CN114707567A - 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品 - Google Patents
轨迹分类方法、轨迹分类模型训练方法及计算机程序产品 Download PDFInfo
- Publication number
- CN114707567A CN114707567A CN202210119091.5A CN202210119091A CN114707567A CN 114707567 A CN114707567 A CN 114707567A CN 202210119091 A CN202210119091 A CN 202210119091A CN 114707567 A CN114707567 A CN 114707567A
- Authority
- CN
- China
- Prior art keywords
- track
- trajectory
- time series
- classification
- classified
- 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.)
- Pending
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 154
- 238000012549 training Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004590 computer program Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000002596 correlated effect Effects 0.000 abstract description 4
- 238000006073 displacement reaction Methods 0.000 description 100
- 230000000875 corresponding effect Effects 0.000 description 78
- 230000001133 acceleration Effects 0.000 description 72
- 230000004927 fusion Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 19
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 241000283070 Equus zebra Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例公开了一种轨迹分类方法、轨迹分类模型训练方法及计算机程序产品，所述方法包括：获取待分类轨迹；基于所述待分类轨迹中的轨迹点所属道路类型将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；针对各个所述轨迹片段提取至少一个时间序列特征；基于所述至少一个时间序列特征，确定所述待分类轨迹的通行方式类别。该技术方案能够在轨迹分类过程中，从待分类轨迹中提取了具有空间信息的时间序列特征，这种方式既考虑了轨迹的空间特征，也考虑了轨迹的时间序列特征，使得最终用于识别轨迹类别的时间序列特征与轨迹类别强相关，提高了轨迹分类的准确度。
Description
技术领域
本公开涉及位置服务技术领域，具体涉及一种轨迹分类方法、轨迹分类模型训练方法及计算机程序产品。
背景技术
目前，已有技术中利用各种分类器对对象的通行轨迹进行分类，其中分类器主要包括树模型、LR、贝叶斯、深度神经网络模型等。本公开发明人发现，这些分类器主要感知的是轨迹的时间序列特征，例如速度、加速度等，而对于不同通行方式的轨迹进行分类时，并未考虑到空间特征，比如某个轨迹的速度特征较低，并且持续低速，则大概率会将其分类为步行或者骑行，但是这个轨迹如果在高速道路上，则实际上这个轨迹较大可能为汽车轨迹，而不是步行轨迹或者骑行轨迹。
因此，需要提出一种能够同时考虑空间特征以及时序序列特征的轨迹分类方案，来解决轨迹分类不准确的问题。
发明内容
本公开实施例提供一种轨迹分类方法、轨迹分类模型训练方法及计算机程序产品。
第一方面，本公开实施例中提供了一种轨迹分类方法，其中，包括：
获取待分类轨迹；
基于所述待分类轨迹中的轨迹点所属道路类型，将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
针对各个所述轨迹片段提取至少一个时间序列特征；
基于所述至少一个时间序列特征，确定所述待分类轨迹的通行方式类别。
进一步地，基于所述至少一个时间序列特征，确定所述待分类轨迹的通行方式类别，包括：
确定每一个所述轨迹片段所属道路类型，以及所述道路类型对应的第一轨迹分类模型；其中不同道路类型对应不同的第一轨迹分类模型；
针对每一个所述轨迹片段，将与该轨迹片段对应的所述时间序列特征，输入至所述轨迹片段所属道路类型对应的第一轨迹分类模型，获得该轨迹片段的分类结果；
将各个所述轨迹片段对应的所述分类结果进行融合，确定所述待分类轨迹的通行方式类别。
进一步地，不同的所述第一轨迹分类模型单独训练得到，且训练所述第一轨迹分类模型的样本轨迹所属道路类型与所述第一轨迹分类模型对应的道路类型相同。
进一步地，将所述轨迹片段对应的所述分类结果进行融合，确定所述待分类轨迹的通行方式类别，包括：
对所述轨迹片段对应的所述分类结果分别加权融合后，得到所述待分类轨迹的通行方式类别；其中对所述轨迹片段的分类结果进行加权的权重与所述轨迹片段在所述待分类轨迹中所占的长度比例相关。
进一步地，基于所述至少一个时间序列特征，确定所述待分类轨迹的通行方式类别，包括：
将所述轨迹片段中提取的所述至少一个时间序列特征拼成总时间序列特征；
将所述总时间序列特征输入至第二轨迹分类模型，获得所述待分类轨迹的通行方式类别。
进一步地，将所述轨迹片段中提取的所述至少一个时间序列特征拼成总时间序列特征，包括：
从每个所述轨迹片段中提取预定数量个时间序列特征，且从不同的所述轨迹片段中提取的所述预定数量个时间序列特征的类型对应一致；
按照所述轨迹片段在所述待分类轨迹中的位置顺序，将每个所述轨迹片段对应的预定数量个时间序列特征依次拼接，得到所述总时间序列特征。
第二方面，本公开实施例中提供了一种轨迹分类模型训练方法，其中，包括：
获取训练数据；所述训练数据包括多个样本轨迹；
基于所述样本轨迹中的轨迹点所属道路类型将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
针对各个所述轨迹片段提取至少一个时间序列特征；
所述至少一个时间序列特征输入至所述轨迹片段所属道路类型对应的第一轨迹分类模型进行训练；其中不同道路类型对应不同的第一轨迹分类模型。
第三方面，本公开实施例中提供了一种轨迹分类模型训练方法，其中，包括：
获取训练数据；所述训练数据包括多个样本轨迹；
基于所述样本轨迹中的轨迹点所属道路类型，将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
针对各个所述轨迹片段提取至少一个时间序列特征；
将所述轨迹片段中提取的所述至少一个时间序列特征拼接成总时间序列特征；
将所述总时间序列特征输入至第二分类模型进行训练。
第四方面，本公开实施例中提供了一种交通状况分析方法，其中，利用第一方面所述的方法对道路上的轨迹进行分类后，基于分类结果分析道路上的交通状况。
第五方面，本发明实施例中提供了一种轨迹分类装置，包括：
第一获取模块，被配置为获取待分类轨迹；
第一划分模块，被配置为基于所述待分类轨迹中的轨迹点所属道路类型，将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
第一提取模块，被配置为针对各个所述轨迹片段提取至少一个时间序列特征；
第一确定模块，被配置为基于所述至少一个时间序列特征，确定所述待分类轨迹的通行方式类别。
第六方面，本发明实施例中提供了一种轨迹分类模型训练装置，其中，包括：
第三获取模块，被配置为获取训练数据；所述训练数据包括多个样本轨迹；
第三划分模块，被配置为基于所述样本轨迹中的轨迹点所属道路类型，将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
第三提取模块，被配置为针对各个所述轨迹片段提取至少一个时间序列特征；
拼接模块，被配置为将所述轨迹片段中提取的所述至少一个时间序列特征拼接成总时间序列特征；
第二训练模块，被配置为将所述总时间序列特征输入至第二分类模型进行训练。
第七方面，本发明实施例中提供了一种交通状况分析装置，其中，利用第五方面所述的装置对道路上的轨迹进行分类后，基于分类结果分析道路上的交通状况。
所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，上述装置的结构中包括存储器和处理器，所述存储器用于存储一条或多条支持上述装置执行上述对应方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。上述装置还可以包括通信接口，用于上述装置与其他设备或通信网络通信。
第八方面，本公开实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器上的计算机程序，其中，所述处理器执行所述计算机程序以实现上述任一方面所述的方法。
第九方面，本公开实施例提供了一种计算机可读存储介质，用于存储上述任一装置所用的计算机指令，该计算机指令被处理器执行时用于实现上述任一方面所述的方法。
第十方面，本公开实施例提供了一种计算机程序产品，其包含计算机指令，该计算机指令被处理器执行时用于实现上述任一方面所述的方法。
本公开实施例提供的技术方案可以包括以下有益效果：
本实施例中，在对轨迹进行分类时，将待分类轨迹按照空间特征例如该待分类轨迹中轨迹点所属道路类型将其划分成一个或多个轨迹片段，之后针对每个轨迹片段分别提取时间序列特征，而再基于每个轨迹片段中所提取的时间序列特征对待分类模型进行分类。本公开实施例在轨迹分类过程中，从待分类轨迹中提取了具有空间信息的时间序列特征，这种方式既考虑了轨迹的空间特征，也考虑了轨迹的时间序列特征，使得最终用于识别轨迹类别的时间序列特征与轨迹类别强相关，提高了轨迹分类的准确度。
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，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
图1示出根据本公开一实施方式的轨迹分类方法的流程图；
图2示出根据本公开一实施方式中对用户轨迹数据进行分类的应用流程示意图；
图3示出根据本公开一实施方式的轨迹分类模型训练方法的流程图；
图4示出了根据本公开一实施方式中第一轨迹分类模型的模型训练示意图；
图5示出根据本公开又一实施方式的轨迹模型训练方法的流程图；
图6示出了根据本公开一实施方式中第二轨迹分类模型的模型训练示意图；
图7示出根据本公开一实施方式中轨迹分类的应用场景示意图；
图8是适于用来实现根据本公开实施方式的轨迹分类方法、轨迹分类模型训练方法和/或交通状况分析方法的电子设备的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
下面通过具体实施例详细介绍本公开实施例的细节。
图1示出根据本公开一实施方式的轨迹分类方法的流程图。如图1所示，该轨迹分类方法包括以下步骤：
在步骤S101中，获取待分类轨迹；
在步骤S102中，基于所述待分类轨迹中的轨迹点所属道路类型，将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
在步骤S103中，针对各个所述轨迹片段提取至少一个时间序列特征；
在步骤S104中，基于所述至少一个时间序列特征，确定所述待分类轨迹的通行方式类别。
本实施例中，待分类轨迹可以是目标对象的任意一条轨迹，该轨迹可以包括一系列时间上连续的GPS位置点。GPS位置点包括该点的经度数据和纬度数据。目标对象可以是人、机器人、车辆、电子设备等。例如目标对象为人，则该人的轨迹中的GPS位置点可以是由该人手持的终端如手机、ipad、可穿戴电子设备、所驾驶或者搭乘车辆承载终端采集到的。在一些实施例中，轨迹分类可以是将该待分类轨迹按照目标对象的通行方式进行分类，得到轨迹的通行方式类别，例如对于用户轨迹可以划分成步行、骑行、驾车等结果。当然，可以理解的是，轨迹分类还可以是其他分类方式，不限于上述通行方式的分类。
轨迹分类可以应用在各种不同的场景。例如可以通过对轨迹进行分类获得目标对象的画像等。再例如，可以将轨迹分类应用在智慧交通上；如希望根据道路流量改善城市交通灯之间的绿波带，其中非机动车与行人的数据会干扰对道路中有效汽车流量的分析，阻碍相关部门对道路动态信息的分析，从而遏制了智慧交通的发展；而如果可以将轨迹进行正确分类，一方面可以解决上述问题，另一方面还可以针对非机动车人群进行交通状况的改善，如可以根据行人与骑行流量对人行道、斑马线、步行桥以及骑行道路作出进一步的优化与调整，甚至可以根据实时不同类型流量进行交通管制，如每年五一、十一的出行节日期间交警可以根据实际流量对热门旅游景点进行交通管制，能够改善交通拥堵的情况。
而如背景技术所述，考虑到目前轨迹分类的前沿技术所研究的分类器仅以轨迹中的时间序列特征进行分类，并不考虑空间特征，从而造成轨迹分类结果的不准确，因此本公开实施例提出了一种轨迹分类方法，该分类方法中不但考虑了轨迹的时间序列特征，同时还考虑了轨迹的空间特征(也即轨迹中轨迹点所属道路类型)，从而大大提高了轨迹分类的准确性。
本实施例中，轨迹的空间特征可以是轨迹点的位置特征，该位置特征可以包括GPS点的经纬度数据、轨迹点所属路段以及轨迹点所属道路类型等。
在一些实施例中，路段可以是根据实际道路划分的有向单元，每个路段对应一个实际道路，并且拥有唯一的ID。道路类型可以依据空间特征进行划分，例如道路类型可以包括但不限于高速公路、国道、省道、县道、乡公路、主要大街、城市快速道、主要道路、次要道路、普通道路等10种类型。
对于同一条待分类轨迹，可以基于该待分类轨迹中轨迹点的位置信息、该位置信息所属道路的道路类型，将该待分类轨迹划分成一个或多个不同的轨迹片段，在轨迹片段的划分过程中，可以将待分类轨迹的起始点作为开始位置点向后进行遍历，确定每个位置点对应的位置信息所属的道路类型，在当前位置点对应的位置信息所属道路类型与上一位置点对应的位置信息所属道路类型不同时，将开始位置点至上一位置点之间(包含开始遍历的开始位置点以及上一位置点)的所有位置点划分为一个轨迹片段，并将当前位置点作为下一次遍历的开始位置点，继续按照上述方式遍历后续的位置点。当然，可以理解的是，也可以将一条轨迹的终止点作为开始位置点向前遍历，还可以将一条轨迹中间的某个点作为开始位置点分别向前或向后进行遍历，具体可以根据实际需要而定，在此不做限制。
待分类轨迹经过上述方式划分后，可以得到一个或者多个轨迹片段，该一个或多个轨迹片段可以对应相同或者不同的道路类型，而同一个轨迹片段中所有轨迹点均属于同一道路类型。
本实施例中，针对划分得到的每个轨迹片段，分别提取时间序列特征，也即将每一个轨迹片段作为单独的一条轨迹提取时间序列特征。时间序列特征可以包括但不限于：速度、加速度、位移等。
在一些实施例中，可以从轨迹片段提取平均速度、最大速度、速度方差、平均位移、最大位移、位移方差、平均加速度、最大加速度、加速度方差、轨迹运行总时长以及总位移等11个时间序列特征。也即每个轨迹片段中可以分别提取出上述11个时间序列特征，该11个时间序列特征可以作为该轨迹片段的分类依据。
针对每个轨迹片段均提取了时间序列特征之后，可以基于每个轨迹片段所提取的时间序列特征对待分类轨迹进行分类。需要说明的是，假如一条待分类轨迹被划分成了N(N为大于或等于1的正整数)个轨迹片段，而一个轨迹片段中提取了M(M为大于或等于1的正整数)个时间序列特征，则该待分类轨迹中相当于总共提取了N*M个时间序列特征，并且每M个时间序列特征均属于同一道路类型下轨迹的时间序列特征。需要说明的是，从不同轨迹片段提取的时间序列特征的类型相同，也即已有技术中从整条待分类轨迹仅提取M个时间序列特征，而本实施例则是从一个轨迹片段提取M个时间序列特征，如果一条待分类轨迹被划分为多个轨迹片段的情况下，则会提取多组M个时间序列特征。并且每一组M个时间序列特征的空间特征相同，也即每一组M个时间序列特征是从同属同一道路类型上的轨迹点中提取出的。可以理解的是，本公开实施例中提取的时间序列特征是具有空间信息的，也即在体现时间序列特征的同时还体现了空间特征，与已有技术中不具有空间信息的时间序列特征不同。
在一些实施例中，可以通过预训练分类模型，并将从每个轨迹片段提取的时间序列特征输入至该预训练分类模型得到该待分类轨迹的分类结果，也即该待分类轨迹的通行方式类别。预训练分类模型可以选用已有的分类模型，如XGBoost模型、卷积神经网络模型等。
本实施例中，在对轨迹进行分类时，将待分类轨迹按照空间特征例如该待分类轨迹中轨迹点所属道路类型将其划分成一个或多个轨迹片段，之后针对每个轨迹片段分别提取时间序列特征，而再基于每个轨迹片段中所提取的时间序列特征对待分类模型进行分类。本公开实施例在轨迹分类过程中，从待分类轨迹中提取了具有空间信息的时间序列特征，这种方式既考虑了轨迹的空间特征，也考虑了轨迹的时间序列特征，使得最终用于识别轨迹类别的时间序列特征与轨迹类别强相关，提高了轨迹分类的准确度。
在本实施例的一个可选实现方式中，步骤S104，即基于所述至少一个时间序列特征，确定所述待分类轨迹的通行方式类别的步骤，进一步包括以下步骤：
确定每一个所述轨迹片段所属道路类型，以及所述道路类型对应的第一轨迹分类模型；其中不同道路类型对应不同的第一轨迹分类模型；
针对每一个所述轨迹片段，将与该轨迹片段对应的所述时间序列特征，输入至所述轨迹片段所属道路类型对应的第一轨迹分类模型，获得该轨迹片段的分类结果；
将各个所述轨迹片段对应的所述分类结果进行融合，确定所述待分类轨迹的通行方式类别。
该可选的实现方式中，可以针对不同的道路类型预选训练得到不同的第一轨迹分类模型，例如在预先划分有X个道路类型的情况下，可以针对该X个道路类型预先训练得到X个第一轨迹分类模型。不同的轨迹片段可以基于其所述道路类型被输入至相应的第一轨迹分类模型，获得该轨迹片段的分类结果。该分类结果可以包括该轨迹片段属于预先划分的X个轨迹类别中任意一种的概率，概率最大的轨迹类别可以认为是该轨迹片段的类别。
每个轨迹片段均对应有一个分类结果，通过将多个轨迹片段对应的多个分类结果融合可以确定轨迹数据的类别。融合的方式可以包括多种，如求和、加权求和等融合方式，具体可以根据实际需要而定，在此不再赘述。
举例说明求和的融合方式：可以将每个分类结果中相同轨迹类别对应的概率值进行求和，最终将概率之和最大的轨迹类别确定为该待分类轨迹的通行方式类别。
在本实施的一个可选实现方式中，不同的所述第一轨迹分类模型单独训练得到，且训练所述第一轨迹分类模型的样本轨迹所属道路类型与所述第一轨迹分类模型对应的道路类型相同。
需要说明的是，不同道路类型对应不同的第一轨迹分类模型，而每个第一轨迹分类模型可以单独预先训练得到。在预先训练过程中，可以收集对应于相同道路类型的轨迹片段，并将该轨迹片段中提取的时间序列特征作为样本数据输入至待训练的第一轨迹分类模型中进行训练，经过大量这类属于相同道路类型的轨迹片段的训练，可以得到预训练的第一轨迹分类模型。在一些实施例中，第一轨迹分类模型可以使用Xgboost模型。不同道路类型对应的第一轨迹分类模型的模型结构可以相同，并且不同道路类型对应的第一轨迹分类模型的输入和输出也均相同，但是经过训练后模型参数可以不同。
在轨迹识别过程中，可以将待分类轨迹划分成属于不同道路类型的轨迹片段，并将每个轨迹片段分别输入至相应道路类型对应的第一轨迹分类模型。由于第一轨迹分类模型的训练样本均是同一种道路类型对应的轨迹片段，因此该第一轨迹分类模型对于该道路类型对应的轨迹片段具有更强的识别能力，能够提高轨迹分类结果的准确性。
在本实施例的一个可选实现方式中，将所述轨迹片段对应的所述分类结果进行融合，确定所述待分类轨迹的通行方式类别的步骤，进一步包括以下步骤：
对所述轨迹片段对应的所述分类结果分别加权融合后，得到所述待分类轨迹的通行方式类别；其中对所述轨迹片段的分类结果进行加权的权重与所述轨迹片段在所述待分类轨迹中所占的长度比例相关。
该可选的实现方式中，针对属于不同道路类型的轨迹片段，分别使用不同的第一轨迹分类模型得到分类结果之后，可以融合得到待分类轨迹的通行方式类别。为了能够使得融合结果更加准确，本公开实施例通过对各分类结果进行加权融合的方式得到融合结果。例如，可以将各分类结果进行加权求和得到融合结果，而加权的权重则可以与该轨迹片段在整个轨迹中所占的长度比例相关，如果该轨迹片段在整个轨迹中较长，所占比例较大，则可以将其对应的权重设置较大，而如果该轨迹片段在整个轨迹中较短，所占比例较小，则可以将其对应的权重设置较小。需要说明的是，各轨迹片段对应的权重之和等于1。例如，权重k＝轨迹片段位移/待分类轨迹总位移。
图2示出根据本公开一实施方式中对用户轨迹数据进行分类的应用流程示意图。如图2所示，用户轨迹数据按照道路类型的不同被划分成多个轨迹片段，图2中示出6个轨迹片段，假设该6个轨迹片段对应的道路类型均不同，则该6个轨迹片段被分别被输入至6个预先训练好的第一轨迹分类模型XGB_Model中，假设基于道路类型预先训练得到10种道路类型对应的第一轨迹分类模型XGB_Model 1-10，该6个轨迹片段分别输入至了其中6个第一轨迹分类模型XGB_Model 1-3和XGB_Model 8-10，该6个第一轨迹分类模型分别输出6个分类结果，该6个分类结果被加权k后进行融合，得到融合结果，基于该融合结果可以得到该用户轨迹数据的类别，k＝轨迹片段的位移长度/用户轨迹数据的总位移长度。
在本实施例的一个可选实现方式中，步骤S104，即基于所述至少一个时间序列特征，确定所述待分类轨迹的通行方式类别的步骤，进一步包括以下步骤：
将所述轨迹片段中提取的所述至少一个时间序列特征拼成总时间序列特征；
将所述总时间序列特征输入至第二轨迹分类模型，获得所述待分类轨迹的通行方式类别。
该可选的实现方式中，还可以通过将轨迹片段中提取的时间序列特征进行拼接后，得到一组总时间序列特征，所得到的该总时间序列特征用于确定该待分类轨迹的分类结果。在这种方式下，可以预先训练一个第二轨迹分类模型，该第二轨迹分类模型的输入为待分类轨迹中各个轨迹片段中提取的时间序列特征的拼接特征，也即上文中提到的总时间序列特征，而输出为该待分类轨迹的通行方式类别。在一些实施例中，第二轨迹分类模型可以使用卷积神经网络模型。
第二轨迹分类模型的预训练过程中，可以将样本轨迹切分成多个轨迹片段，进而从每个轨迹片段提取相同类型的时间序列特征，并将每个轨迹片段中提取的时间序列特征进行拼接后，输入至待训练的模型中，经过大量样本轨迹的训练可以得到预训练的第一轨迹分类模型。而在轨迹分类过程中，同样将待分类轨迹切分成多个轨迹片段，进而从每个轨迹片段提取相同类型的时间序列特征，并将每个轨迹片段中提取的时间序列特征进行拼接后，输入至预训练的第一轨迹分类模型，该第一轨迹分类模型输出该待分类轨迹的通行方式类别。
在本实施例的一个可选实现方式中，将所述轨迹片段中提取的所述至少一个时间序列特征拼成总时间序列特征的步骤，进一步包括以下步骤：
从每个所述轨迹片段中提取预定数量个时间序列特征，且从不同的所述轨迹片段中提取的所述预定数量个时间序列特征的类型对应一致；
按照所述轨迹片段在所述待分类轨迹中位置顺序，将每个所述轨迹片段对应的预定数量个时间序列特征依次拼接，得到所述总时间序列特征。
该可选的实现方式中，多个轨迹片段的时间序列特征在进行拼接时，可以按照轨迹片段在轨迹中位置顺序进行拼接，也即在轨迹前面的轨迹片段对应的时间序列特征可以位于在轨迹后面的轨迹片段之前。例如，需要从轨迹片段提取的时间序列特征为11种时间序列特征，分别为平均速度、最大速度、速度方差、平均位移、最大位移、位移方差、平均加速度、最大加速度、加速度方差、轨迹运行总时长以及总位移，则针对每一个轨迹片段均提取上述11种时间序列特征，该11种时间序列特征可以按照预先设定的顺序排列，之后可以按照轨迹片段在轨迹中的位置顺序将多组11种时间序列特征进行拼接，得到总时间序列特征。
举例说明：轨迹被划分成3个片段，分别从3个轨迹片段提取出3组时间序列特征，分别为：
{平均速度1、最大速度1、速度方差1、平均位移1、最大位移1、位移方差1、平均加速度1、最大加速度1、加速度方差1、轨迹运行总时长1以及总位移1}；
{平均速度2、最大速度2、速度方差2、平均位移2、最大位移2、位移方差2、平均加速度2、最大加速度2、加速度方差2、轨迹运行总时长2以及总位移2}；
{平均速度3、最大速度3、速度方差3、平均位移3、最大位移3、位移方差3、平均加速度3、最大加速度3、加速度方差3、轨迹运行总时长3以及总位移3}；
拼接后得到的总时间序列特征可以为：
{平均速度1、最大速度1、速度方差1、平均位移1、最大位移1、位移方差1、平均加速度1、最大加速度1、加速度方差1、轨迹运行总时长1以及总位移1、平均速度2、最大速度2、速度方差2、平均位移2、最大位移2、位移方差2、平均加速度2、最大加速度2、加速度方差2、轨迹运行总时长2以及总位移2、平均速度3、最大速度3、速度方差3、平均位移3、最大位移3、位移方差3、平均加速度3、最大加速度3、加速度方差3、轨迹运行总时长3以及总位移3}。
图3示出根据本公开一实施方式的轨迹分类模型训练方法的流程图。如图3所示，该轨迹分类模型训练方法包括以下步骤：
在步骤S301中，获取训练数据；所述训练数据包括多个样本轨迹；
在步骤S302中，基于所述样本轨迹中的轨迹点所属道路类型，将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
在步骤S303中，针对各个所述轨迹片段提取至少一个时间序列特征；
在步骤S304中，将所述至少一个时间序列特征输入至所述轨迹片段所属道路类型对应的第一轨迹分类模型进行训练；其中不同道路类型对应不同的第一轨迹分类模型。
本实施例中，样本轨迹可以是任意一条目标对象的轨迹，该轨迹可以包括一系列时间上连续的GPS位置点。GPS位置点包括该点的经度数据和纬度数据。目标对象可以是人、机器人、车辆、电子设备等。例如目标对象为人，则该人的轨迹中的GPS位置点可以是由该人手持的终端如手机、ipad、可穿戴电子设备、所驾驶或者搭乘车辆承载终端采集到的。在一些实施例中，轨迹分类可以是将该待分类轨迹按照目标对象的通行方式进行分类，例如对于用户轨迹可以划分成步行、骑行、驾车等结果。当然，可以理解的是，轨迹分类还可以是其他分类方式，不限于上述通行方式的分类。
训练数据中的样本轨迹可以是预先知道其分类结果的轨迹，例如可以是经过人工标注了类别的轨迹。而且为了训练得到准确度较高的第一轨迹分类模型，可以收集大量的样本轨迹。
针对每一样本轨迹，可以基于其中轨迹点所属道路类型进行划分，得到一个或多个轨迹片段。对样本轨迹的划分可以参见上文中对待分类轨迹的划分，在此不再赘述。
针对划分得到的轨迹片段，可以从中提取时间序列特征，时间序列特征的提取也可以参见上文中轨迹分类方法中的描述，在此不再赘述。
如上文中所述，不同道路类型可以对应不同的第一轨迹分类模型，在道路类型包括多个情况下，需要训练得到多个第一轨迹分类模型。多个第一轨迹分类模型可以采用相同的模型结构，例如均可以采用如图2所示的Xgboost树模型结构。
图4示出了根据本公开一实施方式中第一轨迹分类模型的模型训练示意图。如图4所示，其示出了其中一个第一轨迹分类模型的训练过程，假如该第一轨迹分类模型对应的道路类型为类型1，该第一轨迹分类模型可以包括多个弱分类器，第一弱分类器的输入为从一个轨迹片段(该轨迹片段所属的道路类型也为类型1)中提取出的11个时间序列特征(具体参见上文中的描述)，该第一弱分类器的输出为该轨迹片段的分类结果，该分类结果与该轨迹片段的真实类别计算残差后，输入至第二弱分类器，第二弱分类器也输出该轨迹片段的分类结果，该分类结果与该真实类别计算残差后，输入至第三弱分类器，以此类推，直到最后一个弱分类器。该第一轨迹分类模型还包括一个强分类器，多个弱分类器输出的分类结果均输出至该强分类器，该强分类器基于该多个弱分类器的分类结果得到轨迹片段的最终分类结果。基于该最终分类结果与轨迹片段的真实分类结果可以计算本次训练的损失，基于该损失可以动态调整多个弱分类器以及一个强分类器的模型参数，完成一次训练。经过多个轨迹片段的多次训练后，可以得到训练完成的第一轨迹分类模型。
本实施例中的其他细节可以参见上文中对轨迹分类方法中的描述，在此不再赘述。
在本实施的一个可选实现方式中，不同道路类型对应的所述第一轨迹分类模型单独训练得到，且训练所述第一轨迹分类模型的样本轨迹所属道路类型与所述第一轨迹分类模型对应的道路类型相同。
需要说明的是，不同道路类型对应不同的第一轨迹分类模型，而每个第一轨迹分类模型可以单独预先训练得到。在预先训练过程中，可以收集对应于相同道路类型的轨迹片段，并将该轨迹片段中提取的时间序列特征作为样本数据输入至待训练的第一轨迹分类模型中进行训练，经过大量这类属于相同道路类型的轨迹片段的训练，可以得到预训练的第一轨迹分类模型。在一些实施例中，第一轨迹分类模型可以使用Xgboost模型。不同道路类型对应的第一轨迹分类模型的模型结构可以相同，并且不同道路类型对应的第一轨迹分类模型的输入和输出也均相同，但是经过训练后模型参数可以不同。
在轨迹识别过程中，可以将待分类轨迹划分成属于不同道路类型的轨迹片段，并将每个轨迹片段分别输入至相应道路类型对应的第一轨迹分类模型。由于第一轨迹分类模型的训练样本均是同一种道路类型对应的轨迹片段，因此该第一轨迹分类模型对于该道路类型对应的轨迹片段具有更强的识别能力，能够提高轨迹分类结果的准确性。
图5示出根据本公开又一实施方式的轨迹模型训练方法的流程图。如图5所示，该轨迹分类方法包括以下步骤：
在步骤S501中，获取训练数据；所述训练数据包括多个样本轨迹；
在步骤S502中，基于所述样本轨迹中的轨迹点所属道路类型，将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
在步骤S503中，针对各个所述轨迹片段提取至少一个时间序列特征；
在步骤S504中，将所述轨迹片段中提取的所述至少一个时间序列特征拼接成总时间序列特征；
在步骤S505中，将所述总时间序列特征输入至第二分类模型进行训练。
本实施例中，样本轨迹可以是任意一条目标对象的轨迹，该轨迹可以包括一系列时间上连续的GPS位置点。GPS位置点包括该点的经度数据和纬度数据。目标对象可以是人、机器人、车辆、电子设备等。例如目标对象为人，则该人的轨迹中的GPS位置点可以是由该人手持的终端如手机、ipad、可穿戴电子设备、所驾驶或者搭乘车辆承载终端采集到的。在一些实施例中，轨迹分类可以是将该待分类轨迹按照目标对象的通行方式进行分类，例如对于用户轨迹可以划分成步行、骑行、驾车等结果。当然，可以理解的是，轨迹分类还可以是其他分类方式，不限于上述通行方式的分类。
训练数据中的样本轨迹可以是预先知道其分类结果的轨迹，例如可以是经过人工标注了类别的轨迹。而且为了训练得到准确度较高的第一轨迹分类模型，可以收集大量的样本轨迹。
针对每一样本轨迹，可以基于其中轨迹点所属道路类型进行划分，得到一个或多个轨迹片段。对样本轨迹的划分可以参见上文中对待分类轨迹的划分，在此不再赘述。
针对划分得到的轨迹片段，可以从中提取时间序列特征，时间序列特征的提取也可以参见上文中轨迹分类方法中的描述，在此不再赘述。
本实施例针对轨迹分类预先训练得到一个第二轨迹分类模型，该第二轨迹分类模型可以采用卷积神经网络模型结构。
图6示出了根据本公开一实施方式中第二轨迹分类模型的模型训练示意图。如图6所示，用户轨迹数据可以为样本轨迹，基于该样本轨迹中轨迹点所属道路类型将该用户轨迹数据划分成了6个轨迹片段，并且从每个轨迹片段提取出了7个时间序列特征(此处只为举例方便，实际应用中可以提取更多的时间序列特征，例如可以提取上文中提到的11个时间序列特征)。该6组7个时间序列特征按照对应的轨迹片段在轨迹中的位置顺序进行拼接后得到6*7个时间序列特征，该6*7个时间序列特征被输入至卷积神经网络模型后得到分类结果，该分类结果即为该卷积神经网络模型预测得到的该样本轨迹的类别。
在训练过程中，通过将模型预测得到的类别与真实类别进行比较，进而计算出调整模型参数的损失，基于该损失调整卷积神经网络模型的模型参数。经过多个样本轨迹的上述训练后，可以得到能够准确识别轨迹类别的第二轨迹分类模型。
本实施例中的其他细节可以参见上文中对轨迹分类方法中的描述，在此不再赘述。
在本实施例的一个可选实现方式中，将所述轨迹片段中提取的所述至少一个时间序列特征拼成总时间序列特征的步骤，进一步包括以下步骤：
从每个所述轨迹片段中提取预定数量个时间序列特征，且从不同的所述轨迹片段中提取的所述预定数量个时间序列特征的类型对应一致；
按照所述轨迹片段在所述待分类轨迹中位置顺序，将每个所述轨迹片段对应的预定数量个时间序列特征依次拼接，得到所述总时间序列特征。
该可选的实现方式中，多个轨迹片段的时间序列特征在进行拼接时，可以按照轨迹片段在轨迹中位置顺序进行拼接，也即在轨迹前面的轨迹片段对应的时间序列特征可以位于在轨迹后面的轨迹片段之前。例如，需要从轨迹片段提取的时间序列特征为11种时间序列特征，分别为平均速度、最大速度、速度方差、平均位移、最大位移、位移方差、平均加速度、最大加速度、加速度方差、轨迹运行总时长以及总位移，则针对每一个轨迹片段均提取上述11种时间序列特征，该11种时间序列特征可以按照预先设定的顺序排列，之后可以按照轨迹片段在轨迹中的位置顺序将多组11种时间序列特征进行拼接，得到总时间序列特征。
举例说明：轨迹被划分成3个片段，分别从3个轨迹片段提取出3组时间序列特征，分别为：
{平均速度1、最大速度1、速度方差1、平均位移1、最大位移1、位移方差1、平均加速度1、最大加速度1、加速度方差1、轨迹运行总时长1以及总位移1}；
{平均速度2、最大速度2、速度方差2、平均位移2、最大位移2、位移方差2、平均加速度2、最大加速度2、加速度方差2、轨迹运行总时长2以及总位移2}；
{平均速度3、最大速度3、速度方差3、平均位移3、最大位移3、位移方差3、平均加速度3、最大加速度3、加速度方差3、轨迹运行总时长3以及总位移3}；
拼接后得到的总时间序列特征可以为：
{平均速度1、最大速度1、速度方差1、平均位移1、最大位移1、位移方差1、平均加速度1、最大加速度1、加速度方差1、轨迹运行总时长1以及总位移1、平均速度2、最大速度2、速度方差2、平均位移2、最大位移2、位移方差2、平均加速度2、最大加速度2、加速度方差2、轨迹运行总时长2以及总位移2、平均速度3、最大速度3、速度方差3、平均位移3、最大位移3、位移方差3、平均加速度3、最大加速度3、加速度方差3、轨迹运行总时长3以及总位移3}。
根据本公开一实施方式的交通状况分析方法，该交通状况分析方法包括：利用上述轨迹分类方法对道路上的轨迹进行分类后，基于分类结果分析道路上的交通状况。
本公开实施例提出的上述交通状况分析方法可以提供给交管部门或者其他具有权限的相关部门，用于对道路交通状况进行分析。该交通状况分析方法也可以部署在云端，并向具有权限的部门或者人员提供使用权限。具有权限的部门或者人员可以将目标道路上采集到的大量用户轨迹数据上传至云端，云端针对每一用户轨迹数据进行分类，具体可以采用本公开实施例提出的上述轨迹分类方法进行分类，轨迹分类的细节可以参见上文中对轨迹分类方法的描述，在此不再赘述。
云端将每条用户轨迹数据的轨迹类别返回给相关部门或者人员，以便相关部分或者人员能够基于该轨迹类别统计分析每条道路上的交通状况，例如可以基于轨迹类别从中筛选出行驶车辆的轨迹数据，进而基于该类轨迹数据确定当前各个道路是否行驶通畅的交通状况等。
本公开实施例，在分析交通状况的过程中，由于将各个轨迹进行了分类，并且由于在分类过程中考虑了轨迹的空间特征，提高了分类的准确性，因此能够将行驶车辆的轨迹数据中的干扰项(例如行人的轨迹和骑行车辆的轨迹)给排除，使得基于准确度更高的行驶车辆的轨迹数据能够分析得到更加准确的交通信息。
图7示出根据本公开一实施方式中轨迹分类的应用场景示意图。如图7所示，导航服务器上可以记录各种导航终端的通行轨迹，交管部门可以从导航服器或者其他方式收集用户轨迹数据，并将某个区域内各个道路上的用户轨迹数据上传至交通信息服务器，交通信息服务器基于轨迹分类方法对各个用户轨迹数据进行分类，确定各个用户轨迹数据的类别。之后交通信息服务器可以将用户轨迹数据的类别返回给交管部门，交管部门可以基于用户轨迹数据的类别将同一条道路上的行人轨迹以及骑行用户的轨迹排除，保留驾驶车辆或者搭乘车辆的用户轨迹数据。交管部门还可以针对驾驶车辆或者搭乘车辆的用户轨迹数据进行统计分析，可以得到各个道路上当前的拥堵状况，并将该拥堵状况推送至用户终端进行显示或者广播，还可以推送至道路交通显示屏上进行显示等。
下述为本公开装置实施例，可以用于执行本公开方法实施例。
根据本公开一实施方式的轨迹分类装置，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。该轨迹分类装置包括：
第一获取模块，被配置为获取待分类轨迹；
第一划分模块，被配置为基于所述待分类轨迹中的轨迹点所属道路类型，将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
第一提取模块，被配置为针对各个所述轨迹片段提取至少一个时间序列特征；
第一确定模块，被配置为基于所述至少一个时间序列特征，确定所述待分类轨迹的通行方式类别。
本实施例中，待分类轨迹可以是目标对象的任意一条轨迹，该轨迹可以包括一系列时间上连续的GPS位置点。GPS位置点包括该点的经度数据和纬度数据。目标对象可以是人、机器人、车辆、电子设备等。例如目标对象为人，则该人的轨迹中的GPS位置点可以是由该人手持的终端如手机、ipad、可穿戴电子设备、所驾驶或者搭乘车辆承载终端采集到的。在一些实施例中，轨迹分类可以是将该待分类轨迹按照目标对象的通行方式进行分类，例如对于用户轨迹可以划分成步行、骑行、驾车等结果。当然，可以理解的是，轨迹分类还可以是其他分类方式，不限于上述通行方式的分类。
轨迹分类可以应用在各种不同的场景。例如可以通过对轨迹进行分类获得目标对象的画像等。再例如，可以将轨迹分类应用在智慧交通上；如希望根据道路流量改善城市交通灯之间的绿波带，其中非机动车与行人的数据会干扰对道路中有效汽车流量的分析，阻碍相关部门对道路动态信息的分析，从而遏制了智慧交通的发展；而如果可以将轨迹进行正确分类，一方面可以解决上述问题，另一方面还可以针对非机动车人群进行交通状况的改善，如可以根据行人与骑行流量对人行道、斑马线、步行桥以及骑行道路作出进一步的优化与调整，甚至可以根据实时不同类型流量进行交通管制，如每年五一、十一的出行节日期间交警可以根据实际流量对热门旅游景点进行交通管制，能够改善交通拥堵的情况。
而如背景技术所述，考虑到目前轨迹分类的前沿技术所研究的分类器仅以轨迹中的时间序列特征进行分类，并不考虑空间特征，从而造成轨迹分类结果的不准确，因此本公开实施例提出了一种轨迹分类装置，该分类装置中不但考虑了轨迹的时间序列特征，同时还考虑了轨迹的空间特征(也即轨迹中轨迹点所属道路类型)，从而大大提高了轨迹分类的准确性。
本实施例中，轨迹的空间特征可以是轨迹点的位置特征，该位置特征可以包括GPS点的经纬度数据、轨迹点所属路段以及轨迹点所属道路类型等。
在一些实施例中，路段可以是根据实际道路划分的有向单元，每个路段对应一个实际道路，并且拥有唯一的ID。道路类型可以依据空间特征进行划分，例如道路类型可以包括但不限于高速公路、国道、省道、县道、乡公路、主要大街、城市快速道、主要道路、次要道路、普通道路等10种类型。
对于同一条待分类轨迹，可以基于该待分类轨迹中轨迹点的位置信息、该位置信息所属道路的道路类型，将该待分类轨迹划分成一个或多个不同的轨迹片段，在轨迹片段的划分过程中，可以将待分类轨迹的起始点作为开始位置点向后进行遍历，确定每个位置点对应的位置信息所属的道路类型，在当前位置点对应的位置信息所属道路类型与上一位置点对应的位置信息所属道路类型不同时，将开始位置点至上一位置点之间(包含开始遍历的开始位置点以及上一位置点)的所有位置点划分为一个轨迹片段，并将当前位置点作为下一次遍历的开始位置点，继续按照上述方式遍历后续的位置点。当然，可以理解的是，也可以将一条轨迹的终止点作为开始位置点向前遍历，还可以将一条轨迹中间的某个点作为开始位置点分别向前或向后进行遍历，具体可以根据实际需要而定，在此不做限制。
待分类轨迹经过上述方式划分后，可以得到一个或者多个轨迹片段，该一个或多个轨迹片段可以对应相同或者不同的道路类型，而同一个轨迹片段中所有轨迹点均属于同一道路类型。
本实施例中，针对划分得到的每个轨迹片段，分别提取时间序列特征，也即将每一个轨迹片段作为单独的一条轨迹提取时间序列特征。时间序列特征可以包括但不限于：速度、加速度、位移等。
在一些实施例中，可以从轨迹片段提取平均速度、最大速度、速度方差、平均位移、最大位移、位移方差、平均加速度、最大加速度、加速度方差、轨迹运行总时长以及总位移等11个时间序列特征。也即每个轨迹片段中可以分别提取出上述11个时间序列特征，该11个时间序列特征可以作为该轨迹片段的分类依据。
针对每个轨迹片段均提取了时间序列特征之后，可以基于每个轨迹片段所提取的时间序列特征对待分类轨迹进行分类。需要说明的是，假如一条待分类轨迹被划分成了N(N为大于或等于1的正整数)个轨迹片段，而一个轨迹片段中提取了M(M为大于或等于1的正整数)个时间序列特征，则该待分类轨迹中相当于总共提取了N*M个时间序列特征，并且每M个时间序列特征均属于同一道路类型下轨迹的时间序列特征。需要说明的是，从不同轨迹片段提取的时间序列特征的类型相同，也即已有技术中从整条待分类轨迹仅提取M个时间序列特征，而本实施例则是从一个轨迹片段提取M个时间序列特征，如果一条待分类轨迹被划分为多个轨迹片段的情况下，则会提取多组M个时间序列特征。并且每一组M个时间序列特征的空间特征相同，也即每一组M个时间序列特征是从同属同一道路类型上的轨迹点中提取出的。可以理解的是，本公开实施例中提取的时间序列特征是具有空间信息的，也即在体现时间序列特征的同时还体现了空间特征，与已有技术中不具有空间信息的时间序列特征不同。
在一些实施例中，可以通过预训练分类模型，并将从每个轨迹片段提取的时间序列特征输入至该预训练分类模型得到该待分类轨迹的分类结果，也即该待分类轨迹的通行方式类别。预训练分类模型可以选用已有的分类模型，如XGBoost模型、卷积神经网络模型等。
本实施例中，在对轨迹进行分类时，将待分类轨迹按照空间特征例如该待分类轨迹中轨迹点所属道路类型将其划分成一个或多个轨迹片段，之后针对每个轨迹片段分别提取时间序列特征，而再基于每个轨迹片段中所提取的时间序列特征对待分类模型进行分类。本公开实施例在轨迹分类过程中，从待分类轨迹中提取了具有空间信息的时间序列特征，这种方式既考虑了轨迹的空间特征，也考虑了轨迹的时间序列特征，使得最终用于识别轨迹类别的时间序列特征与轨迹类别强相关，提高了轨迹分类的准确度。
在本实施例的一个可选实现方式中，所述第一确定模块，包括：
模型确定子模块，被配置为确定每一个所述轨迹片段所属道路类型，以及所述道路类型对应的第一轨迹分类模型；其中不同道路类型对应不同的第一轨迹分类模型；
第一获取子模块，被配置为针对每一个所述轨迹片段，将与该轨迹片段对应的所述时间序列特征，输入至所述轨迹片段所属道路类型对应的第一轨迹分类模型，获得该轨迹片段的分类结果；
第一融合子模块，被配置为将各个所述轨迹片段对应的所述分类结果进行融合，确定所述待分类轨迹的通行方式类别。
该可选的实现方式中，可以针对不同的道路类型预选训练得到不同的第一轨迹分类模型，例如在预先划分有X个道路类型的情况下，可以针对该X个道路类型预先训练得到X个第一轨迹分类模型。不同的轨迹片段可以基于其所述道路类型被输入至相应的第一轨迹分类模型，获得该轨迹片段的分类结果。该分类结果可以包括该轨迹片段属于预先划分的X个轨迹类别中任意一种的概率，概率最大的轨迹类别可以认为是该轨迹片段的类别。
每个轨迹片段均对应有一个分类结果，通过将多个轨迹片段对应的多个分类结果融合可以确定轨迹数据的类别。融合的方式可以包括多种，如求和、加权求和等融合方式，具体可以根据实际需要而定，在此不再赘述。
举例说明求和的融合方式：可以将每个分类结果中相同轨迹类别对应的概率值进行求和，最终将概率之和最大的轨迹类别确定为该待分类轨迹的通行方式类别。
在本实施的一个可选实现方式中，不同的所述第一轨迹分类模型单独训练得到，且训练所述第一轨迹分类模型的样本轨迹所属道路类型与所述第一轨迹分类模型对应的道路类型相同。
需要说明的是，不同道路类型对应不同的第一轨迹分类模型，而每个第一轨迹分类模型可以单独预先训练得到。在预先训练过程中，可以收集对应于相同道路类型的轨迹片段，并将该轨迹片段中提取的时间序列特征作为样本数据输入至待训练的第一轨迹分类模型中进行训练，经过大量这类属于相同道路类型的轨迹片段的训练，可以得到预训练的第一轨迹分类模型。在一些实施例中，第一轨迹分类模型可以使用Xgboost模型。不同道路类型对应的第一轨迹分类模型的模型结构可以相同，并且不同道路类型对应的第一轨迹分类模型的输入和输出也均相同，但是经过训练后模型参数可以不同。
在轨迹识别过程中，可以将待分类轨迹划分成属于不同道路类型的轨迹片段，并将每个轨迹片段分别输入至相应道路类型对应的第一轨迹分类模型。由于第一轨迹分类模型的训练样本均是同一种道路类型对应的轨迹片段，因此该第一轨迹分类模型对于该道路类型对应的轨迹片段具有更强的识别能力，能够提高轨迹分类结果的准确性。
在本实施例的一个可选实现方式中，所述第一融合子模块，包括：
第二融合子模块，被配置为对所述轨迹片段对应的所述分类结果分别加权融合后，得到所述待分类轨迹的通行方式类别；其中对所述轨迹片段的分类结果进行加权的权重与所述轨迹片段在所述待分类轨迹中所占的长度比例相关。
该可选的实现方式中，针对属于不同道路类型的轨迹片段，分别使用不同的第一轨迹分类模型得到分类结果之后，可以融合得到待分类轨迹的通行方式类别。为了能够使得融合结果更加准确，本公开实施例通过对各分类结果进行加权融合的方式得到融合结果。例如，可以将各分类结果进行加权求和得到融合结果，而加权的权重则可以与该轨迹片段在整个轨迹中所占的长度比例相关，如果该轨迹片段在整个轨迹中较长，所占比例较大，则可以将其对应的权重设置较大，而如果该轨迹片段在整个轨迹中较短，所占比例较小，则可以将其对应的权重设置较小。需要说明的是，各轨迹片段对应的权重之和等于1。例如，权重k＝轨迹片段位移/待分类轨迹总位移。
在本实施例的一个可选实现方式中，所述第一确定模块，包括：
第一拼接子模块，被配置为将所述轨迹片段中提取的所述至少一个时间序列特征拼成总时间序列特征；
第二获取子模块，被配置为将所述总时间序列特征输入至第二轨迹分类模型，获得所述待分类轨迹的通行方式类别。
该可选的实现方式中，还可以通过将轨迹片段中提取的时间序列特征进行拼接后，得到一组总时间序列特征，所得到的该总时间序列特征用于确定该待分类轨迹的分类结果。在这种方式下，可以预先训练一个第二轨迹分类模型，该第二轨迹分类模型的输入为待分类轨迹中各个轨迹片段中提取的时间序列特征的拼接特征，也即上文中提到的总时间序列特征，而输出为该待分类轨迹的通行方式类别。在一些实施例中，第二轨迹分类模型可以使用卷积神经网络模型。
第二轨迹分类模型的预训练过程中，可以将样本轨迹切分成多个轨迹片段，进而从每个轨迹片段提取相同类型的时间序列特征，并将每个轨迹片段中提取的时间序列特征进行拼接后，输入至待训练的模型中，经过大量样本轨迹的训练可以得到预训练的第一轨迹分类模型。而在轨迹分类过程中，同样将待分类轨迹切分成多个轨迹片段，进而从每个轨迹片段提取相同类型的时间序列特征，并将每个轨迹片段中提取的时间序列特征进行拼接后，输入至预训练的第一轨迹分类模型，该第一轨迹分类模型输出该待分类轨迹的通行方式类别。
在本实施例的一个可选实现方式中，所述第一拼接子模块，包括：
提取子模块，被配置为从每个所述轨迹片段中提取预定数量个时间序列特征，且从不同的所述轨迹片段中提取的所述预定数量个时间序列特征的类型对应一致；
第二拼接子模块，被配置为按照所述轨迹片段在所述待分类轨迹中的位置顺序，将每个所述轨迹片段对应的预定数量个时间序列特征依次拼接，得到所述总时间序列特征。
该可选的实现方式中，多个轨迹片段的时间序列特征在进行拼接时，可以按照轨迹片段在轨迹中位置顺序进行拼接，也即在轨迹前面的轨迹片段对应的时间序列特征可以位于在轨迹后面的轨迹片段之前。例如，需要从轨迹片段提取的时间序列特征为11种时间序列特征，分别为平均速度、最大速度、速度方差、平均位移、最大位移、位移方差、平均加速度、最大加速度、加速度方差、轨迹运行总时长以及总位移，则针对每一个轨迹片段均提取上述11种时间序列特征，该11种时间序列特征可以按照预先设定的顺序排列，之后可以按照轨迹片段在轨迹中的位置顺序将多组11种时间序列特征进行拼接，得到总时间序列特征。
举例说明：轨迹被划分成3个片段，分别从3个轨迹片段提取出3组时间序列特征，分别为：
{平均速度1、最大速度1、速度方差1、平均位移1、最大位移1、位移方差1、平均加速度1、最大加速度1、加速度方差1、轨迹运行总时长1以及总位移1}；
{平均速度2、最大速度2、速度方差2、平均位移2、最大位移2、位移方差2、平均加速度2、最大加速度2、加速度方差2、轨迹运行总时长2以及总位移2}；
{平均速度3、最大速度3、速度方差3、平均位移3、最大位移3、位移方差3、平均加速度3、最大加速度3、加速度方差3、轨迹运行总时长3以及总位移3}；
拼接后得到的总时间序列特征可以为：
{平均速度1、最大速度1、速度方差1、平均位移1、最大位移1、位移方差1、平均加速度1、最大加速度1、加速度方差1、轨迹运行总时长1以及总位移1、平均速度2、最大速度2、速度方差2、平均位移2、最大位移2、位移方差2、平均加速度2、最大加速度2、加速度方差2、轨迹运行总时长2以及总位移2、平均速度3、最大速度3、速度方差3、平均位移3、最大位移3、位移方差3、平均加速度3、最大加速度3、加速度方差3、轨迹运行总时长3以及总位移3}。
根据本公开一实施方式的轨迹分类模型训练装置，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。该轨迹分类模型训练装置，包括：
第二获取模块，被配置为获取训练数据；所述训练数据包括多个样本轨迹；
第二划分模块，被配置为基于所述样本轨迹中的轨迹点所属道路类型将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
第二提取模块，被配置为针对各个所述轨迹片段提取至少一个时间序列特征；
第一训练模块，被配置为将所述至少一个时间序列特征输入至所述轨迹片段所属道路类型对应的第一轨迹分类模型进行训练；其中不同道路类型对应不同的第一轨迹分类模型。
本实施例中，样本轨迹可以是任意一条目标对象的轨迹，该轨迹可以包括一系列时间上连续的GPS位置点。GPS位置点包括该点的经度数据和纬度数据。目标对象可以是人、机器人、车辆、电子设备等。例如目标对象为人，则该人的轨迹中的GPS位置点可以是由该人手持的终端如手机、ipad、可穿戴电子设备、所驾驶或者搭乘车辆承载终端采集到的。在一些实施例中，轨迹分类可以是将该待分类轨迹按照目标对象的通行方式进行分类，例如对于用户轨迹可以划分成步行、骑行、驾车等结果。当然，可以理解的是，轨迹分类还可以是其他分类方式，不限于上述通行方式的分类。
训练数据中的样本轨迹可以是预先知道其分类结果的轨迹，例如可以是经过人工标注了类别的轨迹。而且为了训练得到准确度较高的第一轨迹分类模型，可以收集大量的样本轨迹。
针对每一样本轨迹，可以基于其中轨迹点所属道路类型进行划分，得到一个或多个轨迹片段。对样本轨迹的划分可以参见上文中对待分类轨迹的划分，在此不再赘述。
针对划分得到的轨迹片段，可以从中提取时间序列特征，时间序列特征的提取也可以参见上文中轨迹分类装置中的描述，在此不再赘述。
如上文中所述，不同道路类型可以对应不同的第一轨迹分类模型，在道路类型包括多个情况下，需要训练得到多个第一轨迹分类模型。多个第一轨迹分类模型可以采用相同的模型结构，例如均可以采用如图2所示的Xgboost树模型结构。
本实施例中的其他细节可以参见上文中对轨迹分类装置中的描述，在此不再赘述。
根据本公开又一实施方式的轨迹分类模型训练装置，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。该轨迹分类模型训练装置，包括：
第三获取模块，被配置为获取训练数据；所述训练数据包括多个样本轨迹；
第三划分模块，被配置为基于所述样本轨迹中的轨迹点所属道路类型，将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
第三提取模块，被配置为针对各个所述轨迹片段提取至少一个时间序列特征；
拼接模块，被配置为将所述轨迹片段中提取的所述至少一个时间序列特征拼接成总时间序列特征；
第二训练模块，被配置为将所述总时间序列特征输入至第二分类模型进行训练。
本实施例中，样本轨迹可以是任意一条目标对象的轨迹，该轨迹可以包括一系列时间上连续的GPS位置点。GPS位置点包括该点的经度数据和纬度数据。目标对象可以是人、机器人、车辆、电子设备等。例如目标对象为人，则该人的轨迹中的GPS位置点可以是由该人手持的终端如手机、ipad、可穿戴电子设备、所驾驶或者搭乘车辆承载终端采集到的。在一些实施例中，轨迹分类可以是将该待分类轨迹按照目标对象的通行方式进行分类，例如对于用户轨迹可以划分成步行、骑行、驾车等结果。当然，可以理解的是，轨迹分类还可以是其他分类方式，不限于上述通行方式的分类。
训练数据中的样本轨迹可以是预先知道其分类结果的轨迹，例如可以是经过人工标注了类别的轨迹。而且为了训练得到准确度较高的第一轨迹分类模型，可以收集大量的样本轨迹。
针对每一样本轨迹，可以基于其中轨迹点所属道路类型进行划分，得到一个或多个轨迹片段。对样本轨迹的划分可以参见上文中对待分类轨迹的划分，在此不再赘述。
针对划分得到的轨迹片段，可以从中提取时间序列特征，时间序列特征的提取也可以参见上文中轨迹分类装置中的描述，在此不再赘述。
本实施例针对轨迹分类预先训练得到一个第二轨迹分类模型，该第二轨迹分类模型可以采用卷积神经网络模型结构。
在训练过程中，通过将模型预测得到的类别与真实类别进行比较，进而计算出调整模型参数的损失，基于该损失调整卷积神经网络模型的模型参数。经过多个样本轨迹的上述训练后，可以得到能够准确识别轨迹类别的第二轨迹分类模型。
本实施例中的其他细节可以参见上文中对轨迹分类装置中的描述，在此不再赘述。
根据本公开一实施方式的交通状况分析装置，该交通状况分析装置包括：利用上述轨迹分类装置对道路上的轨迹进行分类后，基于分类结果分析道路上的交通状况。
本公开实施例提出的上述交通状况分析装置可以提供给交管部门或者其他具有权限的相关部门，用于对道路交通状况进行分析。该交通状况分析装置也可以部署在云端，并向具有权限的部门或者人员提供使用权限。具有权限的部门或者人员可以将目标道路上采集到的大量用户轨迹数据上传至云端，云端针对每一用户轨迹数据进行分类，具体可以采用本公开实施例提出的上述轨迹分类装置进行分类，轨迹分类的细节可以参见上文中对轨迹分类装置的描述，在此不再赘述。
云端将每条用户轨迹数据的轨迹类别返回给相关部门或者人员，以便相关部分或者人员能够基于该轨迹类别统计分析每条道路上的交通状况，例如可以基于轨迹类别从中筛选出行驶车辆的轨迹数据，进而基于该类轨迹数据确定当前各个道路是否行驶通畅的交通状况等。
本公开实施例，在分析交通状况的过程中，由于将各个轨迹进行了分类，并且由于在分类过程中考虑了轨迹的空间特征，提高了分类的准确性，因此能够将行驶车辆的轨迹数据中的干扰项(例如行人的轨迹和骑行车辆的轨迹)给排除，使得基于准确度更高的行驶车辆的轨迹数据能够分析得到更加准确的交通信息。
图8是适于用来实现根据本公开实施方式的轨迹分类方法、轨迹分类模型训练方法和/或交通状况分析方法的电子设备的结构示意图。
如图8所示，电子设备800包括处理单元801，其可实现为CPU、GPU、FPGA、NPU等处理单元。处理单元801可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行本公开上述任一方法的实施方式中的各种处理。在RAM803中，还存储有电子设备800操作所需的各种程序和数据。处理单元801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本公开的实施方式，上文参考本公开实施方式中的任一方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行本公开实施方式中任一方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。
附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种轨迹分类方法，其中，包括：
获取待分类轨迹；
基于所述待分类轨迹中的轨迹点所属道路类型，将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
针对各个所述轨迹片段提取至少一个时间序列特征；
基于所述至少一个时间序列特征，确定所述待分类轨迹的通行方式类别。
2.根据权利要求1所述的方法，其中，基于所述至少一个时间序列特征，确定所述待分类轨迹的通行方式类别，包括：
确定每一个所述轨迹片段所属道路类型，以及所述道路类型对应的第一轨迹分类模型；其中不同道路类型对应不同的第一轨迹分类模型；
针对每一个所述轨迹片段，将与该轨迹片段对应的所述时间序列特征，输入至所述轨迹片段所属道路类型对应的第一轨迹分类模型，获得该轨迹片段的分类结果；
将各个所述轨迹片段对应的所述分类结果进行融合，确定所述待分类轨迹的通行方式类别。
3.根据权利要求2所述的方法，其中，不同的所述第一轨迹分类模型单独训练得到，且训练所述第一轨迹分类模型的样本轨迹所属道路类型与所述第一轨迹分类模型对应的道路类型相同。
4.根据权利要求2或3所述的方法，其中，将所述轨迹片段对应的所述分类结果进行融合，确定所述待分类轨迹的通行方式类别，包括：
对所述轨迹片段对应的所述分类结果分别加权融合后，得到所述待分类轨迹的通行方式类别；其中对所述轨迹片段的分类结果进行加权的权重与所述轨迹片段在所述待分类轨迹中所占的长度比例相关。
5.根据权利要求1所述的方法，其中，基于所述轨迹片段中提取的所述至少一个时间序列特征确定所述待分类轨迹的通行方式类别，包括：
将所述轨迹片段中提取的所述至少一个时间序列特征拼成总时间序列特征；
将所述总时间序列特征输入至第二轨迹分类模型，获得所述待分类轨迹的通行方式类别。
6.根据权利要求5所述的方法，其中，将所述轨迹片段中提取的所述至少一个时间序列特征拼成总时间序列特征，包括：
从每个所述轨迹片段中提取预定数量个时间序列特征，且从不同的所述轨迹片段中提取的所述预定数量个时间序列特征的类型对应一致；
按照所述轨迹片段在所述待分类轨迹中的位置顺序，将每个所述轨迹片段对应的预定数量个时间序列特征依次拼接，得到所述总时间序列特征。
7.一种轨迹分类模型训练方法，其中，包括：
获取训练数据；所述训练数据包括多个样本轨迹；
基于所述样本轨迹中的轨迹点所属道路类型，将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
针对各个所述轨迹片段提取至少一个时间序列特征；
将所述至少一个时间序列特征输入至所述轨迹片段所属道路类型对应的第一轨迹分类模型进行训练；其中不同道路类型对应不同的第一轨迹分类模型。
8.一种轨迹分类模型训练方法，其中，包括：
获取训练数据；所述训练数据包括多个样本轨迹；
基于所述样本轨迹中的轨迹点所属道路类型，将所述待分类轨迹划分成一个或多个轨迹片段，同一个轨迹片段中的所有轨迹点属于同一道路类型；
针对各个所述轨迹片段提取至少一个时间序列特征；
将所述轨迹片段中提取的所述至少一个时间序列特征拼接成总时间序列特征；
将所述总时间序列特征输入至第二分类模型进行训练。
9.一种交通状况分析方法，其中，利用权利要求1-6任一项所述的方法对道路上的轨迹进行分类后，基于分类结果分析道路上的交通状况。
10.一种计算机程序产品，其包括计算机指令，其中，该计算机指令被处理器执行时实现权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210119091.5A CN114707567A (zh) | 2022-02-08 | 2022-02-08 | 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210119091.5A CN114707567A (zh) | 2022-02-08 | 2022-02-08 | 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114707567A true CN114707567A (zh) | 2022-07-05 |
Family
ID=82167253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210119091.5A Pending CN114707567A (zh) | 2022-02-08 | 2022-02-08 | 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114707567A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998744A (zh) * | 2022-07-18 | 2022-09-02 | 中国农业大学 | 基于运动与视觉双特征融合的农机轨迹田路分割方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035787A (zh) * | 2018-09-10 | 2018-12-18 | 华南理工大学 | 一种利用移动通信数据识别交通工具类别的方法 |
| CN110084650A (zh) * | 2019-04-30 | 2019-08-02 | 北京三快在线科技有限公司 | 确定交通方式的方法和装置 |
| CN110796191A (zh) * | 2019-10-29 | 2020-02-14 | 北京百度网讯科技有限公司 | 轨迹分类方法及装置 |
| CN110826758A (zh) * | 2018-08-14 | 2020-02-21 | 上海能链众合科技有限公司 | 行程类型确定方法及装置、存储介质、终端 |
| CN111723835A (zh) * | 2019-03-21 | 2020-09-29 | 北京嘀嘀无限科技发展有限公司 | 车辆移动轨迹区分方法、装置和电子设备 |
| US20200334571A1 (en) * | 2019-04-18 | 2020-10-22 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for training trajectory classification model, and electronic device |
-
2022
- 2022-02-08 CN CN202210119091.5A patent/CN114707567A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826758A (zh) * | 2018-08-14 | 2020-02-21 | 上海能链众合科技有限公司 | 行程类型确定方法及装置、存储介质、终端 |
| CN109035787A (zh) * | 2018-09-10 | 2018-12-18 | 华南理工大学 | 一种利用移动通信数据识别交通工具类别的方法 |
| CN111723835A (zh) * | 2019-03-21 | 2020-09-29 | 北京嘀嘀无限科技发展有限公司 | 车辆移动轨迹区分方法、装置和电子设备 |
| US20200334571A1 (en) * | 2019-04-18 | 2020-10-22 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for training trajectory classification model, and electronic device |
| CN110084650A (zh) * | 2019-04-30 | 2019-08-02 | 北京三快在线科技有限公司 | 确定交通方式的方法和装置 |
| CN110796191A (zh) * | 2019-10-29 | 2020-02-14 | 北京百度网讯科技有限公司 | 轨迹分类方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 赵竹;吉根林;: "时空轨迹分类研究进展", 地球信息科学学报, no. 03, 31 March 2017 (2017-03-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998744A (zh) * | 2022-07-18 | 2022-09-02 | 中国农业大学 | 基于运动与视觉双特征融合的农机轨迹田路分割方法 |
| CN114998744B (zh) * | 2022-07-18 | 2022-10-25 | 中国农业大学 | 基于运动与视觉双特征融合的农机轨迹田路分割方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
| CN111179585B (zh) | 自动驾驶车辆的场地测试方法及装置 | |
| CN113642633B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
| Lin et al. | A review of travel-time prediction in transport and logistics | |
| CN112749825B (zh) | 预测车辆的目的地的方法和装置 | |
| CN108021858A (zh) | 移动客体识别方法及客体流量分析方法 | |
| CN112542045B (zh) | 基于手机信令识别交通出行方式的方法与系统 | |
| CN110782120A (zh) | 一种交通流模型的评测方法、系统、设备及介质 | |
| CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
| Wang et al. | Detecting urban traffic congestion with single vehicle | |
| CN115165398A (zh) | 车辆的行驶功能测试方法、装置、计算设备及介质 | |
| Raj et al. | Evaluation of perception and nonperception based approaches for modeling urban road level of service | |
| CN114707567A (zh) | 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品 | |
| Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
| CN114241373A (zh) | 一种端到端的车辆行为检测方法、系统、设备及存储介质 | |
| CN113888867A (zh) | 一种基于lstm位置预测的车位推荐方法及系统 | |
| CN114078319A (zh) | 一种检测交通事故隐患地点的方法及装置 | |
| CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
| Minh et al. | Traffic state estimation with mobile phones based on the “3R” philosophy | |
| CN115114786A (zh) | 一种用于交通流仿真模型的评估方法、系统和存储介质 | |
| CN113393011B (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
| CN113850112A (zh) | 基于孪生神经网络的路况识别方法和系统 | |
| TWI672642B (zh) | 人次統計系統及其方法 | |
| Mohamed et al. | Video-Based Vehicle Counting and Analysis using YOLOv5 and DeepSORT with Deployment on Jetson Nano | |
| Vasudha et al. | Carriageway Edge Detection for Unmarked Urban Roads using Deep Learning Techniques |
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 |