[发明专利]一种基于LSTM位置预测的车位推荐方法及系统

权利要求书

1.一种基于LSTM位置预测的车位推荐方法，其特征在于，包括以下步骤：

S1、对用户的历史轨迹数据进行去噪和平滑处理，具体为：

S101、使用限幅滤波、中值滤波对用户的历史轨迹数据进行噪声过滤；

S102、使用高斯滤波方法对步骤S101过滤后的历史轨迹数据中呈现的锯齿状突起进行平滑操作，步骤S102中，采用滑动窗口算法，利用带求和功能的队列作为缓存，使用高斯滤波方法对历史轨迹数据进行平滑操作计算如下：

其中，W_i为第i个点处的权重，SumW为权重之和，SumWx为横轴加权和，SumWy为纵轴加权和，Result为最终结果坐标，Δt为时间增量，ΔT为总时间窗口，Rec_i.x为x轴上变量，Rec_i.y为y轴方向变量；

S2、使用经纬度栅格化方法对步骤S1处理的历史轨迹数据的候选区域进行划分，使用几何方法对路网进行拟合，提取出历史轨迹数据中的道路特征，并进行标准化，具体为：

S201、使用经纬度栅格化方法将候选区域进行划分，缩减数据维度，栅格化计算方法具体为：

分别计算纬度最大值Lat_max和最小值Lat_min，经度最大值Lon_max和最小值Lon_min，然后根据计算得到两个方向分割网格数，将地图区域分为Step_lat×Step_lon的网格，向上取整将所有数据点纳入栅格，计算给定位置点(x，y)的栅格索引值Index_(x，y)，根据给定坐标(x，y)和目标栅格Index_(lat，lon)判断目标是否在区域内；

S202、考虑到用户轨迹与路网的关联性，将路网使用几何方法进行拟合，提取历史轨迹数据中每个坐标点对应的道路标识，使用OpenStreetMap下载路网信息，首先需要搜索城市，得到需要查询区域的边界id，利用该id过滤区域，得到路网，采用几何方法对轨迹点进行匹配，使轨迹点映射到最近的道路垂线交点上，实现轨迹拟合，轨迹拟合具体为：

已知轨迹上的每个P点位置为(lat，lon)，建立以半径R，圆心为P的缓冲区Buffer；然后在路网集合road₁，road₂，...road_n中寻找与Buffer有交集的道路，记为RoadCandi＝road₁，road_i，...road_k，求解P到各条路的最近距离minLen₁，minLen₂，...minLen_n，挑选出minLen_i最近的一条拟合到对应道路；

S203、提取经度、纬度、道路标识、区域标识、日期、时间信息，并进行标准化处理；

S3、将步骤S2标准化处理后的历史轨迹数据输入LSTM神经网络进行训练，输出每种可能性归一化后的概率分布；将用户当前轨迹送入LSTM神经网络进行车位推荐，通过车位共享平台的推荐引擎返回给服务请求者，实现共享车位推荐，LSTM神经网络包含：

输入层，接受提取的regionIndex，hourInDay，dayInWeek，roadID信息特征，维度根据栅格大小确定，经过归一化处理；

隐层，采用Relu作为激活函数；

输出层，将轨迹回归问题转化为区域分类问题，加入Softmax函数，最终输出每种可能性归一化后的概率分布，根据概率分布制定车位推荐策略，LSTM神经网络的损失函数为：

其中，C为交叉熵损失函数，n为上层神经网络维度，y为样本的label，a为样本预测为a的概率。

2.一种基于LSTM位置预测的车位推荐系统，其特征在于，包括：

处理模块，对用户的历史轨迹数据进行去噪和平滑处理，具体为：

使用限幅滤波、中值滤波对用户的历史轨迹数据进行噪声过滤；使用高斯滤波方法对过滤后的历史轨迹数据中呈现的锯齿状突起进行平滑操作，采用滑动窗口算法，利用带求和功能的队列作为缓存，使用高斯滤波方法对历史轨迹数据进行平滑操作计算如下：

其中，W_i为第i个点处的权重，SumW为权重之和，SumWx为横轴加权和，SumWy为纵轴加权和，Result为最终结果坐标，Δt为时间增量，ΔT为总时间窗口，Rec_i.x为x轴上变量，Rec_i.y为y轴方向变量；

标准化模块，使用经纬度栅格化方法对处理模块处理的历史轨迹数据的候选区域进行划分，使用几何方法对路网进行拟合，提取出历史轨迹数据中的道路特征，并进行标准化，具体为：

使用经纬度栅格化方法将候选区域进行划分，缩减数据维度，栅格化计算方法具体为：

分别计算纬度最大值Lat_max和最小值Lat_min，经度最大值Lon_max和最小值Lon_min，然后根据计算得到两个方向分割网格数，将地图区域分为Step_lat×Step_lon的网格，向上取整将所有数据点纳入栅格，计算给定位置点(x，y)的栅格索引值Index_(x，y)，根据给定坐标(x，y)和目标栅格Index_(lat，lon)判断目标是否在区域内；

考虑到用户轨迹与路网的关联性，将路网使用几何方法进行拟合，提取历史轨迹数据中每个坐标点对应的道路标识，使用OpenStreetMap下载路网信息，首先需要搜索城市，得到需要查询区域的边界id，利用该id过滤区域，得到路网，采用几何方法对轨迹点进行匹配，使轨迹点映射到最近的道路垂线交点上，实现轨迹拟合，轨迹拟合具体为：

已知轨迹上的每个P点位置为(lat，lon)，建立以半径R，圆心为P的缓冲区Buffer；然后在路网集合road₁，road₂，...road_n中寻找与Buffer有交集的道路，记为RoadCandi＝road₁，road_i，...road_k，求解P到各条路的最近距离minLen₁，minLen₂，...minLen_n，挑选出minLen_i最近的一条拟合到对应道路；

提取经度、纬度、道路标识、区域标识、日期、时间信息，并进行标准化处理；

推荐模块，将标准化模块处理后的历史轨迹数据输入LSTM神经网络进行训练，输出每种可能性归一化后的概率分布；将用户当前轨迹送入LSTM神经网络进行车位推荐，通过车位共享平台的推荐引擎返回给服务请求者，实现共享车位推荐，LSTM神经网络包含：

输入层，接受提取的regionIndex，hourInDay，dayInWeek，roadID信息特征，维度根据栅格大小确定，经过归一化处理；

隐层，采用Relu作为激活函数；

输出层，将轨迹回归问题转化为区域分类问题，加入Softmax函数，最终输出每种可能性归一化后的概率分布，根据概率分布制定车位推荐策略，LSTM神经网络的损失函数为：

其中，C为交叉熵损失函数，n为上层神经网络维度，y为样本的1abel，a为样本预测为a的概率。