[发明专利]一种基于高维路网和循环神经网络的交通轨迹预测方法

说明书

本发明请求保护一种基于高维路网和循环神经网络的交通轨迹预测方法，属于智能交通分析领域。首先，获取数据源，提取相关属性并对轨迹数据集根据车速阈值进行筛选。然后，通过近邻规则对轨迹数据进行二次筛选，获取完整的格式化轨迹数据。建立路网模型，通过时间窗口对轨迹数据集进行提取，获取目标卡口上下文关系，然后利用嵌入算法将目标卡口编码嵌入高维空间，完成二维平面路网到高位空间路网的映射，在高维空间中，卡口之间不再包含复杂的拓扑关系，使用高维相似度可以度量卡口之间在轨迹数据中的角色相似度。最后，使用双向循环神经网络对轨迹矩阵进行双向学习预测，结合前后向信息对轨迹数据进行学习预测。本发明提高了预测效率。

技术领域

本发明属于智能交通分析领域，涉及车辆轨迹预测，尤其涉及基于用户最近时刻路径预测未来可能经过路径。

背景技术

近年来，城市中的车辆数量急剧增多，导致城市交通遇到障碍和发展瓶颈，阻碍了城市化进程的深入。而随着传感器和互联网的发展，人们通过使用路旁视频监控设备、车载导航、GPS、智能手机等设备已经可以获得越来越多的公众出行数据。通过分析挖掘这些数据，提取城市公众出行模式，可以为用户提供个性化的出行服务，避免交通拥堵，为交通管制、城市规划提供参考依据。其中，对车辆未来轨迹的预测技术是体现公众出行模式的一个重要应用点，在一定程度上可以反应出城市交通状况和人群流动情况。

城市公众出行具有非随机性和周期性，人们总是频繁出现在某些特定的地点。轨迹数据具有时空特征，一般通过对一个或多个移动对象运动过程的采样获得，包括移动对象的经纬度位置、时间、速度等信息，能反映移动对象在特定时空下的运动规律。两者相结合使城市公众移动模式提取和未来轨迹预测成为可能。当前，研究人员提出的交通轨迹预测的方法主要分为以下几种：基于个人移动模式的位置预测、基于集体移动模式的位置预测和基于外部信息的位置预测等。如Simmons等人在《Learning to Predict Driver Routeand Destination Intent》中通过车辆历史轨迹建立隐马尔科夫模型进行目的地和路线预测。Monreale等人在《WhereNext:a location predictor on trajectory patternmining》通过构建移动模式树来匹配所有用户的历史轨迹，并以此作为预测依据。Pan等人在《Utilizing real-world transportation data for accurate traffic prediction》提出ARIMA+算法，通过将历史交通状况和实时轨迹相结合达到轨迹预测的目的。但以上方法中，基于欧氏距离的路网预测模型不能体现路口之间的连通关系，往往需要通过特征提取、轨迹聚类等方法提取驻足点信息才能获取统一的轨迹数据；而基于线性预测模型的轨迹预测存在零概率问题，对没有记录的轨迹效果不佳。

发明内容

考虑到传统路网模型的复杂性、无序性，并且无法体现卡口之间更高维关系的问题，本发明提出一种基于卡口上下文关系的新型路网建模算法，通过实际轨迹中的卡口上下文关系构建语料库，并使用节点间的高维相似度度量实际卡口之间的语义关联，将车辆轨迹节点映射成为高维空间向量，屏蔽实际交通路网的复杂结构。同时，使用双向循环神经网络作为预测模型，利用其良好的非线性拟合能力和能同时处理前后向信息的特点提高预测准确度。提出了一种基于高维路网和循环神经网络的交通轨迹预测方法。本发明的技术方案如下：一种基于高维路网和循环神经网络的交通轨迹预测方法，其包括以下步骤：

通过卡口信息采集装置采集行驶中车辆原始信息，并提取车牌号、过车时间、卡口编码作为相关属性，对相关属性进行排序并按速度阈值进行初步筛选获取原始轨迹数据集；

对原始轨迹数据进行二次筛选，按照近邻规则对目标卡口的相邻卡口进行筛选，选出频繁近邻卡口，去除不相关卡口之间的轨迹连接；