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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。