[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

说明书

本发明公开了一种基于有向图结构和LSTM的车辆轨迹特征提取方法，涉及城市交通技术领域。该车辆轨迹特征提取方法通过有效结合车辆轨迹点数据与成熟道路数据，实现车辆轨迹点数据的规范化处理；从时间、空间、运动、环境四个方面分别选取和构建对应的局部轨迹特征所组成的序列描述轨迹的运动行为，充分融入轨迹多方面的特征，同时综合考量轨迹的时空依赖关系和轨迹的定量特征，利用深度学习方法学习轨迹深层次的表达，并最终以向量的形式描述轨迹特征，为车辆轨迹分类或预测提供标准化的特征数据，并具有一定的普适性。

技术领域

本发明涉及城市交通技术领域，具体地涉及一种基于有向图结构和LSTM的车辆轨迹特征提取方法。

背景技术

轨迹作为一种动态地理数据，其建模和预测研究一直是地理学与GIS的热点方向；轨迹建模也是时空大数据挖掘与建模的核心议题之一，对研究人类行为模式、解决城市交通问题、探索无人驾驶技术等研究具有重要意义。

现有的轨迹特征表征多为人工特征，获取中对轨迹本身特征的多样性考量较为局限，且在轨迹空间序列特征考量主要依赖轨迹坐标点序列。

发明内容

本发明针对现有技术中的不足，提供一种基于有向图结构和LSTM的车辆轨迹特征提取方法，该车辆轨迹特征提取方法能够同时表征轨迹的时空依赖关系和轨迹段的定量特征，最终以统一的向量形式进行表征，为车辆轨迹分类或预测提供标准化的特征数据，并具有一定的普适性。

为实现上述目的，本发明采用以下技术方案：一种基于有向图结构和LSTM的车辆轨迹特征提取方法，具体包括如下步骤：

步骤1，收集车辆轨迹数据集，将收集的车辆轨迹数据集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；其中，表示车辆轨迹索引，n表示车辆轨迹总数，表示第条车辆轨迹，，j表示轨迹点索引，m表示第条车辆轨迹的轨迹点总数，表示第条车辆轨迹中第j个轨迹点坐标，表示第j个轨迹点的经度值，表示第j个轨迹点的纬度值，表示第j个轨迹点的时间信息，表示第条预处理后的车辆轨迹，，jj表示匹配点索引，mm表示第条预处理后的车辆轨迹的匹配点总数，表示第条预处理后的车辆轨迹中第jj个匹配点坐标，表示第jj个匹配点的经度值，表示第jj个匹配点的纬度值，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，其中，表示道路交叉口序列，，u表示道路交叉口索引，表示道路交叉口总数，表示第个道路交叉口处的唯一标识；E表示道路中的路段序列，，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，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，得到车辆轨迹节点序列，h表示预处理后的车辆轨迹经过道路交叉口的顺序，表示第条预处理后的车辆轨迹节点序列的第个车辆轨迹节点，u表示道路交叉口索引，表示第u个道路交叉口在x轴的坐标值，表示第u个道路交叉口在y轴的坐标值，表示轨迹在第个道路交叉口的时间，表示第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；