一种基于移动终端的行人路网属性检测方法、装置和设备与流程

本发明涉及智能交通数据处理技术领域，特别是涉及一种基于移动终端的行人路网属性检测方法、装置和设备。

背景技术：

作为智能交通的一个重要的组成部分，行人路网描述了行人路段几何关系的拓扑图，是行人导航系统的基础数据。而行人导航系统旨在对行人路网的路径规划，这意味着需要行人路网的及时构建与更新，但现有的大多方法都忽略了行人路网基础数据中对属性信息的添加。路径规划时，缺少对属性信息的度量，仅使用最短路分析进行路径规划，无法提供满足特殊的出行需求。道路属性，是特殊群体出行的首要考虑因素，比如骑自行车出行者、行动受限人群，道路障碍会极大程度的影响其出行的通达性及舒适性。尤其针对轮椅用户，当出行时遇到无配套无障碍服务设施的人行天桥或楼梯，该群体无法自主通行。此外，遇到不同坡度值的道路时，对出行通达性的影响亦是相差甚远。针对现有的行人导航服务，基础数据中缺失对属性信息，无法为出行群体提供满足不同出行需求的最优路径，以至于无法实现个性化导航。

即现有技术的导航系统无法为用户提供特定需求的个性化导航服务，致使导航系统对部分用户的友好性差，一定程度上降低了出行群体对其的使用感受。

技术实现要素：

本发明所要解决的技术问题是，提供一种基于移动终端的行人路网属性检测方法、装置和设备，旨在解决路网基础数据中缺少属性信息，现有技术的导航系统无法为用户提供特定需求的个性化导航服务，出行群体对导航系统体验感差的问题；采用移动终端的传感器数据检测行人路网的道路属性，丰富行人路网的基础数据，为实现个性化的行人导航服务提供数据基础，以满足不同出行群体的特殊需求。

一种基于移动终端的行人路网属性检测方法，其中，包括：

若干用户的移动终端采集传感器数据，得到原始数据后，提取所需的传感器数据；记录部分用户移动终端所采集数据的路网属性，用于构建训练集数据，其余用户移动终端所采集的数据直接上传至云端获得众包数据，并作为轨迹数据用于属性检测；

对用于构建训练集的数据，进行预处理，依据滑动窗口采样，计算每个样本的特征值并标注相应的属性类型，使用机器学习中的特征选择算法筛选特征值，构建训练数据集；

根据得到的训练数据集，采用机器学习的方法，对不同属性的样本数据进行分类训练，得到适用于路网属性的分类模型；

将众包的轨迹数据进行数据处理，并用训练好的分类模型，进行属性检测；将轨迹数据的位置信息与属性信息进行数据融合，得到带属性信息的gps数据；

基于现有行人路网的基础数据，进行地图匹配，将轨迹点的属性信息赋予所匹配到现有路网中的位置点；对匹配到多个属性标签的位置点，使用多数投票法得到位置点的唯一标签；修正异常标签，得到带有属性信息的路网数据。

所述基于移动终端的行人路网属性检测方法，其中，所述若干用户的移动终端采集传感器数据，得到原始数据后，提取所需的传感器数据；记录部分用户移动终端所采集数据的路网属性，用于构建训练集数据，其余用户移动终端所采集的数据直接上传至云端获得众包数据，并作为轨迹数据用于属性检测的步骤包括：

通过若干用户的移动终端采集多个传感器数据，并提取加速度计、气压计、gps三个传感器的数据；得到三轴加速度、气压值、gps数据，并保留时间戳数据。

所述基于移动终端的行人路网属性检测方法，其中，所述对用于构建训练集的数据，进行预处理，依据滑动窗口采样，计算每个样本的特征值并标注相应的属性类型，使用机器学习中的特征选择算法筛选特征值，构建训练数据集的步骤包括：

对用于构建训练集的原始数据中的噪声数据进行剔除，对气压值进行滤波处理，得到用于构建训练集的初始数据；

将得到的用于构建训练集的数据，通过滑动窗口进行数据采样，得到数据集的多个样本；

数据采样完成后，选取均值、方差、相关系数、气压差作为样本初始特征，计算每个样本的特征值，并保留每个样本的第一条时间戳数据，随后采用weka的特征选择功能对初始特征进行筛选，并提取最优特征子集；

获得各样本的特征值后，添加其对应的属性标签，得到最终所需的训练集数据。

所述基于移动终端的行人路网属性检测方法，其中，所述对用于构建训练集的数据中的噪声数据进行剔除的步骤包括：

根据采集的数据确定采样频率；

依据计算得到的采样频率设置方差阈值及剔除量；

根据剔除量剔除始末部分数据；

依据所设置方差阈值，剔除非运动状态所采集的数据。

所述基于移动终端的行人路网属性检测方法，其中，所述根据得到的训练数据集，采用机器学习的方法，对不同属性的样本数据进行分类训练，得到适用于路网属性的分类模型的步骤包括：

将得到的最终训练集数据作为模型输入，采用k-邻近模型作为分类模型进行训练，得到适用于路网属性的分类模型。

所述基于移动终端的行人路网属性检测方法，其中，所述将众包的轨迹数据进行数据处理，并用训练好的分类模型，进行属性检测；将轨迹数据的位置信息与属性信息进行数据融合，得到带属性信息的gps数据的步骤包括：

对众包的轨迹数据进行预处理并采样，依据训练数据中所选特征计算各样本特征值，同时保留每个样本的第一条时间戳数据；

使用训练好的k-邻近模型，对处理后的轨迹数据进行属性检测，即得到轨迹数据每个样本的属性信息，并且带有时间信息；

将得到带有时间信息的属性信息与位置信息进行数据融合，得到各轨迹的gps数据带有属性信息。

所述基于移动终端的行人路网属性检测方法，其中，所述基于现有行人路网的基础数据，进行地图匹配，将轨迹点的属性信息赋予所匹配到现有路网中的位置点；对匹配到多个属性标签的位置点，使用多数投票法得到位置点的唯一标签；修正异常标签，得到带有属性信息的路网数据的步骤包括：

获取现有路网的基础数据，将融合后的轨迹数据，依据一定的时间窗长度进行采样，将每个样本作为一个轨迹段根据位置进行属性匹配；

匹配完成后，由于路网点密度与轨迹点密度的差距，存在部分路网的位置点被匹配至多个属性标签，使用多数投票法，对各位置点的多个属性标签进行投票以得到唯一标签。

获取唯一标签后，由于分类精度的影响，存在部分位置点所检测的属性有误，需进行逻辑判断，获取异常标签并进行修正，以得到最终的带有属性的路网基础数据。

一种基于移动终端的行人路网属性检测装置，其中，包括：

采集模块，用于若干用户的移动终端采集传感器数据，得到原始数据后，提取所需的传感器数据；记录部分用户移动终端所采集数据的路网属性，用于构建训练集数据，其余用户移动终端所采集的数据直接上传至云端获得众包数据，并作为轨迹数据用于属性检测；

构建模块，用于对用于构建训练集的数据，进行预处理，依据滑动窗口采样，计算每个样本的特征值并标注相应的属性类型，使用机器学习中的特征选择算法筛选特征值，构建训练数据集；

分类模块，用于使用得到的训练数据集，采用机器学习的方法，对不同属性的样本数据进行分类训练，得到适用于路网属性的分类模型；

融合模块，用于将众包的轨迹数据进行数据处理，并用训练好的分类模型，进行属性检测；将轨迹数据的位置信息与属性信息进行数据融合，得到带属性信息的gps数据；

匹配模块，用于基于现有行人路网的基础数据，进行地图匹配，将轨迹点的属性信息赋予所匹配到现有路网中的位置点；对匹配到多个属性标签的位置点，使用多数投票法得到位置点的唯一标签；修正异常标签，得到带有属性信息的路网数据。

一种计算机设备，其中，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-7中任意一项所述基于移动终端的行人路网属性检测方法的步骤。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任意一项所述基于移动终端的行人路网属性检测方法的步骤。

与现有技术相比，本发明实施例具有以下优点：

根据本发明实施方式提供的方法，使用智能手机采集多个传感器的数据，对数据进行处理并标注属性标签，选择合适的样本特征，用于训练分类模型，以实现对轨迹数据的属性检测的功能。自动检测出行人路网中的道路属性，添加至行人路网的基础数据中，改善在路径规划中缺少对属性因素的考虑的现状，实现最优路径的规划，满足行人出行的特殊需求。

本发明采用智能手机传感器所采集数据检测行人路网的道路属性，丰富行人路网的基础数据，为实现个性化的行人导航服务提供数据基础，以满足不同出行群体的特殊需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，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他的附图。

图1为本发明实施例中一种基于移动终端的行人路网属性检测方法的流程示意图；

图2为本发明实施例中一种基于移动终端的行人路网属性检测方法的坡路数据的提取示例示意图

图3为本发明实施例中一种基于移动终端的行人路网属性检测方法的人行天桥(楼梯)数据的提取示例示意图。

图4为本发明实施例中一种基于移动终端的行人路网属性检测装置功能原理框图。

图5为本发明进一步实施例中基于移动终端的行人路网属性检测装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

发明人经过研究发现，现有的行人路网基础数据忽略了行人路网属性信息的添加。导航系统在路径分析过程中，缺少对属性信息的度量，仅使用最短路分析进行路径规划，无法提供满足特殊的出行需求。道路属性，是特殊群体出行的首要考虑因素，比如骑自行车出行者、行动受限人群，道路障碍会极大程度的影响其出行的通达性及舒适性。尤其针对轮椅用户，当出行时遇到无配套无障碍服务设施的人行天桥或楼梯，该群体无法自主通行。此外，遇到不同坡度值的道路时，对出行通达性的影响亦是相差甚远。针对现有的行人导航服务，无法为出行群体提供满足不同出行需求的最优路径，以至于无法实现个性化导航。

为了解决上述问题，在本发明实施例中，对导航系统的基础数据中添加行人路网属性信息，为用户提供特定需求的个性化导航服务，可以通过智能终端例如使用智能手机采集多个传感器的数据，对数据进行处理并标注属性标签，选择合适的样本特征，用于训练分类模型，以实现对轨迹数据的属性检测的功能。自动检测出行人路网中的道路属性，添加至行人路网的基础数据中，改善在路径规划中缺少对属性因素的考虑的现状，实现最优路径的规划，满足行人出行的特殊需求。

智能移动终端如智能手机等内置了多种传感器，包括加速度计、陀螺仪、磁力计、气压计、感光器以及gps等，因此本发明采用基于多传感器数据检测行人行径路段的属性信息。智能手机的普遍使用，使得本发明方法实现使用众包数据的属性检测。将带有属性信息的gps数据，映射于openstreetmap(简称osm，中文是公开地图)的行人路网中，实现属性在路网中的可视化。最终，搭建平台，将各用户采集的数据上传至平台，采用本发明的方法，得到各轨迹的属性信息，添加至行人路网的基础数据中，在路径规划过程中对属性进行考虑，实现满足特殊需求的路径规划。

下面结合附图，详细说明本发明的各种非限制性实施方式。

参见图1，示出了本发明实施例中的一种基于移动终端的行人路网属性检测方法。在本实施例中，所述方法例如可以包括以下步骤：

s210：通过若干用户的移动终端采集传感器数据，得到原始数据后，提取所需的传感器数据；在所采集传感器数据中的记录部分用户移动终端所采集数据的路网属性，用于构建训练集数据，其余用户移动终端所采集的数据直接上传至云端获得众包数据，并作为轨迹数据用于属性检测。

本实施例中，通过n多个客户的智能手机采集多个传感器数据，并提取加速度计、气压计、gps三个传感器的数据；得到三轴加速度、气压值、gps数据后，保留时间戳数据的同时，对该类数据进行以下预处理。

s220：对用于构建训练集的数据，进行预处理，随后依据滑动窗口采样，计算每个样本的特征值并标注相应的属性类型，使用机器学习中的特征选择算法筛选特征值，构建训练数据集；

其中，所述步骤s220具体包括：

s221.首先对用于构建训练集的原始数据中的噪声数据进行剔除，由于运动状态下手机抖动明显，气压值无法直接用于表示真实气压变化，需对气压值进行滤波处理，而后得到用于构建训练集的初始数据；

因为行人行走的不确定影响因素多，造成加速度数据中存在噪点，比如由于对设备的操作，在采集的过程的起始与结束均为静止状态，或遇到不定因素，造成行人在原地停留的场景。该些非运动状态所采集的数据即为数据中的噪声数据。需要剔除噪声数据，以避免对模型训练及后续检测精度的造成影响。此外，运动状态下手机的抖动明显，所采集的气压值无法直接用于表示气压的真实变化，所以使用巴特沃兹滤波器，对气压值进行滤波处理。

首先，根据采集的数据确定采样频率，采样频率frequency由相邻时间之差δt确定得到。

frequency＝1000/(∑δt/n)

其中，n为数据量。

依据计算得到的采样频率设置方差阈值threshold及剔除量reject，具体见下表所示。其中，方差阈值是用于判断所采集的数据是否为运动状态，即行径坡路或楼梯；剔除量是指需消除采集数据过程中开始之后和结束之前的一部分数据。

表3.1采样频率、方差阈值、剔除量间的数值关系

其次，时间窗大小可设置为1.25、2.56、5.12、7.68等数值，依据需要确定时间窗长度time_window，通过采样频率确定方差阈值std_thre的大小。根据时间窗的大小分段采样，并计算每个样本中z轴加速的方差std_z，与方差阈值进行对比。当每个样本中z轴加速的方差std_z>std_thre方差阈值时，则认为该样本为运动状态，并对数据进行标注。本发明实施例中得到每个样本的运动状态后，将每个样本的始末时间信息与运动状态相关联，用于下一步的数据提取。其中，时间窗对数据的分段，采用以下式子计算，式中及分别表示第i个样本的起始和结束的位置。

最后，根据剔除量剔除始末部分数据，将原始数据与运动状态，通过时间戳的比对，提取运动状态所采集的数据，并保存，得到最终用于构建训练集的数据。

如图2和图3所示，其中图2为本发明实施例中一种基于移动终端的行人路网属性检测方法的坡路数据的提取示例示意图

图3为本发明实施例中一种基于移动终端的行人路网属性检测方法的人行天桥(楼梯)数据的提取示例示意图。

s222.将得到的用于构建训练集的数据，通过滑动窗口进行数据采样，得到数据集的多个样本。

本发明中，对数据预处理后，即得到用于构建训练集的数据。根据采样频率frequency及时间窗time_window，确定滑动窗口slide_window，以50％作为窗口重叠进行数据采样，且用于接下来的特征计算。其中，每个样本的采样位置具体通过下式确定。

slide_window＝frequency*time_window

s223、数据采样完成后，选取均值、方差、相关系数、气压差作为样本初始特征，计算每个样本的特征值，并保留每个样本的第一条时间戳数据，随后采用weka的特征选择功能对初始特征进行筛选，并提取最优的特征子集

本发明中，完成数据预处理后，得到了数据集的多个样本，选取均值、方差、相关系数、气压差作为样本初始特征，计算每个样本的特征值，并保留每个样本的第一条时间戳数据，随后采用weka的特征选择功能对初始特征进行筛选，并提取最优的特征子集。weka作为机器学习集成平台，是数据挖掘的常用工具。weka中的其一功能selectattributes，是通过搜索数据中所有可能的属性组合，以找出预测效果最佳的属性子集。本发明为了使分模型的分类精度更优，将采用weka的特征选择功能，对训练集的初始特征进行筛选，提取出最优的特征子集，得到最终的训练集。

所选初始特征说明如下表所示。

表3.2特征值及其说明

具体计算公式如下：

δbaro＝baroend-barobegin

式中，m表示每个样本中的数据量，ai(i＝1,2,3)分别表示xyz三轴加速度数据。

s224、获得各样本的特征值后，添加其对应的属性标签，得到最终所需的训练集数据。

本发明实施例中，每个样本特征值计算完成后，添加其对应的属性标签，获得所需的训练集。道路属性主要分为道路坡度、道路障碍。具体分为平路、坡路、楼梯三大类，而后两者依据坡度值的不同分为不同类型。属性类型具体如下表所示。

表3.3属性类型及说明

s230：根据得到的训练数据集，采用机器学习的方法，对不同属性的样本数据进行分类训练，得到分类模型。

在一种实施方式中，所述步骤s230具体包括：

s231将得到的最终训练集数据作为模型输入，采用k-邻近模型作为分类模型进行训练，得到适用于路网属性的分类模型。

本发明中关于训练与检测：

采用k-邻近(k-nearestneighbour，knn)模型，通过测量不同特征值之间的距离进行分类，若一个样本在特征空间中的k个最相邻(即特征空间中最邻近)的样本中大多数属于某一类别，则该样本也属该类别，且具有该类别样本的特性。

k值的选择很大程度上决定了knn模型的训练结果很，同时，通过计算对象间距离作为各个对象之间的非相似性指标，避免了对象之间的匹配问题。距离的计算使用欧氏距离，公式如下所示：

式中，x，y为需求两者间距离的对象，m为数据集中对象个数。

knn模型在确定分类决策上，仅依据最邻近的一个或多个样本的类别来决定，而不是单一的对象类别决策，避免了训练对象被分得多个类别的问题。此外，knn模型的训练时间复杂度相对较低，准确度高，因此本发明将采用knn模型作为分类模型进行训练，训练k-邻近模型，得到分类模型，并应用于轨迹数据的属性检测。

s240：将众包的轨迹数据进行数据处理，并用训练好的分类模型，进行属性检测；将轨迹数据的位置信息与属性信息进行数据融合，得到带属性信息的gps数据。

本发明实施例中，通过使用上述得到的训练集，训练knn模型，在达到较好的分类精度后，即得到适用于路网属性检测的分类模型，用于轨迹数据的属性检测。

所述步骤s240包括：

s241、与训练数据的预处理方式相同，剔除众包的轨迹数据中的噪声数据并滤波气压值，随后进行数据采样，依据训练数据中所选择特征计算各样本的特征值，同时保留每个样本的第一条时间戳数据。

s242、根据上述得到处理好的数据后，使用训练好的knn模型(k-邻近模型)，对处理后的轨迹数据进行属性检测，即得到轨迹数据每个样本的属性信息，并且带有时间信息。

s243、将得到带有时间信息的属性信息与位置信息进行数据融合，得到各轨迹的gps数据带有属性信息；

本步骤中，例如通过时间戳的对比，以及采样窗口长度，将每个样本的属性标签赋予该样本所对应的轨迹段数据，实现属性信息与位置信息的数据融合，即可使得各轨迹的gps数据带有属性信息。

本发明中，得到带有时间戳数据的属性信息后，将其与位置信息进行数据融合。因通过滑动窗口对数据采样，每条轨迹被分割为多个轨迹段进行的特征计算及属性检测。因而，每个轨迹段有唯一的属性信息，但指向多个位置数据，所以需对数据融合处理，才能达到路网基础数据添加的目的。属性信息带有时间戳数据，将其时间戳与原始轨迹数据的时间戳进行比对，根据采样窗口长度，确定某一属性所指向的轨迹段gps数据，将两类数据结合，即使得位置数据带有属性信息。

s250：基于现有行人路网的基础数据，进行地图匹配，将轨迹点的属性信息赋予所匹配到现有路网中的位置点；对匹配到多个属性标签的位置点，使用多数投票法得到位置点的唯一标签；修正异常标签后，即得到了带有属性信息的路网数据。

其中，所述步骤s250具体包括：

s251、首先，获取现有路网的基础数据，将融合后的轨迹数据，依据一定的时间窗长度进行采样，将每个样本作为一个轨迹段根据位置进行属性匹配。实际路网为多个路段的连接组合，将各路段作为匹配的候选路段。通过欧氏距离依次计算轨迹段中各gps点到候选路网的距离，并求和以表示该轨迹段至该路段的距离指标。获得各轨迹段到各候选路段的距离指标后，选取距离最近的路段作为匹配对象。确定轨迹段所应匹配的路网路段后，由于路网中位置点为路段的特征点，每条路段仅有起终两点，需路网路段的两位置点间以差值的方式进行增加点数，以提高位置匹配的精准度。依据欧氏距离，获取轨迹段各点距离匹配对象最近的点，并将轨迹点的属性赋值给被匹配的位置点；

s252、匹配完成后，由于增加点数后的路网点密度与轨迹点密度仍有差距，存在部分路网的位置点被匹配至多个属性标签，使用多数投票法，对各位置点的多个属性标签进行投票以得到唯一标签；

s253、获取唯一标签后，由于分类精度的影响，存在部分位置点所检测的属性有误，需进行逻辑判断，获取异常标签并进行修正，以得到最终的带有属性的路网基础数据。

本实施例中由于分类精度的问题，连续同一属性的轨迹点，可能会出现一个或少数几个异常属性，需对该类异常标签进行逻辑判断并修正，以提高路网属性检测的精度。

本发明实施例中用户所采集的位置数据经过融合后得到了属性信息，但由于gps的定位误差，无法直接反映真实的路网数据，因此需要对融合后的数据，基于现有的路网数据进行匹配，使得实际路网中具备属性信息。匹配过程主要是将轨迹数据根据一定的时间窗长度进行采样，每个样本作为一个轨迹段进行位置的匹配。

首先，找出距离轨迹段最近的路网路段，作为匹配对象。为了避免轨迹采集时gps数据的偏移，造成单点匹配的误差。本发明将先基于轨迹段的匹配，将路网的各路段作为匹配候选，分别计算轨迹点到候选路段的距离，即计算点到线段的直线距离，累加各点的计算距离以得到距离指标。选择距离指标最短所对应的候选路网作为最终的匹配对象。距离计算公式如下：

其中xi，yi分别表示轨迹点的经纬度，abc由候选路段所对应的直线决定，即直线ax+by+c＝0，经过候选路段。

其次，将匹配的路段进增点操作。现有的路网有各路段组成，路段仅带有始末两个位置点的gps数据，需对路段的位置点进行增加以提高位置的匹配精准度。根据经验值确定增加点的间距，然后通过内插法获取路段中增加点的gps数据。

随后，基于增点后的路段，进行最后的点属性匹配，将轨迹段各轨迹点的属性标签赋值于匹配路段上的最近点位置点。通过欧氏距离计算轨迹点值匹配路段中各点的距离，并将属性赋予距离最近的位置点，完整轨迹点的属性匹配。

欧氏距离：

式中，ρ为点对间距离；x，y分别位置点的经度和纬度。

最后，进行属性修正的操作。由于数据采集频率的原因，无法实现一个路网的位置点仅匹配到唯一的属性标签。因此，在匹配完成后，路网中部分位置点会出现被匹配至多个属性标签得情况，需对该些位置点进行处理，得到唯一标签。本发明采用多数投票法，对其进行主元素的选择。多数投票法得方法简单易实现，且实现速度快。多数投票法，主要是对给定的无序数组，找出其中的多数元素，多数元素的出现次数需超过50％。通过对各位置点的多个属性标签进行扫描判断，得到其多数元素作为该位置点的最终属性标签。由于检测误差的问题，同一属性的轨迹中，会偶尔出现一个或少数个不同的属性标签。然而点属性需连续出现一定数量时，才可作为路段的属性。因此，将该类属性标签作为异常标签，进行逻辑判断并修正为正常标签，提高最终的检测精度。

由上可见，本发明提出的基于智能手机的道路属性检测方法，提供了一种应用移动终端内置多传感器采集的数据，自动检测行径路网道路属性的方法，将检测的属性用以丰富行人路网的基础数据。在路径规划过程重，行人导航系统将路网属性纳入路径规划的度量因素中，提供满足个人特殊需求的最优路径，而非最短路径，提升了行人对导航系统的使用感，为用户的使用提供了方便。

示例性设备

参见图4，示出了本发明实施例中一种基于移动终端的行人路网属性检测装置，包括：

采集模块41，用于若干用户的移动终端采集传感器数据，得到原始数据后，提取所需的传感器数据；记录部分用户移动终端所采集数据的路网属性，用于构建训练集数据，其余用户移动终端所采集的数据直接上传至云端获得众包数据，并作为轨迹数据用于属性检测；

构建模块42，用于对用于构建训练集的数据，进行预处理，依据滑动窗口采样，计算每个样本的特征值并标注相应的属性类型，使用机器学习中的特征选择算法筛选特征值，构建训练数据集；具体如上所述；

分类模块43，用于使用得到的训练数据集，采用机器学习的方法，对不同属性的样本数据进行分类训练，得到适用于路网属性的分类模型；具体如上所述；

融合模块44，用于将众包的轨迹数据进行数据处理，并用训练好的分类模型，进行属性检测；将轨迹数据的位置信息与属性信息进行数据融合，得到带属性信息的gps数据；具体如上所述；

匹配模块45，用于基于现有行人路网的基础数据，进行地图匹配，将轨迹点的属性信息赋予所匹配到现有路网中的位置点；对匹配到多个属性标签的位置点，使用多数投票法得到位置点的唯一标签；修正异常标签，得到带有属性信息的路网数据。

参照图5，本发明的基于移动终端的行人路网属性检测装置1800可以包括以下一个或多个组件：处理组件1802，存储器1804，电源组件1806，多媒体组件1806，音频组件1810，输入/输出(i/o)的接口1812，传感器组件1814，以及通信组件1816。

处理组件1802通常控制装置1800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1802可以包括一个或多个处理器1820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1802可以包括一个或多个模块，便于处理组件1802和其他组件之间的交互。例如，处理部件1802可以包括多媒体模块，以方便多媒体组件1806和处理组件1802之间的交互。

存储器1804被配置为存储各种类型的数据以支持在设备1800的操作。这些数据的示例包括用于在装置1800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件1806为装置1800的各种组件提供电力。电源组件1806可以包括电源管理系统，一个或多个电源，及其他与为装置1800生成、管理和分配电力相关联的组件。

多媒体组件1806包括在所述装置1800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1806包括一个前置摄像头和/或后置摄像头。当设备1800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件1810被配置为输出和/或输入音频信号。例如，音频组件1810包括一个麦克风(mic)，当装置1800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1804或经由通信组件1816发送。在一些实施例中，音频组件1810还包括一个扬声器，用于输出音频信号。

i/o接口1812为处理组件1802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1814包括一个或多个传感器，用于为装置1800提供各个方面的状态评估。例如传感器组件1814可以检测到设备1800的打开/关闭状态，组件的相对定位，例如所述组件为装置1800的显示器和小键盘，传感器组件1814还可以检测装置1800或装置1800一个组件的位置改变，用户与装置1800接触的存在或不存在，装置1800方位或加速/减速和装置1800的温度变化。传感器组件1814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1816被配置为便于装置1800和其他设备之间有线或无线方式的通信。装置1800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信部件1816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件1816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，装置1800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

本发明实施例提供了一种设备。该设备包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

s210：通过用户的移动终端采集传感器数据，记录部分用户移动终端所采集数据的路网属性，用于构建训练集数据，其余用户移动终端所采集的数据直接上传至云端获得众包数据，并作为轨迹数据用于属性检测。

本发明实施例中，可以采用多个用户智能手机采集多个传感器数据，并提取加速度计、气压计、gps三个传感器的数据；得到三轴加速度、气压值、gps数据，并保留时间戳数据。

s220：对用于构建训练集的数据，进行预处理，依据滑动窗口采样，计算每个样本的特征值并标注相应的属性类型，使用机器学习中的特征选择算法筛选特征值，构建训练数据集；

本发明实施例中，步骤s220包括：

s221、首先对用于构建训练集的原始数据中的噪声数据进行剔除，由于运动状态下手机抖动明显，气压值无法直接用于表示真实气压变化，需对气压值进行滤波处理，而后得到用于构建训练集的初始数据；

s222、将得到的用于构建训练集的数据，通过滑动窗口进行数据采样，得到多个样本；

s223、数据采样完成后，选取均值、方差、相关系数、气压差作为样本初始特征，计算每个样本的特征值，并保留每个样本的第一条时间戳数据，随后采用weka的特征选择功能对初始特征进行筛选，并提取最优的特征子集；

s224、获得各样本的特征值后，添加其对应的属性标签，得到所需的训练数据集。

其中，所述对所采集的数据中的噪声数据进行剔除的步骤包括：

根据采集的数据确定采样频率；通过采样频率设置方差阈值及剔除量，阈值用于判断数据是否为运动状态下所采集；而剔除量则用于删除始末部分数据；确定方差阈值后，通过计算所采集数据z轴方向加速度的方差。

s230：根据得到的训练数据集，采用机器学习的方法，对不同属性的样本数据进行分类训练，得到分类模型；

其中，所述步骤s230具体包括：

s231将得到的最终的训练集作为模型输入，采用k-邻近模型作为分类模型进行训练，得到适用于路网属性的分类模型。

s240：将预处理后的众包的轨迹数据，使用训练好的分类模型，进行属性检测，并将轨迹数据的属性信息与位置信息进行数据融合，得到带属性信息的gps数据；

所述步骤s240包括：

s241与训练数据的预处理方式相同，剔除众包的轨迹数据中的噪声数据并滤波气压值，，而后进行数据采样，依据训练数据中所选择特征计算各样本的特征值，同时保留每个样本的第一条时间戳数据；

s242使用训练好的knn模型，对处理好的轨迹数据进行属性检测，即得到轨迹数据每个样本的属性信息；

s243得到带有时间信息的属性信息后，将其与位置信息进行数据融合；

通过时间戳的对比，以及采样窗口长度，将每个样本的属性标签赋予该样本所对应的轨迹段数据，实现属性信息与位置信息的数据融合，即可使得各轨迹的gps数据带有属性信息。

s250：基于现有行人路网的基础数据，进行地图匹配，将轨迹点的属性信息赋予所匹配到现有路网中的位置点。对匹配到多个属性标签的位置点，使用多数投票法得到位置点的唯一标签。修正异常标签后，即得到了带有属性信息的路网数据。

其中，所述步骤s250包括：

s251、获取现有路网的基础数据，将融合后的轨迹数据，依据一定的时间窗长度进行采样，将每个样本作为一个轨迹段根据位置进行属性匹配。实际路网为多个线段的连接组合，将各路段作为匹配的候选路段。通过欧氏距离依次计算轨迹段中各gps点到候选路段的距离，并求和以表示该轨迹段至该路段的距离指标。获得各样本轨迹段到各候选路段的距离指标后，选取距离最近的线段作为匹配对象。确定轨迹段所应匹配的路网路段后，由于路网中位置点为路段的特征点，每条路段仅有起终两点，需路网路段的两位置点间以差值的方式进行增加点数，以提高位置匹配的精准度。依据欧氏距离，获取轨迹段各点距离匹配对象最近的点，并将轨迹点的属性赋值给被匹配的位置点；

s252、匹配完成后，由于增加点数后的路网点密度与轨迹点密度仍有差距，存在部分路网的位置点被匹配至多个属性标签，使用多数投票法，对各位置点的多个属性标签进行投票以得到唯一标签；

s253、由于分类精度的问题，连续同一属性的轨迹点，可能会出现一个或少数几个异常属性，需对该类异常标签进行逻辑判断并修正，以提高路网属性检测的精度。

本发明实施例还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1804，上述指令可由装置1800的处理器1820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述实施例所述的基于移动终端的行人路网属性检测方法，具体如上所述。

与现有技术相比，本发明实施例具有以下优点：

根据本发明实施方式提供的方法，使用移动终端采集多个传感器的数据，对数据进行处理并标注属性标签，选择合适的样本特征，用于训练分类模型，以实现对轨迹数据的属性检测的功能。自动检测出行人路网中的道路属性，添加至行人路网的基础数据中，改善在路径规划中缺少对属性因素的考虑的现状，为实现最优路径的规划，满足行人出行的特殊需求提供数据基础。

本发明采用移动终端内置传感器所采集数据检测行人路网的道路属性，丰富行人路网的基础数据后，可提供满足特定需求的个性化导航服务，为出行群体提供便利舒适的导航服务。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。