CN111309780A - 一种轨迹数据处理方法及装置 - Google Patents

一种轨迹数据处理方法及装置 Download PDF

Info

Publication number
CN111309780A
CN111309780A CN202010072626.9A CN202010072626A CN111309780A CN 111309780 A CN111309780 A CN 111309780A CN 202010072626 A CN202010072626 A CN 202010072626A CN 111309780 A CN111309780 A CN 111309780A
Authority
CN
China
Prior art keywords
positioning
data
historical
time slice
track
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
Application number
CN202010072626.9A
Other languages
English (en)
Other versions
CN111309780B (zh
Inventor
夏彤
孙福宁
郭殿升
李勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Cloud Computing Beijing Co Ltd
Original Assignee
Tencent Cloud Computing Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Cloud Computing Beijing Co Ltd filed Critical Tencent Cloud Computing Beijing Co Ltd
Priority to CN202010072626.9A priority Critical patent/CN111309780B/zh
Publication of CN111309780A publication Critical patent/CN111309780A/zh
Application granted granted Critical
Publication of CN111309780B publication Critical patent/CN111309780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F16/2458Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465Query processing support for facilitating data mining operations in structured databases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本申请提供一种轨迹数据处理方法及装置,涉及数据处理技术领域,方法包括:获得目标对象在目标时间段内的待处理轨迹数据,待处理轨迹数据包括目标对象在目标时间段内的至少一个定位数据,以及每个定位数据对应的定位时间片;从目标对象在目标时间段的历史轨迹估计数据中,得到目标时间段内除各定位时间片外,每个缺失定位时间片对应的定位估计数据,其中所述历史轨迹估计数据是根据目标对象在所述目标时间段内的多个历史轨迹数据之间的时空相关性融合的得到的。能够从历史轨迹估计数据中,得到每个缺失定位时间片对应的定位估计数据,提高了准确性。

Description

一种轨迹数据处理方法及装置
技术领域
本申请实施例涉及数据处理技术领域,尤其涉及一种轨迹数据处理方法及装置。
背景技术
目前,通过带有卫星定位模块的终端定位行人或者车辆在不同时刻的位置坐标,并根据不同时刻的位置坐标形成行人或者车辆的运动轨迹,来表征运动情况。但是车辆或者行人在移动过程中,经常会存在卫星定位模块无法接收到卫星定位信号的情况,如卫星定位信号被高楼、大树或者隧道遮挡造成部分路段无法接收到卫星定位信号,造成轨迹的数据缺失。
现有技术中针对轨迹数据缺失通常是使用插值的方法确定缺失的轨迹数据,但是在插值过程中,若存在轨迹数据连续缺失的情况下,缺失时刻前后所在的位置坐标对要插值时刻的空间约束很弱,所以难以取得理想的插值结果,导致插值得到的轨迹数据的准确性差。
发明内容
本申请实施例提供一种轨迹数据处理方法及装置,能够从历史轨迹估计数据中,得到每个缺失定位时间片对应的定位估计数据,提高了确定缺失定位时间片对应的定位估计数据的准确性。
一方面,本申请实施例提供一种轨迹数据处理方法,包括:
获得目标对象在目标时间段内的待处理轨迹数据,所述待处理轨迹数据包括目标对象在所述目标时间段内的至少一个定位数据,以及每个定位数据对应的定位时间片;
从所述目标对象在目标时间段的历史轨迹估计数据中,得到所述目标时间段内除各定位时间片外,每个缺失定位时间片对应的定位估计数据,其中所述历史轨迹估计数据是根据目标对象在所述目标时间段内的多个历史轨迹数据之间的时空相关性融合的得到的;
根据每个定位时间片的每个定位数据以及每个缺失定位时间片对应的定位估计数据获得所述目标对象的目标轨迹数据。
一方面,本申请实施例提供一种数据处理装置,包括:
待处理轨迹数据获取单元,用于获得目标对象在目标时间段内的待处理轨迹数据,所述待处理轨迹数据包括目标对象在所述目标时间段内的至少一个定位数据,以及每个定位数据对应的定位时间片;
定位估计数据确定单元,用于从所述目标对象在目标时间段的历史轨迹估计数据中,得到所述目标时间段内除各定位时间片外,每个缺失定位时间片对应的定位估计数据,其中所述历史轨迹估计数据是根据目标对象在所述目标时间段内的多个历史轨迹数据之间的时空相关性融合的得到的;
目标轨迹数据确定单元,用于根据每个定位时间片的每个定位数据以及每个缺失定位时间片对应的定位估计数据获得所述目标对象的目标轨迹数据。
一方面,本申请实施例提供了一种电子设备,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,其中,处理器执行计算机程序时实现上述任一种轨迹数据处理方法的步骤。
一方面,本申请实施例提供了一种计算机可读存储介质,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行上述任一种轨迹数据处理方法的步骤。
本申请实施例提供的轨迹数据处理方法,能够从目标对象的历史轨迹估计数据中,学习到每个缺失定位时间片对应的定位估计数据,且历史轨迹估计数据也是从目标对象的多个历史轨迹数据中获得的,也就是说,在本申请实施例中还将单一历史轨迹中的稀疏轨迹数据转换为稠密的轨迹数据,得到历史轨迹数据,该历史轨迹数据能够更好的表征目标对象的历史行为特征,从而能够更好的根据每个缺失定位时间片与历史轨迹数据中的时间相关性以及空间相关性确定每个缺失定位时间片对应的定位估计数据,并根据每个定位时间片的每个定位数据以及每个缺失定位时间片对应的定位估计数据获得目标对象的目标轨迹数据。
通过本申请实施例确定的每个缺失定位时间片对应的定位估计数据,由于参考了历史轨迹数据,所以在轨迹连续缺失的情况下,可以得到理想的定位估计结果;并且在本申请实施例中考虑了每个目标对象的长移动历史,所以进一步提高了定位估计数据的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为现有技术中提供的一种轨迹数据处理场景的示意图;
图2为本申请实施例提供的一种轨迹数据处理应用场景示意图;
图3为本申请实施例提供的一种轨迹数据处理方法的流程示意图;
图4为本申请实施例提供的一种多个不同定位时间片对应多个轨迹的场景示意图;
图5为本申请实施例提供的一种融合轨迹的示意图;
图6为本申请实施例提供的一种轨迹数据处理方法的流程示意图;
图7为本申请实施例提供的一种轨迹数据处理装置的结构示意图;
图8为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明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发明,并不用于限定本发明。
为了方便理解,下面对本申请实施例中涉及的名词进行解释:
大数据技术:就是从各种各样类型的数据中,快速获得有价值信息的能力。大数据产生的原因:大数据时代的来临是由数据丰富度决定的。首先是社交网络兴起,互联网上每天大量非结构化数据的出现。另外,物联网的数据量更大,加上移动互联网能更准确、更快地收集定位目标信息,比如位置、生活信息等数据。从这些数据每天增加的数量来说,目前已进入大数据时代。大数据技术能够将大规模数据中隐藏的信息和知识挖掘出来,为人类社会经济活动提供依据,提高各个领域的运行效率,甚至整个社会经济的集约化程度。
卫星定位系统:是一种使用卫星对某物进行准确定位的技术,它从最初的定位精度低、不能实时定位、难以提供及时的导航服务,发展到现如今的高精度GPS全球定位系统,实现了在任意时刻、地球上任意一点都可以同时观测到4颗卫星,以便实现导航、定位、授时等功能。
定位数据:指的是通过卫星定位系统获得的数据,定位数据可以是车辆的定位数据,也可以是行人的定位数据,也可以是其它用户的定位数据。
LBS:Location Based Services,基于位置的服务,一种是基于用户的当前位置,提供给用户相应的信息的服务方式,广泛应用于各种服务地点以及服务场景,例如饭店,停车场,银行等。
注意力机制:是人类视觉所特有的大脑信号处理机制。人类视觉通过快速扫描全局图像,获得需要重点关注的目标区域,也就是一般所说的注意力焦点,而后对这一区域投入更多注意力资源,以获取更多所需要关注目标的细节信息,而抑制其他无用信息。深度学习中的注意力机制从本质上讲和人类的选择性视觉注意力机制类似,核心目标也是从众多信息中选择出对当前任务目标更关键的信息。注意力被成功地应用到许多任务中,因为它能够自动捕捉输入之间的复杂相关性。注意函数被设计成将一个查询和一组键值对映射到一个输出,该输出是这些值的加权和,权重由查询用相应的键计算。
在具体实践过程中,针对定位数据缺失的情况,通常使用插值的方式确定缺失定位数据,例如,在t0时刻以及t2时刻之前缺失了t1时刻的定位数据,则根据t0时刻的定位数据以及t2时刻的定位数据插值得到t1时刻的定位数据。
但是现有技术中主要存在两个方面的问题,一是现有技术对轨迹内部的时空相关性建模不充分,往往关注于缺失时刻前后用户的定位数据,然后在轨迹连续缺失的情况下,缺失时刻前后的定位数据对要插值时刻-即轨迹缺失时刻的空间约束很弱,所以难以取得理想的结果。示例性的,如图1所示,在t0-t4时刻、t11~t12时刻采集到了用户的定位数据,在t5时刻~t10时刻都未采集到定位数据,则根据t4时刻的定位数据以及t11时刻的定位数据是难以进行有效插值来确定各缺失轨迹时刻的定位数据的。
另外一个问题是,现有技术中通常忽略了使用各用户的长移动历史。因此,如果移动数据非常稀疏,例如用户在设定时间段内只采集到5个定位数据,而无法以精细的时间粒度确定缺失时刻的定位数据。
基于上述现有技术的缺点,本申请的发明人构思了一种轨迹数据处理方法,一方面,通过将目标用户的稀疏历史轨迹数据转换为稠密的历史轨迹数据,能够得到更精细的时间粒度的缺失时刻的定位数据,另一方面,通过学习目标用户的整个历史轨迹,而不是只使用与缺失时刻相邻时刻的定位数据作为参考,得到缺失时刻的定位数据。
具体的,获取目标对象在目标时间段内的待处理轨迹数据,待处理轨迹数据可以认为是目标对象在目标时间段内的已获取的定位数据,而针对目标时间段内的缺失定位时间片,是根据目标对象在目标时间段的历史轨迹估计数据确定的,并且历史轨迹估计数据是根据目标对象在目标时间段内的多个历史轨迹数据获得的,历史轨迹估计数据至少是根据多个历史轨迹数据的时空相关性得到的。
在上述实施例中,由于参考了历史轨迹数据,所以在轨迹连续缺失的情况下,可以得到理想的定位估计结果;并且在本申请实施例中考虑了每个目标对象的长移动历史,所以进一步提高了定位估计数据的准确性。
在介绍完本申请实施例的设计思想之后,下面对本申请实施例的技术方案的架构做一些简单介绍,需要说明的是,以下介绍的架构仅用于说明本申请实施例而非限定。在具体实施时,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
参考图2,其为本申请实施例提供的轨迹数据处理方法的应用架构图。该架构至少包括M个终端设备201以及服务器202,M个终端设备201即图2中所示的终端设备201~1至终端设备201~M,M为正整数,M的值本发明实施例并不进行限制。
每个终端设备201能够与卫星定位系统进行通信,向卫星定位系统发送信号以及接收卫星定位系统发送的信号。
终端设备201可以是手机、个人电脑(personal computer,PC)、平板电脑(PAD)、掌上电脑(Personal Digital Assistant,PDA)、笔记本电脑或者智能穿戴式设备(例如智能手表和智能手环)等终端设备。终端设备201中可以安装具有LBS服务的软件,例如社交软件、购物软件、导航软件等,或者,终端设备201中运行了具有LBS服务的平台应用,平台应用可以获取用户的定位数据,或者,终端设备201中运行了浏览器应用,在浏览器中,同样可以获取用户的定位数据,或者终端设备201中运行了小程序应用,在小程序应用中可以获取用户的定位数据,通过获取的用户定位数据来对用户进行服务,例如进行导航服务,或者利用用户定位数据进行美食推荐等服务等。
终端设备201可以包括一个或多个处理器2011、存储器2012、与服务器202交互的I/O接口2013以及显示面板2014等。其中,终端设备201的存储器2012中可以存储上述用户的定位数据,这些定位数据能够被处理器2011执行时实现终端设备201中的应用程序的功能,以及在显示面板2014显示该应用程序的相应显示页面。
服务器202可以为包括为终端设备201中安装的应用程序,或者终端设备201中运行的应用程序、应用网站的后台服务器。服务器202可以包括一个或多个处理器2021、存储器2022以及与终端设备交互的I/O接口2023等。此外,服务器202还可以配置数据库2024,数据库2024可以用于存储各用户上传的定位数据等。服务器202可以是服务器集群,也可以是单个服务器。同时,服务器202可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
服务器202还可以是一种云计算模块,云计算是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。
数据库2024还可以为云数据库,云数据库是指通过集群应用、网格技术以及分布存储文件系统等功能,将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作,共同对外提供数据存储和业务访问功能的一个存储系统。在本申请实施例中,各服务器202通过云数据库的访问结构访问云数据库。
终端设备201与服务器202之间可以通过一个或者多个网络203进行通信连接。该网络203可以是有线网络,也可以是无线网络,例如无线网络可以是移动蜂窝网络,或者可以是无线保真(Wireless-Fidelity,WIFI)网络,当然还可以是其他可能的网络,本发明实施例对此不做限制。
示例性的,终端设备201为用户的手机,在终端设备201中运行了导航软件,通过获取用户的定位数据,在终端设备201中显示用户轨迹。
并且在本申请实施例中,终端设备201将采集到的定位数据上报给服务器202,服务器202根据用户在设定时间段内的历史轨迹估计数据确定设定时间段内用户的缺失的定位估计数据,并根据采集到的定位数据以及定位估计数据确定用户在设定时间段内的完整轨迹数据。
数据库为云数据库,云数据库是指通过集群应用、网格技术以及分布存储文件系统等功能,将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作,共同对外提供数据存储和业务访问功能的一个存储系统。在本申请实施例中,各服务器通过云数据库的访问结构访问云数据库。
当然,本申请实施例提供的架构并不限用于图2所示的结构,本申请实施例并不进行限制。为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
为了便于描述本申请实施例提供的轨迹数据处理方法,在此解释下文中出现的概念。
在本申请实施例中,目标对象指的是被定位的对象,该目标对象可以是车辆,也可以是行人,也可以是其它被定位的对象,该被定位的对象在设定时间内发生位移,所以确定该被定位的对象的轨迹数据。
目标时间段指的是设定时间段,在该设定时间段内可以按照周期性或者非周期性的方式获取目标对象的定位数据。
定位数据指的是通过卫星定位系统确定的目标对象的地理位置信息,该地理位置信息可以是WGS84坐标、WGS72坐标、北京54坐标、西安80坐标等坐标系下的坐标,也可以是自定义坐标系下的坐标,在本申请实施例中不做限定。
定位时间片指的是目标时间段内获取定位数据的时刻,相邻时间片的间隔可以相同,也可以不同;进一步地,针对目标对象,历史定位时间片指的是目标对象在历史目标时间段内获取历史定位数据的时刻。
估计数据指的是根据定位数据确定的数据,该数据不是真实获得的,而是通过已知定位数据计算得到的。
轨迹数据指的是根据按照各设定时间段先后时间顺序将获取到的各定位数据依次连接形成的数据,即根据时间数据以及空间数据形成的数据,轨迹数据能够表征目标对象的运动轨迹以及运动趋势。
历史轨迹数据指的是根据目标对象在目标时间段前获取的定位数据确定轨迹数据,而历史轨迹估计数据指的是通过已知历史定位数据计算得到的轨迹数据,该轨迹数据不是真实获得的。
请参见图3,为本发明实施例提供的轨迹数据处理方法的流程示意图,该方法例如可以应用于如图2所示的场景中,该方法的流程描述如下。
步骤S301,获得目标对象在目标时间段内的待处理轨迹数据,待处理轨迹数据包括目标对象在目标时间段内的至少一个定位数据,以及每个定位数据对应的定位时间片。
具体的,在本申请实施例中,待处理轨迹数据可以是用于形成连续轨迹的数据,每个待处理轨迹数据中是将时间信息以及空间信息进行关联的,即待处理轨迹数据是由各个定位时间片以及各个定位时间片的定位数据构成的。
在本申请实施例中,目标时间段内可以均匀分布各时间片,也可以不是均匀分布各时间片,示例性的,目标时间段为24小时,各时间片指的是每0.5小时为一个时间片,若该时间片能够采集到定位数据,则将该时间片作为定位时间片;另一种示例性的解释,目标时间段为12小时,时间片不是均匀分布的,可以是每两个小时采集一次定位数据,然后间隔半个小时采集一次定位数据,然后再间隔一个小时采集一次定位数据,同样的,将能够采集到定位数据的时间片作为定位时间片。
在本申请实施例中,获取待处理轨迹数据的执行主体可以是目标对象具有定位能力的终端设备,也可以是服务器,该待处理轨迹数据既可以是终端设备自己获取的,也可以是服务器发送给终端设备的,在此不做限定。
步骤S302,从目标对象在目标时间段的历史轨迹估计数据中,得到目标时间段内除各定位时间片外,每个缺失定位时间片对应的定位估计数据,其中历史轨迹估计数据是根据目标对象在目标时间段内的多个历史轨迹数据获得的,历史轨迹估计数据至少是根据多个历史轨迹数据的时空相关性得到的。
具体的,为了能够体现目标对象的历史行为,所以使用的历史轨迹数据是目标对象在目标时间段对应的历史时间段内产生的历史轨迹数据,而不是目标对象的所有历史轨迹数据。
示例性的,目标时间段指的是设定日期的0时至设定日期的12时,则目标对象的历史轨迹数据是目标对象在设定日期前的各个日期的0时至设定日期的12时的轨迹数据,也就是在目标时间段对应的历史时间段内产生的历史轨迹数据。
由于目标对象在历史对应的某个目标时间段内的历史轨迹数据是稀疏历史轨迹数据,所以不能作为目标对象的历史行为的表征,所以在本申请实施例中,将多个历史轨迹数据融合得到历史轨迹估计数据。
具体的,各个历史轨迹数据之间存在时空相关性,即具有时间以及空间相关性,可以理解为相邻定位时间片确定的定位数据之间具有相关性,也和设定定位时间片的定位数据有相关性,示例性的,t1、t2以及t3三个定位时间片中,t2定位时间片的定位数据与t1定位时间片的定位数据以及t3定位时间片的定位数据相关,并且,t2定位时间片为目标对象的上班时间段中的一个定位时间片,t4~t6时间片为目标对象的下班时间段中的各定位时间片,由于目标对象在上班过程中和下班过程中的轨迹路线具有相似性,所以t2定位时间片的定位数据还与t4~t6定位时间片的定位数据相关。
在本申请实施例中,可以选取每个历史轨迹数据中的多个轨迹数据融合成历史轨迹估计数据,例如,将历史轨迹数据1中的t1~t3定位时间片的定位数据、将历史轨迹数据2中的t4~t5定位时间片的定位数据以及历史轨迹3中的t6~t8定位时间片的定位数据构成历史轨迹估计数据。
当然上述实施例中,各个历史轨迹数据是在不同的历史定位时间片获取的定位数据,该历史定位时间片与目标时间段中各个定位时间片对应,例如目标时间段为设定日期的12时-15时,则各个历史轨迹都是在不同历史日期的12时-15时之间的历史定位时间片获取的定位数据。
进一步地,选取的可以是各个历史轨迹数据之间可以进行定位数据互补的各定位时间片的定位数据,示例性的,如图4所示,在图4中展示了三个历史轨迹,各历史轨迹是根据各历史轨迹数据拟合形成的,每个历史轨迹是按照定位时间片的先后顺序将各定位时间片获取的定位数据拟合形成的。在本申请实施例中描述的是在目标时间段内容目标对象的轨迹数据,且每个历史轨迹的时间片是相同的。
为了便于描述,目标时间段具有t1~t12等12个定位时间片,则在本申请实施例中,各历史轨迹中包括的定位时间片也为t1~t12历史定位时间片中的任一定位时间片。
具体的如图4所示,在图4中,第一历史轨迹P1中包括t1历史定位时间片的定位数据P11、t2历史定位时间片的定位数据P12,t3历史定位时间片的定位数据P13以及t6历史定位时间片的定位数据P16;第二历史轨迹P2中包括t1历史定位时间片的定位数据P21、t7历史定位时间片的定位数据P27、t8历史定位时间片的定位数据P28、t9历史定位时间片的定位数据P29、t10历史定位时间片的定位数据P210、t11历史定位时间片的定位数据P211;第三历史轨迹P3中包括t4历史定位时间片的定位数据P34、t5历史定位时间片的定位数据P35、t8历史定位时间片的定位数据P38、t12历史定位时间片的定位数据P312。
则将三个历史轨迹中的各定位数据进行融合,即能够获得t1~t12定位时间片完整的定位数据,则可以得到历史轨迹估计数据,如图5所示,在历史轨迹估计数据中,t1历史定位时间片的定位数据P11或者定位数据P21、t2历史定位时间片的定位数据P12、t3历史定位时间片的定位数据P13、t4历史定位时间片的定位数据P34、t5历史定位时间片的定位数据P35、t6历史定位时间片的定位数据P16、t7历史定位时间片的定位数据P27、t8历史定位时间片的定位数据P28或者P38、t9历史定位时间片的定位数据P29、t10历史定位时间片的定位数据P210、t11历史定位时间片的定位数据P211以及t12历史定位时间片的定位数据P312。
也就是说在本申请中,首先获取目标对象在目标时间段内的多个历史轨迹数据,每个历史轨迹数据包括目标对象在目标时间段内的采集到的至少一个历史定位数据,以及每个历史定位数据对应的历史定位时间片,同一历史定位时间片至少对应一个历史定位数据,例如上述实施例中的t1历史定位时间片,对应定位数据P11以及定位数据P21,以及t8历史定位时间片的定位数据P28或者P38。
还有一种实施例,通过多个历史轨迹数据仍然无法获取目标时间段对应的历史时间段内每个历史定位数据的所有数据,则可以确定历史轨迹数据中的估计数据。
具体的,在本申请实施例中,可以通过已知定位数据进行插值,确定出各未能获取到历史定位数据的各历史定位时间片的定位补齐数据,当然也可以通过其它方式获得未能获取到历史定位数据的各历史定位时间片的定位补齐数据,例如基于深度学习的方法等。
在此总结本申请实施例中的一种可选的确定历史轨迹估计数据的方法,获得目标对象在目标时间段内的多个历史轨迹数据,每个历史轨迹数据包括目标对象在目标时间段内的采集到的至少一个第一历史定位数据,以及每个历史定位数据对应的第一历史定位时间片,同一第一历史定位时间片至少对应一个历史定位数据;针对任一第一历史定位时间片,将该历史定位时间片的满足设定数量要求的多个相同历史定位数据中的一个历史定位数据,作为该历史定位时间片的历史轨迹融合数据,也就是说,可以认为满足设定数量要求的多个相同的历史定位数据为目标对象的高频次访问的地理位置信息,多个相同的历史定位数据更具有参考性,更能够准确的确定未能获取到历史定位数据的各历史定位时间片的定位补齐数据。
对于未采集到定位数据的第二历史定位时间片,根据与第二历史定位时间片有时空相关性历史轨迹融合数据得到第二历史定位时间片的定位补齐数据;根据历史轨迹融合数据以及第二历史定位时间片的定位补齐数据得到历史轨迹估计数据。
在介绍了如何确定历史轨迹估计数据后,通过历史轨迹估计数据来确定目标时间段内除各定位时间片外,每个缺失定位时间片对应的定位估计数据。
一种可选的实施例中,将缺失定位时间片与历史轨迹估计数据中的各历史定位时间片进行匹配,将匹配到的历史定位时间片对应的定位数据或者定位补齐数据作为缺失定位时间片对应的定位估计数据。
示例性的,目标时间段为设定日期的12时~15时,且目标时间段内设置了6个时间片,分别为t1时间片、t2时间片、t3时间片、t4时间片、t5时间片以及t6时间片,其中t1时间片、t2时间片、t3时间片以及t6时间片获取到了定位数据,所以t1时间片、t2时间片、t3时间片以及t6时间片为定位时间片,而t5时间片为缺失定位时间片。
获取到该目标对象在12时~15时产生的历史轨迹估计数据,将历史轨迹估计数据中与t5时间片对应的定位数据作为缺失定位时间片的定位估计数据。
另一种可选的实施例中,由于历史轨迹估计数据表征了目标用户的历史频繁访问的地理位置信息,所以历史轨迹估计数据能够对缺失定位时间片对应的定位估计数据具有较高的影响力,所以在本申请实施例中,还可以通过对历史轨迹估计数据进行插值的方法,得到缺失定位时间片的定位估计数据。
示例性的,在本申请实施例中,缺失定位时间片为t5时间片,历史轨迹估计数据中包括t1~t4,t6~t8历史定位时间片的定位数据,通过对t4时间片以及t6时间片的插值运算,得到缺失定位时间片t5时间片的定位估计数据。
在本申请实施例中,还提供一种可选的实施例,通过基于深度学习的方法从目标对象在目标时间段的历史轨迹估计数据中,得到目标时间段内除各定位时间片外,每个缺失定位时间片对应的定位估计数据。
具体的,在本申请实施例中,通过基于深度学习的方法,学习历史轨迹估计数据中各历史定位时间片的定位数据对每个缺失定位时间片对应的定位估计数据的影响程度,该影响程度也可以理解为各历史定位时间片的定位数据对每个缺失定位时间片对应的定位估计数据的权重,通过各个权重确定每个缺失定位时间片对应的定位估计数据。
在本申请实施例中,由于注意力机制能够更好的学习到各历史定位时间片的定位数据对每个缺失定位时间片对应的定位估计数据的影响程度,所以基于深度学习的方法是采用基于注意力机制的深度学习方法。
为了更加清楚的介绍基于注意力机制的深度学习方法学习各历史定位时间片的定位数据对每个缺失定位时间片对应的定位估计数据的影响程度,并进而确定每个缺失定位时间片对应的定位估计数据,首先介绍注意力机制。
当我们人在看一样东西的时候,我们当前时刻关注的一定是我们当前正在看的这样东西的某一地方,换句话说,当我们目光移到别处时,注意力随着目光的移动也在转移,这意味着,当人们注意到某个目标或某个场景时,该目标内部以及该场景内每一处空间位置上的注意力分布是不一样的。视觉注意力机制是人类视觉所特有的大脑信号处理机制。人类视觉通过快速扫描全局图像,获得需要重点关注的目标区域,也就是一般所说的注意力焦点,而后对这一区域投入更多注意力资源,以获取更多所需要关注目标的细节信息,而抑制其他无用信息。这是人类利用有限的注意力资源从大量信息中快速筛选出高价值信息的手段,是人类在长期进化中形成的一种生存机制,人类视觉注意力机制极大地提高了视觉信息处理的效率与准确性。
深度学习中的注意力机制从本质上讲和人类的选择性视觉注意力机制类似,核心目标也是从众多信息中选择出对当前任务目标更关键的信息。
深度学习中的注意力机制是基于编码器Encoder-解码器Decoder架构的,编码器Encoder将输入嵌入为一个向量,解码器Decoder根据这个向量得到输出结果。具体的应用于不同场景,编码器Encoder与解码器Decoder处理的数据不同,例如在本申请实施例中,编码器Encoder将输入的各定位数据嵌入为一个向量,解码器Decoder根据这个向量得到输出结果,输出结果包括每个缺失定位时间片对应的定位估计数据。
示例性的,输入到编码器Encoder的定位数据为X1,X2,X3,X4,其中各定位数据可以是历史轨迹估计数据,也可以是待处理轨迹数据中的定位数据,编码器Encoder负责从输入序列X1,X2,X3,X4中学习各定位数据的向量表达,并通过解码器将各定位数据的向量表达转换为Y1,Y2,Y3的输出结果。
在了解了编码器以及解码器的结构后,在编码器以及解码器中融入注意力机制,假设编码器以及解码器的结构是循环神经网络RNN结构,当前解码器Docoder要输出的是Yt,已知解码器Decoder上一时刻的隐层输出的值为St-1,用它与编码器Encoder的各时刻隐层hj输出做某种操作,计算出来的相应用softmax转化为概率,就是我们所需的权重a,对输入加权求和,计算出输入序列的表达C,作为解码器Decoder当前的部分输入,从而生成Yt,这就是注意力机制的工作原理。
另一种对注意力机制的解释如图5所示,在图5中,注意力机制被设计成将一个查询和一组键值对映射到一个输出,该输出是这些值的加权和,权重由查询用相应的键计算,图5示例性的输入向量X1和X2,两个向量为各定位数据对应的向量,将输入的向量经过不同的线性变换后得到查询向量、键向量和值向量,其中查询向量和键向量先计算相关性,相关性系数对值向量进行加权求和操作,最后得到输出向量Y,输出向量Y对应定位数据。
在本申请实施例中,通过注意力机制学习历史轨迹估计数据中各历史定位时间片的定位数据对每个缺失定位时间片对应的定位估计数据的影响程度,该影响程度也可以理解为各历史定位时间片的定位数据对每个缺失定位时间片对应的定位估计数据的权重。
基于注意力机制的深度学习方法具有编码器Encoder-解码器Decoder架构,所以在本申请实施例中,通过编码器将获取到的定位数据进行编码,得到编码向量,然后根据历史轨迹估计数据的历史编码向量以及定位数据对应的编码向量对各缺失定位时间片对应的定位估计数据之间的时空相关性的影响,确定各缺失定位时间片对应的定位估计数据。
在本申请实施例中,编码器是经过训练得到的,也就是说,编码器至少是根据训练样本进行训练得到的,在训练后,编码器能够具有更好的学习各历史轨迹估计数据的历史编码向量与各缺失定位时间片对应的定位估计数据之间的时空相关性的性能,从而能够在应用过程中,根据各时空相关性确定各定位估计数据的编码向量。
一种可选的实施例中,编码器不仅确定了各定位估计数据的编码向量,也确定了各定位数据的编码向量,例如,在本申请实施例中,目标时间段内存在t1、t2、t3、t5、t7、t8等6个定位时间片对应的定位数据,而缺失定位时间片为t4、t6,通过编码器学习各历史轨迹估计数据的历史编码向量对各定位数据以及各缺失定位时间片对应的定位估计数据之间的时空相关性,确定了t1、t2、t3、t5、t7、t8等6个定位时间片对应的定位数据的编码向量,以及缺失定位时间片为t4、t6对应的定位估计数据的编码向量。
当编码器确定了各定位估计数据的编码向量后,通过同样经过训练的解码器确定编码向量对应的定位估计数据,具体的,已训练的解码器对各定位数据的编码向量以及各定位估计数据的编码向量进行向量解析,确定定位估计数据。
在本申请实施例中,编码器除了根据各定位估计数据的编码向量进行向量解析外,还将已训练的解码器对各定位数据的编码向量作为参考,辅助确定定位估计数据。
也就是说,在本申请实施例中,编码器Encoder的各编码时刻隐层结果是和历史轨迹估计数据的历史编码向量对各编码时刻当前的定位数据的之间的时空相关性或者是当前的缺失定位数据的之间的时空相关性相关的,解码器Decoder在各解码时刻,是通过考虑上个时刻的解码结果以及编码器各时刻的隐层结果之间的相关性确定权重,确定每个解码时刻的解码结果,该解码结果可以是各定位数据的解码结果,也可以是缺失定位时间片的定位估计数据。
一种可选的实施例中,也可以首先通过目标时间段内各定位数据与每个缺失定位时间片对应的定位估计数据之间的时空相关性,确定各第一缺失定位时间片对应的定位估计数据,然后再通过目标对象在目标时间段的历史轨迹估计数据确定第二缺失定位时间片对应的定位估计数据,第一缺失定位时间片以及第二缺失定位时间片之和为所有缺失定位时间片。
示例性的,目标时间段内存在t1、t2、t3、t5、t7、t8、t10等7个定位时间片对应的定位数据,而缺失定位时间片为t4、t6以及t9,通过目标时间段内各定位数据与每个缺失定位时间片对应的定位估计数据之间的时空相关性,确定了缺失定位时间片t4对应的定位估计数据,然后再通过目标对象在目标时间段的历史轨迹估计数据确定缺失定位时间片t6以及t9对应的定位估计数据。
在本申请实施例中,首先根据历史轨迹估计数据的时间信息以及空间信息得到历史轨迹估计数据的历史编码向量,一种可选的实施例中,通过向量嵌入以及向量编码的方式,得到历史编码向量。
具体的,在本申请实施例中,向量嵌入的方式就是使用嵌入Eembedding的方法,将各历史轨迹估计数据的时间信息以及空间信息分别进行信息嵌入,然后再将各自嵌入的时间信息以及空间信息进行相加,得到历史编码向量。示例性的,以历史轨迹估计数据中的一个历史定位数据P进行解释,历史定位数据P对应的历史定位时间片为T,则历史定位数据P为空间信息,历史定位时间片T为时间信息,分别针对时间信息以及空间信息进行嵌入Eembedding处理,得到空间信息的嵌入结果以及时间信息的嵌入结果,并将空间信息的嵌入结果以及时间信息的嵌入结果相加,得到历史定位数据的嵌入信息,并对该嵌入信息进行向量编码,得到该历史定位数据P的历史编码向量。
另一种可选的实施例中,由于历史轨迹估计数据中也存在缺失定位时间片的情况,即使通过历史轨迹估计数据的融合,仍然会存在历史缺失定位时间片,则可以通过基于注意力机制的深度学习方法对历史轨迹数据进行补齐,在补齐过程中,首先需要对历史轨迹估计数据进行嵌入处理,得到历史轨迹估计数据的嵌入信息,并根据历史轨迹估计数据的嵌入信息确定各历史轨迹估计数据的历史编码向量。
对于历史缺失定位时间片的历史编码向量,也通过注意力机制确定,即学习各历史轨迹估计数据的历史编码向量对待确定的定位估计数据之间的时空相关性,得到待确定历史定位估计数据的历史编码向量。
在本申请实施例中,注意力机制还有一种特例,就是自注意力机制,自注意力机制是一种特殊的注意力机制,也是一种编码器-解码器架构的方法,本质是计算跟自己相关的序列,也就是本申请实施例中历史轨迹估计数据的计算以及目标时间段内缺失定位数据的计算等过程,本质是分别计算历史轨迹估计数据中与历史缺失定位时间片相关的序列以及目标时间段内与缺失定位时间片对应的定位估计数据相关的序列。
一种可选的实施例中,本申请中的编码器、解码器以及历史编码器不是一种单一结构,而是具有多层结构,即具有多层编码器、解码器以及历史编码器。通过多层编码器的多层处理得到编码器的编码向量,并将编码向量输入至各层解码器,并经过各层解码器的处理结果依次向上计算,得各词向量的向量特征。
示例性的,在本申请实施例中,具有4层编码器或者具有4层历史编码器结构,在编码器进行编码的过程中,将历史轨迹估计数据的时间信息以及空间信息输入至编码器1、编码器2、编码器3以及编码器4中,并依次经过编码器1、编码器2、编码器3以及编码器4的处理,得到历史编码向量。
或者将各定位数据的时间信息以及空间信息输入至编码器1、编码器2、编码器3以及编码器4中,并依次经过编码器1、编码器2、编码器3以及编码器4的处理,得到编码向量。
可选的,在本申请实施例中,每一个编码器Encoder的结构是相同的,每一个解码器Decoder的结构也是相同的。
一种可选的实施例中,每一个编码器包括自注意力机制层和前馈网络层,自注意力机制层用于计算各定位估计数据之间的时空相关性;前馈网络层用于对所述自注意力机制输出的信息进行非线性变换。
另一方面,在本申请实施例中,前馈网络层主要对于自注意力机制层的输出结果进行非线性编码,抽取有用的高层表示。
可选的,在本申请实施例中,自注意力机制层为多头自注意力机制层,多头自注意力机制层将每个Encoder的输入词向量上创建3个向量,具体的,多头自注意力机制层的结构如图5所示,Query,Key,Value首先进过一个线性变换,然后输入到放缩点积中,并将该步骤执行h次,也就是所谓的多头,每一次算一个头。而且每次Q,K,V进行线性变换的参数W是不一样的。然后将h次的放缩点积结果进行拼接,再进行一次线性变换得到的值作为多头自注意力机制层的结果。由此可知,多头自注意力机制层不同之处在于进行了h次计算而不仅仅算一次,可以在不同的表示子空间里学习到相关的信息。
另一种可选的实施例中,还可以通过多个解码器进行解码处理,解码器的结构包括自注意力机制层、全局注意层、编-解码器和前馈网络层。
具体的,在本申请实施例中,将编码器的编码向量输入至最下层的自注意力机制层,并获得最下层自注意力机制层的输出;将最下层自注意力机制层的输出与全局特征信息输入至最下层的全局注意层,并获得最下层全局注意层的输出,全局信息是编码器中自注意力机制层确定的注意力信息。
将最下层全局注意层的输出与编码向量输入至最下层所述解码器的编-解码注意层,并获得最下层编-解码注意层的输出;将最下层编-解码注意层的输出输入至最下层前馈网络层,并获得最下层解码器的输出;将最下层解码器的输出作为上一层解码器的自注意力机制层的输入执行迭代运算。
可选的,在本申请实施例中,还可以使用其它的基于注意力机制或者自注意力机制的深度学习进行编码以及解码的过程,例如可以使用,具有双向编码处理过程的BERT(Bidirectional Encoder Representations from Transformers)的方法进行编码以及解码的过程,还有其它方法在此不做赘述。
在本申请实施例中,由于具有历史编码器、编码器以及解码器结构,在对上述结构进行训练时,是一同训练得到的,也就是说,在一次训练迭代过程中,通过训练样本,得到训练结果,通过训练结果与真实结果之差调整历史编码器、编码器以及解码器的参数,并再次进行训练,直到历史编码器、编码器以及解码器同时训练达到训练迭代终止条件,该条件可以是迭代次数,也可以是达到收敛。
为了更好的解释本申请实施例,下面结合一种具体的实施场景描述本申请实施例提供的一种轨迹数据处理方法,具体如图6所示,在本申请实施例中,目标对象为车辆,用户为驾驶车辆的用户,用户通过定位设备与卫星导航定位系统之间进行通信,以便获得车辆在各个定位时间片的定位数据。
在本申请实施例中,通过轨迹数据处理服务器来对用户的轨迹数据进行处理,轨迹数据处理服务器是定位设备对应的服务器,定位设备为具有LBS服务的定位设备。
在本申请实施例中,目标时间段指的是用户从家出发到回家之间的时间,可以认为用户每天的作息时间是早8点出发,晚7点到家,所以目标时间段为2020年1月3日的早8点到晚7点。
周一的早8点到晚7点12个小时中,每隔1小时采集车辆的定位数据,也就是说,在理想情况下,12个小时可以获取12次车辆的定位数据,但是由于在车辆定位数据的采集过程中,会存在信号缺失的情况,所以未能获取到12次车辆的定位数据,在目标时间段内采集到的各定位数据分别是8时的定位数据P1、9时采集的定位数据P2、12时采集的定位数据P3、13时采集的定位数据P4、14时采集的定位数据P5、15时采集的定位数据P6、17时采集的定位数据P7、18时采集的定位数据P 8、19时采集的定位数据P9。
从上述内容可知,目标时间段内缺失定位时间片为10时、11时、16时。
在本申请实施例中,首先通过目标时间段内各定位数据的时空相关性,进行第一次轨迹数据的补齐,具体的,通过自注意力机制学习各定位数据与缺失定位时间片对应的定位估计数据之间的时空相关性,确定出部分缺失定位时间片对应的定位估计数据。
通过嵌入的处理过程,将各定位数据的时间信息以及空间信息进行嵌入处理,得到各定位数据的嵌入信息,并通过编码器对各定位数据的嵌入信息进行非线性化处理,得到各定位数据的编码向量。
在本申请实施例中,通过自注意力机制,学习各定位数据的编码向量对部分缺失的定位时间片的定位估计数据的时空相关性,得到缺失定位时间片10时的定位估计数据P10。
进一步地,需要通过历史轨迹估计数据来确定其它缺失定位时间片对应的定位估计数据。具体的,在本申请实施例中,获取了2019年12月27日早8点到晚7点12个小时的各历史定位数据、获取了2019年12月20日早8点到晚7点12个小时的各历史定位数据、2019年12月13日早8点到晚7点12个小时的各历史定位数据。
首先确定各历史定位数据中针对同一历史定位时间片,车辆频繁出现的历史定位数据,在本申请实施例中,2019年12月27日早8点到晚7点12个小时的各历史定位数据中包括8时历史定位时间片的历史定位数据1、9时历史定位时间片的历史定位数据2、10时历史定位时间片的历史定位数据3、11时历史定位时间片的历史定位数据4、12时历史定位时间片的历史定位数据5、14时历史定位时间片的历史定位数据6、16时历史定位时间片的历史定位数据7以及18时历史定位时间片的历史定位数据8。
2019年12月20日早8点到晚7点12个小时的各历史定位数据中包括8时历史定位时间片的历史定位数据1,该历史定位时间片确定的历史定位数据与12月27日8时确定的历史定位数据相同;11时历史定位时间片的历史定位数据4,该历史定位时间片确定的历史定位数据与12月27日11时确定的历史定位数据相同;13时历史定位时间片的历史定位数据9、14时历史定位时间片的历史定位数据6,该历史定位时间片确定的历史定位数据与12月27日14时确定的历史定位数据相同、18时历史定位时间片的历史定位数据10、17时历史定位时间片的历史定位数据11、19时历史定位时间片的历史定位数据12。
2019年12月13日早8点到晚7点12个小时的各历史定位数据中包括9时历史定位时间片的历史定位数据2,该历史定位时间片确定的历史定位数据与12月27日9时确定的历史定位数据相同;10时历史定位时间片的历史定位数据3,该历史定位时间片确定的历史定位数据与12月27日10时确定的历史定位数据相同;11时历史定位时间片的历史定位数据4,该历史定位时间片确定的历史定位数据与12月27日11时确定的历史定位数据相同;13时历史定位时间片的历史定位数据9,与12月20日13时确定的历史定位数据相同;14时历史定位时间片的历史定位数据6,该历史定位时间片确定的历史定位数据与12月27日14时确定的历史定位数据相同、16时历史定位时间片的历史定位数据7,与2019年12月27日16时历史定位时间片的历史定位数据相同;19时历史定位时间片的历史定位数据12,与2019年12月20日19时历史定位时间片的历史定位数据相同。
通过上述内容可知,车辆在三个不同历史目标时段对应的轨迹如图6所示,将各个历史定位时间片以及对应的定位数据拟合称为轨迹,并通过不同轨迹可知车辆在各个历史定位时间片频繁出现的历史定位数据,并将多个历史定位数据进行融合,成为一个轨迹。
通过上述内容还可知,历史轨迹估计数据中缺少15时的历史定位数据,为了确定缺失定位时间片15时的历史定位数据,首先确定其它历史定位时间片对应的定位数据的嵌入信息,具体的,通过嵌入的方法分别确定各历史轨迹估计数据的时间嵌入信息以及空间嵌入信息,并通过时间嵌入信息以及空间嵌入信息确定各历史轨迹估计数据的嵌入信息。
通过历史编码器确定各历史轨迹估计数据的嵌入信息的历史编码向量,并给予自注意力机制,学习各历史编码向量对缺失定位时间片15时的历史定位数据的时空相关性,得到缺失定位时间片15时的历史定位数据。
当前已获取了历史编码向量以及目标时间段内的一次补齐后的各定位数据的编码向量,当前缺失定位时间片为11时和16时,则基于自注意力机制,学习各历史编码向量、补齐后的编码向量对各缺失定位时间片的影响权重,并根据影响权重确定各定位估计数据的向量表征,通过解码器将该向量表征表示为定位估计数据。
通过本申请实施例中的方法,能够准确的得到各缺失定位数据的定位估计数据。
步骤S303,根据每个定位时间片的每个定位数据以及每个缺失定位时间片对应的定位估计数据获得目标对象的目标轨迹数据。
在本申请实施例中,在获取到目标对象的目标轨迹数据后,可以根据目标轨迹数据形成目标轨迹,通过分析目标轨迹可以对目标对象进行LBS服务,例如向目标对象推荐行车路线附近的商场,向目标对象推荐行车路线附近的美食等,或者通过目标对象的目标轨迹数据对目标对象进行行车规划等。
基于相同的技术构思,本申请实施例提供了一种轨迹数据处理装置700,如图7所示,包括:
待处理轨迹数据获取单元701,用于获得目标对象在目标时间段内的待处理轨迹数据,所述待处理轨迹数据包括目标对象在所述目标时间段内的至少一个定位数据,以及每个定位数据对应的定位时间片;
定位估计数据确定单元702,用于从所述目标对象在目标时间段的历史轨迹估计数据中,得到所述目标时间段内除各定位时间片外,每个缺失定位时间片对应的定位估计数据,其中所述历史轨迹估计数据是根据目标对象在所述目标时间段内的多个历史轨迹数据之间的时空相关性融合的得到的;
目标轨迹数据确定单元703,用于根据每个定位时间片的每个定位数据以及每个缺失定位时间片对应的定位估计数据获得所述目标对象的目标轨迹数据。
可选的,待处理轨迹数据获取单元701具体用于:
获得目标对象在目标时间段内各已采集定位数据,每个已采集定位数据对应一个第一定位时间片;
对于未采集到定位数据的第二定位时间片,根据与第二定位时间片有时空相关性的已采集定位数据得到第二定位时间片的定位补齐数据,各第一定位时间片的各已采集定位数据以及各第二定位时间片的各定位补齐数据构成所述待处理轨迹数据。
可选的,装置700还包括:
历史轨迹估计数据确定单元704,用于获得目标对象在目标时间段内的多个历史轨迹数据,每个历史轨迹数据包括目标对象在所述目标时间段内的采集到的至少一个第一历史定位数据,以及每个历史定位数据对应的第一历史定位时间片,同一第一历史定位时间片至少对应一个历史定位数据;
针对任一第一历史定位时间片,将该历史定位时间片的满足设定数量要求的多个相同历史定位数据中的一个历史定位数据,作为该历史定位时间片的历史轨迹融合数据;
对于未采集到定位数据的第二历史定位时间片,根据与第二历史定位时间片有时空相关性历史轨迹融合数据得到第二历史定位时间片的定位补齐数据;
根据所述历史轨迹融合数据以及所述第二历史定位时间片的定位补齐数据得到所述历史轨迹估计数据。
可选的,定位估计数据确定单元702具体用于:
根据所述历史轨迹估计数据的时间信息以及空间信息得到所述历史轨迹估计数据的历史编码向量;
根据已训练的编码器确定各定位数据的编码向量,并学习各历史编码向量、各编码向量与各缺失定位时间片对应的定位估计数据之间的时空相关性,并根据各时空相关性确定各定位估计数据的编码向量;
根据已训练的解码器对各定位数据的编码向量以及各定位估计数据的编码向量的向量解析处理过程,确定所述定位估计数据。
可选的,定位估计数据确定单元702具体用于:
根据所述历史轨迹估计数据的时间信息的嵌入信息以及空间信息的嵌入信息确定所述历史轨迹估计数据的嵌入信息;
根据历史编码器将所述历史轨迹估计数据的嵌入信息进行非线性化变化,得到所述历史轨迹估计数据的历史编码向量。
可选的,历史编码器、编码器以及解码器是同时训练得到的。
基于相同的技术构思,本申请实施例提供了一种计算机设备,如图8所示,包括至少一个处理器801,以及与至少一个处理器连接的存储器802,本申请实施例中不限定处理器801与存储器802之间的具体连接介质,图8中处理器801和存储器802之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中,存储器802存储有可被至少一个处理器801执行的指令,至少一个处理器801通过执行存储器802存储的指令,可以执行前述的轨迹数据处理方法中所包括的步骤。
其中,处理器801是计算机设备的控制中心,可以利用各种接口和线路连接终端设备的各个部分,通过运行或执行存储在存储器802内的指令以及调用存储在存储器802内的数据,从而获得客户端地址。可选的,处理器801可包括一个或多个处理单元,处理器801可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、定位目标界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器801中。在一些实施例中,处理器801和存储器802可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器801可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器802作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器802可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器802是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器802还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于相同的技术构思,本申请实施例提供了一种计算机可读存储介质,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行轨迹数据处理方法的步骤。
上述计算机可读存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。

Claims (14)

1.一种轨迹数据处理方法,其特征在于,所述方法包括:
获得目标对象在目标时间段内的待处理轨迹数据,所述待处理轨迹数据包括目标对象在所述目标时间段内的至少一个定位数据,以及每个定位数据对应的定位时间片;
从所述目标对象在目标时间段的历史轨迹估计数据中,得到所述目标时间段内除各定位时间片外,每个缺失定位时间片对应的定位估计数据,其中所述历史轨迹估计数据是根据目标对象在所述目标时间段内的多个历史轨迹数据之间的时空相关性融合的得到的;
根据每个定位时间片的每个定位数据以及每个缺失定位时间片对应的定位估计数据获得所述目标对象的目标轨迹数据。
2.根据权利要求1所述的方法,其特征在于,所述获得目标对象在目标时间段内的待处理轨迹数据,包括:
获得目标对象在目标时间段内各已采集定位数据,每个已采集定位数据对应一个第一定位时间片;
对于未采集到定位数据的第二定位时间片,根据与第二定位时间片有时空相关性的已采集定位数据得到第二定位时间片的定位补齐数据,各第一定位时间片的各已采集定位数据以及各第二定位时间片的各定位补齐数据构成所述待处理轨迹数据。
3.根据权利要求1所述的方法,其特征在于,所述历史轨迹估计数据是根据目标对象在所述目标时间段内的多个历史轨迹数据之间的时空相关性融合的得到的,包括:
获得目标对象在目标时间段内的多个历史轨迹数据,每个历史轨迹数据包括目标对象在所述目标时间段内的采集到的至少一个第一历史定位数据,以及每个历史定位数据对应的第一历史定位时间片,同一第一历史定位时间片至少对应一个历史定位数据;
针对任一第一历史定位时间片,将该历史定位时间片的满足设定数量要求的多个相同历史定位数据中的一个历史定位数据,作为该历史定位时间片的历史轨迹融合数据;
对于未采集到定位数据的第二历史定位时间片,根据与第二历史定位时间片有时空相关性历史轨迹融合数据得到第二历史定位时间片的定位补齐数据;
根据所述历史轨迹融合数据以及所述第二历史定位时间片的定位补齐数据得到所述历史轨迹估计数据。
4.根据权利要求1所述的方法,其特征在于,所述从所述目标对象在目标时间段的历史轨迹估计数据中,得到所述目标时间段内除各定位时间片外,每个缺失定位时间片对应的定位估计数据,包括:
根据所述历史轨迹估计数据的时间信息以及空间信息得到所述历史轨迹估计数据的历史编码向量;
根据已训练的编码器确定各定位数据的编码向量,并学习各历史编码向量、各编码向量与各缺失定位时间片对应的定位估计数据之间的时空相关性,并根据各时空相关性确定各定位估计数据的编码向量;
根据已训练的解码器对各定位数据的编码向量以及各定位估计数据的编码向量的向量解析处理过程,确定所述定位估计数据。
5.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估计数据的时间信息以及空间信息进行信息得到所述历史轨迹估计数据的历史编码向量,包括:
根据所述历史轨迹估计数据的时间信息的嵌入信息以及空间信息的嵌入信息确定所述历史轨迹估计数据的嵌入信息;
根据历史编码器将所述历史轨迹估计数据的嵌入信息进行非线性化变化,得到所述历史轨迹估计数据的历史编码向量。
6.根据权利要求5所述的方法,其特征在于,所述历史编码器、所述编码器以及所述解码器是同时训练得到的。
7.一种轨迹数据处理装置,其特征在于,包括:
待处理轨迹数据获取单元,用于获得目标对象在目标时间段内的待处理轨迹数据,所述待处理轨迹数据包括目标对象在所述目标时间段内的至少一个定位数据,以及每个定位数据对应的定位时间片;
定位估计数据确定单元,用于从所述目标对象在目标时间段的历史轨迹估计数据中,得到所述目标时间段内除各定位时间片外,每个缺失定位时间片对应的定位估计数据,其中所述历史轨迹估计数据是根据目标对象在所述目标时间段内的多个历史轨迹数据之间的时空相关性融合的得到的;
目标轨迹数据确定单元,用于根据每个定位时间片的每个定位数据以及每个缺失定位时间片对应的定位估计数据获得所述目标对象的目标轨迹数据。
8.根据权利要求7所述的装置,其特征在于,所述待处理轨迹数据获取单元具体用于:
获得目标对象在目标时间段内各已采集定位数据,每个已采集定位数据对应一个第一定位时间片;
对于未采集到定位数据的第二定位时间片,根据与第二定位时间片有时空相关性的已采集定位数据得到第二定位时间片的定位补齐数据,各第一定位时间片的各已采集定位数据以及各第二定位时间片的各定位补齐数据构成所述待处理轨迹数据。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
历史轨迹估计数据确定单元,用于获得目标对象在目标时间段内的多个历史轨迹数据,每个历史轨迹数据包括目标对象在所述目标时间段内的采集到的至少一个第一历史定位数据,以及每个历史定位数据对应的第一历史定位时间片,同一第一历史定位时间片至少对应一个历史定位数据;
针对任一第一历史定位时间片,将该历史定位时间片的满足设定数量要求的多个相同历史定位数据中的一个历史定位数据,作为该历史定位时间片的历史轨迹融合数据;
对于未采集到定位数据的第二历史定位时间片,根据与第二历史定位时间片有时空相关性历史轨迹融合数据得到第二历史定位时间片的定位补齐数据;
根据所述历史轨迹融合数据以及所述第二历史定位时间片的定位补齐数据得到所述历史轨迹估计数据。
10.根据权利要求7所述的装置,其特征在于,所述定位估计数据确定单元具体用于:
根据所述历史轨迹估计数据的时间信息以及空间信息得到所述历史轨迹估计数据的历史编码向量;
根据已训练的编码器确定各定位数据的编码向量,并学习各历史编码向量、各编码向量与各缺失定位时间片对应的定位估计数据之间的时空相关性,并根据各时空相关性确定各定位估计数据的编码向量;
根据已训练的解码器对各定位数据的编码向量以及各定位估计数据的编码向量的向量解析处理过程,确定所述定位估计数据。
11.根据权利要求10所述的装置,其特征在于,所述定位估计数据确定单元具体用于:
根据所述历史轨迹估计数据的时间信息的嵌入信息以及空间信息的嵌入信息确定所述历史轨迹估计数据的嵌入信息;
根据历史编码器将所述历史轨迹估计数据的嵌入信息进行非线性化变化,得到所述历史轨迹估计数据的历史编码向量。
12.根据权利要求11所述的装置,其特征在于,所述历史编码器、所述编码器以及所述解码器是同时训练得到的。
13.一种计算机设备,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,其特征在于,所述处理器执行所述程序时实现权利要求1~6任一权利要求所述方法的步骤。
14.一种计算机可读存储介质,其特征在于,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行权利要求1~6任一权利要求所述方法的步骤。
CN202010072626.9A 2020-01-21 2020-01-21 一种轨迹数据处理方法及装置 Active CN111309780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010072626.9A CN111309780B (zh) 2020-01-21 2020-01-21 一种轨迹数据处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010072626.9A CN111309780B (zh) 2020-01-21 2020-01-21 一种轨迹数据处理方法及装置

Publications (2)

Publication Number Publication Date
CN111309780A true CN111309780A (zh) 2020-06-19
CN111309780B CN111309780B (zh) 2023-04-25

Family

ID=71161562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010072626.9A Active CN111309780B (zh) 2020-01-21 2020-01-21 一种轨迹数据处理方法及装置

Country Status (1)

Country Link
CN (1) CN111309780B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476616A (zh) * 2020-06-24 2020-07-31 腾讯科技(深圳)有限公司 轨迹确定方法、装置、电子设备及计算机存储介质
CN111784730A (zh) * 2020-07-01 2020-10-16 杭州海康威视数字技术股份有限公司 一种对象跟踪方法、装置、电子设备及存储介质
CN112002030A (zh) * 2020-08-31 2020-11-27 浙江知水信息技术有限公司 一种完善巡查人员轨迹缺失的方法
CN112533031A (zh) * 2020-11-23 2021-03-19 北京爱笔科技有限公司 轨迹视频推荐方法、装置、计算机设备和存储介质
CN113688278A (zh) * 2021-07-13 2021-11-23 北京旷视科技有限公司 信息处理方法、装置、电子设备和计算机可读介质
CN113850837A (zh) * 2021-11-25 2021-12-28 腾讯科技(深圳)有限公司 视频处理方法、装置、电子设备、存储介质及计算机产品
CN114595427A (zh) * 2022-03-10 2022-06-07 华南理工大学 基于非自回归模型的含缺失值车辆轨迹序列填补修复方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050832A (zh) * 2014-05-23 2014-09-17 北京中交兴路信息科技有限公司 位置信息的补全方法和装置
CN105095617A (zh) * 2014-04-29 2015-11-25 国际商业机器公司 构建对象的目标运动轨迹的缺失部分的方法和设备
CN105371857A (zh) * 2015-10-14 2016-03-02 山东大学 一种基于公交车gnss时空轨迹数据建构路网拓扑的装置及方法
CN105628033A (zh) * 2016-02-26 2016-06-01 广西鑫朗通信技术有限公司 一种基于道路连通关系的地图匹配方法
CN106250515A (zh) * 2016-08-04 2016-12-21 复旦大学 基于历史数据的缺失路径恢复方法
CN107248009A (zh) * 2017-06-05 2017-10-13 亿海蓝(北京)数据技术股份公司 一种基于轨迹语言识别的启发式航线生成方法及装置
JP2018054469A (ja) * 2016-09-29 2018-04-05 Kddi株式会社 移動軌跡の経路を履歴地点で補間して推定するプログラム、装置及び方法
CN108734129A (zh) * 2018-05-21 2018-11-02 上海应用技术大学 手机及车辆定位分析方法及系统
CN109462821A (zh) * 2018-11-19 2019-03-12 东软集团股份有限公司 预测位置的方法、装置、存储介质及电子设备
CN109543996A (zh) * 2018-11-20 2019-03-29 广东机场白云信息科技有限公司 一种基于轨迹行为分析的机场人员工作评估方法
CN109708654A (zh) * 2018-12-29 2019-05-03 百度在线网络技术(北京)有限公司 一种路径规划方法和路径规划系统
CN110427360A (zh) * 2019-06-28 2019-11-08 东软集团股份有限公司 轨迹数据的处理方法、处理装置、处理系统及计算机程序产品

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095617A (zh) * 2014-04-29 2015-11-25 国际商业机器公司 构建对象的目标运动轨迹的缺失部分的方法和设备
CN104050832A (zh) * 2014-05-23 2014-09-17 北京中交兴路信息科技有限公司 位置信息的补全方法和装置
CN105371857A (zh) * 2015-10-14 2016-03-02 山东大学 一种基于公交车gnss时空轨迹数据建构路网拓扑的装置及方法
CN105628033A (zh) * 2016-02-26 2016-06-01 广西鑫朗通信技术有限公司 一种基于道路连通关系的地图匹配方法
CN106250515A (zh) * 2016-08-04 2016-12-21 复旦大学 基于历史数据的缺失路径恢复方法
JP2018054469A (ja) * 2016-09-29 2018-04-05 Kddi株式会社 移動軌跡の経路を履歴地点で補間して推定するプログラム、装置及び方法
CN107248009A (zh) * 2017-06-05 2017-10-13 亿海蓝(北京)数据技术股份公司 一种基于轨迹语言识别的启发式航线生成方法及装置
CN108734129A (zh) * 2018-05-21 2018-11-02 上海应用技术大学 手机及车辆定位分析方法及系统
CN109462821A (zh) * 2018-11-19 2019-03-12 东软集团股份有限公司 预测位置的方法、装置、存储介质及电子设备
CN109543996A (zh) * 2018-11-20 2019-03-29 广东机场白云信息科技有限公司 一种基于轨迹行为分析的机场人员工作评估方法
CN109708654A (zh) * 2018-12-29 2019-05-03 百度在线网络技术(北京)有限公司 一种路径规划方法和路径规划系统
CN110427360A (zh) * 2019-06-28 2019-11-08 东软集团股份有限公司 轨迹数据的处理方法、处理装置、处理系统及计算机程序产品

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GUOYING QIU 等: "TMarkov: LBS Trajectory Prediction for Crowdsourcing Recommendation", 《2018 INTERNATIONAL CONFERENCE ON NETWORKING AND NETWORK APPLICATIONS (NANA)》 *
毛莺池 等: "不确定性车辆路口的轨迹预测", 《计算机科学》 *
阮树斌 等: "基于车牌识别数据的机动车出行轨迹提取算法", 《浙江大学学报(工学版)》 *
马连韬 等: "基于公交车轨迹数据的道路GPS环境友好性评估" *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476616A (zh) * 2020-06-24 2020-07-31 腾讯科技(深圳)有限公司 轨迹确定方法、装置、电子设备及计算机存储介质
CN111784730A (zh) * 2020-07-01 2020-10-16 杭州海康威视数字技术股份有限公司 一种对象跟踪方法、装置、电子设备及存储介质
CN111784730B (zh) * 2020-07-01 2024-05-03 杭州海康威视数字技术股份有限公司 一种对象跟踪方法、装置、电子设备及存储介质
CN112002030A (zh) * 2020-08-31 2020-11-27 浙江知水信息技术有限公司 一种完善巡查人员轨迹缺失的方法
CN112533031A (zh) * 2020-11-23 2021-03-19 北京爱笔科技有限公司 轨迹视频推荐方法、装置、计算机设备和存储介质
CN112533031B (zh) * 2020-11-23 2022-10-04 北京爱笔科技有限公司 轨迹视频推荐方法、装置、计算机设备和存储介质
CN113688278A (zh) * 2021-07-13 2021-11-23 北京旷视科技有限公司 信息处理方法、装置、电子设备和计算机可读介质
CN113850837A (zh) * 2021-11-25 2021-12-28 腾讯科技(深圳)有限公司 视频处理方法、装置、电子设备、存储介质及计算机产品
CN114595427A (zh) * 2022-03-10 2022-06-07 华南理工大学 基于非自回归模型的含缺失值车辆轨迹序列填补修复方法
CN114595427B (zh) * 2022-03-10 2024-06-04 华南理工大学 基于非自回归模型的含缺失值车辆轨迹序列填补修复方法

Also Published As

Publication number Publication date
CN111309780B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN111309780B (zh) 一种轨迹数据处理方法及装置
Liu et al. Dynamic spatial-temporal representation learning for traffic flow prediction
CN111400620B (zh) 基于时空嵌入Self-Attention的用户轨迹位置预测方法
CN112667714B (zh) 基于深度学习的用户画像优化方法、装置及存储介质
CN108319585B (zh) 数据处理方法及装置、电子设备、计算机可读介质
Baggag et al. Learning spatiotemporal latent factors of traffic via regularized tensor factorization: Imputing missing values and forecasting
CN112863180A (zh) 交通速度预测方法、装置、电子设备及计算机可读介质
CN112231580B (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
CN113742572B (zh) 一种数据的推荐方法、装置、电子设备及存储介质
CN111695019A (zh) 一种识别关联账号的方法及装置
CN113779169A (zh) 时空数据流模型自增强方法
Ding et al. Enhance Image-to-Image Generation with LLaVA Prompt and Negative Prompt
CN114896481A (zh) 基于改进lstm和位置跳跃的兴趣点推荐方法
Wu et al. Continual pedestrian trajectory learning with social generative replay
CN114116995B (zh) 基于增强图神经网络的会话推荐方法、系统及介质
Lan et al. Spatio-temporal position-extended and gated-deep network for next POI recommendation
Fatkhulin et al. Analysis of the Basic Image Generation Methods by Neural Networks
Wang et al. Synthesizing human trajectories based on variational point processes
Wu et al. Mining trajectory patterns with point-of-interest and behavior-of-interest
Helala et al. A stream algebra for performance optimization of large scale computer vision pipelines
Zeng et al. BMAM: complete the missing POI in the incomplete trajectory via mask and bidirectional attention model
CN114926655B (zh) 地理与视觉跨模态预训练模型的训练方法、位置确定方法
CN117828193B (zh) 基于多兴趣半联合学习兴趣推荐方法、系统、设备及介质
CN117710777B (zh) 模型训练方法、关键帧抽取方法及装置
Shi et al. Personalized Recommendation Algorithm Based on Trajectory Mining Model in Intelligent Travel Route Planning.

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40023726

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant