CN116828397A - 一种轨迹信息的获取方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请公开了一种轨迹信息的获取方法、装置、电子设备和存储介质，该方法和装置应用于电子设备，具体为采集车载设备与基站的全量通信数据；对全量通信数据执行路网匹配处理，得到车载设备的载车的轨迹数据；对轨迹数据进行伴随计算处理，得到载车的轨迹信息。通过上述处理可使得全量通信数据中层层过滤和纠偏，从而最终得到较高精度的轨迹信息。

Description

一种轨迹信息的获取方法、装置、电子设备和存储介质

技术领域

本申请涉及大数据技术领域，更具体地说，涉及一种轨迹信息的获取方法、装置、电子设备和存储介质。

背景技术

基于车辆轨迹能够实现对行车辆的行为进行定性甚至定量分析，通过分析结果可以实现相应车辆管理目的。卫星定位设备所采集的位置信息具有较高的准确度，但车辆的卫星导航数据的隐私性高、数据完整性差、获取难度大，导致无法方便地进行区域范围内的全量轨迹分析。

本申请的发明人在实践中发现，通过合法合规的途径可以方便取得一定区域范围内的车载设备的全量通信数据，而通信数据中带有定位信息，从而可以基于全量通信数据实现对车辆轨迹信息的解算。但目前因为全量通信数据的精度较差，导致得到的轨迹信息的精度较差。

发明内容

有鉴于此，本申请提供一种轨迹信息的获取方法、装置、电子设备和存储介质，用于基于全量通信数据得到精度较高的车辆轨迹信息。

为了实现上述目的，现提出的方案如下：

一种轨迹信息的获取方法，应用于电子设备，所述获取方法包括步骤：

采集车载设备与基站的全量通信数据；

对所述全量通信数据执行路网匹配处理，得到所述车载设备的载车的轨迹数据；

对所述轨迹数据进行伴随计算处理，得到所述载车的轨迹信息。

可选的，所述对所述全量通信数据执行路网匹配处理，得到所述车载设备的载车的轨迹数据，包括步骤：

对所述全量通信数据进行过滤处理，去除其中的冗余数据；

基于驻留点模型对所述全量通信数据进行处理，滤除处理得到的驻留点；

对所述轨迹数据中的轨迹点位进行抽稀加稠处理；

基于卡尔曼滤波算法对经过抽稀加稠处理后的所述轨迹数据进行分段纠偏处理；

对经过纠偏处理过的所述轨迹数据进行路网绑定处理。

可选的，所述对所述全量通信数据进行过滤处理，去除其中的冗余数据，包括步骤：

对所述全量通信数据进行场景过滤处理；

对经过场景过滤处理的全量通信数据进行连续漂移点过滤处理。

可选的，所述对所述轨迹数据中的轨迹点位进行抽稀加稠处理，包括：

基于预先规定的抽稀算法对所述轨迹点位进行抽稀处理；

和/或，基于预先规定的加稠算法对所述轨迹点位进行加稠处理。

可选的，所述基于卡尔曼滤波算法对经过抽稀加稠处理后的所述轨迹数据进行分段纠偏处理，包括步骤：

基于拐弯点对所述轨迹数据进行分段处理，得到一系列的轨迹数据段；

基于卡尔曼滤波算法对每段所述轨迹数据段进行滤波处理；

将经过滤波处理的所有轨迹数据端进行合并，得到分段纠偏处理后的轨迹数据。

可选的，所述基于卡尔曼滤波算法对经过抽稀加稠处理后的所述轨迹数据进行分段纠偏处理，还包括步骤：

基于网格搜索算法对所述卡尔曼滤波算法的滤波参数进行优化处理。

可选的，所述对所述轨迹数据进行伴随计算处理，得到所述载车的轨迹信息，包括步骤：

对所述轨迹数据进行清洗处理；

对所述轨迹数据进行初步筛除；

对有相似度的轨迹数据进行精准匹配处理。

一种轨迹信息的获取装置，应用于电子设备，所述获取装置包括：

数据采集模块，被配置为采集车载设备与基站的全量通信数据；

路网匹配模块，被配置为对所述全量通信数据执行路网匹配处理，得到所述车载设备的载车的轨迹数据；

伴随计算模块，被配置为对所述轨迹数据进行伴随计算处理，得到所述载车的轨迹信息。

一种电子设备，所述电子设备包括至少一个处理器和与所述处理器连接的存储器，其中：

所述存储器用于存储计算机程序或指令；

所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如上所述的轨迹信息的获取方法。

一种存储介质，应用于电子设备，所述存储介质承载有一个或多个计算机程序，所述一个或多个计算机程序能够被所述电子设备执行，以使所述电子设备实现如上所述的轨迹信息的获取方法。

从上述的技术方案可以看出，本申请公开了一种轨迹信息的获取方法、装置、电子设备和存储介质，该方法和装置应用于电子设备，具体为采集车载设备与基站的全量通信数据；对全量通信数据执行路网匹配处理，得到车载设备的载车的轨迹数据；对轨迹数据进行伴随计算处理，得到载车的轨迹信息。通过上述处理可使得全量通信数据中层层过滤和纠偏，从而最终得到较高精度的轨迹信息。

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为本申请实施例的一种轨迹信息的获取方法的流程图；

图2为本申请实施例的一种路网匹配处理的流程图；

图3为本申请实施例的驻留点的示意图；

图4为本申请实施例的驻留点计算的流程图；

图5为本申请实施例的伴随计算的流程图；

图6为本申请实施例的一种轨迹信息的获取装置的框图；

图7为本申请实施例的一种电子设备的框图。

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。

实施例一

图1为本申请实施例的一种轨迹信息的获取方法的流程图。

如图1所示，本实施例提供的获取方法应用于相应的电子设备，用于根据车辆的车机与基站的全量通信数据进行计算并得到该车辆的轨迹信息，这里的轨迹信息是由一系列的轨迹点位以及与相应轨迹点位对应的时间点构成。该电子设备可以理解为具有信息处理能力和数据计算能力的计算机、服务器或服务器集群，该获取方法包括如下步骤：

S1、采集车载设备与基站的全量通信数据。

通过数据采集设备、信息网络或者其他通信链路，从基站本身或者与基站连接的设备获取相应车辆设备的车载设备与基站的全量通信数据，这里的车载设备是指能够与基站建立通信连接的无线通信设备，如车机或者车载通信设备等。该全量通信数据中包含相应车载设备与基站之间的距离信息和信息交互的时间信息等。

S2、对全量通信数据进行路网匹配处理。

在得到全量通信数据后，基于相应的模型对全量通信数据进行处理，从而得到车载设备或者其载车的轨迹数据。具体处理过程如下，如图2所示。

S201、对全量通信数据进行过滤处理，去除其中的冗余数据。

本实施例的方案还通过一定的方案对全量通信数据进行预处理，具体来说场景过滤方法或者连续漂移点过滤方法对全量通信数据进行过滤，或者通过两种方法对全量通信数据进行先后过滤处理。

首先，本申请通过场景过滤方法对全量通信数据进行过滤处理，以提高数据质量。

通过场景过滤，滤除其中的异常、重复和间断点，提高数据质量和准确性。场景过滤主要包括以下三个部分：

a、异常识别：对于通信数据，异常识别主要关注经纬度不符合实际情况的数据。例如，某些数据可能位于无法通行的地区，或者在短时间内跳跃到相距很远的位置。这些情况可能是由于通信数据因为涉及链接的基站漂移导致。为了保证数据的准确性，需要通过异常识别原则，例如设置经纬度阈值，对这些数据进行过滤。

b、重复识别：在通信数据采集过程中，可能会出现重复上报的情况，即相邻的时间点上报的位置相同或相近。这种情况可能是由于通信数据或车辆实际停留导致。为了避免这种情况对轨迹分析带来干扰，需要通过重复识别原则，例如设置时间和距离阈值，对这些数据进行过滤。

c、间断点识别：在某些情况下，通信数据可能出现间断现象，即相邻的时间点之间距离、时间和速度超过一定限制。这可能是由于通信书丢失、设备故障或者数据传输过程中的丢包等原因导致。为了保证轨迹分析的准确性，需要对这些间断点进行识别和处理。通过设置距离、时间和速度阈值，可以有效识别间断点，并采取相应措施，例如插值或舍弃部分数据，以保证轨迹分析的准确性。

通过以上场景过滤，可以大大提高全量通信数据的数据质量，为后续轨迹分析和处理提供更准确的数据支持。

然后、对经过场景过滤处理的全量通信数据进行连续漂移点过滤，以减少误差。具体过程如下：

步骤一：初始化点位，从初始点位开始，视为经过点检验之后将有效点，加入有笑点列表中，后续加入我们的距离计算过程。

步骤二：有效点的判断是根据与权重点的距离进行判断的。

步骤三：权重点的获取是通过前一个权重点与新的轨迹点根据一定计算逻辑得到的。

步骤四：轨迹的运行过程中，有效权重点只有一个，代表的是一段有效轨迹的稳定点，如果出现疑似偏移点的点，则再生成一个有效权重点，代表新的这个疑似偏移点为开始的点的权重，如果这个新的疑似偏移点之后的5个点都没有偏移，则说明这段轨迹有效，则加入有效轨迹点中并更新权重点该点，权重点代表着一段轨迹的最终稳定点，当它代表的轨迹点数小于5个则表明那段点可能是偏移点，则要被去除。

S202、对全量通信数据进行计算，消除得到的驻留点的影响。

基于预设的驻留点计算模型对去除冗余数据的全量通信数据进行计算，得到驻留点。具体方案在实施时能够根据用户的实际驾驶行为进行切片，准确识别载车的驻留点、在驻留点的停留时间和时长，如图3所示。

图中反映载车的用户从家到公司，中间在某位置分别逗留10分钟和20分钟，具体计算过程如图4所示，具体过程如下：

轨迹聚合：按同一辆车一段时间内的轨迹进行聚合。

轨迹排序：同一辆车一段时间内的聚合轨迹进行时间排序。

驻留点识别：根据一定条件对驻留点进行识别，默认按照停留时长超过10min，最大移动距离小于200m，最大移动速度小于20km/h。

轨迹切片：基于驻留点，对轨迹进行切片，2个驻留点之间的轨迹计算为一个轨迹切片。

特征计算：计算驻留点特征、轨迹特征和点位特征，其中，驻留点特征包括开始时间、结束时间、中心点距离和关联poi；轨迹特征包括开始/结束时间、时长、平均速度和轨迹长度；点位特征包括速度、方向、时间、经度和纬度。

切片分析：分析切片数据，提取异常数据进行重点分析，异常数据包括轨迹平均速度大于120km/h的数据、轨迹长度大于8h的数据、低于1h的轨迹占比特别大，和实际情况不符的数据、轨迹中点位速度变化过快或跳跃过快的数据；

参数优化：基于10min/20min/30min/1h/2h/3h/4h/5h/6h/7h轨迹分布调整驻留点判断参数，调优参数后再次运行程序，使结果符合合理范围。

S203、对轨迹数据中的轨迹点位进行抽稀加稠处理。

即通过规定的抽稀算法和加稠算法对轨迹点位进行抽稀加稠处理，以实现对轨迹点位的优化处理。

首先，基于抽稀算法对轨迹点位进行处理，具体过程如下：

步骤1：基于时序轨迹以当前点P0作为基准点，从Next点P1向后寻找MaxT范围内的坐标点位；

步骤2：如果MaxT范围内点位=1，继续下一个点位作为基准点，重复1步骤；

步骤3：如果MaxT范围内点位=2，令点位分别为P0、P1、PN，进入步骤6；

步骤4：如果MaxT范围内点位>2，进行坐标合并，合并成2个坐标点位，具体为合并P1，P2，… … ，PN个点位为2个点，计算P2，P3，… …，PN点位平均位置PNO，取1->N长度为目标长度，取1->PNO方向为目标方向，计算最终目标点位PNF；

步骤5：基于P0、P1点位对PN进行纠偏，判断P0P1和P1PN的方向和速度，如果速度相差超过50%，对PN距离进行纠偏，纠正幅度为50%且保证差值不超过50%，如果方向角差距>45%,纠正幅度为50%且保证差值不超过45度。

步骤6：令P1为基准点，继续进行抽稀轨迹分段和停留点预测；

步骤7：基于加稠算法对轨迹点位进行处理，即通过对数据稀疏的点进行利用轨迹打点补齐算法进行补充，具体过程如下：

针对t超过1min的点位，如果点位距离低于100m，视作临时停留点，可以直接过滤；如果点位距离低于100m，时间超过10min,视作驻留点,重新切片。

如果车速<60km/h，按照20s补充数据；

如果车速60-80km/h，按照15s补充数据；

如果车速80-100km/h，按照10s补充数据；

如果车速100-120km/h，按照5s补充数据；

如果车速>120km，往前回溯t时间，按照5s补充数据。

S204、基于卡尔曼滤波算法对轨迹数据进行分段纠偏处理。

即基于卡尔曼滤波算法对经过抽稀加稠处理后的轨迹数据进行分段纠偏处理，具体过程如下：

步骤1：基于拐弯点对轨迹数据进行分段处理，得到多个数据段。

识别轨迹数据中的拐弯点。拐弯点的识别可以通过计算相邻轨迹点之间的方向变化率来实现，当方向变化率超过一定阈值时，可以认为该点为拐弯点。具体来说，可以计算相邻点间的夹角，当夹角大于某个预设阈值时，认为当前点为拐弯点。识别出拐弯点后，将轨迹按拐弯点进行分段处理，每个数据分段包含一段连续直行的轨迹，具体实现如下：

设置时间窗口为4，初始化输出轨迹T1为空,当前轨迹片段T2为空，将T1-T4加入轨迹T1，将T4-T6加入轨迹T2，计算T1->T4, T4->T6角度均<45度，且T3T4和T4T5的角度>45度。

步骤2：对每个数据段进行卡尔曼滤波操作。

将针对每个数据端、即每段轨迹数据进行卡尔曼滤波操作。卡尔曼滤波是一种递归的状态估计算法，通过对观测数据进行加权平均，实现对系统状态的最优估计。在本步骤中，我们将针对每段轨迹的经纬度坐标、速度和方向等状态变量进行卡尔曼滤波，以消除轨迹数据中的噪声和不确定性，提高轨迹的准确性。

步骤3：合并卡尔曼滤波结果。

在对每个轨迹分段进行卡尔曼滤波处理后，我们需要将这些分段结果进行合并，以得到完整的轨迹数据。在合并过程中，我们需要对相邻分段之间的拐弯点进行处理，确保拐弯点处的轨迹连续且平滑。具体方法可以通过插值或拟合等方式实现，例如采用三次样条插值法对拐弯点附近的轨迹进行平滑处理。

另外，本实施例中还包括如下步骤：

步骤4：结果比较，网格搜索法优化卡尔曼滤波参数。

为了进一步提高卡尔曼滤波的性能，我们可以通过网格搜索法对卡尔曼滤波的参数进行优化。网格搜索法是一种穷举搜索算法，通过遍历参数空间中的所有可能组合，找到最优的参数设置。在本步骤中，我们首先需要定义卡尔曼滤波参数的搜索空间，例如过程噪声协方差矩阵、观测噪声协方差矩阵、初始状态协方差矩阵等。然后，在搜索空间中遍历所有可能的参数组合，针对每个组合，使用相应的参数设置对轨迹数据进行卡尔曼滤波处理。

为了评估不同参数组合的性能，我们需要定义一个评价指标，如平均绝对误差（MAE）、均方误差（MSE）或其他自定义指标。在遍历参数组合过程中，我们将根据评价指标对每个组合的性能进行评分，并记录最优的参数组合及对应的性能分数。

最后，我们将选取性能最佳的参数组合作为最优参数设置，并使用这组参数对轨迹数据重新进行卡尔曼滤波处理。通过这种方式，我们可以进一步提高卡尔曼滤波在轨迹数据处理中的准确性和稳定性。

S205、对经过纠偏处理过的轨迹数据进行路网绑定处理。

具体过程为通过隐马尔科夫模型对经过纠偏处理的轨迹数据进行分段处理，将其实现与路网的绑定。具体过程为：

首先，对原始轨迹数据进行预处理，包括去除异常点、平滑处理、计算速度和方向等。这些预处理步骤有助于减少噪声，提高后续算法的稳定性和准确性。

然后，将经过预处理后的轨迹数据与路网数据进行匹配，为每个轨迹点分配最可能的路段。地图匹配算法可以采用最近邻、k-最近邻等方法。匹配过程中，需要考虑轨迹点的速度、方向等信息，以提高匹配准确性。

再后，根据轨迹点在路网中的位置，将轨迹数据分成若干段。每段轨迹应满足一定的连续性和相似性条件，例如方向变化较小、速度变化较小等。分段的目的是为了降低隐马尔可夫模型的计算复杂性，提高模型的准确性和稳定性。

再后，对每段轨迹数据建立一个隐马尔可夫模型。在HMM中，观测状态为轨迹点在路网中的位置，隐藏状态为实际所处的路段。状态转移矩阵和观测概率矩阵需要根据地理信息、道路特性等因素进行初始化和更新。

再后，使用EM算法（Baum-Welch算法）对每个隐马尔可夫模型的参数进行学习和优化。参数学习过程中，需要最大化观测序列的似然函数，即使得模型能够较好地拟合观测数据。要根据地理信息、道路特性等因素进行初始化和更新。

再后，对每段轨迹数据进行路网绑定，即将轨迹点映射到最可能的路段。路网绑定过程中需要利用隐马尔可夫模型的状态转移矩阵和观测概率矩阵进行计算。具体地，可以使用Viterbi算法求解每个轨迹点的最可能隐藏状态（即所处路段）。

再后，将分段后的轨迹数据按照原始顺序进行合并，得到完整的路网绑定轨迹。合并过程中，需要确保轨迹点的顺序和连续性。

再后，对路网绑定结果进行评估，可以采用准确率、召回率、F1分数等指标来衡量绑定结果的准确性和鲁棒性。评估过程中，可以使用已知的真实轨迹数据作为参考标准，与绑定结果进行对比。

再后，根据评估结果对隐马尔可夫模型的参数进行优化和调整。具体地，可以使用网格搜索法、遗传算法等方法在一定范围内搜索最优参数组合。优化过程中，需要在不同参数组合下重复进行轨迹分段、模型建立、参数学习、路网绑定、结果评估等步骤。

再后，在找到最优参数组合后，使用留出法或交叉验证法对模型进行验证。验证过程中，需要将原始数据集分为训练集和验证集，分别用于模型参数学习和结果评估。验证结果可以帮助我们了解模型在未知数据上的泛化性能。

最后，将路网绑定结果以可视化的形式展示，如在地图上绘制绑定后的轨迹。此外，可以将绑定结果应用于实际问题，例如交通流量分析、拥堵预测、路网规划等。

S3、对轨迹数据进行伴随计算处理。

在对轨迹数据完成路网绑定处理后，对其进行伴随计算，得到载有该车载设备的车辆的轨迹信息。具体过程包括轨迹清洗、空间切片和相似度计算和轨迹匹配，如图5所示。

轨迹清洗：

首先，对异常片段过滤，滤除其中的驻车片段、车速漂移过快片段和时间过短片段等。

然后，进行特征稀少片段过滤，例如过滤掉行车里程不足、时间不足或无主干路的轨迹数据。

空间切片和相似度计算具体为利用spark、并行计算能力对轨迹数据进行初筛，以减少后续计算压力。

首先，对轨迹数据进行空间切片，计算轨迹在同一个geohash内的geohash，入时间、出时间、入点位、出点位、轨迹长度、轨迹id、轨迹切片总数等。

然后，根据空间切片的特征，计算相关切片相似度。

计算原则为：geohash一致，计算入时间，出时间，入点位，出点位相差在容错范围既视为相关切片，记录相关信息，包括geohash, 轨迹A长度、轨迹A id、轨迹A切片总数、轨迹B长度、轨迹B id、轨迹B切片总数、全域伴随or 半域伴随信息。

全域伴随的判断：入时间、出时间、入点位和出点位均在容错范围；

半域伴随的判断：入时间/入点位和出时间/出点位均在容错范围；

步骤三：轨迹相关切片数统计。

根据相关切片统计轨迹的相关切片数输出字段（轨迹A长度、轨迹A id、轨迹A切片总数、轨迹B长度、轨迹B id、轨迹B切片总数、相关切片数、A相关切片比例和B相关切片比例）。

步骤四：轨迹相关切片筛选。

根据相关切片数，A相关切片比例，B相关切片比例和相关阈值参数，筛选相关轨迹，输入轨迹A和轨迹B。

轨迹匹配：

通过对有一定相似度的轨迹进行精准匹配，计算最大相似子轨迹和多段相似子轨迹。具体过程如下：

步骤一：时空归一化，将时空三维数据坐标进行归一化，满足欧式距离计算原则：

经度归一化：y=f(纬度-基准经度)*距离参数（1度=n公里）；

纬度归一化：y=f(经度-基准经度)*距离参数（1度=n公里）；

时间归一化：y=(当前-基准时间)*车速/3600（或者按照默认60km/h）；

步骤二:伴随计算，基于DTW-LCSS算法改进的时空相似度算法，计算轨迹A、B最大伴随长度、伴随开始坐标、伴随结束坐标、伴随开始时间、伴随结束时间和轨迹相似度。

步骤三:结果分析，对筛选出来的轨迹进行多维数据分析，对部分轨迹进行地图显示，研判轨迹设置参数是否满足需求，从而优化参数。

从上述技术方案可以看出，本实施例提供了一种轨迹信息的获取方法，该方法应用于电子设备，具体为采集车载设备与基站的全量通信数据；对全量通信数据执行路网匹配处理，得到车载设备的载车的轨迹数据；对轨迹数据进行伴随计算处理，得到载车的轨迹信息。通过上述处理可使得全量通信数据中层层过滤和纠偏，从而最终得到较高精度的轨迹信息。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机。

实施例二

图6为本申请实施例的一种轨迹信息的获取装置的框图。

如图6所示，本实施例提供的获取装置应用于相应的电子设备，用于根据车辆的车机与基站的全量通信数据进行计算并得到该车辆的轨迹信息，这里的轨迹信息是由一系列的轨迹点位以及与相应轨迹点位对应的时间点构成。该电子设备可以理解为具有信息处理能力和数据计算能力的计算机、服务器或服务器集群。该获取装置具体包括数据采集模块10、路网匹配模块20和伴随计算模块30。

数据采集模块用于采集车载设备与基站的全量通信数据。

通过数据采集设备、信息网络或者其他通信链路，从基站本身或者与基站连接的设备获取相应车辆设备的车载设备与基站的全量通信数据，这里的车载设备是指能够与基站建立通信连接的无线通信设备，如车机或者车载通信设备等。该全量通信数据中包含相应车载设备与基站之间的距离信息和信息交互的时间信息等。

路网绑定模块用于对全量通信数据进行路网匹配处理。

在得到全量通信数据后，基于相应的模型对全量通信数据进行处理，从而得到车载设备或者其载车的轨迹数据。

伴随计算模块用于对上述轨迹数据进行伴随计算处理。

在对轨迹数据完成路网绑定处理后，对其进行伴随计算，得到载有该车载设备的车辆的轨迹信息。具体过程包括轨迹清洗、空间切片和相似度计算和轨迹匹配，如图2所示。

从上述技术方案可以看出，本实施例提供了一种轨迹信息的获取装置，该装置应用于电子设备，具体为采集车载设备与基站的全量通信数据；对全量通信数据执行路网匹配处理，得到车载设备的载车的轨迹数据；对轨迹数据进行伴随计算处理，得到载车的轨迹信息。通过上述处理可使得全量通信数据中层层过滤和纠偏，从而最终得到较高精度的轨迹信息。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

实施例三

图7为本申请实施例的一种电子设备的框图。

参考图7所示，其示出了适于用来实现本公开实施例中的电子设备的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。该电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

电子设备可以包括处理装置（例如中央处理器、图形处理器等）701，其可以根据存储在只读存储器ROM702中的程序或者从输入装置706加载到随机访问存储器RAM703中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线704彼此相连。输入/输出（I/O）接口705也连接至总线704。

通常，以下装置可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

实施例四

本实施例提供了一种计算机可读的存储介质。该存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备采集车载设备与基站的全量通信数据；对全量通信数据执行路网匹配处理，得到车载设备的载车的轨迹数据；对轨迹数据进行伴随计算处理，得到载车的轨迹信息。通过上述处理可使得全量通信数据中层层过滤和纠偏，从而最终得到较高精度的轨迹信息。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种轨迹信息的获取方法，应用于电子设备，其特征在于，所述获取方法包括步骤：

采集车载设备与基站的全量通信数据；

对所述全量通信数据执行路网匹配处理，得到所述车载设备的载车的轨迹数据；

对所述轨迹数据进行伴随计算处理，得到所述载车的轨迹信息。

2.如权利要求1所述的获取方法，其特征在于，所述对所述全量通信数据执行路网匹配处理，得到所述车载设备的载车的轨迹数据，包括步骤：

对所述全量通信数据进行过滤处理，去除其中的冗余数据；

基于驻留点模型对所述全量通信数据进行处理，滤除处理得到的驻留点；

对所述轨迹数据中的轨迹点位进行抽稀加稠处理；

基于卡尔曼滤波算法对经过抽稀加稠处理后的所述轨迹数据进行分段纠偏处理；

对经过纠偏处理过的所述轨迹数据进行路网绑定处理。

3.如权利要求2所述的获取方法，其特征在于，所述对所述全量通信数据进行过滤处理，去除其中的冗余数据，包括步骤：

对所述全量通信数据进行场景过滤处理；

对经过场景过滤处理的全量通信数据进行连续漂移点过滤处理。

4.如权利要求2所述的获取方法，其特征在于，所述对所述轨迹数据中的轨迹点位进行抽稀加稠处理，包括：

基于预先规定的抽稀算法对所述轨迹点位进行抽稀处理；

和/或，基于预先规定的加稠算法对所述轨迹点位进行加稠处理。

5.如权利要求2所述的获取方法，其特征在于，所述基于卡尔曼滤波算法对经过抽稀加稠处理后的所述轨迹数据进行分段纠偏处理，包括步骤：

基于拐弯点对所述轨迹数据进行分段处理，得到一系列的轨迹数据段；

基于卡尔曼滤波算法对每段所述轨迹数据段进行滤波处理；

将经过滤波处理的所有轨迹数据端进行合并，得到分段纠偏处理后的轨迹数据。

6.如权利要求5所述的获取方法，其特征在于，所述基于卡尔曼滤波算法对经过抽稀加稠处理后的所述轨迹数据进行分段纠偏处理，还包括步骤：

基于网格搜索算法对所述卡尔曼滤波算法的滤波参数进行优化处理。

7.如权利要求2所述的获取方法，其特征在于，所述对所述轨迹数据进行伴随计算处理，得到所述载车的轨迹信息，包括步骤：

对所述轨迹数据进行清洗处理；

对所述轨迹数据进行初步筛除；

对有相似度的轨迹数据进行精准匹配处理。

8.一种轨迹信息的获取装置，应用于电子设备，其特征在于，所述获取装置包括：

数据采集模块，被配置为采集车载设备与基站的全量通信数据；

路网匹配模块，被配置为对所述全量通信数据执行路网匹配处理，得到所述车载设备的载车的轨迹数据；

伴随计算模块，被配置为对所述轨迹数据进行伴随计算处理，得到所述载车的轨迹信息。

9.一种电子设备，其特征在于，所述电子设备包括至少一个处理器和与所述处理器连接的存储器，其中：

所述存储器用于存储计算机程序或指令；

所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如权利要求1~7任一项所述的轨迹信息的获取方法。

10.一种存储介质，应用于电子设备，其特征在于，所述存储介质承载有一个或多个计算机程序，所述一个或多个计算机程序能够被所述电子设备执行，以使所述电子设备实现如权利要求1~7任一项所述的轨迹信息的获取方法。