CN110097121A - 一种行驶轨迹的分类方法、装置、电子设备及存储介质 - Google Patents
一种行驶轨迹的分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110097121A CN110097121A CN201910363995.0A CN201910363995A CN110097121A CN 110097121 A CN110097121 A CN 110097121A CN 201910363995 A CN201910363995 A CN 201910363995A CN 110097121 A CN110097121 A CN 110097121A
- Authority
- CN
- China
- Prior art keywords
- driving trace
- track characteristic
- point
- trace point
- user
- 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.)
- Granted
Links
Classifications
-
- 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
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Navigation (AREA)
Abstract
本发明实施例公开了一种行驶轨迹的分类方法、装置、电子设备及存储介质。所述方法包括:接收用户行驶轨迹点的轨迹日志;根据所述轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征;根据各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出所述行驶轨迹的轨迹类型。不仅可以准确地对用户轨迹进行分类,而且还可以节省人工成本和时间成本。
Description
技术领域
本发明实施例涉及互联网技术领域,尤其涉及一种行驶轨迹的分类方法、装置、电子设备及存储介质。
背景技术
用户在使用地图类的应用程序APP产品时,如在驾车导航、步行导航、骑行导航等场景下,服务端会根据用户实时定位的坐标点,产生用户的轨迹数据。这些用户的轨迹数据,作为地图产品中用户的基础数据,蕴含着丰富的用户信息,在路况拥堵程度预测、用户出行习惯挖掘、用户出行模型建立、道路通行性发现等场景下,有着非常广泛应用。但是在产生用户的轨迹数据时,会同时掺杂机动车轨迹、电动车轨迹、步行轨迹、公交轨迹、地铁轨迹等不同的轨迹类型,对实际应用的不同场景,有着严重的干扰影响。为达到精细化建模和预测的应用,当用户在不同的行驶轨迹上行驶时,需要从这些行驶轨迹中识别并提取出相对应的轨迹类型。例如,当用户在驾驶机动车时,需要识别并提取出机动车轨迹,用于为用户的机动车驾驶提供导航;当用户在徒步行走时,需要识别并提取出步行轨迹,用于为用户的徒步行走提供导航。
在现有的行驶轨迹的分类方法中,通常采用人工模拟的方法标注出各个样本行驶轨迹的轨迹类型;然后根据各个样本行驶轨迹的轨迹类型确定出行驶轨迹的轨迹类型。例如,在采用人工模拟的方法标注“机动车”类别的轨迹类型时,先采用人工模拟的方法进行机动车行驶,在行驶过程中通过用户实时打点并记录定位位置的工具,记录下用户在导航过程中的各个坐标点的序列信息;然后在各个坐标点的序列信息中提取出各个坐标点的位置,按照各个坐标点的位置将各个坐标点按进行连接,形成完整一段轨迹,并标注为“机动车”类别。通过人工模拟的方法存在很大的局限性,无法模拟出真实道路的行驶场景,这样就会导致无法准确地对用户轨迹进行分类,影响到用户轨迹的分类效果。
此外,在现有的行驶轨迹的分类方法中,通常只考虑行驶轨迹的速度或者加速度这两个轨迹特征对用户轨迹进行分类,由于轨迹特征不足,这样也会导致无法准确地对用户轨迹进行分类,影响到用户轨迹的分类效果。
发明内容
有鉴于此,本发明实施例提供一种行驶轨迹的分类方法、装置、电子设备及存储介质,不仅可以准确地对用户轨迹进行分类,而且还可以节省人工成本和时间成本。
第一方面,本发明实施例提供了一种行驶轨迹的分类方法,所述方法包括:
接收用户行驶轨迹点的轨迹日志;
根据所述轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征;
根据各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出所述行驶轨迹的轨迹类型。
在上述实施例中,所述根据所述轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,包括:
根据接收的所述轨迹日志,提取所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间;
根据所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征。
在上述实施例中,所述根据所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间,计算各个行驶轨迹点对应的轨迹特征,包括:
将所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间输入到预先训练的隐马尔可夫HMM模型中;
通过所述MHH模型计算出各个行驶轨迹点对应的轨迹特征;其中,各个行驶轨迹点对应的轨迹特征至少包括:各个行驶轨迹点的道路属性。
在上述实施例中,所述根据所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间,计算每相邻两个行驶轨迹点对应的轨迹特征,包括:
根据所述用户在每相邻两个行驶轨迹点的位置,计算所述用户在每相邻两个行驶轨迹点之间的行驶距离;
根据所述用户在每相邻两个行驶轨迹点的时间,计算所述用户在每相邻两个行驶轨迹点之间的行驶时间;
根据所述用户在每相邻两个行驶轨迹点之间的行驶距离,以及所述用户在每相邻两个行驶轨迹点之间的行驶时间,计算每相邻两个行驶轨迹点对应的轨迹特征;其中,每相邻两个行驶轨迹点对应的轨迹特征至少包括:每相邻两个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。
在上述实施例中,所述根据所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间,计算全部行驶轨迹点对应的轨迹特征,包括:
根据所述用户在所述行驶轨迹上的第一个行驶轨迹点的位置和所述用户在所述行驶轨迹上的最后一个行驶轨迹点的位置,计算所述用户在所述行驶轨迹上的行驶距离;
根据所述用户在所述行驶轨迹上的第一个行驶轨迹点的时间和所述用户在所述行驶轨迹上的最后一个行驶轨迹点的位置,计算所述用户在所述行驶轨迹上的行驶时间;
根据所述用户在所述轨迹上的行驶距离,以及所述用户在所述轨迹上的行驶时间,计算全部行驶轨迹点对应的轨迹特征;其中,全部行驶轨迹点对应的轨迹特征至少包括:所述行驶轨迹上的第一个行驶轨迹点与所述行驶轨迹上的最后一个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。
在上述实施例中,所述根据各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出所述行驶轨迹的轨迹类型,包括:
通过随机森林分类器计算各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度;计算每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度;
根据各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度、每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度,确定出所述行驶轨迹的轨迹类型。
在上述实施例中,所述通过随机森林分类器计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度,包括:
通过所述随机森林分类器计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度;
根据全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度,以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度,计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度。
第二方面,本发明实施例提供了一种行驶轨迹的分类装置,所述装置包括:接收模块、计算模块和确定模块;其中,
所述接收模块,用于接收用户行驶轨迹点的轨迹日志;
所述计算模块,用于根据所述轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征;
所述确定模块,用于根据各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出所述行驶轨迹的轨迹类型。
在上述实施例中,所述计算模块包括:提取子模块和计算子模块;其中,
所述提取子模块,用于根据接收的所述轨迹日志,提取所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间;
所述计算子模块,用于根据所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征。
在上述实施例中,所述计算子模块,具体用于将所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间输入到预先训练的隐马尔可夫HMM模型中;通过所述MHH模型计算出各个行驶轨迹点对应的轨迹特征;其中,各个行驶轨迹点对应的轨迹特征至少包括:各个行驶轨迹点的道路属性。
在上述实施例中,所述计算子模块,具体用于根据所述用户在每相邻两个行驶轨迹点的位置,计算所述用户在每相邻两个行驶轨迹点之间的行驶距离;根据所述用户在每相邻两个行驶轨迹点的时间,计算所述用户在每相邻两个行驶轨迹点之间的行驶时间;根据所述用户在每相邻两个行驶轨迹点之间的行驶距离,以及所述用户在每相邻两个行驶轨迹点之间的行驶时间,计算每相邻两个行驶轨迹点对应的轨迹特征;其中,每相邻两个行驶轨迹点对应的轨迹特征至少包括:每相邻两个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。
在上述实施例中,所述计算子模块,具体用于根据所述用户在所述行驶轨迹上的第一个行驶轨迹点的位置和所述用户在所述行驶轨迹上的最后一个行驶轨迹点的位置,计算所述用户在所述行驶轨迹上的行驶距离;根据所述用户在所述行驶轨迹上的第一个行驶轨迹点的时间和所述用户在所述行驶轨迹上的最后一个行驶轨迹点的位置,计算所述用户在所述行驶轨迹上的行驶时间;根据所述用户在所述轨迹上的行驶距离,以及所述用户在所述轨迹上的行驶时间,计算全部行驶轨迹点对应的轨迹特征;其中,全部行驶轨迹点对应的轨迹特征至少包括:所述行驶轨迹上的第一个行驶轨迹点与所述行驶轨迹上的最后一个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。
在上述实施例中,所述确定模块包括:匹配子模块和确定子模块;其中,
所述匹配子模块,用于通过随机森林分类器计算各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度;计算每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度;
所述确定子模块,用于根据各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度、每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度,确定出所述行驶轨迹的轨迹类型。
在上述实施例中,所述匹配子模块,具体用于通过所述随机森林分类器计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度;根据全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度,以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度,计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度。
第三方面,本发明实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所述的行驶轨迹的分类方法。
第四方面,本发明实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所述的行驶轨迹的分类方法。
本发明实施例提出了一种行驶轨迹的分类方法、装置、电子设备及存储介质,先接收用户行驶轨迹点的轨迹日志;然后根据轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征;再根据各个轨迹点对应的轨迹特征、每相邻两个轨迹点对应的轨迹特征和全部轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出行驶轨迹的轨迹类型。也就是说,在本发明的技术方案中,可以根据三个不同维度的轨迹特征确定出行驶轨迹的轨迹类型。而在现有的行驶轨迹的分类方法中,通常采用人工模拟的方法标注出各个样本行驶轨迹的轨迹类型;然后根据各个样本行驶轨迹的轨迹类型确定出行驶轨迹的轨迹类型。通过人工模拟的方法存在很大的局限性,无法模拟出真实道路的行驶场景,这样就会导致无法准确地对用户轨迹进行分类,影响到用户轨迹的分类效果;此外,在现有的行驶轨迹的分类方法中,通常只考虑行驶轨迹的速度或者加速度这两个轨迹特征对用户轨迹进行分类,由于轨迹特征不足,这样也会导致无法准确地对用户轨迹进行分类,影响到用户轨迹的分类效果。因此,和现有技术相比,本发明实施例提出的行驶轨迹的分类方法、装置、电子设备及存储介质,不仅可以准确地对用户轨迹进行分类,而且还可以节省人工成本和时间成本;并且,本发明实施例的技术方案实现简单方便、便于普及,适用范围更广。
附图说明
图1为本发明实施例一提供的行驶轨迹的分类方法的流程示意图;
图2为本发明实施例二提供的行驶轨迹的分类方法的流程示意图;
图3为本发明实施例三提供的行驶轨迹的分类方法的流程示意图;
图4为本发明实施例四提供的行驶轨迹的分类装置的第一结构示意图;
图5为本发明实施例四提供的行驶轨迹的分类装置的第二结构示意图;
图6为本发明实施例五提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
实施例一
图1为本发明实施例一提供的行驶轨迹的分类方法的流程示意图,该方法可以由行驶轨迹的分类装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,行驶轨迹的分类方法可以包括以下步骤:
S101、接收用户行驶轨迹点的轨迹日志。
在本发明的具体实施例中,电子设备可以接收用户行驶轨迹点的轨迹日志。具体地,当用户在行驶轨迹上行驶时,电子设备可以接收用户通过客户端设备发送的该用户在各个行驶轨迹点上的轨迹日志;其中,轨迹日志可以包括:用户在各个行驶轨迹点上的经度、纬度、时间戳以及该轨迹日志对应的标识ID。
S102、根据轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征。
在本发明的具体实施例中,电子设备可以根据轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征。具体地,电子设备可以先根据接收的轨迹日志,提取用户在各个行驶轨迹点的位置以及用户在各个行驶轨迹点的时间;然后根据用户在各个行驶轨迹点的位置以及用户在各个行驶轨迹点的时间,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征。
S103、根据各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出行驶轨迹的轨迹类型。
在本发明的具体实施例中,电子设备可以根据各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出行驶轨迹的轨迹类型。具体地,电子设备可以先通过随机森林分类器计算各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度;计算每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度;然后根据各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度、每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度,确定出行驶轨迹的轨迹类型。
较佳地,在本发明的具体实施例中,电子设备可以预先对随机森林分类器进行离线训练,然后基于训练后的随机森林分类器进行在线预测。具体地,电子设备可以将预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征输入到随机森林分类器中,根据预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征对随机森林分类器进行离线训练。
本发明实施例提出的行驶轨迹的分类方法,先接收用户行驶轨迹点的轨迹日志;然后根据轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征;再根据各个轨迹点对应的轨迹特征、每相邻两个轨迹点对应的轨迹特征和全部轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出行驶轨迹的轨迹类型。也就是说,在本发明的技术方案中,可以根据三个不同维度的轨迹特征确定出行驶轨迹的轨迹类型。而在现有的行驶轨迹的分类方法中,通常采用人工模拟的方法标注出各个样本行驶轨迹的轨迹类型;然后根据各个样本行驶轨迹的轨迹类型确定出行驶轨迹的轨迹类型。通过人工模拟的方法存在很大的局限性,无法模拟出真实道路的行驶场景,这样就会导致无法准确地对用户轨迹进行分类,影响到用户轨迹的分类效果;此外,在现有的行驶轨迹的分类方法中,通常只考虑行驶轨迹的速度或者加速度这两个轨迹特征对用户轨迹进行分类,由于轨迹特征不足,这样也会导致无法准确地对用户轨迹进行分类,影响到用户轨迹的分类效果。因此,和现有技术相比,本发明实施例提出的行驶轨迹的分类方法,不仅可以准确地对用户轨迹进行分类,而且还可以节省人工成本和时间成本;并且,本发明实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图2为本发明实施例二提供的行驶轨迹的分类方法的流程示意图。如图2所示,行驶轨迹的分类方法可以包括以下步骤:
S201、接收用户行驶轨迹点的轨迹日志。
在本发明的具体实施例中,电子设备可以接收用户行驶轨迹点的轨迹日志。具体地,当用户在行驶轨迹上行驶时,电子设备可以接收用户通过客户端设备发送的该用户在各个行驶轨迹点上的轨迹日志;其中,轨迹日志可以包括:用户在各个行驶轨迹点上的经度、纬度、时间戳以及该轨迹日志对应的标识ID。
S202、根据接收的轨迹日志,提取用户在各个行驶轨迹点的位置以及用户在各个行驶轨迹点的时间。
在本发明的具体实施例中,电子设备可以根据接收的轨迹日志,提取用户在各个行驶轨迹点的位置以及用户在各个行驶轨迹点的时间。具体地,电子设备可以在在各个轨迹日志中,提取出用户在各个行驶轨迹点上的经度、纬度以及时间戳;根据用户在各个行驶轨迹点上的经度和纬度确定出用户在各个行驶轨迹点的位置;根据用户在各个行驶轨迹点上的时间戳确定出用户在各个行驶轨迹点的时间。
S203、根据用户在各个行驶轨迹点的位置以及用户在各个行驶轨迹点的时间,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征。
在本发明的具体实施例中,电子设备可以根据用户在各个行驶轨迹点的位置以及用户在各个行驶轨迹点的时间,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征。具体地,电子设备可以将用户在各个行驶轨迹点的位置以及用户在各个行驶轨迹点的时间输入到预先训练的HMM模型中;通过MHH模型计算出各个行驶轨迹点对应的轨迹特征;其中,各个行驶轨迹点对应的轨迹特征至少包括:各个行驶轨迹点的道路属性。另外,电子设备还可以根据用户在每相邻两个行驶轨迹点的位置,计算用户在每相邻两个行驶轨迹点之间的行驶距离;根据用户在每相邻两个行驶轨迹点的时间,计算用户在每相邻两个行驶轨迹点之间的行驶时间;根据用户在每相邻两个行驶轨迹点之间的行驶距离,以及用户在每相邻两个行驶轨迹点之间的行驶时间,计算每相邻两个行驶轨迹点对应的轨迹特征;其中,每相邻两个行驶轨迹点对应的轨迹特征至少包括:每相邻两个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。此外,电子设备还可以根据用户在行驶轨迹上的第一个行驶轨迹点的位置和用户在行驶轨迹上的最后一个行驶轨迹点的位置,计算用户在行驶轨迹上的行驶距离;根据用户在行驶轨迹上的第一个行驶轨迹点的时间和用户在行驶轨迹上的最后一个行驶轨迹点的位置,计算用户在行驶轨迹上的行驶时间;根据用户在轨迹上的行驶距离,以及用户在轨迹上的行驶时间,计算全部行驶轨迹点对应的轨迹特征;其中,全部行驶轨迹点对应的轨迹特征至少包括:行驶轨迹上的第一个行驶轨迹点与行驶轨迹上的最后一个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。
较佳地,在本发明的具体实施例中,电子设备可以预先对随机森林分类器进行离线训练,然后基于训练后的随机森林分类器进行在线预测。具体地,电子设备可以将预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征输入到随机森林分类器中,根据预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征对随机森林分类器进行离线训练。
S204、根据各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出行驶轨迹的轨迹类型。
在本发明的具体实施例中,电子设备可以根据各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出行驶轨迹的轨迹类型。具体地,电子设备可以先通过随机森林分类器计算各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度;计算每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度;然后根据各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度、每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度,确定出行驶轨迹的轨迹类型。
较佳地,在本发明的具体实施例中,电子设备可以通过随机森林分类器计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度;根据全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度,以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度,计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度。
本发明实施例提出的行驶轨迹的分类方法,先接收用户行驶轨迹点的轨迹日志;然后根据轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征;再根据各个轨迹点对应的轨迹特征、每相邻两个轨迹点对应的轨迹特征和全部轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出行驶轨迹的轨迹类型。也就是说,在本发明的技术方案中,可以根据三个不同维度的轨迹特征确定出行驶轨迹的轨迹类型。而在现有的行驶轨迹的分类方法中,通常采用人工模拟的方法标注出各个样本行驶轨迹的轨迹类型;然后根据各个样本行驶轨迹的轨迹类型确定出行驶轨迹的轨迹类型。通过人工模拟的方法存在很大的局限性,无法模拟出真实道路的行驶场景,这样就会导致无法准确地对用户轨迹进行分类,影响到用户轨迹的分类效果;此外,在现有的行驶轨迹的分类方法中,通常只考虑行驶轨迹的速度或者加速度这两个轨迹特征对用户轨迹进行分类,由于轨迹特征不足,这样也会导致无法准确地对用户轨迹进行分类,影响到用户轨迹的分类效果。因此,和现有技术相比,本发明实施例提出的行驶轨迹的分类方法,不仅可以准确地对用户轨迹进行分类,而且还可以节省人工成本和时间成本;并且,本发明实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图3为本发明实施例三提供的行驶轨迹的分类方法的流程示意图。如图3所示,行驶轨迹的分类方法可以包括以下步骤:
S301、接收用户行驶轨迹点的轨迹日志。
在本发明的具体实施例中,电子设备可以接收用户行驶轨迹点的轨迹日志。具体地,当用户在行驶轨迹上行驶时,电子设备可以接收用户通过客户端设备发送的该用户在各个行驶轨迹点上的轨迹日志;其中,轨迹日志可以包括:用户在各个行驶轨迹点上的经度、纬度、时间戳以及该轨迹日志对应的标识ID。
S302、根据接收的轨迹日志,提取用户在各个行驶轨迹点的位置以及用户在各个行驶轨迹点的时间。
在本发明的具体实施例中,电子设备可以根据接收的轨迹日志,提取用户在各个行驶轨迹点的位置以及用户在各个行驶轨迹点的时间。具体地,电子设备可以在在各个轨迹日志中,提取出用户在各个行驶轨迹点上的经度、纬度以及时间戳;根据用户在各个行驶轨迹点上的经度和纬度确定出用户在各个行驶轨迹点的位置;根据用户在各个行驶轨迹点上的时间戳确定出用户在各个行驶轨迹点的时间。
S303、根据用户在各个行驶轨迹点的位置以及用户在各个行驶轨迹点的时间,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征。
在本发明的具体实施例中,电子设备可以根据用户在各个行驶轨迹点的位置以及用户在各个行驶轨迹点的时间,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征。具体地,电子设备可以将用户在各个行驶轨迹点的位置以及用户在各个行驶轨迹点的时间输入到预先训练的HMM模型中;通过MHH模型计算出各个行驶轨迹点对应的轨迹特征;其中,各个行驶轨迹点对应的轨迹特征至少包括:各个行驶轨迹点的道路属性。另外,电子设备还可以根据用户在每相邻两个行驶轨迹点的位置,计算用户在每相邻两个行驶轨迹点之间的行驶距离;根据用户在每相邻两个行驶轨迹点的时间,计算用户在每相邻两个行驶轨迹点之间的行驶时间;根据用户在每相邻两个行驶轨迹点之间的行驶距离,以及用户在每相邻两个行驶轨迹点之间的行驶时间,计算每相邻两个行驶轨迹点对应的轨迹特征;其中,每相邻两个行驶轨迹点对应的轨迹特征至少包括:每相邻两个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。此外,电子设备还可以根据用户在行驶轨迹上的第一个行驶轨迹点的位置和用户在行驶轨迹上的最后一个行驶轨迹点的位置,计算用户在行驶轨迹上的行驶距离;根据用户在行驶轨迹上的第一个行驶轨迹点的时间和用户在行驶轨迹上的最后一个行驶轨迹点的位置,计算用户在行驶轨迹上的行驶时间;根据用户在轨迹上的行驶距离,以及用户在轨迹上的行驶时间,计算全部行驶轨迹点对应的轨迹特征;其中,全部行驶轨迹点对应的轨迹特征至少包括:行驶轨迹上的第一个行驶轨迹点与行驶轨迹上的最后一个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。
较佳地,在本发明的具体实施例中,电子设备可以预先对随机森林分类器进行离线训练,然后基于训练后的随机森林分类器进行在线预测。具体地,电子设备可以将预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征输入到随机森林分类器中,根据预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征对随机森林分类器进行离线训练。
S304、通过随机森林分类器计算各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度;计算每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度。
在本发明的具体实施例中,电子设备可以通过随机森林分类器计算各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度;计算每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度。具体地,电子设备可以将各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征输入到随机森林分类器中;通过随机森林分类器计算出各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度。电子设备还可以将每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征输入到随机森林分类器中;通过随机森林分类器计算出每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度。电子设备还可以将全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征输入到随机森林分类器;通过随机森林分类器计算出全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度。
较佳地,在本发明的具体实施例中,电子设备可以通过随机森林分类器计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度;根据全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度,以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度,计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度。
S305、根据各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度、每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度,确定出行驶轨迹的轨迹类型。
在本发明的具体实施例中,电子设备可以根据各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度、每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度,确定出行驶轨迹的轨迹类型。具体地,电子设备可以计算各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度、每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度的平均值,然后根据该平均值确定出行驶轨迹的轨迹类型。例如,若该平均值在第一范围内,可以确定出行驶轨迹的轨迹类型为机动车轨迹类型;若该平均值在第二范围内,可以确定出行驶轨迹的轨迹类型为自行车轨迹类型;若该平均值在第三范围内,可以确定出行驶轨迹的轨迹类型为电动车轨迹类型。
本发明实施例提出的行驶轨迹的分类方法,先接收用户行驶轨迹点的轨迹日志;然后根据轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征;再根据各个轨迹点对应的轨迹特征、每相邻两个轨迹点对应的轨迹特征和全部轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出行驶轨迹的轨迹类型。也就是说,在本发明的技术方案中,可以根据三个不同维度的轨迹特征确定出行驶轨迹的轨迹类型。而在现有的行驶轨迹的分类方法中,通常采用人工模拟的方法标注出各个样本行驶轨迹的轨迹类型;然后根据各个样本行驶轨迹的轨迹类型确定出行驶轨迹的轨迹类型。通过人工模拟的方法存在很大的局限性,无法模拟出真实道路的行驶场景,这样就会导致无法准确地对用户轨迹进行分类,影响到用户轨迹的分类效果;此外,在现有的行驶轨迹的分类方法中,通常只考虑行驶轨迹的速度或者加速度这两个轨迹特征对用户轨迹进行分类,由于轨迹特征不足,这样也会导致无法准确地对用户轨迹进行分类,影响到用户轨迹的分类效果。因此,和现有技术相比,本发明实施例提出的行驶轨迹的分类方法,不仅可以准确地对用户轨迹进行分类,而且还可以节省人工成本和时间成本;并且,本发明实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例四
图4为本发明实施例四提供的行驶轨迹的分类装置的第一结构示意图。如图4所示,本发明实施例所述的行驶轨迹的分类装置可以包括:接收模块401、计算模块402和确定模块403;其中,
所述接收模块401,用于接收用户行驶轨迹点的轨迹日志;
所述计算模块402,用于根据所述轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征;
所述确定模块403,用于根据各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出所述行驶轨迹的轨迹类型。
图5为本发明实施例四提供的行驶轨迹的分类装置的第二结构示意图。如图5所示,本发明实施例所述的行驶轨迹的分类装置可以包括:计算模块402包括:提取子模块4021和计算子模块4022;其中,
所述提取子模块4021,用于根据接收的所述轨迹日志,提取所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间;
所述计算子模块4022,用于根据所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征。
进一步的,所述计算子模块4021,具体用于将所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间输入到预先训练的HMM模型中;通过所述MHH模型计算出各个行驶轨迹点对应的轨迹特征;其中,各个行驶轨迹点对应的轨迹特征至少包括:各个行驶轨迹点的道路属性。
进一步的,所述计算子模块4021,具体用于根据所述用户在每相邻两个行驶轨迹点的位置,计算所述用户在每相邻两个行驶轨迹点之间的行驶距离;根据所述用户在每相邻两个行驶轨迹点的时间,计算所述用户在每相邻两个行驶轨迹点之间的行驶时间;根据所述用户在每相邻两个行驶轨迹点之间的行驶距离,以及所述用户在每相邻两个行驶轨迹点之间的行驶时间,计算每相邻两个行驶轨迹点对应的轨迹特征;其中,每相邻两个行驶轨迹点对应的轨迹特征至少包括:每相邻两个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。
进一步的,所述计算子模块4021,具体用于根据所述用户在所述行驶轨迹上的第一个行驶轨迹点的位置和所述用户在所述行驶轨迹上的最后一个行驶轨迹点的位置,计算所述用户在所述行驶轨迹上的行驶距离;根据所述用户在所述行驶轨迹上的第一个行驶轨迹点的时间和所述用户在所述行驶轨迹上的最后一个行驶轨迹点的位置,计算所述用户在所述行驶轨迹上的行驶时间;根据所述用户在所述轨迹上的行驶距离,以及所述用户在所述轨迹上的行驶时间,计算全部行驶轨迹点对应的轨迹特征;其中,全部行驶轨迹点对应的轨迹特征至少包括:所述行驶轨迹上的第一个行驶轨迹点与所述行驶轨迹上的最后一个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。
进一步的,所述确定模块403包括:匹配子模块4031和确定子模块4032;其中,
所述匹配子模块4031,用于通过随机森林分类器计算各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度;计算每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度;
所述确定子模块4032,用于根据各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度、每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度,确定出所述行驶轨迹的轨迹类型。
进一步的,所述匹配子模块4031,具体用于通过所述随机森林分类器计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度;根据全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度,以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度,计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度。
上述行驶轨迹的分类装置可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的行驶轨迹的分类方法。
实施例五
图6为本发明实施例五提供的电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备的框图。图6显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图6中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的行驶轨迹的分类方法。
实施例六
本发明实施例六提供了一种计算机存储介质。
本发明实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (16)
1.一种行驶轨迹的分类方法,其特征在于,所述方法包括:
接收用户行驶轨迹点的轨迹日志;
根据所述轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征;
根据各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出所述行驶轨迹的轨迹类型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,包括:
根据接收的所述轨迹日志,提取所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间;
根据所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征。
3.根据权利要求2所述的方法,其特征在于,所述根据所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间,计算各个行驶轨迹点对应的轨迹特征,包括:
将所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间输入到预先训练的隐马尔可夫HMM模型中;
通过所述MHH模型计算出各个行驶轨迹点对应的轨迹特征;其中,各个行驶轨迹点对应的轨迹特征至少包括:各个行驶轨迹点的道路属性。
4.根据权利要求2所述的方法,其特征在于,所述根据所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间,计算每相邻两个行驶轨迹点对应的轨迹特征,包括:
根据所述用户在每相邻两个行驶轨迹点的位置,计算所述用户在每相邻两个行驶轨迹点之间的行驶距离;
根据所述用户在每相邻两个行驶轨迹点的时间,计算所述用户在每相邻两个行驶轨迹点之间的行驶时间;
根据所述用户在每相邻两个行驶轨迹点之间的行驶距离,以及所述用户在每相邻两个行驶轨迹点之间的行驶时间,计算每相邻两个行驶轨迹点对应的轨迹特征;其中,每相邻两个行驶轨迹点对应的轨迹特征至少包括:每相邻两个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。
5.根据权利要求2所述的方法,其特征在于,所述根据所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间,计算全部行驶轨迹点对应的轨迹特征,包括:
根据所述用户在所述行驶轨迹上的第一个行驶轨迹点的位置和所述用户在所述行驶轨迹上的最后一个行驶轨迹点的位置,计算所述用户在所述行驶轨迹上的行驶距离;
根据所述用户在所述行驶轨迹上的第一个行驶轨迹点的时间和所述用户在所述行驶轨迹上的最后一个行驶轨迹点的位置,计算所述用户在所述行驶轨迹上的行驶时间;
根据所述用户在所述轨迹上的行驶距离,以及所述用户在所述轨迹上的行驶时间,计算全部行驶轨迹点对应的轨迹特征;其中,全部行驶轨迹点对应的轨迹特征至少包括:所述行驶轨迹上的第一个行驶轨迹点与所述行驶轨迹上的最后一个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。
6.根据权利要求1所述的方法,其特征在于,所述根据各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出所述行驶轨迹的轨迹类型,包括:
通过随机森林分类器计算各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度;计算每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度;
根据各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度、每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度,确定出所述行驶轨迹的轨迹类型。
7.根据权利要求6所述的方法,其特征在于,所述通过随机森林分类器计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度,包括:
通过所述随机森林分类器计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度;
根据全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度,以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度,计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度。
8.一种行驶轨迹的分类装置,其特征在于,所述装置包括:接收模块、计算模块和确定模块;其中,
所述接收模块,用于接收用户行驶轨迹点的轨迹日志;
所述计算模块,用于根据所述轨迹日志,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征;
所述确定模块,用于根据各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征,以及预先确定的各个样本轨迹点对应的轨迹特征、每相邻两个样本轨迹点对应的轨迹特征和全部样本轨迹点对应的轨迹特征,确定出所述行驶轨迹的轨迹类型。
9.根据权利要求8所述的装置,其特征在于,所述计算模块包括:提取子模块和计算子模块;其中,
所述提取子模块,用于根据接收的所述轨迹日志,提取所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间;
所述计算子模块,用于根据所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间,计算各个行驶轨迹点对应的轨迹特征、每相邻两个行驶轨迹点对应的轨迹特征和全部行驶轨迹点对应的轨迹特征。
10.根据权利要求9所述的装置,其特征在于:
所述计算子模块,具体用于将所述用户在各个行驶轨迹点的位置以及所述用户在各个行驶轨迹点的时间输入到预先训练的隐马尔可夫HMM模型中;通过所述MHH模型计算出各个行驶轨迹点对应的轨迹特征;其中,各个行驶轨迹点对应的轨迹特征至少包括:各个行驶轨迹点的道路属性。
11.根据权利要求9所述的装置,其特征在于:
所述计算子模块,具体用于根据所述用户在每相邻两个行驶轨迹点的位置,计算所述用户在每相邻两个行驶轨迹点之间的行驶距离;根据所述用户在每相邻两个行驶轨迹点的时间,计算所述用户在每相邻两个行驶轨迹点之间的行驶时间;根据所述用户在每相邻两个行驶轨迹点之间的行驶距离,以及所述用户在每相邻两个行驶轨迹点之间的行驶时间,计算每相邻两个行驶轨迹点对应的轨迹特征;其中,每相邻两个行驶轨迹点对应的轨迹特征至少包括:每相邻两个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。
12.根据权利要求9所述的装置,其特征在于:
所述计算子模块,具体用于根据所述用户在所述行驶轨迹上的第一个行驶轨迹点的位置和所述用户在所述行驶轨迹上的最后一个行驶轨迹点的位置,计算所述用户在所述行驶轨迹上的行驶距离;根据所述用户在所述行驶轨迹上的第一个行驶轨迹点的时间和所述用户在所述行驶轨迹上的最后一个行驶轨迹点的位置,计算所述用户在所述行驶轨迹上的行驶时间;根据所述用户在所述轨迹上的行驶距离,以及所述用户在所述轨迹上的行驶时间,计算全部行驶轨迹点对应的轨迹特征;其中,全部行驶轨迹点对应的轨迹特征至少包括:所述行驶轨迹上的第一个行驶轨迹点与所述行驶轨迹上的最后一个行驶轨迹点之间的线速度、角速度、加速度、间隔时间。
13.根据权利要求8所述的装置,其特征在于,所述确定模块包括:匹配子模块和确定子模块;其中,
所述匹配子模块,用于通过随机森林分类器计算各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度;计算每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度;
所述确定子模块,用于根据各个行驶轨迹点对应的轨迹特征与预先确定的各个样本轨迹点对应的轨迹特征的第一匹配度、每相邻两个行驶轨迹点对应的轨迹特征与预先确定的每相邻两个样本轨迹点对应的轨迹特征的第二匹配度以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度,确定出所述行驶轨迹的轨迹类型。
14.根据权利要求13所述的装置,其特征在于:
所述匹配子模块,具体用于通过所述随机森林分类器计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度;计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度;根据全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的原始轨迹特征的原始匹配度,以及全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的补充轨迹特征的补充匹配度,计算全部行驶轨迹点对应的轨迹特征与预先确定的全部样本轨迹点对应的轨迹特征的第三匹配度。
15.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的行驶轨迹的分类方法。
16.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一项所述的行驶轨迹的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363995.0A CN110097121B (zh) | 2019-04-30 | 2019-04-30 | 一种行驶轨迹的分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363995.0A CN110097121B (zh) | 2019-04-30 | 2019-04-30 | 一种行驶轨迹的分类方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097121A true CN110097121A (zh) | 2019-08-06 |
CN110097121B CN110097121B (zh) | 2021-12-07 |
Family
ID=67446690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910363995.0A Active CN110097121B (zh) | 2019-04-30 | 2019-04-30 | 一种行驶轨迹的分类方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097121B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110530863A (zh) * | 2019-08-27 | 2019-12-03 | 南京末梢信息技术有限公司 | 一种汽车轮毂混包检测装置及方法 |
CN110672114A (zh) * | 2019-09-25 | 2020-01-10 | 拉扎斯网络科技(上海)有限公司 | 区域属性确定方法、装置、可读存储介质和电子设备 |
CN110726414A (zh) * | 2019-10-25 | 2020-01-24 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN111121791A (zh) * | 2019-11-29 | 2020-05-08 | 上饶市中科院云计算中心大数据研究院 | 隐马尔可夫模型在地图匹配中的优化方法及gps定位方法 |
CN111444302A (zh) * | 2020-04-17 | 2020-07-24 | 中国传媒大学 | 基于用户分类的移动性预测方法、***、装置 |
CN114418093A (zh) * | 2022-01-19 | 2022-04-29 | 北京百度网讯科技有限公司 | 训练路径表征模型、输出信息的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097004A (zh) * | 2011-01-31 | 2011-06-15 | 上海美慧软件有限公司 | 一种基于手机定位数据的出行od矩阵获取方法 |
CN105843919A (zh) * | 2016-03-24 | 2016-08-10 | 云南大学 | 一种基于多特征融合与聚类集成的移动对象轨迹聚类方法 |
CN106323296A (zh) * | 2015-06-24 | 2017-01-11 | 骑记(厦门)科技有限公司 | 识别出行模式的方法及装置 |
CN106446208A (zh) * | 2016-09-30 | 2017-02-22 | 东南大学 | 一种考虑路网契合度的智能手机出行方式识别方法 |
EP3462133A2 (en) * | 2017-09-29 | 2019-04-03 | HERE Global B.V. | Method and apparatus for identifying a transport mode of probe data |
-
2019
- 2019-04-30 CN CN201910363995.0A patent/CN110097121B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097004A (zh) * | 2011-01-31 | 2011-06-15 | 上海美慧软件有限公司 | 一种基于手机定位数据的出行od矩阵获取方法 |
CN106323296A (zh) * | 2015-06-24 | 2017-01-11 | 骑记(厦门)科技有限公司 | 识别出行模式的方法及装置 |
CN105843919A (zh) * | 2016-03-24 | 2016-08-10 | 云南大学 | 一种基于多特征融合与聚类集成的移动对象轨迹聚类方法 |
CN106446208A (zh) * | 2016-09-30 | 2017-02-22 | 东南大学 | 一种考虑路网契合度的智能手机出行方式识别方法 |
EP3462133A2 (en) * | 2017-09-29 | 2019-04-03 | HERE Global B.V. | Method and apparatus for identifying a transport mode of probe data |
Non-Patent Citations (1)
Title |
---|
XIAOLU ZHU 等: "Learning Transportation Mode Choice for Context-aware Services with Directed-Graph-Guided Fused Lasso from GPS Trajectory data", 《2017 IEEE 24TH INTERNATIONAL CONFERENCE ON WEB SERVICES》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110530863A (zh) * | 2019-08-27 | 2019-12-03 | 南京末梢信息技术有限公司 | 一种汽车轮毂混包检测装置及方法 |
CN110530863B (zh) * | 2019-08-27 | 2022-04-05 | 南京末梢信息技术有限公司 | 一种汽车轮毂混包检测装置及方法 |
CN110672114A (zh) * | 2019-09-25 | 2020-01-10 | 拉扎斯网络科技(上海)有限公司 | 区域属性确定方法、装置、可读存储介质和电子设备 |
CN110726414A (zh) * | 2019-10-25 | 2020-01-24 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN110726414B (zh) * | 2019-10-25 | 2021-07-27 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN111121791A (zh) * | 2019-11-29 | 2020-05-08 | 上饶市中科院云计算中心大数据研究院 | 隐马尔可夫模型在地图匹配中的优化方法及gps定位方法 |
CN111444302A (zh) * | 2020-04-17 | 2020-07-24 | 中国传媒大学 | 基于用户分类的移动性预测方法、***、装置 |
CN114418093A (zh) * | 2022-01-19 | 2022-04-29 | 北京百度网讯科技有限公司 | 训练路径表征模型、输出信息的方法和装置 |
CN114418093B (zh) * | 2022-01-19 | 2023-08-25 | 北京百度网讯科技有限公司 | 训练路径表征模型、输出信息的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110097121B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097121A (zh) | 一种行驶轨迹的分类方法、装置、电子设备及存储介质 | |
US12024196B2 (en) | Simulation test method for autonomous driving vehicle, computer equipment and medium | |
CN109188457A (zh) | 物体检测框的生成方法、装置、设备、存储介质及车辆 | |
CN105333883B (zh) | 一种用于抬头显示器的导航路径轨迹显示方法和装置 | |
CN110377682B (zh) | 轨迹类型确定方法、装置、计算设备和存储介质 | |
CN109446662A (zh) | 车辆仿真轨迹的生成方法及装置、计算机设备及存储介质 | |
CN108027243A (zh) | 用于操作自动驾驶车辆的控制误差校正规划方法 | |
CN109931945A (zh) | Ar导航方法、装置、设备和存储介质 | |
CN109116374A (zh) | 确定障碍物距离的方法、装置、设备及存储介质 | |
CN109215372A (zh) | 路网信息更新方法、装置及设备 | |
CN110095126A (zh) | 地图匹配方法、装置、设备和介质 | |
CN107194412A (zh) | 一种处理数据的方法、装置、设备和计算机存储介质 | |
CN107389085A (zh) | 一种道路通行属性的确定方法、装置、计算机及存储介质 | |
CN110378966A (zh) | 相机外参标定方法、装置、计算机设备及存储介质 | |
CN109635861B (zh) | 一种数据融合方法、装置、电子设备及存储介质 | |
CN109710709A (zh) | 兴趣点数据处理方法、装置、电子设备及存储介质 | |
CN110389995A (zh) | 车道信息检测方法、装置、设备和介质 | |
CN109115242B (zh) | 一种导航评估方法、装置、终端、服务器及存储介质 | |
CN108268831A (zh) | 一种无人车视觉检测的鲁棒性测试方法和*** | |
CN110288154A (zh) | 速度预测方法、装置、设备和介质 | |
CN110471999A (zh) | 轨迹处理方法、装置、设备和介质 | |
CN108286973B (zh) | 一种行驶数据校验方法及装置、及混合导航*** | |
CN113487862A (zh) | 绿波速度确定方法、装置、电子设备和存储介质 | |
Gressenbuch et al. | Mona: The munich motion dataset of natural driving | |
CN111881121B (zh) | 一种自动驾驶数据填充方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |