh) * | 2020-07-16 | 2024-04-19 | 商汤国际私人有限公司 | 轨迹预测方法、装置、电子设备及介质 |
CN112612825A (zh) * | 2020-12-18 | 2021-04-06 | 北京锐安科技有限公司 | 一种确定同行车辆的方法、装置、设备以及存储介质 |
CN112612825B (zh) * | 2020-12-18 | 2024-05-14 | 北京锐安科技有限公司 | 一种确定同行车辆的方法、装置、设备以及存储介质 |
CN112800111A (zh) * | 2021-01-26 | 2021-05-14 | 重庆邮电大学 | 一种基于训练数据挖掘的位置预测方法 |
CN112800111B (zh) * | 2021-01-26 | 2022-08-02 | 重庆邮电大学 | 一种基于训练数据挖掘的位置预测方法 |
CN113570635A (zh) * | 2021-06-03 | 2021-10-29 | 浙江大华技术股份有限公司 | 目标运动轨迹还原方法、装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Characterizing driving styles with deep learning | |
CN110895879A (zh) | 同行车的检测方法及装置、存储介质、电子装置 | |
Tian et al. | Spatial‐temporal attention wavenet: A deep learning framework for traffic prediction considering spatial‐temporal dependencies | |
Choi et al. | TrajGAIL: Generating urban vehicle trajectories using generative adversarial imitation learning | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
Bolbol et al. | Inferring hybrid transportation modes from sparse GPS data using a moving window SVM classification | |
Choi et al. | Network-wide vehicle trajectory prediction in urban traffic networks using deep learning | |
Ma et al. | Travel mode choice prediction using deep neural networks with entity embeddings | |
Liang et al. | NetTraj: A network-based vehicle trajectory prediction model with directional representation and spatiotemporal attention mechanisms | |
CN110598917A (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
Dong et al. | A novel loop closure detection method using line features | |
Tsiligkaridis et al. | Personalized destination prediction using transformers in a contextless data setting | |
CN116467615A (zh) | 车辆轨迹的聚类方法和装置、存储介质和电子装置 | |
Xiao et al. | Parking prediction in smart cities: A survey | |
Zhang et al. | Online anomalous subtrajectory detection on road networks with deep reinforcement learning | |
CN115620122A (zh) | 神经网络模型的训练方法、图像重识别方法及相关设备 | |
Rodríguez-Rueda et al. | Origin–Destination matrix estimation and prediction from socioeconomic variables using automatic feature selection procedure-based machine learning model | |
Chu et al. | Simulating human mobility with a trajectory generation framework based on diffusion model | |
Chen et al. | Traffic travel pattern recognition based on sparse Global Positioning System trajectory data | |
CN113158084B (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
Li et al. | The Abnormal Detection Method of Ship Trajectory with Adaptive Transformer Model Based on Migration Learning | |
Marchetti et al. | Explainable sparse attention for memory-based trajectory predictors | |
Wang et al. | Integrating ARIMA and Bidirectional LSTM to Predict ETA in Multi-Airport Systems | |
Groves et al. | A framework for predicting trajectories using global and local information | |
Kim et al. | Personalized POI embedding for successive POI recommendation with large-scale smart card data |
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: 20200320 |
|
RJ01 | Rejection of invention patent application after publication |