CN114234975A - 低频的实时轨迹匹配方法、系统、计算机设备及存储介质 - Google Patents

低频的实时轨迹匹配方法、系统、计算机设备及存储介质 Download PDF

Info

Publication number
CN114234975A
CN114234975A CN202111394554.0A CN202111394554A CN114234975A CN 114234975 A CN114234975 A CN 114234975A CN 202111394554 A CN202111394554 A CN 202111394554A CN 114234975 A CN114234975 A CN 114234975A
Authority
CN
China
Prior art keywords
track
track point
point set
road
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111394554.0A
Other languages
English (en)
Other versions
CN114234975B (zh
Inventor
王汉英
赵东平
张地大
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.)
Shenzhen Leap New Technology Co ltd
Original Assignee
Shenzhen Leap New Technology 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 Shenzhen Leap New Technology Co ltd filed Critical Shenzhen Leap New Technology Co ltd
Priority to CN202111394554.0A priority Critical patent/CN114234975B/zh
Publication of CN114234975A publication Critical patent/CN114234975A/zh
Application granted granted Critical
Publication of CN114234975B publication Critical patent/CN114234975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • 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
    • G01C21/20—Instruments for performing navigational calculations

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

本发明公开了一种低频的实时轨迹匹配方法、系统、计算机设备及存储介质，其中方法包括：预设时间间隔分时段接收采集终端低频采集的轨迹点集；对轨迹点集中各轨迹点进行道路匹配投影，确定轨迹点的位置；其中，处于平行道路的轨迹点集进行道路匹配投影时，结合相邻上一时段轨迹点集中最后一个轨迹点的位置，确定该轨迹点集中各轨迹点的位置。本发明通过对于精度要求不高的低频实时轨迹应用场景，能够在很大程度节约成本的前提下保证轨迹点匹配的实时性。

Description

低频的实时轨迹匹配方法、系统、计算机设备及存储介质
技术领域
本申请涉及道路匹配技术领域，特别是涉及一种低频的实时轨迹匹配方法、系统、计算机设备及存储介质。
背景技术
车辆轨迹点是指车载GPS装置在某一时刻采集到的包括时间、位置、方向、速度等一系列信息的点，根据采点的频率不同分为高频(每10秒以内1点)、中频(10-30秒1点)、低频(30秒-2分钟1点)、极低频(2分钟以上1点)。由于GPS受外界环境影响较大，记录到的位置往往与真实位置存在一定偏差，因此需要进行轨迹匹配，使得轨迹点尽可能接近车辆的真实行驶位置。
实时轨迹匹配是指车辆在行驶过程中将当下采集的GPS点实时地纠正到电子地图路网数据上，从而获得车辆的实时行驶轨迹；与其相对的是静态轨迹匹配，即车辆在一段行程结束后使用行程中采集的所有GPS点进行一次性全量匹配。与静态轨迹匹配相比，实时轨迹匹配在处理单个轨迹点时缺少前后一定范围内的轨迹点作为参考和筛选依据，因此对轨迹点的要求更高，目前主要使用高频GPS点进行实时轨迹匹配。但是高频轨迹点带来的高存储成本、传输成本、计算成本使得在某些精度要求不高的应用场景下并不适用。
发明内容
本申请提供一种低频的实时轨迹匹配方法、系统、计算机设备及存储介质，以解决在精度要求不高的情况下高频轨迹点在进行实时匹配时导致成本过高的问题。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种低频的实时轨迹匹配方法，包括：
预设时间间隔分时段接收采集终端低频采集的轨迹点集；
对轨迹点集中各轨迹点进行道路匹配投影，确定轨迹点的位置；其中，处于平行道路的轨迹点集进行道路匹配投影时，结合相邻上一时段轨迹点集中最后一个轨迹点的位置，确定该轨迹点集中各轨迹点的位置。
作为本申请的进一步改进，若当前时段接收的轨迹点集缺失，则结合相邻上一时段轨迹点集中最后一个轨迹点信息，预测当前时段缺失轨迹点的位置。
作为本申请的进一步改进，预测当前时段缺失轨迹点的位置，包括：
若缺失轨迹点经过路口，计算当前时段的预测行驶距离；从相邻上一时段最后一个轨迹点位置遇到的首个路口出发，根据预先训练好的转弯预测模型，得到预测距离范围内所有路口的预测行驶方向，以确定当前时段缺失轨迹点的位置。
作为本申请的进一步改进，根据预先训练好的转弯预测模型，得到预测距离范围内所有路口的预测行驶方向，包括：
向训练好的贝叶斯回归方程中当前路口的驶入点的坐标、速度和方向，得到当前路口的驶出点的概率分布；
计算驶入点与最大概率驶出点之间的夹角，选取与夹角最相近的路口出边作为当前路口的预测行驶方向。
作为本申请的进一步改进，所述转弯预测模型的训练包括：
获取车辆历史轨迹数据；
筛选出轨迹中经过各路口的驶入点和驶出点的坐标、速度和方向数据，输入至贝叶斯回归方程训练以确定方程参数。
作为本申请的进一步改进，预测当前时段缺失轨迹点的位置，包括：
若缺失轨迹点不经过路口，则结合相邻上一时段轨迹点集中最后一个轨迹点和预测行驶距离，以确定当前时段缺失轨迹点的位置。
作为本申请的进一步改进，计算当前时段的预测行驶距离，包括：
根据相邻上一时段轨迹点集中最后一个轨迹点的位置、速度、所处道路限速以及预设时间间隔进行预测行驶距离计算。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种低频的实时轨迹匹配系统，包括：
接收模块，预设时间间隔分时段接收采集终端低频采集的轨迹点集；
确定模块，对轨迹点集中各轨迹点进行道路匹配投影，确定轨迹点的位置；其中，处于平行道路的轨迹点集进行道路匹配投影时，结合相邻上一时段轨迹点集中最后一个轨迹点的位置，确定该轨迹点集中各轨迹点的位置。
为解决上述技术问题，本申请采用的再一个技术方案是：提供一种计算机设备，计算机设备包括处理器、与处理器耦接的存储器，存储器中存储有程序指令，程序指令被处理器执行时，使得处理器执行上述中任一项的低频的实时轨迹匹配方法的步骤。
为解决上述技术问题，本申请采用的再一个技术方案是：提供一种存储介质，存储有能够实现上述中任一项的低频的实时轨迹匹配方法的程序指令。
本申请的有益效果是：本申请的低频的实时轨迹匹配方法通过预设时间间隔分时段接收采集终端低频采集的轨迹点集；对轨迹点集中各轨迹点进行道路匹配投影，确定轨迹点的位置；其中，处于平行道路的轨迹点集进行道路匹配投影时，结合相邻上一时段轨迹点集中最后一个轨迹点的位置，确定该轨迹点集中各轨迹点的位置，其对于精度要求不高的低频实时轨迹应用场景，能够在很大程度节约成本的前提下保证轨迹点匹配的实时性。
附图说明
图1是本发明实施例的低频的实时轨迹匹配方法的流程示意图；
图2是本发明实施例的低频的实时轨迹匹配方法的轨迹匹配示意图；
图3是本发明实施例的低频的实时轨迹匹配方法的转弯预测模型的构建示意图；
图4是本发明实施例的低频的实时轨迹匹配系统的功能模块示意图；
图5是本发明实施例的计算机设备的结构示意图；
图6是本发明实施例的存储介质的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
图1是本发明实施例的低频的实时轨迹匹配方法的流程示意图。需注意的是，若有实质上相同的结果，本申请的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括：
步骤S1、预设时间间隔分时段接收采集终端低频采集的轨迹点集。
需要说明的是，一般车辆上会安装车载GPS设备，通过其定时采集车辆的轨迹点。采集的车辆轨迹点，包含该轨迹点在某一时刻时间、位原始置、方向、速度等信息。根据采集频率不同，可以分类为高频(每10秒以内1点)、中频(10-30秒1点)、低频(30秒-2分钟1点)、极低频(2分钟以上1点)。
本申请方案中，采用低频方式(即30秒-2分钟采集一个轨迹点)来进行轨迹点的采集。车载GPS采集轨迹点后，先上传至业务端暂存；业务端设置一定时间间隔，如两分钟，然后将该时间间隔内接收的轨迹点形成的轨迹点集统一上传给服务器；服务器即执行该实时轨迹匹配，然后再将匹配后的轨迹点分发至业务端。
步骤S2、对轨迹点集中各轨迹点进行道路匹配投影，确定轨迹点的位置；其中，处于平行道路的轨迹点集进行道路匹配投影时，结合相邻上一时段轨迹点集中最后一个轨迹点的位置，确定该轨迹点集中各轨迹点的位置。
进行轨迹匹配时的通常思路为，根据轨迹形状选取最近的形状相似的道路作为投影道路，然后进行轨迹点投影。由于轨迹根据时间间隔进行了分段，每个时段内轨迹点集对应的行驶里程相对较短，在平行路段(地理位置相近的多条平行道路)的场景下，当一个时段内的轨迹点集完全位于平行路段时，GPS误差导致轨迹点可能落在两条平行道路中间，受数据限制难以提供有力证据支撑轨迹点应该纠正到平行道路中的哪条道路上。针对该情形，在对处于平行道路的轨迹点集进行道路匹配投影时，需要结合相邻上一时段轨迹点集中最后一个轨迹点的位置，确定该处于平行道路的轨迹点集中各轨迹点的位置。
需要说明的是，地图数据自带的属性包括：道路名称、道路类型、道路长度、道路路口信息等等，其中，道路类型包括平行道路、非平行道路，平行道路即为主路和辅路、高架桥中的上层和下层等等。所以在本发明实施例中，对轨迹点进行道路匹配投影后，确定轨迹点所在的道路时，即可根据地图数据的属性确定该道路是否为平行道路。
进一步的，对当前时段轨迹点集进行道路匹配投影时，回传相邻上一时段最后一个轨迹点信息，包括原始位置、经匹配投影后确定的位置、时间、方向、速度。这样，车辆驶入平行路段所在道路之前的信息就得以保存下来，可有效提高平行路段的匹配正确率。
在本实施例中，轨迹的道路匹配投影的基本逻辑是查找轨迹点最近的道路，然后根据路网的拓扑关系及相邻轨迹点的信息进行筛选，找到最合适的道路进行投影，从而确定轨迹点的位置。对于非处于平行道路的轨迹点集，仅需自身内的所有轨迹点之间的关系以及路网拓扑关系即可进行道路匹配投影来确认位置，而处于平行道路的轨迹点集进行道路匹配投影时，还需结合相邻上一时段轨迹点集中最后一个轨迹点的位置，确定该轨迹点集中各轨迹点的位置。在本实施例中，当处于平行路时，当前时段轨迹点集各轨迹点所投影的平行道路，与相邻上一时段轨迹点集中最后一个轨迹点的投影道路相同时，当前时段点集各轨迹点所处于平行道路上中具体哪条道路，则与相邻上一时段轨迹点集中最后一个轨迹点的道路相同；而当前时段轨迹点集各轨迹点所投影道路，与相邻上一时段轨迹点集中最后一个轨迹点的投影道路不同时，即二者的投影道路则是通过转弯路口进行相连，那么根据相邻上一时段轨迹点集中最后一个轨迹点在转弯后，与当前时段点集各轨迹点的平行道路上的具体哪条道路直接相连，进而确定当前时段点集各轨迹点处于平行道路上的具体哪条道路。
例如：如图2所示，1-4号轨迹点，5-8轨迹号点分别属于两个时段的相邻轨迹点集。对于1-4号轨迹点，凭借路网的拓扑关系以及相邻轨迹点之间的信息能够轻松找到投影道路，并且从地图属性中获知1-3号轨迹点的投影道路不存在平行道路，4号轨迹点的投影道路存在平行道路，但是，3号轨迹点所在道路与4号所在道路中的主路并不连通，因此断定4号轨迹点车辆实际行驶道路是辅路；而5-8号轨迹点经过道路匹配投影后，匹配到投影道路，但从地图属性中获知5-8号轨迹点的投影道路与4号轨迹点的投影道路相同，并均处于平行道路上，由于平行道路中主路和辅路位置相近且路形也非常相似，难以判定车辆的实际行驶道路，此时就可以凭借上个时段轨迹最后一个轨迹点的位置来进行区分：因为上个时段最后一个轨迹点，即4号轨迹点位于辅路，因此5-8号轨迹点车辆位于辅路的几率大，故选择该投影道路的辅路为最终投影道路，然后计算投影轨迹点作为轨迹点位置。
进一步的，若当前时段接收的轨迹点集缺失，则结合相邻上一时段轨迹点集中最后一个轨迹点信息，预测当前时段缺失轨迹点的位置。
具体地，在某些特殊场景下(比如：隧道)，受GPS信号影响，可能存在短时间内轨迹缺失的情况，为了保证轨迹匹配功能的实时性，这时需要对轨迹点的位置进行预测。若当前时段接收的轨迹点集缺失，则结合相邻上一时段轨迹点集中最后一个轨迹点信息，预测当前时段缺失轨迹点的位置。
进一步的，预测当前时段缺失轨迹点的位置，包括：
若缺失轨迹点经过路口，计算当前时段的预测行驶距离；从相邻上一时段最后一个轨迹点位置遇到的首个路口出发，根据预先训练好的转弯预测模型，得到预测距离范围内所有路口的预测行驶方向，以确定当前时段缺失轨迹点的位置。
具体地，缺失轨迹点是否经过路口的判断规则为：根据相邻上一时段最后一个轨迹点的位置，确认出当前时段缺失轨迹点集起始位置所在的道路；结合上一时段最后一个轨迹点位置、速度、所处道路限速以及预设时间间隔可以计算出该缺失轨迹点的预测行驶距离；根据地图道路属性，确认上一时段最后一个轨迹点的位置到该轨迹点遇到的第一路口的道路长度，将预测行驶距离与该道路长度进行比较，若该预测行驶距离大于该道路长度，则判断该缺失轨迹点经过路口，若该预测行驶距离小于该道路长度，则判断该缺失轨迹点不经过路口。
其中，预测行驶距离的计算公式具体为：
Dist＝min(v0，vlimit)*Δt+δ，δ为高斯分布的随机噪声。
其中，Dist为预测行驶距离，v0为上一时段最后一个轨迹点的速度，vlimit为上一时段最后一个轨迹点所处道路限速，Δt为预设时间间隔。
若缺失轨迹点经过路口，在计算出预测行驶距离后，通过从相邻上一时段最后一个轨迹点位置遇到的首个路口出发，根据预先训练好的转弯预测模型，得到预测距离范围内所有路口的预测行驶方向后，即可得到该缺失轨迹点在预测行驶距离范围的行驶轨迹，即确定了该缺失轨迹点的位置。
进一步的，根据预先训练好的转弯预测模型，得到预测距离范围内所有路口的预测行驶方向，包括：
向训练好的贝叶斯回归方程中当前路口的驶入点的坐标、速度和方向，得到当前路口的驶出点的概率分布；
计算驶入点与最大概率驶出点之间的夹角，选取与夹角最相近的路口出边作为当前路口的预测行驶方向。
利用预先训练好的转弯预测模型，对缺失轨迹路段所经路口的轨迹进行预测，可以在轨迹点数据较少的情况下，比较客观、有效地补全途径路口的缺失轨迹。
进一步地，转弯预测模型的训练包括：获取车辆历史轨迹数据；筛选出轨迹中经过各路口的驶入点和驶出点的坐标、速度和方向数据，输入至贝叶斯回归方程训练以确定方程参数。其中，车辆历史轨迹数据，包括进行轨迹匹配所涉及道路的车辆历史轨迹数据。
具体的转弯预测模型训练过程如下：
首先对路口进行建模，如图3所示，该图中正方形表示路口，箭头表示驶入路口或驶出路口，其中，箭头尖端朝向路口内部的称为入边，箭头尖端远离路口内部的称为出边。入边与路口相交的点称为驶入点Posin，出边与路口相交的点称为驶出点Posout。
设所有车辆为集合M＝{m1，m2，...，mk}，车辆m(m∈M)在t时刻位于某一路口驶入点，速度记为
Figure BDA0003369532410000081
方向记为
Figure BDA0003369532410000082
坐标记为
Figure BDA0003369532410000083
对应的驶出点为坐标
Figure BDA0003369532410000084
根据贝叶斯回归方程建立以下方程：
Figure BDA0003369532410000085
其中ε～N(0，σ2)，为服从高斯分布的噪声。
对于单辆车而言，使用历史数据建立模型即在给定车辆的历史轨迹在路口驶入点的数据(坐标、速度、方向)data＝{(Posin，V，D)}，相应的驶出点为Posout情况下，计算参数θ的条件概率分布P(θ|data，Posout)。预测车辆行驶方向，即求解在已知参数θ的条件概率分布和输入点数据(坐标、速度、方向)情况下，计算驶出点Posout的条件概率
Figure BDA0003369532410000091
两者之间有以下关系：
Figure BDA0003369532410000092
由于参数θ的先验分布与data无关，P(θ|dara)等价于P(θ)，所以设置先验概率P(θ)为高斯分布，上式可简化为
Figure BDA0003369532410000093
又因为∫P(Posout|θ，data)P(θ))dθ是一个定值，
因此P(θ|data，Posout)∝P(Posout|θ，data)P(θ)，
由定义(式1)可知data和Posout之间的关系是线性高斯模型，
Figure BDA0003369532410000094
由于高斯分布的自共轭性，P(θ|data，Posout)也是一个高斯分布，
Figure BDA0003369532410000095
具体的：
Figure BDA0003369532410000096
得到后验概率P(θ|data，Posout)后，根据式1即可根据路口的驶入点坐标、速度、方向求得路口驶出点的概率分布。由于输出位置点坐标难以刚好落在路网数据的道路线上，因此，计算驶入点与最大概率驶出点之间的夹角，选取与夹角最相近的路口出边作为预测行驶方向。
进一步的，预测当前时段缺失轨迹点的位置，还包括：
若缺失轨迹点不经过路口，则结合相邻上一时段轨迹点集中最后一个轨迹点和预测行驶距离，以确定当前时段缺失轨迹点的位置。
具体地，若缺失轨迹点不经过路口，即表示缺失轨迹点与上一时段轨迹点集中最后一个轨迹点的位置在同一道路上。那么以上一时段轨迹点集中最后一个轨迹点的位置为起点，按照预测行驶距离在上一时段轨迹点集中最后一个轨迹点所在道路上延伸的轨迹，即为该当前时段缺失轨迹点的位置。
本发明实施例的低频的实时轨迹匹配方法通过预设时间间隔分时段接收采集终端低频采集的轨迹点集；对轨迹点集中各轨迹点进行道路匹配投影，确定轨迹点的位置；其中，处于平行道路的轨迹点集进行道路匹配投影时，结合相邻上一时段轨迹点集中最后一个轨迹点的位置，确定该轨迹点集中各轨迹点的位置，其对于精度要求不高的低频实时轨迹应用场景，能够在很大程度节约成本的前提下保证轨迹点匹配的实时性。
图4是本申请实施例的低频的实时轨迹匹配系统的功能模块示意图。如图4所示，该低频的实时轨迹匹配系统2包括接收模块21、确定模块22。
接收模块21，用于预设时间间隔分时段接收采集终端低频采集的轨迹点集；
确定模块22，用于对轨迹点集中各轨迹点进行道路匹配投影，确定轨迹点的位置；其中，处于平行道路的轨迹点集进行道路匹配投影时，结合相邻上一时段轨迹点集中最后一个轨迹点的位置，确定该轨迹点集中各轨迹点的位置。
可选地，确定模块22执行若当前时段接收的轨迹点集缺失，则结合相邻上一时段轨迹点集中最后一个轨迹点信息，预测当前时段缺失轨迹点的位置。
可选地，确定模块22执行预测当前时段缺失轨迹点的位置的操作，还可以为：
若缺失轨迹点经过路口，计算当前时段的预测行驶距离；从相邻上一时段最后一个轨迹点位置遇到的首个路口出发，根据预先训练好的转弯预测模型，得到预测距离范围内所有路口的预测行驶方向，以确定当前时段缺失轨迹点的位置。
可选地，确定模块22执行根据预先训练好的转弯预测模型，得到预测距离范围内所有路口的预测行驶方向的操作，还可以为：
向训练好的贝叶斯回归方程中当前路口的驶入点的坐标、速度和方向，得到当前路口的驶出点的概率分布；
计算驶入点与最大概率驶出点之间的夹角，选取与夹角最相近的路口出边作为当前路口的的预测行驶方向。
可选地，确定模块22执行转弯预测模型的训练的操作还可以为：
获取车辆历史轨迹数据；
筛选出轨迹中经过各路口的驶入点和驶出点的坐标、速度和方向数据，输入至贝叶斯回归方程训练以确定方程参数。
可选地，确定模块22执行预测当前时段缺失轨迹点的位置的操作，还可以为：
若缺失轨迹点不经过路口，则结合相邻上一时段轨迹点集中最后一个轨迹点和预测行驶距离，以确定当前时段缺失轨迹点的位置。
可选地，确定模块22执行计算当前时段的预测行驶距离的操作，还可以为：
根据相邻上一时段轨迹点集中最后一个轨迹点的位置、速度、所处道路限速以及预设时间间隔进行预测行驶距离计算。
关于上述实施例低频的实时轨迹匹配系统中各模块实现技术方案的其他细节，可参见上述实施例中的低频的实时轨迹匹配方法中的描述，此处不再赘述。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可
请参阅图5，图5为本申请实施例的计算机设备的结构示意图。如图5所示，该计算机设备30包括处理器31及和处理器31耦接的存储器32。
存储器32存储有程序指令，程序指令被处理器31执行时，使得处理器31执行上述实施例中的低频的实时轨迹匹配方法的步骤。
其中，处理器31还可以称为CPU(Central Processing Unit，中央处理单元)。处理器31可能是一种集成电路芯片，具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图6，图6为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序指令41，其中，该程序指令41可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式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-Only Memory)、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，或者是计算机、服务器、手机、平板等计算机设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种低频的实时轨迹匹配方法，其特征在于，包括：
S1、预设时间间隔分时段接收采集终端低频采集的轨迹点集；
S2、对所述轨迹点集中各轨迹点进行道路匹配投影，确定轨迹点的位置；其中，处于平行道路的轨迹点集进行道路匹配投影时，结合相邻上一时段轨迹点集中最后一个轨迹点的位置，确定该轨迹点集中各轨迹点的位置。
2.根据权利要求1所述的低频的实时轨迹匹配方法，其特征在于，若当前时段接收的轨迹点集缺失，则结合相邻上一时段轨迹点集中最后一个轨迹点信息，预测当前时段缺失轨迹点的位置。
3.根据权利要求2所述的低频的实时轨迹匹配方法，其特征在于，所述预测当前时段缺失轨迹点的位置，包括：
若所述缺失轨迹点经过路口，计算当前时段的预测行驶距离；从相邻上一时段最后一个轨迹点位置遇到的首个路口出发，根据预先训练好的转弯预测模型，得到预测距离范围内所有路口的预测行驶方向，以确定当前时段缺失轨迹点的位置。
4.根据权利要求3所述的低频的实时轨迹匹配方法，其特征在于，所述根据预先训练好的转弯预测模型，得到预测距离范围内所有路口的预测行驶方向，包括：
向训练好的贝叶斯回归方程中当前路口的驶入点的坐标、速度和方向，得到当前路口的驶出点的概率分布；
计算驶入点与最大概率驶出点之间的夹角，选取与夹角最相近的路口出边作为当前路口的预测行驶方向。
5.根据权利要求3所述的低频的实时轨迹匹配方法，其特征在于，所述转弯预测模型的训练包括：
获取车辆历史轨迹数据；
筛选出轨迹中经过各路口的驶入点和驶出点的坐标、速度和方向数据，输入至贝叶斯回归方程训练以确定方程参数。
6.根据权利要求2所述的低频的实时轨迹匹配方法，其特征在于，所述预测当前时段缺失轨迹点的位置，包括：
若所述缺失轨迹点不经过路口，则结合相邻上一时段轨迹点集中最后一个轨迹点和预测行驶距离，以确定当前时段缺失轨迹点的位置。
7.根据权利要求3所述的低频的实时轨迹匹配方法，其特征在于，所述计算当前时段的预测行驶距离，包括：
根据相邻上一时段轨迹点集中最后一个轨迹点的位置、速度、所处道路限速以及预设时间间隔进行预测行驶距离计算。
8.一种低频的实时轨迹匹配系统，其特征在于，其包括：
接收模块，预设时间间隔分时段接收采集终端低频采集的轨迹点集；
确定模块，对所述轨迹点集中各轨迹点进行道路匹配投影，确定轨迹点的位置；其中，处于平行道路的轨迹点集进行道路匹配投影时，结合相邻上一时段轨迹点集中最后一个轨迹点的位置，确定该轨迹点集中各轨迹点的位置。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如权利要求1-7中任一项权利要求所述的低频的实时轨迹匹配方法的步骤。
10.一种存储介质，其特征在于，存储有能够实现如权利要求1-7中任一项所述的低频的实时轨迹匹配方法的程序指令。
CN202111394554.0A 2021-11-23 2021-11-23 低频的实时轨迹匹配方法、系统、计算机设备及存储介质 Active CN114234975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111394554.0A CN114234975B (zh) 2021-11-23 2021-11-23 低频的实时轨迹匹配方法、系统、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111394554.0A CN114234975B (zh) 2021-11-23 2021-11-23 低频的实时轨迹匹配方法、系统、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN114234975A true CN114234975A (zh) 2022-03-25
CN114234975B CN114234975B (zh) 2024-09-24

Family

ID=80750588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111394554.0A Active CN114234975B (zh) 2021-11-23 2021-11-23 低频的实时轨迹匹配方法、系统、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN114234975B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115331469A (zh) * 2022-08-15 2022-11-11 北京图盟科技有限公司 一种车辆轨迹在线还原方法、装置及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523781A (zh) * 2018-10-10 2019-03-26 中国电子科技集团公司第二十八研究所 一种基于卫星定位的路口预测方法
CN111862659A (zh) * 2020-06-30 2020-10-30 中冶智诚(武汉)工程技术有限公司 一种gps轨迹数据匹配和补全的方法
CN111982141A (zh) * 2020-07-31 2020-11-24 长安大学 一种面向低频车辆轨迹数据进行路径推断的方法、设备及存储介质
CN112147658A (zh) * 2019-06-27 2020-12-29 财付通支付科技有限公司 一种车辆移动方向的判断方法、装置、设备及存储介质
CN112687121A (zh) * 2020-12-21 2021-04-20 苏州挚途科技有限公司 行驶轨迹的预测方法、装置及自动驾驶车辆

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523781A (zh) * 2018-10-10 2019-03-26 中国电子科技集团公司第二十八研究所 一种基于卫星定位的路口预测方法
CN112147658A (zh) * 2019-06-27 2020-12-29 财付通支付科技有限公司 一种车辆移动方向的判断方法、装置、设备及存储介质
CN111862659A (zh) * 2020-06-30 2020-10-30 中冶智诚(武汉)工程技术有限公司 一种gps轨迹数据匹配和补全的方法
CN111982141A (zh) * 2020-07-31 2020-11-24 长安大学 一种面向低频车辆轨迹数据进行路径推断的方法、设备及存储介质
CN112687121A (zh) * 2020-12-21 2021-04-20 苏州挚途科技有限公司 行驶轨迹的预测方法、装置及自动驾驶车辆

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115331469A (zh) * 2022-08-15 2022-11-11 北京图盟科技有限公司 一种车辆轨迹在线还原方法、装置及设备

Also Published As

Publication number Publication date
CN114234975B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
CN111862659B (zh) 一种gps轨迹数据匹配和补全的方法
CN109919347B (zh) 路况生成方法、相关装置和设备
CN111771207B (zh) 增强的车辆跟踪
Castignani et al. Smartphone-based adaptive driving maneuver detection: A large-scale evaluation study
CN105138779B (zh) 车载gps时空轨迹大数据优选方法及系统
CN110784825B (zh) 车辆行驶轨迹的生成方法、装置
CN114973677A (zh) 用于确定预计到达时间的方法和设备
CN109766777A (zh) 异常轨迹的检测方法、装置、存储介质及电子设备
CN110363984B (zh) 交通流量预测方法和设备
CN112644518B (zh) 一种车辆轨迹预测方法、装置、设备和存储介质
CN103903468A (zh) 道路拥堵时间预警方法及装置
CN111079804A (zh) 一种改进型高斯混合模型的车辆运动轨迹预测方法和系统
CN115265555B (zh) 基于隐马尔科夫的多噪声感知的地图匹配校正方法及系统
CN111582317B (zh) 一种道路定位方法及装置
CN112447060A (zh) 识别车道的方法、装置及计算设备
CN113178074A (zh) 应用于车辆的交通流机器学习建模系统及其方法
CN113587944A (zh) 准实时的车辆行驶路线生成方法、系统及设备
CN114234975A (zh) 低频的实时轨迹匹配方法、系统、计算机设备及存储介质
CN115841765A (zh) 车辆位置盲区监控方法、装置、电子设备及可读存储介质
CN114509068B (zh) 一种多层道路上的车辆的位置判断方法及装置
CN113837442A (zh) 校正轨迹震荡路线生成方法、系统、终端设备及存储介质
CN114360261A (zh) 车辆逆行的识别方法、装置、大数据分析平台和介质
CN115168810B (zh) 一种交通数据的生成方法、装置、电子设备和存储介质
CN114426030A (zh) 一种行人穿行意图估计方法、装置、设备和汽车
CN116989801A (zh) 一种面向复杂路网低频长轨迹的地图匹配方法及装置

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
GR01 Patent grant
GR01 Patent grant