一种确定起点位置的方法及装置与流程

本申请涉及智能导航技术领域，尤其涉及一种确定起点位置的方法及装置。

背景技术：

在智能导航领域，导航软件为用户提供规划路线，并在用户驾驶过程中为用户进行沿路语音引导。现有终端多采用全球定位系统(globalpositioningsystem，简称gps)定位终端的位置并上报，其中，终端主动上报位置信息，服务器根据终端上报的位置信息在地图中描绘终端的位置。

用户利用终端导航软件或车载导航软件进行路线规划时，会选择当前位置作为起点，这种情况下，需要对起点进行吸附。例如，基于用户在车载导航软件中点击“算路”时获取的当前位置和辅助位置，结合电子地图路网数据，将当前位置绑定到路网道路上某一位置，并以此位置作为车辆在路网道路上的起点位置。由于gps定位存在误差，起点位置会发生漂移而偏离真实位置，从而无法准确判断终端的起点位置。

技术实现要素：

本申请实施例提供了一种确定起点位置方法及装置，用于提高起点吸附的准确率。

根据本申请实施例的第一方面，提供了一种确定起点位置的方法，包括：

获取目标终端的定位位置；

根据所述目标终端的定位位置，确定所述目标终端的n条候选道路；

针对每一条候选道路，确定所述目标终端的定位信息以及所述候选道路对应于概率确定模型的特征值，并将所述定位信息与所述特征值输入已训练的概率确定模型，得到所述候选道路的吸附概率；所述概率确定模型利用训练终端的定位信息、所述训练终端的候选道路对应的特征值以及所述训练终端的吸附结果进行训练得到对应的模型参数；

将所述n条候选道路中吸附概率最高的候选道路作为所述目标终端的吸附道路；

根据所述目标终端的定位位置与所述吸附道路之间的关系，确定所述目标终端在所述吸附道路上的起点位置。

根据本申请实施例的第二方面，提供了一种确定起点位置的装置，所述装置包括：

获取单元，用于获取目标终端的定位位置；

确定单元，用于根据所述目标终端的定位位置，确定所述目标终端的n条候选道路；

计算单元，用于针对每一条候选道路，确定所述目标终端的定位信息以及所述候选道路对应于概率确定模型的特征值，并将所述定位信息与所述特征值输入已训练的概率确定模型，得到所述候选道路的吸附概率；所述概率确定模型利用训练终端的定位信息、所述训练终端的候选道路对应的特征值以及所述训练终端的吸附结果进行训练得到对应的模型参数；

选择单元，用于将所述n条候选道路中吸附概率最高的候选道路作为所述目标终端的吸附道路；

吸附单元，用于根据所述目标终端的定位位置与所述吸附道路之间的关系，确定所述目标终端在所述吸附道路上的起点位置。

一种可选的实施例中，所述确定单元，具体用于：

确定道路网络中，与所述目标终端的定位位置之间的距离在距离阈值之内的m条路网道路；

从所述m条路网道路中，确定出与所述目标终端的定位位置之间的距离最近的n条路网道路作为所述候选道路；其中，n≤m。

一种可选的实施例中，所述目标终端的定位信息，包括：

所述目标终端的当前定位信息以及所述目标终端的辅助定位信息。

一种可选的实施例中，所述候选道路对应于概率确定模型的特征值，包括：

所述候选道路的道路属性信息，所述目标终端的当前定位信息与所述候选道路之间的关系信息，所述目标终端的辅助定位信息与所述候选道路之间的关系信息，以及所述目标终端的定位位置与辅助位置的分布信息。

一种可选的实施例中，所述计算单元，具体用于：

确定所述目标终端的定位位置在所述候选道路上的第一垂足；

至少根据所述目标终端的辅助定位信息与所述定位位置之间的关系，确定所述目标终端的上游方向；

根据所述第一垂足的位置以及所述上游方向，确定路网划分范围；

确定所述目标终端的定位位置与辅助位置在所述路网划分范围中的分布信息。

一种可选的实施例中，所述吸附单元，具体用于：

确定所述目标终端的定位位置在所述吸附道路上的第二垂足；

将所述第二垂足作为所述目标终端的起点位置。

一种可选的实施例中，还包括训练单元，用于根据以下方式训练得到所述概率确定模型：

获取训练样本，所述训练样本中包含有所述训练终端的定位信息、所述训练终端的候选道路对应的特征值以及训练终端的吸附结果；

将所述训练样本输入初始概率确定模型，并根据输出的吸附概率及所述训练终端的吸附结果计算损失函数，当所述损失函数小于预设阈值时，确定对应的参数为所述概率确定模型对应的参数，得到所述概率确定模型。

一种可选的实施例中，所述训练单元，具体用于：

获取l个正样本以及l个负样本；其中，正样本包括第一训练终端的定位信息、所述第一训练终端的正确吸附结果以及所述第一训练终端的正确吸附道路对应的特征值；负样本包括第二训练终端的定位信息、所述第二训练终端的错误吸附结果以及所述第二训练终端的错误吸附道路对应的特征值。

根据本申请实施例的第三方面，提供了一种计算设备，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行本申请实施例提供的确定起点位置方法的步骤。

根据本申请实施例的第四方面，提供了一种存储介质所述存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行本申请实施例提供的确定起点位置方法的步骤。

本申请实施例中，利用训练终端的定位信息、训练终端的候选道路对应的特征值以及训练终端的吸附结果，对概率确定模型进行训练，得到对应的模型参数。目标终端进行定位时，获取目标终端的定位位置，并根据该定位位置确定目标终端的n条候选道路。针对每一条候选道路，确定目标终端的定位信息以及候选道路对应于概率确定模型的特征值，并将定位信息与特征值输入已训练的概率确定模型，得到该条候选道路的吸附概率。计算出每条候选道路的吸附概率后，将吸附概率最高的候选道路作为目标终端的吸附道路。最后根据目标终端的定位位置与吸附道路之间的关系，确定目标终端在吸附道路上的起点位置。本申请实施例中，利用概率确定模型进行计算，计算每一条候选道路的吸附概率，再从中选出概率最高的道路作为吸附道路，从而提高了吸附的准确性，进而为后续的路线规划服务和导航功能提供更为准确的起始位置。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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申请的一些实施例。

图1为本申请实施例中的一种确定起点位置系统的系统架构图；

图2为现有技术中起点吸附错误的道路路网的示意图；

图3为本申请实施例中的一种确定起点位置的方法的流程图；

图4为本申请实施例中的终端的一种可能的界面示意图；

图5为本申请实施例中选择候选道路的示意图；

图6为本申请实施例中九宫格范围的示意图；

图7为本申请实施例中一种确定起点位置的装置的结构方框图；

图8示出了本申请一个实施例提供的服务器的结构方框图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请技术方案的一部分实施例，而不是全部的实施例。基于本申请文件中记载的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请技术方案保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面对本申请实施例中涉及的部分概念进行介绍。

定位位置：终端导航软件通过终端携带定位系统获取定位信息代表终端的当前位置。本申请实施例中的定位系统可以是gps，也可以是北斗卫星导航系统、伽利略卫星导航系统、全球导航卫星系统等，本申请实施例中以gps为例进行介绍。在终端导航软件中，通过gps定位系统每隔一秒钟获取一个gps位置，由此组成一组gps位置。用户在终端导航软件中点击“算路”时的当前gps位置，就是起点，即为定位位置。

当前定位信息：用户在终端导航软件中点击“算路”时获取的当前gps信息，即起点处的gps信息，包括gps速度、gps角度、gps精度等信息，其中也包括上述定位位置。

辅助定位信息：用户在终端导航软件中点击“算路”时的当前gps位置是起点，由于在终端导航软件中，通过gps定位系统每隔一秒钟获取一个gps位置，则在过往的一个时间段内获取的连续gps位置，即为辅助定位位置，可用于起点吸附时发挥辅助作用。辅助定位信息也包括每个辅助定位位置处的gps信息，包括gps速度、gps角度、gps精度等信息。

起点位置：基于用户在终端导航软件中点击“算路”时获取的当前定位信息和辅助定位信息，结合电子地图路网数据，将终端的定位位置绑定到路网道路上某一位置，并以此路网道路位置作为用户的起点位置。

起点吸附：就是将终端的定位位置绑定到路网道路上某一道路位置；后续将此道路位置提供给路线规划服务，作为规划路线的起始位置。

gdbt分类模型：gbdt(gradientboostingdecisiontree，梯度提升树)算法，gb代表的是gradientboosting，意为梯度提升，梯度是一种数学概念，一个函数的梯度方向是函数上升最快的方向，相反的，负梯度方向是函数下降最快的方向。boosting迭代，即通过迭代多棵树来共同决策。gbdt的核心就在于，每一棵树学的是之前所有树结论和的残差，这个残差就是一个加预测值后能得真实值的累加量。

请参考图1，其示出了本申请一个实施例提供的确定起点位置系统的系统架构图，在该应用场景中包括卫星11，基站12、服务器13以及用户设备14。

用户设备14中设置有定位单元，可以是卫星定位芯片，具有卫星通信功能，也可以称为移动台、接入终端、用户单元、用户站、移动站、远方站、远程终端、移动设备、用户终端、无线通信设备、用户代理或用户装置等。用户设备14可以是车载导航设备，用户设备14也可以是任何具有定位功能的移动设备，如蜂窝电话、无绳电话、会话启动协议(英文：sessioninitiationprotocol，sip)电话、无线本地环路(wirelesslocalloop，wll)站、个人数字处理(personaldigitalassistant，pda)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备以及5g网络中的移动台或者未来演进的公共陆地移动网(publiclandmobilenetwork，plmn)网络中的用户设备等。

用户设备14可以通过internet网络与服务器13进行通信，也可以通过全球移动通信系统(globalsystemformobilecommunications，简称gsm)、长期演进(longtermevolution，简称lte)系统等移动通信系统与服务器13进行通信。

服务器13可以是某台需要gps数据进行相关业务的服务器，也可以是若干台服务器组成的服务器集群或云计算中心。卫星11与用户设备14中的定位单元直接通信。一种可能的实施例中，用户设备14为驾驶员的手机、ipad等，用户设备14能够实时收集到车辆在行驶过程中的gps信息，用户设备14还可以将在gps上报时刻将实时收集到的行驶过程中的gps信息通过基站12发送给服务器13，进而使得服务器13实时获得车辆在行驶过程中的gps信息。

当用户需要利用导航软件规划路线时，可以操作用户设备14。用户设备14响应于用户的操作，向服务器13发送定位请求。服务器13根据接收到的定位请求，并利用获取的gps信息，确定车辆当前的定位信息以及候选道路，并将定位信息与候选道路的特征值输入已训练的概率确定模型中，确定出车辆当前的吸附道路，进一步确定车辆在吸附道路上的起点位置，并基于该起点位置替用户规划路线。

需要注意的是，上文提及的应用场景仅是为了便于理解本申请的精神和原理而示出，本申请实施例在此方面不受任何限制。相反，本申请实施例可以应用于适用的任何场景。

在用户利用终端导航软件规划时，由于gps位置发生漂移而偏离真实位置，尤其对于起点位置，若起点吸附错误，则会直接导致规划路线错误，乃至后续导航引导错误。如图2所示，用户的实际轨迹如图中虚线所示，在左侧道路，为由北向南行驶，但是由于起点吸附到右侧道路，起点吸附错误，进而为用户规划的路线如图中实线所示，道路规划错误，给用户实际驾车行驶造成了干扰和困惑。需要说明的是，对于同一条路的两个方向均可以行使的话，则两个方向对应为两条道路，即图2中实际轨迹所在的道路与规划路线所在的道路为两条道路。

下面结合图1所示的应用场景，对本申请实施例提供的确定起点位置方法进行说明。

请参考图3，本申请实施例提供了一种确定起点位置方法，如图3所示，方法包括：

步骤s301：服务器获取目标终端的定位位置。

具体实施过程中，目标终端中设置有定位单元，可以是卫星定位芯片，具有卫星通信功能。目标终端通过定位单元与定位卫星直接通信，从而能收实施收集到定位信息。目标终端通过基站，将实时收集到的定位信息发送给服务器，从而使得服务器也能收实施获取目标终端的定位信息。

一种具体的实施例中，用户需要进行导航或算路时，如图4所示，用户点击目标终端中“路线规划”图标，则目标终端向服务器发送路线规划的请求，由于服务器还接收有目标终端发送的实时gps信息，则服务器将目标终端的当前gps点作为目标终端的定位位置。

步骤s302：根据目标终端的定位位置，确定目标终端的n条候选道路。

具体实施过程中，服务器基于目标终端的定位位置，根据该定位位置与道路路网中各条路网道路之间的位置关系，确定当前时刻，目标终端的n条候选道路。

具体地，确定道路网络中，与目标终端的定位位置之间的距离在距离阈值之内的m条路网道路；

从m条路网道路中，确定出与目标终端的定位位置之间的距离最近的n条路网道路作为候选道路；其中，n≤m。

举例来说，定位位置与道路之间的距离为定位位置到道路的垂直距离。以图5为例，图中点a为目标终端的定位位置，以该定位位置为圆心，距离阈值为半径，可以确定出如图中虚线所示的范围。与目标终端的定位位置之间的距离在在虚线所围成的范围内的路网道路有3条，则m等于3。若设定n为2，即需要从这3条路网道路中选出2条路网道路作为候选道路。则分别确定定位位置与每条路网道路之间距离。如图5中所示，定位位置与3条路网道路之间的距离分别为ab、ac、ad。其中，由于ab、ac的距离较短，因此，将垂足b和垂足c所在的路网道路作为定位位置a的候选道路。

步骤s303：针对每一条候选道路，确定目标终端的定位信息以及候选道路对应于概率确定模型的特征值，并将定位信息与特征值输入已训练的概率确定模型，得到候选道路的吸附概率。

其中，概率确定模型利用训练终端的定位信息、训练终端的候选道路对应的特征值以及训练终端的吸附结果进行训练得到对应的模型参数。

步骤s304：将n条候选道路中吸附概率最高的候选道路作为目标终端的吸附道路。

步骤s305：根据目标终端的定位位置与吸附道路之间的关系，确定目标终端在吸附道路上的起点位置。

进一步地，上述步骤s305、根据目标终端的定位位置与吸附道路之间的关系，确定目标终端在吸附道路上的起点位置，包括：

确定目标终端的定位位置在吸附道路上的第二垂足；

将第二垂足作为目标终端的起点位置。

具体实施过程中，若目标终端的定位位置不在吸附道路上，则确定目标终端的定位位置在吸附道路上的第二垂足，将第二垂足作为起点位置。若目标终端的定位位置在吸附道路上，则可以直接将该目标终端的定位位置作为起点位置。

本申请实施例中，利用训练终端的定位信息、训练终端的候选道路对应的特征值以及训练终端的吸附结果，对概率确定模型进行训练，得到对应的模型参数。目标终端进行定位时，获取目标终端的定位位置，并根据该定位位置确定目标终端的n条候选道路。针对每一条候选道路，确定目标终端的定位信息以及候选道路对应于概率确定模型的特征值，并将定位信息与特征值输入已训练的概率确定模型，得到该条候选道路的吸附概率。计算出每条候选道路的吸附概率后，将吸附概率最高的候选道路作为目标终端的吸附道路。最后根据目标终端的定位位置与吸附道路之间的关系，确定目标终端在吸附道路上的起点位置。本申请实施例中，利用概率确定模型进行计算，计算每一条候选道路的吸附概率，再从中选出概率最高的道路作为吸附道路，从而提高了吸附的准确性，进而为后续的路线规划服务和导航功能提供更为准确的起始位置。

本申请实施例利用了概率确定模型对各个候选道路的吸附概率进行计算，对于目标终端的各个候选道路，需要针对概率确定模型的多个特征分别提取出特征值。针对各条候选道路，本申请实施例中的概率确定模型的特征包括以下几方面：

目标终端的定位信息、候选道路的道路属性信息、目标终端与候选道路之间的关系信息。

其中，目标终端的定位信息又具体包括：目标终端的当前定位信息和目标终端的辅助定位信息。

目标终端与候选道路之间的关系信息具体可以包括：目标终端的当前定位信息与候选道路之间的关系信息，目标终端的辅助定位信息与候选道路之间的关系信息，以及目标终端的定位位置与辅助位置的分布信息。

具体来说，当前定位信息为目标终端在当前时刻(例如用户点击“路线规划”图标的时刻)从定位卫星处获取的目标终端的定位信息，以gps为例，可以包括当前gps点的速度、精度、方向角度、海拔等。

辅助定位信息，与上述当前定位信息相对应，为目标终端在当前时刻的之前一段时间内，从定位卫星处获取的目标终端的定位信息。其中，辅助定位信息包括多个辅助定位位置的信息，即多个gps点的信息。例如，在用户点击“路线规划”之前的1分钟内，目标终端每隔一秒钟从定位卫星处获取一个辅助定位信息，即目标终端可以获取60个辅助gps点，每个辅助gps点对应多个辅助定位信息，包括每个辅助gps点的速度、精度、方向角度、海拔等。进一步地，可以基于所有辅助gps点的辅助定位信息确定总的辅助定位信息，包括辅助gps点的速度分布、辅助gps点的精度分布、相邻辅助gps点间速度/方向角差值、辅助gps点间最小垂直距离等。

候选道路的道路属性信息，可以包括候选道路的长度、限速、等级、类别、车道数、是否收费、红绿灯信息、路宽等信息。

目标终端的当前定位信息与候选道路之间的关系信息，包括：当前gps点与候选道路之间的垂直距离、当前gps方向与候选道路之间的夹角等。

目标终端的辅助定位信息与候选道路之间的关系信息，包括每个辅助gps点的辅助定位信息、与候选道路连通的辅助gps点所在道路的道路属性信息、辅助gps点所在道路与候选道路之间的夹角等。

进一步地，为了提高精确度，本申请实施例还将目标终端的定位位置与辅助位置的分布情况作为概率确定模型的特征。确定所述目标终端的定位位置与辅助位置的分布信息，包括：

确定所述目标终端的定位位置在所述候选道路上的第一垂足；

至少根据所述目标终端的辅助定位信息与所述定位位置之间的关系，确定所述目标终端的上游方向；

根据所述第一垂足的位置以及所述上游方向，确定路网划分范围；

确定所述目标终端的定位位置与辅助位置在所述路网划分范围中的分布信息。

具体实施过程中，为了便于描述，将九宫格作为路网划分范围，即在道路路网中划分九宫格，确定九宫格的每个格子中定位位置与辅助位置的分布个数。

下面以图6为例详细介绍如何绘制九宫格。在图6中，定位位置如图中气泡所示，针对一条候选道路，确定定位位置在该候选道路上的第一垂足。同时，确定目标终端的上游方向。在道路路网中，道路具有可行驶方向，如果沿着行驶方向的连通道路方向则是下游方向；相反，沿着行驶方向相反方向的连通道路则是上游方向。根据第一垂足的位置以及上游方向，确定九宫格的范围，其中九宫格的第一对边平行于上游方向，第二对边垂直于上游方向。具体地，从垂足沿着上游方向延伸p米，向垂直于上游方向的两边分别延伸q1米和q2米，构成九宫格的范围。九宫格中的9个格子可以为平均划分，也可以为不平均划分，使具体情形而定。然后统计每个格子内gps点的数量。如图6所示的格子中，从格子601至格子609，分布数量分别为：0，4，2，0，7，0，0，3，4。同一个目标终端的定位位置与辅助位置，针对不同的候选道路，绘出的九宫格位置不同，因此，gps点数量的分布也不相同。

此外，若目标终端的定位位置与辅助位置位于相邻两条候选道路之间，或者位于相交两条候选道路之间，则需要根据两条候选道路的道路属性选择上游方向。例如，若候选道路的上游方向存在不止一条连通道路时，优先选择与候选道路的道路等级相同的连通道路，若没有等级相同的连通道路，则优先选择等级较高的连通道路。

对于目标终端的n条候选道路，每一条候选道路均可以提取出如上所述的多个特征值。然后将该条候选道路的所有特征值输入概率确定模型中，计算出该条候选道路的吸附概率。

本申请实施例利用了概率确定模型对各个候选道路的吸附概率进行计算，本申请实施例中的概率确定模型一般为预先进行训练，得到最佳的模型参数。

较佳地，本申请实施例根据以下方式训练得到概率确定模型：

获取训练样本，训练样本中包含有训练终端的定位信息、训练终端的候选道路对应的特征值以及训练终端的吸附结果；

将训练样本输入初始概率确定模型，并根据输出的吸附概率及训练终端的吸附结果计算损失函数，当损失函数小于预设阈值时，确定对应的参数为概率确定模型对应的参数，得到概率确定模型。

本申请实施例中的概率确定算法为分类算法，可以为gbdt、lr(逻辑回归，logisticregression)算法、svm(支持向量机，supportvectormachine)算法、随机森林算法等。较佳地，本申请实施例采用gbdt算法进行吸附概率计算。

gbdt是一种迭代的决策树算法，由若干棵决策树组成。梯度提升树模型是一种决策树与提升方法(比如，xgboost)相结合的模型，其核心思想是：在构建一系列决策树的过程中，后一棵决策树所学习的是前面所有决策树的结论和残差，当后一棵决策树的残差小于设置的阈值或者达到迭代次数，则模型终止训练，通过这种不断拟合前面决策树残差的方式最终得到若干棵决策树。对待测样本，梯度提升树模型输出结果为k棵决策树的输出结果之和。在这个过程中，样本的选择是随机的，特征的选择也是随机的，这意味着总的训练集中有些样本可能多次出现在一棵树的训练集中，也可能从未出现在任何一棵树的训练集中。其主要步骤如下：应用重采样技术从m个模型训练样本中随机抽取n个样本集，并由此构建n棵决策树。对每棵决策树生长过程中，每一个节点从所有特征中随机抽取f个特征作为当前节点分裂的子集，在构建决策树时通常采用最小均方误差作为分裂的评判标准，以此选择最好的分裂方式。将n棵决策树组成最终的gbdt模型。

在具体实施过程中，梯度提升树模型最大树深度可以为5，迭代次数可以为100。

为了提高准确性和适用范围，本申请实施例中，训练样本包括正样本和负样本，且正样本和负样本的数量相同，例如均为l个。根据历史起点吸附结果记录和历史用户真实轨迹数据，筛选出吸附正确的训练样本作为正样本，吸附错误的训练样本作为负样本，正负样本占比：1比1，样本数据规模百万级。

其中，正样本包括第一训练终端的定位信息、第一训练终端的正确吸附结果以及第一训练终端的正确吸附道路对应的特征值；负样本包括第二训练终端的定位信息、第二训练终端的错误吸附结果以及第二训练终端的错误吸附道路对应的特征值。

上述第一训练终端与第二训练终端可以为同一个训练终端，也可以为不同终端。对于吸附正确的训练终端，训练终端对应n条候选道路，其中训练终端的候选道路确定方式与上述目标终端的候选道路的确定方式相同，这里不多赘述。对于一个训练终端的n条候选道路，对应n个训练样本，其中一个训练样本对应一条候选道路，且n个训练样本中，一个为正样本，即对应于吸附道路；其余n-1个为负样本，分别对应于其余n-1条候选道路。

在每个训练样本中，包含有概率确定模型的特征对应的所有特征值，具体的特征列表如表1所示，与目标终端的特征相同。

针对一个训练样本，将其中的特征值，以及吸附结果输入gbdt模型中进行训练。其中，吸附结果为正确吸附结果或者错误吸附结果，例如，正确吸附结果标记为1，错误吸附结果标记为0。

通过不断调整gbdt模型的参数，训练出最优的gbdt模型。gbdt模型的参数可以如下公式1所示。

下面以具体实施例对上述流程进行详细介绍，具体实施例的具体流程如下。

(1)获取目标终端的当前gps点，记为g。

(2)根据当前gps点的位置与各条路网道路之间的距离，选择n条路网道路作为候选道路。记候选道路集为l＝{lj|1≤j≤n}。令j＝1，执行步骤(3)。

(3)判断j是否大于n，若j＞n，则从候选道路集l中取出第j条候选道路lj，确定候选道路lj对应的gbdt特征值fj＝{fs|1≤s≤w}，其中，gbdt具有w个特征，执行步骤(4)。若j＝n，则执行步骤(5)。

(4)将特征值列表fj输入已训练的gbdt模型中，计算出吸附概率rj,0≤rj≤1。将j＝j+1，执行步骤(3)。

(5)获取n个候选道路的吸附概率t＝{tj|1≤j≤n}，执行步骤(6)。

(6)从n个候选道路中选出吸附概率最大的候选道路作为目标终端的当前gps点g的吸附道路。

(7)将当前gps点g在吸附道路上的垂足，作为当前gps点g在道路路网上的起点位置。

下述为本申请装置实施例，对于装置实施例中未详尽描述的细节，可以参考上述一一对应的方法实施例。

请参考图7，其示出了本申请一个实施例提供的数据处理的结构方框图。该跨链数据处理装置通过硬件或者软硬件的结合实现成为图1中服务器13的全部或者一部分。该装置包括：获取单元701、确定单元702、计算单元703、选择单元704、吸附单元705、训练单元706。

获取单元701，用于获取目标终端的定位位置；

确定单元702，用于根据所述目标终端的定位位置，确定所述目标终端的n条候选道路；

计算单元703，用于针对每一条候选道路，确定所述目标终端的定位信息以及所述候选道路对应于概率确定模型的特征值，并将所述定位信息与所述特征值输入已训练的概率确定模型，得到所述候选道路的吸附概率；所述概率确定模型利用训练终端的定位信息、所述训练终端的候选道路对应的特征值以及所述训练终端的吸附结果进行训练得到对应的模型参数；

选择单元704，用于将所述n条候选道路中吸附概率最高的候选道路作为所述目标终端的吸附道路；

吸附单元705，用于根据所述目标终端的定位位置与所述吸附道路之间的关系，确定所述目标终端在所述吸附道路上的起点位置。

一种可选的实施例中，所述确定单元702，具体用于：

确定道路网络中，与所述目标终端的定位位置之间的距离在距离阈值之内的m条路网道路；

从所述m条路网道路中，确定出与所述目标终端的定位位置之间的距离最近的n条路网道路作为所述候选道路；其中，n≤m。

一种可选的实施例中，所述目标终端的定位信息，包括：

所述目标终端的当前定位信息以及所述目标终端的辅助定位信息。

一种可选的实施例中，所述候选道路对应于概率确定模型的特征值，包括：

所述候选道路的道路属性信息，所述目标终端的当前定位信息与所述候选道路之间的关系信息，所述目标终端的辅助定位信息与所述候选道路之间的关系信息，以及所述目标终端的定位位置与辅助位置的分布信息。

一种可选的实施例中，所述计算单元703，具体用于：

确定所述目标终端的定位位置在所述候选道路上的第一垂足；

至少根据所述目标终端的辅助定位信息与所述定位位置之间的关系，确定所述目标终端的上游方向；

根据所述第一垂足的位置以及所述上游方向，确定路网划分范围；

确定所述目标终端的定位位置与辅助位置在所述路网划分范围中的分布信息。

一种可选的实施例中，所述吸附单元705，具体用于：

确定所述目标终端的定位位置在所述吸附道路上的第二垂足；

将所述第二垂足作为所述目标终端的起点位置。

一种可选的实施例中，还包括训练单元706，用于根据以下方式训练得到所述概率确定模型：

获取训练样本，所述训练样本中包含有所述训练终端的定位信息、所述训练终端的候选道路对应的特征值以及训练终端的吸附结果；

将所述训练样本输入初始概率确定模型，并根据输出的吸附概率及所述训练终端的吸附结果计算损失函数，当所述损失函数小于预设阈值时，确定对应的参数为所述概率确定模型对应的参数，得到所述概率确定模型。

一种可选的实施例中，所述训练单元，具体用于：

获取l个正样本以及l个负样本；其中，正样本包括第一训练终端的定位信息、所述第一训练终端的正确吸附结果以及所述第一训练终端的正确吸附道路对应的特征值；负样本包括第二训练终端的定位信息、所述第二训练终端的错误吸附结果以及所述第二训练终端的错误吸附道路对应的特征值。

请参考图8，其示出了本申请一个实施例提供的服务器的结构方框图。该服务器800实现为图1中的服务器13。具体来讲：

服务器800包括中央处理单元(cpu)801、包括随机存取存储器(ram)802和只读存储器(rom)803的系统存储器804，以及连接系统存储器804和中央处理单元801的系统总线805。所述服务器800还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(i/o系统)806，和用于存储操作系统813、应用程序814和其他程序模块815的大容量存储设备807。

所述基本输入/输出系统806包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中所述显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。所述基本输入/输出系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。

所述大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。所述大容量存储设备807及其相关联的计算机可读介质为服务器800提供非易失性存储。也就是说，所述大容量存储设备807可以包括诸如硬盘或者cd-rom驱动器之类的计算机可读介质(未示出)。

不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、eprom、eeprom、闪存或其他固态存储其技术，cd-rom、dvd或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器804和大容量存储设备807可以统称为存储器。

根据本申请的各种实施例，所述服务器800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器800可以通过连接在所述系统总线805上的网络接口单元811连接到网络812，或者说，也可以使用网络接口单元811来连接到其他类型的网络或远程计算机系统(未示出)。

所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序包含用于进行本申请实施例提供的签到方法的指令。

本领域普通技术人员可以理解上述实施例的签到方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取记忆体(ram，randomaccessmemory)、磁盘或光盘等。

本领域普通技术人员可以理解上述实施例的签到方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取记忆体(ram，randomaccessmemory)、磁盘或光盘等。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

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