[發(fā)明專利]車輛軌跡數(shù)據(jù)聚集效應(yīng)預(yù)測方法及裝置

有效

• 申請?zhí)枺?/td>: 201911397442.3
• 申請日: 2019-12-30
• 公開（公告）號: CN111275962B
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計(jì)）人: 周志文;肖竹;王東;肖大鵬
• 申請（專利權(quán)）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(chǎn)權(quán)代理有限公司 44405
• 代理人: 盧杏艷

本發(fā)明實(shí)施例公開了一種車輛軌跡數(shù)據(jù)聚集效應(yīng)預(yù)測方法及裝置，該方法包括獲取車輛停等點(diǎn)數(shù)據(jù)；將預(yù)定區(qū)域劃分為多個(gè)網(wǎng)格；統(tǒng)計(jì)每個(gè)第二時(shí)間段內(nèi)位于每個(gè)網(wǎng)格的車輛停等點(diǎn)數(shù)據(jù)，并將統(tǒng)計(jì)后的結(jié)果轉(zhuǎn)化為多個(gè)密度矩陣；將多個(gè)密度矩陣時(shí)序化為多幀視頻數(shù)據(jù)；將數(shù)據(jù)輸入預(yù)設(shè)的聚集效應(yīng)預(yù)測模型進(jìn)行訓(xùn)練；根據(jù)訓(xùn)練后的聚集效應(yīng)預(yù)測模型預(yù)測預(yù)定區(qū)域在目標(biāo)時(shí)間段的停等點(diǎn)數(shù)據(jù)。本發(fā)明解決現(xiàn)有的交通流預(yù)測技術(shù)只能局部獲悉交通流增加或減少的趨勢變化，不能全局感知城市區(qū)域內(nèi)的交通狀況變化的過程，不能準(zhǔn)確地預(yù)測未來停等聚集效應(yīng)的演變趨勢，并推斷熱區(qū)的形成機(jī)理的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及智能交通管理領(lǐng)域，尤其涉及一種車輛軌跡數(shù)據(jù)聚集效應(yīng)預(yù)測方法及裝置。

背景技術(shù)

隨著國民經(jīng)濟(jì)高速地發(fā)展以及城市交通設(shè)施不斷地完善，機(jī)動(dòng)車數(shù)量急劇增加，導(dǎo)致交通狀況日趨緊張，為了科學(xué)地解決城市交通擁堵問題，常常需要對交通流進(jìn)行預(yù)測分析，伴隨著移動(dòng)感知技術(shù)的廣泛普及，車載終端能夠大規(guī)模地采集交通活動(dòng)派生出來的時(shí)空軌跡數(shù)據(jù)。然而，獲取到的時(shí)空軌跡數(shù)據(jù)中的移動(dòng)軌跡部分大都局限在道路路網(wǎng)中，總體呈現(xiàn)出數(shù)據(jù)規(guī)模龐大、價(jià)值密度低等特性，導(dǎo)致數(shù)據(jù)處理更為復(fù)雜，使得時(shí)空軌跡數(shù)據(jù)分析任務(wù)日趨繁重。此外，現(xiàn)有的交通流預(yù)測技術(shù)只能局部獲悉交通流增加或減少的趨勢變化，不能全局感知城市區(qū)域內(nèi)的交通狀況變化的過程，不能準(zhǔn)確地預(yù)測未來停等聚集效應(yīng)的演變趨勢，并推斷熱區(qū)的形成機(jī)理。

發(fā)明內(nèi)容

針對上述技術(shù)問題，本發(fā)明實(shí)施例提供了一種車輛軌跡數(shù)據(jù)聚集效應(yīng)預(yù)測方法及裝置，以解決現(xiàn)有技術(shù)中由于時(shí)空軌跡數(shù)據(jù)龐大使得時(shí)空軌跡數(shù)據(jù)分析任務(wù)日趨繁重，以及現(xiàn)有的交通流預(yù)測技術(shù)不能準(zhǔn)確地預(yù)測未來停等聚集效應(yīng)的演變趨勢的問題。

本發(fā)明實(shí)施例的第一方面提供一種車輛軌跡數(shù)據(jù)聚集效應(yīng)預(yù)測方法，包括：

獲取車輛軌跡數(shù)據(jù)中待預(yù)測區(qū)域在預(yù)定時(shí)間周期內(nèi)的車輛啟動(dòng)和熄火時(shí)的停等點(diǎn)數(shù)據(jù)，其中，所述停等點(diǎn)數(shù)據(jù)至少包括經(jīng)度信息、緯度信息和時(shí)間戳，所述時(shí)間戳為車輛啟動(dòng)時(shí)間或車輛熄火時(shí)間；

將所述待預(yù)測區(qū)域劃分為多個(gè)網(wǎng)格，并將預(yù)定時(shí)間周期劃分為多個(gè)第一時(shí)間段，將每個(gè)所述第一時(shí)間段劃分為多個(gè)第二時(shí)間段；

統(tǒng)計(jì)每個(gè)第二時(shí)間段內(nèi)位于每個(gè)網(wǎng)格的停等點(diǎn)數(shù)據(jù)的數(shù)量；

將統(tǒng)計(jì)后的結(jié)果轉(zhuǎn)化為多個(gè)密度矩陣，其中，每個(gè)密度矩陣用于表征對應(yīng)的第二時(shí)間段內(nèi)各個(gè)網(wǎng)格的停等點(diǎn)統(tǒng)計(jì)數(shù)據(jù)的數(shù)量；

將多個(gè)密度矩陣時(shí)序化為多幀視頻數(shù)據(jù)；

將時(shí)序化后的多幀視頻數(shù)據(jù)輸入預(yù)設(shè)的聚集效應(yīng)預(yù)測模型進(jìn)行訓(xùn)練，其中，所述聚集效應(yīng)預(yù)測模型能夠進(jìn)行分類和/或回歸；

根據(jù)訓(xùn)練后的聚集效應(yīng)預(yù)測模型預(yù)測預(yù)定區(qū)域在目標(biāo)時(shí)間段的停等點(diǎn)數(shù)據(jù)。

可選地，所述聚集效應(yīng)預(yù)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(jīng)網(wǎng)絡(luò)3D-CNN算法中的一種。

可選地，所述聚集效應(yīng)預(yù)測模型為基于3D-CNN算法的3D卷積神經(jīng)網(wǎng)絡(luò)模型，所述3D卷積神經(jīng)網(wǎng)絡(luò)模型包括：輸入層、卷積層、池化層、全連接層以及輸出層，其中，所述卷積層和所述池化層包括至少一個(gè)，且所述卷積層和所述池化層交替連接。

可選地，在所述卷積層中，根據(jù)預(yù)設(shè)的時(shí)間卷積核、空間卷積核以及時(shí)空卷積核對輸入的多幀視頻數(shù)據(jù)進(jìn)行卷積操作，獲得多個(gè)特征圖，并對多個(gè)所述特征圖進(jìn)行填充處理。

可選地，所述將時(shí)序化后的多幀視頻數(shù)據(jù)輸入預(yù)設(shè)的聚集效應(yīng)預(yù)測模型進(jìn)行訓(xùn)練，包括：

在訓(xùn)練迭代過程中引用Dropout方法來緩解網(wǎng)絡(luò)過分?jǐn)M合，其中Dropout的計(jì)算過程如下：