CN114707616A - 轨迹间伴随关系的识别方法、装置及设备 - Google Patents

轨迹间伴随关系的识别方法、装置及设备 Download PDF

Info

Publication number
CN114707616A
CN114707616A CN202210476467.8A CN202210476467A CN114707616A CN 114707616 A CN114707616 A CN 114707616A CN 202210476467 A CN202210476467 A CN 202210476467A CN 114707616 A CN114707616 A CN 114707616A
Authority
CN
China
Prior art keywords
track
target
tracks
target tracks
points
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
Application number
CN202210476467.8A
Other languages
English (en)
Inventor
徐攀登
黄晓婧
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.)
Alibaba Cloud Computing Ltd
Original Assignee
Alibaba Cloud Computing 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 Alibaba Cloud Computing Ltd filed Critical Alibaba Cloud Computing Ltd
Priority to CN202210476467.8A priority Critical patent/CN114707616A/zh
Publication of CN114707616A publication Critical patent/CN114707616A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供一种轨迹间伴随关系的识别方法、装置及设备。本申请的方法对于任意两条目标轨迹，将两条目标轨迹的轨迹开始点连接，并将两条目标轨迹的轨迹结束点连接，形成包含两条目标轨迹的封闭轨迹线；确定封闭轨迹线所围成的封闭区域的总面积和总周长，根据总面积与总周长的比值确定两条目标轨迹的相似距离，根据两条目标轨迹的轨迹点序列中轨迹点的时间戳，确定两条目标轨迹的平均时间差，根据两条目标轨迹的相似距离和平均时间差，结合空间相似性和时间相似性两方面，确定两条目标轨迹是否具有伴随关系，能精准地识别出两条轨迹之间是否具有伴随关系，并且计算复杂度低，提高了伴随分析的效率。

Description

轨迹间伴随关系的识别方法、装置及设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种轨迹间伴随关系的识别方法、装置及设备。
背景技术
轨迹伴随模式在日常生活中普遍存在，例如车队伴行、人员乘坐相同交通工具出行、组团旅游等。通过对轨迹进行伴随关系的分析，可以从海量轨迹数据中找到时间和空间上轨迹相似的货运车辆、船舶或人群。快速有效地对大数据规模下的群体移动轨迹进行伴随关系的识别，对车队关系发现、特定群体活动轨迹监测及控制、车货匹配、疑似同类非法车辆分析、物流调度优化、城市交通规划等方面具有极大价值。
目前轨迹间相似性分析方案主要有以下几种：一是基于位置的社交网络(Location-based Social Network，简称LBSN)的用户轨迹相似性推荐，这种方法基于位置签到，仅通过签到位置来分析用户轨迹的相似性，过于片面，用于分析轨迹间的伴随关系的准确性不足；二是基于最长公共子序列的用户轨迹相似性推荐，这种方法计算复杂度较高，效率低；三是CMC(Coherent Moving Cluster)时空轨迹伴随模型挖掘算法，在大数据规模的环境下，该算法中传统聚类和取交集操作执行效率低，对计算和存储资源消耗巨大，难以用于海量数据的群体移动轨迹伴随模式的在线分析和实时发现的场景，并且对于某些在空间或时间上差异较大的轨迹间的伴随关系往往识别不出，存在伴随关系识别不准确的问题。
发明内容
本申请提供一种轨迹间伴随关系的识别方法、装置及设备，用以解决现有技术中轨迹间的伴随关系识别的效率低、识别不准确问题。
一方面，本申请提供一种轨迹间伴随关系的识别方法，包括：
对于任意两条待确定伴随关系的目标轨迹，获取两条目标轨迹的轨迹点序列；
根据所述两条目标轨迹的轨迹点序列中轨迹点的时间戳，确定所述两条目标轨迹的平均时间差，并将所述两条目标轨迹的轨迹开始点连接，将所述两条目标轨迹的轨迹结束点连接，形成包含所述两条目标轨迹的封闭轨迹线，确定所述封闭轨迹线所围成的封闭区域的总面积和总周长，根据所述总面积与所述总周长的比值，确定所述两条目标轨迹的相似距离；
根据所述两条目标轨迹的相似距离和平均时间差，确定所述两条目标轨迹是否具有伴随关系，得到伴随关系确定结果。
另一方面，本申请提供一种轨迹间伴随关系的识别装置，包括：
轨迹数据处理模块，用于对于任意两条待确定伴随关系的目标轨迹，获取两条目标轨迹的轨迹点序列；
空间相似性确定模块，用于将所述两条目标轨迹的轨迹开始点连接，将所述两条目标轨迹的轨迹结束点连接，形成包含所述两条目标轨迹的封闭轨迹线；确定所述封闭轨迹线所围成的封闭区域的总面积和总周长，根据所述总面积与所述总周长的比值，确定所述两条目标轨迹的相似距离；
时间相似性确定模块，用于根据所述两条目标轨迹的轨迹点序列中轨迹点的时间戳，确定所述两条目标轨迹的平均时间差；
伴随关系确定模块，用于根据所述两条目标轨迹的相似距离和平均时间差，确定所述两条目标轨迹是否具有伴随关系，得到伴随关系确定结果。
另一方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现上述所述的轨迹间伴随关系的识别方法。
另一方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述所述的轨迹间伴随关系的识别方法。
本申请提供的轨迹间伴随关系的识别方法、装置及设备，通过对于任意两条目标轨迹，根据两条目标轨迹的轨迹点序列，将两条目标轨迹的轨迹开始点连接，并将两条目标轨迹的轨迹结束点连接，形成包含两条目标轨迹的封闭轨迹线；确定封闭轨迹线所围成的封闭区域的总面积和总周长，根据总面积与总周长的比值，确定两条目标轨迹的相似距离，能够很好地度量两条目标轨迹在空间上的相似性；根据两条目标轨迹的轨迹点序列中轨迹点的时间戳，确定两条目标轨迹的平均时间差，能够很好地度量两条目标轨迹在时间上的偏差的大小；根据两条目标轨迹的相似距离和平均时间差，结合空间相似性和时间相似性两方面，确定两条目标轨迹是否具有伴随关系，得到伴随关系确定结果，能够精准地识别出两条轨迹之间是否具有伴随关系，并且计算复杂度低，提高了伴随分析的效率。
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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请一示例性实施例提供的轨迹间伴随关系的识别方法流程图；
图2为本申请一示例性实施例提供的两条轨迹的示例图；
图3为本申请一示例性实施例提供的两条轨迹的封闭轨迹线的示例图；
图4为本申请另一示例性实施例提供的轨迹间伴随关系的识别方法流程图；
图5为本申请一示例性实施例提供的连续漂移的轨迹点的示例图；
图6为本申请一示例性实施例提供的轨迹压缩方法的流程图；
图7为本申请一示例性实施例提供的生成两条目标轨迹的封闭轨迹线的流程图；
图8为本申请一示例性实施例提供的轨迹间伴随关系的识别装置的结构示意图；
图9为本申请一示例实施例提供的电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
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申请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、本申请的一些方面相一致的装置和方法的例子。
首先对本申请所涉及的名词进行解释：
伴随模式：直观地讲，时空轨迹的伴随模式指一群移动物体(moving objects)在一个限定的范围内，一起移动至少指定时长，这样的一种运动模式就叫伴随模式。多个物体的运动模式为伴随模式，也即多个物体的运动轨迹具有伴随关系。例如，从同一个学校放学后回到同一个小区的学生，一起上下班的同事等，这些都是伴随模式在现实中的一些例子。
全球导航卫星系统(Global Navigation Satellite System，简称GNSS)，是一种能在地球表面或近地空间的任何地点为用户提供全天候的3维坐标和速度以及时间信息的空基无线电导航定位系统。
道格拉斯-普克算法(Douglas–Peucker algorithm)：亦称为拉默-道格拉斯-普克算法、迭代适应点算法、分裂与合并算法，是将曲线近似表示为一系列点，并减少点的数量的一种算法。它的优点是具有平移和旋转不变性，给定曲线与阈值后，抽样结果一定。
最长公共子序列(Longest Common Sub-Sequence，简称LCSS)：即两个序列X和Y的公共子序列中，长度最长的那个，并且公共子序列不同于公共字串，公共子序列可以是不连续的，但是前后位置不变。
多线位置距离(Locality In-between Polylines，简称LIP)：取两条轨迹交叉的得到的多个封闭区域(如多边形)的面积，用封闭区域周长对轨迹长度的占比作为权重，计算总的面积作为两条轨迹的相似距离，来度量两条轨迹在空间上的相似性。
两条轨迹的欧式距离(Euclidean Distance)：就是两条轨迹对应轨迹点的空间距离的平均值，但是不能度量不同长度的轨迹相似性，且对噪音点敏感。
动态时间规整算法(Dynamic Time Warping，简称DTW)：是一种计算2个时间序列尤其是不同长度的序列相似度的一种动态规划算法。主要应用在时序数据上，比如孤立词语音识别、手势识别、数据挖掘以及信息检索等。
相似距离：是基于不同轨迹的轨迹点间的空间距离确定的，用于度量同轨迹在空间上的相似性。通常不同轨迹间的相似性包含空间和时间两个方面，轨迹的相似距离体现轨迹在空间上的相似性，常用的轨迹间相似距离包括多线位置距离、轨迹的欧式距离等。
此外，术语“第一”、“第二”等仅用于描述目的，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。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
针对现有轨迹间相似性分析方案应用于轨迹间伴随关系的识别时效率低、识别不准确的问题，本申请提供一种轨迹间伴随关系的识别方法，对于任意两条待确定伴随关系的目标轨迹，通过将两条目标轨迹的轨迹开始点连接，并将两条目标轨迹的轨迹结束点连接，形成包含两条目标轨迹的封闭轨迹线；确定封闭轨迹线所围成的封闭区域的总面积和总周长，根据总面积与总周长的比值，确定两条目标轨迹的相似距离，考虑到不同轨迹的长度不一样，区域面积大小不能直接体现出轨迹的相似性，使用总面积与总周长的比值能够更好地度量两个目标轨迹在空间上的相似性；根据两条目标轨迹的轨迹点序列中轨迹点的时间戳，确定两条目标轨迹的平均时间差，用于度量两个目标轨迹在时间上存在伴随模式的特性；根据两条目标轨迹的相似距离和平均时间差，确定两条目标轨迹是否具有伴随关系，得到伴随关系确定结果，能够精准地识别出两条轨迹之间是否具有伴随关系，并且计算复杂度低，效率高。
本申请提供的轨迹间伴随关系的识别方法，可以应用于对车辆、船舶等交通工具的轨迹数据进行轨迹伴随分析，挖掘出存在轨迹伴随关系的轨迹，从而确定伴随模型运动的交通工具以及乘坐交通工具的对象等，至少可以应用车队关系发现、特定群体活动轨迹监测及控制、车货匹配、疑似同类非法车辆分析、物流调度优化、城市交通规划等应用场景中。
示例性地，对于用户指定车辆在指定时间段的特定行程轨迹，通过本申请的方法，分别将大量轨迹数据中的每一行程轨迹与特定行程轨迹作为两条目标轨迹，识别两条目标轨迹是否具有伴随关系，可以识别出与特定行程轨迹具有伴随关系的其他行程轨迹，从而找与指定车辆在指定时间段内伴随模式的行程轨迹，可以用于疑似同类非法车辆分析，特定群体活动轨迹监测及控制等场景中。
示例性地，对于已有的大量行程轨迹数据，通过本申请的方法，将任意两条行程轨迹作为两条目标轨迹，识别两条目标轨迹是否具有伴随关系，可以从大量轨迹数据中挖掘出具有伴随关系的行程轨迹，可以用于车队关系发现、车货匹配、城市交通规划等场景中。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1为本申请一示例性实施例提供的轨迹间伴随关系的识别方法流程图。本实施例提供的轨迹间伴随关系的识别方法具体可以应用于电子设备，该电子设备可以是云服务器、还可以是智能手机、平板电脑、台式电脑、物联网设备等终端设备。
如图1所示，该方法具体步骤如下：
步骤S101、对于任意两条待确定伴随关系的目标轨迹，获取两条目标轨迹的轨迹点序列。
本实施例中，可以对任意两条目标轨迹是否具有伴随关系进行识别，可以应用于多不同的应用场景。
示例性地，对于用户指定车辆在指定时间段的特定行程轨迹，通过本申请的方法，分别将大量轨迹数据中的每一行程轨迹与特定行程轨迹作为两条目标轨迹，识别两条目标轨迹是否具有伴随关系，可以识别出与特定行程轨迹具有伴随关系的其他行程轨迹，从而找与指定车辆在指定时间段内伴随模式的行程轨迹，可以用于疑似同类非法车辆分析，特定群体活动轨迹监测及控制等场景中。
可选地，该步骤可以采用如下方式实现：
响应于伴随轨迹挖掘请求，获取指定轨迹的轨迹数据，以及待挖掘的轨迹数据；
根据指定轨迹的轨迹数据中轨迹开始点的位置和轨迹结束点的位置，从待挖掘的轨迹数据中，筛选出与指定轨迹具有相同的出发地信息和相同到达地信息的第一候选轨迹；分别将每一第一候选轨迹与指定轨迹组成待确定伴随关系的两条目标轨迹，获取两条目标轨迹的轨迹点序列。进一步地，可以基于两条目标轨迹的轨迹点序列，识别两条目标轨迹是否具有伴随关系。
示例性地，对于已有的大量行程轨迹数据，通过本申请的方法，将任意两条行程轨迹作为两条目标轨迹，识别两条目标轨迹是否具有伴随关系，可以从大量轨迹数据中挖掘出具有伴随关系的行程轨迹，可以用于车队关系发现、车货匹配、城市交通规划等场景中。
可选地，该步骤可以采用如下方式实现：
响应于伴随轨迹挖掘请求，获取所有待挖掘的轨迹数据；根据轨迹数据中轨迹开始点的位置和轨迹结束点的位置，筛选出具有相同出发地信息和相同到达地信息的第二候选轨迹；分别将第二候选轨迹中的任意两条第二候选轨迹组成待确定伴随关系的两条目标轨迹，获取两条目标轨迹的轨迹点序列。进一步地，可以基于两条目标轨迹的轨迹点序列，识别两条目标轨迹是否具有伴随关系。
步骤S102、将两条目标轨迹的轨迹开始点连接，并将两条目标轨迹的轨迹结束点连接，形成包含两条目标轨迹的封闭轨迹线。
在获取到待确定伴随关系的两条目标轨迹的轨迹点序列之后，通过将两条目标轨迹的轨迹开始点连接，并将两条目标轨迹的轨迹结束点连接，形成一个封闭轨迹线，该封闭轨迹线包含两条目标轨迹以，两条目标轨迹的轨迹开始点的连接线，以及两条目标轨迹的轨迹结束点的连接线。
示例性地，以图2所示两条轨迹为例，将两条轨迹的轨迹开始点连接，并将两条轨迹的轨迹结束点连接，形成如图3所示的一个完整的封闭曲线，称之为封闭轨迹线。如图3所示，两条轨迹的交叉点将封闭轨迹线围成的封闭区域分割成多个多边形的子区域，每一子区域也是封闭的。
步骤S103、确定封闭轨迹线所围成的封闭区域的总面积和总周长，根据总面积与总周长的比值，确定两条目标轨迹的相似距离。
在实际应用中，如果两个轨迹完全重合，两个轨迹合围形成的封闭轨迹线围成的封闭区域是一条轨迹线，面积为0，此时两个轨迹完全一致，相似性最高。如果两个轨迹合围形成的封闭轨迹线围成的封闭区域的面积较大，说明两个轨迹在空间上的偏差较大、相似性较低。
由于不同的轨迹长度不一样，两条轨迹合围形成的封闭轨迹线围成的封闭区域的面积大小不能直接体现出轨迹在空间上的相似性，还需要结合轨迹的长度。
本实施例中，在确定包含两条目标轨迹的封闭轨迹线之后，通过确定封闭轨迹线所围成的封闭区域的总面积和总周长，并计算总面积与总周长的比值，将总面积与总周长的比值作为两条目标轨迹的相似距离，来度量两个目标轨迹在空间上的相似性。
示例性地，可以采用优化的多线位置距离(LIP)算法，计算封闭轨迹线所围成的封闭区域中各个多边形子区域的面积和周长，计算所有多边形子区域的面积之和得到封闭区域的总面积，计算所有多边形子区域的周长之和得到封闭区域的总周长，计算总面积与总周长的比值，将总面积与总周长的比值作为两条目标轨迹的相似距离。
通过上述步骤S102-S103通过计算两条目标轨迹合围形成的封闭轨迹线所围成的封闭区域的总面积和总周长的比值，可以很好地度量两条目标轨迹在空间上是否相似(或一致)。
步骤S104、根据两条目标轨迹的轨迹点序列中轨迹点的时间戳，确定两条目标轨迹的平均时间差。
在实际应用中，如果两个车辆的轨迹在空间上相似(或一致)，但是两条轨迹的时间偏差很大(如间隔一天等)，那么这两个车辆间不存在伴随行为，两条轨迹之间不具有伴随关系。
本实施例中，根据两条目标轨迹的轨迹点序列中轨迹点的时间戳，来确定两条目标轨迹的平均时间差，来度量两条目标轨迹在时间上是否存在伴随模式的特性。
可选地，该步骤中，可以计算两条目标轨迹的轨迹开始点的时间戳的差值的绝对值，作为第一差值；计算轨迹结束点的时间戳的差值的绝对值，作为第二差值；将第一差值和第二差值的平均值作为两条目标轨迹的平均时间差。
可选地，该步骤中，可以计算两条目标轨迹的轨迹开始点的时间戳的差值的绝对值，作为第一差值；计算轨迹结束点的时间戳的差值的绝对值，作为第二差值；并计算两条目标轨迹以及至少一个中间轨迹点的时间戳的差值的绝对值，作为第三差值；计算第一差值、第二差值和第三差值的平均值，作为两条目标轨迹的平均时间差。
可选地，考虑到两条目标轨迹包含的轨迹点的数量可能不同，该步骤可以采用如下方式实现：
将每一目标轨迹的轨迹点序列中轨迹点的时间戳的平均值，确定为每一目标轨迹的平均时间戳；确定两条目标轨迹的平均时间戳的差值的绝对值，得到两条目标轨迹的平均时间差。
示例性地，可以计算一条目标轨迹的轨迹点序列中所有轨迹的时间戳的平均值，得到第一平均时间戳；计算另一条目标轨迹的轨迹点序列中所有轨迹的时间戳的平均值，得到第二平均时间戳；计算第一平均时间戳与第二平均时间戳的差值的绝对值，得到两条目标轨迹的平均时间差，能够很好地衡量两条目标轨迹之间的时间偏差。
步骤S105、根据两条目标轨迹的相似距离和平均时间差，确定两条目标轨迹是否具有伴随关系，得到伴随关系确定结果。
在确定两条目标轨迹的相似距离和平均时间差之后，根据两条目标轨迹的相似距离和平均时间差，以及设置的相似距离阈值和平均时间差阈值，确定两条目标轨迹是否具有伴随关系。
示例性地，根据两条目标轨迹的相似距离和平均时间差，若相似距离小于或等于相似距离阈值，并且平均时间差小于或等于时间差阈值，说明两条目标轨迹在空间上相似性很高并且在时间上偏差较小，则确定两条目标轨迹具有伴随关系。
若两条目标轨迹的相似距离大于相似距离阈值，说明两条目标轨迹在空间上的相似性不高，则确定两条目标轨迹不具有伴随关系。
若两条目标轨迹的平均时间差大于时间差阈值，说明两条目标轨迹在时间上的偏差较大，则确定两条目标轨迹不具有伴随关系。
需要说明的是，上述步骤S102-S103确定两条目标轨迹的相似距离的过程，与步骤S104确定两条目标轨迹的平均时间差的过程，可以并行地执行，也可以按照先后顺序执行。
示例性地，在步骤S103中确定两条目标轨迹的相似距离之后，可以根据设置的相似距离阈值。若两条目标轨迹的相似距离大于相似距离阈值，说明两条目标轨迹在空间上相似性较低，不可能存在伴随关系，则确定两条目标轨迹不具有伴随关系，无需再执行步骤S104。若两条目标轨迹的相似距离小于或等于相似距离阈值，说明两条目标轨迹在空间上相似性较高，可能存在伴随关系，则继续执行步骤S104，确定两条目标轨迹的平均时间差，若两条目标轨迹的平均时间差小于时间差阈值，则说明两条目标轨迹在时间上的偏差也很小，则确定两条目标轨迹具有伴随关系。
示例性地，可以先执行步骤S104确定两条目标轨迹的平均时间差。如果两条目标轨迹的平均时间差大于时间差阈值，说明两条目标轨迹在时间上偏差较大，不可能存在伴随关系，则确定两条目标轨迹不具有伴随关系，无需再执行步骤S102-S103。如果两条目标轨迹的平均时间差小于或等于时间差阈值，说明两条目标轨迹在时间上偏差较小，可能存在伴随关系，则继续执行步骤S102-S103确定两条目标轨迹的相似距离，若两条目标轨迹的相似距离小于或等于相似距离阈值，说明两条目标轨迹在空间上相似性较高，则确定两条目标轨迹具有伴随关系。
本实施例中，相似距离阈值可以根据实际应用场景的需要进行设置，应用于不同场景的轨迹伴随关系的识别时所设置的相似距离阈值可以不同，此处不做具体限定。例如，对于车辆轨迹的伴随关系的识别，可以设置相似距离阈值为6。
另外，考虑到不同类型车辆/船舶的行驶速度不同，时间差阈值可以根据实际应用场景的需要进行设置，应用于不同场景的轨迹伴随关系的识别时所设置的时间差阈值可以不同，此处不做具体限定。例如，对于车辆轨迹的伴随关系的识别，可以设置时间差阈值为1小时、1.5小时等。
本实施例通过对于任意两条目标轨迹，根据两条目标轨迹的轨迹点序列，将两条目标轨迹的轨迹开始点连接，并将两条目标轨迹的轨迹结束点连接，形成包含两条目标轨迹的封闭轨迹线；确定封闭轨迹线所围成的封闭区域的总面积和总周长，根据总面积与总周长的比值，确定两条目标轨迹的相似距离，能够很好地度量两条目标轨迹在空间上的相似性；根据两条目标轨迹的轨迹点序列中轨迹点的时间戳，确定两条目标轨迹的平均时间差，能够很好地度量两条目标轨迹在时间上的偏差的大小；根据两条目标轨迹的相似距离和平均时间差，结合空间相似性和时间相似性两方面，确定两条目标轨迹是否具有伴随关系，得到伴随关系确定结果，能够精准地识别出两条轨迹之间是否具有伴随关系，并且计算复杂度低，提高了伴随分析的效率。
在实际应用中，获取的交通工具的原始轨迹数据是交通工具在较长一段时间(如一天、一周、一个月、甚至几个月)内的所有轨迹数据。一个交通工具的轨迹数据包含交通工具在这段时间内多个不同的行程的轨迹。而不同交通工具之间可能只有在执行某一任务的一次行程中具有伴随行为。为了进行有效地伴随关系识别，本实施例中，可以通过对获取到的交通工具的原始轨迹数据进行轨迹分段处理，得到有效的行程轨迹数据，并基于有效的行程轨迹数据挖掘具有伴随关系的行程轨迹。
进一步地，为了计算车辆、船舶等交通工具的行程轨迹的相似性，同时提高计算效率，可以筛选出发地信息和到达地信息均相同的行程轨迹，作为挖掘伴随关系的目标轨迹，能够减少对明显不具有伴随关系的轨迹进行数据处理，从而可以减少计算量，提高伴随关系识别的效率。
另外，在实际应用中，由于车辆一次完整的行程可能途径几千公里，车辆定位数据约1-15秒一个，车辆的行程轨迹点多达几万个。船舶卫星定位数据频率较低，但是船舶的行程通常较远，一次行程的轨迹点也多达几万个。如果根据对车辆/船舶的行程的原始轨迹点序列，进行伴随关系的识别处理，计算量较大。为了减少伴随关系的识别处理的计算量，提高计算效率，可以先对行程轨迹数据进行压缩，减少行程的轨迹点的数量，生成行程轨迹压缩后的轨迹点序列。
参见图4，图4为本申请另一示例性实施例提供的轨迹间伴随关系的识别方法流程图，如图4所示，该方法具体步骤如下：
步骤S400、获取交通工具的原始轨迹数据。
其中，原始轨迹数据可以是一个较长时间段内的数据，具体可以根据实际应用场景的需要进行获取。
在实际应用中，通常定位数据存在噪声，原始轨迹数据中包含噪声数据，会影响轨迹相似距离的准确性。本实施例中，在对交通工具的原始轨迹数据进行轨迹分段处理之前，可以对原始轨迹数据进行去噪处理。
示例性地，对原始轨迹数据的去噪处理可以采用预定义规则的方式，可以设置基础的数据范围规则，包括对定位时间与当前时间差值的第一阈值、经纬度范围等。
对于原始轨迹数据中，定位时间与当前时间的差值大于或等于第一阈值的轨迹点，可以全部去除，能够去除掉时间较久远、时间错误的噪声数据。
对于原始轨迹数据中经纬度值不在对应经纬度范围内的轨迹点，可以全部去除，能够去除掉位置信息错误、或一些孤立的轨迹点等噪声数据。
可选地，还可以通过计算原始轨迹数据中时间相邻的轨迹点之间交通工具的线速度进行去噪，根据时间相邻轨迹点之间交通工具的线速度，识别并去除原始轨迹数据中发生漂移的轨迹点。
其中，时间相邻轨迹点之间交通工具的线速度可以根据时间相邻轨迹点之间的距离和时间戳差值计算得到。
发生漂移的轨迹点为：若2个连续(时间相邻)的轨迹点之间的线速度大于或等于设定的线速度阈值，则即为一次漂移，这两个轨迹点为发生漂移的轨迹点，这两个轨迹点之间的距离为漂移距离。其中，线速度阈值可以根据实际应用场景中道路/航线的限速信息等进行设置和调整，例如60km/h、120km/h、160km/h等，此处不做具体限定。
可选地，如果多个轨迹点间发生连续漂移：多个轨迹点中的任意两个时间相邻的轨迹点间的均发生漂移(也即线速度大于或等于线速度阈值)，且多次连续漂移中每一次漂移的漂移距离均大于或等于漂移距离阈值，那么，可以去除发生连续漂移的轨迹点。
示例性地，以线速度阈值为160km/h为参考，设置的漂移距离阈值可以为10km，如图5所示，各个轨迹点A-L为按照时间排序的多个轨迹点，其中任意相邻的两个轨迹点间均发生了漂移，轨迹点间的漂移距离如图5所示，其中，A-H中任意相邻的两个轨迹点间的漂移距离均大于等于10km，因此A-H是发生连续漂移的轨迹点。J-L中任意相邻的两个轨迹点间的漂移距离均大于等于10km，因此J-L也是发生连续漂移的轨迹点。
若进行对原始轨迹数据的去噪处理，后续步骤中提及的原始轨迹数据均指代对原始轨迹数据进行去噪处理后得到的轨迹数据。
步骤S401、对交通工具的原始轨迹数据进行轨迹分段处理，将每一轨迹段作为一个行程轨迹，得到行程轨迹的轨迹点序列。
该步骤中，可以通过对交通工具的原始轨迹数据进行轨迹分段处理，得到有效的行程轨迹数据，并基于有效的行程轨迹数据挖掘具有伴随关系的行程轨迹。
示例性地，可以检测原始轨迹数据中的驻留点，以驻留点为分割点，对轨迹数据进行分段，得到多个轨迹段，每一轨迹段作为一个行程轨迹，并生成每一行程轨迹的轨迹点序列。
可选地，可以设置驻留时长阈值，基于驻留时长阈值来识别原始轨迹数据中交通工具在某一轨迹点停留并且停留时间大于或等于驻留时长阈值，则确定该轨迹点为驻留点。将驻留点作为上一行程轨迹(若存在)的轨迹结束点，以及下一行程轨迹(若存在)的轨迹开始点。
可选地，还可以结合路网数据，通过车路匹配确定交通工具是否行驶在道路/航线上，并结合设置的驻留时长阈值，来识别行程的轨迹结束点(驶离道路/离泊的点)和轨迹开始点(驶入道路/靠泊的点)，从而将原始轨迹数据拆分为多个轨迹段。
其中，驻留时长阈值可以根据实际应用场景及安全驾驶的规范进行设置，例如，相关规范要求为防止疲劳驾驶，白天最长驾驶4小时或晚上最长行驶2小时，必须休息至少15分钟，可以设置驻留时长阈值为18分钟、20分钟、半小时等，此处不做具体限定。
示例性地，车辆或轮船等交通工具的一个完整的行程轨迹会途径多个定位点，主要包括时间和空间定位的数据。行程轨迹可以包括轨迹点序列、轨迹开始点、轨迹结束点、轨迹长度、轨迹点数等信息。行程轨迹可以采用如下表1所示的方式描述：
表1
字段名 类型 描述
trajectoryPointList List<TrajectoryPoint> 轨迹点序列
startPoint TrajectoryPoint 轨迹开始点
endPoint TrajectoryPoint 轨迹结束点
distance Double 轨迹长度
cnt Bigint 轨迹点数
其中，轨迹点序列是完整行程轨迹的所有轨迹点按照轨迹点的时间戳进行排序形成的有序序列。轨迹开始点和轨迹结束点是行程轨迹开始和结束的轨迹点。轨迹长度是行程轨迹的总行驶里程。轨迹点数是轨迹点序列中轨迹点的数量。
轨迹点包括轨迹时间、经度、纬度、海拔等信息，是车辆、船舶等交通工具在行驶过程中的定位信息。轨迹点可以采用如下表2所示的方式描述：
表2
字段名 类型 描述
gmtCreate String 轨迹时间
Lng double 经度
Lat double 纬度
altitude double 海拔
步骤S402、对行程轨迹的轨迹点序列进行压缩，去除轨迹点序列中除轨迹开始点和轨迹结束点之外的部分轨迹点，得到行程轨迹的压缩后轨迹点序列。
在实际应用中，由于车辆一次完整的行程可能途径几千公里，车辆定位数据约1-15秒一个，车辆的行程轨迹点多达几万个。船舶卫星定位数据频率较低，但是船舶的行程通常较远，一次行程的轨迹点也多达几万个。如果根据对车辆/船舶的行程的原始轨迹点序列，进行伴随关系的识别处理，计算量较大。为了减少伴随关系的识别处理的计算量，提高计算效率，可以先对行程轨迹数据进行压缩，减少行程的轨迹点的数量，生成行程轨迹压缩后的轨迹点序列。
本实施例中，在对行程轨迹间的伴随关系进行识别之前，对行程轨迹的轨迹点序列进行压缩，去除轨迹点序列中除轨迹开始点和轨迹结束点之外的部分轨迹点，以减少行程的轨迹点的数量，提高行程轨迹间伴随关系识别的效率。
示例性地，在上述图1所示实施例中，在上述步骤S102将两条目标轨迹的轨迹开始点连接，并将轨迹数据的轨迹结束点连接，形成包含两条目标轨迹的封闭轨迹线之前，可以对目标轨迹的轨迹数据进行压缩，去除轨迹数据中除轨迹开始点和轨迹结束点之外的部分轨迹点，得到目标轨迹的压缩后轨迹点序列，后续基于目标轨迹的压缩后轨迹点序列进行目标轨迹间相似距离、平均时间差的计算，以提高目标轨迹间伴随关系识别的效率。
另外，该步骤中，可以采用现有技术中任意一种轨迹压缩的方法实现，此处不做具体限定。
步骤S403、筛选具有相同出发地信息和相同到达地信息的行程轨迹。
本实施例中，为了计算车辆、船舶等交通工具的行程轨迹的相似性，同时提高计算效率，可以筛选出发地信息和到达地信息均相同的行程轨迹，作为挖掘伴随关系的目标轨迹，能够减少对明显不具有伴随关系的轨迹进行数据处理，从而可以减少计算量，提高伴随关系识别的效率。
在实际应用中，考虑到伴随模式的行程轨迹的轨迹开始点不一定重合，轨迹结束点也不一定重合，通常存在一定的位置偏差。可以基于网格地图，确定行程轨迹的轨迹开始点和轨迹结束点所在的地图网格(网格地图中的网格区域)。如果两个行程轨迹的轨迹开始点在同一地图网格中，则可以确定两个行程轨迹具有相同的出发地。如果两个行程轨迹的轨迹结束点在同一地图网格中，则可以确定两个行程轨迹具有相同的到达地。
该步骤中，可以根据行程轨迹的轨迹点序列中轨迹开始点所在的地图网格和轨迹结束点所在的地图网格，筛选出轨迹开始点在同一地图网格并且轨迹结束点在同一地图网格的两条行程轨迹，作为待确定伴随关系的两条目标轨迹。
示例性地，为了更好地存储行程轨迹数据，便于进行行程轨迹间伴随关系的识别处理，本实施例中还可以采用如下表3所示的方式存储行程轨迹数据：
表3
字段名 类型 描述
Vhc_id String 交通工具标识
O_area_code String 出发地图网格编码
D_area_code String 到达地图网格编码
trajectoryPointList List<TrajectoryPoint> 压缩后轨迹点序列
基于表3所示的方式存储的行程轨迹数据，通过比较两个行程轨迹的出发地图网格编码是否一致，可以确定两个行程轨迹的轨迹开始点是否在同一地图网格，从而确定两个行程轨迹的出发地是否相同；通过比较两个行程轨迹的到达地图网格编码是否一致，可以确定两个行程轨迹的轨迹结束点是否在同一地图网格，从而确定的两个行程轨迹的达到地是否相同，从而可以筛选具有相同出发地信息和相同到达地信息的行程轨迹。
另外，在实际应用中，行程是有出发地和目的地的，一个正常的行程应该包括多个轨迹点，如果行程轨迹的轨迹点只有一个点，则不参与伴随关系识别的计算。因此该步骤中筛选出的行程轨迹不能只包含一个轨迹点，也即筛选出的行程轨迹的轨迹点数量大于1。
步骤S404、基于筛选出的行程轨迹进行伴随关系识别处理。
一种可能的应用场景中，响应于伴随轨迹挖掘请求，根据指定行程的行程轨迹数据和待挖掘的行程轨迹数据，筛选出与指定轨迹具有相同的出发地信息和相同到达地信息的第一候选轨迹；分别将每一第一候选轨迹与指定轨迹组成待确定伴随关系的两条目标轨迹，获取两条目标轨迹的压缩后轨迹点序列，根据两条目标轨迹的压缩后轨迹点序列，对两条目标轨迹是否具有伴随关系进行识别处理，参见步骤S102-S105，此处不再赘述。
另一种可能的应用场景中，响应于伴随轨迹挖掘请求，获取所有待挖掘行程轨迹的行程轨迹数据，筛选出具有相同出发地信息和相同到达地信息的第二候选轨迹；分别将第二候选轨迹中的任意两条第二候选轨迹组成待确定伴随关系的两条目标轨迹，获取两条目标轨迹的压缩后轨迹点序列，根据两条目标轨迹的压缩后轨迹点序列，对两条目标轨迹是否具有伴随关系进行识别处理，参见步骤S102-S105，此处不再赘述。
一种可选地实施例中，步骤S402中，可以采用道格拉斯-普克算法对目标轨迹的轨迹数据进行压缩。道格拉斯-普克算法的基本思路是：将由多个点序列形成的曲线的首末点虚连一条直线，求曲线上所有点与直线的距离，并找出最大距离值dmax，用最大距离值dmax与限差D相比，若dmax<D，这条曲线上的中间点全部舍去；若dmax≥D，保留dmax对应的坐标点，并以该点为界，把曲线分为两部分；分别对这两部分重复使用该方法，直到曲线上每一需要舍去的点，得到压缩后的点序列。
参见图6，图6为本申请一示例性实施例提供的轨迹压缩方法的流程图，如图6所示，采用道格拉斯-普克算法对目标轨迹的轨迹数据进行压缩的具体步骤如下：
步骤S601、获取行程轨迹的轨迹点序列。
其中，行程轨迹的轨迹点序列可以是压缩后轨迹点序列。轨迹压缩保留行程的轨迹开始点和轨迹结束点，因此不会改变行程，不会影响行程轨迹的线路渲染。
步骤S602、根据轨迹点序列，生成行程轨迹。
该步骤中，根据轨迹点序列，生成对应的行程的轨迹线，也即行程轨迹。
步骤S603、获取轨迹开始点和轨迹结束点，轨迹点偏差阈值dMax。
本实施例中，用dMax表示轨迹点偏差阈值，轨迹点偏差阈值可以根据实际应用场景中道路/航线的宽度等信息进行设置，此处不做具体限定。
例如，对于车辆轨迹的处理场景，由于实际道路宽度通常可达30米，在计算轨迹线路的场景，可以接受车辆在道路上，而不关注车辆具体在哪个车道上，因此可以设置dMax＝30。
步骤S604、初始化当前的开始位置：start＝0，结束位置：end＝CNT-1。
本实施例中，用开start指代当前轨迹线的开始位置点序号，end指代当前轨迹线的结束位置点序号。CNT指代行程轨迹的轨迹点序列中轨迹点的数量。
初始时，当前轨迹线为包含行程轨迹的轨迹点序列中所有轨迹点的轨迹线，start为行程轨迹的轨迹开始点的位置序号，end为行程轨迹的轨迹结束点的位置序号，也即end为程轨迹的轨迹点序列中轨迹点的数量减去1。
采用道格拉斯-普克算法，通过递归方式查找当前轨迹线上到start点与end点连线的最大距离点maxPt及对应最大距离maxDist。当前轨迹线上到start点与end点连线距离小于轨迹点偏差阈值dMax的轨迹点可以舍去，以实现轨迹压缩的目的。
步骤S605、判断是否满足start<end。
本实施例中，递归结束的条件是当前轨迹线的开始位置序号小于结束位置序号，也即start<end。
若start<end，则执行步骤S606，进行当前轨迹线的压缩处理。
若start≥end，则当前轨迹线不需要压缩处理，无需再次递归。
步骤S606、计算start和end之间的每一轨迹点与当前的start点和end点所在直线的距离，存储为数组curDist[]。
该步骤中，对于当前轨迹线，将start点和end点用直线连接，计算start和end之间的每一轨迹点到该直线的距离，得到数组curDist[]。数组中每一元素为一个轨迹点到该直线的距离，元素的下标与轨迹点的位置序号对应。
步骤S607、计算数组curDist[]中的最大距离maxDist及最大距离对应轨迹点的位置序号maxPt。
通过比较数组curDist[]存储的距离的大小，可以确定数组中的最大距离maxDist，并根据最大距离maxDist在数组中的下标，确定最大距离对应轨迹点的位置序号maxPt。
