CN115859129B - 基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统 - Google Patents

基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统 Download PDF

Info

Publication number
CN115859129B
CN115859129B CN202310168974.XA CN202310168974A CN115859129B CN 115859129 B CN115859129 B CN 115859129B CN 202310168974 A CN202310168974 A CN 202310168974A CN 115859129 B CN115859129 B CN 115859129B
Authority
CN
China
Prior art keywords
track
shape matrix
merging
matrix
shape
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.)
Active
Application number
CN202310168974.XA
Other languages
English (en)
Other versions
CN115859129A (zh
Inventor
黄小杰
刘芝秀
郝金隆
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.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
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 Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN202310168974.XA priority Critical patent/CN115859129B/zh
Publication of CN115859129A publication Critical patent/CN115859129A/zh
Application granted granted Critical
Publication of CN115859129B publication Critical patent/CN115859129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Navigation (AREA)

Abstract

本发明公开一种基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统，包括：获取车辆在不同行驶轨迹上的若干卫星定位数据；计算每条轨迹上去除起始和末尾两点后的每一点的局部形状量；合并形状矩阵中两列符号相同的列向量，得到合并形状矩阵；将两个矩阵中较小的合并形状矩阵变形得到它的负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵；将较小的合形状矩阵及它的负、逆、负逆矩阵与较大的另一个合并形状矩阵分别进行匹配，确定最佳匹配位置；确定两个矩阵的最佳匹配位置后，用
Figure ZY_1
将它们填充为同阶矩阵；分别计算四对匹配好的填充形状矩阵间的距离，取最小的距离作为两条轨迹间相似性的度量。解决了现有度量轨迹相似的计算复杂度的问题。

Description

基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统
技术领域
本发明属于卫星定位应用技术领域，尤其涉及一种基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统。
背景技术
目前判断车辆的行驶轨迹是否相似，一般先进行路网匹配再判断，这虽然可以获得更多的地图地理信息而使得度量与判断的信息更加充分，但是严重依赖于地图，提高了轨迹相似性度量的门槛，又增加了度量轨迹相似的计算复杂度。而且增加路网信息进行度量时常也会产生干扰因素，例如，匹配路口转角的地图信息补充得到的车辆行驶轨迹是“直角道路”，而车辆实际的行驶轨迹是“平滑的弯曲形状”。
如果不用地图信息，一般用插值拟合，设法根据稀疏的定位数据还原车辆可能的行驶轨迹，再进行度量。插值拟合轨迹的计算量很大，而且拟合出轨迹的的解析表达式后，并不能从曲线（轨迹）的角度更好的说明轨迹的相似性。事实上，曲线形态变化无穷，一条平面曲线甚至可以充满一个平面正方形区域，曲线的相似性度量非常复杂，我们并没有一个很好的度量标准和方法。也正因为如此，人们提出并研究了许多种度量曲线相似程度的方法，而且它们都是根据曲线（点集或数据集）的不同特征、从不同角度来度量曲线的相近程度，都有其相应的适用范围。
发明内容
本发明提供一种基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统，用于度量不同的车辆行驶轨迹之间的相似性程度，通过解决不同轨迹上对应点的匹配问题，使得相似性计算结果与人的直观相吻合，并且计算复杂度低。
第一方面，本发明提供一种基于稀疏卫星定位的车辆行驶轨迹相似性度量方法，包括：基于预设时间间隔获取车辆在不同行驶轨迹上的若干卫星定位数据；对若干卫星定位数据进行清洗整理，使去除相邻时间点移动距离小于预设距离阈值的卫星定位数据，得到若干目标卫星定位数据；根据若干目标卫星定位数据计算每条行驶轨迹上所有定位点的局部形状量，得到轨迹的局部形状矩阵，其中，所述局部形状矩阵为去除初始和末尾定位点后由中间所有定位点的局部形状量构成的一个矩阵；基于局部形状量的各分量符号对所述局部形状矩阵中的相邻列进行合并，得到轨迹的合并形状矩阵；对轨迹的合并形状矩阵进行变换，得到负合并形状矩阵、逆合并形状矩阵以及负逆合并形状矩阵；将某一轨迹的合并形状矩阵分别与另一轨迹的合并形状矩阵以及另一轨迹的合并形状矩阵的负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵进行重叠，并左右移动其中一个矩阵进行匹配，重叠位置符号相同的数量最多的时刻即为某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵的最佳匹配位置；计算在所述最佳匹配位置时某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离，并取某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离中最小距离作为某一轨迹与另一轨迹的相似程度。
第二方面，本发明提供一种基于稀疏卫星定位的车辆行驶轨迹相似性度量系统，包括：获取模块，配置为基于预设时间间隔获取车辆在不同行驶轨迹上的若干卫星定位数据；整理模块，配置为对若干卫星定位数据进行清洗整理，使去除相邻时间点移动距离小于预设距离阈值的卫星定位数据，得到若干目标卫星定位数据；第一计算模块，配置为根据若干目标卫星定位数据计算每条行驶轨迹上所有定位点的局部形状量，得到轨迹的局部形状矩阵，其中，所述局部形状矩阵为去除初始和末尾定位点后由中间所有定位点的局部形状量构成的一个矩阵；合并模块，配置为基于局部形状量的各分量符号对所述局部形状矩阵中的相邻列进行合并，得到轨迹的合并形状矩阵；变换模块，对轨迹的合并形状矩阵进行变换，得到负合并形状矩阵、逆合并形状矩阵以及负逆合并形状矩阵；匹配模块，配置为将某一轨迹的合并形状矩阵分别与另一轨迹的合并形状矩阵以及另一轨迹的合并形状矩阵的负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵进行重叠，并左右移动其中一个矩阵进行匹配，重叠位置符号相同的数量最多的时刻即为某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵的最佳匹配位置；第二计算模块，配置为计算在所述最佳匹配位置时某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离，并取某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离中最小距离作为某一轨迹与另一轨迹的相似程度。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于稀疏卫星定位的车辆行驶轨迹相似性度量方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于稀疏卫星定位的车辆行驶轨迹相似性度量方法的步骤。
本申请的基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统，具有以下有益效果：
1、可以方便的分析车辆行驶轨迹的相似程度，判定两条轨迹是否相似：不依赖电子地图，不用将从轨迹上采集到的定位点匹配到地图，以补充行驶道路信息，也不用做复杂的插值拟合来还原车辆可能的行驶轨迹。主要涉及常规的加减、乘开方运算，计算效率很高，而且轨迹的相似性度量与判定过程仅依赖于稀疏的卫星定位数据，数据获取方便，使用门槛很低，能够节省人力物力、降低成本；
2、根据车辆正常行驶时的特点（即短时间间隔内车辆行驶轨迹不会异常歪曲、扭结，而是平滑平顺的），提出了较为普适的、只需利用稀疏卫星定位数据，就可度量车辆行驶轨迹相似性程度的方法；
3、构造了刻画轨迹局部形状的量；给出了刻画轨迹整体形状的量，即局部形状矩阵和合并形状矩阵；提出了两条轨迹对应相似点或部位的匹配方法，即一条轨迹的合并形状矩阵和另一条轨迹的合并形状矩阵及其负、逆、负逆合并形状矩阵的匹配。相似轨迹度量可用于车辆在不同路径上的能耗、磨损等的对比分析，可用于排查营运车辆的异常行驶路线，可用于对大量地图数据和定位数据的管理，以及其他与相似轨迹度量有关的各种实际情境。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域技术人员来讲，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为本发明一实施例提供的一种基于稀疏卫星定位的车辆行驶轨迹相似性度量方法的流程图；
图2为本发明一实施例提供的一具体实施例的局部形状量中轨迹弯曲方向的示意图；
图3为本发明一实施例提供的一具体实施例的局部形状量中轨迹弯曲程度的示意图；
图4为本发明一实施例提供的一具体实施例的局部形状量中轨迹的海拔变化情况或上下坡的示意图；
图5为本发明一实施例提供的一具体实施例的局部形状量中轨迹弯曲和上下坡的方向的示意图；
图6为本发明一实施例提供的一具体实施例的两条示例轨迹上若干定位点及其连线的示意图；
图7为本发明一实施例提供的一具体实施例的三条示例轨迹及其上若干定位点的示意图；
图8为本发明一实施例提供的一种基于稀疏卫星定位的车辆行驶轨迹相似性度量系统的结构框图；
图9是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1，其示出了本申请的一种基于稀疏卫星定位的车辆行驶轨迹相似性度量方法的流程图。
如图1所示，基于稀疏卫星定位的车辆行驶轨迹相似性度量方法包括以下步骤：
步骤S101，基于预设时间间隔获取车辆在不同行驶轨迹上的若干卫星定位数据。
在本实施例中，获取车辆在不同行驶轨迹上的若干卫星定位数据，数据是如下一条一条的格式化数据，每一条数据包含4个字段，含义如下表1：
Figure SMS_1
，
用符号记为：
Figure SMS_2
，分别代表轨迹编号、时间、经度、维度和海拔。注意，在一般的卫星定位服务中海拔数据误差较大，而且小区域范围内的海拔变化不大，时常省略海拔数据，大部分数据是/>
Figure SMS_3
格式，补充/>
Figure SMS_4
为常数即可。
在每条行驶轨迹上，按时间顺序存储记录数据。
Figure SMS_5
这条数据表示第/>
Figure SMS_6
条行驶轨迹的第/>
Figure SMS_7
个时刻的定位数据，其中/>
Figure SMS_8
，相邻的第/>
Figure SMS_9
个时刻和第/>
Figure SMS_10
个时刻的时间间隔一般在5至20秒，并不是每时每刻都获取记录了卫星定位数据，只是稀疏的获取了轨迹上的卫星定位数据。例如，两条轨迹的卫星定位数据样式如下表2，即/>
Figure SMS_11
。
Figure SMS_12
，
步骤S102，对若干卫星定位数据进行清洗整理，使去除相邻时间点移动距离小于第一预设距离阈值和大于第二预设距离阈值的卫星定位数据，得到若干目标卫星定位数据，其中，所述第二预设距离阈值大于所述第一预设距离阈值。
在本实施例中，对数据进行清洗整理，去除相邻时间点距离相距很小或很大的数据，即时间改变了，车辆的位置变动很小或很大的点，这对应着车辆近乎静止和定位出现异常漂移的数据。
步骤S103，根据若干目标卫星定位数据计算每条行驶轨迹上所有定位点的局部形状量，得到轨迹的局部形状矩阵，其中，所述局部形状矩阵为去除初始和末尾定位点后由中间所有定位点的局部形状量构成的一个矩阵。
在本实施例中，刻画行驶轨迹上定位点附近的局部形状，计算反映车辆行驶轨迹局部形状的量。以刻画第
Figure SMS_13
条轨迹上第/>
Figure SMS_14
个时刻对应点附近的局部形状为例。取相邻的三个时刻的数据如下：
Figure SMS_15
，/>
Figure SMS_16
，/>
Figure SMS_17
；
用
Figure SMS_18
，（*）来刻画轨迹在第/>
Figure SMS_19
个时刻点附近的局部形状，即相邻三个时刻/>
Figure SMS_20
轨迹的局部形状。其中：/>
Figure SMS_21
为符号函数，它的中括号里面的/>
Figure SMS_22
表示行列式，
Figure SMS_23
；其它地方的/>
Figure SMS_24
表示绝对值。
下面解释上面引入的（*）式为什么可以刻画在第
Figure SMS_25
个时刻点附近的局部形状。
解释1：（*）式中的
Figure SMS_26
（此处省略了行列式中的坐标数据）表示平面上三个坐标点所围的三角形代数面积的符号，从而表示了轨迹弯曲的方向。
将行驶轨迹上四个定位点投影到地平面（事实上，行驶轨迹的海拔变化相对行驶轨迹长度来说通常是微小的，而且地球半径巨大，在地表局部区域内的轨迹基本上可以看成是平面轨迹），如图2。
设A、B、C、D点的坐标分别为
Figure SMS_27
、/>
Figure SMS_28
、/>
Figure SMS_29
、/>
Figure SMS_30
，则三角形ABC的代数面积为：
Figure SMS_31
，
三角形BCD代数面积为：
Figure SMS_32
，
符号表示了三角形三点的相对位置，如图2所示。
Figure SMS_33
，代表A、B、C三点构成逆时针位置；
Figure SMS_34
代表B、C、D三点构成顺时针位置。因此/>
Figure SMS_35
表示了轨迹的局部弯曲方向，在B处向上弯，在C处向下弯。
需要说明的是，在实际中，数据均带有一定误差，
Figure SMS_36
的/>
Figure SMS_37
真实值一般不会正好为0。通常需要根据具体数据，来确定一个很小的正数，记为/>
Figure SMS_38
，作为阈值来代替0，再判定/>
Figure SMS_39
的符号，即/>
Figure SMS_40
。
解释2：（*）式中的
Figure SMS_41
表示弯曲的程度。仍然将行驶轨迹上的定位点投影到平面区域来看，/>
Figure SMS_42
对应/>
Figure SMS_43
，/>
Figure SMS_44
对应/>
Figure SMS_45
，/>
Figure SMS_46
对应/>
Figure SMS_47
，观察图3中A点的弯曲程度.
Figure SMS_48
，/>
Figure SMS_49
，
Figure SMS_50
等分别表示/>
Figure SMS_51
、/>
Figure SMS_52
和/>
Figure SMS_53
两点的距离，则
Figure SMS_54
值越大，从而角A越小，表示BAC三点的轨迹弯曲的越厉害；值越小，从而角A越大，表示BAC三点的轨迹弯曲幅度越小。
综上所述，可以认为：
Figure SMS_55
，表示了/>
Figure SMS_56
三点的轨迹在/>
Figure SMS_57
处弯曲的方向和弯曲的程度。
解释3：（*）式中的
Figure SMS_60
和
Figure SMS_65
表示了轨迹的海拔变化情况或上下坡情况。为了方便叙述，将行驶轨迹上的定位点/>
Figure SMS_66
分别对应记为/>
Figure SMS_59
（投影为/>
Figure SMS_61
、/>
Figure SMS_62
），/>
Figure SMS_63
（投影为/>
Figure SMS_58
），
Figure SMS_64
（投影为/>
Figure SMS_67
，/>
Figure SMS_68
），如图4所示。
观察A、B、C三点局部轨迹的海波变化，记坐标分别为
Figure SMS_69
、
Figure SMS_70
、/>
Figure SMS_71
，那么/>
Figure SMS_72
表示了从B点到A点轨迹的海拔变化情况，该值大于0（或/>
Figure SMS_73
）表示B点到A点轨迹的海拔升高，该值小于0（或/>
Figure SMS_74
）表示B点到A点轨迹的海拔降低，该值的绝对数值越大代表海拔变化越大，轨迹越陡峭。
即
Figure SMS_75
和/>
Figure SMS_76
表示了BAC三点的轨迹在A处的上下坡情况，即A处前后的局部范围内海拔升高或降低的情况。
综上分析，本发明定义的量，即（*）式：
Figure SMS_77
刻画了轨迹的在/>
Figure SMS_78
点附近的局部形状。
计算每条行驶轨迹上所有定位点的局部形状量（*）式，得到轨迹的局部形状矩阵。即把除去初始和末尾定位点的中间所有定位点的局部形状量构成一个矩阵，称为局部形状矩阵。设第1条行驶轨迹的目标卫星定位数据为
Figure SMS_95
，/>
Figure SMS_81
，设第2条行驶轨迹的目标卫星定位数据为和/>
Figure SMS_98
，/>
Figure SMS_82
，其中，/>
Figure SMS_86
为第1条行驶轨迹的第/>
Figure SMS_89
个时刻的车辆行驶时间，/>
Figure SMS_97
为第1条行驶轨迹的第/>
Figure SMS_94
个时刻的车辆所处经度，/>
Figure SMS_96
为第1条行驶轨迹的第/>
Figure SMS_79
个时刻的车辆所处纬度，/>
Figure SMS_91
为第1条行驶轨迹的第/>
Figure SMS_88
个时刻的车辆所处海拔，/>
Figure SMS_90
为第2条行驶轨迹的第/>
Figure SMS_92
个时刻的车辆行驶时间，/>
Figure SMS_93
为第2条行驶轨迹的第/>
Figure SMS_83
个时刻的车辆所处经度，/>
Figure SMS_84
为第2条行驶轨迹的第/>
Figure SMS_85
个时刻的车辆所处纬度，/>
Figure SMS_87
为第2条行驶轨迹的第/>
Figure SMS_80
个时刻的车辆所处海拔；
依次通过时间相邻的三点计算中间点的局部形状量，记
Figure SMS_101
为/>
Figure SMS_103
，记/>
Figure SMS_104
为/>
Figure SMS_100
，记/>
Figure SMS_102
为/>
Figure SMS_106
，得到第1条行驶轨迹的局部形状矩阵/>
Figure SMS_107
和第2条行驶轨迹的局部形状矩阵/>
Figure SMS_99
，其中，/>
Figure SMS_105
为第k条行驶轨迹的第i个时刻的路径弯曲程度和方向，/>
Figure SMS_108
为第k条行驶轨迹的第i个时刻的路径左边上下坡度和方向，/>
Figure SMS_109
为第k条行驶轨迹的第i个时刻的路径右边上下坡度和方向。步骤S104，基于局部形状量的各分量符号是否相同对所述局部形状矩阵中的相邻列进行合并，得到轨迹的合并形状矩阵。
在本实施例中，合并同类的局部形状，得到轨迹的合并形状矩阵。即若
Figure SMS_125
和
Figure SMS_112
的每个分量的符号都相同，则合并为/>
Figure SMS_122
，合并到相邻两列不能再合并为止。因为局部形状量的各分量符号相同意味着它们的局部形状相似，表示它们是同一种形状的再延续，可以合并累计起来。合并后的第1条行驶轨迹的合并形状矩阵记为
Figure SMS_123
和第2条行驶轨迹的合并形状矩阵记为/>
Figure SMS_128
，其中，/>
Figure SMS_126
、/>
Figure SMS_127
、/>
Figure SMS_119
，/>
Figure SMS_124
，/>
Figure SMS_110
且/>
Figure SMS_115
或/>
Figure SMS_111
且/>
Figure SMS_114
，/>
Figure SMS_117
为合并后的第k条行驶轨迹的第/>
Figure SMS_120
个时段的路径弯曲程度和方向, />
Figure SMS_113
为合并后的第k条行驶轨迹的第/>
Figure SMS_116
个时段的路径左边上下坡度和方向，/>
Figure SMS_118
为合并后的第k条行驶轨迹的第/>
Figure SMS_121
个时段的路径右边上下坡度和方向。
需要说明的是，局部形状量的符号反映了轨迹的大致局部形状，即弯曲和上下坡的方向，见图5所示。符号后数值的绝对值大小表示弯曲和陡峭的程度。步骤S105，对轨迹的合并形状矩阵进行变换，得到负合并形状矩阵、逆合并形状矩阵以及负逆合并形状矩阵。
在本实施例中，合并形状矩阵以及它的负、逆、负逆矩阵其实是从不同角度观察轨迹得到的矩阵，倒着、反着和倒反着观察，局部形状量的符号和顺序就会发生改变。
具体地，
Figure SMS_129
的负合并形状矩阵定义为/>
Figure SMS_130
；
Figure SMS_131
的逆合并形状矩阵定义为/>
Figure SMS_132
；
Figure SMS_133
的负逆合并形状矩阵定义为/>
Figure SMS_134
；
式中，
Figure SMS_136
、/>
Figure SMS_142
、/>
Figure SMS_145
，/>
Figure SMS_138
，/>
Figure SMS_141
且/>
Figure SMS_146
或/>
Figure SMS_147
且/>
Figure SMS_135
，
Figure SMS_140
为合并后的第k条行驶轨迹的第/>
Figure SMS_144
个时段的路径弯曲程度和方向, />
Figure SMS_148
为合并后的第k条行驶轨迹的第/>
Figure SMS_137
个时段的路径左边上下坡度和方向，/>
Figure SMS_139
为合并后的第k条行驶轨迹的第
Figure SMS_143
个时段的路径右边上下坡度和方向。
步骤S106，将某一轨迹的合并形状矩阵分别与另一轨迹的合并形状矩阵以及另一轨迹的合并形状矩阵的负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵进行重叠，并左右移动其中一个矩阵进行匹配，重叠位置符号相同的数量最多的时刻即为某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵的最佳匹配位置。
在本实施例中，将
Figure SMS_149
分别和/>
Figure SMS_150
以及它的负、逆、负逆矩阵重叠，左右移动其中一个矩阵进行匹配，重叠位置符号相同的数量最多的时刻即为这两个矩阵的最佳匹配位置，因为重叠位置符号相同数量越多，意味着大致形状越相似。通过两个矩阵的最佳匹配位置即找到了两条轨迹上点之间的最佳对应。
需要说明的是，即使是判断两个三角形相似，也需要先将两个三角形的对应顶点找出，三角形上的点对应起来了才方便进一步判定是否相似，如果顶点都对应错了就不能判定三角形相似了。度量两条曲线的相似程度，找出它们的对应点是困难的，对于车辆的行驶轨迹用上面的矩阵匹配方法，可以取得很好的效果。
例如，取两条轨迹如图6，较短的轨迹画了四次，增加了它倒着、反着、倒反着画的轨迹。
图6中“轨迹和形状1”的合并形状矩阵为：（简化为了符号矩阵）
Figure SMS_151
，
图6中“轨迹和形状2”的合并形状矩阵为：（简化为了符号矩阵）
Figure SMS_152
，
这两个矩阵的最佳匹配位置是图6中“轨迹和形状1”的A至B点。存在几个最佳匹配位置就记录几个。
再将图6中“轨迹和形状1”的合并形状矩阵，与“轨迹和形状3”、“轨迹和形状4”、“轨迹和形状5”的合并形状矩阵（即“轨迹和形状2”的负逆、逆、负合并形状矩阵）进行匹配，记录所有最佳匹配位置。
步骤S107，计算在所述最佳匹配位置时某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离，并取某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离中最小距离作为某一轨迹与另一轨迹的相似程度。
在本实施例中，计算上述所有两两匹配好的两个合并形状矩阵的距离。首先将两个合并形状矩阵未重叠的地方用
Figure SMS_153
将它们填充补齐为同阶矩阵，称为它们的填充矩阵；再计算这两个同阶填充矩阵的距离。
如下，给定两个轨迹的合并形状矩阵：
Figure SMS_154
和/>
Figure SMS_155
；
设
Figure SMS_156
，且设第一个合并形状矩阵在第二个合并形状矩阵的最佳匹配位置是从第二个合并形状矩阵的第/>
Figure SMS_157
列开始。
如果
Figure SMS_158
，则将第一个合并形状矩阵扩充为填充矩阵：
Figure SMS_159
，
其前面有
Figure SMS_160
个/>
Figure SMS_161
，后面有/>
Figure SMS_162
个/>
Figure SMS_163
。第二个合并形状矩阵不用填充，本身即为填充矩阵，与填充后的第一个合并形状矩阵同阶。
如果
Figure SMS_164
，则将两个合并形状矩阵扩充为同阶的填充矩阵，如下：
Figure SMS_165
和/>
Figure SMS_166
；
第一个矩阵前面有
Figure SMS_167
个/>
Figure SMS_168
，第二个矩阵后面有/>
Figure SMS_169
个/>
Figure SMS_170
。
匹配好的两个合并形状矩阵扩充为同阶的填充矩阵后，将填充矩阵对应位置的元素相减求平方和即得两个匹配好的合并形状矩阵间的距离。取所有两两匹配好的合并形状矩阵间的最小距离来度量两条轨迹相似的程度。距离越小，两条轨迹越相似，距离越大，两条轨迹越不相似。
综上，本实施例的方法，获取车辆在不同行驶轨迹上的若干卫星定位数据；计算每条轨迹上去除起始和末尾两点后的每一点的局部形状量，构建局部形状矩阵；合并局部形状矩阵中两列符号相同的列向量，得到合并形状矩阵；将两个矩阵中较小的合并形状矩阵变形得到它的负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵；将较小的合形状矩阵及它的负、逆、负逆矩阵与较大的另一个合并形状矩阵分别进行匹配，确定最佳匹配位置（即重叠位置符号相同的数量最多）；确定两个矩阵的最佳匹配位置后，用
Figure SMS_171
将它们填充为同阶矩阵；分别计算四对匹配好的填充形状矩阵间的距离，取最小的距离作为两条轨迹间相似性的度量，用于度量不同的车辆行驶轨迹之间的相似性程度，通过解决不同轨迹上对应点的配匹问题，使得相似性计算结果与人的直观相吻合，并且计算复杂度低。
需要说明的是，本实施例的方法是针对车辆正常行驶时的轨迹进行相似性度量与判定的方法。即车辆是按平滑的路线进行行驶的，其定位点的连线能够基本反映行驶轨迹的形状和大小。在两个相邻卫星定位数据的间隔时间内，非正常情况下，车辆可能出现各种奇异极端的行驶路线，仅从两个端点的卫星定位数据来看是无法判断其具体轨迹的。另一方面，在短时间间隔内车辆行驶出异常轨迹，比如横着行驶或倒着行驶，这是较为极端的情况，在行驶过程中的总体占比是很小的，大部分时间车辆应该是正常行驶，因此即使在这种情况下对车辆行驶轨迹的相似性度量也不会造成整体的太大偏差。
在一个具体实施示例中，采用三条轨迹（a）、（b）和（c）的数据以便进行对比，三条轨迹上点的定位数据已用直角坐标表示，涉及的数据整理、清洗和坐标变换是已有的常规技术。三条轨迹的具体直角坐标数据如下表a、表b、表c所示，三条轨迹在平面上的投影如下图7所示。
Figure SMS_172
，
Figure SMS_173
，/>
Figure SMS_174
，
第1步，计算表a中2、3、4、5、6、7、8点的局部形状量，以2点的局部形状为例：
步骤1.1、用表a中1、2、3三点构成的三角形的代数面积为：
Figure SMS_175
，
步骤1.2、分别计算表a中1和2，2和3，3和1两点的距离，以及1和2，2和3两点的海拔差：
Figure SMS_176
，
Figure SMS_177
，
Figure SMS_178
，
步骤1.3、根据（*）得到2点的局部形状量
Figure SMS_179
即2点的局部形状量为：
Figure SMS_180
以上述步骤1.1-步骤1.3同样的步骤计算其它点的局部形状量，得到各个点所对应的局部形状量如下表1.1.所示。
Figure SMS_181
，
明显地，轨迹（a）的局部形状矩阵就是由上表1.1的第二列数据所构成，此处用表1.1来代替轨迹（a）的局部形状矩阵。
第2步，合并轨迹（a）的局部形状矩阵，得到轨迹（a）的合并形状矩阵。此处我们用表2.1来描述轨迹（a）的局部形状矩阵的合并过程。
Figure SMS_182
，
由此可得，轨迹（a）的合并形状矩阵和对应的符号矩阵，此处用表2.2来代替轨迹（a）的合并形状矩阵和对应的符号矩阵，它们分别由表2.2的第三列和第二列数据构成。
Figure SMS_183
，
第3步，以上述第1步和第2步中同样的过程计算得到轨迹（b）和轨迹（c）的局部形状矩阵、合并形状矩阵（符号矩阵自然产生），如下表3.1、表3.2、表3.3、表3.4所示。
Figure SMS_184
，
Figure SMS_185
，/>
Figure SMS_186
，
Figure SMS_187
，
第4步，做轨迹（b）、轨迹（c）合并形状矩阵对应的负矩阵，逆矩阵，负逆矩阵， 仅取它们对应的符号矩阵描述如下表4.1、表4.2所示：
Figure SMS_188
，
Figure SMS_189
，
第5步，用轨迹（b）和轨迹（c）与轨迹（a）进行匹配，并计算轨迹的相似程度。以轨迹（b）和轨迹（a）进行匹配为例，这是通过轨迹（a）的合并形状矩阵与轨迹（b）的合并形状矩阵及其负、逆、负逆合并形状矩阵进行匹配来进行。
Figure SMS_190
，
从而轨迹（a）与轨迹（b）的相似程度以匹配好的两个同阶填充矩阵的最小距离进行刻画。以计算上表5.1第2和3列两矩阵的距离为例：
Figure SMS_191
，
同样可以计算得：表5.1第2和4列距离为：3.45749348134465；表5.1第2和5列距离为：0.759965907770135；
表5.1第2和6列距离为：6.15668867779108。取所有匹配矩阵的最小距离作为相似性的度量，所以轨迹（a）与轨迹（b）的相似程度用0.759965907770135表示。
同样的配匹轨迹（a）与轨迹（c），并计算它们之间的相似程度如下：
Figure SMS_192
，
取所有匹配矩阵对的最小距离作为相似性的度量，所以轨迹（a）与轨迹（c）的相似程度用：
Figure SMS_193
表示。
因为3.45922185785241大于0.759965907770135，由距离值越小越相似可得轨迹（b）和轨迹（a）更加相似。观察图7，显然轨迹（b）和（a）比轨迹（c）和（a）更相似，计算结果符合人们的直观预期。
请参阅图8，其示出了本申请的一种基于稀疏卫星定位的车辆行驶轨迹相似性度量系统的结构框图。
如图8所示，车辆行驶轨迹相似性度量系统200，包括获取模块210、整理模块220、第一计算模块230、合并模块240、变换模块250、匹配模块260以及第二计算模块270。
其中，获取模块210，配置为基于预设时间间隔获取车辆在不同行驶轨迹上的若干卫星定位数据；整理模块220，配置为对若干卫星定位数据进行清洗整理，使去除相邻时间点移动距离小于第一预设距离阈值和大于第二预设距离阈值的卫星定位数据，得到若干目标卫星定位数据，其中，所述第二预设距离阈值大于所述第一预设距离阈值；第一计算模块230，配置为根据若干目标卫星定位数据计算每条行驶轨迹上所有定位点的局部形状量，得到轨迹的局部形状矩阵，其中，所述局部形状矩阵为去除初始和末尾定位点后由中间所有定位点的局部形状量构成的一个矩阵；合并模块240，配置为基于局部形状量的各分量符号是否相同对所述局部形状矩阵中的相邻列进行合并，得到轨迹的合并形状矩阵；变换模块250，对轨迹的合并形状矩阵进行变换，得到负合并形状矩阵、逆合并形状矩阵以及负逆合并形状矩阵；匹配模块260，配置为将某一轨迹的合并形状矩阵分别与另一轨迹的合并形状矩阵以及另一轨迹的合并形状矩阵的负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵进行重叠，并左右移动其中一个矩阵进行匹配，重叠位置符号相同的数量最多的时刻即为某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵的最佳匹配位置；第二计算模块270，配置为计算在所述最佳匹配位置时某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离，并取某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离中最小距离作为某一轨迹与另一轨迹的相似程度。
应当理解，图8中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图8中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述实施例中的基于稀疏卫星定位的车辆行驶轨迹相似性度量方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
基于预设时间间隔获取车辆在不同行驶轨迹上的若干卫星定位数据；
对若干卫星定位数据进行清洗整理，使去除相邻时间点移动距离小于第一预设距离阈值和大于第二预设距离阈值的卫星定位数据，得到若干目标卫星定位数据，其中，所述第二预设距离阈值大于所述第一预设距离阈值；
根据若干目标卫星定位数据计算每条行驶轨迹上所有定位点的局部形状量，得到轨迹的局部形状矩阵，其中，所述局部形状矩阵为去除初始和末尾定位点后由中间所有定位点的局部形状量构成的一个矩阵；
基于局部形状量的各分量符号是否相同对所述局部形状矩阵中的相邻列进行合并，得到轨迹的合并形状矩阵；
对轨迹的合并形状矩阵进行变换，得到负合并形状矩阵、逆合并形状矩阵以及负逆合并形状矩阵；
将某一轨迹的合并形状矩阵分别与另一轨迹的合并形状矩阵以及另一轨迹的合并形状矩阵的负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵进行重叠，并左右移动其中一个矩阵进行匹配，重叠位置符号相同的数量最多的时刻即为某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵的最佳匹配位置；
计算在所述最佳匹配位置时某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离，并取某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离中最小距离作为某一轨迹与另一轨迹的相似程度。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于稀疏卫星定位的车辆行驶轨迹相似性度量系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于稀疏卫星定位的车辆行驶轨迹相似性度量系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图9是本发明实施例提供的电子设备的结构示意图，如图9所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图9中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于稀疏卫星定位的车辆行驶轨迹相似性度量方法。输入装置330可接收输入的数字或字符信息，以及产生与基于稀疏卫星定位的车辆行驶轨迹相似性度量系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于稀疏卫星定位的车辆行驶轨迹相似性度量系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
基于预设时间间隔获取车辆在不同行驶轨迹上的若干卫星定位数据；
对若干卫星定位数据进行清洗整理，使去除相邻时间点移动距离小于第一预设距离阈值和大于第二预设距离阈值的卫星定位数据，得到若干目标卫星定位数据，其中，所述第二预设距离阈值大于所述第一预设距离阈值；
根据若干目标卫星定位数据计算每条行驶轨迹上所有定位点的局部形状量，得到轨迹的局部形状矩阵，其中，所述局部形状矩阵为去除初始和末尾定位点后由中间所有定位点的局部形状量构成的一个矩阵；
基于局部形状量的各分量符号是否相同对所述局部形状矩阵中的相邻列进行合并，得到轨迹的合并形状矩阵；
对轨迹的合并形状矩阵进行变换，得到负合并形状矩阵、逆合并形状矩阵以及负逆合并形状矩阵；
将某一轨迹的合并形状矩阵分别与另一轨迹的合并形状矩阵以及另一轨迹的合并形状矩阵的负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵进行重叠，并左右移动其中一个矩阵进行匹配，重叠位置符号相同的数量最多的时刻即为某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵的最佳匹配位置；
计算在所述最佳匹配位置时某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离，并取某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离中最小距离作为某一轨迹与另一轨迹的相似程度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于稀疏卫星定位的车辆行驶轨迹相似性度量方法，其特征在于，包括：
基于预设时间间隔获取车辆在不同行驶轨迹上的若干卫星定位数据；
对若干卫星定位数据进行清洗整理，使去除相邻时间点移动距离小于第一预设距离阈值和大于第二预设距离阈值的卫星定位数据，得到若干目标卫星定位数据，其中，所述第二预设距离阈值大于所述第一预设距离阈值；
根据若干目标卫星定位数据计算每条行驶轨迹上所有定位点的局部形状量，得到轨迹的局部形状矩阵，其中，所述局部形状矩阵为去除初始和末尾定位点后由中间所有定位点的局部形状量构成的一个矩阵，得到轨迹的局部形状矩阵的过程具体包括：
设1条行驶轨迹的目标卫星定位数据为
Figure FDA0004182040930000011
Figure FDA0004182040930000012
设2条行驶轨迹的目标卫星定位数据为和/>
Figure FDA0004182040930000013
其中，
Figure FDA0004182040930000014
为第1条行驶轨迹的第i个时刻的车辆行驶时间，/>
Figure FDA0004182040930000015
为第1条行驶轨迹的第i个时刻的车辆所处经度，/>
Figure FDA0004182040930000016
为第1条行驶轨迹的第i个时刻的车辆所处纬度，/>
Figure FDA0004182040930000017
为第1条行驶轨迹的第i个时刻的车辆所处海拔，/>
Figure FDA0004182040930000018
为第2条行驶轨迹的第j个时刻的车辆行驶时间，/>
Figure FDA0004182040930000019
为第2条行驶轨迹的第j个时刻的车辆所处经度，/>
Figure FDA00041820409300000110
为第2条行驶轨迹的第j个时刻的车辆所处纬度，/>
Figure FDA00041820409300000111
为第2条行驶轨迹的第j个时刻的车辆所处海拔；
依次通过时间相邻的三点计算中间点的局部形状量，记
Figure FDA00041820409300000112
为
Figure FDA00041820409300000113
记/>
Figure FDA00041820409300000114
为/>
Figure FDA00041820409300000115
记/>
Figure FDA00041820409300000116
为
Figure FDA0004182040930000021
得到第1条行驶轨迹的局部形状矩阵/>
Figure FDA0004182040930000022
和第2条行驶轨迹的局部形状矩阵/>
Figure FDA0004182040930000023
其中，/>
Figure FDA0004182040930000024
为第k条行驶轨迹的第i个时刻的路径弯曲程度和方向，/>
Figure FDA0004182040930000025
为第k条行驶轨迹的第i个时刻的路径左边上下坡度和方向，/>
Figure FDA0004182040930000026
为第k条行驶轨迹的第i个时刻的路径右边上下坡度和方向；
基于局部形状量的各分量符号是否相同对所述局部形状矩阵中的相邻列进行合并，得到轨迹的合并形状矩阵，其中，得到轨迹的合并形状矩阵具体包括：
若
Figure FDA0004182040930000027
和/>
Figure FDA0004182040930000028
的每个分量的符号都相同，则合并为/>
Figure FDA0004182040930000029
合并到相邻两列不能再合并为止，得到合并后的第1条行驶轨迹的合并形状矩阵记为
Figure FDA00041820409300000210
和第2条行驶轨迹的合并形状矩阵记为/>
Figure FDA00041820409300000211
其中，/>
Figure FDA00041820409300000212
Figure FDA00041820409300000213
且/>
Figure FDA00041820409300000214
或/>
Figure FDA00041820409300000215
且/>
Figure FDA00041820409300000216
Figure FDA00041820409300000217
为合并后的第k条行驶轨迹的第/>
Figure FDA00041820409300000218
个时段的路径弯曲程度和方向，/>
Figure FDA00041820409300000219
为合并后的第k条行驶轨迹的第/>
Figure FDA0004182040930000031
个时段的路径左边上下坡度和方向，/>
Figure FDA0004182040930000032
为合并后的第k条行驶轨迹的第/>
Figure FDA0004182040930000033
个时段的路径右边上下坡度和方向；
对轨迹的合并形状矩阵进行变换，得到负合并形状矩阵、逆合并形状矩阵以及负逆合并形状矩阵；
将某一轨迹的合并形状矩阵分别与另一轨迹的合并形状矩阵以及另一轨迹的合并形状矩阵的负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵进行重叠，并左右移动其中一个矩阵进行匹配，重叠位置符号相同的数量最多的时刻即为某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵的最佳匹配位置；
计算在所述最佳匹配位置时某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离，并取某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离中最小距离作为某一轨迹与另一轨迹的相似程度。
2.根据权利要求1所述的一种基于稀疏卫星定位的车辆行驶轨迹相似性度量方法，其特征在于，其中，所述卫星定位数据包括：轨迹编号、车辆当前行驶时间、车辆当前所处经度、车辆当前所处纬度以及车辆当前所处海拔。
3.根据权利要求1所述的一种基于稀疏卫星定位的车辆行驶轨迹相似性度量方法，其特征在于，其中，对轨迹的合并形状矩阵进行变换，得到负合并形状矩阵、逆合并形状矩阵以及负逆合并形状矩阵具体为：
Figure FDA0004182040930000034
的负合并形状矩阵定义为/>
Figure FDA0004182040930000035
Figure FDA0004182040930000036
的逆合并形状矩阵定义为/>
Figure FDA0004182040930000037
Figure FDA0004182040930000041
的负逆合并形状矩阵定义为/>
Figure FDA0004182040930000042
式中，
Figure FDA0004182040930000043
且/>
Figure FDA0004182040930000044
或/>
Figure FDA0004182040930000045
且
Figure FDA0004182040930000046
Figure FDA0004182040930000047
为合并后的第k条行驶轨迹的第/>
Figure FDA0004182040930000048
个时段的路径弯曲程度和方向，/>
Figure FDA0004182040930000049
为合并后的第k条行驶轨迹的第/>
Figure FDA00041820409300000410
个时段的路径左边上下坡度和方向，/>
Figure FDA00041820409300000411
为合并后的第k条行驶轨迹的第/>
Figure FDA00041820409300000412
个时段的路径右边上下坡度和方向。
4.根据权利要求1所述的一种基于稀疏卫星定位的车辆行驶轨迹相似性度量方法，其特征在于，所述计算在所述最佳匹配位置时某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵间的距离，包括：
根据所述最佳匹配位置将某一轨迹的合并形状矩阵与另一轨迹的合
并形状矩阵未重叠的地方用(0 0 0)T进行填充补齐，得到某一轨迹的同阶填充矩阵和另一轨迹的同阶填充矩阵；
将某一轨迹的同阶填充矩阵和另一轨迹的同阶填充矩阵相互对应位置的元素相减求平方和，即得到某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵间的距离。
5.一种基于稀疏卫星定位的车辆行驶轨迹相似性度量系统，其特征在于，包括：
获取模块，配置为基于预设时间间隔获取车辆在不同行驶轨迹上的若干卫星定位数据；
整理模块，配置为对若干卫星定位数据进行清洗整理，使去除相邻时间点移动距离小于第一预设距离阈值和大于第二预设距离阈值的卫星定位数据，得到若干目标卫星定位数据，其中，所述第二预设距离阈值大于所述第一预设距离阈值；
第一计算模块，配置为根据若干目标卫星定位数据计算每条行驶轨迹上所有定位点的局部形状量，得到轨迹的局部形状矩阵，其中，所述局部形状矩阵为去除初始和末尾定位点后由中间所有定位点的局部形状量构成的一个矩阵，得到轨迹的局部形状矩阵的过程具体包括：
设1条行驶轨迹的目标卫星定位数据为
Figure FDA0004182040930000051
Figure FDA0004182040930000052
设2条行驶轨迹的目标卫星定位数据为和/>
Figure FDA0004182040930000053
其中，
Figure FDA0004182040930000054
为第1条行驶轨迹的第i个时刻的车辆行驶时间，/>
Figure FDA0004182040930000055
为第1条行驶轨迹的第i个时刻的车辆所处经度，/>
Figure FDA0004182040930000056
为第1条行驶轨迹的第i个时刻的车辆所处纬度，/>
Figure FDA0004182040930000057
为第1条行驶轨迹的第i个时刻的车辆所处海拔，/>
Figure FDA0004182040930000058
为第2条行驶轨迹的第j个时刻的车辆行驶时间，/>
Figure FDA0004182040930000059
为第2条行驶轨迹的第j个时刻的车辆所处经度，/>
Figure FDA00041820409300000510
为第2条行驶轨迹的第j个时刻的车辆所处纬度，/>
Figure FDA00041820409300000511
为第2条行驶轨迹的第j个时刻的车辆所处海拔；
依次通过时间相邻的三点计算中间点的局部形状量，记
Figure FDA00041820409300000512
为
Figure FDA00041820409300000513
记/>
Figure FDA00041820409300000514
为/>
Figure FDA00041820409300000515
记/>
Figure FDA00041820409300000516
为
Figure FDA00041820409300000517
得到第1条行驶轨迹的局部形状矩阵/>
Figure FDA00041820409300000518
和第2条行驶轨迹的局部形状矩阵/>
Figure FDA00041820409300000519
其中，/>
Figure FDA00041820409300000520
为第k条行驶轨迹的第i个时刻的路径弯曲程度和方向，/>
Figure FDA00041820409300000521
为第k条行驶轨迹的第i个时刻的路径左边上下坡度和方向，/>
Figure FDA00041820409300000522
为第k条行驶轨迹的第i个时刻的路径右边上下坡度和方向；
合并模块，配置为基于局部形状量的各分量符号是否相同对所述局部形状矩阵中的相邻列进行合并，得到轨迹的合并形状矩阵，其中，得到轨迹的合并形状矩阵具体包括：
若
Figure FDA0004182040930000061
和/>
Figure FDA0004182040930000062
的每个分量的符号都相同，则合并为/>
Figure FDA0004182040930000063
合并到相邻两列不能再合并为止，得到合并后的第1条行驶轨迹的合并形状矩阵记为
Figure FDA0004182040930000064
和第2条行驶轨迹的合并形状矩阵记为/>
Figure FDA0004182040930000065
其中，/>
Figure FDA0004182040930000066
Figure FDA0004182040930000067
且/>
Figure FDA0004182040930000068
或/>
Figure FDA0004182040930000069
且/>
Figure FDA00041820409300000610
Figure FDA00041820409300000611
为合并后的第k条行驶轨迹的第/>
Figure FDA00041820409300000612
个时段的路径弯曲程度和方向，/>
Figure FDA00041820409300000613
为合并后的第k条行驶轨迹的第/>
Figure FDA00041820409300000614
个时段的路径左边上下坡度和方向，/>
Figure FDA00041820409300000615
为合并后的第k条行驶轨迹的第/>
Figure FDA00041820409300000616
个时段的路径右边上下坡度和方向；
变换模块，对轨迹的合并形状矩阵进行变换，得到负合并形状矩阵、逆合并形状矩阵以及负逆合并形状矩阵；
匹配模块，配置为将某一轨迹的合并形状矩阵分别与另一轨迹的合并形状矩阵以及另一轨迹的合并形状矩阵的负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵进行重叠，并左右移动其中一个矩阵进行匹配，重叠位置符号相同的数量最多的时刻即为某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵的最佳匹配位置；
第二计算模块，配置为计算在所述最佳匹配位置时某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离，并取某一轨迹的合并形状矩阵与另一轨迹的合并形状矩阵、负合并形状矩阵、逆合并形状矩阵、负逆合并形状矩阵的距离中最小距离作为某一轨迹与另一轨迹的相似程度。
6.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4任一项所述的方法。
CN202310168974.XA 2023-02-27 2023-02-27 基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统 Active CN115859129B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310168974.XA CN115859129B (zh) 2023-02-27 2023-02-27 基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310168974.XA CN115859129B (zh) 2023-02-27 2023-02-27 基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统

Publications (2)

Publication Number Publication Date
CN115859129A CN115859129A (zh) 2023-03-28
CN115859129B true CN115859129B (zh) 2023-07-14

Family

ID=85659097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310168974.XA Active CN115859129B (zh) 2023-02-27 2023-02-27 基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统

Country Status (1)

Country Link
CN (1) CN115859129B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311010A (zh) * 2020-02-22 2020-06-19 中国平安财产保险股份有限公司 车辆风险预测方法、装置、电子设备及可读存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7991550B2 (en) * 2006-02-03 2011-08-02 GM Global Technology Operations LLC Method and apparatus for on-vehicle calibration and orientation of object-tracking systems
CN104657746B (zh) * 2015-01-29 2017-09-12 电子科技大学 一种基于车辆轨迹相似性的异常检测方法
CN109031372B (zh) * 2018-06-07 2021-09-28 卡斯柯信号有限公司 一种从卫星定位数据中自动提取行驶线路关键点的方法
CN111552754B (zh) * 2020-04-24 2020-12-29 中国科学院空天信息创新研究院 一种舰船轨迹相似度度量方法及系统
CN114648872A (zh) * 2020-12-21 2022-06-21 深圳市星砺达科技有限公司 基于车辆轨迹的车辆用途分析方法、装置、设备及介质
CN112700643A (zh) * 2020-12-21 2021-04-23 北京百度网讯科技有限公司 输出车辆流向的方法、装置、路侧设备以及云控平台
CN113902057A (zh) * 2021-10-21 2022-01-07 苏州空天信息研究院 一种目标轨迹相似性分析方法
CN114328785A (zh) * 2021-12-28 2022-04-12 北京百度网讯科技有限公司 提取道路信息的方法和装置
CN114509791A (zh) * 2022-01-27 2022-05-17 南昌工程学院 一种缩减存储的卫星定位误差分析方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311010A (zh) * 2020-02-22 2020-06-19 中国平安财产保险股份有限公司 车辆风险预测方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN115859129A (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
US11333796B2 (en) Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data
CN110286387B (zh) 应用于自动驾驶系统的障碍物检测方法、装置及存储介质
CN110108258B (zh) 一种单目视觉里程计定位方法
CN113155139B (zh) 车辆轨迹纠偏方法、装置及电子设备
CN109522804B (zh) 一种道路边沿识别方法及系统
CN112419512B (zh) 一种基于语义信息的空中三维模型修复系统及方法
CN104299260A (zh) 一种基于sift和lbp的点云配准的接触网三维重建方法
CN104183127A (zh) 交通监控视频检测方法和装置
Gikas et al. A novel geodetic engineering method for accurate and automated road/railway centerline geometry extraction based on the bearing diagram and fractal behavior
CN104574393A (zh) 一种三维路面裂缝图像生成系统和方法
CN103971081A (zh) 多车道检测方法和系统
CN110852243B (zh) 一种基于改进YOLOv3的道路交叉口检测方法及装置
CN104111073A (zh) 一种识别地图数据中不准确路段的方法和装置
CN106558051A (zh) 一种改进的从单幅图像检测道路的方法
CN114387319A (zh) 点云配准方法、装置、设备以及存储介质
CN111402413A (zh) 三维视觉定位方法、装置及计算设备、存储介质
CN113742437B (zh) 地图更新方法、装置、电子设备和存储介质
CN115859129B (zh) 基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统
EP4250245A1 (en) System and method for determining a viewpoint of a traffic camera
CN103473567B (zh) 一种基于部分模型的车辆检测方法
CN114429631B (zh) 三维对象检测方法、装置、设备以及存储介质
CN114037834B (zh) 一种基于振动信号和rgb图像融合的语义分割方法及装置
CN112686204B (zh) 一种基于稀疏像素点跟踪的视频测流方法及装置
CN115937449A (zh) 高精地图生成方法、装置、电子设备和存储介质
CN114519686A (zh) 用于检测路牙的方法、装置、电子设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant