CN106877875A - 一种基于阈值结合算法的车辆运行轨迹压缩方法 - Google Patents
一种基于阈值结合算法的车辆运行轨迹压缩方法 Download PDFInfo
- Publication number
- CN106877875A CN106877875A CN201710045479.4A CN201710045479A CN106877875A CN 106877875 A CN106877875 A CN 106877875A CN 201710045479 A CN201710045479 A CN 201710045479A CN 106877875 A CN106877875 A CN 106877875A
- Authority
- CN
- China
- Prior art keywords
- track
- point
- threshold
- threshold value
- compression
- 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
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明涉及智能交通数据处理技术领域,特别公开了一种基于阈值结合算法的车辆运行轨迹压缩方法。该轨迹压缩方法,其特征在于:根据车辆运动行驶状态下的GPS定位***记录的轨迹点数据信息,提取出每个轨迹点的位置信息、速度信息和方向信息;通过设定的角度阈值和速度阈值加权结合建立阈值结合模型;选择数据库中轨迹点扫描,将不满足阈值条件的点删除,将满足阈值条件的点储存并形成新的轨迹点集序列;根据新的轨迹点集序列生成新的车辆运动轨迹;并计算轨迹压缩率,计算出压缩前后的轨迹的绝对差异度。本发明压缩数据快,可靠性高,实用性强,可在准确反应车辆运动趋势和轨迹信息的前提下压缩轨迹,具有很大的实际应用价值。
Description
技术领域
本发明涉及智能交通数据处理技术领域,特别涉及一种基于阈值结合算法的车辆运行轨迹压缩方法。
背景技术
移动对象的运动轨迹信息对于研究物体的运动有着重要的理论和应用价值。随着经济的发展与科技的进步,移动设备和全球定位***(Global Positioning System ,GPS)的成熟与大众化普及应用,以时间、地理位置、速度、方向等移动轨迹特征为基础的轨迹数据的采集及存储成高速增长状态。如何对GPS数据进行压缩与处理,消除冗余信息,成为当下研究的一个热点。
David Douglas和Thomas Peucker于1973年提出了经典的Douglas-peucker算法,该算法通过迭代测算信息损失量(在GPS轨迹数据压缩中使用的点是轨迹点的偏移量)后择优删除冗余点;该算法被提出后,很多学者对它进行了改进:为了提高时间效率,John Her-shberger等以及P.K.Agarwal等对DP算法进行了改进,进而大大减少了时间复杂度。Keogh等提出了开放窗口(Opening Window,OPW)算法,该算法也是利用迭代测算信息损失量对轨迹进行简化,但不是针对整条轨迹信息进行迭代,而是借助“窗口”的概念,令“窗口”包含轨迹中的一部分点,迭代只在这个“窗口”中进行,然后不停地更新“窗口”中的轨迹信息,直到简化完成整条轨迹,这种算法可以进行同步在线压缩。滑动窗口(Sliding Window,SW)算法与开放窗口(Opening Window,OPW)算法类似,其主要思想是从轨迹起点开始,初始化一个大小为1的滑动窗口,并逐步扩大窗口,从而加入后续的轨迹点。把窗口内的第一个轨迹点和最后一个轨迹点进行连接,得到的线段作为近似线段。计算近似线段与原始轨迹的垂直欧氏距离,若距离小于预先设定的距离阈值,则继续增大滑动窗口,直到窗口内的误差小于设定的距离阈值。但是滑动窗口算法的缺点在于没有考虑GPS轨迹信息中的时间信息。针对这一情况,Meratnia等提出了上下时间比(Top-Down Time Ratio)算法。这种算法使用同步欧氏距离(SED)代替垂直距离,从而考虑到了GPS轨迹信息中的时间信息。Schmid等人提出使用路网语义信息的形式代替轨迹点储存压缩轨迹。利用路网中的路段信息加上移动对象在路段的进入和离开时间信息表示压缩轨迹,大大减小了压缩轨迹的数据储存量。
阈值结合算法(Thresholds Algorighm,TA)是Potamias等提出的另一类算法,这种算法利用移动物体在当前轨迹点的速度、方向以及规定的阈值预测下一个点的可能区域,利用位置的预测结果来判定点的删除和保留。该算法用了速度及方向作为删除冗余点的质保,充分考虑了轨迹运动的状态,但是预测下一个点的可能区域,带有一定的不确定性,会造成删除的点较多;虽然压缩率较高,但是压缩前后轨迹的趋势和内部特征之间的相似性降低。
发明内容
本发明为了弥补现有技术的不足,提供了一种压缩数据快、可靠性高、实用性强的基于阈值结合算法的车辆运行轨迹压缩方法。
本发明是通过如下技术方案实现的:
一种基于阈值结合算法的车辆运行轨迹压缩方法,包括如下步骤:
(1)根据车辆运动行驶状态下的GPS定位***记录的轨迹点数据信息,提取出每个轨迹点的位置信息、速度信息和方向信息;
(2)通过设定的角度阈值和速度阈值的加权,建立阈值结合模型;
(3)选择数据库中某轨迹的第一轨迹点开始扫描,并依次向后扫描直到轨迹结束,将不满足阈值条件的点删除,将满足阈值条件的点储存并形成新的轨迹点集序列;
(4)根据上述形成的轨迹点集序列生成新的车辆运动轨迹;
(5)计算轨迹压缩率并运用位置信息计算出压缩前后的轨迹绝对差异度。
本发明将移动车辆的速度方向(角度)阈值与速度阈值相结合,构造新的指标,即二者的加权组合,通过阈值寻找关键点(满足阈值条件的点),并通过抽样统计,确定最优的阈值,进而实现去除车辆轨迹中的冗余信息,得到能够准确表示出车辆运动轨迹特征的压缩轨迹。
本发明的更优技术方案为:
步骤(1)中,速度信息和方向信息分别用ν、θ来表示,数据r的位置信息分别用经度x、纬度y标示,作为阈值结合模型的建立基础。
步骤(2)中,设定角度阈值、速度阈值以及角度阈值权重α1、速度阈值权重α2;运用、、α1、α2建立阈值结合模型:
表示第条轨迹相邻两点与的速度改变值的绝对值;
表示第条轨迹相邻两点与的角度改变值的绝对值。
骤(3)中,运用ν、θ及权重系数α1、α2构建出速度、角度加权结合阈值为;
令,如果,则删除点,如果则保留点。
步骤(5)中,运用相对差异度来表示原轨迹和压缩后轨迹的差异度,其中,,和分别表示原轨迹和压缩后的轨迹与横轴所形成的面积。
本发明压缩数据快,可靠性高,实用性强,可在准确反应车辆运动趋势和轨迹信息的前提下压缩轨迹,具有很大的实际应用价值。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明平均压缩率随角度阈值的变化趋势示意图;
图2为本发明“669148”车不同角度阈值下压缩前后轨迹图;
图3为本发明“669148”车在不同角度和速度阈值下压缩前后轨迹图;
图4为本发明压缩率随角度阈值和速度阈值变化的趋势图;
图5为本发明压缩前后轨迹之间差异度示意图。
具体实施方式
本发明直接利用速度和角度,构造新的指标,即二者的加权组合,通过阈值寻找关键点,并通过抽样统计,寻找最优的阈值。
实施例1:基于角度的压缩算法
设有n条出租车轨迹,令xi表示第i(i=1,···,n)条轨迹,每条轨迹有mi个点构成。通过GPS定位***,每个轨迹点有时间信息、位置信息、速度信息、速度方向信息。令表示第i条轨迹的第j个点,j=1,···,m,其中,中的5个分量分别表示第i条轨迹中第j个点的时刻、经度、纬度、速度及速度方向。
由于每条轨迹采集的数据点个数较多,对数据的存储和运行速度有很大的影响;因此在不丢失原轨迹的基本特征的前提下,可以对轨迹进行压缩,即寻找关键点,去除冗余数据。为了减小数据量,需要寻找数据点保留或去除的指标。从直观上来看,当一个轨迹点的运动速度方向改变较大时,说明车辆在行驶过程中,由于道路变更或突遇偶然状况,从而改变了原运行轨迹。因此本文首先考虑以速度方向,即角度做为筛选数据点的指标。
设为角度阈值,表示第i条轨迹相邻两点与的速度方向改变值的绝对值。
若,则删除;
若,则保留。
按照该原则,从一条轨迹的第一个点,逐次向后检验,得到一条压缩轨迹。为了体现压缩效果,定义压缩率:,其中表示第i条轨迹在角度阈值为时的压缩率,、分别表示第i条轨迹压缩率前后的轨迹点的个数。
本发明分别取=5,10,15,20做为角度阈值。以北京市2000辆出租车近一个月运行轨迹进行验证,发现平均压缩率随着的增大而增大,附图1 描绘了2000条轨迹的平均压缩率随的变化趋势。
从图1中看出,平均压缩率已超过45%,大大提高了时间效率。但是由于只考虑了角度信息,一些带有重要特征信息的点被删除了,导致原轨迹的运动趋势发生了变化,以车号“669148”的出租车轨迹为例,展示了在不同角度阈值下压缩前后轨迹的变化,见附图2。
图2中四张图为角度阈值分别取5,10,15,20时出租车轨迹压缩前后的对照图,点数据较多的轨迹为原轨迹,另一条为压缩后的轨迹。从图中可以看出四种情况下点A和点B之间的运动趋势在压缩前后均发生了较大的变化。主要原因是A点和B点之间的轨迹点都被删除了。为了避免出现这种情况,只能适当降低压缩率。从图2中看出,仅考虑变化角度阈值是不够的,因此需要增加新的指标,重新考虑关键点的选取。由于轨迹点的信息中有不同时刻的速度,速度改变值的大小反映了路况是否顺畅和拥堵,它揭示了轨迹内部的特征。但若单独以速度做为指标,势必出现与角度阈值控制关键点的情况,即可以保证较高的压缩率,但会丢失一些反映轨迹趋势的点,从而无法完全展现轨迹的特征。基于以上原因本文用角度和速度两个指标,同时控制轨迹关键点的选取。
实施例2:基于角度、速度“与”关系的压缩算法
设为速度阈值,表示第i条轨迹相邻两点与的速度改变值的绝对值。我们将同时满足角度阈值和速度阈值限制的点去掉,即:
若和则删除;
否则,保留。
按照该原则,从一条轨迹的第一个点,逐次向后检验。得到一条压缩轨迹。在不致引起混淆的情况下,压缩后的轨迹仍记作,同时定义压缩率,定义同前,为在角度和速度阈值同时控制下,压缩后轨迹点的个数。
本发明分别取=5,10,15,20,25做为角度阈值,=5,10,15,20,25,30做为速度阈值,得到30种组合。
从附图3中可以看出,该方法下,不论哪种情况,A点和B点压缩前后的轨迹趋势被很好地保存下来。最后一张带网格的图形是=25和=30时轨迹压缩前后的轨迹,被圈住的两点分别是图2中的A点和B点,可以比较直观地看出,即使在较大的阈值下,A点和B点的运动趋势也被很好地保留下来。
但是该算法的压缩率较低。附图4描绘的是2000条出租车轨迹的平均压缩率同时随角度、速度阈值变化趋势图,从图中可以看出,压缩率最高值在50%左右,最低值仅在20%左右,这是因为我们过分地看中了轨迹特征的保留,对数据点的要求过于严格,同时满足速度和角度阈值的点较少,从而造成了轨迹形状相似度较高,但压缩率较低的情况。
实施例3:基于运动状态改变下的轨迹数据压缩算法
为了使压缩率尽量高,同时压缩前后的重要信息不被删除,本发明构造了一个新的指标,即速度和角度的加权阈值,记作。
令,α1和α2分别为和的权重。
若,则删除;
否则,保留。
按照该原则,从一条轨迹的第一个点,逐次向后检验,得到一条压缩轨迹。在不致引起混淆的情况下,压缩后的轨迹仍记作,同时定义压缩率,定义同前,是在速度和角度的加权阈值控制下,压缩后轨迹点的个数。
轨迹的压缩既要考虑效率,又要保证压缩前后两条轨迹尽量相似。
为了反映压缩前后两条轨迹的相似性,定义两条曲线的差异度指标,用Di表示第i条轨迹压缩前后的绝对差异度。由于我们关心的是压缩前后运动趋势是否发生变化,因此若去除冗余点,留下的关键点形成的轨迹与原轨迹之间所夹部分的面积(如附图5所示,阴影部分的面积)之和不会太大。
图5中,实线为原轨迹数据点连接折线,虚线为压缩后剩余轨迹点连接折线。若关键点选取得当,应该使得各个阴影部分面积之和尽量小。基于以上考虑,定义,其中和表示原轨迹和压缩后的轨迹分别与横轴形成的面积。
由于原始轨迹的长度不同,因此用相对差异度表示两轨迹的差异度。
分别取=10,15,20,25,30;α1和α2为0.1和0.9;0.2和0.8;0.3和0.7;0.4和0.6;…;0.9和0.1共9对权重,对2000条轨迹进行实验。计算轨迹在、α1和α2不同取值下压缩率的平均值及轨迹相对差异度的平均值,选取平均压缩率尽量高,而平均轨迹相对差异度尽量小的那组、α1和α2做为最终的阈值和权重。现将试验结果列于表1。为了便于确定阈值和权重,通过P=平均压缩率与(1-平均差异度)之和的大小进行选择。根据表1的结果发现,当=30,α1=0.6和α2=0.3时,P值为所在不同情况下的最大值。因此以30,0.6,0.4做为压缩阈值和权重,此时平均压缩率达到了71%以上,平均差异度仅为10%,压缩前后两条轨迹趋势相似度接近90%。
下表为不同阈值、权重下的平均压缩率、平均相对差异度检测:
。
Claims (5)
1.一种基于阈值结合算法的车辆运行轨迹压缩方法,其特征为,包括如下步骤:(1)根据车辆运动行驶状态下的GPS定位***记录的轨迹点数据信息,提取出每个轨迹点的位置信息、速度信息和方向信息;(2)通过设定的角度阈值和速度阈值的加权,建立阈值结合模型;(3)选择数据库中某轨迹的第一轨迹点开始扫描,并依次向后扫描直到轨迹结束,将不满足阈值条件的点删除,将满足阈值条件的点储存并形成新的轨迹点集序列;(4)根据上述形成的轨迹点集序列生成新的车辆运动轨迹;(5)计算轨迹压缩率并运用位置信息计算出压缩前后的轨迹的绝对差异度。
2.根据权利要求1所述的基于阈值结合算法的车辆运行轨迹压缩方法,其特征在于:步骤(1)中,速度信息和方向信息分别用ν、θ来表示,数据点r的位置信息分别用经度x、纬度y表示。
3.根据权利要求1所述的基于阈值结合算法的车辆运行轨迹压缩方法,其特征在于:步骤(2)中,设定角度阈值、速度阈值以及角度阈值权重α1、速度阈值权重α2;运用、、α1、α2建立阈值结合模型:
表示第条轨迹相邻两点与的速度改变值的绝对值;
表示第条轨迹相邻两点与的角度改变值的绝对值。
4.根据权利要求1所述的基于阈值结合算法的车辆运行轨迹压缩方法,其特征在于:步骤(3)中,运用ν、θ及权重系数α1、α2构建出速度、角度加权结合阈值为;令,如果,则删除点,如果则保留点。
5.根据权利要求1所述的基于阈值结合算法的车辆运行轨迹压缩方法,其特征在于:步骤(5)中,运用相对差异度来表示原轨迹和压缩后轨迹的差异度,其中,,和分别表示原轨迹和压缩后的轨迹与横轴所形成的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710045479.4A CN106877875A (zh) | 2017-01-22 | 2017-01-22 | 一种基于阈值结合算法的车辆运行轨迹压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710045479.4A CN106877875A (zh) | 2017-01-22 | 2017-01-22 | 一种基于阈值结合算法的车辆运行轨迹压缩方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106877875A true CN106877875A (zh) | 2017-06-20 |
Family
ID=59157911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710045479.4A Pending CN106877875A (zh) | 2017-01-22 | 2017-01-22 | 一种基于阈值结合算法的车辆运行轨迹压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106877875A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108347474A (zh) * | 2018-01-22 | 2018-07-31 | 中联重科股份有限公司 | 机械设备的状态数据压缩方法、装置及机械设备 |
CN109154821A (zh) * | 2017-11-30 | 2019-01-04 | 深圳市大疆创新科技有限公司 | 轨迹生成方法、装置和无人驾驶地面车辆 |
CN109951791A (zh) * | 2018-04-29 | 2019-06-28 | 中山市澳多电子科技有限公司 | 一种应用于tbox的拐点补传算法 |
CN110545521A (zh) * | 2018-05-29 | 2019-12-06 | 中国电信股份有限公司 | 轨迹数据的在线压缩方法、装置及计算机可读存储介质 |
CN110751751A (zh) * | 2019-10-09 | 2020-02-04 | 广州敏视数码科技有限公司 | 一种行车轨迹记录方法 |
CN111046049A (zh) * | 2019-12-20 | 2020-04-21 | 西南交通大学 | 一种货车gps轨迹数据压缩方法 |
CN111488413A (zh) * | 2019-01-28 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 一种轨迹特征点判断方法、轨迹记录方法和相关装置 |
CN111510553A (zh) * | 2020-03-25 | 2020-08-07 | 华为技术有限公司 | 一种运动轨迹展示方法、装置和可读存储介质 |
CN111740981A (zh) * | 2020-06-18 | 2020-10-02 | 合肥市大数据资产运营有限公司 | 一种汽车gps轨迹数据压缩方法 |
CN111858565A (zh) * | 2020-06-10 | 2020-10-30 | 北京航空航天大学 | 一种基于线段聚类的多维度高精度航迹智能预测方法 |
CN111966729A (zh) * | 2020-08-27 | 2020-11-20 | 平安国际智慧城市科技股份有限公司 | 一种车辆轨迹数据处理方法、装置、设备及存储介质 |
CN112762941A (zh) * | 2021-01-04 | 2021-05-07 | 金陵科技学院 | 一种基于移动行为特征的轨迹压缩方法 |
CN114265409A (zh) * | 2021-12-24 | 2022-04-01 | 广州极飞科技股份有限公司 | 轨迹信息处理方法、装置及地面设备 |
CN115334167A (zh) * | 2022-06-30 | 2022-11-11 | 西安电子科技大学广州研究院 | 一种角度阈值自适应的轨迹压缩方法 |
WO2023123812A1 (zh) * | 2021-12-29 | 2023-07-06 | 上海商汤智能科技有限公司 | 轨迹点筛选及轨迹生成方法、装置、电子设备、存储介质、计算机程序产品 |
CN117831014A (zh) * | 2024-03-04 | 2024-04-05 | 山西阳光三极科技股份有限公司 | 基于铁路货运列车的车厢运输状态监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254431A (zh) * | 2011-06-14 | 2011-11-23 | 上海雷腾软件有限公司 | 一种车辆位置数据采集处理方法及其*** |
CN103473540A (zh) * | 2013-09-11 | 2013-12-25 | 天津工业大学 | 智能交通***车辆轨迹增量式建模与在线异常检测方法 |
US20150026142A1 (en) * | 2013-07-19 | 2015-01-22 | Ting Wang | Trajectory data compression |
CN106019338A (zh) * | 2016-05-06 | 2016-10-12 | 上海海事大学 | 一种船舶轨迹的实时化简方法 |
-
2017
- 2017-01-22 CN CN201710045479.4A patent/CN106877875A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254431A (zh) * | 2011-06-14 | 2011-11-23 | 上海雷腾软件有限公司 | 一种车辆位置数据采集处理方法及其*** |
US20150026142A1 (en) * | 2013-07-19 | 2015-01-22 | Ting Wang | Trajectory data compression |
CN103473540A (zh) * | 2013-09-11 | 2013-12-25 | 天津工业大学 | 智能交通***车辆轨迹增量式建模与在线异常检测方法 |
CN106019338A (zh) * | 2016-05-06 | 2016-10-12 | 上海海事大学 | 一种船舶轨迹的实时化简方法 |
Non-Patent Citations (5)
Title |
---|
JONATHAN MUCKELL: "《GIS "10: Proceedings of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems》", 30 November 2010 * |
刘磊军等: "基于运动状态改变的在线全球定位***轨迹数据压缩", 《计算机应用》 * |
吴家皋等: "基于综合时空特性的混合式轨迹压缩算法", 《计算机应用》 * |
王超: "《飞行程序运行评估的理论与方法研究》", 31 October 2014 * |
袁冠: "《移动对象轨迹数据挖掘技术》", 30 November 2016 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109154821A (zh) * | 2017-11-30 | 2019-01-04 | 深圳市大疆创新科技有限公司 | 轨迹生成方法、装置和无人驾驶地面车辆 |
CN108347474B (zh) * | 2018-01-22 | 2020-09-29 | 中联重科股份有限公司 | 机械设备的状态数据压缩方法、装置及机械设备 |
CN108347474A (zh) * | 2018-01-22 | 2018-07-31 | 中联重科股份有限公司 | 机械设备的状态数据压缩方法、装置及机械设备 |
CN109951791A (zh) * | 2018-04-29 | 2019-06-28 | 中山市澳多电子科技有限公司 | 一种应用于tbox的拐点补传算法 |
CN110545521A (zh) * | 2018-05-29 | 2019-12-06 | 中国电信股份有限公司 | 轨迹数据的在线压缩方法、装置及计算机可读存储介质 |
CN111488413A (zh) * | 2019-01-28 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 一种轨迹特征点判断方法、轨迹记录方法和相关装置 |
CN110751751A (zh) * | 2019-10-09 | 2020-02-04 | 广州敏视数码科技有限公司 | 一种行车轨迹记录方法 |
CN111046049A (zh) * | 2019-12-20 | 2020-04-21 | 西南交通大学 | 一种货车gps轨迹数据压缩方法 |
CN111046049B (zh) * | 2019-12-20 | 2021-10-26 | 西南交通大学 | 一种货车gps轨迹数据压缩方法 |
CN111510553B (zh) * | 2020-03-25 | 2021-06-22 | 华为技术有限公司 | 一种运动轨迹展示方法、装置和可读存储介质 |
CN111510553A (zh) * | 2020-03-25 | 2020-08-07 | 华为技术有限公司 | 一种运动轨迹展示方法、装置和可读存储介质 |
CN111858565A (zh) * | 2020-06-10 | 2020-10-30 | 北京航空航天大学 | 一种基于线段聚类的多维度高精度航迹智能预测方法 |
CN111858565B (zh) * | 2020-06-10 | 2023-04-21 | 北京航空航天大学 | 一种基于线段聚类的多维度高精度航迹智能预测方法 |
CN111740981A (zh) * | 2020-06-18 | 2020-10-02 | 合肥市大数据资产运营有限公司 | 一种汽车gps轨迹数据压缩方法 |
CN111966729A (zh) * | 2020-08-27 | 2020-11-20 | 平安国际智慧城市科技股份有限公司 | 一种车辆轨迹数据处理方法、装置、设备及存储介质 |
CN111966729B (zh) * | 2020-08-27 | 2023-05-19 | 平安国际智慧城市科技股份有限公司 | 一种车辆轨迹数据处理方法、装置、设备及存储介质 |
CN112762941A (zh) * | 2021-01-04 | 2021-05-07 | 金陵科技学院 | 一种基于移动行为特征的轨迹压缩方法 |
CN114265409A (zh) * | 2021-12-24 | 2022-04-01 | 广州极飞科技股份有限公司 | 轨迹信息处理方法、装置及地面设备 |
WO2023123812A1 (zh) * | 2021-12-29 | 2023-07-06 | 上海商汤智能科技有限公司 | 轨迹点筛选及轨迹生成方法、装置、电子设备、存储介质、计算机程序产品 |
CN115334167A (zh) * | 2022-06-30 | 2022-11-11 | 西安电子科技大学广州研究院 | 一种角度阈值自适应的轨迹压缩方法 |
CN115334167B (zh) * | 2022-06-30 | 2023-06-09 | 西安电子科技大学广州研究院 | 一种角度阈值自适应的轨迹压缩方法 |
CN117831014A (zh) * | 2024-03-04 | 2024-04-05 | 山西阳光三极科技股份有限公司 | 基于铁路货运列车的车厢运输状态监测方法 |
CN117831014B (zh) * | 2024-03-04 | 2024-05-14 | 山西阳光三极科技股份有限公司 | 基于铁路货运列车的车厢运输状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106877875A (zh) | 一种基于阈值结合算法的车辆运行轨迹压缩方法 | |
Siam et al. | Fast-SeqSLAM: A fast appearance based place recognition algorithm | |
CN109902863B (zh) | 一种基于多因素时空相关性的风速预测方法及装置 | |
KR102362744B1 (ko) | 딥 뉴럴 네트워크(deep neural network) 기반의 다중 패치 조합(multiple patch combination)을 이용하여 얼굴을 인식하고, 극도의 상황에서 결함 허용 능력 및 흔들림에 강인한 성질을 향상시키는 방법 | |
US7817822B2 (en) | Bi-directional tracking using trajectory segment analysis | |
CN110570458A (zh) | 一种基于内部裁剪和多层特征信息融合的目标跟踪方法 | |
CN106897714A (zh) | 一种基于卷积神经网络的视频动作检测方法 | |
CN103106280A (zh) | 一种道路网络环境下不确定时空轨迹数据的范围查询方法 | |
CN113393474B (zh) | 一种基于特征融合的三维点云的分类和分割方法 | |
CN109800692A (zh) | 一种基于预训练卷积神经网络的视觉slam回环检测方法 | |
US10387753B1 (en) | Learning method and learning device for convolutional neural network using 1×1 convolution for image recognition to be used for hardware optimization, and testing method and testing device using the same | |
KR102338750B1 (ko) | 하드웨어 최적화에 사용되는 1xH 컨벌루션을 이용한 CNN 기반의 객체 검출기를 학습하는 방법 및 학습 장치, 이를 이용한 테스트 방법 및 테스트 장치 | |
KR102277505B1 (ko) | 하드웨어 최적화에 사용되는 이미지 인식을 위한 1xH 컨벌루션을 이용한 CNN 학습 방법 및 학습 장치, 이를 이용한 테스트 방법 및 테스트 장치 | |
CN110502596A (zh) | 一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法 | |
CN111860823B (zh) | 神经网络训练、图像处理方法及装置、设备及存储介质 | |
CN109598742A (zh) | 一种基于ssd算法的目标跟踪方法及*** | |
CN113822368A (zh) | 一种基于无锚的增量式目标检测方法 | |
CN110288044A (zh) | 一种基于轨迹划分与优先队列的轨迹简化方法 | |
Hausler et al. | Filter early, match late: Improving network-based visual place recognition | |
CN113299079B (zh) | 一种基于ppo和图卷积神经网络区域交叉口信号控制方法 | |
CN108256463A (zh) | 基于esn神经网络的移动机器人场景识别方法 | |
CN110139331A (zh) | 基于5g网络的自适应切换触发策略实现方法 | |
CN110097581A (zh) | 基于点云配准icp算法构建k-d树的方法 | |
Liu et al. | Weighted sequence loss based spatial-temporal deep learning framework for human body orientation estimation | |
CN117036238A (zh) | 基于视频目标跟踪的田间水果计数方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170620 |