[发明专利]一种用于稀疏轨迹的BiLSTM-CRF路径推断方法

说明书

本发明给出了一种用于稀疏轨迹的双向长短时记忆‑条件随机场模型(BiLSTM‑CRF)的路径推断方法，(1)建立路网，得到训练集；(2)然后计算单个轨迹点的低级特征并将低级特征输入至BiLSTM中，得到各点的隐层状态；(3)将隐层状态和权重矩阵相乘，得到状态特征，计算轨迹点间的转移特征A；通过维特比算法求解出最优推断匹配点集合(4)进行后向传播更新参数(5)重复迭代更新参数并预测推断路径。本发明使用BiLSTM和CRF，能够通过BiLSTM自动获取较为高级的特征并且动态自适应调整相关权重，还可以兼顾当前轨迹点的前后轨迹信息。避免了采用传统方法的规则覆盖不全、权重选取困难的缺点。

技术领域

本发明属于导航和智能交通领域，具体涉及一种用于稀疏轨迹的BiLSTM-CRF路径推断方法。

背景技术

随着智慧城市与智慧交通的提出，轨迹数据的重要性益发重要。得益于GPS移动设备的逐步普及，可以获取到大量的GPS轨迹数据。但由于GPS设备本身的局限性以及城市交通环境的影响，通常会存在GPS定位误差。如果直接使用这些未经处理的GPS轨迹数据，会造成较大误差。因此，在处理这些数据前通常会将其与高精密城市路网相匹配，而高效准确地匹配也成为了一项极具现实意义的工作。

直观地看，将GPS轨迹点匹配至路网最简单的方法就是将轨迹点匹配到最近的路段。但事实上会存在诸多因素影响匹配准确率。首先，GPS数据的采样率对匹配准确率有非常大的影响。当处理采样率为每分钟或甚至更长时间的低采样率GPS数据时，位置的不确定性随着采样率的降低而增加。这种不确定性使得正确匹配低采样率轨迹这项工作十分具有挑战性。第二个因素是道路网络的复杂性，这样会更容易产生模糊的匹配而影响匹配结果。

基于条件随机场的低采样率数据的地图匹配算法采用了预设的路网标准差，但是这并非固定值，在不同的环境下可能会略有不同。因此能够自适应地改变参数成为一个难点。此外，挑选出合适的特征对该方法的匹配效果影响较大，而找到合适的人工特征往往需要大量的工作。本发明引入循环神经网络，能够自适应地调整参数与选取隐藏特征。

发明内容

(一)要解决的技术问题

为了解决现有地图匹配方法存在的问题，本发明给出了一种用于稀疏轨迹的BiLSTM-CRF路径推断方法。

(二)技术方案

本发明包含以下步骤：

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；