CN113723656A - 行驶轨迹修复方法、装置、电子设备和存储介质 - Google Patents

行驶轨迹修复方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113723656A
CN113723656A CN202011622139.1A CN202011622139A CN113723656A CN 113723656 A CN113723656 A CN 113723656A CN 202011622139 A CN202011622139 A CN 202011622139A CN 113723656 A CN113723656 A CN 113723656A
Authority
CN
China
Prior art keywords
track
data
repair
repairing
repaired
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011622139.1A
Other languages
English (en)
Inventor
任慧敏
李瑞远
鲍捷
谭楚婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingdong City Beijing Digital Technology Co Ltd
Original Assignee
Jingdong City Beijing Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jingdong City Beijing Digital Technology Co Ltd filed Critical Jingdong City Beijing Digital Technology Co Ltd
Priority to CN202011622139.1A priority Critical patent/CN113723656A/zh
Publication of CN113723656A publication Critical patent/CN113723656A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种行驶轨迹修复方法、装置、电子设备和存储介质，根据已知轨迹位置确定修复轨迹位置，每一修复轨迹位置均位于路网路段上，避免修复轨迹位置位于行驶过程中不可到达的区域，使得修复轨迹位置与实际更为贴合，包含了修复轨迹位置的修复行驶轨迹也具有更好的真实性和可用性。此外，修复行驶轨迹相对于仅包含已知轨迹位置的行驶轨迹也具有更多的行驶位置采样点，提高了行驶轨迹中轨迹位置的采样率。

Description

行驶轨迹修复方法、装置、电子设备和存储介质
技术领域
本发明涉及互联网技术领域，尤其涉及一种行驶轨迹修复方法、装置、电子设备和存储介质。
背景技术
随着互联网经济的普及以及定位技术的不断发展，人们在日常生活中产生了大量轨迹数据，例如：商店打卡数据、社交媒***置分享数据、共享出行及出租车的GPS数据、快递配送员PDA轨迹数据等等。通过深度挖掘轨迹数据，可以为人们的生活带来更多的便利，例如：通过出租车轨迹，预测城市中区域未来一段时间的车流量；通过挖掘快递配送员PDA轨迹数据，预测快递配送时间。
对轨迹数据的深度挖掘依赖于信息更丰富行驶轨迹(例如，对行驶位置的采样率更高的行驶轨迹)，然而现实中仍有大量场景只能获取稀疏的轨迹位置(即低采样率的行驶轨迹)，如商店打卡数据、社交媒***置分享数据。现有技术在将低采样率的行驶轨迹修复为高采样率的行驶轨迹时，往往通过已知轨迹位置直接推测，所推测的轨迹位置常常为不可能抵达的位置(例如，位于花坛中的轨迹位置、位于湖水中的轨迹位置)。因此现有技术恢复的轨迹位置往往因不符合实际而研究价值较低。
可见，现有技术对轨迹位置的恢复往往偏离实际，所恢复的行驶轨迹真实性较差，降低了行驶轨迹的可用性。
发明内容
本发明提供一种行驶轨迹修复方法、装置、电子设备和存储介质，用以解决现有技术对轨迹位置的恢复往往偏离实际，所恢复的行驶轨迹真实性较差，降低了行驶轨迹的可用性的缺陷，实现了使得修复轨迹位置与实际更为贴合，提高了行驶轨迹中轨迹位置的采样率。
本发明提供一种行驶轨迹修复方法，包括：
获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据；
根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置；
生成包括所述修复轨迹位置的行驶轨迹，作为修复行驶轨迹。
根据本发明提供一种行驶轨迹修复方法，在上述基础上，所述获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据，包括：
获取所述目标对象在所述已知轨迹位置的行驶状态信息和/或环境信息；
将所述已知轨迹位置，以及所述行驶状态信息和/或所述环境信息作为所述待修复数据。
根据本发明提供一种行驶轨迹修复方法，在上述基础上，所述根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置，包括：
将所述待修复数据输入修复模型中，得到由所述修复模型输出的修复结果；其中，所述修复结果至少包括如下任一种：轨迹位置所在的路网路段、轨迹位置在路段中的位置；
将根据所述修复结果确定的轨迹位置作为所述修复轨迹位置；
其中，所述轨迹修复模型用于基于输入的待修复数据输出用于确定修复轨迹位置的修复结果。
根据本发明提供一种行驶轨迹修复方法，在上述基础上，所述将所述待修复数据输入修复模型中，得到由所述修复模型输出的修复结果，包括：
将所述待修复数据输入所述修复模型中的编码模块，得到由所述编码模块输出的特征数据；其中，所述编码模块中包括双向长短时记忆网络；
将所述特征数据输入所述修复模型中的解码模块，得到由所述解码模块输出的修复结果；其中，所述解码模块中包括单向长短时记忆网络。
根据本发明提供一种行驶轨迹修复方法，在上述基础上，所述将所述待修复数据输入所述修复模型中的编码模块，得到由所述编码模块输出的特征数据，包括：
将所述待修复数据中的已知轨迹位置和在已知轨迹位置的行驶状态信息输入所述编码模块中的第一子模块，得到由所述第一子模块输出的第一特征数据；
将所述待修复数据中的环境信息输入所述编码模块中的第二子模块，得到由所述第二子模块输出的第二特征数据；
将所述第一特征数据和所述第二特征数据拼接后形成的数据，作为所述特征数据。
根据本发明提供一种行驶轨迹修复方法，在上述基础上，在将所述待修复数据输入修复模型之前，还包括：
将第一已知行驶轨迹与所述路网路段进行匹配，获取所述第一已知行驶轨迹中位于所述路网路段上的轨迹位置，作为匹配轨迹位置，生成表示所述匹配轨迹位置的样本修复结果；
获取包括第二已知行驶轨迹上的轨迹位置的数据，作为样本待修复数据；其中，所述第二已知行驶轨迹通过降低所述第一已知行驶轨迹中轨迹位置的采样率得到；
生成训练样本，通过对若干训练样本进行机器学习得到所述修复模型；其中，所述训练样本以所述样本待修复数据作为输入，以所述样本修复结果作为期望输出。
根据本发明提供一种行驶轨迹修复方法，在上述基础上，在将第一已知行驶轨迹与所述路网路段进行匹配之前，还包括：
根据所述第一已知行驶轨迹中任意两个轨迹位置之间的间隔路程、间隔采样时间和速度阈值，确定所述第一已知行驶轨迹中的异常轨迹位置，以去除所述第一已知行驶轨迹中的异常轨迹位置。
本发明还提供一种行驶轨迹修复装置，包括：
获取单元，用于获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据；
确定单元，用于根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置；
生成单元，用于生成包括所述修复轨迹位置的行驶轨迹，作为修复行驶轨迹。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述行驶轨迹修复方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述行驶轨迹修复方法的步骤。
本发明提供的一种行驶轨迹修复方法、装置、电子设备和存储介质，根据已知轨迹位置确定修复轨迹位置，每一修复轨迹位置均位于路网路段上，避免修复轨迹位置位于行驶过程中不可到达的区域，使得修复轨迹位置与实际更为贴合，包含了修复轨迹位置的修复行驶轨迹也具有更好的真实性和可用性。此外，修复行驶轨迹相对于仅包含已知轨迹位置的行驶轨迹也具有更多的行驶位置采样点，提高了行驶轨迹中轨迹位置的采样率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1是本发明提供的行驶轨迹修复方法的流程示意图之一；
图2是本发明提供的修复模型的原理示意图；
图3是本发明提供的行驶轨迹修复装置的结构框图之一；
图4是本发明提供的电子设备的实体结构示意图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
图1为本实施例提供的行驶轨迹修复方法的流程示意图，该行驶轨迹修复方法可由能够获取到已知轨迹位置的任一设备执行，例如，由服务器或终端执行。参见图1，该行驶轨迹修复方法包括：
步骤101：获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据。
目标对象可以是任一行驶的人，例如，快递员、外出购物的人或旅游的人等，或者目标对象也可以是无人驾驶的车辆。已知轨迹位置通常为目标对象行驶轨迹中几个稀疏的轨迹位置，例如，已知轨迹位置为目标对象到达一些位置(例如，旅游景点)进行打开后的数据。已知轨迹位置可以视作对目标对象的行驶轨迹的轨迹位置进行低采样率的采样得到的轨迹位置。待修复数据包括已知轨迹位置，还可以包括已知轨迹位置之外的有利于修复出其它轨迹位置的数据，本实施例对此不做具体限制。
步骤102：根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置。
路网路段即已知的路网路段，通常为已知轨迹位置所在的路网中的路段。
在传统修复过程中，根据已知轨迹位置进行修复得到的修复位置很可能没有位于路段中，而是位于其它一些目标对象不可能到达的位置，例如，在湖泊中或花坛中。为了避免传统修复过程的这种偏差，本实施例中使得修复的每一轨迹位置均位于路网路段上，即能够保证每一修复行驶轨迹均是目标对象能够到达的位置，从而使得修复轨迹位置更加符合实际，进而提高了修复行驶轨迹的真实性。
步骤103：生成包括所述修复轨迹位置的行驶轨迹，作为修复行驶轨迹。
修复行驶轨迹中已知的轨迹位置除了修复轨迹位置外，还有已知轨迹位置，因此，相比于仅包含已知轨迹位置的行驶轨迹，修复行驶轨迹中对轨迹位置的采样率更高。因此，通过修复轨迹位置提高了行驶轨迹的轨迹位置采样率。
本实施例提供了一种行驶轨迹修复方法，根据已知轨迹位置确定修复轨迹位置，每一修复轨迹位置均位于路网路段上，避免修复轨迹位置位于行驶过程中不可到达的区域，使得修复轨迹位置与实际更为贴合，包含了修复轨迹位置的修复行驶轨迹也具有更好的真实性和可用性。此外，修复行驶轨迹相对于仅包含已知轨迹位置的行驶轨迹也具有更多的行驶位置采样点，提高了行驶轨迹中轨迹位置的采样率。
进一步地，在上述实施例的基础上，所述获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据，包括：
获取所述目标对象在所述已知轨迹位置的行驶状态信息和/或环境信息；
将所述已知轨迹位置，以及所述行驶状态信息和/或所述环境信息作为所述待修复数据。
进一步地，可以通过独热编码(One-Hot编码)的方式表示环境信息。其中，独热编码是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。通过独热编码能够表示出不同的环境信息，且各环境信息不存在大小比较关系。
为了进一步提高确定的修复轨迹位置的准确性，还可以在待修复数据中加入一些影响行驶轨迹的数据，例如，已知轨迹位置的行驶状态信息(具体可以包括已知轨迹位置处当前的速度、加速度、行进方向等等)。环境数据例如可以包括天气、时间、星期(比如工作日与非工作日可能会对行驶轨迹造成影响)、兴趣点(即POI，例如处于商业区、郊区、工业区等区域)。
本实施例中，通过在待修复数据中加入状态信息和/或环境信息，提高了根据待修复数据确定修复轨迹位置的准确性。
进一步地，在上述各实施例的基础上，所述根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置，包括：
将所述待修复数据输入修复模型中，得到由所述修复模型输出的修复结果；其中，所述修复结果至少包括如下任一种：轨迹位置所在的路网路段、轨迹位置在路段中的位置；
将根据所述修复结果确定的轨迹位置作为所述修复轨迹位置；
其中，所述轨迹修复模型用于基于输入的待修复数据输出用于确定修复轨迹位置的修复结果。
修复模型输出的修复结果用于表示出修复轨迹位置在路网路段中的具***置，例如，修复结果中至少可以包括如下任一：轨迹位置所在的路网路段(即路网路段ID)，轨迹位置在路段中的位置(例如，可以用轨迹位置在路网路段中的位置与某ID的路段起点或终点之间的距离占路段总长百分比表示)。为了能够更精确地定位出修复轨迹位置，可以使得修复模型以多个任务的方式输出修复结果，例如，多个任务分别为输出路段ID和输出上述百分比，以通过路段ID和上述百分比更为精确地定位出修复轨迹位置。
本实施例中，通过机器学习得到的修复模型进行轨迹位置的修复，由于修复模型通过大量真实数据训练得到，能够准确地修复出贴近实际的轨迹位置。此外，修复模型通过多任务的方式输出修复结果，结合多任务数据的修复结果能够更为精准地定位出修复轨迹位置，提高轨迹位置的真实性。
进一步地，在上述各实施例的基础上，所述将所述待修复数据输入修复模型中，得到由所述修复模型输出的修复结果，包括：
将所述待修复数据输入所述修复模型中的编码模块，得到由所述编码模块输出的特征数据；其中，所述编码模块中包括双向长短时记忆网络；
将所述特征数据输入所述修复模型中的解码模块，得到由所述解码模块输出的修复结果；其中，所述解码模块中包括单向长短时记忆网络。
本实施例中，修复模型采用编码模块和解码模块这种Seq2Seq的网络架构，由于已知轨迹位置通常是序列行驶的数据，通过Seq2Seq的网络架构具有更好的处理结果。
编码模块中包括双向长短时记忆网络(Bi-LSTM)，能够对已知轨迹位置这一序列化的数据进行更为准确和精细的特征提取，从而有利于通过解码模块中的单向长短时记忆网络(LSTM)更为准确地推测出行驶轨迹上的修复轨迹位置。
本实施例中，通过Seq2Seq的网络架构作为修复模型，能够充分挖掘已知轨迹位置这一序列化数据中的特征，从而更加准确地推测出修复轨迹位置。
进一步地，在上述各实施例的基础上，所述将所述待修复数据输入所述修复模型中的编码模块，得到由所述编码模块输出的特征数据，包括：
将所述待修复数据中的已知轨迹位置和在已知轨迹位置的行驶状态信息输入所述编码模块中的第一子模块，得到由所述第一子模块输出的第一特征数据；
将所述待修复数据中的环境信息输入所述编码模块中的第二子模块，得到由所述第二子模块输出的第二特征数据；
将所述第一特征数据和所述第二特征数据拼接后形成的数据，作为所述特征数据。
其中，第一子模块包括双向长短时记忆网络，第二子模块包括深度感知机。
为了使得编码模块能够充分提取待修复数据的特征，还可以将不同形式的待修复数据输入不同的用于进行特征提取的结构中。例如，可以将已知轨迹位置和在已知轨迹位置的行驶状态信息这些序列化的数据输入第一子模块，通过双向长短时记忆网络进行特征提取。由于通常行驶过程中环境数据相对稳定，例如，天气情况、是否为工作日等，因此通常环境信息为非序列化的信息，因此可以通过第二子模块中的深度感知机对环境信息进行特征提取。
图2为本实施例提供的修复模型的原理示意图，参见图2，环境信息通过深度感知机进行特征提取得到第二特征数据，已知轨迹位置和随着已知轨迹位置变化的行驶状态信息通过双向长短时记忆网络进行特征提取得到第一特征数据，将第一特征数据和第二特征数据拼接之后的数据输入解码器，从而通过解码器依次输出修复轨迹位置。其中，解码器中的LSTM通过循环输出的方式输出修复轨迹位置，将前一次输出的修复轨迹位置作为下一次输出修复轨迹位置的一个参数。可理解的是，可以设置采样率，使得LSTM根据该采样率依次输出修复轨迹位置，直到到达行驶轨迹的终点，如此可以得到任意采样率的行驶轨迹。
本实施例中，依据待修复数据的不同特点对待修复数据进行特征提取，能够实现对待修复数据更为准确地的特征提取过程，有利于提高后续修复的轨迹位置的真实性和准确性。
具体地，修复模型包括编码模块和解码模块，其中，编码模块包括用于对序列化的数据(例如，已知轨迹位置组成的序列化数据)进行特征提取的第一子模块和用于对环境信息进行特征提取的第二子模块。首先将低采样率的轨迹输入Seq2Seq模型(即修复模型)中的第一子模块，得到嵌入层(包含了第一特征数据)；同时将外部信息(即环境信息)通过第二子模块得到另一个嵌入层(包含了第二特征数据)；而后将这两个嵌入层合并输入至Seq2Seq模型中的解码器模块，解码器模块嵌入了多任务模型，即由解码器逐一生成高频采样率的路段ID以及对应路段的百分比，最后将两个输出结合转换成GPS点，最终得到匹配路网的高采样率轨迹。
关于编码模块中的第一子模块，其旨在学习低采样率轨迹的特征数据。编码模块中的第一子模块用于序列信息，将任意长度的序列信息编码到一个向量中，即嵌入层。在提取序列信息时，编码模块常用RNN和LSTM结构，但二者只能依据之前时刻的时序信息来预测下一个时刻的输出，然而在有些序列问题中，当前时刻的输出不仅和之前的状态有关，还与未来的状态有关，而Bi-LSTM(双向LSTM)可以很好的解决这一问题。在解决的问题中，已知轨迹位置是一种强序列信息，为更好的实现轨迹插值，需要对低采样率轨迹的全局信息有更好的认知，因此，在本发明中使用了Bi-LSTM来提取低采样率轨迹的嵌入层。为更好的学习轨迹特征，每一个Bi-LSTM节点输入不仅包含了轨迹的经度、纬度，还加入了轨迹的行为特征，例如，每个节点当前的速度、加速度、行进方向等。
关于编码模块中的第二子模块，是为了提取更多的外部信息，以提高模型准确率。外部信息对于车辆运行的路径选择以及速度有很大影响，而路径选择和速度决定了轨迹恢复的准率度，因此在本发明中加入了外部信息特征提取模块，以提高轨迹插值的准确性。由于外部特征是分类值，因此首先采用独热编码，然后通过MLP提取每个特征的嵌入层信息。将此嵌入层信息与编码器模块得到的嵌入层信息合并起来，作为解码器模块的输入。
关于解码模块，其用于序列信息，将输入的嵌入层生成任意长度的序列。在生成高采样轨迹序列时只关注历史信息，因此在本发明中选择LSTM结构作为解码模块。编码模块中没有直接生成高采样率轨迹对应的每一个GPS点，而是为解码模块分配了两个生成任务，一个任务是在序列中生成了每个点对应的路段ID，另一任务是输出对应路段的百分比，最后，使用多任务训练模型，将路段ID以及路段百分比转换为具体的GPS点，可以保证每一个恢复的GPS点都映射到路网上，提高模型恢复的准确率。
进一步地，在上述各实施例的基础上，在将所述待修复数据输入修复模型之前，还包括：
将第一已知行驶轨迹与所述路网路段进行匹配，获取所述第一已知行驶轨迹中位于所述路网路段上的轨迹位置，作为匹配轨迹位置，生成表示所述匹配轨迹位置的样本修复结果；
获取包括第二已知行驶轨迹上的轨迹位置的数据，作为样本待修复数据；其中，所述第二已知行驶轨迹通过降低所述第一已知行驶轨迹中轨迹位置的采样率得到；
生成训练样本，通过对若干训练样本进行机器学习得到所述修复模型；其中，所述训练样本以所述样本待修复数据作为输入，以所述样本修复结果作为期望输出。
对于修复模型的训练过程，为了保证第一已知行驶轨迹本身的正确性，可以在训练之前将第一已知行驶轨迹与路网路段进行匹配，进而从第一已知行驶轨迹中选取匹配轨迹位置来生成样本修复结果，实现对训练样本中期望输出的确定。
具体地，第一已知行驶轨迹实际上指的是“原始的未经地图匹配的高采样率轨迹”，匹配轨迹位置实际上是“第一已知行驶轨迹经过路网路段匹配后的高采样率轨迹上的轨迹位置”，第二已知行驶轨迹实际上是“由第一已知行驶轨迹中的数据降采样得到的低采样率轨迹”。训练修复模型的过程实际上是一个监督学习的过程，以根据第二已知行驶轨迹这一低采样率的行驶轨迹确定的样本待修复数据作为输入，以根据匹配轨迹位置确定的样本修复结果作为期望数据，进行模型得到修复模型。训练结束后的修复模型可以对低采样率轨迹进行修复，实现将低采样率轨迹恢复至高采样率且经过地图匹配的轨迹。
本实施例中，将第一已知行驶轨迹与路网路段进行匹配，进而根据匹配轨迹位置确定修复结果，保证了训练样本的真实性，进一步提高了通过修复模型输出的修复轨迹位置的准确性和真实性。
进一步地，在上述各实施例的基础上，在将第一已知行驶轨迹与所述路网路段进行匹配之前，还包括：
根据所述第一已知行驶轨迹中任意两个轨迹位置之间的间隔路程、间隔采样时间和速度阈值，确定所述第一已知行驶轨迹中的异常轨迹位置，以去除所述第一已知行驶轨迹中的异常轨迹位置。
其中，速度阈值可以动态设置，根据当前轨迹的平均速度决定，例如，速度阈值为当前轨迹的平均速度的2倍。这是因为，实际场景下驾驶车辆只有极小概率在短时间内提速至区间平均速度的两倍后又迅速降速至原速度。
进一步地，在确定第一已知行驶轨迹中的异常轨迹位置后，确定与所述异常轨迹位置邻接的两个轨迹位置，以所述邻接的两个轨迹位置的中间位置(即坐标均值确定的位置)替换异常轨迹位置。
本实施例中，进行模型训练之前，对第一已知行驶轨迹进行异常轨迹位置的剔除，有利于提高训练的修复模型的准确性。
具体地，可以通过过程处理用于确定训练样本的行驶轨迹：
a)轨迹去噪
基于GPS设备产生的轨迹数据，会有少量的噪声点，即在一个连续的轨迹中可能有一些点的记录值偏离真实值数百米以上。为去除噪声点，本实施例中设置了一个速度阈值V，在原始轨迹数据中，如果两个连续的点之间的距离除以间隔时间大于速度阈值V，就用异常点的两个邻接点均值代替。其中V的设置是动态的，由当前轨迹的平均速度决定，V设置为轨迹平均速度的两倍。
b)轨迹降采样
为验证本发明的有效性，获取高采样率轨迹后，设置低采样频率，从地图匹配前的高采样率轨迹数据中随机提取低采样率轨迹作为模型输入，通过模型学习生成被映射到路网上的高采样频率轨迹，与d)中的基准真值做对比验证。
c)有效特征提取
车辆行驶路径、速度除个人驾驶习惯外，受外界影响也较大，例如天气、时间、星期(工作日与非工作日)、兴趣点(POI，例如商业区、郊区、工业区等)。为进一步提升模型的准确性，提取出相关特征作为模型输入的一部分。由于此部分信息不是连续值，而是分类值，对其做了独热编码。
d)轨迹地图匹配
地图匹配是将轨迹数据关联到地图路网上的过程，如果不进行地图匹配，车辆运行轨迹很可能不显示在路网上(例如建筑物、池塘等)，不利于后续的数据挖掘及分析，因此将低采样率轨迹恢复至高采样率的同时将其与路网匹配。隐马尔可夫地图匹配算法在高采样率的轨迹上有好表现，因此，直接使用该方法将高采样率轨迹匹配至路网，得到基准真值。
本发明利用深度学习Seq2Seq结构框架，训练多任务模型，实现了基于路网的低采样率轨迹恢复，有效解决了现有技术中恢复信息不够精细、脱离路网的问题，使轨迹恢复在现实中具有可用性。
图3为本实施例提供的一种行驶轨迹修复装置的结构框图，参见图3，包括获取单元301、确定单元302和生成单元303，其中，
获取单元301，用于获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据；
确定单元302，用于根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置；
生成单元303，用于生成包括所述修复轨迹位置的行驶轨迹，作为修复行驶轨迹。
本实施例提供的行驶轨迹修复装置适用于上述各实施例提供的行驶轨迹修复方法，在此不再赘述。
本实施例提供一种行驶轨迹修复装置，根据已知轨迹位置确定修复轨迹位置，每一修复轨迹位置均位于路网路段上，避免修复轨迹位置位于行驶过程中不可到达的区域，使得修复轨迹位置与实际更为贴合，包含了修复轨迹位置的修复行驶轨迹也具有更好的真实性和可用性。此外，修复行驶轨迹相对于仅包含已知轨迹位置的行驶轨迹也具有更多的行驶位置采样点，提高了行驶轨迹中轨迹位置的采样率。
根据本发明提供一种行驶轨迹修复装置，在上述基础上，所述获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据，包括：
获取所述目标对象在所述已知轨迹位置的行驶状态信息和/或环境信息；
将所述已知轨迹位置，以及所述行驶状态信息和/或所述环境信息作为所述待修复数据。
根据本发明提供一种行驶轨迹修复装置，在上述基础上，所述根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置，包括：
将所述待修复数据输入修复模型中，得到由所述修复模型输出的修复结果；其中，所述修复结果至少包括如下任一种：轨迹位置所在的路网路段、轨迹位置在路段中的位置；
将根据所述修复结果确定的轨迹位置作为所述修复轨迹位置；
其中，所述轨迹修复模型用于基于输入的待修复数据输出用于确定修复轨迹位置的修复结果。
根据本发明提供一种行驶轨迹修复装置，在上述基础上，所述将所述待修复数据输入修复模型中，得到由所述修复模型输出的修复结果，包括：
将所述待修复数据输入所述修复模型中的编码模块，得到由所述编码模块输出的特征数据；其中，所述编码模块中包括双向长短时记忆网络；
将所述特征数据输入所述修复模型中的解码模块，得到由所述解码模块输出的修复结果；其中，所述解码模块中包括单向长短时记忆网络。
根据本发明提供一种行驶轨迹修复装置，在上述基础上，所述将所述待修复数据输入所述修复模型中的编码模块，得到由所述编码模块输出的特征数据，包括：
将所述待修复数据中的已知轨迹位置和在已知轨迹位置的行驶状态信息输入所述编码模块中的第一子模块，得到由所述第一子模块输出的第一特征数据；
将所述待修复数据中的环境信息输入所述编码模块中的第二子模块，得到由所述第二子模块输出的第二特征数据；
将所述第一特征数据和所述第二特征数据拼接后形成的数据，作为所述特征数据。
根据本发明提供一种行驶轨迹修复装置，在上述基础上，在将所述待修复数据输入修复模型之前，还包括：
将第一已知行驶轨迹与所述路网路段进行匹配，获取所述第一已知行驶轨迹中位于所述路网路段上的轨迹位置，作为匹配轨迹位置，生成表示所述匹配轨迹位置的样本修复结果；
获取包括第二已知行驶轨迹上的轨迹位置的数据，作为样本待修复数据；其中，所述第二已知行驶轨迹通过降低所述第一已知行驶轨迹中轨迹位置的采样率得到；
生成训练样本，通过对若干训练样本进行机器学习得到所述修复模型；其中，所述训练样本以所述样本待修复数据作为输入，以所述样本修复结果作为期望输出。
根据本发明提供一种行驶轨迹修复装置，在上述基础上，在将第一已知行驶轨迹与所述路网路段进行匹配之前，还包括：
根据所述第一已知行驶轨迹中任意两个轨迹位置之间的间隔路程、间隔采样时间和速度阈值，确定所述第一已知行驶轨迹中的异常轨迹位置，以去除所述第一已知行驶轨迹中的异常轨迹位置。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行行驶轨迹修复方法，该方法包括：
获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据；
根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置；
生成包括所述修复轨迹位置的行驶轨迹，作为修复行驶轨迹。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行行驶轨迹修复方法，该方法包括：
获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据；
根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置；
生成包括所述修复轨迹位置的行驶轨迹，作为修复行驶轨迹。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行
行驶轨迹修复方法，该方法包括：
获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据；
根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置；
生成包括所述修复轨迹位置的行驶轨迹，作为修复行驶轨迹。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种行驶轨迹修复方法，其特征在于，包括：
获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据；
根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置；
生成包括所述修复轨迹位置的行驶轨迹，作为修复行驶轨迹。
2.根据权利要求1所述的行驶轨迹修复方法，其特征在于，所述获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据，包括：
获取所述目标对象在所述已知轨迹位置的行驶状态信息和/或环境信息；
将所述已知轨迹位置，以及所述行驶状态信息和/或所述环境信息作为所述待修复数据。
3.根据权利要求1或2所述的行驶轨迹修复方法，其特征在于，所述根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置，包括：
将所述待修复数据输入修复模型中，得到由所述修复模型输出的修复结果；其中，所述修复结果至少包括如下任一种：轨迹位置所在的路网路段、轨迹位置在路段中的位置；
将根据所述修复结果确定的轨迹位置作为所述修复轨迹位置；
其中，所述轨迹修复模型用于基于输入的待修复数据输出用于确定修复轨迹位置的修复结果。
4.根据权利要求3所述的行驶轨迹修复方法，其特征在于，所述将所述待修复数据输入修复模型中，得到由所述修复模型输出的修复结果，包括：
将所述待修复数据输入所述修复模型中的编码模块，得到由所述编码模块输出的特征数据；其中，所述编码模块中包括双向长短时记忆网络；
将所述特征数据输入所述修复模型中的解码模块，得到由所述解码模块输出的修复结果；其中，所述解码模块中包括单向长短时记忆网络。
5.根据权利要求4所述的行驶轨迹修复方法，其特征在于，所述将所述待修复数据输入所述修复模型中的编码模块，得到由所述编码模块输出的特征数据，包括：
将所述待修复数据中的已知轨迹位置和在已知轨迹位置的行驶状态信息输入所述编码模块中的第一子模块，得到由所述第一子模块输出的第一特征数据；
将所述待修复数据中的环境信息输入所述编码模块中的第二子模块，得到由所述第二子模块输出的第二特征数据；
将所述第一特征数据和所述第二特征数据拼接后形成的数据，作为所述特征数据。
6.根据权利要求3所述的行驶轨迹修复方法，其特征在于，在将所述待修复数据输入修复模型之前，还包括：
将第一已知行驶轨迹与所述路网路段进行匹配，获取所述第一已知行驶轨迹中位于所述路网路段上的轨迹位置，作为匹配轨迹位置，生成表示所述匹配轨迹位置的样本修复结果；
获取包括第二已知行驶轨迹上的轨迹位置的数据，作为样本待修复数据；其中，所述第二已知行驶轨迹通过降低所述第一已知行驶轨迹中轨迹位置的采样率得到；
生成训练样本，通过对若干训练样本进行机器学习得到所述修复模型；其中，所述训练样本以所述样本待修复数据作为输入，以所述样本修复结果作为期望输出。
7.根据权利要求6所述的行驶轨迹修复方法，其特征在于，在将第一已知行驶轨迹与所述路网路段进行匹配之前，还包括：
根据所述第一已知行驶轨迹中任意两个轨迹位置之间的间隔路程、间隔采样时间和速度阈值，确定所述第一已知行驶轨迹中的异常轨迹位置，以去除所述第一已知行驶轨迹中的异常轨迹位置。
8.一种行驶轨迹修复装置，其特征在于，包括：
获取单元，用于获取目标对象行驶轨迹上的已知轨迹位置，作为待修复数据；
确定单元，用于根据所述待修复数据确定位于路网路段上的轨迹位置，作为修复轨迹位置；
生成单元，用于生成包括所述修复轨迹位置的行驶轨迹，作为修复行驶轨迹。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的行驶轨迹修复方法的步骤。
10.一种非暂态可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的行驶轨迹修复方法的步骤。
CN202011622139.1A 2020-12-31 2020-12-31 行驶轨迹修复方法、装置、电子设备和存储介质 Pending CN113723656A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011622139.1A CN113723656A (zh) 2020-12-31 2020-12-31 行驶轨迹修复方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011622139.1A CN113723656A (zh) 2020-12-31 2020-12-31 行驶轨迹修复方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN113723656A true CN113723656A (zh) 2021-11-30

Family

ID=78672451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011622139.1A Pending CN113723656A (zh) 2020-12-31 2020-12-31 行驶轨迹修复方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113723656A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114328791A (zh) * 2021-12-30 2022-04-12 重庆大学 一种基于深度学习的地图匹配算法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107202574A (zh) * 2016-03-17 2017-09-26 北京小米移动软件有限公司 运动轨迹信息修正方法及装置
CN110223318A (zh) * 2019-04-28 2019-09-10 驭势科技（北京）有限公司 一种多目标轨迹的预测方法、装置、车载设备及存储介质
CN111275225A (zh) * 2018-12-04 2020-06-12 北京嘀嘀无限科技发展有限公司 空车轨迹预测方法、预测装置、服务器和可读存储介质
CN111831768A (zh) * 2020-05-21 2020-10-27 北京嘀嘀无限科技发展有限公司 纠正行驶轨迹的方法、装置、存储介质及电子设备
CN111858814A (zh) * 2020-07-21 2020-10-30 北京卡路里信息技术有限公司 一种运动轨迹的修复方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107202574A (zh) * 2016-03-17 2017-09-26 北京小米移动软件有限公司 运动轨迹信息修正方法及装置
CN111275225A (zh) * 2018-12-04 2020-06-12 北京嘀嘀无限科技发展有限公司 空车轨迹预测方法、预测装置、服务器和可读存储介质
CN110223318A (zh) * 2019-04-28 2019-09-10 驭势科技（北京）有限公司 一种多目标轨迹的预测方法、装置、车载设备及存储介质
CN111831768A (zh) * 2020-05-21 2020-10-27 北京嘀嘀无限科技发展有限公司 纠正行驶轨迹的方法、装置、存储介质及电子设备
CN111858814A (zh) * 2020-07-21 2020-10-30 北京卡路里信息技术有限公司 一种运动轨迹的修复方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114328791A (zh) * 2021-12-30 2022-04-12 重庆大学 一种基于深度学习的地图匹配算法

Similar Documents

Publication Publication Date Title
CN107103754B (zh) 一种道路交通状况预测方法及***
CN111091708A (zh) 车辆轨迹预测方法及装置
CN114973677A (zh) 用于确定预计到达时间的方法和设备
CN107103753A (zh) 交通时间预测***、交通时间预测方法以及交通模型建立方法
CN112598192B (zh) 一种车辆进入物流园区的预测方法、装置、存储介质及终端
Manasseh et al. Predicting driver destination using machine learning techniques
CN114450557B (zh) 路线偏差量化及基于此的车辆路线学习
CN113191550A (zh) 地图匹配方法及装置
CN111291280A (zh) 一种大规模移动对象的轨迹快速预测方法、介质和设备
CN113068131B (zh) 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质
CN106030685A (zh) 地图信息处理装置、地图信息处理方法及更新数据的调整方法
Wang et al. DeepSpeedometer: Vehicle speed estimation from accelerometer and gyroscope using LSTM model
CN110276387B (zh) 一种模型的生成方法及装置
CN114625744A (zh) 电子地图的更新方法和装置
CN113723656A (zh) 行驶轨迹修复方法、装置、电子设备和存储介质
CN115062713A (zh) 一种基于gcn-gru的露天矿卡车停留区域活动识别方法
CN111613052B (zh) 一种交通状况确定方法、装置、电子设备及存储介质
CN114492544B (zh) 模型训练方法及装置、交通事件发生概率评估方法及装置
CN111444286A (zh) 一种基于轨迹数据的远距离交通节点关联性挖掘方法
CN112866915B (zh) 导航信息处理方法、装置、电子设备及存储介质
CN114792320A (zh) 轨迹预测方法、轨迹预测装置和电子设备
CN110389577A (zh) 一种确定驾驶风格的方法及装置
Roth et al. CrowdAbout: Using vehicles as sensors to improve map data for ITS
Zha et al. Individual travel transportation modes identification based on deep learning algorithm of attention mechanism
Necula Mining GPS data to learn driver's route patterns

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