CN113807221A - 轨迹质量识别方法、装置、电子设备及可读存储介质 - Google Patents
轨迹质量识别方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113807221A CN113807221A CN202111041260.XA CN202111041260A CN113807221A CN 113807221 A CN113807221 A CN 113807221A CN 202111041260 A CN202111041260 A CN 202111041260A CN 113807221 A CN113807221 A CN 113807221A
- Authority
- CN
- China
- Prior art keywords
- track
- target
- quality
- road
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013507 mapping Methods 0.000 claims abstract description 55
- 238000007637 random forest analysis Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种轨迹质量识别方法、装置、电子设备及计算机可读存储介质。该轨迹质量识别方法包括:获取目标车辆在目标道路区域的目标行驶轨迹;获取所述目标行驶轨迹的目标轨迹参数;根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量,其中,所述目标轨迹质量用于指示所述目标行驶轨迹是否用于确定所述目标道路区域的道路状态,所述质量映射参数用于反映轨迹的轨迹参数与轨迹质量之间的约束关系,所述质量映射参数通过样本轨迹的样本轨迹参数和所述样本轨迹的实际轨迹质量进行学习得到。本申请中可以提高车辆行驶轨迹的质量高低的判别准确率,进而提高道路状态的准确度较低。
Description
技术领域
本申请涉及数据评估技术领域,具体涉及一种轨迹质量识别方法、装置、电子设备及计算机可读存储介质。
背景技术
车辆行驶轨迹一般来说是经过定位设备采集得到的,车辆行驶轨迹对于地理信息科学等方面具有重要的指导意义,车辆行驶轨迹可以用于分析道路拥堵、封闭等道路状态。
但是,由于定位设备的精度、环境噪声较大等因素影响,通常会存在采集的车辆行驶轨迹与实际的车辆行驶轨迹不一致问题,比如采集的车辆行驶轨迹会出现错位、冗余、轨迹点漂移等问题。若采用与实际的车辆行驶轨迹偏差较大的车辆行驶轨迹分析道路状态,将会导致道路状态的可靠性较低。因此,需要对采集的车辆行驶轨迹进行质量评估,以决定采集到的车辆行驶轨迹是否用于分析道路状态。
现有技术中,通过利用车辆行驶轨迹受到的不同干扰条件设置阈值,并以此来判断采集到的车辆行驶轨迹的质量高低。但是,本申请发明人在实际应用过程中发现,通过车辆行驶轨迹受到的不同干扰条件与阈值进行比较,来判定采集到的车辆行驶轨迹的质量高低,其判别准确率相对较低。
发明内容
本申请提供一种轨迹质量识别方法、装置、电子设备及计算机可读存储介质,旨在解决现有技术中车辆行驶轨迹的质量高低的判别准确率较低,从而导致道路状态的准确度较低问题。
第一方面,本申请提供一种轨迹质量识别方法,所述方法包括:
获取目标车辆在目标道路区域的目标行驶轨迹;
获取所述目标行驶轨迹的目标轨迹参数;
根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量,其中,所述目标轨迹质量用于指示所述目标行驶轨迹是否用于确定所述目标道路区域的道路状态,所述质量映射参数用于反映轨迹的轨迹参数与轨迹质量之间的约束关系,所述质量映射参数通过样本轨迹的样本轨迹参数和所述样本轨迹的实际轨迹质量进行学习得到。
在本申请的一些实施例中,所述根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量之后,还包括:
当所述目标轨迹质量符合预设条件时,将所述目标行驶轨迹加入所述目标道路区域的轨迹集合;
基于所述轨迹集合,确定所述目标道路区域的道路状态。
在本申请的一些实施例中,所述道路状态包括道路拥堵状态,所述基于所述轨迹集合,确定所述目标道路区域的道路状态,包括:
获取所述轨迹集合中各行驶轨迹对应的车辆行驶速度;
基于所述车辆行驶速度,确定所述目标道路区域的道路拥堵状态。
在本申请的一些实施例中,所述获取目标车辆在目标道路区域的目标行驶轨迹,包括:
获取所述目标车辆的定位设备采集到的所述目标车辆的定位轨迹点集合,其中,所述定位轨迹点集合包括所述目标车辆由目标起点行驶至目标终点的X个定位轨迹点;
获取所述定位轨迹点集合中第i个轨迹点预设范围内的M个匹配道路点,其中,1≤i≤X-1;
获取所述定位轨迹点集合中第i+1个轨迹点预设范围内的N个匹配道路点;
基于预设的寻路代价因素和所述M个匹配道路点进行寻路,得到到达所述N个匹配道路点的N条最优路径;
基于所述N条最优路径的路径距离进行寻路,得到所述目标车辆由所述目标起点行驶至所述目标终点的目标最优路径,以作为所述目标行驶轨迹。
在本申请的一些实施例中,所述根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量之前,还包括:
获取训练数据集,其中,所述训练数据集包括多个样本轨迹,所述样本轨迹标注有实际轨迹质量;
获取所述样本轨迹的样本轨迹参数;
通过待训练随机森林模型,根据所述样本轨迹参数进行预测,得到所述样本轨迹的预测轨迹质量;
基于所述实际轨迹质量和所述预测轨迹质量,对所述待训练随机森林模型的模型参数进行调整,直至符合预设的停止训练条件时,得到已训练随机森林模型;
提取所述已训练随机森林模型的模型参数,以作为所述质量映射参数。
在本申请的一些实施例中,所述目标轨迹参数包括所述目标行驶轨迹的轨迹点采样频率、所述目标行驶轨迹与所述目标车辆的实际行驶轨迹之间的距离偏差参数、所述目标行驶轨迹对应的车辆速度参数、所述目标行驶轨迹对应的车辆转向方向参数、所述目标行驶轨迹的匹配路径段数、所述目标行驶轨迹的异常轨迹点与所述目标行驶轨迹的正常轨迹点之间的关系参数、所述目标行驶轨迹的基本参数中的至少一者。
在本申请的一些实施例中,所述方法还包括:
在预设地图内显示所述目标道路区域的道路状态。
第二方面,本申请提供一种轨迹质量识别装置,所述轨迹质量识别装置包括:
第一获取单元,用于获取目标车辆在目标道路区域的目标行驶轨迹;
第二获取单元,用于获取所述目标行驶轨迹的目标轨迹参数;
识别单元,用于根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量,其中,所述目标轨迹质量用于指示所述目标行驶轨迹是否用于确定所述目标道路区域的道路状态,所述质量映射参数用于反映轨迹的轨迹参数与轨迹质量之间的约束关系,所述质量映射参数通过样本轨迹的样本轨迹参数和所述样本轨迹的实际轨迹质量进行学习得到。
在本申请的一些实施例中,所述轨迹质量识别装置还包括判别单元,在所述根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量步骤之后,所述判别单元具体用于:
当所述目标轨迹质量符合预设条件时,将所述目标行驶轨迹加入所述目标道路区域的轨迹集合;
基于所述轨迹集合,确定所述目标道路区域的道路状态。
在本申请的一些实施例中,所述判别单元具体用于:
获取所述轨迹集合中各行驶轨迹对应的车辆行驶速度;
基于所述车辆行驶速度,确定所述目标道路区域的道路拥堵状态。
在本申请的一些实施例中,所述第一获取单元具体用于:
获取所述目标车辆的定位设备采集到的所述目标车辆的定位轨迹点集合,其中,所述定位轨迹点集合包括所述目标车辆由目标起点行驶至目标终点的X个定位轨迹点;
获取所述定位轨迹点集合中第i个轨迹点预设范围内的M个匹配道路点,其中,1≤i≤X-1;
获取所述定位轨迹点集合中第i+1个轨迹点预设范围内的N个匹配道路点;
基于预设的寻路代价因素和所述M个匹配道路点进行寻路,得到到达所述N个匹配道路点的N条最优路径;
基于所述N条最优路径的路径距离进行寻路,得到所述目标车辆由所述目标起点行驶至所述目标终点的目标最优路径,以作为所述目标行驶轨迹。
在本申请的一些实施例中,所述轨迹质量识别装置还包括训练单元,在所述根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量步骤之前,所述训练单元具体用于:
获取训练数据集,其中,所述训练数据集包括多个样本轨迹,所述样本轨迹标注有实际轨迹质量;
获取所述样本轨迹的样本轨迹参数;
通过待训练随机森林模型,根据所述样本轨迹参数进行预测,得到所述样本轨迹的预测轨迹质量;
基于所述实际轨迹质量和所述预测轨迹质量,对所述待训练随机森林模型的模型参数进行调整,直至符合预设的停止训练条件时,得到已训练随机森林模型;
提取所述已训练随机森林模型的模型参数,以作为所述质量映射参数。
在本申请的一些实施例中,所述目标轨迹参数包括所述目标行驶轨迹的轨迹点采样频率、所述目标行驶轨迹与所述目标车辆的实际行驶轨迹之间的距离偏差参数、所述目标行驶轨迹对应的车辆速度参数、所述目标行驶轨迹对应的车辆转向方向参数、所述目标行驶轨迹的匹配路径段数、所述目标行驶轨迹的异常轨迹点与所述目标行驶轨迹的正常轨迹点之间的关系参数、所述目标行驶轨迹的基本参数中的至少一者。
在本申请的一些实施例中,所述轨迹质量识别装置还包括显示单元,所述显示单元具体用于:
在预设地图内显示所述目标道路区域的道路状态。
第三方面,本申请还提供一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行本申请提供的任一种轨迹质量识别方法中的步骤。
第四方面,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的轨迹质量识别方法中的步骤。
本申请通过基于目标行驶轨迹的目标轨迹参数和预设的质量映射参数,确定目标行驶轨迹的目标轨迹质量。第一方面,避免单纯地依赖车辆行驶轨迹受到的不同干扰条件设置阈值来判定目标行驶轨迹的目标轨迹质量,结合目标行驶轨迹的目标轨迹参数对目标行驶轨迹的目标轨迹质量进行判定,可以提高目标轨迹质量的判别准确率。第二方面,由于质量映射参数是通过样本轨迹的样本轨迹参数和所述样本轨迹的实际轨迹质量进行学习得到的,质量映射参数反映了轨迹的轨迹参数与轨迹质量之间的约束关系,因此通过质量映射参数确定目标轨迹质量,可以较为精准地判别目标行驶轨迹的目标轨迹质量。可见,本申请实施例可以提高车辆行驶轨迹的质量高低的判别准确率,进而提高道路状态的准确度较低。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例所提供的轨迹质量识别***的场景示意图;
图2是本申请实施例提供的轨迹质量识别方法的一种流程示意图;
图3是本申请实施例中提供的目标道路区域的一种场景示意图;
图4是本申请实施例中提供的行驶轨迹的一种示意图;
图5是本申请实施例中提供的在预设地图内显示目标道路区域的道路状态的一种示意图;
图6是本申请实施例中提供的目标行驶轨迹确定过程的一种说明示意图;
图7是本申请实施例中提供的轨迹质量识别装置的一个实施例结构示意图;
图8是本申请实施例中提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
在本申请实施例的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请实施例的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
为了使本领域任何技术人员能够实现和使用本申请,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实例中,不会对公知的过程进行详细阐述,以避免不必要的细节使本申请实施例的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请实施例所公开的原理和特征的最广范围相一致。
本申请实施例提供一种轨迹质量识别方法、装置、电子设备和计算机可读存储介质。其中,该轨迹质量识别装置可以集成在电子设备中,该电子设备可以是服务器,也可以是终端等设备。
本申请实施例轨迹质量识别方法的执行主体可以为本申请实施例提供的轨迹质量识别装置,或者集成了该轨迹质量识别装置的服务器设备、物理主机或者用户设备(UserEquipment,UE)等不同类型的电子设备,其中,轨迹质量识别装置可以采用硬件或者软件的方式实现,UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(Personal Digital Assistant,PDA)等终端设备。
该电子设备可以采用单独运行的工作方式,或者也可以采用设备集群的工作方式,通过应用本申请实施例提供的轨迹质量识别方法,可以提高车辆行驶轨迹的质量高低的判别准确率,进而提高道路状态的准确度较低。
参见图1,图1是本申请实施例所提供的轨迹质量识别***的场景示意图。其中,该轨迹质量识别***可以包括电子设备100,电子设备100中集成有轨迹质量识别装置。例如,该电子设备可以获取目标车辆在目标道路区域的目标行驶轨迹;获取所述目标行驶轨迹的目标轨迹参数;根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量,其中,所述目标轨迹质量用于指示所述目标行驶轨迹是否用于确定所述目标道路区域的道路状态,所述质量映射参数用于反映轨迹的轨迹参数与轨迹质量之间的约束关系,所述质量映射参数通过样本轨迹的样本轨迹参数和所述样本轨迹的实际轨迹质量进行学习得到。
另外,如图1所示,该轨迹质量识别***还可以包括存储器200,用于存储数据,如存储车辆的行驶轨迹。
需要说明的是,图1所示的轨迹质量识别***的场景示意图仅仅是一个示例,本申请实施例描述的轨迹质量识别***以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着轨迹质量识别***的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
下面,开始介绍本申请实施例提供的轨迹质量识别方法,本申请实施例中以电子设备作为执行主体,为了简化与便于描述,后续方法实施例中将省略该执行主体,该轨迹质量识别方法包括:获取目标车辆在目标道路区域的目标行驶轨迹;获取所述目标行驶轨迹的目标轨迹参数;根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量,其中,所述目标轨迹质量用于指示所述目标行驶轨迹是否用于确定所述目标道路区域的道路状态,所述质量映射参数用于反映轨迹的轨迹参数与轨迹质量之间的约束关系,所述质量映射参数通过样本轨迹的样本轨迹参数和所述样本轨迹的实际轨迹质量进行学习得到。
参照图2,图2是本申请实施例提供的轨迹质量识别方法的一种流程示意图。需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。该轨迹质量识别方法包括步骤201~203,其中:
201、获取目标车辆在目标道路区域的目标行驶轨迹。
其中,目标道路区域为包含道路的区域,目标道路区域可以是包含一条道路的区域,如图3中(a)所示;也可以是包含多条道路的区域,如图3中(b)所示。
其中,目标行驶轨迹用于指示在目标道路区域的各道路中,目标车辆所在的行驶道路。
步骤201中,获取目标行驶轨迹的方式有多种,示例性地,包括:
(1)在实际应用时,目标车辆上安装有定位设备,例如GPS定位装置。电子设备可与目标车辆的定位设备建立网络连接,并根据该网络连接从目标车辆的定位设备,获取定位设备实时采集的目标车辆在目标道路区域内的定位轨迹点,形成目标车辆在目标道路区域的目标行驶轨迹。
(2)或者,目标车辆的定位设备可以采集目标车辆在目标道路区域内的定位轨迹点,形成目标车辆在目标道路区域的目标行驶轨迹;并将目标行驶轨迹存储在定位设备内部或相关存储介质中。电子设备可从目标车辆的定位设备内部或相关存储介质中,读取得到目标行驶轨迹。
(3)由于定位设备精度影响,定位轨迹点与实际轨迹点可能会存在一定偏差。在一些实施例中,还可以先对目标车辆的定位设备定位到的定位轨迹点(简称定位轨迹点)进行道路匹配,得到目标车辆的匹配道路作为目标车辆的实际行驶轨迹;再基于匹配得到的实际行驶轨迹进行轨迹质量识别。此时,目标行驶轨迹为匹配得到的实际行驶轨迹,步骤201中,获取目标行驶轨迹具体可以包括:获取所述目标车辆的定位设备采集到的所述目标车辆的定位轨迹点集合;基于目标车辆的定位轨迹点集合中各定位轨迹点进行道路匹配,得到目标车辆的匹配道路;将目标车辆的匹配道路作为目标行驶轨迹。其中,将目标车辆的匹配道路作为目标行驶轨迹的实现,在后文中(如步骤2011~步骤2015)将详细介绍,此处不再赘述。
202、获取所述目标行驶轨迹的目标轨迹参数。
其中,目标轨迹参数是目标行驶轨迹的特征参数,示例性地,目标轨迹参数可以包括如下8类参数中的至少一种:
1)目标行驶轨迹的轨迹点采样频率。
2)目标行驶轨迹与目标车辆的实际行驶轨迹之间的距离偏差参数。
其中,距离偏差参数具体可以是指目标行驶轨迹与目标车辆的实际行驶轨迹对应轨迹点之间的距离偏差的平均值、标准差和平稳性等信息。
3)目标行驶轨迹对应的车辆速度参数。
其中,车辆速度参数具体可以是指根据目标行驶轨迹相邻两个轨迹点间的距离、及目标行驶轨迹的轨迹点采样频率,所确定的目标行驶轨迹相邻两个轨迹点之间的速度的平均值、方差和平稳性等信息。
4)目标行驶轨迹对应的车辆转向方向参数。
其中,车辆转向方向参数具体可以是指根据目标行驶轨迹相邻两个轨迹点之间的车辆转向方向的平均值、方差和平稳性等信息。
5)目标行驶轨迹的匹配路径段数。
其中,匹配路径段数是指根据正常轨迹点进行道路匹配时,目标行驶轨迹被拆分的路径段数。
6)目标行驶轨迹的异常轨迹点与目标行驶轨迹的正常轨迹点之间的关系参数。
其中,异常轨迹点是指存在异常飘飞、长时间停留等异常的轨迹点。
其中,关系参数具体可以是指目标行驶轨迹对应的轨迹点集合中,异常轨迹点或正常轨迹点的数量与轨迹点集合中轨迹数量之间的比例。
或者,关系参数还可以是异常轨迹点与长时间停留的轨迹点之间的比例。
此处,关系参数仅为举例,具体可以根据实际业务场景需求而调整,不以此处为限制。
7)目标行驶轨迹的基本参数。
其中,基本参数具体可以是指目标行驶轨迹对应的行驶里程、行驶时长等信息。
203、根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量。
其中,所述目标轨迹质量用于指示所述目标行驶轨迹是否用于确定所述目标道路区域的道路状态。
由于定位设备精度影响,行驶轨迹通常会存在轨迹异常飘飞、轨迹长时间停留、轨迹近距离折返等异常情况。轨迹质量是用于指示轨迹是否发生如轨迹异常飘飞、轨迹长时间停留、轨迹近距离折返等异常的参数,轨迹质量可以根据实际业务需求使用具体的衡量标准,比如,轨迹质量划分为高、中、低三个等级,采用高、中、低三个等级来表示行驶轨迹的质量。又如,采用分数来表示轨迹质量,分数越高代表轨迹质量越好。此处,轨迹质量的衡量标准仅为举例,具体可以根据实际业务需求而使用具体的衡量标准,不以此处为限制。
目标道路区域的道路状态用于指示目标道路区域的道路交通信息,例如,道路状态为目标道路区域的道路拥堵状态;又如,道路状态为目标道路区域的道路封闭状态。
其中,所述质量映射参数用于反映轨迹的轨迹参数与轨迹质量之间的约束关系,所述质量映射参数通过样本轨迹的样本轨迹参数和所述样本轨迹的实际轨迹质量进行学习得到。
步骤203中,确定目标行驶估计的目标轨迹质量的方式有多种,示例性地,包括:
(1)在一些实施例中,预设的质量映射参数集中于本申请实施中提供的已训练随机森林模型中,可以通过本申请实施例中已训练随机森林模型,根据目标轨迹参数进行预测,得到目标行驶轨迹的目标轨迹质量。此时,步骤203具体可以包括:将目标轨迹参数输入至已训练随机森林模型中;通过已训练随机森林模型中的质量映射参数,预测目标行驶轨迹的目标轨迹质量。其中,已训练随机森林模型的工作原理在后文中(如步骤B1~步骤B5)将详细介绍,此处不再赘述。
(2)在一些实施例中,可以提取本申请实施例中已训练随机森林模型的模型参数,作为预设的质量映射参数;通过提取得到的质量映射参数,预测目标行驶轨迹的目标轨迹质量。
由以上内容可以看出,本申请实施例通过基于目标行驶轨迹的目标轨迹参数和预设的质量映射参数,确定目标行驶轨迹的目标轨迹质量。第一方面,避免单纯地依赖车辆行驶轨迹受到的不同干扰条件设置阈值来判定目标行驶轨迹的目标轨迹质量,结合目标行驶轨迹的目标轨迹参数对目标行驶轨迹的目标轨迹质量进行判定,可以提高目标轨迹质量的判别准确率。第二方面,由于质量映射参数是通过样本轨迹的样本轨迹参数和所述样本轨迹的实际轨迹质量进行学习得到的,质量映射参数反映了轨迹的轨迹参数与轨迹质量之间的约束关系,因此通过质量映射参数确定目标轨迹质量,可以较为精准地判别目标行驶轨迹的目标轨迹质量。可见,本申请实施例可以提高车辆行驶轨迹的质量高低的判别准确率,进而提高道路状态的准确度较低。
在本申请实施例中,在评估目标行驶轨迹的轨迹质量之后,还可以将目标道路区域内轨迹质量相对较高的目标行驶轨迹,用于确定目标道路区域的道路状态。例如,确定目标道路区域的道路拥堵情况、目标道路区域的道路封闭情况等。此时,该轨迹质量识别方法还可以进一步包括如下步骤A1~A2,其中:
A1、当所述目标轨迹质量符合预设条件时,将所述目标行驶轨迹加入所述目标道路区域的轨迹集合。
步骤A1之前还包括:检测目标轨迹质量是否符合预设条件。“检测目标轨迹质量是否符合预设条件”的方式有多种,示例性地,包括:
(1)在一些实施例中,采用高、中、低三个等级表示轨迹质量,预设条件可以是目标轨迹质量为高等级或为中等级。此时,“检测目标轨迹质量是否符合预设条件”具体可以包括:检测目标轨迹质量是否为高等级或中等级;当目标轨迹质量为高等级或中等级时,确定目标轨迹质量符合预设条件;当目标轨迹质量为低等级时,确定目标轨迹质量不符合预设条件。
(2)在一些实施例中,采用分数表示轨迹质量,分数越高代表轨迹质量越好,预设条件可以是目标轨迹质量对应的分数大于预设分数阈值。此时,“检测目标轨迹质量是否符合预设条件”具体可以包括:检测目标轨迹质量对应的分数是否大于预设分数阈值;当目标轨迹质量对应的分数大于预设分数阈值时,确定目标轨迹质量符合预设条件;当目标轨迹质量对应的分数小于或等于预设分数阈值时,确定目标轨迹质量不符合预设条件。其中,预设分数阈值的具体取值可以根据实际情况而定,此处,对预设分数阈值的具体取值不做限制。
其中,轨迹集合是目标道路区域内的多个行驶轨迹的集合,轨迹集合用于后续确定目标道路区域的道路状态。因此,为了提高道路状态的准确率,通过先评估目标轨迹质量是否符合预设条件,当目标轨迹质量符合预设条件时,将目标行驶轨迹加入目标道路区域的轨迹集合;当目标轨迹质量不符合预设条件时,则不将目标行驶轨迹加入目标道路区域的轨迹集合。从而可以使得后续用于确定目标道路区域的道路状态的目标行驶轨迹的轨迹质量相对较高,避免采用低质量的目标行驶轨迹用于确定目标道路区域的道路状态,而导致目标道路区域的道路状态准确率低的问题,从而提高目标道路区域的道路状态的准确率。
A2、基于所述轨迹集合,确定所述目标道路区域的道路状态。
步骤A2中,基于轨迹集合确定目标道路区域的道路状态的方式有多种的,示例性地,包括:
(1)在一些实施例中,可以基于目标道路区域的轨迹集合确定目标道路区域的道路拥堵状态。此时步骤A2具体可以包括如下步骤A21~步骤A22,其中:
A21、获取所述轨迹集合中各行驶轨迹对应的车辆行驶速度。
行驶轨迹对应的车辆行驶速度是指车辆在该行驶轨迹上的行驶速度。进一步地,行驶轨迹对应的车辆行驶速度可以是车辆在该行驶轨迹上的平均行驶速度。或者,行驶轨迹对应的车辆行驶速度还可以是车辆在该行驶轨迹上的最高行驶速度、最低行驶速度。具体可以根据实际业务场景需求而定,此处对车辆行驶速度的具体表现形式不做限制。
针对车辆行驶速度的表现形式的不同,步骤A21中确定车辆行驶速度的方式会存在差异。下面分别举例说明:
例如,如图4,图4是本申请实施例中提供的行驶轨迹的一种示意图,图4中示出目标道路区域中包含多条道路的情况,图4中黑点表示车辆的定位轨迹点,黑点连接形成的曲线表示车辆的行驶轨迹。当行驶轨迹对应的车辆行驶速度是车辆在该行驶轨迹上的平均行驶速度时,步骤A21中,针对轨迹集合中的每条行驶轨迹:获取该行驶轨迹的定位轨迹点的采集频率、以及该行驶轨迹上相邻两个定位轨迹点之间的距离;然后,根据定位轨迹点的采集频率计算车辆在该行驶轨迹上的行驶时长、根据该行驶轨迹上相邻两个定位轨迹点之间的距离计算该行驶轨迹的总距离;最后根据该行驶轨迹的总距离、车辆在该行驶轨迹上的行驶时长,计算车辆在该行驶轨迹上的平均行驶速度,从而得到该行驶轨迹对应的车辆行驶速度。同理,可以得到轨迹集合中各行驶轨迹对应的车辆行驶速度。
又如,继续参考图4,当行驶轨迹对应的车辆行驶速度是车辆在该行驶轨迹上的最高行驶速度时,步骤A21中,针对轨迹集合中的每条行驶轨迹:通过车辆上的速度传感器,获取车辆在该行驶轨迹上的最高行驶速度作为该行驶轨迹对应的车辆行驶速度。同理,可以得到轨迹集合中各行驶轨迹对应的车辆行驶速度。
A22、基于所述车辆行驶速度,确定所述目标道路区域的道路拥堵状态。
其中,道路拥堵状态用于指示道路是否拥堵。进一步地,道路拥堵状态还可以用于指示道路的拥堵程度。
在一些实施例中,可以检测轨迹集合中各行驶轨迹对应的车辆行驶速度是否均小于或等于预设速度阈值,当轨迹集合中各行驶轨迹对应的车辆行驶速度均小于或等于预设速度阈值时,确定目标道路区域的道路拥堵。当轨迹集合中各行驶轨迹对应的车辆行驶速度均大于预设速度阈值时,确定目标道路区域的道路不拥堵。其中,预设速度阈值的具体取值可以根据实际情况而定,此处,对预设速度阈值的具体取值不做限制。
在一些实施例中,可以检测轨迹集合中各行驶轨迹对应的车辆行驶速度的平均值是否小于或等于预设速度阈值,当轨迹集合中各行驶轨迹对应的车辆行驶速度的平均值小于或等于预设速度阈值时,确定目标道路区域的道路拥堵。当轨迹集合中各行驶轨迹对应的车辆行驶速度的平均值均大于预设速度阈值时,确定目标道路区域的道路不拥堵。其中,预设速度阈值的具体取值可以根据实际情况而定,此处,对预设速度阈值的具体取值不做限制。
在一些实施例中,可以检测轨迹集合中的拥堵行驶轨迹的数量与轨迹集合中行驶轨迹的总数之间的比值;当轨迹集合中的拥堵行驶轨迹的数量与轨迹集合中行驶轨迹的总数之间的比值大于预设比值阈值时,确定目标道路区域的道路拥堵。当轨迹集合中的拥堵行驶轨迹的数量与轨迹集合中行驶轨迹的总数之间的比值小于或等于预设比值阈值时,确定目标道路区域的道路不拥堵。其中,预设比值阈值的具体取值可以根据实际情况而定,此处,对预设比值阈值的具体取值不做限制。
进一步地,由于目标道路区域内可以包括多条道路,当目标道路区域内包括多条道路时,在轨迹集合中各行驶轨迹为多个不同车辆在目标道路区域的同一目标道路上的行驶轨迹。此时,当根据轨迹集合确定目标道路区域拥堵时,可以进一步确定目标道路区域的目标道路拥堵;当根据轨迹集合确定目标道路区域不拥堵时,可以进一步确定目标道路区域的目标道路不拥堵。
(2)在一些实施例中,可以基于目标道路区域的轨迹集合确定目标道路区域的道路封闭状态。其中,道路封闭状态用于指示道路是否封闭。此时步骤A2具体可以包括:基于目标道路区域的轨迹集合,检测目标道路区域的行驶轨迹的分布情况;基于目标道路区域的行驶轨迹的分布情况,确定目标道路区域中是否存在被绕行的路段;当确定目标道路区域中存在被绕行的路段时,确定目标道路区域的道路封闭;当目标道路区域中不存在被绕行的路段时,确定目标道路区域的道路未封闭。
进一步地,为了提供更高质量的交通服务信息,在确定目标道路区域的道路状态之后,还可以将目标道路区域的道路状态更新至地图中,以供道路管理人员或其他驾驶人员可以及时得知目标道路区域的道路状态。即该轨迹质量识别方法还可以进一步包括:在预设地图内显示所述目标道路区域的道路状态。如图5所示,图5是本申请实施例中提供的在预设地图内显示目标道路区域的道路状态的一种示意图,图5中示出了目标道路区域的道路拥堵状态、道路封闭状态,其中,道路1和道路2出现道路拥堵、道路3出现了道路封闭。
由于定位设备的精度影响,定位设备采集到的目标车辆的定位轨迹点与目标车辆的实际轨迹点会存在一定偏差,当定位轨迹点周边存在多条道路时,将难以准确地匹配出目标车辆行驶在哪条道路,即也就难以准确地确定目标车辆的实际行驶轨迹。当依据定位轨迹点进行道路匹配,将目标车辆匹配至错误的道路上时,将会导致目标车辆的目标行驶轨迹与目标车辆的实际行驶轨迹存在一定偏差。最终,将会导致目标道路区域的道路状态判定不准确。
例如,目标车辆从一个包括A道路、B道路和C道路的岔路口驶出后,驶入了A道路,由于定位设备的定位精度影响,可能会将目标车辆匹配至错误的道路上如B道路上,如果采用A道路作为目标车辆的目标行驶轨迹,将会导致目标道路区域的道路状态判定不准确。
又如,道路D和道路E是两条平行且距离相对较近的道路,目标车辆行驶在道路D上,但定位设备定位到目标车辆的定位轨迹点处于道路D和道路E之间,若错误匹配到道路E作为目标车辆的匹配道路,即将道路E作为目标车辆的目标行驶轨迹,将会导致目标车辆的目标行驶轨迹与目标车辆的实际行驶轨迹存在一定偏差。最终,将会导致目标道路区域的道路状态判定不准确。
鉴于此,为了避免将目标车辆匹配至错误的道路上时,会导致目标车辆的目标行驶轨迹与目标车辆的实际行驶轨迹存在一定偏差,最终将会导致目标道路区域的道路状态判定不准确的问题,本申请实施例中还提供了一种道路匹配方式,具体地,该道路匹配方式包括如下步骤2011~步骤2015。
请参照图6,图6是本申请实施例中提供的目标行驶轨迹确定过程的一种说明示意图。
2011、获取所述目标车辆的定位设备采集到的所述目标车辆的定位轨迹点集合。
其中,所述定位轨迹点集合包括所述目标车辆由目标起点行驶至目标终点的X个定位轨迹点。
步骤2011中,获取定位轨迹点集合的方式有多种,示例性地,包括:
(1)在实际应用时,目标车辆上安装有定位设备,例如GPS定位装置。电子设备可与目标车辆的定位设备建立网络连接,并根据该网络连接从目标车辆的定位设备,获取定位设备实时采集的目标车辆在目标道路区域内的定位轨迹点,从而得到目标车辆的定位轨迹点集合。
(2)或者,目标车辆的定位设备可以采集目标车辆在目标道路区域内的定位轨迹点;并将定位轨迹点存储在定位设备内部或相关存储介质中。电子设备可从目标车辆的定位设备内部或相关存储介质中,读取得到目标行驶轨迹目标车辆在目标道路区域内的定位轨迹点,从而得到目标车辆的定位轨迹点集合。
2012、获取所述定位轨迹点集合中第i个轨迹点预设范围内的M个匹配道路点。
其中,1≤i≤X-1。
其中,M个匹配道路点是指第i个轨迹点预设范围内的M个道路中每个道路上的道路点。
第i个轨迹点预设范围内具体可以是例如第i个轨迹点10米范围内、15米范围内或20米范围内,具体可以根据实际业务场景需求而设置,不以此处为限制。
2013、获取所述定位轨迹点集合中第i+1个轨迹点预设范围内的N个匹配道路点。
其中,N个匹配道路点是指第i+1个轨迹点预设范围内的N个道路中每个道路上的道路点。
第i+1个轨迹点预设范围内具体可以是例如第i个轨迹点10米范围内、15米范围内或20米范围内,具体可以根据实际业务场景需求而设置,不以此处为限制。
2014、基于预设的寻路代价因素和所述M个匹配道路点进行寻路,得到到达所述N个匹配道路点的N条最优路径。
其中,预设的寻路代价因素是指确定到达N个匹配道路点的最优路径时的参考因素,比如,距离因素、时间因素。
下面以预设的寻路代价因素是距离因素为例,说明步骤2012~步骤2014的匹配过程。如图6所示,针对定位轨迹点集合中采集到的X个定位轨迹点,执行如下步骤1)~6):
1)将第i(=1,2,…,X-1)个轨迹点作为当前起点,查找第i个轨迹点预设范围内的M个匹配道路点,如果在上一次循环步骤即在i-1到i个轨迹点间存在Ni-1条最优通行路径,则用Ni-1条路径的终点替代这M个匹配道路点。
2)将第i+1个轨迹点作为当前终点,查找第i+1个轨迹点预设范围内的N个匹配道路点。其中,第i+1个轨迹点的采集时间点滞后于第i个轨迹点的采集时间点。
3)利用A*寻路算法,以距离为寻路代价因素代价,将当前起点的M个匹配道路点加入到open_list中。其中,open_list列表中的道路点为待进行匹配处理的道路点,所述M个匹配道路点的初始代价为从第0个轨迹点到第i个轨迹点寻路过程累积下来的距离代价。
4)利用HMM模型的Viterbi算法,遍历open_list列表,找到到达当前终点的N个匹配道路点的N条最优路径。
5)将N条最优路径加入close_list列表。其中,close_list列表表示已经处理的结果。
6)重复上述步骤1)~5),直至i=X-1,针对定位轨迹点集合中采集时间点相邻的任意两个轨迹点(即第i个轨迹点、第i+1个轨迹点),均可以确定N条最优路径。
通过上述步骤1)~步骤6)的处理方式,根据目标车辆走过不同道路对应的距离代价,从第i个轨迹点至第i+1个轨迹点之间各路径中,选择目标车辆最有可能的路径作为目标车辆的最优路径;一方面,可以使得道路匹配的准确度更高,从而使得匹配出的道路更贴合目标车辆的实际行驶道路,进而减少目标车辆的目标行驶轨迹与目标车辆的实际行驶轨迹之间的偏差,进而提高后续目标道路区域的道路状态的确定准确率。另一方面,可以使得需要参与后续计算的路径的数量由M*N条,减少为N条;从而可以减少后续道路匹配的数据处理量,进而提高了道路匹配的速度。也在一定程度上提高了后续进行轨迹质量识别的评估速度,进而提高目标道路区域内的道路状态的确定速度。
2015、基于所述N条最优路径的路径距离进行寻路,得到所述目标车辆由所述目标起点行驶至所述目标终点的目标最优路径,以作为所述目标行驶轨迹。
具体地,可以通过A*寻路算法,以距离为代价,根据定位轨迹点集合中采集时间点相邻的任意两个轨迹点(即第i个轨迹点、第i+1个轨迹点)之间的N条最优路径及其路径距离,进行寻路,确定目标车辆由目标起点行驶至目标终点的目标最优路径。
虽然,此处由于采用A*寻路算法针对N条最优路径进行寻路,而非针对定位轨迹集合中X个定位轨迹点进行寻路。因此寻路的搜索空间由原来的M*N条缩减至N条,故而可以提高道路匹配的速度。
在本申请的一些实施例中,还提供了质量映射参数的获取方式,具体地,预设的质量映射参数可以通过如下步骤B1~步骤B5得到:
B1、获取训练数据集。
其中,所述训练数据集包括多个样本轨迹,所述样本轨迹标注有实际轨迹质量。
实际轨迹质量是指通过人工标注得到实际的、用于指示样本轨迹的质量好坏的参数。
B2、获取所述样本轨迹的样本轨迹参数。
其中,样本轨迹参数是样本轨迹的特征参数,样本轨迹参数与目标轨迹参数类似,具体可以参照上述步骤202中关于目标轨迹参数的介绍,此处不再赘述。
B3、通过待训练随机森林模型,根据所述样本轨迹参数进行预测,得到所述样本轨迹的预测轨迹质量。
其中,预测轨迹质量是指通过预测得到的、用于指示样本轨迹的质量好坏的参数。
示例性地,待训练随机森林模型为由GBDT(Gradient Boosting Decision Tree,梯度提升随机森林模型)构建的模型。此处,待训练随机森林模型仅为举例,具体可以根据实际需求而调整,如调整待训练随机森林为其他开源的树模型,或者未来可能出现的树模型构建的模型,不以此处为限制。
具体地,将样本轨迹参数输入至待训练随机森林模型中;通过待训练随机森林模型进行预测,得到样本轨迹的预测轨迹质量。
B4、基于所述实际轨迹质量和所述预测轨迹质量,对所述待训练随机森林的模型参数进行调整,直至符合预设的停止训练条件时,得到已训练随机森林。
具体地,步骤B4具体可以包括:基于实际轨迹质量和预测轨迹质量,确定待训练随机森林模型的预测损失;基于待训练随机森林模型的预测损失,对待训练随机森林模型的模型参数进行调整,直至符合预设的停止训练条件时,得到已训练随机森林模型。
示例性地,待训练随机森林模型对应设置了预测损失函数,以使得待训练随机森林模型能够学习到行驶轨迹的轨迹参数与行驶轨迹的轨迹质量之间的约束关系。预测损失函数对应于待训练随机森林模型输出的预测轨迹质量进行设置。在训练过程中,预测损失函数的值即为待训练随机森林模型的预测损失,通过将实际轨迹质量和预测轨迹质量代入预测损失函数中,即可计算得到待训练随机森林模型的预测损失。其中,在本申请实施例中对预测损失函数的具体函数类型不做限制,示例性地,预测损失函数可以是对数损失函数、或指数损失函数。
其中,预设的停止训练条件可以根据实际需求而设置。例如,可以是当预测损失小于预设值时,或者是预测损失基本不再变化时,即相邻多次训练对应的预测损失的差值小于预设值;或者是待训练随机森林模型训练的迭代次数达到最大迭代次数时。
B5、提取所述已训练随机森林的模型参数,以作为所述质量映射参数。
通过上述步骤B1~B5可以实现如下有益效果:
第一方面,由于随机森林模型有着极强的高维数据的处理能力,可以处理成千上万的输入变量,并确定出这些变量中更为重要的变量,是一个很好的降维方法。因为轨迹质量涉及到很多不同维度的评估,利用随机森林模型可以达到很好的训练效果,从而可以提高对轨迹质量的评估准确率。
第二方面,由于已训练随机森林模型是通过样本轨迹的样本轨迹参数和样本轨迹的实际轨迹质量进行学习得到,因此已训练随机森林模型的模型参数已经学习到了行驶轨迹的轨迹参数与行驶轨迹的轨迹质量之间的约束关系。通过提取已训练随机森林模型的模型参数作为质量映射参数,用于预测目标行驶轨迹的目标轨迹质量,可以保证精准地识别目标行驶轨迹的目标轨迹质量。
为了更好实施本申请实施例中轨迹质量识别方法,在轨迹质量识别方法基础之上,本申请实施例中还提供一种轨迹质量识别装置,如图7所示,为本申请实施例中轨迹质量识别装置的一个实施例结构示意图,该轨迹质量识别装置700包括:
第一获取单元701,用于获取目标车辆在目标道路区域的目标行驶轨迹;
第二获取单元702,用于获取所述目标行驶轨迹的目标轨迹参数;
识别单元703,用于根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量,其中,所述目标轨迹质量用于指示所述目标行驶轨迹是否用于确定所述目标道路区域的道路状态,所述质量映射参数用于反映轨迹的轨迹参数与轨迹质量之间的约束关系,所述质量映射参数通过样本轨迹的样本轨迹参数和所述样本轨迹的实际轨迹质量进行学习得到。
在本申请的一些实施例中,所述轨迹质量识别装置700还包括判别单元(图中未示出),在所述根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量步骤之后,所述判别单元具体用于:
当所述目标轨迹质量符合预设条件时,将所述目标行驶轨迹加入所述目标道路区域的轨迹集合;
基于所述轨迹集合,确定所述目标道路区域的道路状态。
在本申请的一些实施例中,所述判别单元具体用于:
获取所述轨迹集合中各行驶轨迹对应的车辆行驶速度;
基于所述车辆行驶速度,确定所述目标道路区域的道路拥堵状态。
在本申请的一些实施例中,所述第一获取单元701具体用于:
获取所述目标车辆的定位设备采集到的所述目标车辆的定位轨迹点集合,其中,所述定位轨迹点集合包括所述目标车辆由目标起点行驶至目标终点的X个定位轨迹点;
获取所述定位轨迹点集合中第i个轨迹点预设范围内的M个匹配道路点,其中,1≤i≤X-1;
获取所述定位轨迹点集合中第i+1个轨迹点预设范围内的N个匹配道路点;
基于预设的寻路代价因素和所述M个匹配道路点进行寻路,得到到达所述N个匹配道路点的N条最优路径;
基于所述N条最优路径的路径距离进行寻路,得到所述目标车辆由所述目标起点行驶至所述目标终点的目标最优路径,以作为所述目标行驶轨迹。
在本申请的一些实施例中,所述轨迹质量识别装置700还包括训练单元(图中未示出),在所述根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量步骤之前,所述训练单元具体用于:
获取训练数据集,其中,所述训练数据集包括多个样本轨迹,所述样本轨迹标注有实际轨迹质量;
获取所述样本轨迹的样本轨迹参数;
通过待训练随机森林模型,根据所述样本轨迹参数进行预测,得到所述样本轨迹的预测轨迹质量;
基于所述实际轨迹质量和所述预测轨迹质量,对所述待训练随机森林模型的模型参数进行调整,直至符合预设的停止训练条件时,得到已训练随机森林模型;
提取所述已训练随机森林模型的模型参数,以作为所述质量映射参数。
在本申请的一些实施例中,所述目标轨迹参数包括所述目标行驶轨迹的轨迹点采样频率、所述目标行驶轨迹与所述目标车辆的实际行驶轨迹之间的距离偏差参数、所述目标行驶轨迹对应的车辆速度参数、所述目标行驶轨迹对应的车辆转向方向参数、所述目标行驶轨迹的匹配路径段数、所述目标行驶轨迹的异常轨迹点与所述目标行驶轨迹的正常轨迹点之间的关系参数、所述目标行驶轨迹的基本参数中的至少一者。
在本申请的一些实施例中,所述轨迹质量识别装置700还包括显示单元(图中未示出),所述显示单元具体用于:
在预设地图内显示所述目标道路区域的道路状态。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由于该轨迹质量识别装置可以执行本申请如图1至图6对应任意实施例中轨迹质量识别方法中的步骤,因此,可以实现本申请如图1至图6对应任意实施例中轨迹质量识别方法所能实现的有益效果,详见前面的说明,在此不再赘述。
此外,为了更好实施本申请实施例中轨迹质量识别方法,在轨迹质量识别方法基础之上,本申请实施例还提供一种电子设备,参阅图8,图8示出了本申请实施例电子设备的一种结构示意图,具体的,本申请实施例提供的电子设备包括处理器801,处理器801用于执行存储器802中存储的计算机程序时实现如图1至图6对应任意实施例中轨迹质量识别方法的各步骤;或者,处理器801用于执行存储器802中存储的计算机程序时实现如图7对应实施例中各单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器802中,并由处理器801执行,以完成本申请实施例。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。
电子设备可包括,但不仅限于处理器801、存储器802。本领域技术人员可以理解,示意仅仅是电子设备的示例,并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如电子备还可以包括输入输出设备、网络接入设备、总线等,处理器801、存储器802、输入输出设备以及网络接入设备等通过总线相连。
处理器801可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
存储器802可用于存储计算机程序和/或模块,处理器801通过运行或执行存储在存储器802内的计算机程序和/或模块,以及调用存储在存储器802内的数据,实现计算机装置的各种功能。存储器802可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、视频数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
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,上述描述的轨迹质量识别装置、电子设备及其相应单元的具体工作过程,可以参考如图1至图6对应任意实施例中轨迹质量识别方法的说明,具体在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请如图1至图6对应任意实施例中轨迹质量识别方法中的步骤,具体操作可参考如图1至图6对应任意实施例中轨迹质量识别方法的说明,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请如图1至图6对应任意实施例中轨迹质量识别方法中的步骤,因此,可以实现本申请如图1至图6对应任意实施例中轨迹质量识别方法所能实现的有益效果,详见前面的说明,在此不再赘述。
以上对本申请实施例所提供的一种轨迹质量识别方法、装置、电子设备及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种轨迹质量识别方法,其特征在于,所述方法包括:
获取目标车辆在目标道路区域的目标行驶轨迹;
获取所述目标行驶轨迹的目标轨迹参数;
根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量,其中,所述目标轨迹质量用于指示所述目标行驶轨迹是否用于确定所述目标道路区域的道路状态,所述质量映射参数用于反映轨迹的轨迹参数与轨迹质量之间的约束关系,所述质量映射参数通过样本轨迹的样本轨迹参数和所述样本轨迹的实际轨迹质量进行学习得到。
2.根据权利要求1所述的轨迹质量识别方法,其特征在于,所述根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量之后,还包括:
当所述目标轨迹质量符合预设条件时,将所述目标行驶轨迹加入所述目标道路区域的轨迹集合;
基于所述轨迹集合,确定所述目标道路区域的道路状态。
3.根据权利要求2所述的轨迹质量识别方法,其特征在于,所述道路状态包括道路拥堵状态,所述基于所述轨迹集合,确定所述目标道路区域的道路状态,包括:
获取所述轨迹集合中各行驶轨迹对应的车辆行驶速度;
基于所述车辆行驶速度,确定所述目标道路区域的道路拥堵状态。
4.根据权利要求1所述的轨迹质量识别方法,其特征在于,所述获取目标车辆在目标道路区域的目标行驶轨迹,包括:
获取所述目标车辆的定位设备采集到的所述目标车辆的定位轨迹点集合,其中,所述定位轨迹点集合包括所述目标车辆由目标起点行驶至目标终点的X个定位轨迹点;
获取所述定位轨迹点集合中第i个轨迹点预设范围内的M个匹配道路点,其中,1≤i≤X-1;
获取所述定位轨迹点集合中第i+1个轨迹点预设范围内的N个匹配道路点;
基于预设的寻路代价因素和所述M个匹配道路点进行寻路,得到到达所述N个匹配道路点的N条最优路径;
基于所述N条最优路径的路径距离进行寻路,得到所述目标车辆由所述目标起点行驶至所述目标终点的目标最优路径,以作为所述目标行驶轨迹。
5.根据权利要求1所述的轨迹质量识别方法,其特征在于,所述根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量之前,还包括:
获取训练数据集,其中,所述训练数据集包括多个样本轨迹,所述样本轨迹标注有实际轨迹质量;
获取所述样本轨迹的样本轨迹参数;
通过待训练随机森林模型,根据所述样本轨迹参数进行预测,得到所述样本轨迹的预测轨迹质量;
基于所述实际轨迹质量和所述预测轨迹质量,对所述待训练随机森林模型的模型参数进行调整,直至符合预设的停止训练条件时,得到已训练随机森林模型;
提取所述已训练随机森林模型的模型参数,以作为所述质量映射参数。
6.根据权利要求1所述的轨迹质量识别方法,其特征在于,所述目标轨迹参数包括所述目标行驶轨迹的轨迹点采样频率、所述目标行驶轨迹与所述目标车辆的实际行驶轨迹之间的距离偏差参数、所述目标行驶轨迹对应的车辆速度参数、所述目标行驶轨迹对应的车辆转向方向参数、所述目标行驶轨迹的匹配路径段数、所述目标行驶轨迹的异常轨迹点与所述目标行驶轨迹的正常轨迹点之间的关系参数、所述目标行驶轨迹的基本参数中的至少一者。
7.根据权利要求1-6任一项所述的轨迹质量识别方法,其特征在于,所述方法还包括:
在预设地图内显示所述目标道路区域的道路状态。
8.一种轨迹质量识别装置,其特征在于,所述轨迹质量识别装置包括:
第一获取单元,用于获取目标车辆在目标道路区域的目标行驶轨迹;
第二获取单元,用于获取所述目标行驶轨迹的目标轨迹参数;
识别单元,用于根据所述目标轨迹参数和预设的质量映射参数,确定所述目标行驶轨迹的目标轨迹质量,其中,所述目标轨迹质量用于指示所述目标行驶轨迹是否用于确定所述目标道路区域的道路状态,所述质量映射参数用于反映轨迹的轨迹参数与轨迹质量之间的约束关系,所述质量映射参数通过样本轨迹的样本轨迹参数和所述样本轨迹的实际轨迹质量进行学习得到。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的轨迹质量识别方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至7任一项所述的轨迹质量识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111041260.XA CN113807221A (zh) | 2021-09-07 | 2021-09-07 | 轨迹质量识别方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111041260.XA CN113807221A (zh) | 2021-09-07 | 2021-09-07 | 轨迹质量识别方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807221A true CN113807221A (zh) | 2021-12-17 |
Family
ID=78940519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111041260.XA Pending CN113807221A (zh) | 2021-09-07 | 2021-09-07 | 轨迹质量识别方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807221A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116303866A (zh) * | 2023-05-18 | 2023-06-23 | 北京明立测绘科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384504A (zh) * | 2016-09-06 | 2017-02-08 | 江苏智通交通科技有限公司 | 基于数据可视化的城市路网拥堵特性描述分析方法 |
CN109766405A (zh) * | 2019-03-06 | 2019-05-17 | 路特迩科技(杭州)有限公司 | 基于电子地图的交通和旅行信息服务***及方法 |
CN110807915A (zh) * | 2019-09-26 | 2020-02-18 | 腾讯大地通途(北京)科技有限公司 | 路况信息计算方法、装置、存储介质和计算机设备 |
CN111337039A (zh) * | 2018-12-18 | 2020-06-26 | 北京四维图新科技股份有限公司 | 拥堵路段的地图数据采集方法、装置、***及存储介质 |
CN111405480A (zh) * | 2019-01-02 | 2020-07-10 | ***通信有限公司研究院 | 一种路况信息推送方法、网络设备、车载终端及*** |
CN113066285A (zh) * | 2021-03-15 | 2021-07-02 | 北京百度网讯科技有限公司 | 一种路况信息确定方法、装置、电子设备及存储介质 |
CN113160570A (zh) * | 2021-05-27 | 2021-07-23 | 长春理工大学 | 一种交通拥堵预测方法及*** |
CN113221602A (zh) * | 2020-01-21 | 2021-08-06 | 百度在线网络技术(北京)有限公司 | 道路路面状况确定方法、装置、设备和介质 |
-
2021
- 2021-09-07 CN CN202111041260.XA patent/CN113807221A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384504A (zh) * | 2016-09-06 | 2017-02-08 | 江苏智通交通科技有限公司 | 基于数据可视化的城市路网拥堵特性描述分析方法 |
CN111337039A (zh) * | 2018-12-18 | 2020-06-26 | 北京四维图新科技股份有限公司 | 拥堵路段的地图数据采集方法、装置、***及存储介质 |
CN111405480A (zh) * | 2019-01-02 | 2020-07-10 | ***通信有限公司研究院 | 一种路况信息推送方法、网络设备、车载终端及*** |
CN109766405A (zh) * | 2019-03-06 | 2019-05-17 | 路特迩科技(杭州)有限公司 | 基于电子地图的交通和旅行信息服务***及方法 |
WO2020177767A1 (zh) * | 2019-03-06 | 2020-09-10 | 路特迩科技(杭州)有限公司 | 基于电子地图的交通和旅行信息服务***及方法 |
CN110807915A (zh) * | 2019-09-26 | 2020-02-18 | 腾讯大地通途(北京)科技有限公司 | 路况信息计算方法、装置、存储介质和计算机设备 |
CN113221602A (zh) * | 2020-01-21 | 2021-08-06 | 百度在线网络技术(北京)有限公司 | 道路路面状况确定方法、装置、设备和介质 |
CN113066285A (zh) * | 2021-03-15 | 2021-07-02 | 北京百度网讯科技有限公司 | 一种路况信息确定方法、装置、电子设备及存储介质 |
CN113160570A (zh) * | 2021-05-27 | 2021-07-23 | 长春理工大学 | 一种交通拥堵预测方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116303866A (zh) * | 2023-05-18 | 2023-06-23 | 北京明立测绘科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN116303866B (zh) * | 2023-05-18 | 2023-09-22 | 北京明立测绘科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110260870B (zh) | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 | |
CN109215372B (zh) | 路网信息更新方法、装置及设备 | |
JP2020166268A (ja) | 地図軌跡マッチングデータの品質決定方法、装置、サーバ及び媒体 | |
CN110060493B (zh) | 车道定位方法、装置及电子设备 | |
CN110426050B (zh) | 地图匹配纠正方法、装置、设备和存储介质 | |
CN110427444B (zh) | 导航引导点挖掘方法、装置、设备和存储介质 | |
US8655818B2 (en) | Discrimination apparatus and method using a decision tree | |
CN110726417B (zh) | 一种车辆偏航识别方法、装置、终端及存储介质 | |
CN111709975A (zh) | 多目标跟踪方法、装置、电子设备及存储介质 | |
CN112906823B (zh) | 目标对象识别模型训练方法、识别方法及识别装置 | |
CN111814746A (zh) | 一种识别车道线的方法、装置、设备及存储介质 | |
CN114913197B (zh) | 车辆轨迹预测方法、装置、电子设备及存储介质 | |
CN110969200A (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
CN113807221A (zh) | 轨迹质量识别方法、装置、电子设备及可读存储介质 | |
CN109635868B (zh) | 障碍物类别的确定方法、装置、电子设备及存储介质 | |
CN106660562A (zh) | 用于处理车辆的测量数据以便确定停车寻找交通的开始的方法以及计算机程序产品 | |
CN109270566B (zh) | 导航方法、导航效果测试方法、装置、设备和介质 | |
CN112580565A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN112163521A (zh) | 一种车辆行驶行为的识别方法、装置及设备 | |
CN109188419B (zh) | 障碍物速度的检测方法、装置、计算机设备及存储介质 | |
CN115406452A (zh) | 一种实时定位及建图方法、装置及终端设备 | |
CN115762230A (zh) | 基于剩余车位量预测的停车场智能引导方法及装置 | |
CN115293301B (zh) | 车辆的变道方向的预估方法、装置及存储介质 | |
CN117478434B (zh) | 边缘节点网络流量数据处理方法、装置、设备及介质 | |
CN111401224B (zh) | 目标检测方法、装置及电子设备 |
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 |