[发明专利]基于车辆轨迹语义分析和深度信念网络的轨迹预测方法

摘要

本发明请求保护一种基于车辆轨迹语义分析和深度信念网络的轨迹预测方法，属于智能交通分析领域。首先，获取数据源。其次，交通卡口关联性分析。根据轨迹集中交通卡口的上下文关系，使用统计概率模型构建关联空间，按照关联空间中的相对位置度量交通卡口之间的关联性；第三，根据新的轨迹时空关联向量集挖掘轨迹中的用户行车模式，训练DBN网络形成特征提取模型；第四，根据轨迹特征建立回归预测模型，利用处理后的交通轨迹特征集，对未来轨迹进行回归预测，同时采用权重聚类对结果进行优化，最终实现对车辆轨迹的精确预测。本发明有效改善了实际交通环境中复杂的路网关系对轨迹预测的负面影响，提高了预测效率。

主权项

1.一种基于车辆轨迹语义分析和深度信念网络的轨迹预测方法，其特征在于，包括以下步骤：获取数据源的步骤：提取车辆原始信息中的车牌号、过车时间、卡口编码作为表征车辆轨迹信息的属性，具体是将每一辆车按过车时间顺序，将卡口编号排列作为其轨迹序列，所述车辆原始信息是通过卡口信息采集装置对行驶中车辆进行采集得到的；卡口上下文分析的步骤：引入词嵌入思想，即利用单词在句子中的上下文关系来分析单词之间的关联性，通过使用滑动窗口对车辆的卡口轨迹序列数据进行卡口在轨迹中的上下文关系提取，建立卡口语料库，卡口语料库具有反映不同卡口在路网中的相关性的能力，卡口在轨迹数据中的角色相似度用卡口在高维空间中对应的点之间的距离衡量，最后根据相似度构建轨迹节点的向量空间，实现运用节点向量集表征节点间的交通时空关系；提取用户轨迹特征的步骤：根据轨迹节点向量之间表现出的交通时空关系，对用户的历史轨迹数据进行数据分析，使用DBN深度信念网络对用户的轨迹向量进行逐层训练，将大量用户的历史轨迹集中表现出来的共性特征提取出来，作为后续进行轨迹预测的依据；预测与分析步骤，根据轨迹特征建立回归预测模型，利用提取到的用户轨迹特征作为预测的依据，利用线性回归的预测思想生成预测结果；同时，同时考虑到交通轨迹交叉多、相似度高的特性，采用权重聚类对结果进行优化。