CN114036345A - 一种轨迹数据的处理方法、设备及存储介质 - Google Patents
一种轨迹数据的处理方法、设备及存储介质 Download PDFInfo
- Publication number
- CN114036345A CN114036345A CN202111361080.XA CN202111361080A CN114036345A CN 114036345 A CN114036345 A CN 114036345A CN 202111361080 A CN202111361080 A CN 202111361080A CN 114036345 A CN114036345 A CN 114036345A
- Authority
- CN
- China
- Prior art keywords
- track data
- key point
- track
- distance
- data set
- 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 44
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 230000006870 function Effects 0.000 claims description 16
- 230000001174 ascending effect Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000013138 pruning Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000000638 solvent extraction Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种轨迹数据的处理方法、设备及存储介质,该方法包括:在轨迹数据集中确定第一关键点,并计算该第一关键点与轨迹数据集中各其他轨迹数据的距离;根据该第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集;在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取轨迹数据集所对应的目标关键点树。本发明实施例的技术方案,通过在轨迹数据集中确定第一关键点,并将轨迹数据集划分为多个轨迹数据子集,可以优化构建的关键点树的结构,可以提升关键点树的检索性能。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种轨迹数据的处理方法、设备及存储介质。
背景技术
轨迹数据,是指实体在空间中所经过点的集合;通过对海量轨迹数据的相似性分析,实现对实体未来轨迹的预测,在路线推荐、驾驶辅助等领域具有广阔应用前景。
目前,现有的轨迹数据相似性分析方法,通常是将海量的轨迹数据存储为二叉树形式,每一条轨迹数据对应二叉树中的一个树结点;在对轨迹数据进行检索时,通过最近邻算法遍历二叉树,以获取与检索轨迹匹配的多个已存轨迹数据。然而,现有技术中,当轨迹数据的数据量较大时,生成二叉树的深度很高,导致轨迹数据的检索效率降低,同时,传统最近邻算法的容忍距离收敛速度较慢,进一步降低了轨迹数据的检索效率。
发明内容
本发明实施例提供一种轨迹数据的处理方法、设备及存储介质,可以优化生成的关键点树的结构,可以提升关键点树的检索性能。
第一方面,本发明实施例提供了一种轨迹数据的处理方法,包括:
在轨迹数据集中确定第一关键点,并计算所述第一关键点与轨迹数据集中各其他轨迹数据的距离;
根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集;
在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取所述轨迹数据集对应的目标关键点树;
其中,所述目标关键点树,包括一个根结点和至少一个子结点;所述根结点对应第一关键点,所述各子结点分别对应各第二关键点。
第二方面,本发明实施例还提供了一种计算机设备,包括处理器和存储器,所述存储器用于存储指令,当所述指令执行时使得所述处理器执行以下操作:
在轨迹数据集中确定第一关键点,并计算所述第一关键点与轨迹数据集中各其他轨迹数据的距离;
根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集;
在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取所述轨迹数据集对应的目标关键点树;
其中,所述目标关键点树,包括一个根结点和至少一个子结点;所述根结点对应第一关键点,所述各子结点分别对应各第二关键点。
第三方面,本发明实施例还提供了一种计算机可读存储介质,该存储介质上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例提供的轨迹数据的处理方法。
本发明实施例提供的技术方案,通过在轨迹数据集中确定第一关键点,并计算该第一关键点与轨迹数据集中各其他轨迹数据的距离;进而根据该第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为多个轨迹数据子集;并在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取轨迹数据集所对应的目标关键点树;通过在轨迹数据集中确定第一关键点,并将轨迹数据集划分为多个轨迹数据子集,可以优化构建的关键点树的结构,降低关键点树的深度,可以提升关键点树的检索性能。
附图说明
图1A是本发明一实施例中的一种轨迹数据的处理方法的流程图;
图1B是现有技术中的优先点树的结构示意图;
图1C是现有技术中的轨迹数据集在数据空间中的划分示意图;
图2A是本发明另一实施例中的一种轨迹数据的处理方法的流程图;
图2B是本发明另一实施例中的一种目标关键点树的结构示意图;
图3A是本发明另一实施例中的一种轨迹数据的处理方法的流程图;
图3B是本发明另一实施例中的一种目标关键点树搜索算法的示意图;
图3C是本发明另一实施例中的一种容忍距离的示意图;
图4是本发明另一实施例中的一种轨迹数据的处理装置的结构示意图;
图5是本发明另一实施例中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
本文使用的术语“轨迹数据集”可以是多个轨迹数据组成的数据集合。
本文使用的术语“第一关键点”可以是在轨迹数据集中确定的一个轨迹数据,可以是优先点树中的第一优先点。
本文使用的术语“距离”可以是一个度量空间中,两个轨迹数据间的距离,例如,可以是豪斯多夫距离;其中,距离越小,表示两个轨迹数据的相似度越高;距离越大,表示两个轨迹数据间的相似度越低。
本文使用的术语“轨迹数据子集”可以是由去除第一关键点后的轨迹数据集,所划分得到的多个轨迹数据集合。
本文使用的术语“第二关键点”可以是分别在各轨迹数据子集中确定的一个轨迹数据,可以是优先点树中各子结点对应的优先点。
本文使用的术语“目标关键点树”可以是根据轨迹数据集生成的树形数据结构,可以是包括多路分支的优先点树;其中,目标关键点树,包括一个根结点和多个子结点,根结点对应第一关键点,各子结点分别对应各第二关键点。
图1A为本发明一实施例提供的一种轨迹数据的处理方法的流程图,本发明实施例可适用于将轨迹数据集以关键点树形式进行存储的情况;该方法可以由计算机设备中的处理器来执行,并一般可集成在计算机设备中。如图1A所示,该方法具体包括如下步骤:
S110、获在轨迹数据集中确定第一关键点,并计算所述第一关键点与轨迹数据集中各其他轨迹数据的距离。
其中,轨迹数据集包括至少一个轨迹数据,轨迹数据可以是交通工具移动轨迹,例如,车辆的行驶轨迹,也可以是人员的活动轨迹。
可以理解的是,可以将轨迹数据抽象为度量空间中的一个点,此时,不同轨迹间相似度即可表示为度量空间中两个点的距离。在本实施例中,可以在轨迹数据集中随机选择一个轨迹数据作为第一关键点,并分别计算当前第一关键点,与轨迹数据集中的其他轨迹数据间的距离。
值的注意的是,在构建轨迹数据集对应的关键点树时,只需一种相似度度量函数,即可实现对关键点树的创建;其中,关键点树为一种通用索引,并不关注索引数据的数据类型,即可实现任意类型数据的高效索引。需要说明的是,并不是任意的相似度度量函数均可实现关键点树的构建,关键点树中的相似度度量函数需要同时满足以下三个准则:1、相似度距离非负;2、满***换律;3、满足三角不等式。
在本实施例中,相似度度量函数可以为豪斯多夫距离(Hausdorff distance);豪斯多夫距离,用于表示一个度量空间中两个子集之间的距离,常用于轨迹相似度的计算;需要说明的是,两个轨迹数据之间的豪斯多夫距离越小,表示两个轨迹数据的相似度越高;两个轨迹数据之间的豪斯多夫距离越大,表示两个轨迹数据的相似度越低。
值的注意的是,第一关键点的选取严重影响生成的关键点树的性能;其中,根据第一关键点划分出的各路子树边界值的差值应尽量均匀,以提升数据检索时剪枝成功的概率,提升关键点树的检索性能。在本实施例中,可以在轨迹数据集中预先随机选择多个轨迹数据作为候选关键点,并根据预设评价规则,计算各候选关键点对应的评分,最终选择评分最高的候选关键点作为第一关键点。
S120、根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集。
值的注意的是,现有技术中,如图1B所示,通常将轨迹数据集进行不断的两路划分,以最终获取对应的关键点树,即优先点树(vantage point tree,VP-tree),也即平衡二叉树结构。在优先点树中,每一个非叶子结点包括用于标识优先点(vantage point,VP)的VP标识(identification,ID),切分的中值mu和分别指向左右子树的两个指针。通过上述平衡二叉树结构,优先点树实际是对轨迹数据集进行连续的球状二分;在整个数据空间中,轨迹数据集被以不同的第一关键点为中心,划分为大量相互层叠的球形子空间,如图1C所示。然而,当存在海量轨迹数据时,最终生成的优先点树的深度将非常高,将严重影响轨迹数据的检索性能。
为了解决上述问题,在本实施例中,采用多路结构代替现有优先点树的两路结构,通过对轨迹数据集进行连续多分,以最终获取多路结构的优先点树,可以极大降低海量轨迹数据对应的优先点树的深度,从而提升优先点树的检索效率。
在本实施例中,在获取到第一关键点与各其他轨迹数据的距离之后,可以在各距离中确定距离最大值;并根据需要划分的轨迹数据子集个数,对该距离最大值进行等分,以确定多个切分值,并根据各切分值,将轨迹数据集划分为多个轨迹数据子集。例如,距离最大值为100,需要划分的轨迹数据子集个数为4,则对应的切分值可以为25、50和75;具体的,将距离小于等于25的轨迹数据添加至一个轨迹数据子集,将距离大于25且小于等于50的轨迹数据添加至一个轨迹数据子集,将距离大于50且小于等于75的轨迹数据添加至一个轨迹数据子集,以及将距离大于75且小于等于100的轨迹数据添加至一个轨迹数据子集,以最终获取轨迹数据集对应的四个轨迹数据子集。
可选的,还可以将轨迹数据集中的各其他轨迹数据,先按照与第一关键点的距离进行升序排序,并根据其他轨迹数据的总个数,对升序排序后的轨迹数据进行等分,以获取轨迹数据集对应的多个轨迹数据子集;例如,轨迹数据集包括其他轨迹数据的个数为100,需要划分的轨迹数据子集的个数为4,则将升序排序后的其他轨迹数据的前25个作为一个轨迹数据子集,第26个轨迹数据到第50个轨迹数据作为一个轨迹数据子集,第51个轨迹数据到第75个轨迹数据作为一个轨迹数据子集,将第76个轨迹数据到第100个轨迹数据作为一个轨迹数据子集。可以理解的是,当其他轨迹数据的总个数无法被整分时,只需保证各轨迹数据子集间的轨迹数据个数差不超过一个即可。
在本实施例的一个可选的实施方式中,根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集,可以包括:
根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,对所述各其他轨迹数据进行升序排序;根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离最大值,确定至少一个轨迹数据集切分值;根据各轨迹数据集切分值,将升序排序后的各其他轨迹数据,划分为至少一个轨迹数据子集。
在本实施例中,可以首先根据各其他轨迹数据与第一关键点的距离,对各其他轨迹数据进行升序排序,并根据距离最大值以及需要划分的轨迹数据子集的个数,确定多个轨迹数据集切分值;最终根据获取的多个轨迹数据集切分值,对升序排序后的各其他轨迹数据进行直接切分,获取多个轨迹数据子集。
在本实施例中,通过预先根据各其他轨迹数据与第一关键点的距离,对各轨迹数据进行排序,使得在确定轨迹数据集切分值之后,可以直接对排序后的轨迹数据进行切分,以获取对应的多个轨迹数据子集,可以提升轨迹数据集的划分效率,可以提升目标关键点树的构建效率。
S130、在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取所述轨迹数据集对应的目标关键点树。
其中,目标关键点树,包括一个根结点和至少一个子结点;根结点对应第一关键点,各子结点分别对应各第二关键点。
在本实施例中,在完成对轨迹数据集的初次划分后,可以对各轨迹数据子集进行递归划分;具体的,可以分别在各轨迹数据子集中确定一个轨迹数据作为对应的第二关键点,并计算各轨迹数据子集中其他轨迹数据与对应第二关键点的距离,并根据该距离,将各轨迹数据子集再次划分为多个轨迹数据子集;进一步的,在再次划分的各轨迹数据子集中重新执行上述操作,直至得到的轨迹数据子集无法再被划分(只包括一个轨迹数据),完成对轨迹数据集的完整切分。
需要说明的是,在对轨迹数据集进行划分的同时,进行目标关键点树的构建;具体的,将确定的第一关键点作为目标关键点树的根结点,并根据第二关键点的确认顺序,确定目标关键点树各深度的非叶子结点;最终,将获取的无法再被切分的轨迹数据子集,确定为叶子结点,完成对目标关键点树的构建。
在本实施例中,通过在获取到包括多个轨迹数据的轨迹数据集之后,将轨迹数据集映射为具有多路分支的树形数据结构,可以优化生成关键点树的结构,降低生成关键点树的深度,提升关键点树的检索性能。
本发明实施例提供的技术方案,通过在轨迹数据集中确定第一关键点,并计算该第一关键点与轨迹数据集中各其他轨迹数据的距离;进而根据该第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为多个轨迹数据子集;并在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取轨迹数据集所对应的目标关键点树;通过在轨迹数据集中确定第一关键点,并将轨迹数据集划分为多个轨迹数据子集,可以优化构建的关键点树的结构,降低关键点树的深度,可以提升关键点树的检索性能。
图2A为本发明又一实施例提供的轨迹数据的处理方法的流程图,本实施例以上述技术方案为基础,具体介绍在轨迹数据集中确定第一关键点,如图2A所示,该方法包括:
S210、在轨迹数据集中进行随机采样,获取第一预设数量的候选关键点,以及各候选关键点分别对应的第二预设数量的参考点,并分别计算各候选关键点与对应各参考点的距离。
其中,第一预设数量,为预先设置的采集候选关键点的数量;对应的,第二预设数量,为预设设置的采集各候选关键点对应参考点的数量。
在本实施例中,在获取到轨迹数据集后,首先在轨迹数据集中进行随机采样,以获取第一预设数量的轨迹数据,作为候选关键点;之后,针对每一个候选关键点,再次从轨迹数据集中进行随机采样,以获取各候选关键点对应的第二预设数量的参考点。可以理解的是,轨迹数据的随机采样均为不放回采样,即一旦某个轨迹数据被采样,轨迹数据集中便不再包括该轨迹数据。在采样得到多个候选关键点,以及每个候选关键点对应的多个参考点后,分别计算每个候选关键点与对应每个参考点的距离。
S220、根据所述各候选关键点与对应各参考点的距离,将各候选关键点对应的各参考点划分为至少一个参考点集合,并分别计算各候选关键点对应各参考点集合的边界值差值。
其中,边界值包括候选点与对应参考点集合中各参考点的距离最大值和距离最小值。
在本实施例中,在计算得到各候选关键点与对应各参考点的距离之后,针对每一个候选关键点,可以确定与对应各参考点的距离最大值,并可以根据该距离最大值以及需要划分的参考点集合的数量,确定多个划分值;进而根据该划分值以及各参考点与对应候选关键点的距离,对各参考点进行划分,以获取与每个候选关键点分别对应的多个参考点集合。
进一步的,在每个参考点集合中,统计各参考点与对应候选关键点的距离最大值和距离最小值,作为参考点集合对应的边界值,并计算每个参考点集合对应边界值的差值,也即距离最大值与距离最小值的差值。
S230、根据所述各候选关键点对应各参考点集合的边界值差值,确定所述各候选关键点的评分;并根据所述各候选关键点的评分,在所述各候选关键点中确定评分最高的第一关键点。
在本实施例中,可以针对每个候选关键点,分别计算其对应各参考点集合的边界值差值的和值,并将该和值作为对应候选关键点的评分;或者,可以分别计算每个候选关键点对应各参考点集合的边界值差值的方差,并将该方差作为对应候选关键点的评分。进一步的,在确定各候选关键点的评分后,可以在各评分中确定最高评分,并将该最高评分对应的候选关键点,确定为第一关键点。
需要说明的是,在关键点树的构建过程中,第一关键点的选取至关重要;根据第一关键点,切分的每个轨迹数据子集的边界值之间的差值应尽量大,以提升在对关键点树进行检索时的剪枝成功概率;其次,不同轨迹数据子集的边界值差值应该尽量均匀,以保证针对不同的搜索目标点的剪枝成功概率相同,避免性能跳变。
在本实施例中,通过随机取样方法预先选取多个候选关键点,并通过预设评价规则,在各候选关键点中选择评分最高的候选关键点,作为最终的第一关键点,可以确保选取第一关键点的合理性;可以避免随机选取第一关键点,导致的搜索目标点对应的检索区间同时包括多棵子树,无法进行有效剪枝的情况,同时可以避免需要对多棵子树进行检索,导致检索性能下降的问题,可以提升生成关键点树的检索性能。
在本实施例的一个可选的实施方式中,根据所述各候选关键点对应各参考点集合的边界值差值,确定所述各候选关键点的评分,可以包括:分别计算所述各候选关键点对应各参考点集合的边界值差值的和值,以及所述各候选关键点对应各参考点集合的边界值差值的方差;根据所述和值和方差,确定所述各候选关键点的评分。
其中,针对每个候选关键点,可以将对应各参考点集合的边界值差值的和值和方差的比值,作为对应各候选关键点的评分;或者,可以将各参考点集合的边界值差值的和值和方差的乘积,作为对应各候选关键点的评分。
在本实施例的另一个可选的实施方式中,根据所述和值和方差,确定所述各候选关键点的评分,可以包括:
根据公式:p=SUM/ln(e+VAR),计算得到每个候选关键点的评分p;其中,SUM表示候选关键点对应各参考点集合的边界值差值的和值,VAR表示候选关键点对应各参考点集合的边界值差值的方差,ln表示自然对数函数,e表示自然对数函数的底数。
S240、计算所述第一关键点与轨迹数据集中各其他轨迹数据的距离。
S250、根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集。
其中,划分轨迹数据子集的数量,可以根据轨迹数据中轨迹数据的总个数进行自适应调整;例如,当轨迹数据集中轨迹数据的总个数较多时,可以适当增加划分轨迹数据子集的数量;当轨迹数据集中轨迹数据的总个数较少时,可以适当减少划分轨迹数据子集的数量。
在一个具体的例子中,当划分轨迹数据子集的数量为4时,如图2B所示,对应生成的目标关键点树包括四路分支;其中,R表示第一关键点,C1、C2、C3和C4分别表示深度为2的各非叶子结点。可选的,针对各非叶子结点可以进一步划分为四路分支;在每一个非叶子结点中,可以记录当前非叶子结点的VP ID,以及划分的四路分支分别为d1、d2、d3和d4;同时可以记录每路分支对应的边界值(与当前非叶子结点的距离最大值upper和距离最小值lower),以及与当前非叶子结点具有继承关系的子结点child。
S260、在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取所述轨迹数据集对应的目标关键点树。
其中,目标关键点树,包括一个根结点和至少一个子结点;根结点对应第一关键点,各子结点分别对应各第二关键点。
本发明实施例提供的技术方案,通过在轨迹数据集中进行随机采样,获取第一预设数量的候选关键点,以及各候选关键点分别对应的第二预设数量的参考点,并分别计算各候选关键点与对应各参考点的距离;进而根据各候选关键点与对应各参考点的距离,将各候选关键点对应的各参考点划分为多个参考点集合,并分别计算各候选关键点对应各参考点集合的边界值差值;最终根据各候选关键点对应各参考点集合的边界值差值,确定各候选关键点的评分;并根据各候选关键点的评分,在各候选关键点中确定评分最高的第一关键点;通过预先获取一定数量的候选关键点,并根据预设评价规则,获取评分最高的候选关键点作为第一关键点,可以提升生成目标关键点树的检索性能,提升目标关键点树的检索效率。
图3A为本发明又一实施例提供的轨迹数据的处理方法的流程图,本实施例以上述技术方案为基础,具体介绍根据检索轨迹的检索请求,在关键点树中查找与检索轨迹匹配的轨迹数据,如图3A所示,该方法包括:
S310、在轨迹数据集中确定第一关键点,并计算所述第一关键点与轨迹数据集中各其他轨迹数据的距离。
S320、根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集。
S330、在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取所述轨迹数据集对应的目标关键点树。
其中,目标关键点树,包括一个根结点和至少一个子结点;根结点对应第一关键点,各子结点分别对应各第二关键点。
S340、当接收到检索轨迹的检索请求时,根据预设容忍距离,在目标关键点树中确定检索轨迹匹配的第三预设数量的子结点。
其中,检索轨迹,可以是用户输入的,需要查找相似已存轨迹数据的轨迹数据。容忍距离,是指检索轨迹与匹配子结点间的允许误差距离;具体的,若目标关键点树中的某一个子结点与检索轨迹的距离小于该容忍距离,则认为该子结点与检索轨迹匹配。对应的,预设容忍距离,为预设设置的一个容忍距离;例如,预设容忍距离可以为0,也即,只有与检索轨迹间的距离为0的子结点,才确定为与检索轨迹匹配。
需要说明的是,在对检索轨迹进行检索时,可以将检索轨迹抽象化为一个目标点;首先计算目标点与当前目标关键点树的第一关键点的距离,并判断该距离落在哪棵子树的边界值范围之内,以确定与该目标点对应的子树。后续在对目标关键点树进行搜索时,只需搜索该子树,而不需要搜索其他子树,实现对目标关键点树的剪枝。
在本实施例中,可以将根据预设容忍距离设置为0,执行一次预搜索,以在目标关键点树中查找与检索轨迹匹配的第三预设数量的子结点。其中,由于预设容忍距离为0,只需搜索一棵子树,故此次搜索的路径长度等于目标关键点树的深度,而由于本实施例中生成的目标关键点树的深度较小,故当前搜索的耗时较小。第三预设数量,为预先设置的需要查找的与检索轨迹匹配子结点的数量。
在本实施例中,在查找与检索轨迹匹配的子结点时,若子结点与检索轨迹的距离小于等于预设容忍距离,则可以认为该子结点与检索轨迹匹配。
可以理解的是,当预设容忍距离不为0时,目标点对应的搜索距离为一个范围值;以容忍距离为u,目标点与第一关键点的距离为d为例,目标点对应的搜索距离范围为[d-u,d+u]。此时,目标点的搜索距离范围可能落入多棵子树的边界范围,则需要对多棵子树进行同时检索。
在一个具体的例子中,目标关键点树为平衡二叉树结构,其对应的关键点树搜索算法如图3B所示。其中,预设容忍距离为u,第一关键点对应的切分中值为mu;首先计算目标点与第一关键点之间的距离distance;基于三角不等式,若distance≥mu+u,可以确定左子树中不可能存在与目标点距离小于u的点,后续只需搜索右子树即可;而若distance≤mu-u,则只需搜索左子树即可;而若mu-u<distance<mu+u,则无法进行剪枝,需要同时搜索左右子树。
需要说明的是,容忍距离越小,成功剪枝的概率越高,检索性能越好;例如,如图3C所示,某一数据空间基于第一关键点VP被划分为S1、S2和S3三个子空间(轨迹数据集被划分为三个轨迹数据子集),目标点落在子空间S2中,T为容忍距离。在场景(1)下,以目标点为中心,以T为半径的圆形范围同时涵盖了S1、S2和S3,则无法进行剪枝,需要同时在三个子空间中进行检索遍历。在场景(2)下,以目标点为中心,以T为半径的圆形范围仅涵盖了S2,此时即可排除S1和S3,成功实现剪枝。
值的注意的是,当容忍距离过小时,容易导致过度剪枝,造成检索结果不准确或者无法检索到匹配的轨迹数据;由此,需要根据实际任务需求,选择适当大小的容忍距离。
S350、采用所述检索轨迹与匹配各子结点的最大距离,更新所述预设容忍距离;并返回执行根据预设容忍距离,在目标关键点树中确定所述检索轨迹匹配的第三预设数量的子结点的操作,直至完成对目标关键点树的搜索,获取所述检索轨迹匹配的第三预设数量的目标子结点。
在本实施例中,在获取到与检索轨迹匹配的多个子结点后,确定检索轨迹与各匹配子结点的最大距离,并采用该最大距离替换预设容忍距离,以进行预设容忍距离的更新。进一步的,在完成对预设容忍距离的更新后,可以根据当前的预设容忍距离,对目标关键点树再次进行搜索,以重新获取与检索轨迹匹配的第三预设数量的子结点,并将获取的子结点作为目标子结点。
需要说明的是,在根据更新后的预设容忍距离对目标关键点树进行搜索时,若还未完成对目标关键点树的全部搜索时,即已经获取第三预设数量的匹配子结点;则采用各匹配子结点与检索轨迹的最大距离,再次对预设容忍距离进行更新,并根据再次更新后的预设容忍距离,重新进行目标关键点树的搜索;重复上述过程,直至完成对目标关键点树的搜索,获取检索轨迹匹配的第三预设数量的目标子结点。
在本实施例中,通过根据初始的预设容忍距离进行预搜索,并根据搜索结果对初始的预设容忍距离进行更新,可以提升容忍距离的收敛速度,进而可以提升对检索轨迹匹配已存轨迹数据的检索效率。
在本实施例的一个可选的实施方式中,根据预设容忍距离,在目标关键点树中确定所述检索轨迹匹配的第三预设数量的子结点,可以包括:
当根据预设容忍距离,在目标关键点树中确定所述检索轨迹匹配的子结点的数量小于第三预设数量时,在所述检索轨迹匹配的各子结点的相邻叶子结点中,查找与所述检索轨迹匹配的子结点,直至获取所述检索轨迹匹配的第三预设数量的子结点。
可以理解的是,当第三预设数量大于目标关键点树的深度时,通过一次搜索可能无法获取到与检索轨迹匹配的第三预设数量的子结点;例如,预设容忍距离为0,可获取匹配子结点的最大数量为目标关键点树的深度;此时,可以通过回溯算法,按照搜索路径进行回溯,以对搜索路径相邻的叶子结点依次进行匹配查找,直至获取与检索轨迹匹配的第三预设数量的子结点。
在本实施例中,通过在经过一次预搜索,无法获取到足够数量的匹配子结点时,通过回溯算法查找相邻叶子结点,可以确保第三预设数量的匹配子结点的获取,进而可以确保实现对预设容忍距离的更新,使得本实施例的检索轨迹搜索方法可以适应于任何深度的目标关键点树。
可选的,在对检索轨迹进行搜索之前,可以预先确定目标关键点树的结点数量,当结点数量较少时,也即已存的轨迹数据较少时,可以直接遍历目标关键点树,计算得到检索轨迹与每个子结点的距离,以确定与检索轨迹距离最近的第三预设数量的子结点。
本发明实施例提供的技术方案,在获取到轨迹数据集对应的目标关键点后,当接收到检索轨迹的检索请求时,首先根据预设容忍距离,在目标关键点树中确定检索轨迹匹配的第三预设数量的子结点;进而采用检索轨迹与匹配各子结点的最大距离,更新该预设容忍距离;并返回执行根据预设容忍距离,在目标关键点树中确定检索轨迹匹配的第三预设数量的子结点的操作,直至完成对目标关键点树的搜索,获取检索轨迹匹配的第三预设数量的目标子结点;通过根据初始的预设容忍距离进行一次预搜索,并根据预搜索结果对初始的预设容忍距离进行更新,提升了容忍距离的收敛速度,提升了目标关键点树的搜索效率。
图4为本发明另一实施例提供的一种轨迹数据的处理装置的结构示意图。如图4所示,该装置包括:距离计算模块410、轨迹数据集划分模块420和目标关键点树获取模块430。其中,
距离计算模块410,用于在轨迹数据集中确定第一关键点,并计算所述第一关键点与轨迹数据集中各其他轨迹数据的距离;
轨迹数据集划分模块420,用于根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集;
目标关键点树获取模块430,用于在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取所述轨迹数据集对应的目标关键点树;
其中,所述目标关键点树,包括一个根结点和至少一个子结点;所述根结点对应第一关键点,所述各子结点分别对应各第二关键点。
本发明实施例提供的技术方案,通过在轨迹数据集中确定第一关键点,并计算该第一关键点与轨迹数据集中各其他轨迹数据的距离;进而根据该第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为多个轨迹数据子集;并在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取轨迹数据集所对应的目标关键点树;通过在轨迹数据集中确定第一关键点,并将轨迹数据集划分为多个轨迹数据子集,可以优化构建的关键点树的结构,降低关键点树的深度,可以提升关键点树的检索性能。
可选的,在上述技术方案的基础上,距离计算模块410,包括:
候选关键点获取单元,用于在轨迹数据集中进行随机采样,获取第一预设数量的候选关键点,以及各候选关键点分别对应的第二预设数量的参考点,并分别计算各候选关键点与对应各参考点的距离;
边界值差值计算单元,用于根据所述各候选关键点与对应各参考点的距离,将各候选关键点对应的各参考点划分为至少一个参考点集合,并分别计算各候选关键点对应各参考点集合的边界值差值;所述边界值包括候选点与对应参考点集合中各参考点的距离最大值和距离最小值;
第一关键点确定单元,用于根据所述各候选关键点对应各参考点集合的边界值差值,确定所述各候选关键点的评分;并根据所述各候选关键点的评分,在所述各候选关键点中确定评分最高的第一关键点。
可选的,在上述技术方案的基础上,第一关键点确定单元,具体用于分别计算所述各候选关键点对应各参考点集合的边界值差值的和值,以及所述各候选关键点对应各参考点集合的边界值差值的方差;根据所述和值和方差,确定所述各候选关键点的评分。
可选的,在上述技术方案的基础上,第一关键点确定单元,具体用于根据公式:p=SUM/ln(e+VAR),计算得到每个候选关键点的评分p;其中,SUM表示候选关键点对应各参考点集合的边界值差值的和值,VAR表示候选关键点对应各参考点集合的边界值差值的方差,ln表示自然对数函数,e表示自然对数函数的底数。
可选的,在上述技术方案的基础上,轨迹数据集划分模块420,包括:
升序排序单元,用于根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,对所述各其他轨迹数据进行升序排序;
轨迹数据集切分值确定单元,用于根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离最大值,确定至少一个轨迹数据集切分值;
轨迹数据子集划分单元,用于根据各轨迹数据集切分值,将升序排序后的各其他轨迹数据,划分为至少一个轨迹数据子集。
可选的,在上述技术方案的基础上,所述轨迹数据的处理装置,还包括:
子结点确定模块,用于当接收到检索轨迹的检索请求时,根据预设容忍距离,在目标关键点树中确定检索轨迹匹配的第三预设数量的子结点;
目标子结点获取模块,用于采用所述检索轨迹与匹配各子结点的最大距离,更新所述预设容忍距离;并返回执行根据预设容忍距离,在目标关键点树中确定所述检索轨迹匹配的第三预设数量的子结点的操作,直至完成对目标关键点树的搜索,获取所述检索轨迹匹配的第三预设数量的目标子结点。
可选的,在上述技术方案的基础上,子结点确定模块,具体用于当根据预设容忍距离,在目标关键点树中确定所述检索轨迹匹配的子结点的数量小于第三预设数量时,在所述检索轨迹匹配的各子结点的相邻叶子结点中,查找与所述检索轨迹匹配的子结点,直至获取所述检索轨迹匹配的第三预设数量的子结点。
上述装置可执行本发明前述所有实施例所提供的轨迹数据的处理方法,具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
图5为本发明另一实施例提供的一种计算机设备的结构示意图,如图5所示,该计算机设备包括处理器510、存储器520、输入装置530和输出装置540;计算机设备中处理器510的数量可以是一个或多个,图5中以一个处理器510为例;计算机设备中的处理器510、存储器520、输入装置530和输出装置540可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器520作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明任意实施例中的一种轨迹数据的处理方法对应的程序指令/模块(例如,一种轨迹数据的处理装置中的距离计算模块410、轨迹数据集划分模块420和目标关键点树获取模块430)。处理器510通过运行存储在存储器520中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的一种轨迹数据的处理方法。也即,该程序被处理器执行时实现:
在轨迹数据集中确定第一关键点,并计算所述第一关键点与轨迹数据集中各其他轨迹数据的距离;
根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集;
在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取所述轨迹数据集对应的目标关键点树;
其中,所述目标关键点树,包括一个根结点和至少一个子结点;所述根结点对应第一关键点,所述各子结点分别对应各第二关键点。
存储器520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;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器520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,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器520可进一步包括相对于处理器510远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入,可以包括键盘和鼠标等。输出装置540可包括显示屏等显示设备。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所述方法。当然,本发明实施例所提供的一种计算机可读存储介质,其可以执行本发明任意实施例所提供的一种轨迹数据的处理方法中的相关操作。也即,该程序被处理器执行时实现:
在轨迹数据集中确定第一关键点,并计算所述第一关键点与轨迹数据集中各其他轨迹数据的距离;
根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集;
在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取所述轨迹数据集对应的目标关键点树;
其中,所述目标关键点树,包括一个根结点和至少一个子结点;所述根结点对应第一关键点,所述各子结点分别对应各第二关键点。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的方法。
值得注意的是,上述一种轨迹数据的处理装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种轨迹数据的处理方法,其特征在于,包括:
在轨迹数据集中确定第一关键点,并计算所述第一关键点与轨迹数据集中各其他轨迹数据的距离;
根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集;
在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取所述轨迹数据集对应的目标关键点树;
其中,所述目标关键点树,包括一个根结点和至少一个子结点;所述根结点对应第一关键点,所述各子结点分别对应各第二关键点。
2.根据权利要求1所述的方法,其特征在于,在轨迹数据集中确定第一关键点,包括:
在轨迹数据集中进行随机采样,获取第一预设数量的候选关键点,以及各候选关键点分别对应的第二预设数量的参考点,并分别计算各候选关键点与对应各参考点的距离;
根据所述各候选关键点与对应各参考点的距离,将各候选关键点对应的各参考点划分为至少一个参考点集合,并分别计算各候选关键点对应各参考点集合的边界值差值;所述边界值包括候选点与对应参考点集合中各参考点的距离最大值和距离最小值;
根据所述各候选关键点对应各参考点集合的边界值差值,确定所述各候选关键点的评分;并根据所述各候选关键点的评分,在所述各候选关键点中确定评分最高的第一关键点。
3.根据权利要求2所述的方法,其特征在于,根据所述各候选关键点对应各参考点集合的边界值差值,确定所述各候选关键点的评分,包括:
分别计算所述各候选关键点对应各参考点集合的边界值差值的和值,以及所述各候选关键点对应各参考点集合的边界值差值的方差;
根据所述和值和方差,确定所述各候选关键点的评分。
4.根据权利要求3所述的方法,其特征在于,根据所述和值和方差,确定所述各候选关键点的评分,包括:
根据公式:p=SUM/ln(e+VAR),计算得到每个候选关键点的评分p;其中,SUM表示候选关键点对应各参考点集合的边界值差值的和值,VAR表示候选关键点对应各参考点集合的边界值差值的方差,ln表示自然对数函数,e表示自然对数函数的底数。
5.根据权利要求1所述的方法,其特征在于,根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集,包括:
根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,对所述各其他轨迹数据进行升序排序;
根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离最大值,确定至少一个轨迹数据集切分值;
根据各轨迹数据集切分值,将升序排序后的各其他轨迹数据,划分为至少一个轨迹数据子集。
6.根据权利要求1所述的方法,其特征在于,还包括:
当接收到检索轨迹的检索请求时,根据预设容忍距离,在目标关键点树中确定检索轨迹匹配的第三预设数量的子结点;
采用所述检索轨迹与匹配各子结点的最大距离,更新所述预设容忍距离;并返回执行根据预设容忍距离,在目标关键点树中确定所述检索轨迹匹配的第三预设数量的子结点的操作,直至完成对目标关键点树的搜索,获取所述检索轨迹匹配的第三预设数量的目标子结点。
7.根据权利要求6所述的方法,其特征在于,根据预设容忍距离,在目标关键点树中确定所述检索轨迹匹配的第三预设数量的子结点,包括:
当根据预设容忍距离,在目标关键点树中确定所述检索轨迹匹配的子结点的数量小于第三预设数量时,在所述检索轨迹匹配的各子结点的相邻叶子结点中,查找与所述检索轨迹匹配的子结点,直至获取所述检索轨迹匹配的第三预设数量的子结点。
8.一种计算机设备,包括处理器和存储器,所述存储器用于存储指令,当所述指令执行时使得所述处理器执行以下操作:
在轨迹数据集中确定第一关键点,并计算所述第一关键点与轨迹数据集中各其他轨迹数据的距离;
根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集;
在各轨迹数据子集中,递归执行确定第二关键点,并根据第二关键点进行对应轨迹数据子集的划分操作,直至获取无法再被切分的轨迹数据子集,获取所述轨迹数据集对应的目标关键点树;
其中,所述目标关键点树,包括一个根结点和至少一个子结点;所述根结点对应第一关键点,所述各子结点分别对应各第二关键点。
9.根据权利要求8所述的计算机设备,其特征在于,所述处理器是设置为通过以下方式在轨迹数据集中确定第一关键点:
在轨迹数据集中进行随机采样,获取第一预设数量的候选关键点,以及各候选关键点分别对应的第二预设数量的参考点,并分别计算各候选关键点与对应各参考点的距离;
根据所述各候选关键点与对应各参考点的距离,将各候选关键点对应的各参考点划分为至少一个参考点集合,并分别计算各候选关键点对应各参考点集合的边界值差值;所述边界值包括候选点与对应参考点集合中各参考点的距离最大值和距离最小值;
根据所述各候选关键点对应各参考点集合的边界值差值,确定所述各候选关键点的评分;并根据所述各候选关键点的评分,在所述各候选关键点中确定评分最高的第一关键点。
10.根据权利要求9所述的计算机设备,其特征在于,所述处理器是设置为通过以下方式根据所述各候选关键点对应各参考点集合的边界值差值,确定所述各候选关键点的评分:
分别计算所述各候选关键点对应各参考点集合的边界值差值的和值,以及所述各候选关键点对应各参考点集合的边界值差值的方差;
根据所述和值和方差,确定所述各候选关键点的评分。
11.根据权利要求10所述的计算机设备,其特征在于,所述处理器是设置为通过以下方式根据所述和值和方差,确定所述各候选关键点的评分,包括:
根据公式:p=SUM/ln(e+VAR),计算得到每个候选关键点的评分p;其中,SUM表示候选关键点对应各参考点集合的边界值差值的和值,VAR表示候选关键点对应各参考点集合的边界值差值的方差,ln表示自然对数函数,e表示自然对数函数的底数。
12.根据权利要求8所述的计算机设备,其特征在于,所述处理器是设置为通过以下方式根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,将轨迹数据集划分为至少一个轨迹数据子集:
根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离,对所述各其他轨迹数据进行升序排序;
根据所述第一关键点与轨迹数据集中各其他轨迹数据的距离最大值,确定至少一个轨迹数据集切分值;
根据各轨迹数据集切分值,将升序排序后的各其他轨迹数据,划分为至少一个轨迹数据子集。
13.根据权利要求8所述的计算机设备,其特征在于,所述处理器还用于执行以下操作:
当接收到检索轨迹的检索请求时,根据预设容忍距离,在目标关键点树中确定检索轨迹匹配的第三预设数量的子结点;
采用所述检索轨迹与匹配各子结点的最大距离,更新所述预设容忍距离;并返回执行根据预设容忍距离,在目标关键点树中确定所述检索轨迹匹配的第三预设数量的子结点的操作,直至完成对目标关键点树的搜索,获取所述检索轨迹匹配的第三预设数量的目标子结点。
14.根据权利要求13所述的计算机设备,其特征在于,所述处理器是设置为通过以下方式根据预设容忍距离,在目标关键点树中确定所述检索轨迹匹配的第三预设数量的子结点:
当根据预设容忍距离,在目标关键点树中确定所述检索轨迹匹配的子结点的数量小于第三预设数量时,在所述检索轨迹匹配的各子结点的相邻叶子结点中,查找与所述检索轨迹匹配的子结点,直至获取所述检索轨迹匹配的第三预设数量的子结点。
15.一种计算机可读存储介质,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1-7中任一所述的轨迹数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361080.XA CN114036345A (zh) | 2021-11-17 | 2021-11-17 | 一种轨迹数据的处理方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361080.XA CN114036345A (zh) | 2021-11-17 | 2021-11-17 | 一种轨迹数据的处理方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114036345A true CN114036345A (zh) | 2022-02-11 |
Family
ID=80137926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111361080.XA Pending CN114036345A (zh) | 2021-11-17 | 2021-11-17 | 一种轨迹数据的处理方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036345A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115166790A (zh) * | 2022-05-23 | 2022-10-11 | 集度科技有限公司 | 道路数据的处理方法、装置、设备和存储介质 |
-
2021
- 2021-11-17 CN CN202111361080.XA patent/CN114036345A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115166790A (zh) * | 2022-05-23 | 2022-10-11 | 集度科技有限公司 | 道路数据的处理方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038183B (zh) | 结构化实体收录方法、装置、服务器和存储介质 | |
Kim et al. | AA-DBSCAN: an approximate adaptive DBSCAN for finding clusters with varying densities | |
Yu et al. | A tree-based incremental overlapping clustering method using the three-way decision theory | |
CN108846016B (zh) | 一种面向中文分词的搜索算法 | |
CN108549696B (zh) | 一种基于内存计算的时间序列数据相似性查询方法 | |
US20150019592A1 (en) | Systems, methods and software for computing reachability in large graphs | |
CN102799614A (zh) | 基于视觉词语空间共生性的图像检索方法 | |
US20220005546A1 (en) | Non-redundant gene set clustering method and system, and electronic device | |
Koide et al. | Fast subtrajectory similarity search in road networks under weighted edit distance constraints | |
CN103077216B (zh) | 子图匹配装置及子图匹配的方法 | |
CN112860685A (zh) | 对数据集的分析的自动推荐 | |
Vijayalaksmi et al. | A fast approach to clustering datasets using dbscan and pruning algorithms | |
CN114036345A (zh) | 一种轨迹数据的处理方法、设备及存储介质 | |
CN114253975A (zh) | 一种负载感知的路网最短路径距离计算方法及装置 | |
CN117763077A (zh) | 数据查询方法及装置 | |
CN115599356A (zh) | 一种数据处理方法、装置及相关设备 | |
CN111597400A (zh) | 基于寻路算法的计算机检索***及方法 | |
Asiler et al. | Bb-graph: A subgraph isomorphism algorithm for efficiently querying big graph databases | |
CN113553493A (zh) | 一种基于需求服务概率矩阵的服务选择方法 | |
CN114461813A (zh) | 一种基于知识图谱的数据推送方法、***和存储介质 | |
CN114064689A (zh) | 基于慢查询日志的云数据库二级索引自动推荐方法和*** | |
Li et al. | A novel approach for mining probabilistic frequent itemsets over uncertain data streams | |
Fischer et al. | Massively Parallel Computation in a Heterogeneous Regime | |
CN110096529B (zh) | 一种基于多维矢量数据的网络数据挖掘方法和*** | |
Munieswari et al. | A Survey on Feature Selection Using FAST Approach to Reduce High Dimensional Data |
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 |