[發明專利]車輛軌跡數據聚集效應預測方法及裝置

有效

• 申請號: 201911397442.3
• 申請日: 2019-12-30
• 公開（公告）號: CN111275962B
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 周志文;肖竹;王東;肖大鵬
• 申請（專利權）人: 深圳市麥谷科技有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/065;G06K9/62;G06N3/04
• 代理公司: 深圳市徽正知識產權代理有限公司 44405
• 代理人: 盧杏艷

1.一種車輛軌跡數據聚集效應預測方法，其特征在于，包括：

獲取車輛軌跡數據中待預測區域在預定時間周期內的車輛啟動和熄火時的停等點數據，其中，所述停等點數據至少包括經度信息、緯度信息和時間戳，所述時間戳為車輛啟動時間或車輛熄火時間；

將所述待預測區域劃分為多個網格，并將預定時間周期劃分為多個第一時間段，將每個所述第一時間段劃分為多個第二時間段；

統計每個第二時間段內位于每個網格的停等點數據的數量；

將統計后的結果轉化為多個密度矩陣，其中，每個密度矩陣用于表征對應的第二時間段內各個網格的停等點統計數據的數量；

將多個密度矩陣時序化為多幀視頻數據；

將時序化后的多幀視頻數據輸入預設的聚集效應預測模型進行訓練，其中，所述聚集效應預測模型能夠進行分類和/或回歸；

根據訓練后的聚集效應預測模型預測預定區域在目標時間段的停等點數據。

2.根據權利要求1所述的方法，其特征在于，所述聚集效應預測模型包括支持向量回歸SVR算法、迭代決策樹GBDT算法和3D卷積神經網絡3D-CNN算法中的一種。

3.根據權利要求2所述的方法，其特征在于，所述聚集效應預測模型為基于3D-CNN算法的3D卷積神經網絡模型，所述3D卷積神經網絡模型包括：輸入層、卷積層、池化層、全連接層以及輸出層，其中，所述卷積層數量至少一個，所述池化層數量至少一個，且所述卷積層和所述池化層交替連接。

4.根據權利要求3所述的方法，其特征在于，在所述卷積層中，根據預設的時間卷積核、空間卷積核以及時空卷積核對輸入的多幀視頻數據進行卷積操作，獲得多個特征圖，并對多個所述特征圖進行填充處理。

5.根據權利要求4所述的方法，其特征在于，在所述全連接層中設置線性修正單元激活函數ReLU作為激勵函數，所述激勵函數ReLU的表達式為：

ReLU(x)＝max(0,x)；

其中，x表示上一層的輸出。

6.根據權利要求4所述的方法，其特征在于，在所述全連接層中使用激勵函數建立卷積層中獲取到的時空特征和停等密度矩陣預測值之間的聯系，得到預測停等密度矩陣輸出如下：

其中，是第i層的第j個特征映射中(x,y,z)處的特征值；

b_ij是第i層的第j個特征映射的偏置項；

m是第i-1層映射到第i層的特征映射之間的連接索引；

(P_i,Q_i,R_i)是第i層的卷積核大小；

為第i層的第j個特征映射位于(p,q,r)上的神經元與第i-1層中第m個特征映射之間的鏈接權重。

7.根據權利要求1所述的方法，其特征在于，所述車輛軌跡數據基于車輛上的定位裝置和車載診斷的數據融合技術提取獲得；和/或，

所述統計每個第二時間段內位于每個網格的停等點數據的數量之前，還包括：

剔除所述停等點數據中的異常數據和/或冗余數據；

其中，所述異常數據為所述停等點數據中車輛熄火時間小于車輛啟動時間的數據，所述冗余數據為所述停等點數據中車輛熄火時間與車輛啟動時間的差值小于預設閾值的數據。

8.一種車輛軌跡數據聚集效應預測裝置，其特征在于，包括：

提取單元，用于獲取車輛軌跡數據中待預測區域在預定時間周期內的車輛啟動和熄火時的停等點數據，其中，所述停等點數據至少包括經度信息、緯度信息和時間戳，所述時間戳為車輛啟動時間或車輛熄火時間；

第一處理單元，用于將所述待預測區域劃分為多個網格，并將預定時間周期劃分為多個第一時間段，將每個所述第一時間段劃分為多個第二時間段；

統計單元，用于統計每個第二時間段內位于每個網格的停等點數據的數量；

第一轉化單元，用于將統計后的結果轉化為多個密度矩陣，其中，每個密度矩陣用于表征對應的第二時間段內各個網格的停等點統計數據的數量；

第二轉化單元，用于將多個密度矩陣時序化為多幀視頻數據；

訓練單元，用于將時序化后的多幀視頻數據輸入預設的聚集效應預測模型進行訓練，其中，所述聚集效應預測模型能夠進行分類和/或回歸；

模型預測單元，用于根據訓練后的聚集效應預測模型預測預定區域在目標時間段的停等點數據。