一种车辆行驶轨迹的矫正方法、装置和计算机设备与流程

1.本技术涉及数据处理技术领域，特别是涉及一种车辆行驶轨迹的矫正方法、装置和计算机设备。


背景技术：

2.大数据和人工智能技术的不断进步，加速了车联网大数据时代的到来。近年来物联网蓬勃发展，车联网技术不断融入实际生活，越来越多的车辆安装了车联网设备。车联网设备能够通过gps卫星或北斗卫星定位来确定车辆当前行驶过程的地理位置，然后采集定位数据并发送至服务器。进一步服务器能够根据获取到的定位数据，统计车辆的行驶轨迹以及车辆在行驶过程中的速度、方向、加速度等行程数据。基于此，可以研究用户导航的历史轨迹以给用户提供更好的出行建议，优化导航路径规划；并且可以得到用户的出行习惯及驾驶行为画像，完成个体驾驶行为风险评估，所以真实准确的行驶轨迹和驾驶行为数据是评估用户的驾驶行为的前提。
3.但车联网设备在定位时，大气电离层地延迟效应、卫星数量差异、天气情况变化以及地面建筑物群及道路中山谷隧道的电气电磁干扰等因素，会导致gps卫星信号或北斗卫星信号的不稳定，从而使得车联网设备的接收结果出现偏差，因此部分轨迹点的定位会偏移真实的驾驶轨迹。也就是说此时车联网设备定位的轨迹点发生漂移，这些发生漂移的轨迹点被称为离群点。这些因漂移产生的离群点会影响用户行驶轨迹的真实性，进而影响对于车辆行驶轨迹的分析。
4.对历史行驶轨迹点的偏移矫正一直是数据利用的难点，也是车联网科技公司的关注焦点。对于大量车联网驾驶行程数据中存在的离群点，需要将其修正，才能使得采集的驾驶轨迹更接近于用户实际的行车轨迹，提升还原车辆行驶轨迹的精确度，为后续驾驶行为分析提供质量更高的数据。


技术实现要素：

5.基于此，针对上述技术问题，提供一种车辆行驶轨迹的矫正方法、装置和计算机设备，以能够对车联网驾驶行程数据中存在的离群点进行修正，使得采集的驾驶轨迹更接近于用户实际的行车轨迹，从而提升还原车辆行驶轨迹的精确度。
6.第一方面，一种车辆行驶轨迹的矫正方法，包括：
7.步骤一，获取车辆的原始行驶数据，包括车辆的定位信息、速度信息与方向角信息，通过定位信息确定待矫正车辆行驶轨迹；
8.步骤二，选取待矫正车辆行驶轨迹中的1时刻的轨迹点，将1时刻的轨迹点的定位信息确定的位置，作为1时刻的轨迹点的最优估计位置；
9.步骤三，选取待矫正车辆行驶轨迹中的k时刻的轨迹点，k≥2，根据k-1时刻的轨迹点运动位移的最优估计值，计算k时刻的轨迹点运动位移的预测值；
10.步骤四，根据k-1时刻的轨迹点运动位移的最优估计值对应的协方差矩阵，计算k
时刻的轨迹点运动位移的预测值对应的协方差矩阵；
11.步骤五，根据k-1时刻的轨迹点的最优估计位置和k时刻的轨迹点的定位信息确定的位置，计算k时刻的轨迹点运动位移的观测值；
12.步骤六，根据计算得到的k时刻的轨迹点运动位移的预测值对应的协方差矩阵，计算k时刻的卡尔曼滤波增益；根据计算得到的k时刻的卡尔曼滤波增益、k时刻的轨迹点运动位移的预测值和k时刻的轨迹点运动位移的观测值，计算k时刻的轨迹点运动位移的最优估计值；
13.步骤七，根据k时刻的轨迹点运动位移的最优估计值和k-1时刻的轨迹点的最优估计位置，计算得到k时刻的轨迹点的最优估计位置；将k时刻的轨迹点的最优估计位置作为k时刻的轨迹点的矫正位置，并计算k时刻的轨迹点运动位移的最优估计值对应的协方差矩阵；
14.步骤八，不断将k的值更新为k 1，重复步骤三至步骤七，直到遍历完待矫正车辆行驶轨迹中所有的轨迹点，以得到所有轨迹点的矫正位置并输出矫正后的车辆行驶轨迹。
15.可选地，所述定位信息是通过车联网设备的gps定位模块或北斗定位模块获取的，所述速度信息是通过车辆系统获取的，所述方向角信息是通过车辆的车联网设备所载有的陀螺仪和磁力计获取的。
16.进一步可选地，步骤三中根据k-1时刻的轨迹点运动位移的最优估计值，计算k时刻的轨迹点运动位移的预测值具体包括：
17.对k-1时刻的轨迹点的车辆行驶速度进行拆分，将k-1时刻的轨迹点的车辆行驶速度分解为经度方向的速度分量v
lon
和纬度方向的速度分量v
lat
：
[0018][0019][0020]
其中：v为k-1时刻的轨迹点的车辆行驶速度；direction为k-1时刻的轨迹点的方向角；
[0021]
按照以下公式进行计算k时刻的轨迹点运动位移的预测值：
[0022]
x(k|k-1)＝ax(k-1|k-1) w(k)
[0023]
其中：x(k-1|k-1)为k-1时刻的轨迹点运动位移的最优估计值，x(k|k-1)为基于k-1时刻的轨迹点运动位移的最优估计值计算得到的k时刻的轨迹点运动位移的预测值；a为状态转移矩阵；w(k)为系统过程噪声。
[0024]
进一步可选地，步骤四中计算k时刻的轨迹点运动位移的预测值对应的协方差矩阵是按照以下公式进行计算的：
[0025]
p(k|k-1)＝ap(k-1|k-1)a
t
q
[0026]
其中：p(k|k-1)为k时刻的轨迹点运动位移的预测值x(k|k-1)对应的协方差矩阵；p(k-1|k-1)为k-1时刻的轨迹点运动位移的最优估计值x(k-1|k-1)对应的协方差矩阵；q为系统的过程噪声方差矩阵。
[0027]
进一步可选地，所述步骤五具体包括：
[0028]
获取k-1时刻的轨迹点的最优估计位置的经度lon1和纬度lat1，以及获取k时刻的
轨迹点的定位信息确定的k时刻的轨迹点的观测位置的经度lon2和纬度lat2；
[0029]
将k时刻的轨迹点的观测位置与k-1时刻的轨迹点的最优估计位置之间的轨迹点运动位移进行分解，分解为经度方向的轨迹点运动位移分量的观测值和纬度方向的轨迹点运动位移分量的观测值
[0030][0031][0032]
其中：r为地球半径，r＝6378137km。
[0033]
进一步可选地，步骤六中计算k时刻的卡尔曼滤波增益kg(k)是按照以下公式进行计算的：
[0034]
kg(k)＝p(k|k-1)h
t
[hp(k|k-1)h
t
r]-1
[0035]
其中：h为观测矩阵；r为观测噪声矩阵；
[0036]
步骤六中计算k时刻的轨迹点运动位移的最优估计值x(k|k)是按照以下公式进行计算的：
[0037]
x(k|k)＝x(k|k-1)＝kg(k)[z(k)-hx(k|k-1)]
[0038]
其中：x(k|k)包含k时刻的轨迹点经度方向的轨迹点运动位移分量的最优估计值和纬度方向的轨迹点运动位移分量的最优估计值z(k)包含有基于k时刻的轨迹点的定位信息得到的k时刻的轨迹点运动位移分量的观测值和纬度方向的轨迹点运动位移分量的观测值
[0039]
进一步可选地，步骤七中根据k时刻的轨迹点运动位移的最优估计值和k-1时刻的轨迹点的最优估计位置，计算得到k时刻的轨迹点的最优估计位置具体包括：
[0040]
按照以下公式计算k时刻的轨迹点经度的最优估计值lon2和纬度的最优估计值lat2：
[0041][0042][0043]
将坐标点(lon2，lat2)作为k时刻的轨迹点的最优估计位置；
[0044]
步骤七中计算k时刻的轨迹点运动位移的最优估计值对应的协方差矩阵是按照以下公式进行计算的：
[0045]
p(k|k)＝[i-kg(k)h]p(k|k-1)
[0046]
其中：p(k|k)为k时刻的轨迹点运动位移的最优估计值x(k|k)对应的协方差矩阵；i为单位矩阵。
[0047]
第二方面，一种车辆行驶轨迹的矫正装置，包括：
[0048]
原始行驶数据获取模块，用于获取车辆的原始行驶数据，包括车辆的定位信息、速度信息与方向角信息，通过定位信息确定待矫正车辆行驶轨迹；
[0049]
起始轨迹点最优估计位置计算模块，用于选取待矫正车辆行驶轨迹中的1时刻的轨迹点，将1时刻的轨迹点的定位信息确定的位置，作为1时刻的轨迹点的最优估计位置；
[0050]
轨迹点运动位移的预测值计算模块，用于选取待矫正车辆行驶轨迹中的k时刻的轨迹点，k≥2，根据k-1时刻的轨迹点运动位移的最优估计值，计算k时刻的轨迹点运动位移的预测值；
[0051]
协方差矩阵计算模块，用于根据k-1时刻的轨迹点运动位移的最优估计值对应的协方差矩阵，计算k时刻的轨迹点运动位移的预测值对应的协方差矩阵；
[0052]
轨迹点运动位移的观测值计算模块，用于根据k-1时刻的轨迹点的最优估计位置和k时刻的轨迹点的定位信息确定的位置，计算k时刻的轨迹点运动位移的观测值；
[0053]
轨迹点运动位移的最优估计值计算模块，用于根据计算得到的k时刻的轨迹点运动位移的预测值对应的协方差矩阵，计算k时刻的卡尔曼滤波增益；根据计算得到的k时刻的卡尔曼滤波增益、k时刻的轨迹点运动位移的预测值和k时刻的轨迹点运动位移的观测值，计算k时刻的轨迹点运动位移的最优估计值；
[0054]
轨迹点的最优估计位置计算模块，用于根据k时刻的轨迹点运动位移的最优估计值和k-1时刻的轨迹点的最优估计位置，计算得到k时刻的轨迹点的最优估计位置；将k时刻的轨迹点的最优估计位置作为k时刻的轨迹点的矫正位置，并计算k时刻的轨迹点运动位移的最优估计值对应的协方差矩阵；
[0055]
轨迹点遍历模块，用于不断将k的值更新为k 1，使轨迹点运动位移的预测值计算模块、协方差矩阵计算模块、轨迹点运动位移的观测值计算模块、轨迹点运动位移的最优估计值计算模块以及轨迹点的最优估计位置计算模块重复工作，直到遍历完待矫正车辆行驶轨迹中所有的轨迹点，以得到所有轨迹点的矫正位置，完成对所有轨迹点的矫正。
[0056]
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现第一方面所提供的方法的步骤。
[0057]
第四方面，一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现第一方面所提供的方法的步骤。
[0058]
本发明至少具有以下有益效果：
[0059]
本发明实施例所提供的车辆行驶轨迹的矫正方法，通过基于每个轨迹点的前一个轨迹点运动位移的最优估计值，计算得到每个轨迹点运动位移的预测值，而再结合每个轨迹点运动位移的的观测值，来得到每个轨迹点运动位移的最优估计值，进一步再将由此得到每个轨迹点的最优估计位置作为矫正位置，以此完成对车辆行驶轨迹的矫正；通本发明对行驶轨迹进行矫正后得到新的行驶轨迹能更真实地反映客户的实际驾驶过程，能够较为精确的还原车辆真实的行驶轨迹，进一步能够为更加精准地刻画用户的驾驶行为和风险提供依据。具体来说：
[0060]
本发明实施例所提供矫正方法，是基于每个轨迹点的前一个轨迹点运动位移的最优估计值x(k-1|k-1)，结合可靠的车辆行驶速度值、方向角数据以及两次采样的时间间隔，计算得到每个轨迹点运动位移的预测值x(k|k-1的；在计算每个轨迹点运动位移的预测值x(k|k-1)时，采用了通过车辆系统获取的定位信息，以及采用了通过车联网设备上载有的陀
螺仪、角速度计、磁力计获取的方向角信息；获取的速度和方向角数据不受信号强弱的干扰，这些数据是非常准确和可靠的，能反映车辆运行过程中的实际情况；并且，由于在计算预测值时考虑了实际运动信息，能够增加最优估计位置的计算结果的真实性与准确性，从而使得矫正后的得到新的行驶轨迹能更真实地反映客户的实际驾驶过程，也就是说使得采集的驾驶轨迹更接近于用户实际的行车轨迹，从而提升还原车辆行驶轨迹的精确度。
附图说明
[0061]
图1为本发明一个实施例提供的一种车辆行驶轨迹的矫正方法的流程示意图；
[0062]
图2为本发明一个实施例中一种车辆行驶轨迹的矫正方法的另一种流程示意图；
[0063]
图3为本发明一个实施例中完成矫正的行驶轨迹图；
[0064]
图4为本发明一个实施例提供的一种车辆行驶轨迹的矫正装置的模块架构框图；
[0065]
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
[0066]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0067]
实施例一
[0068]
在本实施例中，如图1所示，提供了一种车辆行驶轨迹的矫正方法，该方法包括以下步骤：
[0069]
步骤s101，获取车辆的原始行驶数据，如表一所示，车辆的原始行驶数据包括车辆的定位信息(经纬度信息)、速度信息与方向角信息，然后通过定位信息能确定待矫正车辆行驶轨迹。
[0070]
表一 车辆的原始行驶数据示意
[0071] 经度值纬度值方向角行驶速度轨迹点1102.90955424.68361819527.9轨迹点2102.90924424.681881929.5轨迹点3102.9091324.6812131938.3轨迹点4102.90911424.6811361755.0轨迹点5102.90911424.6810302026.4轨迹点6102.90911424.6810051787.4轨迹点7102.90906524.6807251509.9轨迹点8102.9099624.67996010519.4轨迹点9102.91035124.67970312713.8
[0072]
其中，经纬度信息是通过车联网设备的gps定位模块或北斗定位模块获取的，也就是说每个轨迹点的经纬度的测量值是通过gps定位系统或者北斗定位系统获取的，通过定位系统获得的这些轨迹点的经纬度的测量值，构成了原始的车辆行驶轨迹，即待矫正车辆行驶轨迹。当车辆所在的位置的定位信号弱时会对轨迹点产生随机的偏差，也就是说原始的车辆行驶轨迹中会存在一定数量的离群点，通过定位系统获得的原始的车辆行驶轨迹并
不是完全可靠的。因此，除了通过定位系统获取车辆定位信息，还会通过车辆自身的系统所计算的车速来获取每个时刻相应轨迹点的速度信息，车辆系统是通过车辆的转速等来计算行驶速度的；以及还会通过车辆的车联网设备所载有的陀螺仪和磁力计来获取每个时刻相应轨迹点的方向角信息；通过车辆系统、陀螺仪和磁力计获取到的数据不通过定位系统获取，不会被定位信号的强弱所影响，因此是非常可靠的。
[0073]
步骤s102，选取待矫正车辆行驶轨迹中的1时刻的轨迹点，1时刻指的是第一个采样时刻，1时刻的轨迹点即轨迹点1，将1时刻的轨迹点的定位信息确定的1时刻的轨迹点的观测位置，作为1时刻的轨迹点的最优估计位置；也就是说，对于行驶轨迹中的第1个轨迹点，不需对其进行矫正，直接将其通过定位系统获得的定位信息确定的观测位置视为是1时刻的轨迹点的最优估计位置。
[0074]
本发明实施例是在确定1时刻的轨迹点最优估计位置后，基于1时刻的轨迹点，综合2时刻的轨迹点的预测位置以及2时刻的轨迹点的观测位置，得到2时刻的轨迹点的最优估计位置，2时刻的轨迹点的最优估计位置就是2时刻的轨迹点完成矫正后的接近真实驾驶情况的矫正位置，从而完成对2时刻的轨迹点的位置的纠正；然后基于2时刻的轨迹点，综合3时刻的轨迹点的预测位置以及3时刻的轨迹点的观测位置，得到3时刻的轨迹点的最优估计位置，3时刻的轨迹点的最优估计位置就是3时刻的轨迹点完成矫正后的接近真实驾驶情况的矫正位置，从而完成对3时刻的轨迹点的位置的纠正；以此类推，就可完成对所有轨迹点的位置的纠正，以下步骤便是在完成这个过程。
[0075]
步骤s103，选取待矫正车辆行驶轨迹中的k时刻的轨迹点，k≥2，根据k-1时刻的轨迹点运动位移的最优估计值，计算k时刻的轨迹点运动位移的预测值。k时刻指的是第k个采样时刻，因为只需从第2个轨迹点开始进行矫正，因此k≥2。
[0076]
具体来说，步骤s103中根据k-1时刻的轨迹点运动位移的最优估计值，计算k时刻的轨迹点运动位移的预测值具体包括：
[0077]
步骤s1031，对在k-1时刻的轨迹点的车辆行驶速度进行拆分，将在k-1时刻的轨迹点的车辆行驶速度分解为经度方向的速度分量v
lon
和纬度方向的速度分量v
lat
：
[0078][0079][0080]
其中：v为在k-1时刻的轨迹点的车辆行驶速度；direction为在k-1时刻的轨迹点的方向角。
[0081]
步骤s1032，在知道k-1时刻的轨迹点运动位移的最优估计值，等同于知晓了k-1时刻的轨迹点的最优估计位置后，通过两个轨迹点的采样时间间隔，以及k-1时刻的轨迹点的经度方向的速度分量v
lon
和纬度方向的速度分量v
lat
，就可以计算出k时刻的轨迹点的经度方向的运动位移分量预测值和纬度方向的运动位移分量预测值，进一步通过勾股定理就能计算出k时刻的轨迹点的运动位移预测值。也就是根据k-1时刻的轨迹点的最优估计位置，结合k-1时刻的轨迹点的经度方向的速度分量v
lon
和纬度方向的速度，就能计算出k时刻的轨迹点的预测位置。这个计算过程表征为按照以下公式进行计算k时刻的轨迹点运动位移的预测值：
[0082]
x(k|k-1)＝ax(k-1|k-1) w(k)
[0083]
其中：x(k-1|k-1)为k-1时刻的轨迹点运动位移的最优估计值，x(k-1|k-1)中不仅包含了k-1时刻的轨迹点位移的最优估计值信息，还包含有k-1时刻的轨迹点的经度方向的速度分量v
lon
和纬度方向的速度分量v
lat
；x(k|k-1)为基于k-1时刻的轨迹点运动位移的最优估计值计算得到的k时刻的轨迹点运动位移的预测值；由于k-1时刻的轨迹点运动位移的最优估计值就是为了表征k-1时刻的轨迹点的最优估计位置，因此当k取2，即k-1＝1时，x(1|1)应当就直接理解为1时刻的轨迹点的最优估计位置。另外：w(k)为系统过程噪声，服从均值为0，方差为qk的高斯分布，qk即系统的过程噪声方差；a为状态转移矩阵：
[0084]
a＝[1,0,1,0]
[0085]
[0,1,0,1]
[0086]
[0,0,1,0]
[0087]
[0,0,0,1]。
[0088]
步骤s104，根据k-1时刻的轨迹点运动位移的最优估计值对应的协方差矩阵、过程噪声方差矩阵和状态转移矩阵，计算上面得到的k时刻的轨迹点运动位移的预测值对应的协方差矩阵。
[0089]
具体来说，步骤s104中计算k时刻的轨迹点运动位移的预测值对应的协方差矩阵是按照以下公式进行计算的：
[0090]
p(k|k-1)＝ap(k-1|k-1)a
t
q
[0091]
其中：p(k|k-1)为k时刻的轨迹点运动位移的预测值x(k|k-1)对应的协方差矩阵；p(k-1|k-1)为k-1时刻的轨迹点运动位移的最优估计值x(k-1|k-1)对应的协方差矩阵；q表示系统的过程噪声方差矩阵，其中包含原始经度方向位移、原始纬度方向位移、经度方向速度、纬度方向速度，将原始的轨迹数据进行拆解可以得到每一个轨迹点到下一个轨迹点的以上四个信息，q矩阵初始化为这四个值的协方差矩阵。
[0092]
步骤s105，根据k-1时刻的轨迹点的最优估计位置和k时刻的轨迹点的定位信息，计算k时刻的轨迹点运动位移的观测值。
[0093]
具体来说，步骤s105具体包括：
[0094]
步骤s1051，获取k-1时刻的轨迹点的最优估计位置的经度lon1和纬度lat1，以及获取k时刻的轨迹点的观测位置的经度lon2和纬度lat2；所述k时刻的轨迹点的观测位置也就是通过定位系统直接获取到的k时刻的轨迹点的定位信息所确定的位置；
[0095]
步骤s1052，将k时刻的轨迹点的观测位置与k-1时刻的轨迹点的最优估计位置之间的轨迹点运动位移进行分解，分解为经度方向的轨迹点运动位移分量的观测值和纬度方向的轨迹点运动位移分量的观测值以此得到k时刻的轨迹点运动位移的观测值：
[0096][0097]
[0098]
其中：为经度方向的轨迹点运动位移分量的观测值，为纬度方向的轨迹点运动位移分量的观测值；r为地球半径，r＝6378137km。
[0099]
步骤s106，根据计算得到的k时刻的轨迹点运动位移的预测值对应的协方差矩阵，计算k时刻的卡尔曼滤波增益；根据计算得到的k时刻的卡尔曼滤波增益、k时刻的轨迹点运动位移的预测值和k时刻的轨迹点运动位移的观测值，计算k时刻的轨迹点运动位移的最优估计值。
[0100]
具体来说，步骤s106中计算k时刻的卡尔曼滤波增益kg(k)是根据k时刻的轨迹点运动位移的预测值对应的协方差矩阵、观测矩阵以及观测噪声矩阵，按照以下公式进行计算的：
[0101]
kg(k)＝p(k|k-1)h
t
[hp(k|k-1)h
t
r]-1
[0102]
其中：h为观测矩阵，初始化为单位矩阵；r为观测噪声矩阵，初始化为对角阵，对角线上的值分别为为原始经度方向位移、原始纬度方向位移、经度方向速度、纬度方向速度的方差；
[0103]
步骤s106中计算k时刻的轨迹点运动位移的最优估计值x(k|k)是根据计算得到的k时刻的卡尔曼滤波增益、k时刻的轨迹点运动位移的预测值和k时刻的轨迹点运动位移的观测值按照以下公式进行计算的：
[0104]
x(k|k＝x(k|k-1)＝kg(k)[z(k)-hx(k|k-1)]
[0105]
其中：z(k)包含有基于k时刻的轨迹点的原始行驶数据中的定位信息得到的k时刻的轨迹点运动位移的观测值，即k时刻的轨迹点运动位移分量的观测值和纬度方向的轨迹点运动位移分量的观测值计算出的k时刻的轨迹点运动位移的最优估计值x(k|k)，包含k时刻的经度方向的轨迹点运动位移分量的最优估计值和纬度方向的轨迹点运动位移分量的最优估计值从x(k|k)的计算公式中可以看出，k时刻的轨迹点运动位移的最优估计值是结合了k时刻的轨迹点运动位移的观测值以及k时刻的轨迹点运动位移的预测值，而综合计算得到的。这样通过k时刻的轨迹点运动位移的最优估计值而得到k时刻的轨迹点的最优估计位置，会更加准确和可靠。
[0106]
步骤s107，根据k时刻的轨迹点运动位移的最优估计值和k-1时刻的轨迹点的最优估计位置，计算得到k时刻的轨迹点的最优估计位置；将k时刻的轨迹点的最优估计位置作为k时刻的轨迹点的矫正位置，并计算k时刻的轨迹点运动位移的最优估计值对应的协方差矩阵。
[0107]
具体来说，步骤s107中根据k时刻的轨迹点运动位移的最优估计值和k-1时刻的轨迹点的最优估计位置，计算得到k时刻的轨迹点的最优估计位置具体包括：
[0108]
按照以下公式计算k时刻的轨迹点经度的最优估计值lon2和纬度的最优估计值lat2：
[0109]
[0110][0111]
由此得到k时刻的轨迹点运动位移的最优估计值相对应的k时刻的轨迹点的经纬度坐标，将坐标点(lon2，lat2)作为k时刻的轨迹点的最优估计位置，并且将k时刻的轨迹点的最优估计位置作为该点的矫正位置，以此完成对该点的纠正；
[0112]
步骤s107中计算k时刻的轨迹点运动位移的最优估计值对应的协方差矩阵是按照以下公式进行计算的：
[0113]
p(k|k)＝[i-kg(k)h]p(k|k-1)
[0114]
其中：p(k|k)为k时刻的轨迹点运动位移的最优估计值x(k|k)对应的协方差矩阵；i为单位矩阵。
[0115]
步骤s108，不断将k的值更新为k 1，重复步骤s103至步骤s107，直到遍历完待矫正车辆行驶轨迹中所有的轨迹点，以得到所有轨迹点的矫正位置，完成对所有轨迹点的矫正，并输出矫正后的车辆行驶轨迹。
[0116]
也就是说，每执行一次步骤s103至步骤s107，都将k的值迭代为k 1，然后对新的k重复步骤s103至步骤s107，也就是说对于后面的每个轨迹点，都基于前一个轨迹点通过步骤s103至步骤s107完成矫正，最终对每一个轨迹点都完成矫正，得到所有矫正后的每个轨迹点的坐标数据。整个矫正过程的另一种流程示意图如图2所示，通过该方法完成矫正的一段行驶轨迹如图3所示。
[0117]
本发明实施例所提供的车辆行驶轨迹的矫正方法，基于每个轨迹点的前一个轨迹点运动位移的最优估计值x(k-1|k-1)，结合可靠的车辆行驶速度值、方向角数据以及两次采样的时间间隔，计算得到每个轨迹点运动位移的预测值x(k|k-1)，从而再结合每个轨迹点运动位移的的观测值，来得到每个轨迹点运动位移的最优估计值，进一步再将由此得到每个轨迹点的最优估计位置作为矫正位置，以此完成对车辆行驶轨迹的矫正。在计算每个轨迹点运动位移的预测值x(k|k-1)时，采用了通过车辆系统获取的定位信息，以及采用了通过车联网设备上载有的陀螺仪、角速度计、磁力计获取的方向角信息，不同信息的获取来源不同，误差也不同。由于获取的速度和方向角数据不受信号强弱的干扰，这些数据是非常准确和可靠的，能反映车辆运行过程中的实际情况。并且，由于在计算预测值时考虑了实际运动信息，能够增加最优估计位置的计算结果的真实性与准确性，从而使得矫正后的得到新的行驶轨迹能更真实地反映客户的实际驾驶过程，也就是说使得采集的驾驶轨迹更接近于用户实际的行车轨迹，从而提升还原车辆行驶轨迹的精确度，进一步能够为更加精准地刻画用户的驾驶行为和风险提供依据。
[0118]
同时，从模型应用来说，本发明实施例所提供的车辆行驶轨迹的矫正方法所使用的卡尔曼滤波算法，考虑了速度、方向角等输入信息，实际上是有输入的卡尔曼滤波算法，与已有的卡尔曼研究成果是不同的细分分支。
[0119]
应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而
是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0120]
实施例二
[0121]
在本实施例中，如图4所示，提供了一种车辆行驶轨迹的矫正装置，包括以下程序模块：
[0122]
原始行驶数据获取模块401，用于获取车辆的原始行驶数据，包括车辆的定位信息、速度信息与方向角信息，通过定位信息确定待矫正车辆行驶轨迹；
[0123]
起始轨迹点最优估计位置计算模块402，用于选取待矫正车辆行驶轨迹中的1时刻的轨迹点，将1时刻的轨迹点的定位信息确定的位置，作为1时刻的轨迹点的最优估计位置；
[0124]
轨迹点运动位移的预测值计算模块403，用于选取待矫正车辆行驶轨迹中的k时刻的轨迹点，k≥2，根据k-1时刻的轨迹点运动位移的最优估计值，计算k时刻的轨迹点运动位移的预测值；
[0125]
协方差矩阵计算模块404，用于根据k-1时刻的轨迹点运动位移的最优估计值对应的协方差矩阵，计算k时刻的轨迹点运动位移的预测值对应的协方差矩阵；
[0126]
轨迹点运动位移的观测值计算模块405，用于根据k-1时刻的轨迹点的最优估计位置和k时刻的轨迹点的定位信息确定的位置，计算k时刻的轨迹点运动位移的观测值；
[0127]
轨迹点运动位移的最优估计值计算模块406，用于根据计算得到的k时刻的轨迹点运动位移的预测值对应的协方差矩阵，计算k时刻的卡尔曼滤波增益；根据计算得到的k时刻的卡尔曼滤波增益、k时刻的轨迹点运动位移的预测值和k时刻的轨迹点运动位移的观测值，计算k时刻的轨迹点运动位移的最优估计值；
[0128]
轨迹点的最优估计位置计算模块407，用于根据k时刻的轨迹点运动位移的最优估计值和k-1时刻的轨迹点的最优估计位置，计算得到k时刻的轨迹点的最优估计位置；将k时刻的轨迹点的最优估计位置作为k时刻的轨迹点的矫正位置，并计算k时刻的轨迹点运动位移的最优估计值对应的协方差矩阵；
[0129]
轨迹点遍历模块408，用于不断将k的值更新为k 1，使轨迹点运动位移的预测值计算模块403、协方差矩阵计算模块404、轨迹点运动位移的观测值计算模块405、轨迹点运动位移的最优估计值计算模块406以及轨迹点的最优估计位置计算模块407重复工作，直到遍历完待矫正车辆行驶轨迹中所有的轨迹点，以得到所有轨迹点的矫正位置，完成对所有轨迹点的矫正。
[0130]
关于一种车辆行驶轨迹的矫正装置的具体限定可以参见上文实施例一中对于一种车辆行驶轨迹的矫正方法的限定，在此不再赘述。上述一种车辆行驶轨迹的矫正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0131]
本发明实施例所提供的车辆行驶轨迹的矫正装置，基于每个轨迹点的前一个轨迹点运动位移的最优估计值x(k|k-1)，结合可靠的车辆行驶速度值、方向角数据以及两次采样的时间间隔，计算得到每个轨迹点运动位移的预测值x(k|k-1)，从而再结合每个轨迹点运动位移的的观测值，来得到每个轨迹点运动位移的最优估计值，进一步再将由此得到每个轨迹点的最优估计位置作为矫正位置，以此完成对车辆行驶轨迹的矫正。在计算每个轨迹点运动位移的预测值x(k|k-1)时，采用了通过车辆系统获取的定位信息，以及采用了通
过车联网设备上载有的陀螺仪、角速度计、磁力计获取的方向角信息，不同信息的获取来源不同，误差也不同。由于获取的速度和方向角数据不受信号强弱的干扰，这些数据是非常准确和可靠的，能反映车辆运行过程中的实际情况。并且，由于在计算预测值时考虑了实际运动信息，能够增加最优估计位置的计算结果的真实性与准确性，从而使得矫正后的得到新的行驶轨迹能更真实地反映客户的实际驾驶过程，也就是说使得采集的驾驶轨迹更接近于用户实际的行车轨迹，从而提升还原车辆行驶轨迹的精确度，进一步能够为更加精准地刻画用户的驾驶行为和风险提供依据。
[0132]
同时，从模型应用来说，本发明实施例所提供的车辆行驶轨迹的矫正装置所使用的卡尔曼滤波算法，考虑了速度、方向角等输入信息，实际上是有输入的卡尔曼滤波算法，与已有的卡尔曼研究成果是不同的细分分支。
[0133]
实施例三
[0134]
在本实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆行驶轨迹的矫正方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0135]
本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0136]
实施例四
[0137]
在本实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，涉及上述实施例方法中的全部或部分流程。
[0138]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static randomaccess memory，sram)或动态随机存取存储器(dynamic randomaccess memory，dram)等。
[0139]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0140]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。