一种城市车辆轨迹重构方法、装置及计算机存储介质制造方法及图纸

本发明专利技术实施例公开了一种城市车辆轨迹重构方法、装置及计算机存储介质，包括：获取车辆初始轨迹数据，识别在连续的路口间存在不相邻的两个路口的不完整轨迹数据集；基于不完整轨迹数据集，得到所述不相邻的两个路口间k条轨迹作为初始粒子；将所述初始粒子和时空校正因子输入粒子滤波器，对所述基础校正因子和满足轮盘赌法的所述拓展校正因子进行重采样，得到重构轨迹；其中，所述时空校正因子包括基础校正因子和拓展校正因子；如此，通过对时空校正因子进行分类并设计不同的重采样过程，在保留时空校正因子可解释性的同时减少了主观因素对结果的影响，降低了重构的随机性。降低了重构的随机性。降低了重构的随机性。

【技术实现步骤摘要】
一种城市车辆轨迹重构方法、装置及计算机存储介质


[0001]本专利技术涉及交通大数据分析领域，尤其涉及一种城市车辆轨迹重构方法、 装置及计算机存储介质。

技术介绍

[0002]车辆轨迹数据兼具时空属性，能够为许多研究提供数据支撑，如行程时间 估计、车辆排放估计和OD模式估计等。近些年随着位置跟踪和存储技术的快 速发展，人们已经能够获取大量的车辆轨迹数据，但由于设备条件的限制，这 些轨迹数据中仍存在一些不完整的轨迹。不完整的车辆轨迹会极大地限制后续 研究对轨迹数据的应用。因此，重构车辆轨迹数据对于轨迹数据的进一步挖掘 具有重要的意义。
[0003]目前，轨迹重构的方法大致概括成两个阶段：第一阶段为轨迹集生成阶段， 主要算法有DFS算法、KSP算法、基于时空棱镜改进的K则最短路算法(P
‑
KSP) 等；第一阶段的算法搜索到的轨迹基本都能涵盖真实轨迹，故该阶段算法的差 异往往不会对重构结果的精度产生影响。第二阶段为最优轨迹决策阶段，主要 算法有TOPSIS算法、GRA算法、粒子滤波算法、GBDT算法、自编码器算法 等。该阶段的算法需要在开始确定若干关于路径的决策特征(也称为“时空校 正因子”)，随后将这些属性指标代入到各自的模型中得到最优轨迹。因此影响 算法最终精度的关键在于决策特征的确定与模型的选择，除GBDT算法外，上 述研究确定的决策特征大多带有一定的主观因素，主观因素的存在使得决策特 征忽略了少数人的出行偏好，增加了重构的随机性，但GBDT算法所确定决策 特征具有可解释性差、不同区域之间不统一等缺点，如何平衡好决策特征的主 观因素与可解释性之间的关系依然是目前需要解决的难点问题。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了一种城市车辆轨迹重构方法、装置及计算 机存储介质，在保留时空校正因子可解释性的同时减少了主观因素对结果的影 响，降低了重构的随机性。
[0005]为达到上述目的，本专利技术的技术方案是这样实现的：
[0006]第一方面，本专利技术实施例提供了一种城市车辆轨迹重构方法，所述方法包 括：
[0007]获取车辆初始轨迹数据，识别在连续的路口间存在不相邻的两个路口的不 完整轨迹数据集；
[0008]基于不完整轨迹数据集，得到所述不相邻的两个路口间k条轨迹作为初始 粒子；
[0009]将所述初始粒子和时空校正因子输入粒子滤波器，对所述基础校正因子和 满足轮盘赌法的所述拓展校正因子进行重采样，得到重构轨迹；其中，所述时 空校正因子包括基础校正因子和拓展校正因子。
[0010]其中，所述获取车辆初始轨迹数据，识别在连续的路口间存在不相邻的两 个路口的不完整轨迹数据集，包括：
[0011]获取车辆初始轨迹数据，得到所述初始轨迹数据包含的多个路口及其位置；
[0012]确认当前路口与下一路口存在不相邻，得到不完整轨迹数据集。
[0013]其中，所述基于不完整轨迹数据集，得到所述不相邻的两个路口间k条轨 迹作为初始粒子，包括：
[0014]基于所述基于不完整轨迹数据集，获取每一所述不完整轨迹数据中对应的 起点路口和重点路口；
[0015]通过k则最短路算法得到k条轨迹作为初始粒子。
[0016]其中，所述基础校正因子包括行程时间一致性因子和可测性准则因子，所 述拓展校正因子包括路径尺寸因子、转弯次数因子、距离准则因子。
[0017]其中，所述对所述基础校正因子和满足轮盘赌法的所述拓展校正因子进行 重采样，包括：
[0018]分别对所述基础校正因子进行重采样，对所述拓展校正因子进行轮盘赌法， 若轮盘赌法的结果在预设的概率区间内，则执行对所述拓展校正因子的重采样， 若轮盘赌法的结果不在预设的概率区间内，则不执行。
[0019]第二方面，本专利技术实施例提供了一种城市车辆轨迹重构装置，所述装置包 括：
[0020]数据获取模块，用于获取车辆初始轨迹数据，识别在连续的路口间存在不 相邻的两个路口的不完整轨迹数据集；
[0021]数据处理模块，用于基于不完整轨迹数据集，得到所述不相邻的两个路口 间k条轨迹作为初始粒子；
[0022]轨迹重构模块，用于将所述初始粒子和时空校正因子输入粒子滤波器，对 所述基础校正因子和满足轮盘赌法的所述拓展校正因子进行重采样，得到重构 轨迹；其中，所述时空校正因子包括基础校正因子和拓展校正因子。
[0023]第三方面，本专利技术实施例提供了一种城市车辆轨迹重构装置，所述装置包 括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
[0024]其中，所述处理器用于运行所述计算机程序时，实现第一方面所述城市车 辆轨迹重构方法。
[0025]第四方面，本专利技术实施例提供了一种计算机存储介质，存储有计算机程序， 所述计算机程序被处理器执行时，实现第一方面所述城市车辆轨迹重构方法。
[0026]本专利技术实施例提供的一种城市车辆轨迹重构方法、装置及计算机存储介质， 包括：获取车辆初始轨迹数据，识别在连续的路口间存在不相邻的两个路口的 不完整轨迹数据集；基于不完整轨迹数据集，得到所述不相邻的两个路口间k 条轨迹作为初始粒子；将所述初始粒子和时空校正因子输入粒子滤波器，对所 述基础校正因子和满足轮盘赌法的所述拓展校正因子进行重采样，得到重构轨 迹；其中，所述时空校正因子包括基础校正因子和拓展校正因子；如此，通过 对时空校正因子进行分类并设计不同的重采样过程，在保留时空校正因子可解 释性的同时减少了主观因素对结果的影响，降低了重构的随机性。
附图说明
[0027]图1为本专利技术实施例提供的一种城市车辆轨迹重构方法的流程示意图；
[0028]图2为本专利技术另一实施例提供的城市车辆轨迹重构方法的流程示意图；
[0029]图3为本专利技术实施例提供的粒子滤波模型流程示意图；
[0030]图4为本专利技术实施例提供的一种城市车辆轨迹重构装置的结构示意图；
[0031]图5为本专利技术实施例提供的另一种城市车辆轨迹重构装置的结构示意图。
具体实施方式
[0032]下面结合说明书附图及具体实施例对本专利技术技术方案做进一步的详细阐 述。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的技术 领域的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术 语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的 术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0033]参见图1，为本专利技术实施例提供的一种城市车辆轨迹重构方法，该城市车 辆轨迹重构方法可以适用于对路段的交通事故影响范围进行预测的情况，该城 市车辆轨迹重构方法可以由本专利技术实施例提供的一种城市车辆轨迹重构装置来 执行，该城市车辆轨迹重构装置可以采用软件和/或硬件的方式来实现，在具体 应用中，该城市车辆轨迹重构装置可以具体是台式电脑、笔记本电脑、智能手 机、个人数字助理、平板电脑等终端。所述城市本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市车辆轨迹重构方法，其特征在于，所述方法包括：获取车辆初始轨迹数据，识别在连续的路口间存在不相邻的两个路口的不完整轨迹数据集；基于不完整轨迹数据集，得到所述不相邻的两个路口间k条轨迹作为初始粒子；将所述初始粒子和时空校正因子输入粒子滤波器，对所述基础校正因子和满足轮盘赌法的所述拓展校正因子进行重采样，得到重构轨迹；其中，所述时空校正因子包括基础校正因子和拓展校正因子。2.如权利要求1所述的城市车辆轨迹重构方法，其特征在于，所述获取车辆初始轨迹数据，识别在连续的路口间存在不相邻的两个路口的不完整轨迹数据集，包括：获取车辆初始轨迹数据，得到所述初始轨迹数据包含的多个路口及其位置；确认当前路口与下一路口存在不相邻，得到不完整轨迹数据集。3.如权利要求1所述的城市车辆轨迹重构方法，其特征在于，所述基于不完整轨迹数据集，得到所述不相邻的两个路口间k条轨迹作为初始粒子，包括：基于所述基于不完整轨迹数据集，获取每一所述不完整轨迹数据中对应的起点路口和重点路口；通过k则最短路算法得到k条轨迹作为初始粒子。4.如权利要求1所述的城市车辆轨迹重构方法，其特征在于，所述基础校正因子包括行程时间一致性因子和可测性准则因子，所述拓展校正因子包括路径尺寸因子、转弯次数因子、距离准则因子。5...

【专利技术属性】
技术研发人员：唐进君，王凯，刘芳，李烨，黄合来，
申请(专利权)人：中南大学，
类型：发明
国别省市：