【技术实现步骤摘要】
基于车辆轨迹语义分析和深度信念网络的轨迹预测方法
本专利技术属于智能交通数据分析领域，涉及用户车辆历史轨迹分析研究，是一种基于车辆轨迹数据分析的轨迹预测方法。
技术介绍
随着城市的迅速发展，交通系统面临的问题越来越严重，用户每天产生的交通数据也越来越多，为提高用户的出行效率，人们不断采用新的措施，如分析道路拥挤程度，分析车辆行驶轨迹等来解决交通道路拥挤带来的问题。近年来，对车辆的行驶轨迹的分析研究受到了越来越多相关的企业的关注，当前轨迹数据分析的研究方向主要包括位置预测、兴趣挖掘、路径规划等。其中，车辆位置预测技术的发展，对改善用户体验和提高服务质量起到了重要的作用。车辆轨迹的预测主要有两种类型：基于个人移动模式的预测和基于群体移动模式的预测。基于个人移动模式的预测都是基于单个用户的行为习惯和历史轨迹来训练模型并预测未来的位置，基于群体移动模式的预测则是运用大量用户数据，分析特定群体所具有的移动模式，构建一个适用于这个群体的预测模型。由于基于个人移动模式的轨迹预测无法体现交通路网和其他用户对用户出行轨迹的影响，因此，基于群体模式的轨迹预测得到了更广泛的关注。然而，...
【技术保护点】
1.一种基于车辆轨迹语义分析和深度信念网络的轨迹预测方法，其特征在于，包括以下步骤：获取数据源的步骤：提取车辆原始信息中的车牌号、过车时间、卡口编码作为表征车辆轨迹信息的属性，具体是将每一辆车按过车时间顺序，将卡口编号排列作为其轨迹序列，所述车辆原始信息是通过卡口信息采集装置对行驶中车辆进行采集得到的；卡口上下文分析的步骤：引入词嵌入思想，即利用单词在句子中的上下文关系来分析单词之间的关联性，通过使用滑动窗口对车辆的卡口轨迹序列数据进行卡口在轨迹中的上下文关系提取，建立卡口语料库，卡口语料库具有反映不同卡口在路网中的相关性的能力，卡口在轨迹数据中的角色相似度用卡口在高维空间...
【技术特征摘要】
1.一种基于车辆轨迹语义分析和深度信念网络的轨迹预测方法，其特征在于，包括以下步骤：获取数据源的步骤：提取车辆原始信息中的车牌号、过车时间、卡口编码作为表征车辆轨迹信息的属性，具体是将每一辆车按过车时间顺序，将卡口编号排列作为其轨迹序列，所述车辆原始信息是通过卡口信息采集装置对行驶中车辆进行采集得到的；卡口上下文分析的步骤：引入词嵌入思想，即利用单词在句子中的上下文关系来分析单词之间的关联性，通过使用滑动窗口对车辆的卡口轨迹序列数据进行卡口在轨迹中的上下文关系提取，建立卡口语料库，卡口语料库具有反映不同卡口在路网中的相关性的能力，卡口在轨迹数据中的角色相似度用卡口在高维空间中对应的点之间的距离衡量，最后根据相似度构建轨迹节点的向量空间，实现运用节点向量集表征节点间的交通时空关系；提取用户轨迹特征的步骤：根据轨迹节点向量之间表现出的交通时空关系，对用户的历史轨迹数据进行数据分析，使用DBN深度信念网络对用户的轨迹向量进行逐层训练，将大量用户的历史轨迹集中表现出来的共性特征提取出来，作为后续进行轨迹预测的依据；预测与分析步骤，根据轨迹特征建立回归预测模型，利用提取到的用户轨迹特征作为预测的依据，利用线性回归的预测思想生成预测结果；同时，同时考虑到交通轨迹交叉多、相似度高的特性，采用权重聚类对结果进行优化。2.根据权利要求1所述的基于车辆轨迹语义分析和深度信念网络的轨迹预测方法，其特征在于，所述获取数据源后还包括预处理原始数据的步骤：即对数据源重复数据、无效数据进行清洗。3.根据权利要求1所述的基于车辆轨迹语义分析和深度信念网络的轨迹预测方法，其特征在于，所述卡口上下文分析的步骤具体包括：S21：定义交通卡口间的关联性；使用统计概率模型来定义关联性，取轨迹为数据集中的第i条车辆轨迹，n为该轨迹包含的交通卡口的数量，c1,c2,…,cn为该车按时间顺序依次经过的交通卡口one-hot向量，T＝{t1,t2,…,tm}为卡口语料库，m为数据集中轨迹的数量，卡口c与轨迹中其他卡口关联性的计算公式为：其中Context(c)表示卡口c的前后n-1个卡口，即Context(ci)＝{ci-n+1,ci-n+2,…,ci-1,ci+1,…,ci+n-2,ci+n-1}；S22:构建向量空间；构造一个s维向量空间使得每一个ci都可以在空间有唯一的...
【专利技术属性】
技术研发人员：肖云鹏，朱耀堃，戴天骥，吴欣虹，朱萌钢，程川云，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50
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。