[发明专利]一种出行未来轨迹预测方法、装置、储存介质及电子设备

权利要求书

1.一种出行未来轨迹预测方法，其特征在于，包括：

将出行原始夜晚轨迹数据输入模型中，所述模型为Fuzzy-LSTM模型，所述Fuzzy-LSTM模型的激活函数为softmax函数，在softmax函数基础之上，将模糊集合Cseq_t加入计算，来解决模型训练时间过长的问题，所述出行原始夜晚轨迹数据储存于MongoDB集群，并利用MapReduce模型将所述出行原始夜晚轨迹数据进行分布式集群处理；

从所述模型中获取出行未来轨迹预测结果，所述模型是通过出行周期性训练数据集和出行邻近性训练数据集训练得出的，所述周期性训练数据集和所述邻近性训练数据集是基于模糊集合理论，将所述原始轨迹数据模糊处理后提取的轨迹片段集合，所述周期性训练数据集和所述邻近性训练数据集生成步骤包括：将所述原始轨迹数据的地理空间网格化，得到出行格网化数据集；根据所述原始轨迹数据的单个出行轨迹点与所述网格化数据集的隶属关系，利用归一化方法将所述原始轨迹数据模糊化，得到模糊空间轨迹数据集；利用滑动窗数据构建方法提取所述模糊空间轨迹数据集的轨迹片段，并对所述轨迹片段进行特征标识，形成周期性训练数据集与邻近性数据集。

2.根据权利要求1所述的方法，其特征在于，所述将所述原始轨迹数据的地理空间网格化，得到出行格网化数据集包括：

利用固定格网将所述原始轨迹数据的地理空间分成不同空间区域；

将所述原始轨迹数据中轨迹的坐标点映射到所述空间区域中，得到出行格网化数据集。

3.根据权利要求1所述的方法，其特征在于，所述根据所述原始轨迹数据的单个出行轨迹点与所述网格化数据集的隶属关系，将所述原始轨迹数据模糊化，得到模糊空间轨迹数据集包括：

将网格化的地理空间划分为明确空间和模糊空间；

当所述出行轨迹点落入所述明确空间时，该轨迹点完全隶属于其所在格网；而当所述轨迹点落入模糊空间时，该轨迹点隶属于距离其最近四个格网，进而将所述原始轨迹数据构建成模糊空间轨迹数据集。

4.一种出行未来轨迹预测装置，其特征在于，包括：

识别模块，用于将出行原始夜晚轨迹数据输入模型中，所述模型为Fuzzy-LSTM模型，所述Fuzzy-LSTM模型的激活函数为softmax函数，在softmax函数基础之上，将模糊集合Cseq_t加入计算，来解决模型训练时间过长的问题，所述出行原始夜晚轨迹数据储存于MongoDB集群，并利用MapReduce模型将所述出行原始夜晚轨迹数据进行分布式集群处理；

预测模块，用于从所述模型中获取出行未来轨迹预测结果，所述模型是通过出行周期性训练数据集和出行邻近性训练数据集训练得出的，所述周期性训练数据集和所述邻近性训练数据集是基于模糊集合理论，将所述原始轨迹数据模糊处理后提取的轨迹片段集合，所述预测模块包括：网格化模块，用于将所述原始轨迹数据的地理空间网格化，得到出行格网化数据集；模糊化模块，用于根据所述原始轨迹数据的单个出行轨迹点与所述网格化数据集的隶属关系，利用归一化方法将所述原始轨迹数据模糊化，得到模糊空间轨迹数据集；轨迹片段提取模块，用于利用滑动窗数据构建方法提取所述模糊空间轨迹数据集的轨迹片段，并对所述轨迹片段进行特征标识，形成周期性训练数据集与邻近性数据集。

5.根据权利要求4所述的装置，其特征在于，网格化模块包括：

区域划分模块，用于利用固定格网将所述原始轨迹数据的地理空间分成不同空间区域；

坐标映射模块，用于将所述原始轨迹数据中轨迹的坐标点映射到所述空间区域中，得到出行格网化数据集。

6.根据权利要求4所述的装置，其特征在于，所述模糊化模块包括：

空间划分模块，用于将网格化的地理空间划分为明确空间和模糊空间；

隶属关系模块，用于当所述出行轨迹点落入所述明确空间时，该轨迹点完全隶属于其所在格网；而当所述轨迹点落入模糊空间时，该轨迹点隶属于距离其最近四个格网，进而将所述原始轨迹数据构建成模糊空间轨迹数据集。