[发明专利]一种基于无线定位系统的出租车移动轨迹预测方法

权利要求书

1.一种基于无线定位系统的出租车移动轨迹预测方法；

所述无线定位系统包括：第1无线GPS定位模块、第2无线GPS定位模块、...、第N无线GPS定位模块、远程服务器；

所述远程服务器与所述第i无线GPS定位模块无线连接，i∈[1，N]；

N表示无线GPS定位模块的数量；

所述第i无线GPS定位模块安装于第i辆出租车；

所述出租车移动轨迹预测方法，包括：

步骤1：每个无线GPS定位模块实时采集每辆出租车的经度每辆出租车的维度，将每辆出租车的编号、每辆出租车的采集时间、每辆出租车的经度、每辆出租车的维度、每辆出租车的载客状态无线传输至远程服务器，以构建每辆出租车的轨迹序列；

步骤1所述每辆出租车的轨迹序列为：

D_i＝(data_i，1，...，data_i，M)

data_i，j＝(n_i，j，t_i，j，lon_i，j，lat_i，j，k_i，j)

i∈[1，N]，j∈[1，M]

其中，N表示无线GPS定位模块的数量，M表示采集时刻的数量，D_i表示第i辆出租车的轨迹序列，data_i，j表示轨迹序列中第i辆出租车第j个采集时刻的序列，n_i，j表示第i辆出租车第j个采集时刻的编号，t_i，j表示第i辆出租车第j个采集时刻的采集时间，lon_i，j表示第i辆出租车第j个采集时刻的经度，lak_i，j表示第i辆出租车第j个采集时刻的维度，k_i，j表示第i辆出租车第j个采集时刻的载客状态，k_i，j＝1表示第i辆出租车第j个采集时刻的载客，k_i，j＝0表示第i辆出租车第j个采集时刻的空车；

步骤2：每辆出租车未经处理的轨迹序列D_i中，可能包含多条轨迹序列，通过预处理为多张二值图片，每张二值图片对应一条完整轨迹D_i，j，表示第i辆出租车第j条轨迹；D_i，j中包含点为data_i，j，k，data_i，j，k表示第i辆出租车第j条轨迹的第k个轨迹点；

步骤2所述数据预处理方法包括：数据筛选、轨迹分割、轨迹映射；

所述数据筛选为：

删去lon_i，j或lat_i，j明显不合理的点，根据data_i，j-1与data_i，j算出速度，删去速度不合理的点，根据data_i，j-1与data_i，j算出距离，删去距离不合理的点，如删去点为根据data_i，j，则将data_i，j-1与data_i，j+1做均值处理对点data_i，j做数据补充；

所述轨迹分割为：

提取出每辆出租车的载客轨迹和连续的未载客轨迹，若k_i，j＝0表示出租车未载客，k_i，j＝1表示出租车载客，连续载客轨迹即可提取出作为一条完整轨迹D_i，j，表示第i辆出租车第j条轨迹；D_i，j中包含点为data_i，j，k，data_i，j，k表示第i辆出租车第j条轨迹的第k个轨迹点data_i，j，k，连续未载客轨迹根据停留时间继续进行分割；

所述轨迹映射为：

确定网格图片的精度为Q*Q；Q越大，精度越高，需要处理的数据就越多，预测结果的精度越高，Q越小，精度越低，需要处理的数据越少，预测结果的精度也越低；对于每一个网格图片上的一个像素点(i，j)，若有轨迹点data_i，j，m落在网格像素点中，则此网格像素点的值为1，否则此网格像素点的值为0，得到Q*Q的图片；

步骤3：将生成的二值图片送入卷积神经网络进行特征提取得到每辆出租车的特征图，特征图中包含原二值图片的空间信息；

即将所得到的Q*Q图片送入卷积神经网络进行两次卷积与池化操作；卷积神经网络可提取图片的特征，池化对图片进行放缩时仍保留其特征，故可轨迹的空间特征得以保留；

步骤4：对卷积神经网络得到的图片进行处理，生成包含空间信息的轨迹序列作为LSTM的输入；

图片生成包含空间信息的轨迹序列包括：将卷积神经网络卷积池化后得到的图片先转换为二值图片，再将二值图片转化为轨迹序列；

图片生成轨迹序列方法，其中，将卷积神经网络卷积池化后得到的图片转换为二值图片包括：进行归一化操作，将像素点的值转换到特定区间，防止太小或太大的值进行干扰；进行二值化操作，即设定阈值，若得到的图片的点大于阈值，则此点的值转化为1，否则转化为0；

其中，归一化操作采用max-min归一化的方法；

图片生成轨迹序列方法，其中，将图片转换为轨迹序列包括：

将横纵坐标分别从1～n进行编号；

步骤4.1：区间[1，n]进行二分为称为左右区间，属于右区间，标记为1，属于左区间的，标记为0；

步骤4.2：若属于右区间，接着将进行二分，属于某个区间；

步骤4.3：直到区间(a，b]，b-a＝1为止；

步骤4.4：对横纵坐标分别进行步骤一到步骤三，得到二个二进制串；

步骤4.5：在偶数位放横坐标，奇数位放纵坐标进行组码，再将二进制串转换为十六进制；

步骤5：将轨迹序列送入LSTM网络中可以得到车辆下一个时间间隔或下几个时间间隔后位置的预测结果；

将轨迹序列送入LSTM网络包括：将轨迹序列送入LSTM网络得到一个十六进制的字符串，将LSTM网络得到的串进行解码即能得到预测结果；

LSTM网络由一个个记忆单元组成，记忆单元由输入门、遗忘门、输出门和自循环连接神经元组成；LSTM中最终三个门的激活值公式如：

i_t＝σ(W_ix_t+U_ih_t-1+V_iC_t-1+b_i)

f_t＝σ(W_fx_t+U_fh_t-1+V_fC_t-1+b_f)

o_t＝σ(W_ox_t+U_oh_t-1+V_oC_t-1+b_o)

其中，x_t为在时间步t记忆单元的输入，i_t为输入门的激活值，f_t为遗忘门的激活值，o_t为输出门的激活值，h_t为在时间步t记忆单元的输出，

C_t为时间步t记忆单元的状态，W_i，U_i，W_c，U_c，W_f，U_f，W_o，U_o分别对应记忆单元对应门的权重向量。