CN111291280A - 一种大规模移动对象的轨迹快速预测方法、介质和设备 - Google Patents
一种大规模移动对象的轨迹快速预测方法、介质和设备 Download PDFInfo
- Publication number
- CN111291280A CN111291280A CN202010160198.5A CN202010160198A CN111291280A CN 111291280 A CN111291280 A CN 111291280A CN 202010160198 A CN202010160198 A CN 202010160198A CN 111291280 A CN111291280 A CN 111291280A
- Authority
- CN
- China
- Prior art keywords
- track
- compressed
- historical
- point
- points
- 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
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种大规模移动对象的轨迹快速预测方法、介质和设备,本发明通过轨迹压缩来减缓数据量大的压力,采用柔和的奖惩措施,即匹配成功后将对应的两个相邻历史规律点的高斯概率的均值作为相似度奖励来避免奖惩措施过于尖锐,从而提高轨迹预测准确性,并且本发明在获取到与压缩后的当前轨迹相似度最高的压缩后的历史规律轨迹后,还通过插值补全法来实现在不降低轨迹预测准确性的情况下提高实时性。
Description
技术领域
本发明涉及信息技术领域,具体来说轨迹预测技术,更具体地说,涉及一种大规模移动对象的轨迹快速预测方法、介质和设备。
背景技术
实时轨迹预测是预测目标在未来一段时间内的移动路径。对于个体而言,如果能有效预测出其未来一段时间内的移动路径,可对其进行个性化的服务推送,例如,推送提醒服务、广告等。对于群体而言,准确预测出每个目标的未来移动路径,可以为智能交通管理提供便利,例如,提供基于轨迹预测的智能化交通服务。
轨迹预测通常的实现流程是计算出目标的当前轨迹与该目标的所有历史规律轨迹的相似性,继而根据匹配到的历史规律轨迹进行未来时刻的轨迹预测。随着智慧城市概念的提出,轨迹预测成为重要的研究主题,许多工作都致力于提升轨迹预测的实时性和准确性。
轨迹相似性度量是实现轨迹预测的一个关键部分,用于计算当前轨迹与历史规律的相似度,当前常用的相似度计算算法有:
动态时间扭曲法(DTW),其通过对当前轨迹点的复制实现对轨迹进行局部的拉伸或者缩放,从而可以对不同采样率和不同长度的轨迹进行比较;在变换域方面不设置阈值,直接计算其欧式距离;在有离群点出现时受到很强的影响;在处理不匹配点的方式上,重复使用某些点。
编辑距离方法(ERP),其基于当前轨迹点的相似性度量,是全局匹配度量,编辑距离又称字符串的编辑距离,是指通过对字符串进行增、删、改等操作以使其中一个字符串与另一个字符串完全相同所需要的最小操作次数;该方法在变换域方面不设置阈值,直接计算其欧式距离;在有离群点出现时受到很强的影响;在处理不匹配点的方式上,不匹配的点会被用来和原点计算距离。
最长公共子序列(LCSS)主要考虑轨迹之间相似的部分作为轨迹相似性的度量;在变换域方面设置一个绝对阈值,满足阈值变成0或者1;在有离群点出现时受到小幅度的影响;在处理不匹配点的方式上,不匹配的点会被忽略。
豪斯多夫距离法(Hausdorff),其基于轨迹段的相似性度量,将轨迹进行分段,段与段之间的距离用垂直距离、平行距离、角距离三个部分计算;在变换域方面根据两条线段计算三种距离并加权取和;其不涉及对不匹配点的处理。
上述轨迹相似性度量算法存在着两个问题:第一个问题是在计算相似度的奖惩措施方面,要么直接用两点间的绝对距离,要么直接加上0或1,这种奖惩措施太过尖锐,拉大了相似与不相似的差距,降低了轨迹预测的准确性;第二个问题是轨迹预测的实时性差,因为在具有大规模的移动对象的情况下,要进行轨迹预测的群体目标数据量大,单体目标的规律数目多,再加上相似性度量算法本身的时间复杂度均是O(n2)(其中,n表示当前轨迹点的数量总数,O(n2)表示该算法若运行完成所需花费的时长是n2),从而导致了大规模移动对象的情形下,轨迹数据量(即n)大,而轨迹预测的步骤中必定有相似性度量,相似性度量算法的时间复杂度是O(n2),导致轨迹预测的时长会变大,降低了轨迹预测的实时性。
发明内容
因此,本发明的目的在于克服上述现有技术的缺陷,提供一种大规模移动对象的轨迹快速预测方法、介质和设备。
本发明的目的是通过以下技术方案实现的:
根据本发明的第一方面,提供一种大规模移动对象的轨迹快速预测方法,包括如下步骤:
S1、获取目标的当前轨迹和历史规律轨迹,所述当前轨迹包括多个当前轨迹点,所述历史规律轨迹包括多个历史规律点;
S2、对当前轨迹进行轨迹压缩得到压缩后的当前轨迹,并对所有历史规律轨迹进行轨迹压缩得到压缩后的历史规律轨迹;
S3、依次将压缩后的当前轨迹的每个当前轨迹点与压缩后的每条历史规律轨迹进行匹配以计算压缩后的当前轨迹与压缩后的每条历史规律轨迹的相似度,其中,当前轨迹点与某一历史规律轨迹匹配成功后该当前轨迹点对应于匹配成功的历史规律轨迹上的两个相邻历史规律点,根据预设的高斯函数分别计算所述两个相邻规律点的高斯概率的均值,将其作为相似度奖励加在当前轨迹与该历史规律轨迹的相似度上;
S4、获取与压缩后的当前轨迹相似度最高的压缩后的历史规律轨迹作为待补全轨迹,对待补全轨迹进行插值补全,生成该目标的预测轨迹。
优选的,在步骤S2中,采用流式压缩对当前轨迹进行轨迹压缩得到压缩后的当前轨迹,采用批量压缩对所有历史规律轨迹进行轨迹压缩得到压缩后的历史规律轨迹。
优选的,在步骤S2中,通过以下方式进行轨迹压缩:
提取当前轨迹中的拐点、停泊点、速度异常点、加速度异常点、起点和终点组成压缩后的当前轨迹;
提取历史规律轨迹中的拐点、停泊点、速度异常点、加速度异常点、起点和终点组成压缩后的历史规律轨迹。
在本发明的一些实施例,所述步骤S3包括:
S31、遍历压缩后的当前轨迹的每个当前轨迹点,依次将每个当前轨迹点与一条压缩后的历史规律轨迹进行匹配,匹配时将一个当前轨迹点与压缩后的历史规律轨迹的每两个相邻历史规律点进行距离、时间匹配,该当前轨迹点与压缩后的历史规律轨迹的某两个相邻历史规律点的距离和时间匹配成功时该当前轨迹点与该压缩后的历史规律轨迹匹配成功;
S32、根据预设的高斯函数计算与此次压缩后的历史规律轨迹匹配成功的当前轨迹点所对应的两个相邻规律点的高斯概率,在当前轨迹与该压缩后的历史规律轨迹的相似度中加上该所述两个相邻历史规律点的高斯概率的均值,将压缩后的当前轨迹的所有当前轨迹点与该压缩后的历史规律轨迹匹配完成后获得的相似度作为压缩后的当前轨迹与该压缩后的历史规律轨迹的相似度;
S33、重复步骤S31和S32计算压缩后的当前轨迹与下一条压缩后的历史规律轨迹的相似度,直至获得压缩后的当前轨迹与每条压缩后的历史规律轨迹的相似度。
在本发明的一些实施例中,所述步骤S31包括:
S311、将压缩后的当前轨迹中的时序最靠前的待匹配的当前轨迹点与一条压缩后的历史规律轨迹进行距离匹配,计算该当前轨迹点与压缩后的历史规律轨迹的每两个相邻历史规律点连线的垂直距离,其中最短的垂直距离小于预设距离阈值时该当前轨迹点与压缩后的历史规律轨迹的距离匹配成功,并且将最短的垂直距离对应的垂点作为该当前轨迹点的对应垂点;
S312、在当前轨迹点的距离匹配失败后转至步骤S311对下一个当前轨迹点进行匹配,在当前轨迹点的距离匹配成功后转至步骤S313;
S313、在当前轨迹点的距离匹配成功后对其进行时间匹配,在当前轨迹点与压缩后的历史规律轨迹的时间匹配程度大于等于预设匹配阈值时当前轨迹点与历史规律轨迹的时间匹配成功,其中,预设第一个距离匹配成功的当前轨迹点的时间匹配成功,第二个及其后距离匹配成功的当前轨迹点与压缩后的历史规律轨迹的时间匹配程度的计算公式如下:
其中,表示当前轨迹点Bi与第n条压缩后的历史规律轨迹的时间匹配程度,α表示第一时间参数sim1的权重,第一时间参数β表示第二时间参数sim2的权重,第二时间参数表示当前轨迹点Bi的时间,表示当前轨迹点Bi的前一个匹配成功的当前轨迹点Bj的时间,表示当前轨迹点Bi与第n条压缩后的历史规律轨迹距离匹配成功时的对应垂点的时间,表示当前轨迹点Bj与压缩后的第n条历史规律轨迹匹配成功时的对应垂点的时间,Δt表示轨迹内时间阈值,ΔT表示轨迹间时间阈值。
在本发明的一些实施例中,任意历史规律点的高斯概率按照以下方式计算:分别根据预设的经度、纬度和时间高斯函数获取历史规律点的经度、纬度和时间的高斯概率;对该历史规律点的经度、纬度和时间的高斯概率的和值求平均,归一化后得到该历史规律点的高斯概率。
在本发明的一些实施例中,所述方法还包括:获取该目标的历史轨迹的所有历史轨迹点的经度的均值和标准差,并根据获取的均值和标准差的值设置预设的经度高斯函数的均值和标准差;获取该目标的历史轨迹的所有历史轨迹点的纬度的均值和标准差,并根据获取的均值和标准差的值设置预设的纬度高斯函数的均值和标准差;和/或获取该目标的历史轨迹的所有历史轨迹点的时间的均值和标准差,并根据获取的均值和标准差的值设置预设的时间高斯函数的均值和标准差。
根据本发明的第二方面,提供一种电子设备,包括:一个或多个处理器;以及存储器,其中存储器用于存储一个或多个可执行指令;所述一个或多个处理器被配置为经由执行所述一个或多个可执行指令以实现如第一方面所述的方法的步骤。
与现有技术相比,本发明的优点在于:
本发明通过轨迹压缩来减缓数据量大的压力,采用柔和的奖惩措施(匹配成功后将对应的两个相邻历史规律点的高斯概率的均值作为相似度奖励)来避免奖惩措施过于尖锐,从而提高轨迹预测准确性,并且本发明在获取到与压缩后的当前轨迹相似度最高的压缩后的历史规律轨迹之后,还通过插值补全法来实现在不降低轨迹预测准确性的情况下提高实时性。
附图说明
以下参照附图对本发明实施例作进一步说明,其中:
图1为现有的轨迹预测方法的简化流程示意图;
图2为根据本发明实施例的一种大规模移动对象的轨迹快速预测方法的简化流程示意图。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图通过具体实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如在背景技术部分提到的,参见图1,现有的轨迹相似性度量算法未进行轨迹压缩,存在计算数据量过大的问题,降低了轨迹预测的实时性,而且,每当一个当前轨迹点匹配成功后,直接在当前计算的相似度上加上固定值(例如,加1)作为相似度奖励,这种相似性度量算法的奖惩措施过于尖锐,存在轨迹预测的准确性低的问题。而本发明通过轨迹压缩来减缓数据量大的压力,采用柔和的奖惩措施(匹配成功后将对应的两个相邻历史规律点的高斯概率的均值作为相似度奖励)来避免奖惩措施过于尖锐,从而提高轨迹预测准确性,并且本发明在获取到与压缩后的当前轨迹相似度最高的压缩后的历史规律轨迹后,还通过插值补全法来实现在不降低轨迹预测准确性的情况下提高实时性。
根据本发明的一个实施例,提供一种大规模移动对象的轨迹快速预测方法,概括说来,包括如下步骤:
S1、获取目标的当前轨迹和历史规律轨迹,当前轨迹包括多个当前轨迹点,历史规律轨迹包括多个历史规律点;
S2、对当前轨迹进行轨迹压缩得到压缩后的当前轨迹,并对所有历史规律轨迹进行轨迹压缩得到压缩后的历史规律轨迹;
S3、依次将压缩后的当前轨迹的每个当前轨迹点与压缩后的每条历史规律轨迹进行匹配以计算压缩后的当前轨迹与压缩后的每条历史规律轨迹的相似度,其中,当前轨迹点与某一历史规律轨迹匹配成功后该当前轨迹点对应于匹配成功的历史规律轨迹上的两个相邻历史规律点,根据预设的高斯函数分别计算两个相邻规律点的高斯概率的均值,将其作为相似度奖励加在当前轨迹与该历史规律轨迹的相似度上;
S4、获取与压缩后的当前轨迹相似度最高的压缩后的历史规律轨迹作为待补全轨迹,对待补全轨迹进行插值补全,生成该目标的预测轨迹。
为了更好的理解本发明,下面结合具体的实施例针对每一个步骤分别进行详细说明。
在步骤S1中,获取目标的当前轨迹和历史规律轨迹,当前轨迹包括多个当前轨迹点,历史规律轨迹包括多个历史规律点。优选的,历史规律轨迹是根据目标的历史轨迹的历史轨迹点形成一条或者多条规律轨迹。比如,根据目标的历史轨迹,找到其中的重复历史轨迹,根据重复历史轨迹的历史轨迹点生成一条尽可能多地拟合重复历史轨迹中所有轨迹的历史规律轨迹。根据历史轨迹生成历史规律轨迹还有其他的方式,此处仅是举例说明,本发明对此不作任何限制。此外,应当注意的是,历史规律轨迹在一些现有技术中称为规律或者历史轨迹的规律。
在步骤S2中,对当前轨迹进行轨迹压缩得到压缩后的当前轨迹,并对所有历史规律轨迹进行轨迹压缩得到压缩后的历史规律轨迹。
优选的,采用流式压缩对当前轨迹进行轨迹压缩得到压缩后的当前轨迹,采用批量压缩对所有历史规律轨迹进行轨迹压缩得到压缩后的历史规律轨迹。流式压缩,可以按时间先后依次传入单目标轨迹点,可以通过调用获取经过压缩后的轨迹点。批量压缩,根据传入目标的所有轨迹点,得到压缩后的轨迹点。流式压缩,是针对当前轨迹数据并不是事先已经存在于数据库中,而是随着时间的推动,逐渐被放到数据库中的压缩方法。比如,根据本发明的一个示例,在时刻t1时获取到轨迹点tra1;在时刻t2时获取到轨迹点tra2。时刻t2>t1,在t1时刻,无法获取到tra2轨迹点。流式压缩可以通过调用两个函数来实现,第一个函数是用于获取按时间先后依次传入的单目标的当前轨迹点,第二个函数是用于获取按照设定的轨迹压缩方式对传入的单目标的当前轨迹点进行压缩得到的压缩后的当前轨迹。本发明仅是对流式压缩和批量压缩进行举例,还存在其他的流失压缩或者批量压缩方式,本发明对此不作任何限制。而且,本发明是预测前即时获取历史规律轨迹并对其进行压缩,而不是先将历史规律轨迹压缩存储在数据块供后续需要时调用,每次轨迹预测前才获取历史规律轨迹,便于根据目标的历史轨迹获得其最新的历史规律轨迹,让进行相似度分析的历史规律轨迹采用最新的数据,有利于提高轨迹预测的准确性。
优选的,本发明通过以下方式进行轨迹压缩:提取当前轨迹中的拐点、停泊点、速度异常点、加速度异常点、起点和终点组成压缩后的当前轨迹;和/或提取历史规律轨迹中的拐点、停泊点、速度异常点、加速度异常点、起点和终点组成压缩后的历史规律轨迹。
其中,拐点是指拐弯的点。比如,在相邻两个轨迹点连线的转向角大于最大转向角阈值时,取两个轨迹点的前一个点作为拐点。
停泊点是指长时间停在某个位置点。比如,将速度趋近于0,且加速度趋近于0的点作为停泊点。
速度异常点是指速度超出正常行驶速度区间的轨迹点。正常行驶速度区间可以根据目标的类型由用户设定。
加速度异常点是指加速度超出正常行驶加速度区间的轨迹点。正常行驶加速度区间可以根据目标的类型由用户设定。
起点和终点是指一段轨迹的两个起始的端点。根据本发明的一个示例,一段轨迹表示为((x0,y0),(x1,y1),…,(xn,yn)),起点即为点(x0,y0),终点即为点(xn,yn)。
本发明提取速度异常点和加速度异常点,是因为通常直观认为两点间是匀速直线运动,或是匀加速直线运动。所以速度异常、加速度异常点的存在是因为这几个点会使得本发明在还原压缩轨迹时提取到额外的信息。比如,根据本发明的一个示例,压缩后的轨迹一共有三个点,分别是点(x0,y0),(x1,y1),(x2,y2),其中点(x1,y1)是速度异常点。若没有点(x1,y1)的存在,分析时猜测点(x0,y0)和点(x2,y2)之间是匀速运动。但由于点(x1,y1)的存在,分析时就会猜测为何点(x1,y1)会速度异常,也许这块有个上坡,也许这块有个红绿灯等等。保留下这些具有速度和加速度异常特征的点,对提高相似度的准确性有益,而且,保留下带有速度异常点和加速度异常点的轨迹信息,可以在对该轨迹信息感兴趣的用户需要时具体点开该轨迹信息,并对照地图,提出合理的专家分析,而本发明压缩轨迹保留下这些信息,以供专家分析。
在步骤S3中,依次将压缩后的当前轨迹的每个当前轨迹点与压缩后的每条历史规律轨迹进行匹配以计算压缩后的当前轨迹与压缩后的每条历史规律轨迹的相似度,其中,当前轨迹点与某一历史规律轨迹匹配成功后该当前轨迹点对应于匹配成功的历史规律轨迹上的两个相邻历史规律点,根据预设的高斯函数分别计算两个相邻规律点的高斯概率的均值,将其作为相似度奖励加在当前轨迹与该历史规律轨迹的相似度上。参见图2,相当于是一个当前轨迹点匹配成功后,则在相似度上加上该当前轨迹点对应的匹配成功的历史规律轨迹上的两个相邻历史规律点的高斯概率的均值,没匹配成功则无惩罚项,即相似度奖励加零。
优选的,任意历史规律点的高斯概率按照以下方式计算:
分别根据预设的经度、纬度和时间高斯函数获取历史规律点的经度、纬度和时间的高斯概率;
对该历史规律点的经度、纬度和时间的高斯概率的和值求平均,归一化后得到该历史规律点的高斯概率。
根据本发明的一个实施例,本发明的方法还包括:
获取该目标的历史轨迹的所有历史轨迹点的经度的均值和标准差,并根据获取的均值和标准差的值设置预设的经度高斯函数的均值和标准差;
获取该目标的历史轨迹的所有历史轨迹点的纬度的均值和标准差,并根据获取的均值和标准差的值设置预设的纬度高斯函数的均值和标准差;
获取该目标的历史轨迹的所有历史轨迹点的时间的均值和标准差,并根据获取的均值和标准差的值设置预设的时间高斯函数的均值和标准差。
比如,当给定目标的历史轨迹,其包含多个历史轨迹点,每个历史轨迹点均包括经度x、纬度y和时间t。以经度x为例,先根据所有历史轨迹点的经度算出该目标的历史轨迹的经度的均值μ、标准差σ,将算出的均值μ、标准差σ作为预设的经度高斯函数的均值和标准差,然后可以根据以下预设的经度高斯函数计算历史规律点的经度的高斯概率:
优选的,步骤S3包括:
S31、遍历压缩后的当前轨迹的每个当前轨迹点,依次将每个当前轨迹点与一条压缩后的历史规律轨迹进行匹配,匹配时将一个当前轨迹点与压缩后的历史规律轨迹的每两个相邻历史规律点进行距离、时间匹配,该当前轨迹点与压缩后的历史规律轨迹的某两个相邻历史规律点的距离和时间匹配成功时该当前轨迹点与该压缩后的历史规律轨迹匹配成功;优选的,将一个当前轨迹点与压缩后的历史规律轨迹的每两个相邻历史规律点进行距离、时间匹配时,是先进行距离匹配,在距离匹配成功后,才进行时间匹配,距离匹配不成功时该当前轨迹点与该压缩后的历史规律轨迹匹配失败;
S32、根据预设的高斯函数计算与此次压缩后的历史规律轨迹匹配成功的当前轨迹点所对应的两个相邻规律点的高斯概率,在当前轨迹与该压缩后的历史规律轨迹的相似度中加上该两个相邻历史规律点的高斯概率的均值,将压缩后的当前轨迹的所有当前轨迹点与该压缩后的历史规律轨迹匹配完成后获得的相似度作为压缩后的当前轨迹与该压缩后的历史规律轨迹的相似度;优选的,步骤S32还包括:一个当前轨迹点没有匹配成功时则本次在压缩后的当前轨迹与该压缩后的历史规律轨迹的相似度中加零,或者说本次不调整压缩后的当前轨迹与该压缩后的历史规律轨迹的相似度;
S33、重复步骤S31和S32计算压缩后的当前轨迹与下一条压缩后的历史规律轨迹的相似度,直至获得压缩后的当前轨迹与每条压缩后的历史规律轨迹的相似度。比如,步骤S31中,若一个当前轨迹点和某一压缩后的历史规律轨迹匹配成功,则会转至步骤S32,在压缩后的当前轨迹和该压缩后的历史规律轨迹的相似度中加上相似度奖励,即当前轨迹点所对应的两个相邻规律点的高斯概率的均值,让成功匹配到高斯概率越高(即出现概率越高)的历史规律点对应的相似度奖励的值越高,并非每次都是加上固定值,既可以去除人为设置的奖惩阈值,降低了人为干预的影响,实现了柔和的奖惩措施,具有抗干扰性强的特点,从而提高相似度分析的准确性,进而提高轨迹预测的准确性。同时,在奖惩时赋予了历史规律点的高斯概率,丰富了轨迹相似度的语义信息。优选的,当前轨迹点与某一历史规律轨迹匹配成功后该当前轨迹点对应于匹配成功的历史规律轨迹上的两个相邻历史规律点中的两个相邻历史规律点是最短的垂直距离对应的两个相邻历史规律点。即,前轨迹点与某一历史规律轨迹匹配成功后,将距离匹配成功时最短的垂直距离对应的两个相邻历史规律点作为该当前轨迹点对应的两个相邻历史规律点。
优选的,步骤S31包括:
S311、将压缩后的当前轨迹中的时序最靠前的待匹配的当前轨迹点与一条压缩后的历史规律轨迹进行距离匹配,计算该当前轨迹点与压缩后的历史规律轨迹的每两个相邻历史规律点连线的垂直距离,其中最短的垂直距离小于预设距离阈值时该当前轨迹点与压缩后的历史规律轨迹的距离匹配成功,并且将最短的垂直距离对应的垂点作为该当前轨迹点的对应垂点;优选的,预设距离阈值的优选的取值范围是0.1~5km,更优选的取值范围是0.8~1km;
S312、在当前轨迹点的距离匹配失败后转至步骤S311对下一个当前轨迹点进行匹配,在当前轨迹点的距离匹配成功后转至步骤S313;
S313、在当前轨迹点的距离匹配成功后对其进行时间匹配,在当前轨迹点与压缩后的历史规律轨迹的时间匹配程度大于等于预设匹配阈值时当前轨迹点与历史规律轨迹的时间匹配成功,其中,预设第一个距离匹配成功的当前轨迹点的时间匹配成功,第二个及其后距离匹配成功的当前轨迹点与压缩后的历史规律轨迹的时间匹配程度的计算公式如下:
其中,表示当前轨迹点Bi与第n条压缩后的历史规律轨迹的时间匹配程度,α表示第一时间参数sim1的权重,第一时间参数β表示第二时间参数sim2的权重,第二时间参数表示当前轨迹点Bi的时间,表示当前轨迹点Bi的前一个匹配成功的当前轨迹点Bj的时间,表示当前轨迹点Bi与第n条压缩后的历史规律轨迹距离匹配成功时的对应垂点的时间,表示当前轨迹点Bj与压缩后的第n条历史规律轨迹匹配成功时的对应垂点的时间,Δt表示轨迹内时间阈值,ΔT表示轨迹间时间阈值。优选的,为了避免不同时期获取的点的时间差距过大,导致计算出的结果偏差较大,可以仅获取时间的时、分、秒的数据来计算时间匹配程度。计算第一时间参数的目的,就是看目标的移动速度是否大致相同,如果不是大致相同的,可能目标在当前轨迹上是额外做了一些别的事情,导致它与历史规律的运动速度不一致,继而会影响后续的预测准确度;计算sim2的目的,是因为假设目标是上班的历史规律轨迹,那该目标每天的上下班时间应该差别不大,只在前后半小时内浮动。如果出现浮动偏差较大,则有可能目标只是凑巧去了上班附近,而不是遵循日常的上班的历史规律轨迹。该实施例的技术方案至少能够实现以下有益技术效果:本发明通过计算第一时间参数来分析目标的移动速度是否大致相同,通过计算第二时间参数来分析是否是时间段大致相同,以分析是否遵循日常的规律轨迹,通过这两个时间参数来确定时间匹配程度,使得轨迹相似度分析更准确,提高轨迹预测的准确性。
优选的,KBi的取值范围是0.1~1。α的优选的取值范围是0.1~1,更优选的取值范围是0.5~0.6。β的取值范围是0.1~1,更优选的取值范围是0.4~0.5。Δt、ΔT的取值根据目标对应的历史经验和准确度要求由用户设定。不同的目标Δt的大小不一样,需要根据用户根据经验设定。比如,如果是车辆,Δt可能是分钟级别,Δt的优选的取值范围是1~10分钟,更优选的取值范围是5~6分钟,ΔT的优选的取值范围是1~20分钟,更优选的取值范围是5~10分钟。优选的,预设匹配阈值的优选的取值范围是0.1~1,更优选的取值范围是0.5~0.6。
下面通过一个具体的示例来更直观地说明距离和时间匹配的方式。
根据本发明的一个示例,压缩的历史规律轨迹包括多个历史规律点,分别为历史规律点A1、A2、A3……,压缩的当前轨迹包括多个当前轨迹点,分别为当前轨迹点B1、B2……。每个历史规律点和/或当前轨迹点都至少包含三个属性(x,y,t),其中,x为经度、y为纬度、t为时间。为了便于后续说明,进一步假设压缩后的历史规律轨迹只包括A1、A2、A3三个点,压缩后的当前轨迹只有B1、B2两个点,应当注意的是,此处仅是简化说明,实际情况下的点会更多。
进行相似度计算时,循环遍历压缩的当前轨迹的每个当前轨迹点与历史规律轨迹进行匹配,包括:
取出当前轨迹点B1,将其与压缩后的历史规律轨迹进行距离匹配计算,具体的距离匹配计算如下:
计算B1与A1、A2的垂直距离,即从点B1向线A1、A2做垂线,垂线长度即为B1与A1、A2的垂直距离,记作d⊥(B1,(A1,A2));
再计算B1与A2、A3的垂直距离,记作d⊥(B1,(A2,A3));
至此B1遍历完历史规律轨迹中的所有的相邻历史规律点,然后取所有垂直距离中的最小值,即min(d⊥(B1,(A1,A2)),d⊥(B1,(A2,A3)));
假设d⊥(B1,(A1,A2))是最小值,若该值小于预设距离阈值,那么认为点B1在距离上匹配成功,而B1向连线A1A2作垂线的交点C1则是点B1的对应垂点,可以根据A1、A2的x,y,t属性按照匀速运动估算出点C1的x,y,t;
在距离匹配成功后,由于当前轨迹点B1是第一个距离匹配成功的点,默认其时间匹配成功,则当前轨迹点B1与历史规律轨迹匹配成功,将A1、A2的高斯概率均值作为相似度奖励加在压缩的当前轨迹和该压缩的历史规律轨迹的相似度上;
接着将当前轨迹点B2与压缩后的历史规律轨迹进行距离匹配;
假设当前轨迹点B2与A2、A3距离匹配成功,其对应垂点为C2,然后进行时间匹配;
计算时间匹配的过程如下:
计算时间匹配程度其中α、β分别是设定的时间参数sim1、sim2的权重,此处假设计算出的时间匹配程度大于等于预设匹配阈值,则当前轨迹点B2的时间匹配成功,当前轨迹点B2与历史规律轨迹匹配成功,将点A2、A3的高斯概率均值作为相似度奖励加在压缩的当前轨迹和该压缩的历史规律轨迹的相似度上;
至此压缩的当前轨迹的所有当前轨迹点已完成匹配,将最终的相似度结果作为压缩的当前轨迹与压缩的历史规律轨迹的相似度。
在步骤S4中,获取与压缩后的当前轨迹相似度最高的压缩后的历史规律轨迹作为待补全轨迹,对待补全轨迹进行插值补全,生成该目标的预测轨迹。优选的,根据分段三次埃尔米特插值法(Piecewise Cubic Hermite Interpolating,PCHIP)对待补全轨迹进行插值补全。对于输入序列,分段三次埃尔米特插值法要求x轴数据是严格递增的,且每一个x值只对应一个y值,因此,将待补全轨迹按照行驶方向进行分段,分段原则为:折返点切割和重复点剔除,再分段好的一个个小片段轨迹,使用分段三次埃尔米特插值法进行轨迹插值,插值出的点不添加时间,按照顺序夹在被插值的点之间,方便最后一步按照顺序,把原序列进行合并。得到一个新的、插值之后的序列。折返点则表示目标在该点进行了返回。假设每个点用二维坐标(x,y)表示,则此处折返点例如是x不再单调递增的点。而插值算法要求x轴数据是严格递增的,因此需要对折返点切割和对重复点进行剔除。
根据本发明的一个示例,假设有两个点(x0,y0),(x1,y1)。在这两点间进行分段三次埃尔米特插值法插值,假设在这两点上的一阶导数分别为m0,m1,分段三次埃尔米特插值法的插值公式如下:
H3(x)=y0α0(x)+y1α1(x)+m0β0(x)+m1β1(x)
其中,
其中,H3(x)就是y,点(x,H3(x))表示根据(x0,y0),(x1,y1)采用分段三次埃尔米特插值法进行插值生成的插值点(x,y)。
根据本发明的一个实施例,在该目标没有适配的历史轨迹规律时,则选择多条其他目标的匹配成功频率高的历史规律轨迹暂时作为该目标的历史规律轨迹用于轨迹预测;在不能获取其他目标的历史轨迹规律暂时作为该目标的历史规律轨迹用于轨迹预测时,根据当前轨迹的最后三个当前轨迹点按照匀速直线或者匀加速直线运动进行预测。比如,根据本发明的一个示例,假设最后三个点是Bn-2、Bn-1、Bn,则根据最后三个点Bn-2、Bn-1、Bn,按照匀速直线运动,或匀加速直线运动进行预测。根据最后三个点Bn-2、Bn-1、Bn,基于点的x、y、t可以计算两点间的速度,即,可以计算出点Bn-2、Bn-1间的速度V1,及点Bn-1、Bn间的速度V2,若V1等于V2,则后续的点按照匀速直线运动预测,否则,按照匀加速直线运动预测。
需要说明的是,虽然上文按照特定顺序描述了各个步骤,但是并不意味着必须按照上述特定顺序来执行各个步骤,实际上,这些步骤中的一些可以并发执行,甚至改变顺序,只要能够实现所需要的功能即可。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种大规模移动对象的轨迹快速预测方法,其特征在于,包括如下步骤:
S1、获取目标的当前轨迹和历史规律轨迹,所述当前轨迹包括多个当前轨迹点,所述历史规律轨迹包括多个历史规律点;
S2、对当前轨迹进行轨迹压缩得到压缩后的当前轨迹,并对所有历史规律轨迹进行轨迹压缩得到压缩后的历史规律轨迹;
S3、依次将压缩后的当前轨迹的每个当前轨迹点与压缩后的每条历史规律轨迹进行匹配以计算压缩后的当前轨迹与压缩后的每条历史规律轨迹的相似度,其中,当前轨迹点与某一历史规律轨迹匹配成功后该当前轨迹点对应于匹配成功的历史规律轨迹上的两个相邻历史规律点,根据预设的高斯函数分别计算所述两个相邻规律点的高斯概率的均值,将其作为相似度奖励加在当前轨迹与该历史规律轨迹的相似度上;
S4、获取与压缩后的当前轨迹相似度最高的压缩后的历史规律轨迹作为待补全轨迹,对待补全轨迹进行插值补全,生成该目标的预测轨迹。
2.根据权利要求1所述的大规模移动对象的轨迹快速预测方法,其特征在于,在步骤S2中,采用流式压缩对当前轨迹进行轨迹压缩得到压缩后的当前轨迹,采用批量压缩对所有历史规律轨迹进行轨迹压缩得到压缩后的历史规律轨迹。
3.根据权利要求1所述的大规模移动对象的轨迹快速预测方法,其特征在于,在步骤S2中,通过以下方式进行轨迹压缩:
提取当前轨迹中的拐点、停泊点、速度异常点、加速度异常点、起点和终点组成压缩后的当前轨迹;
提取历史规律轨迹中的拐点、停泊点、速度异常点、加速度异常点、起点和终点组成压缩后的历史规律轨迹。
4.根据权利要求1所述的大规模移动对象的轨迹快速预测方法,其特征在于,所述步骤S3包括:
S31、遍历压缩后的当前轨迹的每个当前轨迹点,依次将每个当前轨迹点与一条压缩后的历史规律轨迹进行匹配,匹配时将一个当前轨迹点与压缩后的历史规律轨迹的每两个相邻历史规律点进行距离、时间匹配,该当前轨迹点与压缩后的历史规律轨迹的某两个相邻历史规律点的距离和时间匹配成功时该当前轨迹点与该压缩后的历史规律轨迹匹配成功;
S32、根据预设的高斯函数计算与此次压缩后的历史规律轨迹匹配成功的当前轨迹点所对应的两个相邻规律点的高斯概率,在当前轨迹与该压缩后的历史规律轨迹的相似度中加上该所述两个相邻历史规律点的高斯概率的均值,将压缩后的当前轨迹的所有当前轨迹点与该压缩后的历史规律轨迹匹配完成后获得的相似度作为压缩后的当前轨迹与该压缩后的历史规律轨迹的相似度;
S33、重复步骤S31和S32计算压缩后的当前轨迹与下一条压缩后的历史规律轨迹的相似度,直至获得压缩后的当前轨迹与每条压缩后的历史规律轨迹的相似度。
5.根据权利要求4所述的大规模移动对象的轨迹快速预测方法,其特征在于,所述步骤S31包括:
S311、将压缩后的当前轨迹中的时序最靠前的待匹配的当前轨迹点与一条压缩后的历史规律轨迹进行距离匹配,计算该当前轨迹点与压缩后的历史规律轨迹的每两个相邻历史规律点连线的垂直距离,其中最短的垂直距离小于预设距离阈值时该当前轨迹点与压缩后的历史规律轨迹的距离匹配成功,并且将最短的垂直距离对应的垂点作为该当前轨迹点的对应垂点;
S312、在当前轨迹点的距离匹配失败后转至步骤S311对下一个当前轨迹点进行匹配,在当前轨迹点的距离匹配成功后转至步骤S313;
S313、在当前轨迹点的距离匹配成功后对其进行时间匹配,在当前轨迹点与压缩后的历史规律轨迹的时间匹配程度大于等于预设匹配阈值时当前轨迹点与历史规律轨迹的时间匹配成功,其中,预设第一个距离匹配成功的当前轨迹点的时间匹配成功,第二个及其后距离匹配成功的当前轨迹点与压缩后的历史规律轨迹的时间匹配程度的计算公式如下:
7.根据权利要求1至6任一项所述的大规模移动对象的轨迹快速预测方法,其特征在于,任意历史规律点的高斯概率按照以下方式计算:
分别根据预设的经度、纬度和时间高斯函数获取历史规律点的经度、纬度和时间的高斯概率;
对该历史规律点的经度、纬度和时间的高斯概率的和值求平均,归一化后得到该历史规律点的高斯概率。
8.根据权利要求7所述的大规模移动对象的轨迹快速预测方法,其特征在于,所述方法还包括:
获取该目标的历史轨迹的所有历史轨迹点的经度的均值和标准差,并根据获取的均值和标准差的值设置预设的经度高斯函数的均值和标准差;
获取该目标的历史轨迹的所有历史轨迹点的纬度的均值和标准差,并根据获取的均值和标准差的值设置预设的纬度高斯函数的均值和标准差;
获取该目标的历史轨迹的所有历史轨迹点的时间的均值和标准差,并根据获取的均值和标准差的值设置预设的时间高斯函数的均值和标准差。
9.一种计算机可读存储介质,其特征在于,其上包含有计算机程序,所述计算机程序可被处理器执行以实现权利要求1至8中任一项所述的方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;以及
存储器,其中存储器用于存储一个或多个可执行指令;
所述一个或多个处理器被配置为经由执行所述一个或多个可执行指令以实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160198.5A CN111291280B (zh) | 2020-03-10 | 2020-03-10 | 一种大规模移动对象的轨迹快速预测方法、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160198.5A CN111291280B (zh) | 2020-03-10 | 2020-03-10 | 一种大规模移动对象的轨迹快速预测方法、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291280A true CN111291280A (zh) | 2020-06-16 |
CN111291280B CN111291280B (zh) | 2023-04-11 |
Family
ID=71021520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010160198.5A Active CN111291280B (zh) | 2020-03-10 | 2020-03-10 | 一种大规模移动对象的轨迹快速预测方法、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291280B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199863A (zh) * | 2020-10-30 | 2021-01-08 | 黑龙江省科学院智能制造研究所 | 一种基于参数样条曲线方程的增材制造打印轨迹推插值方法 |
CN112215429A (zh) * | 2020-10-20 | 2021-01-12 | 清华大学 | 基于历史轨迹的轨迹预测方法及装置 |
CN112947572A (zh) * | 2021-03-12 | 2021-06-11 | 华南理工大学 | 一种基于地形跟随的四旋翼飞行器自适应运动规划方法 |
CN113225457A (zh) * | 2020-12-29 | 2021-08-06 | 视联动力信息技术股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN113568898A (zh) * | 2021-07-30 | 2021-10-29 | 浙江华云信息科技有限公司 | 电力数据漏点补全方法、装置、设备及可读存储介质 |
CN113824881A (zh) * | 2021-09-18 | 2021-12-21 | 北京万达文旅规划设计院有限公司 | 一种室内滑雪场目标跟拍方法、系统及服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108362293A (zh) * | 2018-02-24 | 2018-08-03 | 中电福富信息科技有限公司 | 一种基于关键点技术的车辆轨迹匹配方法 |
US20180311530A1 (en) * | 2016-03-30 | 2018-11-01 | Benjamin Douglas Kruger | Wearable Body Monitors and System for Collecting and Analyzing Data and and Predicting the Trajectory of an Object |
CN108802776A (zh) * | 2018-07-02 | 2018-11-13 | 武汉蓝泰源信息技术有限公司 | 基于异常点剔除及轨迹压缩算法的公交gps纠偏方法 |
CN108882172A (zh) * | 2018-06-22 | 2018-11-23 | 电子科技大学 | 一种基于hmm模型的室内移动轨迹数据的预测方法 |
CN110516888A (zh) * | 2019-09-02 | 2019-11-29 | 重庆紫光华山智安科技有限公司 | 轨迹预测方法、装置、电子设备和计算机可读存储介质 |
-
2020
- 2020-03-10 CN CN202010160198.5A patent/CN111291280B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180311530A1 (en) * | 2016-03-30 | 2018-11-01 | Benjamin Douglas Kruger | Wearable Body Monitors and System for Collecting and Analyzing Data and and Predicting the Trajectory of an Object |
CN108362293A (zh) * | 2018-02-24 | 2018-08-03 | 中电福富信息科技有限公司 | 一种基于关键点技术的车辆轨迹匹配方法 |
CN108882172A (zh) * | 2018-06-22 | 2018-11-23 | 电子科技大学 | 一种基于hmm模型的室内移动轨迹数据的预测方法 |
CN108802776A (zh) * | 2018-07-02 | 2018-11-13 | 武汉蓝泰源信息技术有限公司 | 基于异常点剔除及轨迹压缩算法的公交gps纠偏方法 |
CN110516888A (zh) * | 2019-09-02 | 2019-11-29 | 重庆紫光华山智安科技有限公司 | 轨迹预测方法、装置、电子设备和计算机可读存储介质 |
Non-Patent Citations (5)
Title |
---|
XIANBIN WU: ""Vessel trajectory partitioning based on hierarchical fusion of position data"" * |
XUESONG LI: ""Multi-Target Tracking with Trajectory Prediction and Re-Identification"" * |
李想: ""基于递归神经网络的快速车辆轨迹数据预测"" * |
江俊文;王晓玲;: "轨迹数据压缩综述" * |
陈煜;蒋伟;周继恩;: "基于预测模型的轨迹数据压缩方法" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215429A (zh) * | 2020-10-20 | 2021-01-12 | 清华大学 | 基于历史轨迹的轨迹预测方法及装置 |
CN112199863A (zh) * | 2020-10-30 | 2021-01-08 | 黑龙江省科学院智能制造研究所 | 一种基于参数样条曲线方程的增材制造打印轨迹推插值方法 |
CN113225457A (zh) * | 2020-12-29 | 2021-08-06 | 视联动力信息技术股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN112947572A (zh) * | 2021-03-12 | 2021-06-11 | 华南理工大学 | 一种基于地形跟随的四旋翼飞行器自适应运动规划方法 |
CN113568898A (zh) * | 2021-07-30 | 2021-10-29 | 浙江华云信息科技有限公司 | 电力数据漏点补全方法、装置、设备及可读存储介质 |
CN113824881A (zh) * | 2021-09-18 | 2021-12-21 | 北京万达文旅规划设计院有限公司 | 一种室内滑雪场目标跟拍方法、系统及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN111291280B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291280B (zh) | 一种大规模移动对象的轨迹快速预测方法、介质和设备 | |
CN108734151B (zh) | 基于相关滤波以及深度孪生网络的鲁棒长程目标跟踪方法 | |
CN110874566B (zh) | 生成数据集的方法及装置、利用其的学习方法及学习装置 | |
CN110321913B (zh) | 一种文本识别方法及装置 | |
CN110647675B (zh) | 停留点识别及预测模型训练方法、装置及存储介质 | |
WO2022198817A1 (zh) | 车辆图像聚类及轨迹还原方法 | |
CN106855878B (zh) | 基于电子地图的历史行车轨迹显示方法和装置 | |
CN111523577A (zh) | 一种基于改进的lcss算法的海量轨迹相似度计算方法 | |
EP4209959A1 (en) | Target identification method and apparatus, and electronic device | |
CN112885099A (zh) | 用于确定车辆轨迹关键点的方法、装置及设备 | |
CN111815687A (zh) | 点云匹配方法、定位方法、设备及存储介质 | |
CN111738319B (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
CN113361710A (zh) | 学生模型训练方法、图片处理方法、装置及电子设备 | |
CN114563003A (zh) | 路径规划方法及装置、电子设备、存储介质 | |
CN113587944A (zh) | 准实时的车辆行驶路线生成方法、系统及设备 | |
CN114244795A (zh) | 一种信息的推送方法、装置、设备及介质 | |
CN112163521A (zh) | 一种车辆行驶行为的识别方法、装置及设备 | |
CN110411450B (zh) | 一种用于压缩轨迹的地图匹配方法 | |
CN109270566B (zh) | 导航方法、导航效果测试方法、装置、设备和介质 | |
CN110287244B (zh) | 一种基于多次聚类的交通灯定位方法 | |
CN113723656A (zh) | 行驶轨迹修复方法、装置、电子设备和存储介质 | |
Li et al. | Collaborating visual tracker based on particle filter and correlation filter | |
US11195287B2 (en) | Method and device for checking the plausibility of a flow vector hypothesis | |
CN111104922A (zh) | 一种基于有序抽样的特征匹配算法 | |
CN112016308A (zh) | 语种识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |