CN113865611B - 一种数据处理方法、装置、设备及存储介质 - Google Patents
一种数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113865611B CN113865611B CN202111257412.XA CN202111257412A CN113865611B CN 113865611 B CN113865611 B CN 113865611B CN 202111257412 A CN202111257412 A CN 202111257412A CN 113865611 B CN113865611 B CN 113865611B
- Authority
- CN
- China
- Prior art keywords
- data
- key
- road
- track
- track data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction 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
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
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本公开提供了一种数据处理方法、装置、设备及存储介质，属于人工智能技术领域，尤其涉及智能交通和地图技术领域。具体实现方案为：采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹；根据所述至少两个子轨迹和路网数据，从路网中确定所述原始轨迹数据的关键道路；根据所述关键道路和所述原始轨迹数据，进行路径规划，得到所述原始轨迹数据对应的实际路径。通过上述技术方案，采用多分辨率采样，不仅可以弱化定位误差带来的影响，同时还可以减少匹配毛刺，有效地提升了轨迹还原的质量，为基于原始轨迹数据确定实际路径提供了一种新思路。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及智能交通和地图技术领域，具体涉及一种数据处理方法、装置、设备及存储介质。
背景技术
步行路线规划，作为地图产品的基础功能之一，不仅直接为用户提供步行规划，也支撑了其他交通工具(如公共交通)为用户提供完整的规划体验。因此，步行检索和导航，积累了大量轨迹数据。那么如何将轨迹数据，匹配至路网数据，还原成一条实际路径，成为一个不可规避的问题。
发明内容
本公开提供了一种数据处理方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种数据处理方法，该方法包括：
采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹；
根据所述至少两个子轨迹和路网数据，从路网中确定所述原始轨迹数据的关键道路；
根据所述关键道路和所述原始轨迹数据，进行路径规划，得到所述原始轨迹数据对应的实际路径。
根据本公开的另一方面，提供了一种电子设备，该电子设备包括：
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本公开任一实施例所述的数据处理方法。
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，所述计算机指令用于使计算机执行本公开任一实施例所述的数据处理方法。
根据本公开的技术，能够有效提升基于原始轨迹数据确定实际路径的质量，为基于原始轨迹数据确定实际路径提供了一种新思路。
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是根据本公开实施例提供的一种数据处理方法的流程图；
图2是根据本公开实施例提供的另一种数据处理方法的流程图；
图3是根据本公开实施例提供的又一种数据处理方法的流程图；
图4是根据本公开实施例提供的再一种数据处理方法的流程图；
图5是根据本公开实施例提供的一种数据处理装置的结构示意图；
图6是用来实现本公开实施例的数据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是根据本公开实施例提供的一种数据处理方法的流程图。本公开实施例适用于如何进行数据处理的情况，尤其适用于如何基于原始轨迹数据确定其所对应的实际路径的情况。该方法可以由数据处理装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于承载数据处理功能的电子设备中，比如地图或导航应用的服务端中。如图1所示，本实施例提供的数据处理方法可以包括：
S101，采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹。
本实施例中，原始轨迹数据由轨迹点组成，可以是步行轨迹数据、骑行轨迹数据、或驾车轨迹数据等。由于步行轨迹数据相比于驾车轨迹数据而言，更容易受到导航定位偏差的影响，且步行导航定位密度较大，使得步行轨迹数据在进行实际路径确定时更容易出现毛刺，因此，本实施例中的原始轨迹数据优选为步行轨迹数据。进一步的，由于原始轨迹数据可能存在一些异常的轨迹点，因此为了保证后续实际路径的确定的准确性，作为本公开的一种可选方式，还可以对原始轨迹数据进行预处理，例如可以采用中值和均值滤波、卡尔曼滤波、以及粒子滤波等方法，过滤掉原始轨迹数据中的噪声和离散值即异常轨迹点，从而为后续实际路径的确定提供保障。
