一种基于历史GPS数据语义轨迹的货车停靠位置预测方法技术

本发明专利技术公开了一种基于历史GPS数据语义轨迹的货车停靠位置预测方法，包括步骤：依据车辆编号及时间序列，将原始GPS轨迹点匹配至道路，生成车辆行驶轨迹序列；通过谱聚类，生成车辆停靠位置轨迹序列，对其进行语义化处理，生成车辆停靠语义轨迹序列；分别建立个体频繁停靠语义轨迹模式树和群体频繁停靠位置轨迹模式树，生成个体相似停靠语义轨迹车辆集合和群体相似停靠位置轨迹车辆集合；输入用于预测的目标轨迹序列，通过计算经路径匹配后的停靠轨迹序列模式树的加权得分，得到车辆停靠位置预测候选集合，选取概率最大值为所预测的车辆停靠点位置。本发明专利技术提高了货车停靠位置预测的准确性和时效性，利于货车运营企业有效降低运力成本。成本。成本。

【技术实现步骤摘要】
一种基于历史GPS数据语义轨迹的货车停靠位置预测方法


[0001]本专利技术涉及智能交通
，尤其涉及一种基于历史GPS数据语义轨迹的货车停靠位置预测方法。

技术介绍

[0002]近年来，随着我国物流行业的快速发展，货车营运平台更加突显其重要作用，货车营运平台通常服务于全国大部分的货运车辆，对车辆提供在途订单分配管理、路径规划、提前配货、油站推荐等功能，而实现这些功能的前提条件则是高效准确地对车辆停靠位置进行预测。
[0003]当前，位置预测技术主要基于地理位置轨迹相似度技术，该预测方法具有一定的局限性且在长期预测上准确性较低，或是利用历史轨迹数据简单建立Markov模型，仅考虑当前时刻位置对未来时刻位置的影响。值得说明的是，当前还未有方法对货车车辆停靠位置进行预测，且不同货车驾驶人可能具有不同的停靠路径偏好，而对于具有相同货运属性的车辆来说，其停靠位置通常又是极为相似和聚集的。因此，对于海量货车行驶轨迹数据，亟需提出一种同时考虑个体停靠语义轨迹和群体停靠位置轨迹的货车车辆停靠位置预测方法，为货车营运企业有效降低运力成本和提高中小运力规模化组织提供技术支持。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种综合考虑个体相似停靠语义轨迹和群体相似停靠位置轨迹，能够合理准确预测货车车辆停靠位置的基于历史GPS数据语义轨迹的货车停靠位置预测方法。
[0005]技术方案：本专利技术的货车停靠位置预测方法，包括步骤如下：
[0006]S1，获取货车车辆历史GPS轨迹数据，对车辆历史GPS轨迹数据进行解码与清洗，得到原始车辆轨迹数据集D1，依据车辆编号及其时间序列进行行程划分和轨迹压缩，得到包括经纬度、行驶速度、正北方向夹角的每个车辆每次行程的车辆行驶轨迹序列数据集D2；
[0007]S2，对车辆行驶轨迹序列数据集D2进行谱聚类，得到车辆停靠位置轨迹序列数据集D3，调用Openstreet API获取周边POI信息，通过车辆编号关联，结合车辆停靠时长及间隔、车辆剩余油量及车辆行驶里程信息，对车辆停靠位置轨迹序列数据集D3中车辆停靠点进行语义标签标注，得到车辆停靠点位置所对应的停靠语义轨迹序列数据集D4；
[0008]S3，对停靠语义轨迹序列数据集D4进行个体停靠语义轨迹频繁模式挖掘，得到个体相似停靠语义轨迹车辆集合D5；合并个体相似停靠语义轨迹车辆集合D5同簇内相似车辆停靠位置轨迹，对群体停靠位置轨迹频繁模式进行挖掘，得到群体相似停靠位置轨迹车辆集合D6，完成模型初始训练；得到群体频繁停靠位置轨迹模式树Z和个体频繁停靠语义轨迹序列模式树Y；
[0009]S4，将用于预测的目标车辆轨迹序列T分别与群体频繁停靠位置轨迹模式树Z和个体频繁停靠语义轨迹序列模式树Y进行路径匹配，计算停靠轨迹序列模式树的加权得分，将
得到的车辆停靠路径预测候选集合D7与群体相似停靠位置轨迹车辆集合D6求交集，得到车辆停靠位置预测候选集合D8，建立Markov货车停靠位置预测模型，选取概率最大值为所预测的车辆停靠点位置。
[0010]进一步，步骤S2中，车辆行驶轨迹序列数据集D2进行谱聚类的具体实现步骤如下：
[0011]S21，谱聚类的构图过程，度量车辆行驶轨迹序列数据集D2中第p次和第q次行程轨迹序列间的相似度S
pq
，当S
pq
大于设定阈值时，定义相似度权值W
pq
＝S
pq
，得到由相似度权值W
pq
构成的邻接矩阵W，其中，距离远的两个轨迹序列间的边权重值低，而距离近的两个轨迹序列间的边权重值高；
[0012]S22，根据相似度权值计算得到度矩阵D＝diag(d1,d2,
…
,d
Q
)，进而得到拉普拉斯矩阵L＝D
‑
W；
[0013]S23，谱聚类的切图过程，包括基于拉普拉斯矩阵L计算特征矩阵F，通过K
‑
means聚类，得到目标簇，确定每个车辆每次行程中车辆停靠点位置。
[0014]进一步，步骤S3中得到群体相似停靠位置轨迹车辆集合D6的具体实现步骤如下：
[0015]S31，对停靠语义轨迹序列数据集D4使用PrefixSpan算法，对第a个车辆第b次行程的个体停靠语义轨迹序列频繁模式进行挖掘，得到个体停靠语义频繁轨迹集合D
41
；
[0016]S32，对个体停靠语义频繁轨迹集合D
41
建立前缀树，得到第a个车辆第b次行程的个体频繁停靠语义轨迹序列模式树Y
ab
；重复步骤S31，采用PrefixSpan算法对所有车辆个体停靠语义轨迹序列频繁模式进行挖掘，最终得到个体频繁停靠语义轨迹序列模式树Y；
[0017]S33，根据个体相似停靠语义轨迹对车辆停靠位置选择行为偏好相似的车辆进行聚类，得到个体相似停靠语义轨迹车辆集合D5；
[0018]S34，将个体相似停靠语义轨迹车辆集合D5中通过聚类得到的同簇内相似车辆的停靠位置轨迹进行合并，使用PrefixSpan算法进行群体停靠位置轨迹序列频繁模式的挖掘，得到群体停靠位置频繁轨迹集合D
51
；
[0019]S35，对群体停靠位置频繁轨迹集合D
51
建立前缀树，得到群体频繁停靠位置轨迹序列模式树Z；
[0020]S36，根据群体相似停靠位置轨迹对车辆停靠点位置相似的车辆进行聚类，得到群体相似停靠位置轨迹车辆集合D6。
[0021]进一步，步骤S4中，通过建立Markov货车停靠位置预测模型，得到所预测的车辆停靠点位置的具体实现步骤如下：
[0022]S41，将用于预测的目标车辆轨迹序列T与个体停靠语义轨迹模式树Y进行路径匹配，计算个体停靠语义轨迹序列模式树得分Score
semantic
(T,Y)；
[0023]S42，将用于预测的目标车辆轨迹序列T与群体频繁停靠位置轨迹序列模式树Z进行路径匹配，计算群体停靠位置轨迹序列模式树得分Score
location
(T,Z)；
[0024]S43，计算群体停靠位置轨迹序列模式树与个体停靠语义轨迹序列模式树的加权得分Score(T)，计算公式如下：
[0025]Score(T)＝α
×
Score
location
(T,Z)+(1
‑
α)
×
Score
semantic
(T,Y)
[0026]式中：
[0027]α为权重值，且满足0＜α＜1；
[0028]Score
semantic
(T,Y)为经路径匹配后的个体停靠语义轨迹序列模式树得分；
[0029]Score
location
(T,Z)为经路径匹配后的群体停靠位置轨迹序列模式树得分；
[0030]S4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于历史GPS数据语义轨迹的货车停靠位置预测方法，其特征在于，包括步骤如下：S1，获取货车车辆历史GPS轨迹数据，对车辆历史GPS轨迹数据进行解码与清洗，得到原始车辆轨迹数据集D1，依据车辆编号及其时间序列进行行程划分和轨迹压缩，得到包括经纬度、行驶速度、正北方向夹角的每个车辆每次行程的车辆行驶轨迹序列数据集D2；S2，对车辆行驶轨迹序列数据集D2进行谱聚类，得到车辆停靠位置轨迹序列数据集D3，调用Openstreet API获取周边POI信息，通过车辆编号关联，结合车辆停靠时长及间隔、车辆剩余油量及车辆行驶里程信息，对车辆停靠位置轨迹序列数据集D3中车辆停靠点进行语义标签标注，得到车辆停靠点位置所对应的停靠语义轨迹序列数据集D4；S3，对停靠语义轨迹序列数据集D4进行个体停靠语义轨迹频繁模式挖掘，得到个体相似停靠语义轨迹车辆集合D5；合并个体相似停靠语义轨迹车辆集合D5同簇内相似车辆停靠位置轨迹，对群体停靠位置轨迹频繁模式进行挖掘，得到群体相似停靠位置轨迹车辆集合D6，完成模型初始训练；得到群体频繁停靠位置轨迹模式树Z和个体频繁停靠语义轨迹序列模式树Y；S4，将用于预测的目标车辆轨迹序列T分别与群体频繁停靠位置轨迹模式树Z和个体频繁停靠语义轨迹序列模式树Y进行路径匹配，计算停靠轨迹序列模式树的加权得分，将得到的车辆停靠路径预测候选集合D7与群体相似停靠位置轨迹车辆集合D6求交集，得到车辆停靠位置预测候选集合D8，建立Markov货车停靠位置预测模型，选取概率最大值为所预测的车辆停靠点位置。2.根据权利要求1所述的基于历史GPS数据语义轨迹的货车停靠位置预测方法，其特征在于，步骤S2中，车辆行驶轨迹序列数据集D2进行谱聚类的具体实现步骤如下：S21，谱聚类的构图过程，度量车辆行驶轨迹序列数据集D2中第p次和第q次行程轨迹序列间的相似度S
pq
，当S
pq
大于设定阈值时，定义相似度权值W
pq
＝S
pq
，得到由相似度权值W
pq
构成的邻接矩阵W，其中，距离远的两个轨迹序列间的边权重值低，而距离近的两个轨迹序列间的边权重值高；S22，根据相似度权值计算得到度矩阵D＝diag(d1,d2,
…
,d
Q
)，进而得到拉普拉斯矩阵L＝D
‑
W；S23，谱聚类的切图过程，包括基于拉普拉斯矩阵L计算特征矩阵F，通过K
‑
means聚类，得到目标簇，确定每个车辆每次行程中车辆停靠点位置。3.根据权利要求1所述的基于历史GPS数据语义轨迹的货车停靠位置预测方法，其特征在于，步骤S3中得到群体相似停靠位置轨迹车辆集合D6的具体实现步骤如下：S31，对停靠语义轨迹序列数据集D4使用PrefixSpan算法，对第a个车辆第b次行程的个体停靠语义轨迹序列频繁模式进行挖掘，得到个体停靠语义频繁轨迹集合D
41
；S32，对个体停靠语义频繁轨迹集合D
41
建立前缀树，得到第a个车辆第b次行程的个体频繁停靠语义轨迹序列模式树Y
ab
；重复步骤S31，采用PrefixSpan算法对所有车辆个体停靠语义轨迹序列频繁模式进行挖掘，最终得到个体频繁停靠语义轨迹序列模式树Y；S33，根据个体相似停靠语义轨迹对车辆停靠位置选择行为偏好相似的车辆进行聚类，
得到个体相似停靠语义轨迹车辆集合D5；S34，将个体相似停靠语义轨迹车辆集合D5中通过聚类得到的同簇内相似车辆的停靠位置轨迹进行合并，使用PrefixSpan算法进行群体停靠位置轨迹序列频繁模式的挖掘，得到群体停靠位置频繁轨迹集合D
51
；S35，对群体停靠位置频繁轨迹集合D
51
建立前缀树，得到群体频繁停靠位置轨迹序列模式树Z；S36，根据群体相似停靠位...

【专利技术属性】
技术研发人员：李铁柱，刘华，郑楠芳，冀宇飞，付清浩，李小峰，
申请(专利权)人：东南大学，
类型：发明
国别省市：