CN112085048A - 一种基于lstm自编码的车辆频繁轨迹识别方法及装置 - Google Patents
一种基于lstm自编码的车辆频繁轨迹识别方法及装置 Download PDFInfo
- Publication number
- CN112085048A CN112085048A CN202010698289.4A CN202010698289A CN112085048A CN 112085048 A CN112085048 A CN 112085048A CN 202010698289 A CN202010698289 A CN 202010698289A CN 112085048 A CN112085048 A CN 112085048A
- Authority
- CN
- China
- Prior art keywords
- track
- sequence
- sub
- lstm
- track sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000007621 cluster analysis Methods 0.000 claims abstract description 5
- 101100100125 Mus musculus Traip gene Proteins 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
一种基于LSTM自编码的车辆频繁轨迹识别方法及装置,方法包括:获得车辆的历史轨迹序列,将历史轨迹序列按照不同行程切割成多个子轨迹序列,对子轨迹序列通过进行规约处理,得到规约轨迹序列;基于LSTM自编码技术对所述规约轨迹序列进行训练,得到训练后的LSTM编码器与LSTM解码器,利用训练后的LSTM编码器与LSTM解码器将规约轨迹序列都输出到一个固定的维度空间表示,得到固定长度的子轨迹序列隐向量;对子轨迹序列隐向量进行聚类分析,子轨迹序列隐向量按相似度进行分组,得到不同的轨迹簇,对聚类得到簇进行筛选,将包含子轨迹序列隐向量个数超过预设数量的簇过滤出来,并取这些簇的均值向量,经LSTM解码器解码后的轨迹,即频繁轨迹。
Description
技术领域
本发明涉及车辆轨迹大数据处理领域,具体涉及一种基于LSTM自编码的车辆频繁轨迹识别方法及装置。
背景技术
车联网的普及为本发明带来了大量的车辆时空轨迹数据,轨迹聚类一直以来都是汽车学术界和工业界感兴趣的课题之一,它可以帮助车辆运营商发现频繁的行驶路线,也可以帮助推理用户的出行意图,无论对主机厂、交通主管部门还是运营商来说,都具有很大的研究价值。其中,发现频繁路线的通常做法是使用某些度量来量化轨迹相似性,然后应用经典的聚类算法(例如k-means、DBSCAN、谱聚类),并将聚类的结果进行过滤进而得到满足要求的频繁模式。常用的轨迹相似性度量包括DTW(动态时间扭曲)、EDR(实数序列上的编辑距离)和LCS(最长公共子序列)。这些测量方法不要求两条轨迹具有相同的序列长度,还可以对在固定地理区域和时间段内相似的轨迹进行分组,但计算时间复杂度较高,且不适用于分布在不同区域和具有不同采样率的轨迹。
发明内容
鉴于现有技术中存在的技术缺陷和技术弊端,本发明实施例提供克服上述问题或者至少部分地解决上述问题的一种基于LSTM自编码的车辆频繁轨迹识别方法及装置,具体方案如下:
作为本发明的第一方面,提供一种基于LSTM自编码的车辆频繁轨迹识别方法,所述方法包括:
步骤1,获得每辆车辆的历史轨迹序列,对每辆车的历史轨迹序列按照不同行程进行切割,将一条历史轨迹序列分割成多个子轨迹序列并得到子轨迹序列集,每个子轨迹序列对应一个行程,对每个子轨迹序列通过预设规约策略进行规约处理,得到规约轨迹序列;
步骤2,基于LSTM自编码技术对所述规约轨迹序列进行训练,得到训练后的LSTM编码器与LSTM解码器,利用训练后的LSTM编码器与LSTM解码器将所有车辆的规约轨迹序列都输出到一个固定的维度空间表示,得到固定长度的子轨迹序列隐向量;
步骤3,对获得的所有固定长度的子轨迹序列隐向量进行聚类分析,将得到的固定长度的子轨迹序列隐向量按相似度进行分组,从而得到不同的轨迹簇,对聚类得到簇进行筛选,将包含子轨迹序列隐向量个数超过预设数量的簇过滤出来,并取这些簇的均值向量,经LSTM解码器解码后的轨迹,即频繁轨迹。
进一步地,步骤1中,获得每辆车辆的历史轨迹序列具体为:
令某车辆o的任意轨迹点为pi,则pi=<o,timestampi,latitudei,longitudei>;其中timestampi表示车辆o的时间戳,latitudei和longitudei分别表示车辆o在对应时间戳timestampi的纬度和经度;
将轨迹点按时序排序起来的点集就构成了一条历史轨迹序列TRo,TRo=(p1,p2,…,pm);其中p1,p2,…,pm分别为时间戳timestamp1,timestamp2,…,timestampm对应的轨迹点;
对每辆车的历史轨迹序列按照不同行程进行切割,将一条历史轨迹序列分割成多个子轨迹序列并得到子轨迹序列集具体为:
由于同一行程内的轨迹点的时间具有连续性,因此,基于历史轨迹序列中的相邻轨迹点的时间间隔是否大于预设时间间隔或子轨迹序列的轨迹点数据不超过最大允许数目,将历史轨迹序列分割成一段段子轨迹序列trip=<p1,p2,...,pk>,即一段段行程序列,p1,p2,...,pk表示对应行程从开始到结束的所有轨迹点,其中p1表示对应行程的第一个轨迹点,pk表示对应行程的最后一个轨迹点,基于每一个子轨迹序列,获得子轨迹序列集Ψ=(trip1,trip2,…,tripn),其中trip1,trip2,…,tripn分别为对历史轨迹序列进行分割得到的各子轨迹序列,trip1表示该历史轨迹序列对应的第一个子轨迹序列,即第一个行程,tripn表示该历史轨迹序列对应的最后一个子轨迹序列,即最后一个行程。
进一步地,对每个子轨迹序列进行规约处理,得到规约轨迹序列具体为:
对各子轨迹序列进行预处理:基于纬度和经度坐标分别不超过[-90,90]和[-180,180]范围,过滤掉超出这个范围的轨迹点,并按照预设的轨迹长度阈值,过滤掉低于轨迹长度阈值的子轨迹序列;
对基于预处理得到的各子轨迹序列,按照不同行程并以时间戳进行排序,并应用一个时间窗口对各子轨迹序列进行规约,将子轨迹序列的各轨迹点划分到不同的时间窗口,将各时间窗口的轨迹点通过预设规约策略减少为单个值,从而得到优化后的子轨迹序列,即规约轨迹序列。
进一步地,步骤2具体为:
LSTM自编码器包括LSTM编码器和LSTM解码器LSTM,令一个给定的规约轨迹序列为Btripi=(b1,b2,…,bt),其中,b1,b2,…,bt为规约轨迹序列的轨迹点,i∈(1,n);模型的输入是一个序列Btripi,LSTM编码器按顺序读取输入序列,并相应地更新隐含状态ht,LSTM编码器更新方式:
ht=fLSTM(ht-1,bt),其中f是激活函数;
在最后一个轨迹点bt被处理后,隐含状态ht用作规约轨迹序列Btripi的低维隐含表示,并作为固定长度的向量z,LSTM解码器首先以z作为LSTM解码器的初始化隐含状态生成输出c1,然后进一步生成(c2,c3,…,cT),LSTM解码器更新方式:
hd t=fLSTM(hd t-1,ct-1,ht);
解码器的目标是重构输入序列Btripi=(b1,b2,…,bt),LSTM编码器和LSTM解码器通过最小化重构误差一起训练规约轨迹序列,整个输入序列由LSTM解码器向量z重构,得到固定长度的子轨迹序列隐向量ztripi,并获得全部子轨迹序列的子轨迹序列隐向量集zΨ={ztrip1,ztrip2,…,ztripn}。
进一步地,步骤4中,步骤4中,通过G-means聚类算法对获得的所有固定长度的行程向量进行分组。
作为本发明的第二方面,提供一种基于LSTM自编码的车辆频繁轨迹识别装置,所述装置包括:数据处理模块、自编码模块、聚类模块;
所述数据处理模块用于获得每辆车辆的历史轨迹序列,对每辆车的历史轨迹序列按照不同行程进行切割,将一条历史轨迹序列分割成多个子轨迹序列并得到子轨迹序列集,每个子轨迹序列对应一个行程,对每个子轨迹序列通过预设规约策略进行规约处理,得到规约轨迹序列;
所述自编码模块用于基于LSTM自编码技术对所述规约轨迹序列进行训练,得到训练后的LSTM编码器与LSTM解码器,利用训练后的LSTM编码器将所有车辆的规约轨迹序列都输出到一个固定的维度空间表示,得到固定长度的子轨迹序列隐向量;
所述聚类模块用于对获得的所有固定长度的子轨迹序列隐向量进行聚类分析,将得到的固定长度的子轨迹序列隐向量按相似度进行分组,从而得到不同的轨迹簇,对聚类得到簇进行筛选,将包含子轨迹序列隐向量个数超过预设数量的簇过滤出来,并取这些簇的均值向量,经LSTM解码器解码后的轨迹,即频繁轨迹。
进一步地,获得每辆车辆的历史轨迹序列具体为:
令某车辆o的任意轨迹点为pi,则pi=<o,timestampi,latitudei,longitudei>;其中timestampi表示车辆o的时间戳,latitudei和longitudei分别表示车辆o在对应时间戳timestampi的纬度和经度;
将轨迹点按时序排序起来的点集就构成了一条历史轨迹序列TRo,TRo=(p1,p2,…,pm);其中p1,p2,…,pm分别为时间戳timestamp1,timestamp2,…,timestampm对应的轨迹点;
对每辆车的历史轨迹序列按照不同行程进行切割,将一条历史轨迹序列分割成多个子轨迹序列并得到子轨迹序列集具体为:
由于同一行程内的轨迹点的时间具有连续性,因此,基于历史轨迹序列中的相邻轨迹点的时间间隔是否大于预设时间间隔或子轨迹序列的轨迹点数据不超过最大允许数目,将历史轨迹序列分割成一段段子轨迹序列trip=<p1,p2,...,pk>,即一段段行程序列,p1,p2,...,pk表示对应行程从开始到结束的所有轨迹点,其中p1表示对应行程的第一个轨迹点,pk表示对应行程的最后一个轨迹点,基于每一个子轨迹序列,获得子轨迹序列集Ψ=(trip1,trip2,…,tripn),其中trip1,trip2,…,tripn分别为对历史轨迹序列进行分割得到的各子轨迹序列,trip1表示该历史轨迹序列对应的第一个子轨迹序列,即第一个行程,tripn表示该历史轨迹序列对应的最后一个子轨迹序列,即最后一个行程。
进一步地,对每个子轨迹序列进行规约处理,得到规约轨迹序列具体为:
对各子轨迹序列进行预处理:基于纬度和经度坐标分别不超过[-90,90]和[-180,180]范围,过滤掉超出这个范围的轨迹点,并按照预设的轨迹长度阈值,过滤掉低于轨迹长度阈值的子轨迹序列;
对基于预处理得到的各子轨迹序列,按照不同行程并以时间戳进行排序,并应用一个时间窗口对各子轨迹序列进行规约,将子轨迹序列的各轨迹点划分到不同的时间窗口,将各时间窗口的轨迹点通过预设规约策略减少为单个值,从而得到优化后的子轨迹序列,即规约轨迹序列。
进一步地,所述自编码模块具体用于:
LSTM自编码器包括LSTM编码器和LSTM解码器LSTM,令一个给定的规约轨迹序列为Btripi=(b1,b2,…,bt),其中,b1,b2,…,bt为规约轨迹序列的轨迹点,i∈(1,n);模型的输入是一个序列Btripi,LSTM编码器按顺序读取输入序列,并相应地更新隐含状态ht,LSTM编码器更新方式:
ht=fLSTM(ht-1,bt),其中f是激活函数;
在最后一个轨迹点bt被处理后,隐含状态ht用作规约轨迹序列Btripi的低维隐含表示,并作为固定长度的向量z,LSTM解码器首先以z作为LSTM解码器的初始化隐含状态生成输出c1,然后进一步生成(c2,c3,…,cT),LSTM解码器更新方式:
hd t=fLSTM(hd t-1,ct-1,ht);
解码器的目标是重构输入序列Btripi=(b1,b2,…,bt),LSTM编码器和LSTM解码器通过最小化重构误差一起训练规约轨迹序列,整个输入序列由LSTM解码器向量z重构,得到固定长度的子轨迹序列隐向量ztripi,并获得全部子轨迹序列的子轨迹序列隐向量集zΨ={ztrip1,ztrip2,…,ztripn}。
进一步地,所述聚类模块具体通过G-means聚类算法对获得的所有固定长度的行程向量进行分组。
本发明具有以下有益效果:
1.本文提出了一种基于LSTM自编码的车辆频繁轨迹识别方法及装置,包括三层框架,第一层对原始GPS轨迹进行分布式预处理,得到平滑和规约后的稳定序列。然后,利用序列到序列自动编码器生成稳定序列的深度表示,解决了序列长度不一致(高维度)问题,最后,将其应用到实际场景中,通过对真实数据集上的聚类效果可视化,证明了它可以得到有用的频繁轨迹簇,也就是频繁路线。
2.本发明为智能网联领域大数据+人工智能的探索性研究和应用提供了指导,利用了前沿的大数据框架和深度学习算法来处理轨迹数据,使之成为一项可落地的车联网生态数据增值服务,具有不错的商业价值,比如:辅助自动驾驶。通过网联平台对轨迹数据的挖掘,发现拥堵路线、风险区域,对自动驾驶车辆提供全局性信息,指导其经济、高效、安全行驶;
3.促进商业模式,为出租车、网约车新手发掘高需求量的路线,降低空跑率;并为用户提
4.供路线耗时估计等功能,支持交通决策。通过对频繁轨迹的分析,可以为交管部门车辆导流、交通灯调整提供数据支撑。
附图说明
图1为本发明实施例提供的一种基于LSTM自编码的车辆频繁轨迹识别方法流程图。
图2为本发明实施例提供的原始子轨迹序列通过滑动窗口缩减策略示意图;
图3为本发明实施例提供的LSTM自编码器的网络结构示意图;
图4为本发明实施例提供的具体网络结构图聚类输出示意图;
图5-6为本发明实施例提供的部分车辆频繁路线示意图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分,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它实施例,都属于本发明保护的范围。
如图1所示,作为本发明的第一实施例,提供一种基于LSTM自编码的车辆频繁轨迹识别方法,所述方法包括:
步骤1,获得每辆车辆的历史轨迹序列,对每辆车的历史轨迹序列按照不同行程进行切割,将一条历史轨迹序列分割成多个子轨迹序列并得到子轨迹序列集,每个子轨迹序列对应一个行程,对每个子轨迹序列通过预设规约策略进行规约处理,得到规约轨迹序列;
步骤2,基于LSTM自编码技术对所述规约轨迹序列进行训练,得到训练后的LSTM编码器与LSTM解码器,LSTM编码器用于将不同长度的轨迹经纬度编码到固定维度的隐向量;LSTM解码器负责将隐向量还原为原来的轨迹经纬度,利用训练后的LSTM编码器与LSTM解码器将所有车辆的规约轨迹序列都输出到一个固定的维度空间表示,得到固定长度的子轨迹序列隐向量;
步骤3,对获得的所有固定长度的子轨迹序列隐向量进行聚类分析,将得到的固定长度的子轨迹序列隐向量按相似度进行分组,从而得到不同的轨迹簇,对聚类得到簇进行筛选,将包含子轨迹序列隐向量个数超过预设数量的簇过滤出来,并取这些簇的均值向量,经LSTM解码器解码后的轨迹,即频繁轨迹。
例如,有5条隐向量分别为:[1,2,3]、[4,5,6]、[7,8,9]、[1,1,1]、[3,3,3],将他们利用Gmeans进行分组聚类后得到两个轨迹簇,其中簇1包含:[1,2,3]、[4,5,6]、[7,8,9],簇2有:[1,1,1]、[3,3,3],对每个簇,Gmeans会自动计算每个簇的均值向量,分别为[4,5,6]和[2,2,2],将这两个均值向量带入LSTM解码器会得到两条轨迹。
优选地,步骤1中,获得每辆车辆的历史轨迹序列具体为:
令某车辆o的任意轨迹点为pi,则pi=<o,timestampi,latitudei,longitudei>;其中timestampi表示车辆o的时间戳,latitudei和longitudei分别表示车辆o在对应时间戳timestampi的纬度和经度;
将轨迹点按时序排序起来的点集就构成了一条历史轨迹序列TRo,TRo=(p1,p2,…,pm);其中p1,p2,…,pm分别为时间戳timestamp1,timestamp2,…,timestampm对应的轨迹点;
对每辆车的历史轨迹序列按照不同行程进行切割,将一条历史轨迹序列分割成多个子轨迹序列并得到子轨迹序列集具体为:
由于同一行程内的轨迹点的时间具有连续性,例如,相邻两轨迹点的时间差大于10分钟,则认为这两个轨迹点在不同的行程中,第一个轨迹点为上一段行程的结束点,第二个轨迹点为下一段行程的起点,另外,LSTM需要设置一个最大序列长度,即轨迹点的数目,如3600个,按1小时按每分钟规约为一个点计算得到,如果一条子轨迹的轨迹点及时相邻轨迹点的时间间隔小于预设时间间隔,但是超出了3600,那么就会被切分,前3600个点构成一条子轨迹,后面的构成另一条子轨迹,据此,基于历史轨迹序列中的相邻轨迹点的时间间隔是否大于预设时间间隔或子轨迹序列的轨迹点数据不超过最大允许数目,将历史轨迹序列分割成一段段子轨迹序列trip=<p1,p2,...,pk>,即一段段行程序列,p1,p2,...,pk表示对应行程从开始到结束的所有轨迹点,其中p1表示对应行程的第一个轨迹点,pk表示对应行程的最后一个轨迹点,基于每一个子轨迹序列,获得子轨迹序列集Ψ=(trip1,trip2,…,tripn),其中trip1,trip2,…,tripn分别为对历史轨迹序列进行分割得到的各子轨迹序列,trip1表示该历史轨迹序列对应的第一个子轨迹序列,即第一个行程,tripn表示该历史轨迹序列对应的最后一个子轨迹序列,即最后一个行程;
优选地,对每个子轨迹序列进行规约处理,得到规约轨迹序列具体为:
对各子轨迹序列进行预处理:基于纬度和经度坐标分别不超过[-90,90]和[-180,180]范围,过滤掉超出这个范围的轨迹点,并按照预设的轨迹长度阈值,过滤掉低于轨迹长度阈值的子轨迹序列;
对基于预处理得到的各子轨迹序列,按照不同行程并以时间戳进行排序,并应用一个时间窗口对各子轨迹序列进行规约,将子轨迹序列的各轨迹点划分到不同的时间窗口,将各时间窗口的轨迹点通过预设规约策略减少为单个值,例如,将每1分钟内的轨迹点用一个中心点来表示,应用时间窗口函数对子轨迹序列进一步压缩(也叫作规约),从而得到优化后的子轨迹序列,即规约轨迹序列,如图2所示。
由于给定轨迹的性质和采样频率不同,直接将RNN应用于输入的子轨迹序列以获得质量表示是非常重要的,实验发现把每个轨迹看作是一系列三维记录(时间,在RNN的优化过程中,纬度、经度)会导致参数的剧烈振荡和不收敛,针对上述问题,因此,本发明首先进行轨迹预处理,利用一个时间窗口函数对轨迹进行规约,在预处理之后,本发明将每条轨迹转换成一个特征序列来描述物体的运动,并使用序列-序列自动编码器来学习行程的定长深度表示,所学的低维表示对车辆的不同运动特征进行了强有力的编码,从而在不需要复杂聚类算法的情况下也有利于产生了高质量的簇。
优选地,步骤3具体为:
步骤2具体为:
LSTM自编码器包括LSTM编码器和LSTM解码器LSTM,令一个给定的规约轨迹序列为Btripi=(b1,b2,…,bt),其中,b1,b2,…,bt为规约轨迹序列的轨迹点,i∈(1,n);模型的输入是一个序列Btripi,LSTM编码器按顺序读取输入序列,并相应地更新隐含状态ht,LSTM编码器更新方式:
ht=fLSTM(ht-1,bt),其中f是激活函数;
在最后一个轨迹点bt被处理后,隐含状态ht用作规约轨迹序列Btripi的低维隐含表示,并作为固定长度的向量z,LSTM解码器首先以z作为LSTM解码器的初始化隐含状态生成输出c1,然后进一步生成(c2,c3,…,cT),LSTM解码器更新方式:
hd t=fLSTM(hd t-1,ct-1,ht);
解码器的目标是重构输入序列Btripi=(b1,b2,…,bt),LSTM编码器和LSTM解码器通过最小化(b1,b2,…,bt)与(c1,c2,c3,…,ct)的重构误差一起训练规约轨迹序列,整个输入序列由LSTM解码器向量z重构,得到固定长度的子轨迹序列隐向量ztripi,并获得全部子轨迹序列的子轨迹序列隐向量集zΨ={ztrip1,ztrip2,…,ztripn}。
LSTM自编码器的网络结构如图3所示。可以看到,编码器与解码器是对称的,且编码器将原始的经纬度序列压缩到3维空间表示。
优选地,步骤4中,通过G-means聚类算法对获得的所有固定长度的行程向量进行分组。
通过聚类分析,希望使用所有可用的车辆轨迹数据将相似的轨迹组合在一起,因为事先很难知道一个城市里存在多少个独特的路线组,因此像k-means这样的聚类算法是没有用的,这是G-means聚类算法具有一些实用性的地方,还有其他非K均值分析方法,但经过实验发现G-means对需求更适合,means将反复测试一组高斯模式,如果该组测试为阳性,那么它将拆分该组,这个过程一直迭代,直到这些组不再出现高斯阳性。
为了进一步验证本发明的效果,采用一份真实数据集来进行测试,真实数据集来自武汉市628辆纯电动网约车从19年3月1日到3月15日的轨迹。
首先本发明对数据进行了切割,将车辆历史轨迹序列切分为一段一段有效的行程序列。划分标准为有序历史轨迹序列中连续两个轨迹点的时间差大于10分钟,则第一个轨迹点为上一段行程的结束点,第二个轨迹点为下一段行程的起点,同时过滤掉小于3公里的短行程,最后一共得到了25579条有效行程。
接下来,对轨迹数据进行规约时设定的时段为1分钟,即将每1分钟内的轨迹点用一个中心点来表示,根据前期大量的测试工作,得到具体的网络结构参数如图4所示;
训练好编码模型后,对25579条行程序列依次进行编码,从而得到一个25579×48的隐特征矩阵,该特征矩阵就是Gmeans的输入,距离计算公式选用了复杂度较低的欧式距离,寻找的最大簇数目为500条,即k值达到500后就停止聚类过程,输出这500个簇的结果,最后输出的结果就是给上述行程序列添加一个标签,一共有500个标签值。
为了进一步的解释和验证本框架的效果,本发明挑取了一部分频繁路线并在地图上展示出来。从图5-6中可以明显看到,过江大桥是频繁路线的“共享”关键路径,这是显而易见的。
具体地,图5主要包含一条往返青山与汉阳的路线(武汉火车站),一条往返汉口与武昌的路线;图6包含了一条最上面的机场线,一条往返汉阳和武昌的路线,一条蔡甸与光谷之间的路线。
作为本发明的第二实施例,提供一种基于LSTM自编码的车辆频繁轨迹识别装置,所述装置包括:数据处理模块、自编码模块、聚类模块;
所述数据处理模块用于获得每辆车辆的历史轨迹序列,对每辆车的历史轨迹序列按照不同行程进行切割,将一条历史轨迹序列分割成多个子轨迹序列并得到子轨迹序列集,每个子轨迹序列对应一个行程,对每个子轨迹序列通过预设规约策略进行规约处理,得到规约轨迹序列;
所述自编码模块用于基于LSTM自编码技术对所述规约轨迹序列进行训练,得到训练后的LSTM编码器与LSTM解码器,利用训练后的LSTM编码器将所有车辆的规约轨迹序列都输出到一个固定的维度空间表示,得到固定长度的子轨迹序列隐向量;
所述聚类模块用于对获得的所有固定长度的子轨迹序列隐向量进行聚类分析,将得到的固定长度的子轨迹序列隐向量按相似度进行分组,从而得到不同的轨迹簇,对聚类得到簇进行筛选,将包含子轨迹序列隐向量个数超过预设数量的簇过滤出来,并取这些簇的均值向量,经LSTM解码器解码后的轨迹,即频繁轨迹。
优选地,获得每辆车辆的历史轨迹序列具体为:
令某车辆o的任意轨迹点为pi,则pi=<o,timestampi,latitudei,longitudei>;其中timestampi表示车辆o的时间戳,latitudei和longitudei分别表示车辆o在对应时间戳timestampi的纬度和经度;
将轨迹点按时序排序起来的点集就构成了一条历史轨迹序列TRo,TRo=(p1,p2,…,pm);其中p1,p2,…,pm分别为时间戳timestamp1,timestamp2,…,timestampm对应的轨迹点;
对每辆车的历史轨迹序列按照不同行程进行切割,将一条历史轨迹序列分割成多个子轨迹序列并得到子轨迹序列集具体为:
由于同一行程内的轨迹点的时间具有连续性,因此,基于历史轨迹序列中的相邻轨迹点的时间间隔是否大于预设时间间隔或子轨迹序列的轨迹点数据不超过最大允许数目,将历史轨迹序列分割成一段段子轨迹序列trip=<p1,p2,...,pk>,即一段段行程序列,p1,p2,...,pk表示对应行程从开始到结束的所有轨迹点,其中p1表示对应行程的第一个轨迹点,pk表示对应行程的最后一个轨迹点,基于每一个子轨迹序列,获得子轨迹序列集Ψ=(trip1,trip2,…,tripn),其中trip1,trip2,…,tripn分别为对历史轨迹序列进行分割得到的各子轨迹序列,trip1表示该历史轨迹序列对应的第一个子轨迹序列,即第一个行程,tripn表示该历史轨迹序列对应的最后一个子轨迹序列,即最后一个行程。
优选地,对每个子轨迹序列进行规约处理,得到规约轨迹序列具体为:
对各子轨迹序列进行预处理:基于纬度和经度坐标分别不超过[-90,90]和[-180,180]范围,过滤掉超出这个范围的轨迹点,并按照预设的轨迹长度阈值,过滤掉低于轨迹长度阈值的子轨迹序列;
对基于预处理得到的各子轨迹序列,按照不同行程并以时间戳进行排序,并应用一个时间窗口对各子轨迹序列进行规约,将子轨迹序列的各轨迹点划分到不同的时间窗口,将各时间窗口的轨迹点通过预设规约策略减少为单个值,从而得到优化后的子轨迹序列,即规约轨迹序列。
优选地,所述自编码模块具体用于:
LSTM自编码器包括LSTM编码器和LSTM解码器LSTM,令一个给定的规约轨迹序列为Btripi=(b1,b2,…,bt),其中,b1,b2,…,bt为规约轨迹序列的轨迹点,i∈(1,n);模型的输入是一个序列Btripi,LSTM编码器按顺序读取输入序列,并相应地更新隐含状态ht,LSTM编码器更新方式:
ht=fLSTM(ht-1,bt),其中f是激活函数;
在最后一个轨迹点bt被处理后,隐含状态ht用作规约轨迹序列Btripi的低维隐含表示,并作为固定长度的向量z,LSTM解码器首先以z作为LSTM解码器的初始化隐含状态生成输出c1,然后进一步生成(c2,c3,…,cT),LSTM解码器更新方式:
hd t=fLSTM(hd t-1,ct-1,ht);
解码器的目标是重构输入序列Btripi=(b1,b2,…,bt),LSTM编码器和LSTM解码器通过最小化重构误差一起训练规约轨迹序列,整个输入序列由LSTM解码器向量z重构,得到固定长度的子轨迹序列隐向量ztripi,并获得全部子轨迹序列的子轨迹序列隐向量集zΨ={ztrip1,ztrip2,…,ztripn}。
优选地,所述聚类模块具体通过G-means聚类算法对获得的所有固定长度的行程向量进行分组。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,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 (10)
1.一种基于LSTM自编码的车辆频繁轨迹识别方法,其特征在于,所述方法包括:
步骤1,获得每辆车辆的历史轨迹序列,对每辆车的历史轨迹序列按照不同行程进行切割,将一条历史轨迹序列分割成多个子轨迹序列并得到子轨迹序列集,每个子轨迹序列对应一个行程,对每个子轨迹序列通过预设规约策略进行规约处理,得到规约轨迹序列;
步骤2,基于LSTM自编码技术对所述规约轨迹序列进行训练,得到训练后的LSTM编码器与LSTM解码器,利用训练后的LSTM编码器将所有车辆的规约轨迹序列都输出到一个固定的维度空间表示,得到固定长度的子轨迹序列隐向量;
步骤3,对获得的所有固定长度的子轨迹序列隐向量进行聚类分析,将得到的固定长度的子轨迹序列隐向量按相似度进行分组,从而得到不同的轨迹簇,对聚类得到簇进行筛选,将包含子轨迹序列隐向量个数超过预设数量的簇过滤出来,并取这些簇的均值向量,经LSTM解码器解码后的轨迹,即频繁轨迹。
2.根据权利要求1所述的基于LSTM自编码的车辆频繁轨迹识别方法,其特征在于,步骤1中,获得每辆车辆的历史轨迹序列具体为:
令某车辆o的任意轨迹点为pi,则pi=<o,timestampi,latitudei,longitudei>;其中timestampi表示车辆o的时间戳,latitudei和longitudei分别表示车辆o在对应时间戳timestampi的纬度和经度;
将轨迹点按时序排序起来的点集就构成了一条历史轨迹序列TRo,TRo=(p1,p2,…,pm);其中p1,p2,…,pm分别为时间戳timestamp1,timestamp2,…,timestampm对应的轨迹点;
对每辆车的历史轨迹序列按照不同行程进行切割,将一条历史轨迹序列分割成多个子轨迹序列并得到子轨迹序列集具体为:
由于同一行程内的轨迹点的时间具有连续性,因此,基于历史轨迹序列中的相邻轨迹点的时间间隔是否大于预设时间间隔或子轨迹序列的轨迹点数据不超过最大允许数目,将历史轨迹序列分割成一段段子轨迹序列trip=<p1,p2,...,pk>,即一段段行程序列,p1,p2,...,pk表示对应行程从开始到结束的所有轨迹点,其中p1表示对应行程的第一个轨迹点,pk表示对应行程的最后一个轨迹点,基于每一个子轨迹序列,获得子轨迹序列集Ψ=(trip1,trip2,…,tripn),其中trip1,trip2,…,tripn分别为对历史轨迹序列进行分割得到的各子轨迹序列,trip1表示该历史轨迹序列对应的第一个子轨迹序列,即第一个行程,tripn表示该历史轨迹序列对应的最后一个子轨迹序列,即最后一个行程。
3.根据权利要求2所述的基于LSTM自编码的车辆频繁轨迹识别方法,其特征在于,对每个子轨迹序列进行规约处理,得到规约轨迹序列具体为:
对各子轨迹序列进行预处理:基于纬度和经度坐标分别不超过[-90,90]和[-180,180]范围,过滤掉超出这个范围的轨迹点,并按照预设的轨迹长度阈值,过滤掉低于轨迹长度阈值的子轨迹序列;
对基于预处理得到的各子轨迹序列,按照不同行程并以时间戳进行排序,并应用一个时间窗口对各子轨迹序列进行规约,将子轨迹序列的各轨迹点划分到不同的时间窗口,将各时间窗口的轨迹点通过预设规约策略减少为单个值,从而得到优化后的子轨迹序列,即规约轨迹序列。
4.根据权利要求1所述的基于LSTM自编码的车辆频繁轨迹识别方法,其特征在于,步骤2具体为:
LSTM自编码器包括LSTM编码器和LSTM解码器LSTM,令一个给定的规约轨迹序列为Btripi=(b1,b2,…,bt),其中,b1,b2,…,bt为规约轨迹序列的轨迹点,i∈(1,n);模型的输入是一个序列Btripi,LSTM编码器按顺序读取输入序列,并相应地更新隐含状态ht,LSTM编码器更新方式:
ht=fLSTM(ht-1,bt),其中f是激活函数;
在最后一个轨迹点bt被处理后,隐含状态ht用作规约轨迹序列Btripi的低维隐含表示,并作为固定长度的隐向量z,LSTM解码器首先以z作为初始化隐含状态生成输出c1,然后进一步生成(c2,c3,…,ct),LSTM解码器更新方式:
hd t=fLSTM(hd t-1,ct-1,ht);
解码器的目标是重构输入序列Btripi=(b1,b2,…,bt),LSTM编码器和LSTM解码器通过最小化(b1,b2,…,bt)与(c1,c2,c3,…,ct)的重构误差一起训练规约轨迹序列,整个输入序列由LSTM解码器向量z重构,得到固定长度的子轨迹序列隐向量ztripi,并获得全部子轨迹序列的子轨迹序列隐向量集zΨ={ztrip1,ztrip2,…,ztripn}。
5.根据权利要求1所述的基于LSTM自编码的车辆频繁轨迹识别方法,其特征在于,步骤4中,通过G-means聚类算法对获得的所有固定长度的行程向量进行分组。
6.一种基于LSTM自编码的车辆频繁轨迹识别装置,其特征在于,所述装置包括:数据处理模块、自编码模块、聚类模块;
所述数据处理模块用于获得每辆车辆的历史轨迹序列,对每辆车的历史轨迹序列按照不同行程进行切割,将一条历史轨迹序列分割成多个子轨迹序列并得到子轨迹序列集,每个子轨迹序列对应一个行程,对每个子轨迹序列通过预设规约策略进行规约处理,得到规约轨迹序列;
所述自编码模块用于基于LSTM自编码技术对所述规约轨迹序列进行训练,得到训练后的LSTM编码器与LSTM解码器,利用训练后的LSTM编码器将所有车辆的规约轨迹序列都输出到一个固定的维度空间表示,得到固定长度的子轨迹序列隐向量;
所述聚类模块用于对获得的所有固定长度的子轨迹序列隐向量进行聚类分析,将得到的固定长度的子轨迹序列隐向量按相似度进行分组,从而得到不同的轨迹簇,对聚类得到簇进行筛选,将包含子轨迹序列隐向量个数超过预设数量的簇过滤出来,并取这些簇的均值向量,经LSTM解码器解码后的轨迹,即频繁轨迹。
7.根据权利要求6所述的基于LSTM自编码的车辆频繁轨迹识别装置,其特征在于,获得每辆车辆的历史轨迹序列具体为:
令某车辆o的任意轨迹点为pi,则pi=<o,timestampi,latitudei,longitudei>;其中timestampi表示车辆o的时间戳,latitudei和longitudei分别表示车辆o在对应时间戳timestampi的纬度和经度;
将轨迹点按时序排序起来的点集就构成了一条历史轨迹序列TRo,TRo=(p1,p2,…,pm);其中p1,p2,…,pm分别为时间戳timestamp1,timestamp2,…,timestampm对应的轨迹点;
对每辆车的历史轨迹序列按照不同行程进行切割,将一条历史轨迹序列分割成多个子轨迹序列并得到子轨迹序列集具体为:
由于同一行程内的轨迹点的时间具有连续性,因此,基于历史轨迹序列中的相邻轨迹点的时间间隔是否大于预设时间间隔或子轨迹序列的轨迹点数据不超过最大允许数目,将历史轨迹序列分割成一段段子轨迹序列trip=<p1,p2,...,pk>,即一段段行程序列,p1,p2,...,pk表示对应行程从开始到结束的所有轨迹点,其中p1表示对应行程的第一个轨迹点,pk表示对应行程的最后一个轨迹点,基于每一个子轨迹序列,获得子轨迹序列集Ψ=(trip1,trip2,…,tripn),其中trip1,trip2,…,tripn分别为对历史轨迹序列进行分割得到的各子轨迹序列,trip1表示该历史轨迹序列对应的第一个子轨迹序列,即第一个行程,tripn表示该历史轨迹序列对应的最后一个子轨迹序列,即最后一个行程。
8.根据权利要求7所述的基于LSTM自编码的车辆频繁轨迹识别装置,其特征在于,对每个子轨迹序列进行规约处理,得到规约轨迹序列具体为:
对各子轨迹序列进行预处理:基于纬度和经度坐标分别不超过[-90,90]和[-180,180]范围,过滤掉超出这个范围的轨迹点,并按照预设的轨迹长度阈值,过滤掉低于轨迹长度阈值的子轨迹序列;
对基于预处理得到的各子轨迹序列,按照不同行程并以时间戳进行排序,并应用一个时间窗口对各子轨迹序列进行规约,将子轨迹序列的各轨迹点划分到不同的时间窗口,将各时间窗口的轨迹点通过预设规约策略减少为单个值,从而得到优化后的子轨迹序列,即规约轨迹序列。
9.根据权利要求6所述的基于LSTM自编码的车辆频繁轨迹识别装置,其特征在于,所述自编码模块具体用于:
LSTM自编码器包括LSTM编码器和LSTM解码器LSTM,令一个给定的规约轨迹序列为Btripi=(b1,b2,…,bt),其中,b1,b2,…,bt为规约轨迹序列的轨迹点,i∈(1,n);模型的输入是一个序列Btripi,LSTM编码器按顺序读取输入序列,并相应地更新隐含状态ht,LSTM编码器更新方式:
ht=fLSTM(ht-1,bt),其中f是激活函数;
在最后一个轨迹点bt被处理后,隐含状态ht用作规约轨迹序列Btripi的低维隐含表示,并作为固定长度的向量z,LSTM解码器首先以z作为LSTM解码器的初始化隐含状态生成输出c1,然后进一步生成(c2,c3,…,ct),LSTM解码器更新方式:
hd t=fLSTM(hd t-1,ct-1,ht);
解码器的目标是重构输入序列Btripi=(b1,b2,…,bt),LSTM编码器和LSTM解码器通过最小化重构误差一起训练规约轨迹序列,整个输入序列由LSTM解码器向量z重构,得到固定长度的子轨迹序列隐向量ztripi,并获得全部子轨迹序列的子轨迹序列隐向量集zΨ={ztrip1,ztrip2,…,ztripn}。
10.根据权利要求6所述的基于LSTM自编码的车辆频繁轨迹识别装置,其特征在于,所述聚类模块具体通过G-means聚类算法对获得的所有固定长度的行程向量进行分组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010698289.4A CN112085048A (zh) | 2020-07-20 | 2020-07-20 | 一种基于lstm自编码的车辆频繁轨迹识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010698289.4A CN112085048A (zh) | 2020-07-20 | 2020-07-20 | 一种基于lstm自编码的车辆频繁轨迹识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085048A true CN112085048A (zh) | 2020-12-15 |
Family
ID=73735145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010698289.4A Pending CN112085048A (zh) | 2020-07-20 | 2020-07-20 | 一种基于lstm自编码的车辆频繁轨迹识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085048A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112721952A (zh) * | 2021-01-29 | 2021-04-30 | 重庆长安汽车股份有限公司 | 一种l3级自动驾驶汽车的复杂路段行驶控制方法、装置、汽车及计算机存储介质 |
CN112833906A (zh) * | 2021-01-25 | 2021-05-25 | 南斗六星系统集成有限公司 | 一种车辆频繁线路识别方法 |
CN114187489A (zh) * | 2021-12-14 | 2022-03-15 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
CN114885293A (zh) * | 2022-04-26 | 2022-08-09 | 和智信(山东)大数据科技有限公司 | 一种基于深度学习的信令轨迹恢复方法、系统及存储介质 |
CN116842285A (zh) * | 2023-07-27 | 2023-10-03 | 中国人民解放军陆军工程大学 | 基于时空轨迹数据的目标伴随模式挖掘方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063771A (zh) * | 2018-08-02 | 2018-12-21 | 美利车(北京)网络技术有限公司 | 一种发现车辆可疑行为的方法、装置及设备 |
CN109788433A (zh) * | 2019-03-13 | 2019-05-21 | 东南大学 | 一种基于深度卷积自编码网络的室内定位轨迹聚类方法 |
CN109919189A (zh) * | 2019-01-29 | 2019-06-21 | 华南理工大学 | 一种面向时间序列数据的深度k均值聚类方法 |
CN110991475A (zh) * | 2019-10-17 | 2020-04-10 | 中国科学院电子学研究所苏州研究院 | 一种基于多维距离度量的移动对象轨迹聚类方法 |
CN111078754A (zh) * | 2019-12-19 | 2020-04-28 | 南京柏跃软件有限公司 | 基于海量时空数据的频繁轨迹提取方法及其挖掘系统 |
US20200133269A1 (en) * | 2018-10-30 | 2020-04-30 | The Regents Of The University Of Michigan | Unsurpervised classification of encountering scenarios using connected vehicle datasets |
-
2020
- 2020-07-20 CN CN202010698289.4A patent/CN112085048A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063771A (zh) * | 2018-08-02 | 2018-12-21 | 美利车(北京)网络技术有限公司 | 一种发现车辆可疑行为的方法、装置及设备 |
US20200133269A1 (en) * | 2018-10-30 | 2020-04-30 | The Regents Of The University Of Michigan | Unsurpervised classification of encountering scenarios using connected vehicle datasets |
CN109919189A (zh) * | 2019-01-29 | 2019-06-21 | 华南理工大学 | 一种面向时间序列数据的深度k均值聚类方法 |
CN109788433A (zh) * | 2019-03-13 | 2019-05-21 | 东南大学 | 一种基于深度卷积自编码网络的室内定位轨迹聚类方法 |
CN110991475A (zh) * | 2019-10-17 | 2020-04-10 | 中国科学院电子学研究所苏州研究院 | 一种基于多维距离度量的移动对象轨迹聚类方法 |
CN111078754A (zh) * | 2019-12-19 | 2020-04-28 | 南京柏跃软件有限公司 | 基于海量时空数据的频繁轨迹提取方法及其挖掘系统 |
Non-Patent Citations (1)
Title |
---|
温惠英;张伟罡;赵胜;: "基于生成对抗网络的车辆换道轨迹预测模型", 华南理工大学学报(自然科学版), no. 05, 15 May 2020 (2020-05-15) * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112833906A (zh) * | 2021-01-25 | 2021-05-25 | 南斗六星系统集成有限公司 | 一种车辆频繁线路识别方法 |
CN112721952A (zh) * | 2021-01-29 | 2021-04-30 | 重庆长安汽车股份有限公司 | 一种l3级自动驾驶汽车的复杂路段行驶控制方法、装置、汽车及计算机存储介质 |
CN112721952B (zh) * | 2021-01-29 | 2022-07-05 | 重庆长安汽车股份有限公司 | 一种l3级自动驾驶汽车的复杂路段行驶控制方法、装置、汽车及计算机存储介质 |
CN114187489A (zh) * | 2021-12-14 | 2022-03-15 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
CN114187489B (zh) * | 2021-12-14 | 2024-04-30 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
CN114885293A (zh) * | 2022-04-26 | 2022-08-09 | 和智信(山东)大数据科技有限公司 | 一种基于深度学习的信令轨迹恢复方法、系统及存储介质 |
CN114885293B (zh) * | 2022-04-26 | 2022-12-20 | 和智信(山东)大数据科技有限公司 | 一种基于深度学习的信令轨迹恢复方法、系统及存储介质 |
CN116842285A (zh) * | 2023-07-27 | 2023-10-03 | 中国人民解放军陆军工程大学 | 基于时空轨迹数据的目标伴随模式挖掘方法 |
CN116842285B (zh) * | 2023-07-27 | 2024-05-03 | 中国人民解放军陆军工程大学 | 基于时空轨迹数据的目标伴随模式挖掘方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085048A (zh) | 一种基于lstm自编码的车辆频繁轨迹识别方法及装置 | |
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN111091708A (zh) | 车辆轨迹预测方法及装置 | |
CN114450557B (zh) | 路线偏差量化及基于此的车辆路线学习 | |
CN103680130B (zh) | 一种基于浮动车技术获得区域带路专家的方法 | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN114328675A (zh) | 基于双注意力机制和双向双层lstm的公交行程时间预测方法 | |
CN110458214A (zh) | 驾驶员更换识别方法和装置 | |
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 | |
Farooq et al. | GPS based public transport arrival time prediction | |
CN115291515A (zh) | 一种基于数字孪生的自动驾驶仿真测试系统及评价方法 | |
CN114676917B (zh) | 一种空驶出租汽车空间分布评估方法及系统 | |
CN116578661A (zh) | 一种基于注意力机制的车辆轨迹时空重构方法及系统 | |
CN114820259A (zh) | 一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法 | |
CN114516336A (zh) | 一种考虑道路约束条件的车辆轨迹预测方法 | |
CN116910919B (zh) | 一种飞行器航迹高缺失率下的填补方法和装置 | |
CN109828999A (zh) | 基于多源跨域城市大数据的灾后道路故障检测识别方法 | |
CN117391335A (zh) | 一种MaaS环境下城市个体出行链重构方法 | |
CN112801181A (zh) | 城市信令交通流用户分类、预测方法、存储介质及系统 | |
CN112308434A (zh) | 一种交通安全风险评估方法及系统 | |
CN114492544A (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN114943059A (zh) | 基于“自下而上”策略的gps轨迹出行方式链识别方法 |
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 |