CN116975184A - 一种车辆轨迹数据处理方法、装置、设备和可读存储介质 - Google Patents
一种车辆轨迹数据处理方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN116975184A CN116975184A CN202310946452.8A CN202310946452A CN116975184A CN 116975184 A CN116975184 A CN 116975184A CN 202310946452 A CN202310946452 A CN 202310946452A CN 116975184 A CN116975184 A CN 116975184A
- Authority
- CN
- China
- Prior art keywords
- track point
- point data
- vehicle
- road network
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 145
- 238000012545 processing Methods 0.000 claims abstract description 58
- 230000007704 transition Effects 0.000 claims abstract description 49
- 230000015654 memory Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 description 12
- 238000012937 correction Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车辆轨迹数据处理方法、装置、设备和可读存储介质，涉及数据处理技术领域，所述车辆轨迹数据处理方法包括：确定车辆轨迹点数据的采样频率；在采样频率大于或等于预设频率的情况下，获取车辆轨迹点数据与对应的路网轨迹点数据之间的观测概率和转移概率，根据观测概率、转移概率和路网轨迹点数据对车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据；在采样频率低于预设频率的情况下，将车辆轨迹点数据输入训练好的轨迹预测模型，得到轨迹预测模型输出的处理后的车辆轨迹点数据；轨迹预测模型是利用预设的双向长短期记忆模型和历史车辆轨迹点数据进行训练得到。本发明得到的处理后的车辆轨迹点数据能更加准确的反应车辆轨迹。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种车辆轨迹数据处理方法、装置、设备和可读存储介质。
背景技术
近年来，随着定位系统和移动终端的普及，轨迹数据的获取变得越来越容易，这些轨迹数据可以记录用户的行为，反应用户的活动规律。但是，一方面，由于车辆上的全球定位系统(Global Positioning System，GPS)设备信号不稳定或者故障，可能导致上报的车辆轨迹点数据有时会偏离车辆真实的行驶路线，另一方面，尽管车辆在空间中是连续运动的，但是上报数据通常是按照一定的频率进行上报的，当车辆行驶速度比较快而采样频率比较低时，相邻两车辆轨迹点数据会相距较远，因而其离散轨迹点数据是无法真实反应车辆的具体行驶路线的。
综上，在车辆轨迹数据的可视化过程中，受到采样设备(比如GPS设备)、采样环境(比如车辆行驶速度)等因素的影响，车辆轨迹点数据呈现出离散化的特点，在可视化展示系统中，车辆轨迹点数据往往出现“瞬移”、“逆行”等问题，不能准确反映车辆行驶轨迹。
发明内容
本发明实施例提供一种车辆轨迹数据处理方法、装置、设备和可读存储介质，用以解决现有车辆轨迹数据不能准确反映车辆行驶轨迹的问题。
为了解决上述技术问题，本发明实施例提供如下技术方案：
本发明实施例提供一种车辆轨迹数据处理方法，包括：
确定车辆轨迹点数据的采样频率；
在所述采样频率大于或等于预设频率的情况下，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率，以及根据所述车辆轨迹点数据中的车辆航向角和所述路网轨迹点数据对应的角度信息，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的转移概率，并根据所述观测概率、所述转移概率和所述路网轨迹点数据对所述车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据；
在所述采样频率低于预设频率的情况下，将所述车辆轨迹点数据输入训练好的轨迹预测模型，得到所述轨迹预测模型输出的处理后的车辆轨迹点数据；所述轨迹预测模型是利用预设的双向长短期记忆模型和历史车辆轨迹点数据进行训练得到的。
可选地，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率，包括：
获取根据所述车辆轨迹点数据对应的车辆轨迹点与每一所述路网轨迹点数据对应的路网轨迹点之间的高程距离以及所述车辆轨迹点与每一所述路网轨迹点之间的地球表面距离；
根据所述高程距离和所述地球表面距离，得到所述车辆轨迹点与每一所述路网轨迹点之间的目标距离；
根据所述车辆轨迹点与每一所述路网轨迹点之间的目标距离和至少一个所述路网轨迹点数据之间的标准差，得到所述车辆轨迹点数据与每一所述路网轨迹点数据之间的第一概率；
获取每一所述路网轨迹点的预设范围内的车流量数据；
根据每一所述路网轨迹点对应的车流量数据，得到所述车辆轨迹点数据与每一所述路网轨迹点对应的路网轨迹点数据之间的第二概率；
根据每一所述网轨迹点数据对应的第一概率和第二概率，得到所述车辆轨迹点数据与每一所述路网轨迹点数据之间的观测概率。
可选地，根据所述车辆轨迹点数据中的车辆航向角和所述路网轨迹点数据对应的角度信息，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的转移概率，包括：
根据第一采样时刻的第一车辆轨迹点数据中的车辆速度、第二采样时刻的第二车辆轨迹点数据中的车辆速度、所述第一车辆轨迹点数据对应的每一第一路网轨迹点数据中的车辆位置和所述第二车辆轨迹点数据对应的每一第二路网轨迹点数据中的车辆位置，得到所述每一所述第一路网轨迹点数据与每一所述第一路网轨迹点数据之间的距离差异概率；
根据所述第一采样时刻的第一车辆轨迹点数据中的车辆航向角和角度信息，得到所述第一车辆轨迹点数据与每一第一路网轨迹点数据之间的方向差异概率，所述角度信息包括所述第一路网轨迹点数据对应的第一路网轨迹点与所述第二路网轨迹点数据对应的第二路网轨迹点之间的连线与预设方向的夹角；
根据每一所述第一路网轨迹点数据对应的距离差异概率和所述方向差异概率，得到第一车辆轨迹点数据与每一所述第一路网轨迹点数之间的转移概率；
其中，所述第一采样时刻为任一采样时刻，第一采样时刻为所述第二采样时刻的前一采样时刻；
所述第一车辆轨迹点数据为所述第一采样时刻对应的车辆轨迹点数据，所述第二车辆轨迹点数据为所述第二采样时刻对应的车辆轨迹点数据。
可选地，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率之前，所述方法还包括：
在预先获取的路网数据中，获取与所述车辆轨迹点数据对应的车辆轨迹点之间的垂直距离小于第二预设距离的至少一个候选路段；
根据所述车辆轨迹点数据在每个所述候选路段上的垂直交点，得到至少一个所述路网轨迹点数据。
可选地，根据所述观测概率、所述转移概率和所述路网轨迹点数据对所述车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据，包括：
利用预设的维特比算法，根据所述车辆轨迹点数据与每一所述路网轨迹点数据之间的观测概率、转移概率，确定所述路网轨迹点数据中，所述车辆轨迹点数据对应的最优路网轨迹点数据；
将所述最优路网轨迹点数据作为所述处理后的车辆轨迹点数据。
可选地，确定车辆轨迹点数据的采样频率之前，所述方法还包括：
获取车辆初始轨迹点数据；
对所述车辆初始轨迹点数据进行以下至少一项处理，得到所述车辆轨迹点数据：
在同一车辆身份标识对应的两个相邻的车辆初始轨迹点数据之间的采样间隔大于预设时长的情况下，根据所述两个相邻的车辆初始轨迹点数据对所述车辆初始轨迹点数据进行切分处理；
在所述车辆初始轨迹点数据的数量小于预设数量的情况下，将所述车辆初始轨迹点数据进行剔除处理；
在第一初始轨迹点数据与相邻的车辆初始轨迹点数据之间的距离大于第一预设距离的情况下，将所述第一初始轨迹点数据进行剔除处理，其中，所述第一初始轨迹点数据是所述车辆初始轨迹点数据中的任一轨迹点数据。
可选地，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率之前，所述方法还包括：
根据所述车辆轨迹点数据中的车辆速度和车辆位置，确定所述车辆轨迹点数据中的偏移轨迹点数据；
根据目标车辆轨迹点数据中的车辆位置经度、车辆位置纬度、车辆位置高程、车辆速度、车辆航向角，对所述偏移轨迹点数据进行纠偏处理，得到处理后的车辆轨迹点数据；
其中，所述目标车辆轨迹点数据是与所述偏移轨迹点数据前相邻的车辆轨迹点数据。
可选地，所述历史车辆轨迹点数据的采样频率大于或等于所述预设频率。
本发明实施例还提供一种车辆轨迹数据处理装置，包括：
第一确定模块，用于确定车辆轨迹点数据的采样频率；
第一处理模块，用于在所述采样频率大于或等于预设频率的情况下，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率，以及根据所述车辆轨迹点数据中的车辆航向角和所述路网轨迹点数据对应的角度信息，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的转移概率，并根据所述观测概率、所述转移概率和所述路网轨迹点数据对所述车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据；在所述采样频率低于预设频率的情况下，将所述车辆轨迹点数据输入训练好的轨迹预测模型，得到所述轨迹预测模型输出的处理后的车辆轨迹点数据；所述轨迹预测模型是利用预设的双向长短期记忆模型和历史车辆轨迹点数据进行训练得到的。
本发明实施例还提供一种车辆轨迹数据处理设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上中任一项所述的车辆轨迹数据处理方法中的步骤。
本发明实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上中任一项所述的车辆轨迹数据处理方法中的步骤。
本发明的有益效果是：
本发明提供的车辆轨迹数据处理方法，针对车辆轨迹点数据的不同采样频率，对车辆轨迹点数据采用不同的处理方式，在采样频率大于或等于预设频率的情况下，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率，以及根据所述车辆轨迹点数据中的车辆航向角和所述路网轨迹点数据对应的角度信息，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的转移概率，并利用车辆轨迹点数据与对应的路网轨迹点数据之间的观测概率和转移概率以及路网轨迹点数据对车辆轨迹点数据进行处理，在采样频率小于预设频率的情况下，利用训练好的轨迹预测模型对车辆轨迹点数据进行处理，通过上述方式得到的处理后的车辆轨迹点数据能够更加准确的反应车辆轨迹。
附图说明
图1表示本发明提供的地图匹配算法的示意图；
图2表示本发明实施例提供的车辆轨迹数据处理方法的流程图；
图3表示本发明实施例提供的车辆轨迹点对应的初步候选点的示意图；
图4表示本发明实施例提供的车辆航向角与目标角度的示意图；
图5表示本发明实施例提供的对车辆轨迹点数据进行纠偏处理的示意图；
图6表示本发明实施例提供的LSTM模型的结构示意图；
图7表示本发明实施例提供的车辆轨迹点数据处理方法的整体流程图；
图8表示本发明实施例提供的车辆轨迹数据处理装置的结构示意图；
图9表示本发明实施例提供的车辆轨迹数据处理设备的结构示意图。
具体实施方式
为使本申请要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本申请的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在进行本发明的具体实施方式的说明之前，首先进行说明如下：
车辆轨迹修复本质上是依赖于历史数据对缺失的运动轨迹进行预测。经典的算法有基于目标模型的预测方法，该类方法有基于卡尔曼(KALMAN)滤波和粒子滤波的方法，此类方法需要知道目标的运动模型和观测模型，在实际应用中往往受限。此外还有基于最小二乘的预测方法，该方法将运动轨迹假设为时间的线性函数，利用最近时间窗口的轨迹点，基于最小二乘准则来预测下一时刻的轨迹点的位置。当采样频率很低时，车辆运动轨迹呈现一定的非线性，使用最小二乘轨迹预测方法会存在很大误差。
地图匹配(或称为路网匹配)是指将轨迹数据与数字地图相结合，将卫星定位坐标下的采样序列转换成路网坐标序列，将GPS轨迹点匹配到实际路网上的一种轨迹还原算法。路网匹配在一定程度上能够还原车辆的真实行驶状态信息及行驶路径，便于了解交通情况、交通流量和流速等。如图1所示，给定一条采样轨迹tr＝<p1,p2,p3,p4,p5,p6>，其中，p代表采样轨迹点，路网G为由做车道级别的坐标序列构成的路网，地图匹配将轨迹tr转化成路网G中的一个首尾相连的路段序列<e1,e2,e3,e4,e5,e6>，该序列称为匹配轨迹(匹配路段)。
路网匹配是较为复杂的问题，常用的路网匹配算法有基于几何信息的匹配算法、基于历史数据的匹配算法等。基于几何信息的匹配算法主要利用时空道路的几何性质来进行匹配，较为典型的有基于Dijkstra算法的匹配算法和基于模糊理论的匹配算法。该类算法相对简单，在轨迹数据正确率高时可较准确匹配，若是轨迹数据有较大误差，会导致匹配错误，虽然有较高的实时性，匹配效率较高，但是忽略了轨迹数据的时序性特点。基于历史数据的匹配算法主要利用历史轨迹数据和道路特征进行匹配，较为典型的有基于卡尔曼滤波模型的匹配算法和基于神经网络的匹配算法。该类算法稳定性较好，但是计算代价较大，对实时性要求较高的场景下不适用。
隐马尔可夫模型(Hidden Markov Model，HMM)作为一种由马尔科夫链变换而来的概率统计模型，将轨迹点作为观测序列，将路网中的路段位置作为隐藏序列进行分析，考虑了轨迹点之间的时序关系，且计算效率和实时性较高，因此被广泛运用于车辆轨迹可视化展示场景。隐马尔可夫模型基于齐次马尔科夫假设和观测独立性假设，齐次马尔科夫假设指的是隐马尔可夫链任意时刻的状态只与前一时刻的状态有关，观测独立性假设指的是任意时刻的监测只依赖于该隐马尔可夫链的状态。基于以上假设，该模型对车辆轨迹数据的采样率和偏差率要求较高，在低采样率和高偏差率的环境下，该模型的表现性较差。
但是，由于GPS信号不稳定、设备故障、采样频率低等原因，车辆原始轨迹数据中存在偏差较大的噪声数据，例如车辆“逆行”和“瞬移”数据等，该类噪声数据会对地图匹配算法准确性产生较大影响。针对这个问题，目前解决方案大多是识别出该类噪声数据后对该数据进行剔除，但是这种方法会导致数据缺失，并不适用于需要展示车辆的实时位置的实时可视化展示系统。
传统的基于隐马尔可夫模型的地图匹配算法基于二维空间计算观测概率矩阵时，仅考虑了经纬度坐标，忽略了车辆的高程信息；在计算状态转移概率矩阵没有考虑轨迹点速度和方向等因素，对于复杂程度较高的路面往往会造成错误匹配。
由于隐马尔可夫模型受路网的复杂程度和数据采样率等因素影响较大，在采样频率不稳定的情况下，若只采用隐马尔可夫模型进行路网匹配，往往导致无法还原车辆运动轨迹，还原后的轨迹还是会出现“瞬移”的情况。
本发明实施例针对现有的车辆轨迹数据不能准确反映车辆的行驶轨迹的问题，提供一种车辆轨迹数据处理方法、装置、设备和可读存储介质。
如图2所示，本发明实施例提供一种车辆轨迹数据处理方法，包括：
步骤201：确定车辆轨迹点数据的采样频率。
需要说明的是，车辆轨迹点数据包括以下至少一项：采集时间戳、车辆身份标识(Identity，ID)、车辆位置经度、车辆位置纬度、车辆位置高程、车速、车辆航向角。
在本步骤中，根据车辆ID对获取的车辆轨迹点数据进行分组，每组包括一个车辆的若干个车辆轨迹点数据，并且该组数据按照采集时间戳进行排序。
在本步骤中，针对每组车辆轨迹点，确定每组的车辆轨迹点数据的采样频率，具体地，划定时间窗口为10分钟，根据该时间窗口内的属于一组的车辆轨迹点数据确定采样频率。
步骤202：在所述采样频率大于或等于预设频率的情况下，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率，以及根据所述车辆轨迹点数据中的车辆航向角和所述路网轨迹点数据对应的角度信息，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的转移概率，并根据所述观测概率、所述转移概率和所述路网轨迹点数据对所述车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据；在所述采样频率低于预设频率的情况下，将所述车辆轨迹点数据输入训练好的轨迹预测模型，得到所述轨迹预测模型输出的处理后的车辆轨迹点数据，其中，所述轨迹预测模型是利用预设的双向长短期记忆(Bi-directional Long Short-Term Memory，BiLSTM)模型和历史车辆轨迹点数据进行训练得到的。
在本步骤中，预设频率为1个/s，即在上述时间窗口内，将每个车辆轨迹点数据的平均采样频率作为采样频率，并将采样频率大于或等于1个/s的车辆轨迹点数据标记为高频采样数据，将采样频率小于1个/s的车辆轨迹点数据标记为低频采样数据。
针对不同采样频率的采样数据进行不同的处理，针对高频采样数据，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率，即在计算观测概率时引入了高程距离信息和车流量特征，以及根据所述车辆轨迹点数据中的车辆航向角和所述路网轨迹点数据对应的角度信息，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的转移概率，即在计算转移概率时，增加了角度信息(也可称为方向特征信息)，并根据观测概率、转移概率和路网轨迹点数据对车辆轨迹点数据进行处理，即本实施例中通过地图匹配算法对车辆轨迹点数据进行处理，并通过使用上述得到的观测概率和转移概率，可以调高地图匹配算法的准确性。针对低频采样数据，根据训练好的轨迹预测模型对车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据，即进行车辆轨迹还原，处理后的车辆轨迹点数据能更加准确的反映车辆的行驶轨迹。
在本发明一可选实施例中，针对高频率采样数据，步骤201之前所述方法还包括：
在预先获取的路网数据中，获取与所述车辆轨迹点数据对应的车辆轨迹点之间的垂直距离小于第二预设距离的至少一个候选路段，可选地，所述第二预设距离为10米，即针对每一个车辆轨迹点数据，在预先获取的路网数据中，查询该车辆轨迹点数据对应的车辆轨迹点10米半径范围内候选路段，该候选路段为一个或多个，所述路网数据为高精度地图数据；
根据所述车辆轨迹点数据在每个所述候选路段上的垂直交点，得到至少一个所述路网轨迹点数据，即针对每一车辆轨迹点数据，获取其在每个候选路段上的垂直映射点(垂直交点)，将该垂直映射点作为初步候选点，根据该初步候选点对应的路网数据，得到车辆轨迹点数据对应的路网轨迹点数据集合{Nt，1，Nt，2,…,Nt，j}，j表示初步候选点的数量，示例性地，如图3所示，Xt表示车辆轨迹点数据对应的车辆轨迹点，Nt,1和Nt,2分别表示车辆轨迹点对应的初步候选点(即路网轨迹点数据所对应的路网轨迹点)；其中，所述路网轨迹点数据包括以下至少一项：位置经度、位置纬度、位置高程；
在隐马尔科夫模型(HMM)方法中，每个轨迹点被看作是一个观测状态，每个候选点被看作是隐藏状态，观测概率表示当隐藏状态表示的候选点是真实位置时所产生的观测状态的条件概率。转移概率是指从t时刻(采样时刻)候选点到t+1时刻(采样时刻)候选点的转移的概率。因此，在本可选实施例中，获取所述车辆轨迹点数据与每一所述路网轨迹点数据之间的观测概率和转移概率，根据所述车辆轨迹点数据与每一所述路网轨迹点数据之间的观测概率、转移概率以及所述路网轨迹点数据，对所述车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据。
在本发明一可选实施例中，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率，包括：
获取根据所述车辆轨迹点数据Xt对应的车辆轨迹点与每一所述路网轨迹点数据Nt,i对应的路网轨迹点(即上述的初步候选点)之间的高程距离Δele(Xt,Nt,i)以及所述车辆轨迹点与每一所述路网轨迹点之间的地球表面距离Δg(Xt,Nt,i)；根据所述高程距离和所述地球表面距离，得到所述车辆轨迹点与每一所述路网轨迹点之间的目标距离，具体公式如下：
其中，f(Xt,Nt,i)表示车辆轨迹点与路网轨迹点之间的目标距离，Δele(Xt,Nt,i)表示车辆轨迹点与路网轨迹点之间的高程距离，Δg(Xt,Nt,i)表示车辆轨迹点与路网轨迹点之间的地球表面距离。
根据所述车辆轨迹点与每一所述路网轨迹点之间的目标距离和至少一个所述路网轨迹点数据之间的标准差，得到所述车辆轨迹点数据与每一所述路网轨迹点数据之间的第一概率，具体公式如下：
其中，pd(Xt|Nt,i)表示第一概率，σ表示测量数据的标准差，即至少一个所述路网轨迹点数据之间的标准差，f(Xt,Nt,i)表示车辆轨迹点与路网轨迹点之间的目标距离。
还需要说明的是，本发明实施例中提出观测概率依赖于车辆轨迹点和路网轨迹点之间的目标距离和路网轨迹点所在车道的车流量，直观的认为，离车辆轨迹点较近的路网轨迹点有更高的观测概率，车流量少的路网轨迹点有更高的观测概率，因此，进一步地，获取每一所述路网轨迹点的预设范围内的车流量数据，根据每一所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与每一所述路网轨迹点数据之间的第二概率，可选地，预设范围为距离路网轨迹点30米之内的范围，具体地，车流量差异特征的计算公式如下所示：
其中，pv(Xt|Nt,i)表示第二概率，v(Nt,i)表示以路网轨迹点N为起点，上下游30米范围内的车流量数据。
上述第二概率的特征主要考虑的是车流量对车辆行驶的影响，车辆趋向于行驶在车流量较少的车道中。
根据每一所述网轨迹点数据对应的第一概率和第二概率，得到所述车辆轨迹点数据与每一所述路网轨迹点数据之间的观测概率，可选地，可以将第一概率与第二概率相乘作为观测概率。
进一步地，针对转移概率，本发明实施例提供两种影响特征来建立转移概率模型，分别是距离差异特征(或称为距离差异概率)、方向差异特征(或称为方向差异概率)，因此，在一可选实施例中，根据所述车辆轨迹点数据中的车辆航向角和所述路网轨迹点数据对应的角度信息，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的转移概率，包括：
根据第一采样时刻的第一车辆轨迹点数据中的车辆速度、第二采样时刻的第二车辆轨迹点数据中的车辆速度、所述第一车辆轨迹点数据对应的每一第一路网轨迹点数据中的车辆位置和所述第二车辆轨迹点数据对应的每一第二路网轨迹点数据中的车辆位置，得到所述每一所述第一路网轨迹点数据与每一所述第一路网轨迹点数据之间的距离差异概率，其中，所述第一采样时刻为任一采样时刻，第一采样时刻为所述第二采样时刻的前一采样时刻，所述第一车辆轨迹点数据为所述第一采样时刻对应的车辆轨迹点数据，所述第二车辆轨迹点数据为所述第二采样时刻对应的车辆轨迹点数据。
具体地，距离差异概率的计算公式如下：
其中，Pd(Xt|Nt,i)表示距离差异概率，vt表示t时刻(第一采样时刻)的车辆轨迹点数据中的车辆速度，即第一车辆轨迹点数据中的车辆速度，vt-1表示t-1时刻(第二采样时刻)的车辆轨迹点数据中的车辆速度，即第二车辆轨迹点数据中的车辆速度，avg(vt,vt-1)表示第一车辆轨迹点数据中的车辆速度和第二车辆轨迹点数据中的车辆速度的均值，Δt表示第一采样时刻与第二采样时刻之间的时间间隔，d(Nt-1,Nt)表示第一路网轨迹点数据对应的第一路网轨迹点与第二车辆轨迹点数据对应的第二路网轨迹点之间的路径距离，该路径距离是根据第一路网轨迹点数据中的车辆位置和所述第二车辆轨迹点数据对应的每一第二路网轨迹点数据中的车辆位置确定的。车辆的移动距离和路径距离之间的差值越小，其传递概率越大。
根据所述第一采样时刻的第一车辆轨迹点数据中的车辆航向角和角度信息，得到所述第一车辆轨迹点数据与每一第一路网轨迹点数据之间的方向差异概率，所述目标角度为所述第一路网轨迹点数据对应的第一路网轨迹点与所述第二路网轨迹点数据对应的第二路网轨迹点之间的连线与预设方向的夹角，可选地，预设方向为正北方向，具体地，方向差异概率的计算公式如下：
其中，Ph表示方向差异概率，β表示预设的权重系数，ht表示t时刻(第一采样时刻)车辆轨迹点的航向角，即第一车辆轨迹点数据中的车辆航向角(即车辆行驶方向与正北方向之间的夹角)，h(Nt-1,Nt)表示t-1时刻(第二采样时刻)对应的第二路网轨迹点数据所对应的第二路网轨迹点与t时刻(第一采样时刻)对应的第一路网轨迹点数据所对应的第一路网轨迹点之间的连线与正北方向之间的夹角，也可以称为目标角度，上述角度信息包括所述目标角度，如图4所示。车辆t时刻的航向角与上一个时刻的位移夹角的差值越小，其传递概率越大。
根据每一所述第一路网轨迹点数据对应的距离差异概率和所述方向差异概率，得到第一车辆轨迹点数据与每一所述第一路网轨迹点数之间的转移概率，可选地，可以将距离差异概率与方向差异概率相乘作为转移概率。
在本发明一可选实施例中，根据所述观测概率、所述转移概率和所述路网轨迹点数据对所述车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据，包括：
利用预设的维特比算法，根据所述车辆轨迹点数据与每一所述路网轨迹点数据之间的观测概率、转移概率，确定所述路网轨迹点数据中，所述车辆轨迹点数据对应的最优路网轨迹点数据；
将所述最优路网轨迹点数据作为所述处理后的车辆轨迹点数据。
需要说明的是，维特比算法可以用来解决多步骤每步多选择模型的最优选择问题，其在每一步的所有选择都保留了前面的所有步骤到当前步骤当前选择的最小总代价以及当前代价的情况下前继步骤的选择，因此使用维特比算法求解运动轨迹。
具体地，基于HMM的地图匹配优化算法确定出处理后的车辆轨迹点数据的伪代码，即维特比算法的伪代码如下：
上述针对车辆轨迹点数据中的采样频率较高，相邻数据间隔较短的高频采样数据，利用基于恒车速模型计算其行进距离，根据行进距离和坐标点位置的大圆距离的差值是否达到阈值来判断该点是否属于噪声点，然后对噪声点进行纠偏，经过数据预处理后，车辆轨迹的坐标序列较为平滑，但是仍然与实际路网有所差距，因此利用基于改进的隐马尔可夫模型的路网匹配算法，将轨迹点映射到车道级别的路网中，达到轨迹数据还原的效果，该算法基于车辆高程信息和方向信息，与传统基于HMM的地图匹配算法相比，在计算观测概率时引入车辆的高程信息和车流量信息，解决了传统算法在空间纬度上的局限性，并且，在计算转移概率时设计了基于多特征的惩罚模型，提高了地图匹配算法的准确性。
需要说明的是，由于车辆轨迹点数据的采样设备和周围环境的影响，获取到的车辆轨迹点数据包含大量的冗余信息，在进行上述的车辆轨迹还原之前，需要对获取的车辆初始轨迹点数据进行预处理操作，因此，在步骤201之前，本发明实施例提供的方法还包括：
获取车辆初始轨迹点数据，其中，车辆初始轨迹点数据也包括以下至少一项：采集时间戳、车辆身份标识(Identity，ID)、车辆位置经度、车辆位置纬度、车辆位置高程、车速、车辆航向角。
对所述车辆初始轨迹点数据进行以下至少一项处理，得到所述车辆轨迹点数据：
在同一车辆身份标识对应的两个相邻的车辆初始轨迹点数据之间的采样间隔大于预设时长的情况下，根据所述两个相邻的车辆初始轨迹点数据对所述车辆初始轨迹点数据进行切分处理，可选地，所述预设时长为20分钟，即在同一车辆ID对应的两个相邻的车辆初始轨迹点数据之间的采样间隔大于20分钟，则从该两个相邻的车辆初始轨迹点数据之间，将车辆初始轨迹点数据进行轨迹切分处理，得到两组车辆轨迹点数据，即该两组车辆轨迹点数据属于不同的行驶路线。
在所述车辆初始轨迹点数据的数量小于预设数量的情况下，将所述车辆初始轨迹点数据进行剔除处理，具体原因是当一组的车辆轨迹点数据过少的情况下，采集的车辆初始轨迹点数据不能正确反应车辆的移动特征，因此，将该过少的车辆初始轨迹点数据进行剔除处理，可选地，预设数量为10个。
在第一初始轨迹点数据与相邻的车辆初始轨迹点数据之间的距离大于第一预设距离的情况下，将所述第一初始轨迹点数据进行剔除处理，其中，所述第一初始轨迹点数据是所述车辆初始轨迹点数据中的任一轨迹点数据，具体原因是由于车辆初始轨迹点数据采集设备(比如GPS设备)在开机时候，由于信号不稳定，会产生偏移较大的孤立点(即第一初始轨迹点数据)，该孤立点无法反应车辆的行驶轨迹，也无法依据其他的车辆初始轨迹点数据对该孤立点进行纠偏，因此，对该孤立点进行剔除处理。
在本发明一可选实施例中，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率之前，所述方法还包括：
根据所述车辆轨迹点数据中的车辆速度和车辆位置，确定所述车辆轨迹点数据中的偏移轨迹点数据；
根据目标车辆轨迹点数据中的车辆位置经度、车辆位置纬度、车辆位置高程、车辆速度、车辆航向角，对所述偏移轨迹点数据进行纠偏处理，得到处理后的车辆轨迹点数据；
其中，所述目标车辆轨迹点数据是与所述偏移轨迹点数据前相邻的车辆轨迹点数据。
具体地，在本可选实施例中，针对高频采样数据，首先基于车辆速度和车辆位置(车辆位置包括以下至少一项：车辆位置经度、车辆位置纬度、车辆位置高程)，对车辆轨迹点数据是否为偏移轨迹点数据进行判断，若判断出车辆轨迹点数据中的偏移轨迹点数据之后，利用本发明实施例提供的恒车速模型对偏移轨迹点数据进行纠偏处理，得到处理后的车辆轨迹点数据。
其中，恒车速模型的具体算法如下：
假设车辆t秒内的运动轨迹序列为：X＝(X1,X2,Xt),其中Xi为车辆第i秒内的车辆轨迹点数据，Xi＝{(loci,elei,spi,hdi)∈R5}，其中R5表示五维实数集合，loc＝(lon,lat)代表车辆经纬度坐标，lon表示车辆位置经度、lat表示车辆位置纬度，ele表示车辆位置高程，sp表示车辆速度，hd表示车辆航向角(为运动方向与正北方向的顺时针夹角)，将上述车辆轨迹点数据作为恒车速模型的输入，对偏移轨迹点数据进行异常点判定和纠正，计算公式如下：
其中，Xi′表示处理后的车辆轨迹点数据，Xi表示车辆轨迹点数据，满足公式spi≤spmax∧dis(loci-1,loci,elei-1,elei)≤T，则判断该车辆轨迹点数据不为偏移轨迹点数据，则处理后的车辆轨迹点数据即为原车辆轨迹点数据，满足公式spi＞spmax∧dis(loci-1,loci,elei-1,elei)＞T，则判断该车辆轨迹点数据为偏移轨迹点数据，spmax表示车辆行驶车道的限速，loci-1表示上一时刻的经纬度坐标(上一采样时刻的车辆轨迹点数据中的车辆位置经度和车辆位置纬度)，loci表示当前时刻的经纬度坐标(车辆轨迹点数据中的车辆位置经度和车辆位置纬度)，elei-1表示上一时刻的高程(上一采样时刻的车辆轨迹点数据中的车辆位置高程)，elei-1表示当前时刻的高程(车辆轨迹点数据中的车辆位置高程)，dis为坐标点的距离函数，T代表距离阈值，spi表示车辆轨迹点数据中的车辆速度，hdi表示车辆轨迹点数据中的车辆航向角，g(X)表示恒车速模型，根据该恒车速模型计算出处理后的车辆轨迹点数据中的车辆位置经度和车辆位置纬度，处理后的车辆轨迹点数据中的车辆位置高程、车辆速度和车辆航向角为原车辆轨迹点数据中的车辆位置高程、车辆速度和车辆航向角，该恒车速模型将短时间内的车辆运动简化为匀速直线运动，根据上一时刻的经纬度、速度以及航向角计算下一个时刻的位置信息(车辆位置经度和车辆位置纬度)，在恒车速模型下的经纬度纠偏的计算公式如下式所示：
其中，ARC表示地球平均半径，loni-1表示上一采样时刻的车辆轨迹点数据中的车辆位置经度(即目标车辆轨迹点数据中的车辆位置经度)、lati-1表示上一采样时刻的车辆轨迹点数据中的车辆位置纬度(即目标车辆轨迹点数据中的车辆位置纬度)、spi-1表示上一采样时刻的车辆轨迹点数据中的车辆速度(即目标车辆轨迹点数据中的车辆速度)、hdi-1表示上一采样时刻的车辆轨迹点数据中的车辆航向角(即目标车辆轨迹点数据中的车辆航向角)。
即在本可选实施例中，偏移轨迹点数据是根据车辆轨迹点数据中的车辆速度、车辆轨迹点数据中的车辆位置(包括车辆位置经度、车辆位置纬度、车辆位置高程)和车辆行驶车道的限速以及与该车辆轨迹点数据前相邻的车辆轨迹点数据中的车辆速度、车辆轨迹点数据中的车辆位置(包括车辆位置经度、车辆位置纬度、车辆位置高程)确定的，其中，与车辆轨迹点数据前相邻的车辆轨迹点数据指的是在该车辆轨迹点数据的上一个采样时刻采样的车辆轨迹点数据。即根据车辆轨迹点数据和与车辆轨迹点数据前相邻的车辆轨迹点数据以及上述恒车速模型计算出行进距离，并且计算出车辆轨迹点数据对应的车辆轨迹点与上一时刻的采样时刻采样的车辆轨迹点数据对应的车辆轨迹点之间的大圆距离，若行进距离和大圆距离之间的差值大于距离阈值，则确定该车辆轨迹点数据为偏移轨迹点数据(也可称为噪声点)。
按照上述方法对车辆轨迹点数据进行纠偏处理的示意图如图5所示，其中，p4’和p5’分别表示偏移轨迹点数据对应的车辆轨迹点，p4和p5分别为p4’和p5’对应的处理后的车辆轨迹点数据所对应的车辆轨迹点，其余均表示车辆轨迹点数据对应的车辆轨迹点。
经过上述纠偏处理后，可以获得较为平滑的车辆轨迹点数据的坐标序列，在本发明一可选实施例中，在传统的隐马尔科夫模型(HMM)的基础上增加高程信息，并对转移概率模型进行改进，之后根据观测概率和转移概率和路网轨迹点数据对车辆轨迹点数据进行上述处理。
在本发明一可选实施例中，所述历史车辆轨迹点数据的采样频率大于或等于所述预设频率。
即针对低频采样数据，首先利用高频的历史车辆轨迹点数据和高频的历史车辆轨迹点数据对应的历史路网轨迹点数据对预设的基于注意力机制的BiLSTM模型进行训练，得到训练好的轨迹预测模型。将低频的车辆轨迹点数据输入训练好的轨迹预测模型，得到轨迹预测模型输出的路网轨迹点数据即为处理后的车辆轨迹点数据，即对车辆轨迹点数据进行还原。
具体地，在进行训练时，选取历史路网轨迹点数据包括5000条路网轨迹点数据，道路包含5条高速车道，覆盖距离为100km，数据采样频率为1hz，将数据集合按照1:5划分训练集和测试集，设置丢弃(dropout)值为0.5，神经网络初始学习率为0.005，采用交叉熵函数作为损失函数，模型首先在全连接层获取输入，使用门控单元对时序数据进行编码，然后使用基于注意力机制的长短期记忆网络(Long Short-Term Memory，LSTM)模型进行计算，LSTM模型的结构如图6所示。其中，input1、input2……inputn表示模型输入，FC表示模型全连接(Full Connection，FC)层，GRU表示模型中的门控循环单元(gated recurrent unit，GRU)层，LSTM表示长短期记忆网络，output表示模型输出。
上述针对车辆轨迹点数据中的采样频率较低，相邻数据间隔较长的低频采样数据，利用车辆轨迹具有相似性的特点，使用基于时间序列的深度学习方法对轨迹进行还原。
下面结合图7，具体说明本发明实施例提供的车辆轨迹点数据处理方法的整体流程：
获取车辆轨迹点数据，确定车辆轨迹点数据的采样频率是否大于预设频率，若否，即在采样频率较低的环境，相邻数据间隔时间过长的情况下，将历史车辆轨迹点数据作为输入序列映射到高维空间，利用车辆轨迹具有相似性的特点，使用基于时间序列的深度学习方法(即训练好的轨迹预测模型)对车辆轨迹点数据进行还原，若是，即在采样频率较高，相邻数据间隔较短的情况下，利用基于恒车速模型计算其行进距离，根据行进距离和坐标点位置的大圆距离的差值是否达到阈值来判断该点是否属于噪声点，若达到阈值，则属于噪声点，根据恒车速模型对噪声点进行纠偏，最后利用基于改进的隐马尔可夫模型的路网匹配算法，将轨迹点映射到车道级别的路网中，达到轨迹数据还原的效果，若未达到阈值，则不属于噪声点，直接利用基于改进的隐马尔可夫模型的路网匹配算法，将轨迹点映射到车道级别的路网中，达到轨迹数据还原的效果。
本发明实施例提供的车辆轨迹点数据处理方法，设计了一种改进的基于隐马尔可夫模型的地图匹配算法。该算法在计算观测概率时引入了高程信息和车流量特征；在计算转移概率时，增加了方向特征，提高了地图匹配算法的准确性；针对采样频率不稳定的情况，设计了一种混合模型的轨迹还原策略，对于采样频率高的数据，使用改进的隐马尔可夫模型匹配到路网坐标点中；对于采样频率较低的数据，使用深度学习模型进行轨迹修复。这种修复策略，有较高的性能和准确性；设计了一种噪声数据纠偏方法。利用基于恒车速模型计算其行进距离，根据行进距离和坐标点位置的大圆距离的差值是否达到阈值来判断该点是否属于噪声点，然后基于该模型对噪声点进行纠偏；针对于采样频率不稳定的情况，采取分而治之的策略。对于采样频率高的数据，使用改进的隐马尔可夫模型匹配到路网坐标点中；对于采样频率较低的数据，使用深度学习模型进行轨迹修复，这种修复策略，有较高的性能和准确性。
如图8所示，本发明实施例还提供一种车辆轨迹数据处理装置，包括：
第一确定模块801，用于确定车辆轨迹点数据的采样频率；
第一处理模块802，用于在所述采样频率大于或等于预设频率的情况下，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率，以及根据所述车辆轨迹点数据中的车辆航向角和所述路网轨迹点数据对应的角度信息，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的转移概率，并根据所述观测概率、所述转移概率和所述路网轨迹点数据对所述车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据；在所述采样频率低于预设频率的情况下，将所述车辆轨迹点数据输入训练好的轨迹预测模型，得到所述轨迹预测模型输出的处理后的车辆轨迹点数据；所述轨迹预测模型是利用预设的双向长短期记忆模型和历史车辆轨迹点数据进行训练得到的。
可选地，所述第一处理模块802包括：
第一获取单元，用于获取根据所述车辆轨迹点数据对应的车辆轨迹点与每一所述路网轨迹点数据对应的路网轨迹点之间的高程距离以及所述车辆轨迹点与每一所述路网轨迹点之间的地球表面距离；
第一处理单元，用于根据所述高程距离和所述地球表面距离，得到所述车辆轨迹点与每一所述路网轨迹点之间的目标距离；
第二处理单元，用于根据所述车辆轨迹点与每一所述路网轨迹点之间的目标距离和至少一个所述路网轨迹点数据之间的标准差，得到所述车辆轨迹点数据与每一所述路网轨迹点数据之间的第一概率；
第二获取单元，用于获取每一所述路网轨迹点的预设范围内的车流量数据；
第三处理单元，用于根据每一所述路网轨迹点对应的车流量数据，得到所述车辆轨迹点数据与每一所述路网轨迹点对应的路网轨迹点数据之间的第二概率；
第四处理单元，用于根据每一所述网轨迹点数据对应的第一概率和第二概率，得到所述车辆轨迹点数据与每一所述路网轨迹点数据之间的观测概率。
可选地，所述第一处理模块802包括：
第五处理单元，用于根据第一采样时刻的第一车辆轨迹点数据中的车辆速度、第二采样时刻的第二车辆轨迹点数据中的车辆速度、所述第一车辆轨迹点数据对应的每一第一路网轨迹点数据中的车辆位置和所述第二车辆轨迹点数据对应的每一第二路网轨迹点数据中的车辆位置，得到所述每一所述第一路网轨迹点数据与每一所述第一路网轨迹点数据之间的距离差异概率；
第六处理单元，用于根据所述第一采样时刻的第一车辆轨迹点数据中的车辆航向角和角度信息，得到所述第一车辆轨迹点数据与每一第一路网轨迹点数据之间的方向差异概率，所述角度信息包括所述第一路网轨迹点数据对应的第一路网轨迹点与所述第二路网轨迹点数据对应的第二路网轨迹点之间的连线与预设方向的夹角；
第七处理单元，用于根据每一所述第一路网轨迹点数据对应的距离差异概率和所述方向差异概率，得到第一车辆轨迹点数据与每一所述第一路网轨迹点数之间的转移概率；
其中，所述第一采样时刻为任一采样时刻，第一采样时刻为所述第二采样时刻的前一采样时刻；
所述第一车辆轨迹点数据为所述第一采样时刻对应的车辆轨迹点数据，所述第二车辆轨迹点数据为所述第二采样时刻对应的车辆轨迹点数据。
可选地，所述装置还包括：
第一获取模块，用于在预先获取的路网数据中，获取与所述车辆轨迹点数据对应的车辆轨迹点之间的垂直距离小于第二预设距离的至少一个候选路段；
第二处理模块，用于根据所述车辆轨迹点数据在每个所述候选路段上的垂直交点，得到至少一个所述路网轨迹点数据。
可选地，所述第一处理模块802包括：
第八处理单元，用于利用预设的维特比算法，根据所述车辆轨迹点数据与每一所述路网轨迹点数据之间的观测概率、转移概率，确定所述路网轨迹点数据中，所述车辆轨迹点数据对应的最优路网轨迹点数据；
第九处理单元，用于将所述最优路网轨迹点数据作为所述处理后的车辆轨迹点数据。
可选地，所述装置还包括：
第二获取模块，用于获取车辆初始轨迹点数据；
第三处理模块，用于对所述车辆初始轨迹点数据进行以下至少一项处理，得到所述车辆轨迹点数据：
第四处理模块，用于在同一车辆身份标识对应的两个相邻的车辆初始轨迹点数据之间的采样间隔大于预设时长的情况下，根据所述两个相邻的车辆初始轨迹点数据对所述车辆初始轨迹点数据进行切分处理；
第五处理模块，用于在所述车辆初始轨迹点数据的数量小于预设数量的情况下，将所述车辆初始轨迹点数据进行剔除处理；
第六处理模块，用于在第一初始轨迹点数据与相邻的车辆初始轨迹点数据之间的距离大于第一预设距离的情况下，将所述第一初始轨迹点数据进行剔除处理，其中，所述第一初始轨迹点数据是所述车辆初始轨迹点数据中的任一轨迹点数据。
可选地，所述装置还包括：
第二确定模块，用于根据所述车辆轨迹点数据中的车辆速度和车辆位置，确定所述车辆轨迹点数据中的偏移轨迹点数据；
第七处理模块，用于根据目标车辆轨迹点数据中的车辆位置经度、车辆位置纬度、车辆位置高程、车辆速度、车辆航向角，对所述偏移轨迹点数据进行纠偏处理，得到处理后的车辆轨迹点数据；
其中，所述目标车辆轨迹点数据是与所述偏移轨迹点数据前相邻的车辆轨迹点数据。
可选地，所述历史车辆轨迹点数据的采样频率大于或等于所述预设频率。
需要说明的是，本发明实施例提供的车辆轨迹数据处理装置是能够执行上述的车辆轨迹数据处理方法的装置，则上述的车辆轨迹数据处理方法的所有实施例均适用于该装置，且能够达到相同或者相似的技术效果。
如图9所示，本发明实施例还提供一种车辆轨迹数据处理设备，包括：处理器900；以及通过总线接口与所述处理器900相连接的存储器910，所述存储器910用于存储所述处理器900在执行操作时所使用的程序和数据，所述处理器900调用并执行所述存储器910中所存储的程序和数据。
其中，所述车辆轨迹数据处理设备还包括收发机920，所述收发机920与总线接口连接，用于在所述处理器900的控制下接收和发送数据；
具体地，所述处理器900执行下列过程：
确定车辆轨迹点数据的采样频率；
在所述采样频率大于或等于预设频率的情况下，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率，以及根据所述车辆轨迹点数据中的车辆航向角和所述路网轨迹点数据对应的角度信息，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的转移概率，并根据所述观测概率、所述转移概率和所述路网轨迹点数据对所述车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据；
在所述采样频率低于预设频率的情况下，将所述车辆轨迹点数据输入训练好的轨迹预测模型，得到所述轨迹预测模型输出的处理后的车辆轨迹点数据；所述轨迹预测模型是利用预设的双向长短期记忆模型和历史车辆轨迹点数据进行训练得到的。
可选地，所述处理器900，用于：
获取根据所述车辆轨迹点数据对应的车辆轨迹点与每一所述路网轨迹点数据对应的路网轨迹点之间的高程距离以及所述车辆轨迹点与每一所述路网轨迹点之间的地球表面距离；
根据所述高程距离和所述地球表面距离，得到所述车辆轨迹点与每一所述路网轨迹点之间的目标距离；
根据所述车辆轨迹点与每一所述路网轨迹点之间的目标距离和至少一个所述路网轨迹点数据之间的标准差，得到所述车辆轨迹点数据与每一所述路网轨迹点数据之间的第一概率；
获取每一所述路网轨迹点的预设范围内的车流量数据；
根据每一所述路网轨迹点对应的车流量数据，得到所述车辆轨迹点数据与每一所述路网轨迹点对应的路网轨迹点数据之间的第二概率；
根据每一所述网轨迹点数据对应的第一概率和第二概率，得到所述车辆轨迹点数据与每一所述路网轨迹点数据之间的观测概率。
可选地，所述处理器900，用于：
根据第一采样时刻的第一车辆轨迹点数据中的车辆速度、第二采样时刻的第二车辆轨迹点数据中的车辆速度、所述第一车辆轨迹点数据对应的每一第一路网轨迹点数据中的车辆位置和所述第二车辆轨迹点数据对应的每一第二路网轨迹点数据中的车辆位置，得到所述每一所述第一路网轨迹点数据与每一所述第一路网轨迹点数据之间的距离差异概率；
根据所述第一采样时刻的第一车辆轨迹点数据中的车辆航向角和角度信息，得到所述第一车辆轨迹点数据与每一第一路网轨迹点数据之间的方向差异概率，所述角度信息包括所述第一路网轨迹点数据对应的第一路网轨迹点与所述第二路网轨迹点数据对应的第二路网轨迹点之间的连线与预设方向的夹角；
根据每一所述第一路网轨迹点数据对应的距离差异概率和所述方向差异概率，得到第一车辆轨迹点数据与每一所述第一路网轨迹点数之间的转移概率；
其中，所述第一采样时刻为任一采样时刻，第一采样时刻为所述第二采样时刻的前一采样时刻；
所述第一车辆轨迹点数据为所述第一采样时刻对应的车辆轨迹点数据，所述第二车辆轨迹点数据为所述第二采样时刻对应的车辆轨迹点数据。
可选地，所述处理器900，还用于：
在预先获取的路网数据中，获取与所述车辆轨迹点数据对应的车辆轨迹点之间的垂直距离小于第二预设距离的至少一个候选路段；
根据所述车辆轨迹点数据在每个所述候选路段上的垂直交点，得到至少一个所述路网轨迹点数据。
可选地，所述处理器900，用于：
利用预设的维特比算法，根据所述车辆轨迹点数据与每一所述路网轨迹点数据之间的观测概率、转移概率，确定所述路网轨迹点数据中，所述车辆轨迹点数据对应的最优路网轨迹点数据；
将所述最优路网轨迹点数据作为所述处理后的车辆轨迹点数据。
可选地，所述处理器900还用于：
获取车辆初始轨迹点数据；
对所述车辆初始轨迹点数据进行以下至少一项处理，得到所述车辆轨迹点数据：
在同一车辆身份标识对应的两个相邻的车辆初始轨迹点数据之间的采样间隔大于预设时长的情况下，根据所述两个相邻的车辆初始轨迹点数据对所述车辆初始轨迹点数据进行切分处理；
在所述车辆初始轨迹点数据的数量小于预设数量的情况下，将所述车辆初始轨迹点数据进行剔除处理；
在第一初始轨迹点数据与相邻的车辆初始轨迹点数据之间的距离大于第一预设距离的情况下，将所述第一初始轨迹点数据进行剔除处理，其中，所述第一初始轨迹点数据是所述车辆初始轨迹点数据中的任一轨迹点数据。
可选地，所述处理器900还用于：
根据所述车辆轨迹点数据中的车辆速度和车辆位置，确定所述车辆轨迹点数据中的偏移轨迹点数据；
根据目标车辆轨迹点数据中的车辆位置经度、车辆位置纬度、车辆位置高程、车辆速度、车辆航向角，对所述偏移轨迹点数据进行纠偏处理，得到处理后的车辆轨迹点数据；
其中，所述目标车辆轨迹点数据是与所述偏移轨迹点数据前相邻的车辆轨迹点数据。
可选地，所述历史车辆轨迹点数据的采样频率大于或等于所述预设频率。
其中，在图9中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器900代表的一个或多个处理器和存储器910代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供用户接口930。收发机920可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器900负责管理总线架构和通常的处理，存储器910可以存储处理器900在执行操作时所使用的数据。
另外，本发明具体实施例还提供一种可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上中任一项所述的车辆轨迹数据处理方法中的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用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所述的资源选择方法的部分步骤，或者，执行本发明各个实施例所述的信息发送方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。
Claims (11)
1.一种车辆轨迹数据处理方法，其特征在于，包括：
确定车辆轨迹点数据的采样频率；
在所述采样频率大于或等于预设频率的情况下，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率，以及根据所述车辆轨迹点数据中的车辆航向角和所述路网轨迹点数据对应的角度信息，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的转移概率，并根据所述观测概率、所述转移概率和所述路网轨迹点数据对所述车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据；
在所述采样频率低于预设频率的情况下，将所述车辆轨迹点数据输入训练好的轨迹预测模型，得到所述轨迹预测模型输出的处理后的车辆轨迹点数据；所述轨迹预测模型是利用预设的双向长短期记忆模型和历史车辆轨迹点数据进行训练得到的。
2.根据权利要求1所述的车辆轨迹数据处理方法，其特征在于，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率，包括：
获取根据所述车辆轨迹点数据对应的车辆轨迹点与每一所述路网轨迹点数据对应的路网轨迹点之间的高程距离以及所述车辆轨迹点与每一所述路网轨迹点之间的地球表面距离；
根据所述高程距离和所述地球表面距离，得到所述车辆轨迹点与每一所述路网轨迹点之间的目标距离；
根据所述车辆轨迹点与每一所述路网轨迹点之间的目标距离和至少一个所述路网轨迹点数据之间的标准差，得到所述车辆轨迹点数据与每一所述路网轨迹点数据之间的第一概率；
获取每一所述路网轨迹点的预设范围内的车流量数据；
根据每一所述路网轨迹点对应的车流量数据，得到所述车辆轨迹点数据与每一所述路网轨迹点对应的路网轨迹点数据之间的第二概率；
根据每一所述网轨迹点数据对应的第一概率和第二概率，得到所述车辆轨迹点数据与每一所述路网轨迹点数据之间的观测概率。
3.根据权利要求1所述的车辆轨迹数据处理方法，其特征在于，根据所述车辆轨迹点数据中的车辆航向角和所述路网轨迹点数据对应的角度信息，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的转移概率，包括：
根据第一采样时刻的第一车辆轨迹点数据中的车辆速度、第二采样时刻的第二车辆轨迹点数据中的车辆速度、所述第一车辆轨迹点数据对应的每一第一路网轨迹点数据中的车辆位置和所述第二车辆轨迹点数据对应的每一第二路网轨迹点数据中的车辆位置，得到所述每一所述第一路网轨迹点数据与每一所述第一路网轨迹点数据之间的距离差异概率；
根据所述第一采样时刻的第一车辆轨迹点数据中的车辆航向角和角度信息，得到所述第一车辆轨迹点数据与每一第一路网轨迹点数据之间的方向差异概率，所述角度信息包括所述第一路网轨迹点数据对应的第一路网轨迹点与所述第二路网轨迹点数据对应的第二路网轨迹点之间的连线与预设方向的夹角；
根据每一所述第一路网轨迹点数据对应的距离差异概率和所述方向差异概率，得到第一车辆轨迹点数据与每一所述第一路网轨迹点数之间的转移概率；
其中，所述第一采样时刻为任一采样时刻，第一采样时刻为所述第二采样时刻的前一采样时刻；
所述第一车辆轨迹点数据为所述第一采样时刻对应的车辆轨迹点数据，所述第二车辆轨迹点数据为所述第二采样时刻对应的车辆轨迹点数据。
4.根据权利要求1所述的车辆轨迹数据处理方法，其特征在于，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率之前，所述方法还包括：
在预先获取的路网数据中，获取与所述车辆轨迹点数据对应的车辆轨迹点之间的垂直距离小于第二预设距离的至少一个候选路段；
根据所述车辆轨迹点数据在每个所述候选路段上的垂直交点，得到至少一个所述路网轨迹点数据。
5.根据权利要求1所述的车辆轨迹数据处理方法，其特征在于，根据所述观测概率、所述转移概率和所述路网轨迹点数据对所述车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据，包括：
利用预设的维特比算法，根据所述车辆轨迹点数据与每一所述路网轨迹点数据之间的观测概率、转移概率，确定所述路网轨迹点数据中，所述车辆轨迹点数据对应的最优路网轨迹点数据；
将所述最优路网轨迹点数据作为所述处理后的车辆轨迹点数据。
6.根据权利要求1所述的车辆轨迹数据处理方法，其特征在于，确定车辆轨迹点数据的采样频率之前，所述方法还包括：
获取车辆初始轨迹点数据；
对所述车辆初始轨迹点数据进行以下至少一项处理，得到所述车辆轨迹点数据：
在同一车辆身份标识对应的两个相邻的车辆初始轨迹点数据之间的采样间隔大于预设时长的情况下，根据所述两个相邻的车辆初始轨迹点数据对所述车辆初始轨迹点数据进行切分处理；
在所述车辆初始轨迹点数据的数量小于预设数量的情况下，将所述车辆初始轨迹点数据进行剔除处理；
在第一初始轨迹点数据与相邻的车辆初始轨迹点数据之间的距离大于第一预设距离的情况下，将所述第一初始轨迹点数据进行剔除处理，其中，所述第一初始轨迹点数据是所述车辆初始轨迹点数据中的任一轨迹点数据。
7.根据权利要求1所述的车辆轨迹数据处理方法，其特征在于，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率之前，所述方法还包括：
根据所述车辆轨迹点数据中的车辆速度和车辆位置，确定所述车辆轨迹点数据中的偏移轨迹点数据；
根据目标车辆轨迹点数据中的车辆位置经度、车辆位置纬度、车辆位置高程、车辆速度、车辆航向角，对所述偏移轨迹点数据进行纠偏处理，得到处理后的车辆轨迹点数据；
其中，所述目标车辆轨迹点数据是与所述偏移轨迹点数据前相邻的车辆轨迹点数据。
8.根据权利要求1所述的车辆轨迹数据处理方法，其特征在于，所述历史车辆轨迹点数据的采样频率大于或等于所述预设频率。
9.一种车辆轨迹数据处理装置，其特征在于，包括：
第一确定模块，用于确定车辆轨迹点数据的采样频率；
第一处理模块，用于在所述采样频率大于或等于预设频率的情况下，根据所述车辆轨迹点数据与对应的路网轨迹点数据之间的高程距离信息和所述路网轨迹点数据对应的车流量数据，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的观测概率，以及根据所述车辆轨迹点数据中的车辆航向角和所述路网轨迹点数据对应的角度信息，得到所述车辆轨迹点数据与所述路网轨迹点数据之间的转移概率，并根据所述观测概率、所述转移概率和所述路网轨迹点数据对所述车辆轨迹点数据进行处理，得到处理后的车辆轨迹点数据；在所述采样频率低于预设频率的情况下，将所述车辆轨迹点数据输入训练好的轨迹预测模型，得到所述轨迹预测模型输出的处理后的车辆轨迹点数据；所述轨迹预测模型是利用预设的双向长短期记忆模型和历史车辆轨迹点数据进行训练得到的。
10.一种车辆轨迹数据处理设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至8中任一项所述的车辆轨迹数据处理方法中的步骤。
11.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1至8中任一项所述的车辆轨迹数据处理方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310946452.8A CN116975184A (zh) | 2023-07-28 | 2023-07-28 | 一种车辆轨迹数据处理方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310946452.8A CN116975184A (zh) | 2023-07-28 | 2023-07-28 | 一种车辆轨迹数据处理方法、装置、设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116975184A true CN116975184A (zh) | 2023-10-31 |
Family
ID=88470911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310946452.8A Pending CN116975184A (zh) | 2023-07-28 | 2023-07-28 | 一种车辆轨迹数据处理方法、装置、设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116975184A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118071234A (zh) * | 2024-04-19 | 2024-05-24 | 四川国蓝中天环境科技集团有限公司 | 基于输入输出隐马尔可夫模型的运渣车运输活动预测方法 |
| CN118071234B (zh) * | 2024-04-19 | 2024-07-02 | 四川国蓝中天环境科技集团有限公司 | 基于输入输出隐马尔可夫模型的运渣车运输活动预测方法 |
-
2023
- 2023-07-28 CN CN202310946452.8A patent/CN116975184A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118071234A (zh) * | 2024-04-19 | 2024-05-24 | 四川国蓝中天环境科技集团有限公司 | 基于输入输出隐马尔可夫模型的运渣车运输活动预测方法 |
| CN118071234B (zh) * | 2024-04-19 | 2024-07-02 | 四川国蓝中天环境科技集团有限公司 | 基于输入输出隐马尔可夫模型的运渣车运输活动预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
| WO2021249071A1 (zh) | 一种车道线的检测方法及相关设备 | |
| CN109059944B (zh) | 基于驾驶习惯学习的运动规划方法 | |
| CN114005280B (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
| CN111857134B (zh) | 一种基于贝叶斯网络的目标障碍车轨迹预测方法 | |
| Davidson et al. | Application of particle filters to a map-matching algorithm | |
| WO2021208110A1 (zh) | 车道线识别异常事件确定方法、车道线识别装置及系统 | |
| CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
| CN111121791A (zh) | 隐马尔可夫模型在地图匹配中的优化方法及gps定位方法 | |
| CN112632202B (zh) | 一种基于高阶隐马尔可夫模型的动态地图匹配方法 | |
| CN112530158B (zh) | 一种基于历史轨迹的路网补充方法 | |
| Blazquez et al. | Simple map-matching algorithm applied to intelligent winter maintenance vehicle data | |
| CN110986965A (zh) | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 | |
| Chen et al. | Tailored hidden Markov model: A tailored hidden Markov model optimized for cellular-based map matching | |
| CN111060112A (zh) | 基于方向角的车辆轨迹地图匹配方法及系统 | |
| CN116989816B (zh) | 一种偏航识别方法、装置及电子设备 | |
| CN113295173A (zh) | 环形路段的地图匹配方法 | |
| CN110411450B (zh) | 一种用于压缩轨迹的地图匹配方法 | |
| CN116975184A (zh) | 一种车辆轨迹数据处理方法、装置、设备和可读存储介质 | |
| Xu et al. | Online map matching algorithm using segment angle based on hidden Markov model | |
| Long et al. | Research on Map Matching and Location Technology Based on Fuzzy Judgment | |
| CN118067148B (zh) | 一种基于大数据分析的车载导航系统 | |
| CN111537950B (zh) | 一种基于位置指纹和二步多项式拟合的卫星位置预测跟踪方法 | |
| CN110501732B (zh) | 一种多卫星分布式导航滤波计算方法 | |
| Schweizer et al. | A Novel Method to Construct Lane Accurate Crossroad Maps by Mining Series Sensors of Large Vehicle Fleets |
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 |