CN108022012A - 基于深度学习的车辆位置预测方法 - Google Patents
基于深度学习的车辆位置预测方法 Download PDFInfo
- Publication number
- CN108022012A CN108022012A CN201711248078.5A CN201711248078A CN108022012A CN 108022012 A CN108022012 A CN 108022012A CN 201711248078 A CN201711248078 A CN 201711248078A CN 108022012 A CN108022012 A CN 108022012A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- vlpr
- sequence
- feature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 230000013016 learning Effects 0.000 claims abstract description 18
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000002596 correlated effect Effects 0.000 claims abstract description 5
- 238000012800 visualization Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 38
- 230000004913 activation Effects 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 101150039239 LOC1 gene Proteins 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于深度学习的车辆位置预测方法,该方法包括:S1、获取原始VLPR数据集,对原始VLPR数据集进行清洗和去噪,获得VLPR数据集,按设定时间段对VLPR数据集分组;S2、从VLPR数据集中,提取同一车辆的过车记录,生成车辆轨迹数据集并筛选出符合需求的轨迹,对轨迹的相关特征信息进行数据转换;S3、对获取到的车辆轨迹特征,建立基于深度学习的算法模型,实现对轨迹特征的分析和学习;S4、在经过对车辆轨迹的特征学习之后,使用全连接网络层结合Softmax分类器输出下一位置向量;之后匹配真实地理位置信息,在可视化平台上输出,继而实现车辆位置预测。本发明提出的方法通过分析路网的运行特性,利用车辆行驶过程中的轨迹特征,能够取得较高的预测精度。
Description
技术领域
本发明涉及智能交通系统领域,特别说明一种基于深度学习的车辆位置 预测方法。
背景技术
城市的快速发展一方面导致了机动车车辆数成几何式快速增长,另一方 面,为交通拥堵缓解、违法车辆缉查布控等城市管理工作带来巨大挑战。因 此,车辆位置的精准预测对于城市交通安全具有重要意义,是全球共同关注 的问题。如果能够准确地预测车辆的动态位置,那么交管部门就能够合理安 排警力来缉查违法车辆,并提醒公众有选择性地绕开拥堵区域,从而降低安 全隐患。
鉴于车辆位置预测问题的重要性,人们对此做了大量的研究工作。较早 期的预测模型有包括:可变阶马尔科夫模型、概率后缀树(PST)算法、T模 式树算法、隐马尔科夫模型(HMM)、自回归积分滑动平均模型(ARIMA) 等。这些模型主要以数理统计方法为基础研究车辆轨迹的时空规律,分析移 动对象的运动模式,发现轨迹中的频繁模式,并且集中于使用一个用户或群 体用户的历史轨迹信息解决位置预测问题。近年来随着机器学习尤其是深度 学习技术的发展,出现了大量以人工智能为基础的模型,如BP神经网络模型、 栈式自编码模型(SAE)、卷积神经网络模型(CNN)、递归神经网路模型(RNN) 等。这些模型借助于机器学习强大的学习能力,能够取得较好的预测精度。
现有方法或发明的缺陷:第一,现有方法主要依据单用户模式,对于冷 启动问题难以解决,难以解决多用户轨迹丰富的预测。第二,现有方法依赖 于GPS信息等连续数据,对于离散的、语义信息缺失、不完整数据难以获取 车辆轨迹。第三,现有方法尚未有效考虑天气、早晚高峰规律等情境因素对 位置预测的重要影响。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种基于深度学习的 车辆位置预测方法。
为实现上述目的,本发明采用以下技术方案:
一种基于深度学习的车辆位置预测方法,包括以下步骤:
S1、数据采集:获取原始VLPR数据集,对原始VLPR数据集进行清洗 和去噪,按设定时间段对清洗后的数据集分组,获得VLPR数据集;
S2、数据处理:从VLPR数据集中,提取同一车辆的过车记录,根据时 间顺序,生成车辆轨迹数据集,从车辆轨迹数据集中筛选出符合需求的轨迹, 并对轨迹的相关特征信息进行数据转换;
S3、模型构建和特征学习:对获取到的车辆轨迹特征,建立基于深度学 习的算法模型,实现对轨迹特征的分析和学习;
S4、车辆位置预测输出:在经过对车辆轨迹的特征学习之后,使用全连 接网络层结合Softmax分类器输出下一位置向量;之后匹配真实地理位置信息, 在可视化平台上输出,继而实现车辆位置预测。
进一步地,步骤S1具体包括以下步骤:
S11、从服务器数据库中获取过车记录,对不符合车牌格式的过车记录予 以删除,生成原始VLPR数据集;
S12、在原始VLPR数据集中提取涉及到车辆轨迹中的关键字段,更新原 始VLPR数据集;
S13、根据车辆轨迹规律的周期性变化,设置时间段对更新后的原始VLPR 数据集进行分组,获得VLPR数据集。
进一步地,步骤S12中所述的字段包括VLPR编号、VLPR类型、经纬 度、行驶方向、车牌号、车牌颜色、车道号及车辆经过时间。
进一步地,步骤S2具体包括以下步骤:
S21、依据关键字段车牌号生成车辆轨迹,轨迹序列如下所示:
Tra={loc1,loc2,...,loci,...,locn},1≤i≤n,
其中,车辆轨迹为按时间先后排序的离散空间点,loci为车辆轨迹中第i 个VLPR的空间位置坐标点;
S22、车辆轨迹过滤,对于轨迹中前后重复的位置信息给予删除,之后排 除不可预测车辆,定义轨迹长度少于3的车辆为不可预测车辆;
S23、格式定义:在特定时间区间内,结合VLPR设备的实际所处地理位 置,形成车辆的轨迹数据,则有:
b1,b2,...,bi,...,bn,1≤i≤n,
其为VLPR设备地址序列;
t1,t2,...,ti,...tn,1≤i≤n,
其为车辆轨迹中车辆经过VLPR设备的时间序列;
d1,d2,...,di,...,dn,1≤i≤n,
