CN111651538B - 一种位置映射方法、装置、设备及可读存储介质 - Google Patents

一种位置映射方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN111651538B
CN111651538B CN202010392942.4A CN202010392942A CN111651538B CN 111651538 B CN111651538 B CN 111651538B CN 202010392942 A CN202010392942 A CN 202010392942A CN 111651538 B CN111651538 B CN 111651538B
Authority
CN
China
Prior art keywords
road
sample
geographic position
mapped
probability
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
Application number
CN202010392942.4A
Other languages
English (en)
Other versions
CN111651538A (zh
Inventor
袁理攀
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 Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010392942.4A priority Critical patent/CN111651538B/zh
Publication of CN111651538A publication Critical patent/CN111651538A/zh
Application granted granted Critical
Publication of CN111651538B publication Critical patent/CN111651538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例公开了一种位置映射方法、装置、设备及可读存储介质；本申请实施例可以获取对象行驶的地理位置序列，该地理位置序列包括多个行驶时间上的地理位置；针对每个行驶时间上的地理位置，确定地理位置映射到地图路网上的候选道路；针对每个行驶时间上的地理位置，计算地理位置对应的观测概率、以及状态转移概率；针对每个行驶时间上的地理位置，基于地理位置对应的观测概率、以及状态转移概率，计算地理位置映射到候选道路的目标概率；针对每个行驶时间上的地理位置，基于目标概率从候选道路中确定该地理位置映射到的目标道路，得到地理位置序列中每个地理位置映射到地图路网上的目标道路。该方案能够提高位置映射的准确率。

Description

一种位置映射方法、装置、设备及可读存储介质
技术领域
本发明涉及人工智能技术领域，具体涉及一种位置映射方法、装置、设备及可读存储介质。
背景技术
位置映射是地图行业的基础服务，即通过全球定位系统(GPS，GlobalPositioning System)获取对象当前的位置信息，并将时间序列记录下来的GPS位置，映射到地图后台有向图模型上，即映射到对象真实行驶的道路上。位置映射可以为底层路网数据提供实时路况信息，或者用来做数据挖掘，以提供导航及路线规划等服务。
现有的位置映射方法，多是基于规则进行的位置映射，例如，是基于GPS点的属性如位置、方向、速度、精度、以及周围道路等属性信息，为每个GPS点在地图路网上选取最优的映射道路。
在对现有技术的研究和实践过程中，本发明的发明人发现，采用目前的位置映射方法，会过度依赖GPS点的定位质量(如定位的精准度)，如果GPS点的定位质量不高、或者发生漂移，很容易发生位置映射错误，从而导致位置映射的准确率大大降低。
发明内容
本申请实施例提供一种位置映射方法、装置、设备及可读存储介质，可以提高位置映射的准确率。
本申请实施例提供一种位置映射方法，包括：
获取对象行驶的地理位置序列，所述地理位置序列包括多个行驶时间上的地理位置；
针对每个行驶时间上的地理位置，确定所述地理位置映射到地图路网上的候选道路，所述候选道路为处于所述地理位置上的对象在地图路网上行驶的道路；
针对每个行驶时间上的地理位置，计算地理位置对应的观测概率、以及状态转移概率，其中，所述观测概率为所述地理位置映射到候选道路的概率，所述状态转移概率为所述对象从前序地理位置映射到的候选道路转移到所述地理位置映射到的候选道路的概率，所述前序地理位置为行驶时间位于所述地理位置的行驶时间之前的地理位置；
针对每个行驶时间上的地理位置，基于所述地理位置对应的观测概率、以及状态转移概率，计算所述地理位置映射到候选道路的目标概率；
针对每个行驶时间上的地理位置，基于所述目标概率从所述候选道路中确定所述地理位置映射到的目标道路，得到所述地理位置序列中每个地理位置映射到地图路网上的目标道路。
相应的，本申请实施例还提供了一种位置映射装置，包括：
获取单元，用于获取对象行驶的地理位置序列，所述地理位置序列包括多个行驶时间上的地理位置；
第一确定单元，用于针对每个行驶时间上的地理位置，确定所述地理位置映射到地图路网上的候选道路，所述候选道路为处于所述地理位置上的对象在地图路网上行驶的道路；
第一计算单元，用于针对每个行驶时间上的地理位置，计算地理位置对应的观测概率、以及状态转移概率，其中，所述观测概率为所述地理位置映射到候选道路的概率，所述状态转移概率为所述对象从前序地理位置映射到的候选道路转移到所述地理位置映射到的候选道路的概率，所述前序地理位置为行驶时间位于所述地理位置的行驶时间之前的地理位置；
第二计算单元，用于针对每个行驶时间上的地理位置，基于所述地理位置对应的观测概率、以及状态转移概率，计算所述地理位置映射到候选道路的目标概率；
第二确定单元，用于针对每个行驶时间上的地理位置，基于所述目标概率从所述候选道路中确定所述地理位置映射到的目标道路，得到所述地理位置序列中每个地理位置映射到地图路网上的目标道路。
在一些实施例中，所述第二计算单元，用于：
获取前序地理位置映射到候选道路的前序目标概率；
将所述地理位置对应的观测概率和状态转移概率、以及前序地理位置映射到候选道路的前序目标概率进行融合，得到所述地理位置映射到候选道路的目标概率。
在一些实施例中，所述第二确定单元，包括：
第一确定子单元，用于基于所述目标概率，从前序地理位置的候选道路中确定所述地理位置的候选道路对应的前序最佳映射道路，得到所述地理位置序列中每个地理位置的候选道路对应的前序最佳映射道路；
获取子单元，用于获取所述地理位置序列中最后一个地理位置映射到的目标道路；
第二确定子单元，用于基于所述地理位置序列中最后一个地理位置映射到的目标道路、以及每个地理位置的候选道路对应的前序最佳映射道路，确定所述地理位置序列中每个地理位置映射到地图路网上的目标道路。
在一些实施例中，所述获取子单元，用于：
获取地理位置序列中最后一个地理位置映射到候选道路的目标概率；
根据最后一个地理位置映射到候选道路的目标概率，从最后一个地理位置映射到的候选道路中，选取目标概率最大的候选道路作为最后一个地理位置映射到的目标道路。
在一些实施例中，所述第一确定单元，用于：
获取所述地理位置对应的周边位置区域；
在地图路网上，确定所述周边位置区域内的至少一条道路作为候选道路。
在一些实施例中，所述第一计算单元，用于：
提取所述地理位置映射到候选道路的观测概率特征；
基于所述观测概率特征的特征权重，预测所述地理位置映射到候选道路的观测概率；
计算对象从前序地理位置所在候选道路转移到所述地理位置所在候选道路的状态转移概率。
在一些实施例中，所述第一计算单元，用于：
采用第一预设梯度提升树模型，计算所述地理位置映射到候选道路的观测概率；
采用第二预设梯度提升树模型，计算对象从前序地理位置映射到的候选道路转移到所述地理位置映射到的候选道路的状态转移概率。
在一些实施例中，所述第一计算单元，用于：
获取样本对象行驶的样本地理位置序列，所述样本地理位置序列包括多个行驶时间上的样本地理位置；
针对每个行驶时间上的样本地理位置，获取所述样本地理位置对应的样本候选道路、以及所述样本地理位置映射到所述样本候选道路的期望观测概率；
通过所述样本地理位置、所述样本候选道路、以及所述样本地理位置映射到样本候选道路的期望观测概率，对第一梯度提升树模型进行训练，得到第一预设梯度提升树模型。
在一些实施例中，所述第一计算单元，用于：
提取所述样本地理位置映射到所述样本候选道路的样本观测概率特征；
采用第一梯度提升树模型，基于所述样本观测概率特征的特征值预测所述样本地理位置映射到所述样本候选道路的预测观测概率；
基于所述样本候选道路中样本地理位置映射到正样本道路的预测观测概率和期望观测概率，以及样本地理位置映射到负样本道路的预测观测概率和期望观测概率，调整第一梯度提升树模型中观测概率特征的特征权重，得到第一预设梯度提升树模型，所述正样本道路为所述样本候选道路中样本地理位置映射到的正确的样本候选道路，所述负样本道路为所述样本候选道路中样本地理位置映射到的错误的样本候选道路。
在一些实施例中，所述第一计算单元，用于：
获取样本对象行驶的样本地理位置序列，所述样本地理位置序列包括多个行驶时间上的样本地理位置；
从所述样本地理位置序列中确定样本地理位置对，所述样本地理位置对中包括样本地理位置、以及所述样本地理位置的前序样本地理位置；
针对每个样本地理位置对，获取所述样本地理位置对对应的样本候选道路对，以及所述样本地理位置对中从前序样本地理位置的样本候选道路转移到所述样本地理位置的样本候选道路的期望状态转移概率；
通过所述样本地理位置对、所述样本候选道路对、以及所述期望状态转移概率，对第二梯度提升树模型进行训练，得到第二预设梯度提升树模型。
在一些实施例中，所述样本候选道路对中包括正样本道路对、以及负样本道路对，所述第一计算单元，用于：
对所述样本地理位置对中样本地理位置的样本候选道路、以及前序样本地理位置的样本候选道路进行正采样，得到正样本道路对；
对所述样本地理位置对中样本地理位置的样本候选道路、以及前序样本地理位置的样本候选道路进行负采样，得到初始负样本道路对；
根据预设路网规则对所述初始负样本道路对进行筛选，得到负样本道路对。
在一些实施例中，所述位置映射装置还包括整合单元，用于：
将所述地理位置序列中每个地理位置映射到地图路网上的目标道路进行整合，得到所述对象在地图路网上的行驶路线；
在所述地图路网上标注出所述对象的行驶路线。
相应的，本申请还提供一种计算机设备，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，其中，所述处理器执行所述程序时实现本申请实施例提供的任一种位置映射方法中的步骤。
此外，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本申请实施例提供的任一种位置映射方法中的步骤。
本申请实施例可以获取对象行驶的地理位置序列，该地理位置序列包括多个行驶时间上的地理位置；针对每个行驶时间上的地理位置，确定该地理位置映射到地图路网上的候选道路，该候选道路为处于该地理位置上的对象在地图路网上行驶的道路；针对每个行驶时间上的地理位置，计算该地理位置对应的观测概率、以及状态转移概率，其中，观测概率为该地理位置映射到候选道路的概率，状态转移概率为对象从前序地理位置映射到的候选道路转移到该地理位置映射到的候选道路的概率，前序地理位置为行驶时间位于该地理位置的行驶时间之前的地理位置；针对每个行驶时间上的地理位置，基于该地理位置对应的观测概率、以及状态转移概率，计算该地理位置映射到候选道路的目标概率；针对每个行驶时间上的地理位置，基于目标概率从候选道路中确定该地理位置映射到的目标道路，得到地理位置序列中每个地理位置映射到地图路网上的目标道路。由于该方案能够在确定地理位置序列中各个地理位置映射到地图路网上的候选道路后，通过计算各个地理位置对应的观测概率、以及状态转移，并基于观测概率和状态转移概率计算各个地理位置分别映射到各自的候选道路的目标概率，从而使得基于目标概率从候选道路中确定目标道路的准确率大大提升。
附图说明
为了更清楚地说明本申请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1a是本申请实施例提供的位置映射方法的场景示意图；
图1b是本申请实施例提供的位置映射方法的流程示意图；
图1c是本申请实施例提供的HMM模型的结构示意图；
图1d是本申请实施例提供的正、负样本采样的效果示意图；
图2a是本申请实施例提供的位置映射方法的另一流程示意图；
图2b是本申请实施例提供的HMM模型+XGBoost模型的位置映射原理示意图；
图2c是本申请实施例提供的HMM模型+XGBoost模型的另一位置映射原理示意图；
图2d是本申请实施例提供的在起始点附近进行位置映射的效果示意图；
图2e是本申请实施例提供的在主辅路附近进行位置映射的效果示意图；
图2f是本申请实施例提供的在终点附近进行位置映射的效果示意图；
图3a是本申请实施例提供的位置映射装置的结构示意图；
图3b是本申请实施例提供的位置映射装置的另一结构示意图；
图3c是本申请实施例提供的位置映射装置的另一结构示意图；
图4是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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，本领域技术人员在没有作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。
本申请实施例提供一种位置映射方法、装置、计算机设备和计算机可读存储介质。其中，该位置映射装置可以集成在计算机设备中，该计算机设备可以是服务器，也可以是终端等设备。
本申请实施例提供的位置映射方案涉及人工智能的机器学习(ML，MachineLearning)。可以通过人工智能的机器学习技术实现将对象行驶的地理位置序列(即多个行驶时间上的地理位置)映射到地图路网上对象真实行驶的目标道路上。
其中，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
例如，参见图1a，以该位置映射装置集成在计算机设备中为例，该计算机设备可以获取对象行驶的地理位置序列，该地理位置序列包括多个行驶时间上的地理位置；针对每个行驶时间上的地理位置，确定该地理位置映射到地图路网上的候选道路，该候选道路为处于该地理位置上的对象在地图路网上行驶的道路；针对每个行驶时间上的地理位置，计算该地理位置对应的观测概率、以及状态转移概率，其中，观测概率为地理位置映射到候选道路的概率，状态转移概率为对象从前序地理位置映射到的候选道路转移到该地理位置映射到的候选道路的概率，前序地理位置为行驶时间位于该地理位置的行驶时间之前的地理位置；针对每个行驶时间上的地理位置，基于该地理位置对应的观测概率、以及状态转移概率，计算地理位置映射到候选道路的目标概率；针对每个行驶时间上的地理位置，基于目标概率从候选道路中确定该地理位置映射到的目标道路，得到地理位置序列中每个地理位置映射到地图路网上的目标道路。
以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
在本实施例中，将从位置映射装置的角度进行描述，该位置映射装置具体可以集成在计算机设备中，例如，位置映射装置可以是设置于计算机设备中的实体装置，或者位置映射装置可以以客户端的形式集成在计算机设备中。该计算机设备可以是服务器，也可以是终端等设备；其中，该终端可以包括手机、平板电脑、笔记本电脑、个人计算机(PC，Personal Computer)、微型处理盒子、或者其他设备等。
如图1b所示，该位置映射方法的具体流程可以如下：
101、获取对象行驶的地理位置序列，该地理位置序列包括多个行驶时间上的地理位置。
其中，地理位置为通过定位工具如GPS定位系统定位得到的位置，该地理位置可以反映对象(比如车辆、或者行人等)在行驶过程中所处的位置信息，例如，经度、维度、行驶速度、方向、精度、角度等信息。地理位置序列包括多个行驶时间上的地理位置，即在历史行驶时间段内，对象在该时间段的各个时间点上的地理位置。
获取对象行驶的地理位置序列，可以是通过计算机设备如终端所携带的GPS定位系统进行获取得到。例如，可以通过GPS定位系统对对象在历史时间段的某一时间点上的行驶位置进行定位，从而获取到对象在该时间点上的位置信息。
102、针对每个行驶时间上的地理位置，确定该地理位置映射到地图路网上的候选道路，该候选道路为处于该地理位置上的对象在地图路网上行驶的道路。
其中，地图路网是指将真实世界中的道路、高架等道路信息，以及掉头、红绿灯、限行等交规信息虚拟为有向图模型。
其中，确定地理位置映射到地图路网上的候选道路的方式可以有多种，例如，可以选取距离该地理位置预设范围内的周边位置区域中的道路作为该地理位置映射到的候选道路，该预设范围可以由开发人员或者测试人员根据GPS定位的质量(即定位的精准度)进行设定。具体地，步骤“确定该地理位置映射到地图路网上的候选道路”，可以包括：
获取该地理位置对应的周边位置区域；
在地图路网上，确定周边位置区域内的至少一条道路作为候选道路。
例如，可以分别计算该地理位置映射到周边位置区域内每条道路的观测概率特征的特征值，根据特征值对该区域内的每条道路进行排序，然后根据排序结果选取出至少一条道路作为该地理位置映射到地图路网上的候选道路。
103、针对每个行驶时间上的地理位置，计算该地理位置对应的观测概率、以及状态转移概率，其中，观测概率为该地理位置映射到候选道路的概率，状态转移概率为对象从前序地理位置映射到的候选道路转移到该地理位置映射到的候选道路的概率，前序地理位置为行驶时间位于该地理位置的行驶时间之前的地理位置。
本申请实施例采用隐马尔可夫模型(HMM，Hidden Markov Model)的算法思想来解决预测问题(也称解码问题)，即给定该模型和观测序列X＝{x1,x2,...,xn}的情况下，如何根据观测序列推断出隐藏状态，即如何找到与观测序列最匹配的状态转移序列Y＝{y1,y2,...,yn}。HMM模型是关于时序的概率模型，参见图1c，其中的箭头表示了变量间的前后依赖关系，即：在任一时刻，观测序列中观测变量的取值仅依赖于状态变量，与其他状态变量及观测变量的取值无关，即xt由yt确定；同时，t时刻的状态变量yt仅依赖于t-1时刻的状态变量yt-1，与此前时刻t-2的状态无关。需要说明的是，本申请实施例中，当前时刻的状态变量可以依赖于前一时刻、或者前几个时刻的状态变量，为了降低计算的复杂度，则以“t时刻的状态变量yt仅依赖于t-1时刻的状态变量yt-1，与此前时刻t-2的状态无关”为例来进行说明。
其中，观测序列则对应本申请实施例中对象行驶的地理位置序列，依据此思想，本方案所要解决的问题，则是如何根据地理位置序列，在地图路网上确定出与该地理位置序列最匹配的目标道路，即根据对象行驶的各个地理位置，确定出各个地理位置映射到地图路网上的目标道路，也即对象在地图路网上真实行驶的道路。
其中，确定隐马尔可夫模型所需要的参数主要包括观测概率、以及状态转移概率。其中观测概率为每个地理位置分别映射到各个候选道路上的概率，状态转移概率为对象从上一个地理位置所映射到的候选道路转移到当前地理位置映射到的候选道路的概率。
在一实施例中，地理位置对应的观测概率、以及状态转移概率可以通过计算得到，具体地，步骤“计算该地理位置对应的观测概率、以及状态转移概率”，包括：
提取该地理位置映射到候选道路的观测概率特征；
基于观测概率特征的特征权重，预测该地理位置映射到候选道路的观测概率；
计算对象从前序地理位置所在候选道路转移到所述地理位置所在候选道路的状态转移概率。
其中，观测概率特征包括：地理位置的属性信息、地理位置对应的各条候选道路的属性信息、以及地理位置分别与对应的每条候选道路之间的关系信息等，具体参见表1(其中，GPS对应地理位置)。
Figure BDA0002486294000000101
表1
其中，计算状态转移概率，同理，可以通过提取从前序地理位置映射到的候选道路转移到当前地理位置映射到的候选道路的状态转移概率特征，基于状态转移概率特征的特征权重，预测状态转移概率。其中，提取状态转移概率特征可以复用上述提取的观测概率特征，此时，需要提取的状态转移概率特征包括：两个地理位置(即当前地理位置与前序地理位置)各自的属性信息、和两个地理位置之间的关系信息，两条候选道路各自的属性信息、和两条候选道路之间的关系信息，以及两个地理位置分别与各自对应的候选道路之间的关系信息，具体参见表2(其中，GPS对应地理位置)。可以看出，提取状态转移概率特征可以复用表1中的观测概率特征。基于状态转移概率特征的特征权重，可以预测从前序地理位置映射到的候选道路转移到当前地理位置映射到候选道路的状态转移概率。
Figure BDA0002486294000000111
表2
在一实施例中，计算地理位置对应的观测概率、以及状态转移概率的方式可以有多种，例如，可以通过梯度提升树模型(GBDT，Gradient Boosting Decision Tree)进行计算，具体地，为了提高计算的准确性，可以通过极端梯度提升模型(XGBoost，eXtremeGradient Boosting)进行计算。其中，XGBoost模型可以认为是GBDT模型算法的工程实现，XGBoost模型在分类正则化，数据采样并行化，缺失值处理策略等多个方面都进行了优化改进，可以达到更快的训练和更优的预测效果。具体地，步骤“计算地理位置对应的观测概率、以及状态转移概率”，可以包括：
采用第一预设梯度提升树模型，计算该地理位置映射到候选道路的观测概率；
采用第二预设梯度提升树模型，计算对象从前序地理位置映射到的候选道路转移到该地理位置映射到的候选道路的状态转移概率。
在一实施例中，由于传统的位置映射方案，会在对象行驶的起点位置附近、主辅路附近、以及终点位置附近出现位置映射的准确率偏低的情况，本申请实施例中，通过对第一梯度提升树模型、以及第二梯度提升树模型进行训练，使得第一梯度提升树模型中的观测概率特征的特征权重，以及第二梯度提升树模型中状态转移概率特征的特征权重更加合理，从而使得在采用训练后的模型进行观测概率预测、以及状态转移概率预测时的准确性提升，提高位置映射的准确率。具体地，该位置映射方法，还可以包括：
获取样本对象行驶的样本地理位置序列，该样本地理位置序列包括多个行驶时间上的样本地理位置；
针对每个行驶时间上的样本地理位置，获取样本地理位置对应的样本候选道路、以及样本地理位置映射到样本候选道路的期望观测概率；
通过样本地理位置、样本候选道路、以及样本地理位置映射到样本候选道路的期望观测概率，对第一梯度提升树模型进行训练，得到第一预设梯度提升树模型。
其中，样本候选道路中包括正样本道路、以及负样本道路，获取样本地理位置对应的样本候选道路，可以通过对样本地理位置对应的周边位置区域中的样本候选道路进行正、负采样，得到正样本道路和负样本道路，其中，正样本道路为样本地理位置在地图路网上真实行驶的道路，负样本道路则表示样本地理位置在地图路网上非真实行驶的道路。
例如，针对每个行驶时间上的样本地理位置，在其对应的周边位置区域中，可以通过人工标注出该样本地理位置映射到地图路网上的正确道路，并将其作为正样本道路；将周边位置区域中的其他样本候选道路(即地理位置映射到的错误道路)作为负样本道路，参见图1d，其中，轨迹行驶方向表示对象的行驶方向，地理位置GPS_1的正样本道路为“正样本”，“负样本_1”至“负样本_5”都为负样本道路。
其中，由于采用GPS定位系统对对象的地理位置进行定位时，会存在漂移的问题(即GPS定位存在准确率问题，无法保证任何时刻、任何地点能够准确反映对象的真实位置)。因此，地理位置映射到正样本道路上的实际位置，可以通过对该地理位置到正样本道路作垂足，即表示样本对象在地图路网上行驶的真实位置。
在一实施例中，对第一梯度提升树模型进行训练，可以先提取样本地理位置映射到各个样本候选道路上的样本观测概率特征(参见表1)，基于样本观测概率特征的特征值对模型进行训练，从而使得训练后得到的第一预设梯度提升树模型中观测概率特征的特征权重更加合理，即，使得采用第一预设梯度提升模型计算观测概率的准确度更高。具体地，步骤“通过样本地理位置、样本候选道路、以及样本地理位置映射到样本候选道路的期望观测概率，对第一梯度提升树模型进行训练，得到第一预设梯度提升树模型”，可以包括：
提取样本地理位置映射到样本候选道路的样本观测概率特征；
采用第一梯度提升树模型，基于样本观测概率特征的特征值预测样本地理位置映射到样本候选道路的预测观测概率；
基于样本候选道路中样本地理位置映射到正样本道路的预测观测概率和期望观测概率，以及样本地理位置映射到负样本道路的预测观测概率和期望观测概率，调整第一梯度提升树模型中观测概率特征的特征权重，得到第一预设梯度提升树模型，正样本道路为样本候选道路中样本地理位置映射到的正确的样本候选道路，负样本道路为样本候选道路中样本地理位置映射到的错误的样本候选道路。
其中，样本观测概率特征可以参见表1，样本观测概率特征的特征值可以通过计算得到。将提取到的样本观测概率特征的特征值输入至模型中，模型根据该特征值预测出样本地理位置映射到各个样本候选道路上的预测观测概率，然后，基于该预设观测概率对模型的各个观测概率特征的特征权重进行调整，即，根据样本地理位置映射到正样本道路的预测观测概率和期望观测概率，以及样本地理位置映射到负样本道路的预测观测概率和期望观测概率，优化第一梯度提升模型中观测概率特征的特征权重，使映射到正样本道路的预测观测概率趋近于映射到正样本道路的期望观测概率，使映射到负样本道路的预测观测概率趋近于映射到负样本道路的期望观测概率，从而得到训练好的第一预设梯度提升树模型。其中，映射到正样本道路的期望观测概率可以为1，映射到负样本道路的期望观测概率可以为0，映射到正样本道路的期望观测概率和映射到负样本道路的期望观测概率的值可以根据实际应用的需求进行设置。
在一实施例中，第二预设梯度提升树模型也可以通过训练得到，该位置映射方法还可以包括：
获取样本对象行驶的样本地理位置序列，该样本地理位置序列包括多个行驶时间上的样本地理位置；
从样本地理位置序列中确定样本地理位置对，该样本地理位置对中包括样本地理位置、以及样本地理位置的前序样本地理位置；
针对每个样本地理位置对，获取样本地理位置对对应的样本候选道路对，以及样本地理位置对中从前序样本地理位置的样本候选道路转移到所述样本地理位置的样本候选道路的期望状态转移概率；
通过样本地理位置对、样本候选道路对、以及期望状态转移概率，对第二梯度提升树模型进行训练，得到第二预设梯度提升树模型。
其中，样本候选道路对包括正样本道路对、以及负样本道路对，获取样本地理位置对对应的样本候选道路对，可以分别对样本地理位置对中样本地理位置的样本候选道路、以及前序样本地理位置的样本候选道路进行正、负采样，从而得到正样本道路对、以及负样本道路对。
在一实施例中，为了提高位置映射的效率以及准确性，可以基于预设路网规则，对负采样得到的负样本道路对进行筛选，比如，筛选掉不符合交通规则、或者导致路网数据错误的负样本道路对，具体地，步骤“获取样本地理位置对对应的样本候选道路对”，可以包括：
对样本地理位置对中样本地理位置的样本候选道路、以及前序样本地理位置的样本候选道路进行正采样，得到正样本道路对；
对样本地理位置对中样本地理位置的样本候选道路、以及前序样本地理位置的样本候选道路进行负采样，得到初始负样本道路对；
根据预设路网规则对初始负样本道路对进行筛选，得到负样本道路对。
其中，预设路网规则可以根据实际应用的需求进行设置。
其中，正样本道路对可以理解为，样本对象从上一个地理位置映射到的正确道路转移到当前地理位置映射到的正确道路所形成的一对正确道路，即为正样本道路对，其他情况下所形成的一组道路对则为负样本道路对。例如，以下三种情况所组成的道路对则为负样本道路对：
前序样本地理位置映射到正确道路，当前样本地理位置映射到错误道路；
前序样本地理位置映射到错误道路，当前样本地理位置映射到正确道路；
前序样本地理位置映射到错误道路，当前样本地理位置映射到错误道路。
需要说明的是，组成正样本道路对的前提是符合预设路网规则(如交通规则)，即样本对象都是在可通行的道路上行驶，并且严格按照交通规则行驶，不存在违反交通规则、以及路网数据错误等情况。若样本对象确实是走的正样本道路对中的这两条路，但如果没有满足预设路网规则如逆向行驶，则可以认为这两条路是不通的，即这两条路连通失败。
104、针对每个行驶时间上的地理位置，基于该地理位置对应的观测概率、以及状态转移概率，计算该地理位置映射到候选道路的目标概率。
其中，计算地理位置映射到候选道路的目标概率的方式可以有多种，例如，可以将当前地理位置对应的观测概率、状态转移概率、与前序地理位置映射到候选道路的目标概率进行融合，得到当前地理位置映射到候选道路的目标概率。具体地，步骤“针对每个行驶时间上的地理位置，基于该地理位置对应的观测概率、以及状态转移概率，计算该地理位置映射到候选道路的目标概率”，可以包括：
获取前序地理位置映射到候选道路的前序目标概率；
将地理位置对应的观测概率和状态转移概率、以及前序地理位置映射到候选道路的前序目标概率进行融合，得到地理位置映射到候选道路的目标概率。
其中，融合的方式可以有多种，例如，针对当前地理位置映射到的每个候选道路，将当前地理位置映射到该候选道路的观测概率，分别与从前序地理位置映射到的各个候选道路转移到该候选道路的状态转移概率、以及前序地理位置映射到各个候选道路的目标概率进行融合，从而得到当前地理位置映射到该候选道路的参考概率；从参考概率中，选取概率最大的参考概率作为当前地理位置映射到该候选道路的目标概率，得到当前地理位置映射到每个候选道路的目标概率。
例如，t时刻，地理位置可能映射到的候选道路为L1、L2、L3；t+1时刻，地理位置可能映射到的候选道路为L1-1，L2-2；计算t+1时刻地理位置映射到L1-1道路的目标概率的过程：将t+1时刻地理位置映射到道路L1-1的观测概率a、从L1转移到L1-1的转移状态概率b、以及t时刻地理位置映射到L1的目标概率c进行加权求和，则可以得到t+1时刻地理位置映射到L1-1的一个参考概率，同理，计算出映射到L1-1的另外2个参考概率，即从L2转移到L1-1时，映射到L1-1的参考概率，以及L3转移到L1时，映射到L1-1的参考概率。然后选取概率最大的参考概率，作为t+1时刻地理位置映射到L1-1的目标概率(也是最终概率)。同理，可以计算并选取出t+1时刻地理位置映射到道路L2-2的目标概率。
其中，目标概率的初始值为0，即地理位置序列中第一个地理位置映射到各个候选道路的目标概率为0。
需要说明的是，在任一时刻，若地理位置映射到的某一条候选道路与前序地理位置映射到的所有候选道路都无法连通，则会放弃该条候选道路，即，将映射到该候选道路的目标概率置0，后续也就不再需要考虑到这条路。极端情况下，如果所有候选道路的目标概率都为0，则说明对象可能违反交通规则行驶，或者地图路网缺路等，此时应该打断后续的位置映射，重新开始进行绑路(即重新将地理位置映射到地图路网的真实道路上)，对绑路结果进行分段输出。
105、针对每个行驶时间上的地理位置，基于目标概率从候选道路中确定该地理位置映射到的目标道路，得到地理位置序列中每个地理位置映射到地图路网上的目标道路。
其中，地理位置映射到的目标道路，是指处于该地理位置上的对象在地图路网上真实行驶的道路。
本申请实施例中，可以采用维特比算法(Viterbi Algorithm)的思想，基于目标概率从候选道路中确定该地理位置映射到的目标道路。维特比算法是一种动态规划算法，用于寻找最有可能产生观测序列的维特比路径(即隐藏状态序列)，在本申请实施例中，则是用于寻找地理位置序列中各个地理位置映射到地图路网上的目标道路。
例如，针对每个行驶时间上的地理位置，根据该地理位置映射到各个候选道路上的目标概率，从前序地理位置映射到的各个候选道路中确定出当前地理位置的候选道路对应的前序最佳映射道路，然后，根据地理位置序列中最后一个地理位置映射到的目标道路，确定出地理位置序列中各个地理位置映射到的目标道路。具体地，步骤“基于目标概率从候选道路中确定该地理位置映射到的目标道路，得到地理位置序列中每个地理位置映射到地图路网上的目标道路”，可以包括：
基于目标概率，从前序地理位置的候选道路中确定该地理位置的候选道路对应的前序最佳映射道路，得到地理位置序列中每个地理位置的候选道路对应的前序最佳映射道路；
获取地理位置序列中最后一个地理位置映射到的目标道路；
基于地理位置序列中最后一个地理位置映射到的目标道路、以及每个地理位置的候选道路对应的前序最佳映射道路，确定地理位置序列中每个地理位置映射到地图路网上的目标道路。
例如，将当前地理位置的每一条候选道路都和前一个地理位置的m条候选道路(目标概率为0的候选道路除外)分别计算目标概率，从m条候选道路中选取目标概率值最大的候选道路作为当前时刻各个候选道路的前序最佳映射道路。然后，从地理位置序列中最后一个地理位置映射到的目标道路，递归向前回溯前序最佳映射道路至地理位置序列中的第一个地理位置，则可以得到该地理位置序列中各个地理位置映射到地图路网上的目标道路。
由此可以理解的是，针对不同行驶时间上的地理位置，会有不同的前序最佳道路，即，截止到不同行驶时间，会形成不同的目标道路链(即从第一个地理位置映射的目标道路至当前地理位置映射到的目标道路)。因此，采用维特比算法的优势在于，可以兼容地理位置序列中出现的一些噪音点(即定位质量不高的地理位置)的得分，随着优质点(即定位质量较高的地理位置)的加入，使得地理位置映射到目标道路的准确性会越来越高，即获取到的地理位置越多，整体的位置映射的准确率也会越高。
在一实施例中，可以基于地理位置序列中最后一个地理位置映射到各个候选道路的目标概率，选取出目标概率最大的候选道路作为最后一个地理位置映射到的目标道路。具体地，步骤“获取地理位置序列中最后一个地理位置映射到的目标道路”，可以包括：
获取地理位置序列中最后一个地理位置映射到候选道路的目标概率；
根据最后一个地理位置映射到候选道路的目标概率，从最后一个地理位置映射到的候选道路中，选取目标概率最大的候选道路作为最后一个地理位置映射到的目标道路。
在一实施例中，在得到地理位置序列中各个地理位置映射到的目标道路后，可以将各个目标道路进行整合，得到地理位置序列对应的行驶路线，即对象在地图路网上真实的行驶路线。具体地，该位置映射方法，还可以包括：
将地理位置序列中每个地理位置映射到地图路网上的目标道路进行整合，得到对象在地图路网上的行驶路线；
在地图路网上标注出对象的行驶路线。
例如，对于不同地理位置映射到同一条道路的情况，可以对该不同地理位置映射的目标道路进行去重，然后将去重后的各个目标道路进行连接，从而得到对象在地图路网上的行驶路线，并可以在地图路网上标注出该行驶路线。
由上可知，本申请实施例可以获取对象行驶的地理位置序列，该地理位置序列包括多个行驶时间上的地理位置；针对每个行驶时间上的地理位置，确定该地理位置映射到地图路网上的候选道路，该候选道路为处于该地理位置上的对象在地图路网上行驶的道路；针对每个行驶时间上的地理位置，计算该地理位置对应的观测概率、以及状态转移概率，其中，观测概率为该地理位置映射到候选道路的概率，状态转移概率为对象从前序地理位置映射到的候选道路转移到该地理位置映射到的候选道路的概率，前序地理位置为行驶时间位于该地理位置的行驶时间之前的地理位置；针对每个行驶时间上的地理位置，基于该地理位置对应的观测概率、以及状态转移概率，计算该地理位置映射到候选道路的目标概率；针对每个行驶时间上的地理位置，基于目标概率从候选道路中确定该地理位置映射到的目标道路，得到地理位置序列中每个地理位置映射到地图路网上的目标道路。由于该方案能够在确定地理位置序列中各个地理位置映射到地图路网上的候选道路后，基于马尔可夫模型的算法思想，采用XGBoost模型计算各个地理位置对应的观测概率、以及状态转移概率，并基于观测概率和状态转移概率计算各个地理位置分别映射到各自候选道路的目标概率，从而使得基于目标概率，从候选道路中确定地理位置映射到的目标道路(即对象在地图路网上真实行驶的道路)的准确率大大提升。
根据上述实施例所描述的方法，以下将举例作进一步详细说明。
在本实施例中，将以该位置映射装置具体集成在计算机设备中为例进行说明。
如图2a所示，一种位置映射方法，具体流程可以如下：
201、计算机设备获取对象行驶的地理位置序列，该地理位置序列包括多个行驶时间上的地理位置。
本申请实施例中，以地理位置为GPS点为例进行说明，计算机设备获取对象行驶的地理位置序列，可以是通过计算机设备如终端所携带的GPS定位系统，获取车辆或行人等在历史行驶时间段内的各个时间点上的地理位置信息，即各个GPS点的位置信息，例如，GPS点的经度、维度、行驶速度、方向、精度、以及角度等信息。
202、计算机设备针对每个行驶时间上的地理位置，确定该地理位置映射到地图路网上的候选道路，该候选道路为处于该地理位置上的对象在地图路网上行驶的道路。
例如，计算机设备可以选取距离GPS点预设范围内的周边位置区域中的至少一条道路，作为该点映射到地图路网上的候选道路。
比如，计算机设备可以分别计算该GPS点映射到周边位置区域内每条道路的观测概率特征的特征值，根据特征值对该区域内的每条道路进行排序，然后根据排序结果选取出至少一条道路作为该GPS点映射到地图路网上的候选道路。
203、计算机设备针对每个行驶时间上的地理位置，计算该地理位置对应的观测概率、以及状态转移概率，其中，观测概率为该地理位置映射到候选道路的概率，状态转移概率为对象从前序地理位置映射到的候选道路转移到该地理位置映射到的候选道路的概率，前序地理位置为行驶时间位于该地理位置的行驶时间之前的地理位置。
例如，针对每个行驶时间上的地理位置，计算机设备可以通过训练后的XGBoost模型计算每个GPS点对应的观测概率、以及状态转移概率。
其中，可以分别对XGBoost模型进行训练，以采用训练后的XGBoost模型分别计算GPS点对应的观测概率、以及状态转移概率，具体的训练过程可以参见上述的相关描述。
在计算观测概率时，计算机设备可以先分别提取GPS点映射到各个候选道路的观测概率特征(参见表1)，将该观测概率特征作为XGBoost模型(用于计算观测概率的模型)的输入，从而通过该模型预测该GPS点映射到各个候选道路上的观测概率。
在计算状态转移概率时，与计算观测概率同理，需要提取从前一GPS点所映射到的候选道路转移到当前GPS点所映射到的候选道路的状态转移概率特征(参见表2)，并将该状态转移概率特征作为训练后的XGBoost模型(用于计算状态转移概率的模型)的输入，从而通过该模型预测出从前一个GPS点映射到的候选道路转移到当前GPS点映射到的候选道路的状态转移概率。
204、计算机设备针对每个行驶时间上的地理位置，基于该地理位置对应的观测概率、以及状态转移概率，计算该地理位置映射到候选道路的目标概率。
例如，参见图2b，其中，Gt和Gt+1表示相邻前后的两个GPS点；Gt表示t时刻的GPS点；Gt+1表示t+1时刻的GPS点；Li,j表示针对i时刻，GPS点的第j条候选道路；观测概率：表示当前GPS点映射到候选道路的观测概率；状态转移概率：表示从t时刻GPS点映射到的候选道路，转移到t+1时刻GPS点映射到的候选道路的状态转移概率；目标概率：表示截止到当前时刻的GPS点，映射到当前各个候选道路上的总得分。
计算目标概率的方法可以为：将上个GPS点映射到各个候选道路的目标概率、当前GPS点的观测概率、以及当前GPS点的状态转移概率进行求和，得到值即为目标概率。其中，目标概率的初始值为0，即第一个GPS点映射到各个候选道路的目标概率为0。
需要说明的是，在任一时刻，若GPS点映射到的某一条候选道路与前一GPS点映射到的所有候选道路都无法连通，则会放弃该条候选道路，即，将映射到该候选道路的目标概率置0，后续也就不再需要考虑到这条路。极端情况下，如果所有候选道路的目标概率都为0，则说明对象可能违反交通规则行驶，或者地图路网缺路等，此时应该打断后续的位置映射，重新开始进行绑路(即重新将地理位置映射到地图路网的真实道路上)，对绑路结果进行分段输出。
205、计算机设备针对每个行驶时间上的地理位置，基于目标概率从候选道路中确定该地理位置映射到的目标道路，得到地理位置序列中每个地理位置映射到地图路网上的目标道路。
例如，计算机设备可以针对每个行驶时间上的GPS点，根据该GPS点映射到各个候选道路上的目标概率，从前一个GPS点映射到的各个候选道路中确定出当前GPS点的候选道路对应的前序最佳映射道路，得到GPS点序列中各个GPS点的候选道路对应的前序最佳映射道路，然后，根据GPS点序列中最后一个GPS点映射到的目标道路、以及各个GPS点的候选道路对应的前序最佳映射道路，确定出GPS点序列中各个GPS点映射到的目标道路。
参见图2b，以t+1时刻的GPS点为例进行说明，针对该时刻GPS点(即Gt+1)的每一条候选道路，都需要和前一个GPS点(即Gt)的m条候选道路(目标概率＝0的候选道路除外)分别计算状态转移概率、以及目标概率，从m条候选道路中选取计算得到的目标概率最高的候选道路为当前候选道路的前序最佳候选道路，例如，假设当前GPS点映射到的道路Lt+1,2，在分别与前一GPS点映射到的道路Lt,1、Lt,3、以及Lt,m计算目标概率时，同Lt,1计算得到的目标概率最大，因此，Lt+1,2的前序最佳映射道路则为Lt,1，同理，Lt+1,n的前序最佳映射道路为Lt,3，其中，由于映射到道路Lt+1,1的目标概率为0，因此Lt+1,1没有前序最佳映射道路。
基于GPS点序列中最后一个GPS点映射到各个候选道路的目标概率，选取目标概率最大的候选道路作为最后一个GPS点映射到的目标道路，然后，递归向前回溯前序最佳映射道路，直至GPS点序列中的第一个GPS点，则可以得到该GPS点序列中各个GPS点映射到地图路网上的目标道路。
在得到各个GPS点映射到地图路网上的目标道路后，可以将各个目标道路进行整合，例如，可以对各个目标道路进行去重处理，将去重后的目标道路进行连接，从而得到GPS点序列对应的行驶路线，即对象在地图路网上真实的行驶路线。参见图2c，从t时刻至t+3时刻，GPS点序列对应的最佳行驶路线为Lt,3→Lt+1,2→Lt+2,2→Lt+3,3，其中，t时刻GPS点可以映射到道路为{Lt,1，Lt,2，Lt,3……Lt,n}，其中，feature_1、feature_2、feature_3……feature_m为输入至XGBoost模型的特征值，即将提取到的GPS点映射到候选道路的观测概率特征值、以及GPS点对应的状态转移概率特征值分别作为模型的输入，以通过模型预测出GPS点映射到候选道路的观测概率、以及从前一个GPS点映射到的候选道路转移到当前GPS点映射到的候选道路的状态转移概率。
计算机设备可以在地图路网上将该行驶路线标注出来，如图2d、2e、以及2f所示，相比于传统的位置映射方案，本申请实施例所提供的位置映射方案可以提升对象在行驶的起点位置附近(图2d)、主辅路附近(图2e)、以及终点位置附近(图2f)进行位置映射的准确率。
由上可知，本申请实施例可以获取对象行驶的地理位置序列，该地理位置序列包括多个行驶时间上的地理位置；针对每个行驶时间上的地理位置，确定该地理位置映射到地图路网上的候选道路，该候选道路为处于该地理位置上的对象在地图路网上行驶的道路；针对每个行驶时间上的地理位置，计算该地理位置对应的观测概率、以及状态转移概率，其中，观测概率为该地理位置映射到候选道路的概率，状态转移概率为对象从前序地理位置映射到的候选道路转移到该地理位置映射到的候选道路的概率，前序地理位置为行驶时间位于该地理位置的行驶时间之前的地理位置；针对每个行驶时间上的地理位置，基于该地理位置对应的观测概率、以及状态转移概率，计算该地理位置映射到候选道路的目标概率；针对每个行驶时间上的地理位置，基于目标概率从候选道路中确定该地理位置映射到的目标道路，得到地理位置序列中每个地理位置映射到地图路网上的目标道路。由于该方案能够在确定地理位置序列中各个地理位置映射到地图路网上的候选道路后，基于马尔可夫模型的算法思想，采用XGBoost模型计算各个地理位置对应的观测概率、以及状态转移概率，并基于观测概率和状态转移概率计算各个地理位置分别映射到各自候选道路的目标概率，从而使得基于目标概率，从候选道路中确定地理位置映射到的目标道路(即对象在地图路网上真实行驶的道路)的准确率大大提升。
为便于更好地实施以上方法，本申请实施例还提供了一种位置映射装置，该位置映射装置可以集成在计算机设备，比如服务器或终端等设备中。
例如，如图3a所示，该位置映射装置可以包括获取单元301、第一确定单元302、第一计算单元303、第二计算单元304、以及第二确定单元305等，如下：
获取单元301，用于获取对象行驶的地理位置序列，所述地理位置序列包括多个行驶时间上的地理位置；
第一确定单元302，用于针对每个行驶时间上的地理位置，确定所述地理位置映射到地图路网上的候选道路，所述候选道路为处于所述地理位置上的对象在地图路网上行驶的道路；
