CN113903173B - 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 PDFInfo
- Publication number
- CN113903173B CN113903173B CN202111209178.3A CN202111209178A CN113903173B CN 113903173 B CN113903173 B CN 113903173B CN 202111209178 A CN202111209178 A CN 202111209178A CN 113903173 B CN113903173 B CN 113903173B
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- road
- node
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
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,将收集的车辆轨迹数据
集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
车辆轨迹点数据的投影点作为匹配点,最终获得预处理后
的车辆轨迹数据集;其中,表示车辆轨迹索引,n表示车辆轨
迹总数,表示第条车辆轨迹,,j表示轨迹点索引,m
表示第条车辆轨迹的轨迹点总数,表示第条车辆轨迹中第j个轨迹点坐
标,表示第j个轨迹点的经度值,表示第j个轨迹点的纬度值,表示第j个轨迹点的时
间信息,表示第条预处理后的车辆轨迹,,jj表示匹配点索引,mm表示第条预处理后的车辆轨迹的匹配点总数,表示第条预处理后的车辆轨迹中第jj个匹配点坐标,表示第jj
个匹配点的经度值,表示第jj个匹配点的纬度值,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,其中,表示道路交叉口序列,,u表示道路交叉口索引,表示道路交叉口总数,表示第
个道路交叉口处的唯一标识;E表示道路中的路段序列,,表示第ii个具有方向的路段,ne表示具有方向的路段总数;将匹配点沿车辆
行驶轨迹转换成道路交叉口序列,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,得到车辆轨迹节点序列,h表
示预处理后的车辆轨迹经过道路交叉口的顺序,表示第条预处理后
的车辆轨迹节点序列的第个车辆轨迹节点,u表示道路交叉口索引,表示第u个道路交
叉口在x轴的坐标值,表示第u个道路交叉口在y轴的坐标值,表示轨迹在第个道路
交叉口的时间,表示第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。
其中,表示第np个轨迹节点所在路口的空间方位,表示第np个轨迹节点在
x轴方向的数值,表示第np-1个轨迹节点在x轴方向的数值,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,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,表示两个轨迹节点间的实际路段距离,表示第np
个轨迹节的弯曲度,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。
其中,表示为两个轨迹节点间的实际路段距离,表示车辆在第np-1
个轨迹节点和第个轨迹节点之间的行驶耗时,表示车辆在第np-1个轨迹节点和第
个轨迹节点之间路段的平均加速度,表示车辆在第np-1个轨迹节点和第个轨迹节点
之间的平均速度,表示车辆在第np-1个轨迹节点和第+1个轨迹节点之间的平均转向
速度,表示第个轨迹节点在y轴方向的数值,表示道路交叉口前后路段的累计时间,表示第np个轨迹节点在x轴方向的数值。
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,对于一条车辆轨迹节点序列,其
每个轨迹节点的局部特征集合表示为,
其中空值用0填充;
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 ,将收集的车辆轨迹数据集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
辆轨迹点数据的投影点作为匹配点,最终获得预处理后的
车辆轨迹数据集;其中,表示车辆轨迹索引,n表示车辆轨迹
总数,表示第条车辆轨迹,,j表示轨迹点索引,m表
示第条车辆轨迹的轨迹点总数,表示第条车辆轨迹中第j个轨迹点坐标,表示第j个轨迹点的经度值,表示第j个轨迹点的纬度值,表示第j个轨迹点的时间
信息,表示第条预处理后的车辆轨迹,
,jj表示匹配点索引,mm表示第条预处理后的车辆轨迹的匹配点总数,表示第条预处理后的车辆轨迹中第jj个匹配点坐标,表示第jj
个匹配点的经度值,表示第jj个匹配点的纬度值,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进行清洗的
过程具体为:车辆轨迹数据集中的车辆轨迹点对任
意、、为空值或或或或时,删除对应的第条
车辆轨迹中第个轨迹点坐标;设置轨迹点的经度最大值、经度最小值、纬度最大值、纬度最小值,对于剩余的车辆轨迹点坐标,保留且的车辆轨迹点坐标。
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;然后计算保留的车辆轨迹点与第条道路的距离,将误差区
域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,输出处理后的轨迹。
步骤2,通过城市道路数据构建有向环图,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,其中,表示道路交叉口序列,,u表示道路交叉口索引,表示道路交叉口总数,表示第个
道路交叉口处的唯一标识;E表示道路中的路段序列,,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,将匹配点沿
车辆行驶轨迹转换成道路交叉口序列,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,得到车辆轨迹节点序列,h表示预处理后的车辆轨迹经过道路交叉口
的顺序,表示第条预处理后的车辆轨迹节点序列的第个车辆轨迹节
点,u表示道路交叉口索引,表示第u个道路交叉口在x轴的坐标值,表示第u个道路
交叉口在y轴的坐标值,表示轨迹在第个道路交叉口的时间,表示第条预处理后
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,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的局部特征,得到每个车辆轨迹节点的局部特征序列,
其中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、轨迹路段时间周期,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,
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、路段空间位移序列、路段路网距离序列、轨迹弯曲度序列。
其中,
表示第np个轨迹节点所在路口的空间方位,表示第np个轨迹节点在x轴方
向的数值,表示第np-1个轨迹节点在x轴方向的数值,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,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,表示两个轨迹节点间的实际路段距离,表示第np个轨迹
节的弯曲度,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。
其中,
其中,表示为两个轨迹节点间的实际路段距离,表示车辆在第np-1
个轨迹节点和第个轨迹节点之间的行驶耗时,表示车辆在第np-1个轨迹节点和第个
轨迹节点之间路段的平均加速度,表示车辆在第np-1个轨迹节点和第个轨迹节点之
间的平均速度,表示车辆在第np-1个轨迹节点和第+1个轨迹节点之间的平均转向速
度,表示第个轨迹节点在y轴方向的数值,表示道路交叉口前后路段的累计时间,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,其中,表示车辆经
过第个轨迹节点和第个轨迹节点之间的路段道路等级,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,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,对于一条车辆轨迹节点序列,其
每个轨迹节点的局部特征集合表示为,
其中空值用0填充;
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 (3)
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Traj={traji|i=1,2,...,n},将收集的车辆轨迹数据集Traj={traji|i=1,2,...,n}进行清洗并基于隐马尔可夫模型进行车辆轨迹地图匹配,将车辆轨迹点数据的投影点作为匹配点最终获得预处理后的车辆轨迹数据集Trajr={traj_ri|i=1,2,...,n};其中,i表示车辆轨迹索引,n表示车辆轨迹总数,traji表示第i条车辆轨迹,j表示轨迹点索引,m表示第i条车辆轨迹traji的轨迹点总数,表示第i条车辆轨迹中第j个轨迹点坐标,xj表示第j个轨迹点的经度值,yj表示第j个轨迹点的纬度值,tj表示第j个轨迹点的时间信息,traj_ri表示第i条预处理后的车辆轨迹,jj表示匹配点索引,mm表示第i条预处理后的车辆轨迹traj_ri的匹配点总数,表示第i条预处理后的车辆轨迹中第jj个匹配点坐标,r_rjj表示第jj个匹配点的经度值,y_rjj表示第jj个匹配点的纬度值,t_rjj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D=(V,E),其中,V表示道路交叉口序列,V={cidu|u=1,2,...,mv},u表示道路交叉口索引,mv表示道路交叉口总数,cidu表示第u个道路交叉口处的唯一标识;E表示道路中的路段序列,E={eii|ii=1,2,...,ne},eii表示第ii个具有方向的路段,ne表示具有方向的路段总数;将匹配点沿车辆行驶轨迹转换成道路交叉口序列{ciduh},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tuh,得到车辆轨迹节点序列traj_ci={ciduh,x_cu,y_cu,tuh)|h=1,2,...mc},h表示预处理后的车辆轨迹经过道路交叉口的顺序,(ciduh,x_cu,y_cu,tuh)表示第i条预处理后的车辆轨迹节点序列的第h个车辆轨迹节点,u表示道路交叉口索引,x_cu表示第u个道路交叉口在x轴的坐标值,y_cu表示第u个道路交叉口在y轴的坐标值,tuh表示轨迹在第u个道路交叉口的时间,mc表示第i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中从时间方面提取的局部特征包括:轨迹转向周期Turncycle、轨迹路段时间周期Segmentcycle;
Turncycle={tnp|tnp=fturnnp-fturn(np-1),np∈[2,mc],np∈N+}
Segmentcycle={tnp|tnp=fsegstartnp-fsegendnp,np∈[2,mc],np∈N+}
其中,fturnnp表示车辆第np个轨迹节点转向发生的时刻,fturn(np-1)表示车辆第np-1个轨迹节点转向发生的时刻,tnp表示车辆第np个轨迹节点转向的时间,fsegstartnp表示第np个轨迹节点进入路段的时刻,fsegendnp表示第np个轨迹节点离开路段的时刻;
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Δx、路段路网距离序列disr、轨迹弯曲度序列circle,
Δx={Δxnp|Δxnp=|xnp-xnp-1|,np∈[2,mc],np∈N+}
其中,θnp表示第np个轨迹节点所在路口的空间方位,xnp表示第np个轨迹节点在x轴方向的数值,xnp-1表示第np-1个轨迹节点在x轴方向的数值,Δxnp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,dnp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,表示两个轨迹节点间的实际路段距离,circlenp表示第np个轨迹节的弯曲度,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;
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vturn,
其中,表示为两个轨迹节点间的实际路段距离,tnp表示车辆在第np-1个轨迹节点和第np个轨迹节点之间的行驶耗时,anp表示车辆在第np-1个轨迹节点和第np个轨迹节点之间路段的平均加速度,vnp表示车辆在第np-1个轨迹节点和第np个轨迹节点之间的平均速度,vtnp表示车辆在第np-1个轨迹节点和第np+1个轨迹节点之间的平均转向速度,ynp表示第np个轨迹节点在y轴方向的数值,δt表示道路交叉口前后路段的累计时间,xnp表示第np个轨迹节点在x轴方向的数值;
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rl=(rlnp|rlnp∈Roadlevel,np∈[2,mc],np∈N+},
其中,rlnp表示车辆经过第np-1个轨迹节点和第np个轨迹节点之间的路段道路等级,Roadlevel=[1,2,3,4]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;
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。
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对于一条车辆轨迹节点序列traj_ci,其每个轨迹节点的局部特征集合表示为其中空值用0填充;
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 CN113903173A (zh) | 2022-01-07 |
CN113903173B true 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) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390355B (zh) * | 2013-07-30 | 2015-05-20 | 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 |
US20220292867A1 (en) * | 2019-09-16 | 2022-09-15 | Intel Corporation | Stochastic trajectory prediction using social graph networks |
CN113377743B (zh) * | 2021-06-03 | 2022-09-09 | 北京邮电大学 | 车辆终端服务迁移方法及系统 |
-
2021
- 2021-10-18 CN CN202111209178.3A patent/CN113903173B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113903173A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109582993B (zh) | 城市交通场景图像理解与多视角群智优化方法 | |
Bastani et al. | Roadtracer: Automatic extraction of road networks from aerial images | |
CN108920481B (zh) | 一种基于手机定位数据的道路网重建方法及系统 | |
CN112365711B (zh) | 一种基于车牌识别数据的车辆轨迹重构方法 | |
CN105788273B (zh) | 基于低精度时空轨迹数据的城市交叉口自动识别的方法 | |
CN109636049B (zh) | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 | |
CN104700617B (zh) | 基于低精度gps轨迹数据的高精度车道信息提取方法 | |
CN109059944B (zh) | 基于驾驶习惯学习的运动规划方法 | |
CN111368881B (zh) | 基于多维数据融合分析的低频gps轨迹路网匹配方法 | |
CN109410586A (zh) | 一种基于多元数据融合的交通状态检测方法 | |
CN113903173B (zh) | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 | |
CN110909788B (zh) | 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法 | |
CN107766808A (zh) | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 | |
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 | |
CN114005280A (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
WO2021013190A1 (zh) | 基于气象参数的高速列车导航盲区定位方法及系统 | |
CN108961758A (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
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 | |
CN115435798A (zh) | 无人车高精地图路网生成系统及方法 | |
CN113841152A (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 | |
CN111722306A (zh) | 一种基于tcn网络模型台风登陆强度预测方法和系统 | |
CN118296090A (zh) | 一种面向自动驾驶的多维时空特征融合的轨迹预测方法 | |
CN116448134B (zh) | 基于风险场与不确定分析的车辆路径规划方法及装置 | |
CN115309846B (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 |
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. |
|
CP01 | Change in the name or title of a patent holder |