[发明专利]一种用于稀疏轨迹的BiLSTM-CRF路径推断方法

权利要求书

1.一种用于稀疏轨迹的BiLSTM-CRF路径推断方法，其特征在于，包括以下步骤：

(1)构建路网，获取路网中的拓扑关系信息；标定轨迹点对应匹配路段和匹配点数据，得到训练集T_trn；

(2)初始化模型参数集{θ}；计算轨迹点到路网中各路段的低级特征P_sti，选择低级特征P_sti最小的q条路段作为候选路段；依时间顺序输入相邻轨迹点对应的候选路段的低级特征集合P_s至BiLSTM层，获取BiLSTM隐层状态h；

其中，{θ}表示训练参数，包括低级特征P_sti中d_t和a_t的权重，此外步骤(3)中d_i,j和θ_i,j的权重和注意力矩阵W也是训练参数；q值根据维度和候选点选取要求，其值最小等于轨迹点对应的候选点个数中的最小值，最大等于轨迹点对应的候选点个数中的最大值；低级特征P_sti为轨迹点到该轨迹点对应候选路段的垂直距离d_t与轨迹点对应车辆的方位角和对应候选匹配路段方位角差值a_t的加权平均值；BiLSTM代表双向循环神经网络；

(3)构建CRF，将步骤(2)所得的隐层状态h与注意力矩阵W对应位置元素相乘，得到状态特征S；计算轨迹点间的转移特征A；通过维特比算法求解出最优匹配点集合，得到最优推断路径y；

其中，CRF代表条件随机场；W的维数与h一致；转移特征A为相邻轨迹点连线与对应的匹配点的连线的方位角之差θ_i,j以及相邻轨迹点对应的匹配点在路网上的最短路径的长度d_i,j的加权平均值；

(4)根据步骤(1)得到的训练集T_trn中的匹配点集所构成的路径与步骤(3)中求得的最优推断路径y求得误差值，并通过后向传播算法更新模型参数集{θ}，其中包括CRF的后向传播以及BiLSTM的后向传播；

(5)重复步骤(2)到步骤(4)，直到模型训练完成，将需要预测的轨迹点输入至训练完成的模型进行预测，得到预测路径。