CN113449062B - 轨迹处理方法、装置、电子设备和存储介质 - Google Patents
轨迹处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113449062B CN113449062B CN202110736684.1A CN202110736684A CN113449062B CN 113449062 B CN113449062 B CN 113449062B CN 202110736684 A CN202110736684 A CN 202110736684A CN 113449062 B CN113449062 B CN 113449062B
- Authority
- CN
- China
- Prior art keywords
- track
- predicted
- road
- original
- preset model
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 49
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims description 33
- 230000008439 repair process Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013144 data compression Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F16/29—Geographical information databases
-
- 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
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/174—Redundancy elimination performed by the file system
- G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了轨迹处理方法、装置、电子设备和存储介质,涉及数据处理技术领域,具体涉及数据压缩与深度学习技术。具体实现方案为:确定原始轨迹所对应的特征数据;基于特征数据,得到压缩数据;其中,压缩数据用于基于预设模型还原得到原始轨迹;预设模型是基于原始轨迹和特征数据训练得到的。根据本公开的技术,能够节省轨迹数据的存储空间。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及数据压缩与深度学习技术。
背景技术
在大数据时代,随着各种移动终端的出现与定位技术的发展,越来越多的移动终端能够利用GPS(Global Positioning System,全球定位系统)收集移动对象的位置信息,达到秒级的定位功能,以实现对移动轨迹的刻画。由于GPS接收器能够每秒产生一个轨迹点,因此,与定位相关的应用服务器每天将会产生数以几十亿计的轨迹点,相应地,产生海量的轨迹。
发明内容
本公开提供了一种轨迹处理方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种轨迹处理方法,包括:
确定原始轨迹所对应的特征数据;
基于特征数据,得到压缩数据;其中,压缩数据用于基于预设模型还原得到原始轨迹;预设模型是基于原始轨迹和特征数据训练得到的。
根据本公开的一方面,提供了一种轨迹处理方法,包括:
基于压缩数据,得到特征数据;
基于特征数据和预设模型,确定原始轨迹;其中,预设模型是基于原始轨迹和特征数据训练得到的。
根据本公开的另一方面,提供了一种轨迹处理装置,包括:
特征数据确定模块,用于确定原始轨迹所对应的特征数据;
第一轨迹处理模块,用于基于特征数据,得到压缩数据;其中,压缩数据用于基于预设模型还原得到原始轨迹;预设模型是基于原始轨迹和特征数据训练得到的。
根据本公开的另一方面,提供了一种轨迹处理装置,包括:
特征数据获取模块,用于基于压缩数据,得到特征数据;
预测模块,用于基于特征数据和预设模型,确定原始轨迹;其中,预设模型是基于原始轨迹和特征数据训练得到的。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开实施例中任意一种轨迹处理方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开实施例中任意一种轨迹处理方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开实施例中任意一种轨迹处理方法。
本公开的技术方案中,由于基于原始轨迹和特征数据训练得到预设模型,因此,预设模型能够基于特征数据还原得到原始轨迹,使得在收集数据的过程中,只需要保存基于特征数据得到的压缩数据就能够还原出对应的原始轨迹,从而在保证轨迹还原的完整性的情况下,节省存储空间。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一实施例的轨迹处理方法的流程图;
图2是根据本公开另一实施例的轨迹处理方法的流程图;
图3是根据本公开一实施例中轨迹点匹配路网的示意图;
图4是根据本公开另一实施例的轨迹处理方法的流程图;
图5是根据本公开另一实施例的轨迹处理方法的流程图;
图6是根据本公开另一实施例中预设模型中的过滤层的示意图;
图7是根据本公开一实施例的轨迹处理装置的框图;
图8是根据本公开另一实施例的轨迹处理装置的框图;
图9是根据本公开另一实施例的轨迹处理装置的框图;
图10是根据本公开另一实施例的轨迹处理装置的框图;
图11是根据本公开另一实施例的轨迹处理装置的框图;
图12是用来实现本公开实施例的轨迹处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开一实施例的轨迹处理方法的流程图。如图1所示,该方法可以包括:
S101、确定原始轨迹所对应的特征数据;
S102、基于特征数据,得到压缩数据;其中,压缩数据用于基于预设模型还原得到原始轨迹;预设模型是基于原始轨迹和特征数据训练得到的。
在步骤S101中,示例性地,原始轨迹可以用于表征移动对象的移动轨迹。其中,移动对象例如是手机、平板等移动终端,也可以是车辆、船舶等。例如,原始轨迹可以是路段序列,路段序列中应包括至少一个路段。
示例性地,特征数据可以用于表征原始轨迹所具有的特征,例如,特征数据可以包括:路段序列的路段名称、路段序列的路段顺序、路段序列的路段数量等。需要说明的是,路段数量也可以理解为轨迹长度。
示例性地,每一个原始轨迹对应一个特征数据。以特征数据包括原始轨迹的第一个路段和原始轨迹的路段数量为例,则每一个路段序列都对应有路段序列的第一个路段和路段序列的路段数量。例如,原始轨迹为LINKA(路段A)至LINKB(路段B)至LINKC(路段C),则特征数据为[LINKA,3]。
在步骤S102中,示例性地,预设模型可以为TCRNN模型(Track Compress RNN,循环神经网络压缩模型),还可以为RNN模型(Recurrent Neural Networks,循环神经网络模型),还可以为LSTM模型(long-short termmemory,长短期记忆网络)等。
示例性地,可以基于多个原始轨迹和其对应的特征数据对预设模型进行训练,从而得到预设模型。因此,基于预设模型对压缩数据进行还原,能够得到原始轨迹。
本公开的技术方案中,由于基于原始轨迹和特征数据训练得到预设模型,因此,预设模型能够基于特征数据还原得到原始轨迹,使得在收集数据的过程中,只需要保存基于特征数据得到的压缩数据就能够还原出对应的原始轨迹,从而在保证轨迹还原的完整性的情况下,节省存储空间。
在一种实施方式中,特征数据包括所述原始轨迹中的第一个路段和所述原始轨迹的路段数量;预设模型为TCRNN模型。
具体地,由于预设模型为TCRNN模型,而TCRNN模型比RNN模型多一个过滤层,能够对第一个路段的下一路段进行过滤,过滤掉第一个路段无法连接的路段,从而可以减少预设模型的计算量,加快预设模型的计算速度。
在一种实施方式中,如图2所示,该方法,还包括:
S201、基于预设模型对特征数据进行预测,得到预测轨迹;
S202、在预测轨迹与原始轨迹不一致的情况下,基于预测轨迹与原始轨迹,得到预测记录;基于预测记录,更新轨迹修复表;
其中,轨迹修复表用于结合预设模型,将压缩数据还原为原始轨迹。
具体地,在训练得到预设模型之后,为了测试预测模型的准确性,则将特征数据输入至预测模型,使得预测模型预测出对应的预测轨迹。将预测轨迹与该特征数据对应的原始轨迹进行对比。若上述两者不一致,则基于预测轨迹与该特征数据对应的原始轨迹形成预测记录,并基于预测记录,更新轨迹修复表。基于轨迹修复表记录预测存在错误的预测轨迹,从而能够保证结合预设模型和轨迹修复表还原出的原始轨迹的准确性。
示例性地,在训练得到预设模型之后,若特征数据为[LINKA,3],其对应的原始轨迹为LINKA至LINKB至LINKC。将特征数据输入至预设模型预测得到预测轨迹LINKA至LINKB至LINKF。由于LINKA至LINKB至LINKC与LINKA至LINKB至LINKF不一致,所以基于原始轨迹-预测数据,即形成如下所示的预测记录:
LINKA至LINKB至LINKC | LINKA至LINKB至LINKF |
基于预测记录,可以更新轨迹修复表,其中,轨迹修复表可以如下所示:
预测记录编号 | 原始轨迹(即正确轨迹) | 错误轨迹 |
预测记录1 | LINKA至LINKB至LINKC | LINKA至LINKB至LINKF |
预测记录2 | …… | …… |
在一种实施方式中,其中,预测轨迹包括多个路段;
基于所述预测轨迹与所述原始轨迹,得到预测记录,包括:
基于所述预测轨迹与所述原始轨迹,确定所述预测轨迹中的错误路段和所述错误路段的序号;
基于原始轨迹、所述错误路段和所述错误路段对应的路段序号确定所述预测记录。
示例性地,若特征数据为[LINKA,3],其对应的原始轨迹为LINKA至LINKB至LINKC。将特征数据输入至预设模型预测得到预测轨迹LINKA至LINKB至LINKF。由于LINKA至LINKB至LINKC与LINKA至LINKB至LINKF不一致,确定预测轨迹中的错误路段为LINKF,错误路段对应的路段序号为3号位。需要说明的是,路段序号可以是根据预测轨迹的路段顺序从1开始依次进行排序,还可以是根据其他标签对多个路段进行排序,在此不作限定。再将原始轨迹-错误路段-路段序号,即LINKA至LINKB至LINKC-LINKF-3号位形成如下预测记录:
LINKA至LINKB至LINKC | LINKF-3号位 |
基于预测记录,可以更新轨迹修复表,其中,轨迹修复表可以如下所示:
由此可见,正由于上述预测记录中只保存原始轨迹-错误路段-路段序号,可以不用保存预测轨迹是全部内容,进一步地节省了存储空间。
在一种实施方式中,其中,该方法还包括:
将多个轨迹点与路网数据进行匹配,得到与多个轨迹点匹配的多个路段;
基于多个路段得到原始轨迹。
示例性地,可以是一个轨迹点匹配一个路段,还可以是多个轨迹点匹配一个路段。当根据多个轨迹点匹配到多个路段后,按照轨迹点原始顺序生成对应的路段序列(即原始轨迹)。
例如,如图3所示,若获取的多个轨迹点分别为123456,根据全国的路网拓扑关系图对123456进行匹配,轨迹点1和轨迹点2匹配到LINKA,轨迹点3和轨迹点4匹配到LINKB,轨迹点5和轨迹点6匹配到LINKC,则轨迹点123456匹配的路段序列为LINKA至LINKB至LINKC。从而更好的确定原始轨迹的特征数据。
图4是根据本公开一实施例的轨迹处理方法的流程图。如图4所示,该方法可以包括:
S401、基于压缩数据,得到特征数据;
S402、基于特征数据和预设模型,确定原始轨迹;其中,预设模型是基于原始轨迹和特征数据训练得到的。
在步骤S401中,示例性地,压缩数据包括多个特征数据,特征数据可以包括:路段序列的路段名称、路段序列的路段顺序、路段序列的路段数量等。在本实施例中,特征数据包括:原始轨迹的第一个路段和原始轨迹的路段数量。
在步骤S401中,示例性地,基于预设模型对特征数据进行处理,可以得到一个原始轨迹,也可以得到多个原始轨迹。例如,特征数据为[LINKA,3],可以输出多个原始轨迹LINKA至LINKB至LINKC和LINKA至LINKB至LINKE。
本公开的技术方案中,由于基于原始轨迹和特征数据训练得到预设模型,因此,预设模型能够基于特征数据还原得到原始轨迹,使得在收集数据的过程中,只需要保存压缩数据就能够还原出对应的原始轨迹,从而在保证轨迹还原的完整性的情况下,节省存储空间。
在一种实施方式中,如图5所示,其中,基于特征数据和预设模型,确定原始轨迹,包括:
S501、基于预设模型对特征数据进行预测,得到预测轨迹;
S502、在轨迹修复表中包含与预测轨迹对应的预测记录的情况下,根据预测记录和预测轨迹,得到原始轨迹。
示例性地,轨迹修复表中包含预测过程中存在错误路段的预测轨迹。
示例性地,预测记录可以为原始轨迹-预测轨迹,还可以为原始轨迹-错误路段-路段序号。需要说明的是,当预测记录为原始轨迹-错误路段-路段序号时,基于每个预测记录中的错误路段和路段序号与预测轨迹进行对比,从而判断轨迹修复表中是否包含预测轨迹。
具体地,基于预设模型得到预测轨迹之后,在轨迹修复表中查找是否有预测轨迹对应的预测记录。若有预测记录,则说明该预测轨迹中存在错误路段,那么将预测记录中预测轨迹所对应的原始轨迹作为最后输出的原始轨迹。
例如,若特征数据为[LINKA,3],基于预设模型得到预测轨迹LINKA至LINKB至LINKF。在轨迹修复表中对LINKA至LINKB至LINKF进行查找,得到预测记录LINKA至LINKB至LINKC-LINKA至LINKB至LINKF,则将LINKA至LINKB至LINKC作为原始轨迹。
又例如,若特征数据为[LINKA,3],基于预设模型得到预测轨迹LINKA至LINKB至LINKF。在轨迹修复表中对LINKA至LINKB至LINKF进行查找,则可以根据LINKA-1号位,LINKB-2号位,LINKF-3号位分别在轨迹修复表中进行查找,确定上述三个检索式对应的多个预测记录。如,根据LINKB-2号位查找到LINKA至LINKF至LINKG-LINKB-2号位,根据LINKF-3号位查找到LINKA至LINKB至LINKC-LINKF-3号位。将每个预测记录中除错误路段之外的其他路段依次与预测轨迹中的路段进行对比,如,LINKA至LINKF至LINKG中的1号位为LINKA,3号位为LINKG;而LINKA至LINKB至LINKF中的1号位为LINKA,3号位为LINKF。因此,LINKA至LINKF至LINKG-LINKB-2号位不是LINKA至LINKB至LINKF对应的预测记录。
LINKA至LINKB至LINKC中的1号位为LINKA,2号位为LINKB;而LINKA至LINKB至LINKF中的1号位为LINKA,2号位为LINKB。因此,LINKA至LINKB至LINKC-LINKF-3号位是LINKA至LINKB至LINKF对应的预测记录,从而确定原始轨迹LINKA至LINKB至LINKC。可见,根据轨迹修复表修正预测轨迹,保证了输出的原始轨迹的准确性。
在一种实施方式中,其中,基于特征数据和预设模型,确定原始轨迹,还包括:
在轨迹修复表中不包含与预测轨迹对应的预测记录的情况下,将预测轨迹确定为原始轨迹。
具体地,当轨迹修复表中查找不到预测轨迹对应的预测记录,则说明预测轨迹准确,从而直接将预测轨迹确定为原始轨迹,保证了输出的原始轨迹的准确性。
在一种实施方式中,特征数据包括原始轨迹中的第一个路段和原始轨迹的路段数量N;基于预设模型对特征数据进行预测,得到预测轨迹,包括:
将原始轨迹中的第一个路段作为预测轨迹中的第一个路段;
基于预测轨迹中的第一个路段和预设模型执行N-1次迭代处理,得到预测轨迹;
其中,N-1次迭代处理中的第i次迭代处理包括:
基于预设模型对预测轨迹中的第i个路段进行处理,得到预测轨迹中的第i+1个路段;其中,N为大于等于2的整数,i为小于等于N的正整数。
示例性地,若特征数据为[LINKA,3],即第一个路段为LINKA,路段数量为3(N=3)。由于特征数据用于表征原始数据的特征,因此,将原始轨迹中的第一个路段作为预测轨迹中的第一个路段,即LINKA为预测轨迹中的第一个路段。再将LINKA输入至预设模型进行计算,输出第二个路段。再将第二个路段输入至预设模型进行计算,输出第三个路段,即进行两次迭代处理。由此可见,基于原始轨迹的第一个路段计算预测轨迹,无需再次确定预测轨迹的第一个路段,从而更快速的得到预测轨迹。
在一种实施方式中,基于预设模型对预测轨迹中的第i个路段进行处理,得到预测轨迹中的第i+1个路段,包括:
利用预设模型中的过滤层,确定路网中与第i个路段连接的至少一个路段;
利用预设模型中的分类器,在至少一个路段中确定第i+1个路段。
在本实施例中,预设模型为TCRNN模型。TCRNN模型包括:输入层、隐藏层、过滤层和输出层。分类器可以为softmax函数,还可以为SVM分类器等。
示例性地,由于路网数据过多,若直接进行One-Hot等编码,则需要较大的矩阵,因此将TCRNN模型的输入层设定为多维嵌入层,由于嵌入层可以对路网数据进行降维处理(即矩阵乘法),从而避免了直接进行One-Hot等编码造成存储空间浪费的问题。而且由于嵌入层可以对路网数据进行降维处理,所以输出层维度为路网的边数,即状态空间的大小。
如图6所示,当输入第i个路段后,如LINKA,根据过滤层判断各个路段是否为合法转移路段。若是,则保留此路段;若不是,则过滤掉此路段。例如,若LINKA能够到达LINKB,过滤层赋予LINKB转移标记1,LINKA不能到达LinkC,过滤层赋予LinkC转移标记0。从而可以减少分类器的计算量,加快预设模型的计算速度。
根据过滤层在LINKB、LINKC、LINKD、LINKE、LINKF中确定LINKA可以连接的路段,过滤后得到LINKB、LINKE、LINKF。根据输出层的softmax函数分别对LINKB、LINKE、LINKF进行计算,得到每个路段对应的概率值,LINKB对应第一概率、LINKE对应第二概率、LINKF对应第三概率,选取概率值最高的路段作为LINKA的下一路段。若计算出的各路段的概率值相同,则将各路段分别作为LINKA的下一路段。
图7是根据本公开一实施例的轨迹处理装置的框图。如图7所示,该装置可以包括:
特征数据确定模块701,用于确定原始轨迹所对应的特征数据;
第一轨迹处理模块702,用于基于特征数据,得到压缩数据;其中,压缩数据用于基于预设模型还原得到原始轨迹;预设模型是基于原始轨迹和特征数据训练得到的。
在一种实施方式中,如图8所示,该装置,还包括:
测试模块801,用于基于预设模型对特征数据进行预测,得到预测轨迹;
更新模块802,用于在预测轨迹与原始轨迹不一致的情况下,基于预测轨迹与原始轨迹,得到预测记录;基于预测记录,更新轨迹修复表;
其中,轨迹修复表用于结合预设模型,将压缩数据还原为原始轨迹。
在一种实施方式中,其中,预测轨迹包括多个路段;
更新模块802,还用于所述基于所述预测轨迹与所述原始轨迹,得到预测记录,包括:
基于所述预测轨迹与所述原始轨迹,确定所述预测轨迹中的错误路段和所述错误路段的序号;
基于原始轨迹、所述错误路段和所述错误路段对应的路段序号确定所述预测记录。
在一种实施方式中,其中,如图9所示,该装置,还包括:
匹配模块901,用于将多个轨迹点与路网数据进行匹配,得到与多个轨迹点匹配的多个路段;
获取模块902,用于基于多个路段得到原始轨迹。
在一种实施方式中,特征数据包括原始轨迹中的第一个路段和原始轨迹的路段数量;预设模型为TCRNN模型。
这样,本公开实施例的装置,由于基于原始轨迹和特征数据训练得到预设模型,因此,预设模型能够基于特征数据还原得到原始轨迹,使得在收集数据的过程中,只需要保存基于特征数据得到的压缩数据就能够还原出对应的原始轨迹,从而在保证轨迹还原的完整性的情况下,节省存储空间。
图10是根据本公开一实施例的轨迹处理装置的框图。如图10所示,该装置可以包括:
特征数据获取模块1001,用于基于压缩数据,得到特征数据;
预测模块1002,用于基于特征数据和预设模型,确定原始轨迹;其中,预设模型是基于原始轨迹和特征数据训练得到的。
在一种实施方式中,如图11所示,其中,预测模块1101,包括:
第一处理子模块1102,用于基于预设模型对特征数据进行预测,得到预测轨迹;
第二处理子模块1103,用于在轨迹修复表中包含与预测轨迹对应的预测记录的情况下,根据预测记录和预测轨迹,得到原始轨迹。
在一种实施方式中,其中,预测模块,还包括:
第三处理子模块1104,用于在轨迹修复表中不包含与预测轨迹对应的预测记录的情况下,将预测轨迹确定为原始轨迹。
在一种实施方式中,特征数据包括原始轨迹中的第一个路段和原始轨迹的路段数量N;特征数据获取模块1105,包括:
第四处理子模块1106,用于将原始轨迹中的第一个路段作为预测轨迹中的第一个路段;
迭代处理子模块1107,用于基于预测轨迹中的第一个路段和预设模型执行N-1次迭代处理,得到预测轨迹;
其中,块N-1次迭代处理中的第i次迭代处理包括:
基于预设模型对预测轨迹中的第i个路段进行处理,得到预测轨迹中的第i+1个路段;其中,N为大于等于2的整数,i为小于等于N的正整数。
在一种实施方式中,迭代处理子模块1107,还用于:
利用预设模型中的过滤层,确定与第i个路段连接的至少一个路段;
利用预设模型中的分类器,在至少一个路段中确定第i+1个路段。
这样,本公开实施例的装置,由于基于原始轨迹和特征数据训练得到预设模型,因此,预设模型能够基于特征数据还原得到原始轨迹,使得在收集数据的过程中,只需要保存基于特征数据得到的压缩数据就能够还原出对应的原始轨迹,从而在保证轨迹还原的完整性的情况下,节省存储空间。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如轨迹处理方法。例如,在一些实施例中,轨迹处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的轨迹处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行轨迹处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种轨迹处理方法,包括:
确定原始轨迹所对应的特征数据;所述特征数据包括所述原始轨迹中的第一个路段和所述原始轨迹的路段数量;
基于所述特征数据,得到压缩数据;其中,所述压缩数据用于基于预设模型还原得到所述原始轨迹;所述预设模型是基于所述原始轨迹和所述特征数据训练得到的;所述预设模型为循环神经网络压缩模型;
还包括:
基于所述预设模型对所述特征数据进行预测,得到预测轨迹;其中,所述预测轨迹包括多个路段;
在所述预测轨迹与所述原始轨迹不一致的情况下,基于所述预测轨迹与所述原始轨迹,确定所述预测轨迹中的错误路段和所述错误路段的序号;
基于原始轨迹、所述错误路段和所述错误路段对应的路段序号确定预测记录;
基于所述预测记录,更新轨迹修复表;
其中,所述轨迹修复表用于结合所述预设模型,将所述压缩数据还原为所述原始轨迹。
2.根据权利要求1所述的方法,其中,还包括:
将多个轨迹点与路网数据进行匹配,得到与所述多个轨迹点匹配的多个路段;
基于所述多个路段得到所述原始轨迹。
3.一种轨迹处理方法,包括:
基于压缩数据,得到特征数据;所述压缩数据包括多个特征数据,所述特征数据包括:路段序列的路段名称、路段序列的路段顺序、路段序列的路段数量;
基于所述特征数据和预设模型,确定原始轨迹;其中,所述预设模型是基于所述原始轨迹和所述特征数据训练得到的;
所述基于所述特征数据和预设模型,确定原始轨迹,包括:
基于所述预设模型对所述特征数据进行预测,得到预测轨迹;
在轨迹修复表中查找是否有所述预测轨迹对应的预测记录,所述预测记录包括原始轨迹、错误路段、路段序号;在轨迹修复表中包含与所述预测轨迹对应的预测记录的情况下,将所述预测记录中所述预测轨迹对应的原始轨迹作为输出的原始轨迹。
4.根据权利要求3所述的方法,还包括:
在轨迹修复表中不包含与所述预测轨迹对应的预测记录的情况下,将所述预测轨迹确定为所述原始轨迹。
5.根据权利要求3所述的方法,所述特征数据包括所述原始轨迹中的第一个路段和所述原始轨迹的路段数量N;所述基于所述预设模型对所述特征数据进行预测,得到预测轨迹,包括:
将原始轨迹中的第一个路段作为预测轨迹中的第一个路段;
基于所述预测轨迹中的第一个路段和所述预设模型执行N-1次迭代处理,得到所述预测轨迹;
其中,N-1次迭代处理中的第i次迭代处理包括:
基于所述预设模型对所述预测轨迹中的第i个路段进行处理,得到所述预测轨迹中的第i+1个路段;其中,N为大于等于2的整数,i为小于等于N的正整数。
6.根据权利要求5所述的方法,所述基于所述预设模型对所述预测轨迹中的第i个路段进行处理,得到所述预测轨迹中的第i+1个路段,包括:
利用所述预设模型中的过滤层,确定路网中与所述第i个路段连接的至少一个路段;
利用所述预设模型中的分类器,在所述至少一个路段中确定所述第i+1个路段。
7.一种轨迹处理装置,包括:
特征数据确定模块,用于确定原始轨迹所对应的特征数据;所述特征数据包括所述原始轨迹中的第一个路段和所述原始轨迹的路段数量;
第一轨迹处理模块,用于基于所述特征数据,得到压缩数据;其中,所述压缩数据用于基于预设模型还原得到所述原始轨迹;所述预设模型是基于所述原始轨迹和所述特征数据训练得到的;所述预设模型为循环神经网络压缩模型;
测试模块,用于基于所述预设模型对所述特征数据进行预测,得到预测轨迹;其中,所述预测轨迹包括多个路段;
更新模块,用于在所述预测轨迹与所述原始轨迹不一致的情况下,基于所述预测轨迹与所述原始轨迹,确定所述预测轨迹中的错误路段和所述错误路段的序号;基于原始轨迹、所述错误路段和所述错误路段对应的路段序号确定预测记录;基于所述预测记录,更新轨迹修复表;
其中,所述轨迹修复表用于结合所述预设模型,将所述压缩数据还原为所述原始轨迹。
8.根据权利要求7所述的装置,其中,还包括:
匹配模块,用于将多个轨迹点与路网数据进行匹配,得到与所述多个轨迹点匹配的多个路段;
获取模块,用于基于所述多个路段得到所述原始轨迹。
9.一种轨迹处理装置,包括:
特征数据获取模块,用于基于压缩数据,得到特征数据;所述压缩数据包括多个特征数据,所述特征数据包括:路段序列的路段名称、路段序列的路段顺序、路段序列的路段数量;
预测模块,用于基于所述特征数据和预设模型,确定原始轨迹;其中,所述预设模型是基于所述原始轨迹和所述特征数据训练得到的;
其中,所述预测模块,包括:
第一处理子模块,用于基于所述预设模型对所述特征数据进行预测,得到预测轨迹;
第二处理子模块,用于在轨迹修复表中查找是否有所述预测轨迹对应的预测记录,所述预测记录包括原始轨迹、错误路段、路段序号;在轨迹修复表中包含与所述预测轨迹对应的预测记录的情况下,将所述预测记录中所述预测轨迹对应的原始轨迹作为输出的原始轨迹。
10.根据权利要求9所述的装置,其中,所述预测模块,还包括:
第三处理子模块,用于在轨迹修复表中不包含与所述预测轨迹对应的预测记录的情况下,将所述预测轨迹确定为所述原始轨迹。
11.根据权利要求9所述的装置,所述特征数据包括所述原始轨迹中的第一个路段和所述原始轨迹的路段数量N;所述特征数据获取模块,包括:
第四处理子模块,用于将原始轨迹中的第一个路段作为预测轨迹中的第一个路段;
迭代处理子模块,用于基于所述预测轨迹中的第一个路段和所述预设模型执行N-1次迭代处理,得到所述预测轨迹;
其中,N-1次迭代处理中的第i次迭代处理包括:
基于所述预设模型对所述预测轨迹中的第i个路段进行处理,得到所述预测轨迹中的第i+1个路段;其中,N为大于等于2的整数,i为小于等于N的正整数。
12.根据权利要求11所述的装置,所述迭代处理子模块,还用于:
利用所述预设模型中的过滤层,确定路网中与所述第i个路段连接的至少一个路段;
利用所述预设模型中的分类器,在所述至少一个路段中确定所述第i+1个路段。
13. 一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110736684.1A CN113449062B (zh) | 2021-06-30 | 2021-06-30 | 轨迹处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110736684.1A CN113449062B (zh) | 2021-06-30 | 2021-06-30 | 轨迹处理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449062A CN113449062A (zh) | 2021-09-28 |
CN113449062B true CN113449062B (zh) | 2024-04-12 |
Family
ID=77814419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110736684.1A Active CN113449062B (zh) | 2021-06-30 | 2021-06-30 | 轨迹处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449062B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113865611A (zh) * | 2021-10-27 | 2021-12-31 | 北京百度网讯科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3358303A1 (en) * | 2017-02-07 | 2018-08-08 | HERE Global B.V. | An apparatus and associated methods for use in updating map data |
CN111275225A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 空车轨迹预测方法、预测装置、服务器和可读存储介质 |
CN112925782A (zh) * | 2021-03-12 | 2021-06-08 | 上海海事大学 | 一种基于lstm预测和平滑分析思想的轨迹数据压缩方法 |
-
2021
- 2021-06-30 CN CN202110736684.1A patent/CN113449062B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3358303A1 (en) * | 2017-02-07 | 2018-08-08 | HERE Global B.V. | An apparatus and associated methods for use in updating map data |
CN111275225A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 空车轨迹预测方法、预测装置、服务器和可读存储介质 |
CN112925782A (zh) * | 2021-03-12 | 2021-06-08 | 上海海事大学 | 一种基于lstm预测和平滑分析思想的轨迹数据压缩方法 |
Non-Patent Citations (2)
Title |
---|
An RNN-based Learnable Extended Kalman Filter Design and Application;Tianyu Zheng等;2019 18th European Control Conference (ECC);20190815;全文 * |
基于预测模型的轨迹数据压缩方法;陈煜;蒋伟;周继恩;;计算机应用;20180110(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113449062A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
CN113449062B (zh) | 轨迹处理方法、装置、电子设备和存储介质 | |
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN113326449A (zh) | 预测交通流量的方法、装置、电子设备和介质 | |
CN116361567B (zh) | 应用于云办公的数据处理方法及系统 | |
CN110738048A (zh) | 一种关键词提取方法、装置及终端设备 | |
CN112699272B (zh) | 信息输出方法、装置和电子设备 | |
CN114692987A (zh) | 一种时序数据分析方法、装置、设备及存储介质 | |
CN115482422B (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
CN110647519B (zh) | 对测试样本中的缺失属性值进行预测的方法及装置 | |
CN113093702B (zh) | 故障数据的预测方法和装置、电子设备和存储介质 | |
CN113553407B (zh) | 事件追溯方法、装置、电子设备及存储介质 | |
CN115482809B (zh) | 关键词检索方法、装置、电子设备以及存储介质 | |
CN115543991B (zh) | 基于特征抽样的数据修复方法、装置及相关设备 | |
CN115600131B (zh) | 基于图形化测试平台的自动测试系统 | |
CN114710397B (zh) | 服务链路的故障根因定位方法、装置、电子设备及介质 | |
CN117372179A (zh) | 模型解释方法、装置、设备及存储介质 | |
CN116090437A (zh) | 完型填空题目的处理方法、装置、设备及存储介质 | |
CN116777943A (zh) | 一种图像处理网络模型参数裁剪的应用方法、装置及介质 | |
CN115935976A (zh) | 一种试题匹配方法及装置 | |
CN115545341A (zh) | 一种事件预测方法、装置、电子设备及存储介质 | |
CN115205733A (zh) | 视频识别方法、装置、设备、系统及存储介质 | |
CN115497050A (zh) | 车辆信息识别方法、装置及电子设备 | |
CN112579842A (zh) | 模型搜索方法、装置、电子设备、存储介质和程序产品 |
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 |