第一计算单元303，用于针对每个行驶时间上的地理位置，计算地理位置对应的观测概率、以及状态转移概率，其中，所述观测概率为所述地理位置映射到候选道路的概率，所述状态转移概率为所述对象从前序地理位置映射到的候选道路转移到所述地理位置映射到的候选道路的概率，所述前序地理位置为行驶时间位于所述地理位置的行驶时间之前的地理位置；
第二计算单元304，用于针对每个行驶时间上的地理位置，基于所述地理位置对应的观测概率、以及状态转移概率，计算所述地理位置映射到候选道路的目标概率；
第二确定单元305，用于针对每个行驶时间上的地理位置，基于所述目标概率从所述候选道路中确定所述地理位置映射到的目标道路，得到所述地理位置序列中每个地理位置映射到地图路网上的目标道路。
在一些实施例中，所述第二计算单元304，用于：
获取前序地理位置映射到候选道路的前序目标概率；
将所述地理位置对应的观测概率和状态转移概率、以及前序地理位置映射到候选道路的前序目标概率进行融合，得到所述地理位置映射到候选道路的目标概率。
在一些实施例中，参见图3b，所述第二确定单元305，包括：
第一确定子单元3051，用于基于所述目标概率，从前序地理位置的候选道路中确定所述地理位置的候选道路对应的前序最佳映射道路，得到所述地理位置序列中每个地理位置的候选道路对应的前序最佳映射道路；
获取子单元3052，用于获取所述地理位置序列中最后一个地理位置映射到的目标道路；
第二确定子单元3053，用于基于所述地理位置序列中最后一个地理位置映射到的目标道路、以及每个地理位置的候选道路对应的前序最佳映射道路，确定所述地理位置序列中每个地理位置映射到地图路网上的目标道路。
在一些实施例中，所述获取子单元3052，用于：
获取地理位置序列中最后一个地理位置映射到候选道路的目标概率；
根据最后一个地理位置映射到候选道路的目标概率，从最后一个地理位置映射到的候选道路中，选取目标概率最大的候选道路作为最后一个地理位置映射到的目标道路。
在一些实施例中，所述第一确定单元302，用于：
获取所述地理位置对应的周边位置区域；
在地图路网上，确定所述周边位置区域内的至少一条道路作为候选道路。
在一些实施例中，所述第一计算单元303，用于：
提取所述地理位置映射到候选道路的观测概率特征；
基于所述观测概率特征的特征权重，预测所述地理位置映射到候选道路的观测概率；
计算对象从前序地理位置所在候选道路转移到所述地理位置所在候选道路的状态转移概率。
在一些实施例中，所述第一计算单元303，用于：
采用第一预设梯度提升树模型，计算所述地理位置映射到候选道路的观测概率；
采用第二预设梯度提升树模型，计算对象从前序地理位置映射到的候选道路转移到所述地理位置映射到的候选道路的状态转移概率。
在一些实施例中，所述第一计算单元303，用于：
获取样本对象行驶的样本地理位置序列，所述样本地理位置序列包括多个行驶时间上的样本地理位置；
针对每个行驶时间上的样本地理位置，获取所述样本地理位置对应的样本候选道路、以及所述样本地理位置映射到所述样本候选道路的期望观测概率；
通过所述样本地理位置、所述样本候选道路、以及所述样本地理位置映射到样本候选道路的期望观测概率，对第一梯度提升树模型进行训练，得到第一预设梯度提升树模型。
在一些实施例中，所述第一计算单元303，用于：
提取所述样本地理位置映射到所述样本候选道路的样本观测概率特征；
采用第一梯度提升树模型，基于所述样本观测概率特征的特征值预测所述样本地理位置映射到所述样本候选道路的预测观测概率；
基于所述样本候选道路中样本地理位置映射到正样本道路的预测观测概率和期望观测概率，以及样本地理位置映射到负样本道路的预测观测概率和期望观测概率，调整第一梯度提升树模型中观测概率特征的特征权重，得到第一预设梯度提升树模型，所述正样本道路为所述样本候选道路中样本地理位置映射到的正确的样本候选道路，所述负样本道路为所述样本候选道路中样本地理位置映射到的错误的样本候选道路。
在一些实施例中，所述第一计算单元303，用于：
获取样本对象行驶的样本地理位置序列，所述样本地理位置序列包括多个行驶时间上的样本地理位置；
从所述样本地理位置序列中确定样本地理位置对，所述样本地理位置对中包括样本地理位置、以及所述样本地理位置的前序样本地理位置；
针对每个样本地理位置对，获取所述样本地理位置对对应的样本候选道路对，以及所述样本地理位置对中从前序样本地理位置的样本候选道路转移到所述样本地理位置的样本候选道路的期望状态转移概率；
通过所述样本地理位置对、所述样本候选道路对、以及所述期望状态转移概率，对第二梯度提升树模型进行训练，得到第二预设梯度提升树模型。
在一些实施例中，所述样本候选道路对中包括正样本道路对、以及负样本道路对，所述第一计算单元303，用于：
对所述样本地理位置对中样本地理位置的样本候选道路、以及前序样本地理位置的样本候选道路进行正采样，得到正样本道路对；
对所述样本地理位置对中样本地理位置的样本候选道路、以及前序样本地理位置的样本候选道路进行负采样，得到初始负样本道路对；
根据预设路网规则对所述初始负样本道路对进行筛选，得到负样本道路对。
在一些实施例中，参见图3c，所述位置映射装置还包括整合单元306，用于：
将所述地理位置序列中每个地理位置映射到地图路网上的目标道路进行整合，得到所述对象在地图路网上的行驶路线；
在所述地图路网上标注出所述对象的行驶路线。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由上可知，本申请实施例的实体提取装置可以通过获取单元301获取对象行驶的地理位置序列，该地理位置序列包括多个行驶时间上的地理位置；由第一确定单元302针对每个行驶时间上的地理位置，确定该地理位置映射到地图路网上的候选道路，该候选道路为处于该地理位置上的对象在地图路网上行驶的道路；由第一计算单元303针对每个行驶时间上的地理位置，计算该地理位置对应的观测概率、以及状态转移概率，其中，观测概率为该地理位置映射到候选道路的概率，状态转移概率为对象从前序地理位置映射到的候选道路转移到该地理位置映射到的候选道路的概率，前序地理位置为行驶时间位于该地理位置的行驶时间之前的地理位置；由第二计算单元304针对每个行驶时间上的地理位置，基于该地理位置对应的观测概率、以及状态转移概率，计算该地理位置映射到候选道路的目标概率；由第二确定单元305针对每个行驶时间上的地理位置，基于目标概率从候选道路中确定该地理位置映射到的目标道路，得到地理位置序列中每个地理位置映射到地图路网上的目标道路。由于该方案能够在确定地理位置序列中各个地理位置映射到地图路网上的候选道路后，基于马尔可夫模型的算法思想，采用XGBoost模型计算各个地理位置对应的观测概率、以及状态转移概率，并基于观测概率和状态转移概率计算各个地理位置分别映射到各自候选道路的目标概率，从而使得基于目标概率，从候选道路中确定地理位置映射到的目标道路(即对象在地图路网上真实行驶的道路)的准确率大大提升。
本申请实施例还提供一种计算机设备，如图4所示，其示出了本申请实施例所涉及的计算机设备的结构示意图，具体来讲：
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图4中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401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、用户界面和应用程序等，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401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、影像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取对象行驶的地理位置序列，该地理位置序列包括多个行驶时间上的地理位置；针对每个行驶时间上的地理位置，确定该地理位置映射到地图路网上的候选道路，该候选道路为处于该地理位置上的对象在地图路网上行驶的道路；针对每个行驶时间上的地理位置，计算该地理位置对应的观测概率、以及状态转移概率，其中，观测概率为该地理位置映射到候选道路的概率，状态转移概率为对象从前序地理位置映射到的候选道路转移到该地理位置映射到的候选道路的概率，前序地理位置为行驶时间位于该地理位置的行驶时间之前的地理位置；针对每个行驶时间上的地理位置，基于该地理位置对应的观测概率、以及状态转移概率，计算该地理位置映射到候选道路的目标概率；针对每个行驶时间上的地理位置，基于目标概率从候选道路中确定该地理位置映射到的目标道路，得到地理位置序列中每个地理位置映射到地图路网上的目标道路。
以上各个操作具体可参见前面的实施例，在此不作赘述。
由上可知，本申请实施例的计算机设备可以获取对象行驶的地理位置序列，该地理位置序列包括多个行驶时间上的地理位置；针对每个行驶时间上的地理位置，确定该地理位置映射到地图路网上的候选道路，该候选道路为处于该地理位置上的对象在地图路网上行驶的道路；针对每个行驶时间上的地理位置，计算该地理位置对应的观测概率、以及状态转移概率，其中，观测概率为该地理位置映射到候选道路的概率，状态转移概率为对象从前序地理位置映射到的候选道路转移到该地理位置映射到的候选道路的概率，前序地理位置为行驶时间位于该地理位置的行驶时间之前的地理位置；针对每个行驶时间上的地理位置，基于该地理位置对应的观测概率、以及状态转移概率，计算该地理位置映射到候选道路的目标概率；针对每个行驶时间上的地理位置，基于目标概率从候选道路中确定该地理位置映射到的目标道路，得到地理位置序列中每个地理位置映射到地图路网上的目标道路。由于该方案能够在确定地理位置序列中各个地理位置映射到地图路网上的候选道路后，通过计算各个地理位置对应的观测概率、以及状态转移，并基于观测概率和状态转移概率计算各个地理位置分别映射到各自的候选道路的目标概率，从而使得基于目标概率从候选道路中确定目标道路的准确率大大提升。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有计算机程序，该计算机程序能够被处理器进行加载，以执行本申请实施例所提供的任一种位置映射方法中的步骤。例如，该计算机程序可以执行如下步骤：
获取对象行驶的地理位置序列，该地理位置序列包括多个行驶时间上的地理位置；针对每个行驶时间上的地理位置，确定该地理位置映射到地图路网上的候选道路，该候选道路为处于该地理位置上的对象在地图路网上行驶的道路；针对每个行驶时间上的地理位置，计算该地理位置对应的观测概率、以及状态转移概率，其中，观测概率为该地理位置映射到候选道路的概率，状态转移概率为对象从前序地理位置映射到的候选道路转移到该地理位置映射到的候选道路的概率，前序地理位置为行驶时间位于该地理位置的行驶时间之前的地理位置；针对每个行驶时间上的地理位置，基于该地理位置对应的观测概率、以及状态转移概率，计算该地理位置映射到候选道路的目标概率；针对每个行驶时间上的地理位置，基于目标概率从候选道路中确定该地理位置映射到的目标道路，得到地理位置序列中每个地理位置映射到地图路网上的目标道路。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请实施例所提供的任一种位置映射方法中的步骤，因此，可以实现本申请实施例所提供的任一种位置映射方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种位置映射方法、装置、计算机设备和计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (13)

1.一种位置映射方法，其特征在于，包括：
获取对象行驶的地理位置序列，所述地理位置序列包括多个行驶时间上的地理位置；
针对每个行驶时间上的地理位置，确定所述地理位置映射到地图路网上的候选道路，所述候选道路为处于所述地理位置上的对象在地图路网上行驶的道路；
针对每个行驶时间上的地理位置，提取所述地理位置映射到候选道路的观测概率特征、以及所述对象从前序地理位置映射到的候选道路转移到所述地理位置映射到的候选道路的状态转移概率特征，采用第一预设梯度提升树模型，预测所述地理位置对应的观测概率；采用第二预设梯度提升树模型，预测所述地理位置对应的状态转移概率，其中，所述观测概率为所述地理位置映射到候选道路的概率，所述状态转移概率为所述对象从前序地理位置映射到的候选道路转移到所述地理位置映射到的候选道路的概率，所述前序地理位置为行驶时间位于所述地理位置的行驶时间之前的地理位置，所述观测概率是基于所述第一预设梯度提升树模型中观测概率特征的特征权重计算得到，所述状态转移概率是基于所述第二预设梯度提升树模型中状态转移概率特征的特征权重计算到的，所述观测概率特征的特征权重为通过对第一梯度提升树模型训练学习得到，所述状态转移概率特征的特征权重为通过对第二梯度提升树模型训练学习得到；
针对每个行驶时间上的地理位置，将所述地理位置对应的观测概率和状态转移概率、以及前序地理位置映射到候选道路的前序目标概率进行加权求和，得到所述地理位置映射到候选道路的目标概率；
针对每个行驶时间上的地理位置，基于所述目标概率从所述候选道路中确定所述地理位置映射到的目标道路，得到所述地理位置序列中每个地理位置映射到地图路网上的目标道路。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标概率从所述候选道路中确定所述地理位置映射到的目标道路，得到所述地理位置序列中每个地理位置映射到地图路网上的目标道路，包括：
基于所述目标概率，从前序地理位置的候选道路中确定所述地理位置的候选道路对应的前序最佳映射道路，得到所述地理位置序列中每个地理位置的候选道路对应的前序最佳映射道路；
获取所述地理位置序列中最后一个地理位置映射到的目标道路；
基于所述地理位置序列中最后一个地理位置映射到的目标道路、以及每个地理位置的候选道路对应的前序最佳映射道路，确定所述地理位置序列中每个地理位置映射到地图路网上的目标道路。
3.根据权利要求2所述的方法，其特征在于，所述获取所述地理位置序列中最后一个地理位置映射到的目标道路，包括：
获取地理位置序列中最后一个地理位置映射到候选道路的目标概率；
根据最后一个地理位置映射到候选道路的目标概率，从最后一个地理位置映射到的候选道路中，选取目标概率最大的候选道路作为最后一个地理位置映射到的目标道路。
4.根据权利要求1所述的方法，其特征在于，所述确定所述地理位置映射到地图路网上的候选道路，包括：
获取所述地理位置对应的周边位置区域；
在地图路网上，确定所述周边位置区域内的至少一条道路作为候选道路。
5.根据权利要求1所述的方法，其特征在于，所述采用第一预设梯度提升树模型，预测所述地理位置对应的观测概率；采用第二预设梯度提升树模型，预测所述地理位置对应的状态转移概率，包括：
采用第一预设梯度提升树模型，基于所述观测概率特征的特征权重，预测所述地理位置映射到候选道路的观测概率；
采用第二预设梯度提升树模型，基于所述状态转移概率特征的特征权重，预测对象从前序地理位置映射到的候选道路转移到所述地理位置映射到的候选道路的状态转移概率。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取样本对象行驶的样本地理位置序列，所述样本地理位置序列包括多个行驶时间上的样本地理位置；
针对每个行驶时间上的样本地理位置，获取所述样本地理位置对应的样本候选道路、以及所述样本地理位置映射到所述样本候选道路的期望观测概率；
通过所述样本地理位置、所述样本候选道路、以及所述样本地理位置映射到样本候选道路的期望观测概率，对第一梯度提升树模型进行训练，得到第一预设梯度提升树模型。
7.根据权利要求6所述的方法，其特征在于，所述通过所述样本地理位置、所述样本候选道路、以及所述样本地理位置映射到样本候选道路的期望观测概率，对第一梯度提升树模型进行训练，得到第一预设梯度提升树模型，包括：
提取所述样本地理位置映射到所述样本候选道路的样本观测概率特征；
采用第一梯度提升树模型，基于所述样本观测概率特征的特征值预测所述样本地理位置映射到所述样本候选道路的预测观测概率；
基于所述样本候选道路中样本地理位置映射到正样本道路的预测观测概率和期望观测概率，以及样本地理位置映射到负样本道路的预测观测概率和期望观测概率，调整第一梯度提升树模型中观测概率特征的特征权重，得到第一预设梯度提升树模型，所述正样本道路为所述样本候选道路中样本地理位置映射到的正确的样本候选道路，所述负样本道路为所述样本候选道路中样本地理位置映射到的错误的样本候选道路。
8.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取样本对象行驶的样本地理位置序列，所述样本地理位置序列包括多个行驶时间上的样本地理位置；
从所述样本地理位置序列中确定样本地理位置对，所述样本地理位置对中包括样本地理位置、以及所述样本地理位置的前序样本地理位置；
针对每个样本地理位置对，获取所述样本地理位置对对应的样本候选道路对，以及所述样本地理位置对中从前序样本地理位置的样本候选道路转移到所述样本地理位置的样本候选道路的期望状态转移概率；
通过所述样本地理位置对、所述样本候选道路对、以及所述期望状态转移概率，对第二梯度提升树模型进行训练，得到第二预设梯度提升树模型。
9.根据权利要求8所述的方法，其特征在于，所述样本候选道路对中包括正样本道路对、以及负样本道路对，所述获取所述样本地理位置对对应的样本候选道路对，包括：
对所述样本地理位置对中样本地理位置的样本候选道路、以及前序样本地理位置的样本候选道路进行正采样，得到正样本道路对；
对所述样本地理位置对中样本地理位置的样本候选道路、以及前序样本地理位置的样本候选道路进行负采样，得到初始负样本道路对；
根据预设路网规则对所述初始负样本道路对进行筛选，得到负样本道路对。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述地理位置序列中每个地理位置映射到地图路网上的目标道路进行整合，得到所述对象在地图路网上的行驶路线；
在所述地图路网上标注出所述对象的行驶路线。
11.一种位置映射装置，其特征在于，包括：
获取单元，用于获取对象行驶的地理位置序列，所述地理位置序列包括多个行驶时间上的地理位置；
第一确定单元，用于针对每个行驶时间上的地理位置，确定所述地理位置映射到地图路网上的候选道路，所述候选道路为处于所述地理位置上的对象在地图路网上行驶的道路；
第一计算单元，用于针对每个行驶时间上的地理位置，提取所述地理位置映射到候选道路的观测概率特征、以及所述对象从前序地理位置映射到的候选道路转移到所述地理位置映射到的候选道路的状态转移概率特征，采用第一预设梯度提升树模型，预测所述地理位置对应的观测概率；采用第二预设梯度提升树模型，预测所述地理位置对应的状态转移概率，其中，所述观测概率为所述地理位置映射到候选道路的概率，所述状态转移概率为所述对象从前序地理位置映射到的候选道路转移到所述地理位置映射到的候选道路的概率，所述前序地理位置为行驶时间位于所述地理位置的行驶时间之前的地理位置，所述观测概率是基于所述第一预设梯度提升树模型中观测概率特征的特征权重计算得到，所述状态转移概率是基于所述第二预设梯度提升树模型中状态转移概率特征的特征权重计算到的，所述观测概率特征的特征权重为通过对第一梯度提升树模型训练学习得到，所述状态转移概率特征的特征权重为通过对第二梯度提升树模型训练学习得到；
第二计算单元，用于针对每个行驶时间上的地理位置，将所述地理位置对应的观测概率和状态转移概率、以及前序地理位置映射到候选道路的前序目标概率进行加权求和，得到所述地理位置映射到候选道路的目标概率；
第二确定单元，用于针对每个行驶时间上的地理位置，基于所述目标概率从所述候选道路中确定所述地理位置映射到的目标道路，得到所述地理位置序列中每个地理位置映射到地图路网上的目标道路。
12.一种计算机设备，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，其中，所述处理器执行所述程序时实现如权利要求1-10任一项所述方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-10任一项所述方法的步骤。
CN202010392942.4A 2020-05-11 2020-05-11 一种位置映射方法、装置、设备及可读存储介质 Active CN111651538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010392942.4A CN111651538B (zh) 2020-05-11 2020-05-11 一种位置映射方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010392942.4A CN111651538B (zh) 2020-05-11 2020-05-11 一种位置映射方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111651538A CN111651538A (zh) 2020-09-11
CN111651538B true CN111651538B (zh) 2022-11-01

Family

ID=72349297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010392942.4A Active CN111651538B (zh) 2020-05-11 2020-05-11 一种位置映射方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111651538B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685531B (zh) * 2021-01-26 2021-12-03 腾讯科技（深圳）有限公司 车辆匹配方法和装置、计算设备以及计算机可读存储介质
CN112884837B (zh) * 2021-03-16 2023-06-20 百度在线网络技术（北京）有限公司 道路定位方法、装置、设备及存储介质
CN115169592A (zh) * 2022-06-30 2022-10-11 深圳信息职业技术学院 能见度预测方法、装置、存储介质及计算机设备
CN115297544B (zh) * 2022-09-22 2023-01-31 中国电子科技集团公司第三十研究所 基于msc gt码的定位方法、装置、计算机设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105444769B (zh) * 2015-11-26 2019-07-23 北京百度网讯科技有限公司 地图匹配方法及装置
CN106919579B (zh) * 2015-12-24 2020-11-06 腾讯科技（深圳）有限公司 一种信息处理方法及装置、设备
CN106595680A (zh) * 2016-12-15 2017-04-26 福州大学 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法
US10415984B2 (en) * 2017-12-29 2019-09-17 Uber Technologies, Inc. Measuring the accuracy of map matched trajectories
US10598499B2 (en) * 2018-07-25 2020-03-24 Kabushiki Kaisha Toshiba Method and device for accelerated map-matching

Also Published As

Publication number Publication date
CN111651538A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111651538B (zh) 一种位置映射方法、装置、设备及可读存储介质
Hsueh et al. Map matching for low-sampling-rate GPS trajectories by exploring real-time moving directions
CN110648529B (zh) 一种车辆行驶轨迹的渲染方法、装置、设备及存储介质
CN104462190B (zh) 一种基于海量空间轨迹挖掘的在线的位置预测方法
CN104270714B (zh) 确定用户行动轨迹的方法和装置
CN112182430B (zh) 一种地点推荐的方法、装置、电子设备及存储介质
CN112815948B (zh) 识别偏航模式的方法、装置、计算机设备和存储介质
CN110598917A (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
CN116518960A (zh) 路网更新方法、装置、电子设备和存储介质
Goeddel et al. DART: A particle-based method for generating easy-to-follow directions
CN112742030B (zh) 一种地图导航方法、装置、存储介质和计算机设备
CN113766633A (zh) 数据处理方法、装置、电子设备以及存储介质
Blazquez et al. Towards a parameter tuning approach for a map-matching algorithm
CN112084876A (zh) 一种目标对象追踪方法、系统、装置及介质
CN115691140B (zh) 一种汽车充电需求时空分布的分析与预测方法
CN114245329B (zh) 通行方式识别方法、装置、设备及存储介质
CN114120287B (zh) 数据处理方法、装置、计算机设备和存储介质
CN112699203B (zh) 路网数据的处理方法和装置
Kim et al. Probabilistic graphical model based personal route prediction in mobile environment
CN114372736A (zh) 一种路线推荐的方法、装置、存储介质及电子设备
CN112148825B (zh) 用户轨迹数据的处理方法、装置、电子设备及存储介质
CN117132958B (zh) 道路要素识别方法及相关装置
CN111047044B (zh) Eta模型的训练方法、eta预估方法、装置及设备
CN113283184B (zh) 一种出行推荐方法、装置、计算机设备和存储介质
CN117113037B (zh) 通行数据确定方法、装置、电子设备及存储介质

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: 40028913

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant