一种基于分区的导航路径划分方法与流程

本发明涉及导航技术领域，尤其涉及一种基于分区的导航路径划分方法。

背景技术：

导航应用是一种在路网中找到最佳路线和相应的转弯方向的应用。现有导航应用提供的由转弯方向(turn-by-turn)构成的导航服务，是专门从底端路网中提取信息而得来的。所以，它很容易被转换成物理世界的信息去讲述(多远/多久转方向)。但是这种翻译，忽略了人类对地理空间的认知，对于了解地理区域的司机来说，往往很冗长。大多数道路上的司机都有良好的城市知识和熟悉道路网络中的某些部分，他们采取的路线，(例如，路线从家到附近的公路，可以被一句话概述：从家到xxx公路；而不是：前面xx米左转，……)。因此，如果对司机熟悉的部分道路，也使用现有导航应用的转弯方向导航，那么实际上导航系统将是十分冗余和复杂的，相应的导航程序对资源的需求也高，导致导航应用的开发成本和运营成本也高。并且，如果一直使用逐转方向导航，用户接收到的信息通常是“前方xx米左转、前方xx米右转、前方直行xx米左转，……”，用户接收到的导航信息单一，难以满足个性化的导航需求。尤其是随着移动互联网技术的发展，移动设备和车载导航系统的导航应用地不断增长，积累了大量的用户生成的轨迹数据，使用这些大数据产生更有效的、更容易被人理解的导航信息是非常有用的。

为了实现这一目标，需要进一步解决轨迹数据处理和轨迹匹配的挑战：

第一个挑战是如何找到地标和已知的轨迹，并使用它们来生成导航方向简洁，但是传递足够的信息来为用户解释路线。

第二个挑战是如何使用已知的路线(这些路线可能是稀疏的，而且有可能包含很大程度的不确定性)考虑实际的驾驶。

在整个运动轨迹中，大多数情况下运动行为(主要包括运动特征和路线特征)是变化的。通常，轨迹是由几个部分组成，每个部分运动行为都有很大的不同。因此并不能将某一运动行为用于描述整个运动轨迹。本申请主要解决的问题就是如何将运动轨迹合理的划分成轨迹分区，以至于运动行为可以准确的描述每个分区，从而准确的描述整个运动轨迹。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种基于分区的导航路径划分方法，通过将原始轨迹符号化后形成符号轨迹，并将符号轨迹作为该算法的输入，输出为轨迹划分的结果，可以将导航路径分成几个部分，从而使得导航仪在每个路段分别向用户更加准确地反馈信息。

本发明的目的是通过以下技术方案来实现的：一种基于分区的导航路径划分方法，包括：

用标签标明轨迹片段将标签值相同的轨迹片段划分为同一分区；

所述标签的数量不超过个；

如果两个轨迹片段用相同的标签t来标记，那么在这两个轨迹片段之间的所有轨迹片段都用t标记；

其中，为符号轨迹中地标的数量。

进一步地，包括：

将符号轨迹建模为一个无向图g(v,e)，使每个轨迹片段都是顶点集中的一个顶点，每个顶点都对应一个随机的变量xi；

设利用crf模型：

计算最佳序列xopt，用于衡量在符号轨迹下标签序列[x1,x2,…,xi]的可能性；

其中，pr为在符号轨迹的条件下，标记序列x的概率，pr越大，说明标记序列越优，从而轨迹分区划分越合理；z为规范化因子，使所有可能存在的序列x的条件概率之和为1，i表示数量。

进一步地，包括：

步骤一：将符号轨迹划分成个轨迹片段

步骤二：归一化的每个特征，为使每个特征的归一化值在0和1之间，归一化常量n为该分区内所有特征的最大值；

步骤三：在步骤二完成归一化后，轨迹片段的所有特征f形成了一个|f|维的向量用户指定每个特征的权重为w，所有特征的权重w形成了一个|f|维的向量用以下公式计算两个向量之间的相似性：

其中，和分别代表和的特征向量；和分别代表第j维的值，即第j个特征fj的值，代表特征fj的权重；

步骤四：在无向图g(v,e)上定义crf模型公式，计算：

其中，

ca是由用户指定的正常数，反映了地标意义的重要性，使该等式值为最大，得到xi的最佳序列xopt，将轨迹片段的xi值相同的轨迹片段划分为一个分区，从而得到轨迹的最佳分区；

步骤五：找到最佳的k分区，用户指定将轨迹划分为k个分区，用(i,j)代表在i个轨迹片段分成了j个分区后，前i个轨迹片段的的最小值，即：

令(1，1)＝0，x1＝1，若时，则xi＝xi-1+1；若时，则xi＝xi-1；

其中(i,i)代表每个轨迹片段都是一个分区；(i,1)代表前i个轨迹片段都属于同一个分区；再按照步骤四中求最佳分区的步骤求得xi的最佳序列xopt；

将相同xi的轨迹片段划分为同一分区，从而得到最佳的k分区。

进一步地，包括：

在步骤四中，计算前i个轨迹片段的的最小值，即用(i)表示：

令(1)＝0，x1＝1，若时，xi＝xi-1+1；

若时，则xi＝xi-1。

进一步地：

所述计算最佳序列xopt，等价于计算的最大值；

所述计算的最大值，等价于计算的最小值。

本发明的有益效果是：

(1)本发明在每个分区的起始地和目的地都是非常知名的，或者是比较重要的地标，使每个分区的起始地和目的地的路标最有意义。

(2)本发明在同一分区内的轨迹片段具有相似特征，使每个分区的运动特征和路线特征信息聚合达到最大。

(3)本发明使同一分区内的运动特征和路线特征差异达到最小。

(4)本发明通过将原始轨迹符号化后形成符号轨迹，并将符号轨迹作为该算法的输入，输出为轨迹划分的结果，可以将导航路径分成几个部分，从而使得导航仪在每个路段分别向用户提供更加准确的反馈信息。

(5)基于本发明的路径划分方法，利用历史轨迹数据，可以提供个性化的转弯方向，向城市通勤者提供个性化的导航方向。

(6)本发明的路径划分方法，可以降低路径导航冗余，在真实和合成的轨迹数据集上进行了大量的实验，结果表明，适当数量的已知路线，可以减少冗余导航的数量超过60％，同时仍然能提供足够的信息，为用户引导路线。

附图说明

图1为本发明的方法步骤流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

实施例一

如图1所示，一种基于分区的导航路径划分方法，包括：

用标签标明轨迹片段将标签值相同的轨迹片段划分为同一分区；

所述标签的数量不超过个；

如果两个轨迹片段用相同的标签t来标记，那么在这两个轨迹片段之间的所有轨迹片段都用t标记；

其中，为符号轨迹中地标的数量。

进一步地，包括：

将符号轨迹建模为一个无向图g(v,e)，使每个轨迹片段都是顶点集中的一个顶点，每个顶点都对应一个随机的变量xi；

设利用crf模型：

计算最佳序列xopt，用于衡量在符号轨迹下标签序列[x1,x2,…,xi]的可能性；

其中，pr为在符号轨迹的条件下，标记序列x的概率，pr越大，说明标记序列越优，从而轨迹分区划分越合理；z为规范化因子，使所有可能存在的序列x的条件概率之和为1，i表示数量。

进一步地，包括：

步骤一：将符号轨迹划分成个轨迹片段

步骤二：归一化的每个特征，为使每个特征的归一化值在0和1之间，归一化常量n为该分区内所有特征的最大值；

步骤三：在步骤二完成归一化后，轨迹片段的所有特征f形成了一个|f|维的向量用户指定每个特征的权重为w，所有特征的权重w形成了一个|f|维的向量用以下公式计算两个向量之间的相似性：

其中，和分别代表和的特征向量；和分别代表第j维的值，即第j个特征fj的值，代表特征fj的权重；

步骤四：在无向图g(v,e)上定义crf模型公式，计算：

其中，

ca是由用户指定的正常数，反映了地标意义li·s的重要性，使该等式值为最大，得到xi的最佳序列xopt，将轨迹片段的xi值相同的轨迹片段划分为一个分区，从而得到轨迹的最佳分区；

步骤五：找到最佳的k分区，用户指定将轨迹划分为k个分区，用(i,j)代表在i个轨迹片段分成了j个分区后，前i个轨迹片段的的最小值，即：

令(1，1)＝0，x1＝1，若时，则xi＝xi-1+1；若时，则xi＝xi-1；

其中(i,i)代表每个轨迹片段都是一个分区；(i,1)代表前i个轨迹片段都属于同一个分区；再按照步骤四中求最佳分区的步骤求得xi的最佳序列xopt；

将相同xi的轨迹片段划分为同一分区，从而得到最佳的k分区。

进一步地，包括：

在步骤四中，计算前i个轨迹片段的的最小值，即用(i)表示：

令(1)＝0，x1＝1，若时，xi＝xi-1+1；

若时，则xi＝xi-1。

进一步地：

所述计算最佳序列xopt，等价于计算的最大值；

所述计算的最大值，等价于计算的最小值。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。