[发明专利]一种基于车联网的车辆轨迹预测方法

说明书

技术领域

本发明属于轨迹预测领域,特别是车辆轨迹的预测。

背景技术

全球定位系统GPS接收设备的定位准确度和隐蔽性能逐渐提高，设备的成本和体积也大幅度下降，使得GPS在车辆监控调度、车辆管理等方面得到了广泛的应用，常用于记录车辆在某时刻的详细位置信息。

车辆节点的规律性移动是车载网络的首要特性，对车辆移动性的研究也逐渐得到了人们的重视并取得了一定的研究成果。对于车辆移动性的研究主要涉及到以下三个方面：

轨迹数据的挖掘和处理：目前多个国内外科研机构和院校都开展了获取移动用户轨迹数据的科研项目，如ETH研制的多媒体传送系统(MultiMediaTransportSystem,MMTS)、MIT的数据挖掘系统RealityMining等。英国的Cross等提出了一种记录车辆轨迹的运动模型，将监测区域分成较小的矩形区域，分析各个区域内节点的分布情况以及不同时间点各节点的状态转移概率建立模型，用以描述车辆节点的真实运动情况。Kim等人则采用一种粗粒度的轨迹跟踪方法获取车辆轨迹的移动特征，他们发现车辆节点的移动速度和停顿时间均服从正态分布，且移动方向非均匀分布，而是沿着道路的走向，还通过节点的位置和时间的关系识别出了车辆停留的热点区域。

车辆移动模型的建立：在车联网这类移动自组织网络中，节点的移动模型用于描述节点的位置、移动速度、方向等运动方式，是研究自组织网络服务和应用的基础。早期的移动模型主要是一些相对简单的随机运动模型，如随机移动模型RW(RandomWaypointMobilityMode)、指数相关随机移动模型ECR(ExponentialCorrelatedRadomMobilityModel)、随机方向移动模型RD(RadomDirectionMobilityModel)等，但因车辆并非随机移动，无法真实的描述车辆的运动过程。随后，Hsu等对传统的RW模型进行改进，引入了道路长度、车辆间距等信息，并对车辆移动的多个目的地加以权重来表示用户的偏好。Qunwei等人基于美国交通部的调研数据，加入了用户的工作时间、车流密度、社会活动等信息，建立了日程模型(Agenda-basedMobilityModle)。

车辆移动的预测：在研究车辆移动特性基础上，国内外开展了对于车辆移动预测的相关研究并取得了一定的成果。UniversityofReading研究并设计了一种车辆交通监控系统VIEWS，对行人和车辆的交互进行跟踪和识别，在有遮挡情况下也能实现对移动车辆的识别、跟踪以及轨迹估算。Hevner等提出了一种更新移动用户位置的方法，可以预测移动车辆下一时刻可能会到达的位置。在我国，北大、清华、电子科大等机构也开展了相关的研究工作。

发明内容

本发明设计了一种车辆轨迹预测方法，能够准确地对车辆移动的规律性进行分析，对车辆未来时刻可能到达的目的地以及连续的移动轨迹做出准确的预测。

本发明通过利用车辆GPS设备采集的轨迹记录构建历史轨迹数据库，根据用户当前已知的状态信息在历史轨迹数据库中进行对比检索，而后求出其可能出现的所有状态的概率，其中概率最大的状态就是预测的下一状态，即为预测位置。再将预测到的位置作为当前的状态带入轨迹数据库中迭代计算，最终得到车辆未来的连续轨迹，即为所求。

因此本发明一种基于车联网的车辆轨迹预测方法,该方法方法包括：

步骤1：获取该车辆的历史轨迹记录，建立历史轨迹数据库。

该数据库中，通过地图信息提取街道数据，将被观测的街道总区域划分为N段，并编号，每个街道段长度不超过3公里；将进行观测的时间段划分为L个小段，观测记录每个时间小段时该车辆位置主要处于哪一街道段上；

步骤2：获取该车辆的当前位置信息，结合历史轨迹数据库，预测该车辆下一时刻的位置信息；

步骤2.1：当车辆该车辆出现在观测区域的s1位置(街道段)时，通过步骤1获取的历史轨迹数据库采用公式u_s1,s2/(L-1)计算该车辆当前时刻处于s1位置时下一个时刻出现在其他所有可能街道位置的概率，s2表示其他所有可能位置中的一种情况，其中u_s1,s2表示历史轨迹数据库中连续两个时刻该车辆位置分别位于s1、s2的次数；

步骤2.2：从其他所有可能位置中找出概率最大的位置，判定为下一时刻会出现在在该位置，若出现概率相同的位置遵循下列步骤选择出预测位置：

2.2.1：通过马尔科夫链状态转移矩阵判断,选出预测位置，若依然出现概率相同位置则转入步骤2.2.2；