CN111879322B - 一种定位精度的预测方法和系统 - Google Patents

Abstract

本申请实施例公开了一种定位精度的预测方法和系统。所述方法包括：获取来自定位装置的定位相关信息；利用定位精度预测模型处理所述定位相关信息，以获取定位精度，所述定位精度预测模型包括机器学习模型。

Description

一种定位精度的预测方法和系统

技术领域

本申请涉及交通导航领域，特别涉及一种定位精度预测的方法和系统。

背景技术

导航系统，如GPS系统，可以输出定位经度、纬度、精度、速度、方向等信息。其中，精度可以反映出当前定位的误差范围，精度值越小，表示定位数据误差越小，定位越准确。定位装置输出的定位精度是由定位装置系统根据，如定位装置内部安装的GPS芯片输出的信噪比、卫星数等数据计算出来的。由于不同厂商的计算标准不同，导致对于不同的定位装置，其输出的精度可能会有所差异。例如，某些型号的手机的定位精度会统一偏小。然而，在实际应用中，当某型号手机的定位位置(例如，经纬度)与实际位置偏差较大时，系统输出的定位精度值可能依然较小，其定位位置的准确度也是不可信的。因此，需要一种可以对定位装置的定位精度进行预测的方法。

发明内容

本申请实施例之一提供一种定位精度的预测方法。所述定位精度的预测方法包括：获取来自定位装置的定位相关信息；以及利用定位精度预测模型处理所述定位相关信息，以获取定位精度，所述定位精度预测模型包括机器学习模型。

本申请实施例之一提供一种定位精度的预测系统。所述定位精度的预测系统包括：获取模块，用于获取来自定位装置的定位相关信息；预测模块，用于利用定位精度预测模型处理所述定位相关信息，以获取定位精度，所述定位精度预测模型包括机器学习模型。

本申请实施例之一提供一种定位精度的预测装置，包括处理器以及存储器。所述存储器用于存储指令，所述处理器用于执行定位精度的预测方法。

本申请实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行定位精度的预测方法。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本申请一些实施例所示的示例性定位精度预测系统的应用场景示意图；

图2是根据本申请一些实施例所示的示例性定位精度预测系统的框图；

图3是根据本申请一些实施例所示的定位精度预测方法的示例性流程图；以及

图4是根据本申请一些实施例所示的训练定位精度预测模型的示例性流程图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

本申请的实施例可以应用于导航、目标探测、电子地图、交通运输等不同领域，不同的运输系统包括但不限于陆地、海洋、航空、航天等中的一种或几种的组合。例如，出租车、专车、顺风车、巴士、代驾、火车、动车、高铁、船舶、飞机、热气球、无人驾驶的交通工具、收/送快递等应用了管理和/或分配的运输系统等。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制系统、人工智能机器人等中的一种或几种的组合。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。例如，其他类似的引导用户停车系统。

本申请中涉及的定位技术可以是基于全球定位系统(global positioningsystem,GPS)、全球导航卫星系统(global navigation satellite system,GLONASS)、罗盘导航系统(compass navigation system,COMPASS)、伽利略定位系统、准天顶卫星系统(quasi-zenith satellite system,QZSS)、北斗定位系统、无线保真(wireless fidelity,WiFi)定位技术等或其任意组合。上述定位技术中的一种或以上可以在本申请中互换使用。

图1是根据本申请一些实施例所示的示例性定位精度预测系统的应用场景示意图。定位精度预测系统100可以包括服务器110、网络120、定位装置130和存储器140。

在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式的系统)。在一些实施例中，服务器110可以是本地的，也可以是远程的。例如，服务器110可以经由网络120访问存储于定位装置130或存储器140中的信息和/或数据。又例如，服务器110可以直接连接到定位装置130和/或存储器140以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，服务器110可以在图2中所示的有一个或以上组件的计算设备200上实现。

在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以处理信息和/或数据以执行本申请中描述的一个或以上的功能。例如，处理引擎112可以利用精度预测模型处理用户的定位相关信息来获取定位精度。再例如，处理引擎112可以基于历史定位相关信息和与之对应的历史实际轨迹数据训练精度预测模型。所述处理引擎112可包括一个或者以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。处理引擎112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器或类似物、或其任意组合。

网络120可以促进信息和/或数据的交换。在一些实施例中，定位精度预测系统100的一个或以上组件(例如，服务器110、定位装置130或存储器140)可以经由网络120将信息和/或数据发送到定位精度预测系统100的其他组件。例如，服务器110可以经由网络120从存储器140或定位装置130获取定位相关信息，例如，当前定位点的位置信息、当前定位点所属地理区域的环境信息等。服务器110还可以经由网络120从存储器140或定位装置130获取历史定位相关信息和/或历史实际轨迹数据。服务器110还可以经由网络120从存储器140或定位装置130获取定位精度预测模型。服务器110还可以经由网络120将预测的定位精度发送至在线交通运输平台系统或者其他定位平台系统。在线交通运输平台系统或者其他定位平台系统可以根据预测的定位精度判断其对应的定位点数据是否可信，并将不可信的定位点数据剔除，得到更加精确的定位信息。在一些实施例中，网络120可以是有线网络或无线网络等或其任意组合。仅作为示例，网络120可以包括电缆网络、有线网络、光纤网络、电信网络，内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)，公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络等，或其任意组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，如基站和/或互联网交换点120-1、120-2、……，通过该网络交换点，定位精度预测系统100的一个或以上部件可以连接到网络120以交换数据和/或信息。

在一些实施例中，定位装置130可以与定位精度预测系统100的用户(例如，司机、乘客、送餐员、快递员)相关联。定位装置130是可以利用定位技术获取定位信息的装置。定位装置130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、车载导航130-4以及其他可以进行定位的装置或其任意组合。在一些实施例中，移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，该可穿戴设备可包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google Glass^TM、Oculus Rift^TM、Hololens^TM或Gear VR^TM等。

存储器140可以存储数据和/或指令。在一些实施例中，存储器140可以存储从定位装置130获取的数据。在一些实施例中，存储器140可以储存服务器110用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些实施例中，存储器140可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，存储器140可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。

在一些实施例中，存储器140可以连接到网络120以与定位精度预测系统100的一个或以上组件(例如，服务器110、定位装置130)通信。定位精度预测系统100的一个或以上组件可以经由网络120访问存储在存储器140中的数据和/或指令。在一些实施例中，存储器140可以直接连接到定位精度预测系统100的一个或以上组件(例如，服务器110、定位装置130)或与之通信。在一些实施例中，存储器140可以是服务器110的一部分。

应当注意的是，上述有关定位精度预测系统100的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对定位精度预测系统100进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。

图2是根据本申请一些实施例所示的示例性定位精度预测系统的框图。如图2所示，定位精度预测系统200可以包括获取模块210、预测模块220和训练模块230。

获取模块210可以用于获取来自定位装置的定位相关信息。在一些实施例中，定位装置130的定位相关信息可以包括定位点数据、定位装置的系统精度数据以及定位装置的类型。

在一些实施例中，定位点数据可以包括目标定位点的位置信息、目标定位点所属地理区域的环境信息、位于目标定位点之前的至少一个在先定位点的位置信息、目标定位点与至少一个在先定位点中的至少任意两个之间的位置关系信息中的至少一种。

在一些实施例中，定位装置的系统精度数据是定位装置输出的精度，即定位装置自身确定的坐标数据的精度。在一些实施例中，定位装置的系统精度数据可以包括目标定位点的系统精度数据、位于目标定位点之前的至少一个在先定位点的系统精度数据、目标定位点的系统精度数据与至少一个在先定位点的系统精度数据中的至少任意两个的运算结果等中的至少一种。

在一些实施例中，定位装置的类型是定位装置130的具体型号。例如，若定位装置为手机，则定位装置的类型需要细化至该手机的具体型号。在一些实施例中，不同类型的定位装置在相同或是不同位置的系统精度数据都是不一样的。

预测模块220可以用于利用定位精度预测模型处理定位相关信息，以获取定位精度。所述定位精度预测模型包括机器学习模型。在一些实施例中，定位相关信息可以包括目标定位点与至少一个在先定位点的位置信息、目标定位点所属地理区域的环境信息，位置关系信息等。在一些实施例中，预测模块220可以根据目标定位点与至少一个在先定位点的位置信息、位置关系信息，即定位轨迹，以及映射到路网数据后的位置信息和位置关系信息，即实际轨迹，计算得到定位装置的预测定位精度。

在一些实施例中，定位相关信息可以包括目标定位点与至少一个在先定位点的位置信息、目标定位点所属地理区域的环境信息、位置关系信息、定位装置的系统精度数据、定位装置的类型等。在一些实施例中，预测模块220可以将映射到路网后的位置信息和位置关系信息，即实际轨迹，定位装置的系统精度数据、定位装置的类型输入至定位精度预测模型，从而输出得到定位装置的预测定位精度。

在一些实施例中，定位相关信息可以包括目标定位点与至少一个在先定位点的位置信息、位置关系信息、定位装置的系统精度数据、定位装置的类型等。在一些实施例中，预测模块220可以将目标定位点与至少一个在先定位点的位置信息、位置关系信息，即定位轨迹，定位装置的系统精度数据、定位装置的类型输入至定位精度预测模型，从而得到定位装置的预测定位精度。

训练模块230可以用于训练初始机器学习模型获取定位精度预测模型。在一些实施例中，训练模块230可以获取一个或多个定位装置的历史定位相关信息以及与之对应的历史实际轨迹数据。在一些实施例中，训练模块230可以基于历史定位相关信息以及与之对应的历史实际轨迹数据确定精度标记。在一些实施例中，训练模块230可以将所述历史定位相关信息作为输入数据，将对应的精度标记作为参考标准，训练所述初始机器学习模型，进而获得所述定位精度预测模型。

在一些实施例中，所述初始的机器学习模型可以是回归模型，包括但不限于线性回归模型(Linear Regression)、逻辑回归模型(Logistics Regression)、多项式回归模型(Polynomial Regression)、逐步回归模型(Stepwise Regression)、岭回归模型(RidgeRegression)、套索回归模型(Lasso Regression)、ElasticNet回归模型(ElasticNetRegression)等或其任意组合。

应当理解，图2所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要注意的是，以上对于定位精度预测系统200及其模块的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，例如，图2中披露的获取模块210、预测模块220和训练模块230可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。又例如，定位精度预测系统200还可以包括通信模块，用来与其他部件通信，例如用于获取来自定位装置130的定位相关信息。定位精度预测系统200中各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本申请的保护范围之内。

图3是根据本申请一些实施例所示的定位精度预测方法的示例性流程图。在一些实施例中，过程300可以在图1所示的服务器110上实现。例如，所述过程300可以作为指令的形式存储在存储介质(例如，存储器140)中，并且由服务器110或处理引擎112的一个或多个模块调用和/或执行。在一些实施例中，所述过程300可以利用未描述的一个或以上附加操作，和/或没有所讨论的一个或以上操作来完成。应当注意，所述过程300的描述仅出于说明的目的而提供，并不旨在限制本申请的范围。对于本领域普通技术人员而言，可以在本申请的教导下进行多种变化和修改。然而，那些变化和修改不脱离本申请的范围。

在步骤320中，获取模块210可以获取来自定位装置130的定位相关信息。

在一些实施例中，定位装置130是可以利用定位技术获取定位信息的装置。定位装置130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、车载导航130-4以及其他可以进行定位的装置或其任意组合。例如，定位装置130可以是手机、平板电脑、智能手表等任意能够进行定位的装置。在一些实施例中，定位装置130的定位相关信息可以包括定位点数据、定位装置的系统精度数据以及定位装置的类型。

在一些实施例中，定位点数据是定位装置所处的路段信息。例如，定位装置所处的环境信息等。在一些实施例中，定位点数据是由定位装置上传的。在一些实施例中，定位点数据可以通过定位装置采集的相关信息获取。例如，可以通过定位装置上附带的视频采集装置获取相关信息。

在一些实施例中，定位点数据可以包括目标定位点的位置信息、目标定位点所属地理区域的环境信息、位于目标定位点之前的至少一个在先定位点的位置信息、目标定位点与至少一个在先定位点中的至少任意两个之间的位置关系信息中的至少一种。其中，目标定位点即为需要预测定位精度的定位装置当前时刻所处的点。在一些实施例中，目标定位点的位置信息即为需要预测定位精度的定位装置当前时刻的坐标数据，可以通过该定位装置直接获取。在一些实施例中，位于目标定位点之前的至少一个在先定位点的位置信息为定位装置在当前时刻前一段时间内(例如，前30秒、前1分钟、前2分钟、前5分钟等)的坐标数据，同样可以通过该定位装置在前一时间段内直接获取并进行短时间存储。在一些实施例中，目标定位点所属地理区域的环境信息为定位装置在当前时刻所处的点所在的位置的环境信息，包括有路网数据和视频信息等。例如，目标定位点的拥堵情况、周围的建筑情况、道路情况等。在一些实施例中，路网数据可以通过网络120在不同系统中的目标定位点周围的实时数据进行获取，例如，可以在导航系统、地图系统、网约车系统中获取目标定位点周围的路网数据。在一些实施例中，视频信息可以通过视频采集装置获取，所述视频采集装置可以是定位装置的一部分，也可以是定位装置的外置装置，例如，视频采集装置可以是车辆的行车记录仪。在一些实施例中，不同路段的视频信息可以预先进行采集并存储以备调用，并且可以设定一段时间进行更新。在一些实施例中，路网数据也可以每间隔一段时间进行更新，例如每个小时更新一次或每两个小时更新一次等。在一些实施例中，根据获取的路网数据和视频信息，可以确定目标定位点所属地理区域的环境信息。

在一些实施例中，所述目标定位点与至少一个在先定位点中的至少任意两个之间的位置关系信息包括需要预测定位精度的目标定位点与所涉任一在先定位点之间的位置关系。在一些实施例中，所述位置关系信息可以包括坐标数据，例如上述两点之间的距离信息、两点所处直线与某一固定参考线形成的夹角等，例如两点之间的直线距离以及两点所在直线与正北方向形成的夹角。在一些实施例中，可以根据获取的目标定位点的位置信息、位于目标定位点之前的至少一个在先定位点的位置信息，将目标定位点以及至少一个在先定位点映射到路网数据中，从而确定所述目标定位点与至少一个在先定位点中的至少任意两个在路网数据中的距离和/或夹角，最后将所述距离和/或夹角确定为所述位置关系信息。在一些实施例中，还可以不通过映射到路网数据，而直接根据目标定位点与至少一个在先定位点的坐标数据计算各个定位点之间的距离和夹角。

在一些实施例中，定位装置的系统精度数据是定位装置输出的精度，即定位装置自身确定的坐标数据的精度。在一些实施例中，定位装置的系统精度数据可以包括目标定位点的系统精度数据、位于目标定位点之前的至少一个在先定位点的系统精度数据、目标定位点的系统精度数据与至少一个在先定位点的系统精度数据中的至少任意两个的运算结果等中的至少一种。在一些实施例中，系统的精度数据是根据定位芯片的输出数据确定的，并且在不同路段上的精度数据可以是不同的。例如，定位装置的系统精度数据在某个位置的精度数据为5米，该定位装置在另一个位置的精度可以为50米。在一些实施例中，目标定位点的系统精度数据是需要预测定位精度的定位装置在当前时刻的当前路段的系统精度数据，可以通过定位装置自身直接确定。在一些实施例中，位于目标定位点之前的至少一个在先定位点的系统精度数据即为与上述位于目标定位点之前的至少一个在先定位点的位置信息为同一时间点的系统精度，同样可以通过定位装置自身直接确定并进行短时间存储。在一些实施例中，目标定位点的系统精度数据与至少一个在先定位点的系统精度数据中的至少任意两个的运算结果可以通过平均值计算、最大值计算、最小值计算得到。

在一些实施例中，定位装置的类型是定位装置130的具体型号。例如，若定位装置为手机，则定位装置的类型需要细化至该手机的具体型号。在一些实施例中，不同类型的定位装置在相同或是不同位置的系统精度数据都是不一样的。例如，类型为A的定位装置在某位置的系统精度数据可以为5米，型号B的定位装置在相同位置的系统精度可以为50米。在一些实施例中，定位装置的类型可以通过该定位装置的参数信息直接获取，例如若定位装置为手机，则该定位装置的类型可以通过该手机设备的参数信息直接获取。

在步骤340中，预测模块220可以利用定位精度预测模型处理所述定位相关信息，以获取定位精度，所述定位精度预测模型包括机器学习模型。

在一些实施例中，定位精度预测模型为机器学习模型，可以是一种回归模型。在一些实施例中，定位精度预测模型的训练在图4中进行了详细描述，此处不再赘述。

在一些实施例中，预测定位精度为定位装置的目标定位点的位置与定位装置的实际位置之间的距离，即实际定位精度，可能由于定位装置输出的定位信息不准确，从而与系统精度数据不一致。例如，某个定位装置在某位置时，目标定位点的位置与实际位置之间的距离，即实际定位精度为25米，而系统精度数据有可能只有5米。因此，通过定位精度预测模型可以获取定位装置的实际定位精度而非系统精度。

在一些实施例中，定位相关信息可以包括目标定位点与至少一个在先定位点的位置信息、目标定位点所属地理区域的环境信息，位置关系信息等。在一些实施例中，可以根据目标定位点与至少一个在先定位点的位置信息、位置关系信息，确定定位轨迹。在一些实施例中，可以根据定位相关信息中映射到路网数据后的位置信息和位置关系信息，确定实际轨迹，从而根据定位轨迹和实际轨迹计算得到定位装置的预测定位精度。

在一些实施例中，定位相关信息可以包括目标定位点与至少一个在先定位点的位置信息、目标定位点所属地理区域的环境信息、位置关系信息、定位装置的系统精度数据、定位装置的类型等。在一些实施例中，可以将定位相关信息、定位装置的系统精度数据、定位装置的类型输入至定位精度预测模型，从而输出得到定位装置的预测定位精度。

在一些实施例中，定位相关信息可以包括目标定位点与至少一个在先定位点的位置信息、位置关系信息、定位装置的系统精度数据、定位装置的类型等。在一些实施例中，可以将目标定位点与至少一个在先定位点的位置信息、位置关系信息，即定位轨迹，定位装置的系统精度数据、定位装置的类型输入至定位精度预测模型，从而得到定位装置的预测定位精度。

在一些实施例中，根据定位精度预测模型获取的定位精度可以消除由于定位装置类型和/或型号不同而造成的系统定位精度不同的误差。在一些实施例中，根据定位精度预测模型获取的定位精度可以获取统一化或标准化的定位精度。在一些实施例中，根据定位精度预测模型获取的定位精度还可以可以根据统一化或标准化的定位精度来判断对应的定位数据是否可信或可用。

应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。

图4是根据本申请一些实施例所示的训练定位精度预测模型的示例性流程图。在一些实施例中，过程400可以在图1所示的服务器110或图2所示的训练模块230上实现。例如，所述过程400可以作为指令的形式存储在存储介质(例如，存储器140)中，并且由服务器110或处理引擎112的一个或多个模块调用和/或执行。在一些实施例中，所述过程400可以利用未描述的一个或以上附加操作，和/或没有所讨论的一个或以上操作来完成。应当注意，所述过程400的描述仅出于说明的目的而提供，并不旨在限制本申请的范围。对于本领域普通技术人员而言，可以在本申请的教导下进行多种变化和修改。然而，那些变化和修改不脱离本申请的范围。

在步骤420中，训练模块230可以获取初始机器学习模型。

在一些实施例中，可以从存储器140中获取存储的初始训练模型。在一些实施例中，所述初始的机器学习模型可以是回归模型，包括但不限于线性回归模型(LinearRegression)、逻辑回归模型(Logistics Regression)、多项式回归模型(PolynomialRegression)、逐步回归模型(Stepwise Regression)、岭回归模型(Ridge Regression)、套索回归模型(Lasso Regression)、ElasticNet回归模型(ElasticNet Regression)等或其任意组合。

在步骤440中，训练模块230可以获取一个或多个定位装置的历史定位相关信息以及与之对应的历史实际轨迹数据。

在一些实施例中，历史定位相关信息可以通过所述一个或多个定位装置直接获取。在一些实施例中，历史定位相关信息可以包括历史定位点数据、定位装置的系统精度数据以及定位装置的类型。在一些实施例中，历史定位点数据可以包括历史目标定位点与至少一个历史在先定位点的位置信息、历史目标定位点所属地理区域的环境信息以及位置关系信息等。具体地，历史定位相关信息的描述与图3中的定位相关信息类型一致，此处不再详细描述。

在一些实施例中，历史实际轨迹数据可以通过所述一个或多个定位装置获取。在一些实施例中，历史实际轨迹数据包括历史定位相关信息中的历史目标定位点和/或位于历史目标定位点之前的至少一个历史在先定位点在路网数据中对应的位置数据。在一些实施例中，历史定位轨迹数据可以包括历史目标定位点的经纬度、历史目标定位点的系统精度、历史目标定位点在与至少一个历史在先定位点的距离、角度以及上传轨迹数据的时间点等。在一些实施例中，可以基于历史定位轨迹数据并结合路网数据，将定位装置的轨迹投射到路网数据中最近的路段，以确定历史实际轨迹数据。在一些实施例中，可以基于视频图像对映射结果进行修改以提高准确度。

在一些实施例中，历史定位相关信息中的历史目标定位点与历史实际轨迹中的历史目标定位点为同一时间点，且所述至少一个历史在先定位点也是相同时间的点，因此历史定位相关信息以及历史实际轨迹数据可以逐一相对应。

在步骤460中，训练模块230可以基于历史定位相关信息以及与之对应的历史实际轨迹数据确定精度标记。

在一些实施例中，精度标记是用来判断定位精度，所述精度标记与历史定位相关信息中的历史目标定位点和/或位于历史目标定位点之前的至少一个历史在先定位点和与之对应的历史实际轨迹数据之间的距离为正相关关系。也就是说，精度标记越小，表示定位数据误差越小，定位越准确。例如，精度标记为5米时的准确度大于精度标记为50米时的准确度。

在一些实施例中，精度标记可以基于历史定位相关信息以及与之对应的历史实际轨迹数据通过计算得到。

在步骤480中，训练模块230可以将所述历史定位相关信息作为输入数据，将对应的精度标记作为参考标准，训练所述初始机器学习模型，进而获得所述定位精度预测模型。

在一些实施例中，训练定位精度预测模型的每一个训练样本包括一个历史目标定位点的历史定位相关信息和对应的精度标记。其中，历史定位相关信息包括了定位装置的类型。在一些实施例中，将多个训练样本的数据输入初始机器学习模型进行训练，可以获得训练好的定位精度预测模型。通过该定位精度预测模型，可以通过输入定位相关信息输出对应的定位精度。

在一些实施例中，在训练过程中还可以通过过验证集对训练好的定位精度预测模型进行优化。在一些实施例中，验证集的相关数据与训练样本中的数据相似，都包括历史定位相关信息以及对应的精度标记。在一些实施例，在步骤440和460中获取的多组历史定位相关信息以及与之对应的历史实际轨迹数据和确定精度标记可以直接划分为训练样本和验证集。

应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。

本申请实施例可能带来的有益效果包括但不限于：(1)消除由于定位装置类型和/或型号不同而造成的系统定位精度不同的误差；(2)获取统一化或标准化的定位精度；(3)根据统一化或标准化的定位精度来判断对应的定位数据是否可信或可用。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (16)

1.一种定位精度的预测方法，其特征在于，包括:

获取来自定位装置的定位相关信息，所述定位相关信息反映定位点数据，所述定位点数据包括目标定位点的位置信息、位于目标定位点之前的至少一个在先定位点的位置信息、目标定位点与至少一个在先定位点中的至少任意两个之间的位置关系信息；

利用定位精度预测模型处理所述定位相关信息，以获取定位精度，所述定位精度预测模型包括机器学习模型，所述定位精度体现定位轨迹和实际轨迹间的差异；

其中，所述定位精度预测模型通过以下步骤获取：

获取初始机器学习模型；

获取一个或多个定位装置的历史定位相关信息以及与之对应的历史实际轨迹数据；

基于历史定位相关信息以及与之对应的历史实际轨迹数据确定精度标记；

将所述历史定位相关信息作为输入数据，将对应的精度标记作为参考标准，训练所述初始机器学习模型，进而获得所述定位精度预测模型。

2.根据权利要求1所述的方法，其特征在于，所述定位装置的定位相关信息还反映以下信息中的至少一种：定位装置的系统精度数据以及定位装置的类型。

3.根据权利要求1所述的方法，其特征在于，所述定位点数据还包括目标定位点所属地理区域的环境信息。

4.根据权利要求1所述的方法，其特征在于，所述目标定位点与至少一个在先定位点中的至少任意两个之间的位置关系信息通过以下方式获得：

将所述目标定位点以及至少一个在先定位点映射到路网数据中；

确定所述目标定位点与至少一个在先定位点中的至少任意两个在路网数据中的距离和/或夹角；

将所述距离和/或夹角确定为所述位置关系信息。

5.根据权利要求2所述的方法，其特征在于，所述定位装置的系统精度数据包括以下中的至少一种：

目标定位点的系统精度数据、位于目标定位点之前的至少一个在先定位点的系统精度数据、目标定位点的系统精度数据与至少一个在先定位点的系统精度数据中的至少任意两个的运算结果。

6.根据权利要求1所述的方法，其特征在于，所述历史实际轨迹数据包括历史定位相关信息中的历史目标定位点和/或位于历史目标定位点之前的至少一个历史在先定位点在路网数据中对应的位置数据。

7.根据权利要求6所述的方法，其特征在于，所述精度标记与历史定位相关信息中的历史目标定位点和/或位于历史目标定位点之前的至少一个历史在先定位点和与之对应的历史实际轨迹数据之间的距离为正相关关系。

8.一种定位精度的预测系统，其特征在于，所述系统包括：

获取模块，用于获取来自定位装置的定位相关信息，所述定位相关信息反映定位点数据，所述定位点数据包括目标定位点的位置信息、位于目标定位点之前的至少一个在先定位点的位置信息、目标定位点与至少一个在先定位点中的至少任意两个之间的位置关系信息；

预测模块，用于利用定位精度预测模型处理所述定位相关信息，以获取定位精度，所述定位精度预测模型包括机器学习模型，所述定位精度体现定位轨迹和实际轨迹间的差异；

训练模块，用于通过以下步骤获取所述定位精度预测模型：

获取初始机器学习模型；

获取一个或多个定位装置的历史定位相关信息以及与之对应的历史实际轨迹数据；

基于历史定位相关信息以及与之对应的历史实际轨迹数据确定精度标记；

将所述历史定位相关信息作为输入数据，将对应的精度标记作为参考标准，训练所述初始机器学习模型，进而获得所述定位精度预测模型。

9.根据权利要求8所述的系统，其特征在于，所述定位装置的定位相关信息还反映以下信息中的至少一种：定位装置的系统精度数据以及定位装置的类型。

10.根据权利要求8所述的系统，其特征在于，所述定位点数据还包括：

目标定位点所属地理区域的环境信息。

11.根据权利要求8所述的系统，其特征在于，为获取所述目标定位点与至少一个在先定位点中的至少任意两个之间的位置关系信息，所述获取模块还用于：

将所述目标定位点以及至少一个在先定位点映射到路网数据中；

确定所述目标定位点与至少一个在先定位点中的至少任意两个在路网数据中的距离和/或夹角；

将所述距离和/或夹角确定为所述位置关系信息。

12.根据权利要求9所述的系统，其特征在于，所述定位装置的系统精度数据包括以下中的至少一种：

目标定位点的系统精度数据、位于目标定位点之前的至少一个在先定位点的系统精度数据、目标定位点的系统精度数据与至少一个在先定位点的系统精度数据中的至少任意两个的运算结果。

13.根据权利要求8所述的系统，其特征在于，所述历史实际轨迹数据包括历史定位相关信息中的历史目标定位点和/或位于历史目标定位点之前的至少一个历史在先定位点在路网数据中对应的位置数据。

14.根据权利要求13所述的系统，其特征在于，所述精度标记与历史定位相关信息中的历史目标定位点和/或位于历史目标定位点之前的至少一个历史在先定位点和与之对应的历史实际轨迹数据之间的距离为正相关关系。

15.一种定位精度的预测装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，其特征在于，所述指令被所述处理器执行时，导致所述装置实现如权利要求1至7中任一项所述定位精度的预测方法对应的操作。

16.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行如权利要求1至7中任意一项所述定位精度的预测方法。

Images