[發(fā)明專利]一種基于車(chē)聯(lián)網(wǎng)的車(chē)輛軌跡預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201610101436.9
• 申請(qǐng)日: 2016-02-24
• 公開(kāi)（公告）號(hào): CN105760958A
• 公開(kāi)（公告）日: 2016-07-13
• 發(fā)明（設(shè)計(jì)）人: 張可;陳思靜;李慧
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G01S19/42
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 張楊

技術(shù)領(lǐng)域

本發(fā)明屬于軌跡預(yù)測(cè)領(lǐng)域,特別是車(chē)輛軌跡的預(yù)測(cè)。

背景技術(shù)

全球定位系統(tǒng)GPS接收設(shè)備的定位準(zhǔn)確度和隱蔽性能逐漸提高，設(shè)備的成本和體積也大幅度下降，使得GPS在車(chē)輛監(jiān)控調(diào)度、車(chē)輛管理等方面得到了廣泛的應(yīng)用，常用于記錄車(chē)輛在某時(shí)刻的詳細(xì)位置信息。

車(chē)輛節(jié)點(diǎn)的規(guī)律性移動(dòng)是車(chē)載網(wǎng)絡(luò)的首要特性，對(duì)車(chē)輛移動(dòng)性的研究也逐漸得到了人們的重視并取得了一定的研究成果。對(duì)于車(chē)輛移動(dòng)性的研究主要涉及到以下三個(gè)方面：

軌跡數(shù)據(jù)的挖掘和處理：目前多個(gè)國(guó)內(nèi)外科研機(jī)構(gòu)和院校都開(kāi)展了獲取移動(dòng)用戶軌跡數(shù)據(jù)的科研項(xiàng)目，如ETH研制的多媒體傳送系統(tǒng)(MultiMediaTransportSystem,MMTS)、MIT的數(shù)據(jù)挖掘系統(tǒng)RealityMining等。英國(guó)的Cross等提出了一種記錄車(chē)輛軌跡的運(yùn)動(dòng)模型，將監(jiān)測(cè)區(qū)域分成較小的矩形區(qū)域，分析各個(gè)區(qū)域內(nèi)節(jié)點(diǎn)的分布情況以及不同時(shí)間點(diǎn)各節(jié)點(diǎn)的狀態(tài)轉(zhuǎn)移概率建立模型，用以描述車(chē)輛節(jié)點(diǎn)的真實(shí)運(yùn)動(dòng)情況。Kim等人則采用一種粗粒度的軌跡跟蹤方法獲取車(chē)輛軌跡的移動(dòng)特征，他們發(fā)現(xiàn)車(chē)輛節(jié)點(diǎn)的移動(dòng)速度和停頓時(shí)間均服從正態(tài)分布，且移動(dòng)方向非均勻分布，而是沿著道路的走向，還通過(guò)節(jié)點(diǎn)的位置和時(shí)間的關(guān)系識(shí)別出了車(chē)輛停留的熱點(diǎn)區(qū)域。

車(chē)輛移動(dòng)模型的建立：在車(chē)聯(lián)網(wǎng)這類移動(dòng)自組織網(wǎng)絡(luò)中，節(jié)點(diǎn)的移動(dòng)模型用于描述節(jié)點(diǎn)的位置、移動(dòng)速度、方向等運(yùn)動(dòng)方式，是研究自組織網(wǎng)絡(luò)服務(wù)和應(yīng)用的基礎(chǔ)。早期的移動(dòng)模型主要是一些相對(duì)簡(jiǎn)單的隨機(jī)運(yùn)動(dòng)模型，如隨機(jī)移動(dòng)模型RW(RandomWaypointMobilityMode)、指數(shù)相關(guān)隨機(jī)移動(dòng)模型ECR(ExponentialCorrelatedRadomMobilityModel)、隨機(jī)方向移動(dòng)模型RD(RadomDirectionMobilityModel)等，但因車(chē)輛并非隨機(jī)移動(dòng)，無(wú)法真實(shí)的描述車(chē)輛的運(yùn)動(dòng)過(guò)程。隨后，Hsu等對(duì)傳統(tǒng)的RW模型進(jìn)行改進(jìn)，引入了道路長(zhǎng)度、車(chē)輛間距等信息，并對(duì)車(chē)輛移動(dòng)的多個(gè)目的地加以權(quán)重來(lái)表示用戶的偏好。Qunwei等人基于美國(guó)交通部的調(diào)研數(shù)據(jù)，加入了用戶的工作時(shí)間、車(chē)流密度、社會(huì)活動(dòng)等信息，建立了日程模型(Agenda-basedMobilityModle)。

車(chē)輛移動(dòng)的預(yù)測(cè)：在研究車(chē)輛移動(dòng)特性基礎(chǔ)上，國(guó)內(nèi)外開(kāi)展了對(duì)于車(chē)輛移動(dòng)預(yù)測(cè)的相關(guān)研究并取得了一定的成果。UniversityofReading研究并設(shè)計(jì)了一種車(chē)輛交通監(jiān)控系統(tǒng)VIEWS，對(duì)行人和車(chē)輛的交互進(jìn)行跟蹤和識(shí)別，在有遮擋情況下也能實(shí)現(xiàn)對(duì)移動(dòng)車(chē)輛的識(shí)別、跟蹤以及軌跡估算。Hevner等提出了一種更新移動(dòng)用戶位置的方法，可以預(yù)測(cè)移動(dòng)車(chē)輛下一時(shí)刻可能會(huì)到達(dá)的位置。在我國(guó)，北大、清華、電子科大等機(jī)構(gòu)也開(kāi)展了相關(guān)的研究工作。

發(fā)明內(nèi)容

本發(fā)明設(shè)計(jì)了一種車(chē)輛軌跡預(yù)測(cè)方法，能夠準(zhǔn)確地對(duì)車(chē)輛移動(dòng)的規(guī)律性進(jìn)行分析，對(duì)車(chē)輛未來(lái)時(shí)刻可能到達(dá)的目的地以及連續(xù)的移動(dòng)軌跡做出準(zhǔn)確的預(yù)測(cè)。

本發(fā)明通過(guò)利用車(chē)輛GPS設(shè)備采集的軌跡記錄構(gòu)建歷史軌跡數(shù)據(jù)庫(kù)，根據(jù)用戶當(dāng)前已知的狀態(tài)信息在歷史軌跡數(shù)據(jù)庫(kù)中進(jìn)行對(duì)比檢索，而后求出其可能出現(xiàn)的所有狀態(tài)的概率，其中概率最大的狀態(tài)就是預(yù)測(cè)的下一狀態(tài)，即為預(yù)測(cè)位置。再將預(yù)測(cè)到的位置作為當(dāng)前的狀態(tài)帶入軌跡數(shù)據(jù)庫(kù)中迭代計(jì)算，最終得到車(chē)輛未來(lái)的連續(xù)軌跡，即為所求。

因此本發(fā)明一種基于車(chē)聯(lián)網(wǎng)的車(chē)輛軌跡預(yù)測(cè)方法,該方法方法包括：

步驟1：獲取該車(chē)輛的歷史軌跡記錄，建立歷史軌跡數(shù)據(jù)庫(kù)。

該數(shù)據(jù)庫(kù)中，通過(guò)地圖信息提取街道數(shù)據(jù)，將被觀測(cè)的街道總區(qū)域劃分為N段，并編號(hào)，每個(gè)街道段長(zhǎng)度不超過(guò)3公里；將進(jìn)行觀測(cè)的時(shí)間段劃分為L(zhǎng)個(gè)小段，觀測(cè)記錄每個(gè)時(shí)間小段時(shí)該車(chē)輛位置主要處于哪一街道段上；

步驟2：獲取該車(chē)輛的當(dāng)前位置信息，結(jié)合歷史軌跡數(shù)據(jù)庫(kù)，預(yù)測(cè)該車(chē)輛下一時(shí)刻的位置信息；

步驟2.1：當(dāng)車(chē)輛該車(chē)輛出現(xiàn)在觀測(cè)區(qū)域的s1位置(街道段)時(shí)，通過(guò)步驟1獲取的歷史軌跡數(shù)據(jù)庫(kù)采用公式u_s1,s2/(L-1)計(jì)算該車(chē)輛當(dāng)前時(shí)刻處于s1位置時(shí)下一個(gè)時(shí)刻出現(xiàn)在其他所有可能街道位置的概率，s2表示其他所有可能位置中的一種情況，其中u_s1,s2表示歷史軌跡數(shù)據(jù)庫(kù)中連續(xù)兩個(gè)時(shí)刻該車(chē)輛位置分別位于s1、s2的次數(shù)；

步驟2.2：從其他所有可能位置中找出概率最大的位置，判定為下一時(shí)刻會(huì)出現(xiàn)在在該位置，若出現(xiàn)概率相同的位置遵循下列步驟選擇出預(yù)測(cè)位置：

2.2.1：通過(guò)馬爾科夫鏈狀態(tài)轉(zhuǎn)移矩陣判斷,選出預(yù)測(cè)位置，若依然出現(xiàn)概率相同位置則轉(zhuǎn)入步驟2.2.2；