CN108053653A - 基于lstm的车辆行为预测方法和装置 - Google Patents

Abstract

本发明提供了基于LSTM的车辆行为预测方法和装置，包括：获取过车数据；从过车数据中提取特征信息，特征信息包括车牌信息；将过车数据根据车牌信息进行聚合，得到聚合的车牌信息；将聚合的车牌信息按照时间的升序进行排列，并从按照升序排列的聚合的车牌信息中选取任意车牌信息作为训练数据；将训练数据进行预处理，得到训练集和测试集；将训练集和测试集进行模型训练和预测，得到预测数据，可以通过交通卡口及电子警察记录过车数据，同时利用机器学习的方法，提高预测的准确率。

Description

基于LSTM的车辆行为预测方法和装置

技术领域

本发明涉及交通技术领域，尤其是涉及基于LSTM的车辆行为预测方法和装置。

背景技术

当今社会，时时刻刻都会产生大量数据，这些大量数据包括视频、社交网站、传感器和气象等，而交通领域也是如此。目前道路上存在大量卡口、电子警察等视频监控设备，采集到了庞大的过车数据，这些过车数据包括车辆的时空信息，通过对时空信息的分析挖掘，有效的发现车辆的规律特征，可以在交通、交管等多个方面实现价值。

但是，这些信息的采集都是通过传感设备采集的，例如，通过车辆中的GPS、RFID和摄像头等设备，获取车辆的位置信息、速度信息和加速度信息等；或者，通过与车辆通信的基站的信号覆盖范围，确定车辆当前范围，再获取车辆的油量和油耗数据，通过分析油的使用确定车辆的行驶里程，从而确定车辆的目前的活动范围。上述情况，都是通过传感设备采集的，而这些传感设备的数据信息，准确率较低。

发明内容

有鉴于此，本发明的目的在于提供基于LSTM的车辆行为预测方法和装置，可以通过交通卡口及电子警察记录过车数据，同时利用机器学习的方法，提高预测的准确率。

第一方面，本发明实施例提供了基于LSTM的车辆行为预测方法，所述方法包括：

获取过车数据；

从所述过车数据中提取特征信息，所述特征信息包括车牌信息；

将所述过车数据根据所述车牌信息进行聚合，得到聚合的车牌信息；

将所述聚合的车牌信息按照时间的升序进行排列，并从按照升序排列的聚合的车牌信息中选取任意车牌信息作为训练数据；

将所述训练数据进行预处理，得到训练集和测试集；

将所述训练集和所述测试集进行模型训练和预测，得到预测数据。

进一步的，所述将所述训练数据进行预处理，得到训练集和测试集，包括：

将所述训练数据进行转换处理，得到转换处理的训练数据；

对所述转换处理的训练数据进行归一化操作，得到归一化的训练数据；

对所述归一化的训练数据进行切分，得到所述训练集和所述测试集。

进一步的，所述将所述训练集和所述测试集进行模型训练和预测，得到预测数据，包括：

将所述训练集输入长短时记忆网络LSTM算法，得到训练的模型；

将所述测试集输入所述训练的模型，得到所述预测数据。

进一步的，所述方法还包括：

将所述预测数据进行反归一化处理，得到原始数据；

根据所述原始数据计算方均根差。

进一步的，所述特征信息还包括：卡口名称信息、卡口位置信息和过车时间信息，其中，所述卡口名称信息以车牌号、卡口时间和卡口代号的数据形式表示。

进一步的，所述方法还包括：

对所述过车数据进行分析，判断所述过车数据中是否存在异常数据，所述异常数据包括所述车牌号和所述卡口时间；

如果存在，则删除所述车牌号和/或所述卡口时间。

第二方面，本发明实施例还提供基于LSTM的车辆行为预测装置，所述装置包括：

获取单元，用于获取过车数据；

提取单元，用于从所述过车数据中提取特征信息，所述特征信息包括车牌信息；

聚合单元，用于将所述过车数据根据所述车牌信息进行聚合，得到聚合的车牌信息；

排列单元，用于将所述聚合的车牌信息按照时间的升序进行排列，并从按照升序排列的聚合的车牌信息中选取任意车牌信息作为训练数据；

预处理单元，用于将所述训练数据进行预处理，得到训练集和测试集；

训练单元，用于将所述训练集和所述测试集进行模型训练和预测，得到预测数据。

进一步的，所述预处理单元具体用于：

将所述训练数据进行转换处理，得到转换处理的训练数据；

对所述转换处理的训练数据进行归一化操作，得到归一化的训练数据；

对所述归一化的训练数据进行切分，得到所述训练集和所述测试集。

进一步的，所述训练单元具体用于：

将所述训练集输入长短时记忆网络LSTM算法，得到训练的模型；

将所述测试集输入所述训练的模型，得到所述预测数据。

进一步的，所述装置还包括：

反归一化处理单元，用于将所述预测数据进行反归一化处理，得到原始数据；

计算单元，用于根据所述原始数据计算方均根差。

本发明实施例提供了基于LSTM的车辆行为预测方法和装置，包括：获取过车数据；从过车数据中提取特征信息，特征信息包括车牌信息；将过车数据根据车牌信息进行聚合，得到聚合的车牌信息；将聚合的车牌信息按照时间的升序进行排列，并从按照升序排列的聚合的车牌信息中选取任意车牌信息作为训练数据；将训练数据进行预处理，得到训练集和测试集；将训练集和测试集进行模型训练和预测，得到预测数据，可以通过交通卡口及电子警察记录过车数据，同时利用机器学习的方法，提高预测的准确率。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例一提供的基于LSTM的车辆行为预测方法流程图；

图2为本发明实施例一提供的基于LSTM的车辆行为预测方法中步骤S105的流程图；

图3为本发明实施例一提供的基于LSTM的车辆行为预测方法中步骤S106的流程图；

图4为本发明实施例一提供的过车信息表示意图；

图5为本发明实施例二提供的基于LSTM的车辆行为预测装置示意图。

图标：

10-获取单元；20-提取单元；30-聚合单元；40-排列单元；50-预处理单元；60-训练单元。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为便于对本实施例进行理解，下面对本发明实施例进行详细介绍。

实施例一：

图1为本发明实施例一提供的基于LSTM的车辆行为预测方法流程图。

参照图1，该方法包括以下步骤：

步骤S101，获取过车数据；

这里，过车数据包括过车信息表和卡口信息表，具体参照图4，过车信息表包括车牌号、车辆颜色、经过卡口名称、经过卡口时方向和经过时间，其中，id唯一表示一次过车信息，卡口名称与卡口信息表中的卡口名称一一对应。

卡口信息表包括卡口的名称、所在区、监控方向、卡口经度和卡口维度等信息。

步骤S102，从过车数据中提取特征信息，特征信息包括车牌信息；

步骤S103，将过车数据根据车牌信息进行聚合，得到聚合的车牌信息；

这里，将过车数据根据车牌信息进行聚合的过程，例如，[车牌A，信息1]、[车牌B，信息1]和[车牌A，信息2]，聚合后就是[车牌A，信息1，信息2]，也就是将车牌A的信息都聚合在一起。

步骤S104，将聚合的车牌信息按照时间的升序进行排列，并从按照升序排列的聚合的车牌信息中选取任意车牌信息作为训练数据；

这里，在选取任意车牌信息作为训练数据后，将原过车时间用相邻两条时间间隔替代，并作为新的时间戳存入数据，即t＝t₁-t₂，其中，t₁和t₂分别代表相邻两条时间。

步骤S105，将训练数据进行预处理，得到训练集和测试集；

这里，训练集和测试集可构成数据集。

步骤S106，将训练集和测试集进行模型训练和预测，得到预测数据。

进一步的，参照图2，步骤S105包括以下步骤：

步骤S201，将训练数据进行转换处理，得到转换处理的训练数据；

步骤S202，对转换处理的训练数据进行归一化操作，得到归一化的训练数据；

步骤S203，对归一化的训练数据进行切分，得到训练集和测试集。

进一步的，参照图3，步骤S106包括以下步骤：

步骤S301，将训练集输入LSTM(Long Short Term Memory，长短时记忆网络)算法，得到训练的模型；

这里，LSTM算法是时间递归神经网络的一种变种形态，可以解决梯度消失问题，并通过设计，避免了长期依赖的问题。

步骤S302，将测试集输入训练的模型，得到预测数据。

具体地，基于过车数据，结合LSTM算法，对过车数据进行有效的预处理，并且利用LSTM算法，建立车辆行为预测的模型，实现对车辆行为的预测。

进一步的，该方法还包括以下步骤：

步骤S401，将预测数据进行反归一化处理，得到原始数据；

步骤S402，根据原始数据计算方均根差。

这里，方均根差是一种常用的评判模型准确度的方法，通过方均根差可以准确判断模型是否准确。

进一步的，特征信息还包括：卡口名称信息、卡口位置信息和过车时间信息，其中，卡口名称信息以车牌号、卡口时间和卡口代号的数据形式表示。

进一步的，该方法还包括：

对过车数据进行分析，判断过车数据中是否存在异常数据，异常数据包括车牌号和卡口时间；

如果存在，则删除车牌号和/或卡口时间。

具体地，过车数据是由卡口系统和电子警察系统拍摄的图像和视频数据，将上述数据存储在系统中。当采集车牌时，由于天气和光照等外界因素的影响，使车牌不能很好地识别，同时由于系统等原因造成经过卡口时间为空或异常值。因此，为了很好的进行数据分析和预测，需要提高数据质量，可对有缺失值或异常值的数据进行清洗和过滤，也就是将有缺失值或异常值的数据进行删除。

实施例二：

图5为本发明实施例二提供的基于LSTM的车辆行为预测装置示意图。

参照图5，该装置包括：获取单元10、提取单元20、聚合单元30、排列单元40、预处理单元50、训练单元60。

获取单元10，用于获取过车数据；

提取单元20，用于从所述过车数据中提取特征信息，所述特征信息包括车牌信息；

聚合单元30，用于将所述过车数据根据所述车牌信息进行聚合，得到聚合的车牌信息；

排列单元40，用于将所述聚合的车牌信息按照时间的升序进行排列，并从按照升序排列的聚合的车牌信息中选取任意车牌信息作为训练数据；

预处理单元50，用于将所述训练数据进行预处理，得到训练集和测试集；

训练单元60，用于将所述训练集和所述测试集进行模型训练和预测，得到预测数据。

进一步的，预处理单元50具体用于：

将训练数据进行转换处理，得到转换处理的训练数据；

对转换处理的训练数据进行归一化操作，得到归一化的训练数据；

对归一化的训练数据进行切分，得到训练集和测试集。

进一步的，训练单元60具体用于：

将训练集输入长短时记忆网络LSTM算法，得到训练的模型；

将测试集输入所述训练的模型，得到预测数据。

进一步的，该装置还包括：

反归一化处理单元(未示出)，用于将预测数据进行反归一化处理，得到原始数据；

计算单元(未示出)，用于根据原始数据计算方均根差。

本发明实施例提供了基于LSTM的车辆行为预测方法和装置，包括：获取过车数据；从过车数据中提取特征信息，特征信息包括车牌信息；将过车数据根据车牌信息进行聚合，得到聚合的车牌信息；将聚合的车牌信息按照时间的升序进行排列，并从按照升序排列的聚合的车牌信息中选取任意车牌信息作为训练数据；将训练数据进行预处理，得到训练集和测试集；将训练集和测试集进行模型训练和预测，得到预测数据，可以通过交通卡口及电子警察记录过车数据，同时利用机器学习的方法，提高预测的准确率。

本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的基于LSTM的车辆行为预测方法的步骤。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的基于LSTM的车辆行为预测方法的步骤。

本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。

Claims (10)

1.一种基于LSTM的车辆行为预测方法，其特征在于，所述方法包括：

获取过车数据；

从所述过车数据中提取特征信息，所述特征信息包括车牌信息；

将所述过车数据根据所述车牌信息进行聚合，得到聚合的车牌信息；

将所述聚合的车牌信息按照时间的升序进行排列，并从按照升序排列的聚合的车牌信息中选取任意车牌信息作为训练数据；

将所述训练数据进行预处理，得到训练集和测试集；

将所述训练集和所述测试集进行模型训练和预测，得到预测数据。

2.根据权利要求1所述的基于LSTM的车辆行为预测方法，其特征在于，所述将所述训练数据进行预处理，得到训练集和测试集，包括：

将所述训练数据进行转换处理，得到转换处理的训练数据；

对所述转换处理的训练数据进行归一化操作，得到归一化的训练数据；

对所述归一化的训练数据进行切分，得到所述训练集和所述测试集。

3.根据权利要求1所述的基于LSTM的车辆行为预测方法，其特征在于，所述将所述训练集和所述测试集进行模型训练和预测，得到预测数据，包括：

将所述训练集输入长短时记忆网络LSTM算法，得到训练的模型；

将所述测试集输入所述训练的模型，得到所述预测数据。

4.根据权利要求1所述的基于LSTM的车辆行为预测方法，其特征在于，所述方法还包括：

将所述预测数据进行反归一化处理，得到原始数据；

根据所述原始数据计算方均根差。

5.根据权利要求1所述的基于LSTM的车辆行为预测方法，其特征在于，所述特征信息还包括：卡口名称信息、卡口位置信息和过车时间信息，其中，所述卡口名称信息以车牌号、卡口时间和卡口代号的数据形式表示。

6.根据权利要求5所述的基于LSTM的车辆行为预测方法，其特征在于，所述方法还包括：

对所述过车数据进行分析，判断所述过车数据中是否存在异常数据，所述异常数据包括所述车牌号和所述卡口时间；

如果存在，则删除所述车牌号和/或所述卡口时间。

7.一种基于LSTM的车辆行为预测装置，其特征在于，所述装置包括：

获取单元，用于获取过车数据；

提取单元，用于从所述过车数据中提取特征信息，所述特征信息包括车牌信息；

聚合单元，用于将所述过车数据根据所述车牌信息进行聚合，得到聚合的车牌信息；

排列单元，用于将所述聚合的车牌信息按照时间的升序进行排列，并从按照升序排列的聚合的车牌信息中选取任意车牌信息作为训练数据；

预处理单元，用于将所述训练数据进行预处理，得到训练集和测试集；

训练单元，用于将所述训练集和所述测试集进行模型训练和预测，得到预测数据。

8.根据权利要求7所述的基于LSTM的车辆行为预测装置，其特征在于，所述预处理单元具体用于：

将所述训练数据进行转换处理，得到转换处理的训练数据；

对所述转换处理的训练数据进行归一化操作，得到归一化的训练数据；

对所述归一化的训练数据进行切分，得到所述训练集和所述测试集。

9.根据权利要求7所述的基于LSTM的车辆行为预测装置，其特征在于，所述训练单元具体用于：

将所述训练集输入长短时记忆网络LSTM算法，得到训练的模型；

将所述测试集输入所述训练的模型，得到所述预测数据。

10.根据权利要求7所述的基于LSTM的车辆行为预测装置，其特征在于，所述装置还包括：

反归一化处理单元，用于将所述预测数据进行反归一化处理，得到原始数据；

计算单元，用于根据所述原始数据计算方均根差。