CN117007062A - 行程轨迹数据的处理方法和装置及交通导航方法 - Google Patents
行程轨迹数据的处理方法和装置及交通导航方法 Download PDFInfo
- Publication number
- CN117007062A CN117007062A CN202210459000.2A CN202210459000A CN117007062A CN 117007062 A CN117007062 A CN 117007062A CN 202210459000 A CN202210459000 A CN 202210459000A CN 117007062 A CN117007062 A CN 117007062A
- Authority
- CN
- China
- Prior art keywords
- travel
- data
- track
- track data
- abnormal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 96
- 238000003860 storage Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000013439 planning Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000029305 taxis Effects 0.000 description 4
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 101100182247 Caenorhabditis elegans lat-1 gene Proteins 0.000 description 2
- 101150061388 LON1 gene Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 101150004293 lon2 gene Proteins 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 101100511466 Caenorhabditis elegans lon-1 gene Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052741 iridium Inorganic materials 0.000 description 1
- GKOZUEZYRPOHIO-UHFFFAOYSA-N iridium atom Chemical compound [Ir] GKOZUEZYRPOHIO-UHFFFAOYSA-N 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3438—Rendez-vous, i.e. searching a destination where several users can meet, and the routes to this destination for these users; Ride sharing, i.e. searching a route such that at least two users can share a vehicle for at least part of the route
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供了一种行程轨迹数据的处理方法、装置、电子设备及计算机可读存储介质和交通导航方法,涉及智能交通领域。行程轨迹数据的处理方法包括:获取包括按采集时间排序的多个轨迹点的车辆的行程轨迹数据;识别其中的无效行程段,无效行程段包含对应于相邻轨迹点的采集时间间隔异常、轨迹点对应的行驶路径异常、轨迹点对应于异常的订单状态之一的轨迹点;基于无效行程段对行程轨迹数据进行切分,将切分处理后的、除无效行程段外的数据作为有效行程段。处理后的轨迹数据能更准确地反映车辆在有目的地的行程中最常采用的或相对比较高效的路径选择,为依照车辆的行程轨迹数据建立数据库或进行导航等提供更可靠的数据来源。
Description
技术领域
本申请涉及智能交通技术领域,具体而言,本申请涉及一种行程轨迹数据的处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品和交通导航方法。
背景技术
随着大数据时代的到来以及定位技术和定位服务的发展,轨迹数据现在已经受到了越来越多的关注,轨迹数据在轨迹预测、路径推断、模式挖掘以及其他相关领域发挥着重要作用。
目前大多数的关于轨迹数据的研究是围绕着原始轨迹数据的清洗,主要针对的是数据丢失或者硬件配置过低等原因造成的轨迹数据中含有较多的伪造数据点。相关的轨迹数据清洗方法主要涉及:均值过滤、卡尔曼粒子过滤以及异常值检测等等。
在地图相关的应用中,大都会对原始轨迹数据进行清洗,并直接将数据清洗后的轨迹数据用于各种下游应用,例如,用于基于海量轨迹的导航方法。路径规划和到达时间估计是导航方法中两个非常重要的两个方面,相关技术通过会利用历史上大量的出行轨迹信息,通过匹配路网,挖掘出大量的大众常走轨迹,并根据大众常走路线和耗时记录,规划从起点到终点的路径和估计到达时间。这种应用方式下,大众轨迹数据本身是不是能准确地反映大众出行的路径选择,对导航的准确度和精度都有显著的影响。目前,相关技术中,对清洗后的原始轨迹数据直接使用的过程中,并未考虑到这一因素的影响,也没有采取相关的措施,在导航使用的大众轨迹数据不理想时,导航的效果也受到影响。
发明内容
本申请实施例旨在一定程度上解决上述问题的至少一个方面,提供能更准确地反映大众出行路径选择的行程数据。为此,本申请实施例提供了行程轨迹数据的处理系列的技术方案。
根据本申请的第一方面的实施例,提供了一种行程轨迹数据的处理方法,行程轨迹数据的处理方法包括:
获取车辆的行程轨迹数据,其中,行程轨迹数据包括按采集时间排序的多个轨迹点的数据;
识别行程轨迹数据中的无效行程段,其中无效行程段包含对应于异常状态的轨迹点;
基于无效行程段对行程轨迹数据进行切分处理,将切分处理后的、除无效行程段外的数据作为有效行程段;
其中,异常状态包括以下至少一项:相邻轨迹点的采集时间间隔异常;轨迹点对应的行驶路径异常;轨迹点对应于异常的订单状态。
根据本申请的第二方面的实施例,提供了一种交通导航方法,该方法包括:
获取根据本申请第一方面实施例的行程轨迹数据的处理方法进行处理后的行程轨迹数据;
根据处理后的行程轨迹数据实现以下导航操作中的一项或多项:
根据处理后的行程轨迹数据构建有效行程轨迹数据集,并使用有效行程轨迹数据集作为神经网络的训练集对神经网络进行训练,使用训练好的神经网络进行导航;
根据处理后的行程轨迹数据估算行程轨迹数据所属区域内的路段轨迹流量;
根据处理后的行程轨迹数据估算行程轨迹数据所属区域内的起点和终点之间的行驶时间;
根据处理后的行程轨迹数据进行行程轨迹数据所属区域内的起点和终点之间的路径规划;或者
根据处理后的行程轨迹数据对行程轨迹数据所属区域的电子地图进行校正。
根据本申请第三方面的实施例,提供了一种行程轨迹数据的处理的装置,该装置包括:
行程轨迹获取模块,用于获取车辆的行程轨迹数据,其中,行程轨迹数据包括按采集时间排序的多个轨迹点的数据;
无效行程段识别模块,用于识别行程轨迹数据中的无效行程段,其中无效行程段包含对应于异常状态的轨迹点,其中,异常状态包括以下至少一项:相邻轨迹点的采集时间间隔异常;轨迹点对应的行驶路径异常;轨迹点对应于异常的订单状态;
轨迹切分模块,用于基于无效行程段对行程轨迹数据进行切分处理,将切分处理后的、除无效行程段外的数据作为有效行程段。
根据本申请第四方面的实施例,提供了一种电子设备,该电子设备包括:
存储器、处理器及存储在存储器上的计算机程序,处理器执行计算机程序以实现根据本申请第一方面实施例的行程轨迹数据的处理方法的步骤。
根据本申请第五方面的实施例,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请第一方面实施例的行程轨迹数据的处理方法的步骤。
根据本申请的第六方面的实施例,提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现本申请第一方面实施例的行程轨迹数据的处理方法的步骤。
行程轨迹数据的处理的系列技术方案通过对行程轨迹中相邻轨迹点的采集时间间隔异常、轨迹点对应的行驶路径异常、轨迹点对应于异常的订单状态等异常行程段的识别,和将包含异常行程段的行程轨迹进行切分,使得到的有效行程段能够更准确地反映车辆在从起点到终点的有目的地的行程中最常采用的或者是相对行驶比较高效的路径选择,为后续依照车辆的行程轨迹数据建立行程数据库或者是进行导航等提供更可靠的数据来源。
同时,使用基于本申请的行程轨迹数据的处理方法处理后的数据来实现各种导航算法时,也会取得更准确的导航结果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为根据本申请实施例的行程数据的处理系统的架构示意图;
图2为根据本申请实施例的一种行程轨迹数据的处理方法的流程示意图;
图3为根据本申请实施例获取车辆的行程轨迹数据的操作的流程示意图;
图4为根据本申请实施例的使用滑动窗口方式对行驶路径异常的无效行程段进行识别的示意图;
图5为根据本申请实施例的另一种行程轨迹数据的处理方法的流程的示意图;
图6为根据本申请实施例的一种行程轨迹数据的处理装置的结构示意图;
图7为根据本申请实施例的一种行程轨迹数据的处理的电子设备的结构示意图。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解,下面结合附图所阐述的实施方式,是用于解释本申请实施例的技术方案的示例性描述,对本申请实施例的技术方案不构成限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件,但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解,当我们称一个元件被“连接”或“耦接”到另一元件时,该一个元件可以直接连接或耦接到另一元件,也可以指该一个元件和另一元件通过中间元件建立连接关系。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个,例如“A和/或B”可以实现为“A”,或者实现为“B”,或者实现为“A和B”。
为了方便描述和理解,下面对本公开中涉及的一些技术名词进行简单介绍。要说明的是,以下名词介绍的内容仅仅是为了本公开的理解方便而作的说明,并不构成对其含义的限制性定义表达。如无特别说明,在本公开中,对于本领域公知的技术名词,其含义遵从本领域公认的理解。
智能交通系统(Intelligent Traffic System,ITS),又称智能运输系统(Intelligent Transportation System),是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造,加强车辆、道路、使用者三者之间的联系,从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
智能车路协同系统(Intelligent Vehicle Infrastructure CooperativeSystems,IVICS),简称车路协同系统,是智能交通系统(ITS)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。
行程轨迹,包括多个按时间排序的轨迹点,用于描述行程的主体——如车辆,在一定时间范围内依次通过的路径信息。
轨迹点,行程轨迹数据的最小数据单元,一个轨迹点通常包含采样时间、地理位置信息、以及按需设置的其它信息。轨迹点数据中,采样时间和地理位置信息,一般是通过车载的卫星定位系统或者是与车辆同行的驾驶员或乘客携带的移动终端的卫星定位模块来获取,并记录的。卫星定位系统可以是GPS或者北斗等。
路段(link),在智能交通和地图等应用场景中,根据路网拓扑将整个区域(一般对应行政区划或地理标志等,例如,国、省、市或者某山脉区域,某湖泊流域等)的道路进行分段,而得到的各个道路区间,也是电子地图等应用中对路网的最小分割单元。不同的地图设置可以对应不同的路段划分策略,不同位置的路段可能具有不同的长度。例如,高速公路的路段可能会相对比较长,而城市交通的路段长度会相对比较短。
订单信息,本公开中,订单信息可以指与运营车辆与其运营目的有关的行驶状态信息。其中,运营车辆可以包括长途汽车、长途货车、城市公交车、出租车、以及其它通过网络接单,以提供载人或载物运输等服务的车辆(如各种网约车、通过众包平台接单的运输车辆等)。与运营有关的行驶状态,可以根据目标运载对象的搭乘状态来确定,例如,可以包括接客途中、载客途中、接单等客、未接单空驶或不接单状态等。要说明的是,本公开中,涉及订单状态的描述时,“客”代表目标运载对象,可以是乘车人也可以是运载的货物等。
要说明的是,在本申请的可选实施例中,所涉及到的对象信息(如对象对应的行程轨迹点的时间信息和卫星定位信息、订单信息等)等相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得对象许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。也就是说,本申请实施例中如果涉及到与对象有关的数据,这些数据需要经由对象授权同意、且符合国家和地区的相关法律法规和标准的情况下获取的。
发明人注意到,相关技术中,使用各种手段数据清洗后的原始数据,虽然能基本正确地反映车辆在行程中的具体位置,但是由于车辆的行程本身可能就不是对应着大众常规的路径选择。例如,有时出租车或网约车为了接目标运载对象会进行明显的绕路,车辆在行驶过程中由于走错路或者禁停等原因会小范围兜圈等,这些绕路或兜圈的行程段都会对整个行程轨迹的可用性带来不利的影响,属于无效的行程段。因此,单纯的数据清洗并不能获得符合大众出行路线选择的,高质量的轨迹数据。如果能将这样的无效行程段识别和剔除出去,将会给行程轨迹的数据质量带来极大的改善。
基于上述技术构思,本申请提供了行程轨迹数据的处理方法、装置、电子设备、计算机可读存储介质以及计算机程序产品等系列技术方案,旨在一定程度上解决现有技术的如上技术问题的至少一个方面。
下面通过对几个示例性实施方式的描述,对本申请实施例的技术方案以及本申请的技术方案产生的技术效果进行说明。需要指出的是,下述实施方式之间可以相互参考、借鉴或结合,对于不同实施方式中相同的术语、相似的特征以及相似的实施步骤等,不再重复描述。
为了对本申请的实施例进行更好的理解,首先对进行行程数据采集和使用的整体系统框架进行简单的介绍。参见图1,图1为根据本申请实施例的实现行程数据处理系统架构示意图。
其中,行程数据处理系统1000包括多个提供行程轨迹数据的车辆,如车辆101,车辆102等,以及行程轨迹处理服务器200和用于存储处理后的行程轨迹数据的有效行程数据库400。其中,有效行程数据库400可以是单独的硬件设施,也可以与行程轨迹处理服务器200设置在共同的硬件设施上。行程轨迹处理服务器200与多个车辆通过网络300进行通信,获取车辆提供的轨迹数据信息。对于对应有订单数据的车辆101,车辆提供的行程轨迹数据可以包括车辆的卫星定位信息和订单信息,其中订单信息可以由车辆的运营者提供,也可以经运营者授权,由相应的数据平台提供,当然也可以不提供订单信息而只提供车辆卫星定位信息,此时车辆的行程轨迹数据作为无订单数据的车辆来处理即可。对于没有订单数据的车辆102,车辆提供的行程轨迹数据可以包括车辆的卫星定位信息。
使用本申请的行程数据处理方法处理后得到的有效行程,可以供给交通导航服务器200,以实现各种场景下的导航需求。其中,交通导航服务200表示的是功能逻辑上的划分,它可以是单独的硬件设施,也可以与行程轨迹处理服务器200或者有效行程数据库400设置在共同的硬件设施上。
而交通导航服务器200导航信息又可以反过来提供给各个车辆,为车辆提供路径规划和行驶时间估计等服务或者是用改善车载导航设备等。从而形成信息和服务的闭环,车辆的更好的路径选择和服务器提供更好的路径规划相互促进,以正反馈的形式提升整个交通系统的运行效率。根据本申请实施例的各种方法、装置和系统,可以用于城市智能交通系统、物流系统、电子地图、车载导航系统的改进、网约车、外面配送等场景。
下面对本申请行程轨迹数据的处理方法进行详细的说明。参见图2,图2为根据本申请实施例的一种行程轨迹数据的处理方法的流程示意图。根据本实施例的行程轨迹数据的处理方法,行程轨迹数据的处理方法包括步骤S110到S130。
在步骤S110,获取车辆的行程轨迹数据,其中,行程轨迹数据包括按采集时间排序的多个轨迹点的数据。
车载GPS或者其它卫星定位系统,下文中以GPS为例进行说明,使用北斗或者铱星等其它卫星定位系统的情况与此类似,将不再赘述。车载GPS模块一般会周期性地获取GPS信息以实现实时定位,GPS信息可以包括时间、经纬度信息等。行程轨迹点的获取,一般会设置为根据周期性获取的GPS数据获取轨迹点对应的数据,轨迹点的采样周期可以与车辆GPS的采样周期相同或者大于GPS的采样周期。并且,由于传输故障等原因,可能会存在某些采样点上的数据缺失,对此,本申请在处理行程轨迹数据时,可以根据需要对少量缺失的采样点使用函数差值等数学方法进行数值拟合补齐,对大量缺失的采样点进行整段切割抛弃等相关处理。
一条行程轨迹可以包括预设时长内的连续采集的轨迹点数据,预定时长可选对应一天的24小时内,或者7:00到21:00的主要出行时间内,或者是对应一般连续驾车时间的几个小时等,本申请对此不作限制。
一条行程轨迹可以包括预设时长内的连续采集的轨迹点数据,预定时长可选对应一天的24小时内,或者7:00到21:00的主要出行时间内,或者是对应一般连续驾车时间的几个小时等,本申请对此不作限制。
在步骤S120,识别行程轨迹数据中的无效行程段,其中无效行程段包含对应于异常状态的轨迹点,其中,异常状态包括以下至少一项:相邻轨迹点的采集时间间隔异常;轨迹点对应的行驶路径异常;轨迹点对应于异常的订单状态。
本申请的实施例中,无效行程段的选择是基于该行程段是否符合大众出行的一般路径选择习惯,或者是是否属于一段连续行驶的过程等,能够影响到该段行程的路径选择的可靠性或行驶时间的参照意义等方面的考虑。
例如,相对于正常的GPS采样间隔和设置的轨迹点采样间隔,相邻轨迹点的采集时间间隔如果过长,可能意味着GPS数据信息的长时间缺失,例如,GPS被关闭了。这种情况下,这两个相邻GPS点之间的距离,和走过这段距离所用的时间,就很可能不是两个采样点的采集时之差,再向利用普通正常轨迹点一样去利用这组轨迹点就不再合适,这两个轨迹点和之间的轨迹段,应从轨迹数据中滤除。
正常的行驶路径指普通公众在从起点A到终点B的行程中,会根据时间最短或者用时最短堵车最少等优化目标去选择行驶的路径。例如,从A地到B地的可经过第一道路直行到达,其中在第一道路一侧有一家购物中心,购物中心周围有一圈环路,且正门开设在背离第一道路的哪一边。这种情况下,正常的行驶路径显然是经第一道路由A到B。
但是,在从A到B这段行程中,大部分的出租车空车为了获客,或者是接单的网约车去接乘客时,都会选择绕到购物中心的正门,反映到行程大数据上,可能会出现在A到B的这一路段,绕半圈的轨迹反而多于直行的轨迹。这种绕半圈走环路的路径就属于异常行驶路径。
如果根据这样的数据,进行机器学习,或者进行根据统计结果的导航等自动数据处理时,很可能最后会有推荐正常需要从A到B的车辆去走购物中心正门绕路的情形,这显然是不符合实际需求的,因此,这样的数据点也需要从轨迹数据中滤除。
上述的例子中,出租车和网约车之所以绕路,是与订单有关的。因此,可以根据订单信息从一定程度上来避免引入这些异常的行驶路径。对于有对应于载客或者载物(例如外卖或者快递的送货行程)订单的车辆来讲,正在进行订单对象的运输的这一段过程和接单后赶往载乘对象除的路上,车辆绕路等非正常情况的概率是相对较小的,因此,可以根据这一特点,将对应于接客和载客运输的行程段作为有效行程段,将其余的订单状态对应的行程段作为无效行程段进行滤除,从而提高筛选和过滤的效率。以更简易的方式从海量行程数据中获取有价值的部分。
在步骤S130,基于无效行程段对行程轨迹数据进行切分处理,将切分处理后的、除无效行程段外的数据作为有效行程段。
对于每条行程轨迹,识别出行程轨迹中的无效行程段后,需要将之从行程轨迹中去除。去除的方式可以是在无效行程段的两端的轨迹点处,对行程轨迹数据进行切分。然后对无效行程段进行丢弃。并以将切分处理后的、除无效行程段外的数据作为有效行程段。这样,根据无效行程段的数量和分布,包括剩下的有效行程段的轨迹数据,将由切分之前的一条轨迹变成两条或两条以上。
通过对行程轨迹中相邻轨迹点的采集时间间隔异常、轨迹点对应的行驶路径异常、轨迹点对应于异常的订单状态等异常行程段的识别,和将包含异常行程段的行程轨迹进行切分,使得到的有效行程段能够更准确地反映车辆在从起点到终点的有目的地的行程中最常采用的或者是相对行驶比较高效的路径选择,为后续依照车辆的行程轨迹数据建立行程数据库或者是进行导航等提供更可靠的数据来源。
下面对本申请实施例的行程轨迹数据的处理方法的各个步骤进行详细说明。
参见图3,图3为根据本申请实施例获取车辆的行程轨迹数据的操作的流程示意图。其中,所述获取车辆的行程轨迹数据的步骤S110,可以进一步包括以下步骤S111到S114。
在步骤S111,获取车辆行程对应的卫星定位数据。要说明的是,本申请中,车辆行程应做广义的理解,即,不仅仅包括车辆正在行驶的过程中,也包括停车等,它表示的是车辆在一个时间范围内的位置序列。
在步骤S112,对所述卫星定位数据进行数据清洗,获得与车辆实际位置对应的轨迹数据,其中所述数据清洗包括去除物理错误数据、不完整数据和逻辑异常数据中的至少一种。本步骤中,可采用相关技术中的一种或多种数据处理方式进行数据清洗。其目的是去除与车辆实际位置不对应的那些错误数据。例如由GPS信号接收端的物理错误引入的错误数据,传输过程中的信道干扰引入的物理错误数据和不完整数据,以及数据误差过大以至于无法用于描述车辆的准确位置的数据。例如,车辆行驶在平坦的路面上,前后的轨迹点对应的高度与路面相同,而当前轨迹点突然对应的高度变为10米,这样的数据显然是异常的。
在步骤S113,将所述与车辆实际位置对应的轨迹数据和已知的车辆行程所属区域的路网拓扑数据进行匹配,得到所述与车辆实际位置对应的轨迹数据中各个轨迹点所对应的路网拓扑中的路段信息。在目前的相关技术中,各大数据地图厂商,都会构建自己的路段划分,虽然各个厂商之间对于路段划分的结果略有差异,但是整体的原则是大致相同的。本申请中,路段划分可以实现为相关技术中的各种划分方式,其划分的路段均可用于本申请实施例方法。
在步骤S114,根据所述车辆实际位置对应的轨迹数据和所述各个轨迹点对应的路网拓扑中的路段信息获取所述车辆的行程轨迹数据。
由于地形和GPS数据精度和GPS接收器信号和运算精度等因素的影响,GPS位置数据时存在一定误差的,在某些情况下这一误差会达到数米,乃至数十米。而基于车辆绝大多数情况下是在路面上行驶的已知认知,以及已知的关于路网的先验知识,可以在一定程度上对可能存在的GPS误差进行校正。
通过将轨迹数据中的各个轨迹点匹配到与之距离最近的相应路段上,例如取轨迹点在路段上的投影点为该轨迹点的匹配点。并以对应的路段上的匹配点位置作为轨迹点的位置,可以一定程度上对GPS误差进行纠正,而对于本来精确的数据,由于其大部分情况已经位于相应的路段上,因此对于正常的精确GPS位置,匹配额外的也不会引入额外的误差。
在步骤S120中,各种情况的异常行程段和异常轨迹点,可以从中识别一部分进行滤除,也可以对多种异常行程段进行识别和去除或者是对所有情况的异常行程段进行全部识别和去除。下面对各种异常行程段的识别方式进行具体介绍。
在一些实施例中,识别行程轨迹数据中的无效行程段,包括:
识别行程轨迹数据中,以采集时间间隔大于预设的第一时长的相邻轨迹点为端点的行程段,作为采集时间间隔异常的无效行程段。
第一时长可以根据车辆GPS的采样间隔和路网路况等实际情况来综合选择。不同的第一时长的选择,可以对应不同的无效行程筛选策略。例如,将第一时长设置为几小时,可以用来去除GPS故障,网络传输故障、或者是长时间停车GPS关闭等引入的行程数据异常。将第一时长设置为几十分钟,则可以用来滤除不适合用于到达时间估计的轨迹段。
为了进一步简化计算,在一些实施例中,可以用滑动窗口或者滚动窗口的方式,对较长一段行程段对应的行程点进行检测,检验窗口的起点和终点两个点之间的时间间隔,如果超过指定阈值,则认为该滑动窗口中含有相邻轨迹点之间间隔大于第一时长的异常轨迹点。将该窗口对应的行程段直接识别为无效行程段从而减少运算量。如此,虽然有少量的正常轨迹点被舍弃,但是在海量行程轨迹数据的大数据时代,这种舍少量数据而取较少的运算代价的取舍是可以有利于整个数据处理过程的。
在一些实施例中,识别行程轨迹数据中的无效行程段,包括:识别行程轨迹数据中,在预设的第二时长时间范围内,所有轨迹点的位置均落入第一预定的区域范围内的行程段,作为行驶路径异常的无效行程段。
其中,第二时长可以根据轨迹点之间的平均采样间隔和路网的实际情况进行灵活设置。本实施例的对应的是车辆在某一段行程中“绕圈”或“反复”等形式状态,通常发生在司机不熟悉道路反复试错或者是有路障道路不通等情况。
具体而言,在一些实施例中,此类的行驶路径异常的无效行程段,可以用以下的滑动窗口检验的方式进行识别。
首先,根据行程轨迹数据,获取相邻轨迹点之间的采样间隔τ;根据第二时长T和采样间隔τ,获得对应大小的滑动窗口和滑动步长;再根据滑动窗口按照滑动步长在行程轨迹数据中依次截取对应的行程段;识别各个截取的行程段中,所有轨迹点的位置均落入第一预定的区域范围内的行程段,作为行驶路径异常的无效行程段。
例如,对每个截取的行程段,可获取行程段内各个轨迹点的几何中心;识别截取的行程段中,各个轨迹点到几何中心的距离均小于第一距离阈值L的行程段,作为行驶路径异常的无效行程段。
滑动窗口(HOP),也被称作Sliding Window。不同于滚动窗口,滑动窗口的窗口可以重叠。滑动窗口有两个参数:slide(步长)和size(大小)。步长为窗口每次滑动的移动距离,大小表示为窗口覆盖的时间范围或者等效为轨迹点的个数。根据slide和size的大小关系,滑动窗口可以分为以下三种情况:1.slide<size,则窗口会重叠,每个元素会被分配到多个窗口。2.slide=size,则等同于滚动窗口。3.slide>size,则为跳跃窗口,窗口之间不重叠且有间隙。本实施例中,选择第一种情况的重叠窗口,以获取更精确的识别结果,要说明的是,滚动窗口和跳跃窗口同样可用于无效行程段的筛选,它们虽然识别精度不如重叠窗口,但是计算量更小,在一些对速度有需求和算力资源不足的场合下,可以选用第二和第三种方式。
例如,可以取窗口大小
T为第二时长,τ为采样间隔。第一距离阈值L根据滑动窗口大小size和路网数据以及识别需求来设置。
以用GPS坐标的形式来表示轨迹点和轨迹点的几何中心为例的坐标为例,任意两个点G1和G2之间的距离可以按照如下方式计算:
设G1的坐标为(lat1′,lon1′),G2的坐标为(lat2′,lon2′),则G1到G2之间的距离dist12可以按照如下方式计算:
lat1=lat1′×atr,lat2=lat2′×atr,
lon1=lon1′×atr,lon2=lon2′×atr
c=sinlat1×sinlat2+coslat1×coslat2×coslon1-lon2
其中,earthradius为地球半径,取6378137。
参见图4,图4是根据上述滑动窗口方式对行驶路径异常的无效行程段进行识别的示意图。其中,有远点构成车辆的行驶轨迹,虚线框表示滑动窗口W1,W2和W3,要说明的是,根据行程轨迹的长度,滑动窗口可以包括覆盖整个行程轨迹的多个窗口,图4中的滑动窗口W1,W2,W3,仅仅为其中一部分的示例,实线框W4表示识别出存在无效行程段的窗口。
以车辆轨迹局限在一个在小的范围内作为判断无效行程段的策略时,会带来一些误判,例如,由于信号灯红灯等待导致的误判和由于交通堵塞导致的误判等。这两种误判在当前城市交通状况整体不佳的情况下,发生的概率很高。
为了解决无效行程段误判的问题,在一些实施例中,提供了检验信号灯导致的误判的方法和检验道路堵塞导致的误判的方法。
在一些实施例中,识别到行驶路径异常的行程段之后,还包括:获取行程轨迹数据所属区域内的交通信号灯所处的位置;识别落入任意一个信号灯周围的第二预定区域范围内的行驶路径异常的无效行程段,取消关于行驶路径异常的无效行程段的判定。
落入任意一个信号灯周围的第二预定区域范围可以是整个无效行程段的所有轨迹点均落入第二区域范围,也可以是第二行程段的一部分轨迹点落入第二区域范围。
轨迹点落入信号灯周围的第二预定区域范围可以直接根据轨迹点与信号灯的距离来确定。由于直接计算距离是相对来说计算量比较大的,也可以根据信号灯匹配到的路段和轨迹点或行程段匹配到的路段来判断行程段是否落入第二预定义的区域范围。例如,轨迹点和信号灯匹配到相同的或者邻接的路段则判定该轨迹点所在的行程段落入第二预定义的区域范围。
检验道路堵塞导致的误判则可以按照如下方式进行:
依次计算行驶路径异常的无效行程段中各个轨迹点与无效行程段的起始轨迹点的距离;当距离的变化趋势为递增时,取消关于行驶路径异常的无效行程段的判定。
这是因为,在堵车时,车辆通常是按照一个方向在缓慢移动的,因此,路程段中,各个轨迹点距离初始的轨迹点的距离一般都是朝着同一个方向变化的,在由信号灯导致的长距离拥堵中,与此情况也类似。
在一些实施例中,根据订单状态来识别行程轨迹数据中的无效行程段,可以包括以下步骤。
查询是否存在与行程轨迹数据对应的订单状态信息,订单状态包括接客途中、载客途中、接单等客、未接单空驶或不接单状态中的一项或一项以上。
当存在对应的订单状态信息时,根据订单状态信息对行程轨迹数据进行过滤,具体包括:将订单状态信息与行程轨迹数据进行匹配,并根据不同的订单状态对行程轨迹进行切分,得到各个订单状态对应的行程段;基于订单状态对应的行程段,识别其中接单等客状态对应的行程段、未接单空驶状态对应的行程段或不接单状态对应的行程段中任意一种或一种以上的行程段,作为轨迹点对应于异常的订单状态的无效行程段。
以上各个实施例的无效行程段识别方式也可以综合使用,参见图5,图5为根据本申请实施例的另一种行程轨迹数据的处理方法的流程的示意图。行程轨迹数据的处理方法包括步骤S210到S230。
在步骤S210,获取车辆的行程轨迹数据。
例如,可以采用结合图3所描述的实施例的方法获取车辆的行程轨迹数据,具体包括以下步骤。
获取车辆行程对应的卫星定位数据。
对所述卫星定位数据进行数据清洗,获得与车辆实际位置对应的轨迹数据,其中所述数据清洗包括去除物理错误数据、不完整数据和逻辑异常数据。
将所述与车辆实际位置对应的轨迹数据和已知的车辆行程所属区域的路网拓扑数据进行匹配,得到所述与车辆实际位置对应的轨迹数据中各个轨迹点所对应的路网拓扑中的路段信息
根据所述车辆实际位置对应的轨迹数据和所述各个轨迹点对应的路网拓扑中的路段信息获取所述车辆的行程轨迹数据。
在步骤S221,检测轨迹数据是否有对应订单状态信息。
通常来说,对于在线接单出租车、网约车、快递和外卖骑手、以及来自众包的行程轨迹数据,大都能够获取到对应的订单状态信息。而对于其它的车辆,则较少有对应的订单信息。
订单状态可以包括接客途中、载客途中、接单等客、未接单空驶或不接单状态中的一项或一项以上。
对于有对应订单状态信息的情况,执行步骤S222到S223。
在步骤S222,将订单状态信息与行程轨迹数据进行匹配,并根据不同的订单状态对行程轨迹进行切分,得到各个订单状态对应的行程段。
在步骤S223,识别接单等客状态对应的行程段、未接单空驶状态对应的行程段以及不接单状态对应的行程段,作为轨迹点对应于异常的订单状态的无效行程段。将接客途中、载客途中对应的行程段作为有效行程段。
对于有对应订单状态信息的情况,执行步骤S224到S226。
在步骤S224,识别无订单行程轨迹数据中,以采集时间间隔大于预设的第一时长的相邻轨迹点为端点的行程段,作为采集时间间隔异常的无效行程段。
例如,可以用滑动窗口或者滚动窗口的方式,对较长一段行程段对应的行程点进行检测,检验窗口的起点和终点两个点之间的时间间隔,如果超过指定阈值,则认为该滑动窗口中含有相邻轨迹点之间间隔大于第一时长的异常轨迹点。
在步骤S225,识别其余行程轨迹数据中,在预设的第二时长时间范围内,所有轨迹点的位置均落入第一预定的区域范围内的行程段,作为行驶路径异常的无效行程段。
例如,可以用以下的滑动窗口检验的方式进行识别。首先,根据行程轨迹数据,获取相邻轨迹点之间的采样间隔τ;根据第二时长T和采样间隔τ,获得对应大小的滑动窗口和滑动步长;再根据滑动窗口按照滑动步长在行程轨迹数据中依次截取对应的行程段;识别各个截取的行程段中,所有轨迹点的位置均落入第一预定的区域范围内的行程段,作为行驶路径异常的无效行程段。
在步骤S226,对判定为行驶路径异常的无效行程段,检验其中因交通信号灯导致的误判或道路堵塞导致的误判,并取消错误判定。
检验其中因交通信号灯导致的误判可以包括:获取行程轨迹数据所属区域内的交通信号灯所处的位置;识别落入任意一个信号灯周围的第二预定区域范围内的行驶路径异常的无效行程段,取消关于行驶路径异常的无效行程段的判定。
具体而言,可以根据信号灯匹配到的路段和轨迹点或行程段匹配到的路段来判断行程段是否落入第二预定义的区域范围。例如,轨迹点和信号灯匹配到相同的或者邻接的路段则判定该轨迹点所在的行程段落入第二预定义的区域范围。
检验道路堵塞导致的误判可以包括:依次计算行驶路径异常的无效行程段中各个轨迹点与无效行程段的起始轨迹点的距离;当距离的变化趋势为递增时,取消关于行驶路径异常的无效行程段的判定。
最后,执行步骤S230,基于无效行程段对行程轨迹数据进行切分处理,将切分处理后的、除无效行程段外的数据作为有效行程段。
对于每条行程轨迹,识别出行程轨迹中的无效行程段后,需要将之从行程轨迹中去除。去除的方式可以是在无效行程段的两端的轨迹点处,对行程轨迹数据进行切分。然后对无效行程段进行丢弃。并以将切分处理后的、除无效行程段外的数据作为有效行程段。这样,根据无效行程段的数量和分布,包括剩下的有效行程段的轨迹数据,将由切分之前的一条轨迹变成两条或两条以上。
以上各个步骤的具体实现方式可以参照前文描述的各个实施例,在此不再赘述。综合运用多种无效数据段的识别方式,可以对行程轨迹数据中的无效部分进行更准确和全面的识别,根据识别出的无效数据段进行切分后,可以得到可用性更好的轨迹数据,建立更准确的有效行程数据库。为下游的各种交通导航应用提供更精确的数据源。
根据本申请实施例的第二方面,提供了一种交通导航方法,其包括:
获取根据本申请第一方面的实施例的行程轨迹数据的处理方法进行处理后的行程轨迹数据;并根据所述处理后的行程轨迹数据实现以下导航操作中的一项或多项。
根据所述处理后的行程轨迹数据构建有效行程轨迹数据集,并使用所述有效行程轨迹数据集作为神经网络的训练集对所述神经网络进行训练,使用训练好的神经网络进行导航;
根据所述处理后的行程轨迹数据估算所述行程轨迹数据所属区域内的路段轨迹流量;
根据所述处理后的行程轨迹数据估算所述行程轨迹数据所属区域内的起点和终点之间的行驶时间;
根据所述处理后的行程轨迹数据进行所述行程轨迹数据所属区域内的起点和终点之间的路径规划;或者
根据所述处理后的行程轨迹数据对所述行程轨迹数据所属区域的电子地图进行校正。
上述各种导航操作的具体实现方式,本领域技术人员可以根据相关技术中的方法实现,在此不再赘述。
由于已经在行程轨迹数据之中去除了异常的无效数据段,从而会大大减少异常情况对常规行驶的路径规划和时间估计等操作对应的模型训练或者是统计分析的干扰,基于更精准的有效行程数据库,可使得使用基于本申请的行程轨迹数据的处理方法处理后的数据来实现各种导航算法时,会取得更准确的导航结果。
图6为根据本申请实施例的一种行程轨迹数据的处理装置的结构示意图。其中行程轨迹数据处理装置210包括行程轨迹获取模块211、无效行程段识别模块212和轨迹切分模块213。
行程轨迹获取模块211,用于获取车辆的行程轨迹数据,其中,行程轨迹数据包括按采集时间排序的多个轨迹点的数据。
无效行程段识别模块212,用于识别行程轨迹数据中的无效行程段,其中无效行程段包含对应于异常状态的轨迹点,其中,异常状态包括以下至少一项:相邻轨迹点的采集时间间隔异常;轨迹点对应的行驶路径异常;轨迹点对应于异常的订单状态。
轨迹切分模块213,用于基于无效行程段对行程轨迹数据进行切分处理,将切分处理后的、除无效行程段外的数据作为有效行程段。
在一些实施例中,无效行程段识别模块212识别行程轨迹数据中的无效行程段,包括:识别行程轨迹数据中,以采集时间间隔大于预设的第一时长的相邻轨迹点为端点的行程段,作为采集时间间隔异常的无效行程段。
在一些实施例中,无效行程段识别模块212识别行程轨迹数据中的无效行程段,包括:识别行程轨迹数据中,在预设的第二时长时间范围内,所有轨迹点的位置均落入第一预定的区域范围内的行程段,作为行驶路径异常的无效行程段。
在一些实施例中,识别行程轨迹数据中,在预设的第二时长时间范围内,所有轨迹点的位置均落入第一预定的区域范围内的行程段,作为行驶路径异常的无效行程段,包括:根据行程轨迹数据,获取相邻轨迹点之间的采样间隔;根据第二时长和采样间隔,获得对应大小的滑动窗口和滑动步长;根据滑动窗口按照滑动步长在行程轨迹数据中依次截取对应的行程段;以及识别各个截取的行程段中,所有轨迹点的位置均落入第一预定的区域范围内的行程段,作为行驶路径异常的无效行程段。
在一些实施例中,识别各个截取的行程段中,所有轨迹点的位置均落入第一预定的区域范围内的行程段,作为行驶路径异常的无效行程段,包括:对每个截取的行程段,获取行程段内各个轨迹点的几何中心;以及识别截取的行程段中,各个轨迹点到几何中心的距离均小于第一距离阈值的行程段,作为行驶路径异常的无效行程段。
在一些实施例中,识别到行驶路径异常的行程段之后,还包括:获取行程轨迹数据所属区域内的交通信号灯所处的位置;以及识别落入任意一个信号灯周围的第二预定区域范围内的行驶路径异常的无效行程段,取消关于行驶路径异常的无效行程段的判定。
在一些实施例中,识别到行驶路径异常的行程段之后,还包括:依次计算行驶路径异常的无效行程段中各个轨迹点与无效行程段的起始轨迹点的距离;以及当距离的变化趋势为递增时,取消关于行驶路径异常的无效行程段的判定。
在一些实施例中,无效行程段识别模块212识别行程轨迹数据中的无效行程段,包括:查询是否存在与行程轨迹数据对应的订单状态信息,订单状态包括接客途中、载客途中、接单等客、未接单空驶或不接单状态中的一项或一项以上;当存在对应的订单状态信息时,根据订单状态信息对行程轨迹数据进行过滤,具体包括:
将订单状态信息与行程轨迹数据进行匹配,并根据不同的订单状态对行程轨迹进行切分,得到各个订单状态对应的行程段;以及
基于订单状态对应的行程段,识别其中接单等客状态对应的行程段、未接单空驶状态对应的行程段或不接单状态对应的行程段中任意一种或一种以上的行程段,作为轨迹点对应于异常的订单状态的无效行程段。
行程轨迹获取模块211获取车辆的行程轨迹数据,包括:
获取车辆行程对应的卫星定位数据;
对卫星定位数据进行数据清洗,获得与车辆实际位置对应的轨迹数据,其中数据清洗包括去除物理错误数据、不完整数据和逻辑异常数据中的至少一种;
将与车辆实际位置对应的轨迹数据和已知的车辆行程所属区域的路网拓扑数据进行匹配,得到与车辆实际位置对应的轨迹数据中各个轨迹点所对应的路网拓扑中的路段信息;以及
根据车辆实际位置对应的轨迹数据和各个轨迹点对应的路网拓扑中的路段信息获取车辆的行程轨迹数据。
本申请实施例的装置可执行本申请实施例所提供的方法,其实现原理相类似,本申请各实施例的装置中的各模块所执行的动作是与本申请各实施例的方法中的步骤相对应的,对于装置的各模块的详细功能描述和效果描述具体可以参见前文中所示的对应方法中的描述,此处不再赘述。
本申请实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,该处理器执行上述计算机程序以实现根据本申请第一方面实施例的行程轨迹数据的处理方法的步骤。
该电子设备通过对行程轨迹中相邻轨迹点的采集时间间隔异常、轨迹点对应的行驶路径异常、轨迹点对应于异常的订单状态等异常行程段的识别,和将包含异常行程段的行程轨迹进行切分,使得到的有效行程段能够更准确地反映车辆在从起点到终点的有目的地的行程中最常采用的或者是相对行驶比较高效的路径选择,为后续依照车辆的行程轨迹数据建立行程数据库或者是进行导航等提供更可靠的数据来源。
同时,使用基于本申请的行程轨迹数据的处理方法处理后的数据来实现各种导航算法时,也会取得更准确的导航结果。
在一个可选实施例中提供了一种电子设备,如图7所示,图7所示的电子设备4000包括:处理器4001和存储器4003。其中,处理器4001和存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可以包括收发器4004,收发器4004可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线4002可包括一通路,在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质,在此不做限定。
存储器4003用于存储执行本申请实施例的计算机程序,并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的计算机程序,以实现前述方法实施例所示的步骤。
其中,电子设备包括但不限于:计算机、服务器、云计算设施等。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
本申请实施例还提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
一般来说,用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的介质的任意组合来承载。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。所谓非临时性计算机可读介质可以包括任何计算机可读介质,除了临时性地传播中的信号本身。
