CN113203426A - 地图匹配方法、地图匹配模型的确定方法及装置 - Google Patents

地图匹配方法、地图匹配模型的确定方法及装置 Download PDF

Info

Publication number
CN113203426A
CN113203426A CN202110396000.8A CN202110396000A CN113203426A CN 113203426 A CN113203426 A CN 113203426A CN 202110396000 A CN202110396000 A CN 202110396000A CN 113203426 A CN113203426 A CN 113203426A
Authority
CN
China
Prior art keywords
map matching
data
candidate road
matching model
road section
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.)
Withdrawn
Application number
CN202110396000.8A
Other languages
English (en)
Inventor
狄烨
李洋
李亚旭
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202110396000.8A priority Critical patent/CN113203426A/zh
Publication of CN113203426A publication Critical patent/CN113203426A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种地图匹配方法、地图匹配模型的确定方法及装置，根据目标任务对应的位置点确定至少一个候选路段，获取位置点的位置数据的特征向量，将该特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数，根据各候选路段的选择参数确定目标路段，其中，位置数据包括位置点与各候选路段的关联信息，地图匹配模型包括循环神经网络模型，地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定，由此，可以将位置数据中的多个特征进行拟合处理，提高了地图匹配的准确性。

Description

地图匹配方法、地图匹配模型的确定方法及装置
技术领域
本发明涉及计算机技术领域，更具体地，涉及一种地图匹配方法、地图匹配模型的确定方法及装置。
背景技术
地图匹配(Map Matching)技术利用电子地图和定位信息来确定车辆在道路上的准确位置，其基本思想是将定位装置获得的车辆定位轨迹与电子地图数据库中的道路信息联系起来，并由此确定车辆相对于地图的位置。目前，地图匹配通常采用HMM(HiddenMarkov Model，隐马尔可夫模型)。在现有的HMM模型进行地图匹配时，影响转移概率的多种特征(例如距离、方向、速度等)是相互独立的，忽略了各特征的关联性可能带来的影响，导致地图匹配准确率较低。
发明内容
有鉴于此，本发明实施例提供一种地图匹配方法、地图匹配模型的确定方法及装置，以将位置数据中的多个特征进行拟合处理，提高地图匹配的准确性。
第一方面，本发明实施例提供一种地图匹配方法，所述方法包括：
根据目标任务对应的位置点确定至少一个候选路段；
获取所述位置点的位置数据的特征向量，所述位置数据包括所述位置点与各候选路段的关联信息；
将所述特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数；
根据各所述候选路段的选择参数确定目标路段；
其中，所述地图匹配模型包括循环神经网络模型，所述地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定。
可选的，所述位置数据包括位置点数据、所述位置点与各所述候选路段的距离、所述位置点的速度、各所述候选路段的限速信息、所述位置点的运动方向与各所述候选路段的方向的夹角信息中的一项或多项。
可选的，所述地图匹配模型通过以下步骤训练获得：
将各样本位置点的位置数据输入至所述隐马尔可夫模型进行处理，确定各所述样本位置点对应的各候选路段的选择参数，所述样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息；
将选择参数大于第一阈值的候选路段的信息标注为所述地图匹配模型的正样本数据，所述候选路段的信息包括对应的样本位置点的位置数据和对应的选择参数；
将选择参数小于第二阈值的候选路段的信息标注为所述地图匹配模型的负样本数据；
根据所述正样本数据和所述负样本数据对所述地图匹配模型进行训练，获取训练完成的地图匹配模型。
可选的，获取所述位置点的位置数据的特征向量包括：
采用词嵌入方式获取所述位置点的位置数据的特征向量。
第二方面，本发明实施例提供一种地图匹配模型的确定方法，所述方法包括：
将各样本位置点的位置数据输入至预先确定的隐马尔可夫模型中进行处理，确定各所述样本位置点对应的各候选路段的选择参数，所述样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息；
根据各所述选择参数对各所述样本位置点的各候选路段进行标注，以确定所述地图匹配模型的训练样本数据；
根据所述训练样本数据训练获得所述地图匹配模型；
其中，所述地图匹配模型包括循环神经网络模型。
可选的，根据各所述选择参数对各所述样本位置点的各候选路段进行标注，以确定所述地图匹配模型的训练样本数据包括：
将选择参数大于第一阈值的候选路段的信息标注为所述地图匹配模型的正样本数据，所述候选路段的信息包括对应的样本位置点的位置数据和对应的选择参数；
将选择参数小于第二阈值的候选路段的信息标注为所述地图匹配模型的负样本数据。
第三方面，本发明实施例提供一种地图匹配装置，所述装置包括：
候选路段确定单元，被配置为根据目标任务对应的位置点确定至少一个候选路段；
向量获取单元，被配置为获取所述位置点的位置数据的特征向量，所述位置数据包括所述位置点与各候选路段的关联信息；
选择参数确定单元，被配置为将所述特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数；
目标路段确定单元，被配置为根据各所述候选路段的选择参数确定目标路段；
其中，所述地图匹配模型包括循环神经网络模型，所述地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定。
第四方面，本发明实施例提供一种地图匹配模型的确定装置，所述装置包括：
处理单元，被配置为将各样本位置点的位置数据输入至预先确定的隐马尔可夫模型中进行处理，确定各所述样本位置点对应的各候选路段的选择参数，所述样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息；
样本数据确定单元，被配置为根据各所述选择参数对各所述样本位置点的各候选路段进行标注，以确定所述地图匹配模型的训练样本数据；
训练单元，被配置为根据所述训练样本数据训练获得所述地图匹配模型；
其中，所述地图匹配模型包括循环神经网络模型。
第五方面，本发明实施例提供一种电子设备，所述电子设备包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如本发明实施例第一方面所述的方法和/或本发明实施例第二方面所述的方法。
第六方面，本发明实施例提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时以实现如本发明实施例第一方面所述的方法和/或本发明实施例第二方面所述的方法。
第七方面，本发明实施例提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如本发明实施例第一方面所述的方法和/或本发明实施例第二方面所述的方法。
本发明实施例根据目标任务对应的位置点确定至少一个候选路段，获取位置点的位置数据的特征向量，将该特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数，根据各候选路段的选择参数确定目标路段，其中，位置数据包括位置点与各候选路段的关联信息，地图匹配模型包括循环神经网络模型，地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定，由此，可以将位置数据中的多个特征进行拟合处理，提高了地图匹配的准确性。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明实施例的地图匹配模型的确定方法的流程图；
图2是本发明实施例的地图匹配模型的示意图；
图3是本发明实施例的地图匹配方法的流程图；
图4是本发明实施例的地图匹配方法的过程示意图；
图5是本发明实施例的地图匹配模型的确定装置的示意图；
图6是本发明实施例的地图匹配装置的示意图；
图7是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在采用HMM模型的地图匹配应用中，GPS点形成的轨迹可以作为HMM模型中的观测序列，所求的路段序列作为HMM模型中的隐藏序列。其中，HMM模型的核心是发射概率和转移概率，进而得到用于确定目标路段的维特比概率。
发射概率可以是以下几个影响因子相乘得到：GPS点到路段的距离(距离影响因子)、GPS点前进方向和路段的方向差(方向差影响因子)、GPS点的速度和路段限速值的差异等(速度差影响因子)。影响因素：(1)GPS点到路段中心距离较远时，发射概率的距离影响因子越低，反之则高。(2)GPS点和路段方向差距较大时，发射概率的方向差影响因子较低，反之则高。(3)GPS点的速度与路段速度最高限速差距较大时，发射概率的速度差影响因子较低，反之则高。
转移概率即指从上一个点到这一个点的前进过程中，从上一个点对应的某个路段到这个点对应的某个路段的发生概率。转移概率的因素因子如下：(1)两个GPS点的距离及其对应路段上的两个投影点的距离差(距离差影响因子)越大，则转移概率越低，反之则高。(2)两个GPS点对应的投影点的方向差(方向差影响因子)越大，则转移概率越低，反之则高。(3)两个GPS点对应的速度差(速度差影响因子)越大，则转移概率越低，反之则高。
在HMM模型进行地图匹配时，通常将影响转移概率的多种特征对应的转移概率进行相乘，也即假设几项特征是相互独立的，其并不影响其他特征的转移概率的计算，但显然，影响转移概率的多种特征之间存在相互关联，彼此之间存在相互影响。由此，现有的地图匹配方法无法综合发挥各个特征的效果，地图匹配的准确性较低。由此，本发明实施例提供一种地图匹配模型的确定方法以及基于该地图匹配模型进行地图匹配的方法，以通过将位置数据中的多个特征进行拟合处理，从而提高地图匹配的准确性。
图1是本发明实施例的地图匹配模型的确定方法的流程图。如图1所示，本发明实施例的地图匹配模型的确定方法包括以下步骤：
步骤S110，将各样本位置点的位置数据输入至预先确定的隐马尔可夫模型中进行处理，确定各样本位置点对应的各候选路段的选择参数，选择参数用于表征对应的候选路段被选择的概率。其中，样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息。可选的，样本位置点的位置数据可以包括历史导航任务的位置点序列中的各位置点、样本位置点与对应的候选路段的距离、各候选路段的限速信息、样本位置点的运动方向与对应的候选路段的方向的夹角信息等。可选的，本实施例的隐马尔可夫模型可以为上述用于地图匹配的HMM模型，其根据输入的样本位置点的位置数据计算对应的候选路段的发射概率和转移概率，并根据发射概率、转移概率以及该样本位置点所在位置点序列中的上一位置点的维特比概率，计算该样本位置点的维特比概率，也即选择参数。
可选的，在地图匹配过程中，一般通过获取定位装置采集的GNSS点序列，对返回的GNSS点序列执行删除异常点或者补充缺失点等预处理，然后根据预处理后的GNSS点序列进行地图匹配处理。其中，相邻GNSS点对应的目标路段肯定是相关的，例如属于同一路段或者可直接转移的路段，HMM模型可以根据GNSS点序列中相邻的GNSS点进行地图匹配，提高了地图匹配效率。
步骤S120，根据获取的选择参数对各样本位置点的各候选路段进行标注，以确定本实施例的地图匹配模型的训练样本数据。其中，所述地图匹配模型包括循环神经网络模型(CNN，Recurrent Neural Network)。
步骤S130，根据训练样本数据训练获得所述地图匹配模型。
RNN模型是一类以序列数据为输入，在序列的演进方向进行递归且所有循环单元按链式连接的递归神经网络。RNN模型可以拟合多个特征对选择参数所带来的影响，以确定选择参数，由此可以有效地利用多个特征，提高地图匹配的效率和准确性。
图2是本发明实施例的地图匹配模型的示意图。本实施例以地图匹配模型为标准RNN模型为例进行描述，应理解，其他类型的CNN模型，例如深层RNN模型、双向RNN模型、双向深层RNN模型等，也可应用于本实施例中，本实施例并不对此进行限制。
如图2所示，地图匹配模型21为循环单元折叠后的模型示意图，地图匹配模型22为循环单元展开后的模型示意图。其中，x表征输入的位置数据的特征向量，h表征神经元状态，o表征输出，L表征损失函数，y表征训练样本数据的标签(例如获取的各候选路段的选择参数)，U、V、W表征相应的系数。可选的，本实施例的地图匹配模型中的系数U、V、W是全局共享的，也即不同时刻的模型系数是相同的，以提高地图匹配模型的数据处理效率。
在地图匹配模型22中，模型当前时刻t的神经元状态ht为：
ht＝f(U*xt+W*h(t-1))
模型当前时刻t的输出
Figure BDA0003018608770000071
其中，ht表征t时刻的神经元状态，xt表征t时刻输入的特征向量，f表征对应神经元的激活函数，
Figure BDA0003018608770000072
表征归一化函数，h(t-1)表征t-1时刻的神经元状态，U、V、W表征相应的系数。
在一种可选的实现方式中，本实施例的地图匹配模型才有用交叉熵损失Loss，应理解，本实施例并不对损失函数的类型进行限制：
Figure BDA0003018608770000073
其中，N表征时刻的数量，yt表征t时刻输入的真实标签值(例如步骤S110获取的各候选路段的选择参数)，ot表征模型的预测值。
可选的，分别计算训练样本数据中的各样本位置点的位置数据的特征向量，例如，采用词嵌入(embedding)方式获取样本位置点的位置数据的特征向量，例如样本位置点坐标的特征向量、样本位置点与对应的候选路段的距离的特征向量、各候选路段的限速信息的特征向量、位置点的运动方向与对应的候选路段的方向的夹角信息的特征向量等，将位置数据的特征向量分别输入至地图匹配模型的各时刻的输入层x，根据上述损失函数Loss对地图匹配模型进行训练，以获取训练完成的地图匹配模型。
本实施例通过将各样本位置点的位置数据输入至预先确定的隐马尔可夫模型中进行处理，确定各样本位置点对应的各候选路段的选择参数，根据各选择参数对各样本位置点的各候选路段进行标注，以确定地图匹配模型的训练样本数据，根据训练样本数据训练获得所述地图匹配模型，其中，本实施例的地图匹配模型通过采用为循环神经网络模型，以使得能够对各类位置数据进行拟合处理，有效地利用了多种位置数据，提高了地图匹配效率和准确性。
图3是本发明实施例的地图匹配方法的流程图。如图3所示，本实施例的地图匹配方法包括以下步骤：
步骤S210，根据目标任务对应的位置点确定至少一个候选路段。可选的，位置点为设备实时返回的GNSS点。
在一种可选的实现方式中，根据位置点的位置信息检索R-tree映射表，以确定对应的一个或多个候选路段。R-tree是一种空间索引数据结构，本实施例可以将路网中的路段首先建立R-tree映射表，根据位置点与路段区域的远近来捕获周围路段。应理解，本实施例并不对获取候选路段的方法进行限制。
步骤S220，获取该位置点的位置数据的特征向量。其中，位置数据包括所述位置点与各候选路段的关联信息。可选的，位置数据包括位置点与对应的候选路段的距离、该位置点的速度信息、候选路段的限速信息、该位置点与对应的候选路段的方向夹角信息等。
在一种可选的实现方式中，采用词嵌入(embedding)方式获取该位置点的位置数据的特征向量。应理解，本实施例并不对特征向量的获取方式进行限制。可选的，采用词嵌入方式分别获取各类位置数据的特征向量，例如位置点坐标的特征向量、位置点与对应的候选路段的距离的特征向量、各候选路段的限速信息的特征向量、位置点的运动方向与对应的候选路段的方向的夹角信息的特征向量等。
步骤S230，将各特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数。在本实施例中，地图匹配模型包括循环神经网络模型，将该位置点对应的各特征向量作为不同时刻的输入，由此，地图匹配模型可以对各类位置数据的特征向量进行拟合处理，有效地利用了多种位置数据，提高了地图匹配效率和准确性。
步骤S240，根据各候选路段的选择参数确定目标路段。在一种可选的实现方式中，根据选择参数的大小对各候选路段进行排序，将选择参数最大的候选路段确定为目标路段。
在本实施例中，地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定。可选的，本实施例的地图匹配模型通过以下步骤训练获得：将各样本位置点的位置数据输入至预先确定的隐马尔可夫模型进行处理，确定各样本位置点对应的各候选路段的选择参数，将选择参数大于第一阈值的候选路段的信息标注为地图匹配模型的正样本数据，将选择参数小于第二阈值的候选路段的信息标注为地图匹配模型的负样本数据，根据正样本数据和负样本数据对所述地图匹配模型进行训练，获取训练完成的地图匹配模型。其中，样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息，候选路段的信息包括对应的样本位置点的位置数据和对应的选择参数。本实施例中的地图匹配模型的训练方法与图1-2所示的实施例类似，在此不再赘述。
本发明实施例根据目标任务对应的位置点确定至少一个候选路段，获取位置点的位置数据的特征向量，将该特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数，根据各候选路段的选择参数确定目标路段，其中，位置数据包括位置点与各候选路段的关联信息，地图匹配模型包括循环神经网络模型，地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定，由此，可以将位置数据中的多个特征进行拟合处理，有效地利用了多种位置数据，提高了地图匹配效率和准确性。
图4是本发明实施例的地图匹配方法的过程示意图。如图4所示，在接收到返回的位置点P后，根据位置点P的位置信息获得位置点P对应的候选路段41、候选路段42和候选路段43。在本实施例中，根据位置点P的位置信息分别确定其与候选路段41、候选路段42和候选路段43的距离，根据位置点P以及在其之前返回的位置点确定位置点P的运动方向和运动速度，并确定位置点P的运动方向分别和候选路段41-43的路段方向之间的夹角信息以及候选路段41-43的限速信息。
可选的，地图匹配模型44采用词嵌入(embedding)方法获取位置点P候选路段41、候选路段42和候选路段43的距离的特征向量、位置点P的运动方向的特征向量、位置点P的运动速度的特征向量、位置点P的运动方向与候选路段41-43的路段方向之间的夹角信息的特征向量、候选路段41-43的限速信息的特征向量。在本实施例中，将这些位置数据的特征向量作为不同时刻的输入数据输入至RNN模型441中进行处理，获取候选路段41-43的选择参数s41-s43，对选择参数41-43进行比较，确定最大选择参数为选择参数s42。由此，地图匹配模型44输出位置点P对应的目标路段为候选路段42。
本发明实施例根据目标任务对应的位置点确定至少一个候选路段，获取位置点的位置数据的特征向量，将该特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数，根据各候选路段的选择参数确定目标路段，其中，位置数据包括位置点与各候选路段的关联信息，地图匹配模型包括循环神经网络模型，地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定，由此，可以将位置数据中的多个特征进行拟合处理，有效地利用了多种位置数据，提高了地图匹配效率和准确性。
图5是本发明实施例的地图匹配模型的确定装置的示意图。在本实施例中，地图匹配模型包括循环神经网络模型。如图5所示，本实施例的地图匹配模型的确定装置5包括处理单元51、样本数据确定单元52和训练单元53。
处理单元51被配置为将各样本位置点的位置数据输入至预先确定的隐马尔可夫模型中进行处理，确定各所述样本位置点对应的各候选路段的选择参数所述样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息。样本数据确定单元52被配置为根据各所述选择参数对各所述样本位置点的各候选路段进行标注，以确定所述地图匹配模型的训练样本数据。训练单元53被配置为根据所述训练样本数据训练获得所述地图匹配模型。
在一种可选的实现方式中，样本数据确定单元52包括正样本确定子单元521和负样本确定子单元522。正样本确定子单元521被配置为将选择参数大于第一阈值的候选路段的信息标注为所述地图匹配模型的正样本数据，所述候选路段的信息包括对应的样本位置点的位置数据和对应的选择参数。负样本确定子单元522被配置为将选择参数小于第二阈值的候选路段的信息标注为所述地图匹配模型的负样本数据。
本实施例通过将各样本位置点的位置数据输入至预先确定的隐马尔可夫模型中进行处理，确定各样本位置点对应的各候选路段的选择参数，根据各选择参数对各样本位置点的各候选路段进行标注，以确定地图匹配模型的训练样本数据，根据训练样本数据训练获得所述地图匹配模型，其中，本实施例的地图匹配模型通过采用为循环神经网络模型，以使得能够对各类位置数据进行拟合处理，有效地利用了多种位置数据，提高了地图匹配效率和准确性。
图6是本发明实施例的地图匹配装置的示意图。如图6所示，本发明实施例的地图匹配装置6包括候选路段确定单元61、向量获取单元62、选择参数确定单元63和目标路段确定单元64。
候选路段确定单元61被配置为根据目标任务对应的位置点确定至少一个候选路段。向量获取单元62被配置为获取所述位置点的位置数据的特征向量，所述位置数据包括所述位置点与各候选路段的关联信息。在一种可选的实现方式中，向量获取单元62进一步被配置为采用词嵌入方式获取所述位置点的位置数据的特征向量。可选的，所述位置数据包括位置点数据、所述位置点与各所述候选路段的距离、所述位置点的速度、各所述候选路段的限速信息、所述位置点的运动方向与各所述候选路段的方向的夹角信息中的一项或多项。
选择参数确定单元63被配置为将所述特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数。目标路段确定单元64被配置为根据各所述候选路段的选择参数确定目标路段。
在本实施例中，所述地图匹配模型包括循环神经网络模型，所述地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定。
在一种可选的实现方式中，地图匹配装置6还包括训练单元65。训练单元65包括处理子单元651、正样本获取子单元652、负样本获取子单元653和训练子单元654。
处理子单元651被配置为将各样本位置点的位置数据输入至所述隐马尔可夫模型进行处理，确定各所述样本位置点对应的各候选路段的选择参数，所述样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息。正样本获取子单元652被配置为将选择参数大于第一阈值的候选路段的信息标注为所述地图匹配模型的正样本数据，所述候选路段的信息包括对应的样本位置点的位置数据和对应的选择参数。负样本获取子单元653被配置为将选择参数小于第二阈值的候选路段的信息标注为所述地图匹配模型的负样本数据。训练子单元654被配置为根据所述正样本数据和所述负样本数据对所述地图匹配模型进行训练，获取训练完成的地图匹配模型。
本发明实施例根据目标任务对应的位置点确定至少一个候选路段，获取位置点的位置数据的特征向量，将该特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数，根据各候选路段的选择参数确定目标路段，其中，位置数据包括位置点与各候选路段的关联信息，地图匹配模型包括循环神经网络模型，地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定，由此，可以将位置数据中的多个特征进行拟合处理，有效地利用了多种位置数据，提高了地图匹配效率和准确性。
图7是本发明实施例的电子设备的示意图。如图7所示，电子设备7为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器71和存储器72。处理器71和存储器72通过总线73连接。存储器72适于存储处理器71可执行的指令或程序。处理器71可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器71通过执行存储器72所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线73将上述多个组件连接在一起，同时将上述组件连接到显示控制器74和显示装置以及输入/输出(I/O)装置75。输入/输出(I/O)装置75可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置75通过输入/输出(I/O)控制器76与系统相连。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
本发明的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指定相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开了一种TS1、一种地图匹配方法，所述方法包括：
根据目标任务对应的位置点确定至少一个候选路段；
获取所述位置点的位置数据的特征向量，所述位置数据包括所述位置点与各候选路段的关联信息；
将所述特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数；
根据各所述候选路段的选择参数确定目标路段；
其中，所述地图匹配模型包括循环神经网络模型，所述地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定。
TS2、根据TS1所述的方法，所述位置数据包括位置点数据、所述位置点与各所述候选路段的距离、所述位置点的速度、各所述候选路段的限速信息、所述位置点的运动方向与各所述候选路段的方向的夹角信息中的一项或多项。
TS3、根据TS1所述的方法，所述地图匹配模型通过以下步骤训练获得：
将各样本位置点的位置数据输入至所述隐马尔可夫模型进行处理，确定各所述样本位置点对应的各候选路段的选择参数，所述样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息；
将选择参数大于第一阈值的候选路段的信息标注为所述地图匹配模型的正样本数据，所述候选路段的信息包括对应的样本位置点的位置数据和对应的选择参数；
将选择参数小于第二阈值的候选路段的信息标注为所述地图匹配模型的负样本数据；
根据所述正样本数据和所述负样本数据对所述地图匹配模型进行训练，获取训练完成的地图匹配模型。
TS4、根据TS1或TS2所述的方法，获取所述位置点的位置数据的特征向量包括：
采用词嵌入方式获取所述位置点的位置数据的特征向量。
本发明实施例公开了TS5、一种地图匹配模型的确定方法，所述方法包括：
将各样本位置点的位置数据输入至预先确定的隐马尔可夫模型中进行处理，确定各所述样本位置点对应的各候选路段的选择参数，所述样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息；
根据各所述选择参数对各所述样本位置点的各候选路段进行标注，以确定所述地图匹配模型的训练样本数据；
根据所述训练样本数据训练获得所述地图匹配模型；
其中，所述地图匹配模型包括循环神经网络模型。
TS6、根据TS5所述的方法，根据各所述选择参数对各所述样本位置点的各候选路段进行标注，以确定所述地图匹配模型的训练样本数据包括：
将选择参数大于第一阈值的候选路段的信息标注为所述地图匹配模型的正样本数据，所述候选路段的信息包括对应的样本位置点的位置数据和对应的选择参数；
将选择参数小于第二阈值的候选路段的信息标注为所述地图匹配模型的负样本数据。
本发明实施例公开了TS7、一种地图匹配装置，所述装置包括：
候选路段确定单元，被配置为根据目标任务对应的位置点确定至少一个候选路段；
向量获取单元，被配置为获取所述位置点的位置数据的特征向量，所述位置数据包括所述位置点与各候选路段的关联信息；
选择参数确定单元，被配置为将所述特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数；
目标路段确定单元，被配置为根据各所述候选路段的选择参数确定目标路段；
其中，所述地图匹配模型包括循环神经网络模型，所述地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定。
TS8、根据TS7所述的装置，所述位置数据包括位置点数据、所述位置点与各所述候选路段的距离、所述位置点的速度、各所述候选路段的限速信息、所述位置点的运动方向与各所述候选路段的方向的夹角信息中的一项或多项。
TS9、根据TS7所述的装置，所述装置还包括训练单元，所述训练单元包括：
处理子单元，被配置为将各样本位置点的位置数据输入至所述隐马尔可夫模型进行处理，确定各所述样本位置点对应的各候选路段的选择参数，所述样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息；
正样本获取子单元，被配置为将选择参数大于第一阈值的候选路段的信息标注为所述地图匹配模型的正样本数据，所述候选路段的信息包括对应的样本位置点的位置数据和对应的选择参数；
负样本获取子单元，被配置为将选择参数小于第二阈值的候选路段的信息标注为所述地图匹配模型的负样本数据；
训练子单元，被配置为根据所述正样本数据和所述负样本数据对所述地图匹配模型进行训练，获取训练完成的地图匹配模型。
TS10、根据TS7或TS8所述的装置，所述向量获取单元进一步被配置为采用词嵌入方式获取所述位置点的位置数据的特征向量。
本发明实施例公开了TS11、一种地图匹配模型的确定装置，所述装置包括：
处理单元，被配置为将各样本位置点的位置数据输入至预先确定的隐马尔可夫模型中进行处理，确定各所述样本位置点对应的各候选路段的选择参数，所述样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息；
样本数据确定单元，被配置为根据各所述选择参数对各所述样本位置点的各候选路段进行标注，以确定所述地图匹配模型的训练样本数据；
训练单元，被配置为根据所述训练样本数据训练获得所述地图匹配模型；
其中，所述地图匹配模型包括循环神经网络模型。
本发明实施例公开了TS12、根据TS11所述的装置，所述样本数据确定单元包括：
正样本确定子单元，被配置为将选择参数大于第一阈值的候选路段的信息标注为所述地图匹配模型的正样本数据，所述候选路段的信息包括对应的样本位置点的位置数据和对应的选择参数；
负样本确定子单元，被配置为将选择参数小于第二阈值的候选路段的信息标注为所述地图匹配模型的负样本数据。
本发明实施例公开了TS13、一种电子设备，所述电子设备包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如TS1-TS6中任一项所述的方法。
本发明实施例公开了TS14、一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时以实现如TS1-TS6中任一项所述的方法。
本发明实施例公开了TS15、一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如TS1-TS6中任一项所述的方法。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理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)

1.一种地图匹配方法，其特征在于，所述方法包括：
根据目标任务对应的位置点确定至少一个候选路段；
获取所述位置点的位置数据的特征向量，所述位置数据包括所述位置点与各候选路段的关联信息；
将所述特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数；
根据各所述候选路段的选择参数确定目标路段；
其中，所述地图匹配模型包括循环神经网络模型，所述地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定。
2.根据权利要求1所述的方法，其特征在于，所述位置数据包括位置点数据、所述位置点与各所述候选路段的距离、所述位置点的速度、各所述候选路段的限速信息、所述位置点的运动方向与各所述候选路段的方向的夹角信息中的一项或多项。
3.根据权利要求1所述的方法，其特征在于，所述地图匹配模型通过以下步骤训练获得：
将各样本位置点的位置数据输入至所述隐马尔可夫模型进行处理，确定各所述样本位置点对应的各候选路段的选择参数，所述样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息；
将选择参数大于第一阈值的候选路段的信息标注为所述地图匹配模型的正样本数据，所述候选路段的信息包括对应的样本位置点的位置数据和对应的选择参数；
将选择参数小于第二阈值的候选路段的信息标注为所述地图匹配模型的负样本数据；
根据所述正样本数据和所述负样本数据对所述地图匹配模型进行训练，获取训练完成的地图匹配模型。
4.根据权利要求1或2所述的方法，其特征在于，获取所述位置点的位置数据的特征向量包括：
采用词嵌入方式获取所述位置点的位置数据的特征向量。
5.一种地图匹配模型的确定方法，其特征在于，所述方法包括：
将各样本位置点的位置数据输入至预先确定的隐马尔可夫模型中进行处理，确定各所述样本位置点对应的各候选路段的选择参数，所述样本位置点的位置数据至少包括所述样本位置点与对应候选路段的关联信息；
根据各所述选择参数对各所述样本位置点的各候选路段进行标注，以确定所述地图匹配模型的训练样本数据；
根据所述训练样本数据训练获得所述地图匹配模型；
其中，所述地图匹配模型包括循环神经网络模型。
6.根据权利要求5所述的方法，其特征在于，根据各所述选择参数对各所述样本位置点的各候选路段进行标注，以确定所述地图匹配模型的训练样本数据包括：
将选择参数大于第一阈值的候选路段的信息标注为所述地图匹配模型的正样本数据，所述候选路段的信息包括对应的样本位置点的位置数据和对应的选择参数；
将选择参数小于第二阈值的候选路段的信息标注为所述地图匹配模型的负样本数据。
7.一种地图匹配装置，其特征在于，所述装置包括：
候选路段确定单元，被配置为根据目标任务对应的位置点确定至少一个候选路段；
向量获取单元，被配置为获取所述位置点的位置数据的特征向量，所述位置数据包括所述位置点与各候选路段的关联信息；
选择参数确定单元，被配置为将所述特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数；
目标路段确定单元，被配置为根据各所述候选路段的选择参数确定目标路段；
其中，所述地图匹配模型包括循环神经网络模型，所述地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定。
8.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时以实现如权利要求1-6中任一项所述的方法。
10.一种计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如权利要求1-6中任一项所述的方法。
CN202110396000.8A 2021-04-13 2021-04-13 地图匹配方法、地图匹配模型的确定方法及装置 Withdrawn CN113203426A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110396000.8A CN113203426A (zh) 2021-04-13 2021-04-13 地图匹配方法、地图匹配模型的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110396000.8A CN113203426A (zh) 2021-04-13 2021-04-13 地图匹配方法、地图匹配模型的确定方法及装置

Publications (1)

Publication Number Publication Date
CN113203426A true CN113203426A (zh) 2021-08-03

Family

ID=77026757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110396000.8A Withdrawn CN113203426A (zh) 2021-04-13 2021-04-13 地图匹配方法、地图匹配模型的确定方法及装置

Country Status (1)

Country Link
CN (1) CN113203426A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
CN110738101B (zh) 行为识别方法、装置及计算机可读存储介质
CN110287942B (zh) 年龄估计模型的训练方法、年龄估计方法以及对应的装置
Agouris et al. Differential snakes for change detection in road segments
CN110349147B (zh) 模型的训练方法、眼底黄斑区病变识别方法、装置及设备
CN103415825B (zh) 用于手势识别的系统和方法
KR100647322B1 (ko) 객체의 모양모델 생성장치 및 방법과 이를 이용한 객체의특징점 자동탐색장치 및 방법
CN111640089B (zh) 一种基于特征图中心点的缺陷检测方法及装置
JP7263216B2 (ja) ワッサースタイン距離を使用する物体形状回帰
KR20180126220A (ko) 객체를 식별하는 방법 및 디바이스
CN108968811A (zh) 一种扫地机器人的物体识别方法及系统
CN110717927A (zh) 基于深度学习和视惯融合的室内机器人运动估计方法
CN111444767B (zh) 一种基于激光雷达的行人检测和追踪方法
CN110969166A (zh) 一种巡检场景下小目标识别方法和系统
CN109363770B (zh) 一种手术导航机器人标志点自动识别定位方法
EP4064135A1 (en) Methods for performing self-supervised learning of deep-learning based detection network by using deep q-network and devices using the same
CN110806211A (zh) 机器人自主探索建图的方法、设备及存储介质
RU2014113049A (ru) Процессор изображений, содержащий систему распознавания жестов со слежением за объектом на основании вычислительных признаков контуров для двух или более объектов
CN111354022B (zh) 基于核相关滤波的目标跟踪方法及系统
CN108279016A (zh) Had地图的平滑处理方法和装置、导航系统及自动驾驶系统
EP2793171A1 (en) Classifier update device, information processing device, and classifier update method
CN109117746A (zh) 手部检测方法及机器可读存储介质
CN110986956A (zh) 一种基于改进的蒙特卡洛算法的自主学习全局定位方法
CN112989222A (zh) 一种位置确定方法、装置及电子设备
CN113203426A (zh) 地图匹配方法、地图匹配模型的确定方法及装置
CN113205118A (zh) 地图匹配方法、地图匹配模型的确定方法及装置

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210803