CN112052339A - 基于知识图谱的目标轨迹预测方法、系统及存储介质 - Google Patents
基于知识图谱的目标轨迹预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112052339A CN112052339A CN202010720917.4A CN202010720917A CN112052339A CN 112052339 A CN112052339 A CN 112052339A CN 202010720917 A CN202010720917 A CN 202010720917A CN 112052339 A CN112052339 A CN 112052339A
- Authority
- CN
- China
- Prior art keywords
- target
- action track
- prediction model
- information
- track prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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"
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Abstract
本发明公开了一种基于知识图谱的目标轨迹预测方法、系统及存储介质,基于知识图谱的目标轨迹预测方法包括以下步骤,利用采集设备采集的信息,并获取采集区域的地图信息,构建预设时间间隔对应的若干知识图谱子图;基于所述知识图谱子图,输入所述目标的特征信息,筛选出所述知识图谱子图中与目标相关的节点,并还原目标的历史行动轨迹;基于所述目标的历史行动轨迹和所述采集设备采集的信息,建立初始行动轨迹预测模型;对所述初始行动轨迹预测模型进行训练,得到当前的行动轨迹预测模型;将目标当前的行动轨迹特征和所述目标所在的环境信息输入所述当前的行动轨迹预测模型中,以使所述当前的行动轨迹预测模型输出目标的未来的行动轨迹。
Description
技术领域
本发明涉及行动轨迹预测技术领域,尤其涉及一种基于知识图谱的目标轨迹预测方法、系统及存储介质。
背景技术
近年来,随着科技的发展和人们生活质量的不断提高,越来越多的城市致力于建设智能化城市,以进一步改善居民的生活环境。其中,智能交通已成为智能化城市不可或缺的组成部分。
而智能交通的实现又依赖于对环境中的目标物的运动行动轨迹的预测。现有技术中对目标物的运动行动轨迹的预测方法主要是将目标物抽象为一个可移动的点,然后根据该点的历史位置预测出该点下一时刻的位置,进而根据预测出的该点下一时刻的位置,绘制该目标物在下一时刻的运动行动轨迹。
显然,现有技术中“将目标物抽象为一个可移动的点”的过程忽略了该目标物的自身的至少部分特征,并且忽略了该目标物所处环境的环境特征,减少了预测过程可供使用的信息,进而降低了预测的实时性和精度。
发明内容
本发明的主要目的在于提供一种基于知识图谱的目标轨迹预测方法、系统及存储介质,旨在解决目前的行动轨迹预测方法实时性和精度较低的问题。
为实现上述目的,本发明提供的一种基于知识图谱的目标轨迹预测方法,包括以下步骤:
利用采集设备采集的信息,并获取采集区域的地图信息,构建预设时间间隔对应的若干知识图谱子图;
基于所述知识图谱子图,输入所述目标的特征信息,筛选出所述知识图谱子图中与目标相关的节点,并还原目标的历史行动轨迹;
基于所述目标的历史行动轨迹和所述采集设备采集的信息,建立初始行动轨迹预测模型;
对所述初始行动轨迹预测模型进行训练,得到当前的行动轨迹预测模型;
将目标当前的行动轨迹特征和所述目标所在的环境信息输入所述当前的行动轨迹预测模型中,以使所述当前的行动轨迹预测模型输出目标的未来的行动轨迹。
在本申请的一实施例中,采集设备采集的信息至少包括主体出现的时间信息、主体所在的地理位置信息和主体所在的环境信息。
在本申请的一实施例中,还原目标的历史行动轨迹,进一步包括以下步骤;
基于所述目标出现的时间信息,计算任意所述与目标相关的节点的出现的时间之差;
基于所述时间之差,计算目标通过对应的两节点间的理论行动速度;
基于所述时间之差和所述理论行动速度,完善历史行动轨迹的信息。
在本申请的一实施例中,所述初始行动轨迹预测模型至少包括所述各知识图谱子图对应的历史行动轨迹和对应的所述目标所在的环境信息。
在本申请的一实施例中,对所述初始行动轨迹预测模型进行训练,进一步包括下述步骤:
对所述目标的地理位置信息进行GeoHash编码;
计算各知识图谱子图对应的历史行动轨迹间的距离;
计算所述目标的当前的行动轨迹分别与所述目标的历史行动轨迹间的相似度;
判断所述相似度是否达到预设的第一相似度阈值,若所述相似度达到预设的第一相似度阈值,则基于当前的行动轨迹信息对所述初始行动轨迹预测模型或当前的行动轨迹预测模型进行补全,以更新所述初始行动轨迹预测模型或当前的行动轨迹预测模型;若所述相似度没有达到预设的第一相似度阈值,且低于预设的第二相似度阈值,则保留所述目标的当前的行动轨迹,以更新所述初始行动轨迹预测模型或当前的行动轨迹预测模型;否则,维持所述初始行动轨迹预测模型或当前的行动轨迹预测模型。
本发明还提供了一种实现上述的基于知识图谱的目标轨迹预测方法的系统,包括:
构建模块,用于基于所述采集设备所采集的信息和所述采集区域的地图构建所述知识图谱子图;
还原模块,用于筛选出所述知识图谱子图中与目标相关的节点,并还原目标的历史行动轨迹;
训练模块,用于建立初始行动轨迹预测模型,并对其进行训练更新;
输出模块,用于根据目标当前的行动轨迹特征或所述目标所在的环境信息,输出所述目标的未来的行动轨迹。
本发明还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行如任一项上述的方法。
本发明具有如下有益效果:通过计算出目标的当前行动轨迹与该目标的所有历史行动轨迹的相似度,继而根据匹配到的相似度高的历史行动轨迹,以实现未来时刻的行动轨迹预测,具有实时性高,精度高的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的示例性的实施例,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示出的结构获得其他的附图,其中:
图1为本发明实施例一种基于知识图谱的目标轨迹预测方法的流程示意图;
图2为本发明实施例一种基于知识图谱的目标行动轨迹预测系统的结构示意图。
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的示例性的实施例,而不是唯一的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
如图1所示,一种基于知识图谱的目标轨迹预测方法,包括以下步骤:
S10利用采集设备采集的信息,并获取采集区域的地图信息,构建预设时间间隔对应的若干知识图谱子图。
具体地,通过采集设备采集主体的信息,主体可以为人脸信息和车牌信息。采集设备采集的信息至少包括主体出现的时间信息、主体所在的地理位置信息和主体所在的环境信息,采集目标出现的时间信息和地理位置信息主要用于对目标的行动轨迹进行还原。基于采集设备采集的信息以及采集区域的高精度地图,构建预设时间间隔对应的若干知识图谱子图,预设的时间间隔根据实际情况设定,例如时间间隔为1天,通过构建每天对应的知识图谱子图,知识图谱子图包括表征各主体的节点、表征采集设备的节点以及连接各节点的边。采集区域的地图信息与知识图谱子图进行映射,以通过知识图谱子图判断各节点的距离、通过知识图谱子图记录当前主体所在的环境信息等。
S20基于所述知识图谱子图,输入所述目标的特征信息,筛选出所述知识图谱子图中与目标相关的节点,并还原目标的历史行动轨迹。
具体地,由于知识图谱子图中的节点表征采集设备的信息以及采集设备所采集的主体的信息,通过输入目标的已知的特征信息,并将该特征信息与节点存储的信息进行比较,以筛选出所述知识图谱子图中与目标相关的节点,即表征目标的节点。基于节点所存储的目标出现的时间信息,初步还原目标的历史行动轨迹。
S21基于所述目标出现的时间信息,计算任意与目标相关的节点间的出现的时间之差;
具体地,由于知识图谱子图中表征目标的节点对应地存储有出现的时间,故根据该时间,计算任意与目标相关的节点间的出现的时间之差。
S22基于所述时间之差,计算目标通过对应的两节点间的理论行动速度;
具体地,可以从知识图谱子图获取两节点间的距离,也可以根据节点的位置信息计算任意两节点间的距离,并根据两节点间的距离以及两节点的出现的时间之差,计算目标通过对应的两节点间的理论行动速度。
S23基于所述时间之差和所述理论行动速度,完善历史行动轨迹的信息。
具体地,基于两节点的出现的时间之差以及理论行动速度,完善历史行动轨迹的信息,有利于提高对行动轨迹预测的准确性。由于采集设备的部署可能使得对主体的信息的采集存在一定的盲区,例如,当主体为车辆时,从A地到B地存在两条路径,但由于在部署采集设备时,仅在A地和B地部署了采集设备,而未在两条路径的分叉地点部署采集设备,故无法判断车辆选择了哪条路径,故根据时间之差、理论行动速度以及两条路径的实际路程,作出预判,以对知识图谱中的历史行动轨迹进行完善。
S30基于所述目标的历史行动轨迹和所述采集设备采集的信息,建立初始行动轨迹预测模型。
具体地,所述初始行动轨迹预测模型至少包括所述各知识图谱子图对应的历史行动轨迹、主体出现的时间信息、主体所在的地理位置信息和对应的所述目标所在的环境信息。当主体为车辆时,对应的所述目标所在的环境信息可以为周围的车流量等,由于目标周围的环境信息往往会影响目标对路径的选择,所以在初始行动轨迹预测模型中加入所述目标所在的环境信息非常必要。
S40对所述初始行动轨迹预测模型进行训练,得到当前的行动轨迹预测模型。
S41对所述目标的地理位置信息进行GeoHash编码。
S42计算各知识图谱子图对应的历史行动轨迹间的距离。
具体地,对目标的地理位置信息进行GeoHash编码,可根据编码的差值准确地判断各知识图谱子图对应的历史行动轨迹间的距离,以有效获取有价值的历史行动轨迹样本。在对目标的行动轨迹进行预测时,也可通过编码计算目标所在的地理位置与初始行动轨迹预测模型中的目标的地理位置间的偏移。
S43计算所述目标的当前的行动轨迹分别与所述目标的历史行动轨迹间的相似度。
具体地,利用相似度算法计算所述目标的当前的行动轨迹与初始行动轨迹预测模型中的历史行动轨迹间的相似度。
S44判断所述相似度是否达到预设的第一相似度阈值,若所述相似度达到预设的第一相似度阈值,则基于当前的行动轨迹信息对所述初始行动轨迹预测模型或当前的行动轨迹预测模型进行补全,以更新所述初始行动轨迹预测模型或当前的行动轨迹预测模型;若所述相似度没有达到预设的第一相似度阈值,且低于预设的第二相似度阈值,则保留所述目标的当前的行动轨迹,以更新所述初始行动轨迹预测模型或当前的行动轨迹预测模型;否则,维持所述初始行动轨迹预测模型或当前的行动轨迹预测模型。
具体地,第一相似度阈值和第二相似度阈值根据实际情况设置,当相似度达到预设的第一相似度阈值时,说明目标当前的行动轨迹与历史行动轨迹相同或相似,则根据目标当前的行动轨迹对初始行动轨迹预测模型或当前的行动轨迹预测模型进行补全;当相似度低于预设的第二相似度阈值时,说明目标当前的行动轨迹与历史行动轨迹均不同,则保留所述目标的当前的行动轨迹;当相似度处于预设的第一相似度阈值和所述的第二相似度阈值之间时,说明可能当前的行动轨迹的判断或相似度的计算存在较大误差,维持所述初始行动轨迹预测模型或当前的行动轨迹预测模型,即不对所述初始行动轨迹预测模型或当前的行动轨迹预测模型进行更新训练。
S50将目标当前的行动轨迹特征和所述目标所在的环境信息输入所述当前的行动轨迹预测模型中,以使所述当前的行动轨迹预测模型输出目标的未来的行动轨迹。
具体地,由于目标所在的环境信息往往影响着目标对路径的选择,因此,基于目标当前的行动轨迹特征和所述目标所在的环境信息,有利于提高判断目标的未来的行动轨迹的准确率。在将目标当前的行动轨迹特征和所述目标所在的环境信息输入所述当前的行动轨迹预测模型中后,当前的行动轨迹预测模型计算当前的行动轨迹与当前的行动轨迹预测模型中的历史行动轨迹间的相似度,并基于相似度最高的历史行为轨迹,输出目标的未来的行动轨迹。
本发明还提供了一种实现上述的基于知识图谱的目标轨迹预测方法的系统,如图2所示,包括:
构建模块,用于基于所述采集设备所采集的信息和所述采集区域的地图构建所述知识图谱子图;
还原模块,用于筛选出所述知识图谱子图中与目标相关的节点,并还原目标的历史行动轨迹;
训练模块,用于建立初始行动轨迹预测模型,并对其进行训练更新;
输出模块,用于根据目标当前的行动轨迹特征或所述目标所在的环境信息,输出所述目标的未来的行动轨迹。
本发明还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行如任一项上述的方法。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于知识图谱的目标轨迹预测方法,其特征在于,所述基于知识图谱的目标轨迹预测方法包括以下步骤:
利用采集设备采集的信息,并获取采集区域的地图信息,构建预设时间间隔对应的若干知识图谱子图;
基于所述知识图谱子图,输入所述目标的特征信息,筛选出所述知识图谱子图中与目标相关的节点,并还原目标的历史行动轨迹;
基于所述目标的历史行动轨迹和所述采集设备采集的信息,建立初始行动轨迹预测模型;
对所述初始行动轨迹预测模型进行训练,得到当前的行动轨迹预测模型;
将目标当前的行动轨迹特征和所述目标所在的环境信息输入所述当前的行动轨迹预测模型中,以使所述当前的行动轨迹预测模型输出目标的未来的行动轨迹。
2.根据权利要求1所述的基于知识图谱的目标轨迹预测方法,其特征在于,采集设备采集的信息至少包括主体出现的时间信息、主体所在的地理位置信息和主体所在的环境信息。
3.根据权利要求2所述的基于知识图谱的目标轨迹预测方法,其特征在于,还原目标的历史行动轨迹,进一步包括以下步骤;
基于所述目标出现的时间信息,计算任意所述与目标相关的节点的出现的时间之差;
基于所述时间之差,计算目标通过对应的两节点间的理论行动速度;
基于所述时间之差和所述理论行动速度,完善历史行动轨迹的信息。
4.根据权利要求3所述的基于知识图谱的目标轨迹预测方法,其特征在于,所述初始行动轨迹预测模型至少包括所述各知识图谱子图对应的历史行动轨迹和对应的所述目标所在的环境信息。
5.根据权利要求4所述的基于知识图谱的目标轨迹预测方法,其特征在于,对所述初始行动轨迹预测模型进行训练,进一步包括下述步骤:
对所述目标的地理位置信息进行GeoHash编码;
计算各知识图谱子图对应的历史行动轨迹间的距离;
计算所述目标的当前的行动轨迹分别与所述目标的历史行动轨迹间的相似度;
判断所述相似度是否达到预设的第一相似度阈值,若所述相似度达到预设的第一相似度阈值,则基于当前的行动轨迹信息对所述初始行动轨迹预测模型或当前的行动轨迹预测模型进行补全,以更新所述初始行动轨迹预测模型或当前的行动轨迹预测模型;若所述相似度没有达到预设的第一相似度阈值,且低于预设的第二相似度阈值,则保留所述目标的当前的行动轨迹,以更新所述初始行动轨迹预测模型或当前的行动轨迹预测模型;否则,维持所述初始行动轨迹预测模型或当前的行动轨迹预测模型。
6.一种实现如权利要求1-5任一项所述的基于知识图谱的目标轨迹预测方法的系统,其特征在于,包括:
构建模块,用于基于所述采集设备所采集的信息和所述采集区域的地图构建所述知识图谱子图;
还原模块,用于筛选出所述知识图谱子图中与目标相关的节点,并还原目标的历史行动轨迹;
训练模块,用于建立初始行动轨迹预测模型,并对其进行训练更新;
输出模块,用于根据目标当前的行动轨迹特征或所述目标所在的环境信息,输出所述目标的未来的行动轨迹。
7.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720917.4A CN112052339A (zh) | 2020-07-24 | 2020-07-24 | 基于知识图谱的目标轨迹预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720917.4A CN112052339A (zh) | 2020-07-24 | 2020-07-24 | 基于知识图谱的目标轨迹预测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112052339A true CN112052339A (zh) | 2020-12-08 |
Family
ID=73602760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010720917.4A Pending CN112052339A (zh) | 2020-07-24 | 2020-07-24 | 基于知识图谱的目标轨迹预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052339A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396254A (zh) * | 2020-12-11 | 2021-02-23 | 北京百分点信息科技有限公司 | 目的地预测方法、装置、介质及电子设备 |
CN116153084A (zh) * | 2023-04-20 | 2023-05-23 | 智慧互通科技股份有限公司 | 车辆流向预测方法、预测系统及城市交通信号机控制方法 |
-
2020
- 2020-07-24 CN CN202010720917.4A patent/CN112052339A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396254A (zh) * | 2020-12-11 | 2021-02-23 | 北京百分点信息科技有限公司 | 目的地预测方法、装置、介质及电子设备 |
CN116153084A (zh) * | 2023-04-20 | 2023-05-23 | 智慧互通科技股份有限公司 | 车辆流向预测方法、预测系统及城市交通信号机控制方法 |
CN116153084B (zh) * | 2023-04-20 | 2023-09-08 | 智慧互通科技股份有限公司 | 车辆流向预测方法、预测系统及城市交通信号机控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
CN111091708B (zh) | 车辆轨迹预测方法及装置 | |
JP6873519B1 (ja) | 軌跡予測方法及びシステム | |
CN112489426B (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
WO2018122803A1 (zh) | 一种智能化道路交通异常检测方法 | |
CN112052339A (zh) | 基于知识图谱的目标轨迹预测方法、系统及存储介质 | |
JP2017524902A (ja) | ナビゲーションシステムのルート計画の方法、装置及び記憶媒体 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
Necula | Dynamic traffic flow prediction based on GPS data | |
CN104900061A (zh) | 路段行程时间监测方法及装置 | |
CN113159403B (zh) | 路口行人轨迹预测的方法及装置 | |
CN112785077A (zh) | 基于时空数据的出行需求预测方法及系统 | |
CN111127891A (zh) | 一种基于浮动车轨迹大数据的路网核查方法 | |
US20190088116A1 (en) | Predicting vehicle travel times by modeling heterogeneous influences between arterial roads | |
CN114331206B (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
CN115586557A (zh) | 一种基于路网数据的车辆行驶轨迹纠偏方法及装置 | |
Chen et al. | Local path searching based map matching algorithm for floating car data | |
CN116698075A (zh) | 路网数据处理方法、装置、电子设备及存储介质 | |
CN115691140A (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN114999162A (zh) | 一种道路交通流量获取方法和装置 | |
CN112434228A (zh) | 一种移动目标轨迹位置预测方法 | |
Zhou et al. | a Method for Traffic Flow Forecasting in a Large-Scale Road Network Using Multifeatures | |
CN110795519A (zh) | 基于Markov模型和概率统计的位置预测方法及可读存储介质 | |
CN117150698B (zh) | 基于数字孪生的智慧城市网格对象构建方法与系统 | |
CN113903170B (zh) | 基于结构自适应自演化深度学习的大规模路网交通流预测方法 |
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 |