一种融合卡口重要性与注意力机制的车辆轨迹预测方法技术

本发明专利技术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

【技术实现步骤摘要】
一种融合卡口重要性与注意力机制的车辆轨迹预测方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合卡口重要性与注意力机制的车辆轨迹预测方法，其特征在于，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。2.如权利要求1所述的一种融合卡口重要性与注意力机制的车辆轨迹预测方法，其特征在于，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。3.如权利要求1所述的一种融合卡口重要性与注意力机制的车辆轨迹预测方法，其特征在于，步骤(1)中对数据源进行数据预处理具体包括对数据源重复数据、缺失数据以及无效数据进行清洗与剔除，统计各卡口每天的车流量，并按照一定时间间隔划分提取车辆轨迹。4.如权利要求1所述的一种融合卡口重要性与注意力机制的车辆轨迹预测方法，其特征在于，步骤(2)中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具体包括：(21a)假设共现矩阵为X，X
i
表示卡口i，X
ij
表示卡口j和卡口i特定大小的上下文窗口(context window)内共同出现的次数；根据两个卡口在上下文窗口的距离d，采用衰减函数(decreasing weighting)：decay＝1/d计算权重；(22a)构建词向量(Word vector)和共现矩阵(Co
‑
occurrence Matrix)之间的近似关系：式中，w
i
和w
j
是要求的词向量，b
i
和b
j
分别是两个词向量的偏置项；(23a)构造损失函数：式中：|V|是词典的大小，f(X
ij
)为权重项。5.如权利要求1所述的一种融合卡口重要性与注意力机制的车辆轨迹预测方法，其特征在于，步骤(2)中，结合PageRank算法对各卡口的重要性进行排序具体包括：(21b)将有偏随机游走应用于经典PageRank算法，得到基于卡口节点相似性的有偏PageRank即BSBPR来评估第一层中节点的重要性，具体采用如下公式：
式中：σ为阻尼因子，取0.85；表示网络层1中经过卡口u的车辆向卡口v移动的概率；N为卡口节点总数；(22b)以递归的方式在层α＝2，3，
…
，L中计算节点的BSBPR，定义层α＝2，3，
…
，L中节点u的多层时序有偏PageRank为：u的多层时序有偏PageRank为：式中，BSBPR(u)
α
‑1和分别表示上层中同一卡口节点中心性、层内相邻卡口节点间的相似性的幂次方，其中指数a和b是偏差参数。6.如权利要求1所述的一种融合卡口重要性与注意力机制的车辆轨迹预测方法，其特征在于，步骤(3)中利用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具体包括：(31a)对句子中的每个词向量，乘以一个权重其中a是一个常数，p(w)为该词的词频；(32a)计算句向量矩阵的第一个主成分u，让每个句向量减去它在u上的投影。7.如权利要求1所述的一种融合卡口重要性与注意力机制的车辆轨迹预测方法，其特征在于，步骤(3)中应用K
‑
means算法对轨迹进行聚类具体包括：(31b)从数据集中随机选取一个...

【专利技术属性】
技术研发人员：关乐晨，邵虎，刘广义，陈子龙，徐玮喆，袁梓航，石景天，周金诚，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：