CN117037484A - 车辆位置确定方法、车辆位置确定模型的训练方法及设备 - Google Patents
车辆位置确定方法、车辆位置确定模型的训练方法及设备 Download PDFInfo
- Publication number
- CN117037484A CN117037484A CN202310995281.8A CN202310995281A CN117037484A CN 117037484 A CN117037484 A CN 117037484A CN 202310995281 A CN202310995281 A CN 202310995281A CN 117037484 A CN117037484 A CN 117037484A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- auxiliary
- data
- features
- time
- 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 80
- 238000012549 training Methods 0.000 title claims abstract description 55
- 238000000605 extraction Methods 0.000 claims description 48
- 230000004927 fusion Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种车辆位置确定方法、车辆位置确定模型的训练方法及设备,涉及人工智能技术领域,具体涉及深度学习、智能交通和地图导航技术领域。具体实现方案为:实时获取目标车辆的车辆轨迹数据,以及所述车辆轨迹数据对应的辅助数据;其中,所述辅助数据包括站点信息、路况信息和时延信息中的至少一项;分别对所述车辆轨迹数据和所述辅助数据进行特征提取,得到车辆运动特征和辅助特征;根据所述车辆运动特征和所述辅助特征,确定所述目标车辆的实时位置。通过上述技术方案,能够提高车辆位置确定的精度。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及深度学习、智能交通和地图导航技术领域。
背景技术
随着人工智能技术的发展,人们出行越来越智能化,对于公共交通的需求也随之要求更加智能化。对于公众出行乘坐公共交通公交工具(比如公交车)时,往往会关注公共交通工具的实时位置,精准的位置信息能够有效化解人们心理焦虑。因此,如何推算精准的车辆实时位置,对于人们日常出行直观重要。
发明内容
本公开提供了一种车辆位置确定方法、车辆位置确定模型的训练方法及设备。
根据本公开的一方面,提供了一种车辆位置确定方法,该方法包括:
实时获取目标车辆的车辆轨迹数据,以及所述车辆轨迹数据对应的辅助数据;其中,所述辅助数据包括站点信息、路况信息和时延信息中的至少一项;
分别对所述车辆轨迹数据和所述辅助数据进行特征提取,得到车辆运动特征和辅助特征;
根据所述车辆运动特征和所述辅助特征,确定所述目标车辆的实时位置。
根据本公开的另一方面,提供了一种车辆位置确定模型的训练方法,该方法包括:
实时获取目标车辆的车辆轨迹数据,以及所述车辆轨迹数据对应的辅助数据;其中,所述辅助数据包括站点信息、路况信息和时延信息中的至少一项;
分别对所述车辆轨迹数据和所述辅助数据进行特征提取,得到车辆运动特征和辅助特征;
根据所述车辆运动特征和所述辅助特征,确定所述目标车辆的预测行驶距离和预测站点状态;
根据所述预测行驶距离、所述预测站点状态和标签数据,对车辆位置确定模型进行训练。
根据本公开的另一方面,提供了一种车辆位置确定装置,该装置包括:
第一数据获取模块,用于实时获取目标车辆的车辆轨迹数据,以及所述车辆轨迹数据对应的辅助数据;其中,所述辅助数据包括站点信息、路况信息和时延信息中的至少一项;
第一特征提取模块,用于分别对所述车辆轨迹数据和所述辅助数据进行特征提取,得到车辆运动特征和辅助特征;
位置确定模块,用于根据所述车辆运动特征和所述辅助特征,确定所述目标车辆的实时位置。
根据本公开的另一方面,提供了一种车辆位置确定模型的训练装置,该装置包括:
第二数据获取模块,用于实时获取目标车辆的车辆轨迹数据,以及所述车辆轨迹数据对应的辅助数据;其中,所述辅助数据包括站点信息、路况信息和时延信息中的至少一项;
第二特征提取模块,用于分别对所述车辆轨迹数据和所述辅助数据进行特征提取,得到车辆运动特征和辅助特征;
预测模块,用于根据所述车辆运动特征和所述辅助特征,确定所述目标车辆的预测行驶距离和预测站点状态;
模型训练模块,用于根据所述预测行驶距离、所述预测站点状态和标签数据,对车辆位置确定模型进行训练。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开提供的车辆位置确定方法或车辆位置确定模型的训练方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行本公开提供的车辆位置确定方法或车辆位置确定模型的训练方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开提供的车辆位置确定方法或车辆位置确定模型的训练方法。
根据本公开的技术,能够提高车辆位置确定的精度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例提供的一种车辆位置确定方法的流程图;
图2是根据本公开实施例提供的又一种车辆位置确定方法的流程图;
图3是根据本公开实施例提供的一种车辆位置确定模型的训练方法的流程图;
图4是根据本公开实施例提供的一种车辆位置确定模型的训练过程示意图;
图5是根据本公开实施例提供的一种车辆位置确定装置的结构示意图;
图6是根据本公开实施例提供的一种车辆位置确定模型的训练装置的结构示意图;
图7是用来实现本公开实施例的车辆位置确定方法或车辆位置确定模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外,还需要说明的是,本发明的技术方案中,所涉及的车辆轨迹数据和辅助数据等相关数据的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1是根据本公开实施例提供的一种车辆位置确定方法的流程图。该方法适用于如何确定车辆的实时位置的情况,尤其适用于如何确定公交车辆的实时位置的情况。该方法可以由车辆位置确定装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于承载车辆位置确定功能的电子设备中,比如服务器中。如图1所示,本实施例的车辆位置确定方法可以包括:
S101,实时获取目标车辆的车辆轨迹数据,以及车辆轨迹数据对应的辅助数据。
本实施例中,目标车辆是指需要进行实时位置推算的车辆,具体可以是公共交通工具,比如公交车。所谓车辆轨迹数据是指目标车辆的实时轨迹数据;可选的,车辆轨迹数据包括车辆轨迹点序列和/或车辆实时速度。其中,车辆轨迹点序列由多个轨迹点组成,例如可以包含目标车辆当前时刻的轨迹点以及当前时刻之前的设定数量的轨迹点;其中,设定数量可以由本领域技术人员根据实际情况设定。车辆实时速度是指目标车辆实时的车速;可选的,可以从目标车辆中实时获取车辆实时速度;可选的,可以基于轨迹点序列和时间间隔,确定目标车辆的车辆实时速度;例如可以将轨迹点之间的距离与轨迹点之间的时间间隔之商作为目标车辆的车辆实时速度。可以理解的是,引入车辆实时速度、车辆轨迹点序列等车辆自身的动态数据来确定车辆实时位置,能够提升实时位置确定的准确性。
所谓辅助数据是指用于辅助确定车辆实时位置的数据;可选的,辅助数据包括站点信息、路况信息和时延信息中的至少一项。其中,站点信息是指公交线路中站点的相关信息,站点信息包括但不限于标车辆与前一站点的第一距离、目标车辆与后一站点的第二距离、站点标识、以及时间片内站点的车辆密度中的至少一项;其中,站点是指公交线路上的停靠点;第一距离是指当前时刻目标车辆距离前一站点的距离;第二距离是指当前时刻目标车辆距离后一站点的距离;需要说明的是,前一站点和后一站点是指目标车辆运行线路上相邻的站点,目标车辆位于该相邻站点之间。站点标识用于唯一标识站点。时间片是指一段时间,例如5分钟。需要说明的是,为了更好确定车辆的实时位置或者进行车辆调度,会统计各时间片内的公交线路中各站点的车辆密度。可以理解的是,引入站点信息中的目标车辆距离前后站点的距离,可以刻画出车辆进出站状态,引入站点信息中车辆密度,可以反映车辆进入站点停靠时间等,通过站点信息刻画公交线路上站点对于车辆速度等的影响,从而为更准确推送车辆实时位置奠定基础。
所谓路况信息是指目标车辆所处时段所处区域的交通状况信息;可选的,路况信息包括交通灯信息和/或时间片内车辆行驶速度。可以理解的是,引入路况信息可以刻画目标车辆所处环境特征,从而刻画交通状况对于车辆速度的影响,从而为更准确推送车辆实时位置奠定基础。
所谓时延信息是指服务器获取到数据的时间与真实数据发生的时间之间的延迟信息;例如轨迹点上传至服务器会有时间延迟。
具体的,可以从目标车辆的数据传感器中实时获取目标车辆的车辆轨迹数据,同时从其他服务器或者相关传感器中获取车辆轨迹数据对应的辅助数据。
S102,分别对车辆轨迹数据和辅助数据进行特征提取,得到车辆运动特征和辅助特征。
本实施例中,车辆运动特征是指基于车辆轨迹数据所确定的特征,用于反映车辆的运动情况,可以采用矩阵或向量形式表示。所谓辅助特征是指基于辅助数据所确定的特征,可以采用矩阵或向量形式表示;可选的,辅助特征可以包括站点特征、路况特征和时间特征中的至少一项;其中,站点特征是基于站点信息所确定的特征,可以采用矩阵或向量形式表示;路况特征是基于路况信息所确定的特征,可以采用矩阵或向量形式表示;时间特征是基于时延信息所确定的特征,可以采用矩阵或向量形式表示。
一种可以方式,可以基于特征提取模型,分别对车辆轨迹数据和辅助数据进行特征提取,得到车辆运动特征和辅助特征。其中,特征提取模型可以是基于卷积神经网络所确定的模型。
S103,根据车辆运动特征和辅助特征,确定目标车辆的实时位置。
本实施例中,实时位置是指目标车辆的实时的位置信息。
一种可选方式,可以将车辆运动特征和辅助特征输入至位置预测模型中,经过模型处理,得到目标车辆的实时位置。其中,位置预测模型可以是基于卷积神经网络和全连接网络确定的模型。
本公开实施例提供的技术方案,通过实时获取目标车辆的车辆轨迹数据,以及车辆轨迹数据对应的辅助数据,之后分别对车辆轨迹数据和辅助数据进行特征提取,得到车辆运动特征和辅助特征,进而根据车辆运动特征和辅助特征,确定目标车辆的实时位置。上述技术方案,通过车辆轨迹数据以及其对应的其他辅助数据等多源数据,从不同维度刻画车辆状态,从而确定车辆的实时位置,能够提高车辆实时位置推算的准确性。
在上述实施例的基础上,作为本公开的一种可选方式,对车辆轨迹数据进行特征提取,得到车辆运动特征,包括:基于序列特征提取模型,对车辆轨迹数据进行特征提取,得到车辆运动特征。
其中,序列特征提取模型是指用于提取序列特征的模型,可以是基于时间递归神经网络所确定的模型,其中,时间递归神经网络可以是长短期记忆网络(Long Short-TermMemory,LSTM)。
具体的,可以分别对车辆轨迹数据中车辆轨迹序列和车辆实时速度进行向量化处理,得到车辆轨迹向量和车辆速度向量,之后将车辆轨迹向量和车辆速度输入序列特征提取模型,经过模型处理,得到序列特征,将该序列特征作为车辆运动特征。进一步的,还可以对序列特征进行维度归一化(Dense)处理,将处理后的序列特征作为车辆运动特征。
可以理解的是,通过序列特征提取模型来从车辆轨迹数据中提取车辆运动特征,能够充分提取车辆轨迹数据中时序特征。
在上述实施例的基础上,作为本公开的一种可选方式,对辅助数据进行特征提取,得到辅助特征,包括:对辅助数据进行嵌入处理,得到辅助嵌入特征;对辅助嵌入特征进行维度归一化处理,得到辅助特征。
其中,辅助嵌入特征是指对辅助数据进行嵌入处理后得到的特征,可以采用矩阵或向量形式表示;可选的,辅助嵌入特征包括站点嵌入特征、路况嵌入特征和时间嵌入特征。
一种可选方式,可以对站点信息进行嵌入(Embed)处理,得到站点嵌入特征,对站点嵌入特征进行维度归一化(Dense)处理,得到站点特征。
又一种可选方式,可以对路况信息进行嵌入(Embed)处理,得到路况嵌入特征,对路况嵌入特征进行维度归一化(Dense)处理,得到路况特征。
再一种可选方式,可以对时延信息进行嵌入(Embed)处理,得到时间嵌入特征,对时间嵌入特征进行维度归一化(Dense)处理,得到时间特征。
可以理解的是,通过对辅助数据进行嵌入处理,使得辅助数据从高维转变为低维度,减少计算量,从而为后续车辆运动特征和辅助特征的融合奠定基础。
图2是根据本公开实施例提供的又一种车辆位置确定方法的流程图。本实施例在上述实施例的基础上,对“根据车辆运动特征和辅助特征,确定目标车辆的实时位置”进一步优化,提供一种可选实施方案。如图2所示,本实施例的车辆位置确定方法可以包括:
S201,实时获取目标车辆的车辆轨迹数据,以及车辆轨迹数据对应的辅助数据。
其中,辅助数据包括站点信息、路况信息和时延信息中的至少一项;
S202,分别对车辆轨迹数据和辅助数据进行特征提取,得到车辆运动特征和辅助特征。
S203,对车辆运动特征和辅助特征进行融合,得到融合特征。
本实施例中,融合特征是指将车辆运动特征和辅助特征进行融合后的特征,可以采用矩阵或向量形式表示。
具体的,可以基于预设融合方式,对车辆运动特征和辅助特征进行融合,得到融合特征。例如,可以将车辆运动特征和辅助特征进行拼接,将拼接后的结果作为融合特征。进一步的,还可以对拼接后的结果进行维度归一化处理,将归一化处理后的结果,作为融合特征。
S204,根据融合特征,确定目标车辆的实时位置。
具体的,可以基于位置预测模型,根据融合特征,确定目标车辆的实时位置。其中,位置预测模型可以是基于卷积神经网络和全连接网络确定。
需要说明的是,目标车辆的实时位置可以用于地图服务。
本公开实施例提供的技术方案,通过实时获取目标车辆的车辆轨迹数据,以及车辆轨迹数据对应的辅助数据,之后分别对车辆轨迹数据和辅助数据进行特征提取,得到车辆运动特征和辅助特征,进而对车辆运动特征和辅助特征进行融合,得到融合特征,并根据融合特征,确定目标车辆的实时位置。上述技术方案,通过对车辆运动特征和辅助特征进行融合来确定车辆的实时位置,这种基于多源数据融合确定实时位置的方式,能够提高车辆实时位置的确定准确性。
在上述实施例的基础上,作为本公开的一种可选方式,根据融合特征,确定目标车辆的实时位置,包括:采用融合特征进行行驶距离预测,得到目标车辆的预测行驶距离;将预测行驶距离映射到公交线路上,得到目标车辆的实时位置。
其中,预测行驶距离是指对目标车辆的行驶距离预测结果。
具体的,可以基于距离预测网络,对融合特征进行处理,得到目标车辆的预测行驶距离,之后将预测行驶距离映射到公交线路上,得到目标车辆的实时位置。需要说明的是,距离预测网络可以是全连接网络。
可以理解的是,通过融合特征预测行驶距离,将二维预测转换为一维距离预测,能够减少模型计算量,从而实现端到端地预测车辆的实时位置。
在上述实施例的基础上,作为本公开的一种可选方式,对车辆运动特征和辅助特征进行融合,得到融合特征之后,还包括:采用融合特征进行站点状态预测,得到目标车辆的预测站点状态。
其中,预测站点状态包括进站状态或出站状态。
具体的,可以基于站点预测网络,对融合特征进行处理,预测得到目标车辆的预测站点状态。其中,站点预测网络可以是全连接网络。
可以理解的是,在预测行驶距离的同时,还可以辅助预测目标车辆的站点状态。
图3是根据本公开实施例提供的一种车辆位置确定模型的训练方法的流程图。该方法适用于如何确定车辆的实时位置的情况,尤其适用于如何确定公交车辆的实时位置的情况。该方法可以由车辆位置确定模型的训练装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于承载车辆位置确定模型的训练功能的电子设备中,比如服务器中。如图3所示,本实施例的车辆位置确定模型的训练方法可以包括:
S301,实时获取目标车辆的车辆轨迹数据,以及车辆轨迹数据对应的辅助数据。
本实施例中,目标车辆是指需要进行实时位置推算的车辆,具体可以是公共交通工具,比如公交车。所谓车辆轨迹数据是指目标车辆的实时轨迹数据;可选的,车辆轨迹数据包括车辆轨迹点序列和/或车辆实时速度。其中,车辆轨迹点序列由多个轨迹点组成,例如可以包含目标车辆当前时刻的轨迹点以及当前时刻之前的设定数量的轨迹点;其中,设定数量可以由本领域技术人员根据实际情况设定。车辆实时速度是指目标车辆实时的车速;可选的,可以从目标车辆中实时获取车辆实时速度;可选的,可以基于轨迹点序列和时间间隔,确定目标车辆的车辆实时速度;例如可以将轨迹点之间的距离与轨迹点之间的时间间隔之商作为目标车辆的车辆实时速度。可以理解的是,引入车辆实时速度、车辆轨迹点序列等车辆自身的动态数据来确定车辆实时位置,能够提升实时位置确定的准确性。
所谓辅助数据是指用于辅助确定车辆实时位置的数据;可选的,辅助数据包括站点信息、路况信息和时延信息中的至少一项。其中,站点信息是指公交线路中站点的相关信息,站点信息包括但不限于标车辆与前一站点的第一距离、目标车辆与后一站点的第二距离、站点标识、以及时间片内站点的车辆密度中的至少一项;其中,站点是指公交线路上的停靠点;第一距离是指当前时刻目标车辆距离前一站点的距离;第二距离是指当前时刻目标车辆距离后一站点的距离;需要说明的是,前一站点和后一站点是指目标车辆运行线路上相邻的站点,目标车辆位于该相邻站点之间。站点标识用于唯一标识站点。时间片是指一段时间,例如5分钟。需要说明的是,为了更好确定车辆的实时位置或者进行车辆调度,会统计各时间片内的公交线路中各站点的车辆密度。可以理解的是,引入站点信息中的目标车辆距离前后站点的距离,可以刻画出车辆进出站状态,引入站点信息中车辆密度,可以反映车辆进入站点停靠时间等,通过站点信息刻画公交线路上站点对于车辆速度等的影响,从而为更准确推送车辆实时位置奠定基础。
所谓路况信息是指目标车辆所处时段所处区域的交通状况信息;可选的,路况信息包括交通灯信息和/或时间片内车辆行驶速度。可以理解的是,引入路况信息可以刻画目标车辆所处环境特征,从而刻画交通状况对于车辆速度的影响,从而为更准确推送车辆实时位置奠定基础。
所谓时延信息是指服务器获取到数据的时间与真实数据发生的时间之间的延迟信息;例如轨迹点上传至服务器会有时间延迟。
具体的,可以从目标车辆的数据传感器中实时获取目标车辆的车辆轨迹数据,同时从其他服务器或者相关传感器中获取车辆轨迹数据对应的辅助数据。
S302,分别对车辆轨迹数据和辅助数据进行特征提取,得到车辆运动特征和辅助特征。
本实施例中,车辆运动特征是指基于车辆轨迹数据所确定的特征,用于反映车辆的运动情况,可以采用矩阵或向量形式表示。所谓辅助特征是指基于辅助数据所确定的特征,可以采用矩阵或向量形式表示;可选的,辅助特征可以包括站点特征、路况特征和时间特征中的至少一项;其中,站点特征是基于站点信息所确定的特征,可以采用矩阵或向量形式表示;路况特征是基于路况信息所确定的特征,可以采用矩阵或向量形式表示;时间特征是基于时延信息所确定的特征,可以采用矩阵或向量形式表示。
一种可以方式,可以基于特征提取模型,分别对车辆轨迹数据和辅助数据进行特征提取,得到车辆运动特征和辅助特征。其中,特征提取模型可以是基于卷积神经网络所确定的模型。
又一种可选方式,基于序列特征提取模型,对车辆轨迹数据进行特征提取,得到车辆运动特征。
再一种可选方式,对辅助数据进行嵌入处理,得到辅助嵌入特征;对辅助嵌入特征进行维度归一化处理,得到辅助特征。
S303,根据车辆运动特征和辅助特征,确定目标车辆的预测行驶距离和预测站点状态。
本实施例中,预测行驶距离是指对目标车辆的行驶距离预测结果。预测站点状态包括进站状态或出站状态。
具体的,可以基于距离预测网络,对融合特征进行处理,得到目标车辆的预测行驶距离;可以基于站点预测网络,对融合特征进行处理,预测得到目标车辆的预测站点状态。
S304,根据预测行驶距离、预测站点状态和标签数据,对车辆位置确定模型进行训练。
本实施例中,标签数据是指真实的行驶距离即标签行驶距离和真实站点状态即标签站点状态。
具体的,可以基于预设损失函数,根据预测行驶距离、预测站点状态和标签数据计算训练损失,基于训练损失,对车辆位置确定模型进行训练,直至满足训练停止条件,停止对车辆位置确定模型训练。需要需要说明的是,训练停止条件包括训练次数满足设定次数,或者训练损失稳定在设定范围内。其中,设定次数和设定范围可以由本领域技术人员根据实际情况设定。
本公开实施例提供的技术方案,通过实时获取目标车辆的车辆轨迹数据,以及车辆轨迹数据对应的辅助数据,之后分别对车辆轨迹数据和辅助数据进行特征提取,得到车辆运动特征和辅助特征,进而根据车辆运动特征和辅助特征,确定目标车辆的预测行驶距离和预测站点状态,最后根据预测行驶距离、预测站点状态和标签数据,对车辆位置确定模型进行训练。上述技术方案,通过车辆轨迹数据和辅助数据这多源数据进行车辆位置确定模型训练,能够提高车辆位置确定模型的性能,从而提高车辆位置确定的精度。
在上述实施例的基础上,作为本公开的一种可选方式,根据预测行驶距离、预测站点状态和标签数据,对车辆位置确定模型进行训练,包括:根据预测行驶距离和标签数据中标签行驶距离,确定第一损失;根据预测站点状态和标签数据中标签站点状态,确定第二损失;根据第一损失和第二损失,对车辆位置确定模型进行多任务训练。
其中,第一损失是基于预测行驶距离和标签行驶距离所确定的损失。第二损失是基于预测站点状态和标签站点状态所确定的损失。
具体的,可以基于预设损失函数,根据预测行驶距离和标签行驶距离,确定第一损失;并基于预设损失函数,根据预测站点状态和标签站点状态,确定第二损失,进而分别基于第一损失和第二损失对车辆位置确定模型进行多任务训练。需要说明的是,本实施例对预设损失函数不作具体限定,例如可以是交叉熵损失函数等。
可以理解的是,对车辆位置确定模型进行多任务训练,可以提升模型性能。
图4是根据本公开实施例提供的一种车辆位置确定模型的训练过程示意图。可选的,车辆位置确定模型可以包括序列特征提取网络、嵌入网络、站点预测网络和距离预测网络;其中,序列特征提取网络用于从车辆轨迹数据中提取车辆运动特征;嵌入网络用于从辅助数据中提取辅助特征;站点预测网络用于基于车辆运动特征和辅助特征进行站点预测;距离预测网络用于基于车辆运动特征和辅助特征进行行驶距离预测。
具体的,可以将车辆轨迹数据输入序列特征提取网络,得到车辆运动特征;其中,序列特征提取网络包括LSTM和维度归一化(Dense)层。之后分别将站点信息、路况信息和时延信息分别输入嵌入网络,得到站点特征、路况特征和时间特征;其中,嵌入网络包括嵌入(Embed)层和维度归一化(Dense)层。进而将车辆运动特征和辅助特征(即站点特征、路况特征和时间特征)进行拼接,得到融合特征。分别将融合特征输入站点预测网络和距离预测网络,得到预测站点状态和预测行驶距离。最后根据预测行驶距离和标签数据中标签行驶距离,确定第一损失;根据预测站点状态和标签数据中标签站点状态,确定第二损失;根据第一损失和第二损失,对车辆位置确定模型进行多任务训练。
图5是根据本公开实施例提供的一种车辆位置确定装置的结构示意图。本实施例适用于如何确定车辆的实时位置的情况,尤其适用于如何确定公交车辆的实时位置的情况。该装置可以采用软件和/或硬件的方式实现,并可集成于承载车辆位置确定功能的电子设备中,比如服务器中。如图5所示,本实施例的车辆位置确定装置500可以包括:
第一数据获取模块501,用于实时获取目标车辆的车辆轨迹数据,以及车辆轨迹数据对应的辅助数据;其中,辅助数据包括站点信息、路况信息和时延信息中的至少一项;
第一特征提取模块502,用于分别对车辆轨迹数据和辅助数据进行特征提取,得到车辆运动特征和辅助特征;
位置确定模块503,用于根据车辆运动特征和辅助特征,确定目标车辆的实时位置。
本公开实施例提供的技术方案,通过实时获取目标车辆的车辆轨迹数据,以及车辆轨迹数据对应的辅助数据,之后分别对车辆轨迹数据和辅助数据进行特征提取,得到车辆运动特征和辅助特征,进而根据车辆运动特征和辅助特征,确定目标车辆的实时位置。上述技术方案,通过车辆轨迹数据以及其对应的其他辅助数据等多源数据,从不同维度刻画车辆状态,从而确定车辆的实时位置,能够提高车辆实时位置推算的准确性。
进一步地,第一特征提取模块具体用于:
基于序列特征提取模型,对车辆轨迹数据进行特征提取,得到车辆运动特征。
进一步地,第一特征提取模块具体用于:
对辅助数据进行嵌入处理,得到辅助嵌入特征;
对辅助嵌入特征进行维度归一化处理,得到辅助特征。
进一步地,位置确定模块包括:
融合特征确定单元,用于对车辆运动特征和辅助特征进行融合,得到融合特征;
位置确定单元,用于根据融合特征,确定目标车辆的实时位置。
进一步地,位置确定单元具体用于:
采用融合特征进行行驶距离预测,得到目标车辆的预测行驶距离;
将预测行驶距离映射到公交线路上,得到目标车辆的实时位置。
进一步地,还包括站点状态确定模块,用于:
对车辆运动特征和辅助特征进行融合,得到融合特征之后,采用融合特征进行站点状态预测,得到目标车辆的预测站点状态;其中,预测站点状态包括进站状态或出站状态。
进一步地,站点信息包括目标车辆与前一站点的第一距离、目标车辆与后一站点的第二距离、站点标识、以及时间片内站点的车辆密度中的至少一项。
进一步地,路况信息包括交通灯信息和/或时间片内车辆行驶速度。
进一步地,车辆轨迹数据包括车辆轨迹点序列和/或车辆实时速度。
图6是根据本公开实施例提供的一种车辆位置确定模型的训练装置的结构示意图。本实施例适用于如何确定车辆的实时位置的情况,尤其适用于如何确定公交车辆的实时位置的情况。该装置可以采用软件和/或硬件的方式实现,并可集成于承载车辆位置确定模型的训练功能的电子设备中,比如服务器中。如图6所示,本实施例的车辆位置确定模型的训练装置600可以包括:
第二数据获取模块601,用于实时获取目标车辆的车辆轨迹数据,以及车辆轨迹数据对应的辅助数据;其中,辅助数据包括站点信息、路况信息和时延信息中的至少一项;
第二特征提取模块602,用于分别对车辆轨迹数据和辅助数据进行特征提取,得到车辆运动特征和辅助特征;
预测模块603,用于根据车辆运动特征和辅助特征,确定目标车辆的预测行驶距离和预测站点状态;
模型训练模块604,用于根据预测行驶距离、预测站点状态和标签数据,对车辆位置确定模型进行训练。
本公开实施例提供的技术方案,通过实时获取目标车辆的车辆轨迹数据,以及车辆轨迹数据对应的辅助数据,之后分别对车辆轨迹数据和辅助数据进行特征提取,得到车辆运动特征和辅助特征,进而根据车辆运动特征和辅助特征,确定目标车辆的预测行驶距离和预测站点状态,最后根据预测行驶距离、预测站点状态和标签数据,对车辆位置确定模型进行训练。上述技术方案,通过车辆轨迹数据和辅助数据这多源数据进行车辆位置确定模型训练,能够提高车辆位置确定模型的性能,从而提高车辆位置确定的精度。
进一步地,模型训练模块具体用于:
根据预测行驶距离和标签数据中标签行驶距离,确定第一损失;
根据预测站点状态和标签数据中标签站点状态,确定第二损失;
根据第一损失和第二损失,对车辆位置确定模型进行多任务训练。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7是用来实现本公开实施例的车辆位置确定方法或车辆位置确定模型的训练方法的电子设备的框图。图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703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。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如车辆位置确定方法或车辆位置确定模型的训练方法。例如,在一些实施例中,车辆位置确定方法或车辆位置确定模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM703并由计算单元701执行时,可以执行上文描述的车辆位置确定方法或车辆位置确定模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆位置确定方法或车辆位置确定模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (25)
1.一种车辆位置确定方法,包括:
实时获取目标车辆的车辆轨迹数据,以及所述车辆轨迹数据对应的辅助数据;其中,所述辅助数据包括站点信息、路况信息和时延信息中的至少一项;
分别对所述车辆轨迹数据和所述辅助数据进行特征提取,得到车辆运动特征和辅助特征;
根据所述车辆运动特征和所述辅助特征,确定所述目标车辆的实时位置。
2.根据权利要求1所述的方法,其中,对所述车辆轨迹数据进行特征提取,得到车辆运动特征,包括:
基于序列特征提取模型,对所述车辆轨迹数据进行特征提取,得到车辆运动特征。
3.根据权利要求1所述的方法,其中,对所述辅助数据进行特征提取,得到辅助特征,包括:
对所述辅助数据进行嵌入处理,得到辅助嵌入特征;
对所述辅助嵌入特征进行维度归一化处理,得到辅助特征。
4.根据权利要求1所述的方法,其中,所述根据所述车辆运动特征和所述辅助特征,确定所述目标车辆的实时位置,包括:
对所述车辆运动特征和所述辅助特征进行融合,得到融合特征;
根据所述融合特征,确定所述目标车辆的实时位置。
5.根据权利要求4所述的方法,其中,所述根据所述融合特征,确定所述目标车辆的实时位置,包括:
采用所述融合特征进行行驶距离预测,得到所述目标车辆的预测行驶距离;
将所述预测行驶距离映射到公交线路上,得到所述目标车辆的实时位置。
6.根据权利要求4所述的方法,其中,对所述车辆运动特征和所述辅助特征进行融合,得到融合特征之后,还包括:
采用所述融合特征进行站点状态预测,得到所述目标车辆的预测站点状态;其中,所述预测站点状态包括进站状态或出站状态。
7.根据权利要求1-6中任一项所述的方法,其中,所述站点信息包括所述目标车辆与前一站点的第一距离、所述目标车辆与后一站点的第二距离、站点标识、以及时间片内站点的车辆密度中的至少一项。
8.根据权利要求1-6中任一项所述的方法,其中,所述路况信息包括交通灯信息和/或时间片内车辆行驶速度。
9.根据权利要求1-6中任一项所述的方法,其中,所述车辆轨迹数据包括车辆轨迹点序列和/或车辆实时速度。
10.一种车辆位置确定模型的训练方法,包括:
实时获取目标车辆的车辆轨迹数据,以及所述车辆轨迹数据对应的辅助数据;其中,所述辅助数据包括站点信息、路况信息和时延信息中的至少一项;
分别对所述车辆轨迹数据和所述辅助数据进行特征提取,得到车辆运动特征和辅助特征;
根据所述车辆运动特征和所述辅助特征,确定所述目标车辆的预测行驶距离和预测站点状态;
根据所述预测行驶距离、所述预测站点状态和标签数据,对车辆位置确定模型进行训练。
11.根据权利要求10所述的方法,其中,所述根据所述预测行驶距离、所述站点状态和标签数据,对车辆位置确定模型进行训练,包括:
根据所述预测行驶距离和所述标签数据中标签行驶距离,确定第一损失;
根据所述预测站点状态和所述标签数据中标签站点状态,确定第二损失;
根据所述第一损失和所述第二损失,对所述车辆位置确定模型进行多任务训练。
12.一种车辆位置确定装置,包括:
第一数据获取模块,用于实时获取目标车辆的车辆轨迹数据,以及所述车辆轨迹数据对应的辅助数据;其中,所述辅助数据包括站点信息、路况信息和时延信息中的至少一项;
第一特征提取模块,用于分别对所述车辆轨迹数据和所述辅助数据进行特征提取,得到车辆运动特征和辅助特征;
位置确定模块,用于根据所述车辆运动特征和所述辅助特征,确定所述目标车辆的实时位置。
13.根据权利要求12所述的装置,其中,所述第一特征提取模块具体用于:
基于序列特征提取模型,对所述车辆轨迹数据进行特征提取,得到车辆运动特征。
14.根据权利要求12所述的装置,其中,所述第一特征提取模块具体用于:
对所述辅助数据进行嵌入处理,得到辅助嵌入特征;
对所述辅助嵌入特征进行维度归一化处理,得到辅助特征。
15.根据权利要求12所述的装置,其中,所述位置确定模块包括:
融合特征确定单元,用于对所述车辆运动特征和所述辅助特征进行融合,得到融合特征;
位置确定单元,用于根据所述融合特征,确定所述目标车辆的实时位置。
16.根据权利要求15所述的装置,其中,所述位置确定单元具体用于:
采用所述融合特征进行行驶距离预测,得到所述目标车辆的预测行驶距离;
将所述预测行驶距离映射到公交线路上,得到所述目标车辆的实时位置。
17.根据权利要求15所述的装置,其中,还包括站点状态确定模块,用于:
对所述车辆运动特征和所述辅助特征进行融合,得到融合特征之后,采用所述融合特征进行站点状态预测,得到所述目标车辆的预测站点状态;其中,所述预测站点状态包括进站状态或出站状态。
18.根据权利要求12-17中任一项所述的装置,其中,所述站点信息包括所述目标车辆与前一站点的第一距离、所述目标车辆与后一站点的第二距离、站点标识、以及时间片内站点的车辆密度中的至少一项。
19.根据权利要求12-17中任一项所述的装置,其中,所述路况信息包括交通灯信息和/或时间片内车辆行驶速度。
20.根据权利要求12-17中任一项所述的装置,其中,所述车辆轨迹数据包括车辆轨迹点序列和/或车辆实时速度。
21.一种车辆位置确定模型的训练装置,包括:
第二数据获取模块,用于实时获取目标车辆的车辆轨迹数据,以及所述车辆轨迹数据对应的辅助数据;其中,所述辅助数据包括站点信息、路况信息和时延信息中的至少一项;
第二特征提取模块,用于分别对所述车辆轨迹数据和所述辅助数据进行特征提取,得到车辆运动特征和辅助特征;
预测模块,用于根据所述车辆运动特征和所述辅助特征,确定所述目标车辆的预测行驶距离和预测站点状态;
模型训练模块,用于根据所述预测行驶距离、所述预测站点状态和标签数据,对车辆位置确定模型进行训练。
22.根据权利要求21所述的装置,其中,所述模型训练模块具体用于:
根据所述预测行驶距离和所述标签数据中标签行驶距离,确定第一损失;
根据所述预测站点状态和所述标签数据中标签站点状态,确定第二损失;
根据所述第一损失和所述第二损失,对所述车辆位置确定模型进行多任务训练。
23.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的车辆位置确定方法,或权利要求10-11中任一项所述的车辆位置确定模型的训练方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-9中任一项所述的车辆位置确定方法,或权利要求10-11中任一项所述的车辆位置确定模型的训练方法。
25.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的车辆位置确定方法,或权利要求10-11中任一项所述的车辆位置确定模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310995281.8A CN117037484A (zh) | 2023-08-08 | 2023-08-08 | 车辆位置确定方法、车辆位置确定模型的训练方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310995281.8A CN117037484A (zh) | 2023-08-08 | 2023-08-08 | 车辆位置确定方法、车辆位置确定模型的训练方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117037484A true CN117037484A (zh) | 2023-11-10 |
Family
ID=88629435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310995281.8A Pending CN117037484A (zh) | 2023-08-08 | 2023-08-08 | 车辆位置确定方法、车辆位置确定模型的训练方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117037484A (zh) |
-
2023
- 2023-08-08 CN CN202310995281.8A patent/CN117037484A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191256A (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN114648676A (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
CN112883236B (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
CN113901341A (zh) | 导航信息提示方法、装置、介质及程序产品 | |
CN113420692A (zh) | 生成方向识别模型的方法、装置、设备、介质及程序产品 | |
CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
EP4040421B1 (en) | Method and apparatus for predicting traffic data and electronic device | |
CN113450794B (zh) | 导航播报的检测方法、装置、电子设备和介质 | |
CN117037484A (zh) | 车辆位置确定方法、车辆位置确定模型的训练方法及设备 | |
CN116052097A (zh) | 一种地图要素检测方法、装置、电子设备和存储介质 | |
CN115830268A (zh) | 用于优化感知算法的数据的获取方法、装置和存储介质 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN113899359A (zh) | 导航方法、装置、设备以及存储介质 | |
CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
CN113847923A (zh) | 预估到达时间的计算方法、装置、电子设备和可读存储介质 | |
CN113869439A (zh) | 一种数据融合方法、装置及电子设备 | |
CN113051926A (zh) | 文本抽取方法、设备和存储介质 | |
CN112987707A (zh) | 一种车辆的自动驾驶控制方法及装置 | |
CN117149929A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN116935689A (zh) | 行驶时间预测方法、行驶时间预测模型的训练方法、设备及介质 | |
CN115046564B (zh) | 导航处理方法、装置、设备及存储介质 | |
CN114970949B (zh) | 行驶速度预测方法、装置、电子设备及存储介质 | |
CN115031756A (zh) | 出行信息的确定方法、装置及计算机程序产品 |
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 |