CN114511080A - 一种模型构建方法、装置以及异常轨迹点实时检测方法 - Google Patents
一种模型构建方法、装置以及异常轨迹点实时检测方法 Download PDFInfo
- Publication number
- CN114511080A CN114511080A CN202111643789.9A CN202111643789A CN114511080A CN 114511080 A CN114511080 A CN 114511080A CN 202111643789 A CN202111643789 A CN 202111643789A CN 114511080 A CN114511080 A CN 114511080A
- Authority
- CN
- China
- Prior art keywords
- track
- abnormal
- point
- vector
- data
- 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
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种模型构建方法、装置以及异常轨迹点实时检测方法。本发明通过获取历史轨迹数据并对所述历史轨迹数据进行预处理,提取历史轨迹数据中异常轨迹,构建模型训练数据;然后提取异常轨迹中每个轨迹点的特征向量,并对每个轨迹点进行相对位置编码;最后将每个轨迹点的特征向量以及相对位置编码作为输入,对transformer网络模型进行训练,得到异常轨迹点实时检测模型。本发明采用基于transformer模块的神经网络模型,对时序轨迹序列进行建模,对每个轨迹点给出异常和非异常的标签。提高异常轨迹点检测的准确率和效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种车辆轨迹序列中异常轨迹点实时检测模型的构建方法、装置以及车辆轨迹序列中异常轨迹点实时检测方法。
背景技术
轨迹异常点产生原因包括以下几个方面:1.GPS接收机设备和网络状态。设备掉线,导致相邻的两个点之间有很大的时间差和距离(跳跃点)。设备异常,导致在连续的时间戳下,GPS点位置有突然很大偏差(漂移点)。设备异常,导致相同时间戳下,返回多条数据(重复数据)。2.城市峡谷中的多路径效应。GPS信号也有可能是在不同的障碍物上反射后才被接收到,导致计算的位置不准确。3.GPS信号被遮挡,在高架桥下,隧道里面GPS信号弱等。
目前车辆轨迹数据预处理方法很多,其中比较类似的是轨迹片段异常判断。多用于出行公司的数据分析,挖掘出绕路等异常信息。
目前轨迹片段中异常轨迹点发现的方法包括:基于统计分析的抗差分析卡法检验的方法和人工逻辑校验的方法。其中基于统计分析的方法普遍存在估计不准确的问题。人工逻辑校验的方法则需要进行特征建模计算和人工判断,准确率高但是效率低。
发明内容
本发明针对现有技术中存在的技术问题,提供一种模型构建方法、装置以及异常轨迹点实时检测方法,采用基于transformer模块的神经网络模型,对时序轨迹序列进行建模,对每个轨迹点给出异常和非异常的标签。提高异常轨迹点检测的准确率和效率。
本发明解决上述技术问题的技术方案如下:
一方面,本发明提供一种车辆轨迹序列中异常轨迹点实时检测模型的构建方法,包括以下步骤:
获取历史轨迹数据并对所述历史轨迹数据进行预处理,提取历史轨迹数据中异常轨迹,构建模型训练数据;
提取异常轨迹中每个轨迹点的特征向量,并对每个轨迹点进行相对位置编码;
将每个轨迹点的特征向量以及相对位置编码作为输入,对transformer网络模型进行训练,得到异常轨迹点实时检测模型;训练过程中损失函数如下式所示:
式中pi表示异常轨迹中第i个轨迹点预测为异常点的概率,yi为人工标注label值,异常点为1,正常点值为0。
进一步的,对所述历史轨迹数据进行预处理,包括:
根据路网网格,将历史轨迹数据切分成多个轨迹片段组,一个网格对应一个轨迹片段组,一个轨迹片段组中包含多个轨迹片段;
根据路网网格的地理坐标将所述轨迹片段与高精度地图中的道路向量或车道组向量进行匹配;
采用弗雷歇距离Fréchet distance度量轨迹片段与与其匹配的道路向量或车道组向量的相似性;
根据相似度阈值将所述轨迹片段分成正常轨迹片段和异常轨迹片段;对所述异常轨迹片段进行人工质检,对异常轨迹片段中的轨迹点进行标注后生成模型训练数据。
进一步的,所述的根据路网网格,将历史轨迹数据切分成多个轨迹片段,包括:
将历史轨迹数据的经纬度坐标按照3度带UTM投影成平面坐标;
将路网进行网格划分,根据所述平面坐标,利用路网网格将历史轨迹数据切分成多个轨迹片段组。
进一步的,所述的根据路网网格的地理坐标将所述轨迹片段与高精度地图中的道路向量或车道组向量进行匹配,包括:
根据网格的地理坐标获取高精度地图中的道路属性,在无车道增减的路段提取出道路向量,在路口或有车道增减的路段提取车道向量组;
若根据网格地理坐标提取的是道路向量,则直接将轨迹片段组与所述道路向量进行匹配;
若根据网格地理坐标提取的是车道向量组,则分别对车道向量组以及轨迹片段组中的轨迹片段进行聚类,根据方向一致性,将车道向量组中的车道向量与轨迹片段组中对应的子轨迹组进行匹配。
进一步的,在根据路网网格的地理坐标将所述轨迹片段与高精度地图中的道路向量或车道组向量进行匹配之后,还包括,对轨迹片段中的轨迹点按照高精度地图中道路或车道的形点间隔进行重采样。
进一步的,所述异常轨迹中每个轨迹点的特征向量的维度为N,至少包括:是否是驻点、相邻轨迹点时间间隔、相邻轨迹点航向差值、相邻轨迹点距离、相邻轨迹点距离差值。
进一步的,所述的对每个轨迹点进行相对位置编码,包括:
采用固定步长delta(重叠区域),大小为m的滑动窗口分段采集轨迹片段中的轨迹点,来处理轨迹片段中轨迹点不同的情况;例如一段轨迹序列,第一次采样处理序号从1~m的轨迹点序列,第二次处理从序号m-delta~2m-delta的轨迹序列,依次往后处理连续的轨迹序列。
对每个轨迹点进行相对位置编码,位置编码函数如下:
N为轨迹点的特征向量维度,pos为轨迹点在滑动窗口中的序号;
利用三角函数对相对位置编码值进行激活,其中pos为偶数时,采用正弦函数对相对位置编码值进行激活,pos为奇数时,采用余弦函数对相对位置编码值进行激活。
另一方面,本发明还提供一种车辆轨迹序列中异常轨迹点实时检测模型的构建装置,包括:
预处理模块,用于获取历史轨迹数据并对所述历史轨迹数据进行预处理,提取历史轨迹数据中异常轨迹,构建模型训练数据;
特征提取模块,用于提取异常轨迹中每个轨迹点的特征向量,并对每个轨迹点进行相对位置编码;
训练模块,用于将每个轨迹点的特征向量以及相对位置编码作为输入,对transformer网络模型进行训练,得到异常轨迹点实时检测模型;训练过程中损失函数如下式所示:
式中pi表示异常轨迹中第i个轨迹点预测为异常点的概率,yi为人工标注label值,异常点为1,正常点值为0。
基于上述内容,本发明还提供一种车辆轨迹序列中异常轨迹点实时检测方法,包括以下步骤:
获取待预测轨迹数据,并提取轨迹数据中各轨迹点的特征向量,对每个轨迹点进行相对位置编码;
将所述特征向量及相对位置编码输入到训好了的检测模型中,进行前向推理得到轨迹点是否为异常轨迹点的二分类属性,所述检测模型为通过上述的一种车辆轨迹序列中异常轨迹点实时检测模型的构建方法所构建的检测模型。
本发明的有益效果是:与以往基于统计分析和人工逻辑质检的方法相比,显著的提高轨迹序列中异常点检出率,以及准确率。并且轨迹异常点真值的获取通过算法进行半自动化人工交互的方式提取,效率高。与传统的统计算法相比迭代优化过程简单,速度快。不会出现传统算法中按下葫芦又起瓢的现象。这主要得益于神经网络对复杂***的建模能力,具有良好的泛化性能。在数据量较少的初期,模型在某些场景出错时,基本只需新增失效场景的轨迹标注数据,对模型进行训练更新即可。并且网络模型能在终端计算平台上实现实时的推理效果,速度快。
本发明可用于车载定位的实时***中,实时给出轨迹异常的警示信号。这对辅助自动驾驶安全***提供参考信息,及时提醒用户接管。
另外本发明还可用于离线的轨迹数据预处理,提高轨迹数据的利用率。例如众专包在城区高精度地图制作与更新中,处于地图精度的考虑,对于异常的轨迹片段采取直接弃用的方式。本发明的方法可以将轨迹片段中的异常点定位出来截取不用,从而提高数据的使用率,从而节省众包成本。
本发明还可用于融合定位算法鲁棒性分析,为定位算法失效场景的迭代优化提供支撑。
附图说明
图1为本发明实施例提供的一种车辆轨迹序列中异常轨迹点实时检测模型的构建方法流程示意图;
图2为本发明实施例提供的预处理过程示意图;
图3为本发明实施例提供的一种车辆轨迹序列中异常轨迹点实时检测模型的构建装置结构示意图;
图4为本发明实施例提供的一种车辆轨迹序列中异常轨迹点实时检测方法流程示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明实施例提供的一种车辆轨迹序列中异常轨迹点实时检测模型的构建方法流程示意图。如图1所示,该方法包括以下步骤:
S1,获取历史轨迹数据并对所述历史轨迹数据进行预处理,提取历史轨迹数据中异常轨迹,构建模型训练数据。
具体的该步骤,如图2所示,包括以下内容:
S1.1,根据路网网格,将历史轨迹数据切分成多个轨迹片段组,一个网格对应一个轨迹片段组,一个轨迹片段组中包含多个轨迹片段。
将历史轨迹数据的经纬度坐标按照3度带UTM投影成平面坐标;
将路网进行网格划分,两个相邻的网格存在一定的重叠区域。根据所述平面坐标,利用路网网格将历史轨迹数据切分成多个轨迹片段组。
S1.2,根据路网网格的地理坐标将所述轨迹片段与高精度地图中的道路向量或车道组向量进行匹配。
根据网格的地理坐标获取高精度地图中的道路属性,在无车道增减的路段提取出道路向量roadVector,在路口或有车道增减的路段提取车道向量组groupLaneVectors;groupLaneVectors={laneVector1,laneVector2,…,laneVectorm}。
若根据网格地理坐标提取的是道路向量,则直接将轨迹片段组与所述道路向量进行匹配;
若根据网格地理坐标提取的是车道向量组,则分别对车道向量组以及轨迹片段组中的轨迹片段进行聚类,根据方向一致性,将车道向量组中的车道向量与轨迹片段组中对应的子轨迹组进行匹配。
这里采用基于密度的聚类算法DBCAN(Density-Based Spatial Clustering ofApplications with Noise),聚类的目的对轨迹片段进行分组。DBSCAN超参数确定:聚类得到的子类最小轨迹点数量min_sample和聚类的半径eps,通过范围搜索的方式得到。聚类算法的目标类别数量m已知,即groupLaneVectors中车道向量的数量。通过目标类别已知的先验知识,确定超参数取值。
S1.3,采用弗雷歇距离Fréchet distance度量轨迹片段与与其匹配的道路向量或车道组向量的相似性。
S1.4,根据相似度阈值将所述轨迹片段分成正常轨迹片段和异常轨迹片段;距离大的轨迹片段为异常轨迹片段,距离小的轨迹片段为正常轨迹片段。对所述异常轨迹片段进行人工质检,对异常轨迹片段中的轨迹点进行标注后生成模型训练数据。
通过可视化的方式对轨迹段中的异常轨迹点进行人工标注。异常轨迹点的标志位为1,正常轨迹点的标志位为0。一个异常轨迹片段对应一个0/1标签序列,序列长度与轨迹序列长度相等。
S2,提取异常轨迹中每个轨迹点的特征向量,并对每个轨迹点进行相对位置编码。
每个轨迹点包括多个维度信息,经纬度、高程,三轴加速度,三轴角速度,三轴速度信息。在这些基础传感器数据信息的基础上计算以下维度的信息:是否是驻点(速度为0的点),相邻轨迹点时间间隔,相邻轨迹点航向差值,相邻轨迹点距离,相邻轨迹点距离差值等。每个轨迹点特征向量维度设为N。
所述的对每个轨迹点进行相对位置编码,包括:
采用固定步长,大小为m的滑动窗口来处理轨迹段中轨迹点不同的情况;
由于每个点如果以时间戳直接作为特征输入,能够编码轨迹点的绝对位置,难以学习到轨迹点之间的相对位置。因此需要对每个轨迹点进行相对位置编码,位置编码函数如下:
N为轨迹点的特征向量维度,pos为轨迹点在滑动窗口中的序号;
利用三角函数对相对位置编码值进行激活,可以将相对位置编码值限定到一定一个较小范围内,使得模型训练更容易收敛。其中pos为偶数时,采用正弦函数对相对位置编码值进行激活,pos为奇数时,采用余弦函数对相对位置编码值进行激活。
S3,将每个轨迹点的特征向量以及相对位置编码作为输入,对transformer网络模型进行训练,得到异常轨迹点实时检测模型。
由于样本数据中正负样本分布不均衡,因此损失函数采用带权损失函数交叉损失熵Binary Cross Entropy(BCE),损失函数如下式所示:
式中pi表示异常轨迹中第i个轨迹点预测为异常点的概率,yi为人工标注label值,异常点为1,正常点值为0。
然后进行对检测模型进行在线推理测试。只需要将轨迹序列数据的特征向量及相对位置编码输入到预训练好的网络模型,网络模型即可对每个轨迹点输出一个分类信息,以及分类对应的概率值。该概率值可以作为置信度的参考。
优选的,在一些实施例中,在步骤S1.2之后,该方法还包括对轨迹片段进行重采样,重采样可以减少计算量,采样间隔与道路向量间隔相同。具体的对轨迹片段中的轨迹点按照高精度地图中道路或车道的形点间隔进行重采样。例如对roadVector对应的轨迹片段进行重采样,间隔5米左右一个轨迹点。对于groupLaneVectors对应的轨迹片段进行间隔2米的重采样。
本发明的方法与以往基于统计分析和人工逻辑质检的方法相比,显著的提高轨迹序列中异常点检出率,以及准确率。并且轨迹异常点真值的获取通过算法进行半自动化人工交互的方式提取,效率高。
与传统的统计算法相比迭代优化过程简单,速度快。不会出现传统算法中按下葫芦又起瓢的现象。这主要得益于神经网络对复杂***的建模能力,具有良好的泛化性能。在数据量较少的初期,模型在某些场景出错时,基本只需新增失效场景的轨迹标注数据,对模型进行训练更新即可。
并且网络模型能在终端计算平台上实现实时的推理效果,速度快。
图3为本发明实施例提供的一种车辆轨迹序列中异常轨迹点实时检测模型的构建装置结构示意图。如图3所示,该装置包括:
预处理模块,用于获取历史轨迹数据并对所述历史轨迹数据进行预处理,提取历史轨迹数据中异常轨迹,构建模型训练数据;
特征提取模块,用于提取异常轨迹中每个轨迹点的特征向量,并对每个轨迹点进行相对位置编码;
训练模块,用于将每个轨迹点的特征向量以及相对位置编码作为输入,对transformer网络模型进行训练,得到异常轨迹点实时检测模型;训练过程中损失函数如下式所示:
式中pi表示异常轨迹中第i个轨迹点预测为异常点的概率,yi为人工标注label值,异常点为1,正常点值为0。
图4为本发明实施例提供的一种车辆轨迹序列中异常轨迹点实时检测方法流程示意图。如图4所示,所述实时检测方法包括:
获取待预测轨迹数据,并提取轨迹数据中各轨迹点的特征向量,对每个轨迹点进行相对位置编码;
将所述特征向量及相对位置编码输入到训好了的检测模型中,进行前向推理得到轨迹点是否为异常轨迹点的二分类属性,所述检测模型为通过上述的一种车辆轨迹序列中异常轨迹点实时检测模型的构建方法所构建的检测模型。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (9)
2.根据权利要求1所述的方法,其特征在于,对所述历史轨迹数据进行预处理,包括:
根据路网网格,将历史轨迹数据切分成多个轨迹片段组,一个网格对应一个轨迹片段组,一个轨迹片段组中包含多个轨迹片段;
根据路网网格的地理坐标将所述轨迹片段与高精度地图中的道路向量或车道组向量进行匹配;
采用弗雷歇距离Fréchet distance度量轨迹片段与与其匹配的道路向量或车道组向量的相似性;
根据相似度阈值将所述轨迹片段分成正常轨迹片段和异常轨迹片段;对所述异常轨迹片段进行人工质检,对异常轨迹片段中的轨迹点进行标注后生成模型训练数据。
3.根据权利要求2所述的方法,其特征在于,所述的根据路网网格,将历史轨迹数据切分成多个轨迹片段,包括:
将历史轨迹数据的经纬度坐标按照3度带UTM投影成平面坐标;
将路网进行网格划分,根据所述平面坐标,利用路网网格将历史轨迹数据切分成多个轨迹片段组。
4.根据权利要求2所述的方法,其特征在于,所述的根据路网网格的地理坐标将所述轨迹片段与高精度地图中的道路向量或车道组向量进行匹配,包括:
根据网格的地理坐标获取高精度地图中的道路属性,在无车道增减的路段提取出道路向量,在路口或有车道增减的路段提取车道向量组;
若根据网格地理坐标提取的是道路向量,则直接将轨迹片段组与所述道路向量进行匹配;
若根据网格地理坐标提取的是车道向量组,则分别对车道向量组以及轨迹片段组中的轨迹片段进行聚类,根据方向一致性,将车道向量组中的车道向量与轨迹片段组中对应的子轨迹组进行匹配。
5.根据权利要求2所述的方法,其特征在于,在根据路网网格的地理坐标将所述轨迹片段与高精度地图中的道路向量或车道组向量进行匹配之后,还包括,对轨迹片段中的轨迹点按照高精度地图中道路或车道的形点间隔进行重采样。
6.根据权利要求1所述的方法,其特征在于,所述异常轨迹中每个轨迹点的特征向量的维度为N,至少包括:是否是驻点、相邻轨迹点时间间隔、相邻轨迹点航向差值、相邻轨迹点距离、相邻轨迹点距离差值。
9.一种车辆轨迹序列中异常轨迹点实时检测方法,其特征在于,包括以下步骤:
获取待预测轨迹数据,并提取轨迹数据中各轨迹点的特征向量,对每个轨迹点进行相对位置编码;
将所述特征向量及相对位置编码输入到训好了的检测模型中,进行前向推理得到轨迹点是否为异常轨迹点的二分类属性,所述检测模型为通过权利要求1-7任一项所述的一种车辆轨迹序列中异常轨迹点实时检测模型的构建方法所构建的检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111643789.9A CN114511080A (zh) | 2021-12-29 | 2021-12-29 | 一种模型构建方法、装置以及异常轨迹点实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111643789.9A CN114511080A (zh) | 2021-12-29 | 2021-12-29 | 一种模型构建方法、装置以及异常轨迹点实时检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114511080A true CN114511080A (zh) | 2022-05-17 |
Family
ID=81548235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111643789.9A Pending CN114511080A (zh) | 2021-12-29 | 2021-12-29 | 一种模型构建方法、装置以及异常轨迹点实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511080A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898342A (zh) * | 2022-07-15 | 2022-08-12 | 深圳市城市交通规划设计研究中心股份有限公司 | 行驶中非机动车驾驶员接打电话的检测方法 |
CN117523382A (zh) * | 2023-07-19 | 2024-02-06 | 石河子大学 | 一种基于改进gru神经网络的异常轨迹检测方法 |
-
2021
- 2021-12-29 CN CN202111643789.9A patent/CN114511080A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898342A (zh) * | 2022-07-15 | 2022-08-12 | 深圳市城市交通规划设计研究中心股份有限公司 | 行驶中非机动车驾驶员接打电话的检测方法 |
CN114898342B (zh) * | 2022-07-15 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 行驶中非机动车驾驶员接打电话的检测方法 |
CN117523382A (zh) * | 2023-07-19 | 2024-02-06 | 石河子大学 | 一种基于改进gru神经网络的异常轨迹检测方法 |
CN117523382B (zh) * | 2023-07-19 | 2024-06-04 | 石河子大学 | 一种基于改进gru神经网络的异常轨迹检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110095127B (zh) | 一种基于分段的隐马尔可夫模型地图匹配方法 | |
CN104197945B (zh) | 一种基于低采样率浮动车数据的全局投票地图匹配方法 | |
US9384394B2 (en) | Method for generating accurate lane level maps | |
Davidson et al. | Application of particle filters to a map-matching algorithm | |
CN108961758B (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN114511080A (zh) | 一种模型构建方法、装置以及异常轨迹点实时检测方法 | |
JPWO2018008082A1 (ja) | 走行車線推定システム | |
CN111949896B (zh) | 基于轨迹大数据的轨迹异常检测方法 | |
JP2007333385A (ja) | 不動物位置記録装置 | |
Wang et al. | A train positioning method based-on vision and millimeter-wave radar data fusion | |
US20170227365A1 (en) | Information processing apparatus and trajectory information correcting method | |
CN112013862A (zh) | 一种基于众包轨迹的行人路网提取及更新方法 | |
CN114440900A (zh) | 改进的隐马尔科夫模型地图匹配方法及装置 | |
CN111275969A (zh) | 一种基于道路环境智能识别的车辆轨迹填充方法 | |
CN115265555B (zh) | 基于隐马尔科夫的多噪声感知的地图匹配校正方法及*** | |
Kumar et al. | Citywide reconstruction of cross-sectional traffic flow from moving camera videos | |
CN109979194B (zh) | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 | |
CN115311617A (zh) | 城轨车站区域客流信息获取方法及*** | |
Boucher et al. | Automatic detection of topological changes for digital road map updating | |
CN110647877B (zh) | 一种基于神经网络的立体交通设施定位纠偏方法及装置 | |
Bonnifait et al. | Multi-hypothesis map-matching using particle filtering | |
CN115148031B (zh) | 一种停车场巡检车的多传感器高精度定位方法 | |
Wang et al. | Intersection and stop bar position extraction from crowdsourced gps trajectories | |
CN111832365A (zh) | 车道标记确定方法及装置 | |
Qing et al. | Using feature interaction among GPS Data for road intersection detection |
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 |