一种目标对象的航迹处理方法、装置及设备与流程

1.本发明涉及船舶轨迹处理技术领域，特别是指一种目标对象的航迹处理方法、装置及设备。


背景技术：

2.对于近海雷达目标而言，其目标更新时间在2到3秒之间，而ais目标的更新时间不定，经过融合处理后，融合目标的更新周期一般在3到10秒之间。对于不同运动状态的目标，其轨迹信息的冗余度差异较大，例如停泊或固定位置目标，其冗余度最大，而对于按特定航向航行的目标，其轨迹冗余度也较大。如果原始轨迹进行可视化和轨迹特征识别，对web前端和后端算法的压力会很大。传统的轨迹压缩算法在保真度(轨迹特征的保留)和压缩率方面很难得到平衡；如何提高压缩率，降低轨迹特征的损失是本发明所要解决的主要技术问题。


技术实现要素：

3.本发明要解决的技术问题是提供一种目标对象的航迹处理方法、装置及设备，以提高轨迹压缩率，降低轨迹特征值的损失。
4.为解决上述技术问题，本发明的技术方案如下：
5.本发明的实施例提供一种目标对象的航迹处理方法，所述方法包括：
6.获取目标对象的航迹的轨迹点集合；
7.对所述轨迹点集合进行过滤处理，得到第一轨迹点集合，所述第一轨迹点集合中包括各轨迹点的数据信息；
8.根据所述第一轨迹点集合中各轨迹点的数据信息，确定各轨迹点的运动状态；
9.根据所述运动状态，对所述第一轨迹点集合进行压缩处理，得到第二轨迹点集合。
10.可选的，对所述轨迹点集合进行过滤处理，得到第一轨迹点集合，包括：
11.根据所述轨迹点集合中t-1时刻轨迹点的位置估计值以及t时刻轨迹点的速度测量值、航向测量值，获取t时刻轨迹点的位置预测值，t大于或等于1，当t等于1时初始轨迹点的位置估计值为位置测量值；
12.根据t时刻轨迹点的位置预测值以及t时刻轨迹点的位置测量值，获得所述t时刻轨迹点的位置估计值；
13.根据所述估计值，获取所述第一轨迹点集合。
14.可选的，根据所述轨迹点集合中t时刻轨迹点的速度测量值、航向测量值以及t-1时刻轨迹点的位置估计值，获取t时刻轨迹点的位置预测值，包括：
15.根据公式x”i
＝x'
i-1
vi*sin(ci)*(t
i-t
i-1
)/cos(yi)以及y”i
＝y'
i-1
vi*cos(ci)*(t
i-t
i-1
)获得t时刻轨迹点的位置预测值；
16.根据公式x'i＝x”i
α*(xi-x”i
)以及y'i＝y”i
α*(y
i-y”i
)获得t时刻轨迹点的位置估计值；
17.其中，i小于或等于t，t大于或等于1，
ɑ
为卡尔曼系数，x'i为轨迹点的经度估计值，yi'为轨迹点的纬度估计值，x”i
为轨迹点的经度预测值，y
i”为轨迹点的纬度预测值；vi为轨迹点的速度测量值，ci为轨迹点的航向测量值。
18.可选的，根据所述第一轨迹点集合中各轨迹点的数据信息，确定各轨迹点的运动状态，包括：
19.获取一预设时间段内所述第一轨迹点集合的子集合；
20.根据所述子集合中各轨迹点的数据信息，获得轨迹点的特征向量；
21.根据所述特征向量，确定所述第一轨迹点集合中t时刻轨迹点的运动状态。
22.可选的，所述数据信息包括以下至少一项：
23.轨迹点的位置信息；
24.轨迹点的航向测量值；
25.轨迹点的速度测量值；轨迹点的时间戳；
26.所述特征向量包括以下至少一项：
27.t时刻轨迹点的速度测量值；
28.轨迹重叠率。
29.可选的，根据所述运动状态，对所述第一轨迹点集合进行压缩处理，得到第二轨迹点集合，包括：
30.当各轨迹点为静止状态时，根据第一预设时间间隔对所述第一轨迹点集合进行第一次抽点压缩，获得第一压缩轨迹点集合；
31.对所述第一压缩轨迹点集合进行聚类，并根据第二预设时间间隔进行第二次抽点压缩，获得第二轨迹点集合。
32.可选的，根据所述运动状态，对所述第一轨迹点集合进行压缩处理，得到第二轨迹点集合，包括：
33.当各轨迹点为运动状态时，根据所述第一轨迹点集合的第一滑动轨迹段的线性度，对所述第一轨迹点集合进行第一次滑窗式压缩，获得第一压缩轨迹点集合，所述第一滑动轨迹段为第一预设时间段内，所述第一轨迹点集合中的轨迹点形成的轨迹段；
34.对所述第一压缩轨迹点集合进行滑窗式过滤处理，获得第二过滤轨迹点集合；
35.根据所述第二过滤轨迹点集合的第二滑动轨迹段的线性度，对所述第二过滤轨迹点集合进行第二次滑窗式压缩，获得第二轨迹点集合，所述第二滑动轨迹段为第二预设时间段内，所述第二过滤轨迹点集合中的轨迹点形成的轨迹段。
36.本发明的实施例还提供一种目标航迹的处理装置，其所述装置包括：
37.获取模块，用于获取目标对象的航迹的轨迹点集合；
38.处理模块，用于对所述轨迹点集合进行过滤处理，得到第一级轨迹点集合，所述第一轨迹点集合中包括各轨迹点的数据信息；根据所述第一轨迹点集合中各轨迹点的数据信息，确定各轨迹点的运动状态；根据所述运动状态，对所述第一轨迹点集合进行压缩处理，得到第二轨迹点集合。
39.本发明的实施例还提供一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
40.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上
述所述的方法对应的操作。
41.本发明的实施例还提供一种计算机可读存储介质，存储有指令，所述指令在计算机上运行时，使得计算机执行如上述所述的方法。
42.本发明的上述方案至少包括以下有益效果：
43.本发明的上述方案，通过对所述轨迹点集合进行过滤处理，以达到轨迹点位置信息噪声滤除的目的，并得到第一轨迹点集合，所述第一轨迹点集合中包括各轨迹点的数据信息；根据所述第一轨迹点集合中各轨迹点的数据信息，确定各轨迹点的运动状态；根据所述运动状态，对所述第一轨迹点集合进行压缩处理，得到第二轨迹点集合，结合轨迹点集合中轨迹点的运动状态，对轨迹点集合进行压缩处理，提高压缩效率，同时能够避免轨迹点数据失真。
附图说明
44.图1是本发明实施例提供的目标对象的航迹处理方法流程图；
45.图2是本发明实施例提供的目标对象的航迹处理方法的实现流程图；
46.图3是本发明实施例提供的目标对象的航迹处理装置的模块示意图。
具体实施方式
47.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
48.如图1所示，本发明的实施例提出一种目标对象的航迹处理方法，所述方法包括：
49.步骤11，获取目标对象的航迹的轨迹点集合；
50.步骤12，对所述轨迹点集合进行过滤处理，得到第一轨迹点集合，所述第一轨迹点集合中包括各轨迹点的数据信息；
51.步骤13，根据所述第一轨迹点集合中各轨迹点的数据信息，确定各轨迹点的运动状态；
52.步骤14，根据所述运动状态，对所述第一轨迹点集合进行压缩处理，得到第二轨迹点集合。
53.该实施例中，获取的目标对象航迹的轨迹点集合为原始轨迹点集合，所述原始轨迹点集合中包含各轨迹点的原始数据信息；通过对原始轨迹点集合进行过滤处理，得到第一轨迹点集合，所述第一轨迹点集合中包含各轨迹点经过滤处理后的过滤数据信息；所述原始数据信息与所述过滤数据信息均包括轨迹点的时间戳、经度、纬度、速度以及航向；在该实施例中，可以使用卡尔曼滤波算法对所述轨迹点集合中的各个轨迹点进行逐点滤波处理，也即是对轨迹点的数据信息进行处理，以消除轨迹点噪声，实现轨迹点的初次过滤处理，以便于后续进行压缩处理；优选的，在进行逐点滤波处理之前还包括对轨迹点的数据信息进行清洗，所述清洗包括但不限于无效数据以及异常数据的处理，以保证后续逐点滤波处理的准确性；
54.所述原始轨迹点集合可以表示为p＝(p1，p2，p3，
…
，pn)，其中轨迹点pi＝(ti，xi，yi，
vi，ci)，ti表示轨迹点pi的时间戳，xi表示轨迹点pi的经度测量值，yi表示轨迹点pi的纬度测量值，vi表示轨迹点pi的速度测量值，ci表示轨迹点pi的航向测量值，i与n为正整数，i小于或等于n；通过对原始轨迹点集合中各原始轨迹点的数据信息进行过滤处理，获得过滤处理后的数据信息对应的各第一轨迹点以及第一轨迹点集合，根据所述过滤处理后的数据信息，判断各第一轨迹点的运动状态，并依据各第一轨迹点的不同运动状态，对所述第一轨迹点集合进行不同方式的压缩处理，以降低第一轨迹点集合中轨迹点数据信息的冗余度，以实现对目标轨迹进行更大程度的压缩，进一步提高压缩效率。
55.本发明的一可选实施例中，上述步骤12，可以包括：
56.步骤121，根据所述轨迹点集合中t-1时刻轨迹点的位置估计值以及t时刻轨迹点的速度测量值、航向测量值，获取t时刻轨迹点的位置预测值，t大于或等于1，当t等于1时初始轨迹点的位置估计值为位置测量值；
57.步骤122，根据t时刻轨迹点的位置预测值以及t时刻轨迹点的位置测量值，获得所述t时刻轨迹点的位置估计值；
58.步骤123，根据所述估计值，获取所述第一轨迹点集合。
59.该实施例中，所述位置测量可以是依据相关仪器测得的目标的位置信息，所述位置测量值包括轨迹点的经纬度测量值，所述位置估计值包括轨迹点的经纬度估计值，所述位置预测值包括轨迹点的经纬度预测值；所述轨迹点集合中初始时刻轨迹点的位置估计值即为该轨迹点的位置测量值，根据初始对轨迹点集合中的个轨迹点进行过滤处理，依据初始时刻轨迹点的位置估计值即位置测量值，以及初始时刻轨迹点的下一时刻轨迹点的速度测量值，获得所述下一时刻轨迹点的位置预测值，再依据所述下一时刻轨迹点的位置预测值和位置测量值获得所述下一时刻轨迹点的位置估计值，通过前述的方法逐点对初始轨迹点集合中的轨迹点进行处理，获得各初始轨迹点对应处理后的各第一轨迹点的位置估计值，并形成第一轨迹点集合，以实现对初始轨迹点集合中各轨迹点位置信息噪声滤除的目的。
60.本发明的一可选实施例中，上述步骤122，可以包括：
61.步骤1221，根据公式x”i
＝x'
i-1
vi*sin(ci)*(t
i-t
i-1
)/cos(yi)以及y”i
＝y'
i-1
vi*cos(ci)*(t
i-t
i-1
)获得t时刻轨迹点的位置预测值；
62.根据公式x'i＝x”i
α*(x
i-x”i
)以及y'i＝y”i
α*(y
i-y”i
)获得t时刻轨迹点的位置估计值；
63.其中，i小于或等于t，t大于或等于1，
ɑ
为卡尔曼系数，x'i为轨迹点的经度估计值，y'i为轨迹点的纬度估计值，x”i
为轨迹点的经度预测值，y”i
为轨迹点的纬度预测值；vi为轨迹点的速度测量值，ci为轨迹点的航向测量值；该实施例中，初始轨迹点的噪声越大，卡尔曼系数需随之增大，以达到较好的去噪效果，优选的，卡尔曼系数的初始设定值可以是0.8。
64.本发明的一可选实施例中，上述步骤13，可以包括：
65.步骤131，获取一预设时间段内，所述第一轨迹点集合中的轨迹点形成的一滑动轨迹单元；
66.步骤132，根据所述滑动轨迹单元中各轨迹点的数据信息，获得轨迹点的特征向量；
67.步骤133，根据所述特征向量，确定所述第一轨迹点集合中t时刻轨迹点的运动状
态。
68.该实施例中，所述预设时间段可以是依据经验值设定的，预设时间段的取值范围为1-2分钟，进一步的，所述数据信息包括以下至少一项：轨迹点的位置信息，也即是轨迹点的经纬度；轨迹点的航向测量值；轨迹点的速度测量值；轨迹点的时间戳；所述特征向量包括以下至少一项：t时刻轨迹点的速度测量值；轨迹重叠率；t时刻轨迹点的速度平均值；所述速度测量是根据位置信息推算而得，当前的速度测量值代表的是前一时段的平均速度；
69.借助机器学习，以历史轨迹点的当前速度，平均速度，轨迹重叠率等构成特征向量，训练决策树模型，获得不同状态下的轨迹点对应的决策树模型，将当前所述滑动轨迹单元中的轨迹点的数据形成的特征向量输入训练好的决策树模型中，判断所述滑动轨迹单元中的轨迹点运动状态；优选的，轨迹重叠率可以通过以下公式计算得到：
[0070][0071]
其中，其中xi，yi分别表示当前滑动轨迹单元的n个轨迹点中第i个轨迹点的经度估计值和纬度估计值，x
max
，x
min
，y
max
，y
min
分别表示当前滑动轨迹单元的中轨迹点的最大经度估计值、最小经度估计值、最大纬度估计值以及最小纬度估计值。
[0072]
本发明的一可选实施例中，在上述步骤14中，当各轨迹点为静止状态时，可以包括：
[0073]
步骤14-01，当各轨迹点为静止状态时，根据第一预设时间间隔对所述第一轨迹点集合进行第一次抽点压缩，获得第一压缩轨迹点集合；
[0074]
步骤14-02，对所述第一压缩轨迹点集合进行聚类，并根据第二预设时间间隔进行第二次抽点压缩，获得第二轨迹点集合。
[0075]
该实施例中，所述第一预设时间间隔以及所述第二预设时间间隔可以是根据系统存储空间的大小以及压缩率的要求进行设定，压缩率越高，所述第一预设时间间隔以及所述第二预设时间间隔就越大；根据第一预设时间间隔对所述第一轨迹点集合进行第一次抽点压缩，例如所述第一预设时间间隔可以设置为15分钟时，也即是在所述第一轨迹点集合中，每间隔15分钟保留一个静止轨迹点，以保留下来的轨迹点形成第一压缩轨迹点集合，以减小轨迹点集合的冗余度；
[0076]
对所述第一压缩轨迹点集合进行聚类处理，优选的，可以采用dbscan算法进行聚类分析，并根据所述第二预设时间间隔，对聚类后的第一压缩轨迹点集合进行第二次抽点压缩，第二次抽点压缩在第一次抽点压缩基础上，对一级压缩轨迹点进行的二次压缩，固所述第二预设时间间隔的设定值应大于所述第一预设时间间隔的设定值；对聚类后的第一压缩轨迹点集合进行二次压缩，可以使距离当前时刻轨迹点稍远的历史轨迹点得到更大的压缩率，进一步降低轨迹点集合的冗余度。
[0077]
本发明的一可选实施例中，在上述步骤14中，当各轨迹点为运动状态时，可以包括：
[0078]
步骤14-11，当各轨迹点为运动状态时，根据所述第一轨迹点集合的第一滑动轨迹段的第一线性度，对所述第一轨迹点集合进行第一次滑窗式压缩，获得第一压缩轨迹点集合，所述第一滑动轨迹段为第一预设时间段内，所述第一轨迹点集合中的轨迹点形成的轨
迹段；
[0079]
步骤14-12，对所述第一压缩轨迹点集合进行滑窗式过滤处理，获得第二过滤轨迹点集合；
[0080]
步骤14-13，根据所述第二过滤轨迹点集合的第二滑动轨迹段的第二线性度，对所述第二过滤轨迹点集合进行第二次滑窗式压缩，获得第二轨迹点集合，所述第二滑动轨迹段为第二预设时间段内，所述第二过滤轨迹点集合中的轨迹点形成的轨迹段。
[0081]
该实施例中，所述步骤14-11、步骤14-12与步骤14-13是对运动状态的轨迹点进行的压缩的处理步骤，并不是基于步骤14-01、步骤14-02；
[0082]
当各轨迹点为运动状态时，根据所述第一轨迹点集合的第一滑动轨迹段的第一线性度，对所述第一轨迹点集合进行第一次滑窗式压缩；当所述第一线性度满足第一预设线性度阈值时，则确定所述第一滑动轨迹段中的轨迹点满足线性关系，则以所述第一滑动轨迹段为步长，对所述第一轨迹点集合进行滑窗式轨迹压缩，并得到第一压缩轨迹点集合；
[0083]
当所述第一线性度不满足第一预设线性度阈值时，则确定所述第一滑动轨迹段中的轨迹点不满足线性关系，则保留所述第一滑动轨迹段中偏离轨迹段最大的轨迹点为关键轨迹点，而初始轨迹点和关键轨迹点之间的轨迹点则被丢弃，重新构造滑动轨迹段，此时滑动轨迹段的终点为关键轨迹点，并依据此时的滑动轨迹段为步长，对所述第一轨迹点集合进行滑窗式轨迹压缩，并得到第一压缩轨迹点集合；
[0084]
对所述第一压缩轨迹点集合进行滑窗式过滤处理，优选的，可以通过第一压缩轨迹点集合中当前时刻轨迹点与其前一时刻轨迹点，以及与其后一时刻轨迹点，三个轨迹点之间构成的夹角的小于一预设夹角阈值的大小时判断当前轨迹点为跳点，所述预设夹角阈值可以是根据当前轨迹点的实际情况或者经验值进行设定的，如所述预设夹角阈值设置为60
°
，例如，判断当前轨迹点o是否为跳点，ao为前一时刻轨迹点a与当前轨迹点o形成的矢量，bo为后一时刻轨迹点b与当前轨迹点o形成的矢量，当夹角aob小于预设夹角阈值时，则当前轨迹点o为跳点，并丢弃该跳点，依次对所述第一压缩轨迹点集合中的其他压缩轨迹点进行判断，获得第二过滤轨迹点集合；
[0085]
对所述第二过滤轨迹点集合进行第二次滑窗式压缩，与所述第一次滑窗式压缩的步骤相同，因所述第二次滑窗式压缩是在所述第一次滑窗式压缩的基础上进行的，固所述第二预设线性度阈值的设定值应大于所述第一预设线性度的设定值。
[0086]
本发明的一可选实施例中，可以通过以下公式计算滑动轨迹段的线性度：
[0087]
其中d为线性度，x’为当前轨迹点y’分别为滑动轨迹段中点各轨迹点的经度估计值、纬度估计值，a、b、c为已知参数；若第一滑动轨迹段与第二滑动轨迹段的线性度均小于预设线性度阈值，则判断第一滑动轨迹段与第二滑动轨迹段均满足线性关系，可以进行滑窗式轨迹压缩。
[0088]
以下将以一具体示例对上述方法进行说明，如图2所示，具体流程如下：
[0089]
步骤21，原始数据预过滤处理：当有新的轨迹点进来，首先进行清洗，包括：无效数据、异常数据的处理，并逐点进行卡尔曼滤波处理，获得轨迹点的位置预测值与位置估计值，其中，位置预测值包括：轨迹点的经纬度预测值；位置估计值包括：轨迹点的经纬度估计值，对目标的位置信息进行预测和估计，以达到位置信息噪声滤除的目的。
[0090]
步骤22，运动状态识别：
[0091]
步骤221，基于1到2分钟(默认1.5分钟)的最小轨迹单元进行处理，首先进行时间维度滑窗式采集当前最小轨迹单元的轨迹点数据，主要包括各轨迹点的位置，速度，航向及时间戳信息。
[0092]
步骤222，借助机器学习对最小轨迹单元进行静止目标识别。以目标的当前速度，平均速度，轨迹重叠率等构成特征向量，训练决策树模型，生成的模型可以根据目标当前的特征向量自动判断静止与否，其中轨迹重叠度的计算公式如下：
[0093]
步骤23，对目标轨迹点进行压缩处理可以包括以下步骤：
[0094]
步骤23a，对静止状态的目标进行一级压缩：按照时间尺度进行压缩。可根据存储空间大小和压缩率要求选择合适的时间间隔，值越大，压缩率越高。例如设置15分钟，则静止目标每15分钟保留一个轨迹点；
[0095]
步骤24a，对静止状态的一级压缩轨迹点，采用dbscan密度聚类算法进行聚类分析，对聚类后的点进行二次压缩；
[0096]
步骤23b，对运动状态的目标进行一级压缩：以最小轨迹单元为步长，进行滑窗式轨迹压缩，以当前轨迹段的首尾点构造直线，计算该轨迹段的线性度。：若当前轨迹段满足线性度要求时，即线性度小于预设线性度阈值，则轨迹长度增加一个步长，若不满足则保留最大偏离点为关键点，而初始点和关键点之间的点则被丢弃，滑动窗口起始点更新为当前关键点。
[0097]
步骤24b，对一级压缩的运动状态的目标进行二级过滤处理：对一级压缩后的运动状态的轨迹点进行二级过滤，进行相邻三个轨迹点之间形成的夹角的大小与预设夹角阈值对比，若小于预设夹角阈值，则判断相邻三个轨迹点中的中间轨迹点为跳点，则过滤掉该跳点，进一步的，采用滑窗的方式，判断其他轨迹点是否为跳点，进一步平滑轨迹。
[0098]
步骤25b，对二级滤波后的运动状态目标轨迹，同样采用线性度判别的方式进行压缩。二级压缩采用的预设线性度阈值相对一级压缩要大一些。由于二级压缩阈值较大，为达到最优的拟合误差，可以增加最小二乘算法，拟合出关键点。
[0099]
本发明的上述实施例，结合轨迹点的运动状态，以及轨迹点形成的轨迹段的线性度，对轨迹点依次进行一级、二级压缩处理，满足大数据量存储的情况下，数据压缩的基本原则，同时可以提高轨迹压缩率，保证轨迹点数据的真实性。
[0100]
如图3所示，本发明的实施例还提供一种目标航迹的处理装置30，所述装置30包括：
[0101]
获取模块31，用于获取目标对象的航迹的轨迹点集合；
[0102]
处理模块32，用于对所述轨迹点集合进行过滤处理，得到第一级轨迹点集合，所述第一轨迹点集合中包括各轨迹点的数据信息；根据所述第一轨迹点集合中各轨迹点的数据信息，确定各轨迹点的运动状态；根据所述运动状态，对所述第一轨迹点集合进行压缩处理，得到第二轨迹点集合。
[0103]
可选的，所述处理模块32，用于对所述轨迹点集合进行过滤处理，得到第一轨迹点集合，包括：
[0104]
根据所述轨迹点集合中t-1时刻轨迹点的位置估计值以及t时刻轨迹点的速度测量值、航向测量值，获取t时刻轨迹点的位置预测值，t大于或等于1，当t等于1时初始轨迹点
的位置估计值为位置测量值；
[0105]
根据t时刻轨迹点的位置预测值以及t时刻轨迹点的位置测量值，获得所述t时刻轨迹点的位置估计值；
[0106]
根据所述估计值，获取所述第一轨迹点集合。
[0107]
可选的，所述处理模块32，根据所述轨迹点集合中t时刻轨迹点的速度测量值、航向测量值以及t-1时刻轨迹点的位置估计值，获取t时刻轨迹点的位置预测值，包括：
[0108]
根据公式x”i
＝x'
i-1
vi*sin(ci)*(t
i-t
i-1
)/cos(yi)以及y”i
＝y'
i-1
vi*cos(ci)*(t
i-t
i-1
)获得t时刻轨迹点的位置预测值；
[0109]
根据公式x'i＝x”i
α*(x
i-x”i
)以及y'i＝y”i
α*(y
i-y”i
)获得t时刻轨迹点的位置估计值；
[0110]
其中，i小于或等于t，t大于或等于1，
ɑ
为卡尔曼系数，x'i为轨迹点的经度估计值，y'i为轨迹点的纬度估计值，x”i
为轨迹点的经度预测值，y”i
为轨迹点的纬度预测值；vi为轨迹点的速度测量值，ci为轨迹点的航向测量值。
[0111]
可选的，所述处理模块32，根据所述第一轨迹点集合中各轨迹点的数据信息，确定各轨迹点的运动状态，包括：
[0112]
获取一预设时间段内所述第一轨迹点集合的子集合；
[0113]
根据所述子集合中各轨迹点的数据信息，获得轨迹点的特征向量；
[0114]
根据所述特征向量，确定所述第一轨迹点集合中t时刻轨迹点的运动状态。
[0115]
可选的，所述数据信息包括以下至少一项：
[0116]
轨迹点的位置信息；
[0117]
轨迹点的航向测量值；
[0118]
轨迹点的速度测量值；轨迹点的时间戳；
[0119]
所述特征向量包括以下至少一项：
[0120]
t时刻轨迹点的速度测量值；
[0121]
轨迹重叠率。
[0122]
可选的，所述处理模块32，根据所述运动状态，对所述第一轨迹点集合进行压缩处理，得到第二轨迹点集合，包括：
[0123]
当各轨迹点为静止状态时，根据第一预设时间间隔对所述第一轨迹点集合进行第一次抽点压缩，获得第一压缩轨迹点集合；
[0124]
对所述第一压缩轨迹点集合进行聚类，并根据第二预设时间间隔进行第二次抽点压缩，获得第二轨迹点集合。
[0125]
可选的，所述处理模块32，根据所述运动状态，对所述第一轨迹点集合进行压缩处理，得到第二轨迹点集合，包括：
[0126]
当各轨迹点为运动状态时，根据所述第一轨迹点集合的第一滑动轨迹段的线性度，对所述第一轨迹点集合进行第一次滑窗式压缩，获得第一压缩轨迹点集合，所述第一滑动轨迹段为第一预设时间段内，所述第一轨迹点集合中的轨迹点形成的轨迹段；
[0127]
对所述第一压缩轨迹点集合进行滑窗式过滤处理，获得第二过滤轨迹点集合；
[0128]
根据所述第二过滤轨迹点集合的第二滑动轨迹段的线性度，对所述第二过滤轨迹点集合进行第二次滑窗式压缩，获得第二轨迹点集合，所述第二滑动轨迹段为第二预设时
间段内，所述第二过滤轨迹点集合中的轨迹点形成的轨迹段。
[0129]
需要说明的是，该装置是与上述航迹处理方法相对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
[0130]
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
[0131]
本发明的实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
[0132]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0133]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0134]
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0135]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0136]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0137]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0138]
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本
发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
[0139]
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
[0140]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。