CN114155391A - 轨迹处理方法、装置及计算机设备 - Google Patents

Abstract

本说明书提供一种轨迹处理方法、装置及计算机设备，所述方法包括：获取目标区域对应的初始轨迹集合，所述初始轨迹集合包括多条轨迹；获取所述目标区域包含的多个地理网格；根据每条轨迹的地理位置，确定归属于每个地理网格的轨迹，得到每个地理网格的轨迹集合；对每个地理网格执行如下轨迹聚类处理：获取当前地理网格的轨迹集合，以及获取与所述当前地理网格相邻的至少一个地理网格的轨迹集合；利用获取的轨迹集合，获取所述当前地理网格的轨迹聚类结果；根据各个地理网格的轨迹聚类结果，获取所述目标区域的轨迹聚类结果。

Description

轨迹处理方法、装置及计算机设备

技术领域

本说明书实施例涉及计算机技术领域，尤其涉及轨迹处理方法、装置及计算机设备。

背景技术

目前，很多业务场景都具有处理轨迹数据的需求。例如配送业务场景中，业务方可以获取到配送运力配送过程中的活动轨迹数据。这些活动轨迹数据对于业务的提升具有重要意义，例如可以为配送运力提供精准导航、用于优化配送订单的调度或者提升配送运力的配送效率等等。或者，如地图导航等业务场景中，业务可以获取到车辆的行驶轨迹数据，这些行驶轨迹数据也需要进行处理以提升业务。实际应用中，业务方可以获取到大量的轨迹数据，如何提高数据处理效率、如何从轨迹数据中获取到准确的信息，是本领域亟待解决的技术问题。

发明内容

为克服相关技术中存在的问题，本说明书提供了轨迹处理方法、装置及计算机设备实施例。

根据本说明书实施例的第一方面，提供一种轨迹处理方法，所述方法包括：

获取目标区域对应的初始轨迹集合，所述初始轨迹集合包括多条轨迹；

获取所述目标区域包含的多个地理网格；

根据每条轨迹的地理位置，确定归属于每个地理网格的轨迹，得到每个地理网格的轨迹集合；

对每个地理网格执行如下轨迹聚类处理：获取当前地理网格的轨迹集合，以及获取与所述当前地理网格相邻的至少一个地理网格的轨迹集合；利用获取的轨迹集合，获取所述当前地理网格的轨迹聚类结果；

根据各个地理网格的轨迹聚类结果，获取所述目标区域的轨迹聚类结果。

根据本说明书实施例的第二方面，提供一种获取代表性轨迹的方法，所述方法包括：

获取待识别代表性轨迹的轨迹集合；所述轨迹集合包括多条被聚类为同一簇的第一轨迹，第一轨迹是指由轨迹起点和轨迹终点表征的线段；

获取所述轨迹集合的平均向量，将所述平均向量与所述轨迹集合中的每条第一轨迹均平移至相同起点；

针对每条第一轨迹平移后得到的第二轨迹，获取第二轨迹的目标直线与其他第二轨迹的交点，所述目标直线是经过所述第二轨迹的轨迹终点并与所述平均向量垂直的直线；

根据获取的交点，确定出代表性轨迹。

根据本说明书实施例的第三方面，提供一种轨迹合并方法，所述方法包括：

获取目标区域内的待合并的多条轨迹，每条轨迹包括轨迹起点坐标和轨迹终点坐标；

根据每条轨迹的轨迹起点坐标和轨迹终点坐标，获取每条轨迹的矢量方向；

根据各条轨迹的矢量方向，获取一组或多组矢量方向一致的轨迹集合；

针对每组轨迹集合，选取出距离最长的目标轨迹；基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，得到对应所述目标轨迹的图形；针对除所述目标轨迹之外的每条其他轨迹，获取每条其他轨迹与所述图形的碰撞关系，确定是否将所述其他轨迹与所述目标轨迹进行合并。

根据本说明书实施例的第四方面，提供一种轨迹相似度确定方法，所述方法包括：

获取待识别相似度的两条轨迹；其中，所述两条轨迹包括第一轨迹和第二轨迹，每条轨迹具有轨迹起点坐标和轨迹终点坐标；

基于所述第一轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，得到对应所述第一轨迹的图形；

对所述第二轨迹与所述图形进行图形碰撞关系检测，得到所述第二轨迹与所述图形碰撞部分的长度；

根据所述长度确定所述两条轨迹的相似度；其中，所述长度与所述相似度呈正相关关系。

根据本说明书实施例的第五方面，提供一种轨迹处理装置，所述装置包括：

轨迹集合获取模块，用于：获取目标区域对应的初始轨迹集合，所述初始轨迹集合包括多条轨迹；

地理网格获取模块，用于：获取所述目标区域包含的多个地理网格；

轨迹归属处理模块，用于：根据每条轨迹的地理位置，确定归属于每个地理网格的轨迹，得到每个地理网格的轨迹集合；

聚类处理模块，用于：对每个地理网格执行如下轨迹聚类处理：获取当前地理网格的轨迹集合，以及获取与所述当前地理网格相邻的至少一个地理网格的轨迹集合；利用获取的轨迹集合，获取所述当前地理网格的轨迹聚类结果；

聚类结果获取模块，用于：根据各个地理网格的轨迹聚类结果，获取所述目标区域的轨迹聚类结果。

根据本说明书实施例的第六方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现前述第一至第四方面任一所述的方法。

本说明书的实施例提供的技术方案可以包括以下有益效果：

本说明书实施例中，基于地理位置，对需要轨迹聚类的目标区域划分出多个地理网格，并对目标区域的初始轨迹集合划分出多个对应于地理网格的轨迹集合，并且在聚类处理时，是针对每个地理网格进行聚类，因此相对于全局聚类的方式可以显著地减少计算量；虽然对全局的初始轨迹集合按照地理位置划分了多个数据集，但是在每个地理网格聚类处理，聚类的数据集不仅包括当前地理网格的数据集，还参考了相邻地理网格的轨迹数据集，因此仍然能保证聚类结果的准确性。

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，并不能限制本说明书。

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，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。

图1A是本说明书根据一示例性实施例示出的一种轨迹处理方法的流程图。

图1B是本说明书根据一示例性实施例示出的一种轨迹处理方法的流程图。

图1C是本说明书根据一示例性实施例示出的一种轨迹数据处理前后示意图。

图2是本说明书根据一示例性实施例示出的一种获取代表性轨迹的方法的流程图。

图3是本说明书根据一示例性实施例示出的一种轨迹合并方法的流程图。

图4是本说明书根据一示例性实施例示出的一种轨迹相似度确定方法的流程图。

图5是本说明书根据一示例性实施例示出的一种轨迹处理装置所在计算机设备的硬件结构图。

图6是本说明书根据一示例性实施例示出的一种轨迹处理装置的结构图。

图7是本说明书根据一示例性实施例示出的一种获取代表性轨迹的装置的结构图。

图8是本说明书根据一示例性实施例示出的一种轨迹合并装置的结构图。

图9是本说明书根据一示例性实施例示出的一种轨迹相似度确定装置的结构图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

如背景技术中所言，在很多业务场景中，在用户授权同意的情况下，业务方可以获取到用户的轨迹数据，通过分析用户的轨迹数据可以提升业务，为用户提供更好的服务。然而，在一些场景中，业务方可能获取到大量的轨迹数据，这些大量的轨迹数据可能有一定的相似性，也存在一些差异，如何高效准确地处理轨迹数据是业务方所面临的较大难题。

