[发明专利]一种基于高斯混合时间序列模型的轨迹预测方法

摘要

本发明公开了一种基于高斯混合时间序列模型(Gauss Mixture Time Series Model，简称GMTSM)的轨迹预测方法，对海量车辆历史轨迹进行模型回归和路段车流量的分析，实现车辆轨迹预测。主要步骤包括：(1)对车辆历史轨迹利用k‑means算法进行无监督学习聚类。(2)利用高斯混合时间序列模型构建历史轨迹概率分布模型。(3)通过混合模型回归过程预测移动对象轨迹。实验结果表明，高斯混合时间序列模型在路段车流量突变情况下，通过模型自动调整分模型的权重，选出最大概率的预测轨迹。

主权项

1.一种基于高斯混合时间序列模型的轨迹预测方法，用于车辆轨迹预测，为用户提供最优的线路，规划智能交通网，其特征在于，包括如下步骤：(1)将GPS采集的车辆相关数据通过ETL技术预处理，实现车流量数据和车辆历史轨迹数据的分离；车流量数据是二维数据，包括车流量和时间戳；历史轨迹数据是三维数据包括经度、纬度和时间戳；分离的两类数据均转化为矢量数据存放在指定数据库；(2)对二维车流量数据进行平稳化分析处理，得到平稳化数据；使用k‑means算法对三维历史轨迹数据进行聚类分析处理，聚类模型参数通过最大似然估计EM算法得到，使基于历史 轨迹数据的概率分布达到最大化，最后得到M个聚簇；(3)根据模型回归学习，对训练数据集进行建模，训练得到轨迹预测的两个分模型，并分析和评估混合模型中分模型的可靠性，根据分模型的可靠性动态调整分模型的权重，最后得到高斯混合时间序列模型；(4)将车辆的坐标信息作为混合模型的输入，得到的输出是模型预测的轨迹点信息，实现对移动对象进行轨迹预测，同时将移动对象实际的轨迹点坐标信息存入数据库，进行轨迹预测误差的计算和训练数据的更新，保证数据的有效性，实现混合模型的动态预测。