CN112035591A - 一种路网匹配方法、装置、设备和存储介质 - Google Patents

Abstract

本申请实施例公开了一种路网匹配方法、装置、设备和存储介质，当收集到待处理轨迹数据以进行路网匹配时，可以根据待处理轨迹数据所包括的多个轨迹点生成空间索引，空间索引体现多个轨迹点所构成线段的位置信息，从而可以根据空间索引获取待处理轨迹数据对应的候选路网集合。候选路网集合中包括多条路网，该多条路网具有较大可能性与待处理轨迹数据匹配。确定待处理轨迹数据与候选路网集合中路网的匹配概率，进而根据匹配概率确定与待处理轨迹数据匹配的目标路网。可见，本申请无需预先加载完整路网数据，利用空间索引选取候选路网集合，可以轻量、快速地实时计算求出一条新采集入库的轨迹数据所匹配的路网，使用计算资源很小，增加计算效率。

Description

一种路网匹配方法、装置、设备和存储介质

技术领域

本申请涉及数据处理领域，特别是涉及一种路网匹配方法、装置、设备和存储介质。

背景技术

当今时代，数字地图对于每一个人来说变得日益重要。数字地图一般是基于汽车在路上行驶并采集的轨迹数据构建的，通常情况下，可以将采集到的轨迹数据与已存储的路网数据进行匹配，根据匹配结果对当前数字地图进行检测、补充、更新等。

目前，在进行路网匹配时，加载路网数据和待计算的批量轨迹数据，通过人工智能(Artificial Intelligence，AI)等模型批量离线计算轨迹数据所匹配的路网及路网覆盖情况。

然而，这种方法加载路网数据耗时较长，且需要资源较大，各种AI模型算法比较重型，适用于离线批量计算，难以轻量且实时的实现路网匹配。

发明内容

为了解决上述技术问题，本申请提供了一种路网匹配方法、装置、设备和存储介质，无需预先加载完整路网数据，利用空间索引选取候选路网集合，可以轻量、快速地实时计算求出一条新采集入库的轨迹数据所匹配的路网，使用计算资源很小，增加计算效率。

本申请实施例公开了如下技术方案：

一方面，本申请实施例提供一种路网匹配方法，所述方法包括：

获取待处理轨迹数据；

根据所述待处理轨迹数据所包括的多个轨迹点生成空间索引，所述空间索引体现所述多个轨迹点所构成线段的位置信息；

根据所述空间索引获取所述待处理轨迹数据对应的候选路网集合，所述候选路网集合中包括多条路网；

确定所述待处理轨迹数据与所述候选路网集合中路网的匹配概率；

根据所述匹配概率确定与所述待处理轨迹数据匹配的目标路网。

另一方面，本申请实施例提供一种路网匹配装置，所述装置包括获取单元、生成单元和确定单元：

所述获取单元，用于获取待处理轨迹数据；

所述生成单元，用于根据所述待处理轨迹数据所包括的多个轨迹点生成空间索引，所述空间索引体现所述轨迹点所构成线段的位置信息；

所述获取单元，还用于根据所述空间索引获取所述轨迹数据对应的候选路网集合，所述候选路网集合中包括多条路网；

所述确定单元，用于确定所述待处理轨迹数据与所述候选路网集合中路网的匹配概率；

所述确定单元，还用于根据所述匹配概率确定与所述待处理轨迹数据匹配的目标路网。

另一方面，本申请实施例提供一种用于路网匹配的设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行前述任一项所述用于路网匹配方法。

另一方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行前述任一项所述用于路网匹配方法。

由上述技术方案可以看出，当收集到待处理轨迹数据以进行路网匹配时，可以根据待处理轨迹数据所包括的多个轨迹点生成空间索引，空间索引体现多个轨迹点所构成线段的位置信息，从而可以根据空间索引获取待处理轨迹数据对应的候选路网集合。候选路网集合中包括多条路网，该多条路网具有较大可能性与待处理轨迹数据匹配。确定待处理轨迹数据与候选路网集合中路网的匹配概率，进而根据匹配概率确定与待处理轨迹数据匹配的目标路网。可见，本申请无需预先加载完整路网数据，利用空间索引选取候选路网集合，可以轻量、快速地实时计算求出一条新采集入库的轨迹数据所匹配的路网，使用计算资源很小，增加计算效率。

附图说明

为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种路网匹配方法的应用场景示意图；

图2为本申请实施例提供的一种路网匹配方法的流程图；

图3为本申请实施例提供的一种待处理轨迹数据和路网的示意图；

图4为本申请实施例提供的一种轨迹点的坐标示意图；

图5a为本申请实施例提供的一种确定候选路网集合的方法示意图；

图5b为本申请实施例提供的一种候选路网集合中所有路网ID示意图；

图6为本申请实施例提供的一种确定轨迹点在路网上的吸附点的示意图；

图7为本申请实施例提供的轨迹点与link之间的所属关系的所有可能性示意图；

图8为本申请实施例提供的覆盖率确定方法示意图；

图9为本申请实施例提供的一种路网匹配方法的流程图；

图10为本申请实施例提供的一种路网匹配装置的结构图；

图11为本申请实施例提供的一种服务器的结构图；

图12为本申请实施例提供的一种终端设备的结构图。

具体实施方式

下面结合附图，对本申请的实施例进行描述。

相关技术中，在进行路网匹配时，加载路网数据和待计算的批量轨迹数据，通过AI等模型批量离线计算轨迹数据所匹配的路网及路网覆盖情况。

然而，这种方法需要预先加载完整的路网数据，而完整的路网数据的数量量非常庞大，加载路网数据耗时较长，例如需要十分钟以上，且需要资源较大。另外，各种AI模型算法比较重型，适用于离线批量计算，难以轻量且实时的实现路网匹配。

为了解决上述技术问题，本申请实施例提供一种路网匹配方法，无需预先加载完整路网数据，利用空间索引选取候选路网集合，可以轻量、快速地实时计算求出一条新采集入库的轨迹数据所匹配的路网，使用计算资源很小，增加计算效率。

本申请实施例提供的技术方案主要涉及两个重要数据模块，分别是母库和资料库。其中，母库用于存储管理地图上的路网数据，为导航等地图相关业务提供基础数据，其中路网可以通过link表示。资料库用于存储管理各种来源的轨迹数据、情报、图像等资料数据，用于作业生产、自动化生产、历史参考等地图产线应用，采集到的待处理轨迹数据可以被存储在资料库中。

本申请实施例提供的路网匹配方法可以应用于电子地图检测，例如检测电子地图上的路网是否准确、检测电子地图上的路网是否反映最新的真实道路信息、电子地图中路网上信息的补充(例如红绿灯设置信息等)。

为了便于理解本申请的技术方案，下面结合实际应用场景，对本申请实施例提供的路网匹配方法进行介绍。

参见图1，图1为本申请实施例提供的路网匹配方法的应用场景示意图。该应用场景中包括服务器101和终端设备102，终端设备102以及服务器101可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

终端设备101可以是车辆上安装的终端设备，用于采集车辆所经过轨迹的轨迹数据。服务器102可以获取终端设备101采集的轨迹数据，采集的轨迹数据可以作为待处理轨迹数据，从而对待处理轨迹数据进行路网匹配。

服务器101可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备102可以是智能手机、平板电脑、笔记本电脑、个人计算机(Personal Computer，PC)、车载终端等设备，但并不局限于此。

待处理轨迹数据是由多个轨迹点组成的，服务器101可以根据待处理轨迹数据所包括的多个轨迹点生成空间索引，空间索引体现多个轨迹点所构成线段的位置信息。

通常情况下，即使待处理轨迹数据与母库中的路网匹配，那么与待处理轨迹数据匹配的路网也应该是距离待处理轨迹数据比较近的路网，有些路网与待处理轨迹数据匹配的可能性基本为零，没有必要考虑。故服务器101可以根据空间索引获取待处理轨迹数据对应的候选路网集合。候选路网集合中包括多条路网，该多条路网具有较大可能性与待处理轨迹数据匹配。针对多个轨迹点中的每个轨迹点，服务器101确定轨迹点与每条路网的匹配概率，进而根据匹配概率确定与待处理轨迹数据匹配的目标路网。

接下来，将结合附图对本申请实施例提供的路网匹配方法进行介绍。

参见图2，图2示出了一种路网匹配方法的流程图，所述方法包括：

S201、获取待处理轨迹数据。

待处理轨迹数据可以是指采集来的道路信息，包含点坐标和图像等信息，可以存入资料库。在本实施例中，可以通过众包采集的方式采集待处理轨迹数据，即由道路采集车采集来的资料轨迹。

对于每一条采集入资料库的轨迹，可以作为待处理轨迹数据，以计算出待处理轨迹数据所吸附(所匹配)的母库link，以及其所覆盖link的百分比，从而用于某些业务模块，从而将该待处理轨迹数据用于挖掘、聚合、识别等业务。

例如图3所示，图3中虚线为采集到的待处理轨迹数据，实线为母库link，需求求解每条待处理轨迹数据匹配于哪条link，以及覆盖了link的百分比。

S202、根据所述待处理轨迹数据所包括的多个轨迹点生成空间索引。

待处理轨迹数据中包括多个轨迹点，轨迹点可以用Point表示。服务器可以根据多个轨迹点生成空间索引，空间索引体现多个轨迹点所构成线段的位置信息，从而用于后续确定与待处理轨迹数据进行匹配的路网。其中，空间索引可以通过mtl_geometry表示。

其中，多个轨迹点可以是根据待处理轨迹数据的身份标识号(identification，ID)确定，待处理轨迹数据的ID可以表示为mtl_id，例如ID:为210000000028054191。根据待处理轨迹数据可以确定mtl_id，从而根据mtl_id从资料库拉取多个轨迹点。

在一种可能的实现方式中，采集到的待处理轨迹数据所包括的轨迹点中可能存在一些无效轨迹点，比如有的轨迹点存在遮挡，有的轨迹点误差较大等。故为了使得后续匹配准确，多个轨迹点可以是从待处理轨迹数据包括的所有轨迹点中选取的多个有效轨迹点。例如图4所示，图4中示出了每个轨迹点的坐标，包括经度(lng)、纬度(lat)、角度(gpsbearing)，其中，gps是全球定位系统(Global Positioning System)的简称。

根据图4中所显示的多个轨迹点生成的mtl_geometry可以表示为LINESTRING(119.981796 30.0764052，119.981829 30.0763596，119.981863 30.0763139，119.98189530.0762703，119.981927 30.0762245，119.98196 30.0761786，119.981989 30.0761377，119.982022 30.0760918，119.982055 30.0760459，119.98208 30.076011)。其中，LINESTRING表示线字符串，多个轨迹点构成线段，mtl_geometry表示该线段的位置信息，即各个轨迹点的位置信息。

S203、根据所述空间索引获取所述待处理轨迹数据对应的候选路网集合。

在本实施例中，为了避免加载母库中完整路网数据，而耗费大量时间，可以根据空间索引从母库中选择一些有较大可能性与待处理轨迹数据匹配的路网，与待处理轨迹数据进行匹配计算，从而提高匹配效率。故，服务器可以根据空间索引获取待处理轨迹数据对应的候选路网集合，该候选路网集合中包括多条路网，该多条路网与待处理轨迹数据匹配的可能性比较高。

确定候选路网集合的方式可以包括很多，例如确定轨迹点与每条路网的距离，从而根据距离确定候选路网集合。

通常情况下，候选路网集合中的路网与空间索引所体现的位置距离不会很远，而是在空间索引所体现的位置的一定范围内。例如，空间索引所体现的位置信息在A城市的一条道路上，那么，该空间索引所对应的候选路网集合中所包括的路网通常在A城市距离该道路一定距离。因此，在一种可能的实现方式中，服务器确定候选路网集合的方式可以是根据空间索引和预设扩展距离确定选取范围，根据选取范围从母库中获取待处理轨迹数据对应的候选路网集合。

其中，预设扩展距离可以是根据历史统计值确定得到的，例如根据历史已匹配的轨迹数据和路网，确定路网所在范围，从而根据该范围与轨迹数据确定预设扩展距离。通过待处理轨迹数据的空间索引向外扩展预设扩展距离(BUFF)，形成一个geometry_buf，用来取母库拉取候选路网集合，候选路网集合可以用Links表示。

参见图5a所示，图5a中的轨迹点包括轨迹点1、2、……、6，生成的mtl_geometry如图5a中轨迹点之间的连线所示。以mtl_geometry向外扩展预设扩展距离得到图5a中灰色椭圆所示的选取范围，该选取范围中包括的所有路网(例如图5a中黑色实线所示)可以构成候选路网集合。候选路网集合中包括的所有路网的ID可以参见图5b所示，每一行表示一个路网的ID。

S204、确定所述待处理轨迹数据与路网的匹配概率。

将多个轨迹点中的每个轨迹点分别与候选路网集合中路网的匹配概率，进而确定与待处理轨迹数据匹配的路网。通常情况下，多个轨迹点可能吸附同一条路网即该待处理轨迹数据与一条路网匹配，当然，在一些情况下，多条轨迹点也有可能吸附不同路网即该待处理轨迹数据与多条路网匹配，本实施例对此不做限定。

为了考虑吸附点之间的连通性，从而保证待处理轨迹数据可以更为准确地与路网进行匹配，在本申请实施例中，一种确定轨迹点与路网的匹配概率的方式可以是将候选路网集合中每条路网离散化成多条直线段，根据轨迹点与每条路网上的直线段的距离信息，确定轨迹点在每条路网上的吸附点，即轨迹点可能在哪条路网上的哪条线段的哪个位置，从而根据吸附点计算所述待处理轨迹数据与路网的匹配概率。

每条路网link可以表示为一条折线，将候选路网集合即Links集合中的每个link离散化成多个直线段，得到每条link的直线段集合。其中，每个直线段可以表示为line，直线段集合可以表示为Lines。

确定每一个轨迹点point对于每个link上的line的吸附点的计算规则如下：

(1)如果point距离line的端节点距离小于dis_se(端节点距离门限值)，那么记录吸附点为端节点，距离为len(轨迹点到吸附点的距离)；

(2)如果point距离到line的垂线段距离小于dis_cz(投影垂线门限值)且垂足在line内，那么记录吸附点(此时吸附点可以为垂足所在位置)，距离为len；

(3)如果point距离到line的垂线段距离小于dis_cz且point距离到line的端节点距离小于dis_cz且垂足在line外，那么记录吸附点为端节点，距离为len。

其中，dis_se，dis_cz可以是通过历史数据统计得到的。

参见图6所示，以图6中的P为轨迹点，确定轨迹点P到线段AB的垂线段距离、到线段BC的垂线段距离以及到端节点B的距离，从而根据以上规则确定轨迹点P的吸附点。

通过以上规则，如果针对一条路网确定轨迹点在该路网上存在多个以上吸附点，那么选取len最小的吸附点作为轨迹点在该路网上的吸附点。

通过上述过程可以确定每个轨迹点在每条路网上的吸附点，进而可以根据吸附点确定待处理轨迹数据与路网的匹配概率，以便确定出待处理轨迹数据所匹配的路网。

在本实施例中可以采用多种方式确定待处理轨迹数据与路网的匹配概率。待处理轨迹数据上包括多个轨迹点，多个轨迹点分别可能吸附在哪个路网上，故一种思想是将待处理轨迹数据与路网的匹配问题转换成求解最优路径问题。基于此思想，在一种可能的实现方式中，确定匹配概率的方式可以是根据吸附点确定隐马尔可夫模型的模型参数，模型参数包括观察概率和转移概率，将多个轨迹点的所述观察概率和转移概率的乘积确定为待处理轨迹数据与路网的匹配概率。

基于吸附点计算数学建模隐马尔可夫模型(Hidden Markov Model，HMM)的过程可以如下所示：隐藏状体集合Q{}为各候选link，即候选路网集合；观测状态V{}为轨迹点point处于哪个link上；观察概率E{}与point对应的len成反比，观察概率E{}可以建模成不同的概率分布，在一种可能的实现方式中，可以建模成高斯分布：

其中，x为len，σ为方差、μ为期望，σ、μ为根据资料库和母库中的历史数据得到的统计值；转移概率T{}，表示从一条路网转移到另一条路网的可能性，point之间的距离dis_p，吸附点之间的距离dis_x，T与dis_p和dis_x差值成反比，在一些实施例中可以建模成指数分布：λe^{-λ(|dis_p-dis_x|)}，λ为历史数据期望的倒数；初始状态H为观察概率[0]，从而确定HMM的模型参数，完成数学建模。

由于转移概率表示的是从一条路网转移到另一条路网的可能性，只有两个吸附点连通，才有可能出现前一个吸附点在路网A上，而后一个吸附点在路网B上。因此，在一些情况下，在计算转移概率T{}时，还需要考虑当前吸附点与前一个吸附点的连通性问题，计算前后吸附点所在link是否连通，如果可以连通，且转移概率乘1，否则乘0；且吸附点间的行驶方向与轨迹点间的行驶方向的夹角大小θ，与转移概率乘反比，当夹角大于90度，转移概率乘0，否则归一化后应将转移概率乘

另外，如果吸附点所在link为单行道路，如果吸附点间的行驶方向与link方向夹角大于90度，转移概率也即为0。

在完成数学建模HMM后，将待处理轨迹数据与路网的匹配问题转化为求解此HMM模型的最大概率隐藏状态序列。例如轨迹点有四个点，分别是A、B、C、D；候选路网集合中的link为3个，分别是link1、link2、link3。由于轨迹点A、B、C、D中每个轨迹点都有可能在link1、link2或link3上，轨迹点与link之间的所属关系的所有可能性如图7所示，例如所有轨迹点都在link1上，即图7中所示路径A：link1->link1->link1->link1；又如，轨迹点A在link1上，其余轨迹点都在link2上，即图7中所示路径B：link1->link2->link2->link2，等等。通过HMM可以确定每个路径的概率值，每个路径体现了所有轨迹点与路网的所属关系，即得到待处理轨迹数据与候选路网集合中路网的匹配概率。每个路径的概率值为该路径途径节点(即图7中每个圆圈，圆圈中的link1、link2、link3表示圆圈所代表的轨迹点所在的路网)的观察概率乘转移概率。

至此，该求解问题已经转化为典型的求解最优路径问题，本算法使用动态规划Viterbi进行求解，求解过程可以参见相关技术，此处不再赘述。

S205、根据所述匹配概率确定与所述待处理轨迹数据匹配的目标路网。

将匹配概率最高的路网确定为目标路网，每个轨迹点在目标路网上的吸附点可以确定为最佳吸附点。

在确定出与待处理轨迹数据匹配的目标路网后，还可以进一步确定待处理轨迹数据覆盖目标路网的覆盖率。

在一种可能的实现方式中，确定覆盖率的方式可以是，根据最佳吸附点所属直线段的位置，以及所属直线段在目标路网上的位置，确定最佳吸附点在目标路网上的位置。若多个最佳吸附点连续，则多个最佳吸附点之间的路网都可以认为被待处理轨迹数据覆盖，因此，可以统计覆盖目标路网的连续最佳吸附点所占的百分比，将该百分比作为目标路网的覆盖率。

通常情况下，最佳吸附点之间的距离足够小，则可以认为最佳吸附点连续，否则不连续。因此，可以将最佳吸附点之间的距离小于预设距离值的最佳吸附点确定为连续最佳吸附点。其中，预设距离值是根据历史数据统计得到的，例如预设距离值为40米。

例如图8所示的路网，路网上包括最佳吸附点A、B、C、D，其中，最佳吸附点A在路网10％的位置，最佳吸附点B在路网20％的位置，最佳吸附点C在路网50％的位置，最佳吸附点D在路网90％的位置。若最佳吸附点A和B之间的距离为30米，最佳吸附点B和C之间的距离为120米，最佳吸附点C和D之间的距离为30米，预设距离值为40米。由于30米小于40米，而120米大于40米，因此，最佳吸附点A和B之间的路网被待处理轨迹数据所覆盖，最佳吸附点B和C之间的路网未被待处理轨迹数据覆盖，最佳吸附点C和D之间的路网被待处理轨迹数据所覆盖，那么，目标路网的覆盖率＝(20％-10％)+(90％-50％)＝50％。

在一些情况下，目标路网可能包括多条，例如，轨迹点A和B的最佳吸附点在link1上，轨迹点C和D的最佳吸附点在link2上，则按最佳吸附点将不同的link分组，统计覆盖每条link上的连续最佳吸附点所占的百分比。

对于实时计算增量轨迹数据的应用场景，计算少量的新采集的待处理轨迹数据匹配情况时，本申请实施例提供的方法在多进程框架下可以在秒级范围内算出该轨迹数据匹配的路网link以及该link的覆盖率，例如：本申请实施例提供的方法计算100条待处理轨迹数据，耗时0.9s；而预加载完整路网数据的算法则需要十分钟以上。

由上述技术方案可以看出，当收集到待处理轨迹数据以进行路网匹配时，可以根据待处理轨迹数据所包括的多个轨迹点生成空间索引，空间索引体现多个轨迹点所构成线段的位置信息，从而可以根据空间索引获取待处理轨迹数据对应的候选路网集合。候选路网集合中包括多条路网，该多条路网具有较大可能性与待处理轨迹数据匹配。确定待处理轨迹数据与候选路网集合中路网的匹配概率，进而根据匹配概率确定与待处理轨迹数据匹配的目标路网。可见，本申请无需预先加载完整路网数据，利用空间索引选取候选路网集合，可以轻量、快速地实时计算求出一条新采集入库的轨迹数据所匹配的路网，使用计算资源很小，增加计算效率。

接下来，将结合实际应用场景，对本申请实施例提供的路网匹配方法进行介绍。在该应用场景中，道路采集车采集来的资料轨迹以存入资料库，资料轨迹可以作为待处理轨迹数据，与母库中的路网进行匹配，进而确定与待处理轨迹数据匹配的目标路网以及目标路网的覆盖率，以便用于挖掘、聚合、识别等业务。路网匹配方法的流程图可以参见图9所示：

S901、服务器获取采集到的待处理轨迹数据。

S902、服务器选取候选路网集合。

S903、服务器将候选路网集合中每条路网离散化成多条直线段，计算每个轨迹点在路网上的吸附点。

S904、服务器基于吸附点计算HMM的模型参数。

其中，在执行S903和S904的过程中，都可以利用根据历史数据得到的统计参数，例如确定吸附点时所利用到的dis_se、dis_cz，又如确定模型参数时所利用到的σ、μ等。

S905、根据模型参数完成数学建模HMM。

S906、服务器通过HMM求解得到待处理轨迹数据与候选路网集合中路网的匹配概率。

S907、服务器根据该匹配概率得到与待处理轨迹数据匹配的目标路网，以及目标路网的覆盖率。

基于前述实施例提供的路网匹配方法，本实施例提供一种路网匹配装置1000，参见图10，所述装置1000包括获取单元1001、生成单元1002和确定单元1003：

所述获取单元1001，用于获取待处理轨迹数据；

所述生成单元1002，用于根据所述待处理轨迹数据所包括的多个轨迹点生成空间索引，所述空间索引体现所述轨迹点所构成线段的位置信息；

所述获取单元1001，还用于根据所述空间索引获取所述轨迹数据对应的候选路网集合，所述候选路网集合中包括多条路网；

所述确定单元1003，用于确定所述待处理轨迹数据与所述候选路网集合中路网的匹配概率；

所述确定单元1003，还用于根据所述匹配概率确定与所述待处理轨迹数据匹配的目标路网。

在一种可能的实现方式中，所述获取单元1001，用于：

根据所述空间索引和预设扩展距离确定选取范围；

根据所述选取范围从母库中获取所述待处理轨迹数据对应的候选路网集合。

在一种可能的实现方式中，所述确定单元1003，用于：

将所述候选路网集合中每条路网离散化成多条直线段；

根据所述轨迹点与所述每条路网上的直线段的距离信息，确定所述轨迹点在所述每条路网上的吸附点；

根据所述吸附点计算所述待处理轨迹数据与路网的匹配概率。

在一种可能的实现方式中，所述确定单元1003，用于：

根据所述吸附点确定隐马尔可夫模型的模型参数，所述模型参数包括观察概率和转移概率；

将所述多个轨迹点的所述观察概率和转移概率的乘积确定为所述待处理轨迹数据与路网的匹配概率。

在一种可能的实现方式中，所述确定单元1003，还用于：

确定所述待处理轨迹数据覆盖所述目标路网的覆盖率。

在一种可能的实现方式中，若确定出每个所述轨迹点的最佳吸附点，所述确定单元1003，还用于：

根据所述最佳吸附点所属直线段的位置，以及所属直线段在所述目标路网上的位置，确定所述最佳吸附点在所述目标路网上的位置；

统计覆盖所述目标路网的连续最佳吸附点所占的百分比；

将所述百分比作为所述目标路网的覆盖率。

在一种可能的实现方式中，所述确定单元1003，还用于：

将最佳吸附点之间的距离小于预设距离值的最佳吸附点确定为所述连续最佳吸附点。

本申请实施例还提供了一种用于路网匹配的设备，该设备可以是服务器，图11为本申请实施例提供的服务器1100的结构图，服务器1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Units，简称CPU)1122(例如，一个或一个以上处理器)和存储器1132，一个或一个以上存储应用程序1142或数据1144的存储介质1130(例如一个或一个以上海量存储设备)。其中，存储器1132和存储介质1130可以是短暂存储或持久存储。存储在存储介质1130的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1122可以设置为与存储介质1130通信，在服务器1100上执行存储介质1130中的一系列指令操作。

服务器1100还可以包括一个或一个以上电源1126，一个或一个以上有线或无线网络接口1150，一个或一个以上输入输出接口1158，和/或，一个或一个以上操作系统1141，例如Windows ServerTM，Mac OS×TM，Uni×TM,Linu×TM，FreeBSDTM等等。

在本申请实施例中，该服务器所包括的中央处理器1122还具有以下功能：

获取待处理轨迹数据；

根据所述待处理轨迹数据所包括的多个轨迹点生成空间索引，所述空间索引体现所述多个轨迹点所构成线段的位置信息；

根据所述空间索引获取所述待处理轨迹数据对应的候选路网集合，所述候选路网集合中包括多条路网；

确定所述待处理轨迹数据与所述候选路网集合中路网的匹配概率；

根据所述匹配概率确定与所述待处理轨迹数据匹配的目标路网。

本申请实施例还涉及一种终端设备，下面将从硬件实体化的角度对本申请实施例提供的终端设备进行介绍。

参见图12，图12是本申请实施例提供的终端设备的结构示意图。如图12所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。以终端设备为智能手机为例：

图12示出的是与本申请实施例提供的终端相关的智能手机的部分结构的框图。参考图12，智能手机包括：射频(英文全称：Radio Frequency，英文缩写：RF)电路1210、存储器1220、输入单元1230、显示单元1240、传感器1250、音频电路1260、无线保真(英文全称：wireless fidelity，英文缩写：WiFi)模块1270、处理器1280、以及电源1290等部件。本领域技术人员可以理解，图12中示出的智能手机结构并不构成对智能手机的限定，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。

存储器1220可用于存储软件程序以及模块，处理器1280通过运行存储在存储器1220的软件程序以及模块，从而执行智能手机的各种功能应用以及数据处理。存储器1220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、图像播放功能等)等；存储数据区可存储根据智能手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1220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。

处理器1280是智能手机的控制中心，利用各种接口和线路连接整个智能手机的各个部分，通过运行或执行存储在存储器1220内的软件程序和/或模块，以及调用存储在存储器1220内的数据，执行智能手机的各种功能和处理数据，从而对智能手机进行整体监控。可选的，处理器1280可包括一个或多个处理单元；优选的，处理器1280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1280中。

上述实施例中由终端设备所执行的步骤可以基于该图12所示的终端设备结构实现。

本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例所述的一种路网匹配方法中的任意一种实施方式。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例各种可选实现方式中提供的方法。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种路网匹配方法，其特征在于，所述方法包括：

获取待处理轨迹数据；

根据所述待处理轨迹数据所包括的多个轨迹点生成空间索引，所述空间索引体现所述多个轨迹点所构成线段的位置信息；

根据所述空间索引获取所述待处理轨迹数据对应的候选路网集合，所述候选路网集合中包括多条路网；

确定所述待处理轨迹数据与所述候选路网集合中路网的匹配概率；

根据所述匹配概率确定与所述待处理轨迹数据匹配的目标路网。

2.根据权利要求1所述的方法，其特征在于，根据所述空间索引获取所述待处理轨迹数据对应的候选路网集合，包括：

根据所述空间索引和预设扩展距离确定选取范围；

根据所述选取范围从母库中获取所述待处理轨迹数据对应的候选路网集合。

3.根据权利要求1所述的方法，其特征在于，确定所述待处理轨迹数据与所述候选路网集合中路网的匹配概率，包括：

将所述候选路网集合中每条路网离散化成多条直线段；

根据所述轨迹点与所述每条路网上的直线段的距离信息，确定所述轨迹点在所述每条路网上的吸附点；

根据所述吸附点计算所述待处理轨迹数据与路网的匹配概率。

4.根据权利要求3所述的方法，其特征在于，根据所述吸附点计算所述待处理轨迹数据与路网的匹配概率，包括：

根据所述吸附点确定隐马尔可夫模型的模型参数，所述模型参数包括观察概率和转移概率；

将所述多个轨迹点的所述观察概率和转移概率的乘积确定为所述待处理轨迹数据与路网的匹配概率。

5.根据权利要求1-4任意一项所述的方法，其特征在于，所述方法还包括：

确定所述待处理轨迹数据覆盖所述目标路网的覆盖率。

6.根据权利要求5所述的方法，其特征在于，若确定出每个所述轨迹点的最佳吸附点，所述确定所述待处理轨迹数据覆盖所述目标路网的覆盖率，包括：

根据所述最佳吸附点所属直线段的位置，以及所属直线段在所述目标路网上的位置，确定所述最佳吸附点在所述目标路网上的位置；

统计覆盖所述目标路网的连续最佳吸附点所占的百分比；

将所述百分比作为所述目标路网的覆盖率。

7.根据权利要求6所述的方法，其特征在于，所述连续最佳吸附点的确定方式为：

将最佳吸附点之间的距离小于预设距离值的最佳吸附点确定为所述连续最佳吸附点。

8.一种路网匹配装置，其特征在于，所述装置包括获取单元、生成单元和确定单元：

所述获取单元，用于获取待处理轨迹数据；

所述生成单元，用于根据所述待处理轨迹数据所包括的多个轨迹点生成空间索引，所述空间索引体现所述轨迹点所构成线段的位置信息；

所述获取单元，还用于根据所述空间索引获取所述轨迹数据对应的候选路网集合，所述候选路网集合中包括多条路网；

所述确定单元，用于确定所述待处理轨迹数据与所述候选路网集合中路网的匹配概率；

所述确定单元，还用于根据所述匹配概率确定与所述待处理轨迹数据匹配的目标路网。

9.一种用于路网匹配的设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的路网匹配方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-7任一项所述的路网匹配方法。

Images