[发明专利]用于地图绑定的人工智能系统和方法

说明书

本申请涉及用于地图绑定的人工智能系统和方法。系统可以执行以下方法：获得包括至少两个定位点的GPS轨迹；对于至少两个定位点中的每一个定位点，获得至少一个候选配对，至少一个候选配对中的每一个包括定位点和该定位点第一预定距离内的路段；对于至少一个候选配对中的每一个，根据训练好的监督学习模型或道路补全模型中的至少一个来确定发射概率；根据发射概率确定与GPS轨迹匹配的路线；并指示用户终端显示与用户终端相关联的当前定位点与所确定的路线之间的匹配。

技术领域

本申请涉及用于地图绑定的人工智能系统和方法，更具体地，涉及用于基于定位点数据确定和显示车辆正在其上移动的路线的人工智能系统和方法。

背景技术

用于地图绑定的现有方法通常使用隐马尔可夫模型(HMM)来预测定位点数据(例如，GPS数据)和路线之间的匹配关系。然而，现有方法的问题在于HMM通常不能完全使用多维样本数据来预测合理的映射结果。虽然使用监督学习方法的地图绑定方法可以充分利用多维样本数据，但是不仅浪费人力来标记样本数据，而且还无法补全缺少样本数据的道路。因此，使用现有方法，有时无法预测地图映射的合理结果。期望提供用于地图映射的人工智能系统和方法。

发明内容

本申请的一个方面介绍了一种用于地图绑定的人工智能系统。该系统可以包括至少一个存储介质，该存储介质包括用于地图绑定的一组指令；至少一个处理器与存储介质通信，其中当执行该组指令时，该至少一个处理器用于：获得包括至少两个定位点的GPS轨迹，其中至少两个定位点中的两个相邻定位点分别对应两个相邻时间点；对于至少两个定位点中的每一个定位点，获得至少一个候选配对，至少一个候选配对中的每一个包括定位点和该定位点第一预定距离内的路段；对于至少一个候选配对中的每一个，根据训练好的监督学习模型或道路补全模型中的至少一个来确定发射概率；根据发射概率确定与GPS轨迹匹配的路线；并指示用户终端显示与用户终端相关联的当前定位点与所确定的路线之间的匹配。

在一些实施例中，训练好的监督学习模型通过以下方式获得：获得至少两个车辆的至少两个历史GPS轨迹，至少两个历史GPS轨迹中的每一个包括至少两个历史定位点；对于每个历史轨迹的至少两个历史定位点中的每一个，获得至少一个历史候选配对，所述至少一个历史候选配对中的每一个包括一个历史定位点和对应该历史定位点第二预定距离内的历史路段；对于至少一个历史候选配对中的每一个，获得反映车辆与对应历史路段之间的一个或以上关系的至少两个特征；根据训练好的隐马尔可夫模型(HMM)获得至少两个历史定位点中的每一个的候选匹配结果；以及根据至少两个特征和候选匹配结果训练初始监督学习模型，以获得训练好的监督学习模型。

在一些实施例中，所述至少一个处理器还用于：根据所确定的路线和对应的GPS轨迹来更新训练好的监督学习模型。

在一些实施例中，至少两个特征包括以下中的至少一个：车辆的点速度与对应的路段之间的角度；车辆的线速度与对应的路段之间的角度；定位点与对应路段之间的距离；或路段的道路特征。

在一些实施例中，所述至少一个处理器还用于：根据合理性模型确定对应于两个相邻定位点的两个路段是否合理；并且响应于确定对应于两个相邻定位点的两个路段是合理的，根据训练好的监督学习模型确定发射概率。

在一些实施例中，所述至少一个处理器还用于：响应于确定对应于两个相邻定位点的两个路段不合理，根据训练好的监督学习模型和道路补全模型确定发射概率。

在一些实施例中，为了根据训练好的监督学习模型和道路补全模型确定发射概率，所述至少一个处理器还用于：根据训练好的监督学习模型确定概率成分；根据道路补全模型确定惩罚因子，该惩罚因子用于修正两个不合理的相邻点；并根据概率成分和惩罚因子确定发射概率。

在一些实施例中，合理性模型包括N-Gram模型。

在一些实施例中，训练好的监督学习模型包括以下中的至少一个：梯度提升决策树 (GBDT)模型、循环神经网络(RNN)模型或卷积神经网络(CNN)模型。