一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法技术

本发明专利技术公开了一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法。该方法重新定义补全路径算法，弥补了不确定性历史数据的不完整性，利用马尔科夫链低时间复杂度、高预测准确度的优势实现预测，方法的详细步骤为：(1)补全数据，利用补全路径的方法处理不确定性历史数据，然后将完整的数据储存在历史数据库中；(2)构造状态转移矩阵，根据公式对历史数据计算路口转移概率，所有转移概率组合得到马尔科夫状态转移矩阵；(3)轨迹预测，利用马尔科夫链模型对状态转移矩阵进行计算得到车辆未来轨迹。

A vehicle trajectory prediction method based on Markoff model for uncertain road network

The invention discloses an uncertain road network trajectory prediction method based on Markoff model. This method redefines the complete path algorithm to make up the incompleteness of the uncertain historical data, and uses the advantages of the Markov chain low time complexity and high prediction accuracy to realize the prediction. The detailed steps of the method are: (1) complementing the data, using the method of complementing the path to deal with the uncertain historical data, and then complete the complete data. The data are stored in the historical database; (2) constructing the state transfer matrix, calculating the transfer probability of the intersection according to the formula, and getting the Markov state transfer matrix for all the transfer probability combinations; (3) the trajectory prediction, and using the Markov chain model to calculate the state transfer matrix to get the vehicle's future trajectory.

【技术实现步骤摘要】
一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法
本专利技术涉及一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法，用于完善不确定性历史数据进行路口车辆的轨迹预测，属于智能交通

技术介绍
随着无线通信技术和全球定位技术的日益发展，包括移动设备的普及，越来越多基于位置的信息服务技术被提上日程，尤其是轨迹预测技术。轨迹预测技术是利用用户当前位置信息，历史移动轨迹和其他辅助信息动态估计出移动用户的未来未知位置。在智能交通控制系统、军事数字化战场、辅助驾驶系统中，实时、精准、可靠地预测移动用户的轨迹具有极高价值。在位置数据中，轨迹数据拥有巨大的价值潜力。轨迹数据不同于一般的签到数据，它具有很强的时效性，能够具体、完整的呈现出行程路线、驻留时间等，利用这些信息可以挖掘出人群的行动规律、驻流热点等，进而通过分析和选择，推送快速有效的用户需求的信息。轨迹预测在基于位置的信息服务中拥有广泛的应用领域。譬如，在城市道路中通过轨迹预测技术可以帮助过往车辆预知前方交通状况，提前监测和预判交通状况，推荐最佳路线，根据车辆行驶道路推荐附近商业信息，反映交通流量，影响道路规划，同时可用于分析城市功能区分布情况来完善城市设施建设等，这就是轨迹预测对城市规划的价值所在。如何准确预测移动车辆的位置信息成为亟需解决的重点，目前已有一部分研究成果，如对移动车辆的历史轨迹以及定位和位置信息的预测等。但由于理论和技术的不成熟，不能很好的适应不断变化的移动技术的需要，也不能实现高准确度要求的车辆轨迹预测。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术提供一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法，在历史轨技数据不完整的情况下，该方法首先利用补全不确定性历史数据，将完整的数据然后储存在历史数据库中，然后根据公式对历史数据计算路口转移概率组合得到马尔科夫状态转移矩阵，利用马尔科夫链模型对状态转移矩阵进行计算得到车辆未来轨迹，避免了轨迹频繁模式挖掘带来过多的噪声影响预测准确率的问题，并且实现车辆路口的一系列轨迹预测。技术方案：一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法，包括以下步骤：S1：补全数据，利用补全路径的方法处理不确定性历史数据。S2：构造状态转移矩阵，对历史轨迹数据计算路口转移概率，组合得到马尔科夫状态转移矩阵。S3：轨迹预测，利用马尔科夫链模型对状态转移矩阵进行计算得到车辆未来轨迹。所述S1的补全数据包括以下子步骤：S11：以真实的路径长度对具有不确定性的两个路口位置进行计算得到概率信息；S12：使用真实路口车辆数据，由概率信息计算得到每个路口的数据信息，补全路径数据。所述S2的构造状态转移矩阵包括以下步骤：S21：根据马尔科夫公式对历史轨迹数据计算得到路口转移概率；S22：所有转移概率组合得到马尔科夫状态转移矩阵。所述S3的轨迹预测包括以下步骤：S31：计算得到的一步马尔科夫状态转移矩阵；S32：根据当前位置扫描马尔科夫状态转移矩阵得到行号，选取对应行号所在的一行数据进行比较，概率最大的列号作为未来的下一路口。本专利技术采用上述技术方案，具有以下有益效果：在历史轨技数据不完整的情况下，尽量通过真实路径长度，尽可能保证计算概率的精确性；在轨迹预测过程中，在不降低预测准确度的前提下，实现预测时间短以及一系列路口预测。附图说明图1为本专利技术实施例的方法流程图；图2为本专利技术实施例的连通可行的n条路径示意图；图3为本专利技术实施例的不确定性数据轨迹序列示意图；图4为本专利技术实施例的一组路径缺失的路口示意图；图5为本专利技术实施例的方法原理图。具体实施方式下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。定义1(路径概率).如图2所示，如果有两条不连续的路径P1和P2，并且是移动车辆连续两次的位置更新信息，S1…Sn是路径P1和P2之间连通可行的所有n条路径，路径概率就是车辆通过路径St的概率。定义2(不确定性数据).将两条不连续路径之间的n条可行路径与每个路径的路径概率结合称为不确定性数据。由x:p表示，其中x表示轨迹路径，p表示该路径的路径概率，并且p＜1。如果两条路径之间的路径只有一条，表示为x:1。定义3(不确定轨迹数据集合).不确定性轨迹数据集合是由不确定性数据组成的集合，表示为L＝(x1:p1,x2:p2,…,xn:pn)。定义4(轨迹点).存在不确定性轨迹数据集中的每个路口点称为轨迹点。定义5(不确定性数据轨迹序列).不确定性数据轨迹序列是由所有可行路径的不确定性数据集合组成的有序序列，表示为S＝(L1,L2,…,Ln)，如图3所示。此轨迹序列包括三个路径信息(a,b,c)和两次路径补全，图中矩形内的路径就是根据真实路网补全的可行路径。路径a可以用a:1表示，路径a,b之间有三条可行路径，用数据集合表示为(x1:0.3,x2:0.6,x3:0.1)，路径b,c之间有三条可行路径，用数据集合表示为(x4:0.2,x5x7:0.5,x6x7:0.3)。那么该移动车辆的不确定性数据轨迹序列表示为：S＝{a:1,(x1:0.3,x2:0.6,x3:0.1),b:1,(x4:0.2,x5x7:0.5,x6x7:0.3),c:1}定义6(k步转移矩阵).对于条件概率P{X(n+k)＝j|X(n)＝i}，系统在n时刻处于状态i的条件下，经过时间间隔k之后在时刻n+k转移到状态j的条件概率，记为pij(n,n+k)，或简记为(n)，称为马尔科夫链的k步转移概率。当k＝1时，通常记为并称pij为马尔科夫链的转移概率。由转移概率组成的矩阵p(k)，状态空间S＝{1,2,3,…}，称为马尔科夫链的k步转移矩阵,表示为：不确定性路口位置的概率计算是以真实道路长度为基础的，其计算公式为：其中P1和P2表示两条不连续的路径，S1…Sn表示路径P1和P2之间连通可行的所有n条路径，表示选择路径Si的概率，L(Sj)表示路径Sj的长度，当n＝1时，只有一条连通可行的路径，即移动车辆在经过已知路径P1后选择可行路径S1的概率为1。使用真实路口车辆数据补全路径数据，设两个路口之间有2条不确定性路径n1和n2，根据上述计算得到n1和n2的概率信息分别为0.6和0.4，由轨迹数据库中的车辆经过路口的行驶次数100与概率乘积得到两条路径的车辆行驶次数分别为60和40，以此完善历史轨迹数据库。使用马尔科夫模型计算路口转移概率，其计算公式为：其中Pij表示经过路口i后再经过路口j的概率，Nij表示车辆历史轨迹数据中经过路口i后再经过路口j的次数，即i和j必须是相邻路口。如图1和图5所示，基于马尔科夫模型的不确定性路网车辆轨迹预测方法，包括以下步骤：S1：补全数据，利用补全路径的方法处理不确定性历史数据。S2：构造状态转移矩阵，对历史轨迹数据计算路口转移概率，组合得到马尔科夫状态转移矩阵。S3：轨迹预测，利用马尔科夫链模型对状态转移矩阵进行计算得到车辆未来轨迹。S1：补全数据阶段，利用真实的路径长度对具有不确定性的两个路口位置进行由定义1、2、3、4、5计算得到的概率信息，再根据真实路口车辆数据由概率信息计算本文档来自技高网...

【技术保护点】
1.一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法，其特征在于，包括以下步骤：S1：补全数据，利用补全路径的方法处理不确定性历史数据；S2：构造状态转移矩阵，对历史轨迹数据计算路口转移概率，组合得到马尔科夫状态转移矩阵；S3：轨迹预测，利用马尔科夫链模型对状态转移矩阵进行计算得到车辆未来轨迹。

【技术特征摘要】
1.一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法，其特征在于，包括以下步骤：S1：补全数据，利用补全路径的方法处理不确定性历史数据；S2：构造状态转移矩阵，对历史轨迹数据计算路口转移概率，组合得到马尔科夫状态转移矩阵；S3：轨迹预测，利用马尔科夫链模型对状态转移矩阵进行计算得到车辆未来轨迹。2.如权利要求1所述的基于马尔科夫模型的不确定性路网车辆轨迹预测方法，其特征在于，所述S1的补全数据包括以下子步骤：S11：以真实的路径长度对具有不确定性的两个路口位置进行计算得到概率信息；S12：使用真实路口车辆数据，由概率信息计算得到每个路口的数据信息，补全路径数据。3.如权利要求1所述的基于马尔科夫模型的不确定性路网车辆轨迹预测方法，其特征在于，所述S2的构造状态转移矩阵包括以下步骤：S21：根据马尔科夫公式对历史轨迹数据计算得到路口转移概率；S22：所有转移概率组合得到马尔科夫状态转移矩阵。4.如权利要求1所述的基于马尔科夫模型的不确定性路网车辆轨迹预测方法，其特征在于，所述S3的轨迹预测包括以下步骤：S31：计算得到的一步马尔科夫状态转移矩阵；S32：根据当前位置扫描马尔科夫状态转移矩阵得到行号，选取对应行号所在的一行数据进行比较，概率最大的列号作为未来...

【专利技术属性】
技术研发人员：毛莺池，陈杨，徐淑芳，平萍，王龙宝，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32