CN116634378B - 一种出行道路轨迹识别方法、装置、设备及存储介质 - Google Patents

一种出行道路轨迹识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116634378B
CN116634378B CN202310898816.XA CN202310898816A CN116634378B CN 116634378 B CN116634378 B CN 116634378B CN 202310898816 A CN202310898816 A CN 202310898816A CN 116634378 B CN116634378 B CN 116634378B
Authority
CN
China
Prior art keywords
road
information data
data
travel
track
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
CN202310898816.XA
Other languages
English (en)
Other versions
CN116634378A (zh
Inventor
袁旭明
李嘉杰
靳森
王娜
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.)
Detsaiwei Technology Co ltd
Original Assignee
Detsaiwei Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Detsaiwei Technology Co ltd filed Critical Detsaiwei Technology Co ltd
Priority to CN202310898816.XA priority Critical patent/CN116634378B/zh
Publication of CN116634378A publication Critical patent/CN116634378A/zh
Application granted granted Critical
Publication of CN116634378B publication Critical patent/CN116634378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种出行道路轨迹识别方法、装置、设备及存储介质，属于移动通信技术领域。该方法包括获取待识别移动终端的MR信息数据及基站位置信息数据；基于K近邻算法、预设道路指纹库、MR信息数据以及基站位置信息数据，获取与MR信息数据相匹配的指纹数据，并匹配指纹数据对应的道路节点；使用卡尔曼滤波算法，对道路匹配后的MR信息数据进行异常点过滤，得到过滤后的MR信息数据对应的道路节点；使用最小生成树算法对过滤后的MR信息数据对应的道路节点进行轨迹绘制，得到出行道路轨迹。本发明提出的出行道路轨迹识别方法可解决传统的基于GPS位置信息的方法存在GPS信号限制局限性，导致无法对用户出行道路轨迹信息进行准确分析的问题。

Description

一种出行道路轨迹识别方法、装置、设备及存储介质
技术领域
本发明涉及移动通信技术领域，尤其涉及一种出行道路轨迹识别方法、装置、设备及存储介质。
背景技术
目前，识别用户的出行道路轨迹方法通常基于GPS位置信息，然而这种方法需要用户开启GPS功能，其存在很多局限性。首先，GPS室内、城市峡谷等区域无法获得，导致无法准确分析用户的轨迹信息，其次，GPS精度受限，特别是在高楼、山谷、密林等环境下，GPS信号会受到干扰和阻挡，导致定位精确度低。
因此，目前亟需一种出行道路轨迹识别方法，以解决传统的基于 GPS 位置信息的方法存在无法准确分析用户在一些特定环境下的出行轨迹的局限性，导致无法对用户出行道路轨迹信息进行准确分析的问题。
发明内容
本发明的主要目的在于提供一种出行道路轨迹识别方法、装置、设备以及存储介质，旨在解决传统的基于 GPS 位置信息的方法存在无法准确分析用户在一些特定环境下的出行轨迹的局限性，导致无法对用户出行道路轨迹信息进行准确分析的问题。
为实现上述目的，本发明提供一种出行道路轨迹识别方法，所述出行道路轨迹识别方法包括：
获取待识别移动终端的MR信息数据及基站位置信息数据；
基于K近邻算法、预设道路指纹库、所述MR信息数据以及所述基站位置信息数据，获取与所述MR信息数据相匹配的指纹数据，并匹配所述指纹数据对应的道路节点；
使用卡尔曼滤波算法，对道路匹配后的MR信息数据进行异常点过滤，得到过滤后的MR信息数据对应的道路节点；
使用最小生成树算法对所述过滤后的MR信息数据对应的道路节点进行轨迹绘制，得到待识别移动终端的出行道路轨迹。
可选地，所述使用卡尔曼滤波算法，对道路匹配后的MR信息数据进行异常点过滤，得到过滤后的MR信息数据对应的道路节点的步骤，具体包括：
基于所述道路匹配后的MR信息数据，使用最大期望算法，对卡尔曼滤波模型进行训练，得到训练后的卡尔曼滤波模型；
基于所述训练后的卡尔曼滤波模型和所述道路匹配后的MR信息数据的初始点，对所述道路匹配后的MR信息数据进行异常点过滤，得到过滤后的MR信息数据对应的道路节点。
可选地，所述基于所述道路匹配后的MR信息数据，使用最大期望算法，对卡尔曼滤波模型进行训练，得到训练后的卡尔曼滤波模型的步骤，具体包括：
基于所述道路匹配后的MR信息数据，将所述MR信息数据中时间戳最早的数据对应的经纬度设置为卡尔曼滤波模型的初始点；
使用最大期望算法，对卡尔曼滤波模型进行训练，得到训练后的卡尔曼滤波模型。
可选地，所述基于K近邻算法、预设道路指纹库、所述MR信息数据以及所述基站位置信息数据，获取与所述MR信息数据相匹配的指纹数据，并匹配所述指纹数据对应的道路节点的步骤之前，所述方法还包括：
将预设道路区域划分为多个栅格；
在预设时间段内，在每个栅格中采集MR信息数据和基站位置信息数据；
基于多个栅格采集的所述MR信息数据和所述基站位置信息数据，生成指纹数据，其中，每条指纹数据具有对应的道路节点；
将所述指纹数据进行修正以构建所述预设道路指纹库。
可选地，所述使用最小生成树算法对所述过滤后的MR信息数据对应的道路节点进行轨迹绘制，得到待识别移动终端的出行道路轨迹的步骤之后，所述方法还包括：
对所述待识别移动终端的出行道路轨迹进行可视化呈现。
为实现上述目的，本发明还提供一种出行道路轨迹识别装置，所述出行道路轨迹识别装置包括：
数据获取模块，用于获取待识别移动终端的MR信息数据及基站位置信息数据；
道路节点匹配模块，用于基于K近邻算法、预设道路指纹库、所述MR信息数据以及所述基站位置信息数据，获取与所述MR信息数据相匹配的指纹数据，并匹配所述指纹数据对应的道路节点；
数据过滤模块，用于使用卡尔曼滤波算法，对道路匹配后的MR信息数据进行异常点过滤，得到过滤后的MR信息数据对应的道路节点；
道路轨迹绘制模块，用于使用最小生成树算法对所述过滤后的MR信息数据对应的道路节点进行轨迹绘制，得到待识别移动终端的出行道路轨迹。
为实现上述目的，本发明还提供一种出行道路轨迹识别设备，包括：
处理器，存储器以及存储在所述存储器中的出行道路轨迹识别程序，所述出行道路轨迹识别程序被所述处理器运行时实现如上任一项所述出行道路轨迹识别方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有出行道路轨迹识别程序，所述出行道路轨迹识别程序被处理器执行时实现如上任一项所述的出行道路轨迹识别方法。
本发明实施例提出的出行道路轨迹识别方法通过采集海量手机终端的MR测量信息及基站位置信息，利用MR的指标的空间分布特征，结合机器学习算法，得出用户在道路上的位置，再把道路信息按照图模型进行建模，并使用最小生成树算法将这些位置按照时序连接成连续的路径，实现用户的出行轨迹识别。
本发明通过基于大数据机器学习的道路匹配算法预测用户所在道路位置，并与图计算相结合识别用户道路轨迹，所使用的用户移动终端MR数据相比GPS数据用户覆盖率更高，产生频率也更快。
综上所述，由于采用了上述技术方案，本发明的有益效果为：
本发明的出行道路轨迹识别方法适用于所有使用手机终端的用户出行轨迹的识别，可以实现高精度的用户出行轨迹记录和分析，同时具有快速处理速度和实时性的特点，其可以满足移动通信运营商对用户道路轨迹分析的需求，提高运营商的服务质量和用户体验，此外，还可以实现移动终端用户道路轨迹的自动识别，提升用户出行数据的全面性和准确性，指导位置服务、旅游行业、物流行业和城市规划等各行各业工作的开展，无需使用较难获取的GPS数据，实现降本增效，具有更新频率快、准确性高的特点。
附图说明
图1为本发明出行道路轨迹识别设备第一实施例的结构示意图；
图2为本发明出行道路轨迹识别方法第一实施例的流程示意图一；
图3为本发明出行道路轨迹识别方法第一实施例的流程示意图二；
图4为本发明出行道路轨迹识别方法第一实施例的道路匹配原理示意图；
图5为本发明出行道路轨迹识别装置第一实施例的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
由于传统的识别用户的出行道路轨迹方法通常基于GPS位置信息，存在很多局限性，基于 GPS 位置信息的方法存在无法准确分析用户在一些特定环境下的出行轨迹的局限性，导致无法对用户出行道路轨迹信息进行准确分析。
本发明提供一种解决方案，通过采集海量手机终端的 MR 测量信息和基站位置信息，利用 MR 的 RSRP、RSSI、TA 等指标的空间分布特征，结合机器学习算法，再将道路信息按照图模型进行建模，并使用最小生成树算法将这些位置按照时序连接成连续的路径，实现用户的出行轨迹识别。通过这种方法，用户可以在不开启 GPS 功能的情况下，准确地记录和分析自己的出行道路轨迹。
本申请实施例以下，将对本申请技术实现中应用到的出行道路轨迹识别设备进行说明：
参照图1，图1为本申请实施例方案涉及的硬件运行环境出行道路轨迹识别设备的结构示意图。
如图1所示，该设备可以包括：处理器1001，例如中央处理器（Central ProcessingUnit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（Random Access Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对出行道路轨迹识别终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及出行道路轨迹识别程序。
在图1所示的出行道路轨迹识别终端中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明出行道路轨迹识别终端中的处理器1001、存储器1005可以设置在出行道路轨迹识别终端中，出行道路轨迹识别终端通过处理器1001调用存储器1005中存储的出行道路轨迹识别程序，并执行本申请实施例提供的出行道路轨迹识别方法。
本申请实施例以下，将对本申请技术实现中应用到的出行道路轨迹识别方法进行说明：
基于上述硬件且不限于上述硬件结构，提出本发明出行道路轨迹识别方法第一实施例，参照图2和图3，图2和图3示出了本发明出行道路轨迹识别方法第一实施例的流程示意图。
所述出行道路轨迹识别方法包括：
步骤S100、获取待识别移动终端的MR信息数据及基站位置信息数据；
基站位置信息数据包括基站ID、扇区ID、扇区的经纬度、扇区发射功率。
MR信息数据包括每个扇区下众多手机终端接收信号的基站ID、扇区ID、RSRP信号强度。MR信息数据量大，分布地域广，只要有手机终端使用的地方，就会产生数据。
步骤S200、基于K近邻算法、预设道路指纹库、所述MR信息数据以及所述基站位置信息数据，获取与所述MR信息数据相匹配的指纹数据，并匹配所述指纹数据对应的道路节点；
预设道路指纹库的构建：将预设道路区域划分为多个栅格，在预设时间段内，在每个栅格中的参考点上采集历史MR信息数据和基站位置信息数据，基于多个栅格采集的数据，生成指纹数据，每条指纹数据有其对应的道路节点，将所述指纹数据进行修正以构建所述预设道路指纹库，参阅图4。
在指纹匹配阶段，一个移动设备处于预设道路的某条道路上，但是不知道其具体位置，假设该移动设备的MR信息数据和基站位置信息数据已被采集，要确定移动设备的位置，即要找到在所述预设道路指纹库中和该移动设备的MR信息数据最匹配的指纹数据。
K近邻（K-Nearest Neighbors）算法具体为，设预设道路指纹库中总共有N条指纹数据，第i条为，其中/>为D维网络指标向量，/>表示指纹数据对应的道路节点。为了体现特征之间的相对重要性，每个特征被赋予了一定的权重，设特征权重向量为W=/>，特征权重为一组超参数，设d为/>上的距离函数，/>，表达式为，/>，设X为待匹配道路位置的MR，K近邻算法为将/>条指纹数据重新排序为/>，使其满足，则预测道路节点/>为/>。
步骤S300、使用卡尔曼滤波算法，对道路匹配后的MR信息数据进行异常点过滤，得到过滤后的MR信息数据对应的道路节点；
该步骤具体包括：
基于所述道路匹配后的MR信息数据，使用最大期望算法，对卡尔曼滤波模型进行训练，得到训练后的卡尔曼滤波模型；
基于所述训练后的卡尔曼滤波模型和所述道路匹配后的MR信息数据的初始点，对所述道路匹配后的MR信息数据进行异常点过滤，得到过滤后的MR信息数据对应的道路节点。
在一实施例中，使用道路匹配后的MR数据训练卡尔曼滤波模型，模型参数的初始点设置为MR信息数据中时间戳最早的数据对应的经纬度，初始误差设置为0.0005，即物理距离的50米左右。配置好参数后，使用最大期望算法（Expectation-maximizationalgorithm）进行模型训练。基于训练好的卡尔曼滤波模型，用MR信息数据中时间戳最早的数据作为初始点进行预测，剔除与预测位置距离误差超过200米的MR信息数据。
卡尔曼滤波是一种利用线性系统模型和高斯噪声的最优估计滤波算法，它通过动态地调整测量值和模型估计值之间的权衡，不断更新估计值，使估计值更加准确。
以下为卡尔曼滤波的步骤：
输入：观测数据集合，初始状态估计/>及其协方差矩阵/>。
输出：估计状态及其协方差矩阵/>。
（1）初始化：根据观测数据集合和初始状态估计/>及其协方差矩阵/>，计算状态估计/>和协方差矩阵/>。
（2）预测：根据系统模型和前一时刻的状态估计及其协方差矩阵/>，预测当前时刻的状态/>及其协方差矩阵/>。
（3）更新：根据观测数据和预测值/>，计算卡尔曼增益/>和当前时刻的状态估计/>及其协方差矩阵/>。
（4）重复执行上述步骤（2）和步骤（3），直至处理完所有观测数据。
（5）返回最终的状态估计及其协方差矩阵/>。
步骤S400、使用最小生成树算法对所述过滤后的MR信息数据对应的道路节点进行轨迹绘制，得到待识别移动终端的出行道路轨迹。
上述步骤S300过滤后剩下的MR信息数据对应了较为精确的用户经过的道路节点，接下来使用最小生成树算法把这些节点连接成轨迹。
首先为用户经过的道路构建图模型，选取这些道路作为图的顶点（Vertices），再把地图数据中相连的道路用边（Edge）连接起来，边的权重等于道路的长度。
然后对该图模型使用最小生成树算法，得到连通所有顶点且边权重之和最小的子图，即为用户道路轨迹。
具体地，在道路匹配待识别手机终端所在的道路节点后，想要得到完整的用户出行轨迹，还需要把上述道路节点通过一条路径连接起来。最小生成树算法就是把这些位置拼接为轨迹的一种方案。
最小生成树算法是一种用于解决无向带权图的最小生成树问题的常见算法，最小生成树问题的目标是找到一个无向图的生成树，使得该生成树的所有边权之和最小，生成树指的是包含某些MR信息数据对应的道路节点的连通子图。
Prim算法是最小生成树问题的一种经典算法，Prim算法的基本思想是从任意一个节点开始，每次找到与当前节点距离最近的一个未访问的节点，将该节点加入到生成树中，并将该节点与已访问节点集合中的节点的距离进行更新。重复此过程直到所有节点都被访问。
以下为Prim算法的流程：
输入：一个带权连通图，其中/>为节点集合，E为边集合。
输出：该图的最小生成树。
（1）任意选取一个节点作为起始节点，将其加入到生成树中。
（2）从与生成树相邻的节点中，选择一条边权最小的边，将该边所连接的节点加入到生成树中。
（3）重复步骤（2），直到所有的节点都被加入到生成树中。
（4）返回生成的最小生成树。
本发明通过基于大数据机器学习的道路匹配算法预测用户所在道路位置，并与图计算相结合识别用户道路轨迹，所使用的用户移动终端MR信息数据相比GPS数据，用户覆盖率更高，生产频率也更快。
该方法可以实现高精度的用户出行轨迹记录和分析，同时具有快速处理速度和实时性的特点；可以满足移动通讯运营商对用户道路轨迹分析的需求，提高运营商的服务质量和用户体验；该方法可以实现移动终端用户道路轨迹的自动识别，提升用户出行数据的全面性和准确性，无需使用较难获取的GPS数据，实现降本增效，具有更新频率快、准确性高的特点，可适用于所有使用手机终端的用户出行轨迹的识别。
进一步地，步骤S400之后，所述方法还包括：
对所述待识别移动终端的出行道路轨迹进行可视化呈现。
得到用户道路轨迹的街道信息后，从地图数据库中匹配对应道路的几何面数据，展示在GIS应用中。
本发明通过采集海量手机终端的MR测量信息及基站位置信息，利用MR的RSRP、RSSI、TA等指标的空间分布特征，结合机器学习算法，得出用户在道路上的位置，再把道路信息按照图模型进行建模，并使用最小生成树算法将这些位置按照时序连接成连续的路径，实现用户的出行轨迹识别。
本发明通过基于大数据机器学习的道路匹配算法预测用户所在道路位置，并与图计算相结合识别用户道路轨迹，所使用的用户移动终端MR数据相比GPS数据用户覆盖率更高，产生频率也更快。
本发明的出行道路轨迹识别方法适用于所有使用手机终端的用户出行轨迹的识别，可以实现高精度的用户出行轨迹记录和分析，同时具有快速处理速度和实时性的特点，其可以满足移动通信运营商对用户道路轨迹分析的需求，提高运营商的服务质量和用户体验，此外，还可以实现移动终端用户道路轨迹的自动识别，提升用户出行数据的全面性和准确性，指导位置服务、旅游行业、物流行业和城市规划等各行各业工作的开展，无需使用较难获取的GPS数据，实现降本增效，具有更新频率快、准确性高的特点。
此外，基于同一发明构思，参阅图5，本发明实施例还提出一种出行道路轨迹识别装置，所述出行道路轨迹识别装置包括：
数据获取模块，用于获取待识别移动终端的MR信息数据及基站位置信息数据；
道路节点匹配模块，用于基于K近邻算法、预设道路指纹库、所述MR信息数据以及所述基站位置信息数据，获取与所述MR信息数据相匹配的指纹数据，并匹配所述指纹数据对应的道路节点；
数据过滤模块，用于使用卡尔曼滤波算法，对道路匹配后的MR信息数据进行异常点过滤，得到过滤后的MR信息数据对应的道路节点；
道路轨迹绘制模块，用于使用最小生成树算法对所述过滤后的MR信息数据对应的道路节点进行轨迹绘制，得到待识别移动终端的出行道路轨迹。
此外，本发明实施例还提出一种计算机存储介质，存储介质上存储有出行道路轨迹识别程序，出行道路轨迹识别程序被处理器执行时实现如上文的出行道路轨迹识别方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。确定为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等，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)执行本发明各个实施例的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种出行道路轨迹识别方法，其特征在于，包括：
获取待识别移动终端的MR信息数据及基站位置信息数据；
基于K近邻算法、预设道路指纹库、所述MR信息数据以及所述基站位置信息数据，获取与所述MR信息数据相匹配的指纹数据，并匹配所述指纹数据对应的道路节点；
使用卡尔曼滤波算法，对道路匹配后的MR信息数据进行异常点过滤，得到过滤后的MR信息数据对应的道路节点；
使用最小生成树算法对所述过滤后的MR信息数据对应的道路节点进行轨迹绘制，得到待识别移动终端的出行道路轨迹；
其中，所述预设道路指纹库的构建步骤包括：
将预设道路区域划分为多个栅格；在预设时间段内，在每个栅格中采集MR信息数据和基站位置信息数据；基于多个栅格采集的所述MR信息数据和所述基站位置信息数据，生成指纹数据，其中，每条指纹数据具有对应的道路节点；将所述指纹数据进行修正以构建所述预设道路指纹库。
2.根据权利要求1所述的出行道路轨迹识别方法，其特征在于，所述使用卡尔曼滤波算法，对道路匹配后的MR信息数据进行异常点过滤，得到过滤后的MR信息数据对应的道路节点的步骤，具体包括：
基于所述道路匹配后的MR信息数据，使用最大期望算法，对卡尔曼滤波模型进行训练，得到训练后的卡尔曼滤波模型；
基于所述训练后的卡尔曼滤波模型和所述道路匹配后的MR信息数据的初始点，对所述道路匹配后的MR信息数据进行异常点过滤，得到过滤后的MR信息数据对应的道路节点。
3.根据权利要求2所述的出行道路轨迹识别方法，其特征在于，所述基于所述道路匹配后的MR信息数据，使用最大期望算法，对卡尔曼滤波模型进行训练，得到训练后的卡尔曼滤波模型的步骤，具体包括：
基于所述道路匹配后的MR信息数据，将所述MR信息数据中时间戳最早的数据对应的经纬度设置为卡尔曼滤波模型的初始点；
使用最大期望算法，对卡尔曼滤波模型进行训练，得到训练后的卡尔曼滤波模型。
4.根据权利要求1所述的出行道路轨迹识别方法，其特征在于，所述使用最小生成树算法对所述过滤后的MR信息数据对应的道路节点进行轨迹绘制，得到待识别移动终端的出行道路轨迹的步骤之后，所述方法还包括：
对所述待识别移动终端的出行道路轨迹进行可视化呈现。
5.一种出行道路轨迹识别装置，其特征在于，所述出行道路轨迹识别装置包括：
数据获取模块，用于获取待识别移动终端的MR信息数据及基站位置信息数据；
道路节点匹配模块，用于基于K近邻算法、预设道路指纹库、所述MR信息数据以及所述基站位置信息数据，获取与所述MR信息数据相匹配的指纹数据，并匹配所述指纹数据对应的道路节点；
数据过滤模块，用于使用卡尔曼滤波算法，对道路匹配后的MR信息数据进行异常点过滤，得到过滤后的MR信息数据对应的道路节点；
道路轨迹绘制模块，用于使用最小生成树算法对所述过滤后的MR信息数据对应的道路节点进行轨迹绘制，得到待识别移动终端的出行道路轨迹；
其中，所述预设道路指纹库的构建步骤包括：
将预设道路区域划分为多个栅格；在预设时间段内，在每个栅格中采集MR信息数据和基站位置信息数据；基于多个栅格采集的所述MR信息数据和所述基站位置信息数据，生成指纹数据，其中，每条指纹数据具有对应的道路节点；将所述指纹数据进行修正以构建所述预设道路指纹库。
6.一种出行道路轨迹识别设备，其特征在于，包括：处理器，存储器以及存储在所述存储器中的出行道路轨迹识别程序，所述出行道路轨迹识别程序被所述处理器运行时实现如权利要求1至4中任一项所述出行道路轨迹识别方法的步骤。
7.一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上存储有出行道路轨迹识别程序，所述出行道路轨迹识别程序被处理器执行时实现如权利要求1至4中任一项所述的出行道路轨迹识别方法。
CN202310898816.XA 2023-07-21 2023-07-21 一种出行道路轨迹识别方法、装置、设备及存储介质 Active CN116634378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310898816.XA CN116634378B (zh) 2023-07-21 2023-07-21 一种出行道路轨迹识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310898816.XA CN116634378B (zh) 2023-07-21 2023-07-21 一种出行道路轨迹识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116634378A CN116634378A (zh) 2023-08-22
CN116634378B true CN116634378B (zh) 2023-12-08

Family

ID=87602917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310898816.XA Active CN116634378B (zh) 2023-07-21 2023-07-21 一种出行道路轨迹识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116634378B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107182036A (zh) * 2017-06-19 2017-09-19 重庆邮电大学 基于多维特征融合的自适应位置指纹定位方法
CN110958575A (zh) * 2019-12-02 2020-04-03 重庆邮电大学 一种基于WiFi融合预测的定位方法及系统
CN114245329A (zh) * 2021-12-21 2022-03-25 北京红山信息科技研究院有限公司 通行方式识别方法、装置、设备及存储介质
CN115665665A (zh) * 2022-10-20 2023-01-31 中国电信股份有限公司 移动路径识别方法、识别装置、电子设备和可读存储介质
WO2023071405A1 (zh) * 2021-10-26 2023-05-04 华为技术有限公司 室内停车场定位方法、计算机设备、存储介质及程序产品
CN116095600A (zh) * 2023-02-14 2023-05-09 北京航空航天大学 一种基于5g时空大数据协同的室内定位方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10663305B2 (en) * 2018-07-16 2020-05-26 Here Global B.V. Map matched aggregation for K-anonymity in trajectory data
US10989545B2 (en) * 2019-06-04 2021-04-27 Here Global B.V. Method, apparatus, and computer program product for map data agnostic route fingerprints

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107182036A (zh) * 2017-06-19 2017-09-19 重庆邮电大学 基于多维特征融合的自适应位置指纹定位方法
CN110958575A (zh) * 2019-12-02 2020-04-03 重庆邮电大学 一种基于WiFi融合预测的定位方法及系统
WO2023071405A1 (zh) * 2021-10-26 2023-05-04 华为技术有限公司 室内停车场定位方法、计算机设备、存储介质及程序产品
CN114245329A (zh) * 2021-12-21 2022-03-25 北京红山信息科技研究院有限公司 通行方式识别方法、装置、设备及存储介质
CN115665665A (zh) * 2022-10-20 2023-01-31 中国电信股份有限公司 移动路径识别方法、识别装置、电子设备和可读存储介质
CN116095600A (zh) * 2023-02-14 2023-05-09 北京航空航天大学 一种基于5g时空大数据协同的室内定位方法

Also Published As

Publication number Publication date
CN116634378A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN107610464B (zh) 一种基于高斯混合时间序列模型的轨迹预测方法
Mohamed et al. Accurate real-time map matching for challenging environments
CN104239556B (zh) 基于密度聚类的自适应轨迹预测方法
Tang et al. Estimating the most likely space–time paths, dwell times and path uncertainties from vehicle trajectory data: A time geographic method
CN107688906B (zh) 多方法融合的输电线路气象要素降尺度分析系统及方法
CN107679558A (zh) 一种基于度量学习的用户轨迹相似性度量方法
WO2016108977A1 (en) Analyzing semantic places and related data from a plurality of location data reports
CN107103392A (zh) 一种基于时空地理加权回归的公交客流影响因素识别与预测方法
Mazaré et al. Trade-offs between inductive loops and GPS probe vehicles for travel time estimation: A Mobile Century case study
CN106767835B (zh) 定位方法和装置
CN109041218B (zh) 一种预测用户位置的方法和智能硬件
CN109379711B (zh) 一种定位方法
CN112579922B (zh) 一种基于用户轨迹的兴趣点推荐方法
CN108376183B (zh) 一种基于最大熵原理的城市ca模型构建方法
US11290975B2 (en) Method and apparatus for obtaining emission probability, method and apparatus for obtaining transition probability, and sequence positioning method and apparatus
Lin et al. Vehicle re-identification with dynamic time windows for vehicle passage time estimation
CN105208651A (zh) 基于地图结构的Wi-Fi位置指纹非监督训练方法
CN104507097A (zh) 一种基于WiFi位置指纹的半监督训练方法
CN116341841B (zh) 径流预报误差校正方法、装置、设备、介质和程序产品
CN115988421A (zh) 一种基于时间权重聚类的职住地估计方法及装置
Oran et al. An HMM-based map matching method with cumulative proximity-weight formulation
CN108600340A (zh) 一种基于移动大样本数据的历史人群规模推总方法及装置
CN114236480A (zh) 一种机载平台传感器系统误差配准算法
Fontaine et al. Probe-based traffic monitoring systems with wireless location technology: an investigation of the relationship between system design and effectiveness
CN116634378B (zh) 一种出行道路轨迹识别方法、装置、设备及存储介质

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