CN111540202B - 一种相似卡口确定方法、装置、电子设备及可读存储介质 - Google Patents
一种相似卡口确定方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111540202B CN111540202B CN202010329056.7A CN202010329056A CN111540202B CN 111540202 B CN111540202 B CN 111540202B CN 202010329056 A CN202010329056 A CN 202010329056A CN 111540202 B CN111540202 B CN 111540202B
- Authority
- CN
- China
- Prior art keywords
- bayonet
- road traffic
- traffic network
- bayonets
- network
- 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
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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种相似卡口确定方法、装置、电子设备及可读存储介质,该方法包括:针对道路交通网中的每个卡口,获得从该卡口出发、到道路交通网中其他各个卡口的最小可达路网距离;利用所获得的最小可达路网距离,重新确定道路交通网中的各个卡口的相对位置;识别重新确定相对位置的道路交通网中的各个卡口中的相似卡口。这样,可以基于卡口之间实际的路网情况,更准确地识别出相似卡口,从而得到卡口之间的关联关系。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种相似卡口确定方法、装置、电子设备及可读存储介质。
背景技术
目前,为了便于对道路交通网进行监控,常常会在道路交通网中设置多个卡口。其中,每个卡口可以包括一个或多个摄像头。例如,可以在小区的东南西北四个门各设置一个卡口。
其中,在利用卡口所采集到的数据进行数据分析时,常常无法将具有关联的卡口归类为一个卡口进行分析,从而导致分析结果错误。例如,用户某天从小区的南门进入小区,某天从西门进入该小区。那么,在利用卡口所采集到的数据来分析该用户的运动轨迹时,由于无法把该小区存在关联的四个卡口归类成为一个卡口,因而会基于各个卡口的经纬度分析得到该用户从公司到达两个不同的地方。但实际上,该用户都是从公司回家,这样就导致了分析结果错误。
发明人在实现本发明的过程中发现,由于在经纬度上相近的卡口的实际路网距离可能非常的远,因而无法根据卡口的经纬度距离来准确地确定卡口是否为具有关联的卡口。因此亟需提供一种相似卡口确定方案,以获得相似卡口之间的关联关系。
发明内容
本发明实施例的目的在于提供卡口相似度确定方法、装置、电子设备及可读存储介质,以可以基于卡口之间实际的路网情况,更准确地识别出相似卡口,从而得到卡口之间的关联关系。具体技术方案如下:
第一方面,本发明实施例提供了一种相似卡口确定方法,该方法可以包括:
针对道路交通网中的每个卡口,获得从该卡口出发、到道路交通网中其他各个卡口的最小可达路网距离;
利用所获得的最小可达路网距离,重新确定道路交通网中的各个卡口的相对位置;
识别重新确定相对位置的道路交通网中的各个卡口中的相似卡口。
可选地,利用所获得的最小可达路网距离,重新确定道路交通网中的各个卡口的相对位置,可以包括:
根据所获得的最小可达路网距离,生成道路交通网中的每个卡口对应的、记录有道路交通网中各个卡口新的相对位置关系的二维平面;其中,在一个卡口对应的二维平面中,以该卡口为基准点,基准点到道路交通网中任一卡口的直线距离等于基准点到该任一卡口的最小可达路网距离。
可选地,识别重新确定相对位置的道路交通网中的各个卡口中的相似卡口,可以包括:
对重新确定相对位置之后的道路交通网中的各个卡口进行分类计算;
将道路交通网中属于同一类别的卡口确定为相似卡口。
可选地,对重新确定相对位置之后的道路交通网中的各个卡口进行分类计算,可以包括:
利用预设聚类算法对每个卡口对应的二维平面中记录的点进行聚类,得到该卡口对应的二维平面中基准点所在的簇;
将道路交通网中属于同一类别的卡口确定为相似卡口,包括:
将基准点所在的簇中的各个卡口确定为相似卡口。
可选地,对重新确定相对位置之后的道路交通网中的各个卡口进行分类计算,还可以包括:
针对该卡口对应的二维平面中基准点所在的簇,利用局部异常因子算法计算该簇中各个点的局部异常因子;
相应地,将道路交通网中属于同一类别的卡口确定为相似卡口,还可以包括:
将局部异常因子小于预设阈值的点确定为该簇中的相似点,并将该簇中相似点所对应的卡口确定为相似卡口。
第二方面,本发明实施例还提供了一种相似卡口确定装置,该装置可以包括:
获得模块,用于针对道路交通网中的每个卡口,获得从该卡口出发、到道路交通网中其他各个卡口的最小可达路网距离;
确定模块,用于利用所获得的最小可达路网距离,重新确定道路交通网中的各个卡口的相对位置;
识别模块,用于识别重新确定相对位置的道路交通网中的各个卡口中的相似卡口。
可选地,在本发明实施例中,确定模块可以包括:
生成单元,用于根据所获得的最小可达路网距离,生成道路交通网中的每个卡口对应的、记录有道路交通网中各个卡口新的相对位置关系的二维平面;其中,在一个卡口对应的二维平面中,以该卡口为基准点,基准点到道路交通网中任一卡口的直线距离等于基准点到该任一卡口的最小可达路网距离。
可选地,在本发明实施例中,识别模块可以包括:
计算单元,用于对重新确定相对位置之后的道路交通网中的各个卡口进行分类计算;
确定单元,用于将道路交通网中属于同一类别的卡口确定为相似卡口。
可选地,在本发明实施例中,计算单元具体可以用于:
利用预设聚类算法对每个卡口对应的二维平面中记录的点进行聚类,得到该卡口对应的二维平面中基准点所在的簇;
确定单元具体可以用于:
将基准点所在的簇中的各个卡口确定为相似卡口。
可选地,计算单元还可以用于:
针对该卡口对应的二维平面中基准点所在的簇,利用局部异常因子算法计算该簇中各个点的局部异常因子;
相应地,确定单元具体还可以用于:
将局部异常因子小于预设阈值的点确定为该簇中的相似点,并将该簇中相似点所对应的卡口确定为相似卡口。
第三方面,本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现上述任一相似卡口确定方法的方法步骤。
第四方面,本发明实施例还提供了一种可读存储介质,可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述任一相似卡口确定方法的方法步骤。
第五方面,本发明实施例还提供了一种计算机程序产品,当其在电子设备上运行时,使得电子设备执行:上述任一相似卡口确定方法的方法步骤。
在本发明实施例中,针对道路交通网中的每个卡口,可以获得该卡口到道路交通网中其他各个卡口的最小可达路网距离。然后,可以利用所获得的最小可达路网距离,重新确定道路交通网中的各个卡口的相对位置。之后,可以识别重新确定相对位置的道路交通网中的各个卡口的相似卡口。这样,可以基于道路交通网中卡口之间的最小可达路网距离重新确定各个卡口的相对位置,进而可以根据各个卡口的相对位置来确定相似卡口。该种方案相对于利用经纬度距离识别相似卡口的方案,由于考虑了卡口之间实际的路网情况,识别出的相似卡口准确性更高。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种相似卡口确定方法的流程图。
图2是根据一示例性实施例示出的一种重新确定的道路交通网中的各个卡口的相对位置的示意图。
图3是根据一示例性实施例示出的另一种重新确定的道路交通网中的各个卡口的相对位置的示意图。
图4是根据一示例性实施例示出的一种聚类得到的簇的示意图。
图5是根据一示例性实施例示出的一种相似卡口确定装置的结构示意图。
图6是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面首先对本发明实施例所涉及的相关名词进行说明。
道路交通网,是指在一定区域内,由各种道路组成的相互联络、交织成网状分布的道路系统。该区域可以由本领域技术人员根据实际情况进行确定,在此不做详述。
卡口,是设置在道路交通网中的监控系统。一个卡口可以包括一个或多个摄像头。
聚类,是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。
簇,是指聚类后形成的聚拢结果。
分层聚类,它是研究样品或指标分类问题的一种聚类分析方法,由若干模式组成的。通常,模式是一个度量向量或者是多维空间中的一个点,以相似性为基础。其中,在一个聚类中之间的模式比不在同一聚类中的模式之间具有更多的相似性。
局部异常因子算法,是指对偏离大部分数据的异常数据进行检测的算法。其通过计算局部可达密度来反映一个样本的异常程度,一个样本点的局部异常因子越大,这个点就越有可能是异常点。
卡口归一化,是指将相似度较高的卡口统一对应到一个特定的卡口。
在相关技术中,在利用卡口所采集到的数据进行数据分析时,常常无法将具有关联的卡口归类为一个卡口进行分析,从而导致分析结果错误。例如,用户某天从小区的南门进入小区,某天从西门进入该小区。那么,在利用卡口所采集到的数据来分析该用户的运动轨迹时,由于无法把该小区存在关联的四个卡口归类成为一个卡口,因而会基于各个卡口的经纬度分析得到该用户从公司到达两个不同的地方。但实际上,该用户都是从公司回家,这样就导致了分析结果错误。
发明人在实现本发明的过程中发现,由于在经纬度上相近的卡口的实际路网距离可能非常的远,因而无法根据卡口的经纬度距离来准确地确定卡口是否为具有关联的卡口。
为了解决该技术问题,本发明实施例提供了一种相似卡口确定方法、装置、电子设备及可读存储介质。
下面首先对本发明实施例提供的相似卡口确定方法进行说明。
图1是根据一示例性实施例示出的一种相似卡口确定方法的流程图。参见图1,本发明实施例提供的相似卡口确定方法可以包括如下步骤:
S101:针对道路交通网中的每个卡口,获得从该卡口出发、到道路交通网中其他各个卡口的最小可达路网距离;
S102:利用所获得的最小可达路网距离,重新确定道路交通网中的各个卡口的相对位置;
S103:识别重新确定相对位置的道路交通网中的各个卡口中的相似卡口。
在本发明实施例中,针对道路交通网中的每个卡口,可以获得该卡口到道路交通网中其他各个卡口的最小可达路网距离。然后,可以利用所获得的最小可达路网距离,重新确定道路交通网中的各个卡口的相对位置。之后,可以识别重新确定相对位置的道路交通网中的各个卡口的相似卡口。这样,可以基于道路交通网中卡口之间的最小可达路网距离重新确定各个卡口的相对位置,进而可以根据各个卡口的相对位置来确定相似卡口。该种方案相对于利用经纬度距离识别相似卡口的方案,由于考虑了卡口之间实际的路网情况,识别出的相似卡口准确性更高。
下面将通过具体的实施例,对图1所示的相似卡口确定方法进行详细描述。
S101:针对道路交通网中的每个卡口,获得从该卡口出发、到道路交通网中其他各个卡口的最小可达路网距离;
举例而言,存在道路交通网W,且该道路交通网W中存在卡口A、B和C。那么,针对该道路交通网W中的卡口A,可以确定出从卡口A出发到卡口B的最小可达路网距离、从卡口A出发到卡口C的最小可达路网距离。并且,针对该道路交通网W中的卡口B,可以确定出从卡口B出发到卡口A的最小可达路网距离、从卡口B出发到卡口C的最小可达路网距离。另外,针对该道路交通网W中的卡口C,可以确定从卡口C出发到卡口A的最小可达路网距离和从卡口C出发到卡口B的最小可达路网距离。这样,可以获得道路交通网中的每个卡口到其他各个卡口的最小可达路网距离。
可以理解的是,从一个卡口出发到另一个卡口的可达路网距离是指:从一个卡口沿着道路到另一个卡口的运动轨迹的距离。其中,该运动轨迹可以为直线也可以为折线。当该运动轨迹为直线时,从一个卡口沿着道路到另一个卡口的运动轨迹的距离为直线距离;当该运动轨迹为折线时,从一个卡口沿着道路到另一个卡口的运动轨迹的距离为该折线的各段距离之和。
其中,从一个卡口出发到另一个卡口的可达路网距离是具有方向的,方向即为从一个卡口到另一个卡口。其中,该可达路网距离也可称为向量长度。另外,由于从一个卡口出发到另一个卡口可能存在多条路,因而从一个卡口出发沿着道路到另一个卡口存在最小可达路网距离。
S102:利用所获得的最小可达路网距离,重新确定道路交通网中的各个卡口的相对位置;
其中,可以利用所获得的最小可达路网距离作为该最小可达路网距离对应的卡口之间的直线距离,重新确定道路交通网中的各个卡口的相对位置。
发明人在实现本发明的过程中发现,道路交通网中各个卡口的相对位置是经纬度位置,但是由于在经纬度上相近的卡口的实际距离可能非常的远,因而无法根据卡口的经纬度距离来准确地确定卡口是否为具有关联的卡口。
在本发明实施例中,可以将各个卡口之间的最小可达路网距离作为卡口之间的显性联系,来重新确定道路交通网中各个卡口的相对位置。
举例而言,当道路交通网W中存在卡口A、B和C时,可以利用所获得的从卡口A出发到卡口B的最小可达路网距离、从卡口A出发到卡口C的最小可达路网距离,以及从卡口B出发到卡口C的最小可达路网距离,来重新确定道路交通网中卡口A、B和C的相对位置。具体地,可以得到如图2所示相对位置。其中,图2是根据一示例性实施例示出的一种重新确定的道路交通网中的各个卡口的相对位置的示意图。
其中,步骤S102:利用所获得的最小可达路网距离,重新确定道路交通网中的各个卡口的相对位置,具体可以包括:
根据所获得的最小可达路网距离,生成道路交通网中的每个卡口对应的、记录有道路交通网中各个卡口新的相对位置关系的二维平面;其中,在一个卡口对应的二维平面中,以该卡口为基准点,基准点到道路交通网中任一卡口的直线距离等于基准点到该任一卡口的最小可达路网距离。
举例而言,当道路交通网W中存在卡口A、B和C时,可以利用所获得的从卡口A出发到卡口B的最小可达路网距离、从卡口A出发到卡口C的最小可达路网距离,以及从卡口B出发到卡口C的最小可达路网距离,来生成道路交通网W中的卡口A对应的、记录有道路交通网中各个卡口新的相对位置关系的二维平面。这样,可以基于二维平面来重新确定道路交通网中的各个卡口的相对位置。
图3是根据一示例性实施例示出的另一种重新确定的道路交通网中的各个卡口的相对位置的示意图。参见图3,该二维平面中记录有卡口A所对应的基准点A、卡口B和卡口C。其中,在该二维平面中,从基准点A出发到卡口B的直线距离等于从卡口A出发到卡口B的最小可达路网距离,从基准点A出发到卡口C的直线距离等于从卡口A出发到卡口C的最小可达路网距离。另外,在该二维平面中,关于卡口点B和C的位置关系,可以基于从卡口B出发到卡口C的最小可达路网距离来确定,也可以基于从卡口C出发到卡口B的最小可达路网距离来确定,这都是合理的。
其中,基准点A可以为该二维平面所在坐标系的原点,当然并不局限于此。当基准点A可以为该二维平面所在坐标系的时,在一个示例中,该二维平面中的基准点A的坐标为(0,0),卡口B的坐标为(-1,1),卡口C的坐标为(2,0.5)。
可以理解的是,虽然该二维平面中的点是散列分布的,但是只要点的数据大于等于3个,且点之间的最小可达路网距离是确定的,那么最终形成的散列分布也是确定的。
另外,由于在道路交通网中由于单行线或者其他一些路况原因,从卡口A出发到卡口B的最小可达路网距离和从卡口B出发到卡口A的最小可达路网距离可以是不相等的,那么,在一个二维平面中就无法统一描述所有卡口之间的关系。为了可以描述所有卡口之间的关系,可以针对每一个卡口构建一个二维平面,以通过该二维平面来记录重新确定的该卡口与其他卡口的相对位置关系。
S103:识别重新确定相对位置的道路交通网中的各个卡口中的相似卡口。
其中,在重新确定道路交通网中的各个卡口的相对位置之后,可以基于卡口之间实际的路网情况,来准确识别出相似卡口。
具体地,可以对重新确定相对位置之后的道路交通网中的各个卡口进行分类计算,然后将道路交通网中属于同一类别的卡口确定为相似卡口。
可以理解的是,可以对重新确定相对位置之后的道路交通网中的各个卡口进行分类计算,从而将各个卡口进行分类。其中,在道路交通网中属于同一类别的卡口具有较高的相似性,因而可以将一个分类中卡口确定为相似卡口。
其中,对重新确定相对位置之后的道路交通网中的各个卡口进行分类计算,具体可以为一次聚类计算也可以为多次聚类计算,这都是合理的。其中,多次聚类计算也可以称为分层聚类。
其中,通过预设聚类算法对道路交通网中的各个卡口进行聚类,将会聚类得到包含较多卡口的分类,一个分类为一个簇。例如,当道路交通网中存在2000个卡口时,通过聚类算法可以聚类如图4所示的3个簇:簇1、簇2和簇3。图4是根据一示例性实施例示出的一种聚类得到的簇的示意图。其中,每个簇内存在一个聚类中心,该聚类中心所在区域为簇内的圆形区域。
其中,预设聚类算法可以为K-Means算法(k均值聚类算法),该算法的具体的逻辑过程如下:首先任取k个样本点作为k个簇的初始中心;对每一个样本点,计算它们与k个中心的距离,把它归入距离最小的中心所在的簇;等到所有的样本点归类完毕,重新计算k个簇的中心;重复以上过程直至样本点归入的簇不再变动,得到聚类的k个簇。
在一种实现方式中,在聚类得到簇之后,可以将基准点所在的簇中的各个卡口确定为相似卡口。
由于聚类得到每个簇中包括的卡口数仍然较多,无法较好的获得同一个类中卡口与卡口之间的关联关系。因而在另一种实现方式中,为了获得同一个类中卡口与卡口之间的关联关系,本发明实施例还可以使用机器学习中的局部异常因子算法,计算基准点所在的簇中每个卡口的局部可达密度,进而根据该局部可达密度计算各个卡口的局部异常因子,从而基于该局部异常因子排除异常点,从而可以确定关联关系较强的卡口,即相似性更高的卡口。
其中,局部异常因子算法的具体算法逻辑为:分别以簇中每一点为圆心,计算它到周围其他点的局部可达密度,并计算该圆心的局部异常因子。然后根据局部异常因子排除点,并不断进行迭代运算,直至计算得到满足预设数量的点。可以理解的是,电子设备计算得到的满足预设数量的点为一个分类中的点,即为相似点。其中,可以采用相关技术中的局部可达密度计算公式和定义局部异常因子计算公式进行,在此不对局部可达密度计算公式和定义局部异常因子计算公式进行具体限定。
其中,当一个点到周围的其他点的局部可达密度比较大的时候,说明它与簇中其他点的关系越紧密,反之越不紧密,不紧密就表示偏离簇中心,代表异常,需要被排除。具体地,可以利用所获得的局部可达密度计算该圆心点的局部异常因子,以通过局部异常因子来衡量该点是否为异常点,若是异常点,则进行排除。其中,一个点的局部异常因子的值越接近1或小于1,则该点越可能是正常点,若该点的局部异常因子的值越大,该点越可能是异常点。
也就是说,为了更好的确定卡口的分类,从而可以更好的确定卡口间的关联关系,步骤S103:识别重新确定相对位置的所述道路交通网中的各个卡口中的相似卡口,可以包括:
对重新确定相对位置之后的道路交通网中的各个卡口进行分类计算;
将道路交通网中属于同一类别的卡口确定为相似卡口。
具体地,对重新确定相对位置之后的道路交通网中的各个卡口进行分类计算,可以包括:
利用预设聚类算法对每个卡口对应的二维平面中记录的点进行聚类,得到该卡口对应的二维平面中基准点所在的簇;
针对该卡口对应的二维平面中基准点所在的簇,利用局部异常因子算法计算该簇中各个点的局部异常因子;
相应地,将道路交通网中属于同一类别的卡口确定为相似卡口,可以包括:
将局部异常因子小于预设阈值的点确定为该簇中的相似点,并将该簇中相似点所对应的卡口确定为相似卡口。
这样,在对每个卡口对应的二维平面中记录的点进行聚类之后,可以确定该卡口所在簇。其中,由于一个簇中的点相似度较高,因而可以该簇中各个点进行局部异常因子计算,从而排除掉距离较远的一些点,得到相似点,即可以获得相似卡口。
可以理解的是,为了便于后续利用卡口所采集到的数据进行数据分析,从而获得较为准确的分析结果,在将道路交通网中属于同一类别的卡口确定为相似卡口之后,还可以将相似卡口中目标卡口,确定为相似卡口中各个卡口所对应的归一化卡口。
举例而言,假设确定卡口A、B、C和E为相似卡口,并将卡口A、B、C和E归一化为卡口E。那么,当检测得到用户的一条运动轨迹为:S1→S2→A→S3,并检测该用户另一条运动轨迹为:S1→S2→C→S3时,可以将两条运动轨迹分别归一化为:S1→S2→E→S3。这样,可以分析得到用户的两次运动轨迹是相同的,也就是说用户所行驶到的A地和E地实际上为同一个地点,例如同一个小区。这样,可以得到更为准确的分析结果。
相应于上述方法实施例,本发明实施例还提供了一种相似卡口确定装置。图5是根据一示例性实施例示出的一种相似卡口确定装置的结构示意图。参见图5,该装置可以包括:
获得模块501,用于针对道路交通网中的每个卡口,获得从该卡口出发、到道路交通网中其他各个卡口的最小可达路网距离;
确定模块502,用于利用所获得的最小可达路网距离,重新确定道路交通网中的各个卡口的相对位置;
识别模块503,用于识别重新确定相对位置的道路交通网中的各个卡口中的相似卡口。
应用本发明实施例提供的装置,针对道路交通网中的每个卡口,可以获得该卡口到道路交通网中其他各个卡口的最小可达路网距离。然后,可以利用所获得的最小可达路网距离,重新确定道路交通网中的各个卡口的相对位置。之后,可以识别重新确定相对位置的道路交通网中的各个卡口的相似卡口。这样,可以基于道路交通网中卡口之间的最小可达路网距离重新确定各个卡口的相对位置,进而可以根据各个卡口的相对位置来确定相似卡口。该种方案相对于利用经纬度距离识别相似卡口的方案,由于考虑了卡口之间实际的路网情况,识别出的相似卡口准确性更高。
可选地,在本发明实施例中,确定模块502可以包括:
生成单元,用于根据所获得的最小可达路网距离,生成道路交通网中的每个卡口对应的、记录有道路交通网中各个卡口新的相对位置关系的二维平面;其中,在一个卡口对应的二维平面中,以该卡口为基准点,基准点到道路交通网中任一卡口的直线距离等于基准点到该任一卡口的最小可达路网距离。
可选地,在本发明实施例中,识别模块503可以包括:
计算单元,用于对重新确定相对位置之后的道路交通网中的各个卡口进行分类计算;
确定单元,用于将道路交通网中属于同一类别的卡口确定为相似卡口。
可选地,在本发明实施例中,计算单元具体可以用于:
利用预设聚类算法对每个卡口对应的二维平面中记录的点进行聚类,得到该卡口对应的二维平面中基准点所在的簇;
确定单元具体可以用于:
将基准点所在的簇中的各个卡口确定为相似卡口。
可选地,在本发明实施例中,计算单元还可以用于:
针对该卡口对应的二维平面中基准点所在的簇,利用局部异常因子算法计算该簇中各个点的局部异常因子;
相应地,确定单元具体还可以用于:
将局部异常因子小于预设阈值的点确定为该簇中的相似点,并将该簇中相似点所对应的卡口确定为相似卡口。
相应于上述方法实施例,本发明实施例还提供了一种电子设备。图6是根据一示例性实施例示出的一种电子设备的结构示意图。如图6所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现上述任一相似卡口确定方法的方法步骤。
相应于上述方法实施例,本申请实施例还提供了一种可读存储介质,当存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任一相似卡口确定方法的方法步骤。其中,该可读存储介质为计算机可读存储介质。
相应于上述方法实施例,本申请实施例还提供了一种计算机程序产品,当其在电子设备上运行时,使得电子设备执行:上述任一相似卡口确定方法的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)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。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所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者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、可读存储介质和计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (6)
1.一种相似卡口确定方法,其特征在于,包括:
针对道路交通网中的每个卡口,获得从该卡口出发、到所述道路交通网中其他各个卡口的最小可达路网距离;其中,针对每个卡口,从该卡口出发到另一个卡口的可达路网距离是指:从该卡口沿着道路到另一个卡口的运动轨迹的距离;
根据所获得的所述最小可达路网距离,生成所述道路交通网中的每个卡口对应的、记录有所述道路交通网中各个卡口新的相对位置关系的二维平面;其中,在一个卡口对应的二维平面中,以该卡口为基准点,所述基准点到所述道路交通网中任一卡口的直线距离等于所述基准点到该任一卡口的最小可达路网距离;
对重新确定相对位置之后的所述道路交通网中的各个卡口进行分类计算;
将所述道路交通网中属于同一类别的卡口确定为相似卡口。
2.根据权利要求1所述的方法,其特征在于,
所述对重新确定相对位置之后的所述道路交通网中的各个卡口进行分类计算,包括:利用预设聚类算法对每个卡口对应的二维平面中记录的点进行聚类,得到该卡口对应的二维平面中基准点所在的簇;
所述将所述道路交通网中属于同一类别的卡口确定为相似卡口,包括:将所述基准点所在的簇中的各个卡口确定为相似卡口。
3.根据权利要求2所述的方法,其特征在于,
所述对重新确定相对位置之后的所述道路交通网中的各个卡口进行分类计算,还包括:针对该卡口对应的二维平面中基准点所在的簇,利用局部异常因子算法计算该簇中各个点的局部异常因子;
所述将所述道路交通网中属于同一类别的卡口确定为相似卡口,还包括:将所述局部异常因子小于预设阈值的点确定为该簇中的相似点,并将该簇中相似点所对应的卡口确定为相似卡口。
4.一种相似卡口确定装置,其特征在于,包括:
获得模块,用于针对道路交通网中的每个卡口,获得从该卡口出发、到所述道路交通网中其他各个卡口的最小可达路网距离;其中,针对每个卡口,从该卡口出发到另一个卡口的可达路网距离是指:从该卡口沿着道路到另一个卡口的运动轨迹的距离;
确定模块,用于利用所获得的所述最小可达路网距离,重新确定所述道路交通网中的各个卡口的相对位置;
识别模块,用于识别重新确定相对位置的所述道路交通网中的各个卡口中的相似卡口;
所述确定模块包括:
生成单元,用于根据所获得的所述最小可达路网距离,生成所述道路交通网中的每个卡口对应的、记录有所述道路交通网中各个卡口新的相对位置关系的二维平面;其中,在一个卡口对应的二维平面中,以该卡口为基准点,所述基准点到所述道路交通网中任一卡口的直线距离等于所述基准点到该任一卡口的最小可达路网距离;
所述识别模块包括:
计算单元,用于对重新确定相对位置之后的所述道路交通网中的各个卡口进行分类计算;
确定单元,用于将所述道路交通网中属于同一类别的卡口确定为相似卡口。
5.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现权利要求1-3任一所述的方法步骤。
6.一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010329056.7A CN111540202B (zh) | 2020-04-23 | 2020-04-23 | 一种相似卡口确定方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010329056.7A CN111540202B (zh) | 2020-04-23 | 2020-04-23 | 一种相似卡口确定方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111540202A CN111540202A (zh) | 2020-08-14 |
CN111540202B true CN111540202B (zh) | 2021-07-30 |
Family
ID=71977139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010329056.7A Active CN111540202B (zh) | 2020-04-23 | 2020-04-23 | 一种相似卡口确定方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111540202B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598912B (zh) * | 2020-12-10 | 2022-05-03 | 佳都科技集团股份有限公司 | 卡口间隔获取方法、装置、计算机设备及存储介质 |
CN113673582B (zh) * | 2021-07-30 | 2023-05-09 | 西南交通大学 | 基于系统聚类分析的铁路动态基准点多层级分群方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846538A (zh) * | 2015-12-04 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 过车记录处理方法和装置 |
CN109034448A (zh) * | 2018-06-14 | 2018-12-18 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
CN109766902A (zh) * | 2017-11-09 | 2019-05-17 | 杭州海康威视系统技术有限公司 | 对同区域的车辆聚类的方法、装置和设备 |
CN109767622A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
CN109961086A (zh) * | 2019-01-28 | 2019-07-02 | 平安科技(深圳)有限公司 | 基于聚类和sse的异常点比例优化方法及装置 |
EP3605490A1 (en) * | 2017-03-30 | 2020-02-05 | Hangzhou Hikvision Digital Technology Co., Ltd. | Method and device for predicting vehicle emergence point |
-
2020
- 2020-04-23 CN CN202010329056.7A patent/CN111540202B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846538A (zh) * | 2015-12-04 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 过车记录处理方法和装置 |
EP3605490A1 (en) * | 2017-03-30 | 2020-02-05 | Hangzhou Hikvision Digital Technology Co., Ltd. | Method and device for predicting vehicle emergence point |
CN109766902A (zh) * | 2017-11-09 | 2019-05-17 | 杭州海康威视系统技术有限公司 | 对同区域的车辆聚类的方法、装置和设备 |
CN109034448A (zh) * | 2018-06-14 | 2018-12-18 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
CN109961086A (zh) * | 2019-01-28 | 2019-07-02 | 平安科技(深圳)有限公司 | 基于聚类和sse的异常点比例优化方法及装置 |
CN109767622A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111540202A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chao et al. | A survey on map-matching algorithms | |
Chen et al. | City-scale map creation and updating using GPS collections | |
US11488055B2 (en) | Training corpus refinement and incremental updating | |
US9747805B2 (en) | Computing a similarity measure over moving object trajectories | |
CN111538642B (zh) | 一种异常行为的检测方法、装置、电子设备及存储介质 | |
Belhadi et al. | Trajectory outlier detection: Algorithms, taxonomies, evaluation, and open challenges | |
CN108834077B (zh) | 基于用户移动特性的跟踪区划分方法、装置及电子设备 | |
CN103513983A (zh) | 用于预测性警报阈值确定工具的方法和系统 | |
CN111612039A (zh) | 异常用户识别的方法及装置、存储介质、电子设备 | |
CN110083475B (zh) | 一种异常数据的检测方法及装置 | |
CN111444294B (zh) | 一种轨迹补全方法、装置及电子设备 | |
CN111540202B (zh) | 一种相似卡口确定方法、装置、电子设备及可读存储介质 | |
CN106970945A (zh) | 一种出租车数据集的轨迹预处理方法 | |
CN104573130A (zh) | 基于群体计算的实体解析方法及装置 | |
Wei et al. | Map matching: comparison of approaches using sparse and noisy data | |
Li et al. | Spatio-temporal trajectory simplification for inferring travel paths | |
CN112309126A (zh) | 车牌检测方法、装置、电子设备及计算机可读存储介质 | |
CN111193627B (zh) | 信息处理方法、装置、设备及存储介质 | |
Olukanmi et al. | Automatic detection of outliers and the number of clusters in k-means clustering via Chebyshev-type inequalities | |
CN108804550B (zh) | 一种查询词拓展方法、装置以及电子设备 | |
Wang et al. | Mining personal frequent routes via road corner detection | |
CN115932144B (zh) | 色谱仪性能检测方法、装置、设备和计算机介质 | |
Zhang et al. | Path query processing using typical snapshots in dynamic road networks | |
CN111949840A (zh) | 一种基于物联网数据的拓扑图结构的构建方法、装置 | |
CN113032514B (zh) | 兴趣点数据处理方法及装置 |
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 |