CN109739926B - 一种基于卷积神经网络的移动对象目的地预测方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的移动对象目的地预测方法，包括：引入参数化最小描述长度策略(PMDL)对原始轨迹进行最优分段表示，削弱相似轨迹之间的差异程度，增强不相似轨迹各自的重要特征；提出轨迹像素化表示方法(PRT)，将一维轨迹序列转化为二维像素图像；从轨迹图像中截取重要特征部位输入卷积神经网络(CNN)模型，进行特征提取和目的地预测。本发明的优点是：将一维轨迹序列转换为二维像素图像，通过挖掘轨迹图像的空间特征来确定目的地坐标；本发明针对目的地预测中常见的，但在很多传统方法中不能解决的“数据稀疏问题”提出了一种有效的解决方法，实现了高准确率的目的地预测。

Description

一种基于卷积神经网络的移动对象目的地预测方法

技术领域

本发明给出一种移动对象目的地预测的方法，在已知查询轨迹的条件下，对其可能的目的地坐标进行预测，属于工程应用与信息科学的交叉领域。

背景技术

随着移动传感器的普及，智能手机和车内导航系统的使用逐渐成为了人们生活的一部分，我们同时也越来越多地受益于各种基于位置的服务。移动设备所配备的位置传感器利用全球定位系统精准的提供了用户的位置，不同时间戳的位置形成用户的日常活动轨迹。这种轨迹数据具有高度时间和空间规律，为许多基于位置的应用的出现和改进提供了数据来源。大量新型的基于位置的应用都需要对目的地和未来路线进行预测，例如，推荐旅游景点，获取用户可能感兴趣的附近场所，基于目的地发送针对性的广告等。此外，还有人将目的地预测应用于判断是否偏离了预定路线、捕捉汽车盗贼等。

目的地的预测通常需要使用到历史轨迹信息，如果所要查询的轨迹与历史轨迹中出现的某一部分相匹配，那么这部分轨迹的目的地很可能也是所查询轨迹的目的地。现有的很多文献根据该思路，通过对历史轨迹模式的学习，进行目的地预测。但它们忽略了预测过程中“数据稀疏问题”。

数据稀疏问题是在实现目的地预测时很常见的问题之一。由于现有数据集中历史轨迹数量有限，当我们将查询轨迹与历史轨迹进行匹配时，所要查询的路线很难与现有的历史轨迹完全匹配，相同的目的地可能通过不同的路径所到达；即使查询轨迹与历史轨迹的一部分完全匹配，目的地也很可能不同。现有的历史轨迹远远不足以覆盖所有可能的查询轨迹，这将会影响轨迹目的地位置预测的精度。

数据稀疏问题可能由以下几种原因造成：

第一，数据集中给出的历史轨迹数量有限，只能覆盖一部分所要查询的轨迹。如图1所示，历史轨迹tra₁：A→B→C，tra₂：A→D→E→F，tra₃：A→D→E→G，已在图中显示。当查询tra₄：A→B时，它与tra₁的一部分完全重合，可以认为它的目的地很可能与tra₁相同，即目的地为C；当查询tra₅：A→D→E时，它和tra₂，tra₃的其中一部分都相同，因此它的目的地可能是F，也可能是G。

第二，当在划分网格上表示轨迹数据时，由于二维空间数据的多尺度特性，在不同尺寸的网格图中，轨迹会呈现出不同的模式。如图2所示，可以明显地看出不同尺寸的网格中各轨迹的形态有明显差异。在图2(a)较小的尺寸下，各轨迹的细节信息变得更加显著，导致轨迹重叠程度较低，几乎不能保证查询轨迹与历史轨迹中的某部分完全重合。在图2(b)较大的尺寸下，所有轨迹的细节被缩小，轨迹重叠程度增加，对目的地预测造成了很大的难度。因此，网格尺寸也会带来数据稀疏问题。

第三，当每条轨迹的采样频率不同时，有些轨迹的特征表示非常详细，但有些轨迹却表示过于简略，如图3所示。即使两段轨迹的起点和终点相同，由于特征表示的详细程度不同，网格图像上表示出来的路线也很可能有很大的差异。

为了解决数据稀疏问题，一些学者借助外部信息来改善预测效果，如结合道路网络信息和车辆行驶信息，根据道路结构和走向以及行驶速度进行分析，或根据用户历史信息确定其个人喜好从而对目的地进行推荐。但有时我们并不能准确地获取这些信息，如何仅利用车辆轨迹信息精准地对目的地进行预测是当前所没有解决的一个问题，也没有相应的解决方法。

此外，大部分文献将轨迹数据作为一维的时空点序列进行分析。这样的一维结构虽然简洁，但在一定程度上限制了我们从中了解其他详细的信息。在一维轨迹序列中，我们只能获取各个时间点移动对象的位置信息，以及轨迹点的先后关系，并不能了解轨迹在平面图上的整体形态，无法看出移动对象何时拐弯、何时绕行等。

为了解决上述问题，本发明提出一种基于卷积神经网络的移动对象目的地预测方法，将一维轨迹序列转换为二维像素图像，利用这种可视化的方式向人们更清晰地展示了轨迹的整体走向和终点位置，通过挖掘轨迹图像的空间特征来确定目的地的位置。同时，本方法通过对移动对象轨迹进行一系列处理，有效的解决了目的地预测中的数据稀疏问题。

发明内容

发明目的：本发明的目的是提供一种移动对象目的地预测的方法。该方法充分利用移动对象轨迹的空间特征信息，将一维轨迹序列转换为二维像素图像，利用这种可视化的方式向人们更清晰地展示了轨迹的整体走向和终点位置，通过挖掘轨迹图像的空间特征来确定目的地的坐标位置。该方法解决了传统模型未关注的“数据稀疏问题”，充分考虑到由于历史轨迹数量有限，所要查询轨迹难以与历史轨迹完全匹配，而对目的地预测精准度所带来的影响。

技术方案：为实现上述目的，本发明提出一种基于卷积神经网络的移动对象目的地预测方法，将一维轨迹序列转换为二维像素图像，不同于传统方法中直接对一维轨迹序列进行处理，本方法充分挖掘二维轨迹图像中的空间模式和运动细节信息，使用卷积神经网络提取出高阶特征，从而实现对目的地位置预测。针对目的地预测中的“数据稀疏问题”，我们先后引入多种处理方法，有效解决了该问题。其具体技术方案包括以下几个步骤：

步骤一：针对移动对象目的地预测中的数据稀疏问题，提出一系列方法对原始轨迹序列进行处理。

(1)引入参数化最小描述长度策略(PMDL)，对原始轨迹进行最优分段表示，在最大程度保留原始轨迹特征的情况下，减少相似轨迹之间的差异性并增加不同轨迹之间的相似程度。

(2)提出一种轨迹像素化表示方法(PRT)，将一维轨迹序列转换为二维像素图片格式，并用M×M的像素矩阵G对其进行表示。

(3)对转换后的轨迹图像进行局部特征提取和目的地标签的添加。

步骤二：将上述处理后的轨迹图像和标签输入卷积神经网络模型进行目的地预测。

(1)使用卷积神经网络对轨迹的高阶特征进行提取。

(2)根据之前步骤对轨迹图像添加的标签，对已知轨迹段的特征进行有监督训练，将原始不带标签的轨迹目的地预测问题，转换为一个有监督的轨迹分类问题。

有益效果：本发明提出了一种基于卷积神经网络的移动对象目的地预测方法。该方法不同于传统方法直接对轨迹一维序列进行分析，而是将其转换成二维像素图像，输入卷积神经网络中进行目的地预测。该方法根据轨迹在时间和空间上的特征，对其进行了一系列处理，有效解决了目的地预测上的“数据稀疏问题”，增加了目的地预测的精度。该方法能够通过学习有限数量的历史轨迹，对查询轨迹段进行目的地预测，可应用于各种基于位置的服务。本发明所提出的克服数据稀疏问题的方法经过扩展后，不仅限于对车辆目的地进行预测，还可用于解决动物迁徙、飓风运动等轨迹预测问题。

附图说明

图1是数据稀疏问题的一个示例

图2是不同尺寸网格下的轨迹形态(a)较小尺寸网格 (b)较大尺寸网格

图3是相同起终点、不同采样频率的轨迹形态

图4是本发明方法的整体流程图

图5是PMDL将最佳分段问题建模为最短路径问题的一个示例(a)原始轨迹 (b)转换为完全图最短路径问题，u＝v＝1

图6是基于目的地预测的CNN模型结构图

具体实施方式

下面结合附图，对本发明做进一步说明。

本发明的总体流程如图4所示。整体流程包括两个部分：数据稀疏问题的解决和基于卷积神经网络(CNN)的预测。在数据稀疏问题的解决阶段：引入参数化最小描述长度策略(PMDL)对原始轨迹进行最优分段表示，在最大程度保留原始轨迹特征的情况下，减少相似轨迹之间的差异性并增加不同轨迹之间的差异程度；随后，提出轨迹的像素化表示方法(PRT)，将原始轨迹数据处理成像素图片，并从中截取重要特征部位，将起点和终点附近区域作为模型输入，并增加相应的目的地类别标记。在预测部分，我们将上一阶段处理后的数据输入一个卷积神经网络中进行特征提取和目的地预测。具体的实施步骤如下。

1.轨迹的分段表示

轨迹的分段表示即从一条轨迹中找出变化很大的特征点，通过连接相邻的两个特征点，从而形成原始轨迹的分段表示形式。最优的轨迹分段要求同时具有精确性和简洁性。本步骤通过设计一种参数化最小描述长度策略(PMDL)，来找到轨迹的最佳分段表示。

PMDL原理包含两个部分：L(H)和L(D|H)。其中H是假设，即原始轨迹的分段表示，D是数据，即原始轨迹。L(H)用来描述假设的长度；L(D|H)是在假设为H的情况下，对数据D进行编码后的长度。当uL(H)+vL(D|H)(u，v≥0，且u，v为实数)(这里将其称为代价)最小时，此时的轨迹分段是最佳的分段表示。

给定一条轨迹

和特征点集合

L(H)由公式1给出，表示轨迹分段中所有轨迹段的长度之和，其中

是

轨迹段的长度。L(D|H)由公式2给出，表示原始轨迹和分段轨迹之间的差异，其中d_⊥和d_θ表示两个轨迹段之间的垂直距离和角度距离。

找到最佳轨迹分段即为找到一个使uL(H)+vL(D|H)(u，v≥0，且u，v为实数)最小的轨迹分段。当u/v＞1时，我们得到的最佳分段简洁性较高，精确性低。考虑极端情况，当u/v→∞，即v＝0时，此时得到的轨迹分段即为原始轨迹起点和终点的连线，这种情况下简洁性最高而精确性最低；当u/v＜1时，我们得到的最佳分段精确性高，而简洁性低。考虑极端情况，当u/v＝0即u＝0时，此时得到的轨迹分段即为原始轨迹，这种情况下精确性最高而简洁性最低。考虑由轨迹t_i中所有点组成的一个无向完全图G_i，其中边p_ip_j的权重w(p_ip_j)由uL(H)+vL(D|H)计算得出，则求最佳分段相当于求图G_i中，以p₁为起点，

为终点的最短路径，即该最短路径就是对该轨迹的最佳分段。因此，可以使用著名的Dijkstra算法求得最佳分段。

图5展示了将最佳分段问题转化为最短路径问题的一个示例。图5(a)为一条包含了4个点的轨迹，任意给定该轨迹的两个点，都可以求出这两点的L(H)和L(D|H)。因此，对于图5(b)中的无向完全图，每条边上的权重L(H)+L(D|H)都可以计算出。从而，根据PMDL求出的最佳分段，也就是图5(b)中无向完全图从点p₁到点p₄的最短路径。

根据上述思路，可对原始轨迹进行最佳分段表示，该过程削弱了相似轨迹之间的差异性，同时也保留了原始轨迹的重要特征。

2.将一维轨迹序列转换为二维轨迹图像

该步骤对上一步得到的分段表示的轨迹进行进一步处理，用尽可能小的网格将其表示成黑白像素图像，作为最终的模型输入。这样不仅在一定程度上克服了轨迹数据稀疏，还减少了图像转换过程中的信息丢失。

该过程提出了一种轨迹的像素化表示方法(PRT)。PRT方法首先找到一个能表示出每条轨迹的正方形区域，将该区域划分为M×M的网格，可以用一个M×M的矩阵G表示，根据每条轨迹中采样点的经纬度坐标，找到其在矩形区域中所对应的方格，每个方格对应于像素矩阵G中的元素，轨迹经过的方格值设为1，否则设为0。PRT算法的伪代码如下所示，其中正方形区域边长M＝0.04，方格边长L＝2×10^-4。算法第1-17行，对原始轨迹tra_i，j插入新的点，得到新的轨迹数据

插入点的方法如算法2-16行所示，对于原始轨迹tra_i，j中每连续两个点

以

为起点，每次沿

移动L步长，得到新的点，直到移动的距离超过

和

之间的距离，将

和新生成的点加入到

中。最终得到的轨迹

保留了原始轨迹的形状，同时通过插入新的点使得轨迹包含的点更加密集，从而可以根据

的点来计算原始轨迹经过了哪些方格。算法第19-22行，对

中的每一个点

计算该点所在的网格位置(c_x，c_y)，同时将G中对应位置的元素设为1，最终得到了表示原始轨迹的像素矩阵。

轨迹的像素化表示方法(PRT)具体描述如下：

3.局部图像的提取和标签添加

为了实现目的地预测，需要通过学习历史轨迹的特征，来对未知轨迹进行匹配，从而确定查询轨迹的最终目的地坐标。当查询轨迹与历史轨迹进行匹配时，存在以下几种可能：

(1)整条查询轨迹段与历史轨迹的某一部分完全相似，目的地很可能相同；

(2)查询轨迹段与历史轨迹的出发点附近或者中间部分相似，但最终的目的地不同；

(3)查询轨迹与历史轨迹前端部分不同，但终点附近轨迹相似，目的地可能相同。

考虑以上三种情况，直接将数据集中整段轨迹的图像输入到分类器进行学习是不合理的。这是因为，终点相同的两条轨迹，其整体相似度不一定很高；反之，相似度较高的两条轨迹目的地未必相同。

因此，该步骤从轨迹中提取出对最终预测结果影响较大的部分，而不是将整段轨迹作为特征输入到模型中进行学习。通过验证不同特征对最终预测结果的影响程度可知，靠近起始点和终点的局部区域对预测结果有更大的决定作用。这也正与常识相符，起始点在某种程度上显示出旅途的动机；靠近终点的轨迹显示目的地的趋向。因此，将轨迹起点和终点附近的局部区域图像作为最终的输入图片。

此外，预测任务要求在已知部分轨迹段的情况下，预测出该轨迹的最终目的地坐标。如果直接对目的地经纬度进行预测，在神经网络中即输出层由两个神经元组成，由于模型输入的信息量有限，不能通过卷积神经网络解决。本发明采用一种不同于传统的解决方法，首先对训练集轨迹终点进行mean-shift聚类，将每个簇的聚类中心作为该簇中所有轨迹的目的地坐标，相当于为每条轨迹加上标签；然后对查询轨迹进行有监督训练。这样就避免了直接对目的地坐标的预测，将无标签的轨迹终点预测问题，巧妙地转换为有标签的分类问题，这降低了预测难度，提升了算法的预测效果。

4.基于卷积神经网络(CNN)的目的地预测

本发明通过设计一个CNN模型，对轨迹图像进行高阶特征的提取和目的地的预测。CNN结构如图6所示。由两层卷积层，两层池化层，两层全连接层和一层输出层组成，其中每个池化层直接连接在卷积层之后。详细参数如表1所示。输入是大小为60×60的双通道轨迹图片，分别代表起点和终点附近所截取的区域。输入图片经过卷积层Conv1大小为5×5，步长为1的卷积核处理，得到16个大小为56×56的特征映射。池化层MaxPool1通过大小为2×2，步长为2的过滤器，使用最大池化提取出最显著的特征。后两层Conv1，MaxPool1的操作与前两层相同。最终提取的特征依次与包含100个神经元和50个神经元的两层全连接层FC1，FC2相连接，最后通过一个Softmax函数区分出各个类别。

表1 CNN相关参数取值

Claims (2)

1.一种基于卷积神经网络的移动对象目的地预测方法，其主要特征包括如下步骤：

(1)提出参数化最小描述长度策略PMDL，对原始轨迹进行最优分段表示，在最大程度保留原始轨迹特征的情况下，减少相似轨迹之间的差异性并增加不同轨迹之间的差异程度；

所述参数化最小描述长度策略PMDL，其实现方法包括：

(11)PMDL原理通过最小化uL(H)+vL(D|H)(u，v≥0，且u，v为实数)的值，来得到最佳的分段表示；

(12)给定一条轨迹

和特征点集合

PMDL包含两部分，L(H)表示轨迹分段中所有轨迹段的长度之和，由公式1给出，其中

是

轨迹段的长度；L(D|H)表示原始轨迹和分段轨迹之间的差异，由公式2给出，其中d_⊥和d_θ表示两个轨迹段之间的垂直距离和角度距离：

(13)将轨迹t_i中所有点组成的一个无向完全图G_i，其中边p_ip_j的权重w(p_ip_j)由uL(H)+vL(D|H)计算得出；求最佳分段表示，即使用Dijkstra算法求图G_i中，以p₁为起点，以

为终点的最短路径；

(2)提出一种轨迹像素化表示方法PRT，将一维轨迹序列转换为二维像素图片格式，并用M×M的像素矩阵G对其进行表示；

所述轨迹像素化表示方法PRT，其实现方法包括：

首先找到一个能表示出每条轨迹的正方形区域，将该区域划分为M×M的网格，用一个M×M的矩阵G表示，根据每条轨迹中采样点的经纬度坐标，找到其在矩形区域中所对应的方格，每个方格对应于像素矩阵G中的元素，轨迹经过的方格值设为1，否则设为0，得到了表示原始轨迹的像素矩阵，并用网格将其表示成了黑白像素图像；

(3)对转换后的轨迹图像进行局部重要特征的提取和目的地标签的添加；

(4)从轨迹图像中提取重要特征部位作为后续模型的输入，为每个轨迹图像添加相应的标签；

(5)构建一个卷积神经网络CNN，对轨迹的高阶特征进行提取；

(6)利用卷积神经网络CNN对目的地进行预测。

2.根据权利要求1所述的基于卷积神经网络的移动对象目的地预测方法，其特征在于，步骤(1)(2)(3)的处理，有效解决了目的地预测中的数据稀疏问题，具体实现方法包括：

(31)根据参数化最小描述长度策略PMDL得到轨迹的最优分段表示；

(32)找到一个能表示出每条轨迹的正方形区域，将该区域划分为M×M的尽可能小的网格，用一个M×M的矩阵G表示，根据每条分段表示的轨迹中采样点的经纬度坐标，找到其在矩形区域中所对应的方格，每个方格对应于像素矩阵G中的元素，轨迹经过的方格值设为1，否则设为0，得到的矩阵即为轨迹的像素矩阵；

(33)从轨迹图像中截取重要特征部位作为卷积神经网络的最终输入。

Images