CN113837268A - 确定轨迹点状态的方法、装置、设备和介质 - Google Patents
确定轨迹点状态的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113837268A CN113837268A CN202111110906.5A CN202111110906A CN113837268A CN 113837268 A CN113837268 A CN 113837268A CN 202111110906 A CN202111110906 A CN 202111110906A CN 113837268 A CN113837268 A CN 113837268A
- Authority
- CN
- China
- Prior art keywords
- track
- sample
- points
- trajectory
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 238000013136 deep learning model Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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"
-
- 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
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3811—Point data, e.g. Point of Interest [POI]
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本公开提供了一种确定轨迹点状态的方法、装置、电子设备和介质,涉及人工智能领域,尤其涉及智能交通领域。实现方案为:基于轨迹数据,获取多个轨迹点,其中,轨迹数据是基于定位***得到的;提取多个轨迹点各自的轨迹特征和地理环境特征,以得到与多个轨迹点对应的多个特征向量;以及基于多个特征向量,确定多个轨迹点中的每一个轨迹点的状态。
Description
技术领域
本公开涉及人工智能领域,尤其涉及智能交通领域,具体涉及一种确定轨迹点状态的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
对于基于车辆、人员的轨迹进行语义理解的场景来说,对轨迹点状态的识别是非常重要的基础功能,在很多高级的轨迹分析中,例如轨迹分类、交通方式识别以及出行意图识别等,轨迹停留点识别都是第一步。如果对轨迹点状态的识别不准确,会影响后续所有基于轨迹点状态进行的分析的准确性。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种确定轨迹点状态的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种确定轨迹点状态的方法,所述方法包括:基于轨迹数据,获取多个轨迹点,其中,所述轨迹数据是基于定位***得到的;提取所述多个轨迹点各自的轨迹特征和地理环境特征,以得到与所述多个轨迹点对应的多个特征向量;以及基于所述多个特征向量,确定所述多个轨迹点中的每一个轨迹点的状态。
根据本公开的另一方面,提供了一种用于确定轨迹点状态的序列模型的训练方法,包括:基于多组样本轨迹数据,获取对应的多组样本轨迹点数据,其中,所述多组样本轨迹点数据中的每一组样本轨迹点数据包括多个样本轨迹点、与所述多个样本轨迹点一一对应的多个样本状态以及与所述多个样本轨迹点一一对应的多个样本特征向量,并且其中,所述多个样本特征向量中的每一个样本特征向量表示对应的样本轨迹点的轨迹特征和地理环境特征;针对所述多组样本轨迹点数据中的每一组样本轨迹点数据:将该组样本轨迹点数据中的与多个样本轨迹点一一对应的多个样本特征向量输入序列模型中,获取所述序列模型所输出的所述多个样本轨迹点中的每一个样本轨迹点的预测状态;基于所述多个样本状态,计算该组样本轨迹点数据所对应的损失函数值;以及基于所述多组样本轨迹点数据所对应的多个损失函数值,调整所述序列模型的参数。
根据本公开的另一方面,提供了一种确定轨迹点状态的装置,所述装置包括:第一获取模块,所述第一获取模块被配置为基于轨迹数据,获取多个轨迹点,其中,所述轨迹数据是基于定位***得到的;提取模块,所述提取模块被配置为提取所述多个轨迹点各自的轨迹特征和地理环境特征,以得到与所述多个轨迹点对应的多个特征向量;以及确定模块,所述确定模块被配置为基于所述多个特征向量,确定所述多个轨迹点中的每一个轨迹点的状态。
根据本公开的另一方面,提供了一种用于确定轨迹点状态的序列模型的训练装置,包括:第一获取模块,所述第一获取模块被配置为基于多组样本轨迹数据,获取对应的多组样本轨迹点数据,其中,所述多组样本轨迹点数据中的每一组样本轨迹点数据包括多个样本轨迹点、与所述多个样本轨迹点一一对应的多个样本状态以及与所述多个样本轨迹点一一对应的多个样本特征向量,并且其中,所述多个样本特征向量中的每一个样本特征向量表示对应的样本轨迹点的轨迹特征和地理环境特征;第二获取模块,所述第二获取模块被配置为针对所述多组样本轨迹点数据中的每一组样本轨迹点数据,将该组样本轨迹点数据中的与多个样本轨迹点一一对应的多个样本特征向量输入序列模型中,获取所述序列模型所输出的所述多个样本轨迹点中的每一个样本轨迹点的预测状态;计算模块,所述计算模块被配置为基于所述多个样本状态,计算该组样本轨迹点数据所对应的损失函数值;以及调整模块,所述调整模块被配置为基于所述多组样本轨迹点数据所对应的多个损失函数值,调整所述序列模型的参数。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现上述的方法。
根据本公开的一个或多个实施例,本公开结合了轨迹点的轨迹特征和地理环境特征并利用深度学习模型来确定轨迹点状态,提高了对轨迹点状态识别的准确率。应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开示例性实施例的确定轨迹点状态的方法的流程图;
图2示出了根据本公开示例性实施例的用于确定轨迹点状态的序列模型的训练方法的流程图;
图3示出了根据本公开示例性实施例的确定轨迹点状态的装置的结构框图;
图4示出了根据本公开示例性实施例的用于确定轨迹点状态的序列模型的训练装置的结构框图;以及
图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中,通常认为轨迹停留点具有一定的聚集性,利用这种特点,根据轨迹点本身的时空特征,例如速度、距离特征,进行聚类,将距离小于一定阈值的轨迹点聚合为簇,每个簇就是一个轨迹停留点的集合,以此来确定轨迹点的停留状态。然而,这种方法导致对轨迹点状态识别的识别准确率很低,对于步行等速度较慢的移动状态有很多误识别的问题。同时,不同场景对于轨迹点是否是停留还是移动的状态的定义不同,上述方法在路口等红灯、交通拥堵等场景下无法判断是被动停留还是主动停留。
为解决上述问题中的一个或多个,本公开结合了轨迹点的轨迹特征和地理环境特征并利用深度学习模型来学习轨迹点序列的深度特征并确定轨迹点状态,提高了对轨迹点状态识别的准确率。
以下将结合附图对本公开的确定轨迹点状态的方法进行进一步描述。
图1示出了根据本公开示例性实施例的确定轨迹点状态的方法的流程图。
如图1所示,所述确定轨迹点状态的方法100可以包括:步骤S101、基于轨迹数据,获取多个轨迹点,其中,所述轨迹数据是基于定位***得到的;步骤S102、提取所述多个轨迹点各自的轨迹特征和地理环境特征,以得到与所述多个轨迹点对应的多个特征向量;步骤S103、基于所述多个特征向量,确定所述多个轨迹点中的每一个轨迹点的状态。
由此,通过结合轨迹点的轨迹特征和地理环境特征来确定轨迹点状态,在轨迹特征的基础上,增加了地理环境特征对轨迹点进行了多维度的描述,融合了轨迹点所在的环境信息,以在确定轨迹点状态时,将环境因素充分纳入考虑。在一些场景下,例如在交通较为拥堵、车辆移动速度较慢的场景下,仅基于轨迹特征中的轨迹点的速度来判断轨迹点的状态,很容易造成识别错误的情况。而通过结合轨迹点的轨迹特征和地理环境特征,例如通过提取到该轨迹点所在道路正发生拥堵这一特征,可以改善仅依赖轨迹特征而造成的误识别的问题,从而提高了在不同环境、不同场景中对轨迹点状态识别的准确率。
根据一些实施例,在步骤S101中,先对基于定位***所得到的轨迹数据进行去噪处理,再将轨迹等时切分成若干组以获取多个轨迹点。
根据一些实施例,所述轨迹特征包括:相应轨迹点的经度、纬度和时间戳。由此,可以根据多个轨迹点的轨迹特征来计算得到各个轨迹点的速度、轨迹点之间的距离等信息,用于描述多个轨迹点之间的时序性以及轨迹点的状态。示例性的,也可以将根据轨迹点的经度、纬度和时间戳信息所计算出的速度和距离的数据作为轨迹特征的组成部分,用于确定轨迹点的状态。
根据一些实施例,所述地理环境特征包括下列至少一项:相应轨迹点所处建筑物的信息以及所述相应轨迹点所在的道路的信息。
在一个示例性实施例中,相应轨迹点所处建筑物的信息可以包括:相应轨迹点处于室内或室外和相应轨迹点周边的兴趣点分布类别。示例性的,可以基于地图的逆地理编码技术判定该轨迹点处于室内还是室外,并分别用0和1来标识。由于定位本身的有误差,可以对建筑边界进行一定的范围扩展,让上述判定更为精准。对于轨迹点周边的兴趣点分布类别可以通过词向量算法将相应的兴趣点类别映射成数字信息。
在一个示例性实施例中,相应轨迹点所在的道路的信息可以包括:相应轨迹点是否在道路上、相应轨迹点所在道路的等级、相应轨迹点所在道路的路况以及相应轨迹点是否在路口附近。
在一个示例性实施例中,可以利用隐马尔可夫模型(HMM)对轨迹数据进行道路匹配,以确定轨迹点所在的道路的信息:确定相应轨迹点是否在道路上,并分别用0和1来标识;确定相应轨迹点所在道路的等级,并用数字表示例如国道高速、城市高速、国道、省道等不同等级的道路;确定相应轨迹点所在道路的路况,并通过数字对该道路的拥堵的严重程度进行分级。此外,还可以通过地图逆地理编码技术来确定相应轨迹点是否在路口附近,并分别用0,1标识。
由此,在上述几个示例性实施例中,可以提取得到轨迹点的地理环境特征所包括的建筑物信息以及道路信息,并将提取到的信息分别映射到数字,用于后续组成轨迹点的特征向量。
根据一些实施例,步骤S102包括:提取所述多个轨迹点中每一个轨迹点的轨迹特征和地理环境特征;以及对该轨迹点的所述轨迹特征和所述地理环境特征进行拼接,以得到该轨迹点的特征向量。
可以理解的是,在步骤S102中,分别在对轨迹点的轨迹特征和地理环境特征进行提取后,并分别将对应的特征映射到数字,再通过拼接的方式,得到由轨迹特征和地理环境特征结合的多维度的特征向量。对多个轨迹点中的每一个轨迹点重复上述过程,以得到与多个轨迹点一一对应的多个特征向量。由此,在轨迹特征的基础上,增加了地理环境特征对轨迹点进行了进一步的描述,融合轨迹点所在的环境信息,以在确定轨迹点状态时,将环境因素充分纳入考虑。
根据一些实施例,步骤S103包括将所述多个轨迹点对应的所述多个特征向量输入经训练的深度学习模型中,获取所述深度学习模型所输出的多个检测结果,其中所述多个检测结果表示所述多个轨迹点中的每一个轨迹点的状态,并且其中,所述深度学习模型为序列模型。
可以理解的是,序列模型在对序列特征的深度学习中有着较好的表现,通过序列模型对多个轨迹点之间的序列特征的学习,能够充分学习、挖掘到轨迹的时序性以及轨迹点与轨迹点之间的关联,并提高对轨迹点状态识别的准确率。
根据一些实施例,所述序列模型包括下列各项中的一项:门控循环单元(GatedRecurrent Unit,GRU)、长短时记忆网络(Long Short-Term Memory,LSTM)和双向长短时记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)。
根据一些实施例,所述轨迹点状态包括下列中的任一者:主动停留状态、被动停留状态和非停留状态。考虑到将轨迹点状态二分类为停留状态与非停留状态在许多场景下不能表示出轨迹点的真实状态,例如在路口等红灯、道路极度拥堵等情境中,而在这样的情景中,将停留状态再细分为主动停留和被动停留,更能细致、准确地描述轨迹点的状态。因此,对轨迹点状态进行多分类可以提高不同场景下对停留点识别的准确率。
根据本公开的另一方面,提供了一种用于确定轨迹点状态的序列模型的训练方法。如图2所示,所述用于确定轨迹点状态的序列模型的训练方法200包括:步骤S201、基于多组样本轨迹数据,获取对应的多组样本轨迹点数据,其中,所述多组样本轨迹点数据中的每一组样本轨迹点数据包括多个样本轨迹点、与所述多个样本轨迹点一一对应的多个样本状态以及与所述多个样本轨迹点一一对应的多个样本特征向量,并且其中,所述多个样本特征向量中的每一个样本特征向量表示对应的样本轨迹点的轨迹特征和地理环境特征;步骤S202、针对所述多组样本轨迹点数据中的每一组样本轨迹点数据:步骤S202-1、将该组样本轨迹点数据中的与多个样本轨迹点一一对应的多个样本特征向量输入序列模型中,获取所述序列模型所输出的所述多个样本轨迹点中的每一个样本轨迹点的预测状态;步骤S202-2、基于所述多个样本状态,计算该组样本轨迹点数据所对应的损失函数值;以及步骤S203、基于所述多组样本轨迹点数据所对应的多个损失函数值,调整所述序列模型的参数。
由此,训练得到的序列模型可以学习多个轨迹点之间的序列特征,并用于确定轨迹点状态。
根据一些实施例,样本轨迹数据可以通过自制的标注工具所生成。该工具每秒生成一个轨迹点,并且将该点对应的状态上传后台,使用这个工具时用户可以根据其当前的状态选择对应的状态,在状态切换之间的轨迹点都会使用切换前的状态来标记该轨迹点,从而获得带标注的样本轨迹点数据,用于模型的训练和效果的验证。此外,还可以利用一些从地图应用中批量得到的一些明确是驾车、步行、骑行、公共交通、停留性质的轨迹,进一步做样本数据增强,从而获得海量的标注的样本轨迹数据。
根据本公开的另一方面,提供了一种确定轨迹点状态的装置。如图3所示,所述确定轨迹点状态的装置300包括:第一获取模块301,被配置为基于轨迹数据,获取多个轨迹点,其中,所述轨迹数据是基于定位***得到的;提取模块302,被配置为提取所述多个轨迹点各自的轨迹特征和地理环境特征,以得到与所述多个轨迹点对应的多个特征向量;以及确定模块303,被配置为基于所述多个特征向量,确定所述多个轨迹点中的每一个轨迹点的状态。
由此,通过结合轨迹点的轨迹特征和地理环境特征并利用深度学习模型来学习轨迹点序列的深度特征并确定轨迹点状态,提高了对轨迹点状态识别的准确率。
根据一些实施例,第一获取模块301还被配置为:对基于定位***所得到的轨迹数据进行去噪处理,将轨迹等时切分成若干组以获取多个轨迹点。
根据一些实施例,所述轨迹特征包括:相应轨迹点的经度、纬度和时间戳。由此,可以由提取模块302根据多个轨迹点的轨迹特征来计算得到各个轨迹点的速度、轨迹点之间的距离等信息,用于描述多个轨迹点之间的时序性以及轨迹点的状态。示例性的,提取模块302也可以将根据轨迹点的经度、纬度和时间戳信息所计算出的速度和距离的数据作为轨迹特征的组成部分,用于确定轨迹点的状态。
根据一些实施例,所述地理环境特征包括下列至少一项:相应轨迹点所处建筑物的信息以及所述相应轨迹点所在的道路的信息。
在一个示例性实施例中,相应轨迹点所处建筑物的信息可以包括:相应轨迹点处于室内或室外和相应轨迹点周边的兴趣点分布类别。示例性的,提取模块302可以基于地图的逆地理编码技术判定该轨迹点处于室内还是室外,并分别用0和1来标识。由于定位本身的有误差,可以对建筑边界进行一定的范围扩展,让上述判定更为精准。对于轨迹点周边的兴趣点分布类别,提取模块302可以通过词向量算法将相应的兴趣点类别映射成数字信息。
在一个示例性实施例中,相应轨迹点所在的道路的信息可以包括:相应轨迹点是否在道路上、相应轨迹点所在道路的等级、相应轨迹点所在道路的路况以及相应轨迹点是否在路口附近。
在一个示例性实施例中,提取模块302可以利用隐马尔可夫模型(Hidden MarkovModel,HMM)对轨迹数据进行道路匹配,以确定轨迹点所在的道路的信息:确定相应轨迹点是否在道路上,并分别用0和1来标识;确定相应轨迹点所在道路的等级,并用数字表示例如国道高速、城市高速、国道、省道等不同等级的道路;确定相应轨迹点所在道路的路况,并通过数字对该道路的拥堵的严重程度进行分级。此外,提取模块302还可以通过地图逆地理编码技术来确定相应轨迹点是否在路口附近,并分别用0,1标识。
由此,在上述几个示例性实施例中,提取模块302可以提取得到轨迹点的地理环境特征所包括的建筑物信息以及道路信息,并将提取到的信息分别映射到数字,用于后续组成轨迹点的特征向量。
根据一些实施例,提取模块302包括:提取单元,被配置为提取所述多个轨迹点中每一个轨迹点的轨迹特征和地理环境特征;以及拼接单元,被配置为对该轨迹点的所述轨迹特征和所述地理环境特征进行拼接,以得到该轨迹点的特征向量。
可以理解的是,在提取单元分别在对轨迹点的轨迹特征和地理环境特征进行提取后,并分别将对应的特征映射到数字,再由拼接单元通过拼接的方式,得到由轨迹特征和地理环境特征结合的多维度的特征向量。由此,在轨迹特征的基础上,增加了地理环境特征对轨迹点进行了进一步的描述,融合轨迹点所在的环境信息,以在确定轨迹点状态时,将环境因素充分纳入考虑。
根据一些实施例,确定模块303还被配置为:将所述多个轨迹点对应的所述多个特征向量输入经训练的深度学习模型中,获取所述深度学习模型所输出的多个检测结果,其中所述多个检测结果表示所述多个轨迹点中的每一个轨迹点的状态,并且其中,所述深度学习模型为序列模型。
可以理解的是,序列模型在对序列特征的深度学习中有着较好的表现,通过序列模型对多个轨迹点之间的序列特征的学习,能够充分学习、挖掘到轨迹的时序性以及轨迹点与轨迹点之间的关联,并提高对轨迹点状态识别的准确率。
根据一些实施例,所述序列模型包括下列各项中的一项:门控循环单元(GatedRecurrent Unit,GRU)、长短时记忆网络(Long Short-Term Memory,LSTM)和双向长短时记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)。
根据一些实施例,所述轨迹点状态包括下列中的任一者:主动停留状态、被动停留状态和非停留状态。考虑到将轨迹点状态二分类为停留状态与非停留状态在许多场景下不能表示出轨迹点的真实状态,例如在路口等红灯、道路极度拥堵等情境中,在这些场景中,将停留状态再细分为主动停留和被动停留,更能细致、准确地描述轨迹点的状态。因此,通过确定模块303对轨迹点状态进行多分类可以提高不同场景下对停留点识别的准确率。
根据本公开的另一方面,还提供一种用于确定轨迹点状态的序列模型的训练装置。如图4所示,所述用于确定轨迹点状态的序列模型的训练装置400包括:第一获取模块401,被配置为基于多组样本轨迹数据,获取对应的多组样本轨迹点数据,其中,所述多组样本轨迹点数据中的每一组样本轨迹点数据包括多个样本轨迹点、与所述多个样本轨迹点一一对应的多个样本状态以及与所述多个样本轨迹点一一对应的多个样本特征向量,并且其中,所述多个样本特征向量中的每一个样本特征向量表示对应的样本轨迹点的轨迹特征和地理环境特征;第二获取模块402,被配置为针对所述多组样本轨迹点数据中的每一组样本轨迹点数据,将该组样本轨迹点数据中的与多个样本轨迹点一一对应的多个样本特征向量输入序列模型中,获取所述序列模型所输出的所述多个样本轨迹点中的每一个样本轨迹点的预测状态;计算模块403,被配置为基于所述多个样本状态,计算该组样本轨迹点数据所对应的损失函数值;以及调整模块404,被配置为基于所述多组样本轨迹点数据所对应的多个损失函数值,调整所述序列模型的参数。
所述用于确定轨迹点状态的序列模型的训练装置400的模块401-404的操作与前面描述的步骤S201-S203的操作类似,在此不作赘述。
根据本公开的另一方面,还提供一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一种方法。
根据本公开的另一方面,还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述任一种方法。
根据本公开的另一方面,还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现上述任一种方法。
参考图5,现将描述可以作为本公开的服务器的电子设备500的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类型的设备,输入单元506可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如确定轨迹点状态的方法。例如,在一些实施例中,确定轨迹点状态的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行确定轨迹点状态的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (19)
1.一种确定轨迹点状态的方法,所述方法包括:
基于轨迹数据,获取多个轨迹点,其中,所述轨迹数据是基于定位***得到的;
提取所述多个轨迹点各自的轨迹特征和地理环境特征,以得到与所述多个轨迹点对应的多个特征向量;以及
基于所述多个特征向量,确定所述多个轨迹点中的每一个轨迹点的状态。
2.根据权利要求1所述的方法,其中,提取所述多个轨迹点各自的轨迹特征和地理环境特征,以得到与所述多个轨迹点对应的多个特征向量包括:
提取所述多个轨迹点中每一个轨迹点的轨迹特征和地理环境特征;以及
对该轨迹点的所述轨迹特征和所述地理环境特征进行拼接,以得到该轨迹点的特征向量。
3.根据权利要求1所述的方法,其中,基于所述多个特征向量,确定所述多个轨迹点中的每一个轨迹点的状态包括:
将所述多个轨迹点对应的所述多个特征向量输入经训练的深度学习模型中,获取所述深度学习模型所输出的多个检测结果,其中所述多个检测结果表示所述多个轨迹点中的每一个轨迹点的状态,并且其中,所述深度学习模型为序列模型。
4.根据权利要求1至3中任一项所述的方法,其中,所述轨迹特征包括:
相应轨迹点的经度、纬度和时间戳。
5.根据权利要求1至4中至少一项所述的方法,其中,所述地理环境特征包括下列至少一项:
相应轨迹点所处建筑物的信息以及所述相应轨迹点所在的道路的信息。
6.根据权利要求3所述的方法,其中,所述序列模型包括下列各项中的一项:
门控循环单元、长短时记忆网络和双向长短时记忆网络。
7.根据权利要求1所述的方法,所述轨迹点状态包括下列中的任一者:
主动停留状态、被动停留状态和非停留状态。
8.一种用于确定轨迹点状态的序列模型的训练方法,包括:
基于多组样本轨迹数据,获取对应的多组样本轨迹点数据,其中,所述多组样本轨迹点数据中的每一组样本轨迹点数据包括多个样本轨迹点、与所述多个样本轨迹点一一对应的多个样本状态以及与所述多个样本轨迹点一一对应的多个样本特征向量,并且其中,所述多个样本特征向量中的每一个样本特征向量表示对应的样本轨迹点的轨迹特征和地理环境特征;
针对所述多组样本轨迹点数据中的每一组样本轨迹点数据:
将该组样本轨迹点数据中的与多个样本轨迹点一一对应的多个样本特征向量输入序列模型中,获取所述序列模型所输出的所述多个样本轨迹点中的每一个样本轨迹点的预测状态;
基于所述多个样本状态,计算该组样本轨迹点数据所对应的损失函数值;以及
基于所述多组样本轨迹点数据所对应的多个损失函数值,调整所述序列模型的参数。
9.一种确定轨迹点状态的装置,所述装置包括:
第一获取模块,所述第一获取模块被配置为基于轨迹数据,获取多个轨迹点,其中,所述轨迹数据是基于定位***得到的;
提取模块,所述提取模块被配置为提取所述多个轨迹点各自的轨迹特征和地理环境特征,以得到与所述多个轨迹点对应的多个特征向量;以及
确定模块,所述确定模块被配置为基于所述多个特征向量,确定所述多个轨迹点中的每一个轨迹点的状态。
10.根据权利要求9所述的装置,其中,所述提取模块包括:
提取单元,所述提取单元被配置为提取所述多个轨迹点中每一个轨迹点的轨迹特征和地理环境特征;以及
拼接单元,所述拼接单元被配置为对该轨迹点的所述轨迹特征和所述地理环境特征进行拼接,以得到该轨迹点的特征向量。
11.根据权利要求9所述的装置,其中,所述确定模块还被配置为:
将所述多个轨迹点对应的所述多个特征向量输入经训练的深度学习模型中,获取所述深度学习模型所输出的多个检测结果,其中所述多个检测结果表示所述多个轨迹点中的每一个轨迹点的状态,并且其中,所述深度学习模型为序列模型。
12.根据权利要求9至11中任一项所述的装置,其中,所述轨迹特征包括:
相应轨迹点的经度、纬度和时间戳。
13.根据权利要求9至12中至少一项所述的装置,其中,所述地理环境特征包括下列至少一项:
相应轨迹点所处建筑物的信息以及所述相应轨迹点所在的道路的信息。
14.根据权利要求11所述的装置,其中,所述序列模型包括下列各项中的一项:
门控循环单元、长短时记忆网络和双向长短时记忆网络。
15.根据权利要求9所述的装置,所述轨迹点状态包括下列中的任一者:
主动停留状态、被动停留状态和非停留状态。
16.一种用于确定轨迹点状态的序列模型的训练装置,所述装置包括:
第一获取模块,所述第一获取模块被配置为基于多组样本轨迹数据,获取对应的多组样本轨迹点数据,其中,所述多组样本轨迹点数据中的每一组样本轨迹点数据包括多个样本轨迹点、与所述多个样本轨迹点一一对应的多个样本状态以及与所述多个样本轨迹点一一对应的多个样本特征向量,并且其中,所述多个样本特征向量中的每一个样本特征向量表示对应的样本轨迹点的轨迹特征和地理环境特征;
第二获取模块,所述第二获取模块被配置为针对所述多组样本轨迹点数据中的每一组样本轨迹点数据,将该组样本轨迹点数据中的与多个样本轨迹点一一对应的多个样本特征向量输入序列模型中,获取所述序列模型所输出的所述多个样本轨迹点中的每一个样本轨迹点的预测状态;
计算模块,所述计算模块被配置为基于所述多个样本状态,计算该组样本轨迹点数据所对应的损失函数值;以及
调整模块,所述调整模块被配置为基于所述多组样本轨迹点数据所对应的多个损失函数值,调整所述序列模型的参数。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1至8中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111110906.5A CN113837268B (zh) | 2021-09-18 | 2021-09-18 | 确定轨迹点状态的方法、装置、设备和介质 |
US17/720,638 US20220237529A1 (en) | 2021-09-18 | 2022-04-14 | Method, electronic device and storage medium for determining status of trajectory point |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111110906.5A CN113837268B (zh) | 2021-09-18 | 2021-09-18 | 确定轨迹点状态的方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837268A true CN113837268A (zh) | 2021-12-24 |
CN113837268B CN113837268B (zh) | 2024-03-12 |
Family
ID=78969025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111110906.5A Active CN113837268B (zh) | 2021-09-18 | 2021-09-18 | 确定轨迹点状态的方法、装置、设备和介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220237529A1 (zh) |
CN (1) | CN113837268B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994324A (zh) * | 2023-03-13 | 2023-04-21 | 浙江口碑网络技术有限公司 | 数据处理方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719068B (zh) * | 2023-05-25 | 2024-05-28 | 浪潮智慧科技有限公司 | 一种基于融合定位的水利巡查监测方法、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464158A (zh) * | 2009-01-15 | 2009-06-24 | 上海交通大学 | 基于gps定位的道路网络栅格数字地图自动生成方法 |
CN107730873A (zh) * | 2017-09-14 | 2018-02-23 | 王淑芳 | 一种重点营运车辆异常行为监控方法和*** |
CN110942211A (zh) * | 2019-12-12 | 2020-03-31 | 武汉中海庭数据技术有限公司 | 一种基于深度神经网络的预估达到时间预测方法及装置 |
CN111400620A (zh) * | 2020-03-27 | 2020-07-10 | 东北大学 | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 |
CN112071062A (zh) * | 2020-09-14 | 2020-12-11 | 山东理工大学 | 一种基于图卷积网络和图注意力网络的行车时间估计方法 |
CN112434643A (zh) * | 2020-12-06 | 2021-03-02 | 零八一电子集团有限公司 | 低慢小目标的分类识别方法 |
WO2021081445A1 (en) * | 2019-10-25 | 2021-04-29 | Xy.Health, Inc. | System and method with federated learning model for geotemporal data associated medical prediction applications |
CN113111581A (zh) * | 2021-04-09 | 2021-07-13 | 重庆邮电大学 | 结合时空因素和基于图神经网络的lstm轨迹预测方法 |
-
2021
- 2021-09-18 CN CN202111110906.5A patent/CN113837268B/zh active Active
-
2022
- 2022-04-14 US US17/720,638 patent/US20220237529A1/en not_active Abandoned
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464158A (zh) * | 2009-01-15 | 2009-06-24 | 上海交通大学 | 基于gps定位的道路网络栅格数字地图自动生成方法 |
CN107730873A (zh) * | 2017-09-14 | 2018-02-23 | 王淑芳 | 一种重点营运车辆异常行为监控方法和*** |
WO2021081445A1 (en) * | 2019-10-25 | 2021-04-29 | Xy.Health, Inc. | System and method with federated learning model for geotemporal data associated medical prediction applications |
CN110942211A (zh) * | 2019-12-12 | 2020-03-31 | 武汉中海庭数据技术有限公司 | 一种基于深度神经网络的预估达到时间预测方法及装置 |
CN111400620A (zh) * | 2020-03-27 | 2020-07-10 | 东北大学 | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 |
CN112071062A (zh) * | 2020-09-14 | 2020-12-11 | 山东理工大学 | 一种基于图卷积网络和图注意力网络的行车时间估计方法 |
CN112434643A (zh) * | 2020-12-06 | 2021-03-02 | 零八一电子集团有限公司 | 低慢小目标的分类识别方法 |
CN113111581A (zh) * | 2021-04-09 | 2021-07-13 | 重庆邮电大学 | 结合时空因素和基于图神经网络的lstm轨迹预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994324A (zh) * | 2023-03-13 | 2023-04-21 | 浙江口碑网络技术有限公司 | 数据处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US20220237529A1 (en) | 2022-07-28 |
CN113837268B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN113837268B (zh) | 确定轨迹点状态的方法、装置、设备和介质 | |
EP3443482B1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN113361710A (zh) | 学生模型训练方法、图片处理方法、装置及电子设备 | |
CN113379059B (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN112883236B (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
CN113705716A (zh) | 图像识别模型训练方法、设备、云控平台及自动驾驶车辆 | |
CN114596431A (zh) | 信息确定方法、装置及电子设备 | |
CN112926630B (zh) | 路线规划方法、装置、电子设备以及计算机可读介质 | |
CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
US20230065341A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
CN115641470A (zh) | 分类模型及车辆图像分类模型的训练方法、装置及设备 | |
CN115687764A (zh) | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 | |
CN114419883A (zh) | 识别路口缺失交通限制信息的方法、装置和电子设备 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN113901932A (zh) | 融合人工鱼与粒子群算法的工程机械图像识别方法及*** | |
CN112907949B (zh) | 交通异常的检测方法、模型的训练方法及装置 | |
CN115662167B (zh) | 自动驾驶地图构建方法、自动驾驶方法及相关装置 | |
CN114724090B (zh) | 行人再识别模型的训练方法、行人再识别方法及装置 | |
CN111274216B (zh) | 无线局域网的识别方法、识别装置、存储介质及电子设备 | |
CN113361379B (zh) | 生成目标检测***和检测目标的方法及装置 | |
CN114596549A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN116010721A (zh) | 路径规划、模型训练、索引库建立方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |