[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

说明书

一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法，将复杂的车辆整体轨迹转变为多个相对简单的局部时间序列顺序组成的高维时间序列的预测建模方法，随后建立基于循环神经网络的单层和多层循环编码器‑解码器结构，从当前时段轨迹序列开始依次循环预测局部序列直到获得未来时段的整体序列。本发明利用大数据对预测模型进行训练，并且适用于通过路段的任意公交车辆的不确定性轨迹的预测，灵活性和适用性强。

技术领域：

本发明属于智能交通的交通信息领域，具体涉及一种适用于公交专用道条件下的公交车辆轨迹的Seq2Seq预测方法。

背景技术：

在公交专用道的条件下，当公交车到达路段上游时候，实时预测通过路段的公交车辆轨迹，即车辆的位置坐标和对应的到达时间，可以为下游信号交叉口公交优先信号控制方案的优化提供充足的时间和更详细的交通状态信息，也可以根据车辆轨迹对不同车辆的间距进行控制，保障公交调度方案的有序实施，还可以对公交车辆运行状态进行评价等。

虽然公交专用道可以减少公交车在使用时间内道路交通流的干扰，但是公交车辆轨迹仍然受到前方车辆、公交站台通行能力、停站时间、行人过街等多种因素的影响，导致通过整个路段的未来轨迹序列的长度和序列中对应时刻的位置坐标都具有不确定性，也加剧准确预测公交车辆轨迹的难度。

在预测车辆轨迹时，由于局限于独立序列的训练和预测，传统时间序列预测方法主要有AR、ARIMA和高斯过程等难于扩展和应用到任意车辆轨迹的不确定性的时间序列和适用于公交车辆GPS轨迹大数据进行训练。

发明内容：

本发明所要克服现有技术的以上不足，提供一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法。

本发明将复杂的车辆整体轨迹转变为多个相对简单的局部时间序列顺序组成的高维时间序列的预测建模方法，随后建立基于循环神经网络的单层和多层循环编码器-解码器结构，从当前时段轨迹序列开始依次循环预测局部序列直到获得未来时段的整体序列。该方法可利用大数据对预测模型进行训练，并且适用于通过路段的任意公交车辆的不确定性轨迹的预测。

本发明所要解决的技术问题是通过以下的技术方案来实现的。本发明是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如图1所示。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的坐标可以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，见图2。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，局部编码器可以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的更新过程可以表示为：