【技术实现步骤摘要】
本专利技术涉及大数据分析，特别是一种基于大数据分析的出租车轨迹数据分析方法。
技术介绍
1、在当前城市交通管理和出租车行业的背景下，有效分析和预测出租车轨迹数据成为了一个重要且挑战性的任务。出租车作为城市交通系统的重要组成部分，其运行数据蕴含着丰富的城市动态信息，如交通流量分布、拥堵状况和出行需求等。然而，由于城市环境的复杂性以及出租车运行轨迹数据的高维度和大规模特性，传统的数据分析方法难以有效处理这些数据，更无法根据这些轨迹数据很好的预测出租车的目的地，从而影响出租车调度效率和城市交通规划的优化。
技术实现思路
1、鉴于上述现有技术中存在的问题，提出了本专利技术。
2、因此，本专利技术所要解决的问题在于如何提供一种基于大数据分析的出租车轨迹数据分析方法。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种基于大数据分析的出租车轨迹数据分析方法，其包括：收集出租车的轨迹数据，并将轨迹点映射到二维平面上，形成轨迹图像；应用改进的卷积网络处理轨迹图像，提取轨迹的空间特征，并基于lstm网络提取轨迹的时间特征；融合所述空间特征和所述时间特征，并建立目的地预测模型；对训练完成的目的地预测模型进行评估和优化，并基于优化后的目的地预测模型对出租车的目的地进行预测；
4、将轨迹点映射到二维平面上形成轨迹图像包括如下步骤，将所有轨迹点的经纬度坐标转换为统一的坐标系统并进行标准化处理；将城市划分为等大小的网格单元；对于每个轨迹点，根据其经纬度坐标确定其所属的
5、
6、式中，i(x,y)是轨迹图像上点(x,y)的像素值，ti是第i个轨迹点，cell(x,y)表示点(x,y)所在的网格单元，δ是指示函数，当轨迹点ti在单元cell(x,y)内时取值为1，否则为0，n是轨迹点的总数；
7、对所有网格单元的像素值进行归一化处理，使得像素值分布在预定的范围内；根据每个网格单元的像素值，生成轨迹图像；
8、所述提取轨迹的空间特征包括如下步骤，
9、配置多个卷积层，每层使用不同大小的卷积核来提取图像的不同尺度特征；
10、对于每个卷积层，应用卷积操作以提取图像特征，卷积操作的公式为，
11、
12、式中，是第l层的特征图在位置(i,j)的特征值，是第l层卷积核的权重，是第l-1层特征图在位置(i+m,j+n)的值，σ表示激活函数，是偏置项，a和b分别代表卷积核在垂直方向和水平方向的半径范围；
13、对于卷积层的输出的图像特征，进行全局平均池化和全局最大池化操作，分别得到全局平均池化特征图和最大池化特征图；
14、将全局平均池化特征图和最大池化特征图通过一个1×1卷积层进行处理，然后应用sigmoid激活函数生成注意力图，表示为，
15、
16、式中，a(x,y)是生成的注意力图，σ表示sigmoid激活函数，wa和ba分别是卷积层的权重和偏置项，gap(i)是全局平均池化特征图，gmp(i)是最大池化特征图；
17、将注意力图与原始的卷积层输出特征图进行逐元素乘法操作表示为，
18、
19、式中，fatt(x,y)是加权后的特征图，f(x,y)是原始的卷积层输出特征图；
20、将加权后的特征图转换为固定长度的特征向量，形成轨迹的空间特征。
21、作为本专利技术所述基于大数据分析的出租车轨迹数据分析方法的一种优选方案，其中：所述基于lstm网络提取轨迹的时间特征包括如下步骤，从所述轨迹数据中提取关键的时间信息；将提取的时间信息转换为数值形式的时间序列向量；将编码后的时间序列向量输入到lstm网络中，形成时间特征。
22、作为本专利技术所述基于大数据分析的出租车轨迹数据分析方法的一种优选方案，其中：通过如下公式融合所述空间特征和所述时间特征，
23、
24、式中，vf表示融合后的特征向量，fcnn是提取的空间特征，flstm是提取的时间特征，ws和wt分别是空间特征和时间特征的权重矩阵，用于调整两种特征在融合过程中的贡献程度，α是正则化参数。
25、作为本专利技术所述基于大数据分析的出租车轨迹数据分析方法的一种优选方案，其中：建立目的地预测模型包括如下步骤，使用深度神经网络对融合后的特征向量进行处理；构建多层全连接网络作为预测模型，以融合特征向量vf作为输入；最终输出层使用线性激活函数，以预测目的地的经纬度坐标。
26、作为本专利技术所述基于大数据分析的出租车轨迹数据分析方法的一种优选方案，其中：所述目的地预测模型表示为，
27、
28、式中，p表示预测的目的地坐标，vf是融合后的特征向量，β1、β2、……、βn是各层全连接网络的权重矩阵，γ1、γ2、…、γn是各层全连接网络的偏置项，tanh是双曲正切激活函数，σ表示激活函数。
29、作为本专利技术所述基于大数据分析的出租车轨迹数据分析方法的一种优选方案，其中：所述对训练完成的目的地预测模型进行评估和优化包括如下步骤，计算目的地预测模型预测的目的地与实际目的地匹配的准确率；并基于均方根误差衡量目的地预测模型预测的目的地坐标与实际坐标之间的偏差；基于评估结果调整cnn和lstm的参数。
30、作为本专利技术所述基于大数据分析的出租车轨迹数据分析方法的一种优选方案，其中：所述轨迹数据包括轨迹点的时间戳、经纬度，以及乘客上下车状态。
31、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述无人驾驶车辆车路协同应用场景测试方法的步骤。
32、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述无人驾驶车辆车路协同应用场景测试方法的步骤。
33、本专利技术有益效果为：通过准确预测出租车的目的地，本方案能够帮助出租车公司和司机更有效地进行车辆调度，降低空驶率，利用出租车轨迹数据分析出的拥堵模式可以为城市交通管理部门提供重要参考，有助于实时调整交通信号灯、规划绕行路线，以及在需要时调整交通管制措施，从而有效缓解交通拥堵。
本文档来自技高网...【技术保护点】
1.一种基于大数据分析的出租车轨迹数据分析方法，其特征在于：包括：
2.如权利要求1所述的基于大数据分析的出租车轨迹数据分析方法，其特征在于：所述基于LSTM网络提取轨迹的时间特征包括如下步骤，
3.如权利要求2所述的基于大数据分析的出租车轨迹数据分析方法，其特征在于：通过如下公式融合所述空间特征和所述时间特征，
4.如权利要求3所述的基于大数据分析的出租车轨迹数据分析方法，其特征在于：建立目的地预测模型包括如下步骤，
5.如权利要求4所述的基于大数据分析的出租车轨迹数据分析方法，其特征在于：所述目的地预测模型表示为，
6.如权利要求5所述的基于大数据分析的出租车轨迹数据分析方法，其特征在于：所述对训练完成的目的地预测模型进行评估和优化包括如下步骤，
7.如权利要求6所述的基于大数据分析的出租车轨迹数据分析方法，其特征在于：所述轨迹数据包括轨迹点的时间戳、经纬度，以及乘客上下车状态。
【技术特征摘要】
1.一种基于大数据分析的出租车轨迹数据分析方法，其特征在于：包括：
2.如权利要求1所述的基于大数据分析的出租车轨迹数据分析方法，其特征在于：所述基于lstm网络提取轨迹的时间特征包括如下步骤，
3.如权利要求2所述的基于大数据分析的出租车轨迹数据分析方法，其特征在于：通过如下公式融合所述空间特征和所述时间特征，
4.如权利要求3所述的基于大数据分析的出租车轨迹数据分析方法，其特征在于：建立目的...
【专利技术属性】
技术研发人员：邬洋，张琳，韩超，刘嘉靖，戴金洲，吕庆斌，陈孟达，郭子君，钟颖，许鹏，王雪，刘晨鹤，
申请(专利权)人：北京市计量检测科学研究院，
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。