CN110675632B - 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 - Google Patents

Abstract

本发明属于智能交通控制领域，具体涉及一种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，该方法包括：获取数据源；对得到数据进行处理，得到多特征空间向量模型；根据多特征空间向量构建多特征空间预测模型；将多特征空间预测模型进行融合得到最后的预测模型；获取融合后的预测结果，得到下一时段的哪些卡口会比较拥堵的信息，将这个信息发送给将要行驶到这个卡口的车辆中，改变车辆行驶的路线；本发明将多个轨迹特征空间以向量的形式表示出来，从多个角度挖掘轨迹的变化趋势，减小了数据误差。

Description

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

技术领域

本发明属于智能交通控制领域，具体涉及一种针对多特征空间和数据稀疏的车辆短时轨迹预控制方法。

背景技术

随着现代化的发展，汽车已经成为城市交通系统中最重要的组成部分。交通拥挤、交通安全和环境污染已成为交通建设规划中亟待解决的问题，传统的思维方式已经无法解决这些问题。伴随地理信息、通信、传感器和计算机技术等科学技术的飞速发展，车联网引起了业界的广泛关注。车联网是一种具有信息服务、促进节能减排、保障行车安全等功能的物联网，是物联网在城市交通网络中的具体应用。作为车联网中的重要研究分支，短时轨迹预测控制在智能交通中扮演着重要角色，承担着协助指导城市交通的重要责任，是当前智能交通领域的一个研究热点。因此，对轨迹进行短时预测并进一步控制具有重要意义。

目前，针对城市交通的短时轨迹预测控制中，多数研究主要从时空特性展开，结合轨迹数据的周期性特点进行短时轨迹预测控制，例如专利申请号为CN201711099729.9的《一种基于大数据进行车辆轨迹预测的方法》，这篇专利提出了一种从车辆的历史轨迹中存在的时空特性，并从此特性出发建立预测模型来实现对轨迹的短时预测；通过这种方法降低了对工作人员的经验要求，并且在预测车辆轨迹的同时预测时间，将结构化和非结构化数据统一处理，提高了工作效率。

但是这种方法在实际种会存在数据丢失的情况，造成数据的稀疏性问题；同时对轨迹特征的并没有进行完整的表示，预测方法难以利用轨迹数据间的相似性特点，导致了预测有偏差，给轨迹精准预测带来了困难。

发明内容

为解决上现有技术的问题，本发明提出了一种针对多特征空间和数据稀疏的车辆短时轨迹预控制方法，该方法步骤如下：

S1：获取数据源；

S2：对得到数据进行处理，得到多特征空间向量模型；多特征空间向量模型包括车辆轨迹整体偏好特征空间模型，车辆轨迹时序特征空间模型以及卡口节点特征空间模型；

S3：根据多特征空间向量模型构建多特征空间预测模型；构建的预测模型包括轨迹整体偏好特征空间预测模型，轨迹时序特征空间预测模型以及卡口节点特征空间预测模型；

S4：将轨迹整体偏好特征空间预测模型，轨迹时序特征空间预测模型以及卡口节点特征空间预测模型进行融合，得到最后的预测模型；

S5：获取融合后的预测结果，得到下一时段的哪些卡口交通拥堵的信息，将这个信息发送给将要行驶到这个卡口的车辆用户，改变车辆的行驶路线。

优选的，获取的数据源包括过车车牌，卡口名称与位置，并对数据源重复的数据以及无效的数据进行清洗。

优选的，车辆轨迹整体偏好特征空间模型的构建包括：获取车辆用户驾驶的完整轨迹；将每条完整的轨迹作为独立的数据，并将数据用向量的形式表示；车辆轨迹整体偏好特征空间模型表达式为：y＝b+Uh(w_t-k，...，w_t+k，W)。

优选的，车辆轨迹时序特征空间模型由轨迹生成模型与车辆轨迹判别模型组成，其构建步骤包括：选取车辆轨迹集合T1＝[p₁，p₂，...，p_n]，建立轨迹生成模型G；对原始轨迹的时序数据进行采样，并将采样的数据输入到轨迹生成模型G中，生成轨迹时序数据；将任意的车辆轨迹p输入到车辆轨迹判别模型D_p中，D_p会输出一个0～1之间的实数；根据得到的实数判断这条轨迹为真实轨迹数据的概率；车辆轨迹判别模型的目标函数为

根据车辆轨迹判别模型，优化生成对抗模型，优化后的表达式为：

优选的，针对轨迹序列数据的稀疏性，采用生成对抗模型的优化函数对轨迹数据进行增强补偿。

优选的，卡口节点特征空间模型的构建包括：分析每个卡口节点在整个路网结构中所处的空间位置以及相互之间的联系，对单个卡口特征进行向量表示；对卡口节点进行编号，{p₁，p₂，...，p_k}＝{(n₁，t₁)，(n₂，t₂)，...，(n_k，t_k)}；计算任意卡口节点在未来短时的趋势中出现的概率P(p_i)。

优选的，所述轨迹整体偏好特征空间预测模型，轨迹时序特征空间预测模型以及卡口节点特征空间预测模型进行融合包括：构建池化网络，对轨迹整体偏好特征空间预测轨迹趋势矩阵P、轨迹时序特征空间预测轨迹趋势矩阵T以及卡口节点特征矩阵预测轨迹趋势矩阵S进行池化融合：F＝maxPool(P，T，S)，得到最终的轨迹预测结果。

本发明针对轨迹序列只是对其中个别属性进行特征分析的问题，将多个轨迹特征空间以向量的形式表示出来，从多个角度挖掘轨迹的变化趋势，减小了数据误差；本发明运用生成式对抗网络的迭代思想，对原始轨迹序列进行采样从而生成轨迹序列数据，解决了轨迹数据稀疏性的问题；本发明在进行轨迹预测时，针对每个特征空间分别对轨迹趋势做出预测，再通过池化融合的思想，融合多特征空间的预测轨迹趋势，形成最终的预测结果，提高预测的准确度。

附图说明

图1为本发明的总体流程图；

图2为本发明的学习算法流程图。

图3为本发明的多特征空间向量表示构建图；

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。

如图1所示，本发明共有四大模块，包括：获取数据模块，多特征空间表示模块，单特征空间预测模块，多特征空间融合预测模块。

本发明为一种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，如图2所示，该方法步骤为：

S1：获取数据源；

S2：对得到数据进行处理，得到多特征空间向量模型；多特征空间向量模型包括车辆轨迹整体偏好特征空间模型，车辆轨迹时序特征空间模型以及卡口节点特征空间模型；

S3：根据多特征空间向量模型构建多特征空间预测模型；构建的预测模型包括轨迹整体偏好特征空间预测模型，轨迹时序特征空间预测模型以及卡口节点特征空间预测模型；

S4：将轨迹整体偏好特征空间预测模型，轨迹时序特征空间预测模型以及卡口节点特征空间预测模型进行融合，得到最后的预测模型；

S5：获取融合后的预测结果，得到下一时段的哪些卡口交通拥堵的信息，将这个信息发送给将要行驶到这个卡口的车辆用户，改变车辆的行驶路线。

所述步骤S1中获取数据源为从现有的交通大数据开源平台或者从交通管理部门获取；其中包括：

S11：获取各卡口在不同时间点的过车数据，包括过车车牌，卡口名称与位置；

S12：对过车数据进行预处理，即对数据源重复的数据以及无效的数据进行清洗。

如图3所示，步骤S2中构建多特征空间向量模型包括：

S21：根据获取的数据源构建车辆轨迹整体特征空间模型；根据车辆轨迹的独立性以及顺序性，轨迹的趋势之间具有相似性且在时间上存在有序性；为了分析预测轨迹的趋势，对轨迹整体特征进行向量表示；

S211：构建车辆轨迹整体偏好特征空间模型；车辆用户通常会有自己的驾驶偏好特征以及行驶某条路线的习惯，从而形成具体某条完整的轨迹；将每条完整的轨迹当作每一条独立的句子，从而将每个句子表示为特征向量空间中的向量形式，即车辆轨迹整体偏好特征空间模型的表达式为：

y＝b+Uh(w_t-k，...，w_t+k，W)

其中，w表示轨迹中的每个具体的卡口节点，b表示每条独立轨迹的索引，y表示每条完整轨迹所形成的向量，W代表的是整体一共有t个卡口节点，而每条轨迹含有k个卡口节点，U表示softmax函数的参数，softmax是一个可以把连续的数输出成一个在0到1之间的数，h表示将时间段为(t-k，t+k)时段的卡口节点级联。

S212：构建车辆轨迹时序特征空间模型；使用生成式对抗网络来对轨迹时序数据进行生成，选取车辆轨迹集合T1＝[p₁，p₂，...，p_n]，建立轨迹生成模型G(z)，z表示原始轨迹时序数据随机采样后所得数据，模型G将随机采样数据z生成为轨迹时序数据；D是一个车辆轨迹判别模型，对任意的输入轨迹p，D_p会输出一个0～1之间的实数，用这个实数判断来自真实轨迹数据的概率；P_d和P_g分别表示真实轨迹数据与生成轨迹数据的分布，判别模型的目标函数为：

整个生成对抗模型的优化函数可表示为：

其中，p表示车辆生成的轨迹，D表示判别模型，D(p)表示车辆轨迹输入到判别模型中并输出结果，E表示期望，z表示原始轨迹时序数据随机采样后所得数据，P_d表示判别模型的车辆轨迹数据分布，P_g表示生成模型的车辆轨迹数据分布，

表示采样后的数据z在判别模型的车辆轨迹数据分布P_d的总期望，

表示采样后的数据z在生成模型的车辆轨迹数据分布P_g的总期望。

针对轨迹序列数据的稀疏性，采用生成对抗模型的优化函数对轨迹数据进行增强补偿。

S22：根据获取的数据源构建卡口节点特征空间模型；根据轨迹在时间顺序上依次经过的卡口节点，分析每个卡口节点在整个路网结构中所处的空间位置以及相互之间的联系，对单个卡口特征进行向量表示；在整个道路拓扑结构中，对于任意的卡口节点有{p₁，p₂，...，p_k}＝{(n₁，t₁)，(n₂，t₂)，...，(n_k，t_k)}；任意卡口节点在未来短时的趋势中出现的概率为：

考虑条件概率计算的复杂性，我们可以近似的认为，当前卡口的出现概率只与其直接前驱n个卡口节点存在关联，即：

P(p_k|p₁，p₂...，p_k-1)≈P(p_k|p_k-n，p_k-n+1...，p_k-1)

因此，轨迹中的下个卡口节点p_i出现的概率可表示为：

其中，n表示卡口节点的编号，n_k表示第k个卡口的编号，t_k表示车辆轨迹出现在第k个卡口的时间，p_i代表车辆在某时刻t经过第i个卡口节点。

步骤S3中根据多特征空间向量构建多特征空间预测模型包括：

S31：采用长短时记忆循环神经网络(LSTM)对车辆轨迹整体偏好特征空间模型以及轨迹时序特征空间模型分别建立对应的车辆轨迹整体偏好特征空间预测模型和轨迹时序特征空间预测模型进行轨迹趋势的预测；其中，伴随轨迹序列的增长，交通卡口之间间隔增大，LSTM使用输入门、遗忘门和输出门选择性保存轨迹序列信息，通过输入门、遗忘门和输出门，LSTM可以选择性记忆轨迹序列的相关上下文信息，从而解决长时间序列中存在的梯度消失问题；

t时刻，遗忘门f读取上个隐藏层的输出h_t-1和当前输入x_t，并决定是否需要保留之前的隐藏层信息；输入门i决定需要让多少新信息加入到当前状态，对当前状态C_t-1进行更新；输出门o基于本隐藏层细胞状态确定输出值。遗忘门f根据上个隐藏层的输出以及轨迹序列的输入确定从细胞状态中需要保留的信息：

f_t＝σ(W_f×[h_t-1，x_t]+b_f)；

输入门i确定当前需要输入到细胞状态的信息：

i_t＝σ(W_i×[h_t-1，x_t]+b_i)

备选更新的细胞状态为：

而细胞状态最终更新过程由备选更新状态信息与上个细胞状态所保留的信息共同决定：

输出门o确定从细胞状态的输出信息：

o_t＝σ(W_o×[h_t-1，x_t]+b_o)

最后经过全连接层，对输出结果进行分类，分别得到对应轨迹整体偏好特征空间和轨迹时序特征空间的预测轨迹趋势；

其中，σ表示sigmoid激活函数，h_t-1代表上一时刻隐藏层的输出，x_t表示当前时刻的输入，b_f表示遗忘门的偏置，W_f表示遗忘门的求导计算过程，W_i表示输入门的求导计算过程，b_i表示输入门的偏置，

表示备选细胞状态，tanh表示tanh激活函数，b_C表示细胞状态的偏置，W_o表示输出门的求导计算过程，b_o表示输出门的偏置。

S32：采用卷积神经网络(CNN)对卡口节点特征空间模型建立卡口节点特征空间预测模型，对车辆轨迹趋势进行预测；其中，伴随轨迹序列的增长，交通卡口节点之间的关系变得更加错综复杂，简单的邻接矩阵已经不能较好的表达各卡口在空间上的复杂关系。为了能更好的学习到轨迹卡口节点的空间整体结构以及各卡口节点之间的多阶邻近关系，采用了CNN，使用卷积层、池化层以及全连接层对轨迹卡口的局部和整体的特征信息进行学习从而对轨迹趋势做出预测；

在卷积层输入轨迹卡口节点矩阵，然后对矩阵中每个可能的位置进行尝试，将特征进行卷积：

卷积过程的损失函数定义为：

为了有效减少计算量，只保留卡口节点的重要信息，对卷积后的信息进行下采样：

δ^l＝down(δ^l-1)

并进行最大池化操作：

L＝maxPool(x_i)

将池化的信息“扁平化”，将多维数组压缩成一维数组，经过全连接层，再使用SoftMax函数归一化处理得出对应卡口节点特征空间的预测轨迹趋势；

其中，

表示卡口节点向量矩阵在第1层神经元的输出，i和j表示向量x的行和列，l表示第l层的卷积层，

表示第l层神经元的输入，p和q表示计数，S表示对所有的元素进行卷积的次数，b^(l)表示第l层神经元的偏置项的偏导数，J(k，b，x，y)代表轨迹预测模型所采用的损失函数，k表示从上一层神经网络映射到下一次神经网络的权值矩阵，b表示与k对应的偏移值，x代表输入的轨迹卡口节点向量，y表示与输入所对应的轨迹趋势卡口节点向量，δ^l表示对J(k，b，x，y)求取偏导数，L表示进行最大池化操作后的权值矩阵，maxPool表示所进行的最大池化操作。

步骤4中将预测模型进行融合包括构建池化网络，对轨迹整体偏好特征空间预测轨迹趋势矩阵P、轨迹时序特征空间预测轨迹趋势矩阵T以及卡口节点特征矩阵预测轨迹趋势矩阵S进行池化融合：F＝maxPool(P，T，S)，得到最终的轨迹预测结果。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种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，其特征在于，所述方法步骤为：

S1：获取数据源；

S2：对得到数据进行处理，得到多特征空间向量模型；所述多特征空间向量模型包括车辆轨迹整体偏好特征空间模型、车辆轨迹时序特征空间模型以及卡口节点特征空间模型；

S3：根据多特征空间向量模型构建多特征空间预测模型；构建的预测模型包括轨迹整体偏好特征空间预测模型、轨迹时序特征空间预测模型以及卡口节点特征空间预测模型；

S4：构建池化网络，将根据多特征空间预测模型得到的对轨迹整体偏好特征空间预测轨迹趋势矩阵P、轨迹时序特征空间预测轨迹趋势矩阵T以及卡口节点特征矩阵预测轨迹趋势矩阵S进行池化融合：F＝maxPool(P，T，S)，得到最终的轨迹预测结果；

S5：获取融合后的预测结果，得到下一时段的卡口交通拥堵的信息，将这个信息发送给将要行驶到卡口的车辆用户，用于调整车辆的行驶路线。

2.根据权利要求1所述的一种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，其特征在于，所述车辆轨迹整体偏好特征空间模型的构建包括：

步骤1：获取车辆用户驾驶的完整轨迹；

步骤2：将每条完整的轨迹作为独立的数据，并将数据用向量的形式表示；

步骤3：根据获取的数据构建车辆轨迹整体偏好特征空间模型，车辆轨迹整体偏好特征空间模型表达式为：y＝b+Uh(w_t-k，...，w_t+k，W)；

其中，w表示轨迹中的每个具体的卡口节点，b表示每条独立轨迹的索引，y表示每条完整轨迹所形成的向量，W代表的是整体一共有t个卡口节点，U为softmax函数的参数，h表示将时间段为(t-k，t+k)时段的卡口节点级联。

3.根据权利要求1所述的一种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，其特征在于，所述车辆轨迹时序特征空间模型由轨迹生成模型与车辆轨迹判别模型组成，其构建步骤包括：

步骤1：选取车辆轨迹集合T1＝[p₁，p₂，...，p_n]，建立轨迹生成模型G；

步骤2：对原始轨迹的时序数据进行采样，并将采样的数据输入到轨迹生成模型G中，生成轨迹时序数据；

步骤3：将任意的车辆轨迹p输入到车辆轨迹判别模型D(p)中，D(p)会输出一个0～1之间的实数；

步骤4：根据得到的实数判断这条轨迹为真实轨迹数据的概率；车辆轨迹判别模型的目标函数为：

步骤5：根据车辆轨迹判别模型，优化生成对抗模型，优化后的表达式为：

其中，p表示车辆生成的轨迹，D表示判别模型，D(p)表示车辆轨迹输入到判别模型中并输出结果，E表示期望，z表示原始轨迹时序数据随机采样后所得数据，P_d表示判别模型的车辆轨迹数据分布，P_g表示生成模型的车辆轨迹数据分布，

表示采样后的数据z在判别模型的车辆轨迹数据分布P_d的总期望，

表示采样后的数据z在生成模型的车辆轨迹数据分布P_g的总期望。

4.根据权利要求1所述的一种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，其特征在于，所述卡口节点特征空间模型的构建包括：

步骤1：分析每个卡口节点在整个路网结构中所处的空间位置以及相互之间的联系，对单个卡口特征进行向量表示；

步骤2：对卡口节点进行编号，{p₁，p₂，...，p_k}＝{(n₁，t₁)，(n₂，t₂)，...，(n_k，t_k)}；

步骤3：计算任意卡口节点在未来短时的趋势中出现的概率

步骤4：根据当前卡口的出现概率与直接前驱n个卡口节点的关联性得到

P(p_k|p₁，p₂...，p_k-1)≈P(p_k|p_k-n，p_k-n+1...，p_k-1)

步骤5：车辆出现在下一卡口节点的概率为

其中，n表示卡口节点的编号，n_k表示第k个卡口的编号，t_k表示车辆轨迹出现在第k个卡口的时间，p_i代表车辆在某时刻t经过第i个卡口节点。

5.根据权利要求1所述的一种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，其特征在于，多特征空间预测模型包括：

S31：采用长短时记忆循环神经网络的方法建立对应的车辆轨迹整体偏好特征空间预测模型和轨迹时序特征空间预测模型，对车辆轨迹趋势进行预测；

S32：采用卷积神经网络的方法建立卡口节点特征空间预测模型，对车辆轨迹趋势进行预测。

6.根据权利要求5所述的一种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，其特征在于，所述长短时记忆循环神经网络通过使用输入门、遗忘门和输出门选择性保存轨迹序列信息，保存轨迹序列步骤包括：

S311：在当前时刻t，遗忘门f读取隐藏层的输出h_t-1和当前的输入x_t，并决定是否保留之前的隐藏层信息；细胞信息状态为C_t-1；

S312：遗忘门f根据输出h_t-1和输入x_t确定保留信息f_t；

S313：输入门i确定当前需要输入到细胞状态的信息i_t；且备选细胞更新的细胞状态为

细胞最终更新状态为

S314：输出门o确定从细胞状态的输出信息o_t；

S315：输出门的信息经过全连接层输出后，对输出结果进行分类，分别得到车辆轨迹整体偏好特征空间的预测轨迹和轨迹时序特征空间的预测轨迹。

7.根据权利要求5所述的一种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，其特征在于，步骤32包括：

S321：在卷积层输入车辆轨迹卡口节点矩阵；

S322：对矩阵中的每个数与卡口节点特征空间向量进行卷积，卷积过程中的损失函数为：

S323：保留卡口节点中的重要信息，对卷积后的信息进行采样：δ^l＝down(δ^l-1)，并进行最大池化处理：L＝maxPool(x_i)；

S324：将池化的信息“扁平化”，即将多维数组压缩成一维数组，经过全连接层后再使用SoftMax函数归一化处理，得到对应卡口节点特征空间的预测轨迹趋势；

其中，J(k，b，x，y)代表轨迹预测模型所采用的损失函数，k表示从上一层神经网络映射到下一次神经网络的权值矩阵，b表示与k对应的偏移值，x代表输入的轨迹卡口节点向量，y表示与输入所对应的轨迹趋势卡口节点向量，

表示卡口节点向量矩阵在第l层神经元的输出，δ^l表示对J(k，b，x，y)求取偏导数，L表示进行最大池化操作后的权值矩阵，maxPool表示所进行的最大池化操作，x_i表示第i个卡口节点的进行采样的信息。

Images