[發明專利]一種融合卡口重要性與注意力機制的車輛軌跡預測方法

在審

• 申請號: 202210314126.0
• 申請日: 2022-03-28
• 公開（公告）號: CN114925875A
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 關樂晨;邵虎;劉廣義;陳子龍;徐瑋喆;袁梓航;石景天;周金誠
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 徐爾東

1.一種融合卡口重要性與注意力機制的車輛軌跡預測方法，其特征在于，包括以下步驟：

(1)獲取過車數據源并對數據源進行數據預處理，提取車輛軌跡；

(2)提取步驟(1)軌跡中用于表示位置的交通卡口集，引入自然語言處理中的Glove模型，通過訓練車輛軌跡數據得到各卡口的嵌入詞向量表示；結合PageRank算法對各卡口的重要性進行排序；

(3)利用SIF方法對步驟(2)獲得的卡口的嵌入詞向量進行加權平均獲得軌跡句向量表示，應用K-means算法對軌跡進行聚類；

(4)融合卡口位置編碼與重要性編碼，并加入注意力機制，在步驟(3)獲得的每個聚類簇中采用Bi-LSTM神經網絡對車輛軌跡進行訓練，預測新軌跡。

2.如權利要求1所述的一種融合卡口重要性與注意力機制的車輛軌跡預測方法，其特征在于，步驟(1)中獲取過車數據源為各卡口在不同時間戳的過車數據，所述過車數據包括過車車牌、過車車型、過車時間、卡口名稱、卡口位置、道路編號。

3.如權利要求1所述的一種融合卡口重要性與注意力機制的車輛軌跡預測方法，其特征在于，步驟(1)中對數據源進行數據預處理具體包括對數據源重復數據、缺失數據以及無效數據進行清洗與剔除，統計各卡口每天的車流量，并按照一定時間間隔劃分提取車輛軌跡。

4.如權利要求1所述的一種融合卡口重要性與注意力機制的車輛軌跡預測方法，其特征在于，步驟(2)中引入自然語言處理中的Glove模型，通過訓練車輛軌跡數據得到各卡口的嵌入詞向量表示具體包括：

(21a)假設共現矩陣為X，X_i表示卡口i，X_ij表示卡口j和卡口i特定大小的上下文窗口(context window)內共同出現的次數；根據兩個卡口在上下文窗口的距離d，采用衰減函數(decreasing weighting)：decay＝1/d計算權重；

(22a)構建詞向量(Word vector)和共現矩陣(Co-occurrence Matrix)之間的近似關系：

式中，w_i和w_j是要求的詞向量，b_i和b_j分別是兩個詞向量的偏置項；

(23a)構造損失函數：

式中：|V|是詞典的大小，f(X_ij)為權重項。

5.如權利要求1所述的一種融合卡口重要性與注意力機制的車輛軌跡預測方法，其特征在于，步驟(2)中，結合PageRank算法對各卡口的重要性進行排序具體包括：

(21b)將有偏隨機游走應用于經典PageRank算法，得到基于卡口節點相似性的有偏PageRank即BSBPR來評估第一層中節點的重要性，具體采用如下公式：

式中：σ為阻尼因子，取0.85；表示網絡層1中經過卡口u的車輛向卡口v移動的概率；N為卡口節點總數；

(22b)以遞歸的方式在層α＝2，3，…，L中計算節點的BSBPR，定義層α＝2，3，…，L中節點u的多層時序有偏PageRank為：

式中，BSBPR(u)^α-1和分別表示上層中同一卡口節點中心性、層內相鄰卡口節點間的相似性的冪次方，其中指數a和b是偏差參數。

6.如權利要求1所述的一種融合卡口重要性與注意力機制的車輛軌跡預測方法，其特征在于，步驟(3)中利用SIF方法對步驟(2)獲得的卡口的嵌入詞向量進行加權平均獲得軌跡句向量表示具體包括：

(31a)對句子中的每個詞向量，乘以一個權重其中a是一個常數，p(w)為該詞的詞頻；

(32a)計算句向量矩陣的第一個主成分u，讓每個句向量減去它在u上的投影。