CN111721306A - 道路匹配方法、装置、电子设备及可读存储介质 - Google Patents
道路匹配方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111721306A CN111721306A CN201910216427.8A CN201910216427A CN111721306A CN 111721306 A CN111721306 A CN 111721306A CN 201910216427 A CN201910216427 A CN 201910216427A CN 111721306 A CN111721306 A CN 111721306A
- Authority
- CN
- China
- Prior art keywords
- road
- candidate
- information
- track information
- candidate roads
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种道路匹配方法、装置、电子设备及可读存储介质,属于导航定位技术领域。该方法包括:获取车辆的包括至少三个位置点的行驶轨迹信息;根据所述至少三个位置点中任意一个位置点获取多条候选道路;将所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息输入至长短期记忆网络LSTM模型,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路。由于LSTM模型能够从输入数据中筛选出有用的数据,其可以过滤掉无用的数据,使得最后的输出结果均是基于有用的数据获得的,所以,利用LSTM模型进行匹配,以此可以提高道路匹配的准确性。
Description
技术领域
本发明涉及导航定位技术领域,具体而言,涉及一种道路匹配方法、装置、电子设备及可读存储介质。
背景技术
目前移动互联网基于位置服务(Location Based Service,LBS)应用已经深入到大众的生活中。人们经常使用这些移动互联网地图规划出行的行程路线(Road Planning),预估起终点所耗费的时间(Estimation time of arrival,ETA)等,而这些技术的一个很重要的基础,就是需要通过实时收集到的数据(包括卫星导航***(Global PositioningSystem,GPS)数据和传感器数据),感知当前车辆所处的路线,也即是地图领域的道路匹配(map-matching)。
现有技术中,是通过获取车辆的GPS数据进行道路匹配,但是GPS数据存在漂移的现象,从而导致道路匹配准确率很低。
发明内容
有鉴于此,本发明实施例的目的在于提供一种道路匹配方法、装置、电子设备及可读存储介质。
第一方面,本发明实施例提供了一种道路匹配方法,所述方法包括:获取车辆的包括至少三个位置点的行驶轨迹信息,其中,所述至少三个位置点包括当前位置点和至少两个历史位置点,每个历史位置点到所述当前位置点的距离都小于等于预设距离;根据所述至少三个位置点中任意一个位置点获取多条候选道路,每条候选道路包括候选道路特征信息;将所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息输入至长短期记忆网络LSTM模型,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路。
在上述实现过程中,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路,由于LSTM模型能够从输入数据中筛选出有用的数据,其可以过滤掉无用的数据,使得最后的输出结果均是基于有用的数据获得的,所以,相比于现有技术中只通过获取车辆的GPS数据来进行道路匹配,本方案中是获取车辆的行驶轨迹信息以及候选道路的特征信息,利用LSTM模型进行匹配,以此可以提高道路匹配的准确性。
可选地,根据所述至少三个位置点中任意一个位置点获取多条候选道路,包括:获取所述至少三个位置点中任意一个位置点作为目标位置点在目标范围内对应的道路密度信息;在所述道路密度信息大于或等于第一预设值时,获取包括所述目标位置点的第一预设范围内的多条候选道路,所述第一预设范围内的候选道路的数量小于所述目标范围内的候选道路的数量;在所述道路密度信息小于第二预设值时,获取包括所述目标位置点的第二预设范围内的多条候选道路,所述第二预设范围内的候选道路的数量大于所述目标范围内的候选道路的数量。
在上述实现过程中,通过基于获取的道路密度信息来获得最后的多条候选道路,则使得获得的多条候选道路的数量满足匹配要求,进而在匹配时,可以提高匹配精度以及减少匹配难度。
可选地,所述LSTM模型包括遗忘门衰减公式、细胞状态过滤公式、输入门更新公式、细胞状态更新公式和输出更新公式,将所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息输入至长短期记忆网络LSTM模型,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路,包括:基于所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息,利用所述遗忘门衰减公式确定遗忘函数;基于所述遗忘函数,利用所述细胞状态过滤公式过滤所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息中的无用信息,获得有效行驶轨迹信息以及有效候选道路特征信息;基于所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息,利用所述输入门更新公式确定更新值;利用所述细胞状态更新公式,基于所述更新值对所述有效行驶轨迹信息以及所述有效候选道路特征信息进行更新,确定初始输出值,所述初始输出值为所述行驶轨迹信息分别与所述多条候选道路进行匹配的初始匹配概率;利用所述输出更新公式对所述初始输出值进行标准化处理和更新,获得模型输出结果,所述模型输出结果为所述行驶轨迹信息分别与所述多条候选道路进行匹配的匹配概率。
可选地,获取车辆在当前时刻之前预设时间段内的包括至少三个位置点信息的行驶轨迹信息之前,还包括:获取训练样本数据,所述训练样本数据包括样本行驶轨迹信息以及根据所述样本行驶轨迹信息获取的多条样本候选道路,所述样本行驶轨迹信息为车辆在当前时刻之前预设时间段内的包括多个位置点信息的行驶轨迹信息;将所述样本行驶轨迹信息以及所述多条样本候选道路作为所述LSTM模型的输入,将所述样本行驶轨迹信息与每条样本候选道路的匹配信息作为输出,对所述LSTM模型进行训练,获得训练后的LSTM模型。
在上述实现过程中,通过预先获取大量的数据对LSTM模型进行训练,使得LSTM模型中参数可以达到最优,然后利用训练后的LSTM模型进行道路匹配,从而可以获得更好的匹配结果。
可选地,获取车辆的包括至少三个位置点的行驶轨迹信息之前,包括:获取多条历史道路;对每条历史道路按照道路属性进行划分,获得每条历史道路对应的多条子路段,每条历史道路对应的子路段作为该历史道路中的候选道路。
在上述实现过程中,通过对每条历史道路按照道路属性进行划分,获得多条子路段,子路段用于作为候选道路,从而使得获得的多条候选道路为距离较小的路段,进而在匹配过程中,可以将车辆的行驶轨迹信息匹配到距离较短的路段,相比于距离较长的道路来说,该方案可以减少匹配的难度,提高匹配的准确性。
第二方面,本发明实施例提供了一种道路匹配装置,所述装置包括:
位置信息获取模块,用于获取车辆的包括至少三个位置点的行驶轨迹信息,其中,所述至少三个位置点包括当前位置点和至少两个历史位置点,每个历史位置点到所述当前位置点的距离都小于等于预设距离;
候选道路获取模块,用于根据所述至少三个位置点中任意一个位置点获取多条候选道路,每条候选道路包括候选道路特征信息;
匹配模块,用于将所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息输入至长短期记忆网络LSTM模型,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路。
可选地,所述候选道路获取模块,具体用于获取所述至少三个位置点中任意一个位置点作为目标位置点在目标范围内对应的道路密度信息;在所述道路密度信息大于或等于第一预设值时,获取包括所述目标位置点的第一预设范围内的多条候选道路,所述第一预设范围内的候选道路的数量小于所述目标范围内的候选道路的数量;在所述道路密度信息小于第二预设值时,获取包括所述目标位置点的第二预设范围内的多条候选道路,所述第二预设范围内的候选道路的数量大于所述目标范围内的候选道路的数量。
可选地,所述LSTM模型包括遗忘门衰减公式、细胞状态过滤公式、输入门更新公式、细胞状态更新公式和输出更新公式,所述匹配模块,具体用于:
基于所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息,利用所述遗忘门衰减公式确定遗忘函数;
基于所述遗忘函数,利用所述细胞状态过滤公式过滤所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息中的无用信息,获得有效行驶轨迹信息以及有效候选道路特征信息;
基于所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息,利用所述输入门更新公式确定更新值;
利用所述细胞状态更新公式,基于所述更新值对所述有效行驶轨迹信息以及所述有效候选道路特征信息进行更新,确定初始输出值,所述初始输出值为所述行驶轨迹信息分别与所述多条候选道路进行匹配的初始匹配概率;
利用所述输出更新公式对所述初始输出值进行标准化处理和更新,获得模型输出结果,所述模型输出结果为所述行驶轨迹信息分别与所述多条候选道路进行匹配的匹配概率。
可选地,所述装置还包括:
模型训练模块,用于获取训练样本数据,所述训练样本数据包括样本行驶轨迹信息以及根据所述样本行驶轨迹信息获取的多条样本候选道路,所述样本行驶轨迹信息为车辆在当前时刻之前预设时间段内的包括多个位置点信息的行驶轨迹信息;将所述样本行驶轨迹信息以及所述多条样本候选道路作为所述LSTM模型的输入,将所述样本行驶轨迹信息与每条样本候选道路的匹配信息作为输出,对所述LSTM模型进行训练,获得训练后的LSTM模型。
可选地,所述装置还包括:
道路划分模块,用于获取多条历史道路;对每条历史道路按照道路属性进行划分,获得每条历史道路对应的多条子路段,每条历史道路对应的子路段作为该历史道路中的候选道路。
第三方面,本发明实施例提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如第一方面提供的道路匹配方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如第一方面提供的道路匹配方法的步骤。
本发明实施例提供一种道路匹配方法、装置、电子设备及可读存储介质,该方法中,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路,由于LSTM模型能够从输入数据中筛选出有用的数据,其可以过滤掉无用的数据,使得最后的输出结果均是基于有用的数据获得的,所以,相比于现有技术中只通过获取车辆的GPS数据来进行道路匹配,本方案中是获取车辆的行驶轨迹信息以及候选道路的特征信息,利用LSTM模型进行匹配,以此可以提高道路匹配的准确性。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的终端与服务器进行交互的示意图;
图2示出根据本发明的一些实施例的可以实现本申请思想的服务器的电子设备的示例性硬件和软件组件的示意图;
图3为本发明实施例提供的一种道路匹配方法的流程图;
图4为本发明实施例提供的一种获取候选道路的示意图;
图5为本发明实施例提供的一种道路划分子路段的示意图;
图6为本发明实施例提供的一种LSTM模型的结构示意图;
图7为本发明实施例提供的一种LSTM模型中细胞状态的结构示意图;
图8为本发明实施例提供的一种LSTM模型中控制门的结构示意图;
图9为本发明实施例提供的一种LSTM模型中输入门的结构示意图;
图10为本发明实施例提供的一种LSTM模型中的遗忘门的结构示意图;
图11为本发明实施例提供的一种LSTM模型中的细胞状态更新示意图;
图12为本发明实施例提供的一种LSTM模型中的输出门的结构示意图;
图13为本发明实施例提供的一种道路匹配方法中步骤S130的流程图;
图14为本发明实施例提供的一种道路匹配装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1为本发明实施例提供的终端10与服务器20进行交互的示意图,所述服务器20通过网络30与一个或多个终端10进行通信连接,以进行数据通信或交互。所述终端10可以是个人电脑(personal computer,PC)、平板电脑、智能手机、个人数字助理(personaldigital assistant,PDA)、可穿戴设备、车载终端等终端。
在一些实施例中,服务器20可以是单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器20可以是分布式***)。在一些实施例中,服务器20相对于终端,可以是本地的、也可以是远程的。例如,服务器20可以经由网络30访问存储在终端10中的信息和/或数据。作为另一示例,服务器20可以直接连接到终端10,以访问存储的信息和/或数据。在一些实施例中,服务器20可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。在一些实施例中,服务器20可以在具有本发明中图2所示的一个或多个组件的电子设备200上实现。
在一些实施例中,服务器20可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本发明中描述的一个或多个功能。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等,或其任意组合。
网络30可以用于信息和/或数据的交换。在一些实施例中,服务器20和终端10可以向其他组件发送信息和/或数据。例如,服务器20可以经由网络30从终端10获取服务请求。在一些实施例中,网络30可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络30可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(WirelessLocal Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(WideArea Network,WAN)、公共电话交换网(Public Switched Telephone Network,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。在一些实施例中,网络30可以包括一个或多个网络接入点。例如,网络30可以包括有线或无线网络接入点,例如基站和/或网络交换节点,其他***的一个或多个组件可以通过该接入点连接到网络30以交换数据和/或信息。
图2示出根据本发明的一些实施例的可以实现本申请思想的服务器的电子设备200的示例性硬件和软件组件的示意图。例如,处理器可以用于电子设备200上,并且用于执行本申请中的功能。
电子设备200可以是通用计算机或特殊用途的计算机,两者都可以用于实现本申请的道路匹配方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口250。
为了便于说明,在电子设备200中仅描述了一个处理器。然而,应当注意,本申请中的电子设备200还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备200的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
请参照图3,图3为本发明实施例提供的一种道路匹配方法的流程图,所述方法包括如下步骤:
步骤S110:获取车辆的包括至少三个位置点的行驶轨迹信息。
车辆在行驶过程中,通过智能设备采集的车辆行驶的轨迹信息与车辆实际所行驶的轨迹信息存在偏移,其偏移的程度在几米到几十米不等,这样就会导致采集到的轨迹信息中的位置点是随机漂移的点,并不能完全反正车辆真实的位置。而在实际应用过程中,如在地图匹配时,需要知道车辆到底是以什么样的轨迹行驶,在什么时候行驶在什么路上,以此根据车辆的行驶轨迹匹配到正确的道路上。
所以在本实施例中,通过智能设备(如车载终端或司机所携带的移动终端等智能设备)采集的车辆行驶的轨迹信息,然后将车辆的行驶轨迹信息通过网络发送至服务器。目前,车辆中的车载终端或司机的移动终端一般都集成有GPS芯片,GPS芯片能够间隔一定时间采集一次GPS定位信息,该信息包括GPS横纵坐标、精度、速度,在各方向加速度等信息,因为GPS芯片采集周期较短,持续时间较长,故在用户量较大的应用中,该数据的规模会非常大,该数据是对用户在物理世界时间空间最直接的描述。
其中,本实施例中采集的车辆的行驶轨迹信息是通过定位***进行采集的一系列GPS数据点,本实施例中称为位置点,即行驶轨迹信息包括至少三个位置点信息。其可以使用的定位技术可以基于全球定位***(Global Positioning System,GPS)、全球导航卫星***(Global Navigation Satellite System,GLONASS),罗盘导航***(COMPASS)、伽利略定位***、准天顶卫星***(Quasi-Zenith Satellite System,QZSS)、无线保真(WirelessFidelity,WiFi)定位技术等,或其任意组合。一个或多个上述定位***可以在本发明中互换使用。
需要说明的是,为了保证对车辆当前所处的位置进行正确匹配,需要获得行驶轨迹信息中的多个位置点,即所述至少三个位置点包括当前位置点和至少两个历史位置点,每个历史位置点到所述当前位置点的距离都小于等于预设距离。
也就是说,在车辆行驶过程中,可以获取车辆行驶轨迹信息中的一系列GPS数据点,即位置点,获取的位置点为当前时间以前的很小一段时间内车辆行驶的位置,这样可以使得对车辆当前所处的道路进行更好的匹配,因为如果是很久之前的位置点,显然该位置点无法表征当前车辆所处的位置。
其中,预设距离可以根据实际应用自行定义,例如,预设距离可设置为10米或5米等较短的距离,则在这10米或5米内车辆的位置一般不会发生太大的变化。需要说明的是,由于位置点为GPS数据点,则历史位置点到当前位置点的距离可以是指在球面坐标系中两个GPS数据点之间的球面距离。
步骤S120:根据所述至少三个位置点中任意一个位置点获取多条候选道路。
为了进行道路匹配,还需获得多条候选道路用于道路匹配,且包括每条候选道路的候选道路特征信息,其候选道路特征信息可以是预先获取并存储与服务器中的,也可以是司机通过终端输入并传输至服务器中,也可以是服务器通过获取车辆上的行车记录仪拍取的道路图像后对道路图像进行识别后获得的。
其中获取多条候选道路的方式可以为:以三个位置点中的当前位置点为例,如多条候选道路可以是包括当前位置点在内的预设范围内的多条候选道路,例如以当前位置点为圆心,在半径为30米范围的多条候选道路,如图4所示,其中被圆圈圈住的道路(r1、r2、r3)即可作为候选道路。
当然,上述预设范围不仅仅可以是圆形,其还可以为矩形,如以任意一个位置点为矩形的中心点,其矩形面积为预设面积的范围,或者以多边形、椭圆等作为预设范围。
而在实际应用中,由于每条道路是很长的路,但是在道路匹配过程中,由于获取的车辆的行驶轨迹信息是很小一段时间内的GPS数据点,则为了对车辆的当前位置所在道路进行准确匹配,还可以在获得车辆的行驶轨迹信息之前,先获得多条历史道路,这多条历史道路可以是某个城市内所有的道路,然后对每条历史道路按照道路属性进行划分,获得每条历史道路对应的多条子路段,每条历史道路对应的子路段作为该历史道路中的候选道路。
可以理解地,道路属性可以理解为是道路的车道数,道路旁的路标,岔路等等,如图5所示的一条道路,其从左边开始为三车道,到右边开始为两车道,则可将三车道这一段路划分为一子路段,将两车道这一段路划分为一子路段,若两车道中车道旁有一提示标志,也可将提示标志前的划分为子路段,将提示标志后的划分为子路段,若在两车道后有一岔路,还可将岔路之间的路段划分为一子路段,将岔路之后的划分为一子路段,该历史道路上的子路段可作为该历史道路的候选道路。
所以,根据上述方式,可将每条历史道路划分为多条距离相对较短的子路段,以此在道路匹配时,可以将车辆的行驶轨迹匹配到子路段上,从而可实现道路更加准确的匹配。
其中,每条候选道路包括候选道路特征信息,候选道路特征信息可以包括但不限于如道路车道数,道路限速值,道路等级,道路类型以及该道路的平均车流速、道路转移概率等等,其中道路转移概率是指两个GPS数据点在球面上之间的距离与该两个GPS数据点投影到某个道路上的距离的接近概率。
另外,根据至少三个位置点中任意一个位置点获取多条候选道路的方式还可以为:获取所述至少三个位置点中任意一个位置点作为目标位置点在目标范围内对应的道路密度信息,在所述道路密度信息大于或等于第一预设值时,获取包括所述目标位置点的第一预设范围内的多条候选道路,所述第一预设范围内的候选道路的数量小于所述目标范围内的候选道路的数量;在所述道路密度信息小于第二预设值时,获取包括所述目标位置点的第二预设范围内的多条候选道路,所述第二预设范围内的候选道路的数量大于所述目标范围内的候选道路的数量。
可以理解地,其中目标位置点对应的道路密度信息可以通过如下方式获取:道路密度信息可以用获取的多条候选道路的数量来表征,如目标范围为以目标位置点为圆心,在预设半径为30米的范围,则获取该目标范围内的多条候选道路,若获取的多条候选道路的数量很多,比如有十条,若第一预设值设置的值为10,表明在这30米范围内的道路密度信息大于或等于10,此时表明获取的候选道路的数量太多,增加了匹配的难度,则可获取包括所述目标位置点在内的第一预设范围内的多条候选道路,如第一预设范围为以目标位置点为圆心,获取半径20米,则获取该第一预设范围内的候选道路,使得该第一范围获取的候选道路的数量小于目标范围内的候选道路的数量。但是在某些情况下,如车辆所处的位置周围道路稀少,则在目标范围内获取的候选道路数量可能较少,如为2,这时候选道路数量太少,可能无法进行正确的匹配,若设置的第二预设值为5,此时表明道路密度信息小于5,则获取包括所述目标位置点的第二预设范围内的多条候选道路,该第二预设范围内的候选道路的数量大于目标范围内的候选道路的数量,如第二预设范围为以目标位置为圆心,半径50米内的范围,其候选道路数量为5,则可获得5条候选道路作为进行匹配的候选道路。
当然,上述通过获取某个范围内的候选道路,其范围的确定不仅仅只是上述所示出的实施方式,其还可以为矩形、多边形等形状的范围,其道路密度信息也可以不仅仅只是以候选道路的数量来表征,其还可以以其他方式进行表征,如候选道路数量与范围的比例来表征。
步骤S130:将所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息输入至长短期记忆网络LSTM模型,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路。
为了将车辆的行驶轨迹信息与多条候选道路实现正确匹配,则可将所述行驶轨迹信息以及多条候选道路的候选道路特征信息输入至长短期记忆网络(Long short-termmemory,简称LSTM)模型中,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路。
其中,LSTM模型是一种称作记忆细胞的特殊单元类似累加器和门控神经元,它在下一个时间步长将拥有一个权值并联接到自身,拷贝自身状态的真实值和累积的外部信号,但这种自联接是由另一个单元学习并决定何时清除记忆内容的乘法门控制的。并且,LSTM模型是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM区别于其他记忆网络的方法在于它在算法中加入了一个判断信息有用与否的“处理器”,这个处理器作用的结构被称为细胞单元(cell),一个细胞单元当中被放置了三扇门,分别叫做输入门、遗忘门和输出门,一个信息进入LSTM的网络当中,可以根据规则来判断所述信息是否有用,只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。所以,在LSTM模型中只有输入的数据有用的才会被继续处理后输出对应的结果,所以其更多的可以从输入数据中筛选出有用的信息,使得最后的输出结果更为准确。
所以,本实施例中,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路,由于LSTM模型能够从输入数据中筛选出有用的数据,其可以过滤掉无用的数据,使得最后的输出结果均是基于有用的数据获得的,所以,相比于现有技术中只通过获取车辆的GPS数据来进行道路匹配,本方案中是获取车辆的行驶轨迹信息以及候选道路的特征信息,利用LSTM模型进行匹配,以此可以提高道路匹配的准确性。
下面对LSTM模型的具体原理进行介绍。
请参照图6,图6示出了LSTM模型的结构示意图,在图6中,每一条黑线传输着一整个向量,从一个节点的输出到其他节点的输入,圈代表pointwise的操作,诸如向量的和,而矩形就是学习到的神经网络层,合在一起的线表示向量的连接,分开的线表示内容被复制,然后分发到不同的位置。
如图7,LSTM的关键就是细胞状态,水平线在图7中的上方贯穿运行。细胞状态类似于传送带,直接在整个链上运行,只有一些少量的线***互,信息在上面流传保持不变会很容易。当然传送带本身是无法控制哪些信息是否被记忆,起控制作用的是如图8中的控制门。
控制门用来去除或者增加信息到细胞状态的能力,门是一种让信息选择式通过的方法,它们包含一个sigmoid神经网络层和pointwise乘法操作。sigmoid层输出0到1之间的数值,描述每个部分有多少量可以通过,0代表“不允许任何量通过”,1代表“允许任意量通过”。
LSTM模型中有三个控制门来保护和控制细胞状态,即输入门、遗忘门和输出门,LSTM模型通过这三个控制门,使得自循环的权重是变化的,同时在模型参数固定的情况下,不同时刻的积分尺度可以动态改变,避免了深度学习训练过程中梯度消失或者梯度膨胀。
如图9所示,输入门负责处理当前序列位置的输入,从图9可以看出输入门由两部分组成,第一部分使用了sigmoid激活函数,输出为it,第二部分使用了tanh激活函数,输出为两者的结果后面会相乘再去更新细胞状态,用数学表达式即为:
it=σ(Wi[ht-1,xt]+bi)
其中,Wi,Wc,bi,bc为线性关系的系数和偏倚,和RNN中的类似,σ为sigmoid激活函数。
如图10所示,遗忘门,是控制是否遗忘,在LSTM模型中即以一定的概率控制是否遗忘上一层的隐藏细胞状态,图10中输入的有上一序列的隐藏状态ht-1和本序列数据xt,通过一个激活函数,一般是sigmoid函数,得到遗忘门的输出ft。由于sigmoid函数的输出ft在[0,1]之间,因此这里的输出ft代表了上一层隐藏细胞状态的概率,用数学表达式即为:
ft=σ(Wf[ht-1,xt]+bf)
其中,W和b分别为对应的权重系矩阵和偏置项,xt为在t时刻的输入数据序列,σ为sigmoid函数,ct-1为t-1时刻的过滤函数,ht-1为t-1时刻的输出更新公式,ft为遗忘函数。
遗忘门和输入门的结果都会作用于细胞状态Ct,对细胞状态进行更新,即从细胞状态Ct-1更新到Ct,如图11所示,细胞状态Ct用数学表达式即为:
其中,*为Hadamard积。
有了新的隐藏细胞状态,则参照图12中的输出门结构,从图中可以看出,隐藏状态ht的更新部分由两部分组成,第一部分是ot,它由上一序列的隐藏状态ht-1和本序列数据xt,以及激活函数sigmoid得到,第二部分由隐藏状态Ct和tanh激活函数组成,即:
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(Ct)
下面结合本发明实施例与上述的LSTM模型的原理对本发明实施例中的道路的匹配过程进行说明:所述LSTM模型可以包括遗忘门衰减公式、细胞状态过滤公式、输入门更新公式、细胞状态更新公式和输出更新公式,如图13,其步骤S130包括:
步骤S131:基于所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息,利用所述遗忘门衰减公式确定遗忘函数。
步骤S132:基于所述遗忘函数,利用所述细胞状态过滤公式过滤所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息中的无用信息,获得有效行驶轨迹信息以及有效候选道路特征信息。
所述遗忘门衰减公式为ft=σ(Wf[ht-1,xt]+bf),其中,W和b分别为对应的权重系矩阵和偏置项,xt为在t时刻的输入数据序列,σ为sigmoid函数,ct-1为t-1时刻的过滤函数,ht-1为t-1时刻的输出更新公式,ft为遗忘函数。遗忘门描述对于之前学习到的信息,根据遗忘曲线规律而自动信息衰减的过程,即对学习者的遗忘过程进行描述和表示。
所述细胞状态过滤公式为ct=ftct-1,其中,ct是过滤函数,表示描述对于之前学习到的信息,过滤掉与属性层级关系冲突的信息或对t时刻的预测无用的信息。
步骤S133:基于所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息,利用所述输入门更新公式确定更新值。
步骤S134:利用所述细胞状态更新公式,基于所述更新值对所述有效行驶轨迹信息以及所述有效候选道路特征信息进行更新,确定初始输出值,所述初始输出值为所述行驶轨迹信息分别与所述多条候选道路进行匹配的初始匹配概率。
所述输入门更新公式为it=σ(Wi[ht-1,xt]+bi),所述细胞状态更新公式为 应当理解的是,所述细胞状态更新公式包括上述细胞状态过滤公式,同时添加基于所述更新值新的信息。可选地,输出门还通过sigmoid函数得到一个初始输出值,即:ot=σ(Wo[ht-1,xt]+bo)。
步骤S135:利用所述输出更新公式对所述初始输出值进行标准化处理和更新,获得模型输出结果,所述模型输出结果为所述行驶轨迹信息分别与所述多条候选道路进行匹配的匹配概率。
所述输出更新公式为ht=ot*tanh(Ct)。
所以通过上述LSTM模型内部的计算,可以输出行驶轨迹信息与每条候选道路的匹配概率。
另外,应当理解的是,上述在利用LSTM对行驶轨迹信息与候选道路进行匹配时,该LSTM模型为预先进行训练后获得的,所以,在运用LSTM模型对行驶轨迹信息与候选道路进行匹配之前,还需对LSTM模型进行训练,其训练过程如下:首先获取训练样本数据,所述训练样本数据包括样本行驶轨迹信息以及根据所述样本行驶轨迹信息获取的多条样本候选道路,所述样本行驶轨迹信息为车辆在当前时刻之前预设时间段内的包括多个位置点信息的行驶轨迹信息;将所述样本行驶轨迹信息以及所述多条样本候选道路作为所述LSTM模型的输入,将所述样本行驶轨迹信息与每条样本候选道路的匹配信息作为输出,对所述LSTM模型进行训练,获得训练后的LSTM模型。
其训练的过程与上述匹配的过程相似,只是在训练过程中,获取的训练数据为大量的样本行驶轨迹信息,如大量的GPS数据点,在进行训练时,每个GPS数据点均预先进行标注,其标注的方式有:人工标注;规则选取:可以通过对已经发生完整轨迹,使用规则判定轨迹中间的部分的绑路结果,例如轨迹中间某段不能确定是在主路,还是辅路,但根据车辆后来的轨迹方向可以确定,比如,辅路有右拐但主路直行,且轨迹右拐,则说明之前的行驶点是在辅路上而非主路;图像识别标注模式:使用车辆上形成记录仪采集的图像,确定该图像对应的GPS数据点所属的道路。
可以理解地,在训练时,可以将每个GPS数据点标注上对应所属的候选道路以及对应的候选道路特征信息,然后将这些数据输入至LSTM模型进行训练,以训练LSTM模型中的参数达到最优,从而获得最优的输出结果,训练过程请参照上述介绍的LSTM模型的原理描述,在此不再过多赘述。
请参照图14,图14为本发明实施例提供的一种道路匹配装置300的结构框图,所述装置包括:
位置信息获取模块310,用于获取车辆的包括至少三个位置点的行驶轨迹信息,其中,所述至少三个位置点包括当前位置点和至少两个历史位置点,每个历史位置点到所述当前位置点的距离都小于等于预设距离;
候选道路获取模块320,用于根据所述至少三个位置点中任意一个位置点获取多条候选道路,每条候选道路包括候选道路特征信息;
匹配模块330,用于将所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息输入至长短期记忆网络LSTM模型,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路。
可选地,所述候选道路获取模块320,具体用于获取所述至少三个位置点中任意一个位置点作为目标位置点在目标范围内对应的道路密度信息;在所述道路密度信息大于或等于第一预设值时,获取包括所述目标位置点的第一预设范围内的多条候选道路,所述第一预设范围内的候选道路的数量小于所述目标范围内的候选道路的数量;在所述道路密度信息小于第二预设值时,获取包括所述目标位置点的第二预设范围内的多条候选道路,所述第二预设范围内的候选道路的数量大于所述目标范围内的候选道路的数量。
可选地,所述LSTM模型包括遗忘门衰减公式、细胞状态过滤公式、输入门更新公式、细胞状态更新公式和输出更新公式,所述匹配模块330,具体用于:
基于所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息,利用所述遗忘门衰减公式确定遗忘函数;
基于所述遗忘函数,利用所述细胞状态过滤公式过滤所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息中的无用信息,获得有效行驶轨迹信息以及有效候选道路特征信息;
基于所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息,利用所述输入门更新公式确定更新值;
利用所述细胞状态更新公式,基于所述更新值对所述有效行驶轨迹信息以及所述有效候选道路特征信息进行更新,确定初始输出值,所述初始输出值为所述行驶轨迹信息分别与所述多条候选道路进行匹配的初始匹配概率;
利用所述输出更新公式对所述初始输出值进行标准化处理和更新,获得模型输出结果,所述模型输出结果为所述行驶轨迹信息分别与所述多条候选道路进行匹配的匹配概率。
可选地,所述装置还包括:
模型训练模块,用于获取训练样本数据,所述训练样本数据包括样本行驶轨迹信息以及根据所述样本行驶轨迹信息获取的多条样本候选道路,所述样本行驶轨迹信息为车辆在当前时刻之前预设时间段内的包括多个位置点信息的行驶轨迹信息;将所述样本行驶轨迹信息以及所述多条样本候选道路作为所述LSTM模型的输入,将所述样本行驶轨迹信息与每条样本候选道路的匹配信息作为输出,对所述LSTM模型进行训练,获得训练后的LSTM模型。
可选地,所述装置还包括:
道路划分模块,用于获取多条历史道路;对每条历史道路按照道路属性进行划分,获得每条历史道路对应的多条子路段,每条历史道路对应的子路段作为该历史道路中的候选道路。
本发明实施例提供一种可读取存储介质,所述计算机程序被处理器执行时,执行如图3所示方法实施例中电子设备所执行的方法过程。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
综上所述,本发明实施例提供一种道路匹配方法、装置、电子设备及可读存储介质,该方法中,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路,由于LSTM模型能够从输入数据中筛选出有用的数据,其可以过滤掉无用的数据,使得最后的输出结果均是基于有用的数据获得的,所以,相比于现有技术中只通过获取车辆的GPS数据来进行道路匹配,本方案中是获取车辆的行驶轨迹信息以及候选道路的特征信息,利用LSTM模型进行匹配,以此可以提高道路匹配的准确性。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (12)
1.一种道路匹配方法,其特征在于,所述方法包括:
获取车辆的包括至少三个位置点的行驶轨迹信息,其中,所述至少三个位置点包括当前位置点和至少两个历史位置点,每个历史位置点到所述当前位置点的距离都小于等于预设距离;
根据所述至少三个位置点中任意一个位置点获取多条候选道路,每条候选道路包括候选道路特征信息;
将所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息输入至长短期记忆网络LSTM模型,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路。
2.根据权利要求1所述的方法,其特征在于,根据所述至少三个位置点中任意一个位置点获取多条候选道路,包括:
获取所述至少三个位置点中任意一个位置点作为目标位置点在目标范围内对应的道路密度信息;
在所述道路密度信息大于或等于第一预设值时,获取包括所述目标位置点的第一预设范围内的多条候选道路,所述第一预设范围内的候选道路的数量小于所述目标范围内的候选道路的数量;
在所述道路密度信息小于第二预设值时,获取包括所述目标位置点的第二预设范围内的多条候选道路,所述第二预设范围内的候选道路的数量大于所述目标范围内的候选道路的数量。
3.根据权利要求1所述的方法,其特征在于,所述LSTM模型包括遗忘门衰减公式、细胞状态过滤公式、输入门更新公式、细胞状态更新公式和输出更新公式,将所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息输入至长短期记忆网络LSTM模型,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路,包括:
基于所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息,利用所述遗忘门衰减公式确定遗忘函数;
基于所述遗忘函数,利用所述细胞状态过滤公式过滤所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息中的无用信息,获得有效行驶轨迹信息以及有效候选道路特征信息;
基于所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息,利用所述输入门更新公式确定更新值;
利用所述细胞状态更新公式,基于所述更新值对所述有效行驶轨迹信息以及所述有效候选道路特征信息进行更新,确定初始输出值,所述初始输出值为所述行驶轨迹信息分别与所述多条候选道路进行匹配的初始匹配概率;
利用所述输出更新公式对所述初始输出值进行标准化处理和更新,获得模型输出结果,所述模型输出结果为所述行驶轨迹信息分别与所述多条候选道路进行匹配的匹配概率。
4.根据权利要求1所述的方法,其特征在于,获取车辆在当前时刻之前预设时间段内的包括至少三个位置点信息的行驶轨迹信息之前,还包括:
获取训练样本数据,所述训练样本数据包括样本行驶轨迹信息以及根据所述样本行驶轨迹信息获取的多条样本候选道路,所述样本行驶轨迹信息为车辆在当前时刻之前预设时间段内的包括多个位置点信息的行驶轨迹信息;
将所述样本行驶轨迹信息以及所述多条样本候选道路作为所述LSTM模型的输入,将所述样本行驶轨迹信息与每条样本候选道路的匹配信息作为输出,对所述LSTM模型进行训练,获得训练后的LSTM模型。
5.根据权利要求1所述的方法,其特征在于,获取车辆的包括至少三个位置点的行驶轨迹信息之前,包括:
获取多条历史道路;
对每条历史道路按照道路属性进行划分,获得每条历史道路对应的多条子路段,每条历史道路对应的子路段作为该历史道路中的候选道路。
6.一种道路匹配装置,其特征在于,所述装置包括:
位置信息获取模块,用于获取车辆的包括至少三个位置点的行驶轨迹信息,其中,所述至少三个位置点包括当前位置点和至少两个历史位置点,每个历史位置点到所述当前位置点的距离都小于等于预设距离;
候选道路获取模块,用于根据所述至少三个位置点中任意一个位置点获取多条候选道路,每条候选道路包括候选道路特征信息;
匹配模块,用于将所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息输入至长短期记忆网络LSTM模型,通过所述LSTM模型将所述行驶轨迹信息与所述多条候选道路进行匹配,以从所述多条候选道路中获得与所述行驶轨迹信息匹配的目标道路。
7.根据权利要求6所述的装置,其特征在于,所述候选道路获取模块,具体用于获取所述至少三个位置点中任意一个位置点作为目标位置点在目标范围内对应的道路密度信息;在所述道路密度信息大于或等于第一预设值时,获取包括所述目标位置点的第一预设范围内的多条候选道路,所述第一预设范围内的候选道路的数量小于所述目标范围内的候选道路的数量;在所述道路密度信息小于第二预设值时,获取包括所述目标位置点的第二预设范围内的多条候选道路,所述第二预设范围内的候选道路的数量大于所述目标范围内的候选道路的数量。
8.根据权利要求6所述的装置,其特征在于,所述LSTM模型包括遗忘门衰减公式、细胞状态过滤公式、输入门更新公式、细胞状态更新公式和输出更新公式,所述匹配模块,具体用于:
基于所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息,利用所述遗忘门衰减公式确定遗忘函数;
基于所述遗忘函数,利用所述细胞状态过滤公式过滤所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息中的无用信息,获得有效行驶轨迹信息以及有效候选道路特征信息;
基于所述行驶轨迹信息以及所述多条候选道路的候选道路特征信息,利用所述输入门更新公式确定更新值;
利用所述细胞状态更新公式,基于所述更新值对所述有效行驶轨迹信息以及所述有效候选道路特征信息进行更新,确定初始输出值,所述初始输出值为所述行驶轨迹信息分别与所述多条候选道路进行匹配的初始匹配概率;
利用所述输出更新公式对所述初始输出值进行标准化处理和更新,获得模型输出结果,所述模型输出结果为所述行驶轨迹信息分别与所述多条候选道路进行匹配的匹配概率。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括:
模型训练模块,用于获取训练样本数据,所述训练样本数据包括样本行驶轨迹信息以及根据所述样本行驶轨迹信息获取的多条样本候选道路,所述样本行驶轨迹信息为车辆在当前时刻之前预设时间段内的包括多个位置点信息的行驶轨迹信息;将所述样本行驶轨迹信息以及所述多条样本候选道路作为所述LSTM模型的输入,将所述样本行驶轨迹信息与每条样本候选道路的匹配信息作为输出,对所述LSTM模型进行训练,获得训练后的LSTM模型。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
道路划分模块,用于获取多条历史道路;对每条历史道路按照道路属性进行划分,获得每条历史道路对应的多条子路段,每条历史道路对应的子路段作为该历史道路中的候选道路。
11.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求1-5任一所述的道路匹配方法的步骤。
12.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1-5任一所述的道路匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910216427.8A CN111721306B (zh) | 2019-03-20 | 2019-03-20 | 道路匹配方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910216427.8A CN111721306B (zh) | 2019-03-20 | 2019-03-20 | 道路匹配方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111721306A true CN111721306A (zh) | 2020-09-29 |
CN111721306B CN111721306B (zh) | 2022-07-05 |
Family
ID=72562823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910216427.8A Active CN111721306B (zh) | 2019-03-20 | 2019-03-20 | 道路匹配方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111721306B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112229412A (zh) * | 2020-10-21 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种车道定位方法、装置及存储介质和服务器 |
CN112380314A (zh) * | 2020-12-04 | 2021-02-19 | 腾讯科技(深圳)有限公司 | 路网信息的处理方法和装置、存储介质及电子设备 |
CN112559660A (zh) * | 2020-12-11 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 一种道路数据处理方法、装置、电子设备和存储介质 |
CN112597401A (zh) * | 2020-11-26 | 2021-04-02 | 深圳市跨越新科技有限公司 | 一种休息点推荐方法及*** |
CN115144880A (zh) * | 2022-06-28 | 2022-10-04 | 平安银行股份有限公司 | 一种道路匹配方法、设备和存储介质 |
Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050228584A1 (en) * | 2002-03-29 | 2005-10-13 | Shinya Adachi | Map matching method, map matching device, database for shape matching, and shape matching device |
CN101571400A (zh) * | 2009-01-04 | 2009-11-04 | 四川川大智胜软件股份有限公司 | 基于动态交通信息的嵌入式车载组合导航*** |
CN102831768A (zh) * | 2012-08-15 | 2012-12-19 | 大连理工大学 | 一种基于车联网的混合动力客车行驶工况预测方法 |
CN104318766A (zh) * | 2014-10-22 | 2015-01-28 | 北京建筑大学 | 一种公交gps轨迹数据的路网匹配方法 |
CN104330089A (zh) * | 2014-11-17 | 2015-02-04 | 东北大学 | 一种利用历史gps数据进行地图匹配的方法 |
CN104781686A (zh) * | 2012-11-21 | 2015-07-15 | 苹果公司 | 路径匹配 |
CN105628033A (zh) * | 2016-02-26 | 2016-06-01 | 广西鑫朗通信技术有限公司 | 一种基于道路连通关系的地图匹配方法 |
CN105674995A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术(北京)有限公司 | 一种基于用户出行轨迹获取通勤路线的方法及装置 |
US20160170414A1 (en) * | 2014-12-11 | 2016-06-16 | Here Global B.V. | Learning Signs From Vehicle Probes |
CN106441316A (zh) * | 2016-09-08 | 2017-02-22 | 复旦大学 | 一种基于历史数据的单点路网匹配方法 |
CN106525057A (zh) * | 2016-10-26 | 2017-03-22 | 陈曦 | 高精度道路地图的生成*** |
CN106855415A (zh) * | 2017-01-09 | 2017-06-16 | 北京京东尚科信息技术有限公司 | 地图匹配方法和*** |
CN106969764A (zh) * | 2016-01-13 | 2017-07-21 | 北京四维图新科技股份有限公司 | 一种道路匹配方法、装置及车载地图采集*** |
CN107421555A (zh) * | 2017-07-10 | 2017-12-01 | 奇瑞汽车股份有限公司 | 确定导航路径的方法和装置 |
CN107993437A (zh) * | 2017-12-08 | 2018-05-04 | 东莞中国科学院云计算产业技术创新与育成中心 | 新增公交路线的方法、装置、计算机设备和存储介质 |
CN207510306U (zh) * | 2017-03-30 | 2018-06-19 | 深圳市圣卓芯科技有限公司 | 一种车载导航装置 |
CN108288096A (zh) * | 2017-01-10 | 2018-07-17 | 北京嘀嘀无限科技发展有限公司 | 用于估算行程时间、模型训练的方法及装置 |
CN108446324A (zh) * | 2018-02-11 | 2018-08-24 | 重庆邮电大学 | 一种基于长短时记忆网络lstm的gps数据重构方法 |
CN108510741A (zh) * | 2018-05-24 | 2018-09-07 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
CN108780156A (zh) * | 2016-03-14 | 2018-11-09 | 北京嘀嘀无限科技发展有限公司 | 用于确定移动设备的路径的***和方法 |
US20180335307A1 (en) * | 2017-05-17 | 2018-11-22 | Here Global B.V. | Method and apparatus for providing a machine learning approach for a point-based map matcher |
EP3410348A1 (en) * | 2017-05-31 | 2018-12-05 | HERE Global B.V. | Method and apparatus for building a parking occupancy model |
CN109035761A (zh) * | 2018-06-25 | 2018-12-18 | 复旦大学 | 基于辅助监督学习的行程时间估计方法 |
CN109300309A (zh) * | 2018-10-29 | 2019-02-01 | 讯飞智元信息科技有限公司 | 路况预测方法及装置 |
WO2019028269A2 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS |
CN109425345A (zh) * | 2017-08-31 | 2019-03-05 | 北京嘀嘀无限科技发展有限公司 | 一种地图路线显示方法、显示***及计算机装置 |
CN109429506A (zh) * | 2017-06-21 | 2019-03-05 | 北京嘀嘀无限科技发展有限公司 | 用于路线规划的***和方法 |
CN109444932A (zh) * | 2018-10-30 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 一种车辆定位方法、装置、电子设备及存储介质 |
-
2019
- 2019-03-20 CN CN201910216427.8A patent/CN111721306B/zh active Active
Patent Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050228584A1 (en) * | 2002-03-29 | 2005-10-13 | Shinya Adachi | Map matching method, map matching device, database for shape matching, and shape matching device |
CN101571400A (zh) * | 2009-01-04 | 2009-11-04 | 四川川大智胜软件股份有限公司 | 基于动态交通信息的嵌入式车载组合导航*** |
CN102831768A (zh) * | 2012-08-15 | 2012-12-19 | 大连理工大学 | 一种基于车联网的混合动力客车行驶工况预测方法 |
CN104781686A (zh) * | 2012-11-21 | 2015-07-15 | 苹果公司 | 路径匹配 |
CN104318766A (zh) * | 2014-10-22 | 2015-01-28 | 北京建筑大学 | 一种公交gps轨迹数据的路网匹配方法 |
CN104330089A (zh) * | 2014-11-17 | 2015-02-04 | 东北大学 | 一种利用历史gps数据进行地图匹配的方法 |
US20160170414A1 (en) * | 2014-12-11 | 2016-06-16 | Here Global B.V. | Learning Signs From Vehicle Probes |
CN105674995A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术(北京)有限公司 | 一种基于用户出行轨迹获取通勤路线的方法及装置 |
CN106969764A (zh) * | 2016-01-13 | 2017-07-21 | 北京四维图新科技股份有限公司 | 一种道路匹配方法、装置及车载地图采集*** |
CN105628033A (zh) * | 2016-02-26 | 2016-06-01 | 广西鑫朗通信技术有限公司 | 一种基于道路连通关系的地图匹配方法 |
CN108780156A (zh) * | 2016-03-14 | 2018-11-09 | 北京嘀嘀无限科技发展有限公司 | 用于确定移动设备的路径的***和方法 |
CN106441316A (zh) * | 2016-09-08 | 2017-02-22 | 复旦大学 | 一种基于历史数据的单点路网匹配方法 |
CN106525057A (zh) * | 2016-10-26 | 2017-03-22 | 陈曦 | 高精度道路地图的生成*** |
CN106855415A (zh) * | 2017-01-09 | 2017-06-16 | 北京京东尚科信息技术有限公司 | 地图匹配方法和*** |
CN108288096A (zh) * | 2017-01-10 | 2018-07-17 | 北京嘀嘀无限科技发展有限公司 | 用于估算行程时间、模型训练的方法及装置 |
CN207510306U (zh) * | 2017-03-30 | 2018-06-19 | 深圳市圣卓芯科技有限公司 | 一种车载导航装置 |
US20180335307A1 (en) * | 2017-05-17 | 2018-11-22 | Here Global B.V. | Method and apparatus for providing a machine learning approach for a point-based map matcher |
EP3410348A1 (en) * | 2017-05-31 | 2018-12-05 | HERE Global B.V. | Method and apparatus for building a parking occupancy model |
CN109429506A (zh) * | 2017-06-21 | 2019-03-05 | 北京嘀嘀无限科技发展有限公司 | 用于路线规划的***和方法 |
CN107421555A (zh) * | 2017-07-10 | 2017-12-01 | 奇瑞汽车股份有限公司 | 确定导航路径的方法和装置 |
WO2019028269A2 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS |
CN109425345A (zh) * | 2017-08-31 | 2019-03-05 | 北京嘀嘀无限科技发展有限公司 | 一种地图路线显示方法、显示***及计算机装置 |
CN107993437A (zh) * | 2017-12-08 | 2018-05-04 | 东莞中国科学院云计算产业技术创新与育成中心 | 新增公交路线的方法、装置、计算机设备和存储介质 |
CN108446324A (zh) * | 2018-02-11 | 2018-08-24 | 重庆邮电大学 | 一种基于长短时记忆网络lstm的gps数据重构方法 |
CN108510741A (zh) * | 2018-05-24 | 2018-09-07 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
CN109035761A (zh) * | 2018-06-25 | 2018-12-18 | 复旦大学 | 基于辅助监督学习的行程时间估计方法 |
CN109300309A (zh) * | 2018-10-29 | 2019-02-01 | 讯飞智元信息科技有限公司 | 路况预测方法及装置 |
CN109444932A (zh) * | 2018-10-30 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 一种车辆定位方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
LONG XIN等: "Intention-aware Long Horizon Trajectory Prediction of Surrounding Vehicles using Dual LSTM Networks", 《2018 21ST INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》 * |
XIAOJUANWEI等: "Predicting Fine-Grained Traffic Conditions via Spatio-Temporal LSTM", 《WIRELESS COMMUNICATIONS AND MOBILE COMPUTING》 * |
喻钢: "基于出租车时空轨迹深度学习的城市道路行程时间预测方法", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
赵博: "深度异步残差网络及在路网交通流预测中的应用", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112229412A (zh) * | 2020-10-21 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种车道定位方法、装置及存储介质和服务器 |
CN112229412B (zh) * | 2020-10-21 | 2024-01-30 | 腾讯科技(深圳)有限公司 | 一种车道定位方法、装置及存储介质和服务器 |
CN112597401A (zh) * | 2020-11-26 | 2021-04-02 | 深圳市跨越新科技有限公司 | 一种休息点推荐方法及*** |
CN112380314A (zh) * | 2020-12-04 | 2021-02-19 | 腾讯科技(深圳)有限公司 | 路网信息的处理方法和装置、存储介质及电子设备 |
CN112380314B (zh) * | 2020-12-04 | 2022-07-29 | 腾讯科技(深圳)有限公司 | 路网信息的处理方法和装置、存储介质及电子设备 |
CN112559660A (zh) * | 2020-12-11 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 一种道路数据处理方法、装置、电子设备和存储介质 |
CN112559660B (zh) * | 2020-12-11 | 2022-06-17 | 腾讯科技(深圳)有限公司 | 一种道路数据处理方法、装置、电子设备和存储介质 |
CN115144880A (zh) * | 2022-06-28 | 2022-10-04 | 平安银行股份有限公司 | 一种道路匹配方法、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111721306B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111721306B (zh) | 道路匹配方法、装置、电子设备及可读存储介质 | |
US10810419B2 (en) | Method and apparatus for updating road map geometry based on received probe data | |
CN111854779B (zh) | 一种路线规划方法、装置、电子设备及可读存储介质 | |
CN110686686B (zh) | 用于地图匹配的***和方法 | |
Song et al. | Enhancing GPS with lane-level navigation to facilitate highway driving | |
US10380503B2 (en) | Distributed online learning for privacy-preserving personal predictive models | |
CN109937344A (zh) | 用于产生电子地图的段的分布曲线数据的方法和*** | |
CN107784012B (zh) | 一种数字地图兴趣点的更新方法及装置 | |
CN111198560B (zh) | 用于使用变分自编码器网络来预测特征空间衰减的方法和装置 | |
US11704620B2 (en) | Estimating system, estimating method, and information storage medium | |
CN101275841A (zh) | 地物信息收集装置及地物信息收集方法 | |
CN111859178B (zh) | 一种推荐上车点的方法和*** | |
JP2007140745A (ja) | 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法 | |
CN111859183A (zh) | 一种上车点推荐方法、***、装置及存储介质 | |
CN111401255A (zh) | 用于识别分歧路口的方法和装置 | |
CN112163063A (zh) | 生成高精度地图的方法、装置和计算机可读存储介质 | |
CN114396956A (zh) | 导航方法及装置、计算设备、存储介质和计算机程序产品 | |
US20230137263A1 (en) | Method and apparatus for generating structured trajectories from geospatial observations | |
CN111539401B (zh) | 基于人工智能的车道线检测方法、装置、终端及存储介质 | |
CN111385868A (zh) | 一种车辆定位方法、***、装置和存储介质 | |
CN111899505B (zh) | 交通限制解除的检测方法和装置 | |
US20210270629A1 (en) | Method and apparatus for selecting a path to a destination | |
CN117474181A (zh) | 基于强化学习的危化品运输的路径规划方法 | |
CN112525213B (zh) | Eta的预测方法、模型训练方法、装置及存储介质 | |
Roth et al. | CrowdAbout: Using vehicles as sensors to improve map data for ITS |
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 |