一种两阶段生成的细粒度车辆轨迹生成方法技术

一种两阶段生成的细粒度车辆轨迹生成方法，包括：步骤

【技术实现步骤摘要】
一种两阶段生成的细粒度车辆轨迹生成方法


[0001]本专利技术涉及轨迹生成技术，尤其涉及一种两阶段生成的细粒度轨迹生成方法，旨在实现对车辆行为的精细化建模
。

技术介绍

[0002]随着车辆智能化和自动化的发展，城市交通分析愈加依赖于车辆轨迹
。
车辆轨迹数据不仅能够追踪车的转移信息，而且可以通过车的起始和目的地获得可能的拥堵路段信息，这对于交通流量的预测
、
出租车辆的调度等方面都有着重要的帮助
。
然而，车辆轨迹的获取还面临着许多问题
。
[0003]首先，真实数据获取的局限性是一个问题
。
如何获取大量真实有效的数据成为研究人员面临的第一个问题
。
在获取车辆轨迹数据时，由于
GPS
涉及到用户的隐私问题，难以获取和公开使用
。
因此，寻找一种可靠的数据获取方法是非常必要的
。
[0004]其次，现有的轨迹生成技术还不够成熟
。
传统的轨迹生成技术主要是基于统计和规则的方法，这种方法无法对个体行为进行精细化建模
。
近年来，随着深度学习技术的发展，基于深度学习的轨迹生成技术逐渐成为研究热点
。
但是，现有的基于深度学习的轨迹生成技术主要集中在整体行为模式的建模上，对个体行为的建模仍然存在一定的局限性
。

技术实现思路

[0005]本专利技术要克服现有技术的上述缺点，提供一种两阶段生成的细粒度轨迹生成技术
。
其目的在于能够同时考虑整体转移模式和个体驾驶行为，实现对车辆行为的更加精细化建模，从而提高轨迹生成的准确性和可靠性
。
[0006]本专利技术的一种两阶段生成的细粒度轨迹生成方法能够同时考虑整体转移模式和个体驾驶行为，并实现对个体行为的更加精细化建模，从而提高轨迹生成的准确性和可靠性
。
通过使用本专利技术的技术，可以更好地获取车辆轨迹数据，并将其应用于交通流量预测
、
出租车辆调度等方面，为城市交通优化提供重要的支持
。
[0007]本专利技术解决技术问题所采用的一种两阶段生成的细粒度轨迹生成方法，包括如下步骤：
[0008](1)
生成
Geohash
下的区域转移轨迹：首先对车辆轨迹进行
Geohash
，找到车辆
GPS
坐标对应的
Geohash
编码，从而原始数据中得到在
Geohash
这种粗粒度下车辆的转移轨迹
。
之后，使用
GAN
模型学习不同区域之间的转移规律，从而生成
Geohash
间转移的连续的轨迹；
[0009](2)
生成基于驾驶意图的细粒度轨迹：根据生成的
Geohash
区域确定区域内的转移轨迹，预测的粒度为道路之间的转移轨迹，包括以下步骤：
[0010](21)
对转移轨迹的起始位置和终止位置进行确定；
[0011](22)
预测道路节点间的路径
。
[0012]作为本专利技术的一种优选技术方案，步骤
(1)
所述的对车辆轨迹进行
Geohash
，找到车辆
GPS
坐标对应的
Geohash
编码，从而原始数据中得到在
Geohash
这种粗粒度下车辆的转
移轨迹，其中的编码过程如下：
[0013](a)GeoHash
码从一个0‑1字符串开始计算，从第一个
bit
开始
。
[0014](b)
对纬度进行折半细分，将当前范围均分为左右两份
。
如果坐标纬度在左区间，则该位为0，在右区间则该位为
1。
[0015](c)
将所在的区间范围置为
(b)
中落到的区间中，重复二分的步骤得到下一
bit
位
。
[0016](d)
对经度也进行相同的操作，但是经度的范围是
[
‑
180,180]。
[0017](e)
重复以上步骤，直到达到所需的精度，得到最终的
GeoHash
码
。
[0018]通过
Geohash
的方法，车辆每次上报的
GPS
坐标映射为一个
Geohash
码，从而原始的车辆经纬度序列转换成
Geohash
这种粗粒度下车辆的转移轨迹
。
[0019]作为本专利技术的一种优选技术方案，步骤
(1)
所述的使用
GAN
模型学习不同区域之间的转移规律，从而生成
Geohash
间转移的连续的轨迹，具体包括：
GAN
由生成器和判别器两部分组成，判别器是一个二分类器，它接受一个离散序列作为输入，并输出一个概率表示输入序列是真实数据还是生成器生成的数据，生成器和判别器均采用
Transformer
结构，相比
LSTM
，
Transformer
长序列的特征获取上具有明显优势，更有利于捕获长序列的转移轨迹特征；具体的训练方法如下：
[0020](a)
对判别器进行预训练：随机选取一些
Geohash
编码连成一个序列作为负样本，真实的
Geohash
序列作为正样本，对判别器进行预训练
。
[0021](b)
优化目标函数为
[0022][0023]其中，
G
θ
是以
θ
为模型参数对生成器，
D
φ
是以
φ
为模型参数的判别器，
x
是样本数据，
p
d
表示真实数据的分布
。
[0024](c)
生成器的数据处理：将
Geohash
编码映射为1～
N
之间的数，其中
N
为总共的
Geohash
编码的数量，每一个
Geohash
编码对应一个数
。
对于生成长度为
T
的序列，生成器分为
T
步生成，每次生成即为
N
分类的模型，即在
N
个
Geohash
编码中选择一个编码
。
通过
T
步生成，则能生成长度为
T
的连续序列
。
[0025](d)
对抗训练：使用真实数据和生成数据进行对抗训练
。
在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种两阶段生成的细粒度车辆轨迹生成方法，其特征在于，包括以下步骤：
(1)
生成
Geohash
下的区域转移轨迹：首先对车辆轨迹进行
Geohash
，找到车辆
GPS
坐标对应的
Geohash
编码，从而原始数据中得到在
Geohash
这种粗粒度下车辆的转移轨迹
。
之后，使用
GAN
模型学习不同区域之间的转移规律，从而生成
Geohash
间转移的连续的轨迹
。(2)
生成基于驾驶意图的细粒度轨迹：根据生成的
Geohash
区域确定区域内的转移轨迹，预测的粒度为道路之间的转移轨迹，包括以下步骤：
(21)
对转移轨迹的起始
/
终止位置进行确定；
(22)
预测道路节点间的路径
。2.
根据权利要求1所述的一种两阶段生成的细粒度车辆轨迹生成方法，其特征在于，步骤
(1)
所述的对车辆轨迹进行
Geohash
，找到车辆
GPS
坐标对应的
Geohash
编码，从而原始数据中得到在
Geohash
这种粗粒度下车辆的转移轨迹，其中的编码过程如下：
(a)GeoHash
码从一个0‑1字符串开始计算，从第一个
bit
开始
。(b)
对纬度进行折半细分，将当前范围均分为左右两份
。
如果坐标纬度在左区间，则该位为0，在右区间则该位为
1。(c)
将所在的区间范围置为
(b)
中落到的区间中，重复二分的步骤得到下一
bit
位
。(d)
对经度也进行相同的操作，但是经度的范围是
[
‑
180,180]。(e)
重复以上步骤，直到达到所需的精度，得到最终的
GeoHash
码
。
通过
Geohash
的方法，车辆每次上报的
GPS
坐标映射为一个
Geohash
码，从而原始的车辆经纬度序列转换成
Geohash
这种粗粒度下车辆的转移轨迹
。3.
根据权利要求1所述的一种两阶段生成的细粒度车辆轨迹生成方法，其特征在于，步骤
(1)
所述的使用
GAN
模型学习不同区域之间的转移规律，从而生成
Geohash
间转移的连续的轨迹，具体包括：
GAN
由生成器和判别器两部分组成，判别器是一个二分类器，它接受一个离散序列作为输入，并输出一个概率表示输入序列是真实数据还是生成器生成的数据，生成器和判别器均采用
Transformer
结构，相比
LSTM
，
Transformer
长序列的特征获取上具有明显优势，更有利于捕获长序列的转移轨迹特征；具体的训练方法如下：
(a)
对判别器进行预训练：随机选...

【专利技术属性】
技术研发人员：谢谨蔓，高杨，冯尊磊，庄永真，罗进开，宋明黎，
申请(专利权)人：浙江大学，
类型：发明
国别省市：