[发明专利]基于出行图谱的车辆目的地预测方法、装置、设备及介质

说明书

本发明公开了一种基于出行图谱的车辆目的地预测方法、装置、设备及介质，方法包括：获取卡口；数据根据所述卡口数据，构建交通出行图谱；将所述交通出行图谱中的实体关系转化为马尔科夫逻辑网；从所述交通出行图谱中挖掘得到交通出行时空关联规则；将所述马尔科夫逻辑网转化为实例化的马尔科夫网络；根据所述交通出行时空关联规则和所述马尔科夫网络，确定个体车辆的目的地预测结果。本发明能够提高个体车辆出行目的地推测的准确率，并且提高了推测效率，可广泛应用于交通数据处理技术领域。

技术领域

本发明涉及交通数据处理技术领域，尤其是一种基于出行图谱的车辆目的地预测方法、装置、设备及介质。

背景技术

个体车辆出行目的地推测是目前智能交通系统的核心部分之一，对整体交通系统的管理与决策起着重要的支持和指导作用。基于准确、有效的个体车辆出行目的地推测结果，通过交通决策、交通诱导与城市整体路网情况相互作用并密切配合人、车、路的实际状况，可以有效提高交通运输效率，缓解交通阻塞，提高路网的通行能力、路段行车速度及交通体验，进一步可以为后续的车路协同与自动驾驶提供铺垫。

其中，如何对新的个体车辆出行目的地进行推测，是一个亟待解决的问题。

现在的国内外研究和技术现状主要包括：

一、出行规律分析和预测方面。国内外学者对出行规律分析和预测算法做了大量研究，根据出行发生阶段可将出行分析分为面向过程的出行分析和面向结果的出行分析。前者从时间、空间角度对出行特征进行静态或动态分析，包括对出行流向、出行时间、出行距离、换乘方式、出行轨迹等特征的分析。但这类研究缺乏对出行短时剧变特性的研究，从时空多粒度分段研究较少，因此难以得到出行剧变的时空关键点。面向结果的出行分析从宏观或中观角度对居民在完成出行之后的整体时空状态进行分析，包括对出行总量、出行方式组成、出行目的、特殊出行区域的分析。但这类研究的分析结果很难形成层次化语义知识网络，因此结果呈现碎片化和离散化，同时也基本没办法针对个体车辆进行有效、准确的预测。

二、数据组织基础方面。目前相关研究及应用，多是基于关系型数据库(例如oracle、SqlServer)利用数据间的关联关系，主动发现关联并对数据进行组织，用这种方式，一些隐藏的、不易察觉的关系容易被忽略。另外，也有部分学者及应用基于机器学习算法对数据进行组织、分析，但需要大量的标记数据并配合复杂的特征工程。

发明内容

有鉴于此，本发明实施例提供一种高效且准确的，基于出行图谱的车辆目的地预测方法、装置、设备及介质。

本发明的一方面提供了一种基于出行图谱的车辆目的地预测方法，包括：

获取卡口数据；

根据所述卡口数据，构建交通出行图谱；

将所述交通出行图谱中的实体关系转化为马尔科夫逻辑网；

从所述交通出行图谱中挖掘得到交通出行时空关联规则；

将所述马尔科夫逻辑网转化为实例化的马尔科夫网络；

根据所述交通出行时空关联规则和所述马尔科夫网络，确定个体车辆的目的地预测结果。

优选地，所述获取卡口数据中，所述卡口数据包括车牌号码、车辆地点、地点属性、出行次数和出行时间；

其中，所述地点属性包括学校、医院、商场和办公场所。

优选地，所述根据所述卡口数据，构建交通出行图谱，包括：

将所述卡口数据中的车牌号码、车辆地点、地点属性、出行次数和出行时间作为所述交通出行图谱的节点；

将车辆出行开始时间、出发地、出行结束时间和目的地作为所述交通出行图谱的边。