[发明专利]一种面向特定时间间隔的位置预测方法

说明书

本发明涉及一种面向特定时间间隔的位置预测方法，将城市区域平均的划分为网格，将车辆的轨迹数据按照车辆编号和时间使用二级排序算法生成车辆的GPS点的序列，得到每辆车每天的轨迹。每分钟取时间最小的数据作为车辆在该分钟内时的位置。将轨迹数据投影到对应的网格中，根据轨迹数据训练面向特定时间间隔的一阶马尔科夫模型，得到车辆在特定时间间隔后的状态转移概率矩阵。预测目标在ΔT'时出现概率最大的N个位置构造查询函数，根据训练集中的轨迹在ΔT'时是否满足查询条件分为两种查询结果，将查询结果、初始位置和时间间隔ΔT作为条件训练新的加入查询的预测模型。判断轨迹在ΔT'时的查询结果，利用对应的加入查询的预测模型预测目标在特定时间后的位置。

技术领域

本发明属于信息加工技术领域，涉及一种位置预测的优化方法，具体地说，根据历史的轨迹数据，使用优化的特定时间间隔的位置预测方法预测特定时间间隔后的目标的位置。

背景技术

对象跟踪在公共安全及城市管理等众多应用领域非常重要。一旦发生紧急事件(如肇事逃逸、拐卖儿童等)，警方或政府通常会通过各种数据源识别嫌疑人。为了对移动对象进行跟踪，许多工作研究了对移动目标的位置预测问题，研究集中于下一个地点的预测、个性化的目的地预测等。很少有工作关注特定时间的位置预测。

通常，由于民众和政府对这种紧急事件的反应存在延时，人们通常是在一件紧急事件发生后的一段时间内发现出现了紧急事件的。因此对目标的跟踪任务首先是判断目标当前时刻所处的位置。随着时间的推移，人们对目标的位置信息往往在人类贡献的数据和基础设施摄像机网络中有新发现或新线索，会对目标的信息进行更新。因此就需要一种方法充分的利用这些更新的信息进行特定时间间隔的位置预测。

发明内容

要解决的技术问题

为了解决一些情况下，对道路移动目标的预测问题，本发明提出了一种基于马尔科夫链的加入中间查询的模型来预测移动目标在特定时间后所在位置的预测算法，可以更充分的利用历史位置信息对道路移动目标在特定时间后的位置进行预测，从而获得更好的预测效果，可更好地支撑相关的应用研究。

技术方案

一种面向特定时间间隔的位置预测方法，其特征在于步骤如下：

步骤1：区域划分，将城市区域平均的划分为网格，将网格按照顺序排列区域编号，一个网格代表一个位置区域；

步骤2：数据处理，将车辆的轨迹数据按照车辆编号和时间使用二级排序算法生成车辆的GPS点的序列，得到每辆车每天的轨迹；每分钟取时间最小的数据作为车辆在该分钟内时的位置，并将轨迹数据投影到对应的网格中，对于未投影到任何一个网格的数据按距离归属于最近的网格中；轨迹的数据格式是Carid,region,lon,lat,time，时间的最小单位为分钟；所述的Carid为车辆编号、region为区域编号、lon为经度、lat为纬度、time为时间；

步骤3：根据轨迹数据训练面向特定时间间隔的一阶马尔科夫模型，得到车辆在特定时间间隔后的状态转移概率矩阵；其中状态是车辆的位置状态，状态转移概率是指从一种状态转移到另一种状态的概率，这些转移概率是条件概率；所述的状态转移概率矩阵存储所有状态到其他状态的转移，如下式所示：

p(l_i,l_j)|ΔT为包含序列(l_i,l_j)的轨迹数除以包含节点l_i的轨迹数，根据训练集中的轨迹得到特定时间间隔ΔT下车辆在不同区域间的转移概率；L为区域的总数量，对应的矩阵的行和列；

步骤4：根据步骤3得到的面向特定时间间隔的一阶马尔科夫模型预测目标在ΔT′时出现概率最大的N个位置，将时间ΔT′及N个位置作为查询条件，构造查询函数q(l,ΔT′)；其中l为概率最大的N个位置；