CN114245329A - 通行方式识别方法、装置、设备及存储介质 - Google Patents

通行方式识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114245329A
CN114245329A CN202111571094.4A CN202111571094A CN114245329A CN 114245329 A CN114245329 A CN 114245329A CN 202111571094 A CN202111571094 A CN 202111571094A CN 114245329 A CN114245329 A CN 114245329A
Authority
CN
China
Prior art keywords
road network
matching
track
data
road
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
CN202111571094.4A
Other languages
English (en)
Other versions
CN114245329B (zh
Inventor
邵强
赵先明
林昀
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 Hongshan Information Technology Research Institute Co Ltd
Original Assignee
Beijing Hongshan Information Technology Research Institute 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 Hongshan Information Technology Research Institute Co Ltd filed Critical Beijing Hongshan Information Technology Research Institute Co Ltd
Priority to CN202111571094.4A priority Critical patent/CN114245329B/zh
Publication of CN114245329A publication Critical patent/CN114245329A/zh
Application granted granted Critical
Publication of CN114245329B publication Critical patent/CN114245329B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Navigation (AREA)

Abstract

本发明实施例公开了一种通行方式识别方法、装置、设备及存储介质。该方法包括：获取终端上报的出行数据结合预设的路网数据确定用户轨迹；基于出行数据、用户轨迹以及路网数据提取路网匹配特征；将路网匹配特征输入预设的决策模型确定用户轨迹对应的通行方式。本发明实施例根据终端上报的出行数据结合预设的路网数据确定用户轨迹，再基于出行数据、用户轨迹以及路网数据提取路网匹配特征，最终将路网匹配特征输入预设的决策模型确定用户轨迹对应的通行方式，该方法能够根据出行数据结合路网数据提取出用于表示通行方式特征的路网匹配特征，再通过决策模型快速识别对应的通行方式，对道路交通分析提供依据，以便于进行交通规划解决交通拥堵。

Description

通行方式识别方法、装置、设备及存储介质
技术领域
本发明涉及交通规划技术领域，尤其涉及一种通行方式识别方法、系统、服务器和存储介质。
背景技术
近年来，随着信息化技术的快速发展，手机作为一种携带便捷的通讯设备已经在国民中快速普及。庞大的手机用户以及数据传输量带来的是接近全样本的人口观测数据。在使用过程中，手机终端为了满足用户通讯和上网的需求会与邻近的蜂窝基站建立联系，此时用户接入基站的时间和基站的位置信息就被记录下来，产生手机信令数据。它能够实时追踪个体并提供用户位置，为出行信息的采集提供了新思路。
尽管手机信令数据相对传统交通数据存在诸多优势，并在诸多城市交通规划及交通信息系统中得以应用，但是手机信令数据很难得到充分挖掘。此外，利用现有大数据改善传统交通模型也是当前研究难点。传统交通模型是基于传统居民调查数据构建的，而手机信令数据这类大数据也不是专门为交通模型提出的，因此如何融合大数据与传统交通模型是当前亟需解决的关键技术与研究重点。
发明内容
有鉴于此，本发明提供了一种通行方式识别方法、装置、设备及存储介质，以。
第一方面，本发明提供了一种通行方式识别方法，该方法包括：
获取终端上报的出行数据结合预设的路网数据确定用户轨迹；
基于所述出行数据、所述用户轨迹以及所述路网数据提取路网匹配特征；
将所述路网匹配特征输入预设的决策模型确定所述用户轨迹对应的通行方式。
可选的，在一些实施例中，所述路网数据包括道路路网和地铁路网，所述基于终端上报的出行数据结合预设的路网数据确定用户轨迹包括：
对所述出行数据进行初划分，得到包括预设基站ID的第一出行数据和不包括所述预设基站ID的第二出行数据；
基于所述第一出行数据匹配所述地铁路网确定第一轨迹；
基于所述第二出行数据匹配所述道路路网确定第二轨迹。
可选的，在一些实施例中，所述基于所述第二出行数据匹配所述道路路网确定第二轨迹包括：
根据所述第二出行数据通过预设的定位算法确定道路轨迹点以及与所述道路轨迹点对应的权重；
将所述道路轨迹点和所述权重输入隐式马尔科夫模型确定所述第二轨迹。
可选的，在一些实施例中，所述根据所述第二出行数据通过预设的定位算法确定道路轨迹点包括：
基于所述第二出行数据确定对应的服务小区质量；
根据所述服务小区质量选择对应的定位算法，所述定位算法包括指纹定位法、三角定位法和工参定位法；
基于所述第二出行数据通过所述对应的定位算法确定终端的道路轨迹点以及与所述道路轨迹点对应的权重。
可选的，在一些实施例中，所述路网数据还包括公交路网，所述基于所述出行数据、所述用户轨迹以及所述路网数据提取路网匹配特征包括：
基于所述第一轨迹与所述地铁路网中的选定线路匹配，根据匹配结果自所述第一出行数据提取地铁特征；
将所述公交路网匹配至所述道路路网，再结合所述第二轨迹进行匹配，根据匹配结果自所述第二出行数据提取公交特征；
将所述第二轨迹匹配至所述道路路网，根据匹配结果提取以速度为核心参数的开车特征；
将所述第二轨迹匹配至所述道路路网，根据匹配结果提取以速度为核心参数的步行特征。
可选的，在一些实施例中，所述将所述路网匹配特征输入预设的决策模型确定所述用户轨迹对应的通行方式包括：
基于所述路网匹配特征通过所述决策模型确定每项通行方式的特征满足度，选择特征满足度最大的通行方式。
第二方面，本发明提供了一种通行方式识别装置，包括：
轨迹确定模块，获取终端上报的出行数据结合预设的路网数据确定用户轨迹；
特征提取模块，用于基于所述出行数据、所述用户轨迹以及所述路网数据提取路网匹配特征；
决策模块，用于将所述路网匹配特征输入预设的决策模型确定所述用户轨迹对应的通行方式。
可选的，在一些实施例中，所述特征提取模块包括：
地铁特征提取单元，用于基于所述第一轨迹与所述地铁路网中的选定线路匹配，根据匹配结果自所述第一出行数据提取地铁特征；
公交特征提取单元，用于将所述公交路网匹配至所述道路路网，再结合所述第二轨迹进行匹配，根据匹配结果自所述第二出行数据提取公交特征；
开车特征提取单元，用于将所述第二轨迹匹配至所述道路路网，根据匹配结果提取以速度为核心参数的开车特征；
步行特征提取单元，用于将所述第二轨迹匹配至所述道路路网，根据匹配结果提取以速度为核心参数的步行特征。
第三方面，本发明提供了一种服务器，包括存储器和处理器，所述存储器上存储有可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如前述的通行方式识别方法。
第四方面，本发明提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被执行时实现前述的通行方式识别方法。
本发明提供的通行方式识别方法，根据获取到的终端上报的出行数据结合预设的路网数据确定用户轨迹，再基于出行数据、用户轨迹以及路网数据提取路网匹配特征，最终将路网匹配特征输入预设的决策模型确定用户轨迹对应的通行方式，该方法能够根据出行数据结合路网数据提取出用于表示通行方式特征的路网匹配特征，再通过决策模型快速识别对应的通行方式，对道路交通分析提供依据，以便于进行交通规划解决交通拥堵。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本申请的部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明实施例一提供的一种通行方式识别方法的流程图；
图2是本发明实施例二提供的通行方式识别方法的子流程图；
图3是本发明实施例二提供的通行方式识别方法的子流程图；
图4是本发明实施例一提供的通行方式识别方法的子流程图；
图5是本发明实施例三提供的一种通行方式识别装置的结构示意图；
图6是本发明实施例四提供的一种服务器的结构示意图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施中的技术方案进行清楚、完整的描述。可以理解的是，此处所描述的具体实施例仅仅是本申请一部分实施例，而不是全部的实施例，仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本发明的范围的情况下，可以将第一用例称为第二用例，且类似地，可将第二用例称为第一用例。第一用例和第二用例两者都是用例，但其不是同一用例。术语“第一”、“第二”等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”的特征可以明示或者隐含地包括一个或者多个特征的组合。在本发明的描述中，“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。需要说明的是，当一个部被称为“固定于”另一个部，它可以直接在另一个部上也可以存在居中的部。当一个部被认为是“连接”到另一个部，它可以是直接连接到另一个部或者可能同时存在居中部。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述，只是为了说明的目的，并不表示是唯一的实施方式。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
参见图1，为本实施例提供了一种通行方式识别方法，可以由服务器或终端实现，还可以通过终端和服务器的交互实现，该方法具体包括：
S110、获取终端上报的出行数据结合预设的路网数据确定用户轨迹。
出行数据来源于终端上报的MR(Measurement Report)数据，也可以称为OD(ORIGIN，DESTINATION)数据，用于记录终端的移动情况。路网数据为记录实际的道路交通情况的数据，主要包括道路路网、公交路网和地铁路网，其中道路路网由实际的公路(包括行车路和人行路)线路组成，公交路网由实际的公交运行线路组成，地铁路网由实际的地铁运行线路组成。
具体的，本实施例中，终端上报的出行数据中包括经纬度信息，但是出行数据中的经纬度信息由于定位精度等问题并不一定符合实际情况，因此需要结合实际的道路情况进行匹配，并且出行数据中往往只有一小部分包括经纬度信息，因此需要根据出行数据中的其他信息补充相应的经纬度信息，结合路上数据能够得到更准确、完整的经纬度信息，基于经纬度信息能够描绘终端的实际轨迹，也即用户轨迹。
S120、基于所述出行数据、所述用户轨迹以及所述路网数据提取路网匹配特征。
路网匹配特征为根据预设的匹配模型对出行数据进行特征提取得到的特征集合，其中不同的匹配模型得到的特征集合也不相同。具体的，本实施例中使用的匹配模型是根据的通行方式设置的，目前针对城市道路通行方式设置了四种模型：公交模型、地铁模型、开车模型和步行模型，每个模型的具体作用是根据对应的出行方式特点自出行数据中提取出路网匹配特征，通过相应模型提取得到对应通行方式的路网匹配特诊越多说明越符合对应通行方式。对于不同的模型，其得到的路网匹配特征也不相同，也即路网匹配特征包括公交特征、地铁特征、开车特征和步行特征，不同的特征针对具体的通行方式设置，例如地铁通行方式与其他通行方式主要区别点包括线路不同，因此地铁特征包括特定的地铁线路匹配结果(仅存在地铁线路而无对应的公路线路)。当然上述关于路网匹配特征的说明仅为示例，实际根据具体情况还能够够采用其他模型以及其他特征，例如地表有轨交通等。
S130、将所述路网匹配特征输入预设的决策模型确定所述用户轨迹对应的通行方式。
决策模型为根据决策树算法等分类算法建立的分类模型，用于根据路网匹配特征判断与路网匹配特征最符合的通行方式。具体而言，在提取路网匹配特征时，往往根据出行数据能够提取出同时符合不同通行方式的特征，例如某用户的出行路线与公交线路一致，且恰好与某一趟公交一路同行，那么这份出行数据显然能同时满足非常多的公交特征和开车特征，因此在实际分类时，能够引入权重等参数对特征满足度进行评价，特征满足度越高说明越符合对应的通行方式，决策模型能够根据路网匹配特征确定对不同通行方式的特征满足度，最终输出特征满足度最高的通行方式。也即步骤S130具体包括：基于所述路网匹配特征通过所述决策模型确定每项通行方式的特征满足度，选择特征满足度最大的通行方式。
本实施例提供了一种通行方式识别方法，根据获取到的终端上报的出行数据结合预设的路网数据确定用户轨迹，再基于出行数据、用户轨迹以及路网数据提取路网匹配特征，最终将路网匹配特征输入预设的决策模型确定用户轨迹对应的通行方式，该方法能够根据出行数据结合路网数据提取出用于表示通行方式特征的路网匹配特征，再通过决策模型快速识别对应的通行方式，对道路交通分析提供依据，以便于进行交通规划解决交通拥堵。
实施例二
实施例二提供了一种通行方式识别方法，其可以在实施例一的基础上实现，对实施例一中的内容进行了进一步补充，例如确定用户轨迹的过程以及提取路网匹配特征的过程，具体包括：
如图2所示为本实施例提供的一种通行方式识别方法的子流程图，在该方法中，所述路网数据包括道路路网和地铁路网，该方法对步骤S110做了进一步解释，如图2所示步骤S110包括步骤S111-113：
S111、对所述出行数据进行初划分，得到包括预设基站ID的第一出行数据和不包括所述预设基站ID的第二出行数据。
初划分的目的实时是为了筛选出与地铁相关的出行数据，地铁由于线路，时间稳定，只能在固定站点进出站。获取地铁站点周围基站ID，构建地铁线路-基站ID库，提取MR数据中基站ID进行比对，依据连续地铁连续性原则，对出行数据进行初过滤，以分别得到第一出行数据和第二出行数据，其中第一出行数据为初划分判断用户采用地铁出行时的出行数据，第二出行数据为初划分判断用户采用非地铁出行方式的出行数据。
S112、基于所述第一出行数据匹配所述地铁路网确定第一轨迹。
第一出行数据为初划分判断用户采用地铁出行时的出行数据，因此在确定相应的用户轨迹时，将第一出行数据匹配地铁路网，为了便于区分将得到的用户轨迹称为第一轨迹。
S113、基于所述第二出行数据匹配所述道路路网确定第二轨迹。
与第一轨迹类似的，第二出行数据为初划分判断用户采用非地铁出行方式的出行数据，因此在确定相应的用户轨迹时，将第二出行数据匹配道路路网，为了便于区分将得到的用户轨迹称为第一轨迹。
可选的，在一些实施例中，考虑到终端上报数据时，其数据源往往包括不同的定位方式获取的经纬度信息，这对确定轨迹有一定的影响，因此在确定轨迹时，针对不同的定位方式，对不同的经纬度信息分配权重，再确定轨迹，以第二轨迹的确定过程为例，如图3所示步骤S112包括步骤S1121-1122：
S1121、根据所述第二出行数据通过预设的定位算法确定道路轨迹点以及与所述道路轨迹点对应的权重。
轨迹点为终端上报的出行数据中经纬度信息记载的用户位置点，其根据出行数据直接或间接确定，权重为本实施例中根据终端上报出行数据时的信号质量等参数为相应轨迹点分配的参数，用户在确定用户轨迹时减少低精度数据的误差影响。
步骤S1121的具体过程包括步骤S11211-11213(图未示)：
S11211、基于所述第二出行数据确定对应的服务小区质量。
S11212、根据所述服务小区质量选择对应的定位算法，所述定位算法包括指纹定位法、三角定位法和工参定位法。
S11213、基于所述第二出行数据通过所述对应的定位算法确定终端的道路轨迹点以及与所述道路轨迹点对应的权重。
S1122、将所述道路轨迹点和所述权重输入隐式马尔科夫模型确定所述第二轨迹。
服务小区质量(根据出行数据能够确定)影响终端上报出行数据时相应轨迹点的定位算法，依据MR数据源定位算法，采用不同定位算法时其定位精度有区别，因此本实施例中对用户轨迹点(由一组经纬度确定)进行标注，按照定位精度排序：指纹定位法>三角定位法>工参定位法。权重主要应用在和道路路网进行匹配时，对不同轨迹点按精度分配权重能够使得在确定用户轨迹时不同轨迹点的影响不同，减少低精度轨迹点的权重能够减少精度差的轨迹点对总概率的影响。
隐式马尔科夫(HMM)模型为采集隐式马尔可夫算法的模型，其HMM解决道路匹配问题即已知观测序列、观测概率、转换概率求取隐式序列问题，其中观测序列为用户od轨迹，隐式序列为具体道路路径。在概率算法中将概率取对数来解决概率解空间小的问题，同时变乘法为加法加快运算。
出行数据P＝{p1，p2……pn}(n为大于0的整数)，对轨迹点pi(i为大于0的整数)选取周围限定范围道路路网的路段，且pi在不同路段时投影rt，可以将观测概率建成mean为0的高斯分布：
Figure BDA0003423756220000111
其中：pi-rt为观测点到投影的距离，λ为权重参数根据线路道路方向、道路限速等情况调整，当定位精度较低，距离和方向影响权重降低。
转换概率为：
Figure BDA0003423756220000112
dt＝|pj-pi|-|rj-ri|route
其中λ为权重，dt为原始点和投影点距离，β为投影距离平均值。对整个路径计算采用维特比算法进行动态规划求解，得到用户道路轨迹。
更具体的，在一些实施例中，在步骤S1122之前，还包括用于进行道路清洗的过程：道路清洗主要将GIS((Geographic Information System或Geo－Information system，GIS))提取的路网图悬挂点、重复道路节点处理，建立节点连接图，通过提前迪杰斯特算法建立道路节点间道路最短路程(时间)库，方便HMM调用节省算法时间。
更具体的，在一些实施例中，如图4所示，步骤S130包括步骤S131-134：
S131、基于所述第一轨迹与所述地铁路网中的选定线路匹配，根据匹配结果自所述第一出行数据提取地铁特征。
步骤S131即提取地铁特征的过程，其根据第一轨迹和地铁路网按距离阈值对选定线路(地铁路段)进行直接匹配，结果地铁特征包括选定线路的长度、时间、占比、匹配上点距离平均精度、站点消耗时间、经过站点个数等。
S132、将所述公交路网匹配至所述道路路网，再结合所述第二轨迹进行匹配，根据匹配结果自所述第二出行数据提取公交特征。
步骤S132级提取公交特征的过程，是将公交路网直接匹配到道路路网上，结合第二轨迹进行匹配。路网间匹配采用公交线路上各经纬度选取道路路网上距离范围内节点，结合公交路线方向和道路方向，排序取最小偏差实现。轨迹和路网匹配时采用同一路网，直接比较经纬度，相同为同一路段，公交特征包括公交匹配线路长度、时间、占比等。
S133、将所述第二轨迹匹配至所述道路路网，根据匹配结果提取以速度为核心参数的开车特征。
S134、将所述第二轨迹匹配至所述道路路网，根据匹配结果提取以速度为核心参数的步行特征。
步骤S133为提取开车特征的过程，步骤S144为提取步行特征的过程，二者有一定的相似程度，但是也有主要的区别：步行的距离较短、速度较慢，因此步行特征和开车特征都主要包括移动时间长度、移动距离以及主要依赖的速度特征，二者的区别在于对应的阈值或取值区间不同，例如步行特征中移动距离通常为小于2公里，而开车特征中移动距离通常为大于5公里。
本实施例提供的通行方式识别方法中，进一步给出了确定用户轨迹的过程，其针对出行数据具有不同的定位算法，针对采用不同定位算法的精度不同，为出行数据中不同的轨迹点分配了权重，以减少低精度定位算法对匹配结果的影响，针对HMM算法中需要计算候选点连通距离，提前建立路径连通库，提高HMM算法计算速度，对不同出行方式，提出了不同的特征提取模型，依据和地铁、公交、道路路网匹配结果提取特征，增加分类算法精度。
实施例三
图5为本发明实施例三提供的一种通行方式识别装置300的结构示意图，如图5所述，该装置300包括：
轨迹确定模块310，用于获取终端上报的出行数据结合预设的路网数据确定用户轨迹；
特征提取模块320，用于基于所述出行数据、所述用户轨迹以及所述路网数据提取路网匹配特征；
决策模块330，用于将所述路网匹配特征输入预设的决策模型确定所述用户轨迹对应的通行方式。
可选的，在一些实施例中，所述路网数据包括道路路网和地铁路网，所述基于终端上报的出行数据结合预设的路网数据确定用户轨迹包括：
对所述出行数据进行初划分，得到包括预设基站ID的第一出行数据和不包括所述预设基站ID的第二出行数据；
基于所述第一出行数据匹配所述地铁路网确定第一轨迹；
基于所述第二出行数据匹配所述道路路网确定第二轨迹。
可选的，在一些实施例中，所述基于所述第二出行数据匹配所述道路路网确定第二轨迹包括：
根据所述第二出行数据通过预设的定位算法确定道路轨迹点以及与所述道路轨迹点对应的权重；
将所述道路轨迹点和所述权重输入隐式马尔科夫模型确定所述第二轨迹。
可选的，在一些实施例中，所述根据所述第二出行数据通过预设的定位算法确定道路轨迹点包括：
基于所述第二出行数据确定对应的服务小区质量；
根据所述服务小区质量选择对应的定位算法，所述定位算法包括指纹定位法、三角定位法和工参定位法；
基于所述第二出行数据通过所述对应的定位算法确定终端的道路轨迹点以及与所述道路轨迹点对应的权重。
可选的，在一些实施例中，所述将所述路网匹配特征输入预设的决策模型确定所述用户轨迹对应的通行方式包括：
基于所述路网匹配特征通过所述决策模型确定每项通行方式的特征满足度，选择特征满足度最大的通行方式。
可选的，在一些实施例中，所述路网数据还包括公交路网，所述特征提取模块320包括：
地铁特征提取单元，用于基于所述第一轨迹与所述地铁路网中的选定线路匹配，根据匹配结果自所述第一出行数据提取地铁特征；
公交特征提取单元，用于将所述公交路网匹配至所述道路路网，再结合所述第二轨迹进行匹配，根据匹配结果自所述第二出行数据提取公交特征；
开车特征提取单元，用于将所述第二轨迹匹配至所述道路路网，根据匹配结果提取以速度为核心参数的开车特征；
步行特征提取单元，用于将所述第二轨迹匹配至所述道路路网，根据匹配结果提取以速度为核心参数的步行特征。
本实施例提供了一种通行方式识别装置，根据获取到的终端上报的出行数据结合预设的路网数据确定用户轨迹，再基于出行数据、用户轨迹以及路网数据提取路网匹配特征，最终将路网匹配特征输入预设的决策模型确定用户轨迹对应的通行方式，该方法能够根据出行数据结合路网数据提取出用于表示通行方式特征的路网匹配特征，再通过决策模型快速识别对应的通行方式，对道路交通分析提供依据，以便于进行交通规划解决交通拥堵。
实施例四
图5为本发明实施例四提供的一种服务器400的结构示意图，如图5所示，该设备包括存储器410、处理器420，设备中处理器420的数量可以是一个或多个，图5中以一个处理器420为例；设备中的存储器410、处理器420可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器410作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的通行方式识别方法对应的程序指令/模块(例如，通行方式识别装置中的采集配置模块310、数据获取模块320、数据转化模块330)。处理器420通过运行存储在存储器410中的软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述的通行方式识别方法。
其中，所述处理器420用于运行存储在存储器410中的计算机可执行程序，以实现如下步骤：步骤S110、获取终端上报的出行数据结合预设的路网数据确定用户轨迹；步骤S120、基于所述出行数据、所述用户轨迹以及所述路网数据提取路网匹配特征；步骤S130、将所述路网匹配特征输入预设的决策模型确定所述用户轨迹对应的通行方式。
当然,本发明实施例所提供的一种服务器,该设备不限于如上所述的方法操作,还可以执行本发明实施例任意实施例所提供的通行方式识别方法中的相关操作。
存储器410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种通行方式识别方法，该通行方式识别方法包括：
获取终端上报的出行数据结合预设的路网数据确定用户轨迹；
基于所述出行数据、所述用户轨迹以及所述路网数据提取路网匹配特征；
将所述路网匹配特征输入预设的决策模型确定所述用户轨迹对应的通行方式。
通过以上关于实施方式的描述，所述领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台服务器(可以是个人计算机，设备，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述授权装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种通行方式识别方法，其特征在于，包括：
获取终端上报的出行数据结合预设的路网数据确定用户轨迹；
基于所述出行数据、所述用户轨迹以及所述路网数据提取路网匹配特征；
将所述路网匹配特征输入预设的决策模型确定所述用户轨迹对应的通行方式。
2.根据权利要求1所述的通行方式识别方法，其特征在于，所述路网数据包括道路路网和地铁路网，所述基于终端上报的出行数据结合预设的路网数据确定用户轨迹包括：
对所述出行数据进行初划分，得到包括预设基站ID的第一出行数据和不包括所述预设基站ID的第二出行数据；
基于所述第一出行数据匹配所述地铁路网确定第一轨迹；
基于所述第二出行数据匹配所述道路路网确定第二轨迹。
3.根据权利要求2所述的通行方式识别方法，其特征在于，所述基于所述第二出行数据匹配所述道路路网确定第二轨迹包括：
根据所述第二出行数据通过预设的定位算法确定道路轨迹点以及与所述道路轨迹点对应的权重；
将所述道路轨迹点和所述权重输入隐式马尔科夫模型确定所述第二轨迹。
4.根据权利要求3所述的通行方式识别方法，其特征在于，所述根据所述第二出行数据通过预设的定位算法确定道路轨迹点包括：
基于所述第二出行数据确定对应的服务小区质量；
根据所述服务小区质量选择对应的定位算法，所述定位算法包括指纹定位法、三角定位法和工参定位法；
基于所述第二出行数据通过所述对应的定位算法确定终端的道路轨迹点以及与所述道路轨迹点对应的权重。
5.根据权利要求2所述的通行方式识别方法，其特征在于，所述路网数据还包括公交路网，所述基于所述出行数据、所述用户轨迹以及所述路网数据提取路网匹配特征包括：
基于所述第一轨迹与所述地铁路网中的选定线路匹配，根据匹配结果自所述第一出行数据提取地铁特征；
将所述公交路网匹配至所述道路路网，再结合所述第二轨迹进行匹配，根据匹配结果自所述第二出行数据提取公交特征；
将所述第二轨迹匹配至所述道路路网，根据匹配结果提取以速度为核心参数的开车特征；
将所述第二轨迹匹配至所述道路路网，根据匹配结果提取以速度为核心参数的步行特征。
6.根据权利要求3所述的通行方式识别方法，其特征在于，所述将所述路网匹配特征输入预设的决策模型确定所述用户轨迹对应的通行方式包括：
基于所述路网匹配特征通过所述决策模型确定每项通行方式的特征满足度，选择特征满足度最大的通行方式。
7.一种通行方式识别装置，其特征在于，包括：
轨迹确定模块，用于获取终端上报的出行数据结合预设的路网数据确定用户轨迹；
特征提取模块，用于基于所述出行数据、所述用户轨迹以及所述路网数据提取路网匹配特征；
决策模块，用于将所述路网匹配特征输入预设的决策模型确定所述用户轨迹对应的通行方式。
8.根据权利要求7所述的通行方式识别装置，其特征在于，所述路网数据包括道路路网、地铁路网和公交路网，所述特征提取模块包括：
地铁特征提取单元，用于基于第一轨迹与所述地铁路网中的选定线路匹配，根据匹配结果自第一出行数据提取地铁特征；
公交特征提取单元，用于将所述公交路网匹配至所述道路路网，再结合所述第二轨迹进行匹配，根据匹配结果自第二出行数据提取公交特征；
开车特征提取单元，用于将第二轨迹匹配至所述道路路网，根据匹配结果提取以速度为核心参数的开车特征；
步行特征提取单元，用于将所述第二轨迹匹配至所述道路路网，根据匹配结果提取以速度为核心参数的步行特征。
9.一种服务器，其特征在于，包括存储器和处理器，所述存储器上存储有可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-6任意一项所述的通行方式识别方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被执行时，实现如权利要求1-6任意一项所述的通行方式识别方法。
CN202111571094.4A 2021-12-21 2021-12-21 通行方式识别方法、装置、设备及存储介质 Active CN114245329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111571094.4A CN114245329B (zh) 2021-12-21 2021-12-21 通行方式识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111571094.4A CN114245329B (zh) 2021-12-21 2021-12-21 通行方式识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114245329A true CN114245329A (zh) 2022-03-25
CN114245329B CN114245329B (zh) 2023-04-07

Family

ID=80760348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111571094.4A Active CN114245329B (zh) 2021-12-21 2021-12-21 通行方式识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114245329B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116634378A (zh) * 2023-07-21 2023-08-22 德特赛维技术有限公司 一种出行道路轨迹识别方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108955693A (zh) * 2018-08-02 2018-12-07 吉林大学 一种路网匹配的方法及系统
CN110377682A (zh) * 2019-07-18 2019-10-25 北京百度网讯科技有限公司 轨迹类型确定方法、装置、计算设备和存储介质
CN111091720A (zh) * 2020-03-23 2020-05-01 北京交研智慧科技有限公司 基于信令数据和浮动车数据的拥堵路段识别方法及装置
CN111653094A (zh) * 2020-05-29 2020-09-11 南京瑞栖智能交通技术产业研究院有限公司 一种基于手机信令数据且含路网修正的城市出行方式综合识别方法
CN112133090A (zh) * 2020-08-14 2020-12-25 南京瑞栖智能交通技术产业研究院有限公司 一种基于手机信令数据的多方式交通分布模型构建方法
CN112530166A (zh) * 2020-12-01 2021-03-19 江苏欣网视讯软件技术有限公司 基于信令数据与大数据分析识别公交出行上下车站点的方法与系统
US20210176597A1 (en) * 2017-02-17 2021-06-10 Dataspark Pte Ltd Trajectory Analysis With Mode Of Transportation Analysis

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210176597A1 (en) * 2017-02-17 2021-06-10 Dataspark Pte Ltd Trajectory Analysis With Mode Of Transportation Analysis
CN108955693A (zh) * 2018-08-02 2018-12-07 吉林大学 一种路网匹配的方法及系统
CN110377682A (zh) * 2019-07-18 2019-10-25 北京百度网讯科技有限公司 轨迹类型确定方法、装置、计算设备和存储介质
CN111091720A (zh) * 2020-03-23 2020-05-01 北京交研智慧科技有限公司 基于信令数据和浮动车数据的拥堵路段识别方法及装置
CN111653094A (zh) * 2020-05-29 2020-09-11 南京瑞栖智能交通技术产业研究院有限公司 一种基于手机信令数据且含路网修正的城市出行方式综合识别方法
CN112133090A (zh) * 2020-08-14 2020-12-25 南京瑞栖智能交通技术产业研究院有限公司 一种基于手机信令数据的多方式交通分布模型构建方法
CN112530166A (zh) * 2020-12-01 2021-03-19 江苏欣网视讯软件技术有限公司 基于信令数据与大数据分析识别公交出行上下车站点的方法与系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵瑜等: "基于手机GPS定位轨迹的出行信息采集技术", 《山东交通学院学报》 *
陈浩等: "基于隐马尔科夫模型和动态规划的手机数据移动轨迹匹配", 《地理与地理信息科学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116634378A (zh) * 2023-07-21 2023-08-22 德特赛维技术有限公司 一种出行道路轨迹识别方法、装置、设备及存储介质
CN116634378B (zh) * 2023-07-21 2023-12-08 德特赛维技术有限公司 一种出行道路轨迹识别方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114245329B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN106912018B (zh) 基于信令轨迹的地图匹配方法及系统
Goh et al. Online map-matching based on hidden markov model for real-time traffic sensing applications
CN108763558B (zh) 一种基于地图匹配的众包地图道路质量改进方法
WO2021082464A1 (zh) 预测车辆的目的地的方法和装置
CN102521973A (zh) 一种手机切换定位的道路匹配方法
CN114363842B (zh) 基于手机信令数据的公交乘客下车站点预测方法及装置
CN105682024A (zh) 一种基于移动信令数据的城市热点识别方法
CN110472999B (zh) 基于地铁和共享单车数据的客流模式分析方法及装置
CN111651538B (zh) 一种位置映射方法、装置、设备及可读存储介质
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
CN112013862A (zh) 一种基于众包轨迹的行人路网提取及更新方法
KR102386786B1 (ko) 위치 기반 경로 데이터베이스의 관리 방법 및 이를 수행하는 서버
CN114428828A (zh) 基于行驶轨迹挖掘新增道路方法、装置及电子设备
CN111931077B (zh) 数据处理方法、装置、电子设备及存储介质
CN114245329B (zh) 通行方式识别方法、装置、设备及存储介质
CN113205700A (zh) 一种基于手机信令路网匹配的高速车辆位置识别方法
Chen et al. Enabling smart urban services with gps trajectory data
Bandil et al. Geodart: A system for discovering maps discrepancies
CN112164223B (zh) 基于云平台的智能交通信息处理方法及装置
Pinelli et al. A methodology for denoising and generating bus infrastructure data
CN112351394A (zh) 一种基于手机信令数据的交通出行模型构建方法
CN116957005A (zh) 对应关系预测网络的训练方法、装置、设备及介质
Yin et al. Road traffic prediction based on base station location data by Random Forest
Sunderrajan et al. Map stream: initializing what-if analyses for real-time symbiotic traffic simulations
León et al. Improvements of a topological map-matching algorithm in post-processing mode

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