以配送场景为例，业务方可以获取到配送运力的轨迹数据。本实施例的配送运力包括但不限于配送员、机器人、无人机或无人车等。配送运力的轨迹数据，可以利用配送运力携带的电子设备采集数据而获取到。本实施例的配送运力携带的电子设备，可以包括如下一种或多种的组合：智能手机等手持便携式设备，或者是如智能手环或智能手表等可穿戴便携式设备，还可以包括其他如配置在外卖箱或移动工具（如电瓶车）上的电子设备等。电子设备中可以配置用于采集数据的数据采集单元，用于采集电子设备的移动状态数据，这些移动状态数据表征了配送运力的活动状态。在一些例子中，电子设备上配置有定位单元，用于采集设备的定位信息；作为例子，此处的定位单元可以包括基于卫星的定位单元，如GPS（Global Positioning System）定位单元或北斗卫星定位单元，还可以是GLONASS或伽利略卫星定位单元等，定位信息可以包括经纬度和高度。在另一些例子中，电子设备上配置有通信单元，通信单元可以通过与基站的通信来获取到包括有经纬度的定位信息。或者，还可以结合电子设备配置的IMU（惯性测量单元）等采集的数据来获取轨迹数据。其他业务场景中，例如车辆的行驶轨迹数据、用户的行走轨迹数据等，其获取方式也类似。

业务方所获取的用户的一些轨迹数据，其包括了多个采样时刻的定位信息，定位信息包括地理坐标信息，也即是这些轨迹数据有多个分布在不同地理位置上的数据点。本实施例中，轨迹数据包括用于描述一条轨迹的数据，作为例子，轨迹数据可以包括有轨迹起点坐标和轨迹终点坐标，即一条轨迹由起点的坐标和终点的坐标来表示，该坐标是地理位置坐标，包括经度和纬度。因此，这些轨迹数据实际上表征了真实环境中可通行的道路的数据。

在一些场景中，轨迹数据的采集频率可能较高，业务方所获取的轨迹数据可能较为密集。例如，某个用户在某个时间段行走了100米，这个过程中采集到了多条轨迹的轨迹数据，由于采样频率较高，每条轨迹数据对应了真实环境中5米的距离，因此采集到了20条轨迹的轨迹数据。由于数据密度较大，为了减少数据量，可选的，可以采用Douglas-Peucker算法、或者Visvalingam-Whyatt算法、或者是两者组合的方式，以对大量轨迹数据进行压缩。例如，将20条轨迹的轨迹数据压缩为一条表示100米距离的轨迹数据，从而将20条轨迹的多个数据点压缩为一条轨迹的2个数据点。

经过压缩可以降低数据量，在一些场景中，对于待分析的某个区域的所有轨迹，还可以进一步执行轨迹聚类，以对轨迹数据进行聚类分析。一些轨迹聚类的方式是，针对待聚类的所有轨迹进行聚类，即根据某个特定标准（如距离准则等），将一个数据集分割成不同的簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大，即聚类后同一类的数据尽可能聚集到一起，不同数据尽量分离。聚类算法有多种，例如k-means、k-medoids、k-modes、k-medians、kernel k-means等算法。以经典k-means算法为例，k-means算法是一种迭代求解的聚类分析算法，其处理步骤将数据分为k组，随机选取k个对象作为初始的聚类中心，然后计算每个对象与各个聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，或误差平方和局部最小等。此种方式采用全局聚类的构思，对待聚类的整个数据集进行聚类，需要遍历多次、且每次的遍历的数据量较大，因此性能较差，聚类效率较低。

基于此，本说明书提供了一种轨迹处理方法的实施例，该实施例基于地理位置，对需要轨迹聚类的目标区域划分出多个地理网格，并对目标区域的初始轨迹集合划分出多个对应于地理网格的轨迹集合，并且在聚类处理时，是针对每个地理网格进行聚类，因此相对于全局聚类的方式可以显著地减少计算量；虽然对全局的初始轨迹集合按照地理位置划分了多个数据集，但是在每个地理网格聚类处理，聚类的数据集不仅包括当前地理网格的数据集，还参考了相邻地理网格的轨迹数据集，因此仍然能保证聚类结果的准确性。接下来对通过一些实施例进行说明。

如图1A所示，是本说明书根据一示例性实施例示出的一种轨迹处理方法的流程图，包括如下步骤：

在步骤102中，获取目标区域对应的初始轨迹集合，所述初始轨迹集合包括多条轨迹；

在步骤104中，获取所述目标区域包含的多个地理网格；

在步骤106中，根据每条轨迹的地理位置，确定归属于每个地理网格的轨迹，得到每个地理网格的轨迹集合；

在步骤108中，对每个地理网格执行如下轨迹聚类处理：获取当前地理网格的轨迹集合，以及获取与所述当前地理网格相邻的至少一个地理网格的轨迹集合；利用获取的轨迹集合，获取所述当前地理网格的轨迹聚类结果；

在步骤110中，根据各个地理网格的轨迹聚类结果，获取所述目标区域的轨迹聚类结果。

本实施例的轨迹处理的对象是目标区域对应的初始轨迹集合，该初始轨迹集合包括多条轨迹，该目标区域具有一定的地理范围，实际应用中根据不同场景的聚类需要，该目标区域的大小可以有多种选择，本实施例对此不进行限定。

其中，本实施例可以对目标区域划分出多个地理网格。本实施例的地理网格，即全球离散网格，是一种全球建模解决方案，其借助特定方法将全球地理范围分割成无缝无重叠的多分辨率的地理网格，并对地理网格进行统一编码。其中，每个地理网格覆盖一定的地理范围，实际应用中可以根据需要设定地理网格的大小等网格信息。本实施例对目标区域划分地理网格，可以是预先划分，也可以是触发执行本实施例的轨迹处理时进行划分。其中，划分的方式可以根据需要灵活确定，例如可以是平均划分的方式，即每个地理网格的大小均相同；作为例子，可以设定每个地理网格为1×1平方公里的网格；也可以是非平均划分的方式，即不限定每个地理网格的大小是否相同。可选的，还可以结合目标区域的实际的地理环境信息来划分地理网格；或者，还可以是人工划分的方式等等，本实施例对此不进行限定。

本实施例的轨迹包括具有地理位置信息的轨迹，实际应用中，轨迹可以采用多种信息来描述，例如可以包括轨迹起点坐标和轨迹起点坐标，或者也可以包括轨迹的中心坐标和轨迹的长度，或者每条轨迹还可以包括多个轨迹段，各条轨迹段可以采用起点坐标和终点坐标描述，也可以采用轨迹段的中心坐标和轨迹段的长度等等，本实施例对此不进行限定。

本实施例中，将目标区域的初始轨迹集合中的每条轨迹，根据轨迹的地理位置确定归属于每个地理网格的轨迹，得到每个地理网格的轨迹集合；也即是将初始轨迹集合划分出了多个轨迹集合。其中，轨迹具有一定的长度，如何确定每条轨迹所归属的地理网格，根据需要可以有多种实现方式。例如，可以是基于轨迹的起点坐标和/或终点坐标来确定，例如轨迹的起点坐标落入哪个地理网格，就将轨迹确定为归属该地理网格；采用轨迹的终点坐标也同理；或者还可以是基于轨迹的中心坐标来确定归属等等，本实施例对此不进行限定。

可选的，为了提高计算效率和提升聚类准确性，本实施例的轨迹可以采用起点坐标和终点坐标来描述，即轨迹对应有轨迹起点坐标和轨迹终点坐标，该坐标可以包括地理位置坐标，通过两个点来表征一条轨迹，可以降低轨迹数据的存储量。而在确定归属时，可以根据所述轨迹的轨迹起点坐标和轨迹终点坐标，获取所述轨迹的中心位置；根据每条轨迹的中心位置，确定归属于每个地理网格的轨迹，也可以降低计算量，而采用中心位置来确定轨迹归属的地理网格也可以保证数据处理的准确性。

本实施例中，基于地理位置对初始轨迹集合划分为多个轨迹集合，在后续聚类处理中，采用非全局聚类的方式对每个地理网格单独进行聚类处理。然而，考虑到全局的初始轨迹集合划分出多个轨迹集合的过程中，可能存在某些轨迹处于相邻地理网格的边缘区域，因此，每个地理网格执行轨迹聚类处理时，不仅采用该地理网格的轨迹集合，还结合了地理网格相邻的至少一个地理网格的轨迹集合，使得相邻地理网格中全部或部分的邻近的轨迹也能参与聚类处理，从而提升每个地理网格的聚类结果的准确性。

例如，地理网格A与地理网格B相邻，地理网格A内的某些轨迹与地理网格B的某些轨迹距离较近且相似度较高；由于在确定轨迹的归属时这些轨迹归属于不同的地理网格，但在针对地理网格A进行聚类时，由于还参考了地理网格B的轨迹集合，因此地理网格B中的某些轨迹也可能聚类至地理网格A中；在针对地理网格B进行聚类时，地理网格A中的某些轨迹也可能聚类至地理网格B中，从而提升了轨迹聚类的准确性。又例如，由于是基于地理位置划分地理网格，某些轨迹可能跨越两个或以上的地理网格，采用本实施例的方案，这些轨迹可以分别参与至两个地理网格的聚类中，从而可以准确地确定这些轨迹所属的簇类，因此保证了轨迹聚类的准确性。

其中，本实施例中，针对每个地理网格的相邻的至少一个地理网格，可以根据需要灵活确定。例如，与当前地理网格相邻的至少一个地理网格，包括：与所述当前地理网格邻近的所有地理网格。例如，对于目标区域中处于边缘的地理网格，与其邻近的地理网格是3个；对于非边缘的地理网格，与其邻近的地理网格是8个，从而考虑所有相邻地理网格的轨迹，提升数据处理准确性。可选的，也可以根据需要选取部分相邻地理网格的轨迹。

实际应用中，在对每个地理网格进行聚类时，可以采用多种聚类方式。例如，可以包括前述的K-means等迭代求解的算法等等。

为了提升处理效率和准确性，在另一些例子中，针对每个地理网格的聚类处理，可以确定所述获取的轨迹数据集中每两条轨迹之间的相似度，根据所述每两条轨迹之间的相似度，获取所述当前地理网格的轨迹聚类结果。本实施例中未采用迭代求解的方式进行聚类；而是采用计算两两轨迹相似度的方式，根据需要聚类的轨迹数据集中每两条轨迹之间的相似度，来进行聚类处理。由于先确定每两条轨迹之间的相似度，在聚类处理时，基于每两条轨迹之间的相似度，可以确定这两条轨迹是否能够作为一类。作为例子，可以设置相似度阈值，读取每一个相似度，相似度大于相似度阈值的，即可认为两条轨迹作为一类。作为例子，可以对获取的轨迹集合中的各条轨迹编号，并将获取的任两条轨迹的相似度构建相似度矩阵，矩阵的行表示各条轨迹的编号，矩阵的列也表示各条轨迹的编号，矩阵的每个元素表示两条轨迹之间的相似度，基于此，可以依次读取相似度矩阵中每个元素，根据每个元素所指示的两条轨迹的相似度，对该两条轨迹是否可作为一类进行判定。因此，本实施例无需预先设定聚类类别、无需多次迭代，可以快速地实现聚类。

在一些例子中，确定两条轨迹之间的相似度，根据需要可以有多种实现方式，例如可以基于轨迹的位置、轨迹的方向或轨迹的长度等一种或多种因素来确定相似度。或者，也可以采用Traclus算法中的两条轨迹的垂直距离、平均距离和角度距离来确定相似度。

在其他例子中，还可以结合具体的应用场景来确定该相似度的计算方式。例如，对于配送业务场景，需要处理的是配送运力的配送轨迹；在一些配送业务场景中，例如送货上门等配送场景，配送轨迹包括骑手走路或利用单车通行所形成的轨迹，这些轨迹通常会覆盖到实际地理环境中较为底层的区域，例如小区内部等，配送运力所经过的道路级别较低、道路较小、路面较窄，例如小巷等。因此，两个不同配送运力在相同道路上所形成的轨迹，从垂直距离和平均距离的维度来看，基本差别不大；但从角度距离的维度来看，则可能有一定的差异。例如，在一个转弯路口，一些配送运力利用单车通行时，可能较快速地并利用较小的角度就转弯通过；一些配送运力利用单车通行时，可能较慢速地、利用较大的角度转弯；因此，不同配送运力会形成角度不同的轨迹。因此，在配送场景下，为了准确地衡量两条轨迹的相似度，本实施例的每两条轨迹之间的相似度，可以基于轨迹之间的垂直距离、平均距离和角度距离经加权得到；其中，所述垂直距离的权重和所述平均距离的权重均小于所述角度距离的权重；基于此，在计算相似度时，通过加大角度距离的权重，可以使得两条轨迹的相似度的评价更为准确，从而提升轨迹聚类的准确度。

通过上述实施例，可以获取到各个地理网格的轨迹聚类结果，这些轨迹聚类结果即代表了目标区域的初始轨迹集合的聚类结果。基于这些轨迹聚类结果，实际应用中，根据需要可以进一步执行轨迹处理，以获取所需的信息。

作为例子，通过上述聚类处理实施例，目标区域的每个地理网格中能够得到一个或多个簇类。本实施例中轨迹聚类结果包括一个或多个簇类，每个簇类包括多条轨迹，这些轨迹高度相似，轨迹被正确分类后，可选的，可以利用每个簇中的多条轨迹，获取每个簇的代表性轨迹（Representative Trajectory），例如，通过对同类的较多的轨迹进行聚合，抽取出代表性轨迹，代表性轨迹能够表征被聚合的轨迹的主要特征，因此可以减少轨迹数量，而利用代表性轨迹也可以进一步执行其他的轨迹处理或数据分析等。

实际应用中，获取簇的代表性轨迹的方式可以有多种。作为例子，可以计算簇中各条轨迹的平均轨迹，用平均轨迹来代表整个簇中轨迹的整体信息。在另一些例子中，还可以采用Traclus算法实现，该算法可以在同一簇轨迹中，计算大量轨迹的平均向量，最终依据平均向量与具体轨迹之间的合并，计算多数轨迹的分布和走势。作为例子，可以在不同的类中，均要分别构建当前轨迹簇空间的向量空间。具体的，可以是在每个空间内首先计算平均向量，再以平均向量方向为坐标轴方向，然后按该新的坐标轴方向旋转各条轨迹；之后，可通过扫描法来获取代表性轨迹，具体的，可使用垂直于新的坐标轴的x方向的扫描线沿x轴平扫，如果与这条直线相交的轨迹大于或等于设置的最小值，则计算这些相交点的y坐标的平均值以获取到代表性轨迹点，将获取到的所有代表性轨迹点再旋转回原有的大地坐标系，连接成一条轨迹，该轨迹即这个簇的代表性轨迹。

上述Traclus算法的实施例中需要进行坐标系的转换，该转换的计算涉及三角函数，即涉及除法计算，由于除法计算存在除不尽的情况，因此除不尽的情况下商只能保留一定的位数，数值的精度会有损失，并且计算量也较大。为了提高精度并且减少计算量，本说明书还提供了一种获取代表性轨迹的实施例，本实施例中，设计了固定坐标系的矢量计算，即在获取代表性轨迹的过程中无需多次旋转和转换坐标系，从而减少精度损失。

作为例子，每个簇的代表性轨迹可通过如下方式确定：

获取所述多条第一轨迹的平均向量，将所述平均向量与每条第一轨迹均平移至相同起点；

针对每条第一轨迹平移后得到的第二轨迹，获取第二轨迹的目标直线与其他第二轨迹的交点，所述目标直线是经过所述第二轨迹的轨迹终点并与所述平均向量垂直的直线；

根据获取的交点，确定出代表性轨迹。

作为例子，每条轨迹的起点与终点可以用向量表示，通过各条轨迹的向量，可以计算得到所述平均向量。

本实施例中轨迹的坐标是地理位置坐标，即采用大地坐标系；在获取代表性轨迹的过程中，本实施例并未采用旋转坐标系的方式，而是采用固定坐标系的方式，即仍然采用大地坐标系的方式。具体的，通过平移的方式来计算代表性轨迹，各条第一轨迹和平均轨迹均平移至相同起点，而平移的计算只涉及加减法，从而通过平移的方式，既不需要旋转坐标系，在后续的计算只需要取轨迹的终点来计算即可，因此计算量较少，也不会损失数据精度。

在一些例子中，所述起点可以根据需要配置，本实施例对此不进行限定。在一些例子中，为了减少计算量，本实施例是针对每个地理网格聚类出一个或多个簇的，所述起点可以位于簇所在的地理网格内；或者，所述起点还可以是所述簇所在的地理网格的左下角顶点，这样可以使得簇内的所有轨迹经过平移后，尽量将轨迹的轨迹终点限制在簇所在的地理网格内，而不会位于其他地理网格，从而在计算各个地理网格内的簇的代表性轨迹时，可以更好地区分各个地理网格的数据。

本实施例中，将第一轨迹平移后得到的轨迹称之为第二轨迹，针对每条第二轨迹，获取第二轨迹的目标直线，该目标直线是经过所述第二轨迹的轨迹终点并与所述平均向量垂直的直线。可选的，该目标直线的获取方式，可以是将第二轨迹的轨迹终点投影至平均向量上，可以得到在平均向量上的投影点，第二轨迹的轨迹终点与投影点之间的直线即该目标直线。

第二轨迹的目标直线与其他第二轨迹的交点，表示了该第二轨迹与该平均向量的相似程度，交点的数量与该相似度正相关；基于此，在一些例子中，所述根据获取的交点，确定出代表性轨迹，包括：获取与所述第二轨迹的目标直线相交的其他第二轨迹的数量，若所述数量大于设定阈值，根据所述第二轨迹的目标直线与其他第二轨迹的交点确定代表性轨迹点；根据确定出的代表性轨迹点，确定出代表性轨迹。本实施例中，可以根据需要设置该设定阈值，若某条第二轨迹的目标直线未与较多其他第二轨迹相交，该第二轨迹与平均向量的相似度较低，可以不考虑该条第二轨迹的终点；若较多，则可以根据该条第二轨迹的目标直线与其他第二轨迹的交点来确定代表性轨迹点。

在一些例子中，所述根据所述第二轨迹的目标直线与其他第二轨迹的交点确定代表性轨迹点，可以包括：根据所述第二轨迹的目标直线与其他第二轨迹的交点计算平均值，根据计算出的平均值确定代表性轨迹点。例如，获取各个交点的坐标，将各个交点的坐标计算平均值，该平均值的坐标即代表性轨迹点的坐标。通过上述处理，可以获得多个代表性轨迹点，通过这些代表性轨迹点，可以得到代表性轨迹。

作为例子，连接各个代表性轨迹点可以得到轨迹，由于前述计算过程中对轨迹和平均向量平移至相同起点，因此得到的轨迹需要平移回去，即反方向平移，可以基于所述平均向量平移至所述起点的方式，对连接所述代表性轨迹点后得到的轨迹进行平移，得到所述代表性轨迹。

通过上述方式，可以获取到每个簇类的代表性轨迹，在获取到代表性轨迹后，可以进一步执行轨迹处理，以获取所需的信息。例如，可以对各个簇保留代表性轨迹，并删除其他被聚合的轨迹，从而可以显著减少数据量。

在一些例子中，针对每个簇获取代表性轨迹的过程中，该簇中可能存在未能被聚合抽取出代表性轨迹的轨迹，这些轨迹根据需要可以删除，也可以保留以待后续的进一步分析处理，本实施例对此不进行限定。

如前所述，通过获取代表性轨迹、删除其他被聚合的轨迹后，将减少大量的数据量。但是由于聚类过程中的噪声以及数据分布等原因，仍然存在一些可以进一步处理的轨迹，例如，目标区域内的一些地理网格中可能会存在如下情况：一段较长代表性轨迹周围存在多条相似的较短的代表性轨迹，这些轨迹可能来自于簇内未被聚合的轨迹，也可能是一些噪声轨迹，这些噪声轨迹可能是在前述聚类处理中单独作为一个簇的轨迹等等。实际应用中，这些轨迹之间仍然可能存在相似性，理论可以继续压缩合并，但是由于此时轨迹已经相对稀疏，并且是已经过聚类处理，前述的聚类实施例不再适用。另一种解决思路主要是再次通过计算轨迹间相似性，并通过一些经验阈值筛选，或通过数据后验分布来校准等，包括结合已知的静态路网修正轨迹等等。

然而，在一些场景中，例如配送场景下配送运力的轨迹数据，轨迹的精度非常高，直接计算轨迹之间相似性的方式将会导致较大的计算量。基于此，本实施例还提供了一种计算量较少的方式，以对抽取代表性轨迹后剩余的轨迹再次进行合并，以进一步减少数据量。

作为例子，可以获取待合并的轨迹，这些轨迹包括删除被聚合出代表性轨迹的轨迹后剩余的轨迹，也包括目标区域内各个地理网格的各个簇的代表性轨迹。

具体的，可以根据所述待合并的轨迹集合中各条轨迹的矢量方向，获取一组或多组矢量方向一致的轨迹集合；针对每组矢量方向一致的轨迹集合，选取出距离最长的目标轨迹；基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，得到对应所述目标轨迹的图形；针对除所述目标轨迹之外的每条其他轨迹，获取每条其他轨迹与所述图形的碰撞关系，确定是否将所述其他轨迹与所述目标轨迹进行合并。

本实施例中，首先判定目标区域内各条轨迹的矢量方向是否一致，只有整体方向一致的前提下才具有合并的可能，轨迹的矢量方向不一致表示这些轨迹的朝向不同，无需进行合并。其中，轨迹的矢量方向可以根据每条轨迹的轨迹起点坐标和轨迹终点坐标计算得到。各条轨迹的矢量方向是否一致，可以根据每条轨迹的轨迹起点坐标和轨迹终点坐标之间的向量确定。

针对矢量方向一致的轨迹集合，本实施例采用图形学的“膨胀”的思路，选取其中最长的第一轨迹进行扩张，该扩张的思路可以理解为将线段转换为图形，之后其他轨迹与该图形进行多边形碰撞关系的检测，即可快速地确定其他轨迹与该第一轨迹是否相似，是否可以将两者进行合并。其中，选取最长的轨迹进行扩张，可以保证合并处理的准确性和全面性，因为能够扩张出较大的图形，以此来找出周边可合并的轨迹，而若采用较短的轨迹进行扩张，所扩张出的图形面积较小，可能无法合并到周边的其他轨迹；并且，经过前述的聚类和抽取代表性轨迹的处理，代表性轨迹由多条轨迹聚合而来，相对其他可能为噪声的轨迹，代表性轨迹也通常较长，因此所选取出的距离最长的第一轨迹通常也是代表性轨迹，因此该处理也符合实际场景。

其中，扩张的方式根据需要可以有多种实现方式；例如，每条轨迹具有轨迹起点坐标和轨迹终点坐标，两点之间表示一条轨迹，可以基于轨迹起点坐标和轨迹终点坐标向外扩张出图形，实际应用中，所述扩张得到的图形可以有多种实现方式，还可以是多边形、圆形或椭圆形等等，本实施例对此不进行限定。作为例子，可以基于轨迹起点坐标和轨迹终点坐标向外扩张出距离更大的两个点，以这两个点作为矩形的一对对角线的点，从而得到对应所述第一轨迹的矩形。其中，向外扩张多大的距离，实际应用中可以根据需要确定。

在扩张得到图形后，其他轨迹与第一轨迹是否合并，实际上是轨迹的相似度问题，而本实施例采用图形学的思路来解决轨迹的相似度问题，利用图形学领域的几何关系来解决，可以显著地减少计算量。具体的，可以获取每条其他轨迹与所述图形的碰撞关系，从而确定是否将所述其他轨迹与所述第一轨迹进行合并。其中，碰撞关系的确定可以采用已有的多边形碰撞关系检测算法，其中，实际应用中，针对所述图像为非多边形的情况，例如圆形或椭圆形，可以根据需要将圆形或椭圆形转换为多边形后再进行碰撞关系的检测。

作为例子，根据多边形碰撞关系检测算法，获取所述其他轨迹与所述图形碰撞部分的长度，根据所述长度确定是否将所述其他轨迹与所述距离最长的轨迹进行合并，其中，碰撞部分的长度与相似度呈正相关关系，碰撞部分的长度越长，两条轨迹的相似度越大，两条轨迹合并的概率就越大。

实际应用中，根据碰撞部分的长度确定是否合并轨迹的方式可以根据需要确定，例如可以自定义合并条件，根据合并条件自动判断是否合并轨迹。作为例子，所述根据所述长度确定是否将所述其他轨迹与所述距离最长的轨迹进行合并，可以包括：

若所述长度大于设定长度阈值，将所述其他轨迹与所述距离最长的轨迹进行合并；和/或，

若所述长度与所述其他轨迹的长度的比例大于设定比例阈值，将所述其他轨迹与所述距离最长的轨迹进行合并。

其中，所述设定长度阈值和设定比例阈值均可根据需要设置，通过上述方式，可以自动快速地判定是否合并轨迹。

由上述实施例可见，本实施例先判定区域内各条轨迹的矢量方向是否一致，只有整体方向一致的前提下才具有合并的可能。随后针对矢量方向一致的多条轨迹进行合并；在合并时，选择其中较长的轨迹，对该轨迹段做图像学的“膨胀”操作，将该线段膨胀为多边形，利用几何关系判定计算量小的优势，将待定分类的其他轨迹段与该多边形做碰撞关系的判断，当一段轨迹与多边形碰撞较多，则判定为同类。本实施例的合并处理计算量较小，而通过膨胀处理的方式，能适用于数据稀疏的场景。

如图1B所示，是本说明书根据一示例性实施例示出的另一种轨迹处理方法的示意图，本实施例的轨迹处理方案，对于原始轨迹数据可通过轨迹压缩算法进行压缩，压缩后的轨迹数据，可以采用前述的轨迹聚类实施例进行聚类；由于本实施例采用了“卷积”扩张聚类的方式，使得聚类处理避免了无效和冗余的计算；对于配送领域下，配送运力的轨迹数据高密度的场景，本实施例可以显著地提高计算效率。轨迹聚类得到的聚合后的轨迹数据，可以进行代表性轨迹抽取；本实施例可以采用固定坐标系的矢量计算，从而避免了精度损失。进一步的，还可以对抽取出的初始代表性轨迹进行合并，通过本实施例的多轨迹合并方案，通过基于膨胀思路的方式对轨迹进行扩张，利用碰撞关系检测来确定轨迹的相似度并合并轨迹，其计算效率也非常高。

本实施例方案对轨迹处理的整体性能较好，并且，该实施例并未依赖于基础路网，仅通过对轨迹数据的分析即可获取到可用的代表性轨迹；因此，本实施例方案的应用场景较丰富，例如可应用于一些未有基础路网数据的区域，如工业园、小区、医院或校园等未有路网数据的区域，通过配送运力在这些区域内的配送轨迹数据，可以获取到这些区域的代表性轨迹，这些代表性轨迹实际上表征了丰富的信息，例如可以表征这些未有路网数据的区域的可通行道路。实际应用中，通过本实施例获取到的代表性轨迹，其可以有很多其他应用，例如利用不同区域的代表性轨迹以及结合其他信息，可以用于可视化表现配送运力的活动范围、不同区域的活动强度（流量）展示，骑手在不同区域的速度等信息的展示等等。或者，还可以用于对骑手经常活动区域的划分，骑手在不同路段上的行为特征，以及骑手在不同区域的商业价值的挖掘等等。

如图1C所示，是本说明书根据一示例性实施例示出的一种轨迹数据处理前后示意图，该图例以外卖领域的骑手轨迹数据处理为例，箭头上方是未经处理的轨迹数据在地图上的示意图，箭头下方是经过轨迹处理后的代表性轨迹在地图上的示意图，由该图例可见，原始的大规模的骑手轨迹数据，经过本实施例处理后，在未依赖基础地图数据的情况下，仍然能得到准确可靠的代表性轨迹，将处理得到的代表性轨迹的位置在地图上显示时，如该图所示，得到的代表性轨迹的位置与基础路网基本完全贴合，数据可靠性较高。

传统的TraClus方法中，轨迹处理是预设在一个较为理想的环境下进行的，因此对输入数据的质量要求较高，即要求未有噪声的输入数据，且计算复杂度非常高；通过对比，在骑手轨迹场景下，采用经典的TraClus方法，在一平方公里的范围内只能处理大约150-200条左右的轨迹数据，这对于骑手场景来说性能是远远不够的。另一些处理方法中，需要结合基础路网数据作为标准，以保证聚类结果的轨迹的拓扑关系以及校准的位置，其无法适用于未有基础路网数据的区域。而本实施例方法，不仅计算量小，处理过程不需要依赖基础路网数据，对于密度高、噪声大且频率不规律的场景也仍然适用。

如图2所示，是本说明书根据一示例性实施例示出的一种获取代表性轨迹的方法，所述方法包括：

在步骤202中，获取待识别代表性轨迹的轨迹集合；所述轨迹集合包括多条被聚类为同一簇的第一轨迹，第一轨迹是指由轨迹起点和轨迹终点表征的线段；

在步骤204中，获取所述轨迹集合的平均向量，将所述平均向量与所述轨迹集合中的每条第一轨迹均平移至相同起点；

在步骤206中，针对每条第一轨迹平移后得到的第二轨迹，获取第二轨迹的目标直线与其他第二轨迹的交点；所述目标直线是经过所述第二轨迹的轨迹终点并与所述平均向量垂直的直线；

在步骤208中，根据获取的交点，确定出代表性轨迹。

在一些例子中，所述根据获取的交点，确定出代表性轨迹，包括：

获取与所述第二轨迹的目标直线相交的其他第二轨迹的数量，若所述数量大于设定阈值，根据所述第二轨迹的目标直线与其他第二轨迹的交点确定代表性轨迹点；

根据确定出的代表性轨迹点，确定出代表性轨迹。

在一些例子中，所述根据所述第二轨迹的目标直线与其他第二轨迹的交点确定代表性轨迹点，包括：

根据所述第二轨迹的目标直线与其他第二轨迹的交点计算平均值，根据计算出的平均值确定代表性轨迹点。

在一些例子中，所述第一轨迹的轨迹起点和轨迹终点的坐标均为地理位置坐标，所述地理位置坐标包括经度；

所述针对每条第二轨迹，获取所述第二轨迹的目标直线与其他第二轨迹的交点，包括：

将各条第二轨迹的轨迹终点坐标按照经度的大小排序，根据排序依次获取每条第二轨迹的目标直线与其他第二轨迹的交点。

如图3所示，是本说明书根据一示例性实施例示出的一种轨迹合并方法的流程图，所述方法包括：

在步骤302中，获取目标区域内的待合并的多条轨迹，每条轨迹包括轨迹起点坐标和轨迹终点坐标；

在步骤304中，根据每条轨迹的轨迹起点坐标和轨迹终点坐标，获取每条轨迹的矢量方向；

在步骤306中，根据各条轨迹的矢量方向，获取一组或多组矢量方向一致的轨迹集合；

在步骤308中，针对每组轨迹集合，选取出距离最长的目标轨迹；基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，得到对应所述目标轨迹的图形；针对除所述目标轨迹之外的每条其他轨迹，获取每条其他轨迹与所述图形的碰撞关系，确定是否将所述其他轨迹与所述目标轨迹进行合并。

所述获取每条其他轨迹与所述图形的碰撞关系，确定是否将所述其他轨迹与所述目标轨迹进行合并，包括：

根据多边形碰撞关系检测算法，获取所述其他轨迹与所述图形碰撞部分的长度，根据所述长度确定是否将所述其他轨迹与所述目标轨迹进行合并。

在一些例子中，所述根据所述长度确定是否将所述其他轨迹与所述距离最长的轨迹进行合并，包括：

若所述长度大于设定长度阈值，将所述其他轨迹与所述目标轨迹进行合并；和/或，

若所述长度与所述其他轨迹的长度的比例大于设定比例阈值，将所述其他轨迹与所述目标轨迹进行合并。

在一些例子中，所述图形包括：以所述目标轨迹为中心线、并且包围所述目标轨迹的多边形。

在一些例子中，所述基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，包括：

以所述目标轨迹为中心线，基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标按照设定扩张距离向外扩张。

如图4所示，是本说明书根据一示例性实施例示出的一种轨迹相似度确定方法的流程图，所述方法包括：

在步骤402中，获取待识别相似度的两条轨迹；其中，所述两条轨迹包括第一轨迹和第二轨迹，每条轨迹具有轨迹起点坐标和轨迹终点坐标；

在步骤404中，基于所述第一轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，得到对应所述第一轨迹的图形；

在步骤406中，对所述第二轨迹与所述图形进行图形碰撞关系检测，得到所述第二轨迹与所述图形碰撞部分的长度；

在步骤408中，根据所述长度确定所述两条轨迹的相似度；其中，所述长度与所述相似度呈正相关关系。

在一些例子中，所述第一轨迹的长度大于所述第二轨迹的长度。

在一些例子中，所述图形包括：以所述第一轨迹为中心线、并且包围所述第一轨迹的多边形。

在一些例子中，所述基于所述第一轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，包括：

以所述第一轨迹为中心线，基于所述第一轨迹的轨迹起点坐标和轨迹终点坐标按照设定扩张距离向外扩张。

在一些例子中，所述相似度表征所述两条轨迹是否合并；所述方法还包括：

若所述长度大于设定长度阈值，将所述两条轨迹进行合并；和/或，

若所述长度与所述第二轨迹的长度的比例大于设定比例阈值，将所述两条轨迹进行合并。

与前述轨迹处理方法的实施例相对应，本说明书还提供了轨迹处理装置及其所应用的计算机的实施例。

本说明书轨迹处理装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在安全保护的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本说明书实施例轨迹处理装置所在计算机设备的一种硬件结构图，除了图5所示的处理器510、内存530、网络接口520、以及非易失性存储器540之外，实施例中装置531所在的计算机设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。

如图6所示，图6是本说明书根据一示例性实施例示出的一种轨迹处理装置，所述装置包括：

轨迹集合获取模块61，用于：获取目标区域对应的初始轨迹集合，所述初始轨迹集合包括多条轨迹；

地理网格获取模块62，用于：获取所述目标区域包含的多个地理网格；

轨迹归属处理模块63，用于：根据每条轨迹的地理位置，确定归属于每个地理网格的轨迹，得到每个地理网格的轨迹集合；

聚类处理模块64，用于：对每个地理网格执行如下轨迹聚类处理：获取当前地理网格的轨迹集合，以及获取与所述当前地理网格相邻的至少一个地理网格的轨迹集合；利用获取的轨迹集合，获取所述当前地理网格的轨迹聚类结果；

聚类结果获取模块65，用于：根据各个地理网格的轨迹聚类结果，获取所述目标区域的轨迹聚类结果。

在一些例子中，所述轨迹对应有轨迹起点坐标和轨迹终点坐标；

所述根据每条轨迹的地理位置，确定归属于每个地理网格的轨迹，包括：

根据所述轨迹的轨迹起点坐标和轨迹终点坐标，获取所述轨迹的中心位置；

根据每条轨迹的中心位置，确定归属于每个地理网格的轨迹。

在一些例子中，所述获取所述当前地理网格的轨迹聚类结果，包括：

确定所述获取的轨迹集合中每两条轨迹之间的相似度，根据所述每两条轨迹之间的相似度，获取所述当前地理网格的轨迹聚类结果。

在一些例子中，所述每两条轨迹之间的相似度，是基于轨迹之间的垂直距离、平均距离和角度距离经加权得到；其中，所述垂直距离的权重和所述平均距离的权重均小于所述角度距离的权重。

在一些例子中，所述与当前地理网格相邻的至少一个地理网格，包括：与所述当前地理网格邻近的所有地理网格。

在一些例子中，所述轨迹聚类结果包括一个或多个簇，每个簇包括多条第一轨迹；所述方法还包括：

利用每个簇的多条第一轨迹，获取每个簇的代表性轨迹。

在一些例子中，所述每个簇的代表性轨迹通过如下方式确定：

获取所述多条第一轨迹的平均向量，将所述平均向量与每条第一轨迹均平移至相同起点；

针对每条第一轨迹平移后得到的第二轨迹，获取第二轨迹的轨迹终点投影至平移后的平均向量的投影点；

针对每条第二轨迹，获取所述第二轨迹的目标直线与其他第二轨迹的交点，所述目标直线是经过所述第二轨迹的轨迹终点与对应投影点的直线；

根据获取的交点，确定出代表性轨迹。

在一些例子中，所述根据获取的交点，确定出代表性轨迹，包括：

获取与所述第二轨迹的目标直线相交的其他第二轨迹的数量，若所述数量大于设定阈值，根据所述第二轨迹的目标直线与其他第二轨迹的交点确定代表性轨迹点；

根据确定出的代表性轨迹点，确定出代表性轨迹。

在一些例子中，所述根据所述第二轨迹的目标直线与其他第二轨迹的交点确定代表性轨迹点，包括：

根据所述第二轨迹的目标直线与其他第二轨迹的交点计算平均值，根据计算出的平均值确定代表性轨迹点；

在一些例子中，所述起点包括所述簇所在的地理网格的左下角顶点。

在一些例子中，所述每个簇的代表性轨迹是利用每个簇的部分或全部第一轨迹聚合到的；所述方法还包括：

获取待合并的轨迹集合，利用所述待合并的轨迹集合执行轨迹合并处理；其中，所述待合并的轨迹集合包括各个簇的代表性轨迹，以及每个簇中未被聚合的第一轨迹。

在一些例子中，所述轨迹合并处理，包括：

根据所述待合并的轨迹集合中各条轨迹的矢量方向，获取一组或多组矢量方向一致的轨迹集合；

针对每组矢量方向一致的轨迹集合，选取出距离最长的目标轨迹；基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，得到对应所述目标轨迹的图形；针对除所述目标轨迹之外的每条其他轨迹，获取每条其他轨迹与所述图形的碰撞关系，确定是否将所述其他轨迹与所述目标轨迹进行合并。

在一些例子中，所述获取每条其他轨迹与所述图形的碰撞关系，确定是否将所述其他轨迹与所述目标轨迹进行合并，包括：

根据多边形碰撞关系检测算法，获取所述其他轨迹与所述图形碰撞部分的长度，根据所述长度确定是否将所述其他轨迹与所述目标轨迹进行合并。

在一些例子中，所述根据所述长度确定是否将所述其他轨迹与所述目标轨迹进行合并，包括：

若所述长度大于设定长度阈值，将所述其他轨迹与所述目标轨迹进行合并；和/或，

若所述长度与所述其他轨迹的长度的比例大于设定比例阈值，将所述其他轨迹与所述目标轨迹进行合并。

在一些例子中，所述图形包括：以所述目标轨迹为中心线、且包围所述目标轨迹的多边形。

如图7所示，图7是本说明书根据一示例性实施例示出的一种获取代表性轨迹的装置的框图，所述装置包括：

轨迹集合获取模块71，用于：获取待识别代表性轨迹的轨迹集合；所述轨迹集合包括多条被聚类为同一簇的第一轨迹，第一轨迹是指由轨迹起点和轨迹终点表征的线段；

平移模块72，用于：获取所述轨迹集合的平均向量，将所述平均向量与所述轨迹集合中的每条第一轨迹均平移至相同起点；

交点获取模块73，用于：针对每条第一轨迹平移后得到的第二轨迹，获取第二轨迹的目标直线与其他第二轨迹的交点，所述目标直线是经过所述第二轨迹的轨迹终点并与所述平均向量垂直的直线；

代表性轨迹确定模块74，用于：根据获取的交点，确定出代表性轨迹。

在一些例子中，所述代表性轨迹确定模块74，还用于：

获取与所述第二轨迹的目标直线相交的其他第二轨迹的数量，若所述数量大于设定阈值，根据所述第二轨迹的目标直线与其他第二轨迹的交点确定代表性轨迹点；

根据确定出的代表性轨迹点，确定出代表性轨迹。

在一些例子中，所述代表性轨迹确定模块74，还用于：

根据所述第二轨迹的目标直线与其他第二轨迹的交点计算平均值，根据计算出的平均值确定代表性轨迹点。

在一些例子中，所述第一轨迹的轨迹起点和轨迹终点的坐标均为地理位置坐标，所述地理位置坐标包括经度；

所述交点获取模块53，还用于：

将各条第二轨迹的轨迹终点坐标按照经度的大小排序，根据排序依次获取每条第二轨迹的目标直线与其他第二轨迹的交点。

在一些例子中，所述代表性轨迹确定模块74，还用于：

基于所述平均向量平移至所述起点的方式，对连接所述代表性轨迹点后得到的轨迹进行平移，得到所述代表性轨迹。

如图8所示，图8是本说明书根据一示例性实施例示出的一种轨迹合并装置的框图，所述装置包括：

轨迹获取模块81，用于：获取目标区域内的待合并的多条轨迹，每条轨迹包括轨迹起点坐标和轨迹终点坐标；

方向获取模块82，用于：根据每条轨迹的轨迹起点坐标和轨迹终点坐标，获取每条轨迹的矢量方向；

集合获取模块83，用于：根据各条轨迹的矢量方向，获取一组或多组矢量方向一致的轨迹集合；

合并模块84，用于：针对每组轨迹集合，选取出距离最长的目标轨迹；基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，得到对应所述目标轨迹的图形；针对除所述目标轨迹之外的每条其他轨迹，获取每条其他轨迹与所述图形的碰撞关系，确定是否将所述其他轨迹与所述目标轨迹进行合并。

在一些例子中，所述获取每条其他轨迹与所述图形的碰撞关系，确定是否将所述其他轨迹与所述目标轨迹进行合并，包括：

根据多边形碰撞关系检测算法，获取所述其他轨迹与所述图形碰撞部分的长度，根据所述长度确定是否将所述其他轨迹与所述目标轨迹进行合并。

在一些例子中，所述根据所述长度确定是否将所述其他轨迹与所述距离最长的轨迹进行合并，包括：

若所述长度大于设定长度阈值，将所述其他轨迹与所述目标轨迹进行合并；和/或，

若所述长度与所述其他轨迹的长度的比例大于设定比例阈值，将所述其他轨迹与所述目标轨迹进行合并。

在一些例子中，所述图形包括：以所述目标轨迹为中心线、并且包围所述目标轨迹的多边形。

在一些例子中，所述基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，包括：

以所述目标轨迹为中心线，基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标按照设定扩张距离向外扩张。

如图9所示，图9是本说明书根据一示例性实施例示出的一种轨迹相似度确定装置的框图，所述装置包括：

轨迹获取模块91，用于：获取待识别相似度的两条轨迹；其中，所述两条轨迹包括第一轨迹和第二轨迹，每条轨迹具有轨迹起点坐标和轨迹终点坐标；

图形获取模块92，用于：基于所述第一轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，得到对应所述第一轨迹的图形；

检测模块93，用于：对所述第二轨迹与所述图形进行图形碰撞关系检测，得到所述第二轨迹与所述图形碰撞部分的长度；

相似度确定模块94，用于：根据所述长度确定所述两条轨迹的相似度；其中，所述长度与所述相似度呈正相关关系。

在一些例子中，所述第一轨迹的长度大于所述第二轨迹的长度。

在一些例子中，所述图形包括：以所述第一轨迹为中心线、并且包围所述第一轨迹的多边形。

在一些例子中，所述基于所述第一轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，包括：

以所述第一轨迹为中心线，基于所述第一轨迹的轨迹起点坐标和轨迹终点坐标按照设定扩张距离向外扩张。

在一些例子中，所述相似度表征所述两条轨迹是否合并；所述方法还包括：

若所述长度大于设定长度阈值，将所述两条轨迹进行合并；和/或，

若所述长度与所述第二轨迹的长度的比例大于设定比例阈值，将所述两条轨迹进行合并。

上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

相应的，本说明书还提供一种装置，所述装置包括有处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、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说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书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。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (32)

1.一种轨迹处理方法，所述方法包括：

获取目标区域对应的初始轨迹集合，所述初始轨迹集合包括多条轨迹；

获取所述目标区域包含的多个地理网格；

根据每条轨迹的地理位置，确定归属于每个地理网格的轨迹，得到每个地理网格的轨迹集合；

对每个地理网格执行如下轨迹聚类处理：获取当前地理网格的轨迹集合，以及获取与所述当前地理网格相邻的至少一个地理网格的轨迹集合；利用获取的轨迹集合，获取所述当前地理网格的轨迹聚类结果；

根据各个地理网格的轨迹聚类结果，获取所述目标区域的轨迹聚类结果。

2.根据权利要求1所述的方法，所述轨迹对应有轨迹起点坐标和轨迹终点坐标；

所述根据每条轨迹的地理位置，确定归属于每个地理网格的轨迹，包括：

根据所述轨迹的轨迹起点坐标和轨迹终点坐标，获取所述轨迹的中心位置；

根据每条轨迹的中心位置，确定归属于每个地理网格的轨迹。

3.根据权利要求1所述的方法，所述获取所述当前地理网格的轨迹聚类结果，包括：

确定所述获取的轨迹集合中每两条轨迹之间的相似度，根据所述每两条轨迹之间的相似度，获取所述当前地理网格的轨迹聚类结果。

4.根据权利要求3所述的方法，所述每两条轨迹之间的相似度，是基于轨迹之间的垂直距离、平均距离和角度距离经加权得到；其中，所述垂直距离的权重和所述平均距离的权重均小于所述角度距离的权重。

5.根据权利要求1所述的方法，所述与当前地理网格相邻的至少一个地理网格，包括：与所述当前地理网格邻近的所有地理网格。

6.根据权利要求1所述的方法，所述轨迹聚类结果包括一个或多个簇，每个簇包括多条第一轨迹；所述方法还包括：

利用每个簇的多条第一轨迹，获取每个簇的代表性轨迹。

7.根据权利要求6所述的方法，所述每个簇的代表性轨迹通过如下方式确定：

获取所述多条第一轨迹的平均向量，将所述平均向量与每条第一轨迹均平移至相同起点；

针对每条第一轨迹平移后得到的第二轨迹，获取第二轨迹的目标直线与其他第二轨迹的交点，所述目标直线是经过所述第二轨迹的轨迹终点并与所述平均向量垂直的直线；

根据获取的交点，确定出代表性轨迹。

8.根据权利要求7所述的方法，所述根据获取的交点，确定出代表性轨迹，包括：

获取与所述第二轨迹的目标直线相交的其他第二轨迹的数量，若所述数量大于设定阈值，根据所述第二轨迹的目标直线与其他第二轨迹的交点确定代表性轨迹点；

根据确定出的代表性轨迹点，确定出代表性轨迹。

9.根据权利要求8所述的方法，所述根据所述第二轨迹的目标直线与其他第二轨迹的交点确定代表性轨迹点，包括：

根据所述第二轨迹的目标直线与其他第二轨迹的交点计算平均值，根据计算出的平均值确定代表性轨迹点。

10.根据权利要求7所述的方法，所述起点包括所述簇所在的地理网格的左下角顶点。

11.根据权利要求6所述的方法，所述每个簇的代表性轨迹是利用每个簇的部分或全部第一轨迹聚合到的；所述方法还包括：

获取待合并的轨迹集合，利用所述待合并的轨迹集合执行轨迹合并处理；其中，所述待合并的轨迹集合包括各个簇的代表性轨迹，以及每个簇中未被聚合的第一轨迹。

12.根据权利要求11所述的方法，所述轨迹合并处理，包括：

根据所述待合并的轨迹集合中各条轨迹的矢量方向，获取一组或多组矢量方向一致的轨迹集合；

针对每组矢量方向一致的轨迹集合，选取出距离最长的目标轨迹；基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，得到对应所述目标轨迹的图形；针对除所述目标轨迹之外的每条其他轨迹，获取每条其他轨迹与所述图形的碰撞关系，确定是否将所述其他轨迹与所述目标轨迹进行合并。

13.根据权利要求12所述的方法，所述获取每条其他轨迹与所述图形的碰撞关系，确定是否将所述其他轨迹与所述目标轨迹进行合并，包括：

根据多边形碰撞关系检测算法，获取所述其他轨迹与所述图形碰撞部分的长度，根据所述长度确定是否将所述其他轨迹与所述目标轨迹进行合并。

14.根据权利要求13所述的方法，所述根据所述长度确定是否将所述其他轨迹与所述目标轨迹进行合并，包括：

若所述长度大于设定长度阈值，将所述其他轨迹与所述目标轨迹进行合并；和/或，

若所述长度与所述其他轨迹的长度的比例大于设定比例阈值，将所述其他轨迹与所述目标轨迹进行合并。

15.根据权利要求12所述的方法，所述图形包括：以所述目标轨迹为中心线、且包围所述目标轨迹的多边形。

16.一种获取代表性轨迹的方法，所述方法包括：

获取待识别代表性轨迹的轨迹集合；所述轨迹集合包括多条被聚类为同一簇的第一轨迹，第一轨迹是指由轨迹起点和轨迹终点表征的线段；

获取所述轨迹集合的平均向量，将所述平均向量与所述轨迹集合中的每条第一轨迹均平移至相同起点；

针对每条第一轨迹平移后得到的第二轨迹，获取第二轨迹的目标直线与其他第二轨迹的交点，所述目标直线是经过所述第二轨迹的轨迹终点并与所述平均向量垂直的直线；

根据获取的交点，确定出代表性轨迹。

17.根据权利要求16所述的方法，所述根据获取的交点，确定出代表性轨迹，包括：

获取与所述第二轨迹的目标直线相交的其他第二轨迹的数量，若所述数量大于设定阈值，根据所述第二轨迹的目标直线与其他第二轨迹的交点确定代表性轨迹点；

根据确定出的代表性轨迹点，确定出代表性轨迹。

18.根据权利要求17所述的方法，所述根据所述第二轨迹的目标直线与其他第二轨迹的交点确定代表性轨迹点，包括：

根据所述第二轨迹的目标直线与其他第二轨迹的交点计算平均值，根据计算出的平均值确定代表性轨迹点。

19.根据权利要求16所述的方法，所述第一轨迹的轨迹起点和轨迹终点的坐标均为地理位置坐标，所述地理位置坐标包括经度；

所述针对每条第二轨迹，获取所述第二轨迹的目标直线与其他第二轨迹的交点，包括：

将各条第二轨迹的轨迹终点坐标按照经度的大小排序，根据排序依次获取每条第二轨迹的目标直线与其他第二轨迹的交点。

20.根据权利要求16所述的方法，所述根据确定出的代表性轨迹点，确定出代表性轨迹，包括：

基于所述平均向量平移至所述起点的方式，对连接所述代表性轨迹点后得到的轨迹进行平移，得到所述代表性轨迹。

21.一种轨迹合并方法，所述方法包括：

获取目标区域内的待合并的多条轨迹，每条轨迹包括轨迹起点坐标和轨迹终点坐标；

根据每条轨迹的轨迹起点坐标和轨迹终点坐标，获取每条轨迹的矢量方向；

根据各条轨迹的矢量方向，获取一组或多组矢量方向一致的轨迹集合；

针对每组轨迹集合，选取出距离最长的目标轨迹；基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，得到对应所述目标轨迹的图形；针对除所述目标轨迹之外的每条其他轨迹，获取每条其他轨迹与所述图形的碰撞关系，确定是否将所述其他轨迹与所述目标轨迹进行合并。

22.根据权利要求21所述的方法，所述获取每条其他轨迹与所述图形的碰撞关系，确定是否将所述其他轨迹与所述目标轨迹进行合并，包括：

根据多边形碰撞关系检测算法，获取所述其他轨迹与所述图形碰撞部分的长度，根据所述长度确定是否将所述其他轨迹与所述目标轨迹进行合并。

23.根据权利要求22所述的方法，所述根据所述长度确定是否将所述其他轨迹与所述距离最长的轨迹进行合并，包括：

若所述长度大于设定长度阈值，将所述其他轨迹与所述目标轨迹进行合并；和/或，

若所述长度与所述其他轨迹的长度的比例大于设定比例阈值，将所述其他轨迹与所述目标轨迹进行合并。

24.根据权利要求21所述的方法，所述图形包括：以所述目标轨迹为中心线、并且包围所述目标轨迹的多边形。

25.根据权利要求21所述的方法，所述基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，包括：

以所述目标轨迹为中心线，基于所述目标轨迹的轨迹起点坐标和轨迹终点坐标按照设定扩张距离向外扩张。

26.一种轨迹相似度确定方法，所述方法包括：

获取待识别相似度的两条轨迹；其中，所述两条轨迹包括第一轨迹和第二轨迹，每条轨迹具有轨迹起点坐标和轨迹终点坐标；

基于所述第一轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，得到对应所述第一轨迹的图形；

对所述第二轨迹与所述图形进行图形碰撞关系检测，得到所述第二轨迹与所述图形碰撞部分的长度；

根据所述长度确定所述两条轨迹的相似度；其中，所述长度与所述相似度呈正相关关系。

27.根据权利要求26所述的方法，所述第一轨迹的长度大于所述第二轨迹的长度。

28.根据权利要求26所述的方法，所述图形包括：以所述第一轨迹为中心线、并且包围所述第一轨迹的多边形。

29.根据权利要求26所述的方法，所述基于所述第一轨迹的轨迹起点坐标和轨迹终点坐标向外扩张，包括：

以所述第一轨迹为中心线，基于所述第一轨迹的轨迹起点坐标和轨迹终点坐标按照设定扩张距离向外扩张。

30.根据权利要求26所述的方法，所述相似度表征所述两条轨迹是否合并；所述方法还包括：

若所述长度大于设定长度阈值，将所述两条轨迹进行合并；和/或，

若所述长度与所述第二轨迹的长度的比例大于设定比例阈值，将所述两条轨迹进行合并。

31.一种轨迹处理装置，所述装置包括：

轨迹集合获取模块，用于：获取目标区域对应的初始轨迹集合，所述初始轨迹集合包括多条轨迹；

地理网格获取模块，用于：获取所述目标区域包含的多个地理网格；

轨迹归属处理模块，用于：根据每条轨迹的地理位置，确定归属于每个地理网格的轨迹，得到每个地理网格的轨迹集合；

聚类处理模块，用于：对每个地理网格执行如下轨迹聚类处理：获取当前地理网格的轨迹集合，以及获取与所述当前地理网格相邻的至少一个地理网格的轨迹集合；利用获取的轨迹集合，获取所述当前地理网格的轨迹聚类结果；

聚类结果获取模块，用于：根据各个地理网格的轨迹聚类结果，获取所述目标区域的轨迹聚类结果。

32.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1至30任一所述的方法。

Images