一种行驶目的地预测方法和系统技术方案

本发明专利技术公开了一种驶目的地预测方法和系统，该方法包括：获取开放平台的营运车辆

【技术实现步骤摘要】
一种行驶目的地预测方法和系统


[0001]本专利技术涉及大数据交通驾驶领域，特别是一种行驶目的地预测方法和系统
。

技术介绍

[0002]汽车的出现在近百年里极大的改变了人们的出行方式，随着人们拥有的车辆数量急剧增加，城市交通网络日益复杂，极大地影响了人们的出行体验
。
目前，多款网约车软件
、
导航类软件都提供了智能路径规划功能，帮助用户找到能更快到达目的地的线路
。
但是这些应用都依赖于用户输入目的地，对于目的地预测功能尚存在许多问题
。
预测用户的目的地能够显著地提升用户出行体验
。
例如，在用户去往目的地的途中寻找加油站
/
充电站；在用户到达目的地前规划附近的停车位置；向用户建议可能的兴趣目的地等
。
[0003]在现有的目的地预测技术中，轨迹的位置信息往往过于稀疏，根据对轨迹进行离散化的策略，传统的方法是采用道路网格匹配的方法，将车辆轨迹与道路信息紧密结合，将车辆的出发地
、
目的地和行车轨迹抽象为图网络，通过建立有向图的方式可以得到其拓扑结构，使用最短路径问题的思路寻找下一个可能的节点
。
使用的路径规划算法包括非启发式方法，例如动态
dijkstra
算法
、
基于队列的
dijkstra
算法等；还包括启发式算法，例如
A*
算法
、
遗传算法等
。
虽然近些年来图神经网络技术也取得了显著进步，提高了车辆目标的识别和分类
。
但对于车辆目的地预测问题，使用图网络来映射道路信息仍存在结点难以确定
、
数据太稀少等诸多问题
。

技术实现思路

[0004]本专利技术针对上述现有技术存在的问题，提供了一种行驶目的地预测方法和系统，解决了在行驶目的地预测场景下传统图神经网络技术方案中数据稀疏，结点难以确定等问题，具有良好的可迁移能力和灵活性，大幅提升了预测性能
。
[0005]本专利技术公开了一种行驶目的地预测方法，包括：
[0006]步骤
1.1
：获取开放平台的营运车辆
GPS
数据并清洗；
[0007]步骤
1.2
：对营运车辆
GPS
数据进行预处理，该预处理至少包括地理位置编码，以产生对应的位置信息字符串；
[0008]步骤
1.3
：将预处理后的数据输入序列生成算法进行模型训练得到序列生成模型；在所述的序列生成算法为长短时记忆网络的情况下，编码器将任意长度的位置信息字符串输入到一个向量
c
里，解码器得到向量
c
之后将信息解码，并输出为序列；
[0009]步骤
1.4
：将预处理后的数据输入序列分类算法进行模型训练得到序列分类模型；在所述序列分类算法为
Test
‑
CNN
的情况下，
Embeddinglayer
将每一个词表征为一个向量；每一个
GeoHash
标记视为一个词，需要将
GeoHash
序列中的每一个位置标记转换成向量的形式；随后进入卷积层，输入一个包含
s
个标记的序列，设定每个标记的
Embedding
向量为
d
维，则输入为
s
×
d
，将该输入视为一幅图像，卷积提取相邻标记的特征，采用一维卷积，卷积核的宽度为词向量的维度
d
，则卷积核大小为
w
×
d
；随后将数据传入池化层进一步提取特征并
压缩矩阵大小；序列分类模型末端连接全连接层和
Softmax
层输出最终分类；
[0010]步骤2：获取行驶过程中的车辆行驶
GPS
数据；
[0011]步骤3：对车辆行驶
GPS
数据进行预处理，该预处理至少包括地理位置编码，以产生对应的位置信息字符串；
[0012]步骤4：将步骤3预处理后的数据输入序列生成模型和序列分类模型，分别输出旅途间预测结果和终点预测结果；
[0013]步骤5：通过结果输出模块展示旅途间预测结果和终点预测结果
。
[0014]进一步地，所述的步骤
1.1
中，所述的营运车辆
GPS
数据包括车牌号
、
地图经度
、
地图纬度
、GPS
时间
、GPS
速度
、
海拔高度
。
[0015]进一步地，所述的步骤
1.2
中，所述的地理位置编码的方法为
GeoHash
方法
。
[0016]进一步地，所述的步骤
1.3
中，所述的序列生成算法为长短时记忆网络或循环神经网络或
Transformer。
[0017]进一步地，所述的步骤
1.3
中，向量
c
采用编码器输入的序列信息中最后一个神经元的隐藏状态
h
N
表示；
[0018]或者，向量
c
采用编码器输入的序列信息中最后一个神经元的隐藏状态上进行某种变换
q
而得到，即表示为
c
＝
q(h
N
)
；
[0019]或者，向量
c
采用编码器输入的序列信息中所有神经元的隐藏状态
h1，
h2，
…
，
h
N
通过某种变换
q
得到，即表示为
c
＝
q(h1，
h2，
…
，
h
N
)。
[0020]一般地，所述的某种变换
q
指任意自定义函数
。
优选地，所述某种变换
q
为非线性变换，如
tan
函数
。
[0021]进一步地，所述的步骤2中，车辆行驶数据包括车牌号
、
地图经度
、
地图纬度
、GPS
时间
、GPS
速度
、
海拔高度
。
[0022]进一步地，所述的步骤3中，所述的地理位置编码的方法为
GeoHash
方法
。
[0023]进一步地，所述的步骤3中，将车辆行驶数据进行预处理，包括清除完全重复记录
、
清除无效噪声数据，行程分段
、
地理位置编码
。
[0024]本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种行驶目的地预测方法，其特征在于，包括：步骤
1.1
：获取开放平台的营运车辆
GPS
数据并清洗；步骤
1.2
：对营运车辆
GPS
数据进行预处理，该预处理至少包括地理位置编码，以产生对应的位置信息字符串；步骤
1.3
：将预处理后的数据输入序列生成算法进行模型训练得到序列生成模型；在所述的序列生成算法为长短时记忆网络的情况下，编码器将任意长度的位置信息字符串输入到一个向量
c
里，解码器得到向量
c
之后将信息解码，并输出为序列；步骤
1.4
：将预处理后的数据输入序列分类算法进行模型训练得到序列分类模型；在所述序列分类算法为
Test
‑
CNN
的情况下，
Embeddinglayer
将每一个词表征为一个向量；每一个
GeoHash
标记视为一个词，需要将
GeoHash
序列中的每一个位置标记转换成向量的形式；随后进入卷积层，输入一个包含
s
个标记的序列，设定每个标记的
Embedding
向量为
d
维，则输入为
s
×
d
，将该输入视为一幅图像，卷积提取相邻标记的特征，采用一维卷积，卷积核的宽度为词向量的维度
d
，则卷积核大小为
w
×
d
；随后将数据传入池化层进一步提取特征并压缩矩阵大小；序列分类模型末端连接全连接层和
Softmax
层输出最终分类；步骤2：获取行驶过程中的车辆行驶
GPS
数据；步骤3：对车辆行驶
GPS
数据进行预处理，该预处理至少包括地理位置编码，以产生对应的位置信息字符串；步骤4：将步骤3预处理后的数据输入序列生成模型和序列分类模型，分别输出旅途间预测结果和终点预测结果；步骤5：通过结果输出模块展示旅途间预测结果和终点预测结果
。2.
根据权利要求1所述的行驶目的地预测方法，其特征在于，所述的步骤
1.1
中，所述的营运车辆
GPS
数据包括车牌号
、
地图经度
、
地图纬度
、GPS
时间
、GPS
速度
、
海拔高度
。3.
根据权利要求1所述的行驶目的地预测方法，其特征在于，所述的步骤
1.2
中，所述的地理位置编码的方法为
GeoHash
方法
。4.
根据权利要求1所述的行驶目的地预测方法，其特征在于，所述的步骤...

【专利技术属性】
技术研发人员：贾瑞祺，郭文明，刘嘉成，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：