CN113780665B - 一种基于增强循环神经网络的私家车停留位置预测方法和系统 - Google Patents
一种基于增强循环神经网络的私家车停留位置预测方法和系统 Download PDFInfo
- Publication number
- CN113780665B CN113780665B CN202111079680.7A CN202111079680A CN113780665B CN 113780665 B CN113780665 B CN 113780665B CN 202111079680 A CN202111079680 A CN 202111079680A CN 113780665 B CN113780665 B CN 113780665B
- Authority
- CN
- China
- Prior art keywords
- stay
- neural network
- travel
- points
- point
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000000306 recurrent effect Effects 0.000 title claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- NFLLKCVHYJRNRH-UHFFFAOYSA-N 8-chloro-1,3-dimethyl-7H-purine-2,6-dione 2-(diphenylmethyl)oxy-N,N-dimethylethanamine Chemical compound O=C1N(C)C(=O)N(C)C2=C1NC(Cl)=N2.C=1C=CC=CC=1C(OCCN(C)C)C1=CC=CC=C1 NFLLKCVHYJRNRH-UHFFFAOYSA-N 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000007493 shaping process Methods 0.000 description 3
- 230000029305 taxis Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
-
- G06Q50/40—
Abstract
本发明公开了一种基于增强循环神经网络的私家车停留位置预测方法和系统，方法包括：首先，对私家车原始GPS轨迹数据中的停留点进行检测，并且提取出车辆在每个停留点的上下文信息包括停留时间、停留地点、停留时长和停留次数信息；然后，基于停留点的上下文信息，构建两个利用注意力机制增强的循环神经网络分别从停留点上下文信息中学习私家车用户的出行规律和偏好；最后，将深度神经网络习得的出行规律特征和出行偏好特征进行融合，并输入到全连接神经网络对私家车停留位置进行预测。本发明方法利用增强循环神经网络充分挖掘私家车轨迹数据中所蕴含的用户出行规律和偏好，实现对私家车停留位置的预测，且具有较高的准确率。
Description
技术领域
本发明主要涉及交通大数据领域，具体涉及一种基于增强循环神经网络的私家车停留位置预测方法和系统。
背景技术
随着国民经济水平的大幅提高，以及人们对出行自由的强烈需求，越来越多的人们选择私家车出行，截至2021年3月底，全国私家车保有量达2.29亿辆。准确预测私家车用户未来的停留位置，对于服务推荐、城市规划、交通管理等具有重要的指导意义。
近年来，通过分析用户历史交通轨迹数据来实现对用户的未来位置预测成为研究热点。已有研究通过挖掘用户乘坐的公交、出租车等轨迹数据中蕴含的知识来实现对用户未来位置的预测。但少有学者深入研究如何利用私家车轨迹数据进行用户位置预测。私家车轨迹数据与用户乘坐的公交、出租车等轨迹数据存在着很大的不同，前者长期记录了固定用户的出行轨迹，其中蕴含了用户的出行规律和偏好，而后者无法精确记录固定用户的出行轨迹，例如：公交车只会在固定站点运行，无法获知用户明确的目的地，出租车客源不断更换，其出行轨迹随机化程度较高，无法获知用户的出行规律及偏好。因此，如何挖掘私家车轨迹中用户的出行规律和偏好，并准确预测私家车用户的未来停留位置是本领域亟待解决的问题。
发明内容
鉴此，本发明提出了一种增强循环神经网络的私家车停留位置预测方法和系统，通过挖掘私家车轨迹来提取用户的出行规律和偏好，并利用注意力机制和循环神经网络来实现私家车用户的未来停留位置预测。
为实现准确预测私家车用户的未来停留位置，本发明提供如下技术方案：
一种基于增强循环神经网络的私家车停留位置预测方法，包括以下步骤：
S1，停留点检测：利用采样GPS轨迹的距离和时间差求得私家车的移动速度，基于速度检测出私家车停留点，并提取每个停留点的发生时间、GPS位置信息和停留时长；
S2，停留点位置转换为网格编号：将城市区域网格化为矩阵，根据停留点GPS位置信息获取所在的网格编号，并计算私家车在每个停留点的停留次数；
S3，轨迹转换：利用停留点的网格编号和停留次数，将原始GPS轨迹转换为停留点轨迹；其中，停留点轨迹中每个停留点信息至少包括：停留点的发生时间、停留点所在网格编号、停留时长和私家车在当前停留点的停留次数；
S4，模型构建：将停留点轨迹序列输入到两个循环神经网络，分别对私家车用户的出行规律和出行偏好进行建模，输出向量分别蕴含出行规律信息和出行偏好信息；
S5，模型增强：利用注意力机制，分别对学习用户出行规律和出行偏好的两个循环神经网络学习能力进行增强；对于学习用户出行规律的循环神经网络，将与当前时间步的出行规律相似的历史时间步输出向量聚合到当前时间步的输出中；对于学习用户出行偏好的循环神经网络，将与当前时间步的出行偏好相似的历史时间步输出向量聚合到当前时间步的输出中；再利用全连接神经网络，将两个循环神经网络的输出进行加权融合，将融合结果作为增强循环神经网络的输出，实现对两个循环神经网络建模能力进行增强；
S6，停留点预测：利用训练完成的模型，将增强循环神经网络的输出结果输入到预测神经网络中实现私家车停留位置预测。
优选的，S1所述的停留点检测具体为：按时间顺序依次处理原始GPS轨迹中连续两个GPS位置点，先计算出两个位置点间的距离dij，然后再计算出两个位置点之间的时间差tij，进而求出两个位置点之间的速度vij；如果两个位置点之间的速度为0，则认为车辆是静止的，同时属于同一个GPS位置点；其中的i，j用于区分两个不同的位置点；
其中两个位置点间的距离dij计算公式为：
其中r是地球半径值，和/>是两个GPS位置点的纬度坐标值，λi和λj是两个GPS位置点的经度坐标值；
两个GPS位置点之间的时间差tij计算公式为：
tij＝tj-ti (2)
两个GPS位置点之间的速度vij计算公式为：
优选的，S2所述网格编号的具体方法为：每个网格经度值和纬度值相差都是0.01，将城市切分为大小为n×m的矩阵，相应的每个网格g的编号id计算公式为：
id＝rg×m+cg (4)
其中rg为网格g在矩阵中的行号，cg为网格g在矩阵中的列号。
优选的，S3所述停留点轨迹可以表示为：T＝{p1，p2，...，pi，...}，p1，p2，...，pi均为停留点，每个停留点使用元组表示为p＝<t，id，s，k>；其中t表示停留点的发生时间，id表示停留点所在网格编号，s表示停留点的停留时长，k表示停留点的停留次数；其中，停留点的发生时间包括某月、某日、星期几、几点。
优选的，S4所述的循环神经网络包括但不限于：长短时记忆模型(LSTM)和门限制单元模型(GRU)。
优选的，S4所述的分别对私家车用户的出行规律和出行偏好进行建模，具体方式分别为：
针对用户的出行规律建模，至少需要包括停留点信息中的发生时间、停留点所在网格编号，将这些信息使用嵌入技术映射为相同维度的张量，再拼接为整体作为循环神经网络的输入；
针对用户的出行偏好建模，至少需要包括停留点信息中的停留点所在网格编号、停留时长和停留次数，将这些信息使用嵌入技术映射为相同维度的张量，再拼接为整体作为循环神经网络的输入。
优选的，使用的所述嵌入技术，包括但不限于独热编码、标签编码和全连接神经网络。
优选的，S5所述的模型增强具体为：
在出行规律性方面，计算循环神经网络当前时间步输出的出行规律隐向量hi与每个历史隐向量hj(j＝0，1，…，i-1)之间的出行规律相关性wr(i，j)，其中隐向量hi和hj之间的出行规律相关性wr(i，j)使用以下公式进行计算：
其中α是时间衰减率，控制出行规律相关性大小随时间差变化的速度；tij是两个隐向量之间的时间差，其值为对应时间步中输入停留点对应的停留时长之间的差值；
利用公式(5)中得到的出行规律相关性wr(i，j)和对应的历史隐向量hj加权求和计算注意力机制预输出的出行规律向量
在出行偏好方面，计算循环神经网络当前时间步输出的出行规律隐向量hi与任一历史隐向量hj(j＝0，1，…，i-1)之间的出行偏好相关性wp(i，j)，其中隐向量hi和hj之间的出行偏好相关性wp(i，j)使用以下公式进行计算：
其中β，γ，δ分别控制出行偏好相关性大小随距离差、停留时长差和停留次数差变化的三个衰减率值；dij是两个隐向量之间的距离差，其值为对应时间步中输入停留点对应的停留位置之间的距离；sij是两个隐向量之间的停留时长差，其值为对应时间步中输入停留点对应的停留位置之间的停留时长差；kij是两个隐向量之间的停留次数差，其值为对应时间步中输入停留点对应的停留次数之间的差值；
利用公式(7)中得到的出行偏好相关性wp(i，j)和对应的历史隐向量hj加权求和计算注意力机制预输出的出行偏好向量
然后构建一个全连接神经网络，将前述计算得到的和/>进行加权融合，得到当前时间步输出的隐向量h′i：
其中，权值Wa和Wb由全连接神经网络自学习得到。
优选的，S6所述的预测神经网络包括但不限于全连接神经网络，最终预测结果可表达为：
li＝tanh(Wo×h′i-1+bo) (10)
其中li为最终的预测停留位置，h′i-1是增强型循环神经网络最后一个时间步输出的隐向量，Wo和bo是预测神经网络模型自学习的参数。
一种基于增强循环神经网络的私家车停留位置预测系统，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项技术方案所述的方法。
本发明的优点及有益效果如下：
本发明通过分析和提取私家车原始GPS轨迹中停留点来获得用户停留行为的上下文信息，利用循环神经网络对私家车停留轨迹进行建模，学习用户的出行规律和偏好，同时引入注意力机制来增强模型对长期出行规律和偏好的学习能力，进而提高了预测结果。
附图说明
图1为本发明方法的流程示意图；
图2为本发明的深度学习预测框架；
图3是本发明实施例所述的循环神经网络单元结构；
图4是本发明方法及去除各模块变种方法在三个指标(命中率、F1值、MRR)下的表现。
图5是本发明方法及对比方法在具有不同“熵”值数据集下的三个评价指标(命中率、F1值、MRR)的表现。
具体实施方式
本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
本发明提供一种基于私家车数据的城市功能区转移流量预测方法，参考图1、2所示，包括以下步骤。
步骤S1，停留点检测：
从轨迹数据库获取原始GPS轨迹，按时间顺序依次处理原始GPS轨迹中连续两个GPS位置点，先计算出两个位置点间的距离dij，然后再计算出两个位置点之间的时间差tij，进而求出两个位置点之间的速度vij；如果两个位置点之间的速度为0，则认为车辆是静止的，同时属于同一个GPS位置点；其中的i，j用于区分两个不同的位置点。
其中两个位置点间的距离dij计算公式为：
其中r是地球半径值，和/>是两个GPS位置点的纬度坐标值，λi和λj是两个GPS位置点的经度坐标值；
两个GPS位置点之间的时间差tij计算公式为：
tij＝tj-ti (2)
两个GPS位置点之间的速度vij计算公式为：
步骤S2，停留点位置转换为网格编号：
根据数据集对应城市行政区的经纬度坐标，将城市网格化为n×m的矩阵，每个网格经度值和纬度值相差都是0.01，并为每个网格设置编号值id＝rg×m+cg，其中rg为网格g在矩阵中的行号，cg为网格g在矩阵中的列号。
步骤S3，轨迹转换：
利用停留点的网格编号和停留次数，将每个停留点表示为使用元组表示为p＝<t，id，s，k>，所有停留点按发生时间先后顺序依次排列构建形成停留点轨迹T＝{p1，p2，...，pi，...}。其中t表示停留点的发生时间，id表示停留点所在网格编号，s表示停留点的停留时长，k表示停留点的停留次数；其中，停留点的发生时间包括某月、某日、星期几、几点。
步骤S4，对每个停留点的信息进行嵌入表达：
其中t切分为四个部分：月，日期，星期和小时，使用独热编码技术将四部分值进行嵌入表达。然后再使用一个输出维度为10的二层全连接神经网络对四部分值转换为维度相同的向量，最后将4部分值拼接为一个向量。
将停留点所在网格编号id先使用独热编码进行嵌入，然后再输入到一个输出维度为10的二层全连接神经网络进行向量维度整形，方便后续拼接及计算。
将停留点的停留次数转换为百分数值，并使用独热编码进行嵌入，然后再输入到一个输出维度为10的二层全连接神经网络进行向量维度整形，方便后续拼接及计算。
将停留时长的值转换为以分钟为单位，然后再输入到一个输出维度为10的二层全连接神经网络进行向量维度整形，方便后续拼接及计算。
步骤S5，停留点信息拼接：
将S4中转换过后的t和id进行拼接，输入到如图3所示的循环神经网络单元结构中，利用循环神经网络学习私家车用户出行的规律性；将S4中转换过后的id，s和k进行拼接，输入到如图3所示的循环神经网络单元结构中，利用循环神经网络学习私家车用户出行的偏好；最终形成如图2所示的深度学习预测框架。
步骤S6，利用注意机制，对S5中采用的图3所示循环神经网络单元输出的隐向量进行修改：
在出行规律性方面，计算循环神经网络当前时间步输出的出行规律隐向量hi与每个历史隐向量hj(j＝0，1，…，i-1)之间的出行规律相关性wr(i，j)，其计算公式为：
其中α是时间衰减率，控制出行规律相关性大小随时间差变化的速度，tij是两个隐向量之间的时间差，其值为对应时间步中输入停留点对应的停留时间之间的差值。
然后利用公式(5)中得到的出行规律相关性wr(i，j)和对应的历史隐向量hj加权求和计算注意力机制预输出的出行规律向量
在出行偏好方面，计算循环神经网络当前时间步输出的出行规律隐向量hi与每个历史隐向量hj(j＝0，1，…，i-1)之间的偏好相关性wp(i，j)，其计算公式为：
其中β，γ，δ分别控制出行偏好相关性大小随距离差、停留时长差和停留次数差变化的三个衰减率值；dij是两个隐向量之间的距离差，其值为对应时间步中输入停留点所在网格之间的距离(由两个网格编号之差与预定义的每个网格经纬度差值计算得到)；sij是两个隐向量之间的停留时长差，其值为对应时间步中输入停留点的停留时长之差；kij是两个隐向量之间的停留次数差，其值为对应时间步中输入停留点对应的停留次数之间的差值。
然后利用公式(7)中得到的出行偏好相关性wp(i，j)和对应的历史隐向量hj加权求和计算注意力机制预输出的出行偏好向量
最后构建一个全连接神经网络，将前述计算得到的和/>进行加权融合，得到当前时间步输出的隐向量h′i：
其中，权值Wa和Wb由全连接神经网络自学习得到。
步骤S7：将S6得到的隐向量h′i(通过融合出行规律向量和出行偏好向量/>加权融合得到)输入到一个二层全连接神经网络，最终的输出即为私家车的下一个停留位置预测点。该二层全连接神经网络的预测结果输出，可表达为：
li＝tanh(Wo×h′i+bo) (10)
上述预测结果输出实际上就是网格编号id，预测得到网格编号后，将该网格的中心点GPS位置转换为最终的预测位置GPS值。
本发明选择在上海市、长沙市和深圳市采集到的数据进行实验作为本发明实施例。随机选择实验数据的80％的数据作为训练集，剩余的20％作为测试集；设置嵌入层的输出大小为10；模型训练次数为100次；学习率的初始值为0.001；模型训练的批大小为32；模型使用Adam算法作为优化器；同时，实验设置了早停策略，当测试集的损失等于训练集的损失时，模型训练达到最优，即停止训练，防止模型过拟合。实验选用了常用的三个评价指标对实验结果进行评估，分别是：命中率(hitting ratio)，F1值(F1-score)和MRR(MeanReciprocal Rank)值，MRR的计算公式为：
其中|Q|表示测试的实例总数，ranki表示第i个实例的排名。
表1，表2和表3分别显示了在上海数据集、深圳数据集和长沙数据集上，本发明算法(DeepRP)与其它基线方法(包括：MF、HMM、ST-RNN、ST-LSTM、SRM、DeepMove、STGCN)的性能对比结果，所有算法的结果为十次测试结果的平均值。与基线算法相比，本发明算法在命中率、F1和MRR指标上都最最优值。最终的结果验证了本发明算法有效性，本发明算法通过构建两个循环神经网络去学习私家车用户的出行规律和出行偏好，并且同时利用注意力机制去增强预测模型对长期出行规律和出行偏好的学习能力，最终保证了本发明算法的优异表现。
为了进一步分析本发明方法(DeepRP)中各模块对最终预测结果的影响，设计了3个对比方法，分别是：Deep(去除了用户的出行规律和出行偏好学习模块)，DeepR(仅去除用户的出行偏好学习模块)，DeepP(仅去除用户的出行规律学习模块)。图4显示了最终的对比结果，从图4中可以看出无论是用户的出行规律学习模块还是用户的出行偏好学习模块，都对预测结果有很大的贡献。
图5显示了本发明算法与基线算法在具有不同“熵”值的数据集中的表现。“熵”值越低的数据集代表数据集中的私家车出行越具有规律性。从图5可以看出，随着数据集“熵”值的增加，数据集中车辆的规律性逐渐减少，所有算法的的性能都在下降且表现类似，但是在“熵”值低于0.6的情况下，本发明算法的三个评价指标都是最优的。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。
表1：
表2：
表3：
Claims (9)
1.一种基于增强循环神经网络的私家车停留位置预测方法，其特征在于，包括以下步骤：
S1，停留点检测：利用采样GPS轨迹的距离和时间差求得私家车的移动速度，基于速度检测出私家车停留点，并提取每个停留点的发生时间、GPS位置信息和停留时长；
S2，停留点位置转换为网格编号：将城市区域网格化为矩阵，根据停留点GPS位置信息获取所在的网格编号，并计算私家车在每个停留点的停留次数；
S3，轨迹转换：利用停留点的网格编号和停留次数，将原始GPS轨迹转换为停留点轨迹；其中，停留点轨迹中每个停留点信息至少包括：停留点的发生时间、停留点所在网格编号、停留时长和私家车在当前停留点的停留次数；
S4，模型构建：将停留点轨迹序列输入到两个循环神经网络，分别对私家车用户的出行规律和出行偏好进行建模，输出向量分别蕴含出行规律信息和出行偏好信息；
S5，模型增强：利用注意力机制，分别对学习用户出行规律和出行偏好的两个循环神经网络学习能力进行增强；对于学习用户出行规律的循环神经网络，将与当前时间步的出行规律相似的历史时间步输出向量聚合到当前时间步的输出中；对于学习用户出行偏好的循环神经网络，将与当前时间步的出行偏好相似的历史时间步输出向量聚合到当前时间步的输出中；再利用全连接神经网络，将两个循环神经网络的输出进行加权融合，将融合结果作为增强循环神经网络的输出，实现对两个循环神经网络建模能力进行增强；
S5所述的模型增强具体为：
在出行规律性方面，计算循环神经网络当前时间步输出的出行规律隐向量hi与每个历史隐向量hj(j＝0,1,…,i-1)之间的出行规律相关性wr(i,j)，其中隐向量hi和hj之间的出行规律相关性wr(i,j)使用以下公式进行计算：
其中α是时间衰减率，控制出行规律相关性大小随时间差变化的速度；tij是两个隐向量之间的时间差，其值为对应时间步中输入停留点对应的停留时长之间的差值；
利用公式(5)中得到的出行规律相关性wr(i,j)和对应的历史隐向量hj加权求和计算注意力机制预输出的出行规律向量
在出行偏好方面，计算循环神经网络当前时间步输出的出行规律隐向量hi与任一历史隐向量hj(j＝0,1,…,i-1)之间的出行偏好相关性wp(i,j)，其中隐向量hi和hj之间的出行偏好相关性wp(i,j)使用以下公式进行计算：
其中β，γ，δ分别控制出行偏好相关性大小随距离差、停留时长差和停留次数差变化的三个衰减率值；dij是两个隐向量之间的距离差，其值为对应时间步中输入停留点对应的停留位置之间的距离；sij是两个隐向量之间的停留时长差，其值为对应时间步中输入停留点对应的停留位置之间的停留时长差；kij是两个隐向量之间的停留次数差，其值为对应时间步中输入停留点对应的停留次数之间的差值；
利用公式(7)中得到的出行偏好相关性wp(i,j)和对应的历史隐向量hj加权求和计算注意力机制预输出的出行偏好向量
然后构建一个全连接神经网络，将前述计算得到的和/>进行加权融合，得到当前时间步输出的隐向量h'i:
其中，权值Wa和Wb由全连接神经网络自学习得到；
S6，停留点预测：利用训练完成的模型，将增强循环神经网络的输出结果输入到预测神经网络中实现私家车停留位置预测。
2.根据权利要求1所述的方法，其特征在于，S1所述的停留点检测具体为：按时间顺序依次处理原始GPS轨迹中连续两个GPS位置点，先计算出两个位置点间的距离dij，然后再计算出两个位置点之间的时间差tij，进而求出两个位置点之间的速度vij；如果两个位置点之间的速度为0，则认为车辆是静止的，同时属于同一个GPS位置点；其中的i,j用于区分两个不同的位置点；
其中两个位置点间的距离dij计算公式为：
其中r是地球半径值，和/>是两个GPS位置点的纬度坐标值，λi和λj是两个GPS位置点的经度坐标值；
两个GPS位置点之间的时间差tij计算公式为：
tij＝tj-ti (2)
两个GPS位置点之间的速度vij计算公式为：
3.根据权利要求1所述的方法，其特征在于，S2所述网格编号的具体方法为：每个网格经度值和纬度值相差都是0.01，将城市切分为大小为n×m的矩阵，相应的每个网格g的编号id计算公式为：
id＝rg×m+cg (4)
其中rg为网格g在矩阵中的行号，cg为网格g在矩阵中的列号。
4.根据权利要求1所述的方法，其特征在于，S3所述停留点轨迹可以表示为：T＝{p1,p2,…,pi,…}，p1,p2,…,pi均为停留点，每个停留点使用元组表示为p＝<t,id,s,k>；其中t表示停留点的发生时间，id表示停留点所在网格编号，s表示停留点的停留时长，k表示停留点的停留次数；其中，停留点的发生时间包括某月、某日、星期几、几点。
5.根据权利要求1所述的方法，其特征在于，S4所述的循环神经网络包括但不限于：长短时记忆模型和门限制单元模型。
6.根据权利要求1所述的方法，其特征在于，S4所述的分别对私家车用户的出行规律和出行偏好进行建模，具体方式分别为：
针对用户的出行规律建模，至少需要包括停留点信息中的发生时间、停留点所在网格编号，将这些信息使用嵌入技术映射为相同维度的张量，再拼接为整体作为循环神经网络的输入；
针对用户的出行偏好建模，至少需要包括停留点信息中的停留点所在网格编号、停留时长和停留次数，将这些信息使用嵌入技术映射为相同维度的张量，再拼接为整体作为循环神经网络的输入。
7.根据权利要求6所述的方法，其特征在于，使用的所述嵌入技术，包括但不限于独热编码、标签编码和全连接神经网络。
8.根据权利要求1所述的方法，其特征在于，S6所述的预测神经网络包括但不限于全连接神经网络，最终预测结果可表达为：
li＝tanh(Wo×h′i+bo) (10)
其中li为最终的预测停留位置，Wo和bo是预测神经网络模型自学习的参数。
9.一种基于增强循环神经网络的私家车停留位置预测系统，其特征在于，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111079680.7A CN113780665B (zh) | 2021-09-15 | 2021-09-15 | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111079680.7A CN113780665B (zh) | 2021-09-15 | 2021-09-15 | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113780665A CN113780665A (zh) | 2021-12-10 |
| CN113780665B true CN113780665B (zh) | 2023-09-29 |
Family
ID=78844149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111079680.7A Active CN113780665B (zh) | 2021-09-15 | 2021-09-15 | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780665B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114492995A (zh) * | 2022-01-26 | 2022-05-13 | 湖南大学 | 基于动态图卷积网络的联邦学习私家车速度预测方法 |
| CN114553963B (zh) * | 2022-02-24 | 2023-07-25 | 重庆邮电大学 | 移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法 |
| CN116151489B (zh) * | 2023-04-19 | 2023-07-21 | 之江实验室 | 基于多任务学习的车辆停留行为分析与预测方法、系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111444243A (zh) * | 2020-03-31 | 2020-07-24 | 北京信息科技大学 | 一种基于轨迹信息的用户行为预测画像方法及系统 |
| CN111523738A (zh) * | 2020-06-22 | 2020-08-11 | 之江实验室 | 基于用户在线学习行为模式预测学习效果的系统及预测方法 |
| CN112529284A (zh) * | 2020-12-08 | 2021-03-19 | 湖南大学 | 基于神经网络的私家车停留时间预测方法、设备及介质 |
| WO2021097429A1 (en) * | 2019-11-15 | 2021-05-20 | Waymo Llc | Multi object tracking using memory attention |
| CN112949597A (zh) * | 2021-04-06 | 2021-06-11 | 吉林大学 | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 |
-
2021
- 2021-09-15 CN CN202111079680.7A patent/CN113780665B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021097429A1 (en) * | 2019-11-15 | 2021-05-20 | Waymo Llc | Multi object tracking using memory attention |
| CN111444243A (zh) * | 2020-03-31 | 2020-07-24 | 北京信息科技大学 | 一种基于轨迹信息的用户行为预测画像方法及系统 |
| CN111523738A (zh) * | 2020-06-22 | 2020-08-11 | 之江实验室 | 基于用户在线学习行为模式预测学习效果的系统及预测方法 |
| CN112529284A (zh) * | 2020-12-08 | 2021-03-19 | 湖南大学 | 基于神经网络的私家车停留时间预测方法、设备及介质 |
| CN112949597A (zh) * | 2021-04-06 | 2021-06-11 | 吉林大学 | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于注意力机制的车辆行为预测;蔡英凤;朱南楠;邰康盛;刘擎超;王海;;江苏大学学报(自然科学版)(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113780665A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113780665B (zh) | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 | |
| Li et al. | A hierarchical temporal attention-based LSTM encoder-decoder model for individual mobility prediction | |
| CN111915059B (zh) | 基于注意力机制的Seq2seq泊位占有率预测方法 | |
| CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
| CN110766942A (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
| CN112598165B (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
| CN106910199A (zh) | 面向城市空间信息采集的车联网众包方法 | |
| CN111506835A (zh) | 一种融合用户时间特征和个性特征的数据特征提取方法 | |
| CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
| Ma et al. | Travel mode choice prediction using deep neural networks with entity embeddings | |
| CN111915104A (zh) | 一种预测出行位置的方法及装置 | |
| CN112071062A (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
| CN110164129A (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
| WO2022142418A1 (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
| CN112785077A (zh) | 基于时空数据的出行需求预测方法及系统 | |
| CN113762338A (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
| CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
| CN112529284A (zh) | 基于神经网络的私家车停留时间预测方法、设备及介质 | |
| CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
| CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
| Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
| CN114461931A (zh) | 一种基于多关系融合分析的用户轨迹预测方法和系统 | |
| CN113554060A (zh) | 一种融合dtw的lstm神经网络轨迹预测方法 | |
| CN106781508B (zh) | 一种Spark环境下基于多重相空间的短时交通流预测方法 | |
| CN110944295B (zh) | 位置预测方法、装置、存储介质及终端 |
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 |