(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111502808.6 (22)申请日 2021.12.09 (71)申请人 腾讯科技 （深圳） 有限公司 地址 518057 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 杨远航　 (74)专利代理 机构 北京市柳沈 律师事务所 11105 代理人 王娟 (51)Int.Cl. G06F 16/2458(2019.01) G06F 16/29(2019.01) G06K 9/62(2022.01) G06N 20/00(2019.01) G08G 1/01(2006.01) (54)发明名称 轨迹数据处 理方法、 装置、 设备和存 储介质 (57)摘要 本公开的实施例提供了一种轨迹数据处理 方法、 装置、 设备和计算机 可读存储介质。 本公开 的实施例所提供的方法基于路网数据和车辆行 驶的轨迹 数据进行数据挖掘， 提取出与机动车信 号灯相关的具有代表性的多个特征以用于机器 学习模型的训练， 从而实现了对机动车信号灯存 在与否的确定。 此外， 本公开的实施例所提供的 方法还在确定机动车信号灯存在的情况下， 进一 步基于特定行驶方向上的路网数据和轨迹数据 确定该机动车信号灯的类型。 通过本公开的方法 提高了识别机动车信号灯的准确性， 节省了用于 后续核验的人工作业成本， 且基于更准确的机动 车信号灯识别提供的交通方案显著提升了用户 体验。 本公开的轨迹数据处理方法可适用于地 图、 智能交通 等应用领域。 权利要求书3页 说明书16页 附图11页 CN 114116854 A 2022.03.01 CN 114116854 A 1.一种轨 迹数据处 理方法， 包括： 获取轨迹数据和路网数据， 所述轨 迹数据包括路口预定范围内的车辆 轨迹点数据； 从所述轨迹数据提取所述路口的路况特征， 所述路况特征包括轨迹点密度特征， 其指 示在向所述路口行进的方向上的车辆 轨迹点分布规 律； 基于所述路网数据， 获得 所述路口 的复杂度特 征； 以及 基于所述路口 的路况特征和复杂度特 征， 确定所述路口是否存在机动车信号灯。 2.如权利要求1所述的方法， 其中， 从所述轨 迹数据提取 所述路口 的路况特征包括： 基于所述轨 迹数据， 确定在向所述路口行进的方向上的轨 迹点分布； 根据所述轨迹点分布， 确定所述轨迹点密度 特征和所述路口预定范围内的车辆运动学 特征， 所述车辆运动学 特征指示车辆通过 所述路口 的运动状态； 以及 根据所述轨迹点分布和所述路网数据， 确定所述路口的基本属性特征， 所述基本属性 特征指示所述路口处的车道与通过 所述路口 的轨迹数量的关系； 其中， 所述路口 的路况特征还包括所述车辆运动学 特征和所述基本属性特 征。 3.如权利要求2所述的方法， 其中， 所述轨迹数据为在预定时间范围内在各个采样时刻 点获取的车辆 轨迹点数据； 其中， 所述基于所述轨 迹数据确定在向所述路口行进的方向上的轨 迹点分布包括： 在预定时间范围内将各个采样时刻点获取的车辆轨迹点数据相加， 以得到在所述预定 时间范围内的轨 迹点数据累加结果； 基于所述轨迹点数据累加结果， 提取在向所述路口行进的方向上的轨迹点数据累加结 果； 以及 基于在向所述路口行进的方向上的轨 迹点数据累加结果， 确定所述轨 迹点分布。 4.如权利要求2所述的方法， 其中， 所述基本属性特征用于反映所述路口的车辆拥挤程 度、 所述路口处的各 车道的车辆拥挤 程度中的至少一种。 5.如权利要求2所述的方法， 其中， 所述根据 所述轨迹点分布和所述路网数据确定所述 路口的基本属性特 征包括： 基于所述路网数据， 确定所述路口处的车道数量； 基于所述轨迹点分布和所述路口处的车道数量， 确定所述路口处 的轨迹数量以及所述 路口处的每条 车道上的轨 迹数量； 以及 基于所述路口处 的轨迹数量和所述路口处的每条车道上的轨迹数量， 确定所述路口的 基本属性特 征。 6.如权利要求1所述的方法， 其中， 基于所述路网数据获得所述路口的复杂度特征包 括： 基于所述路网数据， 确定所述路口的拓扑结构和特殊属性， 其中， 所述拓扑结构包括与 所述路口相连接的至少一个其他路口及其与所述路口之 间的道路， 所述特殊属性与所述路 口处的特定物理实体相关， 所述特定物理实体包括人行横道线、 电子眼和限速标牌中的至 少一个； 以及 基于所述路口的拓扑结构和特殊属性， 通过预先训练的图嵌入模型， 获得所述路口的 复杂度特 征。 7.如权利要求2或6所述的方法， 其中， 基于所述路口的路况特征和复杂度特征确定所权　利　要　求　书 1/3 页 2 CN 114116854 A 2述路口是否存在机动车信号灯包括： 基于所述路口的路况特征和复杂度特征， 通过预先训练的机器学习模型， 确定所述路 口是否存在机动车信号灯； 其中， 所述机器学习模型是基于轨迹数据和路网数据的样本集进行预先训练所得到 的， 所述机器学习模型以从所述轨迹数据和路 网数据的样本集中提取的所述路况特征和复 杂度特征为输入， 以对是否存在机动车信号灯的确定为输出。 8.如权利要求7 所述的方法， 其中， 所述机器学习模型为极端梯度提升模型， 其中， 所述极端梯度提升模型以所述路口的路况特征和复杂度特征为输入， 基于所述 路口的路况特征和复杂度特征构造新的组合特征， 并基于所构 造的组合特征以及所述路口 的路况特征和复杂度特 征输出对所述路口是否存在机动车信号灯的确定 。 9.如权利要求1所述的方法， 还 包括： 在确定所述路口存在机动车信号灯的情况下， 基于所述路网数据以及所述轨迹数据中 的至少一部分确定所述路口是否存在方向指示信号灯； 其中， 所述轨迹数据中的至少一部分与 所述路口处沿特定轨迹方向的至少一条轨迹相 关联， 所述方向指示信号灯与所述特定 轨迹方向相对应； 其中， 所述特定 轨迹方向包括右转、 左转和掉头中的至少一个。 10.如权利要求9所述的方法， 其中， 基于所述路网数据以及所述轨迹数据中的至少一 部分确定所述路口是否存在方向指示信号灯包括： 基于所述路网数据， 确定所述路口是否存在与所述特定 轨迹方向相对应的车道； 以及 在确定存在与 所述特定轨迹方向相对应的车道的情况下， 基于所述轨迹数据中与 所述 至少一条轨迹相关联的轨迹数据和所述路口的复杂度特征， 确定所述路口是否存在方向指 示信号灯。 11.如权利要求10所述的方法， 其中， 基于所述轨迹数据中与 所述至少一条轨迹相关联 的轨迹数据和所述路口 的复杂度特 征确定所述路口是否存在方向指示信号灯包括： 基于所述轨迹数据中与所述至少一条轨迹相关联的轨迹数据， 确定在向所述路口行进 的方向上与所述特定 轨迹方向相关联的车辆 轨迹点分布； 根据所述轨迹点分布， 确定所述路口的与 所述至少一条轨迹相关联的轨迹点密度 特征 和车辆运动学特征， 所述车辆运动学特征指示沿所述特定轨迹方向通过所述路口的车辆的 运动学特征； 根据所述轨迹点分布和所述路网数据， 确定所述路口的基本属性特征， 所述基本属性 特征指示所述路口处沿所述特定轨迹方向的车道与沿所述特定轨迹方向通过所述路口的 轨迹数量的关系， 其中， 所述路口的路况特征还包括所述车辆运动学特征和所述基本属 性 特征； 以及 基于所述路口的与 所述特定轨迹方向相关联的路况特征和复杂度 特征， 通过预先训练 的机器学习模型， 确定所述路口是否存在方向指示信号灯。 12.如权利要求1 1所述的方法， 其中， 所述机器学习模型为极端梯度提升模型， 其中， 所述极端梯度提升模型以所述路口的与 所述特定轨迹方向相关联的路况特征和 复杂度特 征为输入， 以对所述路口是否存在方向指示信号灯的确定为输出。 13.一种轨 迹数据处 理装置， 包括：权　利　要　求　书 2/3 页 3 CN 114116854 A 3