[发明专利]一种基于Skip-Gram模型的城际高速路网重点通道识别方法

权利要求书

1.一种基于Skip-Gram模型的城市路网重点通道识别方法，其特征在于，包括以下步骤：

步骤一，获取浮动车上的GPS数据并预处理；

步骤二，利用所述GPS数据得到的浮动车轨迹数据，得到每一条轨迹数据的路段one-hot编码序列：X_i＝{u_i1,u_i2,…,u_ij}，式中，X_i表示第i次出行的轨迹路段序列，u_ij表示第i次出行中第j个达到的路段的one-hot编码；

步骤三，使用Skip-Gram模型训练和获取城际高速路网中路段向量c，具体包括：

Skip-Gram模型对于给定的路段w_ij预测出相邻路段w_ih的概率式中，i表示第i次出行轨迹，j和h分别为该次出行中的第j个和第h个路段，u_ih为路段w_ih的one-hot编码，u_ij为路段w_ij的one-hot编码，M为one-hot编码的维数，即路段总数；Skip-Gram模型的目标为最大化目标函数将路段的one-hot编码与最终得到权重矩阵相乘，即得到了维数为N的路段向量c；

步骤四、利用SIF加权法将步骤三中得到的路段向量c转化为轨迹向量v_i'，所述SIF加权法具体公式为：

其中，v_i'为第i次出行的去主成分前的轨迹向量，j为第i次出行中的第j个路段，J为第i次出行中的路段总数，a为平滑系数，p_c为路段向量c所代表的路段在高速路网所有轨迹中出现的概率，c_il为第i次出行中第l个路段的路段向量；

再对所有的轨迹向量v_i'进行主成分分析，计算出所有轨迹向量的第一主成分，最后统一减去所得的第一主成分，得到最终的轨迹向量v_i；

步骤五、基于步骤四中得到的轨迹向量v_i，定义两个轨迹之间的相似度用两个轨迹向量v_x和v_y的余弦相似度；然后建立初始轨迹相似度矩阵F，f(s,t)表示相似度矩阵中轨迹s与轨迹t之间的相似度；并定义可信度r(s,t)代表轨迹s适合作为轨迹t的聚类中心的程度；定义可用度a(s,t)代表轨迹s选择轨迹t作为自己聚类中心的程度；然后对最终的轨迹向量进行聚类，得到的聚类中心轨迹即为当前城际高速路网中的重点通道。

2.根据权利要求1所述的一种基于Skip-Gram模型的城市路网重点通道识别方法，其特征在于，得到最终的轨迹向量公式为v_i＝v_i'-kk^Tv_i'，其中，v_i为第i次出行的去主成分后的最终轨迹向量，k为所有轨迹向量v'构成的矩阵通过奇异值分解得到的特征矩阵，k^T为k的转置矩阵。

3.根据权利要求1所述的一种基于Skip-Gram模型的城市路网重点通道识别方法，其特征在于，两个轨迹向量v_x和v_y的余弦相似度cos(v_x,v_y)表示：

式中，N为轨迹向量的维数，轨迹向量维数与路段向量维数相同，x_n表示向量v_x第n维的坐标，y_n表示向量v_y第n维的坐标。

4.根据权利要求3所述的一种基于Skip-Gram模型的城市路网重点通道识别方法，其特征在于，对轨迹向量进行聚类的步骤如下：

S1计算初始的轨迹相似度矩阵S，对阻尼系数λ赋初值，设定迭代次数P；

S2计算轨迹间的可信度r(s,t)和可用度a(s,t)；

式中，f(s,t)表示相似度矩阵中轨迹s与轨迹t之间的相似度，r(s,t)代表轨迹s适合作为轨迹t的聚类中心的程度，a(s,t)代表轨迹s选择轨迹t作为自己聚类中心的程度，t'和s'分别表示不同于t和s的其他轨迹；

S3更新可信度和可用度；

r_s+1(s,t)＝λr_s(s,t)+(1-λ)r_s+1(s,t)

a_s+1(s,t)＝λa_s(s,t)+(1-λ)a_s+1(s,t)

式中，r_s+1(s,t)、a_s+1(s,t)分别表示本次更新的可信度和可用度，r_s(s,t)、a_s(s,t)分别表示上次更新的可信度和可用度；阻尼系数λ用于调节算法迭代的稳定性和收敛速度；

S4确定聚类中心Q＝arg max{r(s,t)+a(s,t)}；

S5若迭代次数达到预定值或当前的轨迹聚类中心不再变化，则停止计算，并将成为聚类中心的轨迹和所属各自聚类类别的轨迹确定及记录；否则返回S2。