CN115293301B - 车辆的变道方向的预估方法、装置及存储介质 - Google Patents

Abstract

本申请实施例涉及地图导航领域和计算机技术领域，公开了车辆的变道方向的预估方法、装置及存储介质，该方法包括：先采集行驶方向序列数据，以及放置于车辆中的终端设备的姿态序列数据；然后根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度，以及根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度；最后基于第一相似度和第二相似度，预估车辆的变道方向。采用本申请实施例，可提高车辆的变道方向的预测准确性。

Description

车辆的变道方向的预估方法、装置及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及车辆的变道方向的预估方法、装置及存储介质。

背景技术

在车道级导航中，预测车辆的变道方向十分重要。现有的车辆变道方向的预测方案包括利用视觉数据进行变道方向预测，采用绝对定位精度来实现变道方向预测，以及利用惯性测量单元（Inertial Measurement Unit，IMU）测量出的IMU数据在变道时产生的特征进行变道方向预测等。上述方案中的视觉数据容易受到拥堵、天气、光照等因素的影响，绝对定位精度容易受到遮挡的影响，通过IMU数据得到的特征容易被漏检或者误检，故而上述方案预测出的变道方向的准确性并不高。因此，如何提高车辆的变道方向的预测准确性，是目前亟需解决的问题。

发明内容

本申请实施例提供车辆的变道方向的预估方法、装置及存储介质，可提高车辆的变道方向的预测准确性。

一方面，本申请实施例提供了一种车辆的变道方向的预估方法，包括：

采集车辆在预设时间段内的行驶方向序列数据，以及放置于车辆中的终端设备在预设时间段内的姿态序列数据；

根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度；其中，参考方向序列数据用于指示：车辆在向指定的变道方向变道的过程中车辆的行驶方向；

根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度；

基于第一相似度和第二相似度，预估车辆的变道方向。

一方面，本申请实施例提供了一种车辆的变道方向的预估装置，所述车辆的变道方向的预估装置包括采集单元，确定单元和处理单元，其中：

采集单元，用于采集车辆在预设时间段内的行驶方向序列数据，以及放置于车辆中的终端设备在预设时间段内的姿态序列数据；

确定单元，用于根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度；其中，参考方向序列数据用于指示：车辆在向指定的变道方向变道的过程中车辆的行驶方向；

确定单元，还用于根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度；

处理单元，用于基于第一相似度和第二相似度，预估车辆的变道方向。

一方面，本申请实施例提供了一种电子设备，所述电子设备包括输入接口和输出接口，还包括：

处理器，适于实现一条或多条指令；以及，

计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由所述处理器加载并执行上述车辆的变道方向的预估方法。

一方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序指令，所述计算机程序指令被处理器执行时，用于执行上述车辆的变道方向的预估方法。

一方面，本申请实施例提供了一种计算机程序产品或计算机程序，所述计算机程序产品或所述计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中；电子设备的处理器从所述计算机可读存储介质中读取所述计算机指令，所述处理器执行所述计算机指令，所述计算机指令被处理器执行时，用于执行上述车辆的变道方向的预估方法。

本申请实施例中，预先已经总结出了车辆在向指定的变道方向变道的过程中实际行驶方向的变化特征（即参考方向序列数据）；同时在预估车辆的变道方向之前，会通过分别确定车辆中的终端设备的姿态和车辆的行驶方向这两个维度的序列数据与参考方向序列数据之间的两个相似度的方式，从两个维度初步预估出车辆偏向于向指定的变道方向进行变道的可能性。如果车辆偏向于向指定的变道方向进行变道的可能性小，也就说明车辆偏向于向除指定的变道方向以外的其他变道方向进行变道的可能性更高，故而初步预估出车辆偏向于向指定的变道方向进行变道的可能性，也就预估了车辆更偏向于向哪些变道方向进行变道，从而便于后续在已经从两个维度初步预估出更偏向于向哪个方向进行变道的基础上，综合两个维度的初步预估结果去预估出车辆的变道方向。也就是说，本申请实施例会先从多个维度初步预估出车辆所偏向的变道方向，并综合多个维度的初步预估结果去确定最终预估出的变道方向；其中，初步预估出的变道方向能够为后续预估车辆的变道方向提供参考，有利于提高车辆的变道方向的预测准确性；同时，从多个维度去确定最终预估出的变道方向，不同维度之间可以相互印证，可以避免单一维度的数据误差影响最终预估的变道方向出现误差，有利于进一步提高车辆的变道方向的预测准确性。另外，本方案不需要依赖视觉数据，绝对定位精度等技术，故而对终端设备的要求较低，具有较高的普及性。

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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种车辆的变道方向的预估系统的结构示意图；

图2是本申请实施例提供的一种车辆的变道方向的预估方法的流程示意图；

图3是本申请实施例提供的一种模型预测的过程示意图；

图4是本申请实施例提供的一种简易决策树的示意图；

图5是本申请实施例提供的一种模型训练的过程示意图；

图6是本申请实施例提供的另一种车辆的变道方向的预估方法的流程示意图；

图7a是本申请实施例提供的一种左变道的参考方向序列数据示意图；

图7b是本申请实施例提供的一种右变道的参考方向序列数据示意图；

图8是本申请实施例提供的一种车道线航向的示意图；

图9是本申请实施例提供的一种吸附信息的示意图；

图10是本申请实施例提供的一种生成目标特征向量的过程示意图；

图11是本申请实施例提供的一种车辆的变道方向的预估装置的结构示意图；

图12是本申请实施例提供的一种电子设备的结构示意图。

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，所描述的实施例仅仅是本申请一部分实施例，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作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。

随着互联网技术的不断发展，人工智能（Artificial Intelligence，AI）技术也随之得到更好的发展。所谓的人工智能技术是指利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术；其主要通过了解智能的实质，生产出一种新的能以人类智能相似的方式做出反应的智能机器，使得智能机器具有感知、推理与决策等多种功能。相应的，AI技术是一门综合学科，其主要包括计算机视觉技术（Computer Vision，CV）、语音处理技术、自然语言处理技术以及机器学习（MachineLearning，ML）/深度学习等几大方向。

其中，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是AI的核心，是使计算机设备具有智能的根本途径；所谓的机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科；其专门研究计算机设备怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。而深度学习则是一种利用深层神经网络系统，进行机器学习的技术；机器学习/深度学习通常可包括人工神经网络、强化学习（Reinforcement Learning，RL）、有监督学习、无监督学习、对比学习等多种技术；所谓的有监督学习是指采用类别已知（具有标注类别）的训练样本进行模型训练的处理方式，无监督学习是指采用类别未知（没有被标记）的训练样本进行模型训练的处理方式。

此外，车道级导航指的是能够定位车辆所在车道的导航。车道级导航定位是新一代导航定位技术的主要着力点，车道级导航通过还原真实道路场景、导航界面信息提示、全程变道指引等方式，降低了驾驶员对导航的理解成本，带给了驾驶员更好的导航体验。在车道级导航中，变道方向的预测准确性是非常重要的硬性指标。

基于此，本申请实施例提供了一种车辆的变道方向的预估方案，该方案会在车辆行驶的过程中，会实时采集放置于车辆中的终端设备的姿态信息，以得到姿态序列数据，以及实时采集车辆的行驶方向，以得到行驶方向序列数据。之后，会根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度，以及根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度。最后，基于第一相似度和第二相似度，去预估出车辆的变道方向。需要说明的是，参考方向序列数据用于指示：车辆在向指定的变道方向变道的过程中车辆的行驶方向。

不难看出，本方案会从放置于车辆中的终端设备的姿态和车辆的行驶方向这两个维度，通过确定车辆中的终端设备的姿态序列数据中的姿态信息与参考方向序列数据指示的行驶方向之间的第一相似度的方式，对终端设备的姿态信息维度是否偏向于向指定的变道方向进行变道进行初步的判断；以及通过确定行驶方向序列数据中车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度的方式，对行驶方向维度是否偏向于向指定的变道方向进行变道进行初步的判断。最后，本方案会综合第一相似度和两个第二相似度这两个维度的因素，在已经从两个维度初步判断出偏向于向哪个方向进行变道的基础上，去预估出车辆的变道方向。

由此可见，本方案预先已经总结出了车辆在向指定的变道方向变道的过程中实际行驶方向的变化特征（即参考方向序列数据）；同时在预估车辆的变道方向之前，会通过分别确定车辆中的终端设备的姿态和车辆的行驶方向这两个维度的序列数据与参考方向序列数据之间的两个相似度的方式，从两个维度初步预估出车辆偏向于向指定的变道方向进行变道的可能性。如果车辆偏向于向指定的变道方向进行变道的可能性小，也就说明车辆偏向于向除指定的变道方向以外的其他变道方向进行变道的可能性更高，故而初步预估出车辆偏向于向指定的变道方向进行变道的可能性，也就预估了车辆更偏向于向哪些变道方向进行变道，从而便于后续在已经从两个维度初步预估出更偏向于向哪个方向进行变道的基础上，综合两个维度的初步预估结果去预估出车辆的变道方向。也就是说，本方案会先从多个维度初步预估出车辆所偏向的变道方向，并综合多个维度的初步预估结果去确定最终预估出的变道方向；其中，初步预估出的变道方向能够为后续预估车辆的变道方向提供参考，有利于提高车辆的变道方向的预测准确性；同时，从多个维度去确定最终预估出的变道方向，不同维度之间可以相互印证，可以避免单一维度的数据误差影响最终预估的变道方向出现误差，有利于进一步提高车辆的变道方向的预测准确性。另外，本方案不需要依赖视觉数据，绝对定位精度等技术，故而对终端设备的要求较低，具有较高的普及性。

其中，放置在车辆中的终端设备可以是智能手机、平板电脑、笔记本电脑等终端设备中的一种或多种。示例性地，驾驶员可能会用自己的手机中的导航应用来为车辆进行导航，那么此时终端设备就指的是驾驶员的手机。终端设备的姿态通常包括终端设备的航向角、俯仰角和横滚角，但本方案中终端设备的姿态信息主要指的是终端设备的朝向，也就是终端设备的航向角。举例来说，手机中的导航应用在导航时会有一个随着手机转动而转动的箭头，该箭头指示的方向就是手机的朝向，即手机的航向。同时，姿态序列数据包括多个连续的时间点，以及各个时间点对应的姿态信息，具体来说姿态序列数据相当于一个横坐标为时间点，纵坐标为姿态信息的时间序列函数。可选地，由于上述提及终端设备的姿态信息主要指的是终端设备的朝向，因此姿态序列数据也可以相当于一个横坐标为时间点，纵坐标为终端设备的朝向的时间序列函数。

此外，车辆的行驶方向指的是测量得到的车辆在行驶过程中的方向。同理，行驶方向序列数据包括多个连续的时间点，以及各个时间点对应的行驶方向，具体来说行驶方向序列数据相当于一个横坐标为时间点，纵坐标为行驶方向的时间序列函数。

基于上述车辆的变道方向的预估方法，本申请实施例提供了一种车辆的变道方向的预估系统，可参见图1，图1所示的车辆的变道方向的预估系统可以包括多个放置在车辆中的终端设备101和多个服务器102，其中任一终端设备和任一服务器之间均建立有通信连接。终端设备101可以包括智能手机、平板电脑、笔记本电脑、台式计算机、智能车载以及智能可穿戴设备中的任意一种或多种。终端设备101内可以运行各式各样的应用程序（application，APP），如地图导航客户端、多媒体播放客户端、社交客户端、浏览器客户端、信息流客户端、教育客户端，等等。服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（ContentDelivery Network，CDN）、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备101以及服务器102之间可以通过有线或无线通信方式进行直接或间接地通信连接，本申请在此不做限制。

在一个实施例中，上述车辆的变道方向的预估方法可以仅由图1所示车辆的变道方向的预估系统中的终端设备101执行，具体执行过程为：置于车辆中的终端设备101实时采集终端设备101的姿态信息，以得到姿态序列数据，以及实时采集车辆的行驶方向，以得到行驶方向序列数据。之后，终端设备101根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度，以及据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度。最后，终端设备101可以基于第一相似度和第二相似度，去预估出车辆的变道方向。

可选地，在预估车辆的变道方向之后，终端设备101还可以基于车辆的变道方向，以及车辆的当前行驶路径或者车辆的周围环境（如车辆当前车道和待变道车道的路况、周围车辆的行驶路径），生成预估的变道路径；最后终端设备101再显示预估的变道路径，以辅助驾驶员进行变道。

可选地，上述车辆的变道方向的预估方法也可以仅由图1所示的车辆的变道方向的预估系统中的服务器102执行，其具体执行过程可参见上述终端设备101在车辆的变道方向的预估时的具体执行过程，在此不再赘述。可选地，服务器102在预估出车辆的变道方向之后，可以将预估的变道方向或者生成的预估的变道路径发送至终端设备101，以便于终端设备101辅助驾驶员进行变道。

在另一个实施例中，上述车辆的变道方向的预估方法可以运行在车辆的变道方向的预估系统中，车辆的变道方向的预估系统可以包括终端设备和服务器。具体来说，所述车辆的变道方向的预估方法可由图1所示的车辆的变道方向的预估系统中所包含的终端设备101，以及服务器102来共同完成，具体执行过程为：终端设备101实时采集终端设备101的姿态信息，得到姿态序列数据并上传至服务器102；同时，服务器102实时采集车辆的行驶方向，以得到行驶方向序列数据。之后，服务器102会根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度，以及据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度。最后，服务器102可以基于第一相似度和两个第二相似度，去预估出车辆的变道方向。服务器102在预估出车辆的变道方向之后，可以将预估的变道方向发送至终端设备101，以便于终端设备101基于预估的变道方向辅助驾驶员进行变道。

可选地，服务器102在预估出车辆的变道方向之后，还可以基于车辆的变道方向，以及车辆的当前行驶路径或者车辆的周围环境（如车辆当前车道和待变道车道的路况、周围车辆的行驶路径），生成预估的变道路径；然后，服务器102将预估的变道路径发送至终端设备101；最后，终端设备101可以显示预估的变道路径，以辅助驾驶员进行变道。

基于上述车辆的变道方向的预估方案以及车辆的变道方向的预估系统，本申请实施例提供了一种车辆的变道方向的预估方法。参见图2，为本申请实施例提供的一种车辆的变道方向的预估方法的流程示意图。图2所示的车辆的变道方向的预估方法可由服务器或者终端设备执行。图2所示的车辆的变道方向的预估方法可包括步骤S201-S206：

S201，采集车辆在预设时间段内的行驶方向序列数据，以及放置于车辆中的终端设备在预设时间段内的姿态序列数据。

在本申请实施例中，预设时间段指的是当前时刻至预设时刻这一时间段，预设时刻指的是距离当前时刻之间的差值时间为预设时间的时刻。预设时间可以是人为设定的，也可以是系统设定的，在此不限定。举例来说，预设时间可以是60秒，当前时刻为12点21分30秒，那么预设时间段则指的是12点20分30秒至12点21分30秒这一时间段。

可选地，可以实时采集并存储放置于车辆中的终端设备的姿态信息，以及实时采集并存储车辆的行驶方向；那么采集车辆的终端设备在预设时间段内的姿态序列数据也就是：基于采集到的当前时刻至预设时刻这一时间段内的各个时刻，以及所述各个时刻对应的姿态信息，得到姿态序列数据。同理，采集车辆在预设时间段内的行驶方向序列数据也就是：基于采集到的当前时刻至预设时刻这一时间段内的各个时刻，以及所述各个时刻对应的行驶方向，得到行驶方向序列数据。

具体来说，由于上述提及终端设备的姿态信息主要指的是终端设备的朝向（也可称为航向），而终端设备的朝向可以通过终端设备内置的惯性测量单元（InertialMeasurement Unit，IMU）来进行测量。因此可以通过终端设备中的惯性测量单元采集终端设备在预设时间段内的姿态序列数据。具体实现中，惯性测量单元通常包括加速度计和陀螺仪，其中加速度计可以输出载体（即终端设备）的加速度信息，陀螺仪可以输出载体（即终端设备）的角速度信息；然后通过自动航向基准系统(Automatic Heading ReferenceSystem，AHRS)算法，对加速度信息和角速度信息进行姿态计算处理，可以得到终端设备的姿态信息（即朝向）。可选地，还可以通过其他方式采集终端设备的姿态信息，在此不限定。

此外，车辆的行驶方向可以由全球卫星导航系统（Global Navigation SatelliteSystem，GNSS）采集得到。具体来说，全球卫星导航系统可以是北斗卫星导航系统、伽利略卫星导航系统、格洛纳斯卫星导航系统等全球卫星导航系统中的任一个，在此不限定。可选地，还可以通过其他方式采集车辆的行驶方向，在此不限定。

S202，根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度。

在本申请实施例中，参考方向序列数据用于指示：车辆在向指定的变道方向变道的过程中车辆的行驶方向。可选地，指定的变道方向可能有一个或多个，因此参考方向序列数据的数量可能为一个或多个。

因此，当参考方向序列数据为一个时，根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度的具体方式也就是：根据姿态序列数据和该参考方向序列数据，确定终端设备的姿态与该参考方向序列数据指示的行驶方向之间的第一相似度。当参考方向序列数据为多个时，根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度的具体方式为：根据姿态序列数据和多个参考方向序列数据中的各个参考方向序列数据，确定终端设备的姿态与各个参考方向序列数据指示的行驶方向之间的第一相似度。

举例来说，设定参考方向序列数据的数量为三个，第一个参考方向序列数据指定的变道方向为方向A，第二个参考方向序列数据指定的变道方向为方向B，第三个参考方向序列数据指定的变道方向为方向C。那么，需要根据姿态序列数据和三个参考方向序列数据，确定终端设备的姿态与各个参考方向序列数据指示的行驶方向之间的第一相似度。具体来说，需要根据姿态序列数据和第一个参考方向序列数据，确定终端设备的姿态与第一个参考方向序列数据指示的行驶方向之间的第一相似度；根据姿态序列数据和第二个参考方向序列数据，确定终端设备的姿态与第二个参考方向序列数据指示的行驶方向之间的第一相似度；根据姿态序列数据和第三个参考方向序列数据，确定终端设备的姿态与第三个参考方向序列数据指示的行驶方向之间的第一相似度。

由于不论采用什么方式去实际测量车辆行驶方向，都会出现不可避免的测量误差，因此可以通过计算前后时刻行驶方向的差分信息的方式，去反映车辆行驶方向的相对变化。故而在本实施例中的参考方向序列数据包括车辆在向指定的变道方向变道的过程中车辆行驶方向的差分信息。

举例来说，当指定的变道方向为左时，参考方向序列数据可以包括车辆在向左方向变道的过程中车辆行驶方向的差分信息，那么参考方向序列数据可以通过对实际测量出的车辆在向左变道的过程中车辆行驶方向的左变道方向序列数据进行差分运算得到。同理，当指定的变道方向为右时，参考方向序列数据可以包括车辆在向右方向变道的过程中车辆行驶方向的差分信息，那么参考差分序列数据可以通过对实际测量出的车辆在向右变道的过程中车辆行驶方向的右变道方向序列数据进行差分运算得到。

同理，由于不论是通过步骤S201中提及的惯性测量单元采集姿态信息，还是通过其他方式采集姿态信息，都会出现一些不可避免的误差，如惯性测量单元中加速度计输出的加速度信息虽然可以在一定程度上修正陀螺仪输出的横滚角和俯仰角的误差，但是不能保证航向是完全无误的，因此我们可以计算前后时刻的姿态信息的差分信息，以反映相对的终端设备的航向变化。

具体来说，可以针对所述姿态序列数据中的任一姿态信息，获取任一姿态信息与前一个姿态信息之间的第一差分信息，以得到第一差分序列数据。其中，前一个姿态信息指的是在姿态序列数据中所述任一姿态信息的前一个姿态信息。获取任一姿态信息与前一个姿态信息之间的第一差分信息的具体方式就是对任一姿态信息和前一个姿态信息进行差分运算，得到该任一姿态信息与前一个姿态信息之间的第一差分信息。

因此，根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度的具体方式为：针对姿态序列数据中的任一姿态信息，获取任一姿态信息与前一个姿态信息之间的第一差分信息，以得到第一差分序列数据；然后获取第一差分序列数据与参考方向序列数据的相似度，以作为终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度。

可选地，由于上述提及参考方向序列数据的数量可以为多个，因此根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度的具体方式还可以是：针对姿态序列数据中的任一姿态信息，获取任一姿态信息与前一个姿态信息之间的第一差分信息，以得到第一差分序列数据；然后获取第一差分序列数据与多个参考方向序列数据中各个参考方向序列的相似度，以作为终端设备的姿态与各个参考方向序列数据指示的行驶方向之间的第一相似度。

S203，根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度。

在本申请实施例中，由于步骤S202中提及参考方向序列数据的数量可能为一个或多个；因此，当参考方向序列数据为一个时，根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度的具体方式也就是：根据行驶方向序列数据和该参考方向序列数据，确定车辆的行驶方向与该参考方向序列数据指示的行驶方向之间的第二相似度。当参考方向序列数据为多个时，根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度的具体方式为：根据行驶方向序列数据和多个参考方向序列数据中的各个参考方向序列数据，确定车辆的行驶方向与各个参考方向序列数据指示的行驶方向之间的第二相似度。

举例来说，设定参考方向序列数据的数量为三个，第一个参考方向序列数据指定的变道方向为方向A，第二个参考方向序列数据指定的变道方向为方向B，第三个参考方向序列数据指定的变道方向为方向C。那么，需要根据行驶方向序列数据和三个参考方向序列数据，确定车辆的行驶方向与各个参考方向序列数据指示的行驶方向之间的第二相似度。具体来说，需要根据行驶方向序列数据和第一个参考方向序列数据，确定车辆的行驶方向与第一个参考方向序列数据指示的行驶方向之间的第二相似度；根据行驶方向序列数据和第二个参考方向序列数据，确定车辆的行驶方向与第二个参考方向序列数据指示的行驶方向之间的第二相似度；根据行驶方向序列数据和第三个参考方向序列数据，确定车辆的行驶方向与第三个参考方向序列数据指示的行驶方向之间的第二相似度。

另外，由于不论是通过步骤S201中提及的全球卫星导航系统采集车辆的行驶方向，还是通过其他方式采集行驶方向，都会出现由于定位精度不够而造成不可避免的行驶方向的采集误差，那么同理，我们可以计算前后时刻的行驶方向的差分信息，以反映相对的行驶方向的变化。

具体来说，可以针对行驶方向序列数据中的任一行驶方向，获取任一行驶方向与前一个行驶方向之间的第二差分信息，以得到第二差分序列数据。其中，所述前一个行驶方向指的是在行驶方向序列数据中所述任一行驶方向的前一个行驶方向。获取任一行驶方向与前一个行驶方向之间的第二差分信息的具体方式就是对任一行驶方向和前一个行驶方向进行差分运算，得到该任一行驶方向与前一个行驶方向之间的第二差分信息。

因此，根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度的具体方式可以是：针对行驶方向序列数据中的任一行驶方向，获取任一行驶方向与前一个行驶方向之间的第二差分信息，以得到第二差分序列数据；然后，获取第二差分序列数据与参考方向序列数据的相似度，以作为车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度。

可选地，由于上述提及参考方向序列数据的数量可以为多个，因此根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度的具体方式还可以是：针对行驶方向序列数据中的任一行驶方向，获取任一行驶方向与前一个行驶方向之间的第二差分信息，以得到第二差分序列数据；然后，获取第二差分序列数据与多个参考方向序列数据中各个参考方向序列数据的相似度，以作为车辆的行驶方向与各个参考方向序列数据指示的行驶方向之间的第二相似度。

另外，由于步骤S202和步骤S203中提及的第一差分序列数据、第二差分序列数据以及参考方向序列数据都是序列函数，因此在具体实现中，计算任一差分序列数据与参考方向序列数据之间的相似度也就是计算两个序列函数之间的距离，那么计算任一差分序列数据与参考方向序列数据之间的相似度的具体方式可以是：通过马氏距离（Mahalanobisdistance），欧氏距离等距离公式来度量任一差分序列数据与参考方向序列数据之间的相似度。由于通过马氏距离（Mahalanobis distance），欧氏距离等距离公式来度量序列函数之间的相似度的方式为本领域技术人员所惯用的技术手段，在此不赘述。

S204，基于第一相似度和第二相似度，预估车辆的变道方向。

在本申请实施例中，基于第一相似度和第二相似度，预估车辆的变道方向的具体方式可以是：

1）将第一相似度和第二相似度进行拼接处理，得到目标特征向量；

其中，将第一相似度、第二相似度以及第一航向特征进行拼接处理，得到目标特征向量的具体方式可以是：分别对第一相似度和第二相似度进行编码处理，得到编码后的第一相似度和编码后的第二相似度，其中，编码后的第一相似度和编码后的第二相似度为长度和宽度均相同的特征向量；最后将两个编码后的第一相似度和编码后的第二相似度进行拼接，得到目标特征向量。需要说明的是，将长度和宽度均相同的特征向量进行拼接为本领域技术人员所惯用的技术手段，在此不赘述。

可选地，将第一相似度和第二相似度进行拼接处理，得到目标特征向量的具体方式还可以是：分别将第一相似度和第二相似度进行线性映射处理，得到处理后的第一相似度和处理后的第二相似度，其中，处理后的第一相似度和处理后的第二相似度为长度和宽度均相同的特征向量；最后将处理后的第一相似度和处理后的第二相似度进行拼接，得到目标特征向量。可选地，还可以通过其他方式进行拼接处理，在此不赘述。

可选地，由于步骤S202至203提及参考序列方向数据可能有多个，而每一个参考序列方向数据与姿态序列数据之间都有一个第一相似度，每一个参考序列方向数据与行驶方向序列数据之间都有一个第二相似度。因此第一相似度的数量可能有多个，以及第二相似度的数量可能有多个。当第一相似度的数为多个，以及第二相似度的数量为多个时，将第一相似度和第二相似度进行拼接处理，得到目标特征向量的具体方式可以是：将多个第一相似度和多个第二相似度进行拼接处理，得到目标特征向量。

2）调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向。

具体来说，调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向的具体方式包括：调用方向分类模型，对目标特征向量进行处理，得到分类结果；确定分类结果中概率最大的目标概率对应的变道方向为预估的变道方向。其中，分类结果包括：车辆的变道方向为各个变道方向的概率，所述各个变道方向指的是预先设定的一个或多个变道方向中的各个变道方向。由于车辆可能向多个方向进行变道，故而预先设定的多个变道方向指的是所述多个可能变道的方向。举例来说，预先设定的多个变道方向可以包括左方、右方和前方（即直行不变道），那么，分类结果应该包括：车辆的变道方向为左方的概率、车辆的变道方向为右方的概率以及车辆的变道方向为前方的概率。

此外，方向分类模型可以是通过对xgboost（Extreme GBoosted，本质上还是Gradient Boosting Decision Tree，即GBDT模型，但力争把速度和效率发挥到极致）、随机森林、支持向量机等机器学习模型进行训练得到。

其中，方向分类模型可以包括分类函数和各个变道方向对应的决策树；那么，调用方向分类模型，对目标特征向量进行处理，得到分类结果的具体方式可以是：调用方向分类模型中各个变道方向对应的决策树，分别对目标特征向量进行决策处理，得到各个变道方向对应的权重；根据方向分类模型中的分类函数，对各个变道方向对应的权重进行分类处理，得到分类结果。需要说明的是，分类函数可以是sigmoid函数（一种用于二分类的激活函数）、softmax函数（一种用于多分类的激活函数）等用于分类的函数，在此不限定。

可选地，当方向分类模型为xgboost模型时，若xgboost模型中的权重指示的是概率，那么调用方向分类模型中各个变道方向对应的决策树，分别对目标特征向量进行决策处理，可以直接得到各个变道方向对应的概率，故而此时可以直接基于各个变道方向对应的概率生成分类结果。

具体实现中，请参见附图3，示出了一种模型预测的过程示意图。其中，方向分类模型为xgboost模型，模型一共有三个类别，一个类别指示一个变道方向，不同类别指示不同变道方向，其中类别1指示变道方向为右方、类别2指示变道方向为前方，以及类别3指示变道方向为左方。每个类别都有其对应的决策树集合，其中任一决策树集合包括100棵决策树。

如图3所示，模型预测的流程包括：将目标特征向量输入不同类别对应的决策树，然后将任一类别对应的所有决策树（也可称为子树）按顺序计算得到的分类权重累加，即可获得该任一类别的权重。如图3中的类别1的决策树集合所示，可以将类别1的决策树集合中的决策树1输出的权重1、决策树2输出的权重2……决策树100输出的权重100进行累加，最终得到类别1的权重。

在得到类别1的权重、类别2的权重和类别3的权重之后，可以直接将权重最大的类别指示的变道方向确定为预估的车辆的变道方向，也可以调用softmax函数，对类别1的权重、类别2的权重和类别3的权重进行处理，得到分类结果，其中分类结果包括：车辆的变道方向属于类别1的概率、车辆的变道方向属于类别2的概率，以及车辆的变道方向属于类别3的概率。

具体来说，图3中将目标特征向量流入决策树以后，会从决策树的树根开始进行一系列阈值判断，根据不同特征的取值，最终到达底部的叶子结点，相应的叶子结点的取值即为该决策树的分类权重。举例来说，请参见附图4，示出了一种简易决策树的示意图。其中目标特征向量中包括3个特征f1、f2和f3，xgboost的一个决策树的深度为3，树的结点设置如图4所示。设定三个特征的取值分别为f1=2、f2=5和f3=10。那么，从决策树的树根出发，根据决策树的3个非叶子结点的判断条件，分别为f2是否大于0、f1是否大于5，f3是否大于10。由于f2大于0，故而进一步判断f1是否大于5，由于f1小于5，因此最终到达取值为6的叶子结点，故而6即为当前决策树计算得到的分类权重，计算过程为图4中虚线所示的路径。

此外，方向分类模型的训练是一个有监督学习的过程，方向分类模型的具体训练过程可以是：采集车辆的原始数据，原始数据包括车辆的终端设备在预设时间段内的训练姿态序列数据，以及车辆在预设时间段内的训练行驶方向序列数据；针对训练姿态序列数据中的任一训练姿态信息，获取任一训练姿态信息与前一个训练姿态信息之间的第一训练差分信息，以得到第一训练差分序列数据；获取第一训练差分序列数据与参考方向序列数据的相似度，以作为终端设备的姿态与参考方向序列数据指示的参考方向之间的第一训练相似度；针对训练行驶方向序列数据中的任一训练行驶方向，获取任一训练行驶方向与前一个训练行驶方向之间的第二训练差分信息，以得到第二训练差分序列数据；获取第二训练差分序列数据与参考方向序列数据的相似度，以作为车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二训练相似度；最后，将第一训练相似度和第二训练相似度进行拼接处理，得到训练特征向量。

之后，调用初始的方向分类模型，对训练特征向量进行处理，得到训练分类结果；然后，获取原始数据的分类标签，最后基于分类标签和训练分类结果对初始的方向分类模型进行训练，得到方向分类模型。

具体实现中，请参见附图5，示出了一种模型训练的过程示意图。本示例中的机器学习模型为xgboost模型。原始数据包括采集到的车辆的终端设备在预设时间段内的训练姿态序列数据，以及车辆在预设时间段内的训练行驶方向序列数据。然后，可以根据测试人员在采集原始数据时所记录的实际的变道情况对原始数据进行真值标注，以得到各个原始数据的分类标签。其中，分类标签可以是0、1、2等数字，也可以是其他字符或字段，在此不限定。本示例中，可以用0指示变道方向为左方、1指示变道方向为右方、2指示变道方向为前方（即直行不变道），其中，任一变道方向对应50棵决策树。

同时，还可以对各个原始数据进行特征提取，以得到训练特征向量。其中，对各个原始数据进行特征提取，以得到训练特征向量的具体方式可以参见上述方向分类模型的具体训练过程中获取训练特征向量的具体方式，在此不赘述。

在得到了分类标签和训练特征向量之后，可以将分类标签和训练特征向量输入xgboost模型，以得到预测分类结果；最后基于预测分类结果和分类标签对xgboost模型进行训练。模型训练就是最小化xgboost模型对训练特征向量的预测分类结果与真实的分类标签之间差异的过程，而模型训练中优化的目标函数F可以如下：

其中，

表示训练特征向量；

表示分类标签；K表示xgboost模型中决策树的个数；

表示训练特征向量在每棵决策树中计算的函数映射。由于xgboost模型的分类结果在 累加每棵决策树根据特征向量计算得到的分类权重的基础上得到的，同时公式中训练特征 向量和分类标签是已知的，因此最小化目标函数

的过程是求解每棵决策树的函数映射关 系。

此外，需要设置模型的一些关键性的参数，这些参数设置的好与坏直接影响到模型的效果，因此可以采用网格搜索的方式对n_estimators（决策树的棵数）、max_depth（每棵决策树的最大深度）等关键性参数进行优化。举例来说，最终可以得到的最优参数为n_estimators=150，max_depth=5。可选地，在进行模型训练时，为了防止过拟合，还可以设置了正则项系数，来提高模型的泛化能力。

可选地，在确定分类结果中概率最大的目标概率对应的方向为预估的变道方向之前，还可以在确定目标概率与分类结果中除目标概率以外的其他概率之间的差值均大于预设概率阈值之后，才触发执行确定分类结果中概率最大的目标概率对应的方向为预估的变道方向的步骤。其中，预设概率阈值可以是人为设定的，也可以是系统设定的，在此不限定。举例来说，预设概率阈值可以是0.4、30%、0.28、百分之三十二等表示概率的数字或字段，在此不限定。

进一步地，若与分类结果中除目标概率以外的其他概率中存在与目标概率之间的差值小于预设概率阈值的概率，那么，可以输出用于提示无法预估变道方向的提示信息。示例性地，设定预设概率阈值为10%，分类结果中车辆的变道方向属于前方的概率为37%、车辆的变道方向属于右方的概率为33%、车辆的变道方向属于左方的概率为30%，由于33%、30%与37%之间的差值均小于10%，因此最终确定无法预估变道方向，那么此时可以输出用于提示无法预估变道方向的提示信息。

在一种可能的实现方式中，由于行驶方向序列数据中包括的行驶方向都是当前车辆行驶过程中测量到的真实行驶方向，虽然可能会有一定的测量误差，但车辆真实行驶方向的变化是与变道息息相关的，故而行驶方向序列数据在一定程度上能为预估变道方向提供真实行驶方向这一角度的参考信息。因此，基于第一相似度和第二相似度，预估车辆的变道方向的具体方式还可以是：基于第一相似度、第二相似度和行驶方向序列数据，预估车辆的变道方向。

具体来说，基于第一相似度、第二相似度和行驶方向序列数据，预估车辆的变道方向的方式可以是：

1）对行驶方向序列数据进行特征提取处理，得到第一航向特征；

其中，由于上述提及行驶方向序列数据具体可以是一个时间序列函数，因此对行驶方向序列数据进行特征提取处理，得到第一航向特征的具体方式可以是：获取行驶方向序列数据的时域特征，以及获取行驶方向序列数据的频域特征；将获取到的时域特征，以及获取到的频域特征作为所述第一航向特征。具体来说，时域特征和频域特征包括但不限于均值、标准差、方差、谱密度等特征，由于获取序列函数的时域特征和频域特征的具体实施方式为本领域技术人员所惯用的技术手段，故而在此不赘述。

需要说明的是，由于行驶方向在采集的过程中存在噪声和采集误差，而时域特征和频域特征有助于降噪和修正采集误差，因此可以将获取到的时域特征，以及获取到的频域特征作为第一航向特征，以便于后续拼接得到目标特征向量。

2）将第一相似度、第二相似度以及第一航向特征进行拼接处理，得到目标特征向量；

其中，将第一相似度、第二相似度以及第一航向特征进行拼接处理，得到目标特征向量的具体过程可以参见上述将第一相似度和第二相似进行拼接处理，得到目标特征向量的具体过程，在此不赘述。

3）调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向。

其中，调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向的具体过程可以参见上述调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向的具体过程，在此不赘述。

需要说明的是，由于本示例中在拼接目标特征向量的时候加入了通过行驶航线序列数据进行处理得到的第一航向特征，因此在训练方向分类模型的过程中，还需要对训练行驶方向序列数据进行特征提取处理，得到第一训练航向特征，最后也应该将第一训练相似度、第二训练相似度和第一训练航向特征进行拼接处理，才得到训练特征向量。这样训练出来的方向分类模型才会参考第一训练航向特征进行分类。

本申请实施例中，预先已经总结出了车辆在向指定的变道方向变道的过程中实际行驶方向的变化特征（即参考方向序列数据）；同时在预估车辆的变道方向之前，会通过分别确定车辆中的终端设备的姿态和车辆的行驶方向这两个维度的序列数据与参考方向序列数据之间的两个相似度的方式，从两个维度初步判断出车辆是否偏向于向指定的变道方向进行变道。由于车辆的在变道时的变道方向主要有两个，因此如果确定出的两个相似度都较低，则说明车辆向指定的变道方向进行变道的可能性较低，向另一个变道方向进行变道的可能性更高，故而初步判断出车辆是否偏向于向指定的变道方向进行变道，也就相当于判断出车辆更偏向于向哪个方向进行变道，从而便于后续在已经从两个维度初步判断出更偏向于向哪个方向进行变道的基础上，综合两个维度的初步判断去预估出车辆的变道方向。也就是说，本方案会先从多个维度初步预估出车辆所偏向的变道方向，并综合多个维度的初步预估去确定最终预估出的变道方向；其中，初步预估出的变道方向能够为后续预估车辆的变道方向提供参考，有利于提高车辆的变道方向的预测准确性；同时，从多个维度去确定最终预估出的变道方向，不同维度之间可以相互印证，可以避免单一维度的数据误差影响最终预估的变道方向出现误差，有利于进一步提高车辆的变道方向的预测准确性。另外，本方案不需要依赖视觉数据，绝对定位精度等技术，故而对终端设备的要求较低，具有较高的普及性。

基于上述车辆的变道方向的预估方案以及车辆的变道方向的预估系统，本申请实施例提供了另一种车辆的变道方向的预估方法。参见图6，为本申请实施例提供的另一种车辆的变道方向的预估方法的流程示意图。图6所示的车辆的变道方向的预估方法可由图1所示的服务器或者终端设备执行。图6所示的车辆的变道方向的预估方法可包括如下步骤：

S601，采集车辆在预设时间段内的行驶方向序列数据，以及放置于车辆中的终端设备在预设时间段内的姿态序列数据。

其中，步骤S601的具体实施方式可参见步骤S201的具体实施方式，在此不赘述。

S602，根据姿态序列数据和第一参考方向序列数据，确定终端设备的姿态与第一参考方向序列数据指示的行驶方向之间的第一姿态方向相似度；以及根据姿态序列数据和第二参考方向序列数据，确定终端设备的姿态与第二参考方向序列数据指示的行驶方向之间的第二姿态方向相似度。

在本申请实施例中，参考方向序列数据的数量为两个，即第一参考方向序列数据和第二参考方向序列数据。其中，第一参考方向序列数据指定的变道方向和第二参考方向序列数据指定的变道方向相反，具体来说，如果第一参考方向序列数据指定的变道方向是右方的话，那么第二参考方向序列数据指定的变道方向则就是与右方相反的左方。

此外，任一参考方向序列数据包括车辆在向相应变道方向变道的过程中车辆行驶方向的差分信息。具体来说，第一参考方向序列数据可以包括车辆在向左变道的过程中车辆行驶方向的差分信息，因此第一参考方向序列数据能够表征车辆在向左变道的过程中实际行驶方向的变化特征；以及第二参考差分序列数据可以包括车辆在向右变道的过程中车辆行驶方向的差分信息，因此第二参考方向序列数据能够表征车辆在向右变道的过程中实际行驶方向的变化特征。

具体实现中，请参见附图7a，示出了一种左变道的参考方向序列数据示意图。其中，图7a中网格的横坐标为采集时间点，纵坐标为行驶方向，其中，行驶方向以正北方向为0度，行驶方向的范围为-180度至180度。对实际测量出的车辆在向左变道的过程中车辆行驶方向的左变道方向序列数据进行差分运算，可以发现车辆在左变道的过程中，行驶方向有一定的变化规律。如图7a所示，车辆在左变道的过程中，行驶方向会先陡然降低，然后陡然升高，最后缓慢降低。

另外，请参见附图7b，示出了一种右变道的参考差分序列数据示意图。其中，图7b中网格的横坐标为采集时间点，纵坐标为行驶方向，其中，行驶方向以正北方向为0度，行驶方向的范围为-180度至180度。对实际测量出的车辆在向右变道的过程中车辆行驶方向的右变道方向序列数据进行差分运算，可以发现车辆在右变道的过程中，行驶方向有一定的变化规律。如图7b所示，车辆在右变道的过程中，行驶方向会先平缓升高，然后逐步降低，最后缓慢升高。

需要说明的是，在实际测量和计算的过程中，还发现了其他的车辆在右变道的过程中行驶方向的变化特征，以及车辆在左变道的过程中行驶方向的变化特征，图7a和图7b只是其中的示例之一。

另外，由于步骤S202中提及可以将获取到的姿态序列数据对应的第一差分序列数据与参考方向序列数据的相似度，作为终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度，以及本实施例中的第一姿态方向相似度和第二姿态方向相似度也就是步骤S202中提及的第一相似度。因此，根据姿态序列数据和第一参考方向序列数据，确定终端设备的姿态与第一参考方向序列数据指示的行驶方向之间的第一姿态方向相似度，以及根据姿态序列数据和第二参考方向序列数据，确定终端设备的姿态与第二参考方向序列数据指示的行驶方向之间的第二姿态方向相似度的具体方式可以是：针对姿态序列数据中的任一姿态信息，获取任一姿态信息与前一个姿态信息之间的第一差分信息，以得到第一差分序列数据；然后获取第一差分序列数据与第一参考方向序列数据的相似度，以作为终端设备的姿态与第一参考方向序列数据指示的行驶方向之间的第一姿态方向相似度；同时，可以获取第一差分序列数据与第二参考方向序列数据的相似度，以作为终端设备的姿态与第二参考方向序列数据指示的行驶方向之间的第二姿态方向相似度。

可选地，步骤S202中提及两个序列数据之间的相似度可以通过欧式距离、马氏距离等方式计算。但通过欧式距离、马氏距离等方式计算两个序列之间的相似度，是需要建立在两个序列的序列长度相同的基础上的，而在实际的使用过程中很有可能存在第一参考方向序列数据或者第二参考方向序列数据的序列长度，与第一差分序列数据的序列长度不相同的情况。

那么，获取第一差分序列数据与第一参考方向序列数据的第一姿态方向相似度的具体方式可以是：先基于第一差分序列数据的序列长度以及第一参考方向序列数据的序列长度，构建第一矩阵网格，其中第一矩阵网格的尺寸与第一差分序列数据的序列长度和第一参考方向序列数据的序列长度匹配；然后基于第一差分序列数据中的各个差分信息和第一参考方向序列数据中的各个差分信息在第一矩阵网格中的投影位置，得到第一矩阵网格的最短路径；最后基于第一矩阵网格的最短路径的路径长度，获取第一差分序列数据与第一参考方向序列数据的相似度，并将获取到的相似度作为终端设备的姿态与第一参考方向序列数据指示的行驶方向之间的第一姿态方向相似度。

其中，任一矩阵网格的尺寸与任一差分序列数据的序列长度和任一参考方向序列数据的序列长度匹配指的是：任一矩阵网格的长与任一差分序列数据的序列长度相同且任一矩阵网格的宽与任一参考方向序列数据的序列长度相同，或者任一矩阵网格的长与任一参考方向序列数据的序列长度相同且任一矩阵网格的宽与任一差分序列数据的序列长度相同。

具体来说，基于第一差分序列数据中的各个差分信息和第一参考方向序列数据中的各个差分信息在矩阵网格中的投影位置，得到最短路径的具体方式可以是：当第一差分序列数据的序列长度与第一矩阵网格的长相同，或者第一差分序列数据的序列长度与第一矩阵网格的宽相同时，确定第一差分序列数据中的各个差分信息为投影位置的横坐标或者纵坐标；同理，当第一参考方向序列数据的序列长度与第一矩阵网格的长相同，或者第一参考方向序列数据的序列长度与第一矩阵网格的宽相同时，确定第一参考方向序列数据中的各个差分信息为投影位置的横坐标或者纵坐标；在确定了矩阵网格中的各个投影位置之后，基于矩阵网格中的各个投影位置，针对任一投影位置，计算任一投影位置到所述任一投影位置的下一投影位置的最短距离，最终得到最短路径。

此外，基于最短路径的路径长度，获取第一差分序列数据与第一参考方向序列数据的相似度具体可以是对最短路径的路径长度进行归一化处理，得到路径长度对应的相似度，最终将得到的相似度确定为第一差分序列数据与第一参考方向序列数据的第一相似度。

具体实现中，上述构建矩阵网格以基于矩阵网格中最短路径的路径长度，确定两个序列之间的相似度的方式可以是动态时间规整算法（Dynamic Time Wrapping，DTW）。由于DTW算法为本领域技术人员所惯用的技术手段，故而在此不赘述。

同理，获取第一差分序列数据与第二参考方向序列数据的第二姿态方向相似度的具体方式可以是：先基于第一差分序列数据的序列长度以及第二参考方向序列数据的序列长度，构建第二矩阵网格，其中第二矩阵网格的尺寸与第一差分序列数据的序列长度和第二参考方向序列数据的序列长度匹配；然后基于第一差分序列数据中的各个差分信息和第二参考方向序列数据中的各个差分信息在第二矩阵网格中的投影位置，得到第二矩阵网格的最短路径；最后基于第二矩阵网格的最短路径的路径长度，获取第一差分序列数据与第二参考方向序列数据的相似度，并将获取到的相似度作为终端设备的姿态与第二参考方向序列数据指示的行驶方向之间的第二姿态方向相似度。

S603，根据行驶方向序列数据和第一参考方向序列数据，确定车辆的行驶方向与第一参考方向序列数据指示的行驶方向之间的第一行驶方向相似度；以及根据行驶方向序列数据和第二参考方向序列数据，确定车辆的行驶方向与第二参考方向序列数据指示的行驶方向之间的第二行驶方向相似度。

在本申请实施例中，本实施例中的第一行驶方向相似度和第二行驶方向相似度也就是步骤S203中提及的第二相似度。由于步骤S203中提及可以将获取到的行驶方向序列数据对应的第二差分序列数据与参考方向序列数据的相似度，作为车辆的行驶方向与各个参考方向序列数据指示的行驶方向之间的第二相似度；以及，参见步骤S602关于获取第一姿态方向相似度和第二姿态方向相似度的具体实施方式，因此获取第二差分序列数据与第一参考方向序列数据的相似度的具体方式可以是：先基于第二差分序列数据的序列长度以及第一参考方向序列数据的序列长度，构建第三矩阵网格，其中第三矩阵网格的尺寸与第二差分序列数据的序列长度和第一参考方向序列数据的序列长度匹配；然后基于第二差分序列数据中的各个差分信息和第一参考方向序列数据中的各个差分信息在第三矩阵网格中的投影位置，得到第三矩阵网格的最短路径；最后基于第三矩阵网格的最短路径的路径长度，获取第二差分序列数据与第一参考方向序列数据的相似度，并作为车辆的行驶方向与第一参考方向序列数据指示的行驶方向之间的第一行驶方向相似度。

同理，获取第二差分序列数据与第二参考方向序列数据的相似度的具体方式可以是：先基于第二差分序列数据的序列长度以及第二参考方向序列数据的序列长度，构建第四矩阵网格，其中第四矩阵网格的尺寸与第二差分序列数据的序列长度和第二参考方向序列数据的序列长度匹配；然后基于第二差分序列数据中的各个差分信息和第二参考方向序列数据中的各个差分信息在第四矩阵网格中的投影位置，得到第四矩阵网格的最短路径；最后基于第四矩阵网格的最短路径的路径长度，获取第二差分序列数据与第二参考差分序列数据的相似度，并作为车辆的行驶方向与第二参考方向序列数据指示的行驶方向之间的第二行驶方向相似度。

在一种可能的实现方式中，由于通过欧式距离、马氏距离等方式计算两个序列之间的相似度的过程比较简单，因此通过欧式距离、马氏距离等方式计算两个序列之间的相似度的速度要快于上述的DTW算法。因此，为了提高获取相似度的速度，可以在两个序列数据的序列长度相同时，可以采用欧式距离、马氏距离等较为简单快捷的方式计算相似度，在两个序列数据的序列长度不相同时，再采用DTW算法。

那么，当任一差分序列数据和任一参考方向序列数据的序列长度相同时，可以将任一差分序列数据和任一参考方向序列数据进行对齐处理，得到对齐后的任一差分序列数据和对齐后的任一参考方向序列数据，对齐后的任一差分序列数据中各个差分信息与对齐后的任一参考方向序列数据中的差分信息存在对应关系，基于对齐后的任一差分序列数据和对齐后的任一参考方向序列数据，得到任一差分序列数据与任一参考方向序列数据的相似度。

当任一差分序列数据和任一参考方向序列数据的序列长度不相同时，触发执行基于任一差分序列数据的序列长度以及任一参考方向序列数据的序列长度，构建矩阵网格，矩阵网格的尺寸与任一差分序列数据的序列长度和任一参考方向序列数据的序列长度匹配；基于任一差分序列数据中的各个差分信息和任一参考方向序列数据中的各个差分信息在矩阵网格中的投影位置，得到最短路径；基于最短路径的路径长度，获取任一差分序列数据与任一参考方向序列数据的相似度。

S604，采集在预设时间段内车辆的行驶车道的车道线航向序列数据。

在本申请实施例中，行驶车道包括车辆正在行驶的车道，以及车辆在预设时间段内行驶过的车道。车道线航向序列数据包括多个时间点，以及各个时间点对应的车道线航向。其中，车道线航向指的是车辆的行驶车道的切线方向。

举例来说，请参见附图8，示出了一种车道线航向的示意图。车辆802行驶在车道801上，此时，车辆802的行驶方向为箭头803指示的方向，而此时可以在车辆802行驶在车道801上的位置对车道801作切线，从而可以确定当前时间点对应的车道线航向为箭头804指示的方向。

S605，获取行驶方向序列数据中各个行驶方向与车道线航向序列数据中相应车道线航向之间的角度差值。

本申请实施例中，由于行驶方向序列数据包括预设时间段内的多个时间点，以及在各个时间点时采集到的车辆的行驶方向，以及车道线航向序列数据包括预设时间段内的多个时间点，以及在各个时间点时采集到的车道线航向，因此在车道线航向序列数据中与行驶方向序列数据中各个行驶方向相应的车道线航向指的是：与行驶方向的采集时间点相同的车道线航向。

具体来说，从步骤S606中的示例中可以得知，每个时间点（或者时刻）采集到的行驶方向和车道线航向可能相同，也可能不同，而有时候驾驶员将方向盘向右转或者向左转可能并不是为了右变道或者左变道，而是为了使车辆行驶方向更贴合车道线航向，因此，计算行驶方向序列数据中各个行驶方向与车道线航向序列数据中相应车道线航向之间的角度差值，可以方便识别驾驶员改变行驶方向的意图是为了贴合车道行驶，还是为了变道，从而避免变道方向判断错误，进而有利于提升车辆的变道方向的预测准确性。

S606，基于第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度，以及各个角度差值，预估车辆的变道方向。

本申请实施例中，基于第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度，以及各个角度差值，预估车辆的变道方向的具体方式可以是：对多个角度差值进行特征提取处理，得到第二航向特征；将第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度以及第二航向特征进行拼接处理，得到目标特征向量；调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向。

其中，对多个角度差值进行特征提取处理，得到第二航向特征的具体实施方式可以参见步骤S206中的对行驶方向序列数据进行特征提取处理，得到第一航向特征的具体实施方式，在此不赘述。

此外，本实施例中由于在拼接目标特征向量时，相较于上一个实施例多出了第二航向特征，因此本实施例中的方向分类模型在进行模型训练时输入的训练特征向量，也应该由第二训练航向特征作为特征之一拼接得到，其中第二训练航向特征是通过先获取到训练行驶方向序列数据中各个行驶方向与训练车道线航向序列数据中相应车道线航向之间的训练角度差值，然后对多个训练角度差值进行特征提取处理得到的。需要说明的是，后续在拼接目标特征向量时，若增加了新的特征，均需要基于新的特征重新对方向分类模型进行训练，方向分类模型的训练过程可以参见步骤S206中的训练过程，在此不赘述。

可选地，由于步骤S206提及还可以通过对行驶方向序列数据进行特征提取得到的第一航向特征作为用于拼接处理的特征之一，那么基于第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度，以及各个角度差值，预估车辆的变道方向的具体方式还可以是：基于第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度，行驶方向序列数据以及各个角度差值，预估车辆的变道方向。

其中，基于第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度，行驶方向序列数据以及各个角度差值，预估车辆的变道方向的具体方式可以是：对行驶方向序列数据进行特征提取处理，得到第一航向特征；对多个角度差值进行特征提取处理，得到第二航向特征；将第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度、第一航向特征以及第二航向特征进行拼接处理，得到目标特征向量；调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向。

可选地，上述提及姿态序列数据可以由终端设备内置的IMU测量并输出，而IMU中包括加速度计，由于车辆在前方、左方、右方等不同方向的加速度的变化，也有利于预测车辆待要向哪个方向进行变道。因此，还可以获取终端设备中的加速度计与车辆之间的安装失准角；然后基于安装失准角，对加速度计当前输出的加速度信息进行转换处理，得到车辆在当前行驶方向的第一加速度信息，车辆在第一参考方向的第二加速度信息，以及车辆在第二参考方向的第三加速度信息。

其中，安装失准角指的是终端设备中的加速度计所使用的坐标系的输入轴，与车辆所使用的坐标系的输入轴之间的差值角度。此外，第一参考方向和第二参考方向均垂直于当前行驶方向，且第一参考方向和第二参考方向为相反方向，也就是说，第一参考方向或第二参考方向是垂直于当前行驶方向的左方或者右方。

具体来说，基于安装失准角，对加速度计当前输出的加速度信息进行转换处理，得到车辆在当前行驶方向的第一加速度信息，车辆在第一参考方向的第二加速度信息，以及车辆在第二参考方向的第三加速度信息的具体方式可以是：基于安装失准角，确定用于加速度转换的旋转矩阵；基于旋转矩阵，对加速度计当前输出的加速度信息进行转换处理，得到车辆在当前行驶方向的第一加速度信息，车辆在第一参考方向的第二加速度信息，以及车辆在第二参考方向的第三加速度信息。

具体实现中，可以通过如下所示的公式，对加速度计当前输出的加速度信息进行转换：

其中，

为IMU中的加速度计输出的包含重力的加速度信息，

是根据车辆到IMU 中的加速度计的安装失准角计算出的旋转矩阵，

则是车辆坐标系下所有方向的加速度 信息，取

中车辆前进方向（即当前行驶方向）和汽车左右方向两个方向（即第一参考方向 和第二参考方向）的加速度信息，最终得到第一加速度信息、第二加速度信息以及第三加速 度信息。

那么，在第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度、行驶方向数据、各个角度差值的基础上，还可以基于第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度、行驶方向数据、各个角度差值、第一加速度信息、第二加速度信息以及第三加速度信息，预估车辆的变道方向。

其中，基于第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度、行驶方向数据、各个角度差值、第一加速度信息、第二加速度信息以及第三加速度信息，预估车辆的变道方向的具体方式可以是：对行驶方向序列数据进行特征提取处理，得到第一航向特征；对多个角度差值进行特征提取处理，得到第二航向特征；对第一加速度信息进行特征提取处理，得到第一加速度特征；对第二加速度信息进行特征提取处理，得到第二加速度特征；对第三加速度信息进行特征提取处理，得到第三加速度特征。然后，将第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度、第一航向特征、第二航向特征、第一加速度特征、第二加速度特征以及第三加速度特征进行拼接处理，得到目标特征向量。最后，调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向。

其中，分别对第一加速度信息、第二加速度信息以及第三加速度信息进行特征提取处理的具体实施方式可以参见步骤S206中的对行驶方向序列数据进行特征提取处理的具体实施方式，在此不赘述。

可选地，还可以基于车辆的位置信息，以及车辆的当前行驶车道的位置信息，得到车辆在当前行驶车道上的吸附信息，吸附信息至少包括如下一种或者多种：车辆投影到当前行驶车道的车道中心线的投影点的位置信息，以及投影点在车道中心线上的切线方向（也可以称为吸附航向）。其中，吸附信息还可以包括车辆与车道中心线之间的平均距离、车辆与投影点之间的距离等，在此不限定。此外，由于地图或者导航系统通常不会特别计算出行驶车道的车道中心线的位置，但是会有行驶车道的位置信息，如车道的宽度，车道的位置等，因此可以通过车辆的当前行驶车道的位置信息，间接地得到当前行驶车道的车道中心线的位置信息，从而便于计算车辆在当前行驶车道上的吸附信息。

那么，在第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度、行驶方向序列数据、各个角度差值的基础上，还可以加上吸附信息去预估车辆的变道方向。其中，基于第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度、行驶方向序列数据、各个角度差值以及吸附信息，预估车辆的变道方向的具体方式可以是：对行驶方向序列数据进行特征提取处理，得到第一航向特征；对多个角度差值进行特征提取处理，得到第二航向特征；对吸附信息进行特征提取处理，得到车道吸附特征。然后，将第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度、第一航向特征、第二航向特征以及车道吸附特征进行拼接处理，得到目标特征向量。最后，调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向。

具体来说，吸附信息能够反映车辆对当前行驶车道的吸附程度，若吸附航向与车辆的行驶方向偏差越来越大，那么则可以说明车辆有一个想要变道的趋势，同理，若吸附航向与车辆的行驶方向偏差越来越小，并保持一个较小的偏差，那么则可以说车辆此时并不想变道，而是想要继续沿着当前行驶车道行驶，因此，加入吸附信息，并对其进行特征提取处理，以得到目标特征向量，有助于后续方向分类模型判断变道方向，有利于提高变道方向的预测准确性。

举例来说，请参见附图9，示出了一种吸附信息的示意图。车辆901当前行驶在车道902上，其中，根据车道902的位置信息可以确定车道中心线903的位置信息。之后，可以将车辆901投影到车道中心线903上，其中，车辆901可以是如图9所示垂直投影到车道中心线903上，投影线904与车道中心线903之间的夹角为直角（90度）；同时，根据车辆901的位置信息，以及车道中心线903的位置信息，可以确定出投影点905的位置信息。

在确定投影点905之后，可以进一步确定出投影点905在车道中心线903上的切线方向906。此外，图9中车辆901的行驶方向907和切线方向906不相同，但当车辆901沿着车道中心线903行驶时，车辆901的行驶方向907和切线方向906也有可能相同。

由此可见，参见步骤S206，可以仅基于第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度和第二行驶方向相似度，预估车辆的变道方向。可选地，在第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度和第二行驶方向相似度的基础上，还可以选择行驶方向序列数据、各个角度差值、第一加速度信息、第二加速度信息、第三加速度信息以及吸附信息中的一种或多种信息，基于第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度，以及选择的一种或多种信息，去预估车辆的变道方向。

那么具体实现中，请参见附图10，示出了一种生成目标特征向量的过程示意图。其中，IMU包括加速度计和陀螺仪，加速度计可以采集并输出放置于车辆中的终端设备的加速度信息，陀螺仪可以采集并输出终端设备的角速度信息，然后基于AHRS算法，对实时采集到的加速度信息和角速度信息进行处理，可以得到终端设备在各个时刻的航向，从而得到姿态序列数据。然后，对姿态序列数据进行前后时刻作差，即对姿态序列数据中前后时刻的航向进行差分运算，得到第一差分序列数据。最后通过DTW算法，可以计算出将第一差分序列数据与第一参考差分序列数据的相似度，以及第一差分序列数据与第二参考差分序列数据的相似度，从而得到第一姿态方向相似度和第二姿态方向相似度。

与此同时，可以通过GNSS实时采集车辆在各个时刻的行驶方向，从而得到行驶方向序列数据。然后，对行驶方向序列数据进行前后时刻作差，即对行驶方向序列数据中前后时刻的行驶方向进行差分运算，得到第二差分序列数据。最后通过DTW算法，可以计算出将第二差分序列数据与第一参考差分序列数据的相似度，以及第二差分序列数据与第二参考差分序列数据的相似度，从而得到第一行驶方向相似度和第二行驶方向相似度。另外，还需要对GNSS采集到的行驶方向序列数据进行特征提取处理，得到第一航向特征。

同时，还可以基于安装失准角，调整加速度计输出的加速度信息的轴系，即将原本适用于加速度计所在轴系的加速度信息转换成适用于车辆所在轴系的加速度信息，并取转换后的加速度信息中前向的加速度信息（即车辆的当前行驶方向的加速度信息），以及侧向的加速度信息（即车辆的第一参考方向的加速度信息和第二参考方向的加速度信息）。然后，对前向的加速度信息和两个侧向的加速度信息分别进行特征提取处理，得到相应的加速度特征。

此外，由于车道线航向可以通过高精（高清晰）地图（high-definition map，HDmap）采集，其中HD map普遍用于自动驾驶的地图，其中包含车道线信息和各种道路标识信息。因此，本示例中可以通过HD map实时采集车道线航向，从而得到车道线航向序列数据，然后对车道线航向序列数据与行驶方向序列数据进行同时刻作差，即计算行驶方向序列数据中各个行驶方向与车道线航向序列数据中相应车道线航向之间的角度差值。最后，对多个角度差值进行特征提取处理，得到第二航向特征。

在通过上述IMU、GNSS和HD map采集多种数据，并对多种数据进行不同的处理，得到了第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度、第一航向特征、第二航向特征和多个加速度特征之后，需要将第一姿态方向相似度、第二姿态方向相似度、第一行驶方向相似度、第二行驶方向相似度、第一航向特征、第二航向特征和多个加速度特征进行拼接，得到最终的目标特征向量。

在得到了目标特征向量之后，还可以将目标特征向量输入至方向分类模型，由方向分类模型对目标特征向量进行处理，得到最终的分类结果，其中分类结果包括：车辆的变道方向为各个变道方向的概率。因此，可以通过分类结果确定出预估的变道方向。需要说明的是，图10中的虚线表示的是生成目标特征向量可以不执行，也可以执行的步骤，实线表示的是生成目标特征向量必须执行的步骤。

本申请实施例中，本申请实施例中，预先已经总结出了车辆在向指定的变道方向变道的过程中实际行驶方向的变化特征（即参考方向序列数据）；同时在预估车辆的变道方向之前，会通过分别确定车辆中的终端设备的姿态和车辆的行驶方向这两个维度的序列数据与参考方向序列数据之间的两个相似度的方式，从两个维度初步预估出车辆偏向于向指定的变道方向进行变道的可能性。如果车辆偏向于向指定的变道方向进行变道的可能性小，也就说明车辆偏向于向除指定的变道方向以外的其他变道方向进行变道的可能性更高，故而初步预估出车辆偏向于向指定的变道方向进行变道的可能性，也就预估了车辆更偏向于向哪些变道方向进行变道。同时，还会引入车道线航向这一维度的数据，并计算行驶方向与相应车道线航向之间的角度差值，以便于后续在已经从两个维度初步预估出偏向于向哪个方向进行变道的基础上，从三个维度的多个方面的因素去预估出车辆的变道方向。也就是说，本方案会先初步预估出车辆的变道方向，并综合三个维度的多个方面的因素去确定最终预估出的变道方向；其中，初步预估出的变道方向能够为后续预估车辆的变道方向提供参考，有利于提高车辆的变道方向的预测准确性；此外，通过计算行驶方向与相应车道线航向之间的角度差值，可以方便识别驾驶员改变行驶方向的意图是为了贴合车道行驶，还是为了变道，从而避免变道方向判断错误，进而有利于提升车辆的变道方向的预测准确性。

同时，从三个维度去确定最终预估出的变道方向，不同维度之间可以相互印证，可以避免单一维度的数据误差影响最终预估的变道方向出现误差，有利于进一步提高车辆的变道方向的预测准确性。另外，本方案不需要依赖视觉数据，绝对定位精度等技术，故而对终端设备的要求较低，具有较高的普及性。

基于上述车辆的变道方向的预估方法的相关描述，本申请还公开了一种车辆的变道方向的预估装置。该车辆的变道方向的预估装置可以是运行与上述所提及的计算机设备中的一个计算机程序（包括程序代码）。该车辆的变道方向的预估装置可以执行如图2和图6所示的车辆的变道方向的预估方法，请参见图11，该车辆的变道方向的预估装置至少可以包括：采集单元1101、确定单元1102和处理单元1103。

采集单元1101，用于采集车辆在预设时间段内的行驶方向序列数据，以及放置于车辆中的终端设备在预设时间段内的姿态序列数据；

确定单元1102，用于根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度；其中，参考方向序列数据用于指示：车辆在向指定的变道方向变道的过程中车辆的行驶方向；

确定单元1102，还用于根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度；

处理单元1103，用于基于第一相似度和第二相似度，预估车辆的变道方向。

在一种实施方式中，确定单元1102在根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度时，还可以用于执行：

针对姿态序列数据中的任一姿态信息，获取任一姿态信息与前一个姿态信息之间的第一差分信息，以得到第一差分序列数据；

获取第一差分序列数据与参考方向序列数据的相似度，以作为终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度；其中，参考方向序列数据包括车辆在向指定的变道方向变道的过程中车辆行驶方向的差分信息；

确定单元1102在根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度时，还可以用于执行：

针对行驶方向序列数据中的任一行驶方向，获取任一行驶方向与前一个行驶方向之间的第二差分信息，以得到第二差分序列数据；

获取第二差分序列数据与参考方向序列数据的相似度，以作为车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度。

在又一种实施方式中，确定单元1102在获取任一差分序列数据与参考方向序列数据的相似度时，具体可用于执行：

基于任一差分序列数据的序列长度以及参考方向序列数据的序列长度，构建矩阵网格；其中，矩阵网格的尺寸与差分序列数据的序列长度和参考方向序列数据的序列长度匹配；

基于任一差分序列数据中的各个差分信息和参考方向序列数据中的各个差分信息在矩阵网格中的投影位置，得到最短路径；

基于最短路径的路径长度，获取任一差分序列数据与参考方向序列数据的相似度。

在又一种实施方式中，确定单元1102在获取任一差分序列数据与参考方向序列数据的相似度时，具体还可用于执行：

当任一差分序列数据和参考方向序列数据的序列长度相同时，将任一差分序列数据和参考方向序列数据进行对齐处理，得到对齐后的任一差分序列数据和对齐后的参考方向序列数据；其中，对齐后的任一差分序列数据中各个差分信息与对齐后的参考方向序列数据中的各个差分信息存在对应关系；

基于对齐后的任一差分序列数据和对齐后的参考差分序列数据，得到任一差分序列数据与参考差分序列数据的相似度；

当任一差分序列数据和参考方向序列数据的序列长度不相同时，触发执行基于任一差分序列数据的序列长度以及参考方向序列数据的序列长度，构建矩阵网格；其中，矩阵网格的尺寸与任一差分序列数据的序列长度和参考方向序列数据的序列长度匹配；

基于任一差分序列数据中的各个差分信息和参考方向序列数据中的各个差分信息在矩阵网格中的投影位置，得到最短路径；

基于最短路径的路径长度，获取任一差分序列数据与参考方向序列数据的相似度。

在一种实施方式中，参考方向序列数据的数量为两个，两个参考方向序列数据指定的变道方向相反；

确定单元1102在根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度时，具体可以用于执行：

根据姿态序列数据和两个参考方向序列数据，确定终端设备的姿态与各个参考方向序列数据指示的行驶方向之间的第一相似度；

确定单元1102在根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度时，具体可以用于执行：

根据行驶方向序列数据和两个参考方向序列数据，确定车辆的行驶方向与各个参考方向序列数据指示的行驶方向之间的第二相似度。

在一种实施方式中，处理单元1103，还可用于执行：

对行驶方向序列数据进行特征提取处理，得到第一航向特征；其中，第一航向特征包括行驶方向序列数据的时域特征，和/或行驶方向序列数据的频域特征；

处理单元1103在基于第一相似度和第二相似度，预估车辆的变道方向时，具体还可用于执行：

基于第一相似度、第二相似度，以及第一航向特征，预估车辆的变道方向。

在一种实施方式中，采集单元1101，还可用于执行：采集在预设时间段内车辆的行驶车道的车道线航向序列数据；

确定单元1102，还可用于执行：获取行驶方向序列数据中各个行驶方向与车道线航向序列数据中相应车道线航向之间的角度差值；

处理单元1103在基于第一相似度和第二相似度，预估车辆的变道方向时，还可用于执行：

基于第一相似度、第二相似度，以及各个角度差值，预估车辆的变道方向。

在又一种实施方式中，确定单元1102，还可用于执行：获取终端设备中的加速度计与车辆之间的安装失准角；

处理单元1103，还可以用于执行：基于安装失准角，对加速度计当前输出的加速度信息进行转换处理，得到车辆在当前行驶方向的第一加速度信息，车辆在第一参考方向的第二加速度信息，以及车辆在第二参考方向的第三加速度信息，第一参考方向和第二参考方向均垂直于当前行驶方向，且第一参考方向和第二参考方向为相反方向；

处理单元1103在基于第一相似度和第二相似度，预估车辆的变道方向时，还可用于执行：

基于第一相似度、第二相似度、第一加速度信息、第二加速度信息以及第三加速度信息，预估车辆的变道方向。

在又一种实施方式中，处理单元1103，还可以用于执行：基于车辆的位置信息，以及车辆的当前行驶车道的位置信息，得到车辆在当前行驶车道上的吸附信息，吸附信息至少包括如下一种或者多种：车辆投影到当前行驶车道的车道中心线的投影点的位置信息，以及投影点在车道中心线上的切线方向；

处理单元1103在基于第一相似度和第二相似度，预估车辆的变道方向时，还可用于执行：

基于第一相似度、第二相似度以及吸附信息，预估车辆的变道方向。

在又一种实施方式中，处理单元1103在基于第一相似度和第二相似度，预估车辆的变道方向时，具体可用于执行：

将第一相似度和第二相似度进行拼接处理，得到目标特征向量；

调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向。

在又一种实施方式中，处理单元1103在调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向时，具体可用于执行：

调用方向分类模型，对目标特征向量进行处理，得到分类结果，分类结果包括：车辆的变道方向为各个变道方向的概率；

确定分类结果中概率最大的目标概率对应的变道方向为预估的变道方向。

在又一种实施方式中，处理单元1103，还可以用于执行：

若目标概率与分类结果中除目标概率以外的其他概率之间的差值均大于预设概率阈值，则触发执行确定分类结果中概率最大的目标概率对应的方向为预估的变道方向。

在又一种实施方式中，方向分类模型包括分类函数和各个变道方向对应的决策树；

处理单元1103在调用方向分类模型，对目标特征向量进行处理，得到分类结果时，具体可用于执行：

调用方向分类模型中各个变道方向对应的决策树，分别对目标特征向量进行决策处理，得到各个变道方向对应的权重；

根据方向分类模型中的分类函数，对各个变道方向对应的权重进行分类处理，得到分类结果。

根据本申请的一个实施例，图2和图6所示的方法所涉及各个步骤可以是由图11所示的车辆的变道方向的预估装置中的各个单元来执行的。例如，图2所示的步骤S201可由图11所示的车辆的变道方向的预估装置中的采集单元1101来执行；步骤S202至步骤S203可由图11所示的车辆的变道方向的预估装置中的确定单元1102来执行；步骤S204可由图11所示的车辆的变道方向的预估装置中的处理单元1103来执行。再如，图6所示的步骤S601和步骤S604可由图11所示的车辆的变道方向的预估装置中的采集单元1101来执行；步骤S605以及步骤S602至步骤S603可由图11所示的车辆的变道方向的预估装置中的确定单元1102来执行；步骤S606可由图11所示的车辆的变道方向的预估装置中的处理单元1103来执行。

根据本申请的另一个实施例，图11所示的车辆的变道方向的预估装置中的各个单元是基于逻辑功能划分的，上述各个单元可以分别或全部合并为一个或若干个另外的单元来构成，或者其中的某个（些）单元还可以再拆分为功能上更小的多个单元来构成，这可以实现同样的操作，而不影响本申请的实施例的技术效果的实现。在本申请的其它实施例中，上述基于车辆的变道方向的预估装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。

根据本申请的另一个实施例，可以通过在包括中央处理单元（CPU）、随机存取存储介质（RAM）、只读存储介质（ROM）等处理元件和存储元件的例如计算机设备的通用计算设备上，运行能够执行如图2或图6所示的方法所涉及的各步骤的计算机程序（包括程序代码），来构造如图11所示的车辆的变道方向的预估装置，以及来实现本申请实施例的车辆的变道方向的预估方法。计算机程序可以记载于例如计算机存储介质上，并通过计算机存储介质装载于上述计算机设备中，并在其中运行。

本申请实施例中，预先已经总结出了车辆在向指定的变道方向变道的过程中实际行驶方向的变化特征（即参考方向序列数据）；同时在预估车辆的变道方向之前，会通过分别确定车辆中的终端设备的姿态和车辆的行驶方向这两个维度的序列数据与参考方向序列数据之间的两个相似度的方式，从两个维度初步预估出车辆偏向于向指定的变道方向进行变道的可能性。如果车辆偏向于向指定的变道方向进行变道的可能性小，也就说明车辆偏向于向除指定的变道方向以外的其他变道方向进行变道的可能性更高，故而初步预估出车辆偏向于向指定的变道方向进行变道的可能性，也就预估了车辆更偏向于向哪些变道方向进行变道，从而便于后续在已经从两个维度初步预估出更偏向于向哪个方向进行变道的基础上，综合两个维度的初步预估结果去预估出车辆的变道方向。也就是说，本申请实施例会先从多个维度初步预估出车辆所偏向的变道方向，并综合多个维度的初步预估结果去确定最终预估出的变道方向；其中，初步预估出的变道方向能够为后续预估车辆的变道方向提供参考，有利于提高车辆的变道方向的预测准确性；同时，从多个维度去确定最终预估出的变道方向，不同维度之间可以相互印证，可以避免单一维度的数据误差影响最终预估的变道方向出现误差，有利于进一步提高车辆的变道方向的预测准确性。另外，本方案不需要依赖视觉数据，绝对定位精度等技术，故而对终端设备的要求较低，具有较高的普及性。

基于上述的方法实施例以及装置实施例，本申请还提供了一种电子设备。参见图12，为本申请实施例提供的一种电子设备的结构示意图。图12所示的电子设备可至少包括处理器1201、输入接口1202、输出接口1203以及计算机存储介质1204。其中，处理器1201、输入接口1202、输出接口1203以及计算机存储介质1204可通过总线或其他方式连接。

计算机存储介质1204可以存储在电子设备的存储器中，计算机存储介质1204用于存储计算机程序，计算机程序包括程序指令，处理器1201 用于执行计算机存储介质1204存储的程序指令。处理器1201（或称CPU（Central Processing Unit，中央处理器））是电子设备的计算核心以及控制核心，其适于实现一条或多条指令，具体适于加载并执行一条或多条指令从而实现上述车辆的变道方向的预估方法流程或相应功能。

本申请实施例还提供了一种计算机存储介质（Memory），计算机存储介质是电子设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机存储介质既可以包括终端中的内置存储介质，当然也可以包括终端所支持的扩展存储介质。计算机存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器1201加载并执行的一条或多条的指令，这些指令可以是一个或一个以上的计算机程序（包括程序代码）。需要说明的是，此处的计算机存储介质可以是高速随机存取存储器(random access memory，RAM)存储器，也可以是非不稳定的存储器（non-volatilememory），例如至少一个磁盘存储器；可选的还可以是至少一个位于远离前述处理器的计算机存储介质。

在一个实施例中，可由处理器1201加载并执行计算机存储介质中存放的一条或多条指令，以实现上述有关图2和图6的车辆的变道方向的预估方法实施例中的方法的相应步骤，具体实现中，计算机存储介质中的一条或多条指令由处理器1201加载并执行如下步骤：

处理器1201采集车辆在预设时间段内的行驶方向序列数据，以及放置于车辆中的终端设备在预设时间段内的姿态序列数据；

处理器1201根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度；其中，参考方向序列数据用于指示：车辆在向指定的变道方向变道的过程中车辆的行驶方向；

处理器1201根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度；

处理器1201基于第一相似度和第二相似度，预估车辆的变道方向。

在一个实施例中，处理器1201在根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度时，还可用于执行：

针对姿态序列数据中的任一姿态信息，获取任一姿态信息与前一个姿态信息之间的第一差分信息，以得到第一差分序列数据；

获取第一差分序列数据与参考方向序列数据的相似度，以作为终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度；其中，参考方向序列数据包括车辆在向指定的变道方向变道的过程中车辆行驶方向的差分信息；

处理器1201在根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度时，还可用于执行：

针对行驶方向序列数据中的任一行驶方向，获取任一行驶方向与前一个行驶方向之间的第二差分信息，以得到第二差分序列数据；

获取第二差分序列数据与参考方向序列数据的相似度，以作为车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度。

在一个实施例中，处理器1201在获取任一差分序列数据与参考方向序列数据的相似度时，具体还可用于执行：

基于任一差分序列数据的序列长度以及参考方向序列数据的序列长度，构建矩阵网格；其中，矩阵网格的尺寸与差分序列数据的序列长度和参考方向序列数据的序列长度匹配；

基于任一差分序列数据中的各个差分信息和参考方向序列数据中的各个差分信息在矩阵网格中的投影位置，得到最短路径；

基于最短路径的路径长度，获取任一差分序列数据与参考方向序列数据的相似度。

在一个实施例中，处理器1201在获取任一差分序列数据与参考方向序列数据的相似度时，具体还可用于执行：

当任一差分序列数据和参考方向序列数据的序列长度相同时，将任一差分序列数据和参考方向序列数据进行对齐处理，得到对齐后的任一差分序列数据和对齐后的参考方向序列数据；其中，对齐后的任一差分序列数据中各个差分信息与对齐后的参考方向序列数据中的各个差分信息存在对应关系；

基于对齐后的任一差分序列数据和对齐后的参考差分序列数据，得到任一差分序列数据与参考差分序列数据的相似度；

当任一差分序列数据和参考方向序列数据的序列长度不相同时，触发执行基于任一差分序列数据的序列长度以及参考方向序列数据的序列长度，构建矩阵网格；其中，矩阵网格的尺寸与任一差分序列数据的序列长度和参考方向序列数据的序列长度匹配；

基于任一差分序列数据中的各个差分信息和参考方向序列数据中的各个差分信息在矩阵网格中的投影位置，得到最短路径；

基于最短路径的路径长度，获取任一差分序列数据与参考方向序列数据的相似度。

在一个实施例中，参考方向序列数据的数量为两个，两个参考方向序列数据指定的变道方向相反；

处理器1201在根据姿态序列数据和参考方向序列数据，确定终端设备的姿态与参考方向序列数据指示的行驶方向之间的第一相似度时，具体还可用于执行：

根据姿态序列数据和两个参考方向序列数据，确定终端设备的姿态与各个参考方向序列数据指示的行驶方向之间的第一相似度；

处理器1201在根据行驶方向序列数据和参考方向序列数据，确定车辆的行驶方向与参考方向序列数据指示的行驶方向之间的第二相似度时，具体还可用于执行：

根据行驶方向序列数据和两个参考方向序列数据，确定车辆的行驶方向与各个参考方向序列数据指示的行驶方向之间的第二相似度。

在一个实施例中，处理器1201还可用于执行：

对行驶方向序列数据进行特征提取处理，得到第一航向特征；其中，第一航向特征包括行驶方向序列数据的时域特征，和/或行驶方向序列数据的频域特征；

处理器1201在基于第一相似度和第二相似度，预估车辆的变道方向时，还可用于执行：

基于第一相似度、第二相似度以及第一航向特征，预估车辆的变道方向。

在一个实施例中，处理器1201还可用于执行：

采集在预设时间段内车辆的行驶车道的车道线航向序列数据；

获取行驶方向序列数据中各个行驶方向与车道线航向序列数据中相应车道线航向之间的角度差值；

处理器1201在基于第一相似度和第二相似度，预估车辆的变道方向时，具体还可用于执行：

基于第一相似度、第二相似度以及各个角度差值，预估车辆的变道方向。

在一个实施例中，处理器1201还可用于执行：

获取终端设备中的加速度计与车辆之间的安装失准角；

基于安装失准角，对加速度计当前输出的加速度信息进行转换处理，得到车辆在当前行驶方向的第一加速度信息，车辆在第一参考方向的第二加速度信息，以及车辆在第二参考方向的第三加速度信息，第一参考方向和第二参考方向均垂直于当前行驶方向，且第一参考方向和第二参考方向为相反方向；

处理器1201在基于第一相似度和第二相似度，预估车辆的变道方向时，具体还可用于执行：

基于第一相似度、第二相似度、第一加速度信息、第二加速度信息以及第三加速度信息，预估车辆的变道方向。

在一个实施例中，处理器1201还可用于执行：

基于车辆的位置信息，以及车辆的当前行驶车道的位置信息，得到车辆在当前行驶车道上的吸附信息，吸附信息至少包括如下一种或者多种：车辆投影到当前行驶车道的车道中心线的投影点的位置信息，以及投影点在车道中心线上的切线方向；

处理器1201在基于第一相似度和第二相似度，预估车辆的变道方向时，具体还可用于执行：

基于第一相似度、第二相似度以及吸附信息，预估车辆的变道方向。

在一个实施例中，处理器1201在基于第一相似度和第二相似度，预估车辆的变道方向时，具体可用于执行：

将第一相似度和第二相似度进行拼接处理，得到目标特征向量；

调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向。

在一个实施例中，处理器1201在调用方向分类模型，对目标特征向量进行处理，得到预估的变道方向时，具体可以用于执行：

调用方向分类模型，对目标特征向量进行处理，得到分类结果，分类结果包括：车辆的变道方向为各个变道方向的概率；

确定分类结果中概率最大的目标概率对应的变道方向为预估的变道方向。

在一个实施例中，处理器1201具体还可以用于执行：

若目标概率与分类结果中除目标概率以外的其他概率之间的差值均大于预设概率阈值，则触发执行确定分类结果中概率最大的目标概率对应的方向为预估的变道方向。

在一个实施例中，方向分类模型包括分类函数和各个变道方向对应的决策树；

处理器1201在调用方向分类模型，对目标特征向量进行处理，得到分类结果时，具体可用于执行：

调用方向分类模型中各个变道方向对应的决策树，分别对目标特征向量进行决策处理，得到各个变道方向对应的权重；

根据方向分类模型中的分类函数，对各个变道方向对应的权重进行分类处理，得到分类结果。

本申请实施例中，预先已经总结出了车辆在向指定的变道方向变道的过程中实际行驶方向的变化特征（即参考方向序列数据）；同时在预估车辆的变道方向之前，会通过分别确定车辆中的终端设备的姿态和车辆的行驶方向这两个维度的序列数据与参考方向序列数据之间的两个相似度的方式，从两个维度初步预估出车辆偏向于向指定的变道方向进行变道的可能性。如果车辆偏向于向指定的变道方向进行变道的可能性小，也就说明车辆偏向于向除指定的变道方向以外的其他变道方向进行变道的可能性更高，故而初步预估出车辆偏向于向指定的变道方向进行变道的可能性，也就预估了车辆更偏向于向哪些变道方向进行变道，从而便于后续在已经从两个维度初步预估出更偏向于向哪个方向进行变道的基础上，综合两个维度的初步预估结果去预估出车辆的变道方向。也就是说，本申请实施例会先从多个维度初步预估出车辆所偏向的变道方向，并综合多个维度的初步预估结果去确定最终预估出的变道方向；其中，初步预估出的变道方向能够为后续预估车辆的变道方向提供参考，有利于提高车辆的变道方向的预测准确性；同时，从多个维度去确定最终预估出的变道方向，不同维度之间可以相互印证，可以避免单一维度的数据误差影响最终预估的变道方向出现误差，有利于进一步提高车辆的变道方向的预测准确性。另外，本方案不需要依赖视觉数据，绝对定位精度等技术，故而对终端设备的要求较低，具有较高的普及性。

本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行上述如图2和图6所示的方法实施例。其中，计算机可读存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random Access Memory，RAM）等。

本发明实施例中的车辆的变道方向的预估方法主要以地图导航领域进行举例说明，本发明实施例中的车辆的变道方向的预估方法还可应用于如辅助驾驶等其他需要导航的场景，在此不限定。另外，发明实施例中的车辆的变道方向的预估方法除了可以应用手机、平板电脑等移动终端设备上的车道级导航，也可以应用于其他不能获取视觉数据的车道级应用，在此不限定。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。此外，本申请不对具体实施方式中的各个步骤的执行顺序作限定。

Claims (15)

1.一种车辆的变道方向的预估方法，其特征在于，包括：

采集车辆在预设时间段内的行驶方向序列数据，以及放置于所述车辆中的终端设备在所述预设时间段内的姿态序列数据；

针对所述姿态序列数据中的任一姿态信息，获取所述任一姿态信息与前一个姿态信息之间的第一差分信息，以得到第一差分序列数据；

获取所述第一差分序列数据与参考方向序列数据的相似度，以作为所述终端设备的姿态与所述参考方向序列数据指示的行驶方向之间的第一相似度；其中，所述参考方向序列数据用于指示：车辆在向指定的变道方向变道的过程中车辆的行驶方向，所述参考方向序列数据包括车辆在向指定的变道方向变道的过程中车辆行驶方向的差分信息；

针对所述行驶方向序列数据中的任一行驶方向，获取所述任一行驶方向与前一个行驶方向之间的第二差分信息，以得到第二差分序列数据；

获取所述第二差分序列数据与所述参考方向序列数据的相似度，以作为所述车辆的行驶方向与所述参考方向序列数据指示的行驶方向之间的第二相似度；

基于所述第一相似度和所述第二相似度，预估所述车辆的变道方向。

2.根据权利要求1所述的方法，其特征在于，任一差分序列数据与所述参考方向序列数据的相似度的获取方式包括：

基于所述任一差分序列数据的序列长度以及所述参考方向序列数据的序列长度，构建矩阵网格；其中，所述矩阵网格的尺寸与所述差分序列数据的序列长度和所述参考方向序列数据的序列长度匹配；

基于所述任一差分序列数据中的各个差分信息和所述参考方向序列数据中的各个差分信息在所述矩阵网格中的投影位置，得到最短路径；

基于所述最短路径的路径长度，获取所述任一差分序列数据与所述参考方向序列数据的相似度。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

当所述任一差分序列数据和所述参考方向序列数据的序列长度相同时，将所述任一差分序列数据和所述参考方向序列数据进行对齐处理，得到对齐后的任一差分序列数据和对齐后的参考方向序列数据；其中，所述对齐后的任一差分序列数据中各个差分信息与所述对齐后的参考方向序列数据中的各个差分信息存在对应关系；

基于对齐后的任一差分序列数据和对齐后的参考差分序列数据，得到所述任一差分序列数据与所述参考差分序列数据的相似度；

当所述任一差分序列数据和所述参考方向序列数据的序列长度不相同时，触发执行所述基于所述任一差分序列数据的序列长度以及所述参考方向序列数据的序列长度，构建矩阵网格；

基于所述任一差分序列数据中的各个差分信息和所述参考方向序列数据中的各个差分信息在所述矩阵网格中的投影位置，得到最短路径；

基于所述最短路径的路径长度，获取所述任一差分序列数据与所述参考方向序列数据的相似度。

4.根据权利要求1所述的方法，其特征在于，所述参考方向序列数据的数量为两个，所述两个参考方向序列数据指定的变道方向相反；

所述获取所述第一差分序列数据与参考方向序列数据的相似度，以作为所述终端设备的姿态与所述参考方向序列数据指示的行驶方向之间的第一相似度，包括：

获取所述第一差分序列数据与各个参考方向序列数据的相似度，以作为所述终端设备的姿态与所述各个参考方向序列数据指示的行驶方向之间的第一相似度；

所述获取所述第二差分序列数据与所述参考方向序列数据的相似度，以作为所述车辆的行驶方向与所述参考方向序列数据指示的行驶方向之间的第二相似度，包括：

获取所述第二差分序列数据与所述各个参考方向序列数据的相似度，以作为所述车辆的行驶方向与所述各个参考方向序列数据指示的行驶方向之间的第二相似度。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述行驶方向序列数据进行特征提取处理，得到第一航向特征；其中，所述第一航向特征包括所述行驶方向序列数据的时域特征，和/或所述行驶方向序列数据的频域特征；

所述基于所述第一相似度和所述第二相似度，预估所述车辆的变道方向，包括：

基于所述第一相似度、所述第二相似度以及所述第一航向特征，预估所述车辆的变道方向。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

采集在所述预设时间段内所述车辆的行驶车道的车道线航向序列数据；

获取所述行驶方向序列数据中各个行驶方向与所述车道线航向序列数据中相应车道线航向之间的角度差值；

所述基于所述第一相似度和所述第二相似度，预估所述车辆的变道方向，包括：

基于所述第一相似度、所述第二相似度以及各个所述角度差值，预估所述车辆的变道方向。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述终端设备中的加速度计与所述车辆之间的安装失准角；

基于所述安装失准角，对所述加速度计当前输出的加速度信息进行转换处理，得到所述车辆在当前行驶方向的第一加速度信息，所述车辆在第一参考方向的第二加速度信息，以及所述车辆在第二参考方向的第三加速度信息；其中，所述第一参考方向和所述第二参考方向均垂直于所述当前行驶方向，且所述第一参考方向和所述第二参考方向为相反方向；

所述基于所述第一相似度和所述第二相似度，预估所述车辆的变道方向，包括：

基于所述第一相似度、所述第二相似度、所述第一加速度信息、所述第二加速度信息以及所述第三加速度信息，预估所述车辆的变道方向。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述车辆的位置信息，以及所述车辆的当前行驶车道的位置信息，得到所述车辆在所述当前行驶车道上的吸附信息；其中，所述吸附信息至少包括如下一种或者多种：所述车辆投影到所述当前行驶车道的车道中心线的投影点的位置信息，以及所述投影点在所述车道中心线上的切线方向；

所述基于所述第一相似度和所述第二相似度，预估所述车辆的变道方向，包括：

基于所述第一相似度、所述第二相似度以及所述吸附信息，预估所述车辆的变道方向。

9.根据权利要求1-8任一项所述的方法，其特征在于，所述基于所述第一相似度和所述第二相似度，预估所述车辆的变道方向，包括：

将所述第一相似度和所述第二相似度进行拼接处理，得到目标特征向量；

调用方向分类模型，对所述目标特征向量进行处理，得到预估的变道方向。

10.根据权利要求9所述的方法，其特征在于，所述调用方向分类模型，对所述目标特征向量进行处理，得到预估的变道方向，包括：

调用方向分类模型，对所述目标特征向量进行处理，得到分类结果；其中，所述分类结果包括：所述车辆的变道方向为各个变道方向的概率；

确定所述分类结果中概率最大的目标概率对应的变道方向为所述预估的变道方向。

11.根据权利要求10所述的方法，其特征在于，所述方法还包括：

若所述目标概率与所述分类结果中除所述目标概率以外的其他概率之间的差值均大于预设概率阈值，则触发执行所述确定所述分类结果中概率最大的目标概率对应的变道方向为所述预估的变道方向。

12.根据权利要求10所述的方法，其特征在于，所述方向分类模型包括分类函数和各个变道方向对应的决策树；

所述调用方向分类模型，对所述目标特征向量进行处理，得到分类结果，包括：

调用所述方向分类模型中各个变道方向对应的决策树，分别对所述目标特征向量进行决策处理，得到所述各个变道方向对应的权重；

根据所述方向分类模型中的分类函数，对所述各个变道方向对应的权重进行分类处理，得到所述分类结果。

13.一种车辆的变道方向的预估装置，其特征在于，所述车辆的变道方向的预估装置包括采集单元，确定单元和处理单元，其中：

所述采集单元，用于采集车辆在预设时间段内的行驶方向序列数据，以及放置于所述车辆中的终端设备在所述预设时间段内的姿态序列数据；

所述确定单元，用于针对所述姿态序列数据中的任一姿态信息，获取所述任一姿态信息与前一个姿态信息之间的第一差分信息，以得到第一差分序列数据；获取所述第一差分序列数据与参考方向序列数据的相似度，以作为所述终端设备的姿态与所述参考方向序列数据指示的行驶方向之间的第一相似度；其中，所述参考方向序列数据用于指示：车辆在向指定的变道方向变道的过程中车辆的行驶方向，所述参考方向序列数据包括车辆在向指定的变道方向变道的过程中车辆行驶方向的差分信息；

所述确定单元，还用于针对所述行驶方向序列数据中的任一行驶方向，获取所述任一行驶方向与前一个行驶方向之间的第二差分信息，以得到第二差分序列数据；获取所述第二差分序列数据与所述参考方向序列数据的相似度，以作为所述车辆的行驶方向与所述参考方向序列数据指示的行驶方向之间的第二相似度；

所述处理单元，用于基于所述第一相似度和所述第二相似度，预估所述车辆的变道方向。

14.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一条或多条计算机程序，所述一条或多条计算机程序适于由处理器加载并执行如权利要求1-12任一项所述的车辆的变道方向的预估方法。

15.一种电子设备，其特征在于，所述电子设备包括：

处理器，适于实现一条或多条指令；

计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由所述处理器加载并执行如权利要求1-12任一项所述的车辆的变道方向的预估方法。

Images