CN112084285A - 用于地图匹配的方法、装置、电子设备以及可读介质 - Google Patents

用于地图匹配的方法、装置、电子设备以及可读介质 Download PDF

Info

Publication number
CN112084285A
CN112084285A CN202010953533.7A CN202010953533A CN112084285A CN 112084285 A CN112084285 A CN 112084285A CN 202010953533 A CN202010953533 A CN 202010953533A CN 112084285 A CN112084285 A CN 112084285A
Authority
CN
China
Prior art keywords
positioning coordinate
sequence
link
sequences
candidate
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.)
Granted
Application number
CN202010953533.7A
Other languages
English (en)
Other versions
CN112084285B (zh
Inventor
包恒达
王亦乐
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010953533.7A priority Critical patent/CN112084285B/zh
Publication of CN112084285A publication Critical patent/CN112084285A/zh
Application granted granted Critical
Publication of CN112084285B publication Critical patent/CN112084285B/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)

Abstract

本公开提供一种用于地图匹配的方法及装置、电子设备和介质，涉及计算机技术领域，尤其涉及电子地图、深度学习领域。所述地图匹配的方法包括：获取定位坐标序列；基于该定位坐标序列，使用预设的序列转换模型来确定与该定位坐标序列相对应的一个或多个候选定位坐标序列，其中，预设的序列转换模型是使用多个样本定位坐标序列进行训练得到的，该多个样本定位坐标序列是通过对历史定位坐标序列进行抽稀采样得到的；以及基于一个或多个候选定位坐标序列，确定与该定位坐标序列匹配的目标路段。

Description

用于地图匹配的方法、装置、电子设备以及可读介质
技术领域
本公开涉及计算机技术领域，具体涉及电子地图、深度学习技术领域，尤其涉及一种用于地图匹配的方法、装置、电子设备和计算机可读存储介质。
背景技术
基于位置的服务(Location Based Service，LBS)是利用各类型的定位技术来获取定位设备当前的所在位置，通过移动互联网向定位设备提供信息资源和基础服务。地图匹配技术广泛用于LBS。地图匹配技术可用于将记录的位置(例如，地理坐标)与现实世界的逻辑模型(例如，区域的路网)匹配。
在相关技术中，用于地图匹配的常见算法是隐马尔可夫模型(HMM)，其使用记录的位置的坐标作为HMM模型的单个输入来确定路网中与记录的位置匹配的目标路段。然而，在采样点稀疏的场景下，使用HMM的地图匹配的准确度较低。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
根据本公开实施例的一个方面，提供了一种用于地图匹配的方法。所述方法包括：获取定位坐标序列；基于该定位坐标序列，使用预设的序列转换模型来确定与该定位坐标序列相对应的一个或多个候选定位坐标序列，其中，预设的序列转换模型是使用多个样本定位坐标序列进行训练得到的，该多个样本定位坐标序列是通过对历史定位坐标序列进行抽稀采样得到的；以及基于所述一个或多个候选定位坐标序列，确定与该定位坐标序列匹配的目标路段。
根据本公开实施例的另一个方面，提供了一种用于地图匹配的装置。所述装置包括：获取模块，配置为获取定位坐标序列；第一确定模块，配置为基于定位坐标序列，使用预设的序列转换模型来确定与定位坐标序列相对应的一个或多个候选定位坐标序列，其中，预设的序列转换模型是使用多个样本定位坐标序列进行训练得到的，该多个样本定位坐标序列是通过对历史定位坐标序列进行抽稀采样得到的；以及第二确定模块，配置为基于一个或多个候选定位坐标序列，确定与定位坐标序列匹配的目标路段。
根据本公开实施例的另一个方面，提供了一种电子设备。该电子设备包括：处理器以及存储程序的存储器。所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据本公开一些实施例的用于地图匹配的方法。
根据本公开实施例的另一个方面，提供了一种存储程序的计算机可读存储介质。所述程序包括指令，所述指令在由电子设备的处理器执行时，致使所述电子设备执行根据本公开一些实施例的用于地图匹配的方法。
借助于本公开示例性实施例的方案，在获取定位坐标序列后，基于预设的序列转换模型获取与该定位坐标序列相对应的一个或多个候选定位坐标序列，然后再基于该一个或多个候选定位坐标序列确定与定位坐标序列匹配的路段。序列转换模型是使用多个通过对历史定位坐标序列进行抽稀采样得到的样本定位坐标序列进行训练得到的，由此，即使在当前获得的定位坐标序列是稀疏序列的情况下，也能够准确地获取与该定位坐标序列匹配的路段，提高匹配的准确率，提高导航效率。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素：
图1示出了根据本公开一些示例性实施例的用于地图匹配的系统的示意图；
图2示出了根据本公开一些示例性实施例的用于地图匹配的方法的流程图；
图3示出了根据本公开另一些示例性实施例的用于地图匹配的方法的示意图；
图4是根据本公开示例性实施例的对定位坐标序列进行抽稀采样的示意图；
图5是根据本公开示例性实施例的坐标点与链路的投影距离的示意图；
图6是根据本公开一些示例性实施例的序列转换模型的示意图；
图7是根据本公开一些其他示例性实施例的序列转换模型的示意图；
图8示出了根据本公开一些示例性实施例的用于地图匹配的装置的示意性框图；以及
图9示出了根据本公开示例性实施例的示例计算设备的示意性框图。
具体实施方式
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
地图匹配，是指将行进中的坐标序列匹配到路网中合适路段的过程。一般情况下，地图匹配的输入包括位置序列和基础路网。位置序列通常是GPS定位坐标点或者WIFI定位坐标点，包含该点的经纬度坐标、速度、角度等信息。基础路网一般反映道路通行信息，主要包括道路属性、道路结点属性、道路几何形状、道路交规等。
在相关技术中，地图匹配通常依赖用户回传的坐标点，利用HMM方法进行地图匹配。然而，在稀疏场景下，能够采集或使用的定位坐标点较少，定位坐标点的前后定位间隔较长，定位距离较远，使用HMM方法进行地图匹配时，准确性较低，导致匹配结果不准确，给导航出行带来不便。本公开示例性实施例提供了一种用于地图匹配的方法，在获取定位坐标序列后，将该定位坐标序列输入预设的序列转换模型，得到与该定位坐标序列相对应的一个或多个候选定位坐标序列，然后基于该一个或多个候选定位坐标序列确定与当前车辆的定位坐标序列匹配的路段。序列转换模型是使用多个通过对历史定位坐标序列进行抽稀采样得到的样本定位坐标序列进行训练得到的，由此，即使在当前获得的定位坐标序列是稀疏序列的情况下，也能够准确地获取与该定位坐标序列匹配的路段，提高匹配的准确率，提高导航效率，给用户的出行带来便利。
图1示出了根据本公开一些示例性实施例的用于地图匹配的系统100的示意图。如图1所示，系统100可以包括服务器110、网络120、终端130和存储器140。服务器110可以包括处理引擎112。在一些实施例中，用于地图匹配的方法可以在系统100中实现。
服务器110可以用于处理地图匹配的信息。在一些示例中，服务器110可以从定位设备获取位置数据(例如，定位坐标序列)，该定位坐标序列可以与车辆、行人、以及其他出行设备等相关。例如，对于车辆而言，服务器110还可以获取车辆的空间位置数据、运动数据等。运动数据可包括但不限于加速度、方向角、速度等，或其任何组合。在一些示例中，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访问存储于终端130或存储器140中的信息和/或数据。又例如，服务器110可以直接连接到终端130和/或存储器140以访问信息和/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，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可以包括处理引擎112。服务器110的至少一部分功能可以在处理引擎112上实现。例如，处理引擎112可以基于定位坐标序列，使用预设的序列转换模型来确定与该定位坐标序列相对应的一个或多个候选定位坐标序列。处理引擎112还可以基于一个或多个候选定位坐标序列，确定与该定位坐标序列匹配的目标路段。在一些实施例中，处理引擎112可包括一个或多个处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。示例性地，处理引擎112可以包括中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可编程逻辑设备(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等，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，系统100中的一个或多个组件(例如，服务器110、终端130和/或存储器140)可以经由网络120将信息和/或数据发送到系统100中的其他组件。例如，服务器110可以经由网络120从定位设备获取位置数据(例如，定位坐标序列)。在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。示例性地，网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网路(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、无线个域网、近场通信(NFC)网络、全球行动通信系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、红外线等，或其任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。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等，通过其按需服务系统100的一个或多个部件可以连接到网络120以交换数据和/或信息。
终端130可以与用户相关。在一些实施例中，终端130可以执行前面描述的处理引擎112的一个或多个功能，例如使用预设的序列转换模型来确定与定位坐标序列相对应的一个或多个候选定位坐标序列，以及基于一个或多个候选定位坐标序列，确定与该定位坐标序列匹配的目标路段等，或其任何组合。可选地，或另外地，终端130可以获取目标路段并在目标路段上显示目标位置以在地图上显示当前位置。在一些实施例中，用于确定位置数据(例如，定位坐标序列)的定位设备可以集成到终端130中。在一些实施例中，终端130可以包括移动设备130-1、平板电脑130-2、内置设备(也称为机载设备)130-3、桌面计算机130-4等，或其任何组合。在一些实施例中，终端130可以是具有定位技术的无线设备，用于定位车辆、用户、和/或终端130的位置。
在一些实施例中，终端130可以经由用户界面向处理引擎112发送和/或接收用于地图匹配的信息。用户界面可以是在终端130上实现的应用程序的形式。在终端130上实现的用户界面可以用于促进用户与处理引擎112之间的通信。在一些实施例中，用户可以经由在终端130上实现的用户界面输入对地图匹配的请求。终端130可以将对终端130的请求发送到处理引擎112。在一些实施例中，用户可以经由用户界面设置与地图匹配相关的信息和/或数据(例如，信号)，诸如序列转换模型等的参数。在一些实施例中，用户界面可以便于呈现或显示从处理引擎112接收的与地图匹配有关的信息和/或数据(例如，信号)。例如，信息和/或数据可以包括由处理引擎112生成的用于地图匹配的结果。例如，结果可以包括一个或多个图像(例如，二维图像、三维图像等)，一个或多个单词、一个或多个数字、声音等。在一些实施例中，信息和/或数据可以进一步被配置以使终端130将结果显示给用户。
存储器140可以储存数据和/或指令。在一些实施例中，存储器140可以存储由定位设备提供的位置数据(例如，定位坐标序列)。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和/或指令。例如，存储器140可以存储用于确定与定位坐标序列相对应的一个或多个候选定位坐标序列的序列转换模型。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。大容量存储器可以包括例如磁盘、光盘、固态驱动器等。可移动存储器可包括例如闪存驱动器、软盘、光盘、存储卡、拉链盘、磁带等。易失性读写存储器可以包括例如随机存取存储器(RAM)。随机存取存储器可以包括例如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。只读存储器可以包括例如掩模只读存储器(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)和数字通用光盘只读存储器等。在一些实施例中，存储器140可在云平台上实现。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以与系统100中的一个或多个组件(例如，服务器110、终端130等)通信。系统100中的一个或多个组件可以经由网络120访问存储在存储器140中的数据或指令。在一些实施例中，存储器140可以直接连接到系统100中的一个或多个组件或与之通信(例如，服务器110、终端130等)。在一些实施例中，存储器140可以是服务器110的一部分。
在一些实施例中，系统100中的一个或多个组件(例如，服务器110、终端130等)可以具有访问存储器140的许可。在一些实施例中，当满足一个或多个条件时，系统100中的一个或多个组件可以读取和/或修改与用户相关的信息。例如，服务器110可以从定位设备获取位置数据(例如，定位坐标序列)。
本领域普通技术人员将理解，当系统100的元件执行时，该元件可以通过电信号和/或电磁信号执行。例如，当服务器110处理任务时，服务器110可以在其处理器中操作逻辑电路以执行这样的任务。在诸如终端130和/或服务器110的电子设备内，当其处理器处理指令，发送指令和/或执行操作时，可以经由电信号进行指令和/或操作。例如，当处理器从存储介质检索或获取数据时，可以将电信号发送给存储介质的读/写设备，该读/写设备可读取存储介质中的结构化数据或将结构化数据写入存储介质中。该结构化数据可以电信号的形式经由电子设备的总线传输至处理器。此处，电信号可以指一个电信号、一系列电信号和/或至少两个不连续的电信号。
图2是根据本公开示例性实施例的一种用于地图匹配的方法200。如图2所示，所述方法包括：获取目标车辆的定位坐标序列(步骤201)；使用预设的序列转换模型，基于定位坐标序列，确定与定位坐标序列相对应的一个或多个候选定位坐标序列(步骤202)；以及基于一个或多个候选定位坐标序列，确定与定位坐标序列匹配的目标路段(步骤203)。在一些示例中，预设的序列转换模型是使用多个样本定位坐标序列进行训练得到的，多个样本定位坐标序列是通过对历史定位坐标序列进行抽稀采样得到的。
根据本公开示例性实施例的用于地图匹配的方法，序列转换模型是使用多个样本定位坐标序列进行训练得到的，且多个样本定位坐标序列是通过对历史定位坐标序列进行抽稀采样得到的，由此，即使当前获得的车辆的定位坐标序列是稀疏序列时，也能够准确地获取与该定位坐标序列匹配的路段，从而提高导航效率。
图3示出了根据本公开另一些示例性实施例的用于地图匹配的方法的示意图。如图3所述，本公开示例性实施例的用于地图匹配的方法可以包括：骨干路网提取、分层抽稀采样、坐标点投影道路转换、以及引入约束信息的解码算法。
在地图业务中，基础路网非常庞大，如果基于基础路网进行模型训练，则会需要较多的数据，计算量较大，效率不高。另一方面，基础路网中包括一些例如小区、园区等内部道路，这些内部道路由于定位数据的不稳定，如果在训练时一并考虑这些基础道路，还会影响算法的准确性。对此，本公开示例性实施例从基础路网提取骨干路网，通过提取关键道路信息，从而有效的压缩模型大小并提升模型的效果。在电子地图中，基础路网可以由节点和边(也可称为链路Link)进行表示，节点表示链路之间的连接位置，链路表示构成道路的基本单位，一条道路可以划分为多个链路。
在构建基础路网后，可以根据链路的道路等级和链路的出度和入度计算链路的得分。在一些示例中，链路的得分可以是链路的道路等级、出度和入度的函数，例如：
LinkScore＝a*Linklevel+b*(LinkDegreeIn+LinkDegreeOut)
其中，LinkScore表示链路的得分，Linklevel表示链路的道路等级，LinkDegreeIn表示链路的入度，LinkDegreeOut表示链路的出度，a表示与链路的道路等级相对应的权重，b表示与链路的入度和出度的和相对应的权重。道路等级可以根据道路的交通量、使用任务、功能和流量进行划分，例如高速公路、一级公路、二级公路、三级公路、四级公路。在其他的示例中，道路还可以按行政级别划分，例如国道、省道、县道，对此本公开并不进行限制。链路的度可以指与该链路关联的链路的数量，链路的入度可以表示指向该链路的链路数量，链路的出度可以表示离开该链路的链路数量。通常，流量大的高等级链路具有正向的权重，出度和入度也具有正向的权重。在一些示例中，可以将得分小于阈值的链路进行过滤，例如链路出入度均小于2或者道路等级小于预设值的链路会被过滤。由此，使得一些细小的内部路或无拐角的道路均被过滤，从而提升后续模型训练的效率以及准确率。
在一些示例中，在训练序列转换模型的过程中，所使用的输入样本定位坐标序列可以是通过对历史定位坐标序列进行抽稀采样得到的。为了适配不同的稀疏程度，本公开示例性实施例使用的样本定位坐标序列可以是通过对历史定位坐标序列进行多层次的抽稀采样得到的。图4是根据本公开示例性实施例的对定位坐标序列进行抽稀采样的示意图。在一个示例中，如图4所示，对于通过每2秒采样获取的包括多个定位坐标点的历史定位坐标序列(轨迹)401，可以按第一时间间隔(例如5秒)进行抽稀采样，得到第一样本定位坐标序列(轨迹)402，该轨迹包括较少的定位坐标点。还可以按第二时间间隔(例如8秒)进行抽稀采样，得到第二样本定位坐标序列(轨迹)403，该轨迹包括更少的定位坐标点。
样本定位坐标序列可以包括多个定位坐标点。例如，样本坐标序列A可以表示为(point1,point2,point3,…)，每个point1，point2，point3表示一个定位坐标点。在一些示例中，可以对每个定位坐标点进行特征扩展，以得到与该定位坐标点对应的N个特征，其中，N为不小于1的整数。在一些示例中，该N个特征可以包括距离该定位坐标点最近的M个候选链路，其中，M为不小于1的整数，M不大于N。在一些示例中，距离定位坐标点最近的M个候选链路选自骨干路网。定位坐标点与链路的距离是该定位坐标点到该链路的投影距离。在其他的示例中，还可能出现定位坐标点周围没有足够的链路的情况，也即召回不足时，可以由0填充该特征。在一些示例中，每个候选链路可以具有相应的编码信息，例如属性信息。链路的属性信息可以包括方向角、长度、道路等级、路况等。
图5是根据本公开示例性实施例的坐标点与链路的投影距离的示意图。对于定位坐标点501，可以计算其与周围多个link的距离，然后选择距离该定位坐标点距离最近的预设数量的link作为该定位坐标的特征。例如，可以计算定位坐标点501分别距离link1501，link2 502和link3 503的投影距离d1,d2和d3，然后从中选择距离最近的link作为该定位坐标点501的特征。例如，通过对point1进行特征扩展，可以得到特征扩展序列(link11，link12，link13)，通过对point2进行特征扩展，可以得到特征扩展序列(link21，link22，link23)。通过对point3进行特征扩展，可以得到特征扩展序列(link31，link32，link33)。
在一些示例中，基于一个或多个候选定位坐标序列，确定与所述定位坐标序列匹配的所述目标路段可以包括：基于一个或多个候选定位坐标序列、定位坐标序列的空间位置以及定位坐标序列的速度，确定与定位坐标序列匹配的所述目标路段。在从一个或多个候选定位坐标序列中确定与定位坐标序列匹配的目标路段时，还可以进一步考虑定位坐标序列的空间位置和速度，以进一步提高匹配的准确率。在其他是示例中，还可以结合定位坐标点的距离、定位坐标点的路程、时间损耗、道路限速加权等因素，综合确定与定位坐标序列匹配的目标路段，以提高匹配的准确率。
在一些示例中，基于一个或多个候选定位坐标序列，确定与定位坐标序列匹配的目标路段包括：对一个或多个候选定位坐标序列进行填补处理；以及基于填补处理结果，确定与定位坐标序列匹配的目标路段。由于序列转换模型基于骨干路网进行训练，最终确定出的匹配的目标路段可能来源于骨干网络。通过对填补处理，可以得到与定位坐标序列匹配的完整真实的路段。
在一些示例中，基于填补处理结果，确定与定位坐标序列匹配的目标路段可以包括：基于填补处理结果、定位坐标序列的空间位置以及定位坐标序列的速度，确定与定位坐标序列匹配的所述目标路段。通过结合定位坐标序列的空间位置和速度进行填补，可以进一步提高匹配的准确率。
在一些示例中，本公开示例性实施例所使用的序列转换模型可以包括，但不限于，循环神经网络RNN、长短期记忆网络LSTM、门控循环单元GRU、转换器(Transformer)中的一种或多种。
图6是根据本公开一些示例性实施例的序列转换模型的示意图。在图6的示例中，序列转换模型是具有双向LSTM编码结构与注意力结构的编码结构的机器翻译模型。该模型的输入为定位坐标序列，例如定位坐标序列：[定位点1、定位点2、定位点]。在编码阶段，使用双向LSTM对输入进行编码，获得定位坐标序列的句子表示。在解码阶段，每一步使用上一个时间步长的预测结果以及每个时间步长的句子表示，获得当前时间步长预测结果的概率表示(即link概率)，依次循环，输出候选定位坐标序列。图7是根据本公开一些其他示例性实施例的序列转换模型的示意图。图7的示例示出了解码阶段生成具有最大概率得分的链路过程。解码算法使用每一个时间步长预测的结果(如图7中实框所示)进行迭代，每个时间步长获取多个候选链路，遍历每个候选链路的下一个时间步长，形成多个候选链路，然后将每个候选链路的概率累加，从而选出最大概率得分的候选链路。
该序列转换模型可以基于编码器-解码器框架。编码器-解码器框架用于解决由一个任意长度的源序列到另一个任意长度的目标序列的变换问题。即编码阶段将整个源序列编码成向量，解码阶段通过最大化预测序列概率，从中解码出整个目标序列。同时，本公开示例性实施例也可以使用双向循环神经网络或增加深度堆叠等方法实现更复杂的定位轨迹的编码表示。此外，本公开示例性实施例还引用注意力机制，对编码后的轨迹上下文片段进行解码，以解决长轨迹的特征学习问题。
以上对根据本公开示例性实施例的用于地图匹配的方法进行了说明。虽然各个操作在附图中被描绘为按照特定的顺序，但是这不应理解为要求这些操作必须以所示的特定顺序或者按顺行次序执行，也不应理解为要求必须执行所有示出的操作以获得期望的结果。
下面描述根据本公开示例性实施例的用于地图匹配的装置。图8示出了根据本公开一些示例性实施例的用于地图匹配的装置800的示意性框图。如图8所示，装置800包括获取模块801、第一确定模块802和第二确定模块803。
获取模块801可以被配置为获取定位坐标序列。第一确定模块802可以被配置为基于定位坐标序列，使用预设的序列转换模型来确定与定位坐标序列相对应的一个或多个候选定位坐标序列。在一些示例中，预设的序列转换模型是使用多个样本定位坐标序列进行训练得到的，该多个样本定位坐标序列是通过对历史定位坐标序列进行抽稀采样得到的。第二确定模块803可以被配置为基于一个或多个候选定位坐标序列，确定与定位坐标序列匹配的目标路段。
在一些示例中，获取模块801、第一确定模块802和第二确定模块803的操作分别对应于上面关于图2描述的方法200的步骤201、202以及203，因此此处不再详细描述。
借助于本公开示例性实施例的用于地图匹配的装置，序列转换模型是使用多个样本定位坐标序列进行训练得到的，且多个样本定位坐标序列是通过对历史定位坐标序列进行抽稀采样得到的，由此，即使当前获得的车辆的定位坐标序列是稀疏序列时，也能够准确地获取与该定位坐标序列匹配的路段，从而提高导航效率。
在一些示例中，第二确定模块803还配置为：基于一个或多个候选定位坐标序列、定位坐标序列的空间位置以及定位坐标序列的速度，确定与定位坐标序列匹配的目标路段。
在一些示例中，第二确定模块803还配置为：对一个或多个候选定位坐标序列进行填补处理；以及基于填补处理结果，确定与定位坐标序列匹配的目标路段。
在一些示例中，第二确定模块803还配置为：基于填补处理结果、定位坐标序列的空间位置以及定位坐标序列的速度，确定与定位坐标序列匹配的目标路段。
虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作，或者替换地该特定模块调用或以其他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行该动作)。因此，执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。
本公开的一个方面提供了一种电子设备，该电子设备可包括处理器；以及存储程序的存储器，该程序包括指令，所述指令在由所述处理器执行时使所述处理器执行前述任何方法。
本公开的一个方面提供了一种存储程序的计算机可读存储介质，所述程序包括指令，所述指令在由电子设备的处理器执行时，致使所述电子设备执行前述任何方法。
下面参考图9来描述这样的电子设备和计算机可读存储介质的示例。
图9示出了可以被用来实施本文所描述的模块和功能的作为电子设备的计算设备900的示例配置。计算设备900可以是各种不同类型的设备，例如服务提供商的服务器、与客户端(例如，客户端设备)相关联的设备、片上系统、和/或任何其它合适的计算设备或计算系统。计算设备900的示例包括但不限于：台式计算机，服务器计算机、笔记本电脑或上网本计算机、移动设备(例如，平板电脑或者phablet设备、蜂窝或其他无线电话(例如，智能电话)、记事本计算机、移动台)、可穿戴设备(例如，眼镜、手表)、娱乐设备(例如，娱乐器具、通信地耦合到显示设备的机顶盒、游戏机)、电视或其他显示设备、汽车计算机等等。因此，计算设备900的范围可以从具有大量存储器和处理器资源的全资源设备(例如，个人计算机、游戏控制台)到具有有限的存储器和/或处理资源的低资源设备(例如，传统的机顶盒、手持游戏控制台)。
计算设备900可以包括能够诸如通过系统总线914或其他适当的连接彼此通信的至少一个处理器902、存储器904、(多个)通信接口906、显示设备908、其他输入/输出(I/O)设备910以及一个或更多大容量存储设备912。
处理器902可以是单个处理单元或多个处理单元，所有处理单元可以包括单个或多个计算单元或者多个核心。处理器902可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外，处理器902可以被配置成获取并且执行存储在存储器904、大容量存储设备912或者其他计算机可读介质中的计算机可读指令，诸如操作系统916的程序代码、应用程序918的程序代码、其他程序920的程序代码等。
存储器904和大容量存储设备912是用于存储指令的计算机存储介质的示例，所述指令由处理器902执行来实施前面所描述的各种功能。举例来说，存储器904一般可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等等)。此外，大容量存储设备912一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等等。存储器904和大容量存储设备912在本文中都可以被统称为存储器或计算机存储介质，并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非瞬时性介质，所述计算机程序代码可以由处理器902作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。
多个程序模块可以存储在大容量存储设备912上。这些程序包括操作系统916、一个或多个应用程序918、其他程序920和程序数据922，并且它们可以被加载到存储器904以供执行。这样的应用程序或程序模块的示例可以包括例如用于实现以下部件/功能的计算机程序逻辑(例如，计算机程序代码或指令)：获取模块801、第一确定模块802、第二确定模块803、方法200、和/或本文描述的另外的实施例。
虽然在图9中被图示成存储在计算设备900的存储器904中，但是模块916、918、920和922或者其部分可以使用可由计算设备900访问的任何形式的计算机可读介质来实施。如本文所使用的，“计算机可读介质”至少包括两种类型的计算机可读介质，也就是计算机存储介质和通信介质。
计算机存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质，所述信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机存储介质包括而不限于RAM、ROM、EEPROM、闪存或其他存储器技术，CD-ROM、数字通用盘(DVD)、或其他光学存储装置，磁盒、磁带、磁盘存储装置或其他磁性存储设备，或者可以被用来存储信息以供计算设备访问的任何其他非传送介质。
与此相对，通信介质可以在诸如载波或其他传送机制之类的已调数据信号中具体实现计算机可读指令、数据结构、程序模块或其他数据。本文所定义的计算机存储介质不包括通信介质。
计算设备900还可以包括一个或更多通信接口906，以用于诸如通过网络、直接连接等等与其他设备交换数据，正如前面所讨论的那样。这样的通信接口可以是以下各项中的一个或多个：任何类型的网络接口(例如，网络接口卡(NIC))、有线或无线(诸如IEEE802.11无线LAN(WLAN))无线接口、全球微波接入互操作(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、BluetoothTM接口、近场通信(NFC)接口等。通信接口906可以促进在多种网络和协议类型内的通信，其中包括有线网络(例如LAN、电缆等等)和无线网络(例如WLAN、蜂窝、卫星等等)、因特网等等。通信接口906还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。
在一些示例中，可以包括诸如监视器之类的显示设备908，以用于向用户显示信息和图像。其他I/O设备910可以是接收来自用户的各种输入并且向用户提供各种输出的设备，并且可以包括触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。
虽然在附图和和前面的描述中已经详细地说明和描述了本公开，但是这样的说明和描述应当被认为是说明性的和示意性的，而非限制性的；本公开不限于所公开的实施例。通过研究附图、公开内容和所附的权利要求书，本领域技术人员在实践所要求保护的主题时，能够理解和实现对于所公开的实施例的变型。在权利要求书中，词语“包括”不排除未列出的其他元件或步骤，不定冠词“一”或“一个”不排除多个，并且术语“多个”是指两个或两个以上。在相互不同的从属权利要求中记载了某些措施的仅有事实并不表明这些措施的组合不能用来获益。

Claims (20)

1.一种用于地图匹配的方法，包括：
获取定位坐标序列；
基于所述定位坐标序列，使用预设的序列转换模型来确定与所述定位坐标序列相对应的一个或多个候选定位坐标序列，其中，所述预设的序列转换模型是使用多个样本定位坐标序列进行训练得到的，所述多个样本定位坐标序列是通过对历史定位坐标序列进行抽稀采样得到的；以及
基于所述一个或多个候选定位坐标序列，确定与所述定位坐标序列匹配的目标路段。
2.根据权利要求1所述的方法，其中，所述多个样本定位坐标序列中的每个样本定位坐标序列包括多个定位坐标点，
其中，所述多个定位坐标点中的每个定位坐标点包括N个特征，所述N个特征是通过对该定位坐标点进行特征扩展得到的，其中，N为不小于1的整数。
3.根据权利要求2所述的方法，其中，所述N个特征包括距离该定位坐标点最近的M个候选链路，其中，M为不小于1的整数，并且M不大于N，
其中，定位坐标点与链路的距离是该定位坐标点到该链路的投影距离。
4.根据权利要求3所述的方法，其中，所述M个候选链路选自骨干路网，所述骨干路网是基于基础路网中每个链路的得分对所述基础路网进行提取得到的。
5.根据权利要求3或4所述的方法，其中，链路的得分是所述链路的道路等级和所述链路的出度和入度的函数。
6.根据权利要求5所述的方法，其中，所述函数为：
LinkScore＝a*Linklevel+b*(LinkDegreeIn+LinkDegreeOut)
其中，LinkScore表示所述链路的得分，Linklevel表示所述链路的道路等级，LinkDegreeIn表示所述链路的入度，LinkDegreeOut表示所述链路的出度，a表示与所述链路的道路等级相对应的权重，b表示与所述链路的入度和出度的和相对应的权重。
7.根据权利要求1-4中任一项所述的方法，其中，基于所述一个或多个候选定位坐标序列，确定与所述定位坐标序列匹配的所述目标路段包括：
基于所述一个或多个候选定位坐标序列、所述定位坐标序列的空间位置以及所述定位坐标序列的速度，确定与所述定位坐标序列匹配的所述目标路段。
8.根据权利要求1-4中任一项所述的方法，其中，基于所述一个或多个候选定位坐标序列，确定与所述定位坐标序列匹配的所述目标路段包括：
对所述一个或多个候选定位坐标序列进行填补处理；以及
基于填补处理结果，确定与所述定位坐标序列匹配的所述目标路段。
9.根据权利要求8所述的方法，其中，基于填补处理结果，确定与所述定位坐标序列匹配的所述目标路段包括：
基于所述填补处理结果、所述定位坐标序列的空间位置以及所述定位坐标序列的速度，确定与所述定位坐标序列匹配的所述目标路段。
10.根据权利要求1-4中任一项所述的方法，其中，所述预设的序列转换模型包括循环神经网络RNN、长短期记忆网络LSTM、门控循环单元GRU、转换器中的一种或多种。
11.一种用于地图匹配的装置，包括：
获取模块，配置为获取定位坐标序列；
第一确定模块，配置为基于所述定位坐标序列，使用预设的序列转换模型来确定与所述定位坐标序列相对应的一个或多个候选定位坐标序列，其中，所述预设的序列转换模型是使用多个样本定位坐标序列进行训练得到的，所述多个样本定位坐标序列是通过对历史定位坐标序列进行抽稀采样得到的；以及
第二确定模块，配置为基于所述一个或多个候选定位坐标序列，确定与所述定位坐标序列匹配的目标路段。
12.根据权利要求11所述的装置，其中，所述多个样本定位坐标序列中的每个样本定位坐标序列包括多个定位坐标点，
其中，所述多个定位坐标点中的每个定位坐标点包括N个特征，所述N个特征是通过对该定位坐标点进行特征扩展得到的，其中，N为不小于1的整数。
13.根据权利要求12所述的装置，其中，所述N个特征包括距离该定位坐标点最近的M个候选链路，其中，M为不小于1的整数，M不大于N，
其中，定位坐标点与链路的距离是该定位坐标点到该链路的投影距离，
其中，所述M个候选链路选自骨干路网，所述骨干路网是基于基础路网中每个链路的得分对所述基础路网进行提取得到的。
14.根据权利要求12或13所述的装置，其中，链路的得分是所述链路的道路等级和所述链路的出度和入度的函数。
15.根据权利要求14所述的装置，其中，所述函数为：
LinkScore＝a*Linklevel+b*(LinkDegreeIn+LinkDegreeOut)
其中，LinkScore表示所述链路的得分，Linklevel表示所述链路的道路等级，LinkDegreeIn表示所述链路的入度，LinkDegreeOut表示所述链路的出度，a表示与所述链路的道路等级相对应的权重，b表示与所述链路的入度和出度的和相对应的权重。
16.根据权利要求11-13中任一项所述的装置，其中，所述第二确定模块还配置为：
基于所述一个或多个候选定位坐标序列、所述定位坐标序列的空间位置以及所述定位坐标序列的速度，确定与所述定位坐标序列匹配的所述目标路段。
17.根据权利要求11-13中任一项所述的装置，其中，其中，所述第二确定模块还配置为：
对所述一个或多个候选定位坐标序列进行填补处理；以及
基于填补处理结果，确定与所述定位坐标序列匹配的所述目标路段。
18.根据权利要求17所述的装置，其中，所述第二确定模块还配置为：
基于所述填补处理结果、所述定位坐标序列的空间位置以及所述定位坐标序列的速度，确定与所述定位坐标序列匹配的所述目标路段。
19.一种电子设备，包括：
处理器；以及
存储程序的存储器，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1至10中任一项所述方法。
20.一种存储程序的计算机可读存储介质，所述程序包括指令，所述指令在由电子设备的处理器执行时，致使所述电子设备执行根据权利要求1至10中任一项所述的方法。
CN202010953533.7A 2020-09-11 2020-09-11 用于地图匹配的方法、装置、电子设备以及可读介质 Active CN112084285B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010953533.7A CN112084285B (zh) 2020-09-11 2020-09-11 用于地图匹配的方法、装置、电子设备以及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010953533.7A CN112084285B (zh) 2020-09-11 2020-09-11 用于地图匹配的方法、装置、电子设备以及可读介质

Publications (2)

Publication Number Publication Date
CN112084285A true CN112084285A (zh) 2020-12-15
CN112084285B CN112084285B (zh) 2023-08-08

Family

ID=73737749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010953533.7A Active CN112084285B (zh) 2020-09-11 2020-09-11 用于地图匹配的方法、装置、电子设备以及可读介质

Country Status (1)

Country Link
CN (1) CN112084285B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156470A (zh) * 2021-01-29 2021-07-23 北京中航讯科技股份有限公司 基于路网的公交路链提取与优化算法
CN114001736A (zh) * 2021-11-09 2022-02-01 Oppo广东移动通信有限公司 定位方法、定位装置、存储介质与电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108061556A (zh) * 2017-10-18 2018-05-22 广州傲胜机器人科技有限公司 一种基于隐马尔可夫模型的地图匹配方法
WO2019196478A1 (zh) * 2018-04-13 2019-10-17 北京三快在线科技有限公司 机器人定位
CN110686686A (zh) * 2019-06-04 2020-01-14 北京嘀嘀无限科技发展有限公司 用于地图匹配的系统和方法
CN111189459A (zh) * 2020-01-10 2020-05-22 成都信息工程大学 一种定位信息与道路匹配的方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108061556A (zh) * 2017-10-18 2018-05-22 广州傲胜机器人科技有限公司 一种基于隐马尔可夫模型的地图匹配方法
WO2019196478A1 (zh) * 2018-04-13 2019-10-17 北京三快在线科技有限公司 机器人定位
CN110686686A (zh) * 2019-06-04 2020-01-14 北京嘀嘀无限科技发展有限公司 用于地图匹配的系统和方法
CN111189459A (zh) * 2020-01-10 2020-05-22 成都信息工程大学 一种定位信息与道路匹配的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴刚;邱煜晶;王国仁;: "基于隐马尔可夫模型和遗传算法的地图匹配算法", 东北大学学报(自然科学版), no. 04 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156470A (zh) * 2021-01-29 2021-07-23 北京中航讯科技股份有限公司 基于路网的公交路链提取与优化算法
CN113156470B (zh) * 2021-01-29 2023-08-11 北京中航讯科技股份有限公司 基于路网的公交路链提取与优化方法
CN114001736A (zh) * 2021-11-09 2022-02-01 Oppo广东移动通信有限公司 定位方法、定位装置、存储介质与电子设备

Also Published As

Publication number Publication date
CN112084285B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
US11782440B2 (en) Autonomous vehicle simulation system for analyzing motion planners
US11681292B2 (en) System and method for generating simulated vehicles with configured behaviors for analyzing autonomous vehicle motion planners
Werner Indoor location-based services: Prerequisites and foundations
CN104270714B (zh) 确定用户行动轨迹的方法和装置
CN110414732B (zh) 一种出行未来轨迹预测方法、装置、储存介质及电子设备
CN109313846A (zh) 用于推荐上车点的系统和方法
CN111670463B (zh) 基于机器学习的几何网格简化
CN112084285B (zh) 用于地图匹配的方法、装置、电子设备以及可读介质
CN111680747B (zh) 用于占据栅格子图的闭环检测的方法和装置
US11967006B2 (en) Systems and methods for generating road map based on level of nodes and target links
CN104335248A (zh) 非静态3d地图视图
CN108139227A (zh) 用于视频图示、选择和同步的基于位置的服务工具
KR20210025076A (ko) 디지털 어시스턴트 애플리케이션과 내비게이션 애플리케이션 간의 인터페이싱
JP2020537267A (ja) オンライン・ツー・オフライン・サービスにおいて最適な輸送サービスのタイプを決定するためのシステムおよび方法
CN113466877A (zh) 一种实时物体检测的方法、装置及电子设备
CN108268514A (zh) 基于八叉树的云端地图地图更新设备
CN105890599A (zh) 一种基于地理位置足迹噪点的过滤算法
Boulis et al. Data augmentation using gans for deep learning-based localization systems
US10191928B2 (en) Planar graph generation device and method
CN112685531B (zh) 车辆匹配方法和装置、计算设备以及计算机可读存储介质
CN107949773B (zh) 用于提供推荐浏览路径的方法及装置
CN113495767A (zh) 一种交互场景生成的方法、装置及电子设备
CN117591615A (zh) 区域确定方法、装置及存储介质
CN118740695A (zh) 数据处理方法及装置、电子设备、存储介质
CN116150289A (zh) 一种位置信息的表示方法、装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant