CN113903173A - 一种基于有向图结构和lstm的车辆轨迹特征提取方法 - Google Patents

一种基于有向图结构和lstm的车辆轨迹特征提取方法 Download PDF

Info

Publication number
CN113903173A
CN113903173A CN202111209178.3A CN202111209178A CN113903173A CN 113903173 A CN113903173 A CN 113903173A CN 202111209178 A CN202111209178 A CN 202111209178A CN 113903173 A CN113903173 A CN 113903173A
Authority
CN
China
Prior art keywords
track
vehicle
road
nodes
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.)
Granted
Application number
CN202111209178.3A
Other languages
English (en)
Other versions
CN113903173B (zh
Inventor
张琪
钱程扬
蒋如乔
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.)
Yuance Information Technology Co ltd
Original Assignee
Suzhou Industrial Park Surveying Mapping And Geoinformation Co ltd
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 Suzhou Industrial Park Surveying Mapping And Geoinformation Co ltd filed Critical Suzhou Industrial Park Surveying Mapping And Geoinformation Co ltd
Priority to CN202111209178.3A priority Critical patent/CN113903173B/zh
Publication of CN113903173A publication Critical patent/CN113903173A/zh
Application granted granted Critical
Publication of CN113903173B publication Critical patent/CN113903173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • 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
    • G06N3/049—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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Remote Sensing (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于有向图结构和LSTM的车辆轨迹特征提取方法，涉及城市交通技术领域。该车辆轨迹特征提取方法通过有效结合车辆轨迹点数据与成熟道路数据，实现车辆轨迹点数据的规范化处理；从时间、空间、运动、环境四个方面分别选取和构建对应的局部轨迹特征所组成的序列描述轨迹的运动行为，充分融入轨迹多方面的特征，同时综合考量轨迹的时空依赖关系和轨迹的定量特征，利用深度学习方法学习轨迹深层次的表达，并最终以向量的形式描述轨迹特征，为车辆轨迹分类或预测提供标准化的特征数据，并具有一定的普适性。

Description

一种基于有向图结构和LSTM的车辆轨迹特征提取方法
技术领域
本发明涉及城市交通技术领域，具体地涉及一种基于有向图结构和LSTM的车辆轨迹特征提取方法。
背景技术
轨迹作为一种动态地理数据，其建模和预测研究一直是地理学与GIS的热点方向；轨迹建模也是时空大数据挖掘与建模的核心议题之一，对研究人类行为模式、解决城市交通问题、探索无人驾驶技术等研究具有重要意义。
现有的轨迹特征表征多为人工特征，获取中对轨迹本身特征的多样性考量较为局限，且在轨迹空间序列特征考量主要依赖轨迹坐标点序列。
发明内容
本发明针对现有技术中的不足，提供一种基于有向图结构和LSTM的车辆轨迹特征提取方法，该车辆轨迹特征提取方法能够同时表征轨迹的时空依赖关系和轨迹段的定量特征，最终以统一的向量形式进行表征，为车辆轨迹分类或预测提供标准化的特征数据，并具有一定的普适性。
为实现上述目的，本发明采用以下技术方案：一种基于有向图结构和LSTM的车辆轨迹特征提取方法，具体包括如下步骤：
步骤1，收集车辆轨迹数据集
Figure 525128DEST_PATH_IMAGE001
，将收集的车辆轨迹数 据集
Figure 301323DEST_PATH_IMAGE001
进行清洗并基于隐马尔可夫模型进行车辆轨迹地图匹 配，将车辆轨迹点
Figure 549901DEST_PATH_IMAGE002
数据的投影点作为匹配点
Figure 289318DEST_PATH_IMAGE003
，最终获得 预处理后的车辆轨迹数据集
Figure 572532DEST_PATH_IMAGE004
；其中，
Figure 191732DEST_PATH_IMAGE006
表示车辆轨迹索引，n表示车辆轨迹总数，
Figure 802973DEST_PATH_IMAGE007
表示第
Figure 470715DEST_PATH_IMAGE006
条车辆轨迹，
Figure 733069DEST_PATH_IMAGE008
，j表 示轨迹点索引，m表示第
Figure 195274DEST_PATH_IMAGE006
条车辆轨迹
Figure 556461DEST_PATH_IMAGE007
的轨迹点总数，
Figure 762315DEST_PATH_IMAGE002
表示第
Figure 879175DEST_PATH_IMAGE006
条车辆轨迹 中第j个轨迹点坐标，
Figure 777861DEST_PATH_IMAGE009
表示第j个轨迹点的经度值，
Figure 363694DEST_PATH_IMAGE010
表示第j个轨迹点的纬度值，
Figure 435555DEST_PATH_IMAGE011
表示第j个轨迹点的时间信息，
Figure 547868DEST_PATH_IMAGE012
表示第
Figure 227242DEST_PATH_IMAGE013
条预处理后的车辆轨迹，
Figure 425005DEST_PATH_IMAGE014
，jj表示匹配点索引，mm表示第
Figure 97295DEST_PATH_IMAGE006
条 预处理后的车辆轨迹
Figure 64114DEST_PATH_IMAGE012
的匹配点总数，
Figure 179969DEST_PATH_IMAGE003
表示第
Figure 599449DEST_PATH_IMAGE006
条预处理后的 车辆轨迹中第jj个匹配点坐标，
Figure 75429DEST_PATH_IMAGE015
表示第jj个匹配点的经度值，
Figure 896755DEST_PATH_IMAGE016
表示第jj个匹配点 的纬度值，
Figure 446160DEST_PATH_IMAGE017
表示jj个匹配点的时间信息；
步骤2，通过城市道路数据构建有向环图
Figure 352937DEST_PATH_IMAGE018
，其中，
Figure 367029DEST_PATH_IMAGE019
表示道路交叉口序 列，
Figure 308440DEST_PATH_IMAGE020
，u表示道路交叉口索引，
Figure 766097DEST_PATH_IMAGE021
表示道路交叉口总数，
Figure 488066DEST_PATH_IMAGE022
表示 第
Figure 181215DEST_PATH_IMAGE023
个道路交叉口处的唯一标识；E表示道路中的路段序列，
Figure 586920DEST_PATH_IMAGE024
，
Figure 340112DEST_PATH_IMAGE025
表示第ii个具有方向的路段，ne表示具有方向的路段总数；将匹配点
Figure 346114DEST_PATH_IMAGE003
沿车辆行驶轨迹转换成道路交叉口序列
Figure 842955DEST_PATH_IMAGE026
，并通过线性插值 法增加车辆轨迹经过道路交叉口的时间信息
Figure 368745DEST_PATH_IMAGE027
，得到车辆轨迹节点序列
Figure 292839DEST_PATH_IMAGE028
，h表示预处理后的车辆轨迹经过道路 交叉口的顺序，
Figure 786137DEST_PATH_IMAGE029
表示第
Figure 821089DEST_PATH_IMAGE030
条预处理后的车辆轨迹节点序列的第
Figure 464036DEST_PATH_IMAGE031
个 车辆轨迹节点，u表示道路交叉口索引，
Figure 293451DEST_PATH_IMAGE032
表示第u个道路交叉口在x轴的坐标值，
Figure 274046DEST_PATH_IMAGE033
表 示第u个道路交叉口在y轴的坐标值，
Figure 112689DEST_PATH_IMAGE034
表示轨迹在第
Figure 550754DEST_PATH_IMAGE023
个道路交叉口的时间，
Figure 941285DEST_PATH_IMAGE035
表示第
Figure 18962DEST_PATH_IMAGE030
条预处理后的车辆轨迹节点序列中车辆轨迹节点的总数；
步骤3，分别从时间、空间、运动、环境四个方面提取车辆轨迹节点序列
Figure 536662DEST_PATH_IMAGE028
的局部特征，得到每个车辆轨迹节点
Figure 16185DEST_PATH_IMAGE029
的局部特征序列
Figure 577616DEST_PATH_IMAGE036
，其中nf表示每个车辆轨迹节点的 局部特征数量；
步骤4，通过城市道路数据构建空间邻域图，使用聚合函数聚合车辆轨迹节点的邻近车辆轨迹节点局部特征，使用邻近车辆轨迹节点局部特征训练长短时记忆模型LSTM，以车辆转向预测为目标，直至迭代运行200次或交叉熵损失函数收敛，得到训练学习好的车辆转向预测模型；
步骤5，实时收集车辆轨迹节点，输入训练好的车辆转向预测模型中，通过全连接层进行轨迹特征输出，输出每个车辆轨迹的表征向量，即为提取的车辆轨迹特征。
进一步地，步骤2中将匹配点
Figure 142590DEST_PATH_IMAGE003
沿车辆行驶轨迹转换成道路 交叉口序列
Figure 198402DEST_PATH_IMAGE026
的具体过程为：通过空间匹配算法提取出匹配点
Figure 798010DEST_PATH_IMAGE003
所在的路段，将连接路段的道路交叉口依车辆轨迹行驶路过顺序进 行排序，获得道路交叉口序列
Figure 530343DEST_PATH_IMAGE026
。
进一步地，步骤3中从时间方面提取的局部特征包括：轨迹转向周期
Figure 582613DEST_PATH_IMAGE037
、轨 迹路段时间周期
Figure 173606DEST_PATH_IMAGE038
；
Figure 627721DEST_PATH_IMAGE039
Figure 530955DEST_PATH_IMAGE040
其中，
Figure 70521DEST_PATH_IMAGE041
表示车辆第
Figure 468136DEST_PATH_IMAGE042
个轨迹节点转向发生的时刻，
Figure 104653DEST_PATH_IMAGE043
表示车 辆第np-1个轨迹节点转向发生的时刻，
Figure 54155DEST_PATH_IMAGE044
表示车辆第np个轨迹节点转向的时间，
Figure 690804DEST_PATH_IMAGE045
表示第
Figure 16743DEST_PATH_IMAGE042
个轨迹节点进入路段的时刻，
Figure 570084DEST_PATH_IMAGE046
表示第np个轨迹节点离开路 段的时刻。
进一步地，步骤3中从空间方面提取的局部特征包括：车辆轨迹空间方位θ、路段空 间位移序列
Figure 237957DEST_PATH_IMAGE047
、路段路网距离序列
Figure 142328DEST_PATH_IMAGE048
、轨迹弯曲度序列
Figure 6378DEST_PATH_IMAGE049
，
Figure 99712DEST_PATH_IMAGE050
Figure 46808DEST_PATH_IMAGE051
Figure 861311DEST_PATH_IMAGE052
Figure 591370DEST_PATH_IMAGE053
其中，
Figure 401194DEST_PATH_IMAGE054
表示第np个轨迹节点所在路口的空间方位，
Figure 738766DEST_PATH_IMAGE055
表示第np个轨迹节点在x 轴方向的数值，
Figure 961937DEST_PATH_IMAGE056
表示第np-1个轨迹节点在x轴方向的数值，
Figure 495686DEST_PATH_IMAGE057
表示第np-1个轨迹节 点和第np个轨迹节点之间的空间位移，
Figure 360350DEST_PATH_IMAGE058
表示第np-1个轨迹节点和第np个轨迹节点之间 的路段路网的距离，
Figure 524615DEST_PATH_IMAGE059
表示两个轨迹节点间的实际路段距离，
Figure 94136DEST_PATH_IMAGE060
表示第np 个轨迹节的弯曲度，
Figure 103681DEST_PATH_IMAGE061
表示第np-1个轨迹节点和第np个轨迹节点之间在y轴 方向的距离。
进一步地，步骤3中从运动方便提取的局部特征包括：路段上车辆平均速度序列
Figure 294622DEST_PATH_IMAGE062
、 路段平均加速度序列a、路段上车辆平均转向速度序列
Figure 223263DEST_PATH_IMAGE063
，
Figure 686606DEST_PATH_IMAGE064
Figure 109628DEST_PATH_IMAGE065
Figure 76447DEST_PATH_IMAGE066
其中，
Figure 175990DEST_PATH_IMAGE059
表示为两个轨迹节点间的实际路段距离，
Figure 861049DEST_PATH_IMAGE044
表示车辆在第np-1 个轨迹节点和第
Figure 87762DEST_PATH_IMAGE042
个轨迹节点之间的行驶耗时，
Figure 236984DEST_PATH_IMAGE067
表示车辆在第np-1个轨迹节点和第
Figure 648374DEST_PATH_IMAGE042
个轨迹节点之间路段的平均加速度，
Figure 427586DEST_PATH_IMAGE068
表示车辆在第np-1个轨迹节点和第
Figure 317045DEST_PATH_IMAGE042
个轨迹节点 之间的平均速度，
Figure 383090DEST_PATH_IMAGE069
表示车辆在第np-1个轨迹节点和第
Figure 699802DEST_PATH_IMAGE042
+1个轨迹节点之间的平均转向 速度，
Figure 969240DEST_PATH_IMAGE070
表示第
Figure 662390DEST_PATH_IMAGE042
个轨迹节点在y轴方向的数值，
Figure 848520DEST_PATH_IMAGE071
表示道路交叉口前后路段的累计时间，
Figure 601713DEST_PATH_IMAGE072
表示第np个轨迹节点在x轴方向的数值。
进一步地，步骤3中从环境方面提取的局部特征为轨迹节点所经路段道路等级序 列
Figure 358447DEST_PATH_IMAGE073
，
其中，
Figure 589709DEST_PATH_IMAGE074
表示车辆经过第
Figure 364767DEST_PATH_IMAGE075
个轨迹节点和第np个轨迹节点之间的路段道路等 级，
Figure 288860DEST_PATH_IMAGE076
表示道路的类型，1表示快速路，2表示主干路，3表示次干路，4表 示支路。
进一步地，步骤4具体包括如下子步骤：
步骤4.1，通过城市道路数据构建空间邻域图，并根据空间邻近关系获得车辆轨迹节点的邻近车辆轨迹节点；
步骤4.2，对邻近车辆轨迹节点对应的局部特征序列
Figure 532891DEST_PATH_IMAGE077
使用聚合函数进行邻域节点的信 息聚合，求取邻近车辆轨迹节点对应的局部特征的平均值序列
Figure 567843DEST_PATH_IMAGE078
，对于一条车辆轨迹节点序列
Figure 197407DEST_PATH_IMAGE079
，其每个轨迹节点的局部特征集合表示为
Figure 292402DEST_PATH_IMAGE080
，其中空值用0填充；
步骤4.3，将每个轨迹节点的局部特征集合
Figure 247499DEST_PATH_IMAGE080
输入长短时记忆模型LSTM中，以 车辆转向预测为目标，直至迭代运行200次或交叉熵损失函数收敛，得到训练学习好的车辆 转向预测模型。
与现有技术相比，本发明的有益效果是：本发明基于有向图结构和LSTM的车辆轨迹特征提取方法通过有效结合车辆轨迹点数据与成熟道路数据，实现车辆轨迹点数据的规范化处理；从时间、空间、运动、环境四个方面分别选取和构建对应的局部轨迹段特征所组成的序列描述轨迹的运动行为，充分融入轨迹多方面的特征，同时综合考量轨迹的时空依赖关系和轨迹的定量特征，利用深度学习方法学习轨迹深层次的表达，并最终以向量的形式描述轨迹特征，并在特征工程中序列特征应用及深度学习中特征融合部分进行了实践，证明了其有效性。本发明基于有向图结构和LSTM的车辆轨迹特征提取方法为利用机器学习方法对轨迹数据进行分类、预测、挖掘等操作提供有效特征数据。
附图说明
图1为本发明基于有向图结构和LSTM的车辆轨迹特征提取方法的流程图；
图2为城市道路数据构建的有向环图；
图3为本发明步骤2的示意图；
图4为车辆轨迹节点的邻近车辆轨迹节点选取示意图。
具体实施方式
现在结合附图对本发明的技术方案作进一步详细的说明。
如图1为本发明基于有向图结构和LSTM的车辆轨迹特征提取方法的流程图，该车辆轨迹特征提取方法适用于车辆在城市路网中的轨迹数据表征，具体包括如下步骤：
收集车辆轨迹数据集
Figure 945197DEST_PATH_IMAGE001
，将收集的车辆轨迹数据集
Figure 570213DEST_PATH_IMAGE001
进行清洗并基于隐马尔可夫模型进行车辆轨迹地图匹配，将 车辆轨迹点
Figure 711476DEST_PATH_IMAGE002
数据的投影点作为匹配点
Figure 789153DEST_PATH_IMAGE003
，最终获得预处 理后的车辆轨迹数据集
Figure 556121DEST_PATH_IMAGE004
；其中，
Figure 35644DEST_PATH_IMAGE006
表示车辆轨迹索引，n表 示车辆轨迹总数，
Figure 613387DEST_PATH_IMAGE007
表示第
Figure 912781DEST_PATH_IMAGE006
条车辆轨迹，
Figure 217860DEST_PATH_IMAGE008
，j表示 轨迹点索引，m表示第
Figure 817469DEST_PATH_IMAGE006
条车辆轨迹
Figure 300534DEST_PATH_IMAGE007
的轨迹点总数，
Figure 946279DEST_PATH_IMAGE002
表示第
Figure 6114DEST_PATH_IMAGE006
条车辆轨迹中 第j个轨迹点坐标，
Figure 788126DEST_PATH_IMAGE009
表示第j个轨迹点的经度值，
Figure 832305DEST_PATH_IMAGE010
表示第j个轨迹点的纬度值，
Figure 450499DEST_PATH_IMAGE011
表示第j 个轨迹点的时间信息，
Figure 362961DEST_PATH_IMAGE012
表示第
Figure 484631DEST_PATH_IMAGE006
条预处理后的车辆轨迹，
Figure 371816DEST_PATH_IMAGE014
，jj表示匹配点索引，mm表示第
Figure 726574DEST_PATH_IMAGE030
条 预处理后的车辆轨迹
Figure 52513DEST_PATH_IMAGE012
的匹配点总数，
Figure 291340DEST_PATH_IMAGE003
表示第
Figure 536377DEST_PATH_IMAGE006
条预处理后的 车辆轨迹中第jj个匹配点坐标，
Figure 316114DEST_PATH_IMAGE015
表示第jj个匹配点的经度值，
Figure 55531DEST_PATH_IMAGE016
表示第jj个匹配点 的纬度值，
Figure 401061DEST_PATH_IMAGE017
表示jj个匹配点的时间信息。
本发明步骤1中将收集的车辆轨迹数据集
Figure DEST_PATH_IMAGE081
进行清洗 的过程具体为：车辆轨迹数据集
Figure 302153DEST_PATH_IMAGE081
中的车辆轨迹点
Figure 38027DEST_PATH_IMAGE082
对任意
Figure 830403DEST_PATH_IMAGE009
、
Figure 968123DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE083
为空值或
Figure 40115DEST_PATH_IMAGE084
或
Figure DEST_PATH_IMAGE085
或
Figure 591183DEST_PATH_IMAGE086
或
Figure DEST_PATH_IMAGE087
时，删除对应的第
Figure 731789DEST_PATH_IMAGE006
条车辆轨迹中第
Figure 724016DEST_PATH_IMAGE088
个轨迹点坐标
Figure 153860DEST_PATH_IMAGE002
；设置轨迹点的经度最大值
Figure DEST_PATH_IMAGE089
、经度最小值
Figure 536431DEST_PATH_IMAGE090
、纬度最大值
Figure DEST_PATH_IMAGE091
、纬度最小值
Figure 890183DEST_PATH_IMAGE092
，对于剩余的车辆轨迹 点坐标，保留
Figure DEST_PATH_IMAGE093
且
Figure 330392DEST_PATH_IMAGE094
的车辆轨迹点坐标。
本发明步骤1中基于隐马尔可夫模型进行车辆轨迹地图匹配的过程具体为：根据 保留的车辆轨迹点和城市道路数据，计算所有车辆轨迹点对应到最近道路的投影点的距离 的平均值作为误差区域
Figure DEST_PATH_IMAGE095
；然后计算保留的车辆轨迹点与第
Figure 744187DEST_PATH_IMAGE013
条道路的距离
Figure 676371DEST_PATH_IMAGE096
，将误差区 域
Figure 614240DEST_PATH_IMAGE095
内的所有道路视为车辆轨迹点的候选路段，一个轨迹点对应一条或多条候选路段；其 次，计算保留的车辆轨迹点邻近轨迹点的点位状态转移概率；最后，选出转移概率最大的路 段作为轨迹点的最佳匹配路段，在最佳匹配路段中选择轨迹点在匹配路段上的投影点作为 匹配点
Figure 581059DEST_PATH_IMAGE003
，输出处理后的轨迹
Figure DEST_PATH_IMAGE097
。
步骤2，通过城市道路数据构建有向环图
Figure 897246DEST_PATH_IMAGE018
，如图2，本发明中使用OSM提供 的城市道路数据为规范化基础数据，采用基于路段的路网分割方法对路网数据进行处理， 处理后的城市道路数据是一个有向有环图
Figure 706939DEST_PATH_IMAGE018
，其中，
Figure 58286DEST_PATH_IMAGE019
表示道路交叉口序列，
Figure 754978DEST_PATH_IMAGE020
，u表示道路交叉口索引，
Figure 900788DEST_PATH_IMAGE021
表示道路交叉口总数，
Figure 197778DEST_PATH_IMAGE022
表示第
Figure 352815DEST_PATH_IMAGE023
个道路交叉口处的唯一标识；E表示道路中的路段序列，
Figure 904014DEST_PATH_IMAGE024
，
Figure 486305DEST_PATH_IMAGE025
表 示第ii个具有方向的路段，ne表示具有方向的路段总数。如图3，将匹配点
Figure 5011DEST_PATH_IMAGE003
沿车辆行驶轨迹转换成道路交叉口序列
Figure 698160DEST_PATH_IMAGE026
，简化获得路口序 列，删除冗余的路口信息，并通过线性插值法增加车辆轨迹经过道路交叉口的时间信息
Figure 369444DEST_PATH_IMAGE027
，得到车辆轨迹节点序列
Figure 122636DEST_PATH_IMAGE028
，h表示预处理 后的车辆轨迹经过道路交叉口的顺序，
Figure 66322DEST_PATH_IMAGE029
表示第
Figure 435599DEST_PATH_IMAGE030
条预处理后的车辆 轨迹节点序列的第
Figure 86023DEST_PATH_IMAGE031
个车辆轨迹节点，u表示道路交叉口索引，
Figure 134750DEST_PATH_IMAGE032
表示第u个道路交叉口在 x轴的坐标值，
Figure 768994DEST_PATH_IMAGE033
表示第u个道路交叉口在y轴的坐标值，
Figure 148154DEST_PATH_IMAGE034
表示轨迹在第
Figure 246560DEST_PATH_IMAGE023
个道路交叉 口的时间，
Figure 216921DEST_PATH_IMAGE035
表示第
Figure 135198DEST_PATH_IMAGE030
条预处理后的车辆轨迹节点序列中车辆轨迹节点的总数；具体地，通 过空间匹配算法提取匹配点
Figure 318049DEST_PATH_IMAGE003
所在的路段，将连接路段的道路交叉口 依车辆轨迹行驶路过顺序进行排序，获得道路交叉口序列
Figure 536541DEST_PATH_IMAGE026
，通过路口序列重构车辆 轨迹序列，实现轨迹规范化，将轨迹的坐标序列沿行驶的路径依次转换为路口组成的序列。 本发明将车辆行驶轨迹规范为路口组成的轨迹节点序列，一方面简化了轨迹数据的体量， 为后续轨迹特征计算及深度学习节约了时间和空间成本；另一方面将道路的拓扑特征以路 口的形式融入到轨迹的初步表达中，为深度学习模型能够学习到轨迹中所隐含的路口关联 关系提供了可能性。
步骤3，分别从时间、空间、运动、环境四个方面提取车辆轨迹节点序列
Figure 143715DEST_PATH_IMAGE098
的局部特征，得到每个车辆轨迹节点
Figure DEST_PATH_IMAGE099
的局部特征序列
Figure 627917DEST_PATH_IMAGE036
，其中
Figure 270251DEST_PATH_IMAGE100
表示每个车辆轨迹节点的 局部特征数量，形成以邻近轨迹节点之间的路段为计算单元的局部特征序列。本发明中除 了提取时间和空间特征，还充分计算了车辆轨迹在运动和环境方面的特征，通过运动特征 的提取来增加后续模型学习轨迹运动规律的能力，比如某类路径规划时在固定路口右转概 率较高等；同时引入环境方面的特征，尝试让环境对轨迹形成或车辆行驶的影响能够得到 表达，比如高速车辆行驶快、堵车较少，或者路径选择时优选快速路等。
从规律性变化及特殊性考量，本发明中从时间方面提取的局部特征包括：轨迹转 向周期
Figure 874408DEST_PATH_IMAGE037
、轨迹路段时间周期
Figure 389834DEST_PATH_IMAGE038
，通过大量的数据分析可知车辆行驶存 在一定的时间规律性的，比如早高峰的车辆路径多为通勤；另一方面，猜想车辆行驶时的对 于轨迹方向变化（此处特指路口）的选择会受时间影响，比如会因为管制在某一些时段挑选 非最有路段而在其他路口进行转向等。通过这两个时间方面的特征提取，学习到规律性、特 殊性的隐藏信息。
其中，
Figure DEST_PATH_IMAGE101
Figure 548283DEST_PATH_IMAGE040
Figure 994308DEST_PATH_IMAGE041
表示车辆第
Figure 469283DEST_PATH_IMAGE042
个轨迹节点转向发生的时刻，
Figure 404878DEST_PATH_IMAGE043
表示车辆第np-1个轨迹节点转向发生的时刻，
Figure 191568DEST_PATH_IMAGE044
表示车辆第np个轨迹节点转向的时间，
Figure 48141DEST_PATH_IMAGE045
表 示第
Figure 767835DEST_PATH_IMAGE042
个轨迹节点进入路段的时刻，
Figure 671069DEST_PATH_IMAGE046
表示第np个轨迹节点离开路段的时刻。
空间特征的选取注重轨迹形态表达的提取，因此，本发明中从距离、方向、几何形 态等多个视角分别计算轨迹的空间特征，从空间特征提取的局部特征包括：车辆轨迹空间 方位
Figure 945056DEST_PATH_IMAGE102
、路段空间位移序列
Figure 342670DEST_PATH_IMAGE047
、路段路网距离序列
Figure 651292DEST_PATH_IMAGE048
、轨迹弯曲度序列
Figure DEST_PATH_IMAGE103
。
其中，
Figure 194269DEST_PATH_IMAGE104
Figure 96497DEST_PATH_IMAGE051
Figure DEST_PATH_IMAGE105
Figure 953594DEST_PATH_IMAGE053
，
Figure 257668DEST_PATH_IMAGE054
表示第np个轨迹节点所在路口的空间方位，
Figure 378070DEST_PATH_IMAGE055
表示第np个轨迹节点在x轴方 向的数值，
Figure 751283DEST_PATH_IMAGE056
表示第np-1个轨迹节点在x轴方向的数值，
Figure 615334DEST_PATH_IMAGE057
表示第np-1个轨迹节点和 第np个轨迹节点之间的空间位移，
Figure 60001DEST_PATH_IMAGE058
表示第np-1个轨迹节点和第np个轨迹节点之间的路 段路网的距离，
Figure 351305DEST_PATH_IMAGE059
表示两个轨迹节点间的实际路段距离，
Figure 211814DEST_PATH_IMAGE060
表示第np个轨 迹节的弯曲度，
Figure 879555DEST_PATH_IMAGE061
表示第np-1个轨迹节点和第np个轨迹节点之间在y轴方向 的距离。
本发明中从运动方便提取的局部特征包括：路段上车辆平均速度序列v、路段平均 加速度序列a、路段上车辆平均转向速度序列
Figure 892642DEST_PATH_IMAGE063
，
其中，
Figure 682743DEST_PATH_IMAGE064
Figure 905914DEST_PATH_IMAGE106
Figure DEST_PATH_IMAGE107
其中，
Figure 518292DEST_PATH_IMAGE059
表示为两个轨迹节点间的实际路段距离，
Figure 838415DEST_PATH_IMAGE044
表示车辆在第np-1 个轨迹节点和第
Figure 471522DEST_PATH_IMAGE042
个轨迹节点之间的行驶耗时，
Figure 57355DEST_PATH_IMAGE067
表示车辆在第np-1个轨迹节点和第
Figure 66899DEST_PATH_IMAGE042
个轨迹节点之间路段的平均加速度，
Figure 38266DEST_PATH_IMAGE068
表示车辆在第np-1个轨迹节点和第
Figure 107854DEST_PATH_IMAGE042
个轨迹节点 之间的平均速度，
Figure 178053DEST_PATH_IMAGE069
表示车辆在第np-1个轨迹节点和第
Figure 991288DEST_PATH_IMAGE042
+1个轨迹节点之间的平均转向 速度，
Figure 817162DEST_PATH_IMAGE070
表示第
Figure 57650DEST_PATH_IMAGE042
个轨迹节点在y轴方向的数值，
Figure 352497DEST_PATH_IMAGE071
表示道路交叉口前后路段的累计时间，
Figure 703844DEST_PATH_IMAGE072
表示第np个轨迹节点在x轴方向的数值。
本发明中从环境方面依据快速路、主干路、次干路、支路四类将车辆轨迹中每一个 路段的道路等级按时间顺序排列成轨迹的局部环境特征，提取的局部特征为轨迹节点所经 路段道路等级序列
Figure 649803DEST_PATH_IMAGE073
，其中，
Figure 405400DEST_PATH_IMAGE074
表示 车辆经过第
Figure 108914DEST_PATH_IMAGE108
个轨迹节点和第
Figure DEST_PATH_IMAGE109
个轨迹节点之间的路段道路等级，
Figure 201635DEST_PATH_IMAGE076
表示道路的类型，1表示快速路，2表示主干路，3表示次干路，4表示支路。在环境方面的特征 选择考量到环境相关的客观数据支撑有限，且道路等级切实会影响到车辆速度、以及道路 等级组合会影响路径规划，将道路等级作为环境特征。
步骤4，通过城市道路数据构建空间邻域图，使用聚合函数聚合车辆轨迹节点的邻近车辆轨迹节点局部特征，使用邻近车辆轨迹节点局部特征训练长短时记忆模型LSTM，以车辆转向预测为目标，直至迭代运行200次或交叉熵损失函数收敛，得到训练学习好的获得车辆转向预测模型；具体包括如下子步骤：
步骤4.1，通过城市道路数据构建空间邻域图，并根据空间邻近关系获得车辆轨迹 节点的邻近车辆轨迹节点；即对于一个轨迹节点
Figure 143046DEST_PATH_IMAGE110
，基于步骤2建立的有向图结构在其相 连的轨迹节点上均匀采样4个轨迹节点作为轨迹节点
Figure 66615DEST_PATH_IMAGE110
的相邻轨迹节点，该步骤不考量轨 迹节点的时间顺序，以空间顺序为优先。如图4为车辆轨迹节点的邻近车辆轨迹节点选取示 意图，对于一条途经（1，2，3，4，5，10，13，12）几个路口的轨迹，参照城市道路数据构建的有 向环图可知：与路口4相邻的一阶路口有3和5，与路口4相邻的二阶路口是由路口3和5扩散 开的路口2、6、9、10，根据邻域路口选择规律，以第4个轨迹节点途经的路口4为例，首先获取 一阶路口3和5，一阶路口数量不足时，挑选二阶路口，由轨迹节点序列克制，二阶路口2、6、 9、10中轨迹只路过了路口2和10，因此最终选取的邻域轨迹节点为3、5、2、10。
步骤4.2，对邻近车辆轨迹节点对应的局部特征序列
Figure 132792DEST_PATH_IMAGE036
使用聚合函数进行邻域节点的信 息聚合，求取邻近车辆轨迹节点对应的局部特征的平均值序列
Figure 684996DEST_PATH_IMAGE078
，对于一条车辆轨迹节点序列
Figure 559542DEST_PATH_IMAGE079
，其每个轨迹节点的局部特征集合表示为
Figure 312734DEST_PATH_IMAGE080
，其中空值用0填充；
步骤4.3，将每个轨迹节点的局部特征集合
Figure 521999DEST_PATH_IMAGE080
输入长短时记忆模型LSTM中，以 车辆转向预测为目标，直至迭代运行200次或交叉熵损失函数收敛，得到训练学习好的车辆 转向预测模型。
步骤5，实时收集车辆轨迹节点，输入训练好的车辆转向预测模型中，通过全连接层进行轨迹特征输出，输出每个车辆轨迹的表征向量，即为提取的车辆轨迹特征。
本发明车辆轨迹特征提取方法在常用的时空特征之外还引用了运动、环境等方面的特征，同时跳出常规的全局思路，从局部提取各个方面的特征，构建各个方面的局部特征序列，将环境等属性特征在轨迹里赋予了时间属性，全面计算轨迹的时空依赖关系。最后选用深度学习方法学习轨迹深层次的表达，以向量的形式描述轨迹特征，强化了特征应用方向。
以上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方式，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，对于本技术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，应视为本发明的保护范围。

Claims (7)

1.一种基于有向图结构和LSTM的车辆轨迹特征提取方法，其特征在于，具体包括如下步骤：
步骤1，收集车辆轨迹数据集
Figure 491923DEST_PATH_IMAGE001
，将收集的车辆轨迹数据集
Figure 407926DEST_PATH_IMAGE001
进行清洗并基于隐马尔可夫模型进行车辆轨迹地图匹配，将 车辆轨迹点
Figure 410648DEST_PATH_IMAGE002
数据的投影点作为匹配点
Figure 638367DEST_PATH_IMAGE003
，最终获得预处 理后的车辆轨迹数据集
Figure 673319DEST_PATH_IMAGE004
；其中，i表示车辆轨迹索引，n表 示车辆轨迹总数，
Figure 319195DEST_PATH_IMAGE005
表示第i条车辆轨迹，
Figure 414190DEST_PATH_IMAGE006
，j表示 轨迹点索引，m表示第i条车辆轨迹
Figure 129206DEST_PATH_IMAGE005
的轨迹点总数，
Figure 233428DEST_PATH_IMAGE002
表示第i条车辆轨迹中 第j个轨迹点坐标，
Figure 730881DEST_PATH_IMAGE007
表示第j个轨迹点的经度值，
Figure 996777DEST_PATH_IMAGE008
表示第j个轨迹点的纬度值，
Figure 199088DEST_PATH_IMAGE009
表示第j 个轨迹点的时间信息，
Figure 575843DEST_PATH_IMAGE010
表示第i条预处理后的车辆轨迹，
Figure 930732DEST_PATH_IMAGE011
，jj表示匹配点索引，mm表示第i条 预处理后的车辆轨迹
Figure 695426DEST_PATH_IMAGE010
的匹配点总数，
Figure 260399DEST_PATH_IMAGE003
表示第i条预处理后的 车辆轨迹中第jj个匹配点坐标，
Figure 316211DEST_PATH_IMAGE012
表示第jj个匹配点的经度值，
Figure 650240DEST_PATH_IMAGE013
表示第jj个匹配点 的纬度值，
Figure 382573DEST_PATH_IMAGE014
表示第jj个匹配点的时间信息；
步骤2，通过城市道路数据构建有向环图
Figure 434843DEST_PATH_IMAGE015
，其中，
Figure 294345DEST_PATH_IMAGE016
表示道路交叉口序列，
Figure 748460DEST_PATH_IMAGE017
，u表示道路交叉口索引，
Figure 651694DEST_PATH_IMAGE018
表示道路交叉口总数，
Figure 191260DEST_PATH_IMAGE019
表示第
Figure 585945DEST_PATH_IMAGE020
个道路交叉口处的唯一标识；E表示道路中的路段序列，
Figure 894566DEST_PATH_IMAGE021
，
Figure 968702DEST_PATH_IMAGE022
表示 第ii个具有方向的路段，ne表示具有方向的路段总数；将匹配点
Figure 995564DEST_PATH_IMAGE003
沿 车辆行驶轨迹转换成道路交叉口序列
Figure 931290DEST_PATH_IMAGE023
，并通过线性插值法增加车辆轨迹经过道路 交叉口的时间信息
Figure 422314DEST_PATH_IMAGE024
，得到车辆轨迹节点序列
Figure 808296DEST_PATH_IMAGE025
，h表示预处理后的车辆轨迹经过道路 交叉口的顺序，
Figure 932241DEST_PATH_IMAGE026
表示第
Figure 796292DEST_PATH_IMAGE027
条预处理后的车辆轨迹节点序列的第
Figure 204139DEST_PATH_IMAGE028
个车 辆轨迹节点，u表示道路交叉口索引，
Figure 761022DEST_PATH_IMAGE029
表示第u个道路交叉口在x轴的坐标值，
Figure 372263DEST_PATH_IMAGE030
表示 第u个道路交叉口在y轴的坐标值，
Figure 40005DEST_PATH_IMAGE031
表示轨迹在第
Figure 302359DEST_PATH_IMAGE020
个道路交叉口的时间，
Figure 764565DEST_PATH_IMAGE032
表示第
Figure 860172DEST_PATH_IMAGE027
条 预处理后的车辆轨迹节点序列中车辆轨迹节点的总数；
步骤3，分别从时间、空间、运动、环境四个方面提取车辆轨迹节点序列
Figure 393922DEST_PATH_IMAGE025
的局部特征，得到每个车辆轨迹节点
Figure 386148DEST_PATH_IMAGE026
的局部特征序列
Figure 425780DEST_PATH_IMAGE033
，其中nf表示每个车辆轨迹节点的 局部特征数量；
步骤4，通过城市道路数据构建空间邻域图，使用聚合函数聚合车辆轨迹节点的邻近车辆轨迹节点局部特征，使用邻近车辆轨迹节点局部特征训练长短时记忆模型LSTM，以车辆转向预测为目标，直至迭代运行200次或交叉熵损失函数收敛，得到训练学习好的车辆转向预测模型；
步骤5，实时收集车辆轨迹节点，输入训练好的车辆转向预测模型中，通过全连接层进行轨迹特征输出，输出每个车辆轨迹的表征向量，即为提取的车辆轨迹特征。
2.根据权利要求1所述基于有向图结构和LSTM的车辆轨迹特征提取方法，其特征在于， 步骤2中将匹配点
Figure 932984DEST_PATH_IMAGE003
沿车辆行驶轨迹转换成道路交叉口序列
Figure 817895DEST_PATH_IMAGE023
的具体过程为：通过空间匹配算法提取出匹配点
Figure 930207DEST_PATH_IMAGE003
所在的路段，将连 接路段的道路交叉口依车辆轨迹行驶路过顺序进行排序，获得道路交叉口序列
Figure 62111DEST_PATH_IMAGE023
。
3.根据权利要求1所述基于有向图结构和LSTM的车辆轨迹特征提取方法，其特征在于， 步骤3中从时间方面提取的局部特征包括：轨迹转向周期
Figure 400820DEST_PATH_IMAGE034
、轨迹路段时间周期
Figure 109929DEST_PATH_IMAGE035
；
Figure 935803DEST_PATH_IMAGE036
Figure 520499DEST_PATH_IMAGE037
其中，
Figure 267875DEST_PATH_IMAGE038
表示车辆第
Figure 884801DEST_PATH_IMAGE039
个轨迹节点转向发生的时刻，
Figure 581493DEST_PATH_IMAGE040
表示车辆第np-1个轨迹节点转向发生的时刻，
Figure 992883DEST_PATH_IMAGE041
表示车辆第np个轨迹节点转向的时间，
Figure 227555DEST_PATH_IMAGE042
表 示第
Figure 992380DEST_PATH_IMAGE039
个轨迹节点进入路段的时刻，
Figure 199370DEST_PATH_IMAGE043
表示第np个轨迹节点离开路段的时刻。
4.根据权利要求1所述基于有向图结构和LSTM的车辆轨迹特征提取方法，其特征在于， 步骤3中从空间方面提取的局部特征包括：车辆轨迹空间方位θ、路段空间位移序列
Figure 906295DEST_PATH_IMAGE044
、路 段路网距离序列
Figure 300367DEST_PATH_IMAGE045
、轨迹弯曲度序列
Figure 69216DEST_PATH_IMAGE046
，
Figure 724188DEST_PATH_IMAGE047
Figure 477380DEST_PATH_IMAGE048
Figure 234115DEST_PATH_IMAGE049
Figure 730955DEST_PATH_IMAGE050
其中，
Figure 771593DEST_PATH_IMAGE051
表示第np个轨迹节点所在路口的空间方位，
Figure 430107DEST_PATH_IMAGE052
表示第np个轨迹节点在x轴方 向的数值，
Figure 674138DEST_PATH_IMAGE053
表示第np-1个轨迹节点在x轴方向的数值，
Figure 709090DEST_PATH_IMAGE054
表示第np-1个轨迹节点和 第np个轨迹节点之间的空间位移，
Figure 807496DEST_PATH_IMAGE055
表示第np-1个轨迹节点和第np个轨迹节点之间的路 段路网的距离，
Figure 512278DEST_PATH_IMAGE056
表示两个轨迹节点间的实际路段距离，
Figure 368238DEST_PATH_IMAGE057
表示第np个轨 迹节的弯曲度，
Figure 331515DEST_PATH_IMAGE058
表示第np-1个轨迹节点和第np个轨迹节点之间在y轴方向 的距离。
5.根据权利要求1所述基于有向图结构和LSTM的车辆轨迹特征提取方法，其特征在于， 步骤3中从运动方便提取的局部特征包括：路段上车辆平均速度序列v、路段平均加速度序 列a、路段上车辆平均转向速度序列
Figure 690952DEST_PATH_IMAGE059
，
Figure 829285DEST_PATH_IMAGE060
Figure 906962DEST_PATH_IMAGE061
Figure 673930DEST_PATH_IMAGE062
其中，
Figure 153453DEST_PATH_IMAGE056
表示为两个轨迹节点间的实际路段距离，
Figure 731196DEST_PATH_IMAGE041
表示车辆在第np-1个轨 迹节点和第
Figure 296170DEST_PATH_IMAGE039
个轨迹节点之间的行驶耗时，
Figure 601249DEST_PATH_IMAGE063
表示车辆在第np-1个轨迹节点和第
Figure 935278DEST_PATH_IMAGE039
个轨 迹节点之间路段的平均加速度，
Figure 418343DEST_PATH_IMAGE064
表示车辆在第np-1个轨迹节点和第
Figure 470613DEST_PATH_IMAGE039
个轨迹节点之间 的平均速度，
Figure 517066DEST_PATH_IMAGE065
表示车辆在第np-1个轨迹节点和第
Figure 846548DEST_PATH_IMAGE039
+1个轨迹节点之间的平均转向速 度，
Figure 625148DEST_PATH_IMAGE066
表示第
Figure 289347DEST_PATH_IMAGE039
个轨迹节点在y轴方向的数值，
Figure 811596DEST_PATH_IMAGE067
表示道路交叉口前后路段的累计时间，
Figure 992654DEST_PATH_IMAGE068
表示第np个轨迹节点在x轴方向的数值。
6.根据权利要求1所述基于有向图结构和LSTM的车辆轨迹特征提取方法，其特征在于， 步骤3中从环境方面提取的局部特征为轨迹节点所经路段道路等级序列
Figure 942155DEST_PATH_IMAGE069
，
其中，
Figure 828072DEST_PATH_IMAGE070
表示车辆经过第
Figure 154011DEST_PATH_IMAGE071
个轨迹节点和第np个轨迹节点之间的路段道路等级，
Figure 192505DEST_PATH_IMAGE072
表示道路的类型，1表示快速路，2表示主干路，3表示次干路，4表示 支路。
7.根据权利要求1所述基于有向图结构和LSTM的车辆轨迹特征提取方法，其特征在于，步骤4具体包括如下子步骤：
步骤4.1，通过城市道路数据构建空间邻域图，并根据空间邻近关系获得车辆轨迹节点的邻近车辆轨迹节点；
步骤4.2，对邻近车辆轨迹节点对应的局部特征序列
Figure 312908DEST_PATH_IMAGE073
使用聚合函数进行邻域节点的信 息聚合，求取邻近车辆轨迹节点对应的局部特征的平均值序列
Figure 217279DEST_PATH_IMAGE074
，对于一条车辆轨迹节点序列
Figure 81330DEST_PATH_IMAGE075
，其每个轨迹节点的局部特征集合表示为
Figure 177593DEST_PATH_IMAGE076
，其中空值用0填充；
步骤4.3，将每个轨迹节点的局部特征集合
Figure 593531DEST_PATH_IMAGE076
输入长短时记忆模型LSTM中，以 车辆转向预测为目标，直至迭代运行200次或交叉熵损失函数收敛，得到训练学习好的车辆 转向预测模型。
CN202111209178.3A 2021-10-18 2021-10-18 一种基于有向图结构和lstm的车辆轨迹特征提取方法 Active CN113903173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111209178.3A CN113903173B (zh) 2021-10-18 2021-10-18 一种基于有向图结构和lstm的车辆轨迹特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111209178.3A CN113903173B (zh) 2021-10-18 2021-10-18 一种基于有向图结构和lstm的车辆轨迹特征提取方法

Publications (2)

Publication Number Publication Date
CN113903173A true CN113903173A (zh) 2022-01-07
CN113903173B CN113903173B (zh) 2022-06-03

Family

ID=79192682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111209178.3A Active CN113903173B (zh) 2021-10-18 2021-10-18 一种基于有向图结构和lstm的车辆轨迹特征提取方法

Country Status (1)

Country Link
CN (1) CN113903173B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115033732A (zh) * 2022-08-11 2022-09-09 深圳前海中电慧安科技有限公司 一种时空轨迹关联方法、装置、电子设备及存储介质
CN117077042A (zh) * 2023-10-17 2023-11-17 北京鑫贝诚科技有限公司 一种农村平交路口安全预警方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390355A (zh) * 2013-07-30 2013-11-13 中国民用航空总局第二研究所 一种基于a-smgcs系统的滑行道冲突检测方法
WO2021051224A1 (en) * 2019-09-16 2021-03-25 Intel Corporation Stochastic trajectory prediction using social graph networks
CN113377743A (zh) * 2021-06-03 2021-09-10 北京邮电大学 车辆终端服务迁移方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390355A (zh) * 2013-07-30 2013-11-13 中国民用航空总局第二研究所 一种基于a-smgcs系统的滑行道冲突检测方法
WO2021051224A1 (en) * 2019-09-16 2021-03-25 Intel Corporation Stochastic trajectory prediction using social graph networks
CN113377743A (zh) * 2021-06-03 2021-09-10 北京邮电大学 车辆终端服务迁移方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115033732A (zh) * 2022-08-11 2022-09-09 深圳前海中电慧安科技有限公司 一种时空轨迹关联方法、装置、电子设备及存储介质
CN115033732B (zh) * 2022-08-11 2022-11-15 深圳前海中电慧安科技有限公司 一种时空轨迹关联方法、装置、电子设备及存储介质
CN117077042A (zh) * 2023-10-17 2023-11-17 北京鑫贝诚科技有限公司 一种农村平交路口安全预警方法及系统
CN117077042B (zh) * 2023-10-17 2024-01-09 北京鑫贝诚科技有限公司 一种农村平交路口安全预警方法及系统

Also Published As

Publication number Publication date
CN113903173B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
Bastani et al. Roadtracer: Automatic extraction of road networks from aerial images
CN109582993B (zh) 城市交通场景图像理解与多视角群智优化方法
US11681746B2 (en) Structured prediction crosswalk generation
CN109145939B (zh) 一种小目标敏感的双通道卷积神经网络语义分割方法
CN110084195B (zh) 基于卷积神经网络的遥感图像目标检测方法
CN108920481B (zh) 一种基于手机定位数据的道路网重建方法及系统
CN109059944B (zh) 基于驾驶习惯学习的运动规划方法
CN104700617B (zh) 基于低精度gps轨迹数据的高精度车道信息提取方法
Lian et al. DeepWindow: Sliding window based on deep learning for road extraction from remote sensing images
CN108427965A (zh) 一种基于路网聚类的热点区域挖掘方法
CN113903173B (zh) 一种基于有向图结构和lstm的车辆轨迹特征提取方法
CN114005280B (zh) 一种基于不确定性估计的车辆轨迹预测方法
CN106383868A (zh) 一种基于道路网络的时空轨迹聚类方法
CN108009666B (zh) 基于动态路网的层级优先最优路径计算方法
CN113954864A (zh) 一种融合周边车辆交互信息的智能汽车轨迹预测系统及方法
CN104899357A (zh) 一种基于AutoCAD平面交叉口工程图的拓扑数据提取方法
WO2021013190A1 (zh) 基于气象参数的高速列车导航盲区定位方法及系统
Qiu et al. Automatic extraction of road networks from GPS traces
CN115435798A (zh) 无人车高精地图路网生成系统及方法
CN113841152B (zh) 用于确定道路交叉路口的方法、数据处理装置和计算机程序产品
Grimm et al. Holistic graph-based motion prediction
Bastani et al. Inferring and improving street maps with data-driven automation
CN111123333B (zh) 一种融合卡口和gps数据的车辆轨迹定位方法
CN117036733A (zh) 一种城市道路场景特征线提取的方法
CN115309846A (zh) 一种基于平行系数的道路网结构识别方法

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 215000 4th floor, No. 101, Suhong Middle Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Patentee after: Yuance Information Technology Co.,Ltd.

Address before: 215000 4th floor, No. 101, Suhong Middle Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Patentee before: SUZHOU INDUSTRIAL PARK SURVEYING MAPPING AND GEOINFORMATION Co.,Ltd.