【技术实现步骤摘要】
本专利技术属于交通大数据分析，涉及一种车辆轨迹预测方法，具体涉及一种基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法。
技术介绍
1、移动轨迹目的地预测是人类出行模式研究领域的重要分支，旨在依据一段尚未完成出行过程的移动轨迹及对应出行上下文信息，预测该次出行最有可能抵达的目的地所在位置。车辆轨迹目的地预测在公共交通轨迹数据上已有广泛研究，随着移动定位技术的发展与普及，非公共车辆个体层面的出行模式研究将成为热点，且对于个性化服务推荐、交通导航、车辆保险推荐等基于位置的服务具有重要的科学意义与应用价值。
2、现有技术中，目的预测任务主要包含特征工程与模型构建两个方面。其中，特征工程主要基于专家领域知识，从出行轨迹及相关信息中提取出行特征；而模型的构建过程指在对个体出行规律深入分析的基础上，设计概率或深度学习模型，实现对个体出行行为习惯与移动偏好的建模。
3、现有的特征工程主要关注轨迹点序列的特征提取，而忽略了出行时空语义对于个体出行意图的作用与反映，限制了预测模型对出行语境知识的感知与学习。同时，常用的概率预测模型无法捕获长距离出行轨迹数据中的长期依赖关系，而现有的深度学习预测模型忽略了驾驶状态对于出行关键时空特征探测与学习的重要作用，无法实现个体出行模式的准确表达，导致轨迹目的地预测的精度偏低。
技术实现思路
1、为了解决现有技术中的方法存在精度较低的技术问题，本专利技术提供了一种基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法。
2、本专利技
3、步骤1：采集车辆时空特征信息、地理语义信息及驾驶状态信息，获取车辆的时空特征序列、地理语义序列及驾驶状态序列；
4、步骤2：将车辆的时空特征序列、地理语义序列及驾驶状态序列拼接为输入特征序列，输入驾驶目的地预测网络，输出预测目的地。
5、作为优选，步骤1中，所述地理语义信息，包括车辆起始轨迹点信息和途经轨迹点信息；
6、所述采集车辆地理语义信息，具体实现包括以下子步骤：
7、步骤a1：选取轨迹所在区域内的兴趣点数据，并根据其名称所代表的含义属性划分为不同类别；
8、步骤a2：基于预设的尺度建立覆盖轨迹所在区域的最小外接网格；
9、步骤a3：对轨迹所在区域内的各类兴趣点数据和覆盖轨迹所在区域的最小外接网格执行空间相交操作，统计落入每个网格单元内的各类兴趣点数量；
10、步骤a4：根据步骤a3中得到的各类型兴趣点数量统计结果，划分得到若干出行主题，每种主题由各类型兴趣点的概率分布 p( poi│ topici)组成；
11、 p( poi│ topici)=< poi0， poi1，…， poin>；
12、其中， n为兴趣点poi类型的数量， topici为第 i种出行主题的表示； poii为第 i种类型的兴趣点；
13、步骤a5：根据第 j次出行活动的目的地格网中的poi数量得到其对应第 i种出行主题的可能性 mj；
14、；
15、其中， travelj为第 j次出行活动；
16、组合所有出行主题的可能性得到第 j次出行活动的地理语义向量；
17、；
18、其中， c为出行主题的个数；
19、步骤a6：基于轨迹点的经纬度计算轨迹点所在的网格单元编号，并利用地理语义格网地图匹配得到其对应的地理语义向量；
20、步骤a7：对所有起始轨迹点进行聚类得到多个不同出发区域，取同一出发区域中各起始轨迹点地理语义向量的平均值作为该出发区域的地理语义；
21、步骤a8：取地理语义向量中值最大的兴趣点类型作为途径轨迹点的地理语义，对其进行编码，表征为多维连续数值型特征向量。
22、作为优选，步骤1中，所述时空特征信息，包括车辆途经轨迹点的经度、纬度和时间戳信息；
23、所述采集车辆时空特征信息，具体实现包括以下子步骤：
24、步骤b1：通过对原始轨迹记录中起始轨迹点的时间戳进行解析，得到每一条轨迹对应的多层次出发时间信息，即起始轨迹点时间戳的归属月份、归属周数、周内日期和出发时刻；并计算轨迹起始点时间戳在归属周内的秒数、在归属日内的秒数；
25、步骤b2：采用正余弦映射函数对多层次出发时间进行循环表达，每一个归属周内的秒数和归属日内的秒数都对应一个二维的连续数值型正余弦特征向量，从秒数到正余弦特征向量的编码按照如下公式：
26、；
27、；
28、其中，为日内秒数对应的极角值，为周内秒数对应的极角值，采用正弦函数和余弦函数编码为二维的连续数值型正余弦特征向量； t表示轨迹起始点的时间戳；
29、步骤b3：添加可学习的极角增减参数和极径缩放参数，顾及不同驾驶者的出行节律，得到归属周内秒数和归属日内秒数的启发式循环编码和；
30、；
31、；
32、其中，表示日内的秒数，表示周内的秒数。
33、作为优选，步骤1中，所述驾驶状态信息，包括车辆途经轨迹的转向角、行驶速度、已行驶距离及时间消耗信息；
34、所述采集车辆驶状态信息，具体实现包括以下子步骤：
35、步骤c1：基于速度中值滤波对轨迹点序列清洗，然后采用z-score标准化，通过设置相邻轨迹点间的距离阈值实现轨迹点序列重采样；
36、步骤c2：计算第个轨迹点的转向角、行驶速度、截至当前轨迹点的已行驶距离和从起点出发的时间消耗，将轨迹点的转向角、行驶速度、已行驶距离序列及时间消耗信息执行z-score标准化；其中， l为当前轨迹点序列中轨迹点的数量。
37、作为优选，步骤2中所述驾驶目的地预测网络，包括输入模块、出行时空特征学习模块和目的地预测模块；所述输入模块本文档来自技高网...
【技术保护点】
1.一种基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法，其特征在于：步骤1中，所述地理语义信息，包括车辆起始轨迹点信息和途经轨迹点信息；
3.根据权利要求1所述的基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法，其特征在于：步骤1中，所述时空特征信息，包括车辆途经轨迹点的经度、纬度和时间戳信息；
4.根据权利要求1所述的基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法，其特征在于：步骤1中，所述驾驶状态信息，包括车辆途经轨迹的转向角、行驶速度、已行驶距离及时间消耗信息；
5.根据权利要求1所述的基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法，其特征在于，步骤2的具体实现包括以下子步骤：
6.根据权利要求1-5任一项所述的基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法，其特征在于：所述驾驶目的地预测网络，是训练好的网络，训练过程包括：
7.一种基于时空特征、地理语义及驾驶状态的车辆轨迹预测系统
...【技术特征摘要】
1.一种基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法，其特征在于：步骤1中，所述地理语义信息，包括车辆起始轨迹点信息和途经轨迹点信息；
3.根据权利要求1所述的基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法，其特征在于：步骤1中，所述时空特征信息，包括车辆途经轨迹点的经度、纬度和时间戳信息；
4.根据权利要求1所述的基于时空特征、地理语义及驾驶状态的车辆轨...
【专利技术属性】
技术研发人员：桂志鹏，孙云增，张效通，王锦添，李文翰，薛洁，吴华意，
申请(专利权)人：武汉大学，
类型：发明
国别省市：
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。