[发明专利]一种轨迹查询方法、系统及装置

说明书

本申请实施例公开了一种轨迹查询方法、系统和装置。所述方法包括：匹配历史轨迹数据和道路网的路段数据，建立路段与历史轨迹之间的映射关系；根据路段数据生成以所述路段数据为空间对象的路网索引；根据路段数据，计算查询点到各个路段的距离；确定待选轨迹所属的候选集，包括：对每个查询点，使用路网索引查找距离最近的一条或多个路段，将与所述最近的一条或多条路段相映射的历史轨迹放入查询点的子候选集中，直至子候选集的交集中存在至少K条历史轨迹；将子候选集合并为候选集；选取候选集中与所述查询点的距离和最小的K条历史轨迹。这种方式能够提高轨迹查询的效率和准确度。

技术领域

本申请涉及导航技术领域，尤其涉及一种轨迹查询方法、系统及装置。

背景技术

给定多个查询点,在历史轨迹中找到与这些查询点的距离的和最小的一条或多条轨迹，是多点轨迹查询方法所要解决的问题。其中，所述轨迹可以是动物的行动轨迹或者交通工具的行驶轨迹。例如旅游过程中，游客希望在一天内游览多个景点，如果将这些景点作为查询点，多点轨迹查询就是从历史行驶路线中找到距离这些景点最近的一条或多条行驶路线，从而帮助游客进行路线规划。

多点轨迹查询方法中，历史轨迹由在动物或交通工具行动或行驶过程中实时采集的GPS位置信息组成。基于采集的历史轨迹数据，多点轨迹查询方法通常分为两个步骤：先通过查询算法确定离查询点最近，也就是与查询点的距离的和最小的一条或多条轨迹所在的候选集，所述候选集为历史轨迹数据集合的子集；然后对候选集中的每条轨迹，计算其到各个查询点的距离和，将各个轨迹按所述距离和从小到大排列，选取最小的前K条历史轨迹，作为最终结果。其中，查询算法是多点轨迹查询方法的重点。

现有的多点轨迹查询算法主要包括IKNN(Incremental k-NN based Algorithm，扩展的K近邻算法)、GH(Global Heap，全局堆)和SRA(Spatial Range-based Approach，基于空间区域的算法)。

其中，IKNN构建以轨迹为结点的R树空间索引，使用扩展的K近邻算法在R树中进行搜索，确定离查询点最近的K条历史轨迹所在的候选集。IKNN中，扩展的K近邻算法以查询点与轨迹之间的相似度为搜索距离：

上式中m为查询点个数，Q是查询点的集合，T是一条轨迹，e是自然常数，Dist(q_i,T)是查询点q_i到轨迹T的欧氏距离，相似度会越大，查询点距离轨迹越近。

GH对每个查询点q_i都建立一个独立堆,独立堆中含有该查询点和所有轨迹点组成的二元组，并使其按照轨迹点到查询点的距离从小到大排列，再选择其中距离最小的二元组，以此为基础建立一个全局堆，然后以全局堆为索引基础进行搜索，确定离查询点最近的K条历史轨迹所在的候选集。GH中的搜索距离是查询点到轨迹T_x的欧式距离的累加：

SRA构建以轨迹为结点的R树空间索引，基于轨迹R树进行空间区域搜索，来确定离查询点最近的K条历史轨迹所在的候选集，其所使用的搜索距离与GH所使用的搜索距离相同。

但是，现有的多点轨迹查询算法都是基于查询点到轨迹的欧氏距离进行搜索，查询点到轨迹的欧氏距离根据轨迹的GPS(Global Positioning System，全球定位系统)数据计算，由于GPS数据与真实位置数据之间存在偏移，查询点到轨迹的欧氏距离也将偏移查询点到实际轨迹的真实距离，产生很大的计算误差，导致查询准确度降低。再者，现有的多点轨迹查询方法都是基于轨迹构造空间索引，把所有轨迹的GPS点放在一个R树下或者堆中，由于轨迹和轨迹点数量众多，索引结构将非常庞大，导致索引速度慢，查询效率低。

发明内容

本申请提供了一种轨迹查询方法、系统及装置，以解决现有技术中轨迹查询效率低的问题。