CN111310070B - 确定频繁行程的方法、装置、存储介质和电子设备 - Google Patents
确定频繁行程的方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111310070B CN111310070B CN201911328457.4A CN201911328457A CN111310070B CN 111310070 B CN111310070 B CN 111310070B CN 201911328457 A CN201911328457 A CN 201911328457A CN 111310070 B CN111310070 B CN 111310070B
- Authority
- CN
- China
- Prior art keywords
- travel
- stroke
- group
- section
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 147
- 230000002159 abnormal effect Effects 0.000 claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Traffic Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种确定频繁行程的方法、装置、存储介质和电子设备，该方法包括：根据目标对象的第一行程簇包含的多个行程中的目标行程中的每个数据点对应的行程信息，对数据点进行聚类，以获取目标行程对应的包括多个行程段的行程组；根据每个行程段对应的特征向量识别行程组中的异常行程段；将行程组转换为不包含异常行程段的行程组；获取上述多个行程中每个行程对应的特征向量组；根据上述特征向量组，对上述多个行程进行聚类；根据多个行程的聚类结果确定目标对象的频繁行程。能够在识别出行程中的异常行程数据，并得到能够准确表征行程路线的特征向量组后，根据该特征向量组对行程进行聚类，提高行程聚类的准确度，进而提高频繁行程的准确度。
Description
技术领域
本公开涉及智能定位领域，具体地，涉及一种确定频繁行程的方法、装置、存储介质和电子设备。
背景技术
随着可定位智能设备的普及与无线通讯技术的发展，大规模的用户定位数据被采集并持久化保存，形成了海量的行程数据，这些行程数据中蕴藏着丰富的知识，它能反映用户出行的规律，体现交通状况。频繁轨迹挖掘，即对用户的大量的行程数据组成的多个轨迹的重合度进行分析，若能获取单个用户的频繁轨迹，也就是该用户出行的惯走路线，那么在用户出行前就可以获取该路线的路况，帮助用户规避交通拥堵的风险，此外还可以依据该频繁轨迹向用户推荐沿途的美食、休闲及相应的生活服务信息。对于同一频繁轨迹的不同用户，可以进行好友推荐，拼车服务等。频繁轨迹挖掘的过程通常涉及根据用户的行程数据的相似度对相似的行程轨迹进行聚类的过程。
发明内容
为克服相关技术中存在的问题，本公开的目的是提供一种确定频繁行程的的方法、装置、存储介质和电子设备。
为了实现上述目的，根据本公开实施例的第一方面，提供一种确定频繁行程的方法，所述方法包括：
根据目标行程中的每个数据点对应的行程信息，对所述目标行程中的多个数据点进行聚类，以获取所述目标行程对应的第一行程组，所述第一行程组包括多个行程段，每个所述行程段包括至少两个所述数据点，所述目标行程为目标对象的第一行程簇包含的多个行程中的任一行程；
根据每个所述行程段对应的特征向量识别所述第一行程组中存在的异常行程段，所述特征向量包括处于所述行程段两端的数据点的位置信息；
将所述第一行程组转换为不包含所述异常行程段的第二行程组；
获取所述多个行程中每个行程对应的特征向量组，所述特征向量组包括：所述每个行程对应的第二行程组中的每个行程段对应的特征向量；
根据所述每个行程对应的特征向量组，对所述多个行程进行聚类；
根据所述多个行程的聚类结果确定所述目标对象的频繁行程。
可选的，所述行程信息包括：获取所述每个数据点的时间点，以及，在所述每个数据点对应的时间点所述目标对象所处的地理坐标，所述根据每个所述行程段对应的特征向量识别所述第一行程组中存在的异常行程段，包括：
将每个所述行程段两端的数据点对应的地理坐标作为所述位置信息，以生成所述特征向量；
根据所述特征向量确定每个所述行程段的行程长度，以及，每两个相邻的所述行程段之间的夹角；
根据所述行程长度和所述夹角确定所述异常行程段，所述异常行程段包括：第一异常行程段和第二异常行程段，其中，所述第一异常行程段的行程长度小于预设长度，所述第二异常行程段与相邻行程段之间的夹角小于预设夹角。
可选的，所述将所述第一行程组转换为不包含所述异常行程段的第二行程组，包括：
从所述第一行程组中删除所述第一异常行程段，以生成第三行程组；
将所述第三行程组中每两个相邻的所述第二异常行程段合并为同一行程段，以生成所述第二行程组。
可选的，所述根据所述每个行程对应的特征向量组，对所述多个行程进行聚类，包括：
确定所述特征向量组中包含的特征向量的第一数量；
若所述第一数量大于预设数量，通过预设的降维模型，将所述特征向量组转换为编码特征组，所述编码特征组包含第二数量的编码特征，所述第二数量小于所述预设数量；
将每个所述编码特征组作为预设的第一聚类算法的输入，以获取所述第一聚类算法输出的所述多个行程的聚类结果，所述聚类结果包括多个第二行程簇。
可选的，所述根据所述多个行程的聚类结果确定所述目标对象的频繁行程，包括：
所述根据所述多个行程的聚类结果确定所述目标对象的频繁行程，包括：
从所述多个第二行程簇中确定目标行程簇，其中，所述目标行程簇中包含的行程的数量大于预设数量；
将所述目标行程簇中的行程，作为所述频繁行程。
可选的，所述行程信息包括：获取所述每个数据点的时间点，以及，在所述每个数据点对应的时间点所述目标对象的方位角信息，所述行程段中的数据点以时间顺序排列，所述根据目标行程中的每个数据点对应的行程信息，对所述目标行程中的多个数据点进行聚类，以获取所述目标行程对应的第一行程组，包括：
获取所述每个数据点的排序信息；
生成所述每个数据点对应的二维向量，所述二维向量由所述排序信息和所述方位角信息组成；
通过预设的第二聚类算法根据所述二维向量将所述多个数据点聚类为一个或多个数据点集；
将每个所述数据点集中的数据点作为同一行程段，以获取所述多个行程段。
可选的，在所述根据目标行程中的每个数据点对应的行程信息，对所述目标行程中的多个数据点进行聚类，以获取所述目标行程对应的第一行程组之前，所述方法还包括：
对所述目标对象的多个行程进行聚类，以将所述目标对象的多个行程划分为多个所述第一行程簇，其中，所述第一行程簇中的多个行程具备相同的起点位置和相同的终点位置，并且，所述第一行程簇中的每两个行程之间的长度的差值小于预设长度。
根据本公开实施例的第二方面，提供一种确定频繁行程的装置，所述装置包括：
数据点聚类模块，用于根据目标行程中的每个数据点对应的行程信息，对所述目标行程中的多个数据点进行聚类，以获取所述目标行程对应的第一行程组，所述第一行程组包括多个行程段，每个所述行程段包括至少两个所述数据点，所述目标行程为目标对象的第一行程簇包含的多个行程中的任一行程；
行程段识别模块，用于根据每个所述行程段对应的特征向量识别所述第一行程组中存在的异常行程段，所述特征向量包括处于所述行程段两端的数据点的位置信息；
行程组转换模块，用于将所述第一行程组转换为不包含所述异常行程段的第二行程组；
特征向量组获取模块，用于获取所述多个行程中每个行程对应的特征向量组，所述特征向量组包括：所述每个行程对应的第二行程组中的每个行程段对应的特征向量；
第一行程聚类模块，用于根据所述每个行程对应的特征向量组，对所述多个行程进行聚类；
频繁行程确定模块，用于根据所述多个行程的聚类结果确定所述目标对象的频繁行程。
可选的，所述行程信息包括：获取所述每个数据点的时间点，以及，在所述每个数据点对应的时间点所述目标对象所处的地理坐标，所述行程段识别模块，用于：
将每个所述行程段两端的数据点对应的地理坐标作为所述位置信息，以生成所述特征向量；
根据所述特征向量确定每个所述行程段的行程长度，以及，每两个相邻的所述行程段之间的夹角；
根据所述行程长度和所述夹角确定所述异常行程段，所述异常行程段包括：第一异常行程段和第二异常行程段，其中，所述第一异常行程段的行程长度小于预设长度，所述第二异常行程段与相邻行程段之间的夹角小于预设夹角。
可选的，所述行程组转换模块，用于：
从所述第一行程组中删除所述第一异常行程段，以生成第三行程组；
将所述第三行程组中每两个相邻的所述第二异常行程段合并为同一行程段，以生成所述第二行程组。
可选的，所述第一行程聚类模块，包括：
确定所述特征向量组中包含的特征向量的第一数量；
若所述第一数量大于预设数量，通过预设的降维模型，将所述特征向量组转换为编码特征组，所述编码特征组包含第二数量的编码特征，所述第二数量小于所述预设数量；
将每个所述编码特征组作为预设的第一聚类算法的输入，以获取所述第一聚类算法输出的所述多个行程的聚类结果，所述聚类结果包括多个第二行程簇。
可选的，所述频繁行程确定模块，用于：
从所述多个第二行程簇中确定目标行程簇，其中，所述目标行程簇中包含的行程的数量大于预设数量；
将所述目标行程簇中的行程，作为所述频繁行程。
可选的，所述行程信息包括：获取所述每个数据点的时间点，以及，在所述每个数据点对应的时间点所述目标对象的方位角信息，所述行程段中的数据点以时间顺序排列，所述数据点聚类模块，用于：
获取所述每个数据点的排序信息；
生成所述每个数据点对应的二维向量，所述二维向量由所述排序信息和所述方位角信息组成；
通过预设的第二聚类算法根据所述二维向量将所述多个数据点聚类为一个或多个数据点集；
将每个所述数据点集中的数据点作为同一行程段，以获取所述多个行程段。
可选的，所述装置还包括：
第二行程聚类模块，用于对所述目标对象的多个行程进行聚类，以将所述目标对象的多个行程划分为多个所述第一行程簇，其中，所述第一行程簇中的多个行程具备相同的起点位置和相同的终点位置，并且，所述第一行程簇中的每两个行程之间的长度的差值小于预设长度。
根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本公开实施例第一方面提供的确定频繁行程的方法的步骤。
根据本公开实施例的第四方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开实施例第一方面提供的确定频繁行程的方法的步骤。
通过上述技术方案，本公开能够根据目标行程中的每个数据点对应的行程信息，对该目标行程中的多个数据点进行聚类，以获取该目标行程对应的第一行程组，该第一行程组包括多个行程段，每个该行程段包括至少两个该数据点，该目标行程为目标对象的第一行程簇包含的多个行程中的任一行程；根据每个该行程段对应的特征向量识别该第一行程组中存在的异常行程段，该特征向量包括处于该行程段两端的数据点的位置信息；将该第一行程组转换为不包含该异常行程段的第二行程组；获取上述多个行程中每个行程对应的特征向量组，该特征向量组包括：上述每个行程对应的第二行程组中的每个行程段对应的特征向量；根据上述每个行程对应的特征向量组，对上述多个行程进行聚类；根据所述多个行程的聚类结果确定所述目标对象的频繁行程。能够在识别出车辆行程中的异常行程数据，并得到能够准确表征行程路线的特征向量组后，根据该特征向量组对行程进行聚类，提高行程聚类的准确度，进而提高基于行程聚类确定的频繁行程的准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种确定频繁行程的方法的流程图；
图2是根据图1所示实施例示出的一种识别异常行程段方法的流程图；
图3是根据图2所示实施例示出的一种行程段转换方法的流程图；
图4是根据图1所示实施例示出的一种确定频繁行程的方法的流程图；
图5是根据图4所示实施例示出的一种频繁行程确定方法的流程图；
图6是根据图1所示实施例示出的一种行程数据点聚类方法的流程图；
图7是根据图1所示实施例示出的另一种确定频繁行程的方法的流程图；
图8是根据一示例性实施例示出的一种确定频繁行程的装置的框图；
图9是根据图7所示实施例示出的另一种确定频繁行程的装置的框图；
图10是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在确定频繁行程轨迹的相关技术中，通常采用提取行程轨迹中的特殊位置(包括：起点、终点和拐点等)作为该行程轨迹的特征点进行相似度比较或者聚类分析，从而得到频繁行程轨迹。然而，在实际的应用环境中，获取的定位数据中通常存在异常的噪声点，这使得在行程轨迹中提取特殊位置时出现误判。特别是，当用户出行路线中出现特殊路况时，采集到的行程数据会出现异常，导致对行程轨迹中的转弯点的误判，影响行程聚类的准确度，进而影响根据行程聚类结果确定的频繁行程的准确度。
图1是根据一示例性实施例示出的一种确定频繁行程的方法的流程图，如图1所示，该方法包括：
步骤101，根据目标行程中的每个数据点对应的行程信息，对该目标行程中的多个数据点进行聚类，以获取该目标行程对应的第一行程组。
其中，该第一行程组包括多个行程段，每个该行程段包括至少两个该数据点，该目标行程为目标对象的第一行程簇包含的多个行程中的任一行程。在本公开实施例中，该第一行程簇可以为目标对象在某一时间段内的所有行程组成的行程簇，或者，通过其他聚类方式该目标对象进行聚类后形成多个行程簇中的某一个行程簇。
示例地，本公开提供的确定频繁行程的方法可以应用于用户通过多种交通工具(包括步行)出行的行程的聚类。例如，当用户步行出行时，该目标对象为用户本身，该确定频繁行程的方法可以应用于用户随身携带的手机或者可穿戴设备等，或者，当用户驾驶车辆出行时，该目标对象可以为车辆，该确定频繁行程的方法可以应用于车辆中设置的导航设备或者多媒体设备或者用户随身携带的手机或者可穿戴设备等。本公开实施例以车辆的确定频繁行程的过程为例，对该确定频繁行程的方法进行说明。
示例地，该目标对象为车辆，该行程为由以时间顺序排列的多个数据点组成的行车轨迹，其中包含车辆行驶的起点、终点和拐点。该行车轨迹中的每个数据点为一个数据向量，该数据向量可以表示为三维数据向量(A，B， C)，其中，A为获取到信息B和信息C的时间点，信息B可以为该目标对象在时间点A所处的地理坐标(该地理坐标可以为经纬度坐标)，信息C可以为在时间点A该目标对象的方位角(表示车辆的行驶方向)。将上述的多个数据点以时间顺序排列，即可以得到车辆的一条行车轨迹，从车辆行驶的起点到终点的行车轨迹即为一个行程。
示例地，在该步骤101中，将多个数据点进行聚类，同时保持该行程中的所有的数据点的顺序不变，相当于把一段完整的行程划分为多段(即多个行程段)。为了方便表述，在本公开实施例中将划分出的多个行程段称为一个行程组。如上所述，每个该行程段包括至少两个数据点，其含义为，划分出的每个行程段都至少包含两个端点(该端点也为数据点)，两个端点中间还可能包含一个或多个数据点。在本公开的一实施例中，该行程信息涉及到车辆行驶的方位角，因此，优选地，每个行程段的两个端点都为该行程中的拐点，即，车辆在该拐点对应的时间点发生了较大角度的转向行驶行为。
步骤102，根据每个该行程段对应的特征向量识别该第一行程组中存在的异常行程段。
其中，该特征向量包括处于该行程段两端的数据点的位置信息。
步骤103，将该第一行程组转换为不包含该异常行程段的第二行程组。
示例地，结合上述行程中的拐点的概念，在理想的情况下，划分出的多个行程段可以完整地表示车辆在整个行驶过程中具体的该行驶轨迹，即，每个行程段的两个端点之间的数据点表示车辆在某个时间段在某个区域保持直线行驶，每个行程段的两个端点表征车辆在某个时间点在某个位置出现了某个角度的转向行驶行为。但是，由于聚类算法精确度较低，数据点中的噪声点，或者行车过程中的路况较为复杂等问题，划分出的行程段会出现不能完整地表示车辆在某个阶段的动向的行程段的情况，例如，数据点中出现影响聚类结果的异常值(或称噪声点)；或者，两个行程段之间夹角过大，这可能意味着作为两个行程段之间的端点的数据点被错误的标注为拐点，上述的异常情况都会体现在划分好的行程段中，进而产生异常行程段。在步骤102 中，可以对行程段本身的特性进行数据化，生成特征向量，再根据这些特征向量对其中的异常行程段进行识别。之后，可以在该步骤103中对识别出的异常行程段进行处理，进而得到不包含异常行程段的，能够完整地表示车辆在整个行驶过程中具体的该行驶轨迹的多个行程段(即上述的第二行程组)。
步骤104，获取上述多个行程中每个行程对应的特征向量组。
其中，该特征向量组包括：上述每个行程对应的第二行程组中的每个行程段对应的特征向量。
步骤105，根据上述每个行程对应的特征向量组，对上述多个行程进行聚类。
示例地，在针对于将车辆对应的第一行程簇中的所有行程执行上述步骤 101至103之后，该行程簇中的所有行程都对应有第二行程组。将该第二行程组中的每个行程段对应的特征向量提取出来，即可得到每个行程对应的特征向量组，而该特征向量组之间的相似度等同于行程之间的相似度。如此，就可以通过预设的聚类算法对上述多个行程进行聚类。
步骤106，根据上述多个行程的聚类结果确定该目标对象的频繁行程。
示例地，该聚类结果即为最终输出的行程聚类结果，每一类簇中的每个编码特征组对应的行程即为相似行程。如此，可以将每一个特征向量组的类簇作为一个行程簇(可称为第二行程簇)，其中包含的行程数量大于预设数量的一个或多个第二行程簇中的相似行程即为该目标对象的频繁行程。
综上所述，本公开能够根据目标行程中的每个数据点对应的行程信息，对该目标行程中的多个数据点进行聚类，以获取该目标行程对应的第一行程组，该第一行程组包括多个行程段，每个该行程段包括至少两个该数据点，该目标行程为目标对象的第一行程簇包含的多个行程中的任一行程；根据每个该行程段对应的特征向量识别该第一行程组中存在的异常行程段，该特征向量包括处于该行程段两端的数据点的位置信息；将该第一行程组转换为不包含该异常行程段的第二行程组；获取上述多个行程中每个行程对应的特征向量组，该特征向量组包括：上述每个行程对应的第二行程组中的每个行程段对应的特征向量；根据上述每个行程对应的特征向量组，对上述多个行程进行聚类；根据上述多个行程的聚类结果确定该目标对象的频繁行程。能够在识别出车辆行程中的异常行程数据，并得到能够准确表征行程路线的特征向量组后，根据该特征向量组对行程进行聚类，提高行程聚类的准确度，进而提高基于行程聚类确定的频繁行程的准确度。
图2是根据图1所示实施例示出的一种识别异常行程段方法的流程图，如图2所示，该行程信息包括：获取上述每个数据点的时间点，以及，在上述每个数据点对应的时间点该目标对象所处的地理坐标，该步骤102可以包括：
步骤1021，将每个该行程段两端的数据点对应的地理坐标作为该位置信息，以生成该特征向量。
步骤1022，根据该特征向量确定每个该行程段的行程长度，以及，每两个相邻的该行程段之间的夹角。
示例地，针对于任一行程段P，该行程段P的两端的数据点的地理坐标 (例如，经纬度坐标)可以表示为Ps(lngs,lats)和Pe(lnge,late)，其中，lng 是Longtitude的简写，表示经度，lat是Latitude的简写，表示纬度。在确定两端的数据点的经纬度坐标后，可以将两个数据点的经纬度坐标和现有的平面向量的模计算公式，计算该特征向量的模，该模为两个坐标点组成的线段的长度，亦即该行程段的行程长度。另外，在步骤1022中还需要计算两个行程段之间的夹角。具体地，针对于每个行程段，可以通过行程段的两端的数据点的坐标和现有的平面向量斜率计算公式，确定每个行程段对应的特征向量在经纬度坐标系中的斜率，进而根据斜率确定该特征向量的方向角(即该行程段的行驶方向角)，再计算相邻两个行程段的行驶方向角的差，作为相邻两个行程段的夹角。
步骤1023，根据该行程长度和该夹角确定该异常行程段。
其中，该异常行程段包括：第一异常行程段和第二异常行程段，其中，该第一异常行程段的行程长度小于预设长度，该第二异常行程段与相邻行程段之间的夹角小于预设夹角。
示例地，若行程段的行程长度过短，可以认为行程段中存在异常值，该异常值导致了该行程段的产生，该行程段即被认定为该第一异常行程段。例如，车辆在行驶过程中为了绕开前方的小型障碍物进行了大幅度的变向，之后立刻回到原来的方向，在这个过程中通过拐点确定的行程段也许只有几米，因此，可以认为该过程所产生的行程数据是异常值，不能反映车辆实际的行驶方向。另外，若两个行程段的行驶方向的夹角过小，可以认为某一异常值导致了某一完整的特征的分离，即将两个行程段之间的端点作为拐点的判断是错误的，进而导致了两个相邻的异常行程段的产生，这两个相邻的行程段即被认定为两个第二异常行程段。例如，车辆在行驶过程中为了变道超车进行了变向，该变向过程很可能被误判为一个拐点，但实际上车辆在变道前后的行驶方向在大体上是相同的，因此，可以认为一个完整的行程段被误判为两个行程段，不能反映车辆实际的行驶方向。其中，预设长度和预设夹角可以根据实际的路况和交通工具的种类结合城市的道路设计规范进行设置。
图3是根据图2所示实施例示出的一种行程段转换方法的流程图，如图 3所示，该步骤103可以包括：
步骤1031，从该第一行程组中删除该第一异常行程段，以生成第三行程组。
步骤1032，将该第三行程组中每两个相邻的该第二异常行程段合并为同一行程段，以生成该第二行程组。
示例地，为了消除异常行程段对确定频繁行程的的影响，同时也为了精简确定频繁行程的时特征向量的维数，需要对第一行程组中异常行程段进行处理。首先，可以直接将其中的第一异常行程段删除，由于第一异常行程段的行程长度较短(小于预设长度)，因此不会对行程的完整性产生影响。其次，针对于两个相邻的该第二异常行程段，可以将两个相邻的该第二异常行程段合并为同一个行程段。具体地，可以通过删除前一个第二异常行程段的尾端端点和后一个第二异常行程段的前端端点，再将剩余的前一个第二异常行程段的前端端点和后一个第二异常行程段的尾端端点合并为同一特征向量，即可得到合并后的行程段。可以理解的是，在实际的执行过程中，可以不对上述步骤1031和1032的执行顺序进行限定。
图4是根据图1所示实施例示出的一种确定频繁行程的方法的流程图，如图4所示，上述步骤105可以包括：
步骤1051，确定该特征向量组中包含的特征向量的第一数量。
步骤1052，若该第一数量大于预设数量，通过预设的降维模型，将该特征向量组转换为编码特征组。
其中，该编码特征组包含第二数量的编码特征，该第二数量小于该预设数量。
步骤1053，将每个该编码特征组作为预设的第一聚类算法的输入，以获取该第一聚类算法输出的上述多个行程的聚类结果。
示例地，在步骤105中，可以将多个特征向量组作为该第一聚类算法的输入，以获取该第一聚类算法输出的上述多个行程的聚类结果。但是，在一种应用场景中，每个特征向量组中包含的特征维度较高，不利于接下来的聚类分析，因此需要对高维度特征进行降维处理。具体地，可以根据预设的特征向量的数量确定该特征向量组是否维度过高。若确定该特征向量组的维度过高，则需要通过该降维模型对该特征向量组进行降维。该降维模型是可以为预先训练好的通过神经网络构造出的自编码器，将每个该特征向量组输入该自编码器即可得到每个特征向量组对应的编码特征组，该编码特征组的维度小于其对应的特征向量组的维度。而后，可以继续对该编码特征组进行聚类分析，该第一聚类算法可以为DBSCAN聚类算法(一种基于密度的聚类算法，全称Density-Based Spatial Clustering ofApplications with Noise)。
图5是根据图1所示实施例示出的一种频繁行程确定方法的流程图，如图5所示，上述步骤106可以包括：
步骤1061，从上述多个第二行程簇中确定目标行程簇。
其中，该目标行程簇中包含的行程的数量大于预设数量；
步骤1062，将该目标行程簇中的行程，作为该频繁行程。
示例地，处于相同的行程簇的行程可以理解为基本相同的行程，因此，若一个第二行程簇中包含的行程较多(多于预设数量)，可以认为该第二行程簇中的行程是目标对象经常行驶的路线，即频繁行程。
图6是根据图1所示实施例示出的一种行程数据点聚类方法的流程图，如图6所示，该行程信息包括：获取上述每个数据点的时间点，以及，在上述每个数据点对应的时间点该目标对象的方位角信息，上述步骤101可以包括：
步骤1011，获取上述每个数据点的排序信息。
步骤1012，生成上述每个数据点对应的二维向量。
其中，该二维向量由该排序信息和该方位角信息组成。
示例地，如上所述，每个行程中的数据点都是以时间顺序排列的，因此，上述步骤101中划分数据段的过程即为对行程中的数据点进行聚类的过程。在聚类之前需要提取每个数据点对应的有效的行程信息。在本公开实施例中，行程段划分的依据为是否出现拐点，因此，该有效的行程信息中包含车辆在每个时间点的方位角。在步骤1012中，可以通过(基于数据点以时间顺序排列的基本组成原则的)数据点的排序信息和(能够体现车辆行驶的方向的) 的方位角信息组成上述每个数据点对应的二维向量。
步骤1013，通过预设的第二聚类算法根据该二维向量将上述多个数据点聚类为一个或多个数据点集。
步骤1014，将每个该数据点集中的数据点作为同一行程段，以获取上述多个行程段。
示例地，可以通过该第二聚类算法实现上述多个数据点对应的二维向量的聚类。具体地，该第二聚类算法可以为DBSCAN聚类算法，该聚类算法所使用的距离(或称两个数据点之间的相似度)可以采用曼哈顿距离(或者欧氏距离)。而具体的距离计算公式可以根据两个数据点之间的方位角的差来确定，具体地，若两个数据点之间的方位角差小于180°，该距离计算公式可以表示为|Im-In|+|Dm-Dn|；若两个数据点之间的方位角差大于180°，该距离计算公式可以表示为|Im-In|+360-|Dm-Dn|，其中，Im为第一数据点的排序信息，In为第二数据点的排序信息，Dm为第一数据点的方位角，Dn 为第二数据点的方位角，第一数据点和第二数据点为上述多个数据点中的任意两个数据点。在步骤1013后，可以获取聚类好的多个数据点集，将每个数据点集中的数据点以时间顺序排列，即可获取到一个行程段，进而实现对一个行程的分段。
图7是根据图1所示实施例示出的另一种确定频繁行程的方法的流程图，如图7所示，在上述步骤101之前，上述方法还可以包括：
步骤107，对该目标对象的多个行程进行聚类，以将该目标对象的多个行程划分为多个该第一行程簇。
其中，该第一行程簇中的多个行程具备相同的起点位置和相同的终点位置，并且，该第一行程簇中的每两个行程之间的长度的差值小于预设长度。
示例地，在上述步骤101之前，可以对单一车辆的所有行程进行一次较为简易的聚类，进一步增加该确定频繁行程的方法的准确性。具体地，该步骤106可以包括：第一步：根据车辆的所有行程的起点和终点进行行程的聚类，即将起点与终点相同的行程聚合在一起，以获得多个第三行程簇。第二步：针对于每个第三行程簇中的所有行程，根据每个行程的行程总长度进行再一次的行程聚类，将第三行程簇中行程总长度之差不超过某一阈值的行程聚合在一起，进而得到多个该第一行程簇。可以理解的是，上述的第一步和第二步可以通过统一聚类算法同时实现，或者，通过不同的算法依次分别实现。
综上所述，本公开能够根据目标行程中的每个数据点对应的行程信息，对该目标行程中的多个数据点进行聚类，以获取该目标行程对应的第一行程组，该第一行程组包括多个行程段，每个该行程段包括至少两个该数据点，该目标行程为目标对象的第一行程簇包含的多个行程中的任一行程；根据每个该行程段对应的特征向量识别该第一行程组中存在的异常行程段，该特征向量包括处于该行程段两端的数据点的位置信息；将该第一行程组转换为不包含该异常行程段的第二行程组；获取上述多个行程中每个行程对应的特征向量组，该特征向量组包括：上述每个行程对应的第二行程组中的每个行程段对应的特征向量；根据上述每个行程对应的特征向量组，对上述多个行程进行聚类，对上述多个行程进行聚类；根据上述多个行程的聚类结果确定该目标对象的频繁行程。能够在识别出车辆行程中的异常行程数据，并得到能够准确表征行程路线的特征向量组后，根据降维后的特征向量组对行程进行聚类，在减小聚类的计算复杂度的同时，提高行程聚类的准确度，进而提高基于行程聚类确定的频繁行程的准确度。
图8是根据一示例性实施例示出的一种确定频繁行程的装置的框图，如图8所示，该装置800包括：
数据点聚类模块810，用于根据目标行程中的每个数据点对应的行程信息，对该目标行程中的多个数据点进行聚类，以获取该目标行程对应的第一行程组，该第一行程组包括多个行程段，每个该行程段包括至少两个该数据点，该目标行程为目标对象的第一行程簇包含的多个行程中的任一行程；
行程段识别模块820，用于根据每个该行程段对应的特征向量识别该第一行程组中存在的异常行程段，该特征向量包括处于该行程段两端的数据点的位置信息；
行程组转换模块830，用于将该第一行程组转换为不包含该异常行程段的第二行程组；
特征向量组获取模块840，用于获取上述多个行程中每个行程对应的特征向量组，该特征向量组包括：上述每个行程对应的第二行程组中的每个行程段对应的特征向量；
第一行程聚类模块850，用于根据上述每个行程对应的特征向量组，对上述多个行程进行聚类；
频繁行程确定模块860，用于根据上述多个行程的聚类结果确定该目标对象的频繁行程。
可选的，该行程信息包括：获取上述每个数据点的时间点，以及，在上述每个数据点对应的时间点该目标对象所处的地理坐标，该行程段识别模块 820，用于：
将每个该行程段两端的数据点对应的地理坐标作为该位置信息，以生成该特征向量；
根据该特征向量确定每个该行程段的行程长度，以及，每两个相邻的该行程段之间的夹角；
根据该行程长度和该夹角确定该异常行程段，该异常行程段包括：第一异常行程段和第二异常行程段，其中，该第一异常行程段的行程长度小于预设长度，该第二异常行程段与相邻行程段之间的夹角小于预设夹角。
可选的，该行程组转换模块830，用于：
从该第一行程组中删除该第一异常行程段，以生成第三行程组；
将该第三行程组中每两个相邻的该第二异常行程段合并为同一行程段，以生成该第二行程组。
可选的，该第一行程聚类模块850，包括：
确定该特征向量组中包含的特征向量的第一数量；
若该第一数量大于预设数量，通过预设的降维模型，将该特征向量组转换为编码特征组，该编码特征组包含第二数量的编码特征，该第二数量小于该预设数量；
将每个该编码特征组作为预设的第一聚类算法的输入，以获取该第一聚类算法输出的上述多个行程的聚类结果。
可选的，该频繁行程确定模块860，用于：
从上述多个第二行程簇中确定目标行程簇，其中，该目标行程簇中包含的行程的数量大于预设数量；
将该目标行程簇中的行程，作为该频繁行程。
可选的，该行程信息包括：获取上述每个数据点的时间点，以及，在上述每个数据点对应的时间点该目标对象的方位角信息，该行程段中的数据点以时间顺序排列，该数据点聚类模块810，用于：
获取上述每个数据点的排序信息；
生成上述每个数据点对应的二维向量，该二维向量由该排序信息和该方位角信息组成；
通过预设的第二聚类算法根据该二维向量将上述多个数据点聚类为一个或多个数据点集；
将每个该数据点集中的数据点作为同一行程段，以获取上述多个行程段。
图9是根据图9所示实施例示出的另一种确定频繁行程的装置的框图，如图9所示，该装置700还包括：
第二行程聚类模块870，用于对该目标对象的多个行程进行聚类，以将该目标对象的多个行程划分为多个该第一行程簇，其中，该第一行程簇中的多个行程具备相同的起点位置和相同的终点位置，并且，该第一行程簇中的每两个行程之间的长度的差值小于预设长度。
综上所述，本公开能够根据目标行程中的每个数据点对应的行程信息，对该目标行程中的多个数据点进行聚类，以获取该目标行程对应的第一行程组，该第一行程组包括多个行程段，每个该行程段包括至少两个该数据点，该目标行程为目标对象的第一行程簇包含的多个行程中的任一行程；根据每个该行程段对应的特征向量识别该第一行程组中存在的异常行程段，该特征向量包括处于该行程段两端的数据点的位置信息；将该第一行程组转换为不包含该异常行程段的第二行程组；获取上述多个行程中每个行程对应的特征向量组，该特征向量组包括：上述每个行程对应的第二行程组中的每个行程段对应的特征向量；根据上述每个行程对应的特征向量组，对上述多个行程进行聚类，对上述多个行程进行聚类；根据上述多个行程的聚类结果确定该目标对象的频繁行程。能够在识别出车辆行程中的异常行程数据，并得到能够准确表征行程路线的特征向量组后，根据降维后的特征向量组对行程进行聚类，在减小聚类的计算复杂度的同时，提高行程聚类的准确度，进而提高基于行程聚类确定的频繁行程的准确度。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图10是根据一示例性实施例示出的一种电子设备1000的框图。如图10 所示，该电子设备1000可以包括：处理器1001，存储器1002，多媒体组件 1003，输入/输出(I/O)接口1004，以及通信组件1005。
其中，处理器1001用于控制该电子设备1000的整体操作，以完成上述的确定频繁行程的方法中的全部或部分步骤。存储器1002用于存储各种类型的数据以支持在该电子设备1000的操作，这些数据例如可以包括用于在该电子设备1000上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器 1002可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件1003可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1002或通过通信组件 1005发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口 1004为处理器1001和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件 1005用于该电子设备1000与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearField Communication，简称NFC)，2G、 3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件1005可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备1000可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器 (DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的确定频繁行程的方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，例如包括程序指令的存储器1002，上述程序指令可由电子设备1000 的处理器1001执行以完成上述的确定频繁行程的方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，本领域技术人员在考虑说明书及实践本公开后，容易想到本公开的其它实施方案，均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。同时本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。本公开并不局限于上面已经描述出的精确结构，本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种确定频繁行程的方法，其特征在于，所述方法包括：
根据目标行程中的每个数据点对应的行程信息，对所述目标行程中的多个数据点进行聚类，以获取所述目标行程对应的第一行程组，所述第一行程组包括多个行程段，每个所述行程段包括至少两个所述数据点，所述目标行程为目标对象的第一行程簇包含的多个行程中的任一行程；
根据每个所述行程段对应的特征向量识别所述第一行程组中存在的异常行程段，所述特征向量包括处于所述行程段两端的数据点的位置信息，所述异常行程段包括：第一异常行程段和第二异常行程段，其中，所述第一异常行程段的行程长度小于预设长度，所述第二异常行程段与相邻行程段之间的夹角小于预设夹角，所述预设长度和所述预设夹角根据实际的路况、交通工具的种类，结合城市的道路设计规范进行设置；
将所述第一行程组转换为不包含所述异常行程段的第二行程组；
获取所述多个行程中每个行程对应的特征向量组，所述特征向量组包括：所述每个行程对应的第二行程组中的每个行程段对应的特征向量；
根据所述每个行程对应的特征向量组，对所述多个行程进行聚类；
根据所述多个行程的聚类结果确定所述目标对象的频繁行程。
2.根据权利要求1所述的方法，其特征在于，所述行程信息包括：获取所述每个数据点的时间点，以及，在所述每个数据点对应的时间点所述目标对象所处的地理坐标，所述根据每个所述行程段对应的特征向量识别所述第一行程组中存在的异常行程段，包括：
将每个所述行程段两端的数据点对应的地理坐标作为所述位置信息，以生成所述特征向量；
根据所述特征向量确定每个所述行程段的行程长度，以及，每两个相邻的所述行程段之间的夹角；
根据所述行程长度和所述夹角确定所述异常行程段。
3.根据权利要求2所述的方法，其特征在于，所述将所述第一行程组转换为不包含所述异常行程段的第二行程组，包括：
从所述第一行程组中删除所述第一异常行程段，以生成第三行程组；
将所述第三行程组中每两个相邻的所述第二异常行程段合并为同一行程段，以生成所述第二行程组。
4.根据权利要求1所述的方法，其特征在于，所述根据所述每个行程对应的特征向量组，对所述多个行程进行聚类，包括：
确定所述特征向量组中包含的特征向量的第一数量；
若所述第一数量大于预设数量，通过预设的降维模型，将所述特征向量组转换为编码特征组，所述编码特征组包含第二数量的编码特征，所述第二数量小于所述预设数量；
将每个所述编码特征组作为预设的第一聚类算法的输入，以获取所述第一聚类算法输出的所述多个行程的聚类结果，所述聚类结果包括多个第二行程簇。
5.根据权利要求4所述的方法，其特征在于，所述根据所述多个行程的聚类结果确定所述目标对象的频繁行程，包括：
从所述多个第二行程簇中确定目标行程簇，其中，所述目标行程簇中包含的行程的数量大于预设数量；
将所述目标行程簇中的行程，作为所述频繁行程。
6.根据权利要求1所述的方法，其特征在于，所述行程信息包括：获取所述每个数据点的时间点，以及，在所述每个数据点对应的时间点所述目标对象的方位角信息，所述行程段中的数据点以时间顺序排列，所述根据目标行程中的每个数据点对应的行程信息，对所述目标行程中的多个数据点进行聚类，以获取所述目标行程对应的第一行程组，包括：
获取所述每个数据点的排序信息；
生成所述每个数据点对应的二维向量，所述二维向量由所述排序信息和所述方位角信息组成；
通过预设的第二聚类算法根据所述二维向量将所述多个数据点聚类为一个或多个数据点集；
将每个所述数据点集中的数据点作为同一行程段，以获取所述多个行程段。
7.根据权利要求1所述的方法，其特征在于，在所述根据目标行程中的每个数据点对应的行程信息，对所述目标行程中的多个数据点进行聚类，以获取所述目标行程对应的第一行程组之前，所述方法还包括：
对所述目标对象的多个行程进行聚类，以将所述目标对象的多个行程划分为多个所述第一行程簇，其中，所述第一行程簇中的多个行程具备相同的起点位置和相同的终点位置，并且，所述第一行程簇中的每两个行程之间的长度的差值小于预设长度。
8.一种确定频繁行程的装置，其特征在于，所述装置包括：
数据点聚类模块，用于根据目标行程中的每个数据点对应的行程信息，对所述目标行程中的多个数据点进行聚类，以获取所述目标行程对应的第一行程组，所述第一行程组包括多个行程段，每个所述行程段包括至少两个所述数据点，所述目标行程为目标对象的第一行程簇包含的多个行程中的任一行程；
行程段识别模块，用于根据每个所述行程段对应的特征向量识别所述第一行程组中存在的异常行程段，所述特征向量包括处于所述行程段两端的数据点的位置信息，所述异常行程段包括：第一异常行程段和第二异常行程段，其中，所述第一异常行程段的行程长度小于预设长度，所述第二异常行程段与相邻行程段之间的夹角小于预设夹角，所述预设长度和所述预设夹角根据实际的路况、交通工具的种类，结合城市的道路设计规范进行设置；
行程组转换模块，用于将所述第一行程组转换为不包含所述异常行程段的第二行程组；
特征向量组获取模块，用于获取所述多个行程中每个行程对应的特征向量组，所述特征向量组包括：所述每个行程对应的第二行程组中的每个行程段对应的特征向量；
第一行程聚类模块，用于根据所述每个行程对应的特征向量组，对所述多个行程进行聚类；
频繁行程确定模块，用于根据所述多个行程的聚类结果确定所述目标对象的频繁行程。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911328457.4A CN111310070B (zh) | 2019-12-20 | 2019-12-20 | 确定频繁行程的方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911328457.4A CN111310070B (zh) | 2019-12-20 | 2019-12-20 | 确定频繁行程的方法、装置、存储介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111310070A CN111310070A (zh) | 2020-06-19 |
| CN111310070B true CN111310070B (zh) | 2024-03-08 |
Family
ID=71150722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911328457.4A Active CN111310070B (zh) | 2019-12-20 | 2019-12-20 | 确定频繁行程的方法、装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310070B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011046138A1 (ja) * | 2009-10-14 | 2011-04-21 | 株式会社エヌ・ティ・ティ・ドコモ | 位置情報分析装置および位置情報分析方法 |
| CN103744861A (zh) * | 2013-12-12 | 2014-04-23 | 深圳先进技术研究院 | 一种轨迹数据中的频繁子轨迹查找方法及装置 |
| CN104933863A (zh) * | 2015-06-02 | 2015-09-23 | 福建工程学院 | 一种交通道路中异常路段识别的方法及系统 |
| CN104952248A (zh) * | 2015-06-08 | 2015-09-30 | 浙江大学 | 一种基于欧氏空间的车辆汇聚预测方法 |
| CN106646554A (zh) * | 2016-12-08 | 2017-05-10 | 北京三快在线科技有限公司 | 一种gps定位数据的处理方法及装置，电子设备 |
| CN107133269A (zh) * | 2017-04-01 | 2017-09-05 | 中国人民解放军国防科学技术大学 | 基于移动目标的频繁位置轨迹生成方法及装置 |
| CN109035787A (zh) * | 2018-09-10 | 2018-12-18 | 华南理工大学 | 一种利用移动通信数据识别交通工具类别的方法 |
| CN109034181A (zh) * | 2018-06-05 | 2018-12-18 | 广州杰赛科技股份有限公司 | 移动轨迹的分类方法和装置、设备、存储介质 |
| CN109697221A (zh) * | 2018-11-22 | 2019-04-30 | 东软集团股份有限公司 | 轨迹规律的挖掘方法、装置、存储介质及电子设备 |
| CN109870713A (zh) * | 2019-01-08 | 2019-06-11 | 武汉众智鸿图科技有限公司 | 一种gps轨迹曲线生成方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8855361B2 (en) * | 2010-12-30 | 2014-10-07 | Pelco, Inc. | Scene activity analysis using statistical and semantic features learnt from object trajectory data |
-
2019
- 2019-12-20 CN CN201911328457.4A patent/CN111310070B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011046138A1 (ja) * | 2009-10-14 | 2011-04-21 | 株式会社エヌ・ティ・ティ・ドコモ | 位置情報分析装置および位置情報分析方法 |
| CN103744861A (zh) * | 2013-12-12 | 2014-04-23 | 深圳先进技术研究院 | 一种轨迹数据中的频繁子轨迹查找方法及装置 |
| CN104933863A (zh) * | 2015-06-02 | 2015-09-23 | 福建工程学院 | 一种交通道路中异常路段识别的方法及系统 |
| CN104952248A (zh) * | 2015-06-08 | 2015-09-30 | 浙江大学 | 一种基于欧氏空间的车辆汇聚预测方法 |
| CN106646554A (zh) * | 2016-12-08 | 2017-05-10 | 北京三快在线科技有限公司 | 一种gps定位数据的处理方法及装置，电子设备 |
| CN107133269A (zh) * | 2017-04-01 | 2017-09-05 | 中国人民解放军国防科学技术大学 | 基于移动目标的频繁位置轨迹生成方法及装置 |
| CN109034181A (zh) * | 2018-06-05 | 2018-12-18 | 广州杰赛科技股份有限公司 | 移动轨迹的分类方法和装置、设备、存储介质 |
| CN109035787A (zh) * | 2018-09-10 | 2018-12-18 | 华南理工大学 | 一种利用移动通信数据识别交通工具类别的方法 |
| CN109697221A (zh) * | 2018-11-22 | 2019-04-30 | 东软集团股份有限公司 | 轨迹规律的挖掘方法、装置、存储介质及电子设备 |
| CN109870713A (zh) * | 2019-01-08 | 2019-06-11 | 武汉众智鸿图科技有限公司 | 一种gps轨迹曲线生成方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于新道路发现的GIS地图更新算法;郭森 等;计算机应用;20160910(第09期);第266-269页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111310070A (zh) | 2020-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091708B (zh) | 车辆轨迹预测方法及装置 | |
| CN109697221B (zh) | 轨迹规律的挖掘方法、装置、存储介质及电子设备 | |
| CN107103754B (zh) | 一种道路交通状况预测方法及系统 | |
| KR20200115063A (ko) | 맵 궤적 매칭 데이터의 품질을 결정하는 방법, 장치, 서버 및 매체 | |
| CN108229504B (zh) | 图像解析方法及装置 | |
| CN109739926B (zh) | 一种基于卷积神经网络的移动对象目的地预测方法 | |
| CN108225341B (zh) | 车辆定位方法 | |
| CN105409306A (zh) | 移动终端位置预测方法及装置 | |
| CN110909106B (zh) | 一种轨迹预测方法和系统 | |
| WO2024060558A1 (zh) | 可行域预测方法、装置、系统和存储介质 | |
| CN112885099B (zh) | 用于确定车辆轨迹关键点的方法、装置及设备 | |
| US20220357176A1 (en) | Methods and data processing systems for predicting road attributes | |
| Bastani et al. | Machine-assisted map editing | |
| CN117079242B (zh) | 减速带确定方法、装置、存储介质、电子设备及车辆 | |
| JP2023027250A (ja) | 道路情報更新方法、装置、電子機器、記録媒体及びコンピュータプログラム | |
| CN116467615A (zh) | 车辆轨迹的聚类方法和装置、存储介质和电子装置 | |
| CN111695627A (zh) | 路况检测方法、装置、电子设备及可读存储介质 | |
| CN111597986A (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
| CN111597987A (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
| Yao et al. | Goal-lbp: Goal-based local behavior guided trajectory prediction for autonomous driving | |
| CN116958267B (zh) | 位姿处理方法、装置、电子设备及存储介质 | |
| CN111310070B (zh) | 确定频繁行程的方法、装置、存储介质和电子设备 | |
| CN112990009A (zh) | 基于端到端的车道线检测方法、装置、设备及存储介质 | |
| CN116912661A (zh) | 一种具备域泛化能力的目标轨迹预测方法及系统 | |
| US20160091326A1 (en) | Analysis method and analyzing device |
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 |