【技术实现步骤摘要】
一种基于注意力机制的车辆轨迹时空重构方法及系统
[0001]本专利技术属于自动车辆识别轨迹的时空重构
,涉及一种基于注意力机制的车辆轨迹时空重构方法及系统。
技术介绍
[0002]自动车辆识别技术(Automatic Vehicle Identification,AVI)被广泛应用于城市交通监测中,其准确而全面的轨迹数据极大地促进了智能交通系统的发展与应用。相比较于传统轨迹数据,AVI数据的最大优点是其能够覆盖城市交通中几乎所有的出行车辆,同时,它还有着更快速的识别速度和更准确的识别能力。然而,受经济和环境成本的约束,城市中AVI监测点的布设十分稀疏且分布不均匀,导致AVI轨迹内的时空位置比较稀疏,这给轨迹内部带来了极大的不确定性,这种不确定性在很大程度上损害了AVI轨迹的使用价值,因此,重构稀疏的AVI轨迹为细粒度的轨迹,已成为AVI轨迹挖掘的一个关键问题,具有重要的理论与现实意义。
[0003]相比较于传统的GPS轨迹,自动车辆识别数据具有很多优点。首先,车辆自动识别数据精度高,这个精度高包含两个方面,一是由于车辆识别数据是在特定的位置进行采集,因此排除了轨迹中位置点上的不确定性。二是能十分准确的识别车辆并记录车辆的通行时间,尤其是基于射频识别技术(RFID)的自动车辆识别系统,能够对车辆达到几乎100%的识别精度。其次,自动车辆识别数据的数据量大,这个数据量大体现在三个方面,一是自动车辆识别系统可识别城市中所有类型的车辆,包括私家车、出租车、网约车、货车等,这是自动车辆识别系统最大的优点吗,能够涵 ...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制的车辆轨迹时空重构方法,其特征在于:该方法包括以下步骤:S1、针对当前轨迹的空间轨迹,将其进行轨迹嵌入表达;S2、对多种历史轨迹进行嵌入表达;S3、采用一个基于注意力机制的时间序列预测模型,预测当前轨迹所对应的时间序列,并组合为时空轨迹;S4、利用真实数据训练整体模型,并在测试集中进行轨迹重构,最后根据预测结果和实际数据,对预测误差进行评价分析。2.根据权利要求1所述的一种基于注意力机制的车辆轨迹时空重构方法,其特征在于:在步骤S1中,所述针对当前轨迹的空间轨迹,将其进行轨迹嵌入表达,具体包括:对当前轨迹的处理分为两部分,即对当前轨迹进行空间重构和对重构后的空间轨迹进行轨迹嵌入;对于一条行驶在相邻点对(C
A
,C
B
)之中的轨迹[(as
A
,at
A
),(as
B
,at
B
)],依据其空间轨迹重构结果,其空间轨迹表示为一个m维向量S=[s1,s2,...,s
m
],其中s
i
表示空间轨迹中的第i个空间点;对当前轨迹,使用一个时间状态向量S
t
达其行程总时间特征,将行程总时间(at
A
‑
at
B
)扩充为一个m维向量,S
t
的计算方法如下所示:S
t
=(at
B
‑
at
A
)
×
S为了表示车辆出发时间对时空关系的影响,使用一个周期向量来表示车辆行驶周期,将一天的时间划分为C个时间片,然后使用C
S
来表示该行程的出发时间at
A
处于一天内的时间片位置,则该行程的周期向量可以表示为S
C
,且可以通过以下公式求得:根据以上所提及的当前轨迹嵌入方式,嵌入后的当前轨迹C可表示为:C=Concat(S,S
t
,S
c
)。3.根据权利要求2所述的一种基于注意力机制的车辆轨迹时空重构方法,其特征在于:在步骤S2中,对多种历史轨迹进行嵌入表达,对于一对给定的相邻采集点对(C
A
,C
B
)之间的一条确定的路径,其历史轨迹集合表示为T
H
={Tr1,Tr2,...,Tr
N
},考虑到其中的一条轨迹Tr
i
,其内部时空位置的密度远低于路径空间点的密度,使用轨迹聚合方法将所有的历史轨迹聚合为一条完整的时空轨迹,具体包括:S21、历史轨迹聚合:将路径内的空间位置按照空间片切分,而后对于一个确定的空间片上,找到所有在该时间片上的时间点,使用这些轨迹点的平均时间作为聚合后轨迹在该空间片上的时间;因此,对历史轨迹集合T
H
,聚合后的轨迹可表示如下:其中Tr
i
表示历史轨迹集合T
H
中的第i条轨迹,N表示轨迹集合中的轨迹数量,表示轨迹聚合操作,具体来说,针对一个固定位置的点,找到所有经过该位置的时间,使用所用经过该位置的时间的平均值作为该点的时间;对每一个位置点聚合时间后,将位置点按位置顺序排序,即得到聚合后的轨迹;S22、同周期的历史轨迹聚合:
对同周期的历史轨迹的定义如下:给定一个相邻点对(C
A
,C
B
)及其之间的一条路径内的历史轨迹集合T
H
={Tr1,Tr2,...,Tr
N
},对于一条待重构的轨迹[(as
A
,at
A
),(as
B
,at
B
)],找到所有与该轨迹出发时间at
A
周期相同的历史轨迹,这些轨迹的集合即同周期的历史轨迹,表示为T
C
={Tr1,Tr2,...,Tr
M
},其中m表示集合中的轨迹数量,Tr
i
表示集合中的一条轨迹,对该同周期的历史轨迹进行聚合,操作公式如下所示:S23、同状态的历史轨迹聚合:对同状态的历史轨迹的定义如下:给定一个相邻点对(C
A
,C
B
)及其之间的一条路径内的历史轨迹集合T
H
={Tr1,Tr2,...,Tr
N
};对于一条待重构的轨迹[(as
A
,at
A
),(as
B
,at
B
)],首先根据行程时间(at
B
‑
at
A
)计算出该行程的通行状态,然后对于T
H
中的所有轨迹,根据其行程时间计算出每一条轨迹的通行状态,将所有与待重构轨迹相同状态的轨迹集合,表示为T
S
={...
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。