[发明专利]一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质

权利要求书

1.一种基于私家车轨迹大数据的城市区域吸引力预测方法，其特征在于，包括以下步骤：

步骤1，获取城市大规模私家车的GPS、OBD数据，从中提取每个时段内的私家车停留点信息，并对数据进行预处理；

步骤2，基于预设计的分布拟合模型，将空间自适应地划分网格，计算每个时段内各个网格私家车停留点的空间概率密度分布，用于表征城市区域在对应时段内的吸引力；

步骤3，使用历史时段内的空间概率密度分布作为训练样本，对预搭建的神经网络模型进行训练，得到城市区域吸引力预测模型；

步骤4，获取当前时段之前若干时段内的空间概率密度分布，使用城市区域吸引力预测模型进行滚动预测，获取得到目标预测时段内私家车停留点的空间概率密度分布，即为城市区域在目标预测时段的吸引力。

2.根据权利要求1所述的方法，其特征在于，步骤1中提取的私家车停留点信息包括车辆ID、车辆启动时间、车辆停车时间、停车经纬度，每个时段内的停留点由车辆上一段轨迹的停车时间确定；对数据预处理包括将停留点进行地图匹配和数据清洗，数据清洗是指删除含有数据缺失或数据异常的停留点信息，包括停车时间少于预设时长、适时内异常移动的轨迹数据。

3.根据权利要求1所述的方法，其特征在于，所述预设计的分布拟合模型，采用高斯混合模型GMM、核密度估计KDE或者变分贝叶斯高斯混合模型VBGMM。

4.根据权利要求1所述的方法，其特征在于，所述预设计的分布拟合模型采用变分贝叶斯高斯混合模型VBGMM；

首先，使用K个高斯模型组合得到高斯混合模型，来拟合私家车停留点的空间概率密度分布：

式中，P(x,y|Ω_k)表示坐标为(x,y)的停留点PoS在第k个高斯模型N(x,y|μ_k,Σ_k)中的概率密度值，Ω_k是第k个高斯模型的平均值μ_k、协方差矩阵Σ_k、权重ω_k这三个参数的简化形式；

然后，采用对数似然函数代替最大似然函数，最大限度地提高参数集的联合概率，得到最优分布模型，故每个时段内私家车停留点的空间概率密度分布的对数似然函数表达式为：

式中，z泛指引入的潜变量z_i1,z_i2,...z_ik，z_ik表示停留点i来自第k个高斯模型的概率，若为真则z_ik＝1，否则z_ik＝0，n_k表示所有N个停留点来自第k个高斯模型的概率之和；Ω指代高斯模型的三个参数：平均值μ_k、协方差矩阵Σ_k和权重ω_k，N(x,y|μ_k,Σ_k)为第k个高斯模型，N为停留点的数量；

其中，平均值μ_k、协方差矩阵Σ_k和权重ω_k这三个参数符合假设先验：权重ω_i符合狄利克雷分布权重，均值μ_k符合高斯分布，精度矩阵Σ_k符合Wishart分布；

最后，通过变分贝叶斯期望最大化计算出平均值μ_k、协方差矩阵Σ_k和权重ω_k这三个参数的最优解。