CN112163166B - 检测道路属性的方法、装置、计算机可读介质及电子设备 - Google Patents

检测道路属性的方法、装置、计算机可读介质及电子设备 Download PDF

Info

Publication number
CN112163166B
CN112163166B CN202011163905.2A CN202011163905A CN112163166B CN 112163166 B CN112163166 B CN 112163166B CN 202011163905 A CN202011163905 A CN 202011163905A CN 112163166 B CN112163166 B CN 112163166B
Authority
CN
China
Prior art keywords
road
track
vehicle
data
riding
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
Application number
CN202011163905.2A
Other languages
English (en)
Other versions
CN112163166A (zh
Inventor
李亚宁
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202011163905.2A priority Critical patent/CN112163166B/zh
Publication of CN112163166A publication Critical patent/CN112163166A/zh
Application granted granted Critical
Publication of CN112163166B publication Critical patent/CN112163166B/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
    • G06F16/90—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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • 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
    • 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
    • G06F16/9538—Presentation of query results

Abstract

本申请的实施例提供了一种检测道路属性的方法、装置、计算机可读介质及电子设备，用于地图路网中各道路属性的检测。该检测道路属性的方法包括：获取车行轨迹数据和步骑轨迹数据；从步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征，从车行轨迹数据中提取出表示道路车行情况的车行轨迹特征；基于指定道路对应的步骑轨迹特征与指定道路对应的车行轨迹特征，确定指定道路对应的道路行驶特征；根据指定道路的类型以及道路行驶特征，确定指定道路的属性。本申请实施例的技术方案可以实现自动化挖掘地图的路网中各路段的属性，具有较高的数据处理效率和道路属性检测的精确性，为基于道路属性的路网导航给予了精准、可靠的道路数据。

Description

检测道路属性的方法、装置、计算机可读介质及电子设备
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种检测道路属性的方法、装置、计算机可读介质及电子设备。
背景技术
在很多导航应用对用户进行路线推荐的过程中，往往不能基于用户的出行方式推荐对应的道路，因此可能交通事故频繁、用户出行效率低的问题。相关技术通过检测道路数据对应的数值来确定各道路对应的属性，但是这种方式数据获取时效率较低、数据采集成本高，且获取到的数据类型单一，因此在确定道路属性时往往无法精确、全面的确定一个道路对应的属性，进而无法为路线导航提供可靠的路网规划信息，降低导航应用的使用效率。
发明内容
本申请的实施例提供了一种检测道路属性的方法、装置、计算机可读介质及电子设备，进而至少在一定程度上可以自动化挖掘路网道路中各路段的属性，具有较高的数据处理效率和道路属性检测的精确性，为基于道路属性的路网导航给予了精准、可靠的道路数据。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面，提供了一种检测道路属性的方法，包括：获取车行轨迹数据和步骑轨迹数据，所述步骑轨迹数据包括步行轨迹数据和骑行轨迹数据中的至少一种；从所述步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征，从所述车行轨迹数据中提取出表示道路车行情况的车行轨迹特征；基于指定道路对应的步骑轨迹特征与所述指定道路对应的车行轨迹特征，确定所述指定道路对应的道路行驶特征；根据所述指定道路的类型以及所述道路行驶特征，确定所述指定道路的属性。
根据本申请实施例的一个方面，提供了一种检测道路属性的装置，包括：获取单元，用于获取车行轨迹数据和步骑轨迹数据，所述步骑轨迹数据包括步行轨迹数据和骑行轨迹数据中的至少一种；提取单元，用于从所述步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征，从所述车行轨迹数据中提取出表示道路车行情况的车行轨迹特征；特征单元，用于基于指定道路对应的步骑轨迹特征与所述指定道路对应的车行轨迹特征，确定所述指定道路对应的道路行驶特征；属性单元，用于根据所述指定道路的类型以及所述道路行驶特征，确定所述指定道路的属性。
在本申请的一些实施例中，基于前述方案，所述检测道路属性的装置还包括：轨迹参数单元，用于在获取到所述车行轨迹数据和所述步骑轨迹数据之后，确定所述车行轨迹数据和所述步骑轨迹数据分别对应的轨迹参数；检测单元，用于基于预设的轨迹阈值，以及所述车行轨迹数据和所述步骑轨迹数据分别对应的轨迹参数，检测所述车行轨迹数据和步骑轨迹数据中的冗余轨迹；删除单元，用于删除所述车行轨迹数据和所述步骑轨迹数据中的所述冗余轨迹。
在本申请的一些实施例中，基于前述方案，所述检测单元用于执行以下步骤中的至少一个：将所述车行轨迹数据中的定位点总数小于第一阈值时的轨迹识别为无效轨迹；将满足如下条件的轨迹识别为杂乱轨迹：所述定位点总数大于第二阈值、相邻定位点偏移角度大于第三阈值的定位点数量大于第四阈值、并且相邻定位点偏移角度的平方差大于第五阈值；将各定位点之间的距离总和小于第六阈值时的轨迹识别为过短轨迹；将定位点总数大于所述第一阈值、且偏离路网的定位点数量大于第六阈值时的轨迹识别为漂移轨迹；将定位点总数大于所述第一阈值、且与路网的偏离角度大于设定条件的时轨迹识别为曲折轨迹；将所述车行轨迹数据中的定位点速度小于第七阈值时的轨迹识别为步行轨迹。
在本申请的一些实施例中，基于前述方案，所述提取单元用于：基于所述步骑轨迹数据中的位置信息以及路网中的道路位置之间的匹配结果，确定路网中各道路对应的步骑轨迹数据；从所述各道路对应的步骑轨迹数据中，提取出表示所述各道路的步骑情况的步骑轨迹特征；
在本申请的一些实施例中，基于前述方案，所述提取单元用于：基于所述车行轨迹数据中的位置信息以及路网中的道路位置之间的匹配结果，确定路网中各道路对应的车行轨迹数据；从所述各道路对应的车行轨迹数据中，提取出表示所述各道路的车行情况的车行轨迹特征。
在本申请的一些实施例中，基于前述方案，所述步骑轨迹特征包括步骑定位点密度；所述车行轨迹特征包括车行定位点密度；所述提取单元包括：道路确定单元，用于基于所述步骑轨迹数据在路网中的位置，确定所述指定路段对应的目标道路；道路检测单元，用于检测所述目标道路的长度、以及在所述目标道路中布设的定位点的数目；第一特征单元，用于根据所述定位点的数目与所述目标道路的长度之间的商，确定所述指定路段对应的步骑定位点密度。
在本申请的一些实施例中，基于前述方案，所述道路行驶特征包括定位点密度比；所述特征单元用于：基于第一时间段内采集到的车行轨迹数据对应的车行定位点密度、以及第二时间段内采集到的步骑轨迹数据对应的步骑定位点密度之间的比值，确定所述定位点密度比，其中，所述第一时间段小于所述第二时间段。
在本申请的一些实施例中，基于前述方案，所述提取单元用于从所述步骑轨迹数据中检测贯通所述指定路段的步骑轨迹数量，将所述步骑轨迹数量作为所述步骑轨迹特征；
在本申请的一些实施例中，基于前述方案，所述提取单元用于从所述车行轨迹数据中检测贯通所述指定路段的车行轨迹数量，将所述车行轨迹数量作为所述车行轨迹特征。
在本申请的一些实施例中，基于前述方案，所述道路行驶特征包括贯通量比率；所述特征单元用于：基于第一时间段内采集到的车行轨迹数据对应的车行轨迹数量、以及第二时间段内采集到的步骑轨迹数据对应的步骑轨迹数量之间的比值，确定所述贯通量比率。
在本申请的一些实施例中，基于前述方案，道路行驶特征包括如下至少一种：表示步骑道路中定位点数量和车行道路中定位点数量之比的定位点密度比、表示车行轨迹数量和步骑轨迹数量比例的贯通量比率；所述属性单元包括：道路检测单元，用于基于路网中各道路的位置信息，检测所述路网中的平行道路；危险道路单元，用于若所述指定道路的类型为所述平行道路，且所述道路行驶特征大于设定阈值，则确定所述指定道路的属性为不便于步骑的危险道路。
在本申请的一些实施例中，基于前述方案，所述道路检测单元包括：路口提取单元，用于从路网的拓扑结构中提取路口位置；道路相近单元，用于基于所述路口位置从所述路网中确定位置相近的道路；计算单元，用于基于所述路网中各道路的位置信息，计算所述位置相近的道路之间的相似度；平行道路单元，用于将所述相似度大于相似度阈值时对应的两条道路，识别为所述平行道路。
在本申请的一些实施例中，基于前述方案，所述计算单元用于：基于所述各道路中定位点的位置信息，计算所述各道路中定位点之间的距离构成的矩阵；通过递归的方式，检测所述矩阵中各行或者各列中的最小元素，得到所述矩阵中的最小元素；基于所述矩阵中的最小元素对应的路径长度，确定所述路网中所述位置相近的两条道路之间的相似度。
在本申请的一些实施例中，基于前述方案，所述指定道路的属性包括不便于步骑的危险道路；所述检测道路属性的装置还用于：获取已知危险道路的信息和非危险道路的信息；从所述路网中危险道路的信息中剔除所述已知危险道路的信息和非危险道路的信息，得到待处理危险道路的信息；基于所述待处理危险道路的信息，在道路导航数据库中修改所述待处理危险道路的属性。
根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的检测道路属性的方法。
根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的检测道路属性的方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的检测道路属性的方法。
在本申请的一些实施例所提供的技术方案中，通过基于车型轨迹数据和步骑轨迹数据进行特征提取，分别得到车行轨迹特征和步骑轨迹特征，以综合道路的车行轨迹特征和步骑轨迹特征来确定道路行驶特征对应的道路属性，实现自动化挖掘路网道路中各路段的属性，具有较高的数据处理效率和道路属性检测的精确性，为基于道路属性的路网导航给予了精准、可靠的道路数据。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。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他的附图。在附图中：
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；
图2示意性示出了根据本申请的一个实施例的检测道路属性的方法的流程图；
图3示意性示出了根据本申请的一个实施例的检测道路属性的流程图；
图4示意性示出了根据本申请的一个实施例的检测道路属性的方法的示意图；
图5示意性示出了根据本申请的一个实施例的无效轨迹的示意图；
图6示意性示出了根据本申请的一个实施例的路网道路匹配的示意图；
图7示意性示出了根据本申请的一个实施例的检测路网中的平行道路流程图；
图8示意性示出了根据本申请的一个实施例的计算两点距离的示意图；
图9示意性示出了根据本申请的一个实施例的计算道路相似度的示意图；
图10示意性示出了根据本申请的一个实施例的平行道路的示意图；
图11示意性示出了根据本申请的一个实施例的危险道路的示意图；
图12示意性示出了根据本申请的一个实施例的非危险道路的示意图；
图13示意性示出了根据本申请的一个实施例的检测道路属性的装置的框图；
图14示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。云技术(Cloudtechnology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。
数据库(Database)，简而言之可视为电子化的文件柜，即存储电子文件的处所，用户可以对文件中的数据进行新增、查询、更新、删除等操作。所谓数据库是以一定方式储存在一起、能与多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。数据库管理系统(Database Management System，DBMS)是为管理数据库而设计的电脑软件系统，一般具有存储、截取、安全保障、备份等基础功能。数据库管理系统可以依据它所支持的数据库模型来作分类，例如关系式、可扩展标记语言(Extensible Markup Language，XML)；或依据所支持的计算机类型来作分类，例如服务器群集、移动电话；或依据所用查询语言来作分类，例如(结构化查询语言(Structured Query Language，SQL)、XQuery；或依据性能冲量重点来作分类，例如最大规模、最高运行速度；亦或其他的分类方式。不论使用哪种分类方式，一些DBMS能够跨类别，例如，同时支持多种查询语言。大数据(Big data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临，大数据也吸引了越来越多的关注，大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
在本申请一实施例中可以数据库技术和大数据技术的方式，通过车辆行驶数据、道路数据、路网数据等等构建数据库，同时通过本申请实施例中的检测道路属性的方法来确定道路的属性，基于道路的属性对数据库进行管理和维护。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示，系统架构可以包括终端设备、数据库104以及服务器105。
如图1所示，本实施例中的终端设备可以包括智能手机101、车载终端102以及定位装置103等等，除此之外还可以为其它的终端设备，此处不做限定。本实施例中的终端设备用于采集定位信息、行进信息、道路信息以及速度信息等等数据中的至少一种信息，并将这些信息上传至数据库104中，以在数据库104中对这些数据进行分析、检测等处理。
在本申请一实施例中，数据库104可以是云端数据库的形式，也可以是分布式存储的方式。本实施例中通过云端数据库的方式可以获取和存储更大量的道路数据和轨迹数据等的数据，通过分布式存储的方式可以获取到实时的、各不同区域对应的位置处的数据，提高数据获取的效率和数据处理的效率。
在本申请一实施例中，通过服务器105从数据库104获取车行轨迹数据以及包含步行轨迹数据和骑行轨迹数据的步骑轨迹数据，再从步骑轨迹数据中提取出步骑轨迹特征、从车行轨迹数据中提取车行轨迹特征，以通过步骑轨迹特征来表示道路步骑情况、通过车行轨迹特征来来表示道路的车行情况；之后对指定道路对应的步骑轨迹特征和车型轨迹特征进行综合处理，确定该指定道路对应的道路行驶特征，最后通过该指定道路的类型以及道路行驶特征，来确定指定道路的属性，上述方案中基于车型轨迹数据和步骑轨迹数据进行特征提取，分别得到车行轨迹特征和步骑轨迹特征，以综合道路的车行轨迹特征和步骑轨迹特征来确定道路行驶特征对应的道路属性，实现自动化挖掘路网道路中各路段的属性，具有较高的数据处理效率和道路属性检测的精确性，为基于道路属性的路网导航给予了精准、可靠的道路数据。
需要说明的是，本申请实施例所提供的检测道路属性的方法一般由服务器105执行，相应地，检测道路属性的装置一般设置于服务器105中。但是，在本申请的其它实施例中，终端设备也可以与服务器具有相似的功能，从而执行本申请实施例所提供的检测道路属性的方案。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
图2示出了根据本申请的一个实施例的检测道路属性的方法的流程图，该检测道路属性的方法可以由服务器来执行，该服务器可以是图1中所示的服务器。参照图2所示，该检测道路属性的方法至少包括步骤S210至步骤S240，详细介绍如下：
在步骤S210中，获取车行轨迹数据和步骑轨迹数据，步骑轨迹数据包括步行轨迹数据和骑行轨迹数据中的至少一种。
在本申请的一个实施例中，本实施例中的轨迹数据包括车行轨迹数据和步骑轨迹数据，其中，步骑轨迹数据包括步行轨迹数据和骑行轨迹数据中的至少一种。其中，轨迹数据包括的数据类型可以为：位置信息、速度信息等等。
在获取车行轨迹数据和步骑轨迹数据时，可以通过如图1中的终端设备来获取。例如，通过车载终端102来实时采集车行轨迹数据，通过智能手机101采集用户的步行轨迹数据或者骑行轨迹数据，通过设置于汽车、电动自行车、自行车上的定位装置103来获取车行轨迹数据或者骑行轨迹数据等等。
在本申请的一个实施例中，在终端设备获取到这些数据之后，可以实时将数据传输到服务器或者数据库中，也可以基于设定的上传时刻，周期性的将数据上传到服务器或者数据库中。
在步骤S220中，从步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征，从车行轨迹数据中提取出表示道路车行情况的车行轨迹特征。
在本申请的一个实施例中，在获取到步骑轨迹数据和车行轨迹数据之后，从步骑轨迹数据中提取出步骑轨迹特征，从车行轨迹数据中提取出车行轨迹特征，以通过步骑轨迹特征来表示道路的步骑情况，通过车行轨迹特征来表示道路的车行情况。
在本申请的一个实施例中，步骑轨迹特征包括步骑轨迹数量、步骑定位点密度以及步骑速度等等，车行轨迹特征包括车行轨迹数量、车行定位点密度以及车行速度等等。
在本申请的一个实施例中，本实施例中的步骑轨迹特征可以为各个道路对应的轨迹数量，在确定轨迹数量时，可以先检测步骑轨迹数据对应于路网中各个道路的轨迹数据，再针对当前的指定道路，确定该指定道路对应的步骑轨迹数据，以从指定道路对应的步骑轨迹数据中检测得到贯通该指定道路的步骑轨迹数量，作为步骑轨迹特征。除此之外，车行轨迹特征中的车行轨迹数量的确定方式与步骑轨迹数量的确定方式相同。
在本申请的一个实施例中，本实施例中的步骑轨迹特征可以为各个道路中的定位点密度比。其中，本实施例中在路网中的各个道路中设置有定位点，用于对道路的兴趣点进行标记。在获取到步骑轨迹数据之后，基于步骑轨迹数据中各位置信息，对道路的兴趣点进行检测，确定各道路对应的定位点数量，再将点位点数量与道路长度之间的比例作为定位点密度比。除此之外，车行轨迹特征中的定位点密度比的确定方式与步骑轨迹数据对应的定位点密度比的确定方式相同。
除此之外，本实施例中的步骑轨迹特征还可以包括步行或者骑行速度，车行轨迹特征还可以包括车行速度等等。
在步骤S230中，基于指定道路对应的步骑轨迹特征与指定道路对应的车行轨迹特征，确定指定道路对应的道路行驶特征。
在本申请的一个实施例中，基于上述过程中确定出的步骑轨迹特征包括步骑轨迹数量、步骑定位点密度以及步骑速度等等，以及确定出的车行轨迹特征包括车行轨迹数量、车行定位点密度以及车行速度等等，来通过指定道路对应的步骑轨迹特征与指定道路对应的车行轨迹特征，确定指定道路对应的道路行驶特征。
其中，确定指定道路对应的道路行驶特征的具体方式可以是，将指定道路对应的步骑轨迹特征与指定道路对应的车行轨迹特征之间进行对比的方式，来确定同一道路对应的步骑情况与车型情况之间的差异。具体的，可以通过比值的方式来确定。
在步骤S240中，根据指定道路的类型以及道路行驶特征，确定指定道路的属性。
在实际应用中，各个道路都有其对应的道路类型，例如高度公路、上下线分离道路、步行街、以及除这些道路类型之外的普通道路等等。本实施例中通过基于指定道路的类型以及确定得到的道路行驶特征，来确定指定道路的属性。在本申请的一个实施例中，指定道路的属性可以包括便于骑行的道路属性、不便于骑行的危险道路属性、或者便于车行的道路属性等等。
示例性的，本实施例中针对指定道路的类型，确定其对应的属性判断阈值，以基于属性判断阈值与道路行驶特征进行检测，确定指定道路的属性。
在本申请的一个实施例中，如图3所示，本实施例中的检测道路属性的方法还包括如下步骤S211～S213：
在步骤S211中，在获取到车行轨迹数据和步骑轨迹数据之后，确定车行轨迹数据和步骑轨迹数据分别对应的轨迹参数；
在步骤S212中，基于预设的轨迹阈值，以及车行轨迹数据和步骑轨迹数据分别对应的轨迹参数，检测车行轨迹数据和步骑轨迹数据中的冗余轨迹；
在步骤S213中，删除车行轨迹数据和步骑轨迹数据中的冗余轨迹。
图4为本申请实施例提供的一种检测道路属性的方法的示意图。
请一并结合图3和图4所示，在轨迹大数据收集410的过程中，本实施例中在获取到车行轨迹数据和步骑轨迹数据之后，确定车行轨迹数据和步骑轨迹数据分别对应的轨迹参数。具体的，本实施中轨迹参数包括以下参数中的至少一个：轨迹中的定位点总数、相邻定位点偏移角度、定位点速度等等。
本实施例中预设有与轨迹参数对应的轨迹阈值，例如，轨迹参数可以为定位点数量阈值、速度阈值、角度阈值以及距离阈值等等。
在本申请的一个实施例中，在确定了轨迹参数之后，基于轨迹参数基于预设的轨迹阈值，以及车行轨迹数据和步骑轨迹数据分别对应的轨迹参数，检测车行轨迹数据和步骑轨迹数据中的冗余轨迹之后，删除车行轨迹数据和步骑轨迹数据中的冗余轨迹。
具体的，步骤S212中基于预设的轨迹阈值，以及车行轨迹数据和步骑轨迹数据分别对应的轨迹参数，检测车行轨迹数据和步骑轨迹数据中的冗余轨迹的过程，包括如下步骤中的至少一个：
将车行轨迹数据中的定位点总数小于第一阈值时的轨迹识别为无效轨迹；
将满足如下条件的轨迹识别为杂乱轨迹：定位点总数大于第二阈值、相邻定位点偏移角度大于第三阈值的定位点数量大于第四阈值、并且相邻定位点偏移角度的平方差大于第五阈值；
将各定位点之间的距离总和小于第六阈值时的轨迹识别为过短轨迹；
将定位点总数大于第一阈值、且偏离路网的定位点数量大于第六阈值时的轨迹识别为漂移轨迹；
将定位点总数大于第一阈值、且与路网的偏离角度大于设定条件的时轨迹识别为曲折轨迹；
将车行轨迹数据中的定位点速度小于第七阈值时的轨迹识别为步行轨迹。
图5为本申请实施例提供的一种无效轨迹的示意图。
如图5所示，在实际应用中，由于步行和骑行的用户往往会抄小路或者不遵守交通路线，例如图5中的步骑轨迹510。因此步骑轨迹数据不同于车行轨迹数据，往往步骑用户对交通规则并不一定遵守，可能会出现逆行或者乱行情况出现，这就造成了原始步骑轨迹大数据中包含很多的噪音数据。综上，结合实际的行进场景，其中可能存在冗余轨迹的原因包括：未明确区分两种来源数据，包括步行、骑行等；由于设备原因造成的轨迹点漂移或者丢失；由于环境原因造成的轨迹点异常或者丢失；用户异常行为造成的轨迹点异常，例如停车、绕行、逆行、违章行驶等等。
考虑到上述各原因，本实施例中先将各个来源的轨迹进行融合，由于步行轨迹往往骑行轨迹更杂乱无章，且步行用户会乱穿小区内部路和人行横道等特殊非危险道路，而如果对于骑行用户来说是危险道路则对步行用户也为危险道路，基于以上先验知识，我们首先计算轨迹如下特征：轨迹点总数、相邻轨迹点偏移角度、相邻轨迹点偏移角度平方差、轨迹点间距离、轨迹总长度、轨迹点偏离匹配路网距离、轨迹点平均速度等轨迹特征。基于以上轨迹特征对无效轨迹、杂乱轨迹、停驻轨迹、过短轨迹、漂移轨迹、zigzag曲折轨迹以及步行轨迹进行滤除或者清洗，具体的清洗原则如下：
本实施例中轨迹点数小于最小轨迹点总数阈值的轨迹数据作为无效轨迹，其中第一阈值可以为4、5或者6等等。本实施例中的杂乱轨迹满足如下条件：轨迹点总数大于第二阈值，例如10、11等等；相邻轨迹点偏移角度大于第三阈值的总数大于第四阈值，其中第三阈值可以90度，第四阈值可以为占当前轨迹点总数的50％以上等等，相邻轨迹点偏移角度平方差大于第五阈值，第五阈值可以为80、90等等。本实施例中的停驻轨迹满足如下条件:轨迹点间距离小于距离阈值的总数占当前轨迹点总数99％以上可以认为是停驻轨迹。
本实施例中的过短轨迹满足如下条件：轨迹点经过总距离小于第六阈值、且总时间小于3s，其中第六阈值可以为100米等等。本实施例中的漂移轨迹满足如下条件:当前轨迹中轨迹点总数大于第一阈值、且轨迹点偏离匹配路网距离大于第六阈值的数量占当前轨迹点总数的80％以上可以认为是漂移轨迹，其中第六阈值可以为30米。本实施例中的曲折轨迹满足如下条件：轨迹点总数大于第一阈值、轨迹点偏离匹配路网角度大于45度数量占当前轨迹点总数的80％以上，并且相邻轨迹点偏移角度大于90度以上总数占当前轨迹点总数的80％以上。本实施例中的步行轨迹满足如下条件：计算轨迹点速度95分位数低于5m/s，即18km/h则为步行轨迹。
在本申请的一个实施例中，在对车行轨迹数据进行清洗时，将采集到的各个用户的车辆行驶轨迹数据组成原始车行轨迹大数据。原始轨迹大数据中包含能对分离算法造成干扰及影响的噪音数据，同样对车行轨迹大数据进行清洗、过滤，采用和骑行轨迹基本一致过滤方法，对其中无效轨迹、杂乱轨迹、停驻轨迹、过短轨迹、漂移轨迹、zigzag轨迹和步行轨迹进行过滤，得到车行轨迹大数据集。其中车行轨迹数据采用全量数据来源，不必要区分来源类别。
在本申请的一个实施例中，步骤S220中从步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征的过程，包括如下步骤：基于步骑轨迹数据中的位置信息以及路网中的道路位置之间的匹配结果，确定路网中各道路对应的步骑轨迹数据；从各道路对应的步骑轨迹数据中，提取出表示各道路的步骑情况的步骑轨迹特征。
图6为本申请实施例提供的一种路网道路匹配的示意图。
如图6所示，本实施例中得到的步骑行轨迹大数据和车行轨迹大数据集进行基于路网拓扑关系的路网匹配，将轨迹点数据转换为路网中表示的路段有序集数据。示例性的，图6中的行驶轨迹610对应的定位点数据为：[113.908098,22.773688,113.908126,22.773595,113.908145,22.773476,
113.908184,22.773385,113.908187,22.77339,113.908029,22.774012,113.908069,22.773926,113.908099,22.773805]，将轨迹对应的定位点数据转换为路网中表示路段620的有序集为：[82137149,82137190]。通过上述方式，以确定路网中各道路对应的步骑轨迹数据。之后从各道路对应的步骑轨迹数据中，提取出表示各道路的步骑情况的步骑轨迹特征。
在本申请的一个实施例中，步骤S220中从车行轨迹数据中提取出表示道路车行情况的车行轨迹特征的过程，包括如下步骤：基于车行轨迹数据中的位置信息以及路网中的道路位置之间的匹配结果，确定路网中各道路对应的车行轨迹数据；从各道路对应的车行轨迹数据中，提取出表示各道路的车行情况的车行轨迹特征。
上述车行轨迹数据的位置信息与路网中道路位置之间的匹配方式与图6所示的方式相同，此处不做赘述。本实施例中通过基于确定路网中各道路对应的车行轨迹数据；从各道路对应的车行轨迹数据中，提取出表示各道路的车行情况的车行轨迹特征。
需要说明的是，本实施例中所有以地图为背景的示意图，其中表示店铺名称、道路名称等类型的文字皆为与本申请技术方案无关的描述，并不影响本申请技术方案的实施。
在本申请的一个实施例中，步骑轨迹特征包括步骑定位点密度；步骤S220中从步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征的过程，包括如下步骤：基于步骑轨迹数据在路网中的位置，确定指定路段对应的目标道路；检测目标道路的长度、以及在目标道路中布设的定位点的数目；根据定位点的数目与目标道路的长度之间的商，确定指定路段对应的步骑定位点密度。
在本申请的一个实施例中，累积一周的骑行轨迹数据，经过轨迹匹配后，对经过对应道路的骑行轨迹特征进行提取，当定位点和道路垂直距离小于等于25米时，计算此道路的每百米定位点密度数据特征。具体的，本实施例中计算步骑定位点密度的方式为：根据定位点的数目与目标道路的长度之间的商，确定指定路段对应的步骑定位点密度。
除此之外，本实施例中的车行轨迹特征包括车行定位点密度，其中，车行定位点密度的计算方式与步骑定位点密度的计算方式相同，此处不做赘述。
在本申请的一个实施例中，步骑轨迹特征包括步骑定位点密度，车行轨迹特征包括车行定位点密度，道路行驶特征包括定位点密度比；步骤S230中基于指定道路对应的步骑轨迹特征与指定道路对应的车行轨迹特征，确定指定道路对应的道路行驶特征的过程，包括如下步骤：基于第一时间段内采集到的车行轨迹数据对应的车行定位点密度、以及第二时间段内采集到的步骑轨迹数据对应的步骑定位点密度之间的比值，确定定位点密度比，其中，第一时间段小于第二时间段。
具体的，在计算得到步骑定位点密度以及车行定位点密度之后，第一时间段内采集到的车行轨迹数据对应的车行定位点密度、以及第二时间段内采集到的步骑轨迹数据对应的步骑定位点密度之间的比值，确定定位点密度比。其中，第一时间段可以为一天、第二时间段可以为一周等等。示例性的，本实施例中定位点密度比的计算方式可以为天级车行定位点密度比除以周级骑行定位点密度比例，得到定位点密度比。
除此之外，考虑到定位点之间可能存在位置偏差，因此本实施例中在计算定位点密度比时，将定位点的距离小于或者等于预设距离阈值的定位点纳入计算中，例如25米范围内，以保证数据的准确定以及计算的精确性。
在本申请的一个实施例中，步骑轨迹特征包括步骑轨迹数量；从步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征，包括：从步骑轨迹数据中检测贯通指定路段的步骑轨迹数量，将步骑轨迹数量作为步骑轨迹特征；从车行轨迹数据中提取出表示道路车行情况的车行轨迹特征，包括：从车行轨迹数据中检测贯通指定路段的车行轨迹数量，将车行轨迹数量作为车行轨迹特征。
在本申请的一个实施例中，累积一周的骑行轨迹数据，经过轨迹匹配后，对经过对应道路的骑行轨迹特征进行提取，提取出贯通此道路的轨迹量，即步骑轨迹数量。累积一天的车行轨迹数据，对经过车行轨迹匹配后，经过对应道路的车行轨迹特征，提取出车行轨迹关联道路的贯通量，即车行轨迹数量。
在本申请的一个实施例中，步骤S230中基于指定道路对应的步骑轨迹特征与指定道路对应的车行轨迹特征，确定指定道路对应的道路行驶特征的过程，包括如下步骤：基于第一时间段内采集到的车行轨迹数据对应的车行轨迹数量、以及第二时间段内采集到的步骑轨迹数据对应的步骑轨迹数量之间的比值，确定贯通量比率。
在本申请的一个实施例中，结合一周骑行轨迹特征和一天的车行轨迹特征，计算提取对应该道路的天级车行轨迹数量除以周级骑行轨迹关联道路的骑行轨迹数量，得到的比值即为贯通量比率。
在本申请的一个实施例中，道路行驶特征包括如下至少一种：表示步骑道路中定位点数量和车行道路中定位点数量之比的定位点密度比、表示车行轨迹数量和步骑轨迹数量比例的贯通量比率；
在步骤S240中根据指定道路的类型以及道路行驶特征，确定指定道路的属性的过程，具体包括步骤S241～步骤S242：
在步骤S241中，基于路网中各道路的位置信息，检测路网中的平行道路；
在步骤S242中，若指定道路的类型为平行道路，且道路行驶特征大于设定阈值，则确定指定道路的属性为不便于步骑的危险道路。
本实施例中根据道路的拓扑结构，结合危险道路定义，对大量的危险道路样本进行作业发现在平行道路中会存在大量的危险道路，因此有必要结合道路的拓扑结构提取出平行道路，以基于平行道路和道路行驶特征来综合确定指定道路的属性。
进一步的，如图7所示，步骤S241中，基于路网中各道路的位置信息，检测路网中的平行道路的过程，具体包括步骤S2411～步骤S2414：
在步骤S2411中，从路网的拓扑结构中提取路口位置。
在本申请的一个实施例中，先基于全路网的拓扑结构进行检测，从路网的拓扑结构中提取路口位置。本实施例中的路口位置包括一个道路的尽头位置、或者至少两条道路的交叉位置等等。本实施例中可以通过图像识别的方式检测到路网的拓扑结构中的路口位置。
在步骤S2412中，基于路口位置从路网中确定位置相近的道路。
在确定了路网中的路口位置会后，基于路口位置从路网中确定位置相近的道路。具体的，本实施例中可以确定一个距离阈值，在以某一道路的路口位置为起点，在该距离阈值的范围内存在的道路即为位置相近的道路。
在步骤S2413中，基于路网中各道路的位置信息，计算位置相近的道路之间的相似度。
在确定了位置相近的道路之后，在位置相近的各个道路中，基于各道路的位置信息，计算位置相近的道路之间的相似度。本实施例中计算相似度的方法可以为欧几里得距离法。
具体的，在步骤S2413中基于路网中各道路的位置信息，计算位置相近的道路之间的相似度的过程，具体包括：
基于各道路中定位点的位置信息，计算各道路中定位点之间的距离构成的矩阵；
通过递归的方式，检测矩阵中各行或者各列中的最小元素，得到矩阵中的最小元素；
基于矩阵中的最小元素对应的路径长度，确定路网中位置相近的两条道路之间的相似度。
如图8所示，本实施例中通过动态时间归整(Dynamic Time Warping，DTW)算法来计算两条道路的定位点的相似度。通过把时间序列进行延伸和缩短，避免传统的欧几里得距离无法有效地求的两个弯曲道路之间的距离。如图8中a点对应的两个弯曲道路，可以看到他们整体上的波形形状很相似，但在时间轴上却是不对齐的。例如在第20个时间点的时候，实线波形的a点会对应于虚线波形的b’点，这样传统的通过比较距离来计算相似性很明显不靠谱。实线的a点对应的b点才是正确的，对应于图9中的道路中的各个定位点与其对应定位点之间的距离，便可以确定出距离最小的两个平行道路。
具体的，本实施例中DTW算法的步骤为：先计算两个序列各个点之间的距离矩阵；寻找一条从矩阵左上角到右下角的路径，使得路径上的元素和最小。假设矩阵为M，从矩阵左上角(1,1)到任一点(i,j)的最短路径长度为Lmin(i,j)。那么可以用递归算法求最短路径长度：其中，路径的起始条件为：Lmin(1,1)＝M(1,1)，路径的递推规则为：
Lmin(1,1)＝min{Lmin(i,j-1),Lmin(i-1,j),Lmin(i-1,j-1)}+M(i,j)
通过上述得到的基于矩阵中的最小元素对应的路径长度，确定路网中位置相近的两条道路之间的相似度。
在步骤S2414中，将相似度大于相似度阈值时对应的两条道路，识别为平行道路。
图10为本申请实施例提供的一种平行道路的示意图。
如图10所示，在计算得到位置相近的两条道路之间的相似度之后，基于设定的相似度阈值，将相似度大于相似度阈值时对应的两条道路，识别为平行道路，如图10中的道路1010。本实施例中通过上述方式确定平行道路，提高了道路检测和识别的精确度，进而为道路属性的判断提供可靠的信息。
仅仅筛选出平行道路并不能够完全获取到高准确的危险道路，道路拓扑结构只是危险道路存在的一个可能性，因为仍然存在大量非危险道路，因此，还需要在平行路基础上结合提取出的轨迹特征筛选出针对该类道路的特征，再进行相应的规则定义，筛选出较大程度上是危险道路的路段提供给作业人员。因为前面较好较全面的对道路特征进行了提取处理，同时针对平行道路流量差异，我们首先筛选出道路类型为国省县道路为作业范围，对不同道路属性情况下，流量贯通比和百米轨迹密度比进行不同的规则定义，密度比率选取影响最终结果正确率，且规则定义密度比率不能自动学习最佳密度率，同时，如果设置过大，将影响结果正确率，设置过小，将影响召回，这就需要我们在算法使用过程中，依照不同道路类型，不同的路段设置不同的类型值的密度比率。
如图11所示，本实施例中可以在当道路属性为普通道路时，过滤定位点密度比为2000以下的道路，得到不便于骑行的危险道路；当道路属性为上下线分离道路时，过滤定位点密度比为500以下的道路，得到不便于骑行的危险道路，如图11中的箭头1110所指向的道路和箭头1120所指向的道路。除此之外，本实施例中还可基于贯通量比率或者行驶速度等做危险道路的筛选，此处不做赘述。
如图12所示，在检测到平行道路之后，例如图12中的机动车道和自行车道，即自行车道标识1210对应的车道为自行车道，本实施例中在确定道路对应的道路行驶特征符合可骑行的非危险道路时，可以将该道路进行导航推荐。
在本申请的一个实施例中，指定道路的属性包括不便于步骑的危险道路；根据指定道路的类型以及道路行驶特征，确定指定道路的属性之后，还包括：获取已知危险道路的信息和非危险道路的信息；从路网中危险道路的信息中剔除已知危险道路的信息和非危险道路的信息，得到待处理危险道路的信息；基于待处理危险道路的信息，在道路导航数据库中修改待处理危险道路的属性。
在本申请的一个实施例中，对通过规则定义算法筛选出来的危险道路可以作为我们数据的初筛结果，其中包含我们线上数据已经完成作业的危险道路和已经推送过但是作业认为错误的道路，以及先验知识指导已知不被定义为危险道路的内部路，因此，我们依照作业规范及交通理论，对初筛结果进行二次过滤。具体的二次过滤的条件为：过滤目前线上已经存在的危险道路，不需要进行作业；对已经推送过但是作业人员认为非危险道路的路段，不需要进行作业；过滤目前线上内部道路，不需要进行作业。经过初筛，二次精筛后的结果，即为我们的挖掘成果经由作业人员判断修改实际问题路段，进行修复我们路网数据中不存在危险道路路段，为导航数据提供可靠的数据支撑。
通过原始道路作业方法最后得到的有效率如表1所示：
Figure BDA0002745135460000201
表1
基于上述道路属性的检测方法，试生产有效率如表2所示：
Figure BDA0002745135460000202
表2
基于上述道路属性的检测方法，实际生产作业有效率如表3所示：
Figure BDA0002745135460000203
表3
可以看到，当前本实施例已于专题危险道路挖掘中实施，周挖掘城市5-8个，产出情报8000-15000，有效率40％～60％+；经过最新的结合车流量定位点密度过滤方案后，保证召回一定的程度下，在试生产和实际生产作业阶段都能够极大提升了结果有效率，提高危险道路有效量，达到生产作业要求。不仅提升了改善覆盖率，改善频次，节省了路采人力物资成本，大大提升了目前危险道路情报有效量。
本实施例使用的方法，是基于平行道路上的危险道路检测方法，但是在非平行道路中也仍然存在大量的危险道路，所以，要进一步优化方案，可以尝试对非平行道路数据特征进行提取，但是单一的定位点密度不能够正确反映出其危险道路属性，需要引入更多的其他轨迹数据特征，且进一步的单一的规则计算很显然也不能够满足非平行道路中的危险道路提取需求。可以尝试采用更多机器学习模型进行分类。
本申请实施例通过采集各个数据源的步骑行用户轨迹数据，对各个数据源的轨迹数据进行轨迹融合后完成轨迹数据清洗，再经过路网匹配后，得到我们挖掘出深层次的步骑行用户轨迹特征；同时结合手机地图用户，滴滴用户及其他合作厂商提供的用户车辆行驶轨迹数据，进行数据清洗，压缩及过滤，经过路网匹配后，得到我们挖掘深层信息可用的全国车行轨迹数据特征；结合道路拓扑关系中平行道路建立基于平行道路拓扑关系的轨迹数据特征，并进行对应特征提取；计算不同道路等级情况下车行和骑行轨迹百米定位点密度倍数比，结合先验知识再经由经验规则过滤，自动化挖掘实际道路中存在不适合步骑行导航的危险道路路段，解决现路采方法效率低，成本高，时效性低等问题，提升道路数据更新效率，准确率，时效性；高效提升基于道路关系的地图服务数据准确性，改善导航服务等用户体验。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的检测道路属性的方法。可以理解的是，所述装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该装置为一个应用软件；该装置可以用于执行本申请实施例提供的方法中的相应步骤。对于本申请装置实施例中未披露的细节，请参照本申请上述的检测道路属性的方法的实施例。
图13示出了根据本申请的一个实施例的检测道路属性的装置的框图。
参照图13所示，根据本申请的一个实施例的检测道路属性的装置1300，包括：获取单元1310，用于获取车行轨迹数据和步骑轨迹数据，所述步骑轨迹数据包括步行轨迹数据和骑行轨迹数据中的至少一种；提取单元1320，用于从所述步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征，从所述车行轨迹数据中提取出表示道路车行情况的车行轨迹特征；特征单元1330，用于基于指定道路对应的步骑轨迹特征与所述指定道路对应的车行轨迹特征，确定所述指定道路对应的道路行驶特征；属性单元1340，用于根据所述指定道路的类型以及所述道路行驶特征，确定所述指定道路的属性。
在本申请的一些实施例中，基于前述方案，所述检测道路属性的装置1300还包括：轨迹参数单元，用于在获取到所述车行轨迹数据和所述步骑轨迹数据之后，确定所述车行轨迹数据和所述步骑轨迹数据分别对应的轨迹参数；检测单元，用于基于预设的轨迹阈值，以及所述车行轨迹数据和所述步骑轨迹数据分别对应的轨迹参数，检测所述车行轨迹数据和步骑轨迹数据中的冗余轨迹；删除单元，用于删除所述车行轨迹数据和所述步骑轨迹数据中的所述冗余轨迹。
在本申请的一些实施例中，基于前述方案，所述检测单元用于执行以下步骤中的至少一个：将所述车行轨迹数据中的定位点总数小于第一阈值时的轨迹识别为无效轨迹；将满足如下条件的轨迹识别为杂乱轨迹：所述定位点总数大于第二阈值、相邻定位点偏移角度大于第三阈值的定位点数量大于第四阈值、并且相邻定位点偏移角度的平方差大于第五阈值；将各定位点之间的距离总和小于第六阈值时的轨迹识别为过短轨迹；将定位点总数大于所述第一阈值、且偏离路网的定位点数量大于第六阈值时的轨迹识别为漂移轨迹；将定位点总数大于所述第一阈值、且与路网的偏离角度大于设定条件的时轨迹识别为曲折轨迹；将所述车行轨迹数据中的定位点速度小于第七阈值时的轨迹识别为步行轨迹。
在本申请的一些实施例中，基于前述方案，所述提取单元1320用于：基于所述步骑轨迹数据中的位置信息以及路网中的道路位置之间的匹配结果，确定路网中各道路对应的步骑轨迹数据；从所述各道路对应的步骑轨迹数据中，提取出表示所述各道路的步骑情况的步骑轨迹特征；
在本申请的一些实施例中，基于前述方案，所述提取单元1320用于：基于所述车行轨迹数据中的位置信息以及路网中的道路位置之间的匹配结果，确定路网中各道路对应的车行轨迹数据；从所述各道路对应的车行轨迹数据中，提取出表示所述各道路的车行情况的车行轨迹特征。
在本申请的一些实施例中，基于前述方案，所述步骑轨迹特征包括步骑定位点密度；所述车行轨迹特征包括车行定位点密度；所述提取单元1320包括：道路确定单元，用于基于所述步骑轨迹数据在路网中的位置，确定所述指定路段对应的目标道路；道路检测单元，用于检测所述目标道路的长度、以及在所述目标道路中布设的定位点的数目；第一特征单元，用于根据所述定位点的数目与所述目标道路的长度之间的商，确定所述指定路段对应的步骑定位点密度。
在本申请的一些实施例中，基于前述方案，所述道路行驶特征包括定位点密度比；所述特征单元1330用于：基于第一时间段内采集到的车行轨迹数据对应的车行定位点密度、以及第二时间段内采集到的步骑轨迹数据对应的步骑定位点密度之间的比值，确定所述定位点密度比，其中，所述第一时间段小于所述第二时间段。
在本申请的一些实施例中，基于前述方案，所述提取单元1320用于从所述步骑轨迹数据中检测贯通所述指定路段的步骑轨迹数量，将所述步骑轨迹数量作为所述步骑轨迹特征；
在本申请的一些实施例中，基于前述方案，所述提取单元1320用于从所述车行轨迹数据中检测贯通所述指定路段的车行轨迹数量，将所述车行轨迹数量作为所述车行轨迹特征。
在本申请的一些实施例中，基于前述方案，所述道路行驶特征包括贯通量比率；所述特征单元1330用于：基于第一时间段内采集到的车行轨迹数据对应的车行轨迹数量、以及第二时间段内采集到的步骑轨迹数据对应的步骑轨迹数量之间的比值，确定所述贯通量比率。
在本申请的一些实施例中，基于前述方案，道路行驶特征包括如下至少一种：表示步骑道路中定位点数量和车行道路中定位点数量之比的定位点密度比、表示车行轨迹数量和步骑轨迹数量比例的贯通量比率；所述属性单元1340包括：道路检测单元，用于基于路网中各道路的位置信息，检测所述路网中的平行道路；危险道路单元，用于若所述指定道路的类型为所述平行道路，且所述道路行驶特征大于设定阈值，则确定所述指定道路的属性为不便于步骑的危险道路。
在本申请的一些实施例中，基于前述方案，所述道路检测单元包括：路口提取单元，用于从路网的拓扑结构中提取路口位置；道路相近单元，用于基于所述路口位置从所述路网中确定位置相近的道路；计算单元，用于基于所述路网中各道路的位置信息，计算所述位置相近的道路之间的相似度；平行道路单元，用于将所述相似度大于相似度阈值时对应的两条道路，识别为所述平行道路。
在本申请的一些实施例中，基于前述方案，所述计算单元用于：基于所述各道路中定位点的位置信息，计算所述各道路中定位点之间的距离构成的矩阵；通过递归的方式，检测所述矩阵中各行或者各列中的最小元素，得到所述矩阵中的最小元素；基于所述矩阵中的最小元素对应的路径长度，确定所述路网中所述位置相近的两条道路之间的相似度。
在本申请的一些实施例中，基于前述方案，所述指定道路的属性包括不便于步骑的危险道路；所述检测道路属性的装置1300还用于：获取已知危险道路的信息和非危险道路的信息；从所述路网中危险道路的信息中剔除所述已知危险道路的信息和非危险道路的信息，得到待处理危险道路的信息；基于所述待处理危险道路的信息，在道路导航数据库中修改所述待处理危险道路的属性。
图14示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图14示出的电子设备的计算机系统1400仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图14所示，计算机系统1400包括中央处理单元(Central Processing Unit，CPU)1401，其可以根据存储在只读存储器(Read-Only Memory，ROM)1402中的程序或者从储存部分1408加载到随机访问存储器(RandomAccess Memory，RAM)1403中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1403中，还存储有系统操作所需的各种程序和数据。CPU 1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(Input/Output，I/O)接口1405也连接至总线1404。
以下部件连接至I/O接口1405：包括键盘、鼠标等的输入部分1406；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1407；包括硬盘等的储存部分1408；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1409。通信部分1409经由诸如因特网的网络执行通信处理。驱动器1410也根据需要连接至I/O接口1405。可拆卸介质1411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1410上，以便于从其上读出的计算机程序根据需要被安装入储存部分1408。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1409从网络上被下载和安装，和/或从可拆卸介质1411被安装。在该计算机程序被中央处理单元(CPU)1401执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (13)

1.一种检测道路属性的方法，其特征在于，包括：
获取车行轨迹数据和步骑轨迹数据，所述步骑轨迹数据包括步行轨迹数据和骑行轨迹数据中的至少一种；
根据所述车行轨迹数据和所述步骑轨迹数据，确定所述车行轨迹数据和所述步骑轨迹数据分别对应的轨迹参数；
基于预设的轨迹阈值，以及所述车行轨迹数据和所述步骑轨迹数据分别对应的轨迹参数，检测所述车行轨迹数据和步骑轨迹数据中的冗余轨迹；
将所述车行轨迹数据中的定位点总数小于第一阈值时的轨迹识别为无效轨迹；
将满足如下条件的轨迹识别为杂乱轨迹：所述定位点总数大于第二阈值、相邻定位点偏移角度大于第三阈值的定位点数量大于第四阈值、并且相邻定位点偏移角度的平方差大于第五阈值；
将各定位点之间的距离总和小于第六阈值时的轨迹识别为过短轨迹；
将定位点总数大于所述第一阈值、且偏离路网的定位点数量大于第六阈值时的轨迹识别为漂移轨迹；
将定位点总数大于所述第一阈值、且与路网的偏离角度大于设定条件的时轨迹识别为曲折轨迹；
将所述车行轨迹数据中的定位点速度小于第七阈值时的轨迹识别为步行轨迹；
将所述无效轨迹、所述杂乱轨迹、所述过短轨迹、所述漂移轨迹、所述曲折轨迹以及所述步行轨迹确定为所述冗余轨迹，并将所述冗余轨迹删除；
从剩余的所述步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征，从所述车行轨迹数据中提取出表示道路车行情况的车行轨迹特征；
基于指定道路对应的步骑轨迹特征与所述指定道路对应的车行轨迹特征，确定所述指定道路对应的道路行驶特征；
根据所述指定道路的类型以及所述道路行驶特征，确定所述指定道路的属性。
2.根据权利要求1所述的方法，其特征在于，从所述步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征，包括：
基于所述步骑轨迹数据中的位置信息以及路网中的道路位置之间的匹配结果，确定路网中各道路对应的步骑轨迹数据；
从所述各道路对应的步骑轨迹数据中，提取出表示所述各道路的步骑情况的步骑轨迹特征；
从所述车行轨迹数据中提取出表示道路车行情况的车行轨迹特征，包括：
基于所述车行轨迹数据中的位置信息以及路网中的道路位置之间的匹配结果，确定路网中各道路对应的车行轨迹数据；
从所述各道路对应的车行轨迹数据中，提取出表示所述各道路的车行情况的车行轨迹特征。
3.根据权利要求2所述的方法，其特征在于，所述步骑轨迹特征包括步骑定位点密度；所述车行轨迹特征包括车行定位点密度；
从所述步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征，包括：
基于所述步骑轨迹数据在路网中的位置，确定指定路段对应的目标道路；
检测所述目标道路的长度、以及在所述目标道路中布设的定位点的数目；
根据所述定位点的数目与所述目标道路的长度之间的商，确定所述指定路段对应的步骑定位点密度。
4.根据权利要求3所述的方法，其特征在于，所述道路行驶特征包括定位点密度比；
基于指定道路对应的步骑轨迹特征与所述指定道路对应的车行轨迹特征之间的比值，确定所述指定道路对应的道路行驶特征，包括：
基于第一时间段内采集到的车行轨迹数据对应的车行定位点密度、以及第二时间段内采集到的步骑轨迹数据对应的步骑定位点密度之间的比值，确定所述定位点密度比，其中，所述第一时间段小于所述第二时间段。
5.根据权利要求4所述的方法，其特征在于，从所述步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征，包括：
从所述步骑轨迹数据中检测贯通所述指定路段的步骑轨迹数量，将所述步骑轨迹数量作为所述步骑轨迹特征；
从所述车行轨迹数据中提取出表示道路车行情况的车行轨迹特征，包括：
从所述车行轨迹数据中检测贯通所述指定路段的车行轨迹数量，将所述车行轨迹数量作为所述车行轨迹特征。
6.根据权利要求5所述的方法，其特征在于，所述道路行驶特征包括贯通量比率；
基于指定道路对应的步骑轨迹特征与所述指定道路对应的车行轨迹特征之间的比值，确定所述指定道路对应的道路行驶特征，包括：
基于第一时间段内采集到的车行轨迹数据对应的车行轨迹数量、以及第二时间段内采集到的步骑轨迹数据对应的步骑轨迹数量之间的比值，确定所述贯通量比率。
7.根据权利要求6所述的方法，其特征在于，道路行驶特征包括如下至少一种：表示步骑道路中定位点数量和车行道路中定位点数量之比的定位点密度比、表示车行轨迹数量和步骑轨迹数量比例的贯通量比率；
根据所述指定道路的类型以及所述道路行驶特征，确定所述指定道路的属性，包括：
基于路网中各道路的位置信息，检测所述路网中的平行道路；
若所述指定道路的类型为所述平行道路，且所述道路行驶特征大于设定阈值，则确定所述指定道路的属性为不便于步骑的危险道路。
8.根据权利要求7所述的方法，其特征在于，基于路网中各道路的位置信息，检测所述路网中的平行道路，包括：
从路网的拓扑结构中提取路口位置；
基于所述路口位置从所述路网中确定位置相近的道路；
基于所述路网中各道路的位置信息，计算所述位置相近的道路之间的相似度；
将所述相似度大于相似度阈值时对应的两条道路，识别为所述平行道路。
9.根据权利要求8所述的方法，其特征在于，基于所述路网中各道路的位置信息，计算所述位置相近的道路之间的相似度，包括：
基于所述各道路中定位点的位置信息，计算所述各道路中定位点之间的距离构成的矩阵；
通过递归的方式，检测所述矩阵中各行或者各列中的最小元素，得到所述矩阵中的最小元素；
基于所述矩阵中的最小元素对应的路径长度，确定所述路网中所述位置相近的两条道路之间的相似度。
10.根据权利要求9所述的方法，其特征在于，所述指定道路的属性包括不便于步骑的危险道路；
根据所述指定道路的类型以及所述道路行驶特征，确定所述指定道路的属性之后，还包括：
获取已知危险道路的信息和非危险道路的信息；
从所述路网中危险道路的信息中剔除所述已知危险道路的信息和非危险道路的信息，得到待处理危险道路的信息；
基于所述待处理危险道路的信息，在道路导航数据库中修改所述待处理危险道路的属性。
11.一种检测道路属性的装置，其特征在于，包括：
获取单元，用于获取车行轨迹数据和步骑轨迹数据，所述步骑轨迹数据包括步行轨迹数据和骑行轨迹数据中的至少一种；根据所述车行轨迹数据和所述步骑轨迹数据，确定所述车行轨迹数据和所述步骑轨迹数据分别对应的轨迹参数；基于预设的轨迹阈值，以及所述车行轨迹数据和所述步骑轨迹数据分别对应的轨迹参数，检测所述车行轨迹数据和步骑轨迹数据中的冗余轨迹；将所述车行轨迹数据中的定位点总数小于第一阈值时的轨迹识别为无效轨迹；将满足如下条件的轨迹识别为杂乱轨迹：所述定位点总数大于第二阈值、相邻定位点偏移角度大于第三阈值的定位点数量大于第四阈值、并且相邻定位点偏移角度的平方差大于第五阈值；将各定位点之间的距离总和小于第六阈值时的轨迹识别为过短轨迹；将定位点总数大于所述第一阈值、且偏离路网的定位点数量大于第六阈值时的轨迹识别为漂移轨迹；将定位点总数大于所述第一阈值、且与路网的偏离角度大于设定条件的时轨迹识别为曲折轨迹；将所述车行轨迹数据中的定位点速度小于第七阈值时的轨迹识别为步行轨迹；将所述无效轨迹、所述杂乱轨迹、所述过短轨迹、所述漂移轨迹、所述曲折轨迹以及所述步行轨迹确定为所述冗余轨迹，并将所述冗余轨迹删除；
提取单元，用于从剩余的所述步骑轨迹数据中提取出表示道路步骑情况的步骑轨迹特征，从所述车行轨迹数据中提取出表示道路车行情况的车行轨迹特征；
特征单元，用于基于指定道路对应的步骑轨迹特征与所述指定道路对应的车行轨迹特征，确定所述指定道路对应的道路行驶特征；
属性单元，用于根据所述指定道路的类型以及所述道路行驶特征，确定所述指定道路的属性。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至10中任一项所述的检测道路属性的方法。
13.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至10中任一项所述的检测道路属性的方法。
CN202011163905.2A 2020-10-27 2020-10-27 检测道路属性的方法、装置、计算机可读介质及电子设备 Active CN112163166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011163905.2A CN112163166B (zh) 2020-10-27 2020-10-27 检测道路属性的方法、装置、计算机可读介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011163905.2A CN112163166B (zh) 2020-10-27 2020-10-27 检测道路属性的方法、装置、计算机可读介质及电子设备

Publications (2)

Publication Number Publication Date
CN112163166A CN112163166A (zh) 2021-01-01
CN112163166B true CN112163166B (zh) 2022-10-14

Family

ID=73864786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011163905.2A Active CN112163166B (zh) 2020-10-27 2020-10-27 检测道路属性的方法、装置、计算机可读介质及电子设备

Country Status (1)

Country Link
CN (1) CN112163166B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699202B (zh) * 2021-01-14 2022-02-08 腾讯科技（深圳）有限公司 禁行道路的识别方法、装置、电子设备及存储介质
CN113902830B (zh) * 2021-12-08 2022-03-04 腾讯科技（深圳）有限公司 轨迹路网生成方法
CN114528365A (zh) * 2022-02-21 2022-05-24 北京百度网讯科技有限公司 高速公路停车区域的识别方法及装置、电子设备和介质
CN115334167B (zh) * 2022-06-30 2023-06-09 西安电子科技大学广州研究院 一种角度阈值自适应的轨迹压缩方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816982A (zh) * 2019-02-25 2019-05-28 东南大学 基于共享单车轨迹的虚拟路网非机动车道属性修正方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106840176B (zh) * 2016-12-28 2020-01-31 济宁中科先进技术研究院有限公司 Gps时空数据增量路网实时更新和轨迹匹配系统
CN106949897B (zh) * 2017-02-28 2020-08-07 四川九洲电器集团有限责任公司 一种在地图中生成道路的方法及装置
CN110411440B (zh) * 2018-04-27 2021-10-26 百度在线网络技术（北京）有限公司 一种道路采集方法、装置、服务器及存储介质
CN109919518B (zh) * 2019-03-29 2021-08-03 百度在线网络技术（北京）有限公司 地图轨迹匹配数据的质量确定方法、装置、服务器及介质
CN110222667B (zh) * 2019-06-17 2023-04-07 南京大学 一种基于计算机视觉的开放道路交通参与者数据采集方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816982A (zh) * 2019-02-25 2019-05-28 东南大学 基于共享单车轨迹的虚拟路网非机动车道属性修正方法

Also Published As

Publication number Publication date
CN112163166A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN112163166B (zh) 检测道路属性的方法、装置、计算机可读介质及电子设备
CN110516888B (zh) 轨迹预测方法、装置、电子设备和计算机可读存储介质
CN106323301B (zh) 一种道路情报的获取方法及装置
CN107195180B (zh) 一种基于电警数据的交通出行轨迹提取方法和装置
US11022457B2 (en) Method, apparatus, and computer program product for lane-level route guidance
CN108961758B (zh) 一种基于梯度提升决策树的路口展宽车道探测方法
CN103150177A (zh) 一种更新公交线路数据的方法、装置和系统
KR20140034869A (ko) 정보 수집 및 검색을 통한 루트의 제공 기법
CN101275841A (zh) 地物信息收集装置及地物信息收集方法
CN114428828A (zh) 基于行驶轨迹挖掘新增道路方法、装置及电子设备
CN112927513B (zh) 一种实时在线交通仿真方法及系统
CN110532250B (zh) 交规数据的处理方法及装置
CN112598192B (zh) 一种车辆进入物流园区的预测方法、装置、存储介质及终端
CN113868492A (zh) 一种基于电警、卡口数据的可视化od分析方法及应用
Jones et al. Parkus 2.0: Automated cruise detection for parking availability inference
CN114170797A (zh) 交通限制路口的识别方法、装置、设备、介质及产品
CN110675631A (zh) 一种交通流溯源分析方法及系统
CN111047860A (zh) 一种车辆运行轨迹提取方法
Yu et al. A hybrid dead reckoning error correction scheme based on extended Kalman filter and map matching for vehicle self-localization
Li et al. An automatic extraction method of coach operation information from historical trajectory data
Shen et al. A method of traffic travel status segmentation based on position trajectories
CN116629425A (zh) 车辆能耗的计算方法、装置、计算机可读介质及电子设备
Tchuente et al. Providing more regular road signs infrastructure updates for connected driving: A crowdsourced approach with clustering and confidence level
CN112923941B (zh) 路线规划方法、数据挖掘方法、相应的装置及电子设备
Qing et al. Using feature interaction among GPS Data for road intersection detection

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40037828

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant