CN112183589B - 一种低采样率下的实时车辆k近邻查询方法 - Google Patents

一种低采样率下的实时车辆k近邻查询方法 Download PDF

Info

Publication number
CN112183589B
CN112183589B CN202010958535.5A CN202010958535A CN112183589B CN 112183589 B CN112183589 B CN 112183589B CN 202010958535 A CN202010958535 A CN 202010958535A CN 112183589 B CN112183589 B CN 112183589B
Authority
CN
China
Prior art keywords
road network
vehicle
current
road
node
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.)
Expired - Fee Related
Application number
CN202010958535.5A
Other languages
English (en)
Other versions
CN112183589A (zh
Inventor
王亮
王蕾
於志文
周聪
郭斌
郝红升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010958535.5A priority Critical patent/CN112183589B/zh
Publication of CN112183589A publication Critical patent/CN112183589A/zh
Application granted granted Critical
Publication of CN112183589B publication Critical patent/CN112183589B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • 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
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种低采样率下的实时车辆K近邻查询方法，首先获取出租车轨迹数据和城市路网数据，统计每条轨迹在当前时刻前数个时间片内的车辆位置和行车速度；然后估计当前车辆速度，考虑车辆当前是否还在在同一路段上对车辆当前位置做预测；接着考虑当前车辆与上一时刻相隔了一个路段以上的情况，使用LSTM深度学习模型预测当前车辆位置；接下来基于层次聚类方法对路网进行划分，并使用距离矩阵维护单元间的相邻关系；最后使用K近邻搜索算法，从查询点所在单元开始更新搜索区域内的车辆位置，逐步扩展搜索范围直到找到所有K近邻车辆。本发明可以在低采样率下对车辆查询，既保持用户了查询的实时性，又达到在高采样率下的查询准确度。

Description

一种低采样率下的实时车辆K近邻查询方法
技术领域
本发明属于大数据处理领域，具体涉及一种车辆位置查询方法。
背景技术
基于位置的服务(简称LBS)通过无线电通讯网络或外部定位方式获取移动终端用户的位置信息，依赖地理信息平台，为用户提供相应的服务。随着无线通信技术的发展和移动终端设备的普及，基于位置的服务在生活服务、地点交友、休闲娱乐得到了广泛的应用。其中，K近邻(简称KNN)查询作为LBS中的关键技术之一，在智能城市的多个场景中都有重要应用，因而受到国内外研究者的广泛关注。KNN具体可以描述为：已知数据空间中存在集合P包含n个数据点，对于给定的查询点q，在集合P中找到大小为k的数据对象子集NN(q)，使得NN(q)中的数据点到查询点q的距离最近。目前，对于KNN查询的研究主要是基于欧式空间和路网环境，其中欧式空间中的KNN查询研究相对成熟。路网环境下的KNN查询更符合真实的城市交通环境，但因为交通路网的复杂性和连通性，KNN查询计算量更大，因而受到研究者们更多的关注。以上大多是针对静态对象的KNN查询，在城市环境中存在许多移动对象的实时最近邻查询技术，比如用户在请求网约车服务时，由于网约车都存在实时移动状态，服务提供商需要根据网约车的历史记录位置预测车辆的当前位置，并根据预测位置筛选出离用户最近的几辆车供其选择。针对移动对象的NN查询为了提高准确率，往往需要移动对象具有较高的采样率，但同时为了满足实时性要求，必须尽量限制查询范围、降低查询时间，及时为用户反馈查询结果。如果想扩大查询范围，但同时为了用户体验，不降低实时性，则需要降低采样率。但是在低采样率下，车辆的实时位置与历史记录位置又存在较大偏差。
发明内容
为了克服现有技术的不足，本发明提供了一种低采样率下的实时车辆K近邻查询方法，首先获取出租车轨迹数据和城市路网数据，统计每条轨迹在目标时刻前数个时间片内的车辆位置和行车速度；然后根据车辆历史记录速度估计当前车辆速度，考虑车辆当前是否与上一时间片在同一路段上分情况对车辆当前位置做预测；接着考虑当前车辆与上一时刻相隔了一个路段以上的情况，使用LSTM深度学习模型预测当前车辆位置；接下来基于层次聚类方法对路网进行划分，并使用距离矩阵维护单元间的相邻关系；最后使用K近邻搜索算法，从查询点所在单元开始更新搜索区域内的车辆位置，逐步扩展搜索范围直到找到所有K近邻车辆。本发明可以在低采样率下对车辆查询，既保持用户了查询的实时性，又达到在高采样率下的查询准确度。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1：获取指定城市的城市路网数据，指定城市中指定数量的网约车轨迹数据；利用地图匹配算法对网约车轨迹数据和城市路网数据进行地图匹配，为每个轨迹点匹配相应的路段，同时在网约车轨迹数据中利用每个轨迹点相邻的轨迹点信息计算出网约车在该轨迹点的行驶速度和行车方向；
步骤2：定义车辆的位置历史记录为：
hist＝{loct-n,…,loct-1,loct}
其中，t表示距离当前时刻最近的上个采样时刻，t-n,t-n+1,…,t-1,t表示距离当前时刻最近的前n+1个采样时刻，loct-n,…,loct-1,loct表示距离当前时刻最近的前 n+1个采样时刻的车辆位置；所述采样为均匀采样，采样间隔为T；
定义：当前时刻为tc，当前时刻距离最近的上个采样时刻的间隔时间span＝tc-t，车辆在距离当前时刻tc最近的n个采样间隔的平均速度为vs＝{vt-n+1,…,vt-1,vt}，其中vt-i＝(loct-i-loct-i-1)/T，i＝0,1,…,n-1；则车辆当前时刻的预测速度为：
Figure GDA0003350394730000021
其中vhistory表示距离当前时刻最近的前n个采样时刻之前的指定时间段内该车辆平均速度，ρ为权重；
步骤3：车辆当前所在路段的判断方法如下：
Figure GDA0003350394730000022
其中，l表示距离当前时刻最近的上个采样时刻车辆所在位置距离当前车辆所在路段两个端点的距离中较近者；
步骤4：根据步骤3的判断结果预测车辆当前时刻的位置；
情况1：车辆还在当前路段，则车辆当前时刻在当前路段的预测位置ppre为：
Figure GDA0003350394730000023
其中，p表示车辆距离当前时刻最近的上个采样时刻所在位置，0<p<1，length表示当前路段的长度；
情况2：车辆离开当前路段，车辆已经行驶到相邻路段或相隔路段；
采用如下LSTM深度学习模型预测车辆当前时刻的位置：
步骤4-1：选取指定数量的车辆位置信息作为训练样本，每连续S个采样间隔T 的车辆位置为一个样本，其中第S个车辆位置为标签，采用最大值最小值法进行数据归一化；
步骤4-2：采用两层LSTM层结构，输入为样本中前S-1个采样间隔的车辆位置，输出为第S个车辆位置，对LSTM深度学习模型进行训练；
步骤4-3：使用训练完成的LSTM深度学习模型对车辆当前时刻的位置进行预测；
步骤5：基于层次聚类方法对路网进行划分：
将整个城市路网用G(U,E)表示，其中U表示路网中的节点集合，即交通系统中的路口；E表示路网中的边集合，即连接两个路口的路段；将G划分为M个路网单元 G(U,E)＝{G1(U1 ,E1),G2(U2,E2),Gj(Uj,Ej),…,GM(UM,EM)}，其中Gj(Uj,Ej)表示第j个路网单元，Uj表示第j个路网单元的节点集合，Ej表示第j个路网单元的边集合， j＝1,2,…,M；(Uj,Ej)满足：
Figure GDA0003350394730000031
其中，ej,k表示Ej中的第k个边，ustart和uend分别表示Ej中的第k个边两端的节点，uj,k表示Uj中的第k个节点，|u-uj,k|表示Uj中任意一个节点u和uj,k之间的路网距离， |Uj|表示Uj中的节点数量，maxD表示路网距离阈值，maxN表示节点数阈值；
步骤6：计算路网距离：
对第j个路网单元使用矩阵MDj表示单元内部节点间的路网距离，具体如下：
MDj(x,y)＝mindistance(ux,uy),ux∈Uj,uy∈Uj
其中0<x≤|Uj|，0<y≤|Uj|，mindistance(ux,uy)表示路网单元Gj(Uj,Ej)中的第x个节点ux与第y个节点uy间的最短路网距离；
对第j个路网单元使用矩阵MNj表示单元内部节点与单元边界上节点的距离，具体如下：
MNj(a,b)＝mindistance(ua,ub),ua∈Uj,a,ub∈Uj,b
其中Uj,a表示第j个路网单元的节点集合Uj中内部节点的集合，Uj,b表示第j个路网单元的节点集合Uj中边界节点的集合，Uj,a∪Uj,b＝Uj；mindistance(ua,ub)表示路网单元Gj(Uj,Ej)中的内部节点ua与边界节点ub间的最短路网距离；
步骤7：基于路网单元的K近邻搜索：
步骤7-1：确定查询点q所在的路网单元；
步骤7-2：根据步骤2、步骤3和步骤4得到当前时刻所在路网单元内所有网约车的预测位置；
步骤7-3：在当前路网单元内，计算查询点q到当前路网单元边界上每个节点的路网距离以及查询点q与当前时刻所在路网单元内所有网约车的路网距离；
步骤7-4：如果在当前路网单元内网约车数量小于K，或者在当前路网单元内网约车数量大于等于K但查询点q到当前路网单元边界上任一节点的路网距离小于查询点 q与K个距离最近的网约车的最大路网距离，则将搜索范围扩展到相邻路网单元，计算查询点q到相邻路网单元内所有网约车的路网距离，最终输出当前路网单元和相邻路网单元中距离查询点q最近的K个网约车位置；
否则，如果在当前路网单元内网约车数量大于或等于K，并且查询点q到当前路网单元边界上任一节点的路网距离大于等于查询点q与K个距离最近的网约车的最大路网距离，则输出当前路网单元内距离查询点q最近的K个网约车位置；
优选地，步骤2中所述采样间隔T＝60s。
优选地，步骤4-1中所述S＝6。
本发明具有以下有益效果：由于采用了本发明的一种低采样率下的实时车辆K近邻查询方法。当在低采样率下对车辆查询时，既保持用户了查询的实时性，又达到在高采样率下的查询准确度。
附图说明
图1为本发明的查询方法系统结构图。
图2为车辆位置的预测方法示意图。
图3为K近邻搜索方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示，本发明提出了一种低采样率下的实时车辆K近邻查询方法，考虑到低采样率下实时K近邻查询时，车辆当前位置与历史记录位置存在较大偏差，使用LSTM训练车辆轨迹预测模型，根据前n个时间片的轨迹点位置预测当前时刻车辆的具体位置。在使用LSTM对查询对象位置完成更新后，基于层次聚类方法对路网进行划分，将整个路网结构划分为大小相近的路网单元，并使用距离矩阵维护单元之间的相邻关系。最后使用领域扩展的方法进行最近邻搜索，即利用广度优先搜索的思想从查询点所在路网单元向相邻单元逐个查询，直至搜索范围内包含K个更新后的最近邻查询对象。通过合理限制路网单元的大小，可以减小在每个路网单元进行K近邻查询的耗时和查询过程中搜索的路网范围，从而降低K近邻算法的时间消耗。
本发明包括以下步骤：
步骤1：获取指定城市的城市路网数据，指定城市中指定数量的网约车轨迹数据；利用地图匹配算法对网约车轨迹数据和城市路网数据进行地图匹配，为每个轨迹点匹配相应的路段，同时在网约车轨迹数据中利用每个轨迹点相邻的轨迹点信息计算出网约车在该轨迹点的行驶速度和行车方向；
步骤2：定义车辆的位置历史记录为：
hist＝{loct-n,…,loct-1,loct}
其中，t表示距离当前时刻最近的上个采样时刻，t-n,t-n+1,…,t-1,t表示距离当前时刻最近的前n+1个采样时刻，loct-n,…,loct-1,loct表示距离当前时刻最近的前 n+1个采样时刻的车辆位置；所述采样为均匀采样，采样间隔为T；
定义：当前时刻为tc，当前时刻距离最近的上个采样时刻的间隔时间span＝tc-t，车辆在距离当前时刻tc最近的n个采样间隔的平均速度为vs＝{vt-n+1,…,vt-1,vt}，其中vt-i＝(loct-i-loct-i-1)/T，i＝0,1,…,n-1；如图2所示，则车辆当前时刻的预测速度为：
Figure GDA0003350394730000051
其中vhistory表示距离当前时刻最近的前n个采样时刻之前的指定时间段内该车辆平均速度，ρ为权重；
步骤3：车辆当前所在路段的判断方法如下：
Figure GDA0003350394730000052
其中，l表示距离当前时刻最近的上个采样时刻车辆所在位置距离当前车辆所在路段两个端点的距离中较近者；
步骤4：根据步骤3的判断结果预测车辆当前时刻的位置；
情况1：车辆还在当前路段，则车辆当前时刻在当前路段的预测位置ppre为：
Figure GDA0003350394730000061
其中，p表示车辆距离当前时刻最近的上个采样时刻所在位置，0<p<1，length表示当前路段的长度；
情况2：车辆离开当前路段，车辆已经行驶到相邻路段或相隔路段；
采用LSTM深度学习模型预测车辆当前时刻的位置；
步骤4-1：选取指定数量的车辆位置信息作为训练样本，每连续S个采样间隔T 的车辆位置为一个样本，其中第S个车辆位置为标签，采用最大值最小值法进行数据归一化；
步骤4-2：采用两层LSTM层结构，输入为样本中前S-1个采样间隔的车辆位置，输出为第S个车辆位置，对LSTM深度学习模型进行训练；
步骤4-3：使用训练完成的LSTM深度学习模型对车辆当前时刻的位置进行预测；
步骤5：基于层次聚类方法对路网进行划分：
将整个城市路网用G(U,E)表示，其中U表示路网中的节点集合，即交通系统中的路口；E表示路网中的边集合，即连接两个路口的路段；将G划分为M个路网单元 G(U,E)＝{G1(U1,E1),G2(U2,E2),Gj(Uj,Ej),…,GM(UM,EM)}，其中Gj(Uj,Ej)表示第j个路网单元，Uj表示第j个路网单元的节点集合，Ej表示第j个路网单元的边集合， j＝1,2,…,M；(Uj,Ej)满足：
Figure GDA0003350394730000062
其中，ej,k表示Ej中的第k个边，ustart和uend分别表示Ej中的第k个边两端的节点，uj,k表示Uj中的第k个节点，|u-uj,k|表示Uj中任意一个节点u和uj,k之间的路网距离， |Uj|表示Uj中的节点数量，maxD表示路网距离阈值，maxN表示节点数阈值；
步骤6：计算路网距离：
对第j个路网单元使用矩阵MDj表示单元内部节点间的路网距离，具体如下：
MDj(x,y)＝mindistance(ux,uy),ux∈Uj,uy∈Uj
其中0<x≤|Uj|，0<y≤|Uj|，mindistance(ux,uy)表示路网单元Gj(Uj,Ej)中的第x个节点ux与第y个节点uy间的最短路网距离；
对第j个路网单元使用矩阵MNj表示单元内部节点与单元边界上节点的距离，具体如下：
MNj(a,b)＝mindistance(ua,ub),ua∈Uj,a,ub∈Uj,b
其中Uj,a表示第j个路网单元的节点集合Uj中内部节点的集合，Uj,b表示第j个路网单元的节点集合Uj中边界节点的集合，Uj,a∪Uj,b＝Uj；mindistance(ua,ub)表示路网单元Gj(Uj,Ej)中的内部节点ua与边界节点ub间的最短路网距离；
步骤7：如图3所示，基于路网单元的K近邻搜索：
步骤7-1：确定查询点q所在的路网单元；
步骤7-2：根据步骤2、步骤3和步骤4得到当前时刻所在路网单元内所有网约车的预测位置；
步骤7-3：在当前路网单元内，计算查询点q到当前路网单元边界上每个节点的路网距离以及查询点q与当前时刻所在路网单元内所有网约车的路网距离；
步骤7-4：如果在当前路网单元内网约车数量小于K，或者在当前路网单元内网约车数量大于等于K但查询点q到当前路网单元边界上任一节点的路网距离小于查询点 q与K个距离最近的网约车的最大路网距离，则将搜索范围扩展到相邻路网单元，计算查询点q到相邻路网单元内所有网约车的路网距离，最终输出当前路网单元和相邻路网单元中距离查询点q最近的K个网约车位置；
否则，如果在当前路网单元内网约车数量大于或等于K，并且查询点q到当前路网单元边界上任一节点的路网距离大于等于查询点q与K个距离最近的网约车的最大路网距离，则输出当前路网单元内距离查询点q最近的K个网约车位置。
优选地，步骤2中所述采样间隔T＝60s。
优选地，步骤4-1中所述S＝6。

Claims (3)

1.一种低采样率下的实时车辆K近邻查询方法，其特征在于，包括以下步骤：
步骤1：获取指定城市的城市路网数据，指定城市中指定数量的网约车轨迹数据；利用地图匹配算法对网约车轨迹数据和城市路网数据进行地图匹配，为每个轨迹点匹配相应的路段，同时在网约车轨迹数据中利用每个轨迹点相邻的轨迹点信息计算出网约车在该轨迹点的行驶速度和行车方向；
步骤2：定义车辆的位置历史记录为：
hist＝{loct-n，...，loct-1，loct}
其中，t表示距离当前时刻最近的上个采样时刻，t-n，t-n+1，...，t-1，t表示距离当前时刻最近的前n+1个采样时刻，loct-n，...，loct-1，loct表示距离当前时刻最近的前n+1个采样时刻的车辆位置；所述采样为均匀采样，采样间隔为T；
定义：当前时刻为tc，当前时刻距离最近的上个采样时刻的间隔时间span＝tc-t，车辆在距离当前时刻tc最近的n个采样间隔的平均速度为vs＝{vt-n+1，...，vt-1，vt}，其中vt-i＝(loct-i-loct-i-1)/T，i＝0，1，...，n-1；则车辆当前时刻的预测速度为：
Figure FDA0003350394720000011
其中vhistory表示距离当前时刻最近的前n个采样时刻之前的指定时间段内该车辆平均速度，ρ为权重；
步骤3：车辆当前所在路段的判断方法如下：
Figure FDA0003350394720000012
其中，l表示距离当前时刻最近的上个采样时刻车辆所在位置距离当前车辆所在路段两个端点的距离中较近者；
步骤4：根据步骤3的判断结果预测车辆当前时刻的位置；
情况1：车辆还在当前路段，则车辆当前时刻在当前路段的预测位置ppre为：
Figure FDA0003350394720000013
其中，p表示车辆距离当前时刻最近的上个采样时刻所在位置，0＜p＜1，length表示当前路段的长度；
情况2：车辆离开当前路段，车辆已经行驶到相邻路段或相隔路段；
采用如下LSTM深度学习模型预测车辆当前时刻的位置：
步骤4-1：选取指定数量的车辆位置信息作为训练样本，每连续S个采样间隔T的车辆位置为一个样本，其中第S个车辆位置为标签，采用最大值最小值法进行数据归一化；
步骤4-2：采用两层LSTM层结构，输入为样本中前S-1个采样间隔的车辆位置，输出为第S个车辆位置，对LSTM深度学习模型进行训练；
步骤4-3：使用训练完成的LSTM深度学习模型对车辆当前时刻的位置进行预测；
步骤5：基于层次聚类方法对路网进行划分：
将整个城市路网用G(U，E)表示，其中U表示路网中的节点集合，即交通系统中的路口；E表示路网中的边集合，即连接两个路口的路段；将G划分为M个路网单元G(U，E)＝{G1(U1，E1)，G2(U2，E2)，Gj(Uj，Ej)，...，GM(UM，EM)}，其中Gj(Uj，Ej)表示第j个路网单元，Uj表示第j个路网单元的节点集合，Ej表示第j个路网单元的边集合，j＝1，2，...，M；(Uj，Ej)满足：
Figure FDA0003350394720000021
其中，ej，k表示Ej中的第k个边，ustart和uend分别表示Ej中的第k个边两端的节点，uj，k表示Uj中的第k个节点，|u-uj，k|表示Uj中任意一个节点u和uj，k之间的路网距离，|Uj|表示Uj中的节点数量，maxD表示路网距离阈值，maxN表示节点数阈值；
步骤6：计算路网距离：
对第j个路网单元使用矩阵MDj表示单元内部节点间的路网距离，具体如下：
MDj(x，y)＝mindistance(ux，uy)，ux∈Uj，uy∈Uj
其中0＜x≤|Uj|，0＜y≤|Uj|，mindistance(ux，uy)表示路网单元Gj(Uj，Ej)中的第x个节点ux与第y个节点uy间的最短路网距离；
对第j个路网单元使用矩阵MNj表示单元内部节点与单元边界上节点的距离，具体如下：
MNj(a，b)＝mindistance(ua，ub)，ua∈Uj，a，ub∈Uj，b
其中Uj，a表示第j个路网单元的节点集合Uj中内部节点的集合，Uj，b表示第j个路网单元的节点集合Uj中边界节点的集合，Uj，a∪Uj，b＝Uj；mindistance(ua，ub)表示路网单元Gj(Uj，Ej)中的内部节点ua与边界节点ub间的最短路网距离；
步骤7：基于路网单元的K近邻搜索：
步骤7-1：确定查询点q所在的路网单元；
步骤7-2：根据步骤2、步骤3和步骤4得到当前时刻所在路网单元内所有网约车的预测位置；
步骤7-3：在当前路网单元内，计算查询点q到当前路网单元边界上每个节点的路网距离以及查询点q与当前时刻所在路网单元内所有网约车的路网距离；
步骤7-4：如果在当前路网单元内网约车数量小于K，或者在当前路网单元内网约车数量大于等于K但查询点q到当前路网单元边界上任一节点的路网距离小于查询点q与K个距离最近的网约车的最大路网距离，则将搜索范围扩展到相邻路网单元，计算查询点q到相邻路网单元内所有网约车的路网距离，最终输出当前路网单元和相邻路网单元中距离查询点q最近的K个网约车位置；
否则，如果在当前路网单元内网约车数量大于或等于K，并且查询点q到当前路网单元边界上任一节点的路网距离大于等于查询点q与K个距离最近的网约车的最大路网距离，则输出当前路网单元内距离查询点q最近的K个网约车位置。
2.根据权利要求1所述的一种低采样率下的实时车辆K近邻查询方法，其特征在于，步骤2中所述采样间隔T＝60s。
3.根据权利要求1所述的一种低采样率下的实时车辆K近邻查询方法，其特征在于，步骤4-1中所述S＝6。
CN202010958535.5A 2020-09-14 2020-09-14 一种低采样率下的实时车辆k近邻查询方法 Expired - Fee Related CN112183589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010958535.5A CN112183589B (zh) 2020-09-14 2020-09-14 一种低采样率下的实时车辆k近邻查询方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010958535.5A CN112183589B (zh) 2020-09-14 2020-09-14 一种低采样率下的实时车辆k近邻查询方法

Publications (2)

Publication Number Publication Date
CN112183589A CN112183589A (zh) 2021-01-05
CN112183589B true CN112183589B (zh) 2022-04-22

Family

ID=73920797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010958535.5A Expired - Fee Related CN112183589B (zh) 2020-09-14 2020-09-14 一种低采样率下的实时车辆k近邻查询方法

Country Status (1)

Country Link
CN (1) CN112183589B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113778987B (zh) * 2021-08-20 2023-10-17 江西省军民融合研究院 基于北斗位置服务平台的路网查询方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102810118A (zh) * 2012-07-05 2012-12-05 上海电力学院 一种变权网k近邻搜索方法
CN103473248A (zh) * 2012-12-17 2013-12-25 东北大学 一种路网环境下的连续移动k近邻查询方法
KR101625957B1 (ko) * 2015-03-09 2016-05-31 경북대학교 산학협력단 도로 네트워크에서 움직이는 영역내의 관심지점 k 최접근 질의 결과 연산 시스템 및 그에 따른 연산방법
KR20160109322A (ko) * 2015-03-11 2016-09-21 경북대학교 산학협력단 위치 불확실성을 가진 이동 객체에 대한 움직이는 영역 내 k 최근접 질의 처리 방법
CN107291963A (zh) * 2017-08-14 2017-10-24 海南师范大学 一种路网移动环境下的knn查询方法及系统
CN108304542A (zh) * 2018-01-31 2018-07-20 沈阳航空航天大学 一种时间依赖路网中的连续k近邻查询方法
US10169468B2 (en) * 2013-02-13 2019-01-01 Ajou University Industry—Academic Cooperation Foundation Secure monitoring technique for moving k-nearest queries in road network
CN109271467A (zh) * 2018-08-30 2019-01-25 浙江工业大学 一种方向感知的路网移动对象k近邻查询方法
CN109410586A (zh) * 2018-12-13 2019-03-01 中南大学 一种基于多元数据融合的交通状态检测方法
CN109544911A (zh) * 2018-10-30 2019-03-29 中山大学 一种基于lstm-cnn的城市路网交通状态预测方法
CN109902711A (zh) * 2019-01-14 2019-06-18 南京航空航天大学 一种时间依赖路网上的移动对象k近邻查询算法
CN110070121A (zh) * 2019-04-15 2019-07-30 西北工业大学 一种基于树策略与平衡k均值聚类的快速近似k近邻方法
CN110737657A (zh) * 2019-08-29 2020-01-31 浙江工业大学 基于路网的移动对象k近邻查询验证方法
CN110750853A (zh) * 2019-08-29 2020-02-04 浙江工业大学 基于方向约束的路网连续k近邻查询方法
CN111353107A (zh) * 2020-03-26 2020-06-30 烟台大学 一种面向路网移动对象的连续k近邻查询方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8892350B2 (en) * 2011-12-16 2014-11-18 Toyoda Jidosha Kabushiki Kaisha Journey learning system
US20160328654A1 (en) * 2015-05-04 2016-11-10 Agt International Gmbh Anomaly detection for context-dependent data
CN111275225B (zh) * 2018-12-04 2022-07-19 北京嘀嘀无限科技发展有限公司 空车轨迹预测方法、预测装置、服务器和可读存储介质
CN111191949B (zh) * 2020-01-03 2022-06-17 北京三快在线科技有限公司 网约车辆异常行驶行为识别方法、装置、电子设备

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102810118A (zh) * 2012-07-05 2012-12-05 上海电力学院 一种变权网k近邻搜索方法
CN103473248A (zh) * 2012-12-17 2013-12-25 东北大学 一种路网环境下的连续移动k近邻查询方法
US10169468B2 (en) * 2013-02-13 2019-01-01 Ajou University Industry—Academic Cooperation Foundation Secure monitoring technique for moving k-nearest queries in road network
KR101625957B1 (ko) * 2015-03-09 2016-05-31 경북대학교 산학협력단 도로 네트워크에서 움직이는 영역내의 관심지점 k 최접근 질의 결과 연산 시스템 및 그에 따른 연산방법
KR20160109322A (ko) * 2015-03-11 2016-09-21 경북대학교 산학협력단 위치 불확실성을 가진 이동 객체에 대한 움직이는 영역 내 k 최근접 질의 처리 방법
CN107291963A (zh) * 2017-08-14 2017-10-24 海南师范大学 一种路网移动环境下的knn查询方法及系统
CN108304542A (zh) * 2018-01-31 2018-07-20 沈阳航空航天大学 一种时间依赖路网中的连续k近邻查询方法
CN109271467A (zh) * 2018-08-30 2019-01-25 浙江工业大学 一种方向感知的路网移动对象k近邻查询方法
CN109544911A (zh) * 2018-10-30 2019-03-29 中山大学 一种基于lstm-cnn的城市路网交通状态预测方法
CN109410586A (zh) * 2018-12-13 2019-03-01 中南大学 一种基于多元数据融合的交通状态检测方法
CN109902711A (zh) * 2019-01-14 2019-06-18 南京航空航天大学 一种时间依赖路网上的移动对象k近邻查询算法
CN110070121A (zh) * 2019-04-15 2019-07-30 西北工业大学 一种基于树策略与平衡k均值聚类的快速近似k近邻方法
CN110737657A (zh) * 2019-08-29 2020-01-31 浙江工业大学 基于路网的移动对象k近邻查询验证方法
CN110750853A (zh) * 2019-08-29 2020-02-04 浙江工业大学 基于方向约束的路网连续k近邻查询方法
CN111353107A (zh) * 2020-03-26 2020-06-30 烟台大学 一种面向路网移动对象的连续k近邻查询方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Monitoring Neighboring Vehicles for Safety via V2V Communication;Bo Xu 等;《Proceedings of 2011 IEEE International Conference on Vehicular Electronics and Safety》;20111231;280-285 *
On-line map-matching framework for floating car data with low sampling rate in urban road networks;Zhao-cheng He 等;《IET Intelligent Transport Systems》;20131231;404-414 *
基于K近邻查询的出租车供应量评估方法;覃文杰;《电脑知识与技术》;20180331;第14卷(第7期);231-233 *
基于低采样率浮动车数据的全局投票地图匹配算法;杨旭华 等;《浙江工业大学学报》;20150630;第43卷(第3期);318-325 *
时间依赖路网上的移动对象Ｋ近邻查询算法;张彤 等;《计算机科学》;20200131;第47卷(第1期);79-86 *
道路网中的移动对象连续K近邻查询;赵亮 等;《计算机学报》;20100831;第33卷(第8期);1396-1404 *

Also Published As

Publication number Publication date
CN112183589A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN113724504B (zh) 一种面向车辆轨迹大数据的城市区域流量预测系统及方法
CN109000668B (zh) 基于车联网的实时智能导航方法
CN102810118B (zh) 一种变权网k近邻搜索方法
CN109959388B (zh) 一种基于栅格扩展模型的智能交通精细化路径规划方法
EP3410348A1 (en) Method and apparatus for building a parking occupancy model
CN105261212B (zh) 一种基于出租车gps数据地图匹配的出行时空分析方法
CN109064748B (zh) 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法
CN107292417B (zh) 基于重污染序列案例库的区域重污染判别预报方法及装置
CN106845703B (zh) 一种考虑转向延误的城市路网时变k最短路径搜索方法
CN102538806A (zh) 一种路径规划方法以及相关设备
CN112863182B (zh) 基于迁移学习的跨模态数据预测方法
CN109902711B (zh) 一种时间依赖路网上的移动对象k近邻查询算法
CN111197991A (zh) 基于深度神经网络的预测车辆最佳驾驶路径方法
CN109635914B (zh) 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法
CN111028511B (zh) 一种交通拥堵预警方法及装置
CN112183589B (zh) 一种低采样率下的实时车辆k近邻查询方法
CN112579921B (zh) 基于倒排序索引及前缀树的轨迹索引和查询方法及系统
CN107655490B (zh) 基于移动用户轨迹分段和最热搜索的热点路径发现方法
CN110674990B (zh) 设置滑动窗口更新机制的即时配送路径选择方法及系统
CN114253975A (zh) 一种负载感知的路网最短路径距离计算方法及装置
CN112052405B (zh) 一种基于司机经验的寻客区域推荐方法
CN112101132B (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
CN110648531B (zh) 一种车载自组织网络中基于深度学习的节点移动性预测方法
Lü et al. A heuristic path-estimating algorithm for large-scale real-time traffic information calculating
Waury et al. Assessing the accuracy benefits of on-the-fly trajectory selection in fine-grained travel-time estimation

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220422