所谓子轨迹是指对原始轨迹数据采样得到的轨迹数据。
本实施例中，可选的，可以采用预先设定的至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹。具体的，针对每一采样率，采用该采样率对原始轨迹数据进行采样，得到该采样率对应的子轨迹。
可选的，还可以基于统计分析模型，将原始轨迹数据输入至统计分析模型中，经统计分析模型处理，得到至少两个采样率，进而采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹。其中，统计分析模型可以根据历史轨迹数据和历史采样率确定。
S102，根据至少两个子轨迹和路网数据，从路网中确定原始轨迹数据的关键道路。
本实施例中，路网指的是在一定区域内，由各种道路组成的相互联络、交织成网状分布的道路系统；路网数据可以是路网中的道路数据，可选的，路网数据可以从高精地图中获取。进一步的，在原始轨迹数据为步行轨迹数据的情况下，路网数据可以为步行路网数据。
所谓关键道路是指路网数据中与原始轨迹数据接近的道路，或者可以说是用户实际经过的道路。
可选的，针对每一子轨迹，将该子轨迹和路网数据进行匹配，得到该子轨迹对应的关键道路，将各子轨迹对应的关键道路，作为原始轨迹数据的关键道路。
还可以将至少两个子轨迹和路网数据，输入关键道路确定模型中，经过关键道路确定模型处理，得到原始轨迹数据的关键道路。其中，关键道路确定模型可以基于机器学习或者深度学习技术确定。
S103，根据关键道路和原始轨迹数据，进行路径规划，得到原始轨迹数据对应的实际路径。
本实施例中，可以将关键道路和原始轨迹数据输入机器学习模型中，进行路径规划，得到原始轨迹数据对应的实际路径。
或者，还可以采用常规的轨迹规划方式如动态轨迹规划方式或二次轨迹规划方式，对关键道路和原始轨迹数据进行路径规划，得到原始轨迹数据。
本公开实施例提供的技术方案，通过采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹，之后根据至少两个子轨迹和路网数据，从路网中确定原始轨迹数据的关键道路，进而根据关键道路和原始轨迹数据，进行路径规划，得到原始轨迹数据对应的实际路径。上述技术方案，采用多分辨率采样，不仅可以弱化定位误差带来的影响，同时还可以减少匹配毛刺，有效地提升了轨迹还原的质量，为基于原始轨迹数据确定实际路径提供了一种新思路。
在上述实施例的基础上，为了使得子轨迹更加准确，从而确保原始轨迹对应的实际路径更加规范，作为本公开的一种可选实施方式，可以根据原始轨迹数据的轨迹点密度和/或轨迹长度，确定至少两个采样率。不同的原始轨迹数据的采样率可以相同，也可以不同。
示例性的，可以根据原始轨迹数据的轨迹点密度，确定至少两个采样率。具体的，可以在轨迹点密度大的地方，确定较大的采样率，在轨迹点密度小的地方，确定较小的采样率。
示例性的，还可以根据原始轨迹数据的轨迹长度，确定至少两个采样率。具体的，若原始轨迹数据的轨迹长度较长，则确定较大的采样率；若原始轨迹数据的轨迹长度较短，则确定较小的采样率。
示例性的，还可以根据原始轨迹数据的轨迹点密度和轨迹长度，确定至少两个采样率。例如原始轨迹数据的轨迹长度较长，且轨迹点密度较小，则可以优先确定较大的采样率。
可以理解的是，通过结合原始轨迹数据的轨迹点密度和轨迹长度来确定采样率，确保子轨迹更加准确，从而确保了原始轨迹对应的实际路径更加规范。
图2是根据本公开实施例提供的另一种数据处理方法的流程图，本实施例在上述实施例的基础上，进一步对如何“根据至少两个子轨迹和路网数据，从路网中确定原始轨迹数据的关键道路”进行详细解释说明。如图2所示，本实施例提供的数据处理方法可以包括：
S201，采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹。
S202，将至少两个子轨迹分别与路网数据进行匹配，得到至少两个道路集。
其中，道路集是指道路的集合，包括至少一条道路，道路集中的道路是与子轨迹接近的道路。
本实施例中，针对每一子轨迹，可以基于传统的轨迹匹配方法，比如隐马尔科夫模型(HMM)，将该子轨迹与路网数据进行匹配，得到该子轨迹对应的道路集。
S203，根据至少两个道路集，从路网中确定原始轨迹数据的关键道路。
可选的，基于的道路出现次数，对至少两个道路集中的道路进行排序，根据排序结果，从路网中确定原始轨迹数据的关键路径。
示例性的，可以将至少两个道路集中，道路出现次数大于设定阈值的道路，作为原始轨迹数据中的关键道路。其中，设定阈值可以根据实际情况设定。
S204，根据关键道路和原始轨迹数据，进行路径规划，得到原始轨迹数据对应的实际路径。
本公开实施例提供的技术方案，通过采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹，之后将至少两个子轨迹分别与路网数据进行匹配，得到至少两个道路集，并根据至少两个道路集，从路网中确定原始轨迹数据的关键道路，进而根据关键道路和原始轨迹数据，进行路径规划，得到原始轨迹数据对应的实际路径。上述技术方案，通过引入道路集，使得所确定的关键道路更加准确，从而为后续原始轨迹数据对应的实际路径的确定奠定基础。
图3是根据本公开实施例提供的又一种数据处理方法的流程图，本实施例在上述实施例的基础上，进一步对如何“根据关键道路和原始轨迹数据，进行路径规划，得到原始轨迹数据对应的实际路径”进行详细解释说明。如图3所示，本实施例提供的数据处理方法可以包括：
S301，采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹。
S302，根据至少两个子轨迹和路网数据，从路网中确定原始轨迹数据的关键道路。
S303，确定原始轨迹数据的关键轨迹点。
本实施例中，关键轨迹点是指原始轨迹数据中更能表征实际轨迹路径的轨迹点。
本实施例中，一种可实施方式，可以从原始轨迹数据中随机抽取设定数量的轨迹点，作为关键轨迹点。
另一种可实施方式，还可以将原始轨迹数据输入关键轨迹点确定模型中，经过关键轨迹点确定模型处理，得到原始轨迹数据的关键轨迹点。其中，关键轨迹点模型可以是机器学习模型。
又一种可选实施方式，还可以对原始轨迹数据进行聚类，进而根据聚类结果，确定原始轨迹数据的关键轨迹点。具体的，基于轨迹点坐标，对原始轨迹数据的轨迹点进行聚类，得到聚类结果，其中聚类结果中包含多个类别的轨迹点簇。进而，对于聚类结果中的每一类别，将该类别的轨迹点簇的中心点，作为关键轨迹点；或者还可以将该类别的轨迹点簇中距离中心点最近的轨迹点，作为关键轨迹点。
可以理解的是，通过聚类的方式确定原始轨迹数据的关键轨迹点，可以解决轨迹点不均匀问题，点密集的地方、和点稀疏的地方，都能够保证有关键点，也不会导致轨迹点过于冗余。其次，一般来说真正“关键”的点，是比较少的，聚类会有一个抽稀的过程，为后续过程降低了计算量。
S304，根据关键轨迹点和关键道路，进行路径规划，得到原始轨迹数据对应的实际路径。
本实施例中，可以采用常规的轨迹规划方式如动态轨迹规划方式或二次轨迹规划方式，根据关键轨迹点和关键道路，进行路径规划，得到原始轨迹数据对应的实际路径。
本公开实施例提供的技术方案，通过采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹，之后根据至少两个子轨迹和路网数据，从路网中确定原始轨迹数据的关键道路，进而确定原始轨迹数据的关键轨迹点，并根据关键轨迹点和关键道路，进行路径规划，得到原始轨迹数据对应的实际路径。上述技术方案，引入关键轨迹点，在保证实际路径质量的情况下，降低了计算量，从而提高了轨迹还原的速度。
图4是根据本公开实施例提供的再一种数据处理方法的流程图，本实施例在上述实施例的基础上，进一步对如何“根据关键轨迹点和关键道路，进行路径规划，得到原始轨迹数据对应的实际路径”进行详细解释说明。如图4所示，本实施例提供的数据处理方法可以包括：
S401，采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹。
S402，根据至少两个子轨迹和路网数据，从路网中确定原始轨迹数据的关键道路。
S403，确定原始轨迹数据的关键轨迹点。
S404，确定关键轨迹点在关键道路上的投影点。
本实施例中，可以将关键轨迹点投影到关键道路上，得到投影点。
S405，根据投影点，进行路径规划，得到原始轨迹数据对应的实际路径。
可选的，可以将投影点进行连接，并进行平滑处理，得到原始轨迹数据对应的实际路径。
还可以对投影点进行分组，并对同一组内的投影点进行路径规划，其中，每组投影点的数量可以是2个，也可以是3个等。示例性的，可以对投影点进行两两分组，例如，存在4个投影点，分别为A，B，C，D；则可以分组为(A，B)，(C，D)；还可以分组为(A，B)，(B，C)，(C，D)；进而对同一组内的投影点进行路径规划。
进一步的，对不同组的路径规划结果进行拼接，得到原始轨迹数据对应的实际路径。具体的，按照关键道路的方向，对不同组的路径规划结果进行拼接，得到原始轨迹数据对应的实际路径。
可以理解的是，对投影点进行分组来确定实际路径的方式，极大地提升了实际路径的规范性。
本公开实施例提供的技术方案，通过采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹，之后根据至少两个子轨迹和路网数据，从路网中确定原始轨迹数据的关键道路，进而确定原始轨迹数据的关键轨迹点，并确定关键轨迹点在关键道路上的投影点，然后根据投影点，进行路径规划，得到原始轨迹数据对应的实际路径。上述技术方案，通过引入投影点，进行路径规划，为得到规范的实际路径奠定了基础。
图5是根据本公开实施例提供的一种数据处理装置的结构示意图。本公开实施例适用于如何对数据进行处理的情况，尤其适用于如何基于原始轨迹数据确定其所对应的实际路径的情况。该装置可以采用软件和/或硬件来实现，并可集成于承载数据处理功能的电子设备中，比如地图或导航应用的服务端中。如图5所示，该数据处理装置包括：
子轨迹确定模块501，用于采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹；
关键道路确定模块502，用于根据至少两个子轨迹和路网数据，从路网中确定原始轨迹数据的关键道路；
实际路径确定模块503，用于根据关键道路和原始轨迹数据，进行路径规划，得到原始轨迹数据对应的实际路径。
本公开实施例提供的技术方案，通过采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹，之后根据至少两个子轨迹和路网数据，从路网中确定原始轨迹数据的关键道路，进而根据关键道路和原始轨迹数据，进行路径规划，得到原始轨迹数据对应的实际路径。上述技术方案，采用多分辨率采样，不仅可以弱化定位误差带来的影响，同时还可以减少匹配毛刺，有效地提升了轨迹还原的质量，为基于原始轨迹数据确定实际路径提供了一种新思路。
进一步地，关键道路确定模块502，包括：
道路集确定单元，用于将至少两个子轨迹分别与路网数据进行匹配，得到至少两个道路集；
关键道路确定单元，用于根据至少两个道路集，从路网中确定原始轨迹数据的关键道路。
进一步地，实际路径确定模块503包括：
关键轨迹点确定单元，用于确定原始轨迹数据的关键轨迹点；
实际路径确定单元，用于根据关键轨迹点和关键道路，进行路径规划，得到原始轨迹数据对应的实际路径。
进一步地，关键轨迹点确定单元具体用于：
对原始轨迹数据进行聚类；
根据聚类结果，确定原始轨迹数据的关键轨迹点。
进一步地，实际路径确定单元包括：
投影点确定子单元，用于确定关键轨迹点在关键道路上的投影点；
路径规划子单元，用于根据投影点，进行路径规划，得到原始轨迹数据对应的实际路径。
进一步地，路径规划子单元具体用于：
对投影点进行分组，并对同一组内的投影点进行路径规划；
对不同组的路径规划结果进行拼接，得到原始轨迹数据对应的实际路径。
进一步地，该装置还包括：
采样率确定模块，用于根据原始轨迹数据的轨迹点密度和/或轨迹长度，确定至少两个采样率。
进一步地，原始轨迹数据为步行轨迹数据。
本公开的技术方案中，所涉及的轨迹数据、以及路网数据等的获取，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6示出了可以用来实施本公开的实施例的示例电子设备600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6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口606也连接至总线604。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600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601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601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601执行上文所描述的各个方法，例如数据处理方法。例如，在一些实施例中，数据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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的数据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601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理方法。
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 (17)
1.一种数据处理方法，包括：
采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹；
将所述至少两个子轨迹分别与路网数据进行匹配，得到至少两个道路集；
基于道路出现次数，对至少两个道路集中的道路进行排序，根据排序结果，从路网中确定所述原始轨迹数据的关键道路；其中，道路集中的道路是与子轨迹接近的道路；
根据所述关键道路和所述原始轨迹数据，进行路径规划，得到所述原始轨迹数据对应的实际路径。
2.根据权利要求1所述的方法，其中，所述根据所述关键道路和所述原始轨迹数据，进行路径规划，得到所述原始轨迹数据对应的实际路径，包括：
确定所述原始轨迹数据的关键轨迹点；
根据所述关键轨迹点和所述关键道路，进行路径规划，得到所述原始轨迹数据对应的实际路径。
3.根据权利要求2所述的方法，其中，所述确定所述原始轨迹数据的关键轨迹点，包括：
对所述原始轨迹数据进行聚类；
根据聚类结果，确定所述原始轨迹数据的关键轨迹点。
4.根据权利要求2所述的方法，其中，所述根据所述关键轨迹点和所述关键道路，进行路径规划，得到所述原始轨迹数据对应的实际路径，包括：
确定所述关键轨迹点在所述关键道路上的投影点；
根据所述投影点，进行路径规划，得到所述原始轨迹数据对应的实际路径。
5.根据权利要求4所述的方法，其中，所述根据所述投影点，进行路径规划，得到所述原始轨迹数据对应的实际路径，包括：
对投影点进行分组，并对同一组内的投影点进行路径规划；
对不同组的路径规划结果进行拼接，得到所述原始轨迹数据对应的实际路径。
6.根据权利要求1所述方法，还包括：
根据所述原始轨迹数据的轨迹点密度和/或轨迹长度，确定至少两个采样率。
7.根据权利要求1-6任一所述的方法，其中，所述原始轨迹数据为步行轨迹数据。
8.一种数据处理装置，包括：
子轨迹确定模块，用于采用至少两个采样率，分别对原始轨迹数据进行采样，得到至少两个子轨迹；
关键道路确定模块，用于根据所述至少两个子轨迹和路网数据，从路网中确定所述原始轨迹数据的关键道路；
实际路径确定模块，用于根据所述关键道路和所述原始轨迹数据，进行路径规划，得到所述原始轨迹数据对应的实际路径；
其中，所述关键道路确定模块，包括：
道路集确定单元，用于将所述至少两个子轨迹分别与路网数据进行匹配，得到至少两个道路集；
关键道路确定单元，用于基于道路出现次数，对至少两个道路集中的道路进行排序，根据排序结果，从路网中确定所述原始轨迹数据的关键道路；其中，道路集中的道路是与子轨迹接近的道路。
9.根据权利要求8所述的装置，其中，所述实际路径确定模块包括：
关键轨迹点确定单元，用于确定所述原始轨迹数据的关键轨迹点；
实际路径确定单元，用于根据所述关键轨迹点和所述关键道路，进行路径规划，得到所述原始轨迹数据对应的实际路径。
10.根据权利要求9所述的装置，其中，所述关键轨迹点确定单元具体用于：
对所述原始轨迹数据进行聚类；
根据聚类结果，确定所述原始轨迹数据的关键轨迹点。
11.根据权利要求9所述的装置，其中，所述实际路径确定单元包括：
投影点确定子单元，用于确定所述关键轨迹点在所述关键道路上的投影点；
路径规划子单元，用于根据所述投影点，进行路径规划，得到所述原始轨迹数据对应的实际路径。
12.根据权利要求11所述的装置，其中，所述路径规划子单元具体用于：
对投影点进行分组，并对同一组内的投影点进行路径规划；
对不同组的路径规划结果进行拼接，得到所述原始轨迹数据对应的实际路径。
13.根据权利要求8所述装置，还包括：
采样率确定模块，用于根据所述原始轨迹数据的轨迹点密度和/或轨迹长度，确定至少两个采样率。
14.根据权利要求8-13任一所述的装置，其中，所述原始轨迹数据为步行轨迹数据。
15.一种电子设备，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中任一项所述的数据处理方法。
16.一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1-7中任一项所述的数据处理方法。
17.一种计算机程序产品，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1-7中任一项所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111257412.XA CN113865611B (zh) | 2021-10-27 | 2021-10-27 | 一种数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111257412.XA CN113865611B (zh) | 2021-10-27 | 2021-10-27 | 一种数据处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113865611A CN113865611A (zh) | 2021-12-31 |
| CN113865611B true CN113865611B (zh) | 2024-07-19 |
Family
ID=78998483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111257412.XA Active CN113865611B (zh) | 2021-10-27 | 2021-10-27 | 一种数据处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113865611B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108645421A (zh) * | 2018-05-15 | 2018-10-12 | 天津大学 | 基于隐马尔科夫模型的自适应在线地图匹配方法 |
| CN111024098A (zh) * | 2019-12-27 | 2020-04-17 | 江苏欣网视讯软件技术有限公司 | 一种基于低采样数据的机动车路径拟合算法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767615B (zh) * | 2018-10-19 | 2021-05-18 | 江苏智通交通科技有限公司 | 路网交通流关键流向和关键路径分析方法 |
| US20200158516A1 (en) * | 2018-11-20 | 2020-05-21 | Here Global B.V. | Method and apparatus for determining map matching quality using binary classification |
| CN109697221B (zh) * | 2018-11-22 | 2021-07-09 | 东软集团股份有限公司 | 轨迹规律的挖掘方法、装置、存储介质及电子设备 |
| CN111796586B (zh) * | 2019-03-19 | 2024-08-27 | 北京奇虎科技有限公司 | 一种智能移动设备的局部路径规划方法和装置 |
| US12005892B2 (en) * | 2019-11-14 | 2024-06-11 | Nec Corporation | Simulating diverse long-term future trajectories in road scenes |
| WO2021150166A1 (en) * | 2020-01-20 | 2021-07-29 | Nanyang Technological University | Determining a route between an origin and a destination |
| US11520338B2 (en) * | 2020-02-27 | 2022-12-06 | Uatc, Llc | Systems and methods for vehicle spatial path sampling |
| CN111740981A (zh) * | 2020-06-18 | 2020-10-02 | 合肥市大数据资产运营有限公司 | 一种汽车gps轨迹数据压缩方法 |
| CN112765214B (zh) * | 2021-01-12 | 2022-06-17 | 武汉光庭信息技术股份有限公司 | 一种电子地图路径匹配方法、系统、服务器及存储介质 |
| CN112463911A (zh) * | 2021-02-02 | 2021-03-09 | 智道网联科技(北京)有限公司 | 道路活跃度确定方法、装置及存储介质 |
| CN113449062B (zh) * | 2021-06-30 | 2024-04-12 | 北京百度网讯科技有限公司 | 轨迹处理方法、装置、电子设备和存储介质 |
-
2021
- 2021-10-27 CN CN202111257412.XA patent/CN113865611B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108645421A (zh) * | 2018-05-15 | 2018-10-12 | 天津大学 | 基于隐马尔科夫模型的自适应在线地图匹配方法 |
| CN111024098A (zh) * | 2019-12-27 | 2020-04-17 | 江苏欣网视讯软件技术有限公司 | 一种基于低采样数据的机动车路径拟合算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113865611A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113155141A (zh) | 地图的生成方法、装置、电子设备及存储介质 | |
| CN114626169B (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
| CN113971723B (zh) | 高精地图中三维地图的构建方法、装置、设备和存储介质 | |
| CN114677570A (zh) | 道路信息更新方法、装置、电子设备以及存储介质 | |
| CN114625822A (zh) | 高精地图的更新方法、装置及电子设备 | |
| CN113865611B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| US20220164723A1 (en) | Method for determining boarding information, electronic device, and storage medium | |
| CN113447034B (zh) | 一种路网数据处理方法、装置、电子设备及可读存储介质 | |
| CN115168527A (zh) | 实时轨迹数据处理方法、装置、系统及电子设备 | |
| CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
| CN114659537A (zh) | 导航起点道路确定方法、装置、设备及存储介质 | |
| CN114689061A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
| CN113447013A (zh) | 施工道路识别方法、装置、设备、存储介质和程序产品 | |
| CN114383600B (zh) | 用于地图的处理方法、装置、电子设备和存储介质 | |
| CN113723405A (zh) | 区域轮廓的确定方法、装置和电子设备 | |
| CN115507866B (zh) | 地图数据的处理方法、装置、电子设备和介质 | |
| CN114910081B (zh) | 车辆定位方法、装置及电子设备 | |
| CN113032512B (zh) | 路网数据的更新方法、装置、设备、存储介质及产品 | |
| CN114993326A (zh) | 导航处理方法、装置及电子设备 | |
| CN114333326B (zh) | 一种路口拥堵检测方法、装置及电子设备 | |
| CN115080677A (zh) | 用于规划路线的方法、装置、设备、介质和产品 | |
| CN114323039B (zh) | 高精地图的数据采集方法、装置、车辆、设备和存储介质 | |
| US20220026227A1 (en) | Navigation route determination method, device, and storage medium | |
| CN118533194A (zh) | 引导信息评估方法和装置 | |
| CN114565905A (zh) | 车道线的提取方法、装置和电子设备 |
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 |