CN112131278A - 轨迹数据的处理方法及装置、存储介质、电子装置 - Google Patents
轨迹数据的处理方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN112131278A CN112131278A CN202011043241.6A CN202011043241A CN112131278A CN 112131278 A CN112131278 A CN 112131278A CN 202011043241 A CN202011043241 A CN 202011043241A CN 112131278 A CN112131278 A CN 112131278A
- Authority
- CN
- China
- Prior art keywords
- data
- track data
- track
- trajectory
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000000638 solvent extraction Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 231100001263 laboratory chemical safety summary Toxicity 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000010223 real-time analysis Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种轨迹数据的处理方法及装置、存储介质、电子装置,上述方法包括:确定待查询的第一对象在目标时间段的第一轨迹数据,其中,第一轨迹数据包括:第一对象经过的数据采集点;获取多个第二对象的多个第二轨迹数据,其中,第二对象均经过数据采集点,且第二轨迹数据为目标时间段的轨迹数据;分别确定多个第二轨迹数据与第一轨迹数据的相似度,得到多个相似度,输出相似度高于预设阈值的第二轨迹数据,采用上述技术方案,解决了相关技术中,无法对轨迹数据进行实时计算分析,并且同行分析结果查询困难且精准度不高等问题,进而实现了对轨迹数据的实时计算分析,提高了实时同行分析的精准度,提升了查询效率。
Description
技术领域
本发明涉及轨迹分析领域,具体而言,涉及一种轨迹数据的处理方法及装置、存储介质、电子装置。
背景技术
伴随着电子终端产品的智能化的普及,在智能设备的使用中生成了大量轨迹数据,进而可通过分析移动目标的轨迹数据的相似性来确认智能设备是否存在同行情况,进一步的,还可以提取轨迹数据中的相似路径,对存在的相似对象的路径进行预测。
因此,轨迹数据在轨迹分析各领域均具有广泛的应用,在相关技术中,提出了一种同行分析方法、装置、设备和介质,通过欧式距离来刻画点与点轨迹伴随关系,并且由于统计离散点共现次数的方法,当两个同行轨迹在时间和个数上都存在很大差异时(例如,缺失、异常时),同行识别准确率很低,此外,现比较常用的轨迹相似度量指标有很多种,但大都基于离线场景下的大规模数据计算,无法实现实时同行分析。
针对相关技术中,无法对轨迹数据进行实时计算分析,并且同行分析结果查询困难且精准度不高等问题,尚未提出有效的技术方案。
发明内容
本发明实施例提供了一种轨迹数据的处理方法及装置、存储介质、电子装置,以至少解决相关技术中,无法对轨迹数据进行实时计算分析,并且同行分析结果查询困难且精准度不高等问题。
本发明实施例提供了一种轨迹数据的处理方法,包括:确定待查询的第一对象在目标时间段的第一轨迹数据,其中,所述第一轨迹数据包括:所述第一对象经过的数据采集点;获取多个第二对象的多个第二轨迹数据,其中,所述第二对象均经过所述数据采集点,且所述第二轨迹数据为所述目标时间段的轨迹数据;分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,得到多个相似度,输出相似度高于预设阈值的第二轨迹数据。
可选地,获取多个第二对象的多个第二轨迹数据之前,上述方法还包括:设置行程切片的时间阈值;在确定第二对象在所述时间阈值内经过两个数据采集点的情况下,确定每一个第二对象在所述时间阈值内经过两个数据采集点所对应的轨迹数据为同一行程的目标轨迹数据。
可选地,确定每一个第二对象在所述时间阈值内经过两个数据采集点所对应的轨迹数据为同一行程的轨迹数据之后,上述方法还包括:按照分桶规则对多个第二对象的同一行程的目标轨迹数据进行划分,其中,所述分桶规则包括以下至少之一:时间分片,数据采集点,所述目标轨迹数据包括:所述第二轨迹数据;将划分后的轨迹数据保存在目标存储装置中。
可选地,按照分桶规则对多个第二对象的同一行程的轨迹数据进行划分,包括:按照不同的数据采集点将目标轨迹数据进行划分,得到多个第一集合,其中,数据采集点与所述第一集合存在一一对应关系,且每一个所述第一集合包括:经过同一数据采集点的目标轨迹数据;按照时间分片对所述第一集合进行划分,得到多个第二集合,其中,每一个所述第二集合包括:同一时间分片下的目标轨迹数据。
可选地,确定待查询的第一对象在目标时间段的第一轨迹数据,包括:获取所述第一对象的标识信息,其中,所述标识信息用于唯一标识所述第一对象;确定所述标识信息对应的第一对象在所述目标时间段的第一轨迹数据。
可选地,分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,包括:确定所述多个第二轨迹数据与所述第一轨迹数据的公共子序列;根据所述公共子序列,所述多个第二轨迹数据,以及所述第一轨迹数据确定所述多个相似度。
根据本发明的另一个实施例,还提供了一种轨迹数据的处理装置,包括:第一确定模块,用于确定待查询的第一对象在目标时间段的第一轨迹数据,其中,所述第一轨迹数据包括:所述第一对象经过的数据采集点;获取模块,用于获取多个第二对象的多个第二轨迹数据,其中,所述第二对象均经过所述数据采集点,且所述第二轨迹数据为所述目标时间段的轨迹数据;输出模块,用于分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,得到多个相似度,输出相似度高于预设阈值的第二轨迹数据。
可选地,上述装置还包括:设置模块,用于设置行程切片的时间阈值;第二确定模块,用于在确定第二对象在所述时间阈值内经过两个数据采集点的情况下,确定每一个第二对象在所述时间阈值内经过两个数据采集点所对应的轨迹数据为同一行程的目标轨迹数据。
可选地,上述装置还包括:划分模块,用于按照分桶规则对多个第二对象的同一行程的目标轨迹数据进行划分,其中,所述分桶规则包括以下至少之一:时间分片,数据采集点,所述目标轨迹数据包括:所述第二轨迹数据;将划分后的轨迹数据保存在目标存储装置中。
可选地,上述划分模块,还用于按照不同的数据采集点将目标轨迹数据进行划分,得到多个第一集合,其中,数据采集点与所述第一集合存在一一对应关系,且每一个所述第一集合包括:经过同一数据采集点的目标轨迹数据;按照时间分片对所述第一集合进行划分,得到多个第二集合,其中,每一个所述第二集合包括:同一时间分片下的目标轨迹数据。
可选地,上述第一确定模块,还用于获取所述第一对象的标识信息,其中,所述标识信息用于唯一标识所述第一对象;确定所述标识信息对应的第一对象在所述目标时间段的第一轨迹数据。
可选地,上述输出模块,还用于确定所述多个第二轨迹数据与所述第一轨迹数据的公共子序列;根据所述公共子序列,所述多个第二轨迹数据,以及所述第一轨迹数据确定所述多个相似度。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,确定待查询的第一对象在目标时间段的第一轨迹数据,其中,所述第一轨迹数据包括:所述第一对象经过的数据采集点;获取多个第二对象的多个第二轨迹数据,其中,所述第二对象均经过所述数据采集点,且所述第二轨迹数据为所述目标时间段的轨迹数据;分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,得到多个相似度,输出相似度高于预设阈值的第二轨迹数据,即通过比较待查询的第一对象在目标时间段的第一轨迹数据与经过采集点的多个第二对象的多个第二轨迹数据的相似度,进而确认相似度高于预设阈值的第二轨迹数据为第一轨迹数据的同行分析结果,采用上述技术方案,解决了相关技术中,无法对轨迹数据进行实时计算分析,并且同行分析结果查询困难且精准度不高等问题,进而实现了对轨迹数据的实时计算分析,并且输出的同行分析结果的第二轨迹数据是同第一轨迹数据比较相似度确定出的,从而提高了实时同行分析的精准度,提升了查询效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种轨迹数据的处理方法的计算机终端的硬件结构框图;
图2为根据本发明实施例的轨迹数据的处理方法的流程图;
图3为根据本发明可选实施例的实时同行分析系统的示意图;
图4为根据本发明可选实施例的分桶处理后的数据存储示意图;
图5为根据本发明可选实施例的一种实时同行分析的方法的流程示意图;
图6为根据本发明可选实施例的一种在实际应用场景中的车辆轨迹的实时分析系统的流程示意图;
图7是根据本发明实施例的轨迹数据的处理装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。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。
本申请实施例所提供的方法可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例,图1是本发明实施例的一种轨迹数据的处理方法的计算机终端的硬件结构框图。如图1所示,计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的轨迹数据的处理方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。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。传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
根据本发明的一个实施例,提供了一种轨迹数据的处理方法,应用于上述计算机终端,图2为根据本发明实施例的轨迹数据的处理方法的流程图,如图2所示,包括:
步骤S202,确定待查询的第一对象在目标时间段的第一轨迹数据,其中,所述第一轨迹数据包括:所述第一对象经过的数据采集点;
步骤S204,获取多个第二对象的多个第二轨迹数据,其中,所述第二对象均经过所述数据采集点,且所述第二轨迹数据为所述目标时间段的轨迹数据;
步骤S206,分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,得到多个相似度,输出相似度高于预设阈值的第二轨迹数据。
通过上述步骤,确定待查询的第一对象在目标时间段的第一轨迹数据,其中,所述第一轨迹数据包括:所述第一对象经过的数据采集点;获取多个第二对象的多个第二轨迹数据,其中,所述第二对象均经过所述数据采集点,且所述第二轨迹数据为所述目标时间段的轨迹数据;分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,得到多个相似度,输出相似度高于预设阈值的第二轨迹数据,即通过比较待查询的第一对象在目标时间段的第一轨迹数据与经过采集点的多个第二对象的多个第二轨迹数据的相似度,进而确认相似度高于预设阈值的第二轨迹数据为第一轨迹数据的同行分析结果,采用上述技术方案,解决了相关技术中,无法对轨迹数据进行实时计算分析,并且同行分析结果查询困难且精准度不高等问题,进而实现了对轨迹数据的实时计算分析,并且输出的同行分析结果的第二轨迹数据是同第一轨迹数据比较相似度确定出的,从而提高了实时同行分析的精准度,提升了查询效率。
需要说明的是,数据采集点是可以对对象进行信息采集的位置点,例如,当对象为车辆时,数据采集点可以为道路卡口,也可以是道路上十字路口的拍照检测点;当对象为行人时,数据采集点可以是各个道路上的天眼监控装置,本发明对此不做过多限定。
上述步骤S204确定获取多个第二对象的多个第二轨迹数据的方式有多种,在一个可选实施例中,可以通过以下方案实现:设置行程切片的时间阈值;在确定第二对象在所述时间阈值内经过两个数据采集点的情况下,确定每一个第二对象在所述时间阈值内经过两个数据采集点所对应的轨迹数据为同一行程的目标轨迹数据。
也就是说,通过预先设置的时间阈值对多个第二对象的多个第二轨迹数据进行行程切片,当在时间阈值内出现经过两个数据采集点的第二对象时,将该第二对象的轨迹确认为同一行程的目标轨迹数据,当在时间阈值内未出现经过两个数据采集点的第二对象时,说明该第二对象的轨迹不存在为同一行程的目标轨迹数据。
举例说明,当轨迹数据为车辆的轨迹数据,以车牌号码为标识信息进行聚类,将符合正常情况下车辆一段路程到下一段路程间隔的时间阈值设置为T,按照预先设置的时间阈值T对车辆的轨迹数据进行切分,假设一个车辆轨迹数据中存在两点A、B,TB-TA>T,当行程为S,此时SA<S,S<SB,即A、B两点不在一个行程中,当同一个车辆轨迹数据,轨迹两点时间间隔TB-TA<T时,SA<S,SB<S,说明A、B两点为同一行程并对数据打上标记记录。
在一个示例性实施例中,确定每一个第二对象在所述时间阈值内经过两个数据采集点所对应的轨迹数据为同一行程的轨迹数据之后,上述方法还包括:按照分桶规则对多个第二对象的同一行程的目标轨迹数据进行划分,其中,所述分桶规则包括以下至少之一:时间分片,数据采集点,所述目标轨迹数据包括:所述第二轨迹数据;将划分后的轨迹数据保存在目标存储装置中。
为了提高对确定为同一行程的目标轨迹数据的第二对象的查找,通过分桶规则对多个第二对象的同一行程的目标轨迹数据进行划分,例如,当同一行程的目标轨迹数据为车辆轨迹时,根据车辆经过的数据采集点进行空间维度的分桶,每个数据采集点对应经过该数据采集点的所有目标轨迹数据的第二对象,进而以时间为维度,对每个数据采集点下的目标轨迹数据进行时间分片,即根据设置时间分片的时间间隔将经过数据采集点的第二对象进行时间段的时间切片。
可选地,按照分桶规则对多个第二对象的同一行程的轨迹数据进行划分,包括:按照不同的数据采集点将目标轨迹数据进行划分,得到多个第一集合,其中,数据采集点与所述第一集合存在一一对应关系,且每一个所述第一集合包括:经过同一数据采集点的目标轨迹数据;按照时间分片对所述第一集合进行划分,得到多个第二集合,其中,每一个所述第二集合包括:同一时间分片下的目标轨迹数据。
也就是说,由于目标轨迹数据中存在多个不同的数据采集点,因此,在进行划分时,可以按照不同的数据采集点将目标轨迹数据进行划分,得到包含经过同一数据采集点的目标轨迹数据的第一集合,并且为了更好的对第一集合中的目标轨迹数据进行时间索引查找,将第一集合进行时间分片的划分,使同一时间分片下的目标轨迹数据构成一个新的第二集合,便于根据时间进行索引查找。
可选地,确定待查询的第一对象在目标时间段的第一轨迹数据,包括:获取所述第一对象的标识信息,其中,所述标识信息用于唯一标识所述第一对象;确定所述标识信息对应的第一对象在所述目标时间段的第一轨迹数据。
可以理解的是,查询时为了保证查询的准确性,在对待查询的第一对象进行目标时间段的第一轨迹数据时,需要通过获取用于唯一标识第一对象的标识信息来实现对第一对象在目标时间段的第一轨迹数据快速查询。
例如,在车辆轨迹数据中以车牌为实体对象的标识信息,人像数据中以身份证号码为对象的标识信息,mac轨迹数据中以mac为对象的标识信息。
可选地,分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,包括:确定所述多个第二轨迹数据与所述第一轨迹数据的公共子序列;根据所述公共子序列,所述多个第二轨迹数据,以及所述第一轨迹数据确定所述多个相似度。
简而言之,为了使轨迹数据的相似度可以更容易被确定,本发明实施例基于LCSS算法(Long-common-Subsequence/Substring,最长公共子序列/最长公共字串,简称LCSS),通过点到线多对1情况去计算相似度,具体的,以序列Cm为目标轨迹产生序列(相当于本发明实施例中的第一轨迹数据),Qn为实时轨迹序列(相当于本发明是实施例中第二轨迹数据),Zr为点到线多对1的最长公共子序列。若Zr为公共子序列,则Zr必须满足以下条件:其中,ε为距离阈值,为点到线段之间的欧式距离,zs为公共子序列,r为序列上的一点,当且仅当Zr为满足上式条件中点数最多的轨迹,则为轨迹Cm、Qn点到线多对1的最长子序列,此时,令f为目标轨迹Cm与实时轨迹Qn的点到线多对1的轨迹相似度,公式为:进而根据公共子序列,多个第二轨迹数据,以及第一轨迹数据可以确定出多个相似度,实现对待查询的第一对象在目标时间段的第一轨迹数据存在同行的第二对象在目标时间段的第二轨迹数据的确认。
以下结合几个可选实施例对上述轨迹数据的处理方法的流程进行解释说明,但不用于限定本发明实施例的技术方案。
本发明可选实施例提供了一种实时同行分析的系统,图3为根据本发明可选实施例的实时同行分析系统的示意图,包括:行程切分模块32,分桶处理模块34,时间算法模块36,其中,行程切分模块32,用于将输入的实时轨迹数据根据信息中实体对象做规则切分,并输出聚类后的同一行程的轨迹数据。分桶处理模块34与行程切分模块32耦接,按规则对轨迹数据进行分类处理,根据时空维度计算数据被分配的分桶类别,作为索引。时间算法模块36与分桶模块34耦接,用于提取时间序列信息,并使用基于改进的LCSS轨迹相似算法计算相关目标轨迹相似程度。
可选的,行程切分模块32,用于处理实时采集过来的轨迹数据,以实体进行聚类,例如,当对象为车辆,轨迹数据为车辆的轨迹数据,以车牌号码为标识信息进行聚类,将符合正常情况下车辆一段路程到下一段路程间隔的时间阈值设置为T,按照预先设置的时间阈值T对车辆的轨迹数据进行切分,假设一个车辆轨迹数据中存在两点A、B,TB-TA>T,当行程为S,此时SA<S,S<SB,即A、B两点不在一个行程中,当同一个车辆轨迹数据,轨迹两点时间间隔TB-TA<T时,SA<S,SB<S,说明A、B两点为同一行程并对数据打上标记记录。
可选的,分桶处理模块34,用于处理行程切分数据,以数据分桶为思想,对数据进行时空分类。例如,当对象为车辆,轨迹数据为车辆的轨迹数据,此时,以空间为维度,对车辆经过的卡口或采集点做分桶,先将每条数据分类在各自卡口或采集点下,再以时间为维度,对于每个卡口或采集点下的数据做分桶,按照10分钟为一时间切片,对数据再次进行分类共计144分片,并添加包含空间、时间分类规则内容的字段并作索引,并在存储空间内进行分类存储,图4为本发明可选实施例的分桶处理后的数据存储示意图,按照10分钟为一时间切片,对数据再次进行分类共计144分片,并添加包含空间、时间分类规则内容的字段并作索引,并在存储空间内进行分类存储。
可选的,时间算法模块36,在本发明可选实施例中,时间算块模块基于LCSS算法,并对其做了优化。针对目标对象C,有其轨迹按时间由小到大序列Cm=(c1,c2,…,cm),以及实时轨迹Q,其时间序列Qn=(q1,q2,…,qn),有公共子序列Zr=(z1,z2,…,zr),若Zr为两轨迹Cm、Qn的最长公共子序列,通过Zr序列长度来比较相似度。由于经典LCSS距离是点到点1对1的距离,即序列中1个元素至多对应另一序列中的一个元素,未考虑多对1情况,故无法对本法明可选实施的轨迹数据进行处理,因此,为了使轨迹数据的相似度可以更容易被确定。可选的,本发明可选实施例基于LCSS算法(Long-common-Subsequence/Substring,最长公共子序列/最长公共字串,简称LCSS),通过点到线多对1情况去计算相似度,具体的,以序列Cm为目标轨迹产生序列(相当于本发明实施例中的第一轨迹数据),Qn为实时轨迹序列(相当于本发明是实施例中第二轨迹数据),Zr为点到线多对1的最长公共子序列。若Zr为公共子序列,则Zr必须满足以下条件:
其中,ε为距离阈值,为点到线段之间的欧式距离,zs为公共子序列,r为序列上的一点,当且仅当Zr为满足上式条件中点数最多的轨迹,则为轨迹Cm、Qn点到线多对1的最长子序列,此时,令f为目标轨迹Cm与实时轨迹Qn的点到线多对1的轨迹相似度,公式为:进而根据公共子序列,多个第二轨迹数据,以及第一轨迹数据可以确定出多个相似度,实现对待查询的第一对象在目标时间段的第一轨迹数据存在同行的第二对象在目标时间段的第二轨迹数据的确认。
可选的,本发明可选实施例还提供了一种实时同行分析的方法,如图5所示,具体的步骤如下:
步骤S502:基于实时数据按规则实时计算每个对象的行程;
步骤S504:对数据按规则做分桶索引落在存储装置中;
步骤S506:使用时间序列算法计算轨迹相似度。
本发明可选实施例还提供了一种在实际应用场景中的车辆轨迹的实时分析系统,通过输入目标车辆的信息以得到同行对象。如图6所示,具体的步骤如下:
步骤S602,:输入车辆车牌与计算时间段,查找符合条件的轨迹数据。并通过行程标记快速找到该目标的同一行程其他数据,组成需要分析的目标轨迹Cm。
步骤S604:通过目标行程数据,通过分桶规则快速查找到相同卡口且相同时间分片的其他过车信息,通过查找行程标记,找到每辆车相同行程的轨迹数据,作为带分析的轨迹数据集合Qn。
步骤S606:为了提高计算的效率,加入了线性轨迹压缩算法(道格拉斯-普克算法)对于Qn做压缩,将压缩后的Qn和Cm带入到fε(Cm,Qn)中计算相似度,最后根据需求得到相似度最高的前N的车牌作为输出结果,其中N大于0,作为根据输入车辆车牌确认的车辆轨迹的实时分析的同行对象。
通过上述步骤,本发明可选实施例通过对待处理的数据使用数据预处理的三种方法:行程切分、数据分桶、轨迹压缩算法,能够在大规模数据批处理下,快速检索具有相关性的数据,大大减少了参与运算的数据量,提高了查询速度,此外,使用基于LCSS点到线多对1的算法优化,能够处理强噪声轨迹、轨迹断裂、轨迹非等周期的异步情形,比之传统LCSS鲁棒性更好。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种轨迹数据的处理装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本发明实施例的轨迹数据的处理装置的结构框图,如图7所示,该装置包括:
第一确定模块72,用于确定待查询的第一对象在目标时间段的第一轨迹数据,其中,所述第一轨迹数据包括:所述第一对象经过的数据采集点;
获取模块74,用于获取多个第二对象的多个第二轨迹数据,其中,所述第二对象均经过所述数据采集点,且所述第二轨迹数据为所述目标时间段的轨迹数据;
输出模块76,用于分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,得到多个相似度,输出相似度高于预设阈值的第二轨迹数据。
通过上述装置,确定待查询的第一对象在目标时间段的第一轨迹数据,其中,所述第一轨迹数据包括:所述第一对象经过的数据采集点;获取多个第二对象的多个第二轨迹数据,其中,所述第二对象均经过所述数据采集点,且所述第二轨迹数据为所述目标时间段的轨迹数据;分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,得到多个相似度,输出相似度高于预设阈值的第二轨迹数据,即通过比较待查询的第一对象在目标时间段的第一轨迹数据与经过采集点的多个第二对象的多个第二轨迹数据的相似度,进而确认相似度高于预设阈值的第二轨迹数据为第一轨迹数据的同行分析结果,采用上述技术方案,解决了相关技术中,无法对轨迹数据进行实时计算分析,并且同行分析结果查询困难且精准度不高等问题,进而实现了对轨迹数据的实时计算分析,并且输出的同行分析结果的第二轨迹数据是同第一轨迹数据比较相似度确定出的,从而提高了实时同行分析的精准度,提升了查询效率。
需要说明的是,数据采集点是可以对对象进行信息采集的位置点,例如,当对象为车辆时,数据采集点可以为道路卡口,也可以是道路上十字路口的拍照检测点;当对象为行人时,数据采集点可以是各个道路上的天眼监控装置,本发明对此不做过多限定。
可选地,上述装置还包括:设置模块,用于设置行程切片的时间阈值;第二确定模块,用于在确定第二对象在所述时间阈值内经过两个数据采集点的情况下,确定每一个第二对象在所述时间阈值内经过两个数据采集点所对应的轨迹数据为同一行程的目标轨迹数据。
也就是说,通过预先设置的时间阈值对多个第二对象的多个第二轨迹数据进行行程切片,当在时间阈值内出现经过两个数据采集点的第二对象时,将该第二对象的轨迹确认为同一行程的目标轨迹数据,当在时间阈值内未出现经过两个数据采集点的第二对象时,说明该第二对象的轨迹不存在为同一行程的目标轨迹数据。
举例说明,当轨迹数据为车辆的轨迹数据,以车牌号码为标识信息进行聚类,将符合正常情况下车辆一段路程到下一段路程间隔的时间阈值设置为T,按照预先设置的时间阈值T对车辆的轨迹数据进行切分,假设一个车辆轨迹数据中存在两点A、B,TB-TA>T,当行程为S,此时SA<S,S<SB,即A、B两点不在一个行程中,当同一个车辆轨迹数据,轨迹两点时间间隔TB-TA<T时,SA<S,SB<S,说明A、B两点为同一行程并对数据打上标记记录。
可选地,上述装置还包括:划分模块,用于按照分桶规则对多个第二对象的同一行程的目标轨迹数据进行划分,其中,所述分桶规则包括以下至少之一:时间分片,数据采集点,所述目标轨迹数据包括:所述第二轨迹数据;将划分后的轨迹数据保存在目标存储装置中。
为了提高对确定为同一行程的目标轨迹数据的第二对象的查找,通过分桶规则对多个第二对象的同一行程的目标轨迹数据进行划分,例如,当同一行程的目标轨迹数据为车辆轨迹时,根据车辆经过的数据采集点进行空间维度的分桶,每个数据采集点对应经过该数据采集点的所有目标轨迹数据的第二对象,进而以时间为维度,对每个数据采集点下的目标轨迹数据进行时间分片,即根据设置时间分片的时间间隔将经过数据采集点的第二对象进行时间段的时间切片。
可选地,上述划分模块,还用于按照不同的数据采集点将目标轨迹数据进行划分,得到多个第一集合,其中,数据采集点与所述第一集合存在一一对应关系,且每一个所述第一集合包括:经过同一数据采集点的目标轨迹数据;按照时间分片对所述第一集合进行划分,得到多个第二集合,其中,每一个所述第二集合包括:同一时间分片下的目标轨迹数据。
也就是说,由于目标轨迹数据中存在多个不同的数据采集点,因此,在进行划分时,可以按照不同的数据采集点将目标轨迹数据进行划分,得到包含经过同一数据采集点的目标轨迹数据的第一集合,并且为了更好的对第一集合中的目标轨迹数据进行时间索引查找,将第一集合进行时间分片的划分,使同一时间分片下的目标轨迹数据构成一个新的第二集合,便于根据时间进行索引查找。
可选地,上述第一确定模块,还用于获取所述第一对象的标识信息,其中,所述标识信息用于唯一标识所述第一对象;确定所述标识信息对应的第一对象在所述目标时间段的第一轨迹数据。
可以理解的是,查询时为了保证查询的准确性,在对待查询的第一对象进行目标时间段的第一轨迹数据时,需要通过获取用于唯一标识第一对象的标识信息来实现对第一对象在目标时间段的第一轨迹数据快速查询。
例如,在车辆轨迹数据中以车牌为实体对象的标识信息,人像数据中以身份证号码为对象的标识信息,mac轨迹数据中以mac为对象的标识信息。
可选地,上述输出模块,还用于确定所述多个第二轨迹数据与所述第一轨迹数据的公共子序列;根据所述公共子序列,所述多个第二轨迹数据,以及所述第一轨迹数据确定所述多个相似度。
简而言之,为了使轨迹数据的相似度可以更容易被确定,本发明实施例基于LCSS算法(Long-common-Subsequence/Substring,最长公共子序列/最长公共字串,简称LCSS),通过点到线多对1情况去计算相似度,具体的,以序列Cm为目标轨迹产生序列(相当于本发明实施例中的第一轨迹数据),Qn为实时轨迹序列(相当于本发明是实施例中第二轨迹数据),Zr为点到线多对1的最长公共子序列。若Zr为公共子序列,则Zr必须满足以下条件:其中,ε为距离阈值,为点到线段之间的欧式距离,zs为公共子序列,r为序列上的一点,当且仅当Zr为满足上式条件中点数最多的轨迹,则为轨迹Cm、Qn点到线多对1的最长子序列,此时,令f为目标轨迹Cm与实时轨迹Qn的点到线多对1的轨迹相似度,公式为:进而根据公共子序列,多个第二轨迹数据,以及第一轨迹数据可以确定出多个相似度,实现对待查询的第一对象在目标时间段的第一轨迹数据存在同行的第二对象在目标时间段的第二轨迹数据的确认。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,确定待查询的第一对象在目标时间段的第一轨迹数据,其中,所述第一轨迹数据包括:所述第一对象经过的数据采集点;
S2,获取多个第二对象的多个第二轨迹数据,其中,所述第二对象均经过所述数据采集点,且所述第二轨迹数据为所述目标时间段的轨迹数据;
S3,分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,得到多个相似度,输出相似度高于预设阈值的第二轨迹数据。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,确定待查询的第一对象在目标时间段的第一轨迹数据,其中,所述第一轨迹数据包括:所述第一对象经过的数据采集点;
S2,获取多个第二对象的多个第二轨迹数据,其中,所述第二对象均经过所述数据采集点,且所述第二轨迹数据为所述目标时间段的轨迹数据;
S3,分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,得到多个相似度,输出相似度高于预设阈值的第二轨迹数据。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种轨迹数据的处理方法,其特征在于,包括:
确定待查询的第一对象在目标时间段的第一轨迹数据,其中,所述第一轨迹数据包括:所述第一对象经过的数据采集点;
获取多个第二对象的多个第二轨迹数据,其中,所述第二对象均经过所述数据采集点,且所述第二轨迹数据为所述目标时间段的轨迹数据;
分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,得到多个相似度,输出相似度高于预设阈值的第二轨迹数据。
2.根据权利要求1所述的方法,其特征在于,获取多个第二对象的多个第二轨迹数据之前,所述方法还包括:
设置行程切片的时间阈值;
在确定第二对象在所述时间阈值内经过两个数据采集点的情况下,确定每一个第二对象在所述时间阈值内经过两个数据采集点所对应的轨迹数据为同一行程的目标轨迹数据。
3.根据权利要求2所述的方法,其特征在于,确定每一个第二对象在所述时间阈值内经过两个数据采集点所对应的轨迹数据为同一行程的轨迹数据之后,所述方法还包括:
按照分桶规则对多个第二对象的同一行程的目标轨迹数据进行划分,其中,所述分桶规则包括以下至少之一:时间分片,数据采集点,所述目标轨迹数据包括:所述第二轨迹数据;
将划分后的轨迹数据保存在目标存储装置中。
4.根据权利要求3所述的方法,其特征在于,按照分桶规则对多个第二对象的同一行程的轨迹数据进行划分,包括:
按照不同的数据采集点将目标轨迹数据进行划分,得到多个第一集合,其中,数据采集点与所述第一集合存在一一对应关系,且每一个所述第一集合包括:经过同一数据采集点的目标轨迹数据;
按照时间分片对所述第一集合进行划分,得到多个第二集合,其中,每一个所述第二集合包括:同一时间分片下的目标轨迹数据。
5.根据权利要求1所述的方法,其特征在于,确定待查询的第一对象在目标时间段的第一轨迹数据,包括:
获取所述第一对象的标识信息,其中,所述标识信息用于唯一标识所述第一对象;
确定所述标识信息对应的第一对象在所述目标时间段的第一轨迹数据。
6.根据权利要求1所述的方法,其特征在于,分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,包括:
确定所述多个第二轨迹数据与所述第一轨迹数据的公共子序列;
根据所述公共子序列,所述多个第二轨迹数据,以及所述第一轨迹数据确定所述多个相似度。
7.一种轨迹数据的处理装置,其特征在于,包括:
第一确定模块,用于确定待查询的第一对象在目标时间段的第一轨迹数据,其中,所述第一轨迹数据包括:所述第一对象经过的数据采集点;
获取模块,用于获取多个第二对象的多个第二轨迹数据,其中,所述第二对象均经过所述数据采集点,且所述第二轨迹数据为所述目标时间段的轨迹数据;
输出模块,用于分别确定所述多个第二轨迹数据与所述第一轨迹数据的相似度,得到多个相似度,输出相似度高于预设阈值的第二轨迹数据。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:设置模块,用于设置行程切片的时间阈值;第二确定模块,用于在确定第二对象在所述时间阈值内经过两个数据采集点的情况下,确定每一个第二对象在所述时间阈值内经过两个数据采集点所对应的轨迹数据为同一行程的目标轨迹数据。
9.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043241.6A CN112131278B (zh) | 2020-09-28 | 2020-09-28 | 轨迹数据的处理方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043241.6A CN112131278B (zh) | 2020-09-28 | 2020-09-28 | 轨迹数据的处理方法及装置、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112131278A true CN112131278A (zh) | 2020-12-25 |
CN112131278B CN112131278B (zh) | 2024-09-06 |
Family
ID=73844373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011043241.6A Active CN112131278B (zh) | 2020-09-28 | 2020-09-28 | 轨迹数据的处理方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112131278B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926639A (zh) * | 2021-02-20 | 2021-06-08 | 浙江大华技术股份有限公司 | 一种轨迹跟踪方法、装置、存储介质及电子装置 |
CN113449158A (zh) * | 2021-06-22 | 2021-09-28 | 中国电子进出口有限公司 | 一种多源数据间的伴随分析方法和系统 |
CN115691116A (zh) * | 2022-09-26 | 2023-02-03 | 北京北大千方科技有限公司 | 一种通勤热点路径识别方法、装置、存储介质及终端 |
WO2023029413A1 (zh) * | 2021-09-02 | 2023-03-09 | 北京锐安科技有限公司 | 伴随信息的确定方法、装置、设备及存储介质 |
CN116824866A (zh) * | 2023-08-29 | 2023-09-29 | 武汉中科通达高新技术股份有限公司 | 基于时间和地理因素的伴随车分析方法、系统及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090216787A1 (en) * | 2008-02-26 | 2009-08-27 | Microsoft Corporation | Indexing large-scale gps tracks |
US20130093895A1 (en) * | 2011-10-17 | 2013-04-18 | Samuel David Palmer | System for collision prediction and traffic violation detection |
WO2018224634A1 (fr) * | 2017-06-08 | 2018-12-13 | Renault S.A.S | Procédé et système d'identification d'au moins un objet en déplacement |
CN109242024A (zh) * | 2018-09-13 | 2019-01-18 | 中南大学 | 一种基于卡口数据的车辆行为相似度计算方法 |
CN109542997A (zh) * | 2018-11-23 | 2019-03-29 | 成都四方伟业软件股份有限公司 | 运动轨迹显示方法及装置 |
CN110826594A (zh) * | 2019-09-29 | 2020-02-21 | 成都华为技术有限公司 | 一种轨迹聚类的方法、设备及存储介质 |
CN111046128A (zh) * | 2019-12-20 | 2020-04-21 | 北京明略软件系统有限公司 | 轨迹相似度确定方法、装置、电子设备及存储介质 |
CN111241217A (zh) * | 2018-11-29 | 2020-06-05 | 阿里巴巴集团控股有限公司 | 数据处理的方法、装置和系统 |
CN111294728A (zh) * | 2018-12-06 | 2020-06-16 | 西安光启未来技术研究院 | 同行分析方法及装置 |
CN111523577A (zh) * | 2020-04-13 | 2020-08-11 | 南京烽火星空通信发展有限公司 | 一种基于改进的lcss算法的海量轨迹相似度计算方法 |
CN111582317A (zh) * | 2020-04-15 | 2020-08-25 | 扬州哈工科创机器人研究院有限公司 | 一种道路定位方法及装置 |
-
2020
- 2020-09-28 CN CN202011043241.6A patent/CN112131278B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090216787A1 (en) * | 2008-02-26 | 2009-08-27 | Microsoft Corporation | Indexing large-scale gps tracks |
US20130093895A1 (en) * | 2011-10-17 | 2013-04-18 | Samuel David Palmer | System for collision prediction and traffic violation detection |
WO2018224634A1 (fr) * | 2017-06-08 | 2018-12-13 | Renault S.A.S | Procédé et système d'identification d'au moins un objet en déplacement |
CN109242024A (zh) * | 2018-09-13 | 2019-01-18 | 中南大学 | 一种基于卡口数据的车辆行为相似度计算方法 |
CN109542997A (zh) * | 2018-11-23 | 2019-03-29 | 成都四方伟业软件股份有限公司 | 运动轨迹显示方法及装置 |
CN111241217A (zh) * | 2018-11-29 | 2020-06-05 | 阿里巴巴集团控股有限公司 | 数据处理的方法、装置和系统 |
CN111294728A (zh) * | 2018-12-06 | 2020-06-16 | 西安光启未来技术研究院 | 同行分析方法及装置 |
CN110826594A (zh) * | 2019-09-29 | 2020-02-21 | 成都华为技术有限公司 | 一种轨迹聚类的方法、设备及存储介质 |
CN111046128A (zh) * | 2019-12-20 | 2020-04-21 | 北京明略软件系统有限公司 | 轨迹相似度确定方法、装置、电子设备及存储介质 |
CN111523577A (zh) * | 2020-04-13 | 2020-08-11 | 南京烽火星空通信发展有限公司 | 一种基于改进的lcss算法的海量轨迹相似度计算方法 |
CN111582317A (zh) * | 2020-04-15 | 2020-08-25 | 扬州哈工科创机器人研究院有限公司 | 一种道路定位方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926639A (zh) * | 2021-02-20 | 2021-06-08 | 浙江大华技术股份有限公司 | 一种轨迹跟踪方法、装置、存储介质及电子装置 |
CN113449158A (zh) * | 2021-06-22 | 2021-09-28 | 中国电子进出口有限公司 | 一种多源数据间的伴随分析方法和系统 |
WO2023029413A1 (zh) * | 2021-09-02 | 2023-03-09 | 北京锐安科技有限公司 | 伴随信息的确定方法、装置、设备及存储介质 |
CN115691116A (zh) * | 2022-09-26 | 2023-02-03 | 北京北大千方科技有限公司 | 一种通勤热点路径识别方法、装置、存储介质及终端 |
CN116824866A (zh) * | 2023-08-29 | 2023-09-29 | 武汉中科通达高新技术股份有限公司 | 基于时间和地理因素的伴随车分析方法、系统及介质 |
CN116824866B (zh) * | 2023-08-29 | 2024-01-02 | 武汉中科通达高新技术股份有限公司 | 基于时间和地理因素的伴随车分析方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112131278B (zh) | 2024-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131278B (zh) | 轨迹数据的处理方法及装置、存储介质、电子装置 | |
CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
CN112434084B (zh) | 基于geohash和LCSS的轨迹相似度匹配方法及装置 | |
CN111241217B (zh) | 数据处理的方法、装置和系统 | |
CN111651624B (zh) | 一种图像检索方法及装置 | |
CN110942019B (zh) | 一种用于找出两条轨迹的最长伴随子路径的分析方法 | |
CN116168222A (zh) | 轨迹识别方法和装置、存储介质及电子设备 | |
CN110727756A (zh) | 时空轨迹数据的管理方法和装置 | |
CN108664605B (zh) | 一种模型评估方法及系统 | |
CN111460315B (zh) | 社群画像构建方法、装置、设备及存储介质 | |
CN111309946B (zh) | 一种已建立档案优化方法及装置 | |
CN106033443A (zh) | 一种车辆检索中的扩展查询方法及装置 | |
CN111210158B (zh) | 目标地址确定方法、装置、计算机设备和存储介质 | |
CN114265927A (zh) | 数据查询方法及装置、存储介质及电子装置 | |
CN114743165A (zh) | 车辆轨迹线的确定方法、装置、存储介质及电子装置 | |
CN112434049A (zh) | 表格数据存储方法、装置、存储介质及电子装置 | |
US10419885B2 (en) | Communication device and method, and computer program product for associating a mobile telephony identifier and a computer network identifier | |
CN114691908A (zh) | 人像数据搜索方法、装置、电子设备及存储介质 | |
CN116359867A (zh) | 基于特征树聚类的信号分选方法、装置、存储介质及设备 | |
CN113343004B (zh) | 对象的识别方法和装置、存储介质及电子装置 | |
CN111507397B (zh) | 一种异常数据的分析方法及装置 | |
CN110493368B (zh) | 设备标识的匹配方法及装置 | |
CN113936157A (zh) | 异常信息的处理方法及装置、存储介质、电子装置 | |
CN112241686A (zh) | 一种基于特征向量的轨迹比对匹配方法及系统 | |
CN113282686A (zh) | 一种不平衡样本的关联规则确定方法及装置 |
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 |