轨迹路网生成方法技术

本公开的实施例提供了一种轨迹路网生成方法、装置、设备和计算机可读存储介质。本公开的实施例的方法使用消息队列的传输结构，通过对轨迹数据进行建模与划分，以所生成的数据块作为传输单位和处理单位，将数据块经由消息队列传输至深度学习处理，通过异步拉取和上传实现数据的快速生产消费，同时将深度学习所生成的数据并发地再次通过消息队列用于矢量轨迹路网中的一部分的生成，从而自动化地生成全国范围的全量轨迹路网。本公开的方法显著减少了生成轨迹路网的各部分处理所需的时间，提高了轨迹路网生成效率，且各部分处理之间的异步并行处理使得整个轨迹路网生成系统具有良好的时效性、稳定性和可移植性。本公开的实施例可应用于地图领域。应用于地图领域。应用于地图领域。

【技术实现步骤摘要】
轨迹路网生成方法


[0001]本公开涉及人工智能及数据挖掘领域，更具体地，涉及一种轨迹路网生成方法、装置、设备和存储介质。

技术介绍

[0002]随着电子通信技术、互联网技术及物联网技术的飞速发展，路网数据渐渐在城市规划、道路监管及地图增值服务等方面越来越重要。不论城市对外扩张和内部结构优化，都可能导致城市路网的改变。传统的城市路网数据主要通过专业人员测绘和遥感图像数字化两个方式获得，但这两种方法投资成本高、从业人员专业技术要求高和生产周期长，难以满足城市快速发展变化对于路网数据的要求。
[0003]随着全球定位系统（GPS）设备的大量安装和普遍使用，人们可以方便地获取海量轨迹数据。这些轨迹数据集可潜在地反映城市路网、人类出行行为以及城市交通动态等等。例如，人们的步骑行轨迹与车辆行驶的车行轨迹可反映潜在的步骑行路网和车行路网。从大量的GPS轨迹中自动提取轨迹路网可以使得地图的构建和更新速度大幅提升，花费大量减少。此外，这种从大量轨迹中提取轨迹路网的方式，可以使得所获得的路网本身就带有一些交通方面的信息。然而，现有的轨迹路网生成方法由于存在大量人工经验参数而未考虑路网先验知识，产生的路网形态效果较差，并且针对大数据量的流量密集区域的自适应性、抗噪能力等都存在很大问题，同时由于现有方法多为实验性质方案，目前并无自动化生成大数据量（例如，全国范围内的）轨迹路网的能力。
[0004]因此，需要一种高效且准确的轨迹路网生成方法，使得可以实现快速准确的全国自动化轨迹路网生成。

技术实现思路

[0005]为了解决上述问题，本公开通过使用消息队列的传输结构，以块为传输单位生成轨迹路网中的一部分，以通过异步处理生成轨迹路网中的多个部分，从而形成全国范围内的全量的轨迹路网。
[0006]本公开的实施例提供了一种轨迹路网生成方法、装置、设备和计算机可读存储介质。
[0007]本公开的实施例提供了一种轨迹路网生成方法，获取轨迹数据，所述轨迹数据包括第一数量的轨迹数据集；对于所述第一数量的轨迹数据集中的每个轨迹数据集，基于所述轨迹数据集生成对应的三通道彩色图像块；基于所述三通道彩色图像块，通过深度学习生成对应的二值化图像块；以及对所述二值化图像块进行矢量化，生成部分轨迹路网，与所述第一数量的轨迹数据集相对应的第一数量的部分轨迹路网组成所述轨迹路网。
[0008]本公开的实施例提供了一种轨迹路网生成装置，包括：数据获取模块，被配置为获取轨迹数据，所述轨迹数据包括第一数量的轨迹数据集；图像生成模块，被配置为对于所述第一数量的轨迹数据集中的每个轨迹数据集，基于所述轨迹数据集生成对应的三通道彩色
图像块；背景分割模块，被配置为基于所述三通道彩色图像块，通过深度学习生成对应的二值化图像块；以及路网生成模块，被配置为对所述二值化图像块进行矢量化，生成部分轨迹路网，与所述第一数量的轨迹数据集相对应的第一数量的部分轨迹路网组成所述轨迹路网。
[0009]本公开的实施例提供了一种轨迹路网生成设备，包括：一个或多个处理器；以及一个或多个存储器，其中，所述一个或多个存储器中存储有计算机可执行程序，当由所述处理器执行所述计算机可执行程序时，执行如上所述的轨迹路网生成方法。
[0010]本公开的实施例提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述指令在被处理器执行时用于实现如上所述的轨迹路网生成方法。
[0011]本公开的实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行根据本公开的实施例的轨迹路网生成方法。
[0012]本公开的实施例所提供的方法相比于现有的轨迹路网生成方法而言，能够通过异步处理生成轨迹路网中的多个部分继而形成全国范围的轨迹路网，从而缩短了全国范围轨迹路网生成所需的时间，提高了轨迹路网生成效率。
[0013]本公开的实施例所提供的方法使用消息队列的传输结构，通过对轨迹数据进行建模与划分，以所生成的数据块作为传输单位和处理单位，将数据块经由消息队列传输至深度学习处理，通过异步拉取和上传实现数据的快速生产消费，同时将深度学习所生成的数据并发地再次通过消息队列用于矢量轨迹路网中的一部分的生成，从而自动化地生成全国范围的全量轨迹路网。本公开的实施例所提供的方法显著减少了生成轨迹路网的各部分处理所需的时间，提高了轨迹路网生成效率，且各部分处理之间的异步并行处理使得整个轨迹路网生成系统具有良好的时效性、稳定性和可移植性，为后续快速实现步骑行和车行自动化道路挖掘和挂接奠定了基础。
附图说明
[0014]为了更清楚地说明本公开的实施例的技术方案，下面将对实施例的描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本公开的一些示例性实施例，对于本领域普通技术人员来说，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它的附图。
[0015]图1A是示出根据本公开的实施例的对来自用户终端的出行请求的处理的场景的示意图；图1B是示出根据本公开的实施例的返回不同出行方案的示意图；图1C是示出根据本公开的实施例的现有的基于深度学习的轨迹路网生成架构的示意图；图2是示出根据本公开的实施例的轨迹路网生成方法的流程图；图3A是示出根据本公开的实施例的轨迹路网生成方法的处理架构的示意图；图3B是示出根据本公开的实施例的通过消息队列实现轨迹路网生成的流程图；图4A是示出根据本公开的实施例的基于轨迹点对生成网格图像的示意图；
图4B是示出根据本公开的实施例的基于网格图像生成三通道彩色图像块的示意图；图4C是示出根据本公开的实施例的三通道彩色图像块之间的交叠的示意图；图5A是示出根据本公开的实施例的基于三通道彩色图像块生成二值化图像块的示意图；图5B是示出根据本公开的实施例的基于三通道彩色图像块生成二值化图像块的流程图；图6是示出根据本公开的实施例的矢量化处理的示意图；图7A是示出根据本公开的实施例的所生成的示例轨迹路网的图；图7B是示出根据本公开的实施例的轨迹路网生成方法应用前后所生成的轨迹路网的对比示意图；图8是示出根据本公开的实施例的后续数据挖掘的示意性流程图；图9是示出根据本公开的实施例的轨迹路网生成装置的示意图；图10示出了根据本公开的实施例的轨迹路网生成设备的示意图；图11示出了根据本公开的实施例的示例性计算设备的架构的示意图；以及图12示出了根据本公开的实施例的存储介质的示意图。
具体实施方式
[0016]为了使得本公开的目的、技术方案和优点更为明显，下面将参考附图详细描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
[0017]在本说明书和附图中，具有基本上相同或相似步骤和元素用相同或相似的附图标记来表示，且对这些步骤和元素的重复描述将被省本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨迹路网生成方法，包括：获取轨迹数据，所述轨迹数据包括第一数量的轨迹数据集；对于所述第一数量的轨迹数据集中的每个轨迹数据集，基于所述轨迹数据集生成对应的三通道彩色图像块；基于所述三通道彩色图像块，通过深度学习生成对应的二值化图像块；以及对所述二值化图像块进行矢量化，生成部分轨迹路网，与所述第一数量的轨迹数据集相对应的第一数量的部分轨迹路网组成所述轨迹路网。2.如权利要求1所述的方法，其中，所生成的三通道彩色图像块和二值化图像块通过第一消息队列传输，所述方法包括异步执行的以下操作：将为所述第一数量的轨迹数据集生成的第一数量的三通道彩色图像块中先生成的三通道彩色图像块先写入第一消息队列中；从所述第一消息队列中读出一个三通道彩色图像块，以基于所述三通道彩色图像块生成二值化图像块，并将为所述第一数量的三通道彩色图像块生成的第一数量的二值化图像块中先生成的二值化图像块先写入所述第一消息队列中；以及从所述第一消息队列中读出一个二值化图像块，对所述二值化图像块进行矢量化，生成所述部分轨迹路网。3.如权利要求2所述的方法，其中，所述第一数量的轨迹数据集中的每个轨迹数据集中的轨迹数据包括多个轨迹点对，基于所述轨迹数据集生成对应的三通道彩色图像块包括：基于所述轨迹数据集中的多个轨迹点对，生成与所述轨迹数据集相对应的三通道彩色图像块，所述三通道彩色图像块中的每个像素具有三维特征，所述三维特征对应于所述像素处的轨迹的流量、速度和方向；其中，所述三通道彩色图像块与至少一个其他三通道彩色图像块之间存在交叠部分，所述至少一个其他三通道彩色图像块包括与所述三通道彩色图像块在上、下、左、右四侧中的至少一侧相邻的至少一个三通道彩色图像块。4.如权利要求3所述的方法，其中，基于所述三通道彩色图像块，通过深度学习生成对应的二值化图像块包括异步执行的以下操作：从所述第一消息队列中读出第二数量的三通道彩色图像块；通过预先训练的多个神经网络，生成与所述第二数量的三通道彩色图像块中的M个一一对应的M个二值化图像块；以及向所述第一消息队列中写入第三数量的二值化图像块，所述第三数量的二值化图像块包括所述M个二值化图像块中的N个；其中，对所述第二数量的三通道彩色图像块中的M个和所述M个二值化图像块中的N个的选择是通过两个消息队列实现的；其中，M和N为自然数。5.如权利要求4所述的方法，其中，通过预先训练的多个神经网络生成与所述第二数量的三通道彩色图像块中的M个一一对应的M个二值化图像块包括：通过预先训练的第一神经网络，生成与所述第二数量的三通道彩色图像块中的M个一一对应的M个灰度图像块，其中每个灰度图像块中的每个像素具有0到255范围内的值；以及通过预先训练的第二神经网络，生成与所述M个灰度图像块一一对应的M个二值化图像
块，其中每个二值化图像块中的每个像素具有0到1之间的值。6.如权利要求4所述的方法，其中，在基于所述三通道彩色图像块通过深度学习生成对应的二值化图像块期间，对相关的多个GPU进行心跳检测，以检测所述多个GPU的运行状态。7.如权利要求1所述的方法，其中，对所述二值化图像块进行矢量化，生成部分轨迹路网包括：从所述二值化图像块中提取多条道路中心线，所提取的多条道路中心线构成与所述二值化图像块相对应的路网拓扑图；以及对所述路网拓扑图进行点边分解，并基于形态学分析和拓扑分析，生成所述部分轨迹路网。8.如权利要求1所述的方法，其中，所述轨迹数据是步行和骑行的轨迹数据，或者是车行的轨迹数据；基于所述步行和骑行的轨迹数据以及所述车行的轨迹数据分别生成的轨迹路网是不同的。9.一种轨迹路网生成装置，包括：数据获取...

【专利技术属性】
技术研发人员：李亚宁，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：