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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
计算机可读的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。计算机可读的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——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的计算机程序代码,所述程序设计语言包括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目标对象计算机上执行、部分地在目标对象计算机上执行、作为一个独立的软件包执行、部分在目标对象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)—连接到目标对象计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“1”、“2”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除图示或文字描述以外的顺序实施。
应该理解的是,虽然本申请实施例的流程图中通过箭头指示各个操作步骤,但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明,否则在本申请实施例的一些实施场景中,各流程图中的实施步骤可以按照需求以其他的顺序执行。此外,各流程图中的部分或全部步骤基于实际的实施场景,可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行,这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下,这些子步骤或者阶段的执行顺序可以根据需求灵活配置,本申请实施例对此不限制。
以上仅是本申请部分实施场景的可选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的方案技术构思的前提下,采用基于本申请技术思想的其他类似实施手段,同样属于本申请实施例的保护范畴。
Claims (14)
1.一种行程轨迹数据的处理方法,其特征在于,包括:
获取车辆的行程轨迹数据,其中,所述行程轨迹数据包括按采集时间排序的多个轨迹点的数据;
识别所述行程轨迹数据中的无效行程段,其中所述无效行程段包含对应于异常状态的轨迹点;以及
基于所述无效行程段对所述行程轨迹数据进行切分处理,将切分处理后的、除所述无效行程段外的数据作为有效行程段;
其中,所述异常状态包括以下至少一项:相邻轨迹点的采集时间间隔异常;轨迹点对应的行驶路径异常;轨迹点对应于异常的订单状态。
2.根据权利要求1所述的行程轨迹数据的处理方法,其特征在于,所述识别所述行程轨迹数据中的无效行程段,包括:
识别所述行程轨迹数据中,以采集时间间隔大于预设的第一时长的相邻轨迹点为端点的行程段,作为采集时间间隔异常的无效行程段。
3.根据权利要求1所述的行程轨迹数据的处理方法,其特征在于,所述识别所述行程轨迹数据中的无效行程段,包括:
识别所述行程轨迹数据中,在预设的第二时长时间范围内,所有轨迹点的位置均落入第一预定的区域范围内的行程段,作为行驶路径异常的无效行程段。
4.根据权利要求3所述的行程轨迹数据的处理方法,其特征在于,所述识别所述行程轨迹数据中,在预设的第二时长时间范围内,所有轨迹点的位置均落入第一预定的区域范围内的行程段,作为行驶路径异常的无效行程段,包括:
根据所述行程轨迹数据,获取相邻轨迹点之间的采样间隔;
根据所述第二时长和所述采样间隔,获得对应大小的滑动窗口和滑动步长;
根据所述滑动窗口按照所述滑动步长在所述行程轨迹数据中依次截取对应的行程段;以及
识别各个截取的行程段中,所有轨迹点的位置均落入第一预定的区域范围内的行程段,作为行驶路径异常的无效行程段。
5.根据权利要求4所述的行程轨迹数据的处理方法,其特征在于,所述识别各个截取的行程段中,所有轨迹点的位置均落入第一预定的区域范围内的行程段,作为行驶路径异常的无效行程段,包括:
对每个截取的行程段,获取所述行程段内各个轨迹点的几何中心;以及
识别所述截取的行程段中,各个轨迹点到所述几何中心的距离均小于所述第一距离阈值的行程段,作为行驶路径异常的无效行程段。
6.根据权利要求3所述的行程轨迹数据的处理方法,其特征在于,识别到行驶路径异常的行程段之后,还包括:
获取所述行程轨迹数据所属区域内的交通信号灯所处的位置;以及
识别落入任意一个信号灯周围的第二预定区域范围内的行驶路径异常的无效行程段,取消关于所述行驶路径异常的无效行程段的判定。
7.根据权利要求3所述的行程轨迹数据的处理方法,其特征在于,识别到行驶路径异常的行程段之后,还包括:
依次计算所述行驶路径异常的无效行程段中各个轨迹点与所述无效行程段的起始轨迹点的距离;以及
当所述距离的变化趋势为递增时,取消关于所述行驶路径异常的无效行程段的判定。
8.根据权利要求1所述的行程轨迹数据的处理方法,其特征在于,所述识别所述行程轨迹数据中的无效行程段,包括:
查询是否存在与所述行程轨迹数据对应的订单状态信息,所述订单状态包括接客途中、载客途中、接单等客、未接单空驶或不接单状态中的一项或一项以上;
当存在对应的订单状态信息时,根据所述订单状态信息对所述行程轨迹数据进行过滤,具体包括:
将所述订单状态信息与所述行程轨迹数据进行匹配,并根据不同的订单状态对所述行程轨迹进行切分,得到各个订单状态对应的行程段;以及
基于所述订单状态对应的行程段,识别其中接单等客状态对应的行程段、未接单空驶状态对应的行程段或不接单状态对应的行程段中任意一种或一种以上的行程段,作为轨迹点对应于异常的订单状态的无效行程段。
9.根据权利要求1-8中任意一项所述的行程轨迹数据的处理方法,其特征在于,所述获取车辆的行程轨迹数据,包括:
获取车辆行程对应的卫星定位数据;
对所述卫星定位数据进行数据清洗,获得与车辆实际位置对应的轨迹数据,其中所述数据清洗包括去除物理错误数据、不完整数据和逻辑异常数据中的至少一种;
将所述与车辆实际位置对应的轨迹数据和已知的车辆行程所属区域的路网拓扑数据进行匹配,得到所述与车辆实际位置对应的轨迹数据中各个轨迹点所对应的路网拓扑中的路段信息;以及
根据所述车辆实际位置对应的轨迹数据和所述各个轨迹点对应的路网拓扑中的路段信息获取所述车辆的行程轨迹数据。
10.一种交通导航方法,其特征在于,包括:
获取根据权利要求1-9中任意一项所述的行程轨迹数据的处理方法进行处理后的行程轨迹数据;
根据所述处理后的行程轨迹数据实现以下导航操作中的一项或多项:
根据所述处理后的行程轨迹数据构建有效行程轨迹数据集,并使用所述有效行程轨迹数据集作为神经网络的训练集对所述神经网络进行训练,使用训练好的神经网络进行导航;
根据所述处理后的行程轨迹数据估算所述行程轨迹数据所属区域内的路段轨迹流量;
根据所述处理后的行程轨迹数据估算所述行程轨迹数据所属区域内的起点和终点之间的行驶时间;
根据所述处理后的行程轨迹数据进行所述行程轨迹数据所属区域内的起点和终点之间的路径规划;或者
根据所述处理后的行程轨迹数据对所述行程轨迹数据所属区域的电子地图进行校正。
11.一种行程轨迹数据的处理装置,其特征在于,包括:
行程轨迹获取模块,用于获取车辆的行程轨迹数据,其中,所述行程轨迹数据包括按采集时间排序的多个轨迹点的数据;
无效行程段识别模块,用于识别所述行程轨迹数据中的无效行程段,其中所述无效行程段包含对应于异常状态的轨迹点,其中,所述异常状态包括以下至少一项:相邻轨迹点的采集时间间隔异常;轨迹点对应的行驶路径异常;轨迹点对应于异常的订单状态;以及
轨迹切分模块,用于基于所述无效行程段对所述行程轨迹数据进行切分处理,将切分处理后的、除所述无效行程段外的数据作为有效行程段。
12.一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-9中任一项所述的行程轨迹数据的处理方法的步骤。
13.一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,所述计算机程序被处理器执行时实现权利要求1-9中任一项所述的行程轨迹数据的处理方法的步骤。
14.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-9中任一项所述的行程轨迹数据的处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210459000.2A CN117007062A (zh) | 2022-04-27 | 2022-04-27 | 行程轨迹数据的处理方法和装置及交通导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210459000.2A CN117007062A (zh) | 2022-04-27 | 2022-04-27 | 行程轨迹数据的处理方法和装置及交通导航方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117007062A true CN117007062A (zh) | 2023-11-07 |
Family
ID=88569576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210459000.2A Pending CN117007062A (zh) | 2022-04-27 | 2022-04-27 | 行程轨迹数据的处理方法和装置及交通导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117007062A (zh) |
-
2022
- 2022-04-27 CN CN202210459000.2A patent/CN117007062A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11543834B2 (en) | Positioning system based on geofencing framework | |
US11235777B2 (en) | Vehicle path prediction and target classification for autonomous vehicle operation | |
US20180045832A1 (en) | Positioning quality filter for the V2X technologies | |
US20220018674A1 (en) | Method, apparatus, and system for providing transportion logistics based on estimated time of arrival calculation | |
US11315428B2 (en) | Management of mobile objects | |
CN112669594B (zh) | 交通路况预测的方法、装置、设备及存储介质 | |
CN111179589B (zh) | 车辆od预测的方法、装置、设备及存储介质 | |
US11527153B1 (en) | Systems for analyzing vehicle traffic between geographic regions | |
US11587366B1 (en) | Systems and methods for selecting locations to validate automated vehicle data transmission | |
CN110782656B (zh) | 一种道路瓶颈点识别方法、装置、电子设备及存储介质 | |
CN109493606A (zh) | 一种高速公路上违停车辆的识别方法及系统 | |
CN113535743A (zh) | 无人驾驶地图实时更新方法、装置、电子设备、存储介质 | |
CN113724497A (zh) | 一种目标道路实时交通流量预测方法和装置 | |
CN111488417B (zh) | 信息处理方法、系统、装置、设备及计算机存储介质 | |
CN111739293A (zh) | 一种数据融合方法及装置 | |
US20220383735A1 (en) | Methods for analyzing vehicle journeys | |
CN110675631A (zh) | 一种交通流溯源分析方法及系统 | |
Li et al. | An automatic extraction method of coach operation information from historical trajectory data | |
CN113963550B (zh) | 一种多义路径识别方法、装置及电子设备 | |
US20210116931A1 (en) | Travelling support system, travelling support method and program therefor | |
CN117274303A (zh) | 一种车辆轨迹的智能追踪方法及系统 | |
CN115841765A (zh) | 车辆位置盲区监控方法、装置、电子设备及可读存储介质 | |
CN117007062A (zh) | 行程轨迹数据的处理方法和装置及交通导航方法 | |
CN113380046B (zh) | 基于固定线路识别车辆行驶状态的方法、装置及电子设备 | |
US11862011B2 (en) | Methods for analyzing vehicle traffic between geographic regions |
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 |