JP7038151B2 - 軌跡分類モデルのトレーニング方法及び装置、電子機器 - Google Patents

軌跡分類モデルのトレーニング方法及び装置、電子機器 Download PDF

Info

Publication number
JP7038151B2
JP7038151B2 JP2020002744A JP2020002744A JP7038151B2 JP 7038151 B2 JP7038151 B2 JP 7038151B2 JP 2020002744 A JP2020002744 A JP 2020002744A JP 2020002744 A JP2020002744 A JP 2020002744A JP 7038151 B2 JP7038151 B2 JP 7038151B2
Authority
JP
Japan
Prior art keywords
locus
data
feature
trajectory
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2020002744A
Other languages
English (en)
Other versions
JP2020177645A (ja
Inventor
エンヤン・バイ
ケディ・チェン
ミャオ・ジョウ
クァン・メン
ウェイ・ワン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Publication of JP2020177645A publication Critical patent/JP2020177645A/ja
Application granted granted Critical
Publication of JP7038151B2 publication Critical patent/JP7038151B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machines For Laying And Maintaining Railways (AREA)

Description

本開示の実施形態は、コンピュータ技術分野に関し、特に軌跡分類モデルのトレーニング方法及び装置、電子機器、コンピュータ可読媒体に関する。
スマート電子収集装置の急速な発展に伴い、スマートフォン、カーナビゲーション、ＧＰＳなどの装置により多様な軌跡データを収集することができる。軌跡データは、スマートシティ、交通計画、合理的な外出手配などのために重要な解決策を提供する。近年では、軌跡データを解析し利用することに商業的に注目されている。
従来技術において、例えば、カメラによって捕捉された画像シーケンスにおいて、移動対象の挙動を解析し理解するとともに、異常な挙動を警報する。挙動検出は、スマート視覚的監視の重要な機能である。軌跡データに基づくイベント検出により、対象の挙動を長時間にわたって解析可能であり、例えば、４次元ヒストグラムの構築などにより、対象の挙動を効率的に予測し判定することができる。
本開示の実施形態は、軌跡分類モデルのトレーニング方法及び装置、電子機器、コンピュータ可読媒体を提供している。
第１態様において、本開示の実施形態は、軌跡分類モデルのトレーニング方法であって、
軌跡データを取得するステップと、
前記軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡データの軌跡特徴を計算するステップであって、前記軌跡特徴は曲率及び／又は回転角を含むステップと、
前記軌跡特徴をトレーニングして、軌跡分類モデルを得るステップと、を含む方法を提供する。
いくつかの実施形態において、前記軌跡データを取得した後に、
前記軌跡データを前処理するステップをさらに含み、
前記の前記軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡データの軌跡特徴を計算するステップは、前処理された軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡特徴を計算することを含み、
前記前処理は、少なくとも１つの条件を満たす前記軌跡データを削除して、前記前処理された軌跡データを得ることを含み、
前記少なくとも１つの条件は、
時間的特徴は同じであるが、空間的特徴は異なることと、
空間的特徴が予め設定された領域範囲を超える軌跡データの数は、予め設定された割合未満であることと、を含む。
いくつかの実施形態において、
前記軌跡データの時間的特徴に基づいて、前記軌跡データのサンプリング時間の時間間隔を計算するステップと、
それぞれの時間間隔が同一であることに応答して、前記の前記軌跡データの時間的特徴及び空間的特徴に基づいて前記軌跡データの軌跡特徴を計算するステップを実行するステップと、をさらに含む。
いくつかの実施形態において、少なくとも１つの時間間隔が異なることに応答して、線形補間法に基づいて、予め設定された時間間隔でリサンプリングし、リサンプリングされた軌跡データを得、
前記の前記軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡データの軌跡特徴を計算するステップは、前記リサンプリングされた軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡特徴を計算することを含む。
いくつかの実施形態において、前記の前記軌跡特徴をトレーニングして、軌跡分類モデルを得るステップは、
前記軌跡データをトレーニングデータと検証データに分割することと、
前記トレーニングデータに対応する第１軌跡特徴を抽出することと、
機械学習モデルに基づいて前記第１軌跡特徴をトレーニングして、初期軌跡分類モデルを得ることと、
前記検証データに対応する第２軌跡特徴を抽出することと、
前記初期軌跡分類モデル及び前記第２軌跡特徴に基づいて、前記軌跡分類モデルを確定することと、を含む。
いくつかの実施形態において、前記の前記初期軌跡分類モデル及び前記第２軌跡特徴に基づいて、前記軌跡分類モデルを確定することは、
前記第２軌跡特徴を前記初期軌跡分類モデルに入力して、軌跡分類結果を得ることと、
前記軌跡分類結果と予め設定された分類結果との差分値が、予め設定された閾値よりも大きいことに応答して、前記機械学習モデルのパラメータを調整するとともに、調整された機械学習モデルに基づいて前記第１軌跡特徴をトレーニングすることと、を含む。
いくつかの実施形態において、前記軌跡特徴は、速度、加速度、速度変化の最大値、速度変化の最小値、速度変化の平均値、速度変化の中央値、速度変化の分散の少なくとも１つをさらに含む。
第２態様において、本開示の実施形態は、軌跡分類モデルのトレーニング装置であって、
軌跡データを取得するための取得モジュールと、
前記軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡データの軌跡特徴を計算するための計算モジュールであって、前記軌跡特徴は曲率及び／又は回転角を含む計算モジュールと、
前記軌跡特徴をトレーニングして、軌跡分類モデルを得るためのトレーニングモジュールと、を含む装置を提供しており。
いくつかの実施形態において、
前記軌跡データを前処理するための前処理モジュールをさらに含み、
前記計算モジュールは、前処理された軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡特徴を計算するために用いられ、
前記前処理は、少なくとも１つの条件を満たす前記軌跡データを削除して、前記前処理された軌跡データを得ることを含み、
前記少なくとも１つの条件は、
時間的特徴は同じであるが、空間的特徴は異なることと、
空間的特徴が予め設定された領域範囲を超える軌跡データの数は、予め設定された割合未満であることと、を含む。
いくつかの実施形態において、前記計算モジュールは、さらに、前記軌跡データの時間的特徴に基づいて、前記軌跡データのサンプリング時間の時間間隔を計算するために用いられ、
それぞれの時間間隔が同一であることに応答して、前記計算モジュールが前記の前記軌跡データの時間的特徴及び空間的特徴に基づいて前記軌跡データの軌跡特徴を計算するステップを実行する。
いくつかの実施形態において、
少なくとも１つの時間間隔が異なることに応答して、線形補間法に基づいて、予め設定された時間間隔でリサンプリングし、リサンプリングされた軌跡データを得るためのリサンプリングモジュールをさらに含み、
前記計算モジュールは具体的に、前記リサンプリングされた軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡特徴を計算するために用いられる。
いくつかの実施形態において、前記トレーニングモジュールは、
前記軌跡データをトレーニングデータと検証データに分割することと、
前記トレーニングデータに対応する第１軌跡特徴を抽出することと、
機械学習モデルに基づいて前記第１軌跡特徴をトレーニングして、初期軌跡分類モデルを得ることと、
前記検証データに対応する第２軌跡特徴を抽出することと、
前記初期軌跡分類モデル及び前記第２軌跡特徴に基づいて、前記軌跡分類モデルを確定することと、に用いられる。
いくつかの実施形態において、前記トレーニングモジュールは、
前記第２軌跡特徴を前記初期軌跡分類モデルに入力して、軌跡分類結果を得ることと、
前記軌跡分類結果と予め設定された分類結果との差分値が、予め設定された閾値よりも大きいことに応答して、前記機械学習モデルのパラメータを調整するとともに、調整された機械学習モデルに基づいて前記第１軌跡特徴をトレーニングすることと、に用いられる。
本開示の実施形態の技術案によれば、軌跡データを取得し、軌跡データの時間的特徴及び空間的特徴に基づいて、軌跡データの軌跡特徴を計算し、ここで、軌跡特徴は曲率及び／又は回転角を含み、軌跡特徴をトレーニングして、軌跡分類モデルを得ることにより、軌跡分類モデルが構築されて、軌跡分類モデルの精度が高い技術的効果が達成されている。
添付図面は、本開示の実施形態のさらなる理解を提供するために用いられ且つ明細書の一部を構成しており、本開示の実施形態とともに本開示を説明するために用いられるが、本開示を限定するものではない。上記の特徴及び利点並びに他の特徴及び利点は、添付図面を参照して詳細な例示的実施形態を説明することによって、当業者にとってより明らかになるであろう。
本開示の実施形態に係る軌跡分類モデルのトレーニング方法を示す図である。 本開示の実施形態に係る、軌跡データをリサンプリングする方法を示す図である。 本開示の実施形態に係る、軌跡特徴をトレーニングする方法を示す図である。 本開示の他の実施形態に係る軌跡分類モデルのトレーニング方法を示す図である。 本開示の実施形態に係る軌跡分類モデルのトレーニング装置を示す図である。 本開示の他の実施形態に係る軌跡分類モデルのトレーニング装置を示す図である。 本開示の他の実施形態に係る軌跡分類モデルのトレーニング装置を示す図である。
１ 取得モジュール、２ 計算モジュール、３ トレーニングモジュール、４ 前処理モジュール、５ リサンプリングモジュール。
本発明の技術的手段を当業者によりよく理解させるために、以下、本発明に係る軌跡分類モデルのトレーニング方法及び装置、電子機器、サーバ、コンピュータ可読媒体について、添付図面を参照しながら詳細に説明する。
以下、添付図面を参照して例示的な実施形態を十分に説明するが、前記例示的な実施形態は異なる形態で具現化されてもよく、本明細書に記載の実施形態に限定されるものと解釈されるべきではない。むしろ、これらの実施形態は、本開示を徹底的かつ完全にするために提供され、当業者が本開示の範囲を十分に理解することを可能にする。
本明細書で使用される「及び／又は」という用語は、列挙された関連する項目のうちの一又は複数のあらゆる組み合わせを含む。
本明細書で使用される用語は、特定の実施形態を説明するためのものに過ぎず、本開示を限定することを意図するものではない。本明細書で使用されるように、単数形「１個」及び「該」は、文脈が別途明確に示しない限り、複数形も含むことが意図されている。また、「含む」及び／又は「……から製造された」という用語は、本明細書で使用されるとき、言及された特徴、整数、ステップ、動作、要素、及び／又はコンポーネントの存在を特定するが、１つ又は複数の他の特徴、整数、ステップ、動作、要素、コンポーネント及び／又はそれらのグループの存在又は追加を排除しないことをさらに理解されたい。
本明細書に記載の実施形態は、本開示の理想的な概略図を介して平面図及び／又は断面図を参照して説明することができる。したがって、製造技術及び／又は許容誤差に応じて例示的な図示を修正することができる。したがって、実施形態は、添付図面に示される実施例に限定されるものではなく、製造工程に応じて形成される構成の変形を含む。したがって、添付図面に示された領域は、概略的な属性を有し、添付図面に示された領域の形状は、要素の領域の具体的な形状を示しているが、限定することを意図していない。
特に定義しない限り、技術的及び科学的用語を含む、本明細書で使用される全ての用語の意味は、当業者によって一般的に理解されるものと同じである。一般的に使用される辞書に定義されるような用語は、関連技術及び本開示の文脈におけるそれらの意味と一致する意味を有すると解釈されるべきであり、本明細書で明白に定義しない限り、理想的又は過度に形式的な意味を有すると解釈されないことがさらに理解すべきである。
本開示の実施形態の一態様によれば、本開示の実施形態は、軌跡分類モデルのトレーニング方法を提供している。
図１を参照する。図１は、本開示の実施形態に係る軌跡分類モデルのトレーニング方法を示す図である。
図１に示すように、該方法はＳ１、Ｓ２及びＳ３を含む。
Ｓ１：軌跡データを取得する。
ここで、軌跡データとは、時空間環境において、１つ又は複数の移動体の移動中にサンプリングすることによって得られたデータ情報であり、サンプリング点の位置や、サンプリング時間などを含み、これらのサンプリング点データ情報がサンプリング順で軌跡データを構成する。
例えば、測位機能を有するスマートフォンの場合に、軌跡データは、携帯電話所有者のある期間の行動状況が反映されている。モバイルインターネットを介し、無線信号によって携帯電話の所在位置を測位して、さらにサンプリングして記録し、サンプリング点を結ぶことによって携帯電話所有者の移動軌跡データを形成することができる。ＧＰＳを介し端末を測位し、一定のサンプリング頻度で端末の所在位置の緯度経度情報を記録し、無線ネットワークを介してデータをサーバに収集する。ＲＦＩＤタグ技術により、オブジェクトにマーキングし、オブジェクトの移動経路をＲＦＩＤ識別器により測位及び位置データ記録を完了させ、オブジェクトの移動軌跡を形成する。
Ｓ２：軌跡データの時間的特徴及び空間的特徴に基づいて、軌跡データの軌跡特徴を計算し、ここで、軌跡特徴は曲率及び／又は回転角を含む。
前記軌跡データの説明から分かるように、軌跡データは、サンプリング点の位置とサンプリング時間とを含む。ここで、サンプリング点の位置とは、軌跡データの空間的特徴である。サンプリング時間とは、軌跡データの時間的特徴である。
ここで、軌跡特徴とは、移動体が移動する状態の特徴である。
従来技術において、軌跡特徴は、主に速度として具現化される。移動体の速度は、移動体の現在サンプリング点の位置及び時間と、前のサンプリング点の位置及び時間とに基づいて確定されてもよい。
本実施形態において、軌跡特徴は、曲率及び／又は回転角を含む。後続のトレーニングの効率性及び精度を達成するために、時間的特徴と空間的特徴との相関関係が十分に統合される。
いくつかの実施形態において、軌跡特徴は速度、加速度、速度変化の最大値、速度変化の最小値、速度変化の平均値、速度変化の中央値及び速度変化の分散の１種又は複数種をさらに含む。
具体的には、速度ｖ＝Δｓ／Δｔである。ただし、Δｓは空間的特徴に基づいて確定される変位差であり、Δｔは時間的特徴に基づいて確定される時間差である。例えば、
移動体の現在サンプリング点はｔであり、前のサンプリング点はｉである。サンプリング点ｔの空間的特徴は、経度をｔ１、緯度をｔ２とする。サンプリング点ｉの空間的特徴は、経度をｉ１、緯度をｉ２とする。ｔ１、ｔ２、ｉ１及びｉ２に基づいて移動体のサンプリング点ｔからサンプリング点ｉに移動する距離（即ち変位差）を判定する。具体的な計算方法は、従来技術を参照してもよく、ここでは詳しい説明を省略する。
サンプリング点ｔの時間的特徴を時刻ｔ３とする。サンプリング点ｉの時間的特徴を時刻ｉ３とする。ｉ３及びｔ３に基づいて移動体のサンプリング点ｉからサンプリング点ｔに移動する時間（即ち時間差）を判定する。具体的な計算方法は、従来技術を参照してもよく、ここでは詳しい説明を省略する。
具体的には、加速度ａ＝Δｖ／Δｔである。ただし、Δｖは移動体がサンプリング点ｉからサンプリング点ｔに移動する速度変化量である。
具体的には、回転角θ＝arctan(|tanα-tanβ|)/(1+tanαtanβ)である。ここで、サンプリング点ｔの角度αが、サンプリング点ｔの経度及び緯度に基づいて判定されてもよい（例えば、緯度及び経度が共に０である点を原点とした座標系を構築し、原点を通る北極と南極とを結んだ線を縦軸とし、原点を通って縦軸に垂直な線を横軸とする）。サンプリング点ｉの緯度及び経度に基づいてサンプリング点ｉの角度βを判定する。
具体的には、曲率ｃ＝（ｄit+ｄtj）／ｄijである。ただし、ｄitはサンプリング点ｉとサンプリング点ｔとの間の距離である。ｄtjはサンプリング点ｔとサンプリング点ｊ（サンプリング点ｊはサンプリング点ｔの次のサンプリング点である）との間の距離である。ｄijはサンプリング点ｉとサンプリング点ｊとの間の距離である。
上記の他の軌跡特徴のアルゴリズムについて、ここで一々列挙はしない。
いくつかの実施形態において、軌跡データを取得した後に、軌跡データを前処理し、前処理された軌跡データに基づいて軌跡特徴を計算する。即ち、Ｓ１とＳ２との間に、軌跡データを前処理するステップＳ１１をさらに含み、Ｓ２では、前処理された軌跡データに基づいて対応する処理を行い、さらに軌跡特徴を得る。
従来技術において、軌跡データを取得した後に、直接軌跡データを解析し、さらに移動体の種別を判断する。本実施形態において、まず取得されたデータを前処理することにより、軌跡データにおける異常データをフィルタリングし、異常データを除去することに相当し、正常データの時間的特徴及び空間的特徴に基づいて軌跡特徴を計算し、さらに軌跡特徴の有効性を確保する。
Ｓ１１は、少なくとも１つの条件を満たす軌跡データを削除して、前処理された軌跡データを得ることを含む。
少なくとも１つの条件は、
（１）時間的特徴は同じであるが、空間的特徴は異なることと、
（２）空間的特徴が予め設定された領域範囲を超える軌跡データの数は、予め設定された割合未満であることと、を含む。
第１の条件としては、例えば、軌跡データａの時間的特徴と軌跡データｂの時間的特徴とは同じであるが、軌跡データａの空間的特徴と軌跡データｂの空間的特徴とは異なる場合が挙げられる。即ち、同一時刻に２つの異なる軌跡データを取得したことになる。この場合は、少なくとも１つの軌跡データが異常であることを意味する。トレーニングの精度を確保するために、軌跡データａと軌跡データｂとをともに削除する。
例えば、第２の条件としては、合計で１０００個の軌跡データがあるが、そのうち、９９９個の軌跡データの空間的特徴が北京範囲内にある一方、１個の軌跡データの空間的特徴が上海範囲内にある場合が挙げられる。この場合は、上海範囲内にある空間的特徴の軌跡データが異常データであることを意味し、削除すべきである。
なお、割合の大きさは、実際の要求に基づいて設定することができる。例えば、合計で１０００個の軌跡データがあるが、そのうち、８００個の軌跡データの空間的特徴が北京範囲内にある一方、２００個の軌跡データの空間的特徴が天津範囲内にある場合が挙げられる。北京と天津とは隣接都市であり、移動体が北京から天津に移動するのが正常なイベントであり、軌跡データに異常がないことを意味する。
異常な軌跡データは、上述した前処理によって除去される。センサがデータを報告する遅延性及びネットワークの輻輳による軌跡データの重複又は紛失の問題を解消することができる。センサのばらつきによる測位の不正確さを解消することができる。
いくつかの実施形態において、Ｓ２を実行する前に、軌跡データをリサンプリングするステップをさらに含む。
図２を参照して、図２は、本開示の実施形態に係る、軌跡データをリサンプリングする方法を示す図である。
図２に示すように、軌跡データをリサンプリングする方法はＳ１２、Ｓ１３及びＳ１４を含む。
Ｓ１２：軌跡データの時間的特徴に基づいて、軌跡データのサンプリング時間の時間間隔を計算する。
Ｓ１３：それぞれの時間間隔が同じであるか否かを判断する。同じである場合に、Ｓ２を実行する。同じではない場合に、Ｓ１４を実行する。
Ｓ１４：線形補間法に基づいて、予め設定された時間間隔でリサンプリングし、リサンプリングされた軌跡データを得る。
Ｓ２を実行し、Ｓ２は具体的に、リサンプリングされた軌跡データの時間的特徴及び空間的特徴に基づいて、軌跡特徴を計算する。
センサの理由、又はネットワークの理由などにより、取得された軌跡データの対応する頻度（即ち、サンプリング時間の時間間隔）は、一致しないことがある。ひいてはトレーニング結果が不正確になるという技術的問題がある。本実施形態に係る、頻度に応じてリサンプリングを決定し、線形補間法により予め設定された時間間隔でリサンプリングすることで、リサンプリングされた軌跡データの正確性及び一致性を確保することができる。
いくつかの実施形態において、線形補間法によって、予め設定された時間間隔でリサンプリングすることは、隣接する２つのサンプリング点の空間的特徴及び時間的特徴に基づいて、該２つの隣接するサンプリング点の間に少なくとも１つのサンプリング点を挿入することである。
いくつかの実施形態において、Ｓ１の後、Ｓ２の前に、Ｓ１－２：軌跡データを平滑化するステップをさらに含む。
具体的には、カルマンフィルタ（Ｋａｌｍａｎ Ｆｉｌｔｅｒ）平滑化方法により実現されてもよい。
軌跡データを平滑化することにより、センサなどの装置の誤差による取得された軌跡データの誤差を解消し、取得された軌跡データをノイズ除去して誤差を減らすという技術的効果を奏することができる。
Ｓ１－２とＳ１２～Ｓ１４とは独立したステップである。つまり、いくつかの実施形態において、平滑化するステップのみを含んでもよい。いくつかの実施形態において、軌跡データをリサンプリングするステップのみを含んでもよい。軌跡データの正確性及び一致性を確保するために、いくつかの実施形態において、平滑化するステップと軌跡データをリサンプリングするステップとを同時に含んでもよい。
平滑化するステップと軌跡データをリサンプリングするステップとを同時に含む実施形態である場合に、好ましくは、軌跡データを処理する効率化を確保するために、軌跡データをリサンプリングするステップを先に実行してから、平滑化するステップを実行する。
Ｓ３：軌跡特徴をトレーニングして、軌跡分類モデルを得る。
ここで、トレーニングプロセスは、従来技術における方法を採用することができる。例えば、ニューラルネットワークモデルによって軌跡特徴をトレーニングする。ここでは限定するものではない。
図３を併せて参照すると、いくつかの実施形態において、Ｓ３はＳ３１～Ｓ３５を含む。
Ｓ３１：軌跡データをトレーニングデータと検証データに分割する。
該ステップでは、軌跡データを２つに分ける。一部の軌跡データはトレーニングデータであり、他の一部の軌跡データは検証データである。
例えば、軌跡データからランダムに８０％の軌跡データをトレーニングデータとして選び、残りの２０％の軌跡データを検証データとする。
Ｓ３２：トレーニングデータに対応する第１軌跡特徴を抽出する。
Ｓ３３：機械学習モデルに基づいて第１軌跡特徴をトレーニングして、初期軌跡分類モデルを得る。
ここで、機械学習モデルは、パイソン（Ｐｙｔｈｏｎ）のｓｋｌｅａｒｎ機械学習モデルである。アンサンブル学習の勾配ブースティング決定木モデル（Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ，ＧＢＤＴ）が内部に設けられる。
具体的には、第１軌跡特徴をｓｋｌｅａｒｎ機械学習モデルの入力とし、第１軌跡特徴のカテゴリをｓｋｌｅａｒｎ機械学習モデルの結果のタグとして、トレーニングして初期軌跡分類モデルを得る。
Ｓ３４：検証データに対応する第２軌跡特徴を抽出する。
Ｓ３５：初期軌跡分類モデル及び第２軌跡特徴に基づいて、軌跡分類モデルを確定する。
該ステップにおいて、第２軌跡特徴に基づいて初期軌跡分類モデルを修正し、軌跡分類モデルを得る。
本実施形態において、トレーニングデータを用いてトレーニングすることにより、初期軌跡分類モデルを得、検証データを用いて初期軌跡分類モデルを検証し、軌跡分類モデルの手法を得ることで、軌跡分類モデルの有効性及び正確性を確保することができる。
いくつかの実施形態において、Ｓ３５はＳ３５１及びＳ３５２を含む。
Ｓ３５１：第２軌跡特徴を初期軌跡分類モデルに入力して、軌跡分類結果を得る。
Ｓ３５２：軌跡分類結果と予め設定された分類結果との差分値が、予め設定された閾値よりも大きいことに応答して、機械学習モデルのパラメータを調整するとともに、調整された機械学習モデルに基づいて第１軌跡特徴をトレーニングする。
機械学習モデルのパラメータには、木の深さ、個数、最大リーフノード数などが含まれる。軌跡分類結果と予め設定された分類結果との差分値が予め設定された閾値よりも大きい場合に、初期軌跡分類モデルの精度が低いことを意味するが、調整された機械学習モデルに基づいて第１軌跡特徴をトレーニングするために、木の深さ、個数、最大リーフノード数などの少なくとも１つのパラメータを調整する。軌跡分類結果と予め設定された分類結果との差分値が閾値以下となるまで調整する。
図４を併せて参照すると、いくつかの実施形態において、該方法は、Ｓ４：軌跡分類モデルによって分類対象の軌跡データを分類するステップをさらに含む。
例えば、分類対象の軌跡データを軌跡分類モデルに入力することで、軌跡分類モデルの出力結果に基づいて分類対象の軌跡データの種類を判定することができる。即ち、移動体の種類を判定する。
本開示の実施形態の他の態様によれば、本開示の実施形態は、軌跡分類モデルのトレーニング装置をさらに提供している。
図５を参照して、図５は、本開示の実施形態に係る軌跡分類モデルのトレーニング装置を示す図である。
図５に示すように、該装置は取得モジュール１、計算モジュール２及びトレーニングモジュール３を含む。
取得モジュール１は、軌跡データを取得するために用いられ、
計算モジュール２は、軌跡データの時間的特徴及び空間的特徴に基づいて、軌跡データの軌跡特徴を計算するために用いられ、軌跡特徴は曲率及び／又は回転角を含み、
トレーニングモジュール３は、軌跡特徴をトレーニングして、軌跡分類モデルを得るために用いられる。
図６を併せて参照すると、いくつかの実施形態において、該装置は前処理モジュール４をさらに含み、
前処理モジュール４は、軌跡データを前処理するために用いられる。
前処理は、少なくとも１つの条件を満たす軌跡データを削除して、前処理された軌跡データを得ることを含み、
少なくとも１つの条件は、
時間的特徴は同じであるが、空間的特徴は異なることと、
空間的特徴が予め設定された領域範囲を超える軌跡データの数は、予め設定された割合未満であることと、を含む。
計算モジュール２は具体的に、前処理された軌跡データの時間的特徴及び空間的特徴に基づいて、軌跡特徴を計算するために用いられる。
いくつかの実施形態において、計算モジュール２はさらに、軌跡データの時間的特徴に基づいて、軌跡データのサンプリング時間の時間間隔を計算するために用いられ、
それぞれの時間間隔が同一であることに応答して、計算モジュール２によって軌跡データの時間的特徴及び空間的特徴に基づいて軌跡データの軌跡特徴を計算するステップを実行する。
図７を併せて参照すると、いくつかの実施形態において、該装置はリサンプリングモジュール５をさらに含み、
リサンプリングモジュール５は、少なくとも１つの時間間隔が異なることに応答して、線形補間法に基づいて、予め設定された時間間隔でリサンプリングし、リサンプリングされた軌跡データを得るために用いられる。
計算モジュール２は具体的に、リサンプリングされた軌跡データの時間的特徴及び空間的特徴に基づいて、軌跡特徴を計算するために用いられる。
いくつかの実施形態において、トレーニングモジュール３は具体的に、
軌跡データをトレーニングデータと検証データに分割することと、
トレーニングデータに対応する第１軌跡特徴を抽出することと、
機械学習モデルに基づいて第１軌跡特徴をトレーニングして、初期軌跡分類モデルを得ることと、
検証データに対応する第２軌跡特徴を抽出することと、
初期軌跡分類モデル及び第２軌跡特徴に基づいて、軌跡分類モデルを確定することと、に用いられる。
いくつかの実施形態において、トレーニングモジュール３は具体的に、
第２軌跡特徴を初期軌跡分類モデルに入力して、軌跡分類結果を得ることと、
軌跡分類結果と予め設定された分類結果との差分値が、予め設定された閾値よりも大きいことに応答して、機械学習モデルのパラメータを調整するとともに、調整された機械学習モデルに基づいて第１軌跡特徴をトレーニングすることと、に用いられる。
いくつかの実施形態において、軌跡特徴は、
速度、加速度、速度変化の最大値、速度変化の最小値、速度変化の平均値、速度変化の中央値及び速度変化の分散の１種又は複数種をさらに含む。
当業者であれば、上記で開示された方法におけるステップ、システム、装置における機能ブロック／ユニットの全て又は一部が、ソフトウェア、ファームウェア、ハードウェア、及びそれらの適切な組み合わせとして実装されてもよいことを理解するであろう。ハードウェアの実施形態において、上記の説明において言及された機能モジュール／ユニット間の区分は、必ずしも物理的な構成の区分に対応するとは限らず、例えば、１つの物理的コンポーネントが複数の機能を有してもよく、又は、１つの機能又はステップが複数の物理的コンポーネントによって協力して実行されてもよい。いくつかの物理的コンポーネント又は全ての物理的コンポーネントは、中央処理装置、デジタル信号処理装置、又はマイクロプロセッサなどのプロセッサによって実行されるソフトウェアとして、又はハードウェアとして、又は特定用途向け集積回路などの集積回路として実装されてもよい。そのようなソフトウェアは、コンピュータ記憶媒体（又は非一時的媒体）及び通信媒体（又は一時的媒体）を含むことができるコンピュータ可読媒体に分散されてもよい。当業者に周知のように、コンピュータ記憶媒体という用語は、コンピュータ可読命令、データ構造、プログラムモジュール、又は他のデータなどの情報を記憶するための任意の方法又は技術において実装される、揮発性及び不揮発性の、リムーバブル及び非リムーバブルの媒体を含む。コンピュータ記憶媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ若しくは他のメモリ技術、ＣＤ－ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）若しくは他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ若しくは他の磁気記憶デバイス、又は所望の情報を記憶するために使用されることが可能であって、コンピュータによってアクセスされることが可能な任意の他の媒体を含むが、これらに限定されない。さらに、通信媒体は通常、コンピュータ可読命令、データ構造、プログラムモジュール、又は搬送波もしくは他の搬送機構などの変調データ信号における他のデータを含み、任意の情報配信媒体を含んでもよいことが当業者に知られている。
本明細書に例示的な実施形態が開示されており、特定の用語が用いられているが、それらは単に一般的な例示的な意味として解釈されるべきであり、限定を目的として解釈されるべきではない。いくつかの実施形態において、特定の実施形態に合わせて説明される特徴、特性及び／又は要素は、特に明記されない限り、単独で使用されてもよく、又は他の実施形態に合わせて説明される特徴、特性及び／又は要素と組み合わせて使用されてもよいことは、当業者には明らかであろう。したがって、当業者は、添付の特許請求の範囲によって示される本開示の範囲から逸脱することなく、様々な形態及び詳細における変更を行うことができることを理解するであろう。

Claims (14)

  1. 軌跡データを取得するステップと、
    前記軌跡データを前処理するステップと、
    前記前処理した軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡データの軌跡特徴を計算するステップであって、前記軌跡特徴は曲率及び／又は回転角を含むステップと、
    前記軌跡特徴をトレーニングして、軌跡分類モデルを得るステップと、を含み、
    前記前処理は、
    （１）時間的特徴が同じであり、且つ、空間的特徴が異なることと、
    （２）空間的特徴が予め設定された領域範囲を超える軌跡データの数は、予め設定された割合未満であることと、
    のうちの少なくとも１つの条件を満した前記軌跡データを削除する処理である、
    軌跡分類モデルのトレーニング方法。
  2. 前記軌跡データの時間的特徴に基づいて、前記軌跡データのサンプリング時間の時間間隔を計算するステップと、
    それぞれの時間間隔が同一であることに応答して、前記軌跡データの時間的特徴及び空間的特徴に基づいて前記軌跡データの軌跡特徴を計算するステップを実行するステップと、をさらに含む請求項１に記載の方法。
  3. 少なくとも１つの時間間隔が異なることに応答して、線形補間法に基づいて、予め設定された時間間隔でリサンプリングし、リサンプリングされた軌跡データを得るステップをさらに含み、
    前記軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡データの軌跡特徴を計算するステップは、
    前記リサンプリングされた軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡特徴を計算することを含む請求項２に記載の方法。
  4. 前記軌跡特徴をトレーニングして、軌跡分類モデルを得るステップは、
    前記軌跡データをトレーニングデータと検証データに分割することと、
    前記トレーニングデータに対応する第１軌跡特徴を抽出することと、
    機械学習モデルに基づいて前記第１軌跡特徴をトレーニングして、初期軌跡分類モデルを得ることと、
    前記検証データに対応する第２軌跡特徴を抽出することと、
    前記初期軌跡分類モデル及び前記第２軌跡特徴に基づいて、前記軌跡分類モデルを確定することと、を含む請求項１～３のいずれか一項に記載の方法。
  5. 前記初期軌跡分類モデル及び前記第２軌跡特徴に基づいて、前記軌跡分類モデルを確定することは、
    前記第２軌跡特徴を前記初期軌跡分類モデルに入力して、軌跡分類結果を得ることと、
    前記軌跡分類結果と予め設定された分類結果との差分値が、予め設定された閾値よりも大きいことに応答して、前記機械学習モデルのパラメータを調整するとともに、調整された機械学習モデルに基づいて前記第１軌跡特徴をトレーニングすることと、を含む請求項４に記載の方法。
  6. 前記軌跡特徴は、
    速度、加速度、速度変化の最大値、速度変化の最小値、速度変化の平均値、速度変化の中央値、速度変化の分散の少なくとも１つをさらに含む請求項１～３のいずれか一項に記載の方法。
  7. 軌跡データを取得するための取得モジュールと、
    前記軌跡データを前処理するための前処理モジュールと、
    前記前処理した軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡データの軌跡特徴を計算するための計算モジュールであって、前記軌跡特徴は曲率及び／又は回転角を含む計算モジュールと、
    前記軌跡特徴をトレーニングして、軌跡分類モデルを得るためのトレーニングモジュールと、を含み、
    前記前処理は、
    （１）時間的特徴が同じであり、且つ、空間的特徴が異なることと、
    （２）空間的特徴が予め設定された領域範囲を超える軌跡データの数は、予め設定された割合未満であることと、
    のうちの少なくとも１つの条件を満した前記軌跡データを削除する処理である、
    軌跡分類モデルのトレーニング装置。
  8. 前記計算モジュールはさらに、前記軌跡データの時間的特徴に基づいて、前記軌跡データのサンプリング時間の時間間隔を計算するために用いられ、
    それぞれの時間間隔が同一であることに応答して、前記計算モジュールが前記軌跡データの時間的特徴及び空間的特徴に基づいて前記軌跡データの軌跡特徴を計算するステップを実行する請求項７に記載の装置。
  9. 少なくとも１つの時間間隔が異なることに応答して、線形補間法に基づいて、予め設定された時間間隔でリサンプリングし、リサンプリングされた軌跡データを得るためのリサンプリングモジュールをさらに含み、
    前記計算モジュールは具体的に、前記リサンプリングされた軌跡データの時間的特徴及び空間的特徴に基づいて、前記軌跡特徴を計算するために用いられる請求項７に記載の装置。
  10. 前記トレーニングモジュールは、
    前記軌跡データをトレーニングデータと検証データに分割することと、
    前記トレーニングデータに対応する第１軌跡特徴を抽出することと、
    機械学習モデルに基づいて前記第１軌跡特徴をトレーニングして、初期軌跡分類モデルを得ることと、
    前記検証データに対応する第２軌跡特徴を抽出することと、
    前記初期軌跡分類モデル及び前記第２軌跡特徴に基づいて、前記軌跡分類モデルを確定することと、に用いられる請求項７～９のいずれか一項に記載の装置。
  11. 前記トレーニングモジュールは、
    前記第２軌跡特徴を前記初期軌跡分類モデルに入力して、軌跡分類結果を得ることと、
    前記軌跡分類結果と予め設定された分類結果との差分値が、予め設定された閾値よりも大きいことに応答して、前記機械学習モデルのパラメータを調整するとともに、調整された機械学習モデルに基づいて前記第１軌跡特徴をトレーニングすることと、に用いられる請求項１０に記載の装置。
  12. １つ又は複数のプロセッサと、
    １つ又は複数のプログラムが格納されている記憶装置とを含む電子機器であって、前記１つ又は複数のプログラムが前記１つ又は複数のプロセッサによって実行される場合に、前記１つ又は複数のプロセッサに請求項１～６のいずれか一項に記載の方法を実現させる電子機器。
  13. コンピュータプログラムが格納されているコンピュータ可読媒体であって、前記プログラムがプロセッサによって実行される場合に、請求項１～６のいずれか一項に記載の方法を実現するコンピュータ可読媒体。
  14. コンピュータプログラムであって、
    前記プログラムがプロセッサによって実行される場合に、請求項１～６のいずれか一項に記載の方法を実現するコンピュータプログラム。
JP2020002744A 2019-04-18 2020-01-10 軌跡分類モデルのトレーニング方法及び装置、電子機器 Active JP7038151B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910315099.7 2019-04-18
CN201910315099.7A CN109961106B (zh) 2019-04-18 2019-04-18 轨迹分类模型的训练方法和装置、电子设备

Publications (2)

Publication Number Publication Date
JP2020177645A JP2020177645A (ja) 2020-10-29
JP7038151B2 true JP7038151B2 (ja) 2022-03-17

Family

ID=67026194

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020002744A Active JP7038151B2 (ja) 2019-04-18 2020-01-10 軌跡分類モデルのトレーニング方法及び装置、電子機器

Country Status (4)

Country Link
US (1) US11599825B2 (ja)
JP (1) JP7038151B2 (ja)
KR (1) KR102350711B1 (ja)
CN (1) CN109961106B (ja)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046303A (zh) * 2019-11-20 2020-04-21 北京文安智能技术股份有限公司 一种热点区域的自动检测方法、装置及系统
CN110941278B (zh) * 2019-12-20 2023-05-23 交控科技股份有限公司 一种站内动态安全分析方法
US11455893B2 (en) * 2020-03-12 2022-09-27 The Boeing Company Trajectory classification and response
CN113742634A (zh) * 2020-05-27 2021-12-03 华为技术有限公司 轨迹点滤选方法及装置、存储介质
KR102290564B1 (ko) * 2020-11-25 2021-08-18 한국전자기술연구원 자율주행 차량의 경로 추종 안정화를 위한 분산 칼만필터 기반 주행 경로 필터링 방법
CN112465869B (zh) * 2020-11-30 2023-09-05 杭州海康威视数字技术股份有限公司 一种轨迹关联方法、装置、电子设备及存储介质
CN112598767B (zh) * 2020-12-29 2024-05-10 厦门市美亚柏科信息股份有限公司 基于时空大数据的轨迹行为分析方法、终端设备及存储介质
CN112699942B (zh) * 2020-12-30 2024-08-02 东软睿驰汽车技术（沈阳）有限公司 一种运营车辆识别方法、装置、设备及存储介质
CN113033828B (zh) * 2021-04-29 2022-03-22 江苏超流信息技术有限公司 模型训练方法、使用方法、系统、可信节点及设备
CN113254570B (zh) * 2021-07-15 2021-10-01 浙江网商银行股份有限公司 数据识别方法以及装置
CN114022642B (zh) * 2021-10-08 2022-07-19 北京津发科技股份有限公司 时空行为轨迹采集、生成方法、装置、设备、系统及存储介质
CN114707567A (zh) * 2022-02-08 2022-07-05 高德软件有限公司 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品
CN118134962B (zh) * 2024-05-08 2024-09-13 中国人民解放军国防科技大学 一种高空抛物的检测方法、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1929530A (zh) 2005-09-09 2007-03-14 株式会社理光 图像质量预测方法和设备以及故障诊断系统
JP2012008659A (ja) 2010-06-22 2012-01-12 Sony Corp データ処理装置、データ処理方法、およびプログラム
JP2012123749A (ja) 2010-12-10 2012-06-28 Shiseido Co Ltd 感性推測装置、感性推測方法、及び感性推測プログラム
CN107705183A (zh) 2017-09-30 2018-02-16 深圳乐信软件技术有限公司 一种商品的推荐方法、装置、存储介质及服务器
CN109634820A (zh) 2018-11-01 2019-04-16 华中科技大学 一种云端移动端协同的故障预警方法、相关设备及系统

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8855361B2 (en) * 2010-12-30 2014-10-07 Pelco, Inc. Scene activity analysis using statistical and semantic features learnt from object trajectory data
KR101330049B1 (ko) * 2012-03-06 2013-11-18 한국기계연구원 3차원 특징점 기반 직접 교시 궤적 후보정 방법
US8939081B1 (en) * 2013-01-15 2015-01-27 Raytheon Company Ladar backtracking of wake turbulence trailing an airborne target for point-of-origin estimation and target classification
KR101886033B1 (ko) 2014-10-10 2018-08-07 에스케이텔레콤 주식회사 사용자 동작 정의 방법 및 이를 적용한 동작 인식 장치
US10163000B2 (en) * 2015-01-14 2018-12-25 Samsung Electronics Co., Ltd. Method and apparatus for determining type of movement of object in video
CN105598965B (zh) * 2015-11-26 2018-03-16 哈尔滨工业大学 基于立体视觉的机器人欠驱动手自主抓取方法
CN106314438B (zh) * 2016-08-15 2018-09-25 西北工业大学 一种司机驾驶轨迹中异常轨迹的检测方法和系统
CN106774312B (zh) * 2016-12-05 2020-04-28 遨博（北京）智能科技有限公司 一种为移动机器人确定移动轨迹的方法和装置
US10809376B2 (en) * 2017-01-06 2020-10-20 Massachusetts Institute Of Technology Systems and methods for detecting objects in underwater environments
EP3358303B1 (en) * 2017-02-07 2021-09-01 HERE Global B.V. An apparatus and associated methods for use in updating map data
JP6722280B2 (ja) * 2017-06-22 2020-07-15 バイドゥドットコム タイムズ テクノロジー （ベイジン） カンパニー リミテッドＢａｉｄｕ．ｃｏｍ Ｔｉｍｅｓ Ｔｅｃｈｎｏｌｏｇｙ （Ｂｅｉｊｉｎｇ） Ｃｏ．， Ｌｔｄ． 自律走行車の交通予測における予測軌跡の評価フレームワーク
CN107463940B (zh) * 2017-06-29 2020-02-21 清华大学 基于手机数据的车辆类型识别方法和设备
CN107241697A (zh) * 2017-06-30 2017-10-10 北京奇虎科技有限公司 用于移动终端的用户行为确定方法、装置及移动终端
CN107451233B (zh) * 2017-07-25 2020-02-18 南京师范大学 时间属性优先的时空轨迹数据文件在辅助存储设备中的存储方法
JP7087316B2 (ja) * 2017-09-27 2022-06-21 オムロン株式会社 情報処理装置、情報処理方法およびプログラム
CN107714038A (zh) * 2017-10-12 2018-02-23 北京翼石科技有限公司 一种脑电信号的特征提取方法及装置
CN107766852A (zh) * 2017-12-06 2018-03-06 电子科技大学 一种基于卷积神经网络的人机鼠标轨迹检测方法
CN109034181A (zh) * 2018-06-05 2018-12-18 广州杰赛科技股份有限公司 移动轨迹的分类方法和装置、设备、存储介质
CN109033793A (zh) * 2018-07-11 2018-12-18 北京京东金融科技控股有限公司 滑动验证码人机识别方法及装置、电子设备及可读介质
CN108788560A (zh) * 2018-08-08 2018-11-13 经略智能科技（苏州）有限公司 基于XGBoost机器学习模型的焊接系统
CN109299744A (zh) * 2018-10-19 2019-02-01 合肥非度信息技术有限公司 合同公章分类模型的训练方法、系统和识别方法、系统
KR102123180B1 (ko) 2019-02-01 2020-06-16 (주)타마스 중공축을 갖는 모터

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1929530A (zh) 2005-09-09 2007-03-14 株式会社理光 图像质量预测方法和设备以及故障诊断系统
JP2012008659A (ja) 2010-06-22 2012-01-12 Sony Corp データ処理装置、データ処理方法、およびプログラム
JP2012123749A (ja) 2010-12-10 2012-06-28 Shiseido Co Ltd 感性推測装置、感性推測方法、及び感性推測プログラム
CN107705183A (zh) 2017-09-30 2018-02-16 深圳乐信软件技术有限公司 一种商品的推荐方法、装置、存储介质及服务器
CN109634820A (zh) 2018-11-01 2019-04-16 华中科技大学 一种云端移动端协同的故障预警方法、相关设备及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ボレガラ ダヌシカ，ウェブデータの機械学習 Machine Learning of Web Data，日本，株式会社講談社，2016年08月24日，39-42，ISBN: 978-4-06-152918-2

Also Published As

Publication number Publication date
CN109961106A (zh) 2019-07-02
KR20200122987A (ko) 2020-10-28
US11599825B2 (en) 2023-03-07
CN109961106B (zh) 2022-03-18
US20200334571A1 (en) 2020-10-22
JP2020177645A (ja) 2020-10-29
KR102350711B1 (ko) 2022-01-13

Similar Documents

Publication Publication Date Title
JP7038151B2 (ja) 軌跡分類モデルのトレーニング方法及び装置、電子機器
CN110287276B (zh) 高精地图更新方法、装置及存储介质
EP2923301B1 (de) Verfahren und vorrichtung zur rekonstruktion einer bewegung eines objekts
CN107133269A (zh) 基于移动目标的频繁位置轨迹生成方法及装置
US9466107B2 (en) Bundle adjustment based on image capture intervals
US11193790B2 (en) Method and system for detecting changes in road-layout information
CN105046235A (zh) 车道线的识别建模方法和装置、识别方法和装置
CN109871745A (zh) 识别空车位的方法、系统及车辆
EP3828501B1 (en) Method and system for estimating a trajectory from gps data points
CN111444294B (zh) 一种轨迹补全方法、装置及电子设备
EP4020428A1 (en) Method and apparatus for recognizing lane, and computing device
CN111275975B (zh) 一种交叉口转向流量数据的获取方法、装置和存储介质
CN112633255B (zh) 目标检测方法、装置及设备
CN112734810B (zh) 一种障碍物追踪方法及装置
CN108122280A (zh) 一种三维点云的重建方法及装置
CN118297127A (zh) 用于特定领域神经网络修剪的系统和方法
Hashemi Automatic inference of road and pedestrian networks from spatial-temporal trajectories
Filipiak et al. NSGA-II based auto-calibration of automatic number plate recognition camera for vehicle speed measurement
CN112447060A (zh) 识别车道的方法、装置及计算设备
CN115164868A (zh) 机器人定位方法、装置、机器人及存储介质
JP6828448B2 (ja) 情報処理装置、情報処理システム、情報処理方法、および情報処理プログラム
CN111784742B (zh) 一种行人跨镜头追踪方法及装置
CN111882494B (zh) 位姿图处理方法、装置、计算机设备和存储介质
Lushan et al. Supervising vehicle using pattern recognition: Detecting unusual behavior using machine learning algorithms
CN115249407B (zh) 指示灯状态识别方法、装置、电子设备、存储介质及产品

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200710

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200710

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210729

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210803

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211104

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220222

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220307

R150 Certificate of patent or registration of utility model

Ref document number: 7038151

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150