CN104143260B - 一种基于数据融合优化模型的车辆轨迹预测方法 - Google Patents
一种基于数据融合优化模型的车辆轨迹预测方法 Download PDFInfo
- Publication number
- CN104143260B CN104143260B CN201310169605.9A CN201310169605A CN104143260B CN 104143260 B CN104143260 B CN 104143260B CN 201310169605 A CN201310169605 A CN 201310169605A CN 104143260 B CN104143260 B CN 104143260B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time interval
- section
- track
- forecasting methodology
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于数据融合优化模型的车辆轨迹预测方法,包括(1)根据存储系统提供的服务接口读取车辆ID、车速、车辆类型、经度、纬度、时间信息;(2)由车辆ID得到车速时间序列,建立支持向量机回归模型,得到车辆ID的任一时刻的近似解;(3)读取车辆ID的经度、纬度时间序列,根据地图给出的数据结构,建立K‑最短路模型,得到车辆ID每段时间间隔内的前K条最短路,按照由低到高依次排列;(4)计算每段时间间隔内,车辆行驶的距离与该段哪条最短路径距离最小,求解得到匹配路径,得到预测轨迹;(5)根据得到的轨迹,将其在地图上显示标出或者按属性发出报警信息。
Description
技术领域
本发明涉及物联网通信领域,特别是数据融合优化模型下的车辆轨迹预测问题。
背景技术
在传统车辆轨迹预测中,一方面有些是根据视频摄像头或传感器等终端进行数据采集取样,时间间隔比较短,造成过多的数据。在数据库服务器带宽和存储空间能力不能很好满足大数据要求,分布式数据库集群应运而生,但是采集时域较短的过多数据必定会造成大量的冗余;另一方面有些是通过视频数据进行实时分析,进行短期轨迹预测,并且对实际作了太多的简化,以至于对于时间较长些的预测很少涉及。无论是从数据采集冗余过多造成数据库服务器的负载过重还是短期轨迹预测,在实际网络需求中都有一定的限制。
发明内容
本发明的目的在于一种基于数据融合优化模型的车辆轨迹预测方法,减少短时间间隔存储带来的服务器存储带来的过多冗余,解决数据减少带来的信息缺失的补救办法,即可以近似还原以缺失数据。
一种基于数据融合优化模型的车辆轨迹预测方法,其特征在于:
(1)按照一定的时间间隔,根据存储系统提供的服务接口读取车辆ID、车速、车辆类型、经度、纬度、时间信息,进而读取车辆ID的时间序列其它属性信息;
(2)由车辆ID得到车速时间序列,建立支持向量机回归模型,得到车辆ID的任一时刻的近似解,按照时间间隔序列依次进行积分,得到每段时间间隔内行驶的路程;
(3)读取车辆ID的经度、纬度时间序列,根据地图给出的数据结构,建立K-最短路模型,得到车辆ID每段时间间隔内的前K条最短路,按照由低到高依次排列;
(4)计算每段时间间隔内,车辆行驶的距离与该段哪条最短路径距离最小,求解得到匹配路径,得到预测轨迹;
(5)根据得到的轨迹,将其在地图上显示标出或者按属性发出报警信息。
上述步骤(2)中,根据车速时间序列,用支持向量机做训练时进行交叉验证,得到连续模型v=f(t),对每段时间间隔进行积分,得到每段时间间隔内的行驶距离。
上述步骤(3)中,建立K-最短路模型时,要获知地图给出的数据结构,即点与边的信息,得到车辆ID每段时间间隔内的前K条最短路。
上述步骤(4)中,对于车辆ID,对每段时间间隔进行遍历,得到每段时间间隔的匹配路径,进行组合连接,得到预测轨迹。
上述步骤(5)中,根据步骤(4)最终输出结果,将其在地图上显示标出或者按属性发出报警信息,并保存在异常行为数据库中。
本发明提供了一种基于数据融合优化模型的车辆轨迹预测方法,充分考虑现实数据库服务器存储与服务能力的限制,减少短时间间隔存储带来的服务器存储带来的过多冗余,利用回归算法及最短路径算法,在时间间隔适当的情况下,解决数据减少带来的信息缺失的补救办法,即可以近似还原以缺失数据。
附图说明
图1是本发明的流程图;
图2是摄像头及路径的拓扑图。
具体实施方式
如图1所示,本发明一种基于数据融合优化模型的车辆轨迹预测方法包括以下步骤:
s01按照一定的时间间隔,根据存储系统提供的服务接口读取车辆ID、车速、车辆类型、经度、纬度、时间等信息,进而可以读取车辆ID的时间序列其它属性信息。时间间隔根据实验情况而定,如10分钟、20分钟等作为一定采样间隔。
s02读取车辆ID车速时间序列,建立支持向量机模型,求得每段时间间隔内行驶的路程;这里,我们假设车辆ID车速时间序列如右所示:应用经验最小化原则,车辆ID任一时刻速度近似解的函数可以由以下最优化问题得到的最优解作为参数进行组合表示。
假设上述最优化问题求得最优解则任一时刻速度近似解函数可以表示为其中
因此对于任一时间间隔(ti-1,ti),车辆ID行驶距离可以表示为
其中i∈0,1,…,l
s03读取车辆ID的经度、纬度时间序列,根据地图给出的数据结构,建立K-最短路模型,得到车辆ID每段时间间隔内的前K条最短路;
这里我们假设车辆ID经度、纬度时间序列如下所示:
根据地图给出的数据结构,即点的信息与点与点之间相连信息作出有向图,计算出有向图各个弧的长度。对于任一时间间隔(ti-1,ti),车辆ID起始点与终点的第j条最短路距离信息及路径信息分别用与表示,其中j∈1,2,…K。
s04计算某段时间间隔内,车辆行驶的近似距离与该段最短路相近的路径,得到匹配路径;
这里我们采集到车辆ID时间序列为t0,t1,…,tl。对于任一时间间隔(ti-1,ti),
由s02、s03分别计算出车辆ID行驶路程可以表示为第j条最短路信息用表示,其中i∈0,1,…,l,j∈1,2,…K。计算令其设为则车辆ID的轨迹可以表示为:
S05计算每段时间间隔内的预测轨迹,重复S02-S03,直至所有时间间隔段计算完成。
以下通过一个具体实施例对本发明的方法进一步说明。
假设拍摄区域共有20个摄像头,每个摄像头在各个路口转弯处,分别记为:S1,S2,…,S20。根据各个结点的经纬度信息,计算可以得到各条有向弧长度,各个摄像头之间的距离信息如表1所示,摄像头及道路的拓扑信息如图2所示:
表1各个摄像头之间的距离
步骤1:时间设为从0分钟开始,时间间隔为30分钟,到180分钟为止,车辆ID在0-180分钟内从S3转移到S2,6个时间间隔点的瞬时速度采集如表2所示:
表2车辆ID的速度信息
步骤2、计算出车辆ID任一时刻方程与在第一时间间隔内车辆ID行驶距离:
选取三次多项式核,利用支持向量机回归对偶非线性最优化方程,求得速度方程与该时间间隔路程分别为:
v=f(t)=3.0667t3-15.814t2+21.212t+56.757
步骤3:计算出从S3到S2前10条最短路,得到表3:
表3 S3到S2前10条最短路
步骤4:计算匹配路径:
计算其中Pi表示从S3-S2中第i条最短路,根据表3,可以得到在第一时间间隔内车辆轨迹为S3-S9-S13-S2。根据时间间隔可以遍历求解出所有的预测轨迹,得到车辆ID的完整的近似轨迹。
步骤5:根据步骤:4最终输出结果,将其在地图上显示标出或者按属性发出报警信息,并保存在异常行为数据库中。
Claims (5)
1.一种基于数据融合优化模型的车辆轨迹预测方法,其特征在于:
(1)按照一定的时间间隔,根据存储系统提供的服务接口读取车辆ID、车速、车辆类型、经度、纬度、时间信息,进而读取车辆ID的时间序列其它属性信息;
(2)由车辆ID得到车速时间序列,建立支持向量机回归模型,得到车辆ID的任一时刻的近似解,按照时间间隔序列依次进行积分,得到每段时间间隔内行驶的路程;
(3)读取车辆ID的经度、纬度时间序列,根据地图给出的数据结构,建立K-最短路模型,得到车辆ID每段时间间隔内的前K条最短路,按照由低到高依次排列;
(4)计算每段时间间隔内,车辆行驶的距离与该段哪条最短路径距离最小,求解得到匹配路径,得到预测轨迹;
(5)根据得到的轨迹,将其在地图上显示标出或者按属性发出报警信息。
2.根据权利要求1所述的车辆轨迹预测方法,其特征在于,步骤(2)中,根据车速时间序列,用支持向量机做训练时进行交叉验证,得到连续模型v=f(t),对每段时间间隔进行积分,得到每段时间间隔内的行驶距离。
3.根据权利要求1所述的车辆轨迹预测方法,其特征在于,在步骤(3)中,建立K-最短路模型时,要获知地图给出的数据结构,即点与边的信息,得到车辆ID每段时间间隔内的前K条最短路。
4.根据权利要求1所述的车辆轨迹预测方法,其特征在于,在步骤(4)中,对于车辆ID,对每段时间间隔进行遍历,得到每段时间间隔的匹配路径,进行组合连接,得到预测轨迹。
5.根据权利要求1所述的车辆轨迹预测方法,其特征在于,在步骤(5)中,根据步骤(4)最终输出结果,将其在地图上显示标出或者按属性发出报警信息,并保存在异常行为数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310169605.9A CN104143260B (zh) | 2013-05-10 | 2013-05-10 | 一种基于数据融合优化模型的车辆轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310169605.9A CN104143260B (zh) | 2013-05-10 | 2013-05-10 | 一种基于数据融合优化模型的车辆轨迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104143260A CN104143260A (zh) | 2014-11-12 |
CN104143260B true CN104143260B (zh) | 2017-10-03 |
Family
ID=51852428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310169605.9A Active CN104143260B (zh) | 2013-05-10 | 2013-05-10 | 一种基于数据融合优化模型的车辆轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104143260B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106558219B (zh) * | 2016-10-20 | 2020-05-12 | 深圳市元征科技股份有限公司 | 车辆轨迹预测方法及装置 |
CN110176142B (zh) * | 2019-05-17 | 2020-08-07 | 佳都新太科技股份有限公司 | 车辆轨迹预测模型建立及预测方法 |
CN110675632B (zh) * | 2019-11-11 | 2021-11-30 | 重庆邮电大学 | 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法 |
CN112665590B (zh) * | 2020-12-11 | 2023-04-21 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆的轨迹确定方法、装置、电子设备及计算机存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101409011A (zh) * | 2008-10-28 | 2009-04-15 | 北京世纪高通科技有限公司 | 一种地图匹配和路径推测方法、装置和系统 |
CN101681562A (zh) * | 2007-06-20 | 2010-03-24 | 丰田自动车株式会社 | 车辆行驶轨迹推定装置 |
CN101706996A (zh) * | 2009-11-12 | 2010-05-12 | 北京交通大学 | 一种基于信息融合的高速公路交通状态识别方法 |
CN102364304A (zh) * | 2011-06-30 | 2012-02-29 | 福建慧翰信息技术有限公司 | 路径预约规划方法及系统 |
CN102637363A (zh) * | 2012-04-11 | 2012-08-15 | 天津大学 | 基于支持向量机的道路车辆行驶速度预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4142886B2 (ja) * | 2002-04-01 | 2008-09-03 | 株式会社アイ・トランスポート・ラボ | 旅行時間推計装置およびその方法、コンピュータプログラム |
-
2013
- 2013-05-10 CN CN201310169605.9A patent/CN104143260B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101681562A (zh) * | 2007-06-20 | 2010-03-24 | 丰田自动车株式会社 | 车辆行驶轨迹推定装置 |
CN101409011A (zh) * | 2008-10-28 | 2009-04-15 | 北京世纪高通科技有限公司 | 一种地图匹配和路径推测方法、装置和系统 |
CN101706996A (zh) * | 2009-11-12 | 2010-05-12 | 北京交通大学 | 一种基于信息融合的高速公路交通状态识别方法 |
CN102364304A (zh) * | 2011-06-30 | 2012-02-29 | 福建慧翰信息技术有限公司 | 路径预约规划方法及系统 |
CN102637363A (zh) * | 2012-04-11 | 2012-08-15 | 天津大学 | 基于支持向量机的道路车辆行驶速度预测方法 |
Non-Patent Citations (5)
Title |
---|
Application of fuzzy logic and support vector machine to the control of exploration vehicle;Shunming Li等;《Natural Computation (ICNC), 2010 Sixth International Conference on》;20100923;第3479-3484页 * |
GPS probe map matching algorithm based on spatial data model;Wang Wei等;《Journal of Southeast University ( English Edition)》;20100930;第26卷(第3期);第461-465页 * |
基于 GIS/GPS 车辆监控系统实现及关键技术;夏红霞等;《微机发展》;20040831;第14卷(第8期);第100-102页 * |
基于支持向量回归机的路段平均速度短时预测方法研究;吕宏义;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20080815(第8期);C034-292页 * |
浮动车地图匹配算法研究;王美玲等;《测绘学报》;20120229;第41卷(第1期);第133-138页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104143260A (zh) | 2014-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3457336B1 (en) | Method and device for acquiring traffic light duration data | |
AU2013205716B2 (en) | Location-based cognitive and predictive communication system | |
US10592936B2 (en) | Travel assistance device, travel assistance server, and travel assistance system | |
CN105741556B (zh) | 路况信息的推送方法以及推送系统 | |
CN104143260B (zh) | 一种基于数据融合优化模型的车辆轨迹预测方法 | |
Abbas et al. | An adaptive approach to vehicle trajectory prediction using multimodel Kalman filter | |
CN103884344B (zh) | 一种基于海量车辆数据的智能化导航方法及导航系统 | |
RU2011102544A (ru) | Способ и устройство навигации | |
JP6083752B2 (ja) | 運転支援方法、センタ装置、運転支援システム | |
US20200201357A1 (en) | Systems and methods for vehicle scheduling and routing | |
US10775178B2 (en) | Spatio-temporal re-routing of navigation | |
CN105547311A (zh) | 一种路线规划方法、移动终端及系统 | |
CN106017484B (zh) | 轨道路径数据采集及拟合方法 | |
CN114661574A (zh) | 样本偏差数据的获取方法、装置和电子设备 | |
CN104567858A (zh) | 一种基于运动状态的历史轨迹回放方法及系统 | |
CN111563560A (zh) | 基于时序特征学习的数据流分类方法及装置 | |
JP7124704B2 (ja) | 交通状況推定装置、交通状況推定方法、プログラムおよび出力装置 | |
CN111695627A (zh) | 路况检测方法、装置、电子设备及可读存储介质 | |
US11468768B2 (en) | Method, apparatus, and system for automatic road closure detection during probe anomaly | |
CN105651276A (zh) | 一种基于动态线路规划仓库路径的系统 | |
Tarapiah et al. | Public transportation management system based on gps/wifi and open street maps | |
CN111160594A (zh) | 一种到达时间的预估方法、装置及存储介质 | |
Tseng et al. | Scaling the real-time traffic sensing with gps equipped probe vehicles | |
US11248922B2 (en) | Personalized social navigation coach | |
CN109377754B (zh) | 一种车联网环境下的短时交通流速度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |