一种带有分支网络的目的地预测方法、系统及电子设备技术方案

本发明专利技术涉及一种带有分支网络的目的地预测方法、系统及电子设备，包括以下步骤：获取第一轨迹数据，第一轨迹数据表征了车辆在当前行驶过程中产生的行驶轨迹数据；将第一轨迹数据输入预测模型中，通过预测模型确定车辆的第一预测目的地。通过本申请的方案，解决了当车辆想要到达的目的地不属于历史轨迹集时，传统预测方法无法准确预测到达目的地的概率的问题。测方法无法准确预测到达目的地的概率的问题。测方法无法准确预测到达目的地的概率的问题。

【技术实现步骤摘要】
一种带有分支网络的目的地预测方法、系统及电子设备


[0001]本专利技术涉及深度学习
，尤其涉及一种带有分支网络的目的地预测方法、系统及电子设备。

技术介绍

[0002]5G网络的出现大大提高了数据传输的效率，极大地促进了车联网的发展。车辆联网可以即时获取每辆车辆的信息，改善交通状况和驾驶体验。目标预测是车联网系统的一项重要任务，有助于解决交通拥挤问题。通过预测车辆的目的地，可以提前知道交通流量增加的地方，及早采取分流措施，防止交通拥堵。
[0003]传统的预测方法通常基于历史轨迹集测算车辆到达每个目的地的概率，以此来第二预测目的地。然而，在现实中不可能得到一个涵盖所有位置的历史轨迹集。现有的轨迹数据集通常只是其中的一小部分，当数据库中没有与查询的轨迹相匹配的历史轨迹时，就无法计算到历史目的地的概率，从而无法第二预测目的地。

技术实现思路

[0004]为了克服当车辆想要到达的目的地不属于历史轨迹集时，传统预测方法无法准确预测到达目的地的概率的问题，本专利技术提供了一种带有分支网络的目的地预测方法、系统及电子设备。
[0005]第一方面，为了解决上述技术问题，本专利技术提供了一种带有分支网络的目的地预测方法，包括以下步骤：
[0006]获取第一轨迹数据，第一轨迹数据表征了车辆在当前行驶过程中产生的行驶轨迹数据；
[0007]将第一轨迹数据输入预测模型中，通过预测模型确定车辆的第一预测目的地，其中，预测模型是通过以下方式训练得到的：
[0008]S11，获取训练样本，训练样本中包括多个第二轨迹数据和每个第二轨迹数据对应的真实目的地，对于每个第二轨迹数据，第二轨迹数据表征了车辆在预设时间段内产生的历史行驶轨迹数据；
[0009]S12，根据各个第二轨迹数据，对初始模型进行训练，得到每个第二轨迹数据对应的第二预测目的地；
[0010]S13，根据多个第二预测目的地和多个真实目的地，确定初始模型的总损失值，总损失值表征了第二预测目的地和真实目的地之间的差异值；
[0011]S14，若总损失值满足预设结束条件，将满足预设结束条件时的初始模型作为预测模型，若总损失值不满足预设结束条件，调整初始网络的网络参数，并根据调整后的网络参数重新对初始模型进行训练，直到初始模型的总损失值满足预设结束条件。
[0012]本专利技术提供的一种带有分支网络的目的地预测方法的有益效果是：通过预测模型，能够根据第一轨迹数据预测车辆到达的第一预测目的地，由于在预测模型的训练过程
中，并非是从历史轨迹集中去计算车辆到达任意一个目的地的概率，而是根据第二轨迹数据去预测第二轨迹数据对应的预测的目的地，解决了历史轨迹集中无对应的目的地，从而无法第二预测目的地概率的问题。
[0013]在上述技术方案的基础上，本专利技术的一种带有分支网络的目的地预测方法还可以做如下改进。
[0014]进一步，初始模型包括输入层、第一解码器、第二解码器和输出层；
[0015]根据各个第二轨迹数据，对初始模型进行训练，得到每个第二轨迹数据对应的第二预测目的地，包括：
[0016]S21，将各个第二轨迹数据输入输入层，通过输入层，确定每个第二轨迹数据对应的轨迹向量；
[0017]S22，对于每个轨迹向量，将轨迹向量输入第一解码器，通过第一解码器提取轨迹向量的特征，确定轨迹向量对应的特征向量；
[0018]S23，对于每个特征向量，将特征向量输入第二解码器，通过第二解码器确定特征向量对应的预测向量，预测向量表征了车辆在当前预设时间段的下一时间段的预测轨迹向量；
[0019]S24，对于每个预测向量，将预测向量输入输出层，通过输出层确定预测向量对应的第二预测目的地。
[0020]采用上述进一步方案的有益效果是：在预测模型的训练过程中，得到预测向量，而预测向量是当前预设时间段的下一时间段的预测轨迹向量，因此，预测模型能够预测出车辆在当前时间段的下一时间段的轨迹情况(预测向量)，最后根据该预测向量得到第二预测目的地，基于此，通过对当前时间段的下一时间段的轨迹情况进行预测，避免了从历史轨迹集中去计算目的地概率的情况，从而解决历史轨迹集中无对应的目的地，从而无法第二预测目的地概率的问题。
[0021]进一步，上述方法中对于每个第二轨迹数据，第二轨迹数据中包含多个位置坐标，将各个第二轨迹数据输入输入层，通过输入层，确定每个第二轨迹数据对应的轨迹向量，包括：
[0022]S31，对于每个第二轨迹数据，根据第二轨迹数据中包含的各个位置坐标，通过输入层的第一公式，确定第二轨迹数据对应的轨迹序列，其中，第一公式为：
[0023]X＝[loc1,loc2,...,loc
n
]；
[0024]其中，X表示轨迹序列，loc
i
表示第二轨迹数据中的一个位置坐标，n表示第二轨迹数据中位置坐标的总数，1≤i≤n，i为整数；
[0025]S32，对于每个轨迹序列，根据轨迹序列，通过输入层的第二公式，确定每个轨迹序列对应的轨迹向量，其中，第二公式为：
[0026]E＝Relu(W
e
X+b)；
[0027]其中，E表示轨迹向量，W
e
表示预设的服从标准正态分布中随机初始化的第一权重矩阵，b表示预设的第一权重矩阵对应的第一偏置矩阵，Relu(x)表示激活函数，其中，x表示激活函数的输入值，激活函数定义为Relu(x)＝max(x,0)。
[0028]采用上述进一步方案的有益效果是：将第二轨迹数据转化为轨迹向量，利于在后续过程中对第二轨迹数据的特征进行提取。
[0029]进一步，上述方法中对于每个轨迹向量，将轨迹向量输入第一解码器，通过第一解码器提取轨迹向量的特征，确定轨迹向量对应的特征向量，包括：
[0030]对于每个轨迹向量，将轨迹向量输入第一解码器，通过第一步骤，确定轨迹向量对应的特征向量，其中，第一步骤包括：
[0031]S41，获取第一解码器的第一初始化细胞状态和第一初始化隐藏状态，第一初始化细胞状态和第一初始化隐藏状态均为零矩阵；
[0032]S42，从标准正太分布中随机初始化第二权重矩阵、第三权重矩阵、第四权重矩阵和第五权重矩阵，以及第二权重矩阵对应的第二偏置矩阵、第三权重矩阵对应的第三偏置矩阵、第四权重矩阵对应的第四偏置矩阵和第五权重矩阵对应的第五偏置矩阵；
[0033]S43，将第一初始化隐藏状态作为第一当前隐藏状态，将第一初始化细胞状态作为第一当前细胞状态；
[0034]S44，根据第二权重矩阵、第二偏置矩阵、第三权重矩阵、第三偏置矩阵、第一当前隐藏状态和轨迹向量，通过第三公式，确定第一遗忘权重和第一更新权重，其中，第三公式为：
[0035][0036]其中，f
01
表示第一遗忘权重，σ表示sigmoid函数，其中，sigmoid函数定义为表示第二权重矩阵，表示第二偏置矩阵，表示第一当前隐藏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带有分支网络的目的地预测方法，其特征在于，包括以下步骤：获取第一轨迹数据，所述第一轨迹数据表征了车辆在当前行驶过程中产生的行驶轨迹数据；将所述第一轨迹数据输入预测模型中，通过预测模型确定所述车辆的第一预测目的地，其中，所述预测模型是通过以下方式训练得到的：S11，获取训练样本，所述训练样本中包括多个第二轨迹数据和每个所述第二轨迹数据对应的真实目的地，对于每个所述第二轨迹数据，所述第二轨迹数据表征了所述车辆在预设时间段内产生的历史行驶轨迹数据；S12，根据各个所述第二轨迹数据，对初始模型进行训练，得到每个所述第二轨迹数据对应的第二预测目的地；S13，根据多个所述第二预测目的地和多个所述真实目的地，确定所述初始模型的总损失值，所述总损失值表征了第二预测目的地和真实目的地之间的差异值；S14，若所述总损失值满足预设结束条件，将满足所述预设结束条件时的初始模型作为所述预测模型，若所述总损失值不满足预设结束条件，调整所述初始网络的网络参数，并根据调整后的网络参数重新对所述初始模型进行训练，直到所述初始模型的总损失值满足所述预设结束条件。2.根据权利要求1所述的方法，其特征在于，所述初始模型包括输入层、第一解码器、第二解码器和输出层；所述根据各个所述第二轨迹数据，对初始模型进行训练，得到每个所述第二轨迹数据对应的第二预测目的地，包括：S21，将各个所述第二轨迹数据输入所述输入层，通过所述输入层，确定每个所述第二轨迹数据对应的轨迹向量；S22，对于每个所述轨迹向量，将所述轨迹向量输入所述第一解码器，通过所述第一解码器提取所述轨迹向量的特征，确定所述轨迹向量对应的特征向量；S23，对于每个所述特征向量，将所述特征向量输入所述第二解码器，通过所述第二解码器确定所述特征向量对应的预测向量，所述预测向量表征了所述车辆在当前预设时间段的下一时间段的预测轨迹向量；S24，对于每个所述预测向量，将所述预测向量输入所述输出层，通过所述输出层确定所述预测向量对应的第二预测目的地。3.根据权利要求2所述的方法，其特征在于，对于每个所述第二轨迹数据，所述第二轨迹数据中包含多个位置坐标，所述将各个所述第二轨迹数据输入所述输入层，通过所述输入层，确定每个所述第二轨迹数据对应的轨迹向量，包括：S31，对于每个所述第二轨迹数据，根据所述第二轨迹数据中包含的各个位置坐标，通过所述输入层的第一公式，确定所述所述第二轨迹数据对应的轨迹序列，其中，所述第一公式为：X＝[loc1,loc2,...,loc
n
]；其中，X表示轨迹序列，loc
i
表示第二轨迹数据中的一个位置坐标，n表示第二轨迹数据中位置坐标的总数，1≤i≤n，i为整数；S32，对于每个所述轨迹序列，根据所述轨迹序列，通过所述输入层的第二公式，确定每
个所述轨迹序列对应的轨迹向量，其中，所述第二公式为：E＝Relu(W
e
X+b)；其中，E表示轨迹向量，W
e
表示预设的服从标准正态分布中随机初始化的第一权重矩阵，b表示预设的第一权重矩阵对应的第一偏置矩阵，Relu(x)表示激活函数，其中，x表示激活函数的输入值，激活函数定义为Relu(x)＝max(x,0)。4.根据权利要求3所述的方法，其特征在于，对于每个所述轨迹向量，所述将所述轨迹向量输入所述第一解码器，通过所述第一解码器提取所述轨迹向量的特征，确定所述轨迹向量对应的特征向量，包括：对于每个所述轨迹向量，将所述轨迹向量输入所述第一解码器，通过第一步骤，确定所述轨迹向量对应的特征向量，其中，所述第一步骤包括：S41，获取所述第一解码器的第一初始化细胞状态和第一初始化隐藏状态，所述第一初始化细胞状态和所述第一初始化隐藏状态均为零矩阵；S42，从标准正太分布中随机初始化第二权重矩阵、第三权重矩阵、第四权重矩阵和第五权重矩阵，以及第二权重矩阵对应的第二偏置矩阵、所述第三权重矩阵对应的第三偏置矩阵、第四权重矩阵对应的第四偏置矩阵和第五权重矩阵对应的第五偏置矩阵；S43，将所述第一初始化隐藏状态作为第一当前隐藏状态，将所述第一初始化细胞状态作为第一当前细胞状态；S44，根据所述第二权重矩阵、第二偏置矩阵、第三权重矩阵、第三偏置矩阵、第一当前隐藏状态和轨迹向量，通过第三公式，确定第一遗忘权重和第一更新权重，其中，所述第三公式为：其中，f
t1
表示第一遗忘权重，σ表示sigmoid函数，其中，sigmoid函数定义为表示第一遗忘权重，σ表示sigmoid函数，其中，sigmoid函数定义为表示第二权重矩阵，表示第二偏置矩阵，表示第一当前隐藏状态，表示第一更新权重，W
i1
表示第三权重矩阵，表示第三偏置矩阵，e
t
表示第t个轨迹向量；S45，根据所述第一当前隐藏状态、第四权重矩阵、第四偏置矩阵和轨迹向量，通过第四公式，确定当前时刻细胞状态的第一更新量，其中，所述第四公式为：其中，表示第一更新量，tanh表示tanh函数，其中，tanh函数定义为表示第一更新量，tanh表示tanh函数，其中，tanh函数定义为表示第四权重矩阵，表示第四偏置矩阵；S46，根据所述第一遗忘权重、第一更新权重、第一当前细胞状态和第一更新量，通过第五公式，确定当前时刻的下一时刻的第二当前细胞状态，其中，所述第五公式为：
其中，表示第二当前细胞状态，表示第一当前细胞状态；S47，根据所述第五权重矩阵、第五偏置矩阵、第一当前隐藏状态、当前时刻的下一时刻的细胞状态和轨迹向量，通过第六公式，确定当前时刻的下一时刻的第二当前隐藏状态，其中，所述第六公式为：其中，表示第二当前隐藏状态，表示第五权重矩阵，表示第五偏置矩阵，表示第二更新权重；S48，将所述第二当前隐藏状态作为新的第一当前隐藏状态，将所述第二当前细胞状态作为新的第一当前细胞状态，重复S44
‑
S48第一预设次数，并将最后一次得到的第二当前隐藏状态作为所述轨迹向量对应的特征向量。5.根据权利要求4所述的方法，其特征在于，对于每个所述特征向量，所述将所述特征向量输入所述第二解码器，通...

【专利技术属性】
技术研发人员：蔡晓东，蒋鹏，杨靖康，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：