阅读说明：本技术 道路场景划分方法、装置、电子设备及存储介质 (Road scene dividing method and device, electronic equipment and storage medium ) 是由 王志军 孙立光 于 2019-02-12 设计创作，主要内容包括：本发明涉及一种道路场景划分方法及装置、电子设备及存储介质,属于信息处理技术领域。所述道路场景划分方法包括：获取多个局部道路的道路属性信息；确定多个主题,并依据各所述局部道路的道路属性信息计算各所述局部道路在每一主题下的概率分布数据；以各所述局部道路的所述概率分布数据作为特征向量,对各所述局部道路进行聚类；将位于同一聚类簇的所述局部道路,划分至同一道路场景。本发明可以以更加合适的粒度实现道路场景划分。(The invention relates to a road scene dividing method and device, electronic equipment and a storage medium, and belongs to the technical field of information processing. The road scene division method comprises the following steps: acquiring road attribute information of a plurality of local roads; determining a plurality of themes, and calculating probability distribution data of each local road under each theme according to the road attribute information of each local road; clustering each local road by taking the probability distribution data of each local road as a feature vector; and dividing the local roads in the same cluster into the same road scene. The invention can realize road scene division with more proper granularity.)

道路场景划分方法、装置、电子设备及存储介质

技术领域

本发明涉及信息处理技术领域，具体而言，涉及一种道路场景划分方法、道路场景划分装置、电子设备以及计算机可读存储介质。

背景技术

随着计算机技术以及互联网技术的发展，为了方便地图的查询、制作、更新、复制和缩放等需求，电子地图应运而生。

在电子地图中，需要确定各个局部道路的道路场景，进而根据不同的道路场景设计不同的路况计算策略，进而可以进行较为准确的电子导航。

然而，相关技术中，道路场景划分的粒度是一个很难把控的问题，即使有很丰富的领域经验，在这个问题上依然会面临困难。因此，如何以合适的粒度进行道路场景划分成为了需要解决的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的在于提供一种道路场景划分方法、道路场景划分装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的道路场景划分的粒度难以把控的问题。

根据本发明的第一方面，提供一种道路场景划分方法，包括：

获取多个局部道路的道路属性信息；

确定多个主题，并依据各所述局部道路的道路属性信息计算各所述局部道路在每一主题下的概率分布数据；

以各所述局部道路的所述概率分布数据作为特征向量，对各所述局部道路进行聚类；

将位于同一聚类簇的所述局部道路，划分至同一道路场景。

在本发明的一种示例性实施例中，所述道路场景划分方法还包括：

获取目标局部道路的道路属性信息；

依据所述目标局部道路的道路属性信息计算所述目标局部道路在每一主题下的概率分布数据；

以所述目标局部道路的所述概率分布数据作为特征向量，确定所述目标局部道路所属的目标聚类簇；

将所述目标聚类簇对应的道路场景作为所述目标局部道路的道路场景。

在本发明的一种示例性实施例中，确定所述目标局部道路所属的目标聚类簇包括：

获取各所述聚类簇的聚类中心；

计算所述目标局部道路的特征向量与各所述聚类中心的距离值；

将最小距离值对应的聚类中心所在的聚类簇作为所述目标聚类簇。

在本发明的一种示例性实施例中，所述道路场景划分方法还包括：

将所述目标局部道路划分至所述目标聚类簇之后，重新计算所述目标聚类簇的聚类中心。

在本发明的一种示例性实施例中，所述局部道路的道路属性信息包括以下一种或多种：

所述局部道路的路网基础属性信息、所述局部道路的拓扑属性信息以及所述局部道路的挖掘属性信息。

在本发明的一种示例性实施例中，得到各所述局部道路相关于每一主题的概率分布数据，包括：

利用所有所述局部道路的所有道路属性信息构成属性信息集合，并为所述集合中的每一属性信息随机分配一初始主题；

执行下述循环过程，直至各局部道路的主题分布及各主题下的属性信息分布收敛：统计各主题下的属性信息分布及各局部道路的主题分布；将所述集合中一未更新主题的属性信息作为当前属性信息；根据所述集合中当前属性信息外的所有属性信息的主题分布，为所述当前属性信息更新主题；

根据所述循环过程执行完毕时各局部道路的主题分布计算各所述局部道路相关于每一主题的概率分布数据。

在本发明的一种示例性实施例中，为所述当前属性信息更新主题包括：

根据所述集合中当前属性信息外的所有属性信息的主题分布，计算所述当前属性信息对于各主题的转移概率；

根据所述转移概率，重新为所述当前属性信息采样一个新的主题。

在本发明的一种示例性实施例中，对各所述局部道路进行聚类包括：

选取预设数目的局部道路作为初始聚类中心；

执行下述循环过程，直至满足聚类终止条件：

选择一未聚类的局部道路作为当前局部道路；

根据特征向量计算所述当前局部道路和当前各聚类中心的距离；

将所述当前局部道路分配至距离最近的聚类中心，并在分配后重新计算所述聚类中心。

在本发明的一种示例性实施例中，所述道路场景划分方法还包括：

为划分的各所述道路场景分别确定不同的路况计算策略；

根据各所述路况计算策略的计算结果，对所述道路场景的划分结果进行验证。

根据本发明的第二方面，提供一种道路场景划分装置，包括：

第一信息获取模块，用于获取多个局部道路的道路属性信息；

第一主题分类模块，用于确定多个主题，并依据各所述局部道路的道路属性信息计算各所述局部道路在每一主题下的概率分布数据；

局部道路聚类模块，用于以各所述局部道路的所述概率分布数据作为特征向量，对各所述局部道路进行聚类；

第一场景划分模块，用于将位于同一聚类簇的所述局部道路，划分至同一道路场景。

在本发明的一种示例性实施例中，所述道路场景划分装置还包括：

第二信息获取模块，用于获取目标局部道路的道路属性信息；

第二主题分类模块，用于依据所述目标局部道路的道路属性信息计算所述目标局部道路在每一主题下的概率分布数据；

目标聚类簇确定模块，用于以所述目标局部道路的所述概率分布数据作为特征向量，确定所述目标局部道路所属的目标聚类簇；

第二场景划分模块，用于将所述目标聚类簇对应的道路场景作为所述目标局部道路的道路场景。

在本发明的一种示例性实施例中，目标聚类簇确定模块包括：

聚类中心获取单元，用于获取各所述聚类簇的聚类中心；

距离值计算单元，用于计算所述目标局部道路的特征向量与各所述聚类中心的距离值；

目标聚类簇确定单元，用于将最小距离值对应的聚类中心所在的聚类簇作为所述目标聚类簇。

在本发明的一种示例性实施例中，所述道路场景划分装置还包括：

聚类中心更新模块，用于在所述目标聚类簇确定模块将所述目标局部道路划分至所述目标聚类簇之后，重新计算所述目标聚类簇的聚类中心。

在本发明的一种示例性实施例中，所述局部道路的道路属性信息包括以下一种或多种：

所述局部道路的路网基础属性信息、所述局部道路的拓扑属性信息以及所述局部道路的挖掘属性信息。

在本发明的一种示例性实施例中，所述第一主题分类模块包括：

初始主题分配单元，用于利用所有所述局部道路的所有道路属性信息构成属性信息集合，并为所述集合中的每一属性信息随机分配一初始主题；

主题更新单元，用于执行下述循环过程，直至各局部道路的主题分布及各主题下的属性信息分布收敛：统计各主题下的属性信息分布及各局部道路的主题分布；将所述集合中一未更新主题的属性信息作为当前属性信息；根据所述集合中当前属性信息外的所有属性信息的主题分布，为所述当前属性信息更新主题；

主题分类模块单元，用于根据所述循环过程执行完毕时各局部道路的主题分布计算各所述局部道路相关于每一主题的概率分布数据。

在本发明的一种示例性实施例中，所述主题更新单元通过下述步骤为所述当前属性信息更新主题：根据所述集合中当前属性信息外的所有属性信息的主题分布，计算所述当前属性信息对于各主题的转移概率；以及根据所述转移概率，重新为所述当前属性信息采样一个新的主题。

在本发明的一种示例性实施例中，所述局部道路聚类模块包括：

聚类簇初始化单元，用于选取预设数目的局部道路作为初始聚类中心；

聚类簇分配单元，用于执行下述循环过程，直至满足聚类终止条件：选择一未聚类的局部道路作为当前局部道路；根据特征向量计算所述当前局部道路和当前各聚类中心的距离；将所述当前局部道路分配至距离最近的聚类中心，并在分配后重新计算所述聚类中心。

在本发明的一种示例性实施例中，所述道路场景划分装置还包括：

划分结果验证模块，用于为划分的各所述道路场景分别确定不同的路况计算策略；以及根据各所述路况计算策略的计算结果，对所述道路场景的划分结果进行验证。

根据本发明的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。

根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。

本发明示例性实施例可以具有以下部分或全部有益效果：

在本示例实施方式所提供的道路场景划分方法中，将自然语言处理领域的主题分类模型用于道路场景划分，相比于现有技术，一方面，由于能够根据局部道路的道路属性信息自动进行道路场景划分，因此可以节省人工成本，提高道路场景划分的效率；另一方面，在本发明的方法中，可以根据实际需求进行类别数量不同的聚类，因此可以以更加合适的粒度实现道路场景划分；再一方面，随着训练数据的增加，则模型的准确性也会越高，因此，基于本发明的方法，在局部道路数量越大时，则得到的道路场景划分结果越准确。在进行合适粒度的准确道路场景划分之后，则可以为每个道路场景针对性的设计的更贴合该道路场景的路况计算策略，进而能够更加精准的进行路况计算，提升路况分布的准确性，为用户带来更好的路况体验、导航体验以及出行体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了可以应用本发明实施例的一种道路场景划分方法及装置的示例性系统架构的示意图；

图2示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图；

图3示意性示出了根据本发明的一个实施例的道路场景划分方法的流程图；

图4示意性示出了根据本发明的一个实施例中计算主题概率分布的步骤的流程图；

图5示意性示出了根据本发明的一个实施例中道路属性信息主题更新的步骤的流程图；

图6示意性示出了根据本发明的一个实施例中局部道路聚类的步骤的流程图；

图7示意性示出了根据本发明的一个实施例中对于目标局部道路进行道路场景划分的步骤的流程图；

图8示意性示出了根据本发明的一个实施例中确定目标聚类簇的步骤的流程图；

图9示意性示出了根据本发明的一个实施例的道路场景划分装置的框图；

图10示意性示出了根据本发明的一个实施例的道路场景划分装置的另一框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

图1示出了可以应用本发明实施例的一种道路场景划分方法及装置的示例性应用环境的系统架构的示意图。

如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。

本发明实施例所提供的道路场景划分方法一般由服务器105执行，相应地，道路场景划分装置一般设置于服务器105中。但本领域技术人员容易理解的是，本发明实施例所提供的道路场景划分方法也可以由终端设备101、102、103执行，相应的，道路场景划分装置也可以设置于终端设备101、102、103中，本示例性实施例中对此不做特殊限定。

图2示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图2示出的电子设备的计算机系统200仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统操作所需的各种程序和数据。CPU201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。

以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的存储部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入存储部分208。

特别地，根据本发明的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的方法和装置中限定的各种功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图3～图8所示的各个步骤等。

以下对本发明实施例的技术方案进行详细阐述：

相关技术中，比较常见道路场景划分方法有两类，第一类是按照城市等级进行划分，比如一线城市道路，二线城市道路，三线城市道路，特殊地形的城市道路等；第二类是按照道路功能等级或者行政等级进行划分，比如城际高速路，城市快速路，国道，省道，县道，乡镇道路等。除此之外，也有一些基于这两类划分方法的组合，比如按照城市等级划分后，再按照道路的功能等级进行划分等。

但是上述道路场景划分方法存在显著的问题：即如果仅仅按照城市等级进行道路场景划分，则划分粒度过粗；如果按照道路功能等级或者行政等级划分，不同城市的差异性又很难体现；如果按照城市等级和道路功能等级或者行政等级组合划分，则划分粒度又过细，工程实现上过于复杂。

基于上述问题，本示例实施方式首先提供了一种道路场景划分方法。该道路场景划分方法可以应用于上述服务器105，也可以应用于上述终端设备101、102、103中的一个或多个，本示例性实施例中对此不做特殊限定。参考图3所示，该道路场景划分方法可以包括以下步骤：

步骤S310.获取多个局部道路的道路属性信息；

步骤S320.确定多个主题，并依据各所述局部道路的道路属性信息计算各所述局部道路在每一主题下的概率分布数据；

步骤S330.以各所述局部道路的所述概率分布数据作为特征向量，对各所述局部道路进行聚类；

步骤S340.将位于同一聚类簇的所述局部道路，划分至同一道路场景。

在本示例实施方式所提供的道路场景划分方法中，将自然语言处理领域的主题分类模型用于道路场景划分，相比于现有技术，一方面，由于能够根据局部道路的道路属性信息自动进行道路场景划分，因此可以节省人工成本，提高道路场景划分的效率；另一方面，在本发明的方法中，可以根据实际需求进行类别数量不同的聚类，因此可以以更加合适的粒度实现道路场景划分；再一方面，随着训练数据的增加，则模型的准确性也会越高，因此，基于本发明的方法，在局部道路数量越大时，则得到的道路场景划分结果越准确。在进行合适粒度的准确道路场景划分之后，则可以为每个道路场景针对性的设计的更贴合该道路场景的路况计算策略，进而能够更加精准的进行路况计算，提升路况分布的准确性，为用户带来更好的路况体验、导航体验以及出行体验。

下面，对于本示例实施方式的上述步骤进行更加详细的说明。

步骤S310.获取多个局部道路的道路属性信息。

本示例实施方式中，局部道路是路网数据中的最小的道路单元，又称为路段(Link)；换言之，道路由一个个局部道路组成，每一个局部道路表示一小段道路。具体需要获取局部道路的哪些道路属性信息，可以根据经验确定或根据实验结果反复反馈确定，本示例性实施例中对此不做特殊限定。一个对象的属性是对象的性质与对象之间关系的统称；本示例实施方式中，所述局部道路的道路属性信息包括所述局部道路的性质信息以及所述局部道路和与其关联的其他对象(例如其他局部道路、局部道路上的车辆等)之间关系信息。举例而言，所述局部道路的道路属性信息可以包括以下一种或多种：所述局部道路的路网基础属性信息、所述局部道路的拓扑属性信息以及所述局部道路的挖掘属性信息等。具体而言：

局部道路的基础路网属性信息主要是指可以直接获取的局部道路本身的基础信息。例如，每一个局部道路的基础路网属性信息可以包括如道路长度信息、道路等级信息、行政等级信息、车道数信息、幅宽信息、是否匝道、是否高架、是否有公交专用道、是否红绿灯道路、是否有收费站等信息。

局部道路的拓扑属性主要是指局部道路与其他局部道路之间的拓扑关系信息。例如，当前局部道路的拓扑属性可以包括如当前局部道路有几个上游的入口局部道路、有几个下游的出口局部道路、上游入口局部道路平均车道数与当前局部道路的车道数差值、当前局部道路与下游出口局部道路车道数的差值、前方距离范围X内是否有红绿灯(X例如为200米等)、后方距离范围Y内是否有红绿灯(Y例如为200米等)、前方红绿灯路口的等待周期、后方红绿灯路口的等待周期、前方距离范围Z内是否有出入口(Z例如为500米等)等信息。

局部道路的挖掘属性主要是指根据局部道路的历史车流信息挖掘出的信息。例如，当前局部道路的挖掘属性可以包括如包括自由流速度(free flow speed，ffs)、历史经典速度(history typical speed，hts)、历史车流量(history car flow，hcf)等信息。

本示例实施方式中，结合发明人在实时路况计算领域的经验，从局部道路自身维度、拓扑空间维度、历史时间维度上，选取了所述局部道路的路网基础属性信息、拓扑属性信息以及挖掘属性信息。但是，当然，本领域技术人员容易理解的是，上述局部道路的道路属性信息仅仅是用于举例说明。在本发明的其他示例性实施例中，本领域技术人员也可以根据实际需求选择更多或选择其他道路属性信息；例如，通过获取到更为丰富的道路车流信息，从而进一步提升后续道路场景划分的准确性等。

步骤S320.确定多个主题，并依据各所述局部道路的道路属性信息计算各所述局部道路在每一主题下的概率分布数据。

主题分类模型主要应用于自然语言处理领域。在主题分类模型中，会事先假设认为每个分类都会归属于一个或多个主题(topic)；这里所述的主题是一种隐含的、抽象的主题。如果用数学来描述的话，主题就是词汇表中词语的条件概率分布。与主题关系越密切的词语，它的条件概率越大，反之则越小。通俗来说，一个主题可以类比为一个词袋，词袋中装了若干出现概率较高的词语；这些词语和这个主题有很强的相关性，或者说，正是这些词语共同定义了这个主题。对于一段文本来说，有些词语可以出自这个词袋，有些可能来自那个词袋，因此一段文本往往是若干个主题的杂合体。通过主题分类模型能够计算一篇文档在各个主题上的概率分布数据，比如80％的概率属于是财经类主题，20％的概率是生活类主题等；需要说明的，这里的“财经类”和“生活类”仅是对于主题的一个显性描述，并非指主题本身。本示例实施方式中，在将自然语言处理领域的主题分类模型用于道路场景划分的过程中，可以将一个局部道路类比于一篇文档，将局部道路的各条道路属性信息类比于文档中的各个单词。下面，基于该类比，详细说明本示例实施方式中的主题分类过程：

首先，需要设定主题的个数。主题的个数设置依赖于路况业务领域的经验，要避免设的过大或者过小。本示例实施方式中，主题就是各道路属性信息的条件概率分布；与主题关系越密切的道路属性信息，它的条件概率越大，反之则越小。对于一个局部道路而言，通常会有多个道路属性信息，这些道路属性信息往往可能归属于不同的主题，则相应的，该局部道路会以不同的概率对应多个主题。例如，本示例实施方式中可以先粗略的定义三个主题，分别对应于封闭道路、无红绿灯地面道路、有红绿灯的地面道路(具体对应关系可以在分类完成后确定)；当然，还可以根据需求进行主题细分，例如在局部道路的通行能力上、局部道路的长度上、局部道路是否上下线分离上、局部道路的日均车流量等维度上进行主题细分；举例而言，主题可以对应于上下线分离且通行能力强的道路、上下线分离且通行能力一般的道路、通行能力强的且前方有红绿灯的道路、通行能力一般的且前方没有红绿灯的道路等。假设我们最终定义的主题个数为N个(比如8)，

其次，在确定主题个数之后，则可以对主题分类模型进行训练，得到各所述局部道路相关于每一主题的概率分布数据。参考图4所示，本示例实施方式中，对主题分类模型进行训练可以包括下述步骤S321至步骤S324。

其中：

在步骤S321中，利用各所述局部道路的所有道路属性信息构成道路属性信息集合，并为所述集合中的每一属性信息随机分配一初始主题。

本示例实施方式中，将所有局部道路构成的局部道路集合记为D，局部道路的数量为L，将局部道路聚类簇D中的各局部道路记为D₁～D_L；将所有所述局部道路的所有道路属性信息构成的道路属性信息集合记为W，道路属性信息的数量为M，将道路属性信息集合W中的各条道路属性信息记为W₁～W_M；将所有主题构成的主题集合记为Z，主题的数量为N，将主题集合Z中的各个主题记为Z₁～Z_N。在该步骤中，为所述集合中的每一属性信息随机分配一初始主题即，为道路属性信息集合W中的每一道路属性信息W_i随机分配一初始主题Z_j；其中，i为道路属性信息的编号，j为主题的编号。

在步骤S322中，执行下述循环过程，直至各局部道路的主题分布及各主题下的属性信息分布收敛：统计各主题下的属性信息分布及各局部道路的主题分布；将所述集合中一未更新主题的属性信息作为当前属性信息；根据所述集合中当前属性信息外的所有属性信息的主题分布，为所述当前属性信息更新主题。下面参考图5对上述循环过程包括的步骤S3221至步骤S3224进行更加详细的说明。

在步骤S3221中，统计各主题下的道路属性信息分布及各局部道路的主题分布。本示例实施方式中，各主题下的道路属性信息分布即每个主题Z_j下出现道路属性信息W₁～W_M的数量；各局部道路的主题分布即每个局部道路D_k下分别出现主题Z₁～Z_N下的道路属性信息的数量。具体统计结果可以如下述主题-道路属性信息矩阵以及局部道路-主题矩阵。

主题-道路属性信息矩阵

	W<sub>1</sub>	W<sub>2</sub>	…	W<sub>M</sub>
					φ<sub>1</sub>	0	2	…	3
φ<sub>2</sub>	1	4	…	0
					…	…	…	…	…
φ<sub>N</sub>	1	1	…	0

上述的主题-道路属性信息矩阵是一个N*M维的矩阵，N为主题的数量，M为道路属性信息的数量。主题-道路属性信息矩阵中φ_i是一个长度为M的向量，用于描述主题Z_i在M个道路属性信息W₁～W_M上的多项式分布情况。例如，φ₁＝(0,2,…,3)，表示在主题Z₁下出现了0个道路属性信息W₁、2个道路属性信息W₂、…以及3个道路属性信息W_N。

局部道路-主题矩阵

	Z<sub>1</sub>	Z<sub>2</sub>	…	Z<sub>N</sub>
					θ<sub>1</sub>	2	0	…	3
θ<sub>2</sub>	3	4	…	0
					…	…	…	…	…
θ<sub>L</sub>	2	3	…	1

上述的局部道路-主题矩阵是一个L*N维的矩阵，L为局部道路的数量，N为主题的数量。局部道路-主题矩阵中θ_i是一个长度为N的向量，用于描述局部道路D_i在主题Z₁～Z_N上的多项式分布情况。例如，θ₁＝(2,0,…,3)，表示局部道路D_i具有2个主题Z₁下的道路属性信息、0个主题Z₂下的道路属性信息、…以及3个主题Z_N下的道路属性信息。

在步骤S3222中，将所述集合中一未更新主题的属性信息作为当前属性信息。例如将道路属性信息集合W中的道路属性信息W₁～W_M依次作为当前属性信息W_i。

在步骤S3223中，根据所述集合中当前属性信息外的所有属性信息的主题分布，为所述当前属性信息更新主题。本示例实施方式中，可以通过吉布斯采样方法为所述当前属性信息更新主题。举例而言，可以包括如下步骤：

首先，根据所述集合中当前属性信息外的所有属性信息的主题分布，计算所述当前属性信息对于各主题的转移概率。具体而言，从上述道路属性信息集合W中排除当前道路属性信息W_i的对应的主题分布，根据道路属性信息W₁～W_i-1以及W_i+1～W_M的主题分布，来估计当前道路属性信息W_i分配到各个主题Z₁～Z_N的概率，即分别计算当前道路属性信息W_i从前当前主题转移到其他主题Z_k的转移概率。本示例实施方式中，转移到主题Z_k的转移概率可以通过下式计算：

其中，代表道路属性信息集合W中去掉当前道路属性信息W_i后的道路属性信息的主题分布；表示在第m个局部道路中第k个主题下的道路属性信息出现的个数，通过上述局部道路-主题矩阵获取；α_k表示与第k个主题相关的常量；表示第k个主题下第i个道路属性信息的个数，通过上述主题-道路属性信息矩阵获取；β_t表示与第t个局部道路相关的常量；L表示局部道路的数量；N表示主题的数量。

其次，根据当前属性信息属于各主题的概率分布，重新为所述当前属性信息采样一个新的主题。具体而言，在通过上述步骤计算出当前属性信息转移到其他主题Z_k的转移概率后，则可以根据各个转移概率为所述当前属性信息采样一个新的主题，并跳转至步骤S3221。

最后，在为当前属性信息采样新的主题之后，则上述步骤S3221的局部道路-主题矩阵以及主题-道路属性信息矩阵中的数据会发生变化。因此，在跳转至步骤S3221之后，可以根据更新后的局部道路-主题矩阵以及主题-道路属性信息矩阵，重新为下一属性信息重新确定主题，直至各局部道路的主题分布及各主题下的属性信息分布收敛。

在步骤S323中，根据所述循环过程执行完毕时各局部道路的主题分布计算各所述局部道路相关于每一主题的概率分布数据。

举例而言，在所述循环过程执行完毕时，可以获取上述局部道路-主题矩阵以及主题-道路属性信息矩阵中的向量φ₁～φ_N以及θ₁～θ_L，通过φ₁～φ_N则可以获取局部道路D₁～D_L在主题Z₁～Z_N上的多项式分布情况；通过θ₁～θ_L则可以获取主题Z₁～Z_N下的道路属性信息W₁～W_M的多项式分布情况。在对向量φ₁～φ_N进行归一化之后，则可以得到各所述局部道路相关于每一主题的概率分布数据；例如，局部道路D_i相关于主题W₁～W₈的概率分布数据可以为(0.01，0.01，0.02，0.06，0.6，0.1，0.1，0.1)，从该概率分布数据可以看出，很明显将该局部道路D_i划分到第5个主题是更合适的。

在上述示例性实施例中，是以吉布斯采样方法为例进行的说明。但本领域技术人员容易理解的是，在本发明的其他示例性实施例中，也可以通过EM算法等其他方法计算各局部道路的主题分布，这同样属于本发明的保护范围。

步骤S330.以各所述局部道路的所述概率分布数据作为特征向量，对各所述局部道路进行聚类。

在本示例实施方式中，如果两个局部道路相关于每一主题的概率分布数据是相近或者相似的，那么则认为这两个局部道路应当归属于同一个道路场景。本示例实施方式中，可以将各所述局部道路的所述概率分布数据作为该局部道路的特征向量，例如，如果局部道路D_i相关于主题W₁～W₈的概率分布数据为(0.01，0.01，0.02，0.06，0.6，0.1，0.1，0.1)，则局部道路D_i的特征向量为(0.01，0.01，0.02，0.06，0.6，0.1，0.1，0.1)；进而，根据各局部道路的特征向量进行聚类。

本示例实施方式中，可以根据各局部道路的特征向量，通过k-means算法、k-medoids算法或者clara算法等聚类算法对所有所述局部道路进行聚类；以k-means算法聚类为例，参考图6所示，聚类过程可以包括步骤S331至步骤S334。其中：

在步骤S331中，选取预设数目的局部道路作为初始聚类中心。

本示例实施方式中，首先确定聚类簇的数量；聚类簇的数量可以依赖本领域技术人员对路况领域的业务经验确定，同时也可以进一步经过不断的迭代测试，最终确定最合适的聚类簇数量；本示例实施方式中以4个聚类簇即下述聚类簇A、聚类簇B、聚类簇C以及聚类簇D为例进行说明。在确定聚类簇的数量之后，可以在选取对应数量的局部道路分别作为初始聚类中心。例如，对于聚类簇A，初始选取的局部道路记为a₁；对于聚类簇B，初始选取的局部道路记为b₁；对于聚类簇C，初始选取的局部道路记为c₁；对于聚类簇D，初始选取的局部道路记为d₁。初始局部道路的选取可以是人工选取，也可以是随机选取或其他选取方式，本示例性实施例中对此不做特殊限定。

在步骤S332中，选择一未聚类的局部道路作为当前局部道路。

在步骤S333中，根据特征向量计算所述当前局部道路和当前各聚类中心的距离。

举例而言，假设当前聚类簇A中局部道路个数为o，聚类簇B中局部道路个数为p，聚类簇C中局部道路个数为k，聚类簇D中局部道路个数为m。在各聚类簇中，每一个局部道路均被表示为n维向量。因此对聚类簇A、聚类簇B、聚类簇C、聚类簇D的一般化表示如下；其中其中，N为主题的数量，R^N表示是N维向量空间：

A＝{a₁,a₂,...,a_o}a_i∈R^N(i＝1,2,...,o)

B＝{b₁,b₂,...,b_p}b_i∈R^N(i＝1,2,...,p)

C＝{c₁,c₂,...,c_k}c_i∈R^N(i＝1,2,...,k)

D＝{d₁,d₂,...,d_m}d_i∈R^N(i＝1,2,...,m)

在得到聚类簇A、聚类簇B、聚类簇C、聚类簇D的一般化表示后，则聚类簇A、聚类簇B、聚类簇C、聚类簇D的聚类中心μa、μb、μc、μd可以通过下式计算：

即在本示例实施方式中，聚类簇的聚类中心计算的方法是计算聚类簇中所有局部道路的特征应向量的平均值，最终得到的μ_a、μ_b、μ_c、μ_d均为n维向量。但本领域技术人员容易理解的是，在本发明的其他示例性实施例中，也可以通过其他方式计算聚类簇的聚类中心，本示例性实施例中并不以此为限。

在计算得到各聚类簇的聚类中心之后，对于所述当前局部道路，可以计算当前局部道路的特征向量N与聚类簇A、聚类簇B、聚类簇C、聚类簇D的聚类中心μ_a、μ_b、μ_c、μ_d的距离Dis_a、Dis_b、Dis_c、Dis_d。

例如：

Dis_a＝||N-μ_a||²

Dis_b＝||N-μ_b||²

Dis_c＝||N-μ_c||²

Dis_d＝||N-μ_d||²

其中，||X-Y||是向量作差之后各分量的平方和的开根号。

需要说明的，在本示例实施方式中，计算的是欧式距离，但在本发明的其他示例性实施例中，也可以计算马氏距离、余弦距离、曼哈顿距离等；这些同样属于本发明的保护范围。

在步骤S334中，将所述当前局部道路分配至距离最近的聚类中心，并在分配后重新计算所述聚类中心。

如果该所述局部道路与一所述聚类簇的聚类中心的距离最小，则将该所述局部道路分配至该所述聚类簇。例如可以通过下式确定最小距离：

Min(Dis_a，Dis_b，Dis_c，Dis_d)

举例而言，对于上述当前局部道路，如果其与所述聚类簇A的聚类中心的距离最小，则将上述当前局部道路分配至所述聚类簇A；如果其与所述聚类簇B的聚类中心的距离最小，则将上述当前局部道路分配至所述聚类簇B。

在对当前局部道路分配完毕之后，则可以重新计算聚类簇的聚类中心。本示例实施方式中，可以通过上述步骤S333中的方法重新计算其聚类中心。然后，迭代上述步骤S332～步骤S334，直至满足聚类终止条件，例如聚类中止条件可以为，对于所有局部道路均聚类完成。此外，在聚类完成后，还可以记录当前各聚类簇的聚类中心，以便于后续使用。

在步骤S340中，将位于同一聚类簇的所述局部道路，划分至同一道路场景。

在本示例实施方式中，位于同一聚类簇的所述局部道路相关于每一主题的概率分布数据都是相近或者相似的，因此可以将位于同一聚类簇的所述局部道路归属于同一个道路场景，但道路场景的类型则需要根据聚类簇的局部道路来进行确定。

此外，本示例实施方式中的道路场景方法还可以包括：为划分的各所述道路场景分别确定不同的路况计算策略，并且，根据各所述路况计算策略的计算结果，对所述道路场景的划分结果进行验证。例如，对于划分到同一道路场景中的局部道路通过路况计算策略进行路况计算之后，如果发现路况计算结果与预期符合，则基本说明道路场景的划分结果准确；相反，对于划分到同一道路场景中的局部道路通过路况计算策略进行路况计算之后，如果发现路况计算结果与预期偏差较大，则可能说明道路场景的划分结果仍需要进一步优化。优化的方式可以包括重新选取用于训练的局部道路、重新确定训练时的参数等，本示例性实施例中对此不做特殊限定。

进一步的，在上述道路场景划分完成之后，后续如果有新的局部道路(即下述目标局部道路)需要进行道路场景划分，则可以通过如图7中所示的步骤S350～步骤380实现。其中：

在步骤S350中，获取目标局部道路的道路属性信息。本示例实施方式中，所述目标局部道路的道路属性信息可以包括以下一种或多种：所述目标局部道路的路网基础属性信息、所述目标局部道路的拓扑属性信息以及所述目标局部道路的挖掘属性信息等。该步骤的具体实现与上述步骤S310类似，因此此处不再重复赘述。

在步骤S360中，依据所述目标局部道路的道路属性信息计算所述目标局部道路在每一主题下的概率分布数据。由于在上述步骤S320中，已经获取到了主题Z₁～Z_N下的道路属性信息W₁～W_M的多项式分布情况。因此，在该步骤中，则可以直接根据所述目标局部道路的各道路属性信息以及主题Z₁～Z_N下的道路属性信息W₁～W_M的多项式分布情况，直接计算得到目标局部道路在每一主题下的概率分布数据。

在步骤S370中，以所述目标局部道路的所述概率分布数据作为特征向量，确定所述目标局部道路所属的目标聚类簇。参考图8所示，本示例实施方式中，可以通过步骤S371～步骤S373确定所述目标局部道路所属的目标聚类簇。其中：在步骤S371中，获取各所述聚类簇的聚类中心；在该步骤中，可以采用上述步骤S330中聚类完成后记录的聚类中心，也可以采用与上述步骤S333中相同的方法再次计算各所述聚类簇的聚类中心，本示例性实施例中对此不做特殊限定。在步骤S372中，计算所述目标局部道路的特征向量与各所述聚类中心的距离值；该步骤的具体实现与上述步骤S333中基本类似，因此此处不再重复赘述。在步骤S373中，将最小距离值对应的聚类中心所在的聚类簇作为所述目标聚类簇。

在步骤S380中，将所述目标聚类簇对应的道路场景作为所述目标局部道路的道路场景。在本示例实施方式中，位于同一聚类簇的所述局部道路相关于每一主题的概率分布数据都是相近或者相似的，因此可以将目标聚类簇对应的道路场景中的所有局部道路归属于同一个道路场景。

此外，本示例实施方式中，在将所述目标局部道路划分至所述目标聚类簇之后，还可以重新计算所述目标聚类簇的聚类中心。目标聚类簇的聚类中心的计算，可以采用上述步骤S333中的方法，也可以通过下式计算(下式中，θ为所述目标局部道路的特征向量)：

若是目标聚类簇为上述聚类簇A，则是目标聚类簇的聚类中心更新为：

o＝o+1

若是目标聚类簇为上述聚类簇B，则是目标聚类簇的聚类中心更新为：

p＝p+1

若是目标聚类簇为上述聚类簇C，则是目标聚类簇的聚类中心更新为：

k＝k+1

若是目标聚类簇为上述聚类簇D，则是目标聚类簇的聚类中心更新为：

m＝m+1

在重新计算所述目标聚类簇的聚类中心之后，可以对计算结果进行记录存储，以便于下次对新的目标局部道路进行道路场景时直接使用。

应当注意，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

进一步的，本示例实施方式中，还提供了一种道路场景划分装置。该道路场景划分装置可以应用于一服务器或终端设备。参考图9所示，该道路场景划分装置900可以包括第一信息获取模块910、第一主题分类模块920、局部道路聚类模块930以及第一场景划分模块940。其中：

第一信息获取模块910可以用于获取多个局部道路的道路属性信息；第一主题分类模块920可以用于确定多个主题，并依据各所述局部道路的道路属性信息计算各所述局部道路在每一主题下的概率分布数据；局部道路聚类模块930可以用于以各所述局部道路的所述概率分布数据作为特征向量，对各所述局部道路进行聚类；第一场景划分模块940可以用于将位于同一聚类簇的所述局部道路，划分至同一道路场景。

在本发明的一种示例性实施例中，所述道路场景划分装置还可以包括第二信息获取模块950、第二主题分类模块960、目标聚类簇确定模块970以及第二场景划分模块980。其中：

第二信息获取模块950可以用于获取目标局部道路的道路属性信息；第二主题分类模块960可以用于依据所述目标局部道路的道路属性信息计算所述目标局部道路在每一主题下的概率分布数据；目标聚类簇确定模块970可以用于以所述目标局部道路的所述概率分布数据作为特征向量，确定所述目标局部道路所属的目标聚类簇；第二场景划分模块980可以用于将所述目标聚类簇对应的道路场景作为所述目标局部道路的道路场景。

在本发明的一种示例性实施例中，目标聚类簇确定模块970可以包括聚类中心获取单元、距离值计算单元以及目标聚类簇确定单元。其中：

聚类中心获取单元可以用于获取各所述聚类簇的聚类中心；距离值计算单元可以用于计算所述目标局部道路的特征向量与各所述聚类中心的距离值；目标聚类簇确定单元可以用于将最小距离值对应的聚类中心所在的聚类簇作为所述目标聚类簇。

在本发明的一种示例性实施例中，所述道路场景划分装置还可以包括聚类中心更新模块。其中：聚类中心更新模块可以用于在所述目标聚类簇确定模块将所述目标局部道路划分至所述目标聚类簇之后，重新计算所述目标聚类簇的聚类中心。

在本发明的一种示例性实施例中，所述局部道路的道路属性信息包括以下一种或多种：所述局部道路的路网基础属性信息、所述局部道路的拓扑属性信息以及所述局部道路的挖掘属性信息。

在本发明的一种示例性实施例中，所述第一主题分类模块920可以包括初始主题分配单元、主题更新单元以及主题分类模块单元。其中：

初始主题分配单元可以用于利用所有所述局部道路的所有道路属性信息构成属性信息集合，并为所述集合中的每一属性信息随机分配一初始主题；主题更新单元可以用于执行下述循环过程，直至各局部道路的主题分布及各主题下的属性信息分布收敛：统计各主题下的属性信息分布及各局部道路的主题分布；将所述集合中一未更新主题的属性信息作为当前属性信息；根据所述集合中当前属性信息外的所有属性信息的主题分布，为所述当前属性信息更新主题；主题分类模块单元可以用于根据所述循环过程执行完毕时各局部道路的主题分布计算各所述局部道路相关于每一主题的概率分布数据。

在本发明的一种示例性实施例中，所述主题更新单元通过下述步骤为所述当前属性信息更新主题：根据所述集合中当前属性信息外的所有属性信息的主题分布，计算所述当前属性信息对于各主题的转移概率；以及根据所述转移概率，重新为所述当前属性信息采样一个新的主题。

在本发明的一种示例性实施例中，所述局部道路聚类模块930可以包括聚类簇初始化单元以及聚类簇分配单元。其中：

聚类簇初始化单元可以用于选取预设数目的局部道路作为初始聚类中心；聚类簇分配单元可以用于执行下述循环过程，直至满足聚类终止条件：选择一未聚类的局部道路作为当前局部道路；根据特征向量计算所述当前局部道路和当前各聚类中心的距离；将所述当前局部道路分配至距离最近的聚类中心，并在分配后重新计算所述聚类中心。

在本发明的一种示例性实施例中，所述道路场景划分装置还可以包括划分结果验证模块。其中：划分结果验证模块可以用于为划分的各所述道路场景分别确定不同的路况计算策略；以及根据各所述路况计算策略的计算结果，对所述道路场景的划分结果进行验证。

上述道路场景划分装置中各模块的具体细节已经在对应的道路场景划分方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。