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方案

本发明专利技术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，属于自动车辆识别轨迹的时空重构技术领域。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。本发明专利技术能够准确高效地重构车辆的时空轨迹，相对于现有的技术方案来说，本发明专利技术技术方案具有更高的准确率和效率，本方案具有广阔的应用前景。本方案具有广阔的应用前景。本方案具有广阔的应用前景。

【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，能够涵盖几乎所有的出行车辆。二是车辆识别技术可以应用于多种场景，如收费站、城市道路等。第三，信息丰富。车辆识别数据能够获取更多的信息，例如车辆ID，车辆类型、车辆用途等。因此车辆自动识别系统的数据量远超GPS所能涵盖的场景和车辆。
[0004]但是相对的，车辆自动识别数据也具有一些缺点，其中最大的一点便是自动车辆识别数据采样率很低，因为车辆自动识别设备不能实时记录车辆位置，它只能在车辆经过采集点时记录车辆信息，而由于环境和经济等原因的限制，城市路网中的采集点往往布设得比较稀疏，两个相邻的采集点之间的距离短则几百米，长则数公里，这就直接导致基于车辆自动识别数据的车辆轨迹十分稀疏。而已有的研究告诉我们，稀疏的车辆轨迹会使得轨迹中的细节丢失，并对后续的研究与应用造成严重影响，因此，要想自动车辆识别轨迹在智能交通系统的建设中充分发挥其优势与作用，必须对稀疏的自动车辆识别轨迹进行重构。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于注意力机制的车辆轨迹时空重构方法及系统，从而准确地重构车辆的时空轨迹。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种基于注意力机制的车辆轨迹时空重构方法，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。
[0008]进一步，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
,as
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；
[0009]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(与空间向量S同等维度)，S
t
的计算方法如下所示：
[0010]S
t
＝(at
B
‑
at
A
)
×
S
[0011]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：
[0012][0013]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：
[0014]C＝Concat(S,S
t
,S
c
)。
[0015]进一步，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：
[0016]S21、历史轨迹聚合：
[0017]通过将轨迹中的时空位置按照时间片分开，然后取每个时间片内的最大概率的位置作为聚合后的轨迹在该时间片上的位置。本专利技术的方法与之类似，不同点在于本专利技术将路径内的空间位置按照空间片切分而不是按照时间片切分，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：
[0018][0019]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；
[0020]S22、同周期的历史轨迹聚合：
[0021]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本文档来自技高网...

【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
＝{...

【专利技术属性】
技术研发人员：郑林江，陈鑫，刘卫宁，
申请(专利权)人：重庆大学，
类型：发明
国别省市：