CN112101527A - 识别车道变化的方法和装置、电子设备和存储介质 - Google Patents

Abstract

本申请公开了一种识别车道变化的方法，涉及深度学习技术、可用于云计算和智能交通等领域。具体实现方案为：获取与目标道路匹配的实时轨迹数据；基于获取的实时轨迹数据，提取对应的实时轨迹特征；以及至少基于提取的实时轨迹特征和经预先训练得到的车道变化识别模型，识别目标道路的车道是否发生了变化。

Description

识别车道变化的方法和装置、电子设备和存储介质

技术领域

本申请涉及一种识别车道变化的方法和装置、电子设备和存储介质。

背景技术

随着城市化进程不断加剧，城市路网结构也越来越复杂，用户出行使用电子地图导航已经成为一种习惯。但当导航车道信息与实际车道信息不一致时，很可能会将用户导入错误的车道。一旦出现这种情况，用户发现时通常已经来不及变道，强行变道则极易带来安全风险，尤其是在高架上行驶时因导航错误而产生的绕路成本很高，用户体验也差。

发明内容

本申请提供了一种识别车道变化的方法和装置、电子设备以及存储介质。

根据第一方面，提供了一种识别车道变化的方法，包括：获取与目标道路匹配的实时轨迹数据；基于获取的实时轨迹数据，提取对应的实时轨迹特征；以及至少基于提取的实时轨迹特征和经预先训练得到的车道变化识别模型，识别上述目标道路的车道是否发生了变化。

根据第二方面，提供了一种识别车道变化的装置，包括：获取模块，用于获取与目标道路匹配的实时轨迹数据；提取模块，用于基于获取的实时轨迹数据，提取对应的实时轨迹特征；以及识别模块，用于至少基于提取的实时轨迹特征和经预先训练得到的车道变化识别模型，识别上述目标道路的车道是否发生了变化。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行本申请实施例的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，包括：上述计算机指令用于使上述计算机执行本申请实施例的方法。

根据本申请实施例提供的技术方案，可以实时获取与各现实道路匹配的行人/车辆的轨迹数据，并从中提取实时的轨迹特征，进而将这些特征输入预先训练好的车道变化识别模型进行识别，以便确定各现实道路上的车道是否发生了变化，由此能够及时获取车道变化信息，并基于获取的车道变化信息及时更新当前正在使用的电子地图，从而使导航车道信息与实际车道信息尽量保持一致，因此可以提高导航的准确性，同时提高用户的体验。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1示意性示出了可以应用本申请实施例的识别车道变化的方法和装置的示例性系统架构；

图2示意性示出了根据本申请实施例的识别车道变化的方法的流程图；

图3示意性示出了根据本申请实施例的沿着道路通行方向顺序做多个垂直于通行方向的轨迹横截面的示意图；

图4示意性示出了根据本申请实施例的轨迹横截面上的交点的分布及拟合结果的示意图；

图5示意性示出了根据本申请实施例的确定路口通行方向的示意图；

图6示意性示出了根据本申请实施例的训练BiLSTM-Attention网络模型的示意图；

图7示意性示出了根据本申请实施例的识别车道变化的装置的框图；

图8示意性示出了可以实现本申请实施例的识别车道变化的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1示意性示出了可以应用本申请实施例的识别车道变化的方法和装置的示例性系统架构。需要注意的是，图1所示仅为可以应用本申请实施例的系统架构的示例，以帮助本领域技术人员理解本申请的技术内容，但并不意味着本申请实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据本申请实施例的系统架构100可以包括终端设备101、102、103，服务器104和服务器105。

终端设备101、102、103上可以安装有各种导航客户端应用，用户出行时可以使用终端设备101、102、103导航。并且终端设备101、102、103在导航过程中既可以接收来自服务器104的导航信息，又可以将用户的轨迹数据发送给服务器105。

终端设备101、102、103可以是具有显示屏并支持导航功能的各种电子设备，包括但不限于智能手机、车载导航设备等等。

服务器104可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103进行导航时提供电子地图支持和导航信息支持的后台管理服务器(仅为示例)；再例如对现实车道信息发生变化时，根据服务器105提供的车道变化信息提供电子地图更新支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户导航请求等进行分析等处理，并将处理结果(例如根据用户的导航请求获取或生成的电子地图、导航路线、车道信息等)反馈给终端设备。后台管理服务器还可以对接收到的车道变化信息等进行分析等处理，并根据处理结果(例如存在车道增减、存在通行方向增减等)更新当前最新版本的电子地图。

服务器105也可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103进行导航时提供采集用户轨迹数据支持的后台管理服务器(仅为示例)。后台管理服务器可以对采集到的用户轨迹数据等进行分析等处理，并将处理结果(例如根据用户的轨迹数据获取或生成的车道变化信息等)反馈给服务器104。

需要说明的是，本申请实施例所提供的识别车道变化的方法一般可以由服务器105执行。相应地，本申请实施例所提供的识别车道变化的装置一般可以设置于服务器105中。本申请实施例所提供的识别车道变化的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的其他服务器或服务器集群执行。相应地，本申请实施例所提供的识别车道变化的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的其他服务器或服务器集群中。

此外，在本申请实施例中，服务器105和/或服务器104可以是云服务器。

应该理解，图1中的终端设备和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备和服务器。

根据本申请的实施例，本申请提供了一种识别车道变化的方法。

图2是根据本申请实施例的识别车道变化的方法的流程图。

如图2所示，该方法200可以包括操作S210-S230。

在操作S210，获取与目标道路匹配的实时轨迹数据。

在操作S220，基于获取的实时轨迹数据，提取对应的实时轨迹特征。

在操作S230，至少基于提取的实时轨迹特征和经预先训练得到的车道变化识别模型，识别目标道路的车道是否发生了变化。

需要说明的是，在本申请实施例中，上述实时轨迹数据可以通过多种方式获取，本申请在此不做限定。

示例性的，在一个实施例中，当出行者使用电子地图导航时，后台管理服务器可以实时采集出行者的导航设备的定位信息，并以此作为该出行者的实时轨迹数据。应该理解，此处的出行者可以是自然人，也可以是机器人，还可以是自动驾驶车辆等，本申请在此不做限定。并且出行者的移动轨迹可以包括但不限于：行走轨迹、骑行轨迹和行车轨迹等。

示例性的，在另一个实施例中，还可以给专用车辆配置专门的定位设备，让这些车辆去各条道路上行驶，并实时采集其行车轨迹。需要说明的是，上述定位设备可以包括：高精度定位设备和低精度定位设备，本申请实施例在此不做限定。

由于每条移动轨迹是由一个个轨迹点组成的，并且每个轨迹点都可以用经、维度表示，而在现实世界中每条道路也可以用经、纬度表示。因此在操作S210，可以将实时获取的轨迹点的经、纬度与现实世界中的经、纬度进行匹配，并由此确定并获取与目标道路匹配的实时轨迹数据。应该理解，在本申请实施例中，目标道路可以是现实世界中的任意道路之一，并且该目标道路可以是当前电子地图中已标注的道路，也可以是当前电子地图中未标注的道路。如果是未标注的道路，则表示一定存在车道变化信息；如果是已标注的道路，则可能存在车道变化信息，也可能不存在车道变化信息。

具体地，在操作S210，可以将实时获取的轨迹数据匹配到最新版的电子地图中。示例性的，在一个实施例中，可以采用隐马尔可夫模型(Hidden Markov Model，简称HMM)进行轨迹匹配，从而将出行者的轨迹点匹配到出行者实际走过的道路上。此时出行者的轨迹点是观测序列(包括多个观测状态)，出行者实际走过的道路是隐藏序列(包括多个隐藏状态)。在HMM中可以使用维特比算法来计算与各观测状态对应的隐藏状态。

在操作S210之后，即在获取与目标道路匹配的实时轨迹数据之后，在操作S220和在操作S230，可以仅基于获取的实时轨迹数据提取对应的实时轨迹特征，并将提取的实时轨迹特征输入经预先训练得到的车道变化识别模型来识别目标道路的车道是否发生了变化。或者，在操作S220和在操作S230，除了可以提取上述的实时轨迹特征之外，还可以获取关于上述目标道路的静态特征，并将获取的实时轨迹特征和静态特征同时输入上述车道变化识别模型来识别该目标道路的车道是否发生了变化。

此外，在本申请实施例中，在操作S210之后且在操作S220之前，还可以对上述实时轨迹数据进行预处理，以便去掉异常噪声干扰。这是因为受建筑物、障碍物等的遮挡，定位信息容易出现偏差，比如出行者的个别轨迹点完全偏离了出行者实际走过的道路，此时通过轨迹预处理操作，可以去掉这种异常轨迹点的干扰。

此外，在本申请实施例中，在操作S220，当提取实时轨迹特征时，可以对轨迹数据进行多维度特征提取，以便车道变化识别模型能够更准确地识别目标道路上的车道信息是否发生了变化。

通过本申请实施例，采用预先训练好的车道变化识别模型和实提取的轨迹特征进行车道变化信息识别，因而可以更及时、更精确地识别出现实世界中各道路上的车道是否发生了变化。

在当前快速的城市化建设进程中，道路结构和车道信息更新速度快，依靠耗费时间较长的车道变化信息识别方案，远远满足不了实际需求。而保证车道信息的准确性在电子地图导航中具有非凡的现实意义和价值。通过本申请实施例提供的车道变化信息识别方案，可以快速、准确地识别出现实世界中存在的车道变化信息，并将其及时更新到电子地图中，因而能够保证导航中车道信息的准确性，从而能够更好地支撑电子地图未来在诸如辅助驾驶、自动驾驶等领域的应用，同时对促使辅助驾驶、自动驾驶等快速落地具有较大价值。

作为一种可选的实施例，可以通过以下操作训练得到上述车道变化识别模型：

确定至少一条道路，其中该至少一条道路中的每条道路都曾经发生过车道变化。

获取与该每条道路匹配的历史轨迹数据，其中该历史轨迹数据包括车道变化前N天的轨迹数据和车道变化后M天的轨迹数据。

基于获取的与各道路匹配的车道变化前N天的轨迹数据，提取与各道路匹配的车道变化前N天的历史轨迹特征。

基于获取的与各道路匹配的车道变化后M天的轨迹数据，提取与各道路匹配的车道变化后M天的历史轨迹特征。

至少基于提取的与各道路匹配的车道变化前N天的历史轨迹特征和车道变化后M天的历史轨迹特征，训练得到该车道变化识别模型。

具体地，在本申请实施例中，可以先确定一条或者多条曾经发生过车道变化的道路作为样本车道，再针对其中的每一条样本道路获取与之匹配的历史轨迹数据，并将此历史轨迹数据作为训练样本用以输入预先建立的神经网络模型进行训练，以得到上述车道变化识别模型。

应该理解，作为训练样本的历史轨迹数据，可以包括针对同一道路同时采集的车道变化前、后的历史轨迹数据。由此可以使上述神经网络模型同时学习到车道变化前、后的轨迹特征，进而使得训练得到的车道变化识别模型能够正确识别出各道路上的车道是否发生了变化。

示例性的，对于每条被选为样本的道路而言，可以获取其在车道变化前N天的轨迹数据以及其在车道变化后M天的轨迹数据作为训练样本(例如可以将车道变化前28天和车道变化后7天的轨迹数据作为训练样本)。其中，不同的样本车道，N的取值可以相同或不同，M的取值也可以相同或不同；相同的样本车道，N与M的取值可以相同或不同，本申请在此不做限定。

此外，在本申请实施例中，可以采用以下方式中的任意之一来提取车道变化前、后的历史轨迹特征。

方式1，可以人工提取车道变化前、后的历史轨迹特征，并计算对应的差值特征(例如，对于任意道而言，该道路在车道变化前的历史轨迹特征-其在车道变化后的历史轨迹特征＝该道路在车道变化前、后的差值特征)。

应该理解，对于方式1，可以将得到的差值特征输入预先建立的神经网络模型训练得到车道变化识别模型。此处可供选择的神经网络模型有很多，本申请实施例在此不做限定。

方式2，可以先人工提取车道变化前、后的一部分历史轨迹特征，并将人工提取的车道变化前、后的历史轨迹特征部分看作时间序列输入时序模型，由时序模型捕获更多、更丰富的车道变化前、后的历史轨迹特征。此处可供选择的时序模型有很多，例如可以选择长短时间记忆(Long Short Term Memory，简称LSTM)时序模型，本申请实施例在此不做限定。

应该理解，在上述时间序列中，可以将针对所有样本车道提取的每一天的历史轨迹特征(特征向量)看作该时间序列中的一个元素。例如，针对车道变化前N天的历史轨迹数据和车道变化后M天的历史轨迹数据提取的历史轨迹特征，可以看作一个具有(N+M)元素的时间序列。

需要说明的是，利用上述方式1进行特征分析和特征调优需要的人工成本较高。而上述方式2只需要人工先提取少量的特征，然后由时序模型提取更多、更丰富的特征，因而与方式1相比方式2需要的人工成本更低。

此外，在本申请实施例中，可以通过历史轨迹数据离线训练得到车道变化识别模型，并通过车道变化识别模型在线识别实时轨迹数据得到车道变化信息。

进一步，作为一种可选的实施例，上述的N可以大于1，且M也可以大于1。

在实现本申请实施例的过程中，发明人发现：车道变化时会有明显特征，之后不再呈现变化，所以从轨迹特征看，车道变化前轨迹特征一致，车道变化后轨迹特征也一致，但车道变化前、后轨迹特征不一致。

基于此发现，本申请实施例在选择训练样本时，从历史样本库中，选取曾经发生过车道变化的道路作为样本道路，并针对每条样本道路截取变化时间点前N天(如前21天)和变化时间点后M天(如后7天)的轨迹数据作为训练样本。

通过本申请实施例，将N和M设置为大于1的数值，可以保证训练样本的稳定性。

作为另一种可选的实施例，上述的N和/或M也可以等于1。应该理解，在本申请实施例中，尤其是将M设置为1，很难保证训练样本的稳定性。

示例性的，在道路上暂时设置路障、围栏等也会引起出行者移动轨迹的变化，但是这种变化往往是暂时，短时间内可能很快就恢复至原来的样子了。而将M设置为大于1的数值(如7天)，则可以排除此种情形的干扰。

更进一步，作为一种可选的实施例，基于获取的与各道路匹配的车道变化前N天的轨迹数据，提取与各道路匹配的车道变化前N天的历史轨迹特征，可以包括：基于获取的与各道路匹配的车道变化前N天的轨迹数据，提取各道路在车道变化前N天中每一天的历史轨迹的空间分布特征；和/或基于获取的与各道路匹配的车道变化前N天的轨迹数据，提取各道路在车道变化前N天中每一天的历史轨迹的路口通行特征。

类似地，在本申请实施例中，基于获取的与各道路匹配的车道变化后M天的轨迹数据，提取与各道路匹配的车道变化后M天的历史轨迹特征，也可以包括：基于获取的与各道路匹配的车道变化后M天的轨迹数据，提取各道路在车道变化后M天中每一天的历史轨迹的空间分布特征；和/或基于获取的与各道路匹配的车道变化后M天的轨迹数据，提取各道路在车道变化后M天中每一天的历史轨迹的路口通行特征。

在实现本申请实施例的过程中，发明人还发现：在轨迹定位存在误差的情况下(例如GPS定位的误差通常在10米左右)，不同车道之间的轨迹通常会存在一定的交叉重叠部分，在此基础上识别各道路上的车道是否发生了变化时，如果不能将不同车道的轨迹特征区分开，则很难保证识别结果的准确度。

基于此发现，本申请实施例在提取轨迹特征时选择提取各历史轨迹的空间分布特征，可以将与任意道路匹配的轨迹划分在不同的层面上，因而能够将不同车道的轨迹特征区分开。

本申请实施例通过提取轨迹的空间分布特征，可以将不同车道的交叉重叠轨迹区分开来，以利于提高车道变化识别模型的识别精度。

此外，在实现本申请实施例的过程中，发明人还发现：路口的车道发生变化的概率比较大，例如为了缓解道路的拥堵压力可能会在路口处另辟其他方向的车道，或者在某个或者某几个方向上增加车道数量等。并且，在导航过程中，导航路线在大多数时间都仅显示为一条线，在临近路口时则会显示道路详细的车道信息，例如当前车道为左转车道、直行车道或是右转车道等。

基于此发现，本申请实施例在提取轨迹特征时还选择提取各历史轨迹的路口通行特征，使得神经网络模型可以深度学习到车道变化前后的路口通行特征。

更进一步，作为一种可选的实施例，提取各道路(所有的样本道路)在车道变化前N天中每一天的历史轨迹的空间分布特征，可以包括针对各道路中的每条道路执行第一操作。该第一操作包括：沿着当前道路的通行方向，顺序做多个垂直于该通行方向的轨迹横截面，并针对车道变化前N天中的每一天，对每个轨迹横截面执行第二操作。该第二操作包括：求取与当前道路匹配的历史轨迹在当前横截面上的交点；将当前横截面上的所有交点的空间分布拟合成一个K维高斯分布，其中K表示当前道路上的车道数，K≥1且K为整数；以及基于该K维高斯分布，提取与当前道路上的每条车道匹配的历史轨迹的高斯分布特征和对应的权重。其中，该高斯分布特征包括期望和/或标准差。

示例性的，如图3所示，直线L表示道路，花括号“{”31内包含的所有直线均垂直于L，其中每条垂直于L的直线表示一个轨迹横截面的俯视图。应该理解，不同的相邻轨迹横截面之间的距离间隔可以相同或者不同。具体地，在上述第二操作中，对于车道变化前、后每一天内产生的与道路L匹配的所有轨迹，可以根据各条轨迹产生的具体时间以及各条轨迹在路面上的投影来确定各条轨迹与每个轨迹横截面的交点。对于每个轨迹横截面而言，可以将其上所有交点的空间分布拟合成一个K维高斯分布。

应该理解，k维高斯分布表示k个高斯成分的混合高斯分布，可以用下式表示：

其中，k表示车道数，ω_i表示第i个高斯成分的权重，用于表征第i个车道的重要性。其中，ω_i越大，表示第i个车道上承载的行人/行车数量越多，进而表示第i个车道越重要。反之，ω_i越小，表示第i个车道上承载的行人/行车数量越少，进而表示第i个车道越不重要。

每个高斯成分(一维高斯分布)可以用下式表示：

其中，高斯分布特征μ表示高斯分布的均值(期望)，用于表征车道的中心位置。高斯分布特征σ表示高斯分布的标准差，用于表征车道的宽度。σ越大，表示车道越宽；相反，σ越小，表示车道越窄。

示例性的，混合高斯分布的结果可以如图4所示。其中，图4中的a部分是轨迹横截面上的交点分布图，b部分是一维高斯分布拟合的结果，c部分是三维高斯分布拟合的结果。如c部分所示，图中最外层的曲线表示混合高斯分布(三维高斯分布)的曲线。很明显，该混合高斯分布包含三个高斯成分。从图中看，自左到右三个高斯成分的均值分别为0.51、0.59、0.66，三个高斯成分的标准差均为0.031。从图中看，自左到右第一个高斯成分的权重大约是第二个高斯成分的1/2，第三个高斯成分的权重大约是第二个高斯成分的1/3。

由此可见，在将轨迹横截面上的交点分布拟合成混合高斯分布后，可以计算出每个高斯成分的均值、标准差以及权重。由此可以估计出每个车道的中心线、车道宽度和车道的重要性。

并且，通过混合高斯分布设置合理的k值和ω值(如图4中的a、b部分所示)，可以将不同车道的重叠轨迹分布更好地区分开。

需要说明的是，在本申请实施例中，提取车道变化后的历史轨迹的空间分布特征与提取车道变化前的历史轨迹的空间分布特征的方法类似，在此不再赘述。

通过本申请实施例，将轨迹的空间分布拟合成k维高斯分布，可以根据每个高斯分布的期望确定对应车道的中心线，并根据每个高斯分布的标准差确定对应车道的宽度，以及根据每个高斯分布的权重确定对应车道的重要性。

需要说明的是，在轨迹定位存在误差的情况下(例如GPS定位的误差通常在10米左右)，不同车道之间的轨迹通常会存在一定的交叉重叠部分，在此基础上识别各道路上的车道是否发生了变化时，如果不能将不同车道的轨迹特征区分开，则很难保证识别结果的准确度。而本申请实施例采用高斯混合模型(Gaussian Mixture Model，简称GMM)(k维高斯分布)提取不同车道的轨迹分布特征，从轨迹的类高斯分布中可以看出轨迹在不同层面上的空间分布特征，因而可以将不同车道之间交叉重叠的轨迹区分开，进而可以识别结果的准确度。

应该理解，与强依赖高精度电子地图数据和高精度定位的轨迹(例如，误差在1米左右)，将轨迹数据和高精电子地图进行匹配分析，发现不匹配区域即认为疑似存在车道信息变化点相比，本申请实施例的优势至少在于对轨迹的定位精度要求不高，不需要专门的高精度定位设备，因而成本较低。

还应该理解，与基于低定位精度的GPS轨迹数据(例如，定位误差在10米左右)，依据轨迹的分布(此处轨迹的分布是指轨迹在一个平面上的分布，而不是轨迹的空间分布)进行聚类，从而提取出轨迹中心线/覆盖宽度等特征，当这些特征发生变化时即认为疑似存在道路信息变化相比，本申请实施例的优势至少在于可以根据轨迹的空间分布特征来区分不同车道之间的交叉重叠轨迹，因而识别精度更高。并且，本申请实施例的优势还在于，既可以发现部分道路级别得变化，又可以精确检测到车道级别的信息变化。

还应该理解，与基于轨迹构建轨迹图像，应用形态学闭运算、腐蚀方法去除不同车道之间的轨迹粘连，然后计算每条车道上车辆轨迹的最小外接矩形和矩形的中心线，判断中心线发生变化的区域即认为疑似存在车道信息变化点相比，本申请实施例的优势至少在于根据轨迹的空间分布特征可以区分不同车道之间的交叉重叠轨迹，而且还可以保留轨迹的时间连续性特征，因而可以精确地检测到车道变化信息。

更进一步，作为一种可选的实施例，本方法还可以包括：在将当前横截面上的所有交点的空间分布拟合成一个K维高斯分布之前，对当前横截面上的交点进行过滤，以滤除边缘噪声轨迹在当前横截面上的交点。

需要说明的是，在本申请实施例中，在将轨迹横截面上的交点分布拟合成混合高斯分布之前，可以对这些交点进行预处理，以便去掉异常噪声对后续处理的干扰。这是因为受建筑物、障碍物等的遮挡，定位信息容易出现偏差，比如出行者的个别轨迹点完全偏离了出行者实际走过的道路，此时通过上述预处理操作，可以去掉这种异常轨迹点的干扰。

具体地，可以使用自适应带宽的高斯核函数进行核密度估计，从而过滤掉边缘噪声轨迹点。其中自适应带宽h可以根据Silverman经验法则确定。示例性的，h可以通过下式确定：

其中，此处的σ表示样本的标准差，n表示样本的数目。进一步，对于每个轨迹横截面而言，此处的样本是指轨迹横截面上的所有交点，n表示交点的数目。

此外，作为一种可选的实施例，提取各道路在车道变化前N天中每一天的历史轨迹的路口通行特征，可以包括针对各道路中的每条道路执行第三操作。该第三操作包括：确定训练样本中每一天的轨迹点在路口的通行方向；和/或提取训练样本中每一天的轨迹点在路口的时间粒度特征。其中该时间粒度特征可以包括但不限于以下至少之一：轨迹点通过路口消耗的时间、轨迹点通过路口的速度、路口在单位时间内的通行流量。

需要说明的是，在本申请实施例中，上述通行方向可以区分为4个方向：左转、右转、直行、掉头。

通过本申请实施例，确定轨迹点在路口的通行方向，可以利于神经网络模型深度学习车道变化前、后路口处轨迹点的通行方向的增减特征。

此外，具体地，在提取轨迹点在路口的时间粒度特征时，可以计算所有从路口前50米到退出路口后50米范围内的轨迹点的小时粒度特征。

示例性的，上述小时粒度特征可以包括一天中轨迹点通过路口消耗的时间的最大值、最小值和中值。其中，中值表示平均值；最大值可能代表了拥堵时间段(如上、下班或者节假日高峰期)的耗时；最小值可能代表了非拥堵时间段(如非上、下班或者节假日高峰期)的耗时。

示例性的，上述小时粒度特征可以包括一天中轨迹点通过路口的线速度的最大值、最小值和中值。其中，中值表示平均值；最大值可能代表了非拥堵时间段(如非上、下班或者节假日高峰期)的速度；最小值可能代表了拥堵时间段(如上、下班或者节假日高峰期)的速度。

示例性的，上述小时粒度特征可以包括一天中路口在单位时间内的轨迹点通行流量的最大值、最小值和中值。其中，中值表示平均值；最大值可能代表了非拥堵时间段(如非上、下班或者节假日高峰期)的轨迹点通行流量；最小值可能代表了拥堵时间段(如上、下班或者节假日高峰期)的轨迹点通行流量。

通过本申请实施例，确定轨迹点在路口的时间粒度特征，可以利于神经网络模型学习车道变化前、后路口处轨迹点的时间粒度特征。

进一步，作为一种可选的实施例，确定训练样本中每一天的轨迹点在路口的通行方向，可以包括：确定训练样本中每一天的轨迹点中进入路口的轨迹点和至少一组离开路口的轨迹点；基于该进入路口的轨迹点拟合出第一直线；基于该至少一组离开路口的轨迹点中的每一组离开路口的轨迹点分别拟合出一条第二直线；计算该第一直线与每条第二直线之间的夹角的大小；以及基于每个夹角的大小，确定该每一天的轨迹点在路口的所有通行方向。

示例性的，如图5所示，OX表示第一直线，OY表示一第二直线，当直线OY落入射线OA与射线OB之间时，认为直线OY代表的通行方向为右转；当直线OY落入射线OB与射线OC之间时，认为直线OY代表的通行方向为直行；当直线OY落入射线OC与射线OD之间时，认为直线OY代表的通行方向为左转；当直线OY落入射线OD与射线OA之间时，认为直线OY代表的通行方向为掉头。其中，O可以表示多条道路的路口交叉点。应该理解，相邻射线之间的夹角大小与实际道路的分布有关，本申请实施例在此不做限定。

通过本申请实施例，通过计算进、出路口的轨迹点所拟合的直线之间的夹角的大小，可以准确地确定路口轨迹点的所有通行方向。

此外，作为一种可选的实施例，训练上述车道变化识别模型，还可以包括：提取各样本道路在车道变化前N天的道路属性特征和在车道变化后M天的道路属性特征；基于提取的各样本道路在车道变化前N天的历史轨迹特征和道路属性特征，以及提取的各样本道路在车道变化后M天的历史轨迹特征和道路属性特征，训练车道变化识别模型。

进一步，作为一种可选的实施例，各道路在车道变化前N天或车道变化后M天的道路属性特征(主要是道路的静态属性特征)包括以下至少之一：城市标识、城区路或郊区路标识、道路等级、道路宽度、车道数量、路口类型。需要说明的是，上述道路属性特征可以直接从基础数据(如电子地图数据)中获取。

具体地，在本申请实施例中，除了基于历史轨迹数据提取历史轨迹特征之外，还可以基于道路的基础数据提取道路的属性特征，并同时将提取的历史轨迹特征和道路属性特征输入神经网络模型进行训练，由此可以使神经网络模型学习到更多特征，进而能够更精确，更全面地识别各道路上的车道是否发生了变化。

需要说明的是，在本申请实施例中，可以建立BiLSTM-Attention网络模型作为上述神经网络模型。其中“BiLSTM”表示双向LSTM模型，“Attention”表示注意力机制。

如图6所示，BiLSTM-Attention网络模型的工作原理如下：提取样本道路61的历史轨迹特征和道路属性特征后，将其输入BiLSTM网络模型62，该网络模型最后一层的输出为h₁，h₂，...，h_k，其中，k表示分类类别的总数目；Attention 63可以使BiLSTM网络模型62具备专注于其输入(或特征)子集的能力，即选择特定的输入(或特征)。BiLSTM-Attention网络模型的目标优化函数采用softmax 64交叉熵损失函数。通过softmax可以将BiLSTM-Attention网络模型输出的每个分类转换成分类为对应类别的概率，例如第i类分类h_i转换为概率p_i的计算方式可以如下：

满足，

最小化损失函数

可以如下：

其中，y_i表示样本类别标签。

通过最小化损失函数

训练BiLSTM-Attention网络模型，更新模型参数最终得到训练好的分类模型(车道变化识别模型)。

此外，作为一种可选的实施例，至少基于提取的各道路在车道变化前N天的历史轨迹特征和各道路在车道变化后M天的历史轨迹特征，生成对应的时间序列，其中车道变化前N天和该车道变化后M天中的每一天的历史轨迹特征对应于该时间序列中的一个元素；基于该时间序列训练预先建立的神经网络模型可以得到该车道变化识别模型。

示例性的，假设截取所有样本道路在车道变化前28天和车道变化后7天的历史轨迹数据，并提取对应的历史轨迹特征，则此时形成的时间序列为(28+7)天的时间序列，该时间序列中包含(28+7)个按时间先后顺序排列元素，每个元素表示其中一天的历史轨迹所表现出来的轨迹特征。

通过本申请实施例，可以使神经网络模型学习到车道变化前、后的轨迹特征。

进一步，作为一种可选的实施例，基于上述时间序列训练得到上述车道变化识别模型，可以包括：将该时间序列输入双向长短时间记忆模型(BiLSTM模型)以便训练得到该车道变化识别模型。需要说明的是，在本申请实施例中，也可以该时间序列输入单向长短时间记忆模型(单向LSTM模型)以便训练得到该车道变化识别模型。

通过本申请实施例，由于使用的时间序列包含车道变化前、后的历史轨迹特征，因此利用BiLSTM模型进行训练可以充分学习到变化前和变化后两个方向上的轨迹特征，使得训练得到的车道变化识别模型的识别精度更高。

此外，作为一种可选的实施例，上述历史轨迹数据可以包括用户在使用电子地图进行导航时通过导航设备回传的轨迹数据。

应该理解，上述通过导航设备回传的轨迹数据具有轨迹覆盖面广和实时回传等特点。并且做电子地图业务的企业具有能获取到这种轨迹数据的天然优势，而学术研究机构使用的轨迹数据仅仅是少部分对外公开的轨迹数据。因而通过本申请实施例，可以以低成本甚至是零成本实时获取到大量轨迹数据，由此既可以保证轨迹数据的实时性，又可以保证轨迹数据的覆盖面足够广，从而可以快速(天级甚至更快)、全面(覆盖大多数甚至全部路网)检测车道变化信息。

作为另一种可选的实施例，上述历史轨迹数据还可以包括利用专用高精度设备采集的轨迹数据。

应该理解，相比于通过导航设备回传的轨迹数据，依赖专用高精度设备采集轨迹数据具有精度高的优势，但是设备成本高且数量有限，采集时间间隔长，导致采集的轨迹数据覆盖面少，且数据更新时效不够高。

此外，作为一种可选的实施例，本方法还可以包括：在识别出目标道路发生了车道变化后，进一步识别目标道路上发生的车道变化的类型。

具体地，可以通过车道变化类型识别模块识别并输出目标道路上发生的车道变化类型的详细信息。更具体地，可以分析实时轨迹数据，提取能够表征发生变化的轨迹特征，并将这些特征输出上述识别模块进行处理。

需要说明的是，在本申请实施例中，车道变化的类型可以包括但不限于：车道通行方向(如直行、左转、右转、掉头等)的增加或减少，车道数量的增加或减少。其中，在通行方向变化的情况下可以直接输出增/减的通行方向，在车道数量变化的情况下可以直接输出增/删的车道的详细信息。

通过本申请实施例，能够基于车道变化的类型准确地更新现有的电子地图。

进一步，作为一种可选的实施例，识别目标道路上发生的车道变化的类型，可以包括以下至少之一：根据该目标道路在本次车道变化发生前以及在本次车道变化发生后的轨迹的路口通行特征，识别该目标道路是否存在车道通行方向的增加或减少；根据该目标道路在本次车道变化发生前以及在本次车道变化发生后的轨迹的高斯分布特征，识别该目标道路是否存在车道数量的增加或减少。

需要说明的是，在本申请实施例中，提取路口通行特征的方法与前述实施例中提取路口通行特征的方法相同，在此不再赘述。并且，在本申请实施例中，提取高斯分布特征的方法与前述实施例中提取高斯分布特征的方法也相同，在此也不再赘述。

通过本申请实施例，基于本次车道变化发生前、后的轨迹的路口通行特征可以判断出是否有通行方向的增/减，以及变化后增/减了哪些通行方向，以及基于本次车道变化发生前、后的轨迹的高斯分布特征可以判断出车道数量是否有变化，以及变化后增/减了哪些车道。

根据本申请的实施例，本申请还提供了一种识别车道变化的装置。

图7是根据本申请实施例的识别车道变化的装置的框图。

如图7所示，本识别车道变化的装置700包括获取模块701、提取模块702和识别模块703。

具体地，获取模块701，用于获取与目标道路匹配的实时轨迹数据。

提取模块702(第一提取模块)，用于基于获取的实时轨迹数据，提取对应的实时轨迹特征。

识别模块703(第一识别模块)，用于至少基于提取的实时轨迹特征和经预先训练得到的车道变化识别模型，识别所述目标道路的车道是否发生了变化。

作为一种可选的实施例，本装置还可以包括训练模块。该训练模块用于训练上述车道变化识别模型。其中该训练模块可以包括：确定单元、获取单元、第一提取单元、第二提取单元和训练单元。

具体地，确定单元，用于确定至少一条道路，其中所述至少一条道路中的每条道路都曾经发生过车道变化。

获取单元，用于获取与所述每条道路匹配的历史轨迹数据，其中所述历史轨迹数据包括车道变化前N天的轨迹数据和车道变化后M天的轨迹数据。

第一提取单元，用于基于获取的与各道路匹配的车道变化前N天的轨迹数据，提取与各道路匹配的车道变化前N天的历史轨迹特征。

第二提取单元，用于基于获取的与各道路匹配的车道变化后M天的轨迹数据，提取与各道路匹配的车道变化后M天的历史轨迹特征。

训练单元，用于至少基于提取的与各道路匹配的车道变化前N天的历史轨迹特征和车道变化后M天的历史轨迹特征，训练所述车道变化识别模型。

进一步，作为一种可选的实施例，上述的N可以大于1，且M也可以大于1。

更进一步，作为一种可选的实施例，上述第一提取单元还可以用于执行以下提取操作中的至少之一：基于获取的与各道路匹配的车道变化前N天的轨迹数据，提取各道路在车道变化前N天中每一天的历史轨迹的空间分布特征；基于获取的与各道路匹配的车道变化前N天的轨迹数据，提取各道路在车道变化前N天中每一天的历史轨迹的路口通行特征。

更进一步，作为一种可选的实施例，上述第一提取单元还可以用于执行第一操作。

该第一操作可以包括：针对所述各道路中的每条道路，沿着当前道路的通行方向，顺序做多个垂直于所述通行方向的轨迹横截面，并针对车道变化前N天中的每一天，对每个轨迹横截面执行第二操作。

该第二操作可以包括：求取与所述当前道路匹配的历史轨迹在当前横截面上的交点；将所述当前横截面上的所有交点的空间分布拟合成一个K维高斯分布，其中K表示所述当前道路上的车道数，K≥1且K为整数；以及基于所述K维高斯分布，提取与所述当前道路上的每条车道匹配的历史轨迹的高斯分布特征和对应的权重，其中，所述高斯分布特征包括期望和/或标准差。

更进一步，作为一种可选的实施例，该第二操作还可以包括：在将所述当前横截面上的所有交点的空间分布拟合成一个K维高斯分布之前，对所述当前横截面上的交点进行过滤，以滤除边缘噪声轨迹在所述当前横截面上的交点。

此外，作为一种可选的实施例，上述第一提取单元还可以用于针对所述各道路中的每条道路执行第三操作。

该第三操作可以进一步包括第一子操作和第二子操作中的至少之一。该第一子操作可以包括确定所述每一天的轨迹点在路口的通行方向。该第二子操作可以包括提取所述每一天的轨迹点在路口的时间粒度特征。其中所述时间粒度特征包括以下至少之一：轨迹点通过路口消耗的时间、轨迹点通过路口的速度、路口在单位时间内的通行流量。

进一步，作为一种可选的实施例，该第一子操作可以进一步包括：确定所述每一天的轨迹点中进入路口的轨迹点和至少一组离开路口的轨迹点；基于所述进入路口的轨迹点拟合出第一直线；基于所述至少一组离开路口的轨迹点中的每一组离开路口的轨迹点分别拟合出一条第二直线；计算所述第一直线与每条第二直线之间的夹角的大小；以及基于每个夹角的大小，确定所述每一天的轨迹点在路口的所有通行方向。

此外，作为一种可选的实施例，本装置还可以包括：第二提取模块。该第二提取模块用于提取各道路在车道变化前N天的道路属性特征和在车道变化后M天的道路属性特征。上述训练单元还基于提取的各道路在车道变化前N天的历史轨迹特征和道路属性特征，以及提取的各道路在车道变化后M天的历史轨迹特征和道路属性特征，训练所述车道变化识别模型。

进一步，作为一种可选的实施例，上述各道路在车道变化前N天或车道变化后M天的道路属性特征包括以下至少之一：城市标识、城区路或郊区路标识、道路等级、道路宽度、车道数量、路口类型。

此外，作为一种可选的实施例，上述训练单元可以包括：生成子单元和训练子单元。该生成子单元用于至少基于提取的各道路在车道变化前N天的历史轨迹特征和各道路在车道变化后M天的历史轨迹特征，生成对应的时间序列。其中所述车道变化前N天和所述车道变化后M天中的每一天的历史轨迹特征对应于所述时间序列中的一个元素。该训练子单元用于基于所述时间序列训练得到所述车道变化识别模型。

进一步，作为一种可选的实施例，该训练子单元还用于：将所述时间序列输入双向长短时间记忆模型以训练所述车道变化识别模型。

此外，作为一种可选的实施例，上述历史轨迹数据可以包括用户在使用电子地图进行导航时通过导航设备回传的轨迹数据。

此外，作为一种可选的实施例，本装置还可以包括：第二识别模块。该第二识别模块用于在识别出所述目标道路发生了车道变化后，识别所述目标道路上发生的车道变化的类型。

进一步，作为一种可选的实施例，第二识别模块可以包括第一识别单元和第二识别单元中的至少之一。该第一识别单元用于根据所述目标道路在本次车道变化发生前以及在本次车道变化发生后的轨迹的路口通行特征，识别所述目标道路是否存在车道通行方向的增加或减少。该第二识别单元用于根据所述目标道路在本次车道变化发生前以及在本次车道变化发生后的轨迹的高斯分布特征，识别所述目标道路是否存在车道数量的增加或减少。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图8所示，是根据本申请实施例的识别车道变化的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。

存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的识别车道变化的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的识别车道变化的方法。

存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的识别车道变化的方法对应的程序指令/模块(例如，附图7所示的获取模块701、提取模块702和识别模块703)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的识别车道变化的方法。

存储器802可以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、至少一个功能所需要的应用程序；存储数据区可存储根据识别车道变化的电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至识别车道变化的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

用于实现本申请的识别车道变化的方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。

输入装置803可接收输入的数字或字符信息，以及产生与识别车道变化的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系；服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

根据本申请实施例的技术方案，基于用户的导航设备或者具有导航功能的电子设备在一段时间内回传的实时轨迹数据，确定这些轨迹在与之匹配的道路上的分布情况，进而根据该分布情况提取轨迹的空间分布、时间粒度分布等多维特征，同时结合道路本身的属性特征，并基于这些特征训练得到分类模型(车道变化识别)，可根据实时轨迹数据识别出道路上的车道是否发生了变化，进而在识别出某些道路上的车道发生了变化的情况下，还可以根据变化的特征进一步判断车道信息变化的类型，从而实现快速刻画并更新电子地图中的车道信息数据的目的。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (18)

1.一种识别车道变化的方法，其特征在于，包括：

获取与目标道路匹配的实时轨迹数据；

基于获取的实时轨迹数据，提取对应的实时轨迹特征；以及

至少基于提取的实时轨迹特征和经预先训练得到的车道变化识别模型，识别所述目标道路的车道是否发生了变化。

2.根据权利要求1所述的方法，其特征在于，通过以下操作训练得到所述车道变化识别模型：

确定至少一条道路，其中所述至少一条道路中的每条道路都曾经发生过车道变化；

获取与所述每条道路匹配的历史轨迹数据，其中所述历史轨迹数据包括车道变化前N天的轨迹数据和车道变化后M天的轨迹数据；

基于获取的与各道路匹配的车道变化前N天的轨迹数据，提取与各道路匹配的车道变化前N天的历史轨迹特征；

基于获取的与各道路匹配的车道变化后M天的轨迹数据，提取与各道路匹配的车道变化后M天的历史轨迹特征；以及

至少基于提取的与各道路匹配的车道变化前N天的历史轨迹特征和车道变化后M天的历史轨迹特征，训练得到所述车道变化识别模型。

3.根据权利要求2所述的方法，其特征在于，N大于1且M大于1。

4.根据权利要求3所述的方法，其特征在于，所述基于获取的与各道路匹配的车道变化前N天的轨迹数据，提取与各道路匹配的车道变化前N天的历史轨迹特征，包括：基于获取的与各道路匹配的车道变化前N天的轨迹数据，

提取各道路在车道变化前N天中每一天的历史轨迹的空间分布特征；和/或

提取各道路在车道变化前N天中每一天的历史轨迹的路口通行特征。

5.根据权利要求4所述的方法，其特征在于，所述提取各道路在车道变化前N天中每一天的历史轨迹的空间分布特征，包括针对所述各道路中的每条道路执行以下操作：

沿着当前道路的通行方向，顺序做多个垂直于所述通行方向的轨迹横截面，并针对车道变化前N天中的每一天，对每个轨迹横截面执行以下操作：

求取与所述当前道路匹配的历史轨迹在当前横截面上的交点；

将所述当前横截面上的所有交点的空间分布拟合成一个K维高斯分布，其中K表示所述当前道路上的车道数，K≥1且K为整数；以及

基于所述K维高斯分布，提取与所述当前道路上的每条车道匹配的历史轨迹的高斯分布特征和对应的权重，其中，所述高斯分布特征包括期望和/或标准差。

6.根据权利要求5所述的方法，其特征在于，还包括：在将所述当前横截面上的所有交点的空间分布拟合成一个K维高斯分布之前，

对所述当前横截面上的交点进行过滤，以滤除边缘噪声轨迹在所述当前横截面上的交点。

7.根据权利要求4～6中任一项所述的方法，其特征在于，所述提取各道路在车道变化前N天中每一天的历史轨迹的路口通行特征，包括针对所述各道路中的每条道路执行以下操作：

确定所述每一天的轨迹点在路口的通行方向；和/或

提取所述每一天的轨迹点在路口的时间粒度特征，其中所述时间粒度特征包括以下至少之一：轨迹点通过路口消耗的时间、轨迹点通过路口的速度、路口在单位时间内的通行流量。

8.根据权利要求7所述的方法，其特征在于，所述确定所述每一天的轨迹点在路口的通行方向，包括：

确定所述每一天的轨迹点中进入路口的轨迹点和至少一组离开路口的轨迹点；

基于所述进入路口的轨迹点拟合出第一直线；

基于所述至少一组离开路口的轨迹点中的每一组离开路口的轨迹点分别拟合出一条第二直线；

计算所述第一直线与每条第二直线之间的夹角的大小；以及

基于每个夹角的大小，确定所述每一天的轨迹点在路口的所有通行方向。

9.根据权利要求2所述的方法，其特征在于，训练所述车道变化识别模型，还包括：

提取各道路在车道变化前N天的道路属性特征和在车道变化后M天的道路属性特征；

基于提取的各道路在车道变化前N天的历史轨迹特征和道路属性特征，以及提取的各道路在车道变化后M天的历史轨迹特征和道路属性特征，训练所述车道变化识别模型。

10.根据权利要求9所述的方法，其特征在于，各道路在车道变化前N天或车道变化后M天的道路属性特征包括以下至少之一：城市标识、城区路或郊区路标识、道路等级、道路宽度、车道数量、路口类型。

11.根据权利要求2所述的方法，其特征在于，

至少基于提取的各道路在车道变化前N天的历史轨迹特征和各道路在车道变化后M天的历史轨迹特征，生成对应的时间序列，其中所述车道变化前N天和所述车道变化后M天中的每一天的历史轨迹特征对应于所述时间序列中的一个元素；

基于所述时间序列训练得到所述车道变化识别模型。

12.根据权利要求11所述的方法，其特征在于，所述基于所述时间序列训练得到所述车道变化识别模型，包括：

将所述时间序列输入双向长短时间记忆模型以训练得到所述车道变化识别模型。

13.根据权利要求2所述的方法，其特征在于，所述历史轨迹数据包括用户在使用电子地图进行导航时通过导航设备回传的轨迹数据。

14.根据权利要求1所述的方法，其特征在于，还包括：

在识别出所述目标道路发生了车道变化后，识别所述目标道路上发生的车道变化的类型。

15.根据权利要求14所述的方法，其特征在于，所述识别所述目标道路上发生的车道变化的类型，包括以下至少之一：

根据所述目标道路在本次车道变化发生前以及在本次车道变化发生后的轨迹的路口通行特征，识别所述目标道路是否存在车道通行方向的增加或减少；

根据所述目标道路在本次车道变化发生前以及在本次车道变化发生后的轨迹的高斯分布特征，识别所述目标道路是否存在车道数量的增加或减少。

16.一种识别车道变化的装置，其特征在于，包括：

获取模块，用于获取与目标道路匹配的实时轨迹数据；

提取模块，用于基于获取的实时轨迹数据，提取对应的实时轨迹特征；以及

识别模块，用于至少基于提取的实时轨迹特征和经预先训练得到的车道变化识别模型，识别所述目标道路的车道是否发生了变化。

17.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-15中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-15中任一项所述的方法。

Images