CN113177042A - 一种地图轨迹线路处理方法及装置 - Google Patents

一种地图轨迹线路处理方法及装置 Download PDF

Info

Publication number
CN113177042A
CN113177042A CN202110517312.XA CN202110517312A CN113177042A CN 113177042 A CN113177042 A CN 113177042A CN 202110517312 A CN202110517312 A CN 202110517312A CN 113177042 A CN113177042 A CN 113177042A
Authority
CN
China
Prior art keywords
data
road section
point data
map
acquisition point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110517312.XA
Other languages
English (en)
Other versions
CN113177042B (zh
Inventor
刘坤
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.)
China Mobile Communications Group Co Ltd
China Mobile Shanghai ICT Co Ltd
CM Intelligent Mobility Network Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Shanghai ICT Co Ltd
CM Intelligent Mobility Network 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 China Mobile Communications Group Co Ltd, China Mobile Shanghai ICT Co Ltd, CM Intelligent Mobility Network Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202110517312.XA priority Critical patent/CN113177042B/zh
Publication of CN113177042A publication Critical patent/CN113177042A/zh
Application granted granted Critical
Publication of CN113177042B publication Critical patent/CN113177042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Navigation (AREA)

Abstract

本发明提供一种地图轨迹线路处理方法及装置，涉及地图线路轨迹领域。该方法包括：获取车辆的采集点数据；采用分段算法模型，将所述采集点数据划分为不同路段的路段数据；对所述路段数据进行数据清洗处理，得到轨迹线路；所述数据清洗处理包括：删除错误数据、补充漏点数据、删除重复数据中的至少一项；将所述轨迹线路导入地图数据。本发明的方案，解决了现有技术中地图轨迹线路计算准确度低的问题。

Description

一种地图轨迹线路处理方法及装置
技术领域
本发明涉及轨迹地图领域，特别是指一种地图轨迹线路处理方法及装置。
背景技术
随着地图应用的不断发展，在自动驾驶领域、车辆位置监控领域对地图的轨迹线路要求的多样化，因此需要使用智能化的线路清洗、过滤错误的数据、新增缺失的数据，使地图轨迹线路正确无误的导入电子地图。当前常见的轨迹线路导入方法主要分为两类：1.基于地图：用地图采集设备获取采点原始数据，根据坐标系的不同转换成地图对应坐标，再人工手动导入到数据库表，该类方法中，对于采集错误点和漏点，没有做进一步的数据清洗和补点，因此在计算样本有错误的场合并不适用。2.原始采点数据导入到专业空间数据库(如postgis、ArcSDE)，再利用空间地图特有的功能完成，该类方法通过电子地图提供的自动线路生成功能完成电子地图轨迹绘制，假如电子地图更换或升级会导致数据不准确和相应的变更成本。
发明内容
本发明的目的是提供一种地图轨迹线路处理方法及装置，已解决现有技术中地图轨迹线路计算准确度低的问题。
为达到上述目的，本发明的实施例提供一种地图轨迹线路处理方法，包括：
获取车辆的采集点数据；
采用分段算法模型，将采集点数据划分为不同路段的路段数据；
对路段数据进行数据清洗处理，得到轨迹线路；数据清洗处理包括：删除错误数据、补充漏点数据、删除重复数据中的至少一项；
将轨迹线路导入地图数据。
可选地，所述采集点数据包括：采集点经度、采集点纬度、采集点方向角和采集点移动速度中的至少一项。
可选地，所述路段包括：直线路段、弧线路段、圆形路段。
可选地，采用分段算法模型，将所述采集点数据划分为不同路段的路段数据的步骤，包括：
根据第一阈值，将所述采集点数据划分为直线路段的路段数据；
根据第二阈值，将所述采集点数据划分为弧线路段或圆形路段的路段数据。
可选地，根据第一阈值，将所述采集点数据划分为直线路段的路段数据的步骤，包括：
从所述采集点数据中的第一采集点数据开始，依次计算相邻的采集点数据的方向角偏差值；
若所述方向角偏差值小于所述第一阈值，则将对应数据划分为直线路段的路段数据。
可选地，所述地图轨迹线路处理方法还包括：
若相邻的采集点数据的方向角偏差值大于或等于所述第一阈值，则根据第二阈值，将所述采集点数据划分为弧线路段或圆形路段的路段数据。
可选地，根据第二阈值，将所述采集点数据划分为弧线路段或圆形路段的路段数据步骤包括：
若从所述采集点数据中的第二采集点数据开始，依次计算相邻的采集点数据的方向角偏差值；
若所述方向角偏差值小于所述第二阈值，则将对应数据划分为弧线路段的路段数据；
若所述方向角偏差值大于或等于所述第二阈值，则将对应数据划分为圆形路段的路段数据。
可选地，所述地图轨迹线路处理方法还包括：
提取不同路段的路段数据的特征点；
将所述特征点中方差值大于阈值的特征点确定为目标特征点；
根据所述目标特征点在所述路段数据中的权重，确定所述第一阈值和所述第二阈值。
可选地，对所述路段数据进行数据清洗处理，得到轨迹线路的步骤，包括：
采用大数据分析和GeoHash算法，在所述路段数据中查找错误数据；
采用道格拉斯生产函数，预测所述路段数据中目标采集点数据的漏点数据；
在所述路段数据中删除所述错误数据，补充所述漏点数据，得到轨迹线路。
可选地，采用大数据分析和GeoHash算法，在所述路段数据中查找错误数据的步骤，包括：
计算连续两个采集点数据之间的经纬度差值的比值偏差；
根据所述比值偏差，计算连续两个采集点数据之间的直线距离；
根据所述直线距离，计算连续两个采集点数据的偏差值；
根据所述偏差值，查找所述路段数据中的错误数据。
可选地，采用道格拉斯生产函数，预测所述路段数据中目标采集点数据的漏点数据的步骤，包括：
采用道格拉斯生产函数，获取所述路段数据中所有采集点的航向角集合以及经纬度集合；
根据所述航向角集合和所述经纬度集合，预测所述路段数据中目标采集点数据的经纬度数据，得到漏点数据。
为达到上述目的，本发明的实施例提供一种地图轨迹线路处理装置，包括获取模块，用于获取车辆的采集点数据；
划分模块，用于采用分段算法模型，将采集点数据划分为不同路段的路段数据；
清洗模块，用于对路段数据进行数据清洗处理，得到轨迹线路；数据清洗处理包括：删除错误数据、补充漏点数据、删除重复数据中的至少一项；
导入模块，用于将轨迹线路导入地图数据。
可选地，所述采集点数据包括：采集点经度、采集点纬度、采集点方向角和采集点移动速度中的至少一项。
可选地，所述路段包括：直线路段、弧线路段、圆形路段。
可选地，所述划分模块包括：
第一划分子模块，用于根据第一阈值，将所述采集点数据划分为直线路段的路段数据；
第二划分子模块，用于根据第二阈值，将所述采集点数据划分为弧线路段或圆形路段的路段数据。
可选地，所述第一划分子模块包括：
第一计算单元，用于从所述采集点数据中的第一采集点数据开始，依次计算相邻的采集点数据的方向角偏差值；
第一划分单元，用于若所述方向角偏差值小于所述第一阈值，则将对应数据划分为直线路段的路段数据。
可选地，所述第二划分子模块用于：
若相邻的采集点数据的方向角偏差值大于或等于所述第一阈值，则根据第二阈值，将所述采集点数据划分为弧线路段或圆形路段的路段数据。
可选地，所述第二划分子模块包括：
第二计算单元，用于若从所述采集点数据中的第二采集点数据开始，依次计算相邻的采集点数据的方向角偏差值；
第二划分单元，用于若所述方向角偏差值小于所述第二阈值，则将对应数据划分为弧线路段的路段数据；
第三划分单元，用于若所述方向角偏差值大于或等于所述第二阈值，则将对应数据划分为圆形路段的路段数据。
可选地，所述地图轨迹线路处理装置还包括：
提取模块，用于提取不同路段的路段数据的特征点；
第一确定模块，用于将所述特征点中方差值大于阈值的特征点确定为目标特征点；
第二确定模块，用于根据所述目标特征点在所述路段数据中的权重，确定所述第一阈值和所述第二阈值。
可选地，所述清洗模块包括：
查找子模块，用于采用大数据分析和GeoHash算法，在所述路段数据中查找错误数据；
预测子模块，用于采用道格拉斯生产函数，预测所述路段数据中目标采集点数据的漏点数据；
处理子模块，用于在所述路段数据中删除所述错误数据，补充所述漏点数据，得到轨迹线路。
可选地，所述查找子模块包括：
第三计算单元，用于计算连续两个采集点数据之间的经纬度差值的比值偏差；
第四计算单元，用于根据所述比值偏差，计算连续两个采集点数据之间的直线距离；
第五计算单元，用于根据所述直线距离，计算连续两个采集点数据的偏差值；
查找单元，用于根据所述偏差值，查找所述路段数据中的错误数据。
可选地，所述预测子模块包括：
获取单元，用于采用道格拉斯生产函数，获取所述路段数据中所有采集点的航向角集合以及经纬度集合；
预测单元，用于根据所述航向角集合和所述经纬度集合，预测所述路段数据中目标采集点数据的经纬度数据，得到漏点数据。
为达到上述目的，本发明实施例提供一种电子设备，包括：收发器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；所述处理器执行所述程序或指令时实现如上所述的地图轨迹线路处理方法中的步骤。
为达到上述目的，本发明的实施例提供一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上所述的地图轨迹线路处理方法中的步骤。
本发明的上述技术方案的有益效果如下：
本发明实施例的地图轨迹线路处理方法及装置中，使用机器学习算法，根据车辆位置数据、高精定位、GPS坐标系、方向角、车速、车辆上报频率等信息分析每个数据采集点。使用大数据分类借助机器学习模型并利用已有的采集数据来清洗错误数据、补全漏点数据、删除重复数据，准确而全面的分析地图轨迹并导入电子地图实时展现。无需人为手动操作，所有步骤全部交给计算逻辑和算法模型，实现地图轨迹线路智能化导入。
附图说明
图1为本发明实施例的地图轨迹线路处理方法的流程图之一；
图2为本发明实施例的地图轨迹线路处理方法的流程图之二；
图3为本发明实施例的地图轨迹线路处理算法的流程图之三；
图4为本发明实施例的数据采集点机器学习算法的流程图；
图5为本发明实施例的采集位置点补漏点算法的示意图；
图6为本发明实施例的地图轨迹线路处理装置的结构示意图；
图7为本发明实施例的电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
另外，本文中术语“系统”和“网络”在本文中常可互换使用。
在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
如图1所示，本发明实施例的一种地图轨迹线路处理方法，包括但不限于如下步骤：
步骤11：获取车辆的采集点数据。
其中，采集点数据包括：采集点经度、采集点纬度、采集点方向角和采集点移动速度中的至少一项。采集点数据用于提供道路通行率、线路分段、依托大数据分析计算方法，多维度分析轨迹线路位置点分布情况，使判断结果更准确。例如，将车辆采集数据点按照指定的模板格式导入，如表1所示：
表1
模板数据项 GNSS_Long GNSS_Lat GNSS_Head SPEED
说明 采集点经度 采集点纬度 采集点方向角 采集移动速度
采集点按照表1的格式将采集点的数据整理，采集点数据既可以是高精定位，也可以是普通的GPS采集点。根据采集点的精度和每个采集点的采集密度结合采集数据平台分析，作为大数据分析的依据，调整数据清洗参数，从而获得理想数据。
步骤12：采用分段算法模型，将采集点数据划分为不同路段的路段数据。
路段包括：直线路段、弧线路段、圆形路段。引入路段分类结合道路通行分析方法，计算轨迹线路更全面。具体地，使用计算逻辑模块将样本数据分段为若干个路段：直线路段、转弯路段、环岛路段等导入到各个分段算法模型。根据轨迹导入采集点的数量i值的参数作为判断依据，设定区间范围方向角阈值、采点频率阈值，通过阈值计算结果判断线路类型。
步骤13：对路段数据进行数据清洗处理，得到轨迹线路；数据清洗处理包括：删除错误数据、补充漏点数据、删除重复数据中的至少一项。
根据样本分类、设置阈值、直线点的角度和距离以及转弯和环线线路根据权重删除，将采集样本导入机器学习算法模型进行多次样本分析，借助轨迹线路位置信息、交通路况信息、路段分布情况、对采集点合理分布智能化调整路段模型。
步骤14：将轨迹线路导入地图数据。
引入轨迹导入点路段拆分策略算法，借助大数据分析采集点和现有采集点比对，提供更完善的轨迹线路导入方法；结合位置点采集设备、分段线路模型、车辆速度、车辆方向角、道路通行率、车辆行驶时间等信息，综合判断轨迹线路路况使计算结果更可靠。
在本发明实施例的地图轨迹线路处理方法，如图2所示，包括：数据采集、数据分类、清洗、导入算法模型、数据轨迹、导入地图等流程。如图3所示，具体包括如下过程：采集样本导入、样本分类、数据验证、数据清洗、导入地图等流程。具体地，若数据验证成功，则进行数据清洗并导入地图；若数据验证失败，则删除数据。这样使用机器学习采集样本分类和样本分析模型算法,获取车辆实时位置、方向角、车速、地图坐标系等信息。以大数据分析结果为依据，删除错误采集点、新增遗漏采集点、过滤同一直线路段的相似采集点。依托大数据优势、分析轨迹线路车辆通行率，自动计算轨迹点的分布情况，将清洗后的采集数据导入地图。
下面将结合具体示例，对该方法做进一步说明。
上述步骤12包括：根据第一阈值，将采集点数据划分为直线路段的路段数据；根据第二阈值，将采集点数据划分为弧线路段或圆形路段的路段数据。
其中，根据第一阈值，将采集点数据划分为直线路段的路段数据的步骤包括：
从采集点数据中的第一采集点数据开始，依次计算相邻的采集点数据的方向角偏差值。例如，假设采集到轨迹点(即采集点数据)为[(lon1,lat1,head1),(lon2,lat2,head2),(lon3,lat3head3),…(loni,lati,headi)]。第一阈值为epsL和第一预处理阈值数量为epsN，从采集点数据的起点开始，计算第一个点和下一个点的方向角偏差值。
若方向角偏差值小于第一阈值，则将对应数据划分为直线路段的路段数据。如果第一个点和下一个点的方向角偏差值小于阈值epsL则两点是一条直线，如果大于阈值epsL则处理数量epsn加1，如果处理数量epsn的值大于epsN，则从处理数量epsn达到epsN后的第一个节点拆分此线段。
进一步地，该地图轨迹线路处理方法还包括：
若相邻的采集点数据的方向角偏差值大于或等于第一阈值，则根据第二阈值，将采集点数据划分为弧线路段或圆形路段的路段数据。
其中，根据第二阈值，将采集点数据划分为弧线路段或圆形路段的路段数据步骤包括：
从采集点数据中的第二采集点数据开始，依次计算与相邻的采集点数据的方向角偏差值；若方向角偏差值小于第二阈值，则将对应数据划分为弧线路段的路段数据；若方向角偏差值大于或等于第二阈值，则将对应数据划分为圆形路段的路段数据。
其中，判断线段是否是直线、弧线或圆，设定阈值epsL和线段前n个点集合epsC，根据线段前N项集合的坐标和方向角与阈值epsL的特征点差值判断是否是直线、弧线还是圆。可选地，区间范围方向角阈值设定：根据线段类型取经验值，直线方向角阈值连续差分值在5以内，弧线根据弧度递增和递减规律连续差分值在10以内。
具体地，上述划分路段的方法具体如下：
采点频率阈值epsilon设定：
将首尾点标记为保留点，首尾点连线记为线L1；
在首尾点之间的剩余点中找到距离L1最远的点P，如果点P到直线的距离d大于阈值epsilon，那么将点P标记为保留点，否则点P为待剔除点；
将首点和点P连接构成线L2；将尾点和点P连接构成线L3，分别重复步骤2；一直到点小于三个点时停止。其中，
SLi:直线路段采点集合；SLi＝[(i,loni,lati,headi),……]
ALi:弧线路段采集点集合；ALi＝[(i,loni,lati,headi),……]
CLi：圆形路段采集点集合；CLi＝[(i,loni,lati,headi),……]
i:表示采集点有序队列
lon:采集点经度
lat：采集点纬度
head:采集点方向角
上述阈值可以通过数据采集点机器学习过程确定，可选地，地图轨迹线路处理方法还包括：提取不同路段的路段数据的特征点；将特征点中方差值大于阈值的特征点确定为目标特征点；根据目标特征点在路段数据中的权重，确定第一阈值和第二阈值。
具体地，如图4所示，机器学习过程主要包括以下步骤：
读取数据样板：机器学习模块获取分段线路数据(直线、弧线、圆形)。
权重初始化：Xavier initialization算法使输入和输出相同分布。
提取特征点：根据采集点在线段的分布情况，以纬度、经度、方向角作为特征点，每一条线段采集点作为样本计算每个特征值的平均值。然后，每个样本的采集点和平均值的差值计算方差矩阵，从小到大排序特征值。
复杂特征点提取：计算各个特征点的方差值，然后根据阈值选择方差大于阈值的值。
权重学习：确定特征点在样本中的权重，结合权重结果得到采集点的偏差值和最终阈值。
进一步地，步骤13包括：
采用大数据分析和GeoHash算法，在路段数据中查找错误数据；
采用道格拉斯生产函数，预测路段数据中目标采集点数据的漏点数据；
在路段数据中删除错误数据，补充漏点数据，得到轨迹线路。
其中，采用大数据分析和GeoHash算法，在路段数据中查找错误数据的步骤，包括：
计算连续两个采集点数据之间的经纬度差值的比值偏差；
根据比值偏差，计算连续两个采集点数据之间的直线距离；
根据直线距离，计算连续两个采集点数据的偏差值；
根据偏差值，查找路段数据中的错误数据。
具体地，根据数据采集点逻辑验证模块结合大数据分析以及GeoHash查找偏差数据较大的数据采集点，给定偏差值Q，计算连续两个采集点之间的距离偏差、方向角偏差公式如下：
Figure BDA0003062113590000101
Lat＝rad[Point1(Plat)]-rad[Point0(Plat)]
Lon＝rad[Point1(Plon)]-rad[Point0(Plon)] (1)
偏差值Q等于相邻两点经纬度差值的比值偏差，每个分段线路分别计算偏差值Q。
rad()函数把角度转换为弧度，第二个点(Point1)的纬度(Plat)转换弧度(rad)减去第一个点(Point0)的纬度(Plat)转换弧度(rad)的差值等于两点间的纬度差；第二个点(Point1)的经度(Plon)转换弧度(rad)减去第一个点的纬度(Plon)转换弧度的差值等于两点间的纬度差。根据公式(1)和公式(2)可以计算出两个坐标点之间的直线距离：
Figure BDA0003062113590000102
根据公式(3)计算两点和阈值(x1,x2,…)的偏差值
R＝6378.2千米，R表示赤道的半径，实际偏差值
Figure BDA0003062113590000111
根据差值的计算结果，验证数据是否真实，删除错误采集点。
其中，采用道格拉斯生产函数，预测路段数据中目标采集点数据的漏点数据的步骤，包括：
采用道格拉斯生产函数，获取路段数据中所有采集点的航向角集合以及经纬度集合；
根据航向角集合和经纬度集合，预测路段数据中目标采集点数据的经纬度数据，得到漏点数据。
根据数据采集点逻辑验证模块，查询采集补全位置点使用补漏点算法补全位置点。如图5所示，根据地心到赤道半径距离ARC＝6377.83千米可得：
角α计算：由道格拉斯生产函数工具计算获得分段线路的所有采集点的航向角集合[head1,head2,head3,…headn]；
距离d计算：由道格拉斯生产函数工具计算获得该点所在分段线路的起点到该点的相邻点集合[(lon1,lat1),(lon2,lat2),(lon3,lat3),…(lonn,latn)]。
Figure BDA0003062113590000112
该算法使用横向平移的距离(dsinα)除以当前纬度切面周长(2πARC)，再每乘以360度)，计算出水平横向平移位置再加上该点的经度lon1，预测下一个点的位置lon2。
计算下一位置点的纬度，使用垂直平移的距离除以地球纵向周长再乘以360°，最后加上该位置的纬度lat1,预测下一个点的位置lat2，以得到漏点数据。
本发明实施例的地图轨迹线路处理方法，使用机器学习算法，根据车辆位置数据、高精定位、GPS坐标系、方向角、车速、车辆上报频率等信息分析每个数据采集点。使用大数据分类借助机器学习模型并利用已有的采集数据来清洗错误数据、补全漏点数据、删除重复数据，准确而全面的分析地图轨迹并导入电子地图实时展现。无需人为手动操作，所有步骤全部交给计算逻辑和算法模型，实现地图轨迹线路智能化导入。
以上介绍本发明实施例的地图轨迹线路处理方法实施例，下面将结合附图对其对应的装置实施例做进一步说明。
如图6所示，本发明实施例的地图轨迹线路处理装置600，包括但不限于如下功能模块：
获取模块610，用于获取车辆的采集点数据；
划分模块620，用于采用分段算法模型，将采集点数据划分为不同路段的路段数据；
清洗模块630，用于对路段数据进行数据清洗处理，得到轨迹线路；数据清洗处理包括：删除错误数据、补充漏点数据、删除重复数据中的至少一项；
导入模块640，用于将轨迹线路导入地图数据。
可选地，采集点数据包括：采集点经度、采集点纬度、采集点方向角和采集点移动速度中的至少一项。
可选地，路段包括：直线路段、弧线路段、圆形路段。
可选地，划分模块620包括：
第一划分子模块，用于根据第一阈值，将采集点数据划分为直线路段的路段数据；
第二划分子模块，用于根据第二阈值，将采集点数据划分为弧线路段或圆形路段的路段数据。
可选地，第一划分子模块包括：
第一计算单元，用于从采集点数据中的第一采集点数据开始，依次计算相邻的采集点数据的方向角偏差值；
第一划分单元，用于若方向角偏差值小于第一阈值，则将对应数据划分为直线路段的路段数据。
可选地，第二划分子模块用于：
若相邻的采集点数据的方向角偏差值大于或等于第一阈值，则根据第二阈值，将采集点数据划分为弧线路段或圆形路段的路段数据。
可选地，第二划分子模块包括：
第二计算单元，用于若从采集点数据中的第二采集点数据开始，依次计算相邻的采集点数据的方向角偏差值；
第二划分单元，用于若方向角偏差值小于第二阈值，则将对应数据划分为弧线路段的路段数据；
第三划分单元，用于若方向角偏差值大于或等于第二阈值，则将对应数据划分为圆形路段的路段数据。
可选地，地图轨迹线路处理装置600还包括：
提取模块，用于提取不同路段的路段数据的特征点；
第一确定模块，用于将特征点中方差值大于阈值的特征点确定为目标特征点；
第二确定模块，用于根据目标特征点在路段数据中的权重，确定第一阈值和第二阈值。
可选地，清洗模块630包括：
查找子模块，用于采用大数据分析和GeoHash算法，在路段数据中查找错误数据；
预测子模块，用于采用道格拉斯生产函数，预测路段数据中目标采集点数据的漏点数据；
处理子模块，用于在路段数据中删除错误数据，补充漏点数据，得到轨迹线路。
可选地，查找子模块包括：
第三计算单元，用于计算连续两个采集点数据之间的经纬度差值的比值偏差；
第四计算单元，用于根据比值偏差，计算连续两个采集点数据之间的直线距离；
第五计算单元，用于根据直线距离，计算连续两个采集点数据的偏差值；
查找单元，用于根据偏差值，查找路段数据中的错误数据。
可选地，预测子模块包括：
获取单元，用于采用道格拉斯生产函数，获取路段数据中所有采集点的航向角集合以及经纬度集合；
预测单元，用于根据航向角集合和经纬度集合，预测路段数据中目标采集点数据的经纬度数据，得到漏点数据。
值得说明的是，本装置实施例是与上述方法实施例对应的，上述方法实施例的所有实现方式均适用于该装置实施例中，并能达到相同的技术效果，为避免重复，不再赘述。
如图7所示，本发明实施例还提供了一种电子设备，包括收发器710、处理器700、存储器720及存储在所述存储器720上并可在所述处理器700上运行的程序或指令；所述处理器700执行所述程序或指令时实现上述地图轨迹线路处理方法中的步骤，并能达到相同的技术效果，为避免重复，这里不再赘述。
所述收发器710，用于在处理器700的控制下接收和发送数据。
其中，在图7中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器700代表的一个或多个处理器和存储器720代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发器710可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器700负责管理总线架构和通常的处理，存储器720可以存储处理器700在执行操作时所使用的数据。
本发明实施例的一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上所述的地图轨迹线路处理方法中的步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
进一步需要说明的是，此说明书中所描述的终端包括但不限于智能手机、平板电脑等，且所描述的许多功能部件都被称为模块，以便更加特别地强调其实现方式的独立性。
本发明实施例中，模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。
实际上，可执行代码模块可以是单条指令或者是许多条指令，并且甚至可以分布在多个不同的代码段上，分布在不同程序当中，以及跨越多个存储器设备分布。同样地，操作数据可以在模块内被识别，并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集，或者可以分布在不同位置上(包括在不同存储设备上)，并且至少部分地可以仅作为电子信号存在于系统或网络上。
在模块可以利用软件实现时，考虑到现有硬件工艺的水平，所以可以以软件实现的模块，在不考虑成本的情况下，本领域技术人员都可以搭建对应的硬件电路来实现对应的功能，所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
上述范例性实施例是参考该些附图来描述的，许多不同的形式和实施例是可行而不偏离本发明精神及教示，因此，本发明不应被建构成为在此所提出范例性实施例的限制。更确切地说，这些范例性实施例被提供以使得本发明会是完善又完整，且会将本发明范围传达给那些熟知此项技术的人士。在该些图式中，组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的，并无意成为限制用。如在此所使用地，除非该内文清楚地另有所指，否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时，表示所述特征、整数、步骤、操作、构件及/或组件的存在，但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示，陈述时，一值范围包含该范围的上下限及其间的任何子范围。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (14)

1.一种地图轨迹线路处理方法，其特征在于，包括：
获取车辆的采集点数据；
采用分段算法模型，将所述采集点数据划分为不同路段的路段数据；
对所述路段数据进行数据清洗处理，得到轨迹线路；所述数据清洗处理包括：删除错误数据、补充漏点数据、删除重复数据中的至少一项；
将所述轨迹线路导入地图数据。
2.根据权利要求1所述的地图轨迹线路处理方法，其特征在于，所述采集点数据包括：采集点经度、采集点纬度、采集点方向角和采集点移动速度中的至少一项。
3.根据权利要求1所述的地图轨迹线路处理方法，其特征在于，所述路段包括：直线路段、弧线路段、圆形路段。
4.根据权利要求3所述的地图轨迹线路处理方法，其特征在于，采用分段算法模型，将所述采集点数据划分为不同路段的路段数据的步骤，包括：
根据第一阈值，将所述采集点数据划分为直线路段的路段数据；
根据第二阈值，将所述采集点数据划分为弧线路段或圆形路段的路段数据。
5.根据权利要求4所述的地图轨迹线路处理方法，其特征在于，根据第一阈值，将所述采集点数据划分为直线路段的路段数据的步骤，包括：
从所述采集点数据中的第一采集点数据开始，依次计算相邻的采集点数据的方向角偏差值；
若所述方向角偏差值小于所述第一阈值，则将对应数据划分为直线路段的路段数据。
6.根据权利要求5所述的地图轨迹线路处理方法，其特征在于，还包括：
若相邻的采集点数据的方向角偏差值大于或等于所述第一阈值，则根据第二阈值，将所述采集点数据划分为弧线路段或圆形路段的路段数据。
7.根据权利要求4或6所述的地图轨迹线路处理方法，其特征在于，根据第二阈值，将所述采集点数据划分为弧线路段或圆形路段的路段数据步骤包括：
若从所述采集点数据中的第二采集点数据开始，依次计算相邻的采集点数据的方向角偏差值；
若所述方向角偏差值小于所述第二阈值，则将对应数据划分为弧线路段的路段数据；
若所述方向角偏差值大于或等于所述第二阈值，则将对应数据划分为圆形路段的路段数据。
8.根据权利要求4所述的地图轨迹线路处理方法，其特征在于，还包括：
提取不同路段的路段数据的特征点；
将所述特征点中方差值大于阈值的特征点确定为目标特征点；
根据所述目标特征点在所述路段数据中的权重，确定所述第一阈值和所述第二阈值。
9.根据权利要求1所述的地图轨迹线路处理方法，其特征在于，对所述路段数据进行数据清洗处理，得到轨迹线路的步骤，包括：
采用大数据分析和GeoHash算法，在所述路段数据中查找错误数据；
采用道格拉斯生产函数，预测所述路段数据中目标采集点数据的漏点数据；
在所述路段数据中删除所述错误数据，补充所述漏点数据，得到轨迹线路。
10.根据权利要求9所述的地图轨迹线路处理方法，其特征在于，采用大数据分析和GeoHash算法，在所述路段数据中查找错误数据的步骤，包括：
计算连续两个采集点数据之间的经纬度差值的比值偏差；
根据所述比值偏差，计算连续两个采集点数据之间的直线距离；
根据所述直线距离，计算连续两个采集点数据的偏差值；
根据所述偏差值，查找所述路段数据中的错误数据。
11.根据权利要求9所述的地图轨迹线路处理方法，其特征在于，采用道格拉斯生产函数，预测所述路段数据中目标采集点数据的漏点数据的步骤，包括：
采用道格拉斯生产函数，获取所述路段数据中所有采集点的航向角集合以及经纬度集合；
根据所述航向角集合和所述经纬度集合，预测所述路段数据中目标采集点数据的经纬度数据，得到漏点数据。
12.一种地图轨迹线路处理装置，其特征在于，包括
获取模块，用于获取车辆的采集点数据；
划分模块，用于采用分段算法模型，将所述采集点数据划分为不同路段的路段数据；
清洗模块，用于对所述路段数据进行数据清洗处理，得到轨迹线路；所述数据清洗处理包括：删除错误数据、补充漏点数据、删除重复数据中的至少一项；
导入模块，用于将所述轨迹线路导入地图数据。
13.一种电子设备，包括：收发器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；其特征在于，所述处理器执行所述程序或指令时实现如权利要求1至11任一项所述的地图轨迹线路处理方法中的步骤。
14.一种可读存储介质，其上存储有程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现如权利要求1至11任一项所述的地图轨迹线路处理方法中的步骤。
CN202110517312.XA 2021-05-12 2021-05-12 一种地图轨迹线路处理方法及装置 Active CN113177042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110517312.XA CN113177042B (zh) 2021-05-12 2021-05-12 一种地图轨迹线路处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110517312.XA CN113177042B (zh) 2021-05-12 2021-05-12 一种地图轨迹线路处理方法及装置

Publications (2)

Publication Number Publication Date
CN113177042A true CN113177042A (zh) 2021-07-27
CN113177042B CN113177042B (zh) 2023-03-31

Family

ID=76929148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110517312.XA Active CN113177042B (zh) 2021-05-12 2021-05-12 一种地图轨迹线路处理方法及装置

Country Status (1)

Country Link
CN (1) CN113177042B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265409A (zh) * 2021-12-24 2022-04-01 广州极飞科技股份有限公司 轨迹信息处理方法、装置及地面设备
CN115342822A (zh) * 2022-10-18 2022-11-15 智道网联科技(北京)有限公司 路口轨迹数据渲染方法、装置及系统
CN115659088A (zh) * 2022-12-12 2023-01-31 亿海蓝（北京）数据技术股份公司 航行轨迹展示方法、装置和可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615090A (zh) * 2009-06-30 2009-12-30 青岛海信电器股份有限公司 触摸信号检测方法及装置
CN103076878A (zh) * 2012-12-24 2013-05-01 深圳Tcl新技术有限公司 显示终端遥控操作方法及装置
CN104778836A (zh) * 2015-04-03 2015-07-15 江苏省交通规划设计院股份有限公司 基于手机信令数据质量感知的高速公路交通状态识别方法
CN107700280A (zh) * 2017-09-19 2018-02-16 中铁第勘察设计院集团有限公司 既有双线铁路线位重构方法
CN108180921A (zh) * 2017-12-22 2018-06-19 联创汽车电子有限公司 利用gps数据的ar-hud导航系统及其导航方法
CN110069585A (zh) * 2017-12-05 2019-07-30 腾讯科技（深圳）有限公司 轨迹点数据的处理方法和装置、存储介质及电子装置
CN110727757A (zh) * 2019-10-22 2020-01-24 北京卡路里信息技术有限公司 轨迹数据的处理方法及装置、电子设备
CN111615061A (zh) * 2020-05-09 2020-09-01 国家计算机网络与信息安全管理中心山东分中心 移动终端轨迹数据的去噪方法及装置
CN111862659A (zh) * 2020-06-30 2020-10-30 中冶智诚(武汉)工程技术有限公司 一种gps轨迹数据匹配和补全的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615090A (zh) * 2009-06-30 2009-12-30 青岛海信电器股份有限公司 触摸信号检测方法及装置
CN103076878A (zh) * 2012-12-24 2013-05-01 深圳Tcl新技术有限公司 显示终端遥控操作方法及装置
CN104778836A (zh) * 2015-04-03 2015-07-15 江苏省交通规划设计院股份有限公司 基于手机信令数据质量感知的高速公路交通状态识别方法
CN107700280A (zh) * 2017-09-19 2018-02-16 中铁第勘察设计院集团有限公司 既有双线铁路线位重构方法
CN110069585A (zh) * 2017-12-05 2019-07-30 腾讯科技（深圳）有限公司 轨迹点数据的处理方法和装置、存储介质及电子装置
CN108180921A (zh) * 2017-12-22 2018-06-19 联创汽车电子有限公司 利用gps数据的ar-hud导航系统及其导航方法
CN110727757A (zh) * 2019-10-22 2020-01-24 北京卡路里信息技术有限公司 轨迹数据的处理方法及装置、电子设备
CN111615061A (zh) * 2020-05-09 2020-09-01 国家计算机网络与信息安全管理中心山东分中心 移动终端轨迹数据的去噪方法及装置
CN111862659A (zh) * 2020-06-30 2020-10-30 中冶智诚(武汉)工程技术有限公司 一种gps轨迹数据匹配和补全的方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265409A (zh) * 2021-12-24 2022-04-01 广州极飞科技股份有限公司 轨迹信息处理方法、装置及地面设备
CN115342822A (zh) * 2022-10-18 2022-11-15 智道网联科技(北京)有限公司 路口轨迹数据渲染方法、装置及系统
CN115342822B (zh) * 2022-10-18 2022-12-23 智道网联科技(北京)有限公司 路口轨迹数据渲染方法、装置及系统
CN115659088A (zh) * 2022-12-12 2023-01-31 亿海蓝（北京）数据技术股份公司 航行轨迹展示方法、装置和可读存储介质

Also Published As

Publication number Publication date
CN113177042B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN113177042B (zh) 一种地图轨迹线路处理方法及装置
CN101290725B (zh) 数字道路地图的生成方法和地图生成系统
CN106912018B (zh) 基于信令轨迹的地图匹配方法及系统
CN104089619B (zh) 无人驾驶汽车的gps导航地图精确匹配系统及其操作方法
CN104330089B (zh) 一种利用历史gps数据进行地图匹配的方法
CN104819726A (zh) 导航数据处理方法、装置及导航终端
CN106469505B (zh) 一种浮动车轨迹纠偏方法和装置
WO2010129192A1 (en) Methods and systems for creating digital transportation networks
CN110909788A (zh) 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法
CN104793224A (zh) 一种gps定位纠偏方法及装置
CN104422451A (zh) 一种道路识别方法及装置
CN101826274A (zh) 基于浮动车数据的矢量交通数字地图校正方法
CN112530158B (zh) 一种基于历史轨迹的路网补充方法
CN110109165B (zh) 行驶轨迹中异常点的检测方法及装置
CN112991722A (zh) 高频gps点的公交车辆实时路口预测方法和系统
CN110081890B (zh) 一种结合深度网络的动态k最近邻地图匹配方法
CN115983007A (zh) 一种重合轨迹提取方法、装置、电子设备及存储介质
CN114485684B (zh) 一种基于地面要素拓扑关系的地图道路匹配方法和系统
CN114993325A (zh) 一种车辆gps地图道路匹配方法、装置及存储介质
CN114999162A (zh) 一种道路交通流量获取方法和装置
CN113484843A (zh) 一种激光雷达与组合导航间外参数的确定方法及装置
Cui Control Optimization of Scenic Spot Navigation System Based on Map Matching Algorithm
CN113514059B (zh) 一种重力辅助惯性导航系统仿真平台
CN114485681B (zh) 一种利用dr轨迹评价中精度地图数据一致率的方法
US20230413712A1 (en) Path finding method and system for weeding robot

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