[发明专利]一种基于语义轨迹的伴随车辆识别方法

说明书

本发明提出了一种基于语义轨迹的伴随车辆识别方法，属于智能交通应用技术领域，所述方法包括对交通轨迹数据集进行处理得到车辆时序轨迹序列，采用MFDC算法进行轨迹数据补全，得到车辆补偿轨迹序列；对轨迹语义词汇表与车辆补偿轨迹序列进行特征匹配，得到语义轨迹补偿序列；计算车辆补偿轨迹序列的上下文轨迹点的拐点夹角，优化语义轨迹补偿序列；采用AT2VEC对优化后的语义轨迹补偿序列进行向量化处理，生成语义轨迹向量；采用TP‑BILSTM算法对语义轨迹向量进行轨迹点补偿，并利用多特征注意力机制提取出具有特征影响力的语义轨迹向量；计算出不同车辆的语义轨迹向量之间的相似度，并根据独热编码识别出同类别的伴随车辆。

技术领域

本发明属于智能交通应用技术领域，涉及车辆轨迹数据处理，具体涉及一种基于语义轨迹的伴随车辆识别方法。

背景技术

近年来，迅速增长的车辆规模给我国的交通路网空间和创建节约能源、绿色环保等号召带来了极大的挑战，并且随着全球定位技术、传感器网络和智能移动终端的发展，海量的轨迹信息数据冗余在终端中，这些无人问津的数据中往往拥有着隐藏价值。所以，如何充分的使用交通轨迹数据，摄取到对政府商业开发和对公共交通管控等诸多方面的有用信息成为重要的关注点。

与此同时，伴随车挖掘对于实现智能交通扮演着重要的角色。通过各种方法和技术分析对交通数据进行深度挖掘，实现对未来路况等一系列情况进行预测和分析，有助于研究人类行为模式、交通物流、动物习性以及市场营销等。随着大数据时代的到来，从这些海量的时空轨迹数据中发现隐藏的知识和“有趣”的轨迹模式有重要意义。例如，挖掘出具有相同轨迹模式的卡车有助于物流规划；挖掘上班族上班路线的共同路段有助于公共交通的规划等。挖掘伴随模式是一种有效的分析时空轨迹模式的方法，即挖掘一起运动的超过设定时间长度阈值的移动对象群体。时空轨迹伴随模式是时空数据轨迹模式中重要的组成部分，其在挖掘具有相同或相似运动模式的移动对象群体等方面有着广泛的应用。

近年来，许多学者对伴随车挖掘模型进行了大量的研究。第一类，许多学者提出了不同的伴随模式，根据不同伴随模式对移动对象在时空约束从而通过不同聚类方法实现伴随车挖掘。第二类，学者们通过轨迹空间距离函数来测量不同轨迹之间的相似度，通过轨迹相似度来分类伴随车组。如面向全局匹配的轨迹点相似性度量方法、面向局部匹配的轨迹点相似性度量方法。第三类，学者开始研究流式交通数据的处理并且研究如何把语义信息融合到时空特征中并通过轨迹相似性来度量轨迹之间相似性来挖掘伴随车。通过给轨迹点添加语义并对多特征进行向量化计算轨迹相似性，从而实现伴随车挖掘。第四类，基于多数据流中的频繁伴随模式挖掘算法。通过对轨迹数据流构建树索引结构来挖掘频繁元素集合实现伴随车挖掘。

然而在现有技术中，存在轨迹点特征数据缺失和轨迹点缺失的问题。针对轨迹点特征数据缺失的问题，几乎所有的研究者都在数据预处理阶段将此类含噪声的数据清洗掉，但是含噪声的数据仍是车辆轨迹序列保持完整性的重要组成部分。针对轨迹点缺失的问题，许多学者提出了不同的神经网络模型对轨迹序列进行补偿。比如，利用GRU神经网络模型对车辆轨迹序列进行上下文轨迹点建模，并在模型内部嵌入注意力机制提高不同特征的贡献程度，从而实现对轨迹点缺失的轨迹序列进行补偿；利用LSTM模型对时序轨迹序列进行建模学习上下文轨迹点的相关性，并且在LSTM模型内部嵌入多特征注意力机制，从而根据学习后的模型对输入轨迹进行轨迹点补偿；与此类似，还有学者使用CNN神经网络模型进行建模学习，并引入注意力机制实现轨迹点补偿。以上研究者虽然在同行车分类任务中取得了不错的效果，但是以上神经网络模型建模时只能对正向轨迹序列进行建模，当对缺失的轨迹点进行补偿的候选补偿轨迹点有多个时，那么从中选取某个轨迹点进行补偿就存在不确定性。

发明内容