KR102350711B1 - 궤적 분류 모델의 트레이닝 방법 및 장치, 및 전자 기기 - Google Patents
궤적 분류 모델의 트레이닝 방법 및 장치, 및 전자 기기 Download PDFInfo
- Publication number
- KR102350711B1 KR102350711B1 KR1020200003545A KR20200003545A KR102350711B1 KR 102350711 B1 KR102350711 B1 KR 102350711B1 KR 1020200003545 A KR1020200003545 A KR 1020200003545A KR 20200003545 A KR20200003545 A KR 20200003545A KR 102350711 B1 KR102350711 B1 KR 102350711B1
- Authority
- KR
- South Korea
- Prior art keywords
- trajectory
- data
- training
- classification model
- feature
- Prior art date
Links
- 238000012549 training Methods 0.000 title claims abstract description 82
- 238000013145 classification model Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000002123 temporal effect Effects 0.000 claims abstract description 44
- 238000005070 sampling Methods 0.000 claims description 57
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000012952 Resampling Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000009499 grossing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
본 개시는 궤적 분류 모델의 트레이닝 방법을 제공하며, 해당 방법은, 궤적 데이터를 획득하는 단계와, 궤적 데이터의 시간 특징 및 공간 특징에 따라, 곡률 및/또는 회전각을 포함하는 궤적 데이터의 궤적 특징을 산출하는 단계와, 궤적 특징에 대해 트레이닝을 진행하여, 궤적 분류 모델을 획득하는 단계를 포함한다. 본 개시는 궤적 분류 모델의 트레이닝 장치, 전자 기기, 및 컴퓨터 판독 가능한 매체를 더 제공한다.
Description
본 개시의 실시예는 컴퓨터 기술 분야에 관한 것으로, 특히는 궤적 분류 모델의 트레이닝 방법, 장치, 전자 기기, 및 컴퓨터 판독 가능한 매체에 관한 것이다.
지능형 전자 수집 장치가 신속하게 발전함에 따라, 스마트폰, 차량용 네비게이션 등 장치를 이용하여 각종의 궤적 데이터를 수집할 수 있다. 스마트 시티, 교통 계획 및 합리적인 출행 준비 등 방면에 있어서, 궤적 데이터는 중요한 해결책을 제공한다. 궤적 데이터 분석에 대한 이용은 최근에 들어 이미 상업 토론의 초점으로 되었다.
기존의 기술에 있어서, 예를 들어, 카메라를 통해 포획한 이미지 서열에서 운동 대상물의 행위를 분석 및 이해하고, 이상 행위에 대해 경보를 발생한다. 행위 검출은 지능형 시각 모니터링의 중요한 기능이다. 궤적 데이터의 이벤트 검출을 기반으로, 장시간으로 대상물의 행위를 분석할 수 있으며, 이로써, 예컨대 4차원 히스토그램을 구축하는 등, 대상물의 행위를 효과적으로 예측하고 판단할 수 있다.
본 개시의 실시예은 궤적 분류 모델의 트레이닝 방법, 장치, 전자 기기, 및 컴퓨터 판독 가능한 매체를 제공한다.
제1 양태에 있어서, 본 개시의 실시예는 궤적 분류 모델의 트레이닝 방법을 제공하며, 해당 방법은, 궤적 데이터를 획득하는 단계와, 상기 궤적 데이터의 시간 특징 및 공간 특징에 따라, 곡률 및/또는 회전각을 포함하는 상기 궤적 데이터의 궤적 특징을 산출하는 단계와, 상기 궤적 특징에 대해 트레이닝을 진행하여, 궤적 분류 모델을 획득하는 단계를 포함한다
일부의 실시예에 있어서, 상기 궤적 데이터를 획득하는 단계 이후에, 상기 궤적 데이터에 대해 전처리를 진행하는 단계를 더 포함하되, 상기 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 데이터의 궤적 특징을 산출하는 단계는, 전처리된 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 특징을 산출하는 단계를 포함하고, 상기 전처리는, 적어도 하나의 조건을 만족하는 상기 궤적 데이터를 제거하여, 상기 전처리된 궤적 데이터를 획득하는 것을 포함하되, 상기 적어도 하나의 조건은, 시간 특징이 동일하나 공간 특징이 상이한 조건, 및 공간 특징이 기정의 구역 범위를 초과하는 궤적 데이터의 수량이 기정의 비례값보다 작은 조건을 포함한다.
일부의 실시예에 있어서, 상기 궤적 데이터의 시간 특징에 따라 상기 궤적 데이터의 샘플링 시간의 시간 간격을 산출하는 단계와, 각 시간 간격이 모두 동일함에 응답하여, 상기 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 데이터의 궤적 특징을 산출하는 것을 수행하는 단계를 더 포함한다.
일부의 실시예에 있어서, 적어도 하나의 시간 간격이 상이함에 응답하여, 선형 보간 샘플링 방법에 따라 기정의 시간 간격으로 리샘플링을 진행하여, 리샘플링된 궤적 데이터를 획득하고, 상기 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 데이터의 궤적 특징을 산출하는 단계는, 상기 리샘플링된 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 특징을 산출하는 단계를 포함한다.
일부의 실시예에 있어서, 상기 궤적 특징에 대해 트레이닝을 진행하여, 궤적 분류 모델을 획득하는 단계는, 상기 궤적 데이터를 트레이닝 데이터와 검증 데이터로 분할하는 단계와, 상기 트레이닝 데이터에 대응되는 제1 궤적 특징을 추출하는 단계와, 기계 학습 모델에 따라 상기 제1 궤적 특징에 대해 트레이닝을 진행하여, 초기 궤적 분류 모델을 획득하는 단계와, 상기 검증 데이터에 대응되는 제2 궤적 특징을 추출하는 단계와, 상기 초기 궤적 분류 모델 및 상기 제2 궤적 특징에 따라 상기 궤적 분류 모델을 확정하는 단계를 포함한다.
일부의 실시예에 있어서, 상기 초기 궤적 분류 모델 및 상기 제2 궤적 특징에 따라 상기 궤적 분류 모델을 확정하는 단계는, 상기 제2 궤적 특징을 상기 초기 궤적 분류 모델에 입력하여, 궤적 분류 결과를 획득하는 단계와, 상기 궤적 분류 결과와 기정의 분류 결과의 차이값이 기정의 역치값보다 큰 것에 응답하여, 상기 기계 학습 모델의 파라미터에 대해 조정을 진행하고, 조정된 기계 학습 모델에 따라 상기 제1 궤적 특징에 대해 트레이닝을 진행하는 단계를 포함한다.
일부의 실시예에 있어서, 상기 궤적 특징은, 속도, 가속도, 속도 변화의 최대값, 속도 변화의 최소값, 속도 변화의 평균값, 속도 변화의 중앙값 및 속도 변화의 평방 편차 중의 적어도 하나를 더 포함한다.
제2 양태에 있어서, 본 개시의 실시예는 궤적 분류 모델의 트레이닝 장치를 포함하며, 해당 장치는, 궤적 데이터를 획득하기 위한 획득 모듈과, 상기 궤적 데이터의 시간 특징 및 공간 특징에 따라, 곡률 및/또는 회전각을 포함하는 상기 궤적 데이터의 궤적 특징을 산출하기 위한 산출 모듈과, 상기 궤적 특징에 대해 트레이닝을 진행하여, 궤적 분류 모델을 획득하기 위한 트레이닝 모듈을 포함한다.
일부의 실시예에 있어서, 상기 궤적 데이터에 대해 전처리를 진행하기 위한 전처리 모듈을 더 포함하되, 상기 산출 모듈은 구체적으로, 전처리된 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 특징을 산출하도록 구성되고, 상기 전처리는, 적어도 하나의 조건을 만족하는 상기 궤적 데이터를 제거하여, 상기 전처리된 궤적 데이터를 획득하는 것을 포함하되, 상기 적어도 하나의 조건은, 시간 특징이 동일하나 공간 특징이 상이한 조건, 및 공간 특징이 기정의 구역 범위를 초과하는 궤적 데이터의 수량이 기정의 비례값보다 작은 조건을 포함한다.
일부의 실시예에 있어서, 상기 산출 모듈은, 상기 궤적 데이터의 시간 특징에 따라 상기 궤적 데이터의 샘플링 시간의 시간 간격을 산출하고, 각 시간 간격이 모두 동일함에 응답하여, 상기 산출 모듈을 통해 상기 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 데이터의 궤적 특징을 산출하는 것을 수행하도록 더 구성된다.
일부의 실시예에 있어서, 적어도 하나의 시간 간격이 상이함에 응답하여, 선형 보간 샘플링 방법에 따라 기정의 시간 간격으로 리샘플링을 진행하여, 리샘플링된 궤적 데이터를 획득하기 위한 리샘플링 모듈을 더 포함하되, 상기 산출 모듈은 구체적으로, 상기 리샘플링된 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 특징을 산출하도록 구성된다.
일부의 실시예에 있어서, 상기 트레이닝 모듈은 구체적으로, 상기 궤적 데이터를 트레이닝 데이터와 검증 데이터로 분할하고, 상기 트레이닝 데이터에 대응되는 제1 궤적 특징을 추출하고, 기계 학습 모델에 따라 상기 제1 궤적 특징에 대해 트레이닝을 진행하여, 초기 궤적 분류 모델을 획득하고, 상기 검증 데이터에 대응되는 제2 궤적 특징을 추출하고, 상기 초기 궤적 분류 모델 및 상기 제2 궤적 특징에 따라 상기 궤적 분류 모델을 확정하도록 구성된다.
일부의 실시예에 있어서, 상기 트레이닝 모듈은 구체적으로, 상기 제2 궤적 특징을 상기 초기 궤적 분류 모델에 입력하여, 궤적 분류 결과를 획득하고, 상기 궤적 분류 결과와 기정의 분류 결과의 차이값이 기정의 역치값보다 큰 것에 응답하여, 상기 기계 학습 모델의 파라미터에 대해 조정을 진행하고, 조정된 기계 학습 모델에 따라 상기 제1 궤적 특징에 대해 트레이닝을 진행하도록 구성된다.
본 개시의 실시예에서 제공하는 궤적 데이터를 획득하고, 궤적 데이터의 시간 특징 및 공간 특징에 따라, 곡률 및/또는 회전각을 포함하는 궤적 데이터의 궤적 특징을 산출하고, 궤적 특징에 대해 트레이닝을 진행하여, 궤적 분류 모델을 획득하는 기술적 방안은, 궤적 분류 모델을 구축하고, 궤적 분류 모델의 정확성을 실현하는 기술적 효과를 실현한다.
첨부된 도면은 본 개시의 실시예에 대한 진일보의 이해를 제공하기 위한 것이며, 명세서의 일부분을 구성하고, 본 개시의 실시예와 함께 본 개시를 해석하기에 이용되며, 본 개시에 대한 한정을 구성하지 않는다. 첨부된 도면을 참조하여 상세한 예시적 실시예에 대해 설명을 진행함으로써, 당해 기술 분야의 당업자에 대해 상술한 및 기타의 특징 및 장점은 보다 명확해질 것이며, 첨부된 도면에 있어서:
도1은 본 개시의 실시예의 궤적 분류 모델의 트레이닝 방법의 개략도이다.
도2는 본 개시의 실시예의 궤적 데이터에 대해 리샘플링을 진행하는 벙법의 개략도이다.
도3은 본 개시의 실시예의 궤적 특징에 대해 트레이닝을 진행하는 방법의 개략도이다.
도4는 본 개시의 다른 일 실시예의 궤적 분류 모델의 트레이닝 방법의 개략도이다.
도5는 본 개시의 실시예의 궤적 분류 모델의 트레이닝 장치의 개략도이다.
도6은 본 개시의 다른 일 실시예의 궤적 분류 모델의 트레이닝 장치의 개략도이다.
도7은 본 개시의 다른 일 실시예의 궤적 분류 모델의 트레이닝 장치의 개략도이다.
도면 부호:
1: 획득 모듈, 2: 산출 모듈, 3: 트레이닝 모듈, 4: 전처리 모듈, 5: 리샘플링 모듈
도1은 본 개시의 실시예의 궤적 분류 모델의 트레이닝 방법의 개략도이다.
도2는 본 개시의 실시예의 궤적 데이터에 대해 리샘플링을 진행하는 벙법의 개략도이다.
도3은 본 개시의 실시예의 궤적 특징에 대해 트레이닝을 진행하는 방법의 개략도이다.
도4는 본 개시의 다른 일 실시예의 궤적 분류 모델의 트레이닝 방법의 개략도이다.
도5는 본 개시의 실시예의 궤적 분류 모델의 트레이닝 장치의 개략도이다.
도6은 본 개시의 다른 일 실시예의 궤적 분류 모델의 트레이닝 장치의 개략도이다.
도7은 본 개시의 다른 일 실시예의 궤적 분류 모델의 트레이닝 장치의 개략도이다.
도면 부호:
1: 획득 모듈, 2: 산출 모듈, 3: 트레이닝 모듈, 4: 전처리 모듈, 5: 리샘플링 모듈
당해 기술 분야의 당업자가 본 발명의 기술적 방안을 보다 잘 이해하도록, 아래에 첨부된 도면을 결부하여 본 발명에서 제공하는 궤적 분류 모델의 트레이닝 방법, 장치, 전자 기기, 및 컴퓨터 판독 가능한 매체에 대한 상세한 설명을 진행하기로 한다.
아래에 첨부된 도면을 참조하여 예시적 실시예에 대한 보다 충분한 설명을 진행하기로 하나, 상술한 예시적 실시예는 상이한 형식으로 표현될 수 있으며, 본 원에 기재된 실시예로 한정되는 것으로 해석하여서는 아니된다. 반대로, 이러한 실시예는, 본 개시가 철저하고 완전하며, 당해 기술 분야의 당업자가 본 개시의 범위를 충분히 이해하도록 하는 목적으로 제공된다.
본원에 이용되는 용어 "및/또는"은 하나 또는 다수의 관련되게 열거된 항목들 중의 임의의 조합 및 모든 조합을 포함한다.
본원에 이용되는 용어는 단지 특정된 실시예를 설명하기 위한 것일 뿐, 본 개시를 한정하기 위한 것이 아니다. 맥락에서 명확히 다르게 지적하지 않는 한, 본원에 이용되는 단수 형식 "하나" 및 "해당"은 복수 형식도 포함하고자 한다. 또한, 본 명세서에서 용어 "포함" 및/또는 "... 으로 제조"를 이용할 경우, 상술한 특징, 총체, 단계, 조작, 소자, 및/또는 구성 요소의 존재를 지시할 뿐, 하나 또는 다수의 기타 특징, 총체, 단계, 조작, 소자, 구성 요소 및/또는 이들의 조합의 존재 또는 추가를 배제하는 않는 것을 이해하여야 한다.
본원에 기재된 실시예는 본 개시의 이상적인 개략도의 도움으로 평면도 및/또는 단면도를 참조하여 설명을 진행하기로 한다. 따라서, 도면은 제조 기술 및/또는 공차에 따라 수정할 수 있다. 따라서, 실시예는 첨부된 도면에 도시된 실시예에 한정되지 않으며, 제조 공정을 기반으로 형성된 구성의 수정을 포함하여야 한다. 따라서, 첨부된 도면에 예시된 영역은 개략적인 속성을 구비하고, 도면에 도시된 영역의 형성은 소자의 영역의 구체적인 형상을 예시한 것일 뿐, 한정적인 것이 아니다.
다르게 한정되지 않는 한, 본원에 이용되는 모든 용어(기술 용어 및 과학 용어를 포함)의 함의는 당해 기술 분야에서 통상의 지식을 가진자가 일반적으로 이해하는 함의와 동일하다. 또한, 본원에 명시적으로 한정되지 않는 한, 범용의 사전에 정의된 용어들은 관련 기술 및 본 개시의 배경 하에서의 그들의 함의와 일치한 함의를 구비하며, 이상적이거나 과도한 형식 상의 함의로 해석하여서는 아니됨을 이해하여야 한다.
본 개시의 실시예의 일 양태에 의하면, 본 개시의 실시예는 궤적 분류 모델의 트레이닝 방법을 제공한다.
도1을 참조하면, 도1은 본 개시의 실시예의 궤적 분류 모델의 트레이닝 방법의 개략도이다.
도1에 도시된 바와 같이, 해당 방법은 아래와 같은 단계들을 포함한다.
단계(S1)에서, 궤적 데이터를 획득한다.
여기서, 궤적 데이터는 시간 및 공간 환경에서, 하나 또는 다수의 이동 대상물의 운동 과정에 대해 샘플링을 진행하여 획득한 데이터 정보를 가리키며, 샘플링 포인트 위치, 샘플링 시간 등을 포함하고, 이러한 샘플링 포인트 데이터 정보는 샘플링 전후 순서에 따라 궤적 데이터를 구성한다.
예를 들어, 위치 확정 기능을 구비하는 스마트폰에 있어서, 궤적 데이터는 휴대폰을 소지한 사람이 일부의 시간 구간에서의 행동 상황을 반영하고, 모바일 인터넷은 무선 신호를 통해 휴대폰의 위치를 확정함으로써, 샘플링 및 기록을 진행하고, 샘플링 포인트를 연결하여, 휴대폰을 소지한 사람의 운동 궤적 데이터를 형성한다. GPS 위치 확정 단말기에 있어서, 고정 샘플링 빈도로 단말기가 위치한 위도 및 경도 정보를 기록하고, 무선 네트워크를 통해 데이터를 서버에 수집한다. RFID 라벨 기술에 있어서, 대상물에 대해 표기를 진행하고, RFID 인식기를 통해 대상물의 이동 경로에 대한 위치 확정 및 위치 데이터 기록을 진행하여, 대상물의 이동 궤적을 형성한다.
단계(S2)에서, 궤적 데이터의 시간 특징 및 공간 특징에 따라, 곡률 및/또는 회전각을 포함하는 궤적 데이터의 궤적 특징을 산출한다.
상술한 궤적 데이터에 대한 설명을 기반으로 알 수 있듯이, 궤적 데이터는 샘플링 포인트 위치 및 샘플링 시간을 포함한다. 여기서, 샘플링 포인트 위치는 즉 궤적 데이터의 공간 특징이고, 샘플링 시간은 즉 궤적 데이터의 시간 특징이다.
여기서, 궤적 특징은 이동 대상물 운동 상태의 특징이다.
기존의 기술에 있어서, 궤적 특징은 주요하게 속도로 표현된다. 이동 대상물의 속도는 이동 대상물 현재 샘플링 포인트의 위치와 시간 및 이전 샘플링 포인트의 위치와 시간을 기반으로 확정할 수 있다.
본 실시예에 있어서, 궤적 특징은 곡률 및/또는 회전각을 포함한다. 후속적인 트레이닝의 고 효율성 및 정확성을 실현하기에 편리하도록, 시간 특징 및 공간 특징의 관련성을 충분히 결합시킨다.
일부의 실시예에 있어서, 궤적 특징은, 속도, 가속도, 속도 변화의 최대값, 속도 변화의 최소값, 속도 변화의 평균값, 속도 변화의 중앙값 및 속도 변화의 평방 편차 중의 하나 또는 다수를 더 포함한다.
구체적으로, 속도 v=Δs/Δt이다. 여기서, Δs는 공간 특징을 기반으로 확정한 변위 차이이고, Δt는 시간 특징을 기반으로 확정한 시간 차이이다.
예컨대, 이동 대상물 현재의 샘플링 포인트는 t이고, 이전 샘플링 포인트는 i이다. 샘플링 포인트t의 공간 특징은 경도t1, 위도t2이다. 샘플링 포인트i의 공간 특징은 경도i1, 위도i2이다. 이러할 경우, t1, t2, i1 및 i2에 따라 이동 대상물이 샘플링 포인트t에서 샘플링 포인트I 까지 이동하는 거리 (즉, 변위 차이)를 확정한다. 구체적인 산출 방법은 기존의 기술을 참조할 수 있으며, 이에 대한 한정을 진행하지 않기로 한다.
샘플링 포인트t의 시간 특징은 시각t3이다. 샘플링 포인트i의 시간 특징은 시각i3이다. 이러할 경우, i3 및 t3에 따라 이동 대상물이 샘플링 포인트i에서 샘플링 포인트t 까지 이동하는 시간 (즉, 시간 차이)를 확정한다. 구체적인 산출 방법은 기존의 기술을 참조할 수 있으며, 이에 대한 한정을 진행하지 않기로 한다.
구체적으로, 가속도 a= Δv/Δt이다. 여기서, Δv는 이동 대상물이 샘플링 포인트i에서 샘플링 포인트t까지 이동하는 속도 변화량이다.
구체적으로, 회전각 
이다. 여기서, 샘플링 포인트t의 경도 및 위도를 기반으로 샘플링 포인트t의 각도α(예컨대, 경도 및 위도가 모두 0인 포인트를 원점으로 과표계를 구축하고, 원점을 경유하는 남북극 연결선은 종좌표이고, 원점을 경유하고 종좌표와 수직하는 선은 횡좌표임)를 확정할 수 있다. 샘플링 포인트i의 경도 및 위도에 따라 샘플링 포인트i의 각도β를 확정한다.
구체적으로, 곡률 c=(dit + dtj)/dij이다. 여기서, dit는 샘플링 포인트i와 샘플링 포인트t 사이의 거리이다. dtj는 샘플링 포인트t와 샘플링 포인트j(샘플링 포인트j는 샘플링 포인트t의 다음 샘플링 포인트) 사이의 거리이다. dij는 샘플링 포인트i와 샘플링 포인트j 사이의 거리이다.
여기서 상술한 기타의 궤적 특징의 알고리즘은 일일이 열거하지 않기로 한다.
일부의 실시예에 있어서, 궤적 데이터을 획득한 이후, 먼저 궤적 데이터에 대해 전처리를 진행하고, 이어서, 전처리된 궤적을 기반으로 데이터의 궤적 특징을 산출한다. 즉, 단계(S1)와 단계(S2) 사이에는, 궤적 데이터에 대해 전처리를 진행하는 단계(S11)를 더 포함하고, 단계(S2)에서, 전처리된 궤적 데이터에 따라 상응한 처리를 진행하여, 궤적 특징을 획득한다.
기존의 기술에 있어서, 궤적 데이터을 획득한 이후, 직접적으로 궤적 데이터에 대해 분석을 진행하여, 이동 대상물의 카테고리에 대해 판단을 진행한다. 본 실시예에 있어서, 먼저 획득한 데이터에 대해 전처리를 진행하며, 이는 궤적 데이터 중의 이상 데이터에 대해 선별을 진행하여 이상 데이터를 제거하는 것에 해당되며, 정상 데이터의 시간 특징 및 공간 특징궤적 특징을 산출하여, 궤적 특징의 유효성을 확보한다.
여기서, 단계(S11)는 적어도 하나의 조건을 만족하는 궤적 데이터를 제거하여, 전처리된 궤적 데이터를 획득하는 단계를 포함한다.
적어도 하나의 조건은,
(1) 시간 특징이 동일하나 공간 특징이 상이한 조건, 및
(2) 공간 특징이 기정의 구역 범위를 초과하는 궤적 데이터의 수량이 기정의 비례값보다 작은 조건을 포함한다.
예컨대, 제1 조건은, 궤적 데이터a의 시간 특징과 궤적 데이터b의 시간 특징이 동일하나, 궤적 데이터a의 공간 특징과 궤적 데이터b의 공간 특징이 상이한 것이다. 즉, 동일한 시각에서 2개의 상이한 궤적 데이터를 획득한다. 이러할 경우, 적어도 하나의 궤적 데이터가 이상인 것을 설명하며, 트레이닝의 정확성을 확보하기 위하여, 궤적 데이터a와 궤적 데이터b를 모두 제거한다.
예컨대, 제2 조건은, 모두 1000개의 궤적 데이터가 존재하고, 그중의 999개의 궤적 데이터의 공간 특징이 모두 베이징 범위 내에 위치하고, 1개의 궤적 데이터가 상하이 범위 내에 위치할 경우, 공간 특징이 상하이 범위 내에 위치하는 궤적 데이터가 이상 데이터인 것을 설명하며, 이를 제거하여야 한다.
여기서, 비례값의 크기는 실제의 수요에 따라 설정할 수 있다. 예컨대, 1000개의 궤적 데이터가 존재하고, 그중의 800개의 궤적 데이터의 공간 특징이 모두 베이징 범위 내에 위치하고, 200개의 궤적 데이터가 톈진 범위 내에 위치하나, 베이징과 톈진이 인접한 도시이므로, 이동 대상물이 베이징에서 톈진에 이동하는 것은 정상 이벤트이며, 이러할 경우, 궤적 데이터에 이상이 없음을 설명한다.
이상 궤적 데이터는 상술한 전처리를 통해 제거된다. 센서가 데이터를 보고하는 지연성 및 인터넷 혼잡으로 인해 초래되는 궤적 데이터가 중복되거나 누락되는 문제를 제거할 수 있다. 또한, 센서의 편차로 인해 초래되는 위치 확정이 정확하지 않는 문제를 제거할 수 있다.
일부의 실시예에 있어서, 단계(S2)를 수행하기 이전에, 궤적 데이터에 대해 리샘플링을 진행하는 단계를 더 포함한다.
도2를 참조하면, 도2는 본 개시의 실시예의 궤적 데이터에 대해 리샘플링을 진행하는 벙법의 개략도이다.
도2에 도시된 바와 같이, 궤적 데이터에 대해 리샘플링을 진행하는 벙법은 아래와 같은 단계들을 포함한다.
단계(S12)에서, 궤적 데이터의 시간 특징에 따라 궤적 데이터의 샘플링 시간의 시간 간격을 산출한다.
단계(S13)에서, 각 시간 간격이 모두 동일한지 여부를 판단한다. 동일할 경우, 단계(S2)를 수행한다. 동일하지 않을 경우, 단계(S14)를 수행한다.
단계(S14)에서, 선형 보간 샘플링 방법에 따라 기정의 시간 간격으로 리샘플링을 진행하여, 리샘플링된 궤적 데이터를 획득한다.
또한, 단계(S2)를 수행하고, 단계(S2)는 구체적으로, 리샘플링된 궤적 데이터의 시간 특징 및 공간 특징에 따라 궤적 특징을 산출한다.
센서의 원인 또는 네트워크 원인 등으로 인해, 획득한 궤적 데이터의 대응되는 빈도(즉, 샘플링 시간의 시간 간격)은 일치하지 않을 가능성이 존재한다. 이로 인해 트레이닝 결과가 정확하지 않는 기술적 문제를 초래하게 된다. 그러나 본 출원에서 제공하는 빈도에 따라 리샘플링을 확정하고, 선형 보간 샘플링 방법을 통해 기정의 시간 간격으로 리샘플링을 진행하는 것을 통해, 리샘플링된 궤적 데이터의 정확성 및 일치성을 확보할 수 있다.
일부의 실시예에 있어서, 선형 보간 샘플링 방법을 통해 기정의 시간 간격으로 리샘플링을 진행하는 것은, 인접한 2개의 샘플링 포인트의 공간 특징 및 시간 특징에 따라 해당 인접한 2개의 샘플링 포인트 사이에 적어도 하나의 샘플링 포인트를 삽입하는 것이다.
일부의 실시예에 있어서, 단계(S1) 이후 및 단계(S2) 이전에, 궤적 데이터에 대해 평활화 처리를 진행하는 단계(S1-2)를 더 포함한다.
구체적으로, 칼만 필터(KalmanFilter) 평활화 방법을 통해 구현할 수 있다.
궤적 데이터에 대해 평활화 처리를 진행함으로써, 센서 등 장비의 오차로 인해 초래되는 획득한 궤적 데이터의 오차를 제거하고, 획득한 궤적 데이터에 대해 노이즈 제거를 진행하여, 오차를 감소시키는 기술적 효과를 실현할 수 있다.
여기서, 단계(S1-2)와 단계(S12) 내지 단계(S14)는 독립적인 단계이다. 즉, 일부의 실시예에 있어서, 평활화 처리를 진행하는 단계만 포함할 수 있다. 일부의 실시예에 있어서, 궤적 데이터에 대해 리샘플링을 진행하는 단계만을 포함할 수 있다. 궤적 데이터의 정확성 및 일치성을 확보하기 위하여, 일부의 실시예에 있어서, 동시에 평활화 처리를 진행하는 단계와 궤적 데이터에 대해 리샘플링을 진행하는 단계를 포함할 수도 있다.
동시에 평활화 처리를 진행하는 단계와 궤적 데이터에 대해 리샘플링을 진행하는 단계를 포함하는 실시예일 경우, 궤적 데이터를 처리하는 고 효율성을 확보하기에 편리하도록, 바람직하게, 먼저 궤적 데이터에 대해 리샘플링을 진행하는 단계를 수행하고, 이어서, 평활화 처리를 진행하는 단계를 수행한다.
단계(S3)에서, 궤적 특징에 대해 트레이닝을 진행하여, 궤적 분류 모델을 획득한다.
여기서, 트레이닝 과정은 예컨대, 네트워크 신경 모델을 통해 궤적 특징에 대해 트레이닝을 진행하는 것과 같은 기존의 기술 중의 방식을 이용할 수 있다. 여기서 이에 대한 한정을 진행하지 않는다.
도3을 결부하면 알 수 있듯이, 단계(S3)은 아래와 같은 단계들을 포함한다.
단계(S31)에서, 궤적 데이터를 트레이닝 데이터와 검증 데이터로 분할한다.
해당 단계에 있어서, 궤적 데이터를 2개의 부분으로 분할하되, 일부의 궤적 데이터는 트레이닝 데이터이고, 다른 일 부의 궤적 데이터는 검증 데이터이다.
예컨대, 궤적 데이터로부터 80%의 궤적 데이터를 트레이닝 데이터로서 임의로 선택하고, 나머지 20%의 궤적 데이터를 검증 데이터로서 이용한다.
단계(S32)에서, 트레이닝 데이터에 대응되는 제1 궤적 특징을 추출한다.
단계(S33)에서, 기계 학습 모델에 따라 제1 궤적 특징에 대해 트레이닝을 진행하여, 초기 궤적 분류 모델을 획득한다.
여기서, 기계 학습 모델은 파이썬(Python)의 sklearn 기계 학습 모델이다. 그의 내부에는 통합 학습을 위한 그라디언트 부스트 결정 트리(Gradient Boost Decision Tree, GBDT)가 설치된다.
구체적으로, 제1 궤적 특징을 sklearn 기계 학습 모델의 입력으로서 이용하고, 제1 궤적 특징과의 카테고리를 sklearn 기계 학습 모델의 결과의 라벨로 이용하여, 초기 궤적 분류 모델을 트레이닝하여 획득한다.
단계(S34)에서, 검증 데이터에 대응되는 제2 궤적 특징을 추출한다.
단계(S35)에서, 초기 궤적 분류 모델 및 제2 궤적 특징에 따라 궤적 분류 모델을 확정한다.
해당 단계에 있어서, 제2 궤적 특징에 따라 촉수 궤적 분류 모델에 대해 수정을 진행하여, 궤적 분류 모델을 획득한다.
본 실시예에 있어서, 트레이닝 데이터를 이용하여 트레이닝을 진행하여, 초기 궤적 분류 모델을 획득하고, 검증 데이터를 이용하여 초기 궤적 분류 모델에 대해 검증을 진행하여, 궤적 분류 모델을 획득하는 방안은, 궤적 분류 모델의 유효성 및 정확성을 확보할 수 있다.
일부의 실시예에 있어서, 단계(S35)는 아래와 같은 단계들을 포함한다.
단계(S351)에서, 제2 궤적 특징을 초기 궤적 분류 모델로 입력하여, 궤적 분류 결과를 획득한다.
단계(S352)에서, 궤적 분류 결과와 기정의 분류 결과의 차이값이 기정의 역치값보다 큰 것에 응답하여, 기계 학습 모델의 파라미터에 대해 조정을 진행하고, 조정된 기계 학습 모델에 따라 제1 궤적 특징에 대해 트레이닝을 진행한다.
기계 학습 모델의 파라미터는, 트리 깊이, 수량, 리프의 최대 노드 수량 등을 포함한다. 궤적 분류 결과와 기정의 분류 결과의 차이값이 기정의 역치값보다 클 경우, 초기 궤적 분류 모델의 정확도가 상대적으로 낮은 것을 설명하고, 이러할 경우, 조정된 기계 학습 모델을 기반으로 제1 궤적 특징에 대해 트레이닝을 진행하기에 편리하도록, 궤적 분류 결과와 기정의 분류 결과의 차이값이 역치값보다 작거나 동일할 때까지, 트리 깊이, 수량, 리프의 최대 노드 수량 등 중의 적어도 하나의 파라미터에 대해 조정을 진행한다.
도4를 결부하면 알 수 있듯이, 일부의 실시예에 있어서, 해당 방법은, 궤적 분류 모델을 통해, 분류하고자는 궤적 데이터에 대해 분류를 진행하는 단계(S4)를 더 포함한다.
예컨대, 분류하고자는 궤적 데이터를 궤적 분류 모델에 입력하고, 궤적 분류 모델의 출력 결과에 따라 분류하고자는 궤적 데이터의 유형, 즉, 이동 대상물의 유형을 확정할 수 있다.
본 개시의 실시예의 다른 일 양태에 의하면, 본 개시의 실시예는 궤적 분류 모델의 트레이닝 장치를 더 제공한다.
도5를 참조하면, 도5는 본 개시의 실시예에 따른 궤적 분류 모델의 트레이닝 장치의 개략도이다.
도5에 도시된 바와 같이, 해당 장치는,
궤적 데이터를 획득하기 위한 획득 모듈(1)과, 궤적 데이터의 시간 특징 및 공간 특징에 따라 곡률 및/또는 회전각을 포함하는 궤적 데이터의 궤적 특징을 산출하기 위한 산출 모듈(2)과, 궤적 특징에 대해 트레이닝을 진행하여, 궤적 분류 모델을 획득하기 위한 트레이닝 모듈(3)을 포함한다.
도6을 결부하면 알 수 있듯이, 일부의 실시예에 있어서, 해당 장치는, 궤적 데이터에 대해 전처리를 진행하기 위한 전처리 모듈(4)을 더 포함한다.
전처리는, 적어도 하나의 조건을 만족하는 궤적 데이터를 제거하여, 전처리된 궤적 데이터를 획득하는 것을 포함하고, 적어도 하나의 조건은, 시간 특징이 동일하나 공간 특징이 상이한 조건, 및 공간 특징이 기정의 구역 범위를 초과하는 궤적 데이터의 수량이 기정의 비례값보다 작은 조건을 포함한다.
산출 모듈(2)은 구체적으로, 전처리된 궤적 데이터의 시간 특징 및 공간 특징에 따라 궤적 특징을 산출하도록 구성된다.
일부의 실시예에 있어서, 산출 모듈(2)은, 궤적 데이터의 시간 특징에 따라 궤적 데이터의 샘플링 시간의 시간 간격을 산출하고, 각 시간 간격이 모두 동일함에 응답하여, 산출 모듈(2)을 통해 궤적 데이터의 시간 특징 및 공간 특징에 따라 궤적 데이터의 궤적 특징을 산출하는 것을 수행하도록 더 구성된다.
도7을 결부하면 알 수 있듯이, 일부의 실시예에 있어서, 해당 장치는,
적어도 하나의 시간 간격이 상이함에 응답하여, 선형 보간 샘플링 방법에 따라 기정의 시간 간격으로 리샘플링을 진행하여, 리샘플링된 궤적 데이터를 획득하기 위한 리샘플링 모듈(5)을 더 포함한다.
산출 모듈(2)은 구체적으로, 리샘플링된 궤적 데이터의 시간 특징 및 공간 특징에 따라 궤적 특징을 산출하도록 구성된다.
일부의 실시예에 있어서, 트레이닝 모듈(3)은 구체적으로, 궤적 데이터를 트레이닝 데이터와 검증 데이터로 분할하고, 트레이닝 데이터에 대응되는 제1 궤적 특징을 추출하고, 기계 학습 모델에 따라 제1 궤적 특징에 대해 트레이닝을 진행하여, 초기 궤적 분류 모델을 획득하고, 검증 데이터에 대응되는 제2 궤적 특징을 추출하고, 초기 궤적 분류 모델 및 제2 궤적 특징에 따라 궤적 분류 모델을 확정하도록 구성된다.
일부의 실시예에 있어서, 트레이닝 모듈(3)은 구체적으로, 제2 궤적 특징을 초기 궤적 분류 모델로 입력하여, 궤적 분류 결과를 획득하고, 궤적 분류 결과와 기정의 분류 결과의 차이값이 기정의 역치값보다 큰 것에 응답하여, 기계 학습 모델의 파라미터에 대해 조정을 진행하고, 조정된 기계 학습 모델에 따라 제1 궤적 특징에 대해 트레이닝을 진행하도록 구성된다.
일부의 실시예에 있어서, 궤적 특징은, 속도, 가속도, 속도 변화의 최대값, 속도 변화의 최소값, 속도 변화의 평균값, 속도 변화의 중앙값 및 속도 변화의 평방 편차 중의 하나 또는 다수를 더 포함한다.
앞서 개시한 방법 중의 전부 또는 일부의 단계, 시스템, 장치 중의 기능 모듈/유닛은 소프트웨어, 펌웨어, 하드웨어 및 이들의 합당한 조합으로 실시될 수 있음을 당해 기술 분야에서 통상의 지식을 가진 자는 이해할 수 있을 것이다. 하드웨어 구현에 있어서, 앞서 설명에서 언급한 기능 모듈/유닛 사이의 구획은 물리적 구성 요소의 구획에 반드시 대응되는 것이 아니며, 예를 들어, 하나의 물리적 구성 요소는 다수의 기능을 구비할 수 있으며, 또는 하나의 기능 또는 단계는 열ㅓ개의 물리적 구성요소의 협력으로 수행될 수 있다. 일부의 물리적 구성 요소 또는 모든 물리적 구성 요소는 예컨대, 중앙 프로세서, 디지털 신호 프로세서 또는 마이크로 프로세서와 같은 프로세서로 수행되는 소프트웨어로 실시되거나 하드웨어로 실시될 수 있으며, 또는 예컨대 응용 주문형 집적 회로와 같은 집적회로로 실시될 수 있다. 이러한 소프트웨어는 컴퓨터 판독 가능한 매체 상에 분포될 수 있으며, 컴퓨터 판독 가능한 매체는 컴퓨터 저장 매체(또는 비 일시적 매체) 및 통신 매체(또는 일시적 매체)를 포함할 수 있다. 당해 기술 분야에서 통상의 지식을 가진 자에게 알려진 바와 같이, 용어 컴퓨터 저장 매체는 정보(예컨대, 판독 가능한 명령, 데이터 구조, 프로그램 모듈 또는 기타의 데이터)를 저장하기 위한 임의의 방법 또는 기술에서 실시된 휘발성 및 비 휘발성, 삭제 가능 및 삭제 불능의 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타의 저장 장치 기술, CD-ROM, 디지털 다기능 디스크(DVD) 또는 기타의 디스크 저장 장치, 카세트, 테이프, 자기 디스크 저장 장치 또는 기타의 자기 저장 장치, 또는 원하는 정보를 저장 가능하고 컴퓨터에 의해 액세스 가능한 임의의 기타의 매체를 포함하나, 이에 한정되지 않는다. 또한, 당해 기술 분야에서 통상의 지식을 가진 자에게 알려진 바와 같이, 통신 매체는 통상적으로 컴퓨터 판독 가능한 명령, 데이터 구조, 프로그램 모듈 또는 반송파 또는 기타의 전송 메커니즘과 같은 변조 데이터 신호 중의 기타의 데이터를 포함하고, 임의의 정보 전달 매체를 포함할 수 있다.
예시적 실시예는 이미 본원에 개시되고, 구체적인 용어가 이용되었으나, 이러한 용어는 단지 일반적인 함의로 이용되고 해석되어야 하며, 한정적인 목적으로 이용되지 않는다. 일부의 실시예에 있어서, 명확히 다르게 지정하지 않는 한, 특정된 실시예에 결부하여 설명한 특징, 특성 및/또는 요소는 단독으로 이용될 수 있으며, 또는 기타의 실시예에 결부하여 설명한 특징, 특성 및/또는 요소와 조합되어 이용될 수 있음을 당해 기술 분야의 당업자는 자명할 것이다. 따라서, 첨부된 특허 청구 범위에 기재된 본 개시의 범위를 벗어나지 않는 한, 형식 및 세부 사항 상에서 각종의 변형을 진행 할 수 있음을 당해 기술 분야의 당업자는 이해할 것이다.
Claims (15)
- 컴퓨터로 구현되는 궤적 분류 모델의 트레이닝 장치에 의해 각 단계가 수행되는 궤적 분류 모델의 트레이닝 방법에 있어서,
궤적 데이터를 획득하는 단계와,
상기 궤적 데이터의 시간 특징 및 공간 특징에 따라, 곡률 및/또는 회전각을 포함하는 상기 궤적 데이터의 궤적 특징을 산출하는 단계와,
상기 궤적 특징에 대해 트레이닝을 진행하여, 궤적 분류 모델을 획득하는 단계를 포함하고,
상기 궤적 데이터를 획득하는 단계 이후에,
상기 궤적 데이터에 대해 전처리를 진행하는 단계를 더 포함하되,
상기 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 데이터의 궤적 특징을 산출하는 단계는,
전처리된 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 특징을 산출하는 단계를 포함하고,
상기 전처리는, 적어도 하나의 조건을 만족하는 상기 궤적 데이터를 제거하여, 상기 전처리된 궤적 데이터를 획득하는 것을 포함하며,
상기 적어도 하나의 조건은,
시간 특징이 동일하나 공간 특징이 상이한 조건, 및
공간 특징이 기정의 구역 범위를 초과하는 궤적 데이터의 수량이 기정의 비례값보다 작은 조건을 포함하는 궤적 분류 모델의 트레이닝 방법. - 삭제
- 제1항에 있어서,
상기 궤적 데이터의 시간 특징에 따라 상기 궤적 데이터의 샘플링 시간의 시간 간격을 산출하는 단계와,
각 시간 간격이 모두 동일함에 응답하여, 상기 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 데이터의 궤적 특징을 산출하는 것을 수행하는 단계를 더 포함하는 것을 특징으로 하는 궤적 분류 모델의 트레이닝 방법. - 제3항에 있어서,
적어도 하나의 시간 간격이 상이함에 응답하여, 선형 보간 샘플링 방법에 따라 기정의 시간 간격으로 리샘플링을 진행하여, 리샘플링된 궤적 데이터를 획득하는 단계를 더 포함하되,
상기 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 데이터의 궤적 특징을 산출하는 단계는,
상기 리샘플링된 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 특징을 산출하는 단계를 포함하는 것을 특징으로 하는 궤적 분류 모델의 트레이닝 방법. - 제1항, 제3항 및 제4항 중의 임의의 한 항에 있어서,
상기 궤적 특징에 대해 트레이닝을 진행하여, 궤적 분류 모델을 획득하는 단계는,
상기 궤적 데이터를 트레이닝 데이터와 검증 데이터로 분할하는 단계와,
상기 트레이닝 데이터에 대응되는 제1 궤적 특징을 추출하는 단계와,
기계 학습 모델에 따라 상기 제1 궤적 특징에 대해 트레이닝을 진행하여, 초기 궤적 분류 모델을 획득하는 단계와,
상기 검증 데이터에 대응되는 제2 궤적 특징을 추출하는 단계와,
상기 초기 궤적 분류 모델 및 상기 제2 궤적 특징에 따라 상기 궤적 분류 모델을 확정하는 단계를 포함하는 것을 특징으로 하는 궤적 분류 모델의 트레이닝 방법. - 제5항에 있어서,
상기 초기 궤적 분류 모델 및 상기 제2 궤적 특징에 따라 상기 궤적 분류 모델을 확정하는 단계는,
상기 제2 궤적 특징을 상기 초기 궤적 분류 모델에 입력하여, 궤적 분류 결과를 획득하는 단계와,
상기 궤적 분류 결과와 기정의 분류 결과의 차이값이 기정의 역치값보다 큰 것에 응답하여, 상기 기계 학습 모델의 파라미터에 대해 조정을 진행하고, 조정된 기계 학습 모델에 따라 상기 제1 궤적 특징에 대해 트레이닝을 진행하는 단계를 포함하는 것을 특징으로 하는 궤적 분류 모델의 트레이닝 방법. - 제1항, 제3항 및 제4항 중의 임의의 한 항에 있어서,
상기 궤적 특징은,
속도, 가속도, 속도 변화의 최대값, 속도 변화의 최소값, 속도 변화의 평균값, 속도 변화의 중앙값 및 속도 변화의 평방 편차 중의 적어도 하나를 더 포함하는 것을 특징으로 하는 궤적 분류 모델의 트레이닝 방법. - 궤적 분류 모델의 트레이닝 장치에 있어서,
궤적 데이터를 획득하기 위한 획득 모듈과,
상기 궤적 데이터의 시간 특징 및 공간 특징에 따라, 곡률 및/또는 회전각을 포함하는 상기 궤적 데이터의 궤적 특징을 산출하기 위한 산출 모듈과,
상기 궤적 특징에 대해 트레이닝을 진행하여, 궤적 분류 모델을 획득하기 위한 트레이닝 모듈을 포함하고,
상기 장치는 상기 궤적 데이터에 대해 전처리를 진행하기 위한 전처리 모듈을 더 포함하되,
상기 산출 모듈은 구체적으로, 전처리된 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 특징을 산출하도록 구성되고,
상기 전처리는, 적어도 하나의 조건을 만족하는 상기 궤적 데이터를 제거하여, 상기 전처리된 궤적 데이터를 획득하는 것을 포함하되,
상기 적어도 하나의 조건은,
시간 특징이 동일하나 공간 특징이 상이한 조건, 및
공간 특징이 기정의 구역 범위를 초과하는 궤적 데이터의 수량이 기정의 비례값보다 작은 조건을 포함하는 궤적 분류 모델의 트레이닝 장치. - 삭제
- 제8항에 있어서,
상기 산출 모듈은,
상기 궤적 데이터의 시간 특징에 따라 상기 궤적 데이터의 샘플링 시간의 시간 간격을 산출하고,
각 시간 간격이 모두 동일함에 응답하여, 상기 산출 모듈에 의해 상기 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 데이터의 궤적 특징을 산출하는 것을 수행하도록 더 구성되는 것을 특징으로 하는 궤적 분류 모델의 트레이닝 장치. - 제8항에 있어서,
적어도 하나의 시간 간격이 상이함에 응답하여, 선형 보간 샘플링 방법에 따라 기정의 시간 간격으로 리샘플링을 진행하여, 리샘플링된 궤적 데이터를 획득하기 위한 리샘플링 모듈을 더 포함하되,
상기 산출 모듈은 구체적으로, 상기 리샘플링된 궤적 데이터의 시간 특징 및 공간 특징에 따라 상기 궤적 특징을 산출하도록 구성되는 것을 특징으로 하는 궤적 분류 모델의 트레이닝 장치. - 제8항, 제10항 및 제11항 중의 임의의 한 항에 있어서,
상기 트레이닝 모듈은 구체적으로,
상기 궤적 데이터를 트레이닝 데이터와 검증 데이터로 분할하고,
상기 트레이닝 데이터에 대응되는 제1 궤적 특징을 추출하고,
기계 학습 모델에 따라 상기 제1 궤적 특징에 대해 트레이닝을 진행하여, 초기 궤적 분류 모델을 획득하고,
상기 검증 데이터에 대응되는 제2 궤적 특징을 추출하고,
상기 초기 궤적 분류 모델 및 상기 제2 궤적 특징에 따라 상기 궤적 분류 모델을 확정하도록 구성되는 것을 특징으로 하는 궤적 분류 모델의 트레이닝 장치. - 제12항에 있어서,
상기 트레이닝 모듈은 구체적으로,
상기 제2 궤적 특징을 상기 초기 궤적 분류 모델에 입력하여, 궤적 분류 결과를 획득하고,
상기 궤적 분류 결과와 기정의 분류 결과의 차이값이 기정의 역치값보다 큰 것에 응답하여, 상기 기계 학습 모델의 파라미터에 대해 조정을 진행하고, 조정된 기계 학습 모델에 따라 상기 제1 궤적 특징에 대해 트레이닝을 진행하도록 구성되는 것을 특징으로 하는 궤적 분류 모델의 트레이닝 장치. - 하나 또는 다수의 프로세서와,
하나 또는 다수의 프로그램이 저장된 저장 장치를 포함하는 전자 기기에 있어서,
상기 하나 또는 다수의 프로그램이 상기 하나 또는 다수의 프로세서에 의해 실행될 경우, 상기 하나 또는 다수의 프로세서에 의해 제1항, 제3항 및 제4항 중의 임의의 한 항의 방법을 구현하도록 하는 전자 기기. - 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 저장 매체에 있어서,
상기 프로그램이 프로세서에 의해 실행될 경우, 제1항, 제3항 및 제4항 중의 임의의 한 항의 방법이 구현되는 컴퓨터 판독 가능한 저장 매체.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| 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 |
| CN201910315099.7 | 2019-04-18 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200122987A KR20200122987A (ko) | 2020-10-28 |
| KR102350711B1 true KR102350711B1 (ko) | 2022-01-13 |
Family
ID=67026194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200003545A KR102350711B1 (ko) | 2019-04-18 | 2020-01-10 | 궤적 분류 모델의 트레이닝 방법 및 장치, 및 전자 기기 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11599825B2 (ko) |
| JP (1) | JP7038151B2 (ko) |
| KR (1) | KR102350711B1 (ko) |
| CN (1) | CN109961106B (ko) |
Families Citing this family (9)
| 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 |
| 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 |
| CN112699942A (zh) * | 2020-12-30 | 2021-04-23 | 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 |
| 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 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106314438A (zh) * | 2016-08-15 | 2017-01-11 | 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 |
Family Cites Families (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100474878C (zh) | 2005-09-09 | 2009-04-01 | 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 |
| 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 |
| 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 |
| WO2018232680A1 (en) * | 2017-06-22 | 2018-12-27 | Baidu.Com Times Technology (Beijing) Co., Ltd. | EVALUATION FRAME FOR PREDICTED TRAJECTORIES IN A SELF-CONTAINING VEHICLE TRAFFIC PREDICTION |
| 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 |
| CN107705183B (zh) | 2017-09-30 | 2021-04-27 | 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 |
| 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 |
| 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 |
| KR102123180B1 (ko) | 2019-02-01 | 2020-06-16 | (주)타마스 | 중공축을 갖는 모터 |
-
2019
- 2019-04-18 CN CN201910315099.7A patent/CN109961106B/zh active Active
- 2019-12-11 US US16/710,068 patent/US11599825B2/en active Active
-
2020
- 2020-01-10 JP JP2020002744A patent/JP7038151B2/ja active Active
- 2020-01-10 KR KR1020200003545A patent/KR102350711B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106314438A (zh) * | 2016-08-15 | 2017-01-11 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11599825B2 (en) | 2023-03-07 |
| KR20200122987A (ko) | 2020-10-28 |
| JP2020177645A (ja) | 2020-10-29 |
| CN109961106B (zh) | 2022-03-18 |
| JP7038151B2 (ja) | 2022-03-17 |
| US20200334571A1 (en) | 2020-10-22 |
| CN109961106A (zh) | 2019-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102350711B1 (ko) | 궤적 분류 모델의 트레이닝 방법 및 장치, 및 전자 기기 | |
| CN110287276B (zh) | 高精地图更新方法、装置及存储介质 | |
| KR102189262B1 (ko) | 엣지 컴퓨팅을 이용한 교통 정보 수집 장치 및 방법 | |
| Grassi et al. | Parkmaster: An in-vehicle, edge-based video analytics service for detecting open parking spaces in urban environments | |
| CN105488498B (zh) | 一种基于激光点云的车道边线自动提取方法及系统 | |
| CN112567374A (zh) | 一种仿真交通场景文件生成方法及装置 | |
| CN106657779A (zh) | 环绕拍摄方法、装置及无人机 | |
| CN109871745A (zh) | 识别空车位的方法、系统及车辆 | |
| EP4020428A1 (en) | Method and apparatus for recognizing lane, and computing device | |
| CN112630799B (zh) | 用于输出信息的方法和装置 | |
| CN112633255B (zh) | 目标检测方法、装置及设备 | |
| CN107730880A (zh) | 一种基于无人飞行器的拥堵监测方法和无人飞行器 | |
| CN109781163A (zh) | 标定参数有效性检验方法、装置、设备及存储介质 | |
| 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 | |
| CN113850237B (zh) | 基于视频和轨迹数据的网联车目标检测评价方法及系统 | |
| KR102423784B1 (ko) | 교통 데이터 보정장치 및 방법 | |
| JP6087218B2 (ja) | 画像解析装置 | |
| CN110019608B (zh) | 一种信息采集方法、装置和系统及存储设备 | |
| JP2019192201A (ja) | 自律走行のための学習対象イメージ抽出装置及び方法 | |
| CN110969875B (zh) | 一种用于道路交叉口交通管理的方法及系统 | |
| CN111372051A (zh) | 多相机联动盲区检测方法、装置和电子设备 | |
| KR20210055940A (ko) | 유동인구 및 교통량 모니터링 시스템 및 방법 | |
| CN112818847A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
| Lecornu et al. | Reliability evaluation of incomplete AIS trajectories | |
| CN114710228B (zh) | 一种时间的同步方法、装置、存储介质及电子装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |