用于预测道路属性的方法和数据处理系统技术方案

本披露内容涉及一种预测一个或多个道路属性的方法。该方法可以包括提供地理区域的轨迹数据。该方法可以进一步包括提供地图数据，其中，该地图数据可以包括该地理区域的图像数据。该方法可以进一步包括从该轨迹数据中提取轨迹特征以及从该地图数据中提取地图特征。该方法可以进一步包括使用至少一个处理器，通过将这些轨迹特征与这些地图特征输入到神经网络中以及通过将该神经网络的输出分类为道路属性的预测概率来预测这些道路属性。本披露内容还涉及一种数据处理系统；一种存储计算机可执行代码的非暂态计算机可读介质；以及一种训练自动预测器的方法。练自动预测器的方法。练自动预测器的方法。

【技术实现步骤摘要】
【国外来华专利技术】用于预测道路属性的方法和数据处理系统


[0001]各个实施例涉及一种预测道路属性以创建或更新地理区域的数字地图的方法，一种被配置成执行该方法的数据处理系统，一种包括用于提取道路属性的指令的计算机可执行代码，一种存储该计算机可执行代码的非暂态计算机可读介质，以及一种用于训练道路属性的自动预测器的方法。

技术介绍

[0002]打车服务提供商的服务在很大程度上依赖于数字地图的质量。不完整的地图数据(如缺少道路，或甚至缺少道路属性)可能导致误导性的路线选择决策或对驾驶员到达时间的不准确预测。但是，商业地图和免费地图的更新仍然极大的依赖于来自人工的手动标注。高昂的成本导致地图具有低完整性以及不准确的过时数据。以开放式街道地图(OSM)为例，其为社会提供了用户生成的世界地图，但其数据完整性和准确性在不同城市中差异很大。例如，在新加坡，虽然大部分道路在地图上都标注了单向或双向标签，但只有约40％和9％的道路分别标注了车道数量和市区限速。
[0003]因此，当前更新地图数据的方法具有缺点，并且期望提供一种改进的更新地图数据的方法。

技术实现思路

[0004]本披露内容涉及一种预测一个或多个道路属性的方法、一种数据处理系统、一种存储用于执行该方法的计算机可执行代码的非暂态计算机可读介质、一种计算机可执行代码以及一种用于训练自动预测器的方法。
[0005]本披露内容的第一方面涉及一种预测与地理区域中的道路相对应的一个或多个道路属性的方法。例如，用于创建或更新地理区域的地图和/或车辆路线选择决策数据库。地理区域包括道路段。该方法可以包括提供地理区域的轨迹数据。该方法可以进一步包括提供地图数据，其中，该地图数据可以包括该地理区域的图像数据。该方法可以进一步包括从轨迹数据中提取轨迹特征。该方法可以进一步包括从地图数据中提取地图特征。该方法可以进一步包括使用至少一个处理器，通过将这些轨迹特征与这些地图特征输入到神经网络中以及通过将该神经网络的输出分类为道路属性的预测概率来预测这些道路属性。神经网络和分类器可以包括在分类器逻辑中。分类器逻辑可以是经训练的分类器逻辑。
[0006]本披露内容的第二方面涉及一种数据处理系统。该数据处理系统可以包括一个或多个处理器。该数据处理系统和/或这些处理器可以被配置成执行该预测道路属性的方法。
[0007]本披露内容的第三方面涉及一种存储有计算机可执行代码的非暂态计算机可读介质，该计算机可执行代码包括用于根据各个实施例的根据预测一个或多个道路属性的方法来提取道路属性的指令。
[0008]本披露内容的第四方面涉及一种计算机可执行代码，该计算机可执行代码包括用于根据各个实施例的根据预测一个或多个道路属性的方法来提取道路属性的指令。
[0009]本披露内容的第五方面涉及一种计算机程序产品，该计算机程序产品被配置成执行用于根据各个实施例的根据预测一个或多个道路属性的方法来提取道路属性的指令。
[0010]本披露内容的第六方面涉及一种用于训练自动预测器的方法。根据各个实施例，该自动预测器可以包括在数据处理系统中。该训练方法可以包括：对于地理区域的多个道路段，通过将训练数据输入到自动预测器中来执行前向传播，以获得输出结果。该训练数据可以包括轨迹特征。该训练数据可以进一步包括具有电子图像格式的地图特征。该训练方法可以包括根据该输出结果与预期结果之间的差异来执行反向传播，以调整该自动预测器的权重。该差异可以使用损失函数计算为损失。该训练方法可以包括重复上述执行前向传播和反向传播的步骤，直到达到预定收敛阈值。该自动预测器可以包括神经网络，该神经网络被配置成基于轨迹特征和地图特征来预测道路属性。该自动预测器可以包括分类器，该分类器被配置成将该神经网络的输出分类为这些道路属性的预测概率。
[0011]本披露内容的第七方面涉及一种经训练的自动预测器，以及一种包括由根据各个实施例的该训练方法训练的自动预测器的经训练的自动预测器。
附图说明
[0012]当结合非限制性示例和附图考虑时，参考具体实施方式将更好地理解本专利技术，在附图中：
‑‑
图1示出了包括图像数据(122)形式的地图数据120的地理区域10的部分表示。在该表示中，轨迹数据110覆盖在地图数据(122)上；
‑
图2示出了以道路段22为中心的裁剪后图像123；
‑
图3示出了数据处理系统3000的示意性表示，其包括数据提取、由神经网络300进行的神经网络处理以及由分类器400进行的分类，用于生成预测概率500；
‑
图4示出了路线选择请求和决策系统4000的示意性表示；
‑
图5示出了神经网络300的一部分的示意性表示，其包括输出与关注分数α
x
融合的共享全球轨迹特征316的第一子神经网络311。
‑
图6示出了神经网络300的一部分的示意性表示，其包括输出与关注分数α
v
融合的共享全球地图特征326的第二子神经网络321；
‑
图7示出了(a)第一子神经网络311的架构和(b)第二子神经网络322的架构的示意性表示；以及
‑
图8示出了示例性计算机8000的架构，其可以用于实施根据各个实施例的任何系统或根据各个实施例的任何方法。
具体实施方式
[0013]以下具体实施方式参考了附图，附图通过展示的方式示出了可以实践本披露内容的具体细节和实施例。足够详细地描述了这些实施例，以使本领域技术人员能够实践本披露内容。可以利用其他实施例并且可以在不脱离本披露内容的范围的情况下进行结构改变和逻辑改变。各个实施例不一定是相互排斥的，因为一些实施例可以与一个或多个其他实施例组合以形成新的实施例。
[0014]在预测方法、系统、计算机可执行代码、非暂态计算机可读介质以及训练方法之一
的上下文中描述的实施例对于其他预测方法、系统、计算机可执行代码、非暂态计算机可读介质以及训练方法是类似有效的。类似地，在预测方法的上下文中描述的实施例对于系统是类似有效的，反之亦然。
[0015]在实施例的上下文中描述的特征可以相应地适用于其他实施例中的相同或类似的特征。在实施例的上下文中描述的特征即使未在其他实施例中明确地描述也可以相应地适用于这些其他实施例。此外，如针对实施例的上下文中的特征所描述的添加和/或组合和/或替代可以相应地适用于其他实施例中的相同或类似的特征。
[0016]在各个实施例的上下文中，针对特征或元素所使用的冠词“一(a)”、“一个(an)”和“该(the)”包括对一个或多个特征或元素的提及。
[0017]如本文所使用的，术语“和/或”包括一个或多个相关联所列项中的任何和所有组合。
[0018]术语“第一”和“第二”在本文中可以用于区分要素或方法步骤，并且对此不作其他限制，例如，可以在无需提供“第一”要素或方法的情况下提供“第二”要素或方法步骤。
[0019]如本文所使用的，术语“道路”可意指被设想本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种预测与地理区域(10)中的道路相对应的一个或多个道路属性(20)的方法，该地理区域(10)包括道路段(21)，该方法包括：提供该地理区域(10)的轨迹数据(110)；提供地图数据(120)，其中，该地图数据包括该地理区域的图像数据(122)；从该轨迹数据(110)中提取轨迹特征(210)；从该地图数据(120)中提取地图特征(220)；以及使用至少一个处理器，通过将这些轨迹特征(210)和这些地图特征(220)输入到神经网络(300)中以及通过将该神经网络(300)的输出分类为道路属性(20)的预测概率(500)来预测这些道路属性(20)。2.如权利要求1所述的方法，其中，该神经网络(300)被配置成接收这些轨迹特征(210)和这些地图特征(220)，并生成特定任务融合表示(330)，并且其中，分类由分类器(400)执行，该分类器(400)被配置成基于该特定任务融合表示(330)来计算这些预测概率(500)中的一个或多个。3.如权利要求1或权利要求2所述的方法，其中，这些轨迹特征(210)由第一子神经网络(311)处理成共享全球轨迹特征(316)，其中，该第一子神经网络(311)包括一个或多个全连接层(312，314)。4.如权利要求2或权利要求3所述的方法，进一步包括基于该轨迹数据(110)来确定与道路属性(20)相对应的预定义指示符(216)的关注分数(α
x
)，其中，这些预定义指示符(216)由全连接层(317)处理，并且其中，这些关注分数(α
x
)基于激活函数来确定。5.如权利要求4所述的方法，其中，基于这些关注分数(α
x
)与该第一子神经网络(311)的共享全球轨迹特征(316)的融合来计算轨迹特定任务加权表示。6.如前述权利要求中任一项所述的方法，其中，这些地图特征(220)由第二子神经网络(321)处理成共享全球地图特征(326)。7.如权利要求6所述的方法，进一步包括基于这些共享全球地图特征(326)来计算预定义指示符(226)的第二关注分数(α
v
)，其中，这些预定义指示符(226)由第二全连接层(327)处理，并且其中，这些第二关注分数(α
v
)基于激活函数来确定。8.如权利要求7所述的方法，其中，基于这些第二关注分数(α
v
)与该第二子神经网络(321)的共享全球地图特征(326)的融合来计算地图特定任务加权表示。9.如权利要求5所述的方法，其中，这些地图特征(220)由第二子神经网络(321)处理成共享全球地图特征(326)；该方法进一步包括基于这些共享全球地图特征(326)来计算预定义指示符(226)的第二关注分数(α
v
)，其中，这些预定义指示符(226)由第二全连接层(327)处理；这些第二关注分数(α
v
)基于激活函数来确定，其中，基于这些第二关注分数(α
v
)与该第二子神经网络(321)的共享全球地图特征(326)的融合来计算地图特定任务加权表示；并且基于这些地图特定任务加权表示和这些轨迹特定任务加权表示来确定特定任务融合表示(330)。10.如前述权利要求中任一项所述的方法，其中，从该地图数据(120)中提取地图特征(220)包括通过裁剪来自该图像数据(122)的图像来生成裁剪后图像(123)，其中，这些裁剪
后图像(123)以这些道路段(21)中的对应道路段(22)为中心。11.如前述权利要求中任一项所述的方法，其中，从该轨迹数据(110)中提取轨迹特征(210)包括确定该轨迹数据(110)中与这些道路段(21)中的道路段(22)相关联的一组迹线(23)。12.如权利要求11所述的方法，其中，从该轨迹数据(110)中提取轨迹特征(210)进一步包括计算位置、方位和速度中的一项或多项的相应分布，以及将这些分布用作这些轨迹特征(210)。13.如前述权利要求中任一项所述的方法，其中，该轨迹数据(110)包括多个数据点，每个数据点包括纬度、经度、方位和速度。14.一种数据处理系统，包括一个或多个处理器，该一个或多个处理器被配置成执行该预测道路属性(20)的方法，该数据处理系统包括：第一存储器，该第一存储器被配置成存储该地理区域(10)的轨迹数据(110)；第二存储器，该第二存储器被配置成存储地图数据(120)，其中，该地图数据(120)包括该地理区域的图像数据(122)；轨迹特征提取器(211)，该轨迹特征提取器被配置成从该轨迹数据(110)中提取轨迹特征(210)；地图特征提取器(221)，该地图特征提取器被配置成从该地图数据(120)中提取地图特征(220)；神经网络(300)，该神经网络被配置成基于轨迹特征(210)和地图特征(220)来预测道路属性(20)；分类...

【专利技术属性】
技术研发人员：尹一方，杰甘纳丹，
申请(专利权)人：格步计程车控股私人有限公司，
类型：发明
国别省市：