CN112147658B - 一种车辆移动方向的判断方法、装置、设备及存储介质 - Google Patents
一种车辆移动方向的判断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112147658B CN112147658B CN201910568628.4A CN201910568628A CN112147658B CN 112147658 B CN112147658 B CN 112147658B CN 201910568628 A CN201910568628 A CN 201910568628A CN 112147658 B CN112147658 B CN 112147658B
- Authority
- CN
- China
- Prior art keywords
- track point
- matching
- point
- track
- historical
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/52—Determining velocity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/53—Determining attitude
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车辆移动方向的判断方法、装置、设备及存储介质,该方法包括:获取当前车辆的当前轨迹点和至少一个历史轨迹点;基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征;将得到的每个点对应的路段匹配特征输入路段匹配模型进行路段匹配处理,得到与所述历史轨迹点对应的目标匹配路段;将每个历史轨迹点映射到与所述历史轨迹点对应的目标匹配路段上,得到与所述历史轨迹点对应的目标匹配点;基于所述当前轨迹点以及与所述当前轨迹点相邻的历史轨迹点对应的目标匹配点,确定所述当前车辆的移动方向。本申请能够快速、准确地判断出车辆的移动方向。
Description
技术领域
本申请属于智能交通技术领域,具体涉及一种车辆移动方向的判断方法、装置、设备及存储介质。
背景技术
全球定位系统(Global Positioning System,GPS)是一种利用GPS定位卫星,在全球范围内实时进行定位、导航的系统,因为GPS可以提供定位、防盗、反劫、行驶路线监控及呼叫指挥等功能,所以其在现实生活中的应用越来越广泛。
现有技术通常将GPS的轨迹点匹配到实际路网上,以此为基础对数据进行分析和挖掘,比如判断车辆的移动轨迹,车辆的移动方向等。但是现有的采用位置点匹配算法依赖的数据多是海量道路静态经纬度数据,采用传统单机方式运行数据匹配工作效下,耗时长,人力维护成本较高。此外,由于GPS位置上报不准确,或者网络较差,GPS一段时间无上报等,导致位置信息低频采样点多,形成的轨迹和实际道路有非常明显的偏差,无法快速、准确地判断出车辆的移动方向。
发明内容
为了实现快速、准确地判断出车辆的移动方向,本申请提出一种车辆移动方向的判断方法、装置、设备及存储介质。
一方面,本申请提出了一种车辆移动方向的判断方法,所述方法包括:
获取当前车辆的当前轨迹点和至少一个历史轨迹点;
基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征;
将得到的每个历史轨迹点对应的路段匹配特征输入路段匹配模型进行路段匹配处理,得到与所述历史轨迹点对应的目标匹配路段;
将每个历史轨迹点映射到与所述历史轨迹点对应的目标匹配路段上,得到与所述历史轨迹点对应的目标匹配点;
基于所述当前轨迹点以及与所述当前轨迹点相邻的历史轨迹点对应的目标匹配点,确定所述当前车辆的移动方向。
另一方面,本申请提出了一种车辆移动方向的判断装置,所述装置包括:
轨迹点获取模块,用于获取当前车辆的当前轨迹点和至少一个历史轨迹点;
路段匹配特征获取模块,用于基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征;
目标匹配路段获取模块,用于将得到的每个历史轨迹点对应的路段匹配特征输入路段匹配模型进行路段匹配处理,得到与所述历史轨迹点对应的目标匹配路段;
目标匹配点获取模块,用于将每个历史轨迹点映射到与所述历史轨迹点对应的目标匹配路段上,得到与所述历史轨迹点对应的目标匹配点;
移动方向确定模块,用于基于所述当前轨迹点以及与所述当前轨迹点相邻的历史轨迹点对应的目标匹配点,确定所述当前车辆的移动方向。
另一方面,本申请提出了一种电子设备,所述电子设备包括:处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述所述的车辆移动方向的判断方法。
另一方面,本申请提出了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述所述的车辆移动方向的判断方法。
本申请提出的一种车辆移动方向的判断方法、装置、设备及存储介质,获取当前车辆的当前轨迹点和至少一个历史轨迹点,将每个历史轨迹点输入路段匹配模型得到与每个历史轨迹点对应的目标匹配路段,接着将每个历史轨迹点映射到相应的目标匹配路段上,得到与每个历史轨迹点对应的目标匹配点,最后基于当前轨迹点以及与该当前轨迹点相邻的历史轨迹点对应的目标匹配点,确定该当前车辆的移动方向。本申请由于采用预先训练好的路段匹配模型对每个历史轨迹点进行路段匹配处理,可以准确地识别出与该历史轨迹点对应的目标匹配路段,进而准确地确定出与该历史轨迹点对应的目标匹配点,从而实现依据所述当前轨迹点以及与所述当前轨迹点相邻的历史轨迹点对应的目标匹配点,快速、准确地判断出该当前车辆的移动方向。
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和优点,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的前提下,还可以根据这些附图获得其它附图。
图1是本申请实施例提供的车辆移动方向的判断方法的一种流程示意图。
图2是本申请实施例提供的基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征的一种流程示意图。
图3是本申请实施例提供的基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征的另一种流程示意图。
图4是本申请实施例提供的获取所述路段匹配模型的一种流程示意图。
图5是本申请实施例提供的使用SVM对样本轨迹点集合进行训练的一种流程示意图。
图6是本申请实施例提供的划分地图网格的一种流程示意图。
图7是本申请实施例提供的将每个历史轨迹点映射到与所述历史轨迹点对应的目标匹配路段上,得到与所述历史轨迹点对应的目标匹配点的一种流程示意图。
图8是本申请实施例提供的基于所述当前轨迹点以及与所述当前轨迹点相邻的历史轨迹点对应的目标匹配点,确定所述当前车辆的移动方向的一种流程示意图。
图9是本申请实施例提供的对轨迹点进行预处理的一种流程示意图。
图10是本申请实施例提供的车辆移动方向的判断装置的一种结构示意图。
图11是本申请实施例提供的服务器的一种结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请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、产品或服务器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。
图1是本申请实施例提供的一种车辆移动方向的判断方法的流程示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示,所述方法可以包括:
S101.获取当前车辆的当前轨迹点和至少一个历史轨迹点。
本说明书实施例中,在接收对当前车辆进行GPS定位请求的时候,可以获取当前车辆上报的当前GPS轨迹点和至少一个GPS历史轨迹点,其中,当前轨迹点表征当前车辆在当前时间点上报的轨迹点,历史轨迹点表征当前车辆在当前时间点之前预设时间上报的轨迹点,当前轨迹点与至少一个历史轨迹点按照上报的时间先后顺序形成轨迹点序列。
在一个可行的实施例中,可以在当前车辆的车载终端上设置定位装置,比如车载电视、车载电脑等,在车辆行驶过程中,如果该定位装置开启,则说明需要对当前车辆进行定位,并获取当前车辆的上报的轨迹点。
在一个可行的实施例中,还可以在当前车辆的驾驶员或乘客的终端设备中设置定位装置,该终端设备泛指任何能够介入移动通信网络并能够接收GPS信号的电子设备,其可以包括但不限于智能手机、台式电脑、笔记本电脑、平板电脑、数字助理、智能可穿戴设备等。
在实际应用中,若定位装置位于驾驶员或乘客的终端设备中的情况下,当用户在使用终端设备时,调用了终端设备的自定位功能或其他终端设备获取其位置或GPS定位数据请求的时候,可以开启定位功能,并获取该终端的轨迹点,比如,用户在上车后使用智能手机中乘车码、地图等软件开启定位功能,智能手机就会获取该用户的位置并将该用户的位置实时或定时上报。需要说明的是,当使用位于驾驶员或乘客的终端设备中的定位装置进行GPS定位的时候,该终端设备上报的轨迹点可以理解为当前车辆上报的轨迹点。
本说明书实施例中的当前车辆的轨迹点不仅可以依赖当前车辆上的定位装置来获取,还可以依赖驾驶员或用户所使用的终端设备来获取,从而使得本申请实施例中的方法可以应用于各种场景中,比如,车辆导航场景、形式路线监控场景、安全定位场景、跟踪场景等。
S103.基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征。
本说明书实施例中,在得到每个历史轨迹点以后,可以根据每个历史轨迹点的GPS轨迹信息,确定与每个历史轨迹点对应的路段匹配特征,其中,所述GPS轨迹信息包括但不限于位置信息、速度、方位角或时间戳中的至少一种。
S105.将得到的每个历史轨迹点对应的路段匹配特征输入路段匹配模型进行路段匹配处理,得到与所述历史轨迹点对应的目标匹配路段。
本说明书实施例中,在得到每个历史轨迹点对应的路段匹配特征之后,为了将历史轨迹点快速吸附到实际线路轨迹上距离最近的一个位置点,可以将每个轨迹点对应的路段匹配特征输入预先训练好的路段匹配模型进行路段匹配处理,从而得到与每个历史轨迹点对应的目标匹配路段,所述目标匹配路段为实际线路轨迹中的路段。
S107.将每个历史轨迹点映射到与所述历史轨迹点对应的目标匹配路段上,得到与所述历史轨迹点对应的目标匹配点。
本说明书实施例中,在得到每个历史轨迹点对应的目标匹配路段后,可以将每个历史轨迹点映射到相应的目标匹配路段上,从而得到与所述历史轨迹点对应的目标匹配点,所述目标匹配点即为该历史轨迹点吸附到实际线路轨迹上的点。
S109.基于所述当前轨迹点以及与所述当前轨迹点相邻的历史轨迹点对应的目标匹配点,确定所述当前车辆的移动方向。
本说明书实施例中,可以根据当前轨迹点以及与当前轨迹点相邻的历史轨迹点对应的目标匹配点,来判断当前车辆的移动方向,比如,与当前车辆相邻的轨迹点为第N个历史轨迹点,则确定与该第N个历史轨迹点对应的目标匹配点,最后根据当前轨迹点与该第N个历史轨迹点对应的目标匹配点,判断所述当前车辆的移动方向。
需要说明的是,该当前轨迹点并不是当前车辆上报的最后一个轨迹点,该当前轨迹点可以成为后续轨迹点的历史轨迹点。在路段匹配处理过程中,也可以同时将当前轨迹点输入路段匹配模型进行路段匹配处理,得出的目标匹配路段以及目标匹配点将作为后续轨迹点进行路段匹配的研究基础。
本申请实施例中,将当前车辆的轨迹点吸附到线路轨迹上距离最近的一个位置点,以此通过当前轨迹点以及与第N个历史轨迹点对应的吸附点(即目标匹配点)的位置,来判断当前车辆的移动方向,而为了解决需要快速、准确地吸附到最近位置点的匹配需求,采用预先训练好的路段匹配模型进行路段匹配处理,从而提高了匹配效率,降低了匹配成本,保证了当前车辆的移动方向的判断准确性。
在一个可行的实施例中,如图2所示,若所述历史轨迹点为所述当前车辆的第一个历史轨迹点,则所述基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征,可以包括:
S201.获取所述历史轨迹点的轨迹信息,所述轨迹信息包括位置信息、速度、方位角或时间戳中的至少一种。
S203.基于所述位置信息、速度、方位角或时间戳中的至少一种,得到与所述历史轨迹点对应的路段匹配特征。
在实际应用中,如果所述历史轨迹点为当前车辆上报的第一个历史轨迹点,即当前车辆仅上报了两个轨迹点,一个是在当前时间点上报的当前轨迹点,以及当前时间点之前预设时间上报的历史轨迹点,此时可以根据当前车辆上报的GPS轨迹信息,确定与所述历史轨迹点对应的路段匹配特征。所述GPS轨迹信息可以包括但不限于位置信息、速度、方位角或时间戳中的至少一种,相应地,所述路段匹配特征可以是当前车辆在所述历史轨迹点的经纬度、当前车辆在所述历史轨迹点的速度、当前车辆在历史轨迹点的方位角或当前车辆在历史轨迹点的时间中的至少一种。
在一个可行的实施例中,如图3所示,若所述历史轨迹点非所述当前车辆的第一个历史轨迹点,则所述基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征,可以包括:
S301.获取所述历史轨迹点的轨迹信息,所述轨迹信息包括位置信息、速度、方位角或时间戳中的至少一种。
S303.获取与所述历史轨迹点相邻的前一个历史轨迹点。
S305.获取与所述前一个历史轨迹点对应的目标匹配路段以及与所述前一个历史轨迹点对应的目标匹配点。
S307.计算所述历史轨迹点到所述与所述前一个历史轨迹点对应的目标匹配点之间的直线距离。
S309.将所述历史轨迹点的轨迹信息、所述与所述前一个历史轨迹点对应的目标匹配路段以及所述直线距离,确定为与所述历史轨迹点对应的路段匹配特征。
本说明书实施例中,如果所述历史轨迹点并非所述当前车辆的第一个历史轨迹点,则该历史轨迹点对应的路段匹配特征可以结合与其相邻的前一个历史轨迹点的路段匹配结果来确定。以下举例说明如何结合相邻的前一个历史轨迹点的路段匹配结果来确定该历史轨迹点对应的路段匹配特征:
(1)当前车辆在时间点1上报第一个历史轨迹点,记为历史轨迹点1,将历史轨迹点1的轨迹信息,比如位置信息、速度、方位角或时间戳等,输入预先训练好的路段匹配模型进行路段匹配处理,得到与历史轨迹点1对应的目标匹配路段,将历史轨迹点1快速吸附到目标匹配路段上,得到目标匹配点1。
(2)当前车辆在时间点2上报第二个历史轨迹点,记为历史轨迹点2;基于上报的GPS数据,获取历史轨迹点2的位置信息、速度、方位角或时间戳等轨迹信息,并计算历史轨迹点2与目标匹配点1之间的直线距离1,最后将历史轨迹点2的轨迹信息、历史轨迹点1对应的目标匹配路段以及直线距离1确定为与所述历史轨迹点2对应的路段匹配特征,将该路段匹配特征输入预先训练好的路段匹配模型进行路段匹配处理,得到与历史轨迹点2对应的目标匹配路段,将历史轨迹点2快速吸附到该目标匹配路段上,得到目标匹配点2。
(3)当前车辆在时间点3上报第三个历史轨迹点,记为历史轨迹点3;基于上报的GPS数据,获取历史轨迹点3的位置信息、速度、方位角或时间戳等轨迹信息,并计算历史轨迹点3与目标匹配点2之间的直线距离2,最后将历史轨迹点3的轨迹信息、历史轨迹点2对应的目标匹配路段以及直线距离2确定为与所述历史轨迹3对应的路段匹配特征,将该路段匹配特征输入预先训练好的路段匹配模型进行路段匹配处理,得到与历史轨迹点3对应的目标匹配路段,将历史轨迹点3快速吸附到该目标匹配路段上,得到目标匹配点3。
以此类推,对于第N个历史轨迹点,可以获取第N-1个历史轨迹点对应的目标匹配路段以及第N-1个历史轨迹点对应的目标匹配点,计算第N个历史轨迹点到该目标匹配点之间的直线距离,最后将第N个历史轨迹点的轨迹信息、第N-1个历史轨迹点对应的目标匹配路段以及第N个历史轨迹点到该目标匹配点之间的直线距离,确定为与第N个历史轨迹点对应的路段匹配特征,将第N个历史轨迹点快速吸附到该目标匹配路段上,得到第N个目标匹配点。如果第N个历史轨迹点与该当前轨迹点相邻,则就可以根据当前轨迹点与该第N个目标匹配点的位置,判断所述当前车辆的移动方向。
本说明书实施例中,通过相邻的前一个历史轨迹点来确定某一历史轨迹点的路段匹配特征,可以充分利用相邻的前一个历史轨迹点的路段匹配结果,通过相邻的前一个历史轨迹点的路段匹配结果来进一步判断该历史轨迹点的目标匹配路段,能够有效提高该历史轨迹点的路段匹配结果的精度,从而进一步提高当前车辆移动方向判断的准确度。
在一个可行的实施例中,如图4所示,所述方法还包括获取所述路段匹配模型的步骤,所述获取所述路段匹配模型可以包括:
S401.获取样本车辆采集的样本轨迹点集合。
S403.获取每个样本轨迹点是否与目标匹配路段相匹配的标注结果。
S405.基于每个样本轨迹点的轨迹信息以及与所述样本轨迹点相邻的前一个样本轨迹点的路段匹配结果,确定与所述样本轨迹点对应的样本路段匹配特征。
S407.将每个样本轨迹点对应的样本路段匹配特征输入深度学习模型,以所述每个样本轨迹点是否与目标匹配路段相匹配的标注结果作为回归目标,对所述深度学习模型进行路段匹配训练,并将路段匹配训练得到的深度学习模型确定为所述路段匹配模型。
本说明书实施例中,可以利用样本轨迹点中携带的速度、位置信息、方位角等轨迹信息、该样本轨迹点距离前一个样本轨迹点匹配后的位置点之间的距离以及前一个样本轨迹点的匹配程度作为特征值,使用深度学习模型构建该样本轨迹点是否在该目标匹配路段上的二分类器,该深度学习模型可以为有监督学习模型,比如支持向量机(Support VectorMachine,SVM)、自适应增强(Adaptive Boostint,Adaboost)、逻辑回归(logistic)等,其中,SVM的分类思想是给定给一个包含正例和反例的样本集合,其目的是寻找一个超平面来对样本根据正例和反例进行分割,寻找一个超平面,使得离超平面比较近的点能有更大的间距。也就是可以不考虑所有的点都必须远离超平面,只需要求得的超平面能够让所有点中离它最近的点具有最大间距,下面以SVM为例,详细介绍路段匹配模型的构建原理:
(1)给定训练数据集:依据预先知道的实际线路轨迹,将实际线路轨迹划分为M条,然后通过样本车辆在各条轨迹道路中采集适当样本点形成样本轨迹点集合,该样本轨迹点集合可以为:(x1,y1),(x2,y2)…。其中x属于样本轨迹点,y属于[-1,1],y表示是否位于该道路内的两类别,即对每个样本轨迹点是否与目标匹配路段相匹配进行标注。
(2)假设两分类的分类平面为Wx+b=g(x),当g(x)>0,表示样本轨迹点位于目标匹配路段上,g(x)<0,表示轨迹点不位于该目标匹配路段上,其中,W表示超平面的法向量,b表示超平面的截距,x表示样本轨迹点。SVM就是需要寻找两个超平面把数据分为两类并且超平面之间的距离最大。平面之间的距离公式可以为:
其中,为平面之间的距离,||ω||为w的二范式,||ω||=欧氏距离。
(3)添加相应的约束条件:
其中,ξi表示铰链损失函数,i表示样本数。
通过添加上述约束条件,将超平面的计算转换为一种凸二次规划求解,该求解方式可以使用现成的优化工具包直接求解,也可以使用拉格朗日对偶性(Lagrange Duality)找到一种更有效的方法求解。
在一个可行的实施例中,为了提高计算效率和匹配精度,可以对约束条件进行适当改进,即提出一种基于匹配度的约束条件:根据每条实际线路轨迹M,与车辆在每个样本轨迹点的匹配结果,增加匹配度约束条件,按照匹配度高低将每条实际线路轨迹M进行排序,下次再分类时,直接优选匹配度高的实际道路轨迹,匹配度低于阈值的实际道路轨迹不会参与计算。
(4)选择高斯核函数
在实际应用中,一些线性不可分的问题可能是非线性可分的,即特征空间存在超曲面将正类和负类分开。使用非线性函数可以将非线性可分问题从原始的特征空间映射至更高维的希尔伯特空间,由于映射函数具有复杂的形式,难以计算其内积,因此可使用核方法即定义映射函数的内积为核函数,比如可以选用如下的高斯核函数:
其中,σ表示带宽,x1、x2表示样本轨迹点。
图5所示为使用SVM对样本轨迹点集合进行路段匹配处理,得到样本历史轨迹点是否与目标路段相匹配的路段匹配结果的流程示意图。从图5可以看出,在将样本轨迹点集合输入SVM之后,通过添加适当的约束条件就可以得到每个轨迹点是否与目标路段相匹配。
本说明书实施例中,由于使用的轨迹数据集规模较大,采用传统单机方式运行数据匹配工作效率低下,耗时长,因此可以采用Hadoop完成匹配工作。将地图数据划分为网格,轨迹数据覆盖到网格中,在路段匹配的时候,将每个网格的轨迹点用一个reduce来匹配。其中,Hadoop是一种能够对大量数据进行分布式处理的框架,其以一种可靠、高效、可伸缩的方式进行数据处理,reduce方法接收一个函数作为累加器,数组中的每个值(从左到右)开始缩减,最终计算为一个值。
在一个可行的实施例中,如图6所示,在所述获取当前车辆的当前轨迹点和至少一个历史轨迹点之前,所述方法还包括划分地图网格的步骤,该步骤可以包括:
S601.获取电子地图数据,将电子地图数据进行网格划分,得到地图网格。
S603.将通过实际道路上若干个采样点获取到的实际线路轨迹覆盖到所述地图网格中,所述实际线路轨迹包括所述目标匹配路段。
本说明书实施例中,实际线路轨迹集合通过获取实际道路上若干采样点经纬度数据组成的集合E,E={(经度1,纬度1),(经度2,纬度2)…}。线路轨迹会预加载到系统中,方便后续实时定位。
在一个可行的实施例中,通过reduce来实现轨迹点的路段匹配的代码可以设计如下:
伪代码:
loadGPSInfo();
1、map阶段
map(String key,String value):
//查询位于哪片网格
area=FindWichGrip(value);
//结果落地到文件
WriteIntoFiles(area,value)
2、reduce阶段
reduce(area,Iterator values):
//for each val in values:
//加载网格内的道路信息
road=LoadAreaRoadInfo(Rnet,area);
//采用地图匹配算法
target=MapMatch(road);
writeResult(area,target)
本说明书实施例中,在查询出与历史轨迹点相匹配的目标匹配路段后,需要将该历史轨迹点映射到相应的目标匹配路段上的最近位置点,在一个可行的实施例中,如图7所示,所述将每个历史轨迹点映射到与所述历史轨迹点对应的目标匹配路段上,得到与所述历史轨迹点对应的目标匹配点,可以包括:
S701.确定所述目标匹配路段所位于的地图网格,得到目标地图网格。
S703.将所述历史轨迹点的经纬度与所述目标地图网格中的网格数据进行匹配,得到与所述历史轨迹点的距离小于第二阈值的网格匹配数据点,所述网格匹配数据点位于所述目标匹配路段上。
S705.将所述网格匹配数据点确定为与所述历史轨迹点对应的目标匹配点。
在实际应用中,该距离小于第二阈值的网格匹配数据点可以认为实际线路轨迹上距离该历史轨迹点距离最近的一个位置点。
本说明书实施例中,可以将所述与所述当前轨迹点相邻的历史轨迹点确定为相邻历史轨迹点,则如图8所示,所述基于所述当前轨迹点以及与所述当前轨迹点相邻的历史轨迹点对应的目标匹配点,确定所述当前车辆的移动方向,可以包括:
S801.获取所述当前轨迹点的当前经纬度。
S803.获取与所述相邻历史轨迹点对应的目标匹配点的目标经纬度。
S805.基于所当前经纬度与所述目标经纬度的差值,确定所述当前车辆的移动方向。
本说明书实施例中,可以根据当前经纬度与目标经纬度的差值,判断当前车辆的移动方向,所述移动方向可以包括前进、后退、掉头、左转、右转等。
本说明书实施例中,当前车辆或乘坐该当前车辆的用户并非实时上报每个时刻的GPS数据,相邻两次上报之后会有一定的时间差,且上报的GPS数据容易产生误差,即便当前车辆静止,每次上报的GPS数据都有可能不一样,此外上报的GPS数据有可能还会丢失,而GPS数据的误差或丢失会严重影响对当前车辆移动方向的判断,为了降低因GPS数据的误差导致的当前车辆移动方向判断的准确度较低的问题,在获取轨迹点之后以及进行路段匹配之前,可以对上报的轨迹点进行预处理的步骤,如图9所示,所述对轨迹点进行预处理可以包括:
S901.从所述当前轨迹点和所述历史轨迹点中剔除奇异点。
S903.对剔除奇异点之后的所述当前轨迹点和所述历史轨迹点进行三次样条插值处理。
在实际应用中,首先要剔除奇异点,所述奇异点指的是位置数据与其他轨迹点的位置数据存在较大差别的数据,接着采用三次样条插值算法建立三次样条插值函数,对奇异点提出后的轨迹点进行插值补充,从而得到当前车辆的平滑运行曲线。在得到平滑运行曲线之后,系统会自动将平滑运行曲线中的轨迹点按时间点的先后顺序形成预处理后的轨迹点序列,该预处理后的轨迹点序列将用于后续的路段匹配过程。其中,三次样条算法的原理如下:
设采样数据为X=[x0,x1,…xn],Y=[y0,y1,…yn],其中,x可以表示某个轨迹点,y可以表示在某个轨迹点的位置数据。
则在x0-xn区间存在插值函数:
fi(x)=ai1x3+ai2x2+ai3x+ai4,
其中,ai1,ai2,ai3,ai4表示系数。
设置如下两个边界条件:
fi”(x0)=y”,fi”(xn)=y”n。
通过将每个轨迹点的数据代入上述公式,就可以对当前车辆上报的轨迹点进行插值补充,从而得到当前车辆的平滑运行曲线。需要说明的是,由于在轨迹点数量较少的情况下,三次样条插值函数无法求解,因此,使用三次样条插值需要轨迹点的数量大于或等于第二阈值,即需要轨迹点的数量达到可以求解三次样条插值函数。
由于三次样条插值在灵活性和计算速度间进行了折中处理。比高次样条插值计算速度快,需要的存储空间小。比二次样条插值在曲线光滑性和奇点补充方面灵活。因此,采用三次样条插值能够得到最佳的平滑运行曲线,从而为高效、准确判断车辆的移动方向打下基础。
下面,以用户使用乘车码进行定位的应用场景为例,详细介绍本申请实施例提供的车辆移动方向的判断方法:当用户上车之后,打开其随身携带的终端上的乘车码应用程序,通过扫码等方式开启跟踪定位请求,此时,用户终端会实时或定时上报该用户的轨迹点,并将上报的每个轨迹点输入路段匹配模型进行路段匹配处理,得到与每个历史轨迹点对应的目标匹配路段,并将每个历史轨迹点映射到与该历史轨迹点对应的目标匹配路段上,得到与每个历史轨迹点对应的目标匹配点。当需要判断该用户乘坐的车辆的移动方向时,就会根据当前轨迹点以及与该当前轨迹线相邻的历史轨迹点对应的目标匹配点预测出当前车辆的移动方向,比如车辆前进、后退、掉头、左转或右转等。如果该车辆在很长一段时间都没有上报位置,表明该用户定位跟踪失败,此时,当前轨迹点可以认为是最近一次采集的点,通过该当前轨迹点以及与该当前轨迹线相邻的历史轨迹点对应的目标匹配点可以判断该车辆的移动方向,从而有利于寻找该用户当前所处的位置。由于本申请将轨迹数据覆盖在网格中,通过Hadoop完成匹配工作,有效降低人工成本,提高轨迹点匹配效率,保证车辆移动方向判断的效率,同时采用svm训练得到的而分类器对匹配的目标匹配路段,能够有效提高路段匹配的准确性,保证车辆移动方向确定的准确性,此外,使用三次样条插值算法解决上报的GPS数据误差的问题,进一步保证车辆移动方向判断的准确性。
如图10所示,本申请实施例提供了一种车辆移动方向的判断装置,所述装置可以包括:
轨迹点获取模块1001,可以用于获取当前车辆的当前轨迹点和至少一个历史轨迹点。
路段匹配特征获取模块1003,可以用于基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征。
目标匹配路段获取模块1005,可以用于将得到的每个历史轨迹点对应的路段匹配特征输入路段匹配模型进行路段匹配处理,得到与所述历史轨迹点对应的目标匹配路段。
目标匹配点获取模块1007,可以用于将每个历史轨迹点映射到与所述历史轨迹点对应的目标匹配路段上,得到与所述历史轨迹点对应的目标匹配点。
移动方向确定模块1009,可以用于基于所述当前轨迹点以及与所述当前轨迹点相邻的历史轨迹点对应的目标匹配点,确定所述当前车辆的移动方向。
在一个可行的实施例中,若所述历史轨迹点为所述当前车辆的第一个历史轨迹点,则所述路段匹配特征获取模块1003可以进一步包括:
第一轨迹信息获取单元,可以用于获取所述历史轨迹点的轨迹信息,所述轨迹信息包括位置信息、速度、方位角或时间戳中的至少一种。
第一路段匹配特征获取单元,可以用于基于所述位置信息、速度、方位角或时间戳中的至少一种,得到与所述历史轨迹点对应的路段匹配特征。
在一个可行的实施例中,若所述历史轨迹点非所述当前车辆的第一个历史轨迹点,则所述路段匹配特征获取模块1003可以进一步包括:
第二轨迹信息获取单元,可以用于获取所述历史轨迹点的轨迹信息,所述轨迹信息包括位置信息、速度、方位角或时间戳中的至少一种。
前一个历史轨迹点获取单元,可以用于获取与所述历史轨迹点相邻的前一个历史轨迹点。
前一个历史轨迹点对应的目标匹配点获取单元,可以用于获取与所述前一个历史轨迹点对应的目标匹配路段以及与所述前一个历史轨迹点对应的目标匹配点。
直线距离计算单元,可以用于计算所述历史轨迹点到所述与所述前一个历史轨迹点对应的目标匹配点之间的直线距离。
第二路段匹配特征获取单元,可以用于将所述历史轨迹点的轨迹信息、所述与所述前一个历史轨迹点对应的目标匹配路段以及所述直线距离,确定为与所述历史轨迹点对应的路段匹配特征。
在一个可行的实施例中,所述装置还可以包括:
剔除奇异点模块,可以用于从所述当前轨迹点和所述历史轨迹点中剔除奇异点。
插值处理模块,可以用于对剔除奇异点之后的所述当前轨迹点和所述历史轨迹点进行三次样条插值处理。
在一个可行的实施例中,所述装置还可以包括获取路段匹配模型模块,所述获取路段匹配模型模块:
样本轨迹点集合获取单元,可以用于获取样本车辆采集的样本轨迹点集合。
标注结果获取单元,用于获取每个样本轨迹点是否与目标匹配路段相匹配的标注结果。
样本路段匹配特征确定单元,用于基于每个样本轨迹点的轨迹信息以及与所述样本轨迹点相邻的前一个样本轨迹点的路段匹配结果,确定与所述样本轨迹点对应的样本路段匹配特征。
路段匹配模型确定单元,用于将每个样本轨迹点对应的样本路段匹配特征输入深度学习模型,以所述每个样本轨迹点是否与目标匹配路段相匹配的标注结果作为回归目标,对所述深度学习模型进行路段匹配训练,并将路段匹配训练得到的深度学习模型确定为所述路段匹配模型。
在一个可行的实施例中,所述装置还可以包括:
地图网格获取单元,可以用于获取电子地图数据,将电子地图数据进行网格划分,得到地图网格。
覆盖单元,可以用于将通过实际道路上若干个采样点获取到的实际线路轨迹覆盖到所述地图网格中,所述实际线路轨迹包括所述目标匹配路段。
在一个可行的实施例中,所述目标匹配点获取模块1007还可以包括:
目标地图网格确定单元,可以用于确定所述目标匹配路段所位于的地图网格,得到目标地图网格。
网格数据匹配单元,可以用于将所述历史轨迹点的经纬度与所述目标地图网格中的网格数据进行匹配,得到与所述历史轨迹点的距离小于第二阈值的网格匹配数据点,所述网格匹配数据点位于所述目标匹配路段上;将所述网格匹配数据点确定为与所述历史轨迹点对应的目标匹配点。
在一个可行的实施例中,将所述与所述当前轨迹点相邻的历史轨迹点确定为相邻历史轨迹点,则所述移动方向确定模块1009可以进一步包括:
当前经纬度获取单元,可以用于获取所述当前轨迹点的当前经纬度。
目标经纬度获取单元,可以用于获取与所述相邻历史轨迹点对应的目标匹配点的目标经纬度。
差值计算单元,可以用于基于所当前经纬度与所述目标经纬度的差值,确定所述当前车辆的移动方向。
本申请实施例还提供了一种车辆移动方向的电子设备,该电子设备包括处理器和存储器,该存储器中存储有至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的车辆移动方向的判断方法。
本申请的实施例还提供了一种存储介质,所述存储介质可设置于终端之中以保存用于实现方法实施例中一种车辆移动方向的判断方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的车辆移动方向的判断方法。
可选地,在本说明书实施例中,存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。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,ROM)、随机存取存储器(Random Access Memory,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。
本说明书实施例所述存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器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、功能所需的应用程序等;存储数据区可存储根据所述设备的使用所创建的数据等。此外,存储器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。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本申请实施例所提供的车辆移动方向的判断方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图11是本申请实施例提供的一种车辆移动方向的判断方法的服务器的硬件结构框图。如图11所示,该服务器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(CentralProcessing Units,CPU)1110(处理器1210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)、用于存储数据的存储器1130,一个或一个以上存储应用程序1123或数据1122的存储介质1120(例如一个或一个以上海量存储设备)。其中,存储器1130和存储介质1120可以是短暂存储或持久存储。存储在存储介质1120的程序可以包括一个或一个以上模块,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1110可以设置为与存储介质1120通信,在服务器1100上执行存储介质1120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1160,一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1140,和/或,一个或一个以上操作系统1121,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口1140可以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服务器1100的通信供应商提供的无线网络。在一个实例中,输入输出接口1140包括一个网络适配器(Network Interface Controller,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,输入输出接口1140可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图11所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器1100还可包括比图11中所示更多或者更少的组件,或者具有与图11所示不同的配置。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置和服务器实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (14)
1.一种车辆移动方向的判断方法,其特征在于,所述方法包括:
获取当前车辆的当前轨迹点和至少一个历史轨迹点;
基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征;
将得到的每个历史轨迹点对应的路段匹配特征输入路段匹配模型进行路段匹配处理,得到与所述历史轨迹点对应的目标匹配路段;
将每个历史轨迹点映射到与所述历史轨迹点对应的目标匹配路段上,得到与所述历史轨迹点对应的目标匹配点;
基于所述当前轨迹点以及与所述当前轨迹点相邻的历史轨迹点对应的目标匹配点,确定所述当前车辆的移动方向;
其中,所述路段匹配模型的获取方法包括:
获取样本车辆采集的样本轨迹点集合;获取每个样本轨迹点是否与目标匹配路段相匹配的标注结果;基于每个样本轨迹点的轨迹信息以及与所述样本轨迹点相邻的前一个样本轨迹点的路段匹配结果,确定与所述样本轨迹点对应的样本路段匹配特征;将每个样本轨迹点对应的样本路段匹配特征输入深度学习模型,以所述每个样本轨迹点是否与目标匹配路段相匹配的标注结果作为回归目标,对所述深度学习模型进行路段匹配训练,并将路段匹配训练得到的深度学习模型确定为所述路段匹配模型。
2.根据权利要求1所述的方法,其特征在于,若所述历史轨迹点为所述当前车辆的第一个历史轨迹点,则所述基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征,包括:
获取所述历史轨迹点的轨迹信息,所述轨迹信息包括位置信息、速度、方位角或时间戳中的至少一种;
基于所述位置信息、速度、方位角或时间戳中的至少一种,得到与所述历史轨迹点对应的路段匹配特征。
3.根据权利要求1所述的方法,其特征在于,若所述历史轨迹点非所述当前车辆的第一个历史轨迹点,则所述基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征,包括:
获取所述历史轨迹点的轨迹信息,所述轨迹信息包括位置信息、速度、方位角或时间戳中的至少一种;
获取与所述历史轨迹点相邻的前一个历史轨迹点;
获取与所述前一个历史轨迹点对应的目标匹配路段以及与所述前一个历史轨迹点对应的目标匹配点;
计算所述历史轨迹点到所述与所述前一个历史轨迹点对应的目标匹配点之间的直线距离;
将所述历史轨迹点的轨迹信息、所述与所述前一个历史轨迹点对应的目标匹配路段以及所述直线距离,确定为与所述历史轨迹点对应的路段匹配特征。
4.根据权利要求1所述的方法,其特征在于,当所述历史轨迹点的个数大于或等于第一阈值,则在所述获取当前车辆的当前轨迹点和至少一个历史轨迹点之后,所述方法还包括:
从所述当前轨迹点和所述历史轨迹点中剔除奇异点;
对剔除奇异点之后的所述当前轨迹点和所述历史轨迹点进行三次样条插值处理。
5.根据权利要求1所述的方法,其特征在于,
在所述获取当前车辆的当前轨迹点和至少一个历史轨迹点之前,所述方法还包括:
获取电子地图数据,将电子地图数据进行网格划分,得到地图网格;
将通过实际道路上若干个采样点获取到的实际线路轨迹覆盖到所述地图网格中,所述实际线路轨迹包括所述目标匹配路段;
所述将每个历史轨迹点映射到与所述历史轨迹点对应的目标匹配路段上,得到与所述历史轨迹点对应的目标匹配点,包括:
确定所述目标匹配路段所位于的地图网格,得到目标地图网格;
将所述历史轨迹点的经纬度与所述目标地图网格中的网格数据进行匹配,得到与所述历史轨迹点的距离小于第二阈值的网格匹配数据点,所述网格匹配数据点位于所述目标匹配路段上;
将所述网格匹配数据点确定为与所述历史轨迹点对应的目标匹配点。
6.根据权利要求1所述的方法,其特征在于,将所述与所述当前轨迹点相邻的历史轨迹点确定为相邻历史轨迹点,则所述基于所述当前轨迹点以及与所述当前轨迹点相邻的历史轨迹点对应的目标匹配点,确定所述当前车辆的移动方向,包括:
获取所述当前轨迹点的当前经纬度;
获取与所述相邻历史轨迹点对应的目标匹配点的目标经纬度;
基于所当前经纬度与所述目标经纬度的差值,确定所述当前车辆的移动方向。
7.一种车辆移动方向的判断装置,其特征在于,所述装置包括:
轨迹点获取模块,用于获取当前车辆的当前轨迹点和至少一个历史轨迹点;
路段匹配特征获取模块,用于基于每个历史轨迹点的轨迹信息,得到与所述历史轨迹点对应的路段匹配特征;
目标匹配路段获取模块,用于将得到的每个历史轨迹点对应的路段匹配特征输入路段匹配模型进行路段匹配处理,得到与所述历史轨迹点对应的目标匹配路段;
目标匹配点获取模块,用于将每个历史轨迹点映射到与所述历史轨迹点对应的目标匹配路段上,得到与所述历史轨迹点对应的目标匹配点;
移动方向确定模块,用于基于所述当前轨迹点以及与所述当前轨迹点相邻的历史轨迹点对应的目标匹配点,确定所述当前车辆的移动方向;
获取路段匹配模型模块,用于获取样本车辆采集的样本轨迹点集合;获取每个样本轨迹点是否与目标匹配路段相匹配的标注结果;基于每个样本轨迹点的轨迹信息以及与所述样本轨迹点相邻的前一个样本轨迹点的路段匹配结果,确定与所述样本轨迹点对应的样本路段匹配特征;将每个样本轨迹点对应的样本路段匹配特征输入深度学习模型,以所述每个样本轨迹点是否与目标匹配路段相匹配的标注结果作为回归目标,对所述深度学习模型进行路段匹配训练,并将路段匹配训练得到的深度学习模型确定为所述路段匹配模型。
8.根据权利要求7所述的装置,其特征在于,若所述历史轨迹点为所述当前车辆的第一个历史轨迹点,所述路段匹配特征获取模块包括:
第一轨迹信息获取单元,用于获取所述历史轨迹点的轨迹信息,所述轨迹信息包括位置信息、速度、方位角或时间戳中的至少一种;
第一路段匹配特征获取单元,用于基于所述位置信息、速度、方位角或时间戳中的至少一种,得到与所述历史轨迹点对应的路段匹配特征。
9.根据权利要求7所述的装置,其特征在于,若所述历史轨迹点非所述当前车辆的第一个历史轨迹点,所述路段匹配特征获取模块包括:
第二轨迹信息获取单元,用于获取所述历史轨迹点的轨迹信息,所述轨迹信息包括位置信息、速度、方位角或时间戳中的至少一种;
前一个历史轨迹点获取单元,用于获取与所述历史轨迹点相邻的前一个历史轨迹点;
前一个历史轨迹点对应的目标匹配点获取单元,用于获取与所述前一个历史轨迹点对应的目标匹配路段以及与所述前一个历史轨迹点对应的目标匹配点;
直线距离计算单元,用于计算所述历史轨迹点到所述与所述前一个历史轨迹点对应的目标匹配点之间的直线距离;
第二路段匹配特征获取单元,用于将所述历史轨迹点的轨迹信息、所述与所述前一个历史轨迹点对应的目标匹配路段以及所述直线距离,确定为与所述历史轨迹点对应的路段匹配特征。
10.根据权利要求7所述的装置,其特征在于,所述装置还包括:
剔除奇异点模块,用于从所述当前轨迹点和所述历史轨迹点中剔除奇异点;
插值处理模块,用于对剔除奇异点之后的所述当前轨迹点和所述历史轨迹点进行三次样条插值处理。
11.根据权利要求7所述的装置,其特征在于,所述装置还包括:
地图网格获取单元,用于获取电子地图数据,将电子地图数据进行网格划分,得到地图网格;覆盖单元,用于将通过实际道路上若干个采样点获取到的实际线路轨迹覆盖到所述地图网格中,所述实际线路轨迹包括所述目标匹配路段;
所述目标匹配点获取模块,包括:
目标地图网格确定单元,用于确定所述目标匹配路段所位于的地图网格,得到目标地图网格;
网格数据匹配单元,用于将所述历史轨迹点的经纬度与所述目标地图网格中的网格数据进行匹配,得到与所述历史轨迹点的距离小于第二阈值的网格匹配数据点,所述网格匹配数据点位于所述目标匹配路段上;将所述网格匹配数据点确定为与所述历史轨迹点对应的目标匹配点。
12.根据权利要求7所述的装置,其特征在于,将所述与所述当前轨迹点相邻的历史轨迹点确定为相邻历史轨迹点,所述移动方向确定模块包括:
当前经纬度获取单元,用于获取所述当前轨迹点的当前经纬度;
目标经纬度获取单元,用于获取与所述相邻历史轨迹点对应的目标匹配点的目标经纬度;
差值计算单元,用于基于所当前经纬度与所述目标经纬度的差值,确定所述当前车辆的移动方向。
13.一种车辆移动方向的电子设备,其特征在于,所述电子设备包括:处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-6任一所述的车辆移动方向的判断方法。
14.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-6任一所述的车辆移动方向的判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910568628.4A CN112147658B (zh) | 2019-06-27 | 2019-06-27 | 一种车辆移动方向的判断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910568628.4A CN112147658B (zh) | 2019-06-27 | 2019-06-27 | 一种车辆移动方向的判断方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112147658A CN112147658A (zh) | 2020-12-29 |
CN112147658B true CN112147658B (zh) | 2023-08-11 |
Family
ID=73870035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910568628.4A Active CN112147658B (zh) | 2019-06-27 | 2019-06-27 | 一种车辆移动方向的判断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147658B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112863176B (zh) * | 2021-01-06 | 2022-05-24 | 北京掌行通信息技术有限公司 | 交通拥堵溯源方法、装置、电子设备及存储介质 |
CN113155139B (zh) * | 2021-06-28 | 2021-11-16 | 中移(上海)信息通信科技有限公司 | 车辆轨迹纠偏方法、装置及电子设备 |
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 |
CN114234975A (zh) * | 2021-11-23 | 2022-03-25 | 深圳市跨越新科技有限公司 | 低频的实时轨迹匹配方法、系统、计算机设备及存储介质 |
CN115083162B (zh) * | 2022-06-15 | 2023-11-17 | 北京三快在线科技有限公司 | 路况预测方法、装置、设备以及存储介质 |
CN117392855B (zh) * | 2023-12-13 | 2024-02-20 | 南昌工程学院 | 基于卫星定位数据的车辆超限超载概率识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298152A (zh) * | 2010-06-23 | 2011-12-28 | 爱信艾达株式会社 | 轨迹信息生成装置和方法以及计算机可读存储介质 |
JP2016197093A (ja) * | 2015-01-04 | 2016-11-24 | 高橋 正人 | 方向情報取得装置、方向情報取得フ゜ロク゛ラム及び方向情報取得方法 |
CN106855878A (zh) * | 2016-11-17 | 2017-06-16 | 北京京东尚科信息技术有限公司 | 基于电子地图的历史行车轨迹显示方法和装置 |
CN107749163A (zh) * | 2017-11-03 | 2018-03-02 | 北京世纪高通科技有限公司 | 一种车辆行驶轨迹的展示方法及装置 |
CN108932843A (zh) * | 2018-08-06 | 2018-12-04 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN109143291A (zh) * | 2018-06-29 | 2019-01-04 | 长安大学 | 一种车载gps轨迹空间索引精确匹配方法 |
CN109766777A (zh) * | 2018-12-18 | 2019-05-17 | 东软集团股份有限公司 | 异常轨迹的检测方法、装置、存储介质及电子设备 |
-
2019
- 2019-06-27 CN CN201910568628.4A patent/CN112147658B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298152A (zh) * | 2010-06-23 | 2011-12-28 | 爱信艾达株式会社 | 轨迹信息生成装置和方法以及计算机可读存储介质 |
JP2016197093A (ja) * | 2015-01-04 | 2016-11-24 | 高橋 正人 | 方向情報取得装置、方向情報取得フ゜ロク゛ラム及び方向情報取得方法 |
CN106855878A (zh) * | 2016-11-17 | 2017-06-16 | 北京京东尚科信息技术有限公司 | 基于电子地图的历史行车轨迹显示方法和装置 |
CN107749163A (zh) * | 2017-11-03 | 2018-03-02 | 北京世纪高通科技有限公司 | 一种车辆行驶轨迹的展示方法及装置 |
CN109143291A (zh) * | 2018-06-29 | 2019-01-04 | 长安大学 | 一种车载gps轨迹空间索引精确匹配方法 |
CN108932843A (zh) * | 2018-08-06 | 2018-12-04 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN109766777A (zh) * | 2018-12-18 | 2019-05-17 | 东软集团股份有限公司 | 异常轨迹的检测方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
面向车联网环境的车辆移动模型研究进展;唐蕾等;长安大学学报(自然科学版);第36卷(第5期);第67-78页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112147658A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112147658B (zh) | 一种车辆移动方向的判断方法、装置、设备及存储介质 | |
US20240132078A1 (en) | Driving model training method, driver identification method, apparatus, device and medium | |
KR102335389B1 (ko) | 자율 주행 차량의 lidar 위치 추정을 위한 심층 학습 기반 특징 추출 | |
US11719753B2 (en) | Method and system for predicting energy consumption of a vehicle through application of a statistical model utilizing environmental and road condition information | |
KR102292277B1 (ko) | 자율 주행 차량에서 3d cnn 네트워크를 사용하여 솔루션을 추론하는 lidar 위치 추정 | |
KR102350181B1 (ko) | 자율 주행 차량에서 rnn 및 lstm을 사용하여 시간적 평활화를 수행하는 lidar 위치 추정 | |
CN107111794B (zh) | 预测和利用地图服务中出行时间的可变性 | |
CN112035591B (zh) | 一种路网匹配方法、装置、设备和存储介质 | |
CN104899135A (zh) | 软件缺陷预测方法和系统 | |
US10732694B2 (en) | Power state control of a mobile device | |
CN109636212B (zh) | 作业实际运行时间的预测方法 | |
CN113505537A (zh) | 楼宇能耗检测方法、装置、计算机设备和存储介质 | |
CN111626519A (zh) | 一种航班到达时间预测方法、装置和电子设备 | |
CN108053424A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
Tabibiazar et al. | Kernel-based modeling and optimization for density estimation in transportation systems using floating car data | |
CN104091352A (zh) | 基于结构相似度的视觉跟踪方法 | |
Chandio et al. | An approach for map-matching strategy of GPS-trajectories based on the locality of road networks | |
WO2021150166A1 (en) | Determining a route between an origin and a destination | |
CN110944295A (zh) | 位置预测方法、装置、存储介质及终端 | |
Mead | Hybrid CNN and LSTM Model (HCLM) for Short-Term Traffic Volume Prediction | |
US20220341995A1 (en) | Systems and methods for predicting the cycle life of cycling protocols | |
Damsgaard et al. | Adaptive approximate computing in edge AI and IoT applications: A review | |
柏梦婷 et al. | Survey of traffic travel-time prediction methods | |
CN113128929A (zh) | 车辆载重状态的识别方法、装置、计算机设备和介质 | |
Liu et al. | Efficient bus arrival time prediction based on spark streaming platform |
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 |