其为车辆轨迹中车辆经过VLPR设备的方向序列;
f1,f2,...,fi...,fn,1≤i≤n,
其为车辆轨迹中经过VLPR设备时属于该车辆轨迹的该时段内的交通流 序列;
S24、空间特征提取:利用所有车辆轨迹在路网中形成的位置信息产生位 置信息库,通过对位置库的神经网络处理,提取各个位置之间的空间特征;
S25、时间特征提取:将一天中的24小时,划分为若干个时间段,将车 辆通过VLPR设备的时间转换为该时间段的编号;
S26、其他特征提取:按照车辆经过该设备的时间,使用步骤S25中对时 间段的编号,对该时间段内的车辆流量进行统计,作为此时短期交通流的特 征;根据车辆经过的VLPR设备的方向来确定方向特征;
S27、对轨迹特征序列进行填充,使其全体样本变成固定长度的序列。
进一步地,步骤S22中所述车辆轨迹的位置信息,基于谷歌的Word2Vec 词向量转换原理,建立Loc2Vec模型,将轨迹序列中的每个VLPR设备编号 映射到一个新的向量空间中,并以多维的连续实数向量进行表示。
进一步地,步骤S24中,通过对位置信息库进行Loc2Vec神经网络学习, 得到空间位置的向量空间,之后对于空间位置序列中的每个位置进行替换, 替换为向量空间中的连续向量,获得各个位置之间的空间特征。
进一步地,步骤S25中的时间段为288个。
进一步地,步骤S3具体包括以下步骤:
S31、利用嵌入层把车辆轨迹中相关的时间、方向转换为嵌入空间中的特 征向量,之后与轨迹的空间位置特征进行融合,运用多重CNN的神经元对这 些特征进行提取;
S32、设置整个输入的车辆轨迹序列的长度为n,若不满足则填充,超过 则截断序列前面的位置,则轨迹序列可被表达为:
其中,代表轨迹序列中第i个单元在位置嵌入的向量空间中的向 量表示,这里的k代表空间维度,符号为连接运算符,在卷积神经网络中通 过设置不同尺寸的卷积核与输入序列按照某一方向进行卷积操作,同时附加 偏置项,利用激活函数输出轨迹序列的特征,则有:
ci=f(w·xi:i+h-1+b);
式中,w代表一个卷积核,h表示一个滑动窗口中包含的轨迹 序列单元的个数,b代表一个偏置项,f为一个非线性函数,在特征 序列中应用这个卷积核,则对于序列:
{x1:h,x2:h+1,…,xn-h+1:n},
可以产生新的特征映射:
S33、设置屏蔽层,去除车辆轨迹序列中的填充值,使其符合车辆轨迹原 有的变长序列;
S34、使用长短期记忆网络LSTM对变长序列进行处理,获得最终的位置 向量特征。
进一步地,步骤S4中通过激活函数Softmax对全连接输出层进行处理, 输出车辆轨迹预测的下一位置;
其中,全连接层实现的基本运算是:
output=activation(dot(input,kernel)+bias),
式中,activation是逐元素计算的激活函数,kernel是本层的权值矩阵, bias为偏置向量,input为经过双向LSTM输出的特征向量;
激活函数Softmax的公式为:
其中代表最后一层第i个神经元的输入,是最后一层第i个神经元的 输出,e表示自然常数e,最后表示最后一层所有神经元的输入之和。
采用上述技术方案后,本发明与背景技术相比,具有如下优点:可实现 多用户轨迹的预测,同时,对于离散的、语义信息缺失、不完整数据的数据 亦能够实现轨迹预测,并提高预测的准确度,另一方面,结合相关情境信息 (如早晚高峰规律)充分学习了车辆轨迹的行驶规律。
附图说明
图1为本发明流程概述图;
图2为VLPR数据集样例,其中图2(a)是厦门市VLPR设备分布情况, 图2(b)是厦门市VLPR设备信息示例图,图2(c)是VLPR经过数据示例图, 图2(d)是VLPR设备保存字段示例图;
图3为原始VLPR数据集经过预处理生成车辆轨迹示例图;
图4为本发明方法的体系结构介绍;
图5为LSTM网络的基本神经元示例。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及 实例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实例仅 仅用以解释本发明,并不用于限定本发明。
如图1所示的是本发明的流程概述图,主要包括以下四个步骤:
S1、数据采集:获取车牌识别设备(Vehicle License Plate Recognition,简 称VLPR)数据集,划分时段对VLPR数据集进行清洗和去噪,提取车辆轨迹 中的关键字段信息,更新VLPR数据集;
S2、数据处理:从VLPR数据集中,提取同一车辆的过车记录,根据时 间顺序,生成车辆轨迹,从车辆轨迹数据集中筛选出符合需求的轨迹,并对 轨迹的相关特征信息进行数据转换;
S3、模型构建与特征学习:对获取到的车辆轨迹特征,建立基于深度学 习的算法模型,实现对轨迹特征的分析和学习;
S4、车辆位置预测输出:在经过对车辆轨迹的特征学习之后,使用全连 接网络层结合Softmax分类器输出下一位置向量,之后匹配真实地理位置信息, 在可视化平台上输出,继而实现车辆位置预测。
其中,步骤S1具体包括以下步骤:
S11、从服务器数据库中获取过车记录,对不符合车牌格式的过车记录予 以删除。同时,由于车牌识别设备的缺陷,VLPR设备存在重复记录车牌信息 的情况,以第一次拍摄的车辆经过数据为准,删除重复记录,生成原始VLPR 数据集。
S12、所需字段提炼,在原始VLPR数据集中提取涉及到车辆轨迹中的关 键字段,更新原始VLPR数据集。原始VLPR记录包含22个字段,提炼本发 明所需的8个字段,具体为VLPR编号、VLPR类型、经纬度、行驶方向、车 牌号、车牌颜色、车道号及车辆经过时间。
S13、基于交通路网的特性,车辆轨迹规律符合周期性变化。比如,在早 高峰时候,交通状况比较拥堵,出行选择基于道路拥堵指数,而每天具有的 早高峰时间段趋于一致。因此通过设置时间段,如早高峰(7点到9点半)、 晚高峰(5点到9点半),对数据集进行分组,获得分组后的VLPR数据集, 可以更精准地学习车辆轨迹特征。
图2为VLPR数据集示例图,其中图2a是厦门市VLPR设备分布情况, 图2b是厦门市VLPR设备信息示例图,图2c是VLPR经过数据示例图,图2d是VLPR设备保存字段示例图;图3为原始VLPR数据集通过预处理生成 车辆轨迹示例图。
在步骤S1获得车牌识别设备数据集的基础上,进行步骤S2,生成车辆轨 迹,并对车辆轨迹的特征进行数据转换,其中包括:
S21、依据关键字段车牌号生成车辆轨迹,轨迹序列如下所示:
Tra={loc1,loc2,...,loci,...,locn},1≤i≤n,
其中,车辆轨迹为按时间先后排序的离散空间点,loci为车辆轨迹中第i个 VLPR的空间位置坐标点。
S22、车辆轨迹过滤,对于轨迹中前后重复的位置信息给予删除,之后基 于路网的预测性,判定不可预测车辆并予以排除,定义轨迹长度少于3的车 辆为不可预测车辆。
步骤S22中所述位置信息,需要基于谷歌的Word2Vec词向量转换原理, 将轨迹序列的每个空间坐标即位置编号(使用VLPR设备编号替代)映射到 一个新的向量空间中,并以多维的连续实数向量进行表示,可以称之为“卡 口替换”或“卡口嵌入”。轨迹中每个位置采用连续低维空间表示法,降低 了存储空间。利用此方法也学习了位置之间的关联知识,从而提高了位置向 量之间在语义上的准确度。
S23、格式定义:在特定时间区间内,结合车牌识别设备的实际所处地理 位置,形成车辆的轨迹数据:
b1,b2,...,bi,...,bn,1≤i≤n,
即VLPR设备地址序列,等同于步骤S21中的车辆轨迹序列,
t1,t2,...,ti,...tn,1≤i≤n,
为车辆轨迹中车辆经过VLPR设备的时间序列,即是车辆经过时间序列,
d1,d2,...,di,...,dn,1≤i≤n,
为车辆轨迹中车辆经过VLPR设备的方向序列,作为轨迹的方向特征,
f1,f2,...,fi...,fn,1≤i≤n,
为车辆轨迹中经过VLPR设备时属于该车辆轨迹的该时段内的交通流序 列。
S24、车辆轨迹的空间特征提取,轨迹中车牌识别设备的实际位置关系作 为空间特征。利用所有车辆轨迹在路网中形成的位置信息,产生位置信息库, 通过对位置库的神经网络处理,可以提取出各个位置之间的空间特征。
具体地,步骤S24中,通过对位置信息库进行Loc2Vec神经网络学习, 得到空间位置的向量空间,之后对于空间位置序列中的每个位置进行替换, 替换为向量空间中的连续向量。此外可以对位置连续向量之间的计算,获取 VLPR位置之间的相似度,其意义如紧邻的位置具有很高的相似度,没有相邻 的位置间相似度低于0。
S25、交通数据的一大特性就是周期重复性,因此时间特征至关重要。对 于时间特征的提取,通过将时间量化,可以把一天中的24小时,划分为若干 个时段,将车辆通过车牌识别设备的时间转换为该时间段的编号。
由于交通轨迹的变化主要基于短期时间效应,若设置过大的时间段,则 对于获取每条轨迹对路况效应的能力其特征学习不足,即导致时间特征的影 响趋于0;若设置过小的时间段,对于特征学习的一般性则难以把握,即无法 掌握轨迹中时间特征的普遍性。本发明经过大量实验验证,将一天分为288 个时间段,每个时间段5分钟时,其预测效果最佳。
S26、其他特征提取,考虑短期交通流、方向等因素对车辆轨迹预测的影 响,分别提取相关特征。对于短期交通流,按照车辆经过该设备的时间,使 用步骤S25中对时间的编号,对该时间段内的车辆流量进行统计,作为此时 交通流的特征;对于方向,根据车辆经过的VLPR设备的方向来确定,通过 将方向角度分为8个类别进行量化,如南向北方向,北向南方向,东向西方 向,西向东方向,东南向西北方向,西北向东南方向,东北向西南方向,西南向东北方向,之后对这些方向进行(1到8)编号,并对车辆轨迹中的方 向随轨迹中所处设备的变化而调整。
S27、本发明中使用一维卷积神经网络,由于其只能应用于等长序列,因 此需对轨迹特征序列进行填充,使其全体样本变成固定长度的序列。
在步骤S2获得车辆轨迹特征序列的基础上,进行步骤S3,建立算法模型, 以实现与轨迹相关的特征学习,具体包括以下步骤:
S31、利用嵌入层把车辆轨迹中相关的时间,方向等转换为嵌入空间中的 特征向量,之后与轨迹的空间位置特征进行融合,运用多重CNN(卷积神经 网络)的神经元对这些特征进行提取。
S32、本发明中所使用的卷积神经网络的基础体系架构解释如下,设置整 个输入的车辆轨迹序列的长度为n,若不满足则填充,超过则截断序列前面的 位置(轨迹特征依赖于短期相邻性),则轨迹序列可被表达为:
其中,代表轨迹序列中第i个单元在位置嵌入的向量空间中的向 量表示,这里的k代表空间维度,符号为连接运算符。在卷积神经网络中通 过设置不同尺寸的卷积核与输入序列按照某一方向进行卷积操作,同时附加 偏置项,利用激活函数输出轨迹序列的特征。定义w代表一个卷积核, h表示一个滑动窗口中包含的轨迹序列单元的个数。通过如下的计算公式:
ci=f(w·xi:i+h-1+b),
可以获取一个新的特征ci,在这里b代表一个偏置项,f为一个 非线性函数,例如双曲正切函数(tanh)。在特征序列中应用这个卷积核,如 对于序列:
{x1:h,x2:h+1,…,xn-h+1:n},
可以产生新的特征映射:
x=[c1,c2,…,cn-h+1],
其中,本发明中建立的卷积神经网络包括全卷积网络和半 卷积网络,其作用在于学习车辆轨迹的局部特征。
S33、通过设置屏蔽层,可以去掉车辆轨迹序列中的填充值,使其符合车 辆轨迹原有的变长序列。在深度学习中递归神经网络是其主要内容之一,它 的一大特性就是允许神经网络处理序列数据(时序相关),尤其可以处理变长 的轨迹序列,本发明利用其中的LSTM(长短期记忆网络)处理车辆轨迹序 列特征,因为其擅于处理长短期的依赖信息,非常适合于学习轨迹特征。
S34、经过卷积神经网络对这些特征进行操作后,模型学习到了每条轨迹 的局部特征。然后,通过递归神经网络中的长短期记忆网络LSTM对变长序 列进行处理,相比于传统神经网络,LSTM多了一个存储记忆的“细胞核”, 以及一个遗忘门,通过这样的结构来完成对上下文的分析,学习到序列的时 序依赖信息,即轨迹的全局特征。本发明使用了双向的LSTM网络,通过前 后双向反馈,以达到对车辆轨迹规律充分学习的目的。
图4介绍了算法的核心架构,在步骤S3学习了车辆轨迹序列特征的基础 上,进行步骤S4,以实现基于深度学习的车辆位置预测,具体包括以下步骤:
S41、经过双向LSTM网络的特征学习之后,获得最终的位置向量特征, 通过激活函数Softmax对全连接输出层的处理,输出车辆轨迹位置预测的下一 位置。其中,Softmax回归预测对位置库中每个位置都计算一遍输出概率并进 行归一化处理。
S42、全连接层实现的基本运算是:
output=activation(dot(input,kernel)+bias,
其中activation是逐元素计算的激活函数,kernel是本层的权值矩阵,bias 为偏置向量,input为经过双向LSTM输出的特征向量。
S43、激活函数Softmax的公式为:
其中代表最后一层(L表示最后一层Last)第i个神经元的输入,是 最后一层第i个神经元的输出,e表示自然常数e,最后表示最后一层所 有(k个)神经元的输入之和。
图5介绍了特征学习中的长短期记忆网络中的基本神经元,基于这样的 结构,实现对时序依赖信息的处理。
实验验证:
采集厦门市2017年3月的VLPR过车记录作为实验的原始数据,其中3 月总过车记录数:197,021,276。训练集和测试集的比例为5:1,训练集(二十 五天)轨迹总数:13,334,853,测试集(五天)轨迹总数:2,966,892。
与现有算法进行对比,对本发明方法进行验证。其中,使用随即梯度下 降调整模型中损失函数的参数,通过交叉验证的方式训练本发明方法。采用 准确度作为基本评估指标,公式如下:
其中,分母all代表测试集中参加训练的所有样本;分子的含义是统计预 测值是否等于真实值,如果不等于则根据步骤S24中解得的VLPR位置之间 的相似度,输出其相似度值。
算法比较结果如下表所示。
度量标准 | 隐马尔科夫 | 卷积神经网络 | 无情境特征模型 | 本发明方法 |
准确度 | 83.07% | 70.01% | 78.77% | 90.11% |
损失函数 | 2.0123 | 1.9107 | 1.2515 |
可以看出,使用本发明提出的基于深度学习的车辆位置预测方法后,对 比现有方法,其性能表现得到了显著的提升:一方面保证了预测的精确性和 实时性,另一方面提高了预测的覆盖率,解决了多用户的丰富车辆轨迹带来 的挑战。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限 于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易 想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保 护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种基于深度学习的车辆位置预测方法,其特征在于,包括以下步骤:
S1、数据采集:获取原始VLPR数据集,对原始VLPR数据集进行清洗和去噪,按设定时间段对清洗后的数据集分组,获得VLPR数据集;
S2、数据处理:从VLPR数据集中,提取同一车辆的过车记录,根据时间顺序,生成车辆轨迹数据集,从车辆轨迹数据集中筛选出符合需求的轨迹,并对轨迹的相关特征信息进行数据转换;
S3、模型构建和特征学习:对获取到的车辆轨迹特征,建立基于深度学习的算法模型,实现对轨迹特征的分析和学习;
S4、车辆位置预测输出:在经过对车辆轨迹的特征学习之后,使用全连接网络层结合Softmax分类器输出下一位置向量;之后匹配真实地理位置信息,在可视化平台上输出,继而实现车辆位置预测。
2.根据权利要求1所述的基于深度学习的车辆位置预测方法,其特征在于:步骤S1具体包括以下步骤:
S11、从服务器数据库中获取过车记录,对不符合车牌格式的过车记录予以删除,生成原始VLPR数据集;
S12、在原始VLPR数据集中提取涉及到车辆轨迹中的关键字段,更新原始VLPR数据集;
S13、根据车辆轨迹规律的周期性变化,设置时间段对更新后的原始VLPR数据集进行分组,获得VLPR数据集。
3.根据权利要求2所述的基于深度学习的车辆位置预测方法,其特征在于:步骤S12中所述的关键字段包括VLPR编号、VLPR类型、经纬度、行驶方向、车牌号、车牌颜色、车道号及车辆经过时间。
4.根据权利要求1所述的基于深度学习的车辆位置预测方法,其特征在于,步骤S2具体包括以下步骤:
S21、依据关键字段车牌号生成车辆轨迹,轨迹序列如下所示:
Tra={loc1,loc2,...,loci,...,locn},1≤i≤n,
其中,车辆轨迹为按时间先后排序的离散空间点,loci为车辆轨迹中第i个VLPR的空间位置坐标点;
S22、车辆轨迹过滤,对于轨迹中前后重复的位置信息给予删除,之后排除不可预测车辆,定义轨迹长度少于3的车辆为不可预测车辆;
S23、格式定义:在特定时间区间内,结合VLPR设备的实际所处地理位置,形成车辆的轨迹数据,则有:
b1,b2,...,bi,...,bn,1≤i≤n,
其为VLPR设备地址序列;
t1,t2,...,ti,...tn,1≤i≤n,
其为车辆轨迹中车辆经过VLPR设备的时间序列;
d1,d2,...,di,...,dn,1≤i≤n,
其为车辆轨迹中车辆经过VLPR设备的方向序列;
f1,f2,...,fi...,fn,1≤i≤n,
其为车辆轨迹中经过VLPR设备时属于该车辆轨迹的该时段内的交通流序列;
S24、空间特征提取:利用所有车辆轨迹在路网中形成的位置信息产生位置信息库,通过对位置库的神经网络处理,提取各个位置之间的空间特征;
S25、时间特征提取:将一天中的24小时,划分为若干个时间段,将车辆通过VLPR设备的时间转换为该时间段的编号;
S26、其他特征提取:按照车辆经过该设备的时间,使用步骤S25中对时间段的编号,对该时间段内的车辆流量进行统计,作为此时短期交通流的特征;根据车辆经过的VLPR设备的方向来确定方向特征,通过将方向角度分为8个类别进行量化,车辆轨迹中的方向随轨迹中所处设备的变化而调整;
S27、对轨迹特征序列进行填充,使其全体样本变成固定长度的序列。
5.根据权利要求4所述的基于深度学习的车辆位置预测方法,其特征在于:步骤S22中所述车辆轨迹的位置信息,基于谷歌的Word2Vec词向量转换的原理,建立Loc2Vec模型,将空间轨迹序列中的每个VLPR设备编号映射到一个新的向量空间中,并以多维的连续实数向量进行表示。
6.根据权利要求4所述的基于深度学习的车辆位置预测方法,其特征在于:步骤S24中,利用历史轨迹信息以及VLPR设备的部署信息,生成位置信息库。之后对位置信息库进行Loc2Vec神经网络学习,得到空间位置的向量空间,之后对于空间位置序列中的每个位置进行替换,替换为向量空间中的连续向量,获得各个位置之间的空间特征。
7.根据权利要求4所述的基于深度学习的车辆位置预测方法,其特征在于:步骤S25中的时间段为288个。
8.根据权利要求1所述的基于深度学习的车辆位置预测方法,其特征在于,步骤S3具体包括以下步骤:
S31、利用嵌入层把车辆轨迹中相关的时间、方向转换为嵌入空间中的特征向量,之后与轨迹的空间位置特征进行融合,运用多重CNN的神经元对这些特征进行提取;
S32、设置整个输入的车辆轨迹序列的长度为n,若不满足则填充,超过则截断序列前面的位置,则轨迹序列可被表达为:
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mo>:</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>&CirclePlus;</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>&CirclePlus;</mo>
<mo>...</mo>
<mo>&CirclePlus;</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>;</mo>
</mrow>
其中,代表轨迹序列中第i个单元在位置嵌入的向量空间中的向量表示,这里的k代表空间维度,符号为连接运算符,在卷积神经网络中通过设置不同尺寸的卷积核与输入序列按照某一方向进行卷积操作,同时附加偏置项,利用激活函数输出轨迹序列的特征,则有:
ci=f(w·xi:i+h-1+b);
式中,w代表一个卷积核,h表示一个滑动窗口中包含的轨迹序列单元的个数,b代表一个偏置项,f为一个非线性函数,在特征序列中应用这个卷积核,则对于序列:
{x1:h,x2:h+1,…,xn-h+1:n},
可以产生新的特征映射:
S33、设置屏蔽层,去除车辆轨迹序列中的填充值,使其符合车辆轨迹原有的变长序列;
S34、使用长短期记忆网络LSTM对变长序列进行处理,获得最终的位置向量特征。
9.根据权利要求1所述的基于深度学习的车辆位置预测方法,其特征在于:步骤S4中通过激活函数Softmax对全连接输出层进行处理,输出车辆轨迹预测的下一位置;
其中,全连接层实现的基本运算是:
output=activation(dot(input,kernel)+bias),
式中,activation是逐元素计算的激活函数,kernel是本层的权值矩阵,bias为偏置向量,input为经过双向LSTM输出的特征向量;
激活函数Softmax的公式为:
<mrow>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mi>L</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<msubsup>
<mi>z</mi>
<mi>i</mi>
<mi>L</mi>
</msubsup>
</msup>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mi>k</mi>
</msub>
<msup>
<mi>e</mi>
<msubsup>
<mi>z</mi>
<mi>k</mi>
<mi>L</mi>
</msubsup>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中代表最后一层第i个神经元的输入,是最后一层第i个神经元的输出,e表示自然常数e,最后表示最后一层所有神经元的输入之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711248078.5A CN108022012A (zh) | 2017-12-01 | 2017-12-01 | 基于深度学习的车辆位置预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711248078.5A CN108022012A (zh) | 2017-12-01 | 2017-12-01 | 基于深度学习的车辆位置预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108022012A true CN108022012A (zh) | 2018-05-11 |
Family
ID=62078087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711248078.5A Pending CN108022012A (zh) | 2017-12-01 | 2017-12-01 | 基于深度学习的车辆位置预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108022012A (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
CN109001722A (zh) * | 2018-05-30 | 2018-12-14 | 武汉理工大学 | 一种基于lstm模型的船舶航迹数据融合方法 |
CN109041217A (zh) * | 2018-09-21 | 2018-12-18 | 北京邮电大学 | 一种异构网络中的分级移动性预测方法 |
CN109034448A (zh) * | 2018-06-14 | 2018-12-18 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109782754A (zh) * | 2018-12-25 | 2019-05-21 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆控制方法及装置 |
CN109788566A (zh) * | 2019-01-18 | 2019-05-21 | 南京邮电大学 | 基于深度增强学习的网络资源分配方法 |
CN110176142A (zh) * | 2019-05-17 | 2019-08-27 | 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 |
CN110321343A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 一种可穿戴设备轨迹预测方法、装置和系统 |
CN110362557A (zh) * | 2019-05-27 | 2019-10-22 | 华南理工大学 | 一种基于机器学习和车牌识别数据的缺失路径修复方法 |
CN110443319A (zh) * | 2019-08-09 | 2019-11-12 | 武汉中海庭数据技术有限公司 | 一种轨迹去重方法、装置及存储介质 |
CN110543536A (zh) * | 2019-08-20 | 2019-12-06 | 浙江大华技术股份有限公司 | 时空轨迹向量构建方法、终端设备及计算机存储介质 |
CN110633718A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 用于确定环境图像中的行驶区域的方法和装置 |
CN110633598A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 用于确定环境图像中的行驶区域的方法和装置 |
CN110648531A (zh) * | 2019-09-19 | 2020-01-03 | 军事科学院系统工程研究院网络信息研究所 | 一种车载自组织网络中基于深度学习的节点移动性预测方法 |
CN110727757A (zh) * | 2019-10-22 | 2020-01-24 | 北京卡路里信息技术有限公司 | 轨迹数据的处理方法及装置、电子设备 |
CN110796686A (zh) * | 2019-10-29 | 2020-02-14 | 浙江大华技术股份有限公司 | 目标跟踪方法及设备、存储装置 |
CN110889530A (zh) * | 2018-09-11 | 2020-03-17 | 上海博泰悦臻网络技术服务有限公司 | 基于递归神经网络的目的地预测方法及服务器 |
CN110895879A (zh) * | 2019-11-26 | 2020-03-20 | 浙江大华技术股份有限公司 | 同行车的检测方法及装置、存储介质、电子装置 |
CN111091708A (zh) * | 2019-12-13 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
CN111160089A (zh) * | 2019-11-22 | 2020-05-15 | 南京航空航天大学 | 一种基于不同车辆类型的轨迹预测系统及方法 |
CN111191668A (zh) * | 2018-11-15 | 2020-05-22 | 零氪科技(北京)有限公司 | 一种在病历文本中识别出疾病内容的方法 |
CN111275225A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 空车轨迹预测方法、预测装置、服务器和可读存储介质 |
CN111291929A (zh) * | 2020-01-21 | 2020-06-16 | 上海中旖能源科技有限公司 | 基于深度学习的液化天然气接卸液点预测方法及装置 |
CN111310735A (zh) * | 2020-03-18 | 2020-06-19 | 桂林电子科技大学 | 一种基于lstm技术的汽车轨迹预测方法 |
CN111324680A (zh) * | 2019-01-25 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 一种信息展示方法及装置 |
WO2020191642A1 (zh) * | 2019-03-27 | 2020-10-01 | 深圳市大疆创新科技有限公司 | 轨迹预测方法及装置、存储介质、驾驶系统与车辆 |
CN111746555A (zh) * | 2019-03-26 | 2020-10-09 | 通用汽车环球科技运作有限责任公司 | 碰撞行为的识别和避免 |
CN112000752A (zh) * | 2020-07-14 | 2020-11-27 | 浙江大华技术股份有限公司 | 轨迹生成方法及电子设备、存储介质 |
CN112037506A (zh) * | 2020-07-29 | 2020-12-04 | 长安大学 | 车辆轨迹预测模型构建方法、车辆轨迹预测方法及系统 |
CN112598192A (zh) * | 2020-12-30 | 2021-04-02 | 北京优挂信息科技有限公司 | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 |
CN113056749A (zh) * | 2018-09-11 | 2021-06-29 | 辉达公司 | 用于自主机器应用的未来对象轨迹预测 |
CN113204718A (zh) * | 2021-04-22 | 2021-08-03 | 武汉大学 | 一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法 |
CN113537555A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的交通子区模型预测滑模边界控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012225850A1 (en) * | 2011-03-04 | 2013-09-19 | Foursquare Labs, Inc. | System and method for managing and redeeming offers with a location-based service |
EP3166049A1 (en) * | 2015-11-03 | 2017-05-10 | Baidu USA LLC | Systems and methods for attention-based configurable convolutional neural networks (abc-cnn) for visual question answering |
CN107038858A (zh) * | 2017-05-25 | 2017-08-11 | 厦门大学 | 通勤私家车动态拼车推荐方法 |
CN107291828A (zh) * | 2017-05-27 | 2017-10-24 | 北京百度网讯科技有限公司 | 基于人工智能的口语查询解析方法、装置及存储介质 |
-
2017
- 2017-12-01 CN CN201711248078.5A patent/CN108022012A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012225850A1 (en) * | 2011-03-04 | 2013-09-19 | Foursquare Labs, Inc. | System and method for managing and redeeming offers with a location-based service |
EP3166049A1 (en) * | 2015-11-03 | 2017-05-10 | Baidu USA LLC | Systems and methods for attention-based configurable convolutional neural networks (abc-cnn) for visual question answering |
CN107038858A (zh) * | 2017-05-25 | 2017-08-11 | 厦门大学 | 通勤私家车动态拼车推荐方法 |
CN107291828A (zh) * | 2017-05-27 | 2017-10-24 | 北京百度网讯科技有限公司 | 基于人工智能的口语查询解析方法、装置及存储介质 |
Non-Patent Citations (5)
Title |
---|
FAN XL ET AL: "Context-Aware Big Data Analytics and Visualization for City-Wide Traffic Accidents", 《10TH INTERNATIONAL AND INTERDISCIPLINARY CONFERENCE ON MODELING AND USING CONTEXT (CONTEXT)》 * |
曾向阳 等: "《智能水中目标识别》", 2016033, 国防工业出版社 * |
李幸超: "基于循环神经网络的轨迹位置预测技术研究",", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
金琨: "不确定环境下移动对象轨迹模式挖掘及路径规划研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈敏 等: "《认知计算导论》", 31 May 2017, 华中科技大学出版社 * |
Cited By (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647834B (zh) * | 2018-05-24 | 2021-12-17 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
CN109001722A (zh) * | 2018-05-30 | 2018-12-14 | 武汉理工大学 | 一种基于lstm模型的船舶航迹数据融合方法 |
CN109001722B (zh) * | 2018-05-30 | 2022-03-15 | 武汉理工大学 | 一种基于lstm模型的船舶航迹数据融合方法 |
CN109034448A (zh) * | 2018-06-14 | 2018-12-18 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
CN110633718A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 用于确定环境图像中的行驶区域的方法和装置 |
CN110633718B (zh) * | 2018-06-21 | 2022-06-07 | 北京京东尚科信息技术有限公司 | 用于确定环境图像中的行驶区域的方法和装置 |
CN110633598A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 用于确定环境图像中的行驶区域的方法和装置 |
CN113056749B (zh) * | 2018-09-11 | 2024-05-24 | 辉达公司 | 用于自主机器应用的未来对象轨迹预测 |
CN110889530A (zh) * | 2018-09-11 | 2020-03-17 | 上海博泰悦臻网络技术服务有限公司 | 基于递归神经网络的目的地预测方法及服务器 |
CN113056749A (zh) * | 2018-09-11 | 2021-06-29 | 辉达公司 | 用于自主机器应用的未来对象轨迹预测 |
US11989642B2 (en) | 2018-09-11 | 2024-05-21 | Nvidia Corporation | Future object trajectory predictions for autonomous machine applications |
CN109041217A (zh) * | 2018-09-21 | 2018-12-18 | 北京邮电大学 | 一种异构网络中的分级移动性预测方法 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN111191668B (zh) * | 2018-11-15 | 2023-04-28 | 零氪科技(北京)有限公司 | 一种在病历文本中识别出疾病内容的方法 |
CN111191668A (zh) * | 2018-11-15 | 2020-05-22 | 零氪科技(北京)有限公司 | 一种在病历文本中识别出疾病内容的方法 |
CN111275225B (zh) * | 2018-12-04 | 2022-07-19 | 北京嘀嘀无限科技发展有限公司 | 空车轨迹预测方法、预测装置、服务器和可读存储介质 |
CN111275225A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 空车轨迹预测方法、预测装置、服务器和可读存储介质 |
CN109782754A (zh) * | 2018-12-25 | 2019-05-21 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆控制方法及装置 |
CN109788566A (zh) * | 2019-01-18 | 2019-05-21 | 南京邮电大学 | 基于深度增强学习的网络资源分配方法 |
WO2020151110A1 (en) * | 2019-01-25 | 2020-07-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | An information presentation method and apparatus |
CN111324680A (zh) * | 2019-01-25 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 一种信息展示方法及装置 |
CN111746555A (zh) * | 2019-03-26 | 2020-10-09 | 通用汽车环球科技运作有限责任公司 | 碰撞行为的识别和避免 |
WO2020191642A1 (zh) * | 2019-03-27 | 2020-10-01 | 深圳市大疆创新科技有限公司 | 轨迹预测方法及装置、存储介质、驾驶系统与车辆 |
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 |
CN110176142A (zh) * | 2019-05-17 | 2019-08-27 | 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 |
CN110362557A (zh) * | 2019-05-27 | 2019-10-22 | 华南理工大学 | 一种基于机器学习和车牌识别数据的缺失路径修复方法 |
CN110362557B (zh) * | 2019-05-27 | 2022-04-26 | 华南理工大学 | 一种基于机器学习和车牌识别数据的缺失路径修复方法 |
CN110321343B (zh) * | 2019-07-11 | 2023-11-14 | 广东工业大学 | 一种可穿戴设备轨迹预测方法、装置和系统 |
CN110321343A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 一种可穿戴设备轨迹预测方法、装置和系统 |
CN110443319A (zh) * | 2019-08-09 | 2019-11-12 | 武汉中海庭数据技术有限公司 | 一种轨迹去重方法、装置及存储介质 |
CN110443319B (zh) * | 2019-08-09 | 2021-10-29 | 武汉中海庭数据技术有限公司 | 一种轨迹去重方法、装置及存储介质 |
CN110543536A (zh) * | 2019-08-20 | 2019-12-06 | 浙江大华技术股份有限公司 | 时空轨迹向量构建方法、终端设备及计算机存储介质 |
CN110648531B (zh) * | 2019-09-19 | 2020-12-04 | 军事科学院系统工程研究院网络信息研究所 | 一种车载自组织网络中基于深度学习的节点移动性预测方法 |
CN110648531A (zh) * | 2019-09-19 | 2020-01-03 | 军事科学院系统工程研究院网络信息研究所 | 一种车载自组织网络中基于深度学习的节点移动性预测方法 |
CN110727757A (zh) * | 2019-10-22 | 2020-01-24 | 北京卡路里信息技术有限公司 | 轨迹数据的处理方法及装置、电子设备 |
CN110796686B (zh) * | 2019-10-29 | 2022-08-09 | 浙江大华技术股份有限公司 | 目标跟踪方法及设备、存储装置 |
CN110796686A (zh) * | 2019-10-29 | 2020-02-14 | 浙江大华技术股份有限公司 | 目标跟踪方法及设备、存储装置 |
CN111160089A (zh) * | 2019-11-22 | 2020-05-15 | 南京航空航天大学 | 一种基于不同车辆类型的轨迹预测系统及方法 |
CN110895879A (zh) * | 2019-11-26 | 2020-03-20 | 浙江大华技术股份有限公司 | 同行车的检测方法及装置、存储介质、电子装置 |
CN111091708B (zh) * | 2019-12-13 | 2020-11-03 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
CN111091708A (zh) * | 2019-12-13 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
CN111291929A (zh) * | 2020-01-21 | 2020-06-16 | 上海中旖能源科技有限公司 | 基于深度学习的液化天然气接卸液点预测方法及装置 |
CN111310735A (zh) * | 2020-03-18 | 2020-06-19 | 桂林电子科技大学 | 一种基于lstm技术的汽车轨迹预测方法 |
CN112000752A (zh) * | 2020-07-14 | 2020-11-27 | 浙江大华技术股份有限公司 | 轨迹生成方法及电子设备、存储介质 |
CN112037506A (zh) * | 2020-07-29 | 2020-12-04 | 长安大学 | 车辆轨迹预测模型构建方法、车辆轨迹预测方法及系统 |
CN112598192B (zh) * | 2020-12-30 | 2022-12-20 | 北京优挂信息科技有限公司 | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 |
CN112598192A (zh) * | 2020-12-30 | 2021-04-02 | 北京优挂信息科技有限公司 | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 |
CN113204718A (zh) * | 2021-04-22 | 2021-08-03 | 武汉大学 | 一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法 |
CN113537555A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的交通子区模型预测滑模边界控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108022012A (zh) | 基于深度学习的车辆位置预测方法 | |
Krishan et al. | Air quality modelling using long short-term memory (LSTM) over NCT-Delhi, India | |
CN109448370B (zh) | 一种基于车辆轨迹数据的交通控制子区划分方法 | |
CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
CN105046956B (zh) | 一种基于转向系数的交通流模拟及预测方法 | |
CN108153867B (zh) | 基于时间规律性的用户轨迹预测方法和装置 | |
CN108629978A (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
CN105023437B (zh) | 一种公交od矩阵的构建方法及系统 | |
CN105513337B (zh) | 一种客流量的预测方法及装置 | |
CN107977734B (zh) | 一种时空大数据下基于移动马尔可夫模型的预测方法 | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN106570477A (zh) | 基于深度学习的车型识别模型构建方法及车型识别方法 | |
CN108427965A (zh) | 一种基于路网聚类的热点区域挖掘方法 | |
CN107045788A (zh) | 交通路况预测方法及装置 | |
CN107103754A (zh) | 一种道路交通状况预测方法及系统 | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、系统及装置 | |
CN111814596B (zh) | 一种遥感影像与出租车轨迹融合的自动城市功能分区方法 | |
CN106899306A (zh) | 一种保持移动特征的车辆轨迹线数据压缩方法 | |
CN108346293A (zh) | 一种实时交通流短时预测方法 | |
CN109063771A (zh) | 一种发现车辆可疑行为的方法、装置及设备 | |
CN107153888A (zh) | 一种基于极限学习机的最优化连锁店选址方法 | |
Xi et al. | A hybrid algorithm of traffic accident data mining on cause analysis | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN108882152A (zh) | 一种基于路径选择上报的用户隐私保护方法 | |
CN105890600A (zh) | 基于手机传感器的地铁乘客位置推测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180511 |