[发明专利]一种大规模移动对象的轨迹快速预测方法、介质和设备

说明书

本发明实施例提供了一种大规模移动对象的轨迹快速预测方法、介质和设备，本发明通过轨迹压缩来减缓数据量大的压力，采用柔和的奖惩措施，即匹配成功后将对应的两个相邻历史规律点的高斯概率的均值作为相似度奖励来避免奖惩措施过于尖锐，从而提高轨迹预测准确性，并且本发明在获取到与压缩后的当前轨迹相似度最高的压缩后的历史规律轨迹后，还通过插值补全法来实现在不降低轨迹预测准确性的情况下提高实时性。

技术领域

本发明涉及信息技术领域，具体来说轨迹预测技术，更具体地说，涉及一种大规模移动对象的轨迹快速预测方法、介质和设备。

背景技术

实时轨迹预测是预测目标在未来一段时间内的移动路径。对于个体而言，如果能有效预测出其未来一段时间内的移动路径，可对其进行个性化的服务推送，例如，推送提醒服务、广告等。对于群体而言，准确预测出每个目标的未来移动路径，可以为智能交通管理提供便利，例如，提供基于轨迹预测的智能化交通服务。

轨迹预测通常的实现流程是计算出目标的当前轨迹与该目标的所有历史规律轨迹的相似性，继而根据匹配到的历史规律轨迹进行未来时刻的轨迹预测。随着智慧城市概念的提出，轨迹预测成为重要的研究主题，许多工作都致力于提升轨迹预测的实时性和准确性。

轨迹相似性度量是实现轨迹预测的一个关键部分，用于计算当前轨迹与历史规律的相似度，当前常用的相似度计算算法有：

动态时间扭曲法(DTW)，其通过对当前轨迹点的复制实现对轨迹进行局部的拉伸或者缩放，从而可以对不同采样率和不同长度的轨迹进行比较；在变换域方面不设置阈值，直接计算其欧式距离；在有离群点出现时受到很强的影响；在处理不匹配点的方式上，重复使用某些点。

编辑距离方法(ERP)，其基于当前轨迹点的相似性度量，是全局匹配度量，编辑距离又称字符串的编辑距离，是指通过对字符串进行增、删、改等操作以使其中一个字符串与另一个字符串完全相同所需要的最小操作次数；该方法在变换域方面不设置阈值，直接计算其欧式距离；在有离群点出现时受到很强的影响；在处理不匹配点的方式上，不匹配的点会被用来和原点计算距离。

最长公共子序列(LCSS)主要考虑轨迹之间相似的部分作为轨迹相似性的度量；在变换域方面设置一个绝对阈值，满足阈值变成0或者1；在有离群点出现时受到小幅度的影响；在处理不匹配点的方式上，不匹配的点会被忽略。

豪斯多夫距离法(Hausdorff)，其基于轨迹段的相似性度量，将轨迹进行分段，段与段之间的距离用垂直距离、平行距离、角距离三个部分计算；在变换域方面根据两条线段计算三种距离并加权取和；其不涉及对不匹配点的处理。

上述轨迹相似性度量算法存在着两个问题：第一个问题是在计算相似度的奖惩措施方面，要么直接用两点间的绝对距离，要么直接加上0或1，这种奖惩措施太过尖锐，拉大了相似与不相似的差距，降低了轨迹预测的准确性；第二个问题是轨迹预测的实时性差，因为在具有大规模的移动对象的情况下,要进行轨迹预测的群体目标数据量大，单体目标的规律数目多，再加上相似性度量算法本身的时间复杂度均是O(n²)(其中，n表示当前轨迹点的数量总数，O(n²)表示该算法若运行完成所需花费的时长是n²)，从而导致了大规模移动对象的情形下，轨迹数据量(即n)大，而轨迹预测的步骤中必定有相似性度量，相似性度量算法的时间复杂度是O(n²)，导致轨迹预测的时长会变大，降低了轨迹预测的实时性。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种大规模移动对象的轨迹快速预测方法、介质和设备。

本发明的目的是通过以下技术方案实现的：

根据本发明的第一方面，提供一种大规模移动对象的轨迹快速预测方法，包括如下步骤：

S1、获取目标的当前轨迹和历史规律轨迹，所述当前轨迹包括多个当前轨迹点，所述历史规律轨迹包括多个历史规律点；