CN108629978B - 一种基于高维路网和循环神经网络的交通轨迹预测方法 - Google Patents
一种基于高维路网和循环神经网络的交通轨迹预测方法 Download PDFInfo
- Publication number
- CN108629978B CN108629978B CN201810581380.0A CN201810581380A CN108629978B CN 108629978 B CN108629978 B CN 108629978B CN 201810581380 A CN201810581380 A CN 201810581380A CN 108629978 B CN108629978 B CN 108629978B
- Authority
- CN
- China
- Prior art keywords
- bayonet
- track
- bayonets
- dimensional
- road network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 15
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明请求保护一种基于高维路网和循环神经网络的交通轨迹预测方法,属于智能交通分析领域。首先,获取数据源,提取相关属性并对轨迹数据集根据车速阈值进行筛选。然后,通过近邻规则对轨迹数据进行二次筛选,获取完整的格式化轨迹数据。建立路网模型,通过时间窗口对轨迹数据集进行提取,获取目标卡口上下文关系,然后利用嵌入算法将目标卡口编码嵌入高维空间,完成二维平面路网到高位空间路网的映射,在高维空间中,卡口之间不再包含复杂的拓扑关系,使用高维相似度可以度量卡口之间在轨迹数据中的角色相似度。最后,使用双向循环神经网络对轨迹矩阵进行双向学习预测,结合前后向信息对轨迹数据进行学习预测。本发明提高了预测效率。
Description
技术领域
本发明属于智能交通分析领域,涉及车辆轨迹预测,尤其涉及基于用户最近时刻路径预测未来可能经过路径。
背景技术
近年来,城市中的车辆数量急剧增多,导致城市交通遇到障碍和发展瓶颈,阻碍了城市化进程的深入。而随着传感器和互联网的发展,人们通过使用路旁视频监控设备、车载导航、GPS、智能手机等设备已经可以获得越来越多的公众出行数据。通过分析挖掘这些数据,提取城市公众出行模式,可以为用户提供个性化的出行服务,避免交通拥堵,为交通管制、城市规划提供参考依据。其中,对车辆未来轨迹的预测技术是体现公众出行模式的一个重要应用点,在一定程度上可以反应出城市交通状况和人群流动情况。
城市公众出行具有非随机性和周期性,人们总是频繁出现在某些特定的地点。轨迹数据具有时空特征,一般通过对一个或多个移动对象运动过程的采样获得,包括移动对象的经纬度位置、时间、速度等信息,能反映移动对象在特定时空下的运动规律。两者相结合使城市公众移动模式提取和未来轨迹预测成为可能。当前,研究人员提出的交通轨迹预测的方法主要分为以下几种:基于个人移动模式的位置预测、基于集体移动模式的位置预测和基于外部信息的位置预测等。如Simmons等人在《Learning to Predict Driver Routeand Destination Intent》中通过车辆历史轨迹建立隐马尔科夫模型进行目的地和路线预测。Monreale等人在《WhereNext:a location predictor on trajectory patternmining》通过构建移动模式树来匹配所有用户的历史轨迹,并以此作为预测依据。Pan等人在《Utilizing real-world transportation data for accurate traffic prediction》提出ARIMA+算法,通过将历史交通状况和实时轨迹相结合达到轨迹预测的目的。但以上方法中,基于欧氏距离的路网预测模型不能体现路口之间的连通关系,往往需要通过特征提取、轨迹聚类等方法提取驻足点信息才能获取统一的轨迹数据;而基于线性预测模型的轨迹预测存在零概率问题,对没有记录的轨迹效果不佳。
发明内容
考虑到传统路网模型的复杂性、无序性,并且无法体现卡口之间更高维关系的问题,本发明提出一种基于卡口上下文关系的新型路网建模算法,通过实际轨迹中的卡口上下文关系构建语料库,并使用节点间的高维相似度度量实际卡口之间的语义关联,将车辆轨迹节点映射成为高维空间向量,屏蔽实际交通路网的复杂结构。同时,使用双向循环神经网络作为预测模型,利用其良好的非线性拟合能力和能同时处理前后向信息的特点提高预测准确度。提出了一种基于高维路网和循环神经网络的交通轨迹预测方法。本发明的技术方案如下:一种基于高维路网和循环神经网络的交通轨迹预测方法,其包括以下步骤:
通过卡口信息采集装置采集行驶中车辆原始信息,并提取车牌号、过车时间、卡口编码作为相关属性,对相关属性进行排序并按速度阈值进行初步筛选获取原始轨迹数据集;
对原始轨迹数据进行二次筛选,按照近邻规则对目标卡口的相邻卡口进行筛选,选出频繁近邻卡口,去除不相关卡口之间的轨迹连接;
使用固定大小的滑动窗口对二次筛选后的轨迹数据进行上下文关系提取,并建立卡口语料库,卡口语料库用于反映实际路网中卡口之间的关联关系,使用嵌入算法将这些关联关系映射到高维空间,单个卡口对应高维空间中的点,从而建立高维空间路网模型,卡口在轨迹数据中的角色相似度用卡口在高维空间中对应的点之间的距离衡量;
结合道路双向性和轨迹时序性特点,使用双向循环神经网络对轨迹数据进行前向后向双向学习,得到两个输出结果后再进行加权求和得到最终预测结果。
进一步的,所述提取车牌号、过车时间、卡口编码作为相关属性,对相关属性进行排序并按速度阈值进行初步筛选获取原始轨迹数据集,具体包括:
卡口信息采集装置获取的属性包括:卡口编号、车牌号、过车时间、经纬度、街道名称及过车速度,选择车牌号作为轨迹划分单位,卡口编号作为轨迹点标识,过车时间作为轨迹中卡口序列排序依据。以此形成由卡口编码序列表示的轨迹数据集合。
进一步的,所述对原始轨迹数据进行二次筛选,按照近邻规则对目标卡口的相邻卡口进行筛选,选出频繁近邻卡口,去除不相关卡口之间的轨迹连接,主要分为以下两个步骤:
S21:对原始轨迹数据集中的卡口编号进行提取,作为轨迹卡口序列数据集;
S22:对每个卡口进行近邻卡口筛选,首先对轨迹中的单个卡口pi进行相邻卡口统计,并按频次排序获得相邻卡口集合{p1,p2,p3,p4,p5},保留频次最多的三个卡口{p1,p2,p3}作为目标卡口的近邻卡口,然后去除轨迹数据中非近邻卡口之间的轨迹连接,以每条轨迹包含6个卡口的标准形成最终的轨迹数据集。
进一步的,所述使用固定大小的滑动窗口对二次筛选后的轨迹数据进行上下文关系提取,并建立卡口语料库,具体包括:
S31:使用固定窗口大小对目标卡口进行上下文关系提取,对于轨迹序列{p1,p2,p3,p4,p5,p6},若要对卡口p3进行上下文关系提取,使用大小为2的窗口对相邻卡口进行提取,获得p3的上下文集合{p1,p2},{p2,p4},{p4,p5},以此类推,获取各卡口上下文关系库即为卡口语料库Trajectory-Corpus。
进一步的,所述使用嵌入算法将这些关联关系映射到高维空间,单个卡口对应高维空间中的点,从而建立高维空间路网模型,卡口在轨迹数据中的角色相似度用卡口在高维空间中对应的点之间的距离衡量,具体包括:
S32:轨迹T中卡口pt的概率可表示为:
其中n表示固定窗口的大小,Tv表示编号为v的轨迹,pt-n+j表示在时间窗口内卡口pt的相邻卡口,为了将卡口矢量化,设计目标函数:
其中v表示嵌入向量,vt表示卡口pt对应的高维向量,表示轨迹T中在时间窗口内与卡口pt相邻的卡口对应向量。当输入卡口pt和pt的上下文后,迭代训练出卡口pt的高维向量vt,由此将卡口语料库中的所有卡口映射到高维空间中,最终形成高维空间路网,由以上过程可知,该高维空间路网融合了卡口上下文关系,屏蔽了二维路网的复杂结构。
进一步的,所述结合道路双向性和轨迹时序性特点,使用双向循环神经网络对轨迹数据进行前向后向双向学习,主要分为以下步骤:
S41:将获取的数据集按9:1的比例划分训练集和验证集,经过卡口编码被训练成为高维矢量,假设矢量维度为v,卡口总数为m,则训练集中每个样本的属性可以用5*v的矩阵表示,而标签则使用m维的one-hot编码表示;
S42:构建双向循环神经网络预测模型,双向循环神经网络分为前向和后向过程,以前向过程为例,输入序列为{x1,x2,x3,x4,x5},每一步输入通过一定规则对隐含层状态h产生影响,在接受最后一步输入x5时,x5与h共同作用产生输出,后向过程为正向过程的逆序输入,通过前向过程和后向过程获得两个输出结果,两个输出结果最终通过加权求和并归一化处理获得最终输出结果。
进一步的,所述通过前向过程和后向过程获得两个输出结果,两个输出结果最终通过加权求和并归一化处理获得最终输出结果,具体包括:获得前向输出结果ht和后向输出结果h’t,通过公式:
e=-∑ylogy'
其中,y表示标签,y’表示模型输出,通过不断更新迭代参数最小化e,使模型输出越来越接近真实标签,最后随机选取测试集数据对模型参数进行测试。
本发明的优点及有益效果如下:
本发明针对真实路网的复杂性和无序性,提取轨迹数据建立卡口语料库,使用卡口语料库进行路网建模,并针对路网模型中单个车辆的卡口序列使用双向循环神经网络进行轨迹预测。首先,考虑到传统路网的复杂性、无序性,并且无法体现卡口之间更高维关系的问题,本文提出一种基于卡口上下文关系的新型路网建模算法:从语言概率模型中获得灵感,通过实际轨迹中的卡口上下文关系构建语料库,并使用节点间的高维相似度度量实际卡口的语义关联,将车辆轨迹节点映射成为高维空间向量,屏蔽实际交通路网的复杂结构,构造路网空间。然后,将实际路网中的卡口序列映射成为该路网空间中的矩阵,针对道路双向性和轨迹时序性特点,同时考虑到双向循环神经网络能够同时处理前向和后向信息的优势,使用双向循环神经网络对轨迹矩阵进行双向训练学习,达到预测目的。
附图说明
图1是本发明提供优选实施例的整体框图。
图2是本发明的总体流程图。
图3是本发明的预测模型图。
图4是本发明的学习算法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
如图1所示为本发明整体框图,包括:获取数据模块,数据清洗整理模块,路网建模模块,预测分析模块共四大模块。具体说明本发明的详细实施过程,包括如下四个步骤:
S1:获取数据源。通过路旁检测设备获取行驶中车辆信息,提取相关属性并进行初步筛选获取原始轨迹数据集。
S2:轨迹数据整理。对轨迹数据进行格式化处理,为了减小实际道路轨迹中的噪声影响,选取与目标路口之间车流最多的三个路口作为相关路口,去除相关路口之外的轨迹数据。
S3:建立路网模型,使用滑动窗口提取目标卡口上下文形成卡口,使用嵌入模型将卡口语料库中的卡口编码嵌入高维空间,卡口编码变成高维向量,在高维空间中路网不再具有复杂的结构,使用高维相似度度量卡口之间的关系,使路网中包含了卡口的连通信息。
S4:预测和分析过程。通过固定窗口大小n对轨迹数据进行提取,建立神经网络训练集,以前n-1个卡口向量序列为输入,第n个卡口为输出,训练双向循环神经网络,损失函数为交叉熵函数。
上述步骤S1获取数据源。从卡口记录设备获取到的数据包括卡口记录中的车牌号、过车时间以及卡口编号、经纬度、速度、街道名称等属性,提取车牌号、过车时间、卡口编号作为相关属性,按车牌号、时间对数据进行排序。考虑到套牌车对轨迹数据的影响,对车辆时速设置阈值以消减套牌车影响。最终获得原始轨迹数据集。
上述步骤S2,轨迹数据整理。主要分为以下两个步骤:
S21:对原始轨迹数据集中的卡口编号进行提取,作为轨迹卡口序列数据集。
S22:为了进一步减小套牌车、记录仪故障等外部因素对轨迹数据的影响,对每个卡口进行近邻卡口筛选。首先对轨迹中的单个卡口pi进行相邻卡口统计,并按频次排序获得相邻卡口集合{p1,p2,p3,p4,p5},由于路网中一般相邻路口不超过三个,所以保留频次最多的三个卡口{p1,p2,p3}作为目标卡口的近邻卡口,然后去除轨迹数据中非近邻卡口之间的轨迹连接,以每条轨迹包含6个卡口的标准形成最终的轨迹数据集。
上述步骤S3建立路网模型,主要分为以下两个步骤:
S31:使用固定窗口大小对目标卡口进行上下文关系提取,对于轨迹序列{p1,p2,p3,p4,p5,p6},若要对卡口p3进行上下文关系提取,使用大小为2的窗口对相邻卡口进行提取,可以获得p3的上下文集合{p1,p2},{p2,p4},{p4,p5},以此类推,可以获取各卡口上下文关系库卡口语料库Trajectory-Corpus。
S32:轨迹T中卡口pt的概率可表示为:
其中n表示步骤S31中固定窗口的大小。该公式基于马尔科夫假设,即当前卡口的出现只与前n个卡口的出现有关。为了将卡口矢量化,设计目标函数:
其中v表示嵌入向量。当输入卡口pt和pt的上下文后,可迭代训练出卡口pt的高维向量vt,由此将卡口语料库中的所有卡口映射到高维空间中,最终形成高维空间路网。由以上过程可知,该高维空间路网融合了卡口上下文关系,屏蔽了二维路网的复杂结构。
上述步骤S4预测和分析过程,主要分为以下步骤:
S41:将步骤S2获取的数据集按9:1的比例划分训练集和验证集,经过步骤S3,卡口编码被训练成为高维矢量,假设矢量维度为v,卡口总数为m,则训练集中每个样本的属性可以用5*v的矩阵表示,而标签则使用m维的one-hot编码表示,测试集同理。
S42:构建如图3所示双向循环神经网络预测模型。双向循环神经网络分为前向和后向过程。以前向过程为例,输入序列为{x1,x2,x3,x4,x5},每一步输入通过一定规则对隐含层状态h产生影响,在接受最后一步输入x5时,x5与h共同作用产生输出,后向过程为正向过程的逆序输入。通过前向过程和后向过程获得两个输出结果,两个输出结果最终通过加权求和并归一化处理获得最终输出结果。
S421:双向循环神经网络前向基本过程为:
rt=σ(Wr·xt+Ur·ht-1+br)
zt=σ(Wt·xt+Uz·ht-1+bz)
其中,rt过程根据轨迹序列的输入计算与隐含状态的相关性,zt过程在接受新输入后,判断单元隐含状态是否需要更新,并定义了隐含状态与轨迹序列输入的结合程度,ht过程表示隐含状态更新方式,表示隐含状态更新参数。W、U表示输入、隐含状态的更新权重,b为偏置,σ(·)表示sigmoid函数:
后向过程为前向过程的逆向输入。
S422:经过步骤S421获得前向输出结果ht和后向输出结果h’t,通过公式:
e=-∑ylogy'
其中,y表示标签,y’表示模型输出,通过不断更新迭代参数最小化e,使模型输出越来越接近真实标签。最后随机选取测试集数据对模型参数进行测试。
本发明利用实际路网中的卡口记录装置获取轨迹数据,使用滑动窗口和近邻卡口规则对轨迹数据进行预处理,根据轨迹中体现的卡口连通性提取卡口上下文关系,利用卡口上下文关系建立语料库,使用嵌入算法将卡口编码映射为高维向量,从而对路网进行建模,并根据用户已知轨迹卡口序列使用双向循环神经网络对轨迹矩阵进行学习预测。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于高维路网和循环神经网络的交通轨迹预测方法,其特征在于,包括以下步骤:
通过卡口信息采集装置采集行驶中车辆原始信息,并提取车牌号、过车时间、卡口编码作为相关属性,对相关属性进行排序并按速度阈值进行初步筛选获取原始轨迹数据集;
对原始轨迹数据进行二次筛选,按照近邻规则对目标卡口的相邻卡口进行筛选,选出频繁近邻卡口,去除不相关卡口之间的轨迹连接;
使用固定大小的滑动窗口对二次筛选后的轨迹数据进行上下文关系提取,并建立卡口语料库,卡口语料库用于反映实际路网中卡口之间的关联关系,使用嵌入算法将这些关联关系映射到高维空间,单个卡口对应高维空间中的点,从而建立高维空间路网模型,卡口在轨迹数据中的角色相似度用卡口在高维空间中对应的点之间的距离衡量;
所述使用嵌入算法将这些关联关系映射到高维空间,单个卡口对应高维空间中的点,从而建立高维空间路网模型,卡口在轨迹数据中的角色相似度用卡口在高维空间中对应的点之间的距离衡量,具体包括:
S32:轨迹T中卡口pt的概率可表示为:
其中n表示固定窗口的大小,Tv表示编号为v的轨迹,pt-n+j表示在时间窗口内卡口pt的相邻卡口,为了将卡口矢量化,设计目标函数:
其中v表示嵌入向量,vt表示卡口pt对应的高维向量,表示轨迹T中在时间窗口内与卡口pt相邻的卡口对应向量,当输入卡口pt和pt的上下文后,迭代训练出卡口pt的高维向量vt,由此将卡口语料库中的所有卡口映射到高维空间中,最终形成高维空间路网,由以上过程可知,该高维空间路网融合了卡口上下文关系,屏蔽了二维路网的复杂结构;
结合道路双向性和轨迹时序性特点,使用双向循环神经网络对轨迹数据进行前向后向双向学习,得到两个输出结果后再进行加权求和得到最终预测结果。
2.根据权利要求1所述的基于高维路网和循环神经网络的交通轨迹预测方法,其特征在于,所述提取车牌号、过车时间、卡口编码作为相关属性,对相关属性进行排序并按速度阈值进行初步筛选获取原始轨迹数据集,具体包括:
卡口信息采集装置获取的属性包括:卡口编号、车牌号、过车时间、经纬度、街道名称及过车速度,选择车牌号作为轨迹划分单位,卡口编号作为轨迹点标识,过车时间作为轨迹中卡口序列排序依据;以此形成由卡口编码序列表示的轨迹数据集合。
3.根据权利要求1所述的基于高维路网和循环神经网络的交通轨迹预测方法,其特征在于,所述对原始轨迹数据进行二次筛选,按照近邻规则对目标卡口的相邻卡口进行筛选,选出频繁近邻卡口,去除不相关卡口之间的轨迹连接,主要分为以下两个步骤:
S21:对原始轨迹数据集中的卡口编号进行提取,作为轨迹卡口序列数据集;
S22:对每个卡口进行近邻卡口筛选,首先对轨迹中的单个卡口pi进行相邻卡口统计,并按频次排序获得相邻卡口集合{p1,p2,p3,p4,p5},保留频次最多的三个卡口{p1,p2,p3}作为目标卡口的近邻卡口,然后去除轨迹数据中非近邻卡口之间的轨迹连接,以每条轨迹包含6个卡口的标准形成最终的轨迹数据集。
4.根据权利要求3所述的基于高维路网和循环神经网络的交通轨迹预测方法,其特征在于,所述使用固定大小的滑动窗口对二次筛选后的轨迹数据进行上下文关系提取,并建立卡口语料库,具体包括:
S31:使用固定窗口大小对目标卡口进行上下文关系提取,对于轨迹序列{p1,p2,p3,p4,p5,p6},若要对卡口p3进行上下文关系提取,使用大小为2的窗口对相邻卡口进行提取,获得p3的上下文集合{p1,p2},{p2,p4},{p4,p5},以此类推,获取各卡口上下文集合即为卡口语料库Trajectory-corpus。
5.根据权利要求4所述的基于高维路网和循环神经网络的交通轨迹预测方法,其特征在于,所述结合道路双向性和轨迹时序性特点,使用双向循环神经网络对轨迹数据进行前向后向双向学习,主要分为以下步骤:
S41:将获取的数据集按9:1的比例划分训练集和验证集,经过卡口编码被训练成为高维矢量,假设矢量维度为|v|,卡口总数为m,则训练集中每个样本的属性可以用5*|v|的矩阵表示,而标签则使用m维的one-hot编码表示;
S42:构建双向循环神经网络预测模型,双向循环神经网络分为前向和后向过程,以前向过程为例,输入序列为{x1,x2,x3,x4,x5},每一步输入通过一定规则对隐含层状态h产生影响,在接受最后一步输入x5时,x5与h共同作用产生输出,后向过程为正向过程的逆序输入,通过前向过程和后向过程获得两个输出结果,两个输出结果最终通过加权求和并归一化处理获得最终输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810581380.0A CN108629978B (zh) | 2018-06-07 | 2018-06-07 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810581380.0A CN108629978B (zh) | 2018-06-07 | 2018-06-07 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629978A CN108629978A (zh) | 2018-10-09 |
CN108629978B true CN108629978B (zh) | 2020-12-22 |
Family
ID=63691243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810581380.0A Active CN108629978B (zh) | 2018-06-07 | 2018-06-07 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629978B (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110196891B (zh) * | 2018-11-15 | 2024-03-15 | 腾讯大地通途(北京)科技有限公司 | 街区类型的确定方法、装置、存储介质及电子装置 |
CN109635530A (zh) * | 2018-11-16 | 2019-04-16 | 华东师范大学 | 一种基于用户群组属性的智能口令猜测方法 |
CN111369787A (zh) * | 2018-12-26 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种车辆轨迹预测方法、装置及电子设备 |
CN109712402B (zh) * | 2019-02-12 | 2021-11-12 | 南京邮电大学 | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 |
CN109767622B (zh) * | 2019-02-14 | 2021-12-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
CN110164129B (zh) * | 2019-04-25 | 2021-02-26 | 浙江工业大学 | 基于gernn的单交叉口多车道交通流量预测方法 |
CN111951543B (zh) * | 2019-05-15 | 2022-04-26 | 杭州海康威视数字技术股份有限公司 | 流量预测方法及装置 |
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 |
CN110162588B (zh) * | 2019-05-29 | 2023-06-09 | 浪潮软件集团有限公司 | 一种多维关联信息的轨迹融合方法 |
CN114080634B (zh) * | 2019-07-03 | 2024-04-26 | 伟摩有限责任公司 | 使用锚定轨迹的代理轨迹预测 |
CN110381524B (zh) * | 2019-07-15 | 2022-12-20 | 安徽理工大学 | 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 |
CN110505583B (zh) * | 2019-07-23 | 2021-01-22 | 中山大学 | 一种基于卡口数据与信令数据的轨迹匹配方法 |
CN110471999B (zh) * | 2019-08-05 | 2022-03-18 | 北京百度网讯科技有限公司 | 轨迹处理方法、装置、设备和介质 |
CN110569358A (zh) * | 2019-08-20 | 2019-12-13 | 上海交通大学 | 学习长时依赖和分层结构的文本分类模型、方法及介质 |
CN110488842B (zh) * | 2019-09-04 | 2020-11-03 | 湖南大学 | 一种基于双向内核岭回归的车辆轨迹预测方法 |
CN110599521B (zh) * | 2019-09-05 | 2022-02-15 | 清华大学 | 生成易受伤害道路使用者轨迹预测模型的方法及预测方法 |
CN110852342B (zh) * | 2019-09-26 | 2020-11-24 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
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 |
CN110827543B (zh) * | 2019-11-11 | 2022-02-18 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
CN111767479B (zh) * | 2020-06-30 | 2023-06-27 | 北京百度网讯科技有限公司 | 推荐模型生成方法、装置、电子设备及存储介质 |
CN113970974B (zh) * | 2020-07-22 | 2023-04-28 | 福建天泉教育科技有限公司 | 一种线条轨迹预测方法及终端 |
CN112309118B (zh) * | 2020-11-03 | 2021-11-09 | 广州市交通规划研究院 | 一种基于时空相似度的车辆轨迹推算方法 |
CN112766339A (zh) * | 2021-01-11 | 2021-05-07 | 中国科学院计算技术研究所 | 一种轨迹识别模型训练方法及轨迹识别方法 |
CN113128607B (zh) * | 2021-04-25 | 2023-10-10 | 思创数码科技股份有限公司 | 一种轨迹相似度计算方法 |
CN113442950B (zh) * | 2021-08-31 | 2021-11-23 | 国汽智控(北京)科技有限公司 | 基于多车辆的自动驾驶控制方法、装置和设备 |
CN114004513A (zh) * | 2021-11-04 | 2022-02-01 | 浙江大学 | 一种需求预测方法、系统及存储介质 |
CN114724386B (zh) * | 2022-03-31 | 2023-10-27 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
CN115359684A (zh) * | 2022-08-16 | 2022-11-18 | 辽宁工程技术大学 | 一种基于Elastic-BiGRU结构的航空器轨迹预测方法 |
CN115586557B (zh) * | 2022-12-12 | 2023-05-12 | 国网浙江省电力有限公司信息通信分公司 | 一种基于路网数据的车辆行驶轨迹纠偏方法及装置 |
CN116484309B (zh) * | 2023-03-09 | 2023-09-29 | 重庆市规划和自然资源信息中心 | 户籍人口数据与不动产登记数据融合方法 |
CN117152692B (zh) * | 2023-10-30 | 2024-02-23 | 中国市政工程西南设计研究总院有限公司 | 基于视频监控的交通目标检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013005362A1 (de) * | 2013-03-28 | 2013-10-10 | Daimler Ag | Verfahren zur Analyse einer Verkehrssituation |
CN106022527A (zh) * | 2016-05-27 | 2016-10-12 | 河南明晰信息科技有限公司 | 基于地图瓦片和lstm循环神经网络的轨迹预测方法和装置 |
CN106568445A (zh) * | 2016-11-11 | 2017-04-19 | 吉林大学 | 基于双向循环神经网络的室内轨迹预测方法 |
CN106569618A (zh) * | 2016-10-19 | 2017-04-19 | 武汉悦然心动网络科技股份有限公司 | 基于循环神经网络模型的滑动输入方法及系统 |
DE102016203522A1 (de) * | 2016-03-03 | 2017-09-07 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Vorhersagen von Trajektorien eines Kraftfahrzeugs |
CN107221195A (zh) * | 2017-05-26 | 2017-09-29 | 重庆长安汽车股份有限公司 | 汽车车道预测方法及车道级地图 |
CN107396322A (zh) * | 2017-08-28 | 2017-11-24 | 电子科技大学 | 基于路径匹配与编码译码循环神经网络的室内定位方法 |
CN107480784A (zh) * | 2017-06-28 | 2017-12-15 | 青岛科技大学 | 一种基于深度学习的手机信令数据行人交通轨迹预测方法 |
CN108038208A (zh) * | 2017-12-18 | 2018-05-15 | 深圳前海微众银行股份有限公司 | 上下文信息识别模型的训练方法、装置和存储介质 |
-
2018
- 2018-06-07 CN CN201810581380.0A patent/CN108629978B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013005362A1 (de) * | 2013-03-28 | 2013-10-10 | Daimler Ag | Verfahren zur Analyse einer Verkehrssituation |
DE102016203522A1 (de) * | 2016-03-03 | 2017-09-07 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Vorhersagen von Trajektorien eines Kraftfahrzeugs |
CN106022527A (zh) * | 2016-05-27 | 2016-10-12 | 河南明晰信息科技有限公司 | 基于地图瓦片和lstm循环神经网络的轨迹预测方法和装置 |
CN106569618A (zh) * | 2016-10-19 | 2017-04-19 | 武汉悦然心动网络科技股份有限公司 | 基于循环神经网络模型的滑动输入方法及系统 |
CN106568445A (zh) * | 2016-11-11 | 2017-04-19 | 吉林大学 | 基于双向循环神经网络的室内轨迹预测方法 |
CN107221195A (zh) * | 2017-05-26 | 2017-09-29 | 重庆长安汽车股份有限公司 | 汽车车道预测方法及车道级地图 |
CN107480784A (zh) * | 2017-06-28 | 2017-12-15 | 青岛科技大学 | 一种基于深度学习的手机信令数据行人交通轨迹预测方法 |
CN107396322A (zh) * | 2017-08-28 | 2017-11-24 | 电子科技大学 | 基于路径匹配与编码译码循环神经网络的室内定位方法 |
CN108038208A (zh) * | 2017-12-18 | 2018-05-15 | 深圳前海微众银行股份有限公司 | 上下文信息识别模型的训练方法、装置和存储介质 |
Non-Patent Citations (2)
Title |
---|
Using Context Information and Probabilistic Classification for Making Extended Long-Term Trajectory Predictions;Stefan Klingelschmitt等;《IEEE》;20151231;第705-711页 * |
基于双层多粒度知识发现的移动轨迹预测模型;王亮 等;《浙江大学学报(工学版)》;20170430;第51卷(第4期);第669-674页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108629978A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629978B (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 | |
Djenouri et al. | A survey on urban traffic anomalies detection algorithms | |
CN109034448B (zh) | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 | |
CN110889546B (zh) | 一种基于注意力机制的交通流量模型训练方法 | |
CN108427965A (zh) | 一种基于路网聚类的热点区域挖掘方法 | |
CN113378891B (zh) | 基于轨迹分布表示的城市区域关系可视分析方法 | |
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 | |
CN114882069A (zh) | 基于lstm网络和注意力机制的出租车轨迹异常检测方法 | |
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 | |
CN112863182A (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
Ma et al. | An interpretable analytic framework of the relationship between carsharing station development patterns and built environment for sustainable urban transportation | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
CN108053646A (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及系统 | |
CN112101132A (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
CN116628078A (zh) | 一种层次化城市空间结构识别方法及系统 | |
CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN112559909B (zh) | 一种基于gcn嵌入空间聚类模型的商业区发现方法 | |
CN115359437A (zh) | 一种基于语义轨迹的伴随车辆识别方法 | |
CN114267170A (zh) | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 | |
Dorosan et al. | Use of machine learning in understanding transport dynamics of land use and public transportation in a developing city | |
CN112733657A (zh) | 一种基于标准地址和poi信息点的跨境追踪检测方法和系统 | |
Ning | Prediction and detection of urban trajectory using data mining and deep neural network | |
Xia et al. | An ASM-CF model for anomalous trajectory detection with mobile trajectory big data | |
Sun et al. | Alleviating data sparsity problems in estimated time of arrival via auxiliary metric learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |