[发明专利]一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法

说明书

本发明公开了一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法，首先基于兴趣点数据集与TF‑IDF算法，提取各出发区域及中间轨迹点的位置语义；其次从起始轨迹点的时间戳中获取出发时间信息，并采用启发式循环模糊编码对其处理得到月周日多层次出发时间语义；接着，提取驾驶状态序列，并与轨迹点序列、位置语义及出发时间语义拼接为输入特征序列；然后构建深度学习预测模型，利用双层LSTM学习输入特征序列的长期依赖关系，设计时空注意力机制捕获出行关键时空特征，并通过多层全连接残差网络将学习到的时空特征映射为预测目的地坐标。本发明的方法能够大幅提高个体出行驾驶目的地预测的精度。

技术领域

本发明涉及个体出行模式建模、车辆移动轨迹预测领域，具体涉及一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法。

背景技术

移动轨迹目的地预测是人类出行模式研究领域的重要分支，旨在依据一段尚未完成出行过程的移动轨迹及对应出行上下文信息，预测该次出行最有可能抵达的目的地所在位置。车辆轨迹目的地预测在公共交通轨迹数据上已有广泛研究，随着移动定位技术的发展与普，非公共车辆个体层面的出行模式研究将成为热点，且对于个性化服务推荐、交通导航、车辆保险推荐等基于位置的服务具有重要的科学意义与应用价值。

现有技术中，目的预测任务主要包含特征工程与模型构建两个方面。其中，特征工程主要基于专家领域知识，从出行轨迹及相关信息中提取出行特征；而模型的构建过程指在对个体出行规律深入分析的基础上，设计概率或深度学习模型，实现对个体出行行为习惯与移动偏好的建模。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

现有的特征工程主要关注轨迹点序列的特征提取，而忽略了出行时空语义对于个体出行意图的作用与反映，限制了预测模型对出行语境知识的感知与学习。同时，常用的概率预测模型无法捕获长距离出行轨迹数据中的长期依赖关系，而现有的深度学习预测模型忽略了驾驶状态对于出行关键时空特征探测与学习的重要作用，无法实现个体出行模式的准确表达，导致轨迹目的地预测的精度偏低。

由此可知，现有技术中的方法存在精度较低的技术问题。

发明内容

鉴于此，本发明提供了一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法，用以解决或者至少部分解决现有技术中的方法存在的精度较低的技术问题。

为了解决上述技术问题，本发明提供了一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法，其特征在于，包括：

步骤S1：采集行政区域内与个体出行及生产生活活动密切关联的各类兴趣点，对行政区域进行格网划分，并基于TF-IDF算法提取各网格单元的位置语义向量，计算所有轨迹点与格网的空间包含关系以提取不同出发区域和各轨迹点的位置语义，采用Word2Vec词嵌入方法对离散的轨迹点位置语义编码；

步骤S2：从轨迹数据的起始轨迹点时间戳中提取月周日多层次出发时间信息，生成离散的出发时间槽；考虑到出发时间的连续性及各项异性特点，采用启发式循环模糊编码对离散多粒度出发时间槽编码；

步骤S3：对原始轨迹点序列进行清洗、重采样与标准化，通过轨迹点序列及对应的时间戳提取驾驶状态序列，并对驾驶状态序列执行标准化，将轨迹点序列、驾驶状态序列和出行时空语义拼接为输入特征序列；

步骤S4：构建深度学习预测模型，该模型采用双层LSTM处理输入特征序列得到隐藏状态序列，利用驾驶状态序列计算各轨迹点位置重要性，基于位置重要性序列对隐藏状态序列施加空间注意力操作和时间注意力操作，得到出行关键时空特征，通过多层全连接残差网络处理出行关键时空特征输出预测目的地；

步骤S5：将输入特征序列切分成多个输入特征子序列，将所有输入特征子序列划分为训练集与测试集，基于训练集采用Adam参数优化方法对深度学习预测模型进行训练，基于测试集对训练好的深度学习预测模型进行精度评定。