[发明专利]一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法

权利要求书

1.一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法，包括以下步骤：

(1)构建轨迹预测的高维时间序列模型；具体包括：

当前时刻为t时，设置由T个单位步长的GPS坐标组成的目标公交车辆当前轨迹序列为τ个单位步长的第i个局部序列GPS轨迹坐标的预测序列为和由n个局部序列的预测序列组成的未来时间段的整体序列为未来时段车辆轨迹高维时间序列是由依据需要的组合规则设计的局部序列循环计算得到的预测序列组合而成；其中GPS的坐标是与目标车辆行驶方向相同的经度坐标、纬度坐标或者包含两者；

(2)构建多层循环编码器-解码器网络框架；具体包括：

完成以上高维时间序列的预测任务需要建立编码器-解码器网络框架结构，按照局部序列的次序组合规则，学习从当前序列到任意局部预测序列的非线性映射F(·)：

第i个输入序列为到局部预测序列的编码器-解码器网络框架由局部编码器(Local-Encoder)，上下文编码器(Context-Encoder)和解码器(Decoder)三部分组成；选择基于长短期记忆(Long short-term memory,LSTM)的单元构建编码器-解码器网络框架；每个LSTM用状态变量s代表记忆单元，对记忆单元的访问将由三个sigmoid门控制：遗忘门f，输入门i，输出门o；

2.1构建局部编码器；

已知当前作为输入序列，局部编码器用来学习从到隐层状态的映射，其中l是隐层状态的维度；LSTM的更新过程表示为：

其中为i-1个局部序列的隐层状态和第i个局部序列的输入轨迹序列的拼接；W_f,W_i,W_o,W_s和b_f,b_i,b_o,b_s是需要学习的参数，σ和⊙分别表示logistic sigmoid函数和矩阵中对应的元素相乘；

2.2构建上下文编码器；

上下文编码器学习从局部编码器的隐层状态到上下文向量的非线性映射，其中m是隐层状态维度；此时上下文编码器LSTM的更新过程表示为：

其中为i-1个上下文编码器LSTM的隐层状态和i个局部编码器LSTM的隐层状态的拼接；W′_f,W_o′，W_i′,W_s′和b′_f,b′_o,b′_i,b′_s是需要学习的参数，σ和⊙分别表示logistic sigmoid函数和矩阵中对应的元素相乘；

2.3构建解码器；

为了得到预测序列使用LSTM对上下文向量进行解码；在解码预测序列时不仅利用LSTM传递隐层状态，还将每次的预测结果作为下一次预测的输入；已知上下文向量作为解码器的初始隐层状态和当前输入轨迹序列的最后一个变量作为解码器的初始输入则解码器中学习从状态d_t′∈R^p到d_t′+1∈R^p的映射，同样LSTM更新过程为：

其中为第i个局部序列的解码器第t′步预测时LSTM的隐层状态和对应序列中第t′步预测值的拼接，其中p为隐层状态的维度；W″_f,W_i″,W″_o,W″_s和b″_f,b″_i,b″_o,b″_s是需要学习的参数，σ和⊙分别表示logistic sigmoid函数和矩阵中对应的元素相乘；

最后利用含一层隐含层的全连接网络dense将预测解码器隐层状态d_t′+1和前一个预测值作为输入得到最终预测坐标

其中v_y,W_y,b_w,b_v是需要学习的参数；

(3)进行框架训练和轨迹预测；

所述多层循环编码器-解码器网络框架采用余弦退火和热重启以及Adam优化器进行训练；同时为了强制约束；预测和加快收敛速度，训练过程使用Teacher forcing策略；所提出的结构是光滑且可微的，因此通过以均方误差为目标函数的标准反向传播来学习参数：

其中：Y_j,为第j个实测和预测的轨迹序列，y,为对应序列中的坐标值，N为轨迹样本数量；

得到已完成训练的多层循环编码器-解码器网络框架之后，将任意路段的轨迹数据构建为高维时间序列，路段下游停车线的坐标作为预测终止条件，到达路段上游的轨迹序列作为当前轨迹输入到以上网络框架中，即可得到未来时间段的轨迹序列。

2.如权利要求1所述的公交专用道条件下公交车辆轨迹的Seq2Seq预测方法，其特征在于：步骤(3)所述的训练的学习率从0.001开始，Teacher forcing策略的参数设置为0.1。