[发明专利]一种融合卡口重要性与注意力机制的车辆轨迹预测方法

说明书

本发明公开了一种融合卡口重要性与注意力机制的车辆轨迹预测方法，包括以下步骤：(1)获取过车数据源并对数据源进行数据预处理，提取车辆轨迹；(2)提取用于表示位置的交通卡口集，引入自然语言处理中的Glove模型，通过训练车辆轨迹数据得到各卡口的嵌入词向量表示；结合PageRank算法对各卡口的重要性进行排序；(3)利用SIF方法对卡口的嵌入词向量进行加权平均获得轨迹句向量表示，应用K‑means算法对轨迹进行聚类；(4)融合卡口位置编码与重要性编码，并加入注意力机制，在获得的每个聚类簇中采用Bi‑LSTM神经网络对车辆轨迹进行训练，预测新轨迹，既考虑了车辆信息或道路信息，又考虑了目标车辆与所经卡口的交互关系，轨迹预测效果更好。

技术领域

本发明涉及车辆轨迹预测方法领域，具体涉及一种融合卡口重要性与注意 力机制的车辆轨迹预测方法。

背景技术

随着城市的迅速发展，城市人口占世界总人口的比重已超过50％，由此不 可避免地导致交通系统面临的问题越来越严重，这无论对于交通管理者还是交 通参与者来说都是一个巨大的挑战。对于交通管理者来说，在大规模、高密度 的交通车流量的前提下，同时兼顾交通效率和交通安全是一件非常困难的事 情。对于交通参与者来说，要在复杂、拥堵的交通环境中提高自己的出行效率 也是非常困难的。幸运的是，智能交通系统的出现为这一矛盾提供了解决的方 向。

智能交通系统中的一个必要组成部分是车辆轨迹预测算法。轨迹预测在轨 迹大数据分析中起着关键作用，并且，预测移动车辆的下一位置在轨迹数据挖 掘中是一个重要的分支。轨迹预测对于用户和轨迹数据的拥有者都具有极大的 应用价值。由于轨迹预测在智能交通系统(ITS)中扮演着重要角色，因此提 供准确的轨迹预测信息有助于提升交通运输效率。

随着国内外对车辆轨迹预测研究的深入，关于轨迹预测分析的研究方法已 经越来越丰富，最常见的方式通常分为统计、概率模型和深度学习。传统的概 率图模型通过推断车辆未来轨迹位置的概率来进行预测，最典型的算法是马尔 科夫模型。近年来，深度学习的异军突起，使得轨迹预测的准确率有了较大的 飞跃。深度学习具有良好的非线性拟合能力，且在处理大量的、复杂的、高维 的数据问题中具有巨大的优越性，能够很好地将不确定性的车辆轨迹描述出 来，因此取得了较好的结果。

但是当前深度学习的大多数轨迹预测模型都只考虑了车辆信息或道路信 息，并没有考虑目标车辆与所经卡口的交互关系；预测效果精确性有待提高。

发明内容

针对上述存在的技术不足，本发明的目的是提供一种融合卡口重要性与注 意力机制的车辆轨迹预测方法，既考虑了车辆信息或道路信息，又考虑了目标 车辆与所经卡口的交互关系，轨迹预测精确性更高，预测效果更好。

为解决上述技术问题，本发明采用如下技术方案：

本发明提供一种融合卡口重要性与注意力机制的车辆轨迹预测方法，包括 以下步骤：

(1)获取过车数据源并对数据源进行数据预处理，提取车辆轨迹；

(2)提取步骤(1)轨迹中用于表示位置的交通卡口集，引入自然语言处 理中的Glove模型，通过训练车辆轨迹数据得到各卡口的嵌入词向量表示；结 合PageRank算法对各卡口的重要性进行排序；

(3)利用SIF方法对步骤(2)获得的卡口的嵌入词向量进行加权平均获 得轨迹句向量表示，应用K-means算法对轨迹进行聚类；

(4)融合卡口位置编码与重要性编码，并加入注意力机制，在步骤(3) 获得的每个聚类簇中采用Bi-LSTM神经网络对车辆轨迹进行训练，预测新轨迹。

优选地，步骤(1)中获取过车数据源为各卡口在不同时间戳的过车数据， 所述过车数据包括过车车牌、过车车型、过车时间、卡口名称、卡口位置、道 路编号。