CN115905434A - 一种基于学习插值预测的道路网轨迹补全方法 - Google Patents

一种基于学习插值预测的道路网轨迹补全方法 Download PDF

Info

Publication number
CN115905434A
CN115905434A CN202211317629.XA CN202211317629A CN115905434A CN 115905434 A CN115905434 A CN 115905434A CN 202211317629 A CN202211317629 A CN 202211317629A CN 115905434 A CN115905434 A CN 115905434A
Authority
CN
China
Prior art keywords
track
completion
moment
road network
traffic flow
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
CN202211317629.XA
Other languages
English (en)
Other versions
CN115905434B (zh
Inventor
许建秋
丁营营
孙滔
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202211317629.XA priority Critical patent/CN115905434B/zh
Publication of CN115905434A publication Critical patent/CN115905434A/zh
Application granted granted Critical
Publication of CN115905434B publication Critical patent/CN115905434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Abstract

本发明属于轨迹补全技术领域，公开了一种基于学习插值预测的道路网轨迹补全方法。本发明方法首先将GPS轨迹数据映射到实际道路网上，然后利用前一时刻的轨迹位置点信息例如T‑1时刻的轨迹坐标pT‑1和时间信息tT‑1，以及后一时刻的轨迹位置点信息例如T+1时刻的轨迹坐标pT+1和时间信息tT+1，来预测T时刻的轨迹坐标pT和时间信息tT，最后通过映射将补全轨迹坐标点及其所属路段信息进行输出。该方法是数据驱动的，使用深度神经网络模型从大量GPS轨迹中自动学习复杂的行为和模式，基于这些行为和模式，能够准确预测轨迹的缺失部分。本发明方法相较于线性插值方法，在保证了一致的补全率的前提下，提高了补全精度，解决了插值点离散的问题，特别适用于稀疏轨迹补全。

Description

一种基于学习插值预测的道路网轨迹补全方法
技术领域
本发明涉及轨迹补全技术领域，特别涉及一种基于学习插值预测的道路网轨迹补全方法。
背景技术
GPS轨迹是时空数据中按时间顺序排列的一组GPS点的连续序列，并可以表示为T＝(p1->p2->...->pi)。其中，pi为轨迹中的位置点，每个GPS点pi由(x,y,t)坐标以及可选属性物体运动方向、速度等表示，其中，x、y和t分别表示经度、纬度和时间戳。
然而，GPS数据在收集过程中，由于房屋遮挡、设备限制等原因，GPS点通常偏离车辆的真实位置。且由于信号不稳定、数据隐私、以及采样率等问题，获取到的地理坐标数据具有稀疏性甚至存在GPS点缺失。这些存在的问题对基于GPS数据进行的各类城市服务造成了很大的影响。例如，整条车辆轨迹是(p1,p2,p3,p4,p5,p6)，由于信号不稳定等问题，只获取到了(p1,p3,p6)，因此，我们需要利用收集到的部分轨迹来还原整条轨迹，并在此基础上进行缺失轨迹点对应路段的知识补全，轨迹补全技术应运而生。
这些轨迹为我们提供了前所未有的信息来了解物体的运动模式及其位置，并促进了广泛的应用，包括智能交通系统、城市计算等。在这种情况下，GPS轨迹数据挖掘的研究意义重大，引起了计算机科学、社会学、地理学等诸多领域的关注。其中，创新技术以重现丢失的GPS数据变得非常重要。因此，对于种种原因造成的轨迹点缺失进行补全，推理物体有关移动的未知知识，成为未来的研究热点和应用增长点。
目前对轨迹补全的研究大致可分为两大类：传统补全方法、结合机器学习的补全方法。传统的浅层补全方法，大多基于概率模型、最近邻法等，无法有效捕捉数据中的非线性关系，在数据处理过程中需要更多的空间代价，此外，它还需要大量的时间和人力专业知识来手工设计预测任务中最具代表性的特征。例如，基于插值原理的轨迹补全方法，它利用相邻样本数据来进行简单线性插值，这会导致插值点分散在道路外，不能更加准确的模拟实际轨迹，容易存在补全错误问题。利用地图匹配方法可以很好的解决补全点分散在道路上的问题，它将GPS样本与数字地图上的道路网络对齐。然而，其可能存在建筑或转弯限制信息不完整、轨迹数据过于离散而导致的补全错误问题。而结合机器学习的补全方法，例如基于人工神经网络的方法，由于其参数调整灵活，在处理非线性输入数据，尤其是交通轨迹数据方面，具有一定的优势，但是对于数据质量要求较高，可能存在局部最优、收敛速度过慢或者过拟合等问题。
发明内容
本发明的目的在于提出一种基于学习插值预测的道路网轨迹补全方法，该方法使用神经网络对实际道路网车辆轨迹点进行线性插值，在预测缺失轨迹值的同时能够给出带有时间属性以及补全路段信息的预测。
本发明为了实现上述目的，采用如下技术方案：
一种基于学习插值预测的道路网轨迹补全方法，包括如下步骤：
步骤1.数据预处理；
首先提取车辆轨迹信息，并对轨迹信息进行预处理，得到实际道路网络上的轨迹集合；
步骤2.数据集划分；
利用采样的方法对轨迹集合中各个子轨迹进行下采样，得到待补全稀疏轨迹数据集；
将待补全稀疏轨迹数据集划分为训练集和测试集；
步骤3.搭建轨迹补全模型；
搭建的轨迹补全模型包括时间特征提取模块、位置特征提取模块、多尺度交通流特征提取模块、拼接模块以及位移预测模块；
其中，轨迹补全模型的输入为轨迹上前后两个时刻的位置点信息，定义前后两个时刻分别为第一时刻和第二时刻，其中，第一时刻早于第二时刻；
位置点信息包括(x,y,t)，其中，x、y和t分别表示经度、纬度和时间戳；
输入数据在轨迹补全模型中的处理过程如下：
首先使用时间特征提取模块对第一时刻和第二时刻的时间间隔进行特征提取；
接下来使用位置特征提取模块对第一时刻的位置点坐标和第二时刻的位置点坐标进行特征提取，分别获取两个坐标在城市中的全局位置特征；
接下来，使用多尺度交通流特征提取模块来提取第一时刻的位置点坐标和第二时刻的位置点坐标的局部交通流信息，以在近邻区域内获取局部的交通路网特征；
将时间特征提取模块、位置特征提取模块、多尺度交通流特征提取模块提取的特征通过拼接模块进行拼接并输入到位移预测模块，由位移预测模块计算坐标偏移量；
其中，坐标的插值预测结果由第一时刻的位置点坐标和位移预测模块输出的坐标偏移量相加得到，时间的插值预测结果为第一时刻和第二时刻的算数平均；
步骤4.利用训练集对轨迹补全模型训练，并利用测试集对训练好的轨迹补全模型测试；
步骤5.利用训练好的轨迹补全模型对实际道路网轨迹数据进行缺失点或稀疏点预测，最后将预测的结果坐标映射到实际路段上预测缺失坐标及路段信息，完成轨迹补全。
本发明具有如下优点：
如上所述，本发明述及了一种基于学习插值预测的道路网轨迹补全方法，该方法基于深度神经网络结构实现，因而具有测试时间短、操作简便等优点。相较于传统的线性插值算法，本发明方法在保证了一致的补全率的前提下提高了补全精度，解决了插值点离散的问题。本发明述及的基于学习插值预测的道路网轨迹补全方法，特别适用于稀疏轨迹的补全。
附图说明
图1为本发明实施例中基于学习插值预测的道路网轨迹补全方法框架图。
图2为本发明实施例中神经网络模型框图。
图3为本发明实施例中时间特征提取模块结构图。
图4为本发明实施例中位置特征提取模块结构图。
图5为本发明实施例中多尺度交通流特征提取模块结构图。
图6为本发明实施例中位移预测模块结构图。
图7为本发明实施例中损失函数示意图。
图8为本发明实施例中实验结果示意图。
图9为本发明实施例中实际道路网轨迹测试结果可视化图。
具体实施方式
本发明述及了一种基于学习插值预测的道路网轨迹补全方法，该方法的基本思路如下：
首先将GPS轨迹数据映射到实际道路网上；
然后利用前一时刻的轨迹位置点信息(例如：T-1时刻的轨迹坐标pT-1和T-1时刻的时间信息tT-1)和后一时刻的轨迹位置点信息(例如：T+1时刻的轨迹坐标pT+1和T+1时刻的时间信息tT+1)来预测T时刻的轨迹坐标pT和时间信息tT；
最后通过映射将补全坐标点及其所属路段信息进行输出。
由于该方法是数据驱动的，使用深度神经网络模型从大量GPS轨迹中自动学习复杂的行为和模式，因而基于这些行为和模式，能够准确预测轨迹的缺失部分。
下面结合附图以及具体实施方式对本发明作进一步详细说明：
如图1所示，一种基于学习插值预测的道路网轨迹补全方法，包括如下步骤：
步骤1.数据预处理，对原始数据清洗。
首先提取车辆轨迹信息，并对轨迹信息进行预处理，得到实际道路网络上的轨迹集合。本实施例中例如从可扩展移动对象数据库SECONDO提取轨迹。
预处理过程如下：按照车辆ID进行分组，对每个车辆的GPS数据按照预设时间间隔分割成子轨迹，并对包含轨迹点数低于设定阈值的子轨迹进行清除，再将分割后的所有子轨迹映射到实际道路网络上，进行偏移校正，得到实际道路网络上的轨迹集合。
本实施例中轨迹数据由南京市出租车在行驶过程中通过GPS产生。
步骤2.数据集划分。
利用采样的方法对轨迹集合中各个子轨迹进行下采样，经过下采样后的数据缺失程度分别为原始子轨迹的50％及75％，得到待补全稀疏轨迹数据集。
例如，对于某长度为L的轨迹τ＝{(pi，ti)|1≤i≤L}，本发明使用间隔采样的方法获得50％数据缺失的轨迹τ50＝{(pi，ti)|1≤i≤L且i％2＝1}。
同理，75％数据缺失的轨迹τ75＝{(pi，ti)|1≤i≤L且i％5＝1}。
将待补全稀疏轨迹数据集按照8∶1∶1的比例划分为训练集、验证集和测试集。其中，训练集、验证集以及测试集分别用于下述轨迹补全模型的训练、性能验证和测试。
步骤3.搭建轨迹补全模型。
如图2所示，搭建的轨迹补全模型包括时间特征提取模块Fθ、位置特征提取模块
Figure BDA0003909158280000041
多尺度交通流特征提取模块Fψ、拼接模块以及位移预测模块
Figure BDA0003909158280000042
轨迹补全模型的输入为轨迹上前后两个时刻的位置点信息，定义前后两个时刻分别为第一时刻和第二时刻，其中，第一时刻早于第二时刻。
位置点信息包括(x，y，t)坐标以及可选属性物体运动方向、速度、所属路段等信息。
其中，x、y和t分别表示经度、纬度和时间戳。
为了描述方便，第一时刻例如为T-1时刻，第二时刻例如为T+1时刻。
输入数据在轨迹补全模型中的处理过程如下：
首先使用时间特征提取模块Fθ对T-1时刻和T+1时刻的时间间隔Δt进行特征提取，得到高维隐层特征。接下来使用位置特征提取模块
Figure BDA0003909158280000043
对T-1时刻的位置点坐标pT-1和T+1时刻的位置点坐标pT+1进行特征提取，分别获取两个坐标在城市中的全局位置特征。
位置特征提取模块
Figure BDA0003909158280000044
的输入数据是坐标(x，y)。该位置特征提取模块
Figure BDA0003909158280000045
计算的全局位置特征旨在提取点坐标所相对于整个城市空间的位置信息。由于一个城市内的不同区域的道路和交通情况不同，需要根据车辆当前坐标推理该位置在城市空间中所处的交通区域。
接下来，使用多尺度交通流特征提取模块Fψ来提取第一时刻的位置点坐标pT-1和第二时刻的位置点坐标pT+1的局部交通流信息，以在近邻区域内获取局部的交通路网特征。
多尺度交通流特征提取模块Fψ的输入数据是坐标(x，y)。该模块所计算的局部交通路网特征旨在提取点坐标附近的交通流，从而感知所在位置附近的道路形状。
通过时间间隔特征、位置特征和多尺度的交通流特征拼接，能够充分反映前后两个时刻的时空关联性，位置特征和交通流特征从全局和局部两个维度对物体所处的位置信息进行了挖掘，有助于接下来对坐标位移的预测。
将时间特征提取模块Fθ、位置特征提取模块
Figure BDA0003909158280000051
多尺度交通流特征提取模块Fψ提取的特征通过拼接模块进行拼接，并输入到位移预测模块
Figure BDA0003909158280000052
位移预测模块
Figure BDA0003909158280000053
根据输入的特征，计算估计的坐标偏移量Δp。
其中，坐标的插值预测结果
Figure BDA0003909158280000054
由T-1时刻的位置点坐标和坐标偏移量Δp相加得到，时间的插值预测结果tT为tT-1时刻和tT+1时刻的算数平均。
下面结合附图3至附图6对轨迹补全模型中神经网络部分的各个模块进行详细说明。
如图3所示，时间特征提取模块Fθ采用多层感知机，其包括三层结构，其中，每层结构均由全连接层、批归一化层以及非线性激活层组成。
时间特征提取模块利用多层感知机提取时间间隔的特征信息，即：
et＝Fθ(Δt)＝Fθ(tT+1-tT-1)。
如图4所示，位置特征提取模块采用多层感知机，其包括三层结构，其中，每层结构均由全连接层、批归一化层以及非线性激活层组成。
位置特征提取模块
Figure BDA0003909158280000055
利用多层感知机分别提取T-1及T+1时刻的全局位置特征信息，即：
Figure BDA0003909158280000056
Figure BDA0003909158280000057
如图5所示，多尺度交通流特征提取模块Fψ包含多个交通流特征提取单元、拼接模块以及多层感知机，在本实施例中交通流特征提取单元的数量例如为三个。
在图5中示出的三个交通流特征提取单元分别是交通流特征提取单元
Figure BDA0003909158280000058
每个交通流特征提取单元分别在不同尺度上感知局部交通道路结构。
经由每个交通流特征提取单元分别输出一个尺度的交通流特征。三个不同尺度的交通流特征拼接，并使用一个多层感知机MLP对其进行进一步的融合。
以其中一个交通流特征提取单元
Figure BDA0003909158280000059
为例，交通流特征提取单元包括BQ网络、共享多层感知机以及池化模块；其中，BQ网络、共享多层感知机以及池化模块依次相连。
其中，BQ网络用于随机寻找点坐标在历史轨迹点集中的K个近邻点。其中，不同的交通流特征提取单元中的BQ网络邻近点个数参数不同。
输入坐标在交通流特征提取单元
Figure BDA00039091582800000510
上的处理过程如下：
首先根据输入坐标从历史轨迹点集P上找到K1近邻点，然后使用共享多层感知机对近邻点集进行升维，再使用池化操作提取出特征向量。
其中，历史轨迹点集P为其他车辆在该坐标附近的历史轨迹点的集合。
Figure BDA0003909158280000061
除了近邻点个数参数(K2、K3)不同，其流程结构与
Figure BDA0003909158280000062
一致。
在本实施例中，K1例如设置为16，K2例如设置为128，K3例如设置为1024。
如图6所示，位移预测模块
Figure BDA0003909158280000063
采用多层感知机，其包括四层结构。其中，前三层结构均由全连接层、批归一化层以及非线性激活层组成，最后一层由全连接层组成。
位移预测模块
Figure BDA0003909158280000064
根据时间特征提取模块Fθ、位置特征提取模块
Figure BDA0003909158280000065
多尺度交通流特征提取模块Fψ拼接后的特征，计算估计的坐标偏移量Δp。
步骤4.利用训练集对轨迹补全模型训练，并利用测试集对训练好的轨迹补全模型测试。
现有的一些机器学习方法输出的预测补全值可能存在补全点离散等问题，本发明通过创建prob loss损失函数解决此问题。
利用欧几里得距离和Probability Distribution Loss距离度量公式，将预测结果与真实值进行计算误差更新值，通过反向传播逐层到达第一层，对轨迹补全模型不断进行优化。
如图7所示，轨迹补全模型的Loss函数为：
Loss＝λDecu+(1-λ)Dprob。
其中，Decu为距离损失函数，Dprob为概率损失函数，Dprob以坐标点到隐含道路的距离的形式来来衡量所预测的坐标是否合理，λ表示比例系数，其取值范围为0～1。
Figure BDA0003909158280000066
Figure BDA0003909158280000067
其中，Decu表示预测坐标
Figure BDA0003909158280000068
与真实坐标pT之间的欧氏距离，
Figure BDA0003909158280000069
表示预测坐标到历史轨迹点集的4个近邻点组成的集合，p′表示
Figure BDA00039091582800000610
中的邻近点。
本发明利用测试集对模型效果进行检测，轨迹补全结果如图8所示。
其中，图8中(a)图为输入的稀疏轨迹；图8中(b)图为利用基于插值预测和深度学习的道路网轨迹补全方法进行补全的结果。由图8能够看出，利用基于学习插值预测的道路网轨迹补全方法，能够对车辆稀疏轨迹进行坐标补全，且补全轨迹坐标点能够较为均匀的分布在道路网上，因而极大地减少了离散在道路外情况的发生。
步骤5.利用训练好的轨迹补全模型，对轨迹数据进行缺失点或稀疏点预测，最后将预测的结果坐标映射到实际路段上，输出带有补全路段信息的完整轨迹，完成轨迹补全。
轨迹补全测试结果映射到实际道路网的可视化，如图9所示。
由图9能够看出，将利用基于学习插值预测的道路网轨迹补全方法补全后的密集轨迹映射到实际道路地图上，能够很真实的拟合实际道路，从而提高了轨迹的补全精确度。
此外，为了验证本发明方法的有效性，在南京市轨迹数据集上进行了如下实验。
具体为：实验环境为Python 3.6和Pytorch 1.5，并且使用了学习率为0.0005的Adam算法作为网络的梯度下降方法，其迭代次数为50个epoch。
本次实验在一台配有RTX2080Ti的主机上进行了训练。
通过以上实验表明，本发明在补全率上领先传统的轨迹补全方法线性插值2～3倍。另外，后者因为不能更准确的模拟实际轨迹，在稀疏轨迹补全问题上的精度也非常差。
经过上述实验证明，本发明方法补全精度相较于传统的线性插值算法领先16.2％。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (9)

1.一种基于学习插值预测的道路网轨迹补全方法，其特征在于，包括如下步骤：
步骤1.数据预处理；
首先提取车辆轨迹信息，并对轨迹信息进行预处理，得到实际道路网络上的轨迹集合；
步骤2.数据集划分；
利用采样的方法对轨迹集合中各个子轨迹进行下采样，得到待补全稀疏轨迹数据集；
将待补全稀疏轨迹数据集划分为训练集和测试集；
步骤3.搭建轨迹补全模型；
搭建的轨迹补全模型包括时间特征提取模块、位置特征提取模块、多尺度交通流特征提取模块、拼接模块以及位移预测模块；
其中，轨迹补全模型的输入为轨迹上前后两个时刻的位置点信息，定义前后两个时刻分别为第一时刻和第二时刻，其中，第一时刻早于第二时刻；
位置点信息包括(x,y,t)，其中，x、y和t分别表示经度、纬度和时间戳；
输入数据在轨迹补全模型中的处理过程如下：
首先使用时间特征提取模块对第一时刻和第二时刻的时间间隔进行特征提取；
接下来使用位置特征提取模块对第一时刻的位置点坐标和第二时刻的位置点坐标进行特征提取，分别获取两个坐标在城市中的全局位置特征；
接下来，使用多尺度交通流特征提取模块提取第一时刻的位置点坐标和第二时刻的位置点坐标的局部交通流信息，以在近邻区域内获取局部的交通路网特征；
将时间特征提取模块、位置特征提取模块、多尺度交通流特征提取模块提取的特征通过拼接模块进行拼接并输入到位移预测模块，由位移预测模块计算坐标偏移量；
其中，坐标的插值预测结果由第一时刻的位置点坐标和位移预测模块输出的坐标偏移量相加得到，时间的插值预测结果为第一时刻和第二时刻的算数平均；
步骤4.利用训练集对轨迹补全模型训练，并利用测试集对训练好的轨迹补全模型测试；
步骤5.利用训练好的轨迹补全模型对实际道路网轨迹数据进行缺失点或稀疏点预测，最后将预测的结果坐标映射到实际路段上预测缺失坐标及路段信息，完成轨迹补全。
2.根据权利要求1所述的一种基于学习插值预测的道路网轨迹补全方法，其特征在于，
所述步骤1具体为：
将提取的轨迹按照车辆ID进行分组，对每个车辆的GPS数据按照预设时间间隔分割成子轨迹，并对包含轨迹点数低于设定阈值的子轨迹进行清除，再将分割后的所有子轨迹映射到实际道路网络上，进行偏移校正，得到实际道路网络上的轨迹集合。
3.根据权利要求1所述的一种基于学习插值预测的道路网轨迹补全方法，其特征在于，
所述步骤3中，时间特征提取模块采用多层感知机，其包括三层结构；其中，每层结构均由全连接层、批归一化层以及非线性激活层组成。
4.根据权利要求1所述的一种基于学习插值预测的道路网轨迹补全方法，其特征在于，
所述步骤3中，位置特征提取模块采用多层感知机，其包括三层结构；其中，每层结构均由全连接层、批归一化层以及非线性激活层组成。
5.根据权利要求1所述的一种基于学习插值预测的道路网轨迹补全方法，其特征在于，
所述步骤3中，多尺度交通流特征提取模块包含多个交通流特征提取单元、拼接模块以及多层感知机，每个交通流特征提取单元分别在不同尺度上感知局部交通道路结构；
经由每个交通流特征提取单元分别输出一个尺度的交通流特征；
三个不同尺度的交通流特征拼接，并使用一个多层感知机对拼接后的特征进一步融合。
6.根据权利要求5所述的一种基于学习插值预测的道路网轨迹补全方法，其特征在于，
所述步骤3中，交通流特征提取单元包括BQ网络、共享多层感知机以及池化模块；其中，BQ网络、共享多层感知机以及池化模块依次相连；
其中，不同的交通流特征提取单元中的BQ网络邻近点个数参数不同；
输入坐标在各个交通流特征提取单元上的处理过程如下：
首先根据输入坐标从历史轨迹点集P上随机找到多个近邻点，然后使用共享多层感知机对近邻点集进行升维，再使用池化操作提取出特征向量；
其中，历史轨迹点集P为其他车辆在输入坐标附近的历史轨迹点的集合。
7.根据权利要求1所述的一种基于学习插值预测的道路网轨迹补全方法，其特征在于，
所述步骤3中，位移预测模块采用多层感知机，其包括四层结构；其中，前三层结构均由全连接层、批归一化层以及非线性激活层组成，最后一层由全连接层组成。
8.根据权利要求1所述的一种基于学习插值预测的道路网轨迹补全方法，其特征在于，
所述步骤4中，轨迹补全模型训练过程如下：
利用欧几里得距离和Probability Distribution Loss距离度量公式，将预测结果与真实值进行计算误差更新值，通过反向传播逐层到达第一层，对轨迹补全模型不断进行优化。
9.根据权利要求8所述的一种基于学习插值预测的道路网轨迹补全方法，其特征在于，
所述步骤4中，轨迹补全模型的Loss函数为：
Loss＝λDecu+(1-λ)Dprob；
其中，Decu为距离损失函数，Dprob为概率损失函数，λ表示比例系数，其取值范围为0～1；
Figure FDA0003909158270000021
Figure FDA0003909158270000031
其中，Decu表示预测坐标
Figure FDA0003909158270000032
与真实坐标pT之间的欧氏距离；
Figure FDA0003909158270000033
表示预测坐标到历史轨迹点集的4个近邻点组成的集合，p′表示集合
Figure FDA0003909158270000034
中的邻近点。
CN202211317629.XA 2022-10-26 2022-10-26 一种基于学习插值预测的道路网轨迹补全方法 Active CN115905434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211317629.XA CN115905434B (zh) 2022-10-26 2022-10-26 一种基于学习插值预测的道路网轨迹补全方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211317629.XA CN115905434B (zh) 2022-10-26 2022-10-26 一种基于学习插值预测的道路网轨迹补全方法

Publications (2)

Publication Number Publication Date
CN115905434A true CN115905434A (zh) 2023-04-04
CN115905434B CN115905434B (zh) 2023-10-13

Family

ID=86480465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211317629.XA Active CN115905434B (zh) 2022-10-26 2022-10-26 一种基于学习插值预测的道路网轨迹补全方法

Country Status (1)

Country Link
CN (1) CN115905434B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111343585A (zh) * 2020-02-28 2020-06-26 重庆邮电大学 一种基于隐马尔可夫模型的移动用户轨迹地图匹配方法
WO2021082745A1 (zh) * 2019-10-31 2021-05-06 浙江商汤科技开发有限公司 信息补全方法、车道线识别方法、智能行驶方法及相关产品
CN112818075A (zh) * 2021-01-06 2021-05-18 南京市城市与交通规划设计研究院股份有限公司 道路网络补全方法、装置、电子设备及可读存储介质
US20210201504A1 (en) * 2019-12-31 2021-07-01 Baidu Usa Llc Vehicle trajectory prediction model with semantic map and lstm
US20220011122A1 (en) * 2020-07-09 2022-01-13 Beijing Tusen Weilai Technology Co., Ltd. Trajectory prediction method and device
CN114154619A (zh) * 2021-11-15 2022-03-08 哈尔滨工程大学 一种基于cnn和bilstm的船舶轨迹预测方法
CN114297328A (zh) * 2021-12-28 2022-04-08 杭州电子科技大学 基于时空缓冲区的轨迹数据补全及交通流预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021082745A1 (zh) * 2019-10-31 2021-05-06 浙江商汤科技开发有限公司 信息补全方法、车道线识别方法、智能行驶方法及相关产品
US20210201504A1 (en) * 2019-12-31 2021-07-01 Baidu Usa Llc Vehicle trajectory prediction model with semantic map and lstm
CN111343585A (zh) * 2020-02-28 2020-06-26 重庆邮电大学 一种基于隐马尔可夫模型的移动用户轨迹地图匹配方法
US20220011122A1 (en) * 2020-07-09 2022-01-13 Beijing Tusen Weilai Technology Co., Ltd. Trajectory prediction method and device
CN112818075A (zh) * 2021-01-06 2021-05-18 南京市城市与交通规划设计研究院股份有限公司 道路网络补全方法、装置、电子设备及可读存储介质
CN114154619A (zh) * 2021-11-15 2022-03-08 哈尔滨工程大学 一种基于cnn和bilstm的船舶轨迹预测方法
CN114297328A (zh) * 2021-12-28 2022-04-08 杭州电子科技大学 基于时空缓冲区的轨迹数据补全及交通流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱自升: "基于神经网络的车辆轨迹预测算法的研究与实现", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑 *
许建秋: "基于道路网的多移动用户动态Skyline查询", 计算机科学 *

Also Published As

Publication number Publication date
CN115905434B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
Liu et al. GraphSAGE-based traffic speed forecasting for segment network with sparse data
Guo et al. GPS-based citywide traffic congestion forecasting using CNN-RNN and C3D hybrid model
US20160125307A1 (en) Air quality inference using multiple data sources
CN110781266B (zh) 一种基于时空因果关系的城市感知数据处理方法
Yan et al. Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its
CN110738855B (zh) 一种数据稀疏时间段的道路交通流状况预测方法
CN108986453A (zh) 一种基于情境信息的交通状况预测方法、系统及装置
WO2021013190A1 (zh) 基于气象参数的高速列车导航盲区定位方法及系统
CN111985325B (zh) 特高压环境评价中的航拍小目标快速识别方法
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
CN112633602B (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN112785077A (zh) 基于时空数据的出行需求预测方法及系统
Ran et al. Short-term travel time prediction: a spatiotemporal deep learning approach
Zhang et al. Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images
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
Liu et al. Deep learning enabled vehicle trajectory map‐matching method with advanced spatial–temporal analysis
CN114882069A (zh) 基于lstm网络和注意力机制的出租车轨迹异常检测方法
CN116913088A (zh) 一种用于高速公路的智能流量预测方法
Li et al. Exploring multiple crowdsourced data to learn deep convolutional neural networks for road extraction
Xu et al. STDR: a deep learning method for travel time estimation
Sun et al. PR-LTTE: Link travel time estimation based on path recovery from large-scale incomplete trip data
CN112101132A (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
Cui et al. Mining spatial-temporal correlation of sensory data for estimating traffic volumes on highways
CN115905434B (zh) 一种基于学习插值预测的道路网轨迹补全方法

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