[发明专利]一种基于有向图结构和LSTM的车辆轨迹特征提取方法

权利要求书

1.一种基于有向图结构和LSTM的车辆轨迹特征提取方法，其特征在于，具体包括如下步骤：

步骤1，收集车辆轨迹数据集Traj＝{traj_i|i＝1，2，...，n}，将收集的车辆轨迹数据集Traj＝{traj_i|i＝1，2，...，n}进行清洗并基于隐马尔可夫模型进行车辆轨迹地图匹配，将车辆轨迹点数据的投影点作为匹配点最终获得预处理后的车辆轨迹数据集Traj^r＝{traj_r_i|i＝1，2，...，n}；其中，i表示车辆轨迹索引，n表示车辆轨迹总数，traj_i表示第i条车辆轨迹，j表示轨迹点索引，m表示第i条车辆轨迹traj_i的轨迹点总数，表示第i条车辆轨迹中第j个轨迹点坐标，x_j表示第j个轨迹点的经度值，y_j表示第j个轨迹点的纬度值，t_j表示第j个轨迹点的时间信息，traj_r_i表示第i条预处理后的车辆轨迹，jj表示匹配点索引，mm表示第i条预处理后的车辆轨迹traj_r_i的匹配点总数，表示第i条预处理后的车辆轨迹中第jj个匹配点坐标，r_r_jj表示第jj个匹配点的经度值，y_r_jj表示第jj个匹配点的纬度值，t_r_jj表示jj个匹配点的时间信息；

步骤2，通过城市道路数据构建有向环图D＝(V，E)，其中，V表示道路交叉口序列，V＝{cid_u|u＝1，2，...，mv}，u表示道路交叉口索引，mv表示道路交叉口总数，cid_u表示第u个道路交叉口处的唯一标识；E表示道路中的路段序列，E＝{e_ii|ii＝1，2，...，ne}，e_ii表示第ii个具有方向的路段，ne表示具有方向的路段总数；将匹配点沿车辆行驶轨迹转换成道路交叉口序列{cid_uh}，并通过线性插值法增加车辆轨迹经过道路交叉口的时间信息t_uh，得到车辆轨迹节点序列traj_c_i＝{cid_uh，x_c_u，y_c_u，t_uh)|h＝1，2，...m_c}，h表示预处理后的车辆轨迹经过道路交叉口的顺序，(cid_uh，x_c_u，y_c_u，t_uh)表示第i条预处理后的车辆轨迹节点序列的第h个车辆轨迹节点，u表示道路交叉口索引，x_c_u表示第u个道路交叉口在x轴的坐标值，y_c_u表示第u个道路交叉口在y轴的坐标值，t_uh表示轨迹在第u个道路交叉口的时间，m_c表示第i条预处理后的车辆轨迹节点序列中车辆轨迹节点的总数；

步骤3，分别从时间、空间、运动、环境四个方面提取车辆轨迹节点序列的局部特征，得到每个车辆轨迹节点(cid_uh，x_c_u，y_c_u，t_uh)的局部特征序列其中nf表示每个车辆轨迹节点的局部特征数量；

步骤3中从时间方面提取的局部特征包括：轨迹转向周期Turn_cycle、轨迹路段时间周期Segment_cycle；

Turn_cycle＝{t_np|t_np＝f_turnnp-f_turn(np-1)，np∈[2，m_c]，np∈N⁺}

Segment_cycle＝{t_np|t_np＝f_segstartnp-f_segendnp，np∈[2，m_c]，np∈N⁺}

其中，f_turnnp表示车辆第np个轨迹节点转向发生的时刻，f_turn(np-1)表示车辆第np-1个轨迹节点转向发生的时刻，t_np表示车辆第np个轨迹节点转向的时间，f_segstartnp表示第np个轨迹节点进入路段的时刻，f_segendnp表示第np个轨迹节点离开路段的时刻；

步骤3中从空间方面提取的局部特征包括：车辆轨迹空间方位θ、路段空间位移序列Δx、路段路网距离序列dis_r、轨迹弯曲度序列circle，

Δx＝{Δx_np|Δx_np＝|x_np-x_np-1|，np∈[2，m_c]，np∈N⁺}

其中，θ_np表示第np个轨迹节点所在路口的空间方位，x_np表示第np个轨迹节点在x轴方向的数值，x_np-1表示第np-1个轨迹节点在x轴方向的数值，Δx_np表示第np-1个轨迹节点和第np个轨迹节点之间的空间位移，d_np表示第np-1个轨迹节点和第np个轨迹节点之间的路段路网的距离，表示两个轨迹节点间的实际路段距离，circle_np表示第np个轨迹节的弯曲度，表示第np-1个轨迹节点和第np个轨迹节点之间在y轴方向的距离；

步骤3中从运动方便提取的局部特征包括：路段上车辆平均速度序列v、路段平均加速度序列a、路段上车辆平均转向速度序列v_turn，

其中，表示为两个轨迹节点间的实际路段距离，t_np表示车辆在第np-1个轨迹节点和第np个轨迹节点之间的行驶耗时，a_np表示车辆在第np-1个轨迹节点和第np个轨迹节点之间路段的平均加速度，v_np表示车辆在第np-1个轨迹节点和第np个轨迹节点之间的平均速度，vt_np表示车辆在第np-1个轨迹节点和第np+1个轨迹节点之间的平均转向速度，y_np表示第np个轨迹节点在y轴方向的数值，δt表示道路交叉口前后路段的累计时间，x_np表示第np个轨迹节点在x轴方向的数值；

步骤3中从环境方面提取的局部特征为轨迹节点所经路段道路等级序列rl＝(rl_np|rl_np∈Road_level，np∈[2，m_c]，np∈N⁺}，

其中，rl_np表示车辆经过第np-1个轨迹节点和第np个轨迹节点之间的路段道路等级，Road_level＝[1，2，3，4]表示道路的类型，1表示快速路，2表示主干路，3表示次干路，4表示支路；

步骤4，通过城市道路数据构建空间邻域图，使用聚合函数聚合车辆轨迹节点的邻近车辆轨迹节点局部特征，使用邻近车辆轨迹节点局部特征训练长短时记忆模型LSTM，以车辆转向预测为目标，直至迭代运行200次或交叉熵损失函数收敛，得到训练学习好的车辆转向预测模型；

步骤5，实时收集车辆轨迹节点，输入训练好的车辆转向预测模型中，通过全连接层进行轨迹特征输出，输出每个车辆轨迹的表征向量，即为提取的车辆轨迹特征。