步骤S608、是否满足maxDist≥dMax。
如果最大距离maxDist≥dMax
步骤S609、若maxDist≥dMax，则保留最大距离对应轨迹点maxPt。
步骤S610、若maxDist小于dMax，则丢弃最大距离对应轨迹点maxPt。
步骤S611、根据maxPt将当前轨迹线分割成两个轨迹线：第一轨迹线：start＝start，end＝maxPt；第二轨迹线：start＝maxPt，end＝end。
步骤S612、对第一轨迹线进行压缩处理。
步骤S613、对第二轨迹线进行压缩处理。
对第一轨迹线进行压缩处理，对第二轨迹线进行压缩处理的过程，与步骤S605-S611流程一致，此处不再赘述。
可选地，步骤S608中，如果maxDist<dMax，则说明当前轨迹线上start和end之间的每一轨迹点与当前的start点和end点所在直线的距离均小于dMax，则丢弃当前轨迹线上start和end之间的所有轨迹点，该递归分支结束。
直到所有递归结束时，得到压缩后的轨迹点序列。压缩后的轨迹点序列中轨迹点的数量大大减少。
本实施例通过采用道格拉斯-普克算法对目标轨迹的轨迹点序列进行压缩，去除轨迹点序列中除轨迹开始点和轨迹结束点之外的部分轨迹点，以减少行程的轨迹点的数量，提高行程轨迹间伴随关系识别的效率。
一种可选地实施例中，参见图7，将两条目标轨迹的轨迹开始点连接，并将两条目标轨迹的轨迹结束点连接，形成包含两条目标轨迹的封闭轨迹线，具体可以采用如步骤实现：
步骤S701、两条目标轨迹包括第一目标轨迹tr1和第二目标轨迹tr2。
本实施例中，用tr1和tr2表示两条目标轨迹。两条目标轨迹的出发地和目的地相同，并且线路方向相同。
步骤S702、获取第一目标轨迹tr1和第二目标轨迹tr2的轨迹结束点，生成由第一目标轨迹的轨迹结束点至第二目标轨迹的轨迹结束点的第一连线tr1End。
步骤S703、将第一连线tr1End作为第一目标轨迹tr1的延长线段，生成由第一目标轨迹的轨迹开始点至第二目标轨迹的轨迹结束点的第一轨迹线tr1New。
步骤S704、获取第一目标轨迹tr1和第二目标轨迹tr2的轨迹开始点，生成由第一目标轨迹的轨迹开始点至第二目标轨迹的轨迹开始点的第二连线tr2Start。
步骤S705、将第二连线tr2Start追加到第二目标轨迹tr2的起始位置，得到由第一目标轨迹的轨迹开始点至第二目标轨迹的轨迹结束点的第二轨迹线tr2New。
步骤S706、将第二轨迹线tr2New的方向进行反转，得到第三轨迹线tr3New；第一轨迹线tr1New和第三轨迹线tr3New形成包含两条目标轨迹的封闭轨迹线。
由于tr1和tr2的出发地和目的地相同，方向也一致，因此tr1New和tr2New的方向也一致。将tr2New的方向反转后得到的tr3New与tr1New方向相反，tr3New与tr1New合并生成一个封闭的连接环，得到封闭轨迹线。
步骤S707、两条目标轨迹的封闭轨迹线围成封闭区域。
不重合的两条目标轨迹的封闭轨迹线围成封闭区域通常包含一个或者多个多边形区域。在确定两条目标轨迹的封闭轨迹线之后，通过空间数据计算可以确定封闭轨迹线围成封闭区域的数据。
示例性地，可以利用实现空间数据计算功能的工具包，对两条目标轨迹的封闭轨迹线进行空间数据计算，确定封闭区域数据。进一步地，基于封闭区域数据，利用LIP算法计算封闭轨迹线所围成的封闭区域中各个多边形子区域的面积和周长。进一步可以计算所有多边形子区域的面积之和得到封闭区域的总面积，计算所有多边形子区域的周长之和得到封闭区域的总周长，计算总面积与总周长的比值，并将总面积与总周长的比值作为两条目标轨迹的相似距离。
本实施例中，对于两条目标轨迹：第一目标轨迹和第二目标轨迹，通过生成由第一目标轨迹的轨迹结束点至第二目标轨迹的轨迹结束点的第一连线，将第一连线作为第一目标轨迹的延长线段，得到由第一目标轨迹的轨迹开始点至第二目标轨迹的轨迹结束点的第一轨迹线；生成由第一目标轨迹的轨迹开始点至第二目标轨迹的轨迹开始点的第二连线，将第二连线追加到第二目标轨迹点的起始位置，得到由第一目标轨迹的轨迹开始点至第二目标轨迹的轨迹结束点的第二轨迹线；将第二轨迹线的方向进行反转，得到第三轨迹线；第一轨迹线和第三轨迹线形成包含两条目标轨迹的封闭轨迹线，能够确定两条目标轨迹的封闭轨迹线，基于该封闭轨迹线能够精准地确定两条目标轨迹的相似距离，能够很好地度量两条目标轨迹在空间上的相似性。
图8为本申请一示例性实施例提供的轨迹间伴随关系的识别装置的结构示意图。本申请实施例提供的轨迹间伴随关系的识别装置可以执行轨迹间伴随关系的识别方法实施例提供的处理流程。如图8所示，轨迹间伴随关系的识别装置80包括：轨迹数据处理模块81，空间相似性确定模块82，时间相似性确定模块83，伴随关系确定模块84。
具体地，轨迹数据处理模块81，用于对于任意两条待确定伴随关系的目标轨迹，获取两条目标轨迹的轨迹点序列。
空间相似性确定模块82，用于将两条目标轨迹的轨迹开始点连接，将两条目标轨迹的轨迹结束点连接，形成包含两条目标轨迹的封闭轨迹线，确定封闭轨迹线所围成的封闭区域的总面积和总周长，根据总面积与总周长的比值，确定两条目标轨迹的相似距离。
时间相似性确定模块83，用于根据两条目标轨迹的轨迹点序列中轨迹点的时间戳，确定两条目标轨迹的平均时间差。
伴随关系确定模块84，用于根据两条目标轨迹的相似距离和平均时间差，确定两条目标轨迹是否具有伴随关系，得到伴随关系确定结果。
本申请实施例提供的装置可以具体用于执行上述图1对应方法实施例所提供的方案，具体功能和所能实现的技术效果此处不再赘述。
一种可选地实施例中，对于任意两条待确定伴随关系的目标轨迹，获取两条目标轨迹的轨迹点序列之前，轨迹数据处理模块还用于：
对交通工具的原始轨迹数据进行轨迹分段处理，将每一轨迹段作为一个行程轨迹，得到行程轨迹的轨迹点序列；根据行程轨迹的轨迹点序列中轨迹开始点所在的地图网格和轨迹结束点所在的地图网格，筛选出轨迹开始点在同一地图网格并且轨迹结束点在同一地图网格的行程轨迹，得到待确定伴随关系的目标轨迹。
一种可选地实施例中，轨迹数据处理模块还用于：在将两条目标轨迹的轨迹开始点连接，将轨迹数据的轨迹结束点连接，形成包含两条目标轨迹的封闭轨迹线之前，对目标轨迹的轨迹数据进行压缩，去除轨迹数据中除轨迹开始点和轨迹结束点之外的部分轨迹点，得到目标轨迹的压缩后轨迹点序列。
一种可选地实施例中，轨迹数据处理模块还用于：在对交通工具的原始轨迹数据进行轨迹分段处理，将每一轨迹段作为一个行程轨迹，得到行程轨迹的轨迹点序列之前，对原始轨迹数据进行去噪处理。
一种可选地实施例中，在将两条目标轨迹的轨迹开始点连接，并将两条目标轨迹的轨迹结束点连接，形成包含两条目标轨迹的封闭轨迹线时，空间相似性确定模块还用于：
两条目标轨迹包括第一目标轨迹和第二目标轨迹，生成由第一目标轨迹的轨迹结束点至第二目标轨迹的轨迹结束点的第一连线，将第一连线作为第一目标轨迹的延长线段，得到由第一目标轨迹的轨迹开始点至第二目标轨迹的轨迹结束点的第一轨迹线；生成由第一目标轨迹的轨迹开始点至第二目标轨迹的轨迹开始点的第二连线，将第二连线追加到第二目标轨迹点的起始位置，得到由第一目标轨迹的轨迹开始点至第二目标轨迹的轨迹结束点的第二轨迹线；将第二轨迹线的方向进行反转，得到第三轨迹线；第一轨迹线和第三轨迹线形成包含两条目标轨迹的封闭轨迹线。
一种可选地实施例中，在根据两条目标轨迹的轨迹点序列中轨迹点的时间戳，确定两条目标轨迹的平均时间差时，时间相似性确定模块还用于：
将每一目标轨迹的轨迹点序列中轨迹点的时间戳的平均值，确定为每一目标轨迹的平均时间戳；确定两条目标轨迹的平均时间戳的差值的绝对值，得到两条目标轨迹的平均时间差。
一种可选地实施例中，在根据两条目标轨迹的相似距离和平均时间差，确定两条目标轨迹是否具有伴随关系，得到伴随关系确定结果时，伴随关系确定模块还用于：
根据两条目标轨迹的相似距离和平均时间差，若相似距离小于或等于相似距离阈值，并且平均时间差小于或等于时间差阈值，则确定两条目标轨迹具有伴随关系。
本申请实施例提供的装置可以具体用于执行上述任一方法实施例所提供的方案，具体功能和所能实现的技术效果此处不再赘述。
图9为本申请一示例实施例提供的电子设备的结构示意图。如图9所示，该电子设备90包括：处理器901，以及与处理器901通信连接的存储器902，存储器902存储计算机执行指令。
其中，处理器执行存储器存储的计算机执行指令，以实现上述任一方法实施例所提供的方案，具体功能和所能实现的技术效果此处不再赘述。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述任一方法实施例所提供的方案，具体功能和所能实现的技术效果此处不再赘述。
本申请实施例还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一方法实施例所提供的方案，具体功能和所能实现的技术效果此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请未公开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，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请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。本申请的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种轨迹间伴随关系的识别方法，其特征在于，包括：
对于任意两条待确定伴随关系的目标轨迹，获取两条目标轨迹的轨迹点序列；
根据所述两条目标轨迹的轨迹点序列中轨迹点的时间戳，确定所述两条目标轨迹的平均时间差，并将所述两条目标轨迹的轨迹开始点连接，将所述两条目标轨迹的轨迹结束点连接，形成包含所述两条目标轨迹的封闭轨迹线，确定所述封闭轨迹线所围成的封闭区域的总面积和总周长，根据所述总面积与所述总周长的比值，确定所述两条目标轨迹的相似距离；
根据所述两条目标轨迹的相似距离和平均时间差，确定所述两条目标轨迹是否具有伴随关系，得到伴随关系确定结果。
2.根据权利要求1所述的方法，其特征在于，所述对于任意两条待确定伴随关系的目标轨迹，获取两条目标轨迹的轨迹点序列之前，还包括：
对交通工具的原始轨迹数据进行轨迹分段处理，将每一轨迹段作为一个行程轨迹，得到行程轨迹的轨迹点序列；
根据所述行程轨迹的轨迹点序列中轨迹开始点所在的地图网格和轨迹结束点所在的地图网格，筛选出轨迹开始点在同一地图网格并且轨迹结束点在同一地图网格的行程轨迹，得到待确定伴随关系的目标轨迹。
3.根据权利要求2所述的方法，其特征在于，所述将所述两条目标轨迹的轨迹开始点连接，将所述轨迹数据的轨迹结束点连接，形成包含所述两条目标轨迹的封闭轨迹线之前，还包括：
对所述目标轨迹的轨迹数据进行压缩，去除轨迹数据中除轨迹开始点和轨迹结束点之外的部分轨迹点，得到所述目标轨迹的压缩后轨迹点序列。
4.根据权利要求2所述的方法，其特征在于，所述对交通工具的原始轨迹数据进行轨迹分段处理，将每一轨迹段作为一个行程轨迹，得到行程轨迹的轨迹点序列之前，还包括：
对所述原始轨迹数据进行去噪处理。
5.根据权利要求1所述的方法，其特征在于，所述将所述两条目标轨迹的轨迹开始点连接，将所述两条目标轨迹的轨迹结束点连接，形成包含所述两条目标轨迹的封闭轨迹线，包括：
所述两条目标轨迹包括第一目标轨迹和第二目标轨迹，生成由第一目标轨迹的轨迹结束点至第二目标轨迹的轨迹结束点的第一连线，将所述第一连线作为所述第一目标轨迹的延长线段，得到由第一目标轨迹的轨迹开始点至第二目标轨迹的轨迹结束点的第一轨迹线；
生成由第一目标轨迹的轨迹开始点至第二目标轨迹的轨迹开始点的第二连线，将所述第二连线追加到所述第二目标轨迹点的起始位置，得到由第一目标轨迹的轨迹开始点至第二目标轨迹的轨迹结束点的第二轨迹线；
将所述第二轨迹线的方向进行反转，得到第三轨迹线；
所述第一轨迹线和所述第三轨迹线形成包含所述两条目标轨迹的封闭轨迹线。
6.根据权利要求1所述的方法，其特征在于，所述根据所述两条目标轨迹的轨迹点序列中轨迹点的时间戳，确定所述两条目标轨迹的平均时间差，包括：
将每一所述目标轨迹的轨迹点序列中轨迹点的时间戳的平均值，确定为每一所述目标轨迹的平均时间戳；
确定所述两条目标轨迹的平均时间戳的差值的绝对值，得到所述两条目标轨迹的平均时间差。
7.根据权利要求1所述的方法，其特征在于，所述根据所述两条目标轨迹的相似距离和平均时间差，确定所述两条目标轨迹是否具有伴随关系，得到伴随关系确定结果，包括：
根据所述两条目标轨迹的相似距离和平均时间差，若所述相似距离小于或等于相似距离阈值，并且所述平均时间差小于或等于时间差阈值，则确定所述两条目标轨迹具有伴随关系。
8.一种轨迹间伴随关系的识别装置，其特征在于，包括：
轨迹数据处理模块，用于对于任意两条待确定伴随关系的目标轨迹，获取两条目标轨迹的轨迹点序列；
空间相似性确定模块，用于将所述两条目标轨迹的轨迹开始点连接，将所述两条目标轨迹的轨迹结束点连接，形成包含所述两条目标轨迹的封闭轨迹线，确定所述封闭轨迹线所围成的封闭区域的总面积和总周长，根据所述总面积与所述总周长的比值，确定所述两条目标轨迹的相似距离；
时间相似性确定模块，用于根据所述两条目标轨迹的轨迹点序列中轨迹点的时间戳，确定所述两条目标轨迹的平均时间差；
伴随关系确定模块，用于根据所述两条目标轨迹的相似距离和平均时间差，确定所述两条目标轨迹是否具有伴随关系，得到伴随关系确定结果。
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
CN202210476467.8A 2022-04-29 2022-04-29 轨迹间伴随关系的识别方法、装置及设备 Pending CN114707616A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210476467.8A CN114707616A (zh) 2022-04-29 2022-04-29 轨迹间伴随关系的识别方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210476467.8A CN114707616A (zh) 2022-04-29 2022-04-29 轨迹间伴随关系的识别方法、装置及设备

Publications (1)

Publication Number Publication Date
CN114707616A true CN114707616A (zh) 2022-07-05

Family

ID=82177537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210476467.8A Pending CN114707616A (zh) 2022-04-29 2022-04-29 轨迹间伴随关系的识别方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114707616A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115033732A (zh) * 2022-08-11 2022-09-09 深圳前海中电慧安科技有限公司 一种时空轨迹关联方法、装置、电子设备及存储介质
CN116824866A (zh) * 2023-08-29 2023-09-29 武汉中科通达高新技术股份有限公司 基于时间和地理因素的伴随车分析方法、系统及介质
CN117542004A (zh) * 2024-01-10 2024-02-09 杰创智能科技股份有限公司 近海人船拟合方法、装置、设备及存储介质
CN117786428A (zh) * 2024-02-27 2024-03-29 亿海蓝（北京）数据技术股份公司 确定船舶轨迹相似度的方法、装置和可读存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115033732A (zh) * 2022-08-11 2022-09-09 深圳前海中电慧安科技有限公司 一种时空轨迹关联方法、装置、电子设备及存储介质
CN115033732B (zh) * 2022-08-11 2022-11-15 深圳前海中电慧安科技有限公司 一种时空轨迹关联方法、装置、电子设备及存储介质
CN116824866A (zh) * 2023-08-29 2023-09-29 武汉中科通达高新技术股份有限公司 基于时间和地理因素的伴随车分析方法、系统及介质
CN116824866B (zh) * 2023-08-29 2024-01-02 武汉中科通达高新技术股份有限公司 基于时间和地理因素的伴随车分析方法、系统及介质
CN117542004A (zh) * 2024-01-10 2024-02-09 杰创智能科技股份有限公司 近海人船拟合方法、装置、设备及存储介质
CN117542004B (zh) * 2024-01-10 2024-04-30 杰创智能科技股份有限公司 近海人船拟合方法、装置、设备及存储介质
CN117786428A (zh) * 2024-02-27 2024-03-29 亿海蓝（北京）数据技术股份公司 确定船舶轨迹相似度的方法、装置和可读存储介质

Similar Documents

Publication Publication Date Title
CN114707616A (zh) 轨迹间伴随关系的识别方法、装置及设备
Zhang et al. Data-driven based automatic maritime routing from massive AIS trajectories in the face of disparity
Ahmed et al. Map construction algorithms
Ahmed et al. A comparison and evaluation of map construction algorithms using vehicle tracking data
US8359156B2 (en) Map generation system and map generation method by using GPS tracks
CN106323301B (zh) 一种道路情报的获取方法及装置
Uduwaragoda et al. Generating lane level road data from vehicle trajectories using kernel density estimation
US9978161B2 (en) Supporting a creation of a representation of road geometry
US10545247B2 (en) Computerized traffic speed measurement using sparse data
CN113538410A (zh) 一种基于3d激光雷达和uwb的室内slam建图方法
Liang et al. NetTraj: A network-based vehicle trajectory prediction model with directional representation and spatiotemporal attention mechanisms
Karagiorgou et al. Segmentation-based road network construction
CN111931077B (zh) 数据处理方法、装置、电子设备及存储介质
Li et al. A trajectory restoration algorithm for low-sampling-rate floating car data and complex urban road networks
EP3293486B1 (en) Method and system for improving spatial accuracy of map data
CN114580554A (zh) 基于轨迹特征挖掘的船舶伴随模式检测方法、系统和介质
Elshrif et al. Network-less trajectory imputation
CN115081505A (zh) 一种基于步行轨迹数据的行人路网增量式生成方法
Xie et al. Road network inference through multiple track alignment
US20240200973A1 (en) Method, data processing apparatus and computer program product for generating map data
Howe et al. Deformable part models for automatically georeferencing historical map images
Lu et al. A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment
CN113227713A (zh) 生成用于定位的环境模型的方法和系统
Chen et al. An integrated map-match algorithm with position feedback and shape-based mismatch detection and correction
Wang et al. Fast and reliable map matching from large-scale noisy positioning records

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