CN112672288B - 基于卡口记录的车辆轨迹预测方法及装置 - Google Patents

Abstract

本申请实施例公开了基于卡口记录的车辆轨迹预测方法及装置。本申请实施例提供的技术方案，通过获取当前车辆已知轨迹末段的卡口序列，基于卡口序列构建对应不同阶数的候选模式，通过候选模式筛选确定命中模式，并提取与命中模式匹配的历史轨迹，作为命中轨迹。以命中模式中最后一个卡口作为预测标记并对齐命中轨迹，从预测标记之后依次使用预设的加权窗口滑动选中各个命中轨迹的卡口作为命中卡口，基于卡口数量和卡口位置的窗口权重从命中卡口中逐个确定预测卡口，基于各个预测卡口选中一个命中轨迹作为预测轨迹。采用上述技术手段，可以基于当前车辆的已知轨迹准确地选择一历史轨迹作为预测轨迹，以此来提升车辆轨迹的预测效率和精准度。

Description

基于卡口记录的车辆轨迹预测方法及装置

技术领域

本申请实施例涉及智慧交通技术领域，尤其涉及基于卡口记录的车辆轨迹预测方法及装置。

背景技术

车辆轨迹预测是智慧交通的重要一环，其具有极为广泛的应用范围，能够为社会、企业和个人创造价值。例如，通过提前预测车辆轨迹，可以辅助交通管理机构更加有效的管理公共交通。交通管理机构通过预知某些特定车辆的未来地点，可提前通知特定车辆提前变更路线避免拥堵，以此可提高城市路网的通行效率。目前，在进行车辆轨迹预测时，可以使用车载GPS定位数据或者卡口数据作为基础数据进行车辆轨迹预测。其中，车辆GPS定位数据的数据质量相对较好，能够较密集、清晰地获得车辆的行驶轨迹。基于这部分数据进行车辆轨迹预测可以得到较好的预测效果。但这部分数据较难获取，其应用范围较为局限。而卡口数据则是通过架设在道路的摄像头采集车辆信息得来，其数据获取难度相对较小，适于做车辆轨迹预测的基础数据。

目前基于卡口数据进行车辆轨迹预测时，主要采用传统机器学习方法或者深度学习方法，这两种方法在进行车辆轨迹预测时，其预测流程相对较为复杂，且难以达到理想的车辆轨迹预测效果。

发明内容

本申请实施例提供基于卡口记录的车辆轨迹预测方法及装置，能够基于车辆轨迹的模式构造进行轨迹预测，实现精确、高效的车辆轨迹预测。

在第一方面，本申请实施例提供了一种基于卡口记录的车辆轨迹预测方法，包括：

获取当前车辆已知轨迹末段的卡口序列，所述卡口序列包含设定数量卡口，基于所述卡口序列和所述设定数量构建对应不同阶数的候选模式；

查询当前车辆的历史轨迹，基于所述历史轨迹与各个所述候选模式的匹配结果确定各个所述候选模式的模式支持度；

基于所述模式支持度以及各个所述候选模式对应的阶数计算各个所述候选模式的加权支持度，确定所述加权支持度最高的所述候选模式作为命中模式，并提取与所述命中模式匹配的所述历史轨迹，作为命中轨迹；

以所述命中模式中最后一个卡口作为预测标记并对齐所述命中轨迹，从所述预测标记之后依次使用预设的加权窗口滑动选中各个命中轨迹的卡口作为命中卡口，所述加权窗口定义了所述加权窗口中各个卡口位置的窗口权重；

基于卡口数量和卡口位置所对应的窗口权重从所述命中卡口中逐个确定预测卡口，基于各个所述预测卡口选中一个所述命中轨迹作为预测轨迹。

进一步的，基于所述卡口序列构建对应不同阶数的候选模式，包括：

以所述卡口序列的最后一个卡口作为一阶候选模式；

依据不同阶数从所述卡口序列的最后一个卡口开始选择对应数量的卡口，并逐个阶数构建候选模式，直至完成阶数为所述设定数量的候选模式构建。

进一步的，依据不同阶数从所述卡口序列的最后一个卡口开始选择对应数量的卡口，并逐个阶数构建候选模式，包括：

从各个阶数的候选模式中插空一个模糊卡口，构建新的所述候选模式，所述模糊卡口为路网中的任意卡口。

进一步的，在基于所述模式支持度以及各个所述候选模式对应的阶数计算各个所述候选模式的加权支持度中，加权支持度计算公式为：

p＝i*p′

其中，p为加权支持度，i为各个所述候选模式所对应的阶数，p′为各个所述候选模式的模式支持度。

进一步的，确定所述加权支持度最高的所述候选模式作为命中模式，包括：

若所述加权支持度最高的所述候选模式为多个，从对应的所述候选模式中筛选阶数最高的所述候选模式作为命中模式。

进一步的，基于卡口数量和卡口位置所对应的窗口权重从所述命中卡口中逐个确定预测卡口，包括：

从所述命中卡口中确定各个卡口的卡口数量和卡口位置所对应的窗口权重；

基于所述卡口数量和所述窗口权重计算各个卡口的加权卡口支持度，从所述命中卡口中选取所述加权卡口支持度最高的卡口作为预测卡口。

进一步的，基于各个所述预测卡口选中一个所述命中轨迹作为预测轨迹，包括：

在所述预测卡口为所述命中轨迹的最后一个卡口时，结束车辆轨迹预测，并以所述预测卡口依序匹配的所述命中轨迹作为预测轨迹。

在第二方面，本申请实施例提供了一种基于卡口记录的车辆轨迹预测装置，包括：

构建模块，用于获取当前车辆已知轨迹末段的卡口序列，所述卡口序列包含设定数量卡口，基于所述卡口序列和所述设定数量构建对应不同阶数的候选模式；

匹配模块，用于查询当前车辆的历史轨迹，基于所述历史轨迹与各个所述候选模式的匹配结果确定各个所述候选模式的模式支持度；

计算模块，用于基于所述模式支持度以及各个所述候选模式对应的阶数计算各个所述候选模式的加权支持度，确定所述加权支持度最高的所述候选模式作为命中模式，并提取与所述命中模式匹配的所述历史轨迹，作为命中轨迹；

选中模块，用于以所述命中模式中最后一个卡口作为预测标记并对齐所述命中轨迹，从所述预测标记之后依次使用预设的加权窗口滑动选中各个命中轨迹的卡口作为命中卡口，所述加权窗口定义了所述加权窗口中各个卡口位置的窗口权重；

预测模块，用于基于卡口数量和卡口位置所对应的窗口权重从所述命中卡口中逐个确定预测卡口，基于各个所述预测卡口选中一个所述命中轨迹作为预测轨迹。

在第三方面，本申请实施例提供了一种电子设备，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的基于卡口记录的车辆轨迹预测方法。

在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的基于卡口记录的车辆轨迹预测方法。

本申请实施例通过获取当前车辆已知轨迹末段的卡口序列，基于卡口序列构建对应不同阶数的候选模式，基于历史轨迹与各个候选模式的匹配结果确定各个候选模式的模式支持度，基于模式支持度以及各个候选模式对应的阶数计算各个候选模式的加权支持度，确定加权支持度最高的候选模式作为命中模式，并提取与命中模式匹配的历史轨迹，作为命中轨迹。之后，以命中模式中最后一个卡口作为预测标记并对齐命中轨迹，从预测标记之后依次使用预设的加权窗口滑动选中各个命中轨迹的卡口作为命中卡口，基于卡口数量和卡口位置所对应的窗口权重从命中卡口中逐个确定预测卡口，基于各个预测卡口选中一个命中轨迹作为预测轨迹。采用上述技术手段，可以基于当前车辆的已知轨迹准确地选择一历史轨迹作为预测轨迹，以此来提升车辆轨迹的预测效率和精准度。

附图说明

图1是本申请实施例一提供的一种基于卡口记录的车辆轨迹预测方法的流程图；

图2是本申请实施例一中的候选模式构建流程图；

图3是本申请实施例一中各个阶数的候选模式构建示意图；

图4是本申请实施例一中的命中模式确定流程图；

图5是本申请实施例一中的加权窗口的卡口预测示意图；

图6是本申请实施例一中的卡口预测流程图；

图7是本申请实施例二提供的一种基于卡口记录的车辆轨迹预测装置的结构示意图；

图8是本申请实施例三提供的一种电子设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

本申请提供的基于卡口记录的车辆轨迹预测方法，旨在通过车辆的已知轨迹对应进行候选模式构建，并基于候选模式匹配相应的历史轨迹，对历史轨迹进行筛选，得到最终的车辆预测轨迹。以此来高效精确地进行车辆轨迹预测。相对于传统的车辆轨迹预测方式，其主要基于传统机器学习方法或深度学习方法进行车辆轨迹预测。其中，传统机器学习方法中用于车辆轨迹预测最常见的方法就是频繁模式挖掘和马尔科夫链的应用。一般来说基于频繁模式挖掘的方法通常是针对车辆历史轨迹分析车辆行驶的模式，根据频繁出现的行驶模式对车辆进行轨迹预测。而马尔科夫链方法通常利用统计学方法统计出各个卡口对应的下一卡口出现的概率，在进行轨迹预测时直接按照概率预测轨迹。另一方面，对于深度学习方法，其常用的轨迹预测技术是采用卷积神经网络做短时间隔预测，或直接使用循环神经网络做长时间隔预测。由于传统的车辆轨迹预测方法没有较好地结合车辆的历史轨迹进行轨迹预测，其预测结果难以达到理想的精准度。并且，整个轨迹预测过程相对繁琐，预测效率相对较低。基于此，提供本申请实施例的基于卡口记录的车辆轨迹预测方法，以解决现有车辆轨迹预测的精准度问题，并提升车辆轨迹预测的效率。

实施例一：

图1给出了本申请实施例一提供的一种基于卡口记录的车辆轨迹预测方法的流程图，本实施例中提供的基于卡口记录的车辆轨迹预测方法可以由基于卡口记录的车辆轨迹预测设备执行，该基于卡口记录的车辆轨迹预测设备可以通过软件和/或硬件的方式实现，该基于卡口记录的车辆轨迹预测设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该基于卡口记录的车辆轨迹预测设备可以是计算机等各类数据处理设备。

下述以基于卡口记录的车辆轨迹预测设备为执行基于卡口记录的车辆轨迹预测方法的主体为例，进行描述。参照图1，该基于卡口记录的车辆轨迹预测方法具体包括：

S110、获取当前车辆已知轨迹末段的卡口序列，所述卡口序列包含设定数量卡口，基于所述卡口序列和所述设定数量构建对应不同阶数的候选模式。

在进行车辆轨迹预测过程中，首先通过各个卡口摄像头实时采集的车辆信息确定当前车辆的运行轨迹，即已知轨迹。从已知轨迹中提取最后N个(即设定数量)卡口构成的卡口序列，基于该卡口序列进行候选模式的构建。本申请实施例中，构建候选模式是为了便于后续进行相关历史轨迹的筛选，确保筛选到的历史轨迹与当前车辆的卡口序列相关，以此来保障车辆轨迹预测的准确度。需要说明的是，本申请实施例中，车辆轨迹被定义为{车辆x：<卡口1，卡口2，卡口3…卡口N>}，每条车辆轨迹包含了车辆在一次行程所经过的所有卡口，并且包含对应的车辆信息。

对应获取到的卡口序列，基于该卡口序列进行候选模式的构建。参照图2，候选模式构建流程包括：

S1101、以所述卡口序列的最后一个卡口作为一阶候选模式；

S1102、依据不同阶数从所述卡口序列的最后一个卡口开始选择对应数量的卡口，并逐个阶数构建候选模式，直至完成阶数为所述设定数量的候选模式构建。

具体的，基于卡口序列中依序排列的N个卡口，构建出该卡口序列的1-N阶候选模式。其中，候选模式由卡口序列中包含的若干个卡口组成。其中，一阶候选模式包含卡口序列的最后一个卡口，二阶候选模式包含卡口序列的最后两个卡口，以此类推，依据不同阶数从卡口序列的最后一个卡口开始选择对应数量的卡口，并逐个阶数构建候选模式。可以理解的是，对应第N阶候选模式，其应当包含N个卡口，即卡口序列的所有卡口。需要说明的是，由于是基于当前车辆的已知轨迹进行轨迹预测，且在轨迹预测时基于历史轨迹的筛选确定相应的预测轨迹。因此本申请实施例通过卡口序列来构建候选模式，以便于通过候选模式筛选当前车辆的历史轨迹。此外，考虑到直接以卡口序列的全部卡口构建候选模式，其匹配到的历史轨迹可能相对较少。因此，本申请实施例基于卡口序列构建1-N阶候选模式，以使得匹配到的历史轨迹数量充足，避免因为历史轨迹样本数量较少而影响轨迹筛选和预测效果。

在一个实施例中，进行候选模式构建时，还从各个阶数的候选模式中插空一个模糊卡口，构建新的所述候选模式，所述模糊卡口为路网中的任意卡口。基于插空法的方式在已构建的候选模式的基础上将模糊卡口插空至候选模式的对应位置，以此可以构建新的候选模式。由于卡口摄像头可能存在漏拍或者识别误差的情况，导致一些卡口的车辆信息可能被忽略，使得当前车辆的已知轨迹没有记录相应的卡口。而为了避免卡口疏漏的情况，通过插空一个模糊卡口至已有候选模式构建新的候选模式，可以使得各个候选模式覆盖足够数量的相关历史轨迹。

示例性的，参照图3，提供各个阶数候选模式的构建示意图。其中，卡口序列{a:<1-2-3>}进行1-3阶候选模式的构建，得到一阶候选模式<3>、二阶候选模式<2-3>、<2-*-3>以及三阶候选模式中<1-*-2-3>、<1-2-*-3>和<1-2-3>。其中，卡口序列{a:<1-2-3>}的三阶候选模式中<1-2-3>是卡口序列本身，<2-*-3>、<1-*-2-3>和<1-2-*-3>是利用模糊卡口“*”对候选模式进行插空得到。通过插空得到的候选模式为1-N阶候选模式中的模糊模式，其在模式构造时加入模糊卡口“*”，使得构造出的新的候选模式对噪声卡口具有一定的容忍度，即使历史轨迹与待预测轨迹无法完全匹配，新构造出的模糊模式仍然可能匹配到历史轨迹，以此降低了噪声对算法的干扰，针对确定性不高的历史轨迹进行匹配，提高匹配效果。

S120、查询当前车辆的历史轨迹，基于所述历史轨迹与各个所述候选模式的匹配结果确定各个所述候选模式的模式支持度。

基于已构建的候选模式，通过查询当前车辆的历史轨迹，将各个候选模式与对应的历史轨迹匹配。其中，若历史轨迹中包含了对应一个候选模式部分的轨迹，则认为该历史轨迹与对应候选模式匹配，以此确定各个候选模式所匹配的历史轨迹。通过构建候选模式匹配历史轨迹，可以尽可能的多匹配出历史轨迹，以此可提高车辆轨迹预测的覆盖率。

对于匹配到的历史轨迹，需要对历史轨迹进行筛选，从中确定一个历史轨迹作为预测轨迹。由于当前车辆已知轨迹可以构造出多种模式，而且每种模式又可以匹配到多条历史轨迹。对于匹配到的多条历史轨迹进行筛选时，需要一种能够选择合适的候选模式的方法来缩小历史轨迹的选择范围。因此，本申请实施例采用计算模式支持度的方法进行候选模式的筛选。

具体的，模式支持度是一个正整数。当某个候选模式以滑动窗口的方式在存储历史轨迹的车辆轨迹簇中进行匹配，每匹配到一个历史轨迹，则该候选模式的模式支持度加1。遍历所有历史轨迹后就得到该候选模式的模式支持度。例如：车辆轨迹簇中包括{<1-2-3>；<1-2-4>；<1-2-5>；<2-3-5>；<2-3-4>；<1-2-3-4>}，那么候选模式<1-*-3>的模式支持度为2，候选模式<1-2>的模式支持度为4。以此即可确定各个候选模式的模式支持度，模式支持度越高表明在历史轨迹中与该候选模式匹配的轨迹就越多，则该候选模式就越有效。

S130、基于所述模式支持度以及各个所述候选模式对应的阶数计算各个所述候选模式的加权支持度，确定所述加权支持度最高的所述候选模式作为命中模式，并提取与所述命中模式匹配的所述历史轨迹，作为命中轨迹。

在进行车辆预测时，只需要取出某一个或者少量候选模式命中的历史轨迹，并使用这些历史轨迹对当前车辆未来的轨迹进行预测。因此，本申请实施例使用模式支持度为候选模式的筛选提供一种度量手段。可以理解的是，对应不同阶数的候选模式，其阶数越小，就越容易匹配到历史轨迹。例如一阶候选模式<3>和三阶候选模式<1-2-3>中，一阶候选模式<3>匹配到的历史轨迹是大于或等于三阶候选模式<1-2-3>的。因此，为了准确地度量各个不同阶数的候选模式的有效性，本申请实施例结合模式支持度以及各个候选模式对应的阶数计算各个候选模式的加权支持度，以加权支持度评价各个候选模式，进而进行候选模式的筛选。

具体的，加权支持度计算公式为：

p＝i*p′

其中，p为加权支持度，i为各个所述候选模式所对应的阶数，p′为各个所述候选模式的模式支持度。例如，候选模式<1-2>的模式支持度为4，则其加权支持度p＝2×4＝8。

进一步的，基于上述计算公式得到各个候选模式的加权支持度之后，即可对应加权支持度的大小进行候选模式的筛选。参照图4，基于各个候选模式，选择加权支持度(Weighted Support Degree，WSD)最高的候选模式。若加权支持度最高的候选模式为1个，则以该单个候选模式为命中模式。若所述加权支持度最高的所述候选模式为多个，从对应的所述候选模式中筛选阶数最高的所述候选模式作为命中模式。需要说明的是，无论阶数最高的候选模式为单个或是多个，均以这部分候选模式作为命中模式。

基于已确定的命中模式，提取该命中模式所匹配的历史轨迹，定义这部分历史轨迹为命中轨迹。可以理解的是，当前车辆以往的历史轨迹应当与该命中模式高度匹配。而命中轨迹与当前车辆已知轨迹末段的卡口序列也高度匹配，其作为当前车辆未来运行轨迹的可能性相对较大。

S140、以所述命中模式中最后一个卡口作为预测标记并对齐所述命中轨迹，从所述预测标记之后依次使用预设的加权窗口滑动选中各个命中轨迹的卡口作为命中卡口，所述加权窗口定义了所述加权窗口中各个卡口位置的窗口权重。

S150、基于卡口数量和卡口位置所对应的窗口权重从所述命中卡口中逐个确定预测卡口，基于各个所述预测卡口选中一个所述命中轨迹作为预测轨迹。

最终，基于上述确定的命中轨迹，本申请实施例从命中轨迹中进行筛选，确定最终的预测轨迹。筛选命中轨迹时，使用一个加权窗口进行卡口预测，逐个确定预测卡口。在此之前，以命中模式中最后一个卡口作为预测标记，所有命中轨迹均以该预测标记进行对齐。并在这一预测标记之后，使用该加权窗口沿命中轨迹滑动，进行卡口预测。

具体的，参照图5，提供加权窗口的卡口预测示意图。如图5所示，基于命中模式<1-2>确定多个命中轨迹。在使用加权窗口对命中轨迹进行卡口预测时，对命中模式最后一个卡口“2”处进行预测标记，并基于卡口“2”将各个命中轨迹对齐。进一步的，加权窗口从卡口“2”之后开始进行卡口预测。逐个确定<1-2>之后的预测卡口，最终确定相应的预测轨迹。

更具体的，在进行卡口预测时，参照图6，卡口预测流程包括：

S1501、从所述命中卡口中确定各个卡口的卡口数量和卡口位置所对应的窗口权重；

S1502、基于所述卡口数量和所述窗口权重计算各个卡口的加权卡口支持度，从所述命中卡口中选取所述加权卡口支持度最高的卡口作为预测卡口。

同样的，为了从加权窗口选中的命中卡口中选择一个卡口作为预测卡口，本申请实施例引入卡口支持度来评价各个卡口的有效性。卡口支持度是一个整数。通过加权窗口选中对应的命中卡口。统计窗口内各个卡口出现的次数，即为对应卡口的卡口支持度。由于窗口的长度可能大于1，即窗口中不同卡口在轨迹序列中的排列位置可能不同。而加权窗口的一次卡口预测只确定一个预测卡口，其排在加权窗口前列的卡口的有效性应当大于排在后列的卡口。即加权窗口中，各类卡口的有效性不但受卡口数量的影响，还受卡口在窗口中的位置顺序影响。因此，不能够简单以卡口支持度确定预测卡口。为此每申请引入加权卡口支持度的概念，基于卡口数量和窗口权重计算各个卡口的加权卡口支持度。本申请实施例中，预先设定加权窗口的长度为L个单位卡口，其中加权窗口中根据前后排列顺序设定对应的窗口权重，窗口权重设置依次为L、L-1、L-2...、1，位于窗口前列的卡口，其窗口权重相对较大。如图5所示，加权窗口的长度为2，则加权窗口中，第一个卡口的窗口权重为2，第二个卡口的窗口权重为1。进一步基于卡口数量和窗口权重计算加权支持度时，对于一类卡口，基于该卡口在加权窗口中的出现次数，将该卡口在各个位置的窗口权重叠加，得到该加权卡口支持度。具体的，加权卡口支持度的计算公式为：

其中，Predict(id)为对应id卡口的加权卡口支持度，各类卡口根据id进行区分；L为加权窗口的长度，w_i为加权窗口中第i个窗口位置卡口的窗口权重，count_i(id)为第i个窗口位置上对应id卡口的卡口数量。

参照图5，通过加权窗口选中命中卡口，进行第一轮卡口预测。在命中卡口中，统计卡口3的出现次数为八次，其中有七个卡口3的权重为2，一个卡口3的权重为1，则基于上述加权支持度计算公式计算得到卡口3的加权卡口支持度为15。参照上述计算方式分别计算命中卡口中各卡口的加权卡口支持度。最终确定卡口3的加权卡口支持度最高，则卡口3为本轮加权窗口确定的预测卡口。进一步的，基于已预测确定的卡口3，筛除部分不包含卡口3的命中轨迹。对剩余的命中轨迹，基于卡口3将各个命中轨迹对齐。从卡口3之后使用加权窗口进行新一轮的卡口预测。同样的，通过计算加权支持度，确定卡口6为本轮的预测卡口。以此类推，在所述预测卡口为所述命中轨迹的最后一个卡口时，结束车辆轨迹预测，并以所述预测卡口依序匹配的所述命中轨迹作为预测轨迹。如图5所示，卡口6为命中轨迹中的最后一个卡口，则标识当前车辆轨迹预测结束。此时基于卡口预测得到的卡口3和卡口6，从命中轨迹中筛选得到最终的预测轨迹为<1-2-3-6>,以此完成车辆轨迹预测。需要说明的是，对于多个命中模式的卡口预测，由于命中模式为最高阶候选模式，其各个候选模式中的最后一个卡口应当相同。因此，在对多个命中模式进行卡口预测时，基于各个命中模式确定的命中轨迹，基于命中模式最后一个卡口将命中轨迹对齐，并同样使用该加权窗口依次确定预测卡口，直至完成车辆轨迹预测。通过加权窗口预测的方式，提供一种投票选择的模式进行卡口预测，基于加权支持度来确定预测卡口，可以解决单个卡口的不确定性对预测效果的干扰，保障预测卡口的可靠性和准确性，进而提升车辆轨迹预测的精准度。使得最终基于历史轨迹筛选确定的预测轨迹，可以与车辆当前已知轨迹高度匹配。

上述，通过获取当前车辆已知轨迹末段的卡口序列，基于卡口序列构建对应不同阶数的候选模式，基于历史轨迹与各个候选模式的匹配结果确定各个候选模式的模式支持度，基于模式支持度以及各个候选模式对应的阶数计算各个候选模式的加权支持度，确定加权支持度最高的候选模式作为命中模式，并提取与命中模式匹配的历史轨迹，作为命中轨迹。之后，以命中模式中最后一个卡口作为预测标记并对齐命中轨迹，从预测标记之后依次使用预设的加权窗口滑动选中各个命中轨迹的卡口作为命中卡口，基于卡口数量和卡口位置所对应的窗口权重从命中卡口中逐个确定预测卡口，基于各个预测卡口选中一个命中轨迹作为预测轨迹。采用上述技术手段，可以基于当前车辆的已知轨迹准确地选择一历史轨迹作为预测轨迹，以此来提升车辆轨迹的预测效率和精准度。

实施例二：

在上述实施例的基础上，图7为本申请实施例二提供的一种基于卡口记录的车辆轨迹预测装置的结构示意图。参考图7，本实施例提供的基于卡口记录的车辆轨迹预测装置具体包括：构建模块21、匹配模块22、计算模块23、选中模块24和预测模块25。

其中，构建模块21用于获取当前车辆已知轨迹末段的卡口序列，所述卡口序列包含设定数量卡口，基于所述卡口序列和所述设定数量构建对应不同阶数的候选模式；

匹配模块22用于查询当前车辆的历史轨迹，基于所述历史轨迹与各个所述候选模式的匹配结果确定各个所述候选模式的模式支持度；

计算模块23用于基于所述模式支持度以及各个所述候选模式对应的阶数计算各个所述候选模式的加权支持度，确定所述加权支持度最高的所述候选模式作为命中模式，并提取与所述命中模式匹配的所述历史轨迹，作为命中轨迹；

选中模块24用于以所述命中模式中最后一个卡口作为预测标记并对齐所述命中轨迹，从所述预测标记之后依次使用预设的加权窗口滑动选中各个命中轨迹的卡口作为命中卡口，所述加权窗口定义了所述加权窗口中各个卡口位置的窗口权重；

预测模块25用于基于卡口数量和卡口位置所对应的窗口权重从所述命中卡口中逐个确定预测卡口，基于各个所述预测卡口选中一个所述命中轨迹作为预测轨迹。

上述，通过获取当前车辆已知轨迹末段的卡口序列，基于卡口序列构建对应不同阶数的候选模式，基于历史轨迹与各个候选模式的匹配结果确定各个候选模式的模式支持度，基于模式支持度以及各个候选模式对应的阶数计算各个候选模式的加权支持度，确定加权支持度最高的候选模式作为命中模式，并提取与命中模式匹配的历史轨迹，作为命中轨迹。之后，以命中模式中最后一个卡口作为预测标记并对齐命中轨迹，从预测标记之后依次使用预设的加权窗口滑动选中各个命中轨迹的卡口作为命中卡口，基于卡口数量和卡口位置所对应的窗口权重从命中卡口中逐个确定预测卡口，基于各个预测卡口选中一个命中轨迹作为预测轨迹。采用上述技术手段，可以基于当前车辆的已知轨迹准确地选择一历史轨迹作为预测轨迹，以此来提升车辆轨迹的预测效率和精准度。

本申请实施例二提供的基于卡口记录的车辆轨迹预测装置可以用于执行上述实施例一提供的基于卡口记录的车辆轨迹预测方法，具备相应的功能和有益效果。

实施例三：

本申请实施例三提供了一种电子设备，参照图8，该电子设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器的数量可以是一个或者多个，该电子设备中的存储器的数量可以是一个或者多个。该电子设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。

存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的基于卡口记录的车辆轨迹预测方法对应的程序指令/模块(例如，基于卡口记录的车辆轨迹预测装置中的构建模块、匹配模块、计算模块、选中模块和预测模块)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信模块33用于进行数据传输。

处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于卡口记录的车辆轨迹预测方法。

输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。

上述提供的电子设备可用于执行上述实施例一提供的基于卡口记录的车辆轨迹预测方法，具备相应的功能和有益效果。

实施例四：

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于卡口记录的车辆轨迹预测方法，该基于卡口记录的车辆轨迹预测方法包括：获取当前车辆已知轨迹末段的卡口序列，所述卡口序列包含设定数量卡口，基于所述卡口序列和所述设定数量构建对应不同阶数的候选模式；查询当前车辆的历史轨迹，基于所述历史轨迹与各个所述候选模式的匹配结果确定各个所述候选模式的模式支持度；基于所述模式支持度以及各个所述候选模式对应的阶数计算各个所述候选模式的加权支持度，确定所述加权支持度最高的所述候选模式作为命中模式，并提取与所述命中模式匹配的所述历史轨迹，作为命中轨迹；以所述命中模式中最后一个卡口作为预测标记并对齐所述命中轨迹，从所述预测标记之后依次使用预设的加权窗口滑动选中各个命中轨迹的卡口作为命中卡口，所述加权窗口定义了所述加权窗口中各个卡口位置的窗口权重；基于卡口数量和卡口位置所对应的窗口权重从所述命中卡口中逐个确定预测卡口，基于各个所述预测卡口选中一个所述命中轨迹作为预测轨迹。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的基于卡口记录的车辆轨迹预测方法，还可以执行本申请任意实施例所提供的基于卡口记录的车辆轨迹预测方法中的相关操作。

上述实施例中提供的基于卡口记录的车辆轨迹预测装置、存储介质及电子设备可执行本申请任意实施例所提供的基于卡口记录的车辆轨迹预测方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的基于卡口记录的车辆轨迹预测方法。

上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (10)

1.一种基于卡口记录的车辆轨迹预测方法，其特征在于，包括：

获取当前车辆已知轨迹末段的卡口序列，所述卡口序列包含设定数量卡口，基于所述卡口序列和所述设定数量构建对应不同阶数的候选模式；

查询当前车辆的历史轨迹，基于所述历史轨迹与各个所述候选模式的匹配结果确定各个所述候选模式的模式支持度；

基于所述模式支持度以及各个所述候选模式对应的阶数计算各个所述候选模式的加权支持度，确定所述加权支持度最高的所述候选模式作为命中模式，并提取与所述命中模式匹配的所述历史轨迹，作为命中轨迹；

以所述命中模式中最后一个卡口作为预测标记并对齐所述命中轨迹，从所述预测标记之后依次使用预设的加权窗口滑动选中各个命中轨迹的卡口作为命中卡口，所述加权窗口定义了所述加权窗口中各个卡口位置的窗口权重；

基于卡口数量和卡口位置所对应的窗口权重从所述命中卡口中逐个确定预测卡口，基于各个所述预测卡口选中一个所述命中轨迹作为预测轨迹。

2.根据权利要求1所述的基于卡口记录的车辆轨迹预测方法，其特征在于，基于所述卡口序列构建对应不同阶数的候选模式，包括：

以所述卡口序列的最后一个卡口作为一阶候选模式；

依据不同阶数从所述卡口序列的最后一个卡口开始选择对应数量的卡口，并逐个阶数构建候选模式，直至完成阶数为所述设定数量的候选模式构建。

3.根据权利要求2所述的基于卡口记录的车辆轨迹预测方法，其特征在于，依据不同阶数从所述卡口序列的最后一个卡口开始选择对应数量的卡口，并逐个阶数构建候选模式，包括：

从各个阶数的候选模式中插空一个模糊卡口，构建新的所述候选模式，所述模糊卡口为路网中的任意卡口。

4.根据权利要求1所述的基于卡口记录的车辆轨迹预测方法，其特征在于，在基于所述模式支持度以及各个所述候选模式对应的阶数计算各个所述候选模式的加权支持度中，加权支持度计算公式为：

p＝i*p′

其中，p为加权支持度，i为各个所述候选模式所对应的阶数，p′为各个所述候选模式的模式支持度。

5.根据权利要求1所述的基于卡口记录的车辆轨迹预测方法，其特征在于，确定所述加权支持度最高的所述候选模式作为命中模式，包括：

若所述加权支持度最高的所述候选模式为多个，从对应的所述候选模式中筛选阶数最高的所述候选模式作为命中模式。

6.根据权利要求1所述的基于卡口记录的车辆轨迹预测方法，其特征在于，基于卡口数量和卡口位置所对应的窗口权重从所述命中卡口中逐个确定预测卡口，包括：

从所述命中卡口中确定各个卡口的卡口数量和卡口位置所对应的窗口权重；

基于所述卡口数量和所述窗口权重计算各个卡口的加权卡口支持度，从所述命中卡口中选取所述加权卡口支持度最高的卡口作为预测卡口。

7.根据权利要求1所述的基于卡口记录的车辆轨迹预测方法，其特征在于，基于各个所述预测卡口选中一个所述命中轨迹作为预测轨迹，包括：

在所述预测卡口为所述命中轨迹的最后一个卡口时，结束车辆轨迹预测，并以所述预测卡口依序匹配的所述命中轨迹作为预测轨迹。

8.一种基于卡口记录的车辆轨迹预测装置，其特征在于，包括：

构建模块，用于获取当前车辆已知轨迹末段的卡口序列，所述卡口序列包含设定数量卡口，基于所述卡口序列和所述设定数量构建对应不同阶数的候选模式；

匹配模块，用于查询当前车辆的历史轨迹，基于所述历史轨迹与各个所述候选模式的匹配结果确定各个所述候选模式的模式支持度；

计算模块，用于基于所述模式支持度以及各个所述候选模式对应的阶数计算各个所述候选模式的加权支持度，确定所述加权支持度最高的所述候选模式作为命中模式，并提取与所述命中模式匹配的所述历史轨迹，作为命中轨迹；

选中模块，用于以所述命中模式中最后一个卡口作为预测标记并对齐所述命中轨迹，从所述预测标记之后依次使用预设的加权窗口滑动选中各个命中轨迹的卡口作为命中卡口，所述加权窗口定义了所述加权窗口中各个卡口位置的窗口权重；

预测模块，用于基于卡口数量和卡口位置所对应的窗口权重从所述命中卡口中逐个确定预测卡口，基于各个所述预测卡口选中一个所述命中轨迹作为预测轨迹。

9.一种电子设备，其特征在于，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一所述的基于卡口记录的车辆轨迹预测方法。

10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的基于卡口记录的车辆轨迹预测方法。

Images