CN112685531B - 车辆匹配方法和装置、计算设备以及计算机可读存储介质 - Google Patents
车辆匹配方法和装置、计算设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112685531B CN112685531B CN202110103464.5A CN202110103464A CN112685531B CN 112685531 B CN112685531 B CN 112685531B CN 202110103464 A CN202110103464 A CN 202110103464A CN 112685531 B CN112685531 B CN 112685531B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- map
- route
- candidate
- matching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 125
- 230000007704 transition Effects 0.000 claims abstract description 47
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 230000003068 static effect Effects 0.000 claims description 29
- 230000000903 blocking effect Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000005065 mining Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- DMSMPAJRVJJAGA-UHFFFAOYSA-N benzo[d]isothiazol-3-one Chemical compound C1=CC=C2C(=O)NSC2=C1 DMSMPAJRVJJAGA-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Landscapes
- Navigation (AREA)
Abstract
本公开提供了一种车辆匹配方法,用于将车辆匹配到地图中的地图线路。该车辆匹配方法基于隐马尔科夫模型和动态规划,能够利用站点匹配、名称匹配、实际线路映射关系等对观察概率和转移概率进行调整,并且基于调整后的观察概率和转移概率将车辆匹配到对应的地图线路。该车辆匹配方法不仅提高了匹配正确率,而且还能够区分车辆的诸如区间线路、快车线路之类的复杂线路。此外,该车辆匹配方法还降低了对数据提供商的数据依赖,增大了对不同数据提供商的数据的兼容性。
Description
技术领域
本公开涉及计算机技术领域,具体地,涉及一种基于隐马尔科夫模型的用于将车辆匹配到地图中的地图线路的车辆匹配方法和装置、计算设备以及计算机可读存储介质。
背景技术
随着互联网的普及和网络技术的高速发展,地图服务已经非常深入地影响着人们的日常出行。线路匹配技术作为地图服务的重要支撑技术,实现了车辆轨迹与电子地图的地图线路之间的关联,进而能够为用户的交通出行提供诸如路线规划以及导航等服务。
现有的车辆轨迹到电子地图的地图线路的匹配方法主要包括以下几种:利用名称进行匹配;利用网格法进行车辆轨迹到地图线路的匹配;利用离散Frechet距离进行车辆轨迹到地图线路的匹配。然而,现有的这些方法各自存在不足。
对于利用名称进行匹配的方法而言,一方面仅依靠名称来确定关联关系会导致匹配率低下,另一方面该方法严重依赖数据提供商提供的静态线路的站点序列数据,如果缺乏该站点序列数据,则该方法无法使用。此外,利用名称进行匹配还需要数据提供商提供的静态线路和运行线路之间存在稳定的一一对应关系,否则匹配结果无法应用。因此,利用名称进行匹配的匹配正确率低,可用性、普适性不强。
对于利用网格法进行车辆轨迹到地图线路的方法而言,由于网格法本身的算法是基于面积投影的方式,因此只能从全部GPS轨迹点覆盖的区域来匹配可能的线路,这可能导致难以区分复杂线路。因此,利用网格法进行车辆轨迹到地图线路的匹配存在匹配正确率和车辆召回率低下的问题。
对于利用离散Frechet距离进行车辆轨迹到地图线路的方法而言,由于需要计算GPS轨迹点与所有线路形状点的Frechet距离,因此计算复杂度高,计算量大。而且,由于计算的是GPS轨迹点到线路形状点的最短距离,所以该方法对GPS轨迹点的精度要求很高。
发明内容
有鉴于此,本公开提出了一种车辆匹配方法和装置,期望克服上面提到的部分或全部缺陷以及其它可能的缺陷。
根据本公开的一个方面,提供了一种车辆匹配方法,用于将车辆匹配到地图中的地图线路,其中地图包括至少一条地图线路,各地图线路包括多个站点和多个线路段,车辆匹配方法包括:获取车辆的包括轨迹点序列的车辆轨迹数据;确定地图中与每一个轨迹点对应的至少一条候选线路段;生成每一个轨迹点的各候选线路段的第一观察概率;生成每一个轨迹点的各候选线路段的站点匹配调整系数;生成每一个轨迹点的各候选线路段的第二观察概率,其中第二观察概率等于第一观察概率乘以站点匹配调整系数;生成每一个轨迹点的各候选线路段分别到下一个轨迹点的各候选线路段的转移概率;基于全部轨迹点的候选线路段的第二观察概率和转移概率确定最优线路段集合,最优线路段集合具有全局最大概率;以及,基于最优线路段集合确定地图中与车辆轨迹数据对应的地图线路。
在本公开的一些实施例中,该车辆匹配方法,还包括:将地图划分为M×N个网格,其中,M和N都是大于0的整数,并且每个网格具有对应的网格索引编号;将地图中每一条地图线路的各线路段投影到M×N个网格中,并与对应网格的网格索引编号关联。
在本公开的一些实施例中,确定地图中与每一个轨迹点对应的至少一条候选线路段包括:将一个轨迹点投影到M×N个网格中;基于一个轨迹点被投影到其中的网格的网格索引编号,确定由a×b个网格构成的候选区域,其中,a为大于0且小于等于M的整数,b为大于0且小于等于N的整数;以及基于候选区域的网格的网格索引编号确定相关联的线路段,并且将相关联的线路段确定为一个轨迹点的候选线路段。
在本公开的一些实施例中,站点匹配调整系数按照以下公式计算:
其中,c ij 是第i个轨迹点在与其对应的第j个候选线路段上的投影点,s ij 是与第i个轨迹点对应的第j个候选线路段上的站点,是投影点c ij 与站点s ij 之间的距离,R是站点匹配生效范围,v i 是车辆在第i个轨迹点处的速度,v 0 是速度阈值,P s (c ij , s ij )是针对第i个轨迹点的第j个候选线路段的站点匹配调整系数,其中,i和j均为大于0的整数。
在本公开的一些实施例中,第i+1个轨迹点在第i个轨迹点的第j个候选线路段的上的投影点为c i+1 j ,其中,当时,并且投影点c ij 位于投影点c i+1 j 与站点s ij 之间或者投影点c i+1 j 位于投影点c ij 与站点s ij 之间,站点匹配调整系数P s (c ij , s ij )的值为1。
在本公开的一些实施例中,该车辆匹配方法还包括:获取静态线路和地图线路之间的线路名称匹配结果;基于线路名称匹配结果,生成各候选线路段的线路名称匹配调整系数;其中,生成每一个轨迹点的各候选线路段的第二观察概率,其中第二观察概率等于第一观察概率乘以站点匹配调整系数包括:使得第二观察概率等于第一观察概率乘以站点匹配调整系数,再乘以线路名称匹配调整系数。
在本公开的一些实施例中,线路名称匹配调整系数按照以下公式计算:
其中,P name 是线路名称匹配调整系数,α是调节参数,并且满足0.5<α≤1。
在本公开的一些实施例中,该车辆匹配方法还包括:获取静态线路和地图线路之间的实际线路映射关系;基于实际线路映射关系,生成各候选线路段的实际线路映射关系调整系数;其中,生成每一个轨迹点的各候选线路段的第二观察概率,其中第二观察概率等于第一观察概率乘以站点匹配调整系数包括:使得第二观察概率等于第一观察概率乘以站点匹配调整系数,再乘以实际线路映射结果调整系数。
在本公开的一些实施例中,实际线路映射结果调整系数按照以下公式计算:
其中,P line 是实际线路映射结果调整系数,β是调节参数,并且满足0.5<β≤1。
在本公开的一些实施例中,生成每一个轨迹点的各候选线路段分别到下一个轨迹点的各候选线路段的转移概率包括:将两个轨迹点在地图上的横坐标之差和纵坐标之差的和确定为轨迹点距离;确定两个轨迹点在相应的候选线路段上的投影点;将两个投影点在地图上的横坐标之差和纵坐标之差的和确定为投影点距离;将投影点距离和轨迹点距离的比值确定为转移概率。
在本公开的一些实施例中,生成每一个轨迹点的各候选线路段分别到下一个轨迹点的各候选线路段的转移概率包括:将转移概率乘以阻断跳变调整系数,以对转移概率进行调整,其中,阻断跳变调整系数按照以下公式计算:
其中,P c 是阻断跳变调整系数,γ是调节参数,并且满足0.5<γ≤1。
在本公开的一些实施例中,基于最优线路段集合确定地图中与车辆轨迹数据对应的地图线路包括:对最优线路段集合中的候选线路段逐一进行检查和调整,使全部候选线路段对应于同一条地图线路;合并全部候选线路段,得到与车辆轨迹数据对应的地图线路。
根据本公开的另一个方面,提供了一种车辆匹配装置,包括:数据获取模块,其被配置成获取车辆的包括轨迹点序列的车辆轨迹数据;候选线路段确定模块,其被配置成确定地图中与每一个轨迹点对应的至少一条候选线路段;观察概率生成模块,其被配置成:生成每一个轨迹点的各候选线路段的第一观察概率,生成每一个轨迹点的各候选线路段的站点匹配调整系数,以及生成每一个轨迹点的各候选线路段的第二观察概率,其中第二观察概率等于第一观察概率乘以站点匹配调整系数;转移概率生成模块,其被配置成生成每一个轨迹点的各候选线路段分别到下一个轨迹点的各候选线路段的转移概率;最优线路段集合确定模块,其被配置成基于全部轨迹点的候选线路段的第二观察概率和转移概率确定最优线路段集合,最优线路段集合具有全局最大概率;以及匹配模块,其被配置成基于最优线路段集合确定地图中与车辆轨迹数据对应的地图线路。
根据本公开的再一个方面,提供了一种计算设备,包括处理器和存储器,存储器被配置成存储计算机可执行指令,计算机可执行指令被配置成,当在处理器上执行时,使处理器执行如前面的车辆匹配方法。
根据本公开的又一个方面,提供了一种计算机可读存储介质,其被配置成存储计算机可执行指令,计算机可执行指令被配置成,当在处理器上执行时,使所述处理器执行如前面所述的车辆匹配方法。
根据本公开的车辆匹配方法至少包括以下有益的技术效果:第一,基于隐马尔科夫模型和动态规划,利用站点匹配、名称匹配、实际线路映射关系等对隐马尔科夫模型中的观察概率和转移概率进行相应的调整,极大地提高了算法的匹配正确性,相应地提高了车辆的召回率;第二,能够区分车辆的诸如区间线路、快车线路之类的复杂线路,减小了误匹率,并且由此能够提供更加多样的地图服务;第三,降低了对数据提供商的数据依赖,增大了对不同数据提供商的数据的兼容性。
附图说明
下面将结合附图对本公开的具体实施例进行详细的描述,以便能够对本公开的更多细节、特征和优点具有更加充分的认识和理解,在附图中:
图1示意性地示出了根据本公开一些实施例的业务***用于提供实时公交服务的应用场景;
图2示意性地示出了图1所示的应用场景中的示例性用户界面;
图3示意性地示出了图1中显示的业务***提供实时公交服务的示例性原理;
图4以流程图的形式示意性地示出了根据本公开一些实施例的一种车辆匹配方法;
图5和图6以流程图的形式分别示意性地示出了可用于在图4所示的车辆匹配方法中确定候选线路段的一种示例性方法;
图7以流程图的形式示意性地示出了一种生成转移概率的方法;
图8以流程图的形式示意性地示出了根据本公开一些实施例的另一种车辆匹配方法;
图9以流程图的形式示意性地示出了根据本公开一些实施例的另一种车辆匹配方法;
图10示意性地示出了一种格式化的轨迹点数据结构;
图11以流程图的形式示意性地示出了根据本公开一些实施例的另一种车辆匹配方法;
图12以流程图的形式示意性地示出了一种线路名称匹配方法;
图13流程图的形式示意性地示出了根据本公开一些实施例的另一种车辆匹配方法;
图14以流程图的形式示意性地示出了一种实际线路挖掘方法;
图15示意性地示出了根据本公开一些实施例的一种车辆匹配装置的结构框图;以及
图16示意性地示出了根据本公开一些实施例的一种计算设备的结构框图,该计算设备包括本文描述的车辆匹配装置,从而可以实施本文描述的车辆匹配方法
应注意的是,附图显示的内容仅仅是示意性的,因此其不必按照比例进行绘制。此外,在全部附图中,相同的特征由相同的附图标记指示。
具体实施方式
下面的描述提供了本公开的各种实施例的特定细节,以便本领域的技术人员能够充分理解和实施本公开的各种实施例。
首先,对本公开的实施例中涉及的部分术语进行说明,以便于本领域技术人员理解:
地图线路:在本文中,术语“地图线路”指的是地图服务商提供的地图数据中包括的与车辆运行相关的线路。地图线路可以包括多个站点和多个线路段;
静态线路:在本文中,术语“静态线路”指的是诸如数据提供商之类的第三方提供的与车辆运行相关的线路。作为非限制性示例,在例如实时公交服务的应用场景中,静态路线可以是公交公司提供的关于公交车辆的运行线路。
轨迹点序列:在本文中,轨迹点序列指的是车辆沿着其运行线路的一系列位置的按照时间先后排序的集合。
现在参见图1,其示意性地示出了根据本公开一些实施例的业务***100用于提供实时公交服务的应用场景。如图1所示,业务***100可以包括第一业务端110和第二业务端120,其中第一业务端110与第二业务端120都能够通过网络140进行通信,并且第一业务端110还能够与一个或多个终端设备130通过网络140进行通信。第一业务端110和第二业务端120彼此协作,以便为一个或多个终端设备130的用户提供诸如实时公交服务之类的出行服务。
第一业务端110和第二业务端120可以相应地存储和运行可以执行本公开所描述的各种方法的计算机指令,其各自可以是单个服务器或服务器集群或云服务器。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本公开在此不做限制。
终端设备130可以是任何类型的移动设备,包括但不限于:移动计算机(例如,Microsoft® Surface®设备、个人数字助理(PDA)、膝上型计算机、笔记本计算机、诸如Apple iPadTM的平板计算机、上网本等)、移动电话(例如,蜂窝电话、诸如MicrosoftWindows®电话的智能手机、Apple iPhone、实现了Google® AndroidTM操作***的电话、Palm®设备,Blackberry®设备等)、可穿戴式计算设备(例如智能手表、头戴式设备,包括智能眼镜,如Google® GlassTM,等)或其他类型的移动设备。在一些实施例中,终端设备130也可以是固定设备,例如台式计算机、智能电视、机顶盒等。
网络140的示例可以包括局域网(LAN)、广域网(WAN)、个域网(PAN)、和/或诸如因特网之类的通信网络的任意组合。第一业务端110、第二业务端120、以及一个或多个终端设备130中的每一个可以包括能够通过网络进行通信的至少一个通信接口(未示出)。这样的通信接口可以是下列各项中的一个或多个:任何类型的网络接口(例如,网络接口卡(NIC))、有线或无线(诸如IEEE 802.11无线LAN(WLAN))无线接口、全球微波接入互操作(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、BluetoothTM接口、近场通信(NFC)接口等。
在图1所示的应用场景中,车辆150可以将自己的位置实时地发送给卫星定位***160,例如全球定位***(GPS),并且卫星定位***160可以将车辆150的实时位置信息发送给第二业务端120。作为非限制性示例,第二业务端120可以是数据提供商拥有的服务器。第二业务端120可以基于收到的车辆150的实时位置信息生成包括车辆150的轨迹点序列(例如,GPS轨迹点序列)的车辆实时信息,并将该车辆实时信息提供给第一业务端110。作为非限制性示例,第一业务端110可以是地图服务商的服务器,其可以用于给终端设备130的用户提供实时公交服务。
用户可以通过终端设备130进行操作,例如打开地图应用程序,请求对某一公交线路(其对应于某一地图线路)进行查询。响应于来自终端设备130的请求,第一业务端110基于从第二业务端120接收的车辆实时信息,生成有关该公交线路的线路实时信息,包括但不限于,例如该公交线路上正在运行的各车辆的位置和/或针对某一站点的预计到达时间等等。然后,第一业务端110可以将该线路实时信息发送给终端设备130,并由终端设备130在相应的用户界面上进行显示。
参见图2,其示意性示出了图1中所示的应用场景中的一种示例性用户界面200。如图2所示,用户界面200显示了正在一条地图线路210(对应于一条公交线路)上运行的两辆车辆213的位置。地图线路210包括多个站点211和多个线路段。用户界面200还显示了该地图线路210具有的各个站点211、线路里程和票价、以及用户所在位置等信息。基于这些信息,用户可以对出行路线进行规划。应理解的是,图2显示的用户界面200仅仅是示例性的,并非是限制性的。基于本公开的教导,本领域的技术人员容易认识到,以合适形式对一条或多条线路的实时信息进行显示的任何其他形式的用户界面也是可能的。
参见图3,其示意性示出了图1所示的应用场景中业务***100提供实时公交服务的示例性原理。如图3所示以及结合参考图1,第二业务端120可以向第一业务端110提供有关公交路网的静态线路的信息,包括但不限于静态线路的名称、站点和各站点的名称等,以及与该静态线路对应的车辆的信息。此外,第二业务端120还可以接收来自卫星定位***160的关于车辆150的实时位置信息,由此,第二业务端120可以基于收到的车辆150的实时位置信息生成包括车辆150的轨迹点序列的车辆轨迹数据,并将该车辆轨迹数据也提供给第一业务端110。第二业务端120可以定时或周期地向第一业务端110提供相应的信息和/或数据,或者第二业务端120也可以响应于第一业务端110的指令向其提供相应的信息和/或数据。
第一业务端110接收到有关静态线路的信息和对应的车辆的信息后,可以在该静态线路与地图线路之间进行线路名称匹配,以生成线路名称匹配结果。此外,第一业务端110接收到包括车辆150的轨迹点序列的车辆轨迹数据后,可以基于该车辆轨迹数据将车辆150匹配到对应的地图线路。基于车辆150匹配到地图线路的结果,第一业务端110还可以对车辆150的静态线路对应的实际线路进行挖掘,建立静态线路与地图线路的实际线路映射关系。如图3所示,线路名称匹配结果和实际线路映射关系都可以用于辅助将车辆150匹配到对应的地图线路。基于车辆到地图线路的匹配结果,第一业务端110可以更新与各地图线路对应的车辆列表。
作为非限制性示例,第一业务端110和第二业务端120的上述这些操作可以在第一业务端110未收到来自终端设备130的指令时以离线的方式执行。
当用户通过终端设备130进行操作,例如打开地图应用程序,请求对某一地图线路进行查询时,如图2所示,对地图中显示的623路公交线路进行查询时,终端设备130可以将与例如623路公交线路对应的地图线路210的标识发送给第一业务端110。第一业务端110响应于来自终端设备130的请求,查询与该地图线路210对应的车辆列表,获取该车辆列表中所有车辆的实时位置信息,包括但不限于,所有车辆的实时GPS位置信息,并且基于车辆的实时位置信息计算各车辆的预计到达时间,以及将各车辆的实时位置信息和预计到达时间提供给终端设备130。终端设备130可以在相应的用户界面上显示与该地图线路有关的车辆的实时信息,以便用户能够进行行程规划。应该理解的是,如前面描述的,与该地图线路对应的车辆列表是第一业务端110基于车辆到地图线路的匹配结果针对各地图线路更新后的列表。
参见图4,其以流程图的形式示意性地示出了根据本公开的一些实施例的一种车辆匹配方法400。车辆匹配方法400能够基于隐马尔科夫模型,依据车辆的轨迹,在地图的路网数据中进行搜索,获得该车辆轨迹在地图的地图线路中的最优匹配线路,从而将车辆匹配到地图中对应的地图线路。应理解的是,地图包括至少一条地图线路,并且各地图线路包括多个站点和多个线路段。作为非限制性示例,车辆匹配方法400可以被应用于图1~3所示的应用场景中业务***100提供的实时公交服务中,例如应用于第一业务端110,用于实现车辆到地图中对应的地图线路的匹配。车辆匹配方法400可以包括步骤410、420、430、440、450、460、470和480。
在步骤410,获取车辆的包括轨迹点序列的车辆轨迹数据。车辆的轨迹点序列是车辆沿着其运行路线的一系列位置按照时间先后排序的集合。在一个非限制性示例中,车辆的位置可以通过卫星定位***(例如,GPS***)获得。例如,如图1所示,车辆150的位置可以通过卫星定位***160获得。因此,车辆150的轨迹点序列可以是其通过GPS获得的一系列GPS位置按照时间先后排序的集合。在另一个非限制性示例中,车辆的位置也可以通过通信基站定位来获得。在这种情况下,车辆的轨迹点序列可以是车辆通过基站定位获得的一系列位置按照时间先后排序的集合。当然,应理解的是,通过任何其他合适的方式获得的车辆沿着其运行路线的位置集合都可以作为车辆轨迹数据,本公开对此不作限定。
在步骤420,确定地图中与每一个轨迹点对应的至少一条候选线路段。作为非限制性示例,可以从车辆轨迹数据中的首个轨迹点开始确定与其对应的候选路线段,然后依次对首个轨迹点之后的每一个轨迹点,按照相同的方法循环处理,直到最后一个轨迹点为止,从而完成全部轨迹点的处理,得到与每一个轨迹点对应的至少一条候选线路段。
参见图5和图6,其分别示出了可用于图4所示的车辆匹配方法400中确定地图中与每一个轨迹点对应的至少一条候选线路段(即,步骤420)的一种示例性方法。
如图5所示,示例性方法420a可以包括步骤421a、422a、423a:
在步骤421a,设定搜索半径;
在步骤422a,计算轨迹点与地图中各地图线路的线路段之间的距离;以及
在步骤423a,将与轨迹点之间的距离小于搜索半径的线路段确定为与该轨迹点对应的候选线路段。
搜索半径的大小可以根据需要来设定,作为非限制性示例,其可以根据所获得的车辆的轨迹点的精度来设定。如果轨迹点的精度较高,那么可以适当设置较小的搜索半径;反之,则需要适当设置较大的搜索半径。可选地,还可以根据轨迹点在地图的路网数据中所处的道路环境,按照预设标准动态调整搜索半径。例如,当检测到车辆的轨迹点处于高架桥、隧道或者城市高楼建筑群附近时,可动态增大搜索半径,因为在这些环境中的轨迹点的精度可能不高,所以为了提高匹配的准确度,可能需要动态增大搜索半径。
图6所示的示例性方法420b可应用于地图预先经过网格化处理的情形。经过网格化处理的地图可以被划分为M×N个网格,其中,M和N都是大于0的整数,并且每个网格具有对应的网格索引编号,地图中每一条地图线路的各个线路段都被投影到M×N个网格中,并且与对应网格的网格索引编号关联。在该情形中,示例性方法420b可以包括步骤421b、422b、423b:
在步骤421b,将一个轨迹点投影到M×N个网格中;
在步骤422b,基于该轨迹点被投影到其中的网格的网格索引编号,确定由a×b个网格构成的候选区域,其中,a为大于0且小于等于M的整数,b为大于0且小于等于N的整数;以及
在步骤423b,基于候选区域的网格的网格索引编号确定相关联的线路段,并且将相关联的线路段确定为与该轨迹点对应的候选线路段。
候选区域的大小,即构成候选区域的网格的数量,可以根据需要来设定,作为非限制性示例,其同样可以根据车辆的轨迹点的精度来设定。如果轨迹点的精度较高,那么可以适当设置较小的候选区域;反之,则需要适当设置较大的候选区域。可选地,候选区域的大小也可以根据轨迹点在地图的路网数据中所处的道路环境,按照预设标准动态地进行调整。例如,当检测到车辆的轨迹点处于高架桥、隧道或者城市高楼建筑群附近时,可动态增大候选区域,以便提高匹配的准确度。在一个示例性实施例中,候选区域可以以这样的方式构成:以轨迹点被投影于其中的网格为中心,由3×3个网格构成。
应理解的是,示例性方法420b中基于轨迹点、网格以及各线路段之间的对应关系来确定与轨迹点对应的候选线路段,其避免了复杂的计算,使得能够以简单、快捷的方式来确定与各个轨迹点对应的候选线路段。这有助于提高车辆匹配方法的响应性和适用性。
继续参见图4,在步骤430,生成每一个轨迹点的各候选线路段的第一观察概率。在基于隐马尔科夫模型的匹配算法中,第一观察概率表示了将一个轨迹点匹配到与其对应的一个线路段的可能性。作为非限制性示例,第一观察概率的计算可以基于车辆的轨迹点到其各候选线路段的距离,距离越短,则第一观察概率越大。作为非限制性示例,第一观察概率可以按照以下公式进行计算:
其中,p i 表示第i个轨迹点,q ij 表示与第i个轨迹点p i 对应的第j条候选线路段,d ij 表示轨迹点p i 到候选线路段q ij 的投影距离,服从高斯分布,σ为该高斯分布的标准差,该标准差可以预先根据轨迹点的绝对精度来设置,例如可以采用中位数绝对偏差方法进行估计,P g (p i , q ij )表示轨迹点p i 到候选线路段q ij 的第一观察概率,其中,i和j均为大于0的整数。应理解的是,上述计算公式仅仅作为非限制性示例对本公开中的方法进行例示和说明,其并非是限制性的。基于本公开的教导,本领域中的技术人员能够认识到用于计算观察概率的其他方法,并且能够将这些方法也应用到本公开的车辆匹配方法中。
在步骤440,生成每一个轨迹点的各候选线路段的站点匹配调整系数。站点匹配调整系数是针对各候选线路段上的站点分布情况以及车辆的轨迹点相对于各候选线路段上的站点的关系而生成的用于对第一观察概率进行调整的加权系数。例如,可以设置站点匹配生效范围和速度阈值,当车辆的轨迹点在一条候选线路段上的投影点与该候选线路段上站点的距离小于站点匹配生效范围且车辆在该轨迹点处的速度小于速度阈值时,则站点匹配调整系数将增大该候选线路段的第一观察概率。作为非限制性示例,站点匹配调整系数可以按照以下公式进行计算:
其中,c ij 是第i个轨迹点在与其对应的第j个候选线路段上的投影点,s ij 是与第i个轨迹点对应的第j个候选线路段上的站点,是投影点c ij 与站点s ij 之间的距离,R是站点匹配生效范围,v i 是车辆在第i个轨迹点处的速度,v 0 是速度阈值,P s (c ij , s ij )是针对第i个轨迹点的第j个候选线路段的第一观察概率的站点匹配调整系数,其中,i和j均为大于0的整数。上式公式中,v i 可以是车辆在第i个轨迹点处的瞬时速度;可选地,v i 也可以是车辆在第i个轨迹点处的平均速度。作为非限制性示例,v i 也可以采用车辆的第i个轨迹点和第i+1个轨迹点之间的距离除以车辆从第i个轨迹点到第i+1个轨迹点花费的时间来进行估算。
作为非限制性示例,在生成每一个轨迹点的各候选线路段的站点匹配调整系数时,还可以对车辆的轨迹点在候选线路段上的投影点相对于该候选线路段上的站点是否存在过站的情形加以考虑。例如,将车辆的第i+1个轨迹点也投影到第i个轨迹点的第j个候选线路段上,投影点为c i+1 j 。当时,如果投影点c ij 位于投影点c i+1 j 与站点s ij 之间或者投影点c i+1 j 位于投影点c ij 与站点s ij 之间,那么说明车辆在第i个轨迹点时已经过站或者尚未到站,因此站点匹配调整系数P s (c ij , s ij )的值为1。
通过针对各候选线路段上的站点分布情况以及车辆的轨迹点相对于各候选线路段上的站点的关系确定站点匹配调整系数,不仅能够提高匹配的争取率,而且还能够区分车辆的诸如区间线路、快车线路之类的复杂线路。
在步骤450,生成每一个轨迹点的各候选线路段的第二观察概率,其中,第二观察概率等于第一观察概率乘以站点匹配调整系数。也就是说,对于每一个轨迹点的各候选线路段,利用步骤430中生成的站点匹配调整系数对各候选线路段的第一观察概率进行调整,生成第二观察概率。作为非限制性示例,结合参考上文中的式1和式2,候选线路段的第二观察概率可以按照以下公式进行计算:
P adj (p i , q ij ) = P g (p i , q ij )×P s (c ij , s ij ) 式3
其中,p i 表示第i个轨迹点,q ij 表示与第i个轨迹点p i 对应的第j条候选线路段,P g (p i , q ij )表示轨迹点p i 到候选线路段q ij 的第一观察概率,c ij 是第i个轨迹点在与其对应的第j个候选线路段上的投影点,s ij 是与第i个轨迹点对应的第j个候选线路段上的站点,P s (c ij , s ij )是针对第i个轨迹点的第j个候选线路段的第一观察概率的站点匹配调整系数,P adj (p i , q ij )表示轨迹点p i 到候选线路段q ij 的第二观察概率,其中,i和j均为大于0的整数。
在步骤460,生成每一个轨迹点的各候选线路段分别到下一个轨迹点的各候选线路段的转移概率。在基于隐马尔科夫模型的匹配算法中,转移概率表示了从一个轨迹点的一个候选线路段转移到下一个轨迹点的一个候选线路段的可能性。
图7以流程图的形式示意性地示出了一种用于生成转移概率的方法,其可以用于实施图4所示的车辆匹配方法400中的步骤460。如图7所示,图4所示的车辆匹配方法400中的步骤460可以包括步骤461、462、463和464:
在步骤461,将两个轨迹点在地图上的横坐标之差和纵坐标之差的和确定为轨迹点距离;
在步骤462,确定两个轨迹点在相应的候选线路段上的投影点;
在步骤463,将两个投影点在地图上的横坐标之差和纵坐标之差的和确定为投影点距离;以及
在步骤464,将投影点距离和轨迹点距离的比值确定为转移概率。
图7所示的用于生成转移概率的方法能够避免复杂的计算,从而能够方便地生成从一个轨迹点的一个候选线路段转移到下一个轨迹点的一个候选线路段的转移概率。
继续参见图4,在步骤470,基于全部轨迹点的候选线路段的第二观察概率和转移概率确定最优路线段集合,最优路线段集合具有全局最大概率。在基于隐马尔科夫模型的匹配算法中,可以通过计算轨迹点序列在地图的各地图线路的所有候选线路段的观察概率和转移概率的累积概率,选择最大的累积概率(即,全局最大概率)对应的线路段集合作为最优线路段集合。在本领域中,基于隐马尔科夫模型利用维特比动态规划获得具有全局最大概率的方法被广泛应用,在此不再赘述。
在步骤480,基于最优线路段集合确定地图中与车辆轨迹数据对应的地图线路。也就是说,例如参见图1,将车辆150匹配到对应的地图线路。作为非限制性示例,在步骤480中,还可以将最优线路段集合中不属于被匹配的地图线路的线路段替代为被匹配的地图线路中对应的线路段,从而获得与车辆150匹配的一条完整的地图线路。车辆150与该地图线路的对应关系可以用于例如图1~3中的实时公交服务,也可以用于对车辆150的实际运行线路挖掘。
图4所示的车辆匹配方法400通过对现有的基于隐马尔科夫模型的匹配方法中观察概率的计算方式进行了调整,使得其能够对候选线路段上的站点分布情况加以考虑,由此提高了匹配精度,而且还能够区分车辆的诸如区间线路、快车线路之类的复杂线路。
参见图8,其以流程图的形式示意性地示出了根据本公开的一些实施例的另一种车辆匹配方法400a。与图4所示的车辆匹配方法400相比,图8所示的车辆匹配方法400a的区别仅仅在于:增加了步骤463,以及对步骤470进行了相应的修改以得到步骤470a。具体而言:
在步骤463,生成阻断跳变调整系数,以对转移概率进行调整,生成调整后转移概率;以及
在步骤470a,基于全部轨迹点的候选线路段的第二观察概率和调整后转移概率确定最优线路段集合,最优线路段集合具有全局最大概率。
在一个非限制性示例中,阻断跳变调整系数按照以下公式计算:
其中,P c 是阻断跳变调整系数,γ是调节参数,并且满足0.5<γ≤1。调节参数γ的值可以根据经验设定,也可以通过机器学习的方式进行训练来得到。在一个非限制性示例中,γ的值可以为0.8。在采用了阻断跳变调整系数的情况下,调整后转移概率等于转移概率乘以阻断跳变调整系数。
步骤470a是针对步骤463进行的适应性调整,其中,基于全部轨迹点的候选线路段的第二观察概率和调整后转移概率来确定最优线路段集合。
阻断跳变调整系数针对的情况是:由于轨迹点的精度不够,所以可能导致从一个轨迹点到下一个轨迹点时会发生意外的线路跳变,使得最优线路段集合中存在匹配结果来回变线的情况。通过生成阻断跳变调整系数并用其对转移概率进行调整,能够减小由于轨迹点的精度不够导致的意外的线路跳变的风险。
参见图9,其以流程图的形式示意性地示出了根据本公开的一些实施例的另一种车辆匹配方法400b。与图4所示的车辆匹配方法400相比,图9所示的车辆匹配方法400b的区别仅仅在于增加了步骤411。具体而言,在步骤411,车辆匹配方法400b进行数据预处理。
作为非限制性实施例,步骤411中的数据预处理可以包括以下三个方面中的至少一个方面:对车辆轨迹数据进行预处理、构建地图线路的有向图、以及地图网格化处理。
对车辆轨迹数据的预处理包括将每一个地区(例如,城市)的同一车辆一定时间段(例如一天)的轨迹点按时间排序合并。以图1中车辆150为例,可以将车辆150一天的GPS位置点按时间排序合并,以便处理成车辆150的GPS轨迹点数据。每个GPS轨迹点数据包括经度、维度、时间戳、速度等数据,其中经度、维度、时间戳是必需的,速度如果没有提供,则可以填为零,或者可以填写估算值,例如可以利用当前轨迹点和下一个轨迹点之间的距离和时间进行估算。图10示意性地示出了可用于车辆150的一种格式化的GPS轨迹点数据结构,其中以车辆标识作为该轨迹点数据的标识符,以经度、维度、时间戳和速度这些信息作为数值。
构建地图线路的有向图包括将地图中每一条地图线路构建为有向图G(V, E),其中V是端点集合,E是线段集合,从而将一个方向上的地图线路切分成多个带方向的相连的线路段。作为非限制性示例,每个线路段具有自身的线路段标识,并且还可以相应地标注每个线路段属于哪一条地图线路、地图线路名称、包括的站点和站点名称、站点位置等属性。
地图网格化处理包括将地图划分为M×N个网格,其中,M和N都是大于0的整数,并且每个网格具有对应的网格索引编号,以及将地图中每一条地图线路的各线路段投影到M×N个网格中,并与对应网格的网格索引编号关联。地图网格化处理结合图6所示的方法,有利于方便地确定与一个轨迹点对应的候选线路段。
图11以流程图的形式示意性地示出了根据本公开的一些实施例的另一种车辆匹配方法400c。与图4所示的车辆匹配方法400相比,图11所示的车辆匹配方法400c的区别仅仅在于增加了步骤441和442,以及对步骤450进行了相应的修改以得到步骤450a。具体而言:
在步骤441,获取静态线路与地图线路之间的线路名称匹配结果;
在步骤442,基于线路名称匹配结果,生成各候选线路段的线路名称匹配调整系数;
在步骤450a,生成每一个轨迹点的各候选线路段的第二观察概率,其中,第二观察概率等于第一观察概率乘以站点匹配调整系数,再乘以线路名称匹配调整系数。
如前面提到的,静态线路可以是诸如数据提供商提供的关于车辆运行的线路数据。例如,图1和图3中示出的,静态线路可以是通过第二业务端120提供的有关公交路网的运行线路和对应的车辆150的信息。静态线路与地图线路之间的线路名称匹配结果可以由例如第一业务端110执行线路名称匹配方法来获得。参见图12,其以流程图的形式示意性地示出了一种线路名称匹配方法500。但应理解的是,任何其他形式的线路名称匹配方法也是可能的。具体而言,线路名称匹配方法500可以包括步骤510、520、530和540:
在步骤510,获取车辆的静态线路;
在步骤520,基于线路名称、首末站名称和站点名称在静态线路与地图线路之间进行匹配;
在步骤530,对于匹配不上的首末站名称和站点名称,通过计算首末站和/或站点的位置偏差来识别;以及
在步骤540,生成静态线路与地图线路之间的线路名称匹配结果。
作为非限制性示例,步骤520中的匹配可以是根据汉字相似度进行匹配,然而其他匹配方式也是可能的。在步骤530中,首末站和/或站点的位置偏差可以根据它们的GPS坐标来进行计算。在步骤540,通过对线路名称、首末站名称和站点名称这三个部分的综合评估来判定是否是同一条线路。当匹配成功时,将该静态线路与地图线路绑定。
返回参见图11,作为非限制性示例,步骤442中可以按照以下公式来生成各候选线路段的线路名称匹配调整系数:
其中,P name 是线路名称匹配调整系数,α是调节参数,并且满足0.5<α≤1。调节参数α的值可以根据经验设定,也可以通过机器学习的方式进行训练来得到。
通过线路名称匹配调整系数,可以基于线路级别的对应关系来对车辆匹配方法中相应的第一观察概率进行调整,这有助于提高匹配正确率和匹配速度。
图13以流程图的形式示意性地示出了根据本公开的一些实施例的另一种车辆匹配方法400d。与图4所示的车辆匹配方法400相比,图11所示的车辆匹配方法400c的区别仅仅在于增加了步骤443和444,以及对步骤450进行了相应的修改以得到步骤450b。具体而言:
在步骤443,获取静态线路与地图线路之间的实际线路映射关系;
在步骤444,基于实际线路映射关系,生成各候选线路段的实际线路映射关系调整系数;
在步骤450a,生成每一个轨迹点的各候选线路段的第二观察概率,其中,第二观察概率等于第一观察概率乘以站点匹配调整系数,再乘以实际线路映射关系调整系数。
静态线路与地图线路之间的实际线路映射关系可以由例如第一业务端110执行实际线路挖掘方法来获得。参见图14,其以流程图的形式示意性地示出了一种实际线路挖掘方法600。实际线路挖掘方法600可以包括步骤610、620、630和640:
在步骤610,获取与静态线路对应的车辆列表;
在步骤620,利用按照本公开实施例的车辆匹配方法为车辆列表中的每一车辆进行匹配,对车辆列表中所有车辆的匹配结果进行汇总,校验每一车辆的匹配的地图线路是否一致;
在步骤630,当所有车辆的匹配结果一致时,将与所有车辆匹配的地图线路与该静态线路暂时绑定;以及
在步骤640,所有车辆的匹配结果在预定时间段内始终保持不变时,生成该地图线路与该静态线路之间的实际线路映射关系。
在上述步骤620中对每一车辆进行匹配包括为每一车辆确定与车辆轨迹数据对应/匹配的地图线路。作为非限制性示例,实际线路挖掘方法600中对每一车辆进行的匹配可以采用根据本公开前述的任一车辆匹配方法,例如车辆匹配方法400、400a、400b、400c、400d。可选地,实际线路挖掘方法600中用到的车辆的匹配结果也可以通过任何其他合适的匹配方法来获得。作为非限制性示例,步骤640中的预定时间段可以是30天,但应当理解的是,该预定时间段也可以具有任何合适的其他时长,只要其时长足够从所有车辆的匹配结果中得到稳定的统计结果便可。
返回参见图13,作为非限制性示例,步骤444中可以按照以下公式来生成生成各候选线路段的实际线路映射关系调整系数:
其中,P line 是实际线路映射关系调整系数,β是调节参数,并且满足0.5<β≤1。调节参数β的值可以根据经验设定,也可以通过机器学习的方式进行训练来得到。
通过实际线路映射关系调整系数,同样可以基于线路级别的对应关系来对车辆匹配方法中相应的第一观察概率进行调整,这有助于提高匹配正确率和匹配速度。
图15示出了根据本公开的一些实施例的一种车辆匹配装置800的结构框图。车辆匹配装置800可用于第一业务端110处,并且可以应用于本公开描述的各种场景。如图15所示,车辆匹配装置800包括:数据获取模块810、候选线路段确定模块820、观察概率生成模块830、转移概率生成模块840、最优线路段集合确定模块850、以及匹配模块860。
数据获取模块810被配置成获取车辆的包括轨迹点序列的车辆轨迹数据。候选线路段确定模块820被配置成确定地图中与每一个轨迹点对应的至少一条候选线路段。观察概率生成模块830被配置成:生成每一个轨迹点的各候选线路段的第一观察概率,生成每一个轨迹点的各候选线路段的站点匹配调整系数,以及生成每一个轨迹点的各候选线路段的第二观察概率,其中第二观察概率等于第一观察概率乘以站点匹配调整系数。转移概率生成模块840被配置成生成每一个轨迹点的各候选线路段分别到下一个轨迹点的各候选线路段的转移概率。最优线路段集合确定模块850被配置成基于全部轨迹点的候选线路段的第二观察概率和转移概率确定最优线路段集合,最优线路段集合具有全局最大概率。匹配模块860被配置成基于最优线路段集合确定地图中与车辆轨迹数据对应的地图线路。上述各个模块涉及在上文中关于图4、图8、图9、图11、图13描述的车辆匹配方法400、400a、400b、400c、400d中相关步骤的操作,因而在此不再赘述。
上面关于图15描述的各个模块均可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些模块可以被实现为计算机可执行代码/指令,该计算机可执行代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些模块可以被实现为硬件逻辑/电路。例如,在一些实施例中,这些模块中的一个或多个可以一起在片上***(SoC)中实现。SoC可以包括集成电路芯片(其包括处理器(例如,中央处理单元(CPU)、微控制器、微处理器、数字信号处理器(DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
图16示出了根据本公开一些实施例的示例性计算设备900的示意性框图。该示例性计算设备900可以代表图1所示的第一业务端110,并且该示例性计算设备900可以用于本公开描述的各种场景。
计算设备900可以包括能够诸如通过***总线914或其他适当的方式连接彼此通信的至少一个处理器902、存储器904、(多个)通信接口906、显示设备908、其他输入/输出(I/O)设备910以及一个或多个大容量存储装置912。
处理器902可以是单个处理单元或多个处理单元,所有处理单元可以包括单个或多个计算单元或者多个核心。处理器902可以被实施成一个或多个微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外,处理器902可以被配置成获取并且执行存储在存储器904、大容量存储装置912或者其他计算机可读介质中的计算机可读指令,诸如操作***916的程序代码、应用程序918的程序代码、其他程序920的程序代码等。
存储器904和大容量存储设备912是用于存储指令的计算机存储介质的示例,指令可以由处理器902执行来实施前面所描述的各种功能。举例来说,存储器904一般可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等等)。此外,大容量存储设备912一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等等。存储器904和大容量存储设备912在本文中都可以被统称为存储器或计算机存储介质,并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机可执行代码的非瞬时性介质,计算机可执行代码可以由处理器902作为被配置成实施在本公开的示例中所描述的操作和功能的特定机器来执行。
多个程序模块可以存储在大容量存储设备912上。这些程序模块包括操作***916、一个或多个应用程序918、其他程序920和程序数据922,并且它们可以被处理器902执行。这样的应用程序或程序模块的示例可以包括例如用于实现以下部件/功能的计算机程序逻辑(例如,计算机可执行代码或指令):数据获取模块810、候选线路段确定模块820、观察概率生成模块830、转移概率模块840、最优线路段集合确定模块850、以及匹配模块860。
虽然在图16中被图示成存储在计算设备900的存储器904中,但是模块916、918、920和922或者其部分可以使用可由计算设备900访问的任何形式的计算机可读介质来实施。如本文所使用的,“计算机可读介质”至少包括两种类型的计算机可读介质,也就是计算机存储介质和通信介质。
计算机存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质,信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机存储介质包括而不限于RAM、ROM、EEPROM、闪存或其他存储器技术,CD-ROM、数字通用盘(DVD)、或其他光学存储装置,磁盒、磁带、磁盘存储装置或其他磁性存储设备,或者可以被用来存储信息以供计算设备访问的任何其他非传送介质。
与此相对,通信介质可以在诸如载波或其他传送机制之类的已调数据信号中具体实现计算机可读指令、数据结构、程序模块或其他数据。本文所定义的计算机存储介质不包括通信介质。
计算设备900还可以包括一个或更多通信接口906,以用于诸如通过网络、直接连接等等与其他设备交换数据。通信接口906可以促进在多种网络和协议类型内的通信,其中包括有线网络(例如LAN、电缆等等)和无线网络(例如WLAN、蜂窝、卫星等等)、因特网等等。通信接口906还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。
在一些示例中,计算设备900可以包括诸如监视器之类的显示设备908,以用于显示信息和图像。其他I/O设备910可以是接收来自用户的各种输入并且向用户提供各种输出的设备,包括但不限于触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。
本文中使用的术语仅用于描述本公开中的实施例,并不意图限制本公开。如本文中使用的,单数形式“一个”、“一”和“该”旨在也包括复数形式,除非上下文清楚地另有指示。还要理解的是,术语“包括”和“包含”当在本公开中使用时,是指所述及的特征的存在,但不排除一个或多个其他特征的存在或者添加一个或多个其他特征。如本文中使用的,术语“和/或”包括相关联的列出项目中的一个或多个的任意和全部组合。将理解的是,尽管术语“第一”、“第二”、“第三”等在本文中可以用来描述各种特征,但是这些特征不应当由这些术语限制。这些术语仅用来将一个特征与另一个特征相区分。
除非另有定义,本文中使用的所有术语(包括技术术语和科学术语)具有与本公开所属领域的普通技术人员所通常理解的相同含义。还要理解的是,诸如那些在通常使用的字典中定义的之类的术语应当被解释为具有与其在相关领域和/或本说明书上下文中的含义相一致的含义,并且将不在理想化或过于正式的意义上进行解释,除非本文中明确地如此定义。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点被包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
本文在软件硬件元件或程序模块的一般上下文中描述了各种技术。一般地,这些模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元素、组件、数据结构等。本文所使用的术语“模块”,“功能”和“组件”一般表示软件、固件、硬件或其组合。本文描述的技术的特征是与平台无关的,意味着这些技术可以在具有各种处理器的各种计算平台上实现。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例可以例如包括以下各项:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(Random Access Memory)、只读存储器(Read Only Memory),可擦除可编辑只读存储器(Erasable ProgrammableRead Only Memory)或闪速存储器、光纤装置、以及便携式光盘只读存储器(Compact DiscRead Only Memory)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,则可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路、具有合适的组合逻辑门电路的专用集成电路、可编程门阵列(Programmable Gate Array)、现场可编程门阵列(Field Programmable Gate Array)等。
本技术领域的普通技术人员可以理解上述实施例方法的全部或部分步骤可以通过程序指令相关的硬件完成,所述程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括执行方法实施例的步骤之一或其组合。
尽管已经结合一些实施例详细地描述了本公开,但是其不旨在被限制于在本文中所阐述的特定形式。相反,本公开的范围仅由所附权利要求来限定。
Claims (15)
1.一种车辆匹配方法,用于将车辆匹配到地图中的地图线路,其中所述地图包括至少一条地图线路,各地图线路包括多个站点和多个线路段,所述车辆匹配方法包括:
获取所述车辆的包括轨迹点序列的车辆轨迹数据;
确定所述地图中与每一个轨迹点对应的至少一条候选线路段;
生成每一个轨迹点的各候选线路段的第一观察概率;
生成每一个轨迹点的各候选线路段的站点匹配调整系数;
生成每一个轨迹点的各候选线路段的第二观察概率,其中第二观察概率等于第一观察概率乘以站点匹配调整系数;
生成每一个轨迹点的各候选线路段分别到下一个轨迹点的各候选线路段的转移概率;
基于全部轨迹点的候选线路段的第二观察概率和转移概率确定最优线路段集合,所述最优线路段集合具有全局最大概率;以及
基于所述最优线路段集合确定所述地图中与所述车辆轨迹数据对应的地图线路。
2.如权利要求1所述的车辆匹配方法,还包括:
将所述地图划分为M×N个网格,其中,M和N都是大于0的整数,并且每个网格具有对应的网格索引编号;
将所述地图中每一条地图线路的各线路段投影到所述M×N个网格中,并与对应网格的网格索引编号关联。
3.如权利要求2所述的车辆匹配方法,其中,所述确定所述地图中与每一个轨迹点对应的至少一条候选线路段包括:
将一个轨迹点投影到所述M×N个网格中;
基于所述一个轨迹点被投影到其中的网格的网格索引编号,确定由a×b个网格构成的候选区域,其中,a为大于0且小于等于M的整数,b为大于0且小于等于N的整数;以及
基于所述候选区域的网格的网格索引编号确定相关联的线路段,并且将所述相关联的线路段确定为所述一个轨迹点的候选线路段。
6.如权利要求1所述的车辆匹配方法,还包括:
获取静态线路和地图线路之间的线路名称匹配结果;
基于所述线路名称匹配结果,生成各候选线路段的线路名称匹配调整系数;
其中,所述生成每一个轨迹点的各候选线路段的第二观察概率,其中第二观察概率等于第一观察概率乘以站点匹配调整系数包括:使得第二观察概率等于第一观察概率乘以站点匹配调整系数,再乘以线路名称匹配调整系数。
8.如权利要求1所述的车辆匹配方法,还包括:
获取静态线路和地图线路之间的实际线路映射关系;
基于所述实际线路映射关系,生成各候选线路段的实际线路映射关系调整系数;
其中,所述生成每一个轨迹点的各候选线路段的第二观察概率,其中第二观察概率等于第一观察概率乘以站点匹配调整系数包括:使得第二观察概率等于第一观察概率乘以站点匹配调整系数,再乘以实际线路映射结果调整系数。
10.如权利要求1所述的车辆匹配方法,其中,所述生成每一个轨迹点的各候选线路段分别到下一个轨迹点的各候选线路段的转移概率包括:
将两个轨迹点在地图上的横坐标之差和纵坐标之差的和确定为轨迹点距离;
确定两个轨迹点在相应的候选线路段上的投影点;
将两个投影点在地图上的横坐标之差和纵坐标之差的和确定为投影点距离;
将所述投影点距离和所述轨迹点距离的比值确定为所述转移概率。
12.如权利要求1至11中任一项所述的车辆匹配方法,其中,所述基于所述最优线路段集合确定所述地图中与所述车辆轨迹数据对应的地图线路包括:
对所述最优线路段集合中的候选线路段逐一进行检查和调整,使全部候选线路段对应于同一条地图线路;
合并所述全部候选线路段,得到与所述车辆轨迹数据对应的地图线路。
13.一种用于将车辆匹配到地图中的地图线路的车辆匹配装置,包括:
数据获取模块,其被配置成获取所述车辆的包括轨迹点序列的车辆轨迹数据;
候选线路段确定模块,其被配置成确定所述地图中与每一个轨迹点对应的至少一条候选线路段;
观察概率生成模块,其被配置成:生成每一个轨迹点的各候选线路段的第一观察概率,生成每一个轨迹点的各候选线路段的站点匹配调整系数,以及生成每一个轨迹点的各候选线路段的第二观察概率,其中第二观察概率等于第一观察概率乘以站点匹配调整系数;
转移概率生成模块,其被配置成生成每一个轨迹点的各候选线路段分别到下一个轨迹点的各候选线路段的转移概率;
最优线路段集合确定模块,其被配置成基于全部轨迹点的候选线路段的第二观察概率和转移概率确定最优线路段集合,所述最优线路段集合具有全局最大概率;以及
匹配模块,其被配置成基于所述最优线路段集合确定所述地图中与所述车辆轨迹数据对应的地图线路。
14.一种计算设备,包括处理器和存储器,所述存储器被配置成存储计算机可执行指令,所述计算机可执行指令被配置成,当在所述处理器上执行时,使所述处理器执行如权利要求1至12中任一项所述的车辆匹配方法。
15.一种计算机可读存储介质,其被配置成存储计算机可执行指令,所述计算机可执行指令被配置成,当在处理器上执行时,使所述处理器执行如权利要求1至12中任一项所述的车辆匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110103464.5A CN112685531B (zh) | 2021-01-26 | 2021-01-26 | 车辆匹配方法和装置、计算设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110103464.5A CN112685531B (zh) | 2021-01-26 | 2021-01-26 | 车辆匹配方法和装置、计算设备以及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112685531A CN112685531A (zh) | 2021-04-20 |
CN112685531B true CN112685531B (zh) | 2021-12-03 |
Family
ID=75459273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110103464.5A Active CN112685531B (zh) | 2021-01-26 | 2021-01-26 | 车辆匹配方法和装置、计算设备以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112685531B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295141B (zh) * | 2021-12-23 | 2024-04-12 | 深圳依时货拉拉科技有限公司 | 一种路径计算方法、设备及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018090773A1 (zh) * | 2016-11-15 | 2018-05-24 | 北京京东尚科信息技术有限公司 | 将定位***采集到的轨迹点匹配到地图的方法及其装置 |
WO2020107441A1 (en) * | 2018-11-28 | 2020-06-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for map matching |
CN112053010A (zh) * | 2020-10-09 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 一种乘车路径确定方法、装置、计算机设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8645061B2 (en) * | 2010-06-16 | 2014-02-04 | Microsoft Corporation | Probabilistic map matching from a plurality of observational and contextual factors |
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 |
DE102015220360A1 (de) * | 2015-10-20 | 2017-04-20 | Robert Bosch Gmbh | Verfahren zur Auswahl einer optimierten Trajektorie |
KR20190035159A (ko) * | 2017-09-26 | 2019-04-03 | 삼성전자주식회사 | 차량 움직임 예측 방법 및 장치 |
US10415984B2 (en) * | 2017-12-29 | 2019-09-17 | Uber Technologies, Inc. | Measuring the accuracy of map matched trajectories |
CN108645421A (zh) * | 2018-05-15 | 2018-10-12 | 天津大学 | 基于隐马尔科夫模型的自适应在线地图匹配方法 |
US10533862B1 (en) * | 2018-11-28 | 2020-01-14 | Uber Technologies, Inc. | Biasing map matched trajectories based on planned route information |
CN111651538B (zh) * | 2020-05-11 | 2022-11-01 | 腾讯科技(深圳)有限公司 | 一种位置映射方法、装置、设备及可读存储介质 |
CN112015835B (zh) * | 2020-08-13 | 2022-09-30 | 安徽师范大学 | Geohash压缩的地图匹配方法 |
-
2021
- 2021-01-26 CN CN202110103464.5A patent/CN112685531B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018090773A1 (zh) * | 2016-11-15 | 2018-05-24 | 北京京东尚科信息技术有限公司 | 将定位***采集到的轨迹点匹配到地图的方法及其装置 |
WO2020107441A1 (en) * | 2018-11-28 | 2020-06-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for map matching |
CN112053010A (zh) * | 2020-10-09 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 一种乘车路径确定方法、装置、计算机设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
Online Map-Matching of Noisy and Sparse Location Data With Hidden Markov and Route Choice Models;George R. Jagadeesh等;《IEEE Transactions on Intelligent Transportation Systems》;20170131;第2423 - 2434页 * |
Route Matching Research Based on Roadless Navigation Data Improvements on Hidden Markov Model;Zhou, XL等;《PROCEEDINGS OF THE THIRD INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND APPLICATION ENGINEERING (CSAE2019)》;20191022;第1-6页 * |
基于手机位置信息的地图匹配算法研究;张鹏飞;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160315;第C034-589页 * |
基于海量公交轨迹数据挖掘的地图匹配算法;陈辉等;《计算机应用》;20180327;第1923-1928页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112685531A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215372B (zh) | 路网信息更新方法、装置及设备 | |
CN110414732B (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
US10215575B2 (en) | Identifying a map matched trip from received geographic position information | |
CN106767835B (zh) | 定位方法和装置 | |
US9042908B2 (en) | Identifying purpose-based origin-destination using call detailed records | |
CN110008414B (zh) | 地理信息点的确定方法和装置 | |
CN110006439B (zh) | 地图轨迹数据的匹配方法、装置、服务器及存储介质 | |
US10402729B2 (en) | Path determination using robust optimization | |
CN104599002B (zh) | 预测订单价值的方法及设备 | |
CN107883974B (zh) | 导航路径的规划方法、导航服务器及计算机可读介质 | |
CN111737377B (zh) | 一种漂移轨迹的识别方法、装置及计算设备、存储介质 | |
CN113253319B (zh) | 基于车辆gps的路网提取和轨迹纠偏方法和*** | |
CN110689804A (zh) | 用于输出信息的方法和装置 | |
CN114357105A (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
CN112685531B (zh) | 车辆匹配方法和装置、计算设备以及计算机可读存储介质 | |
CN110674208A (zh) | 用于确定用户的职住地信息的方法和装置 | |
CN116443032A (zh) | 一种未来长时车速预测方法、***、设备和存储介质 | |
CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
CN111914535B (zh) | 一种单词识别方法、装置、计算机设备和存储介质 | |
CN115077539A (zh) | 一种地图生成方法、装置、设备以及存储介质 | |
CN114298421A (zh) | 用户的兴趣点预测模型的建模、使用方法及相关设备 | |
CN113051490A (zh) | 新增兴趣点预测模型训练、新增兴趣点预测方法及装置 | |
CN113673919A (zh) | 多车协同路径确定方法及装置、电子设备和存储介质 | |
CN113008246A (zh) | 地图匹配方法和装置 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40042963 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |