[發明專利]一種基于無線定位系統的出租車移動軌跡預測方法

在審

• 申請號: 202210734664.5
• 申請日: 2022-06-27
• 公開（公告）號: CN115175092A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 王菁;聶俊瓊
• 申請（專利權）人: 湖北工業大學
• 主分類號: H04W4/02
• 分類號: H04W4/02;H04W4/029;G01S19/14;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 許蓮英

1.一種基于無線定位系統的出租車移動軌跡預測方法；

所述無線定位系統包括：第1無線GPS定位模塊、第2無線GPS定位模塊、...、第N無線GPS定位模塊、遠程服務器；

所述遠程服務器與所述第i無線GPS定位模塊無線連接，i∈[1，N]；

N表示無線GPS定位模塊的數量；

所述第i無線GPS定位模塊安裝于第i輛出租車；

所述出租車移動軌跡預測方法，包括：

步驟1：每個無線GPS定位模塊實時采集每輛出租車的經度每輛出租車的維度，將每輛出租車的編號、每輛出租車的采集時間、每輛出租車的經度、每輛出租車的維度、每輛出租車的載客狀態無線傳輸至遠程服務器，以構建每輛出租車的軌跡序列；

步驟1所述每輛出租車的軌跡序列為：

D_i＝(data_i，1，...，data_i，M)

data_i，j＝(n_i，j，t_i，j，lon_i，j，lat_i，j，k_i，j)

i∈[1，N]，j∈[1，M]

其中，N表示無線GPS定位模塊的數量，M表示采集時刻的數量，D_i表示第i輛出租車的軌跡序列，data_i，j表示軌跡序列中第i輛出租車第j個采集時刻的序列，n_i，j表示第i輛出租車第j個采集時刻的編號，t_i，j表示第i輛出租車第j個采集時刻的采集時間，lon_i，j表示第i輛出租車第j個采集時刻的經度，lak_i，j表示第i輛出租車第j個采集時刻的維度，k_i，j表示第i輛出租車第j個采集時刻的載客狀態，k_i，j＝1表示第i輛出租車第j個采集時刻的載客，k_i，j＝0表示第i輛出租車第j個采集時刻的空車；

步驟2：每輛出租車未經處理的軌跡序列D_i中，可能包含多條軌跡序列，通過預處理為多張二值圖片，每張二值圖片對應一條完整軌跡D_i，j，表示第i輛出租車第j條軌跡；D_i，j中包含點為data_i，j，k，data_i，j，k表示第i輛出租車第j條軌跡的第k個軌跡點；

步驟2所述數據預處理方法包括：數據篩選、軌跡分割、軌跡映射；

所述數據篩選為：

刪去lon_i，j或lat_i，j明顯不合理的點，根據data_i，j-1與data_i，j算出速度，刪去速度不合理的點，根據data_i，j-1與data_i，j算出距離，刪去距離不合理的點，如刪去點為根據data_i，j，則將data_i，j-1與data_i，j+1做均值處理對點data_i，j做數據補充；

所述軌跡分割為：

提取出每輛出租車的載客軌跡和連續的未載客軌跡，若k_i，j＝0表示出租車未載客，k_i，j＝1表示出租車載客，連續載客軌跡即可提取出作為一條完整軌跡D_i，j，表示第i輛出租車第j條軌跡；D_i，j中包含點為data_i，j，k，data_i，j，k表示第i輛出租車第j條軌跡的第k個軌跡點data_i，j，k，連續未載客軌跡根據停留時間繼續進行分割；

所述軌跡映射為：

確定網格圖片的精度為Q*Q；Q越大，精度越高，需要處理的數據就越多，預測結果的精度越高，Q越小，精度越低，需要處理的數據越少，預測結果的精度也越低；對于每一個網格圖片上的一個像素點(i，j)，若有軌跡點data_i，j，m落在網格像素點中，則此網格像素點的值為1，否則此網格像素點的值為0，得到Q*Q的圖片；

步驟3：將生成的二值圖片送入卷積神經網絡進行特征提取得到每輛出租車的特征圖，特征圖中包含原二值圖片的空間信息；

即將所得到的Q*Q圖片送入卷積神經網絡進行兩次卷積與池化操作；卷積神經網絡可提取圖片的特征，池化對圖片進行放縮時仍保留其特征，故可軌跡的空間特征得以保留；

步驟4：對卷積神經網絡得到的圖片進行處理，生成包含空間信息的軌跡序列作為LSTM的輸入；

圖片生成包含空間信息的軌跡序列包括：將卷積神經網絡卷積池化后得到的圖片先轉換為二值圖片，再將二值圖片轉化為軌跡序列；

圖片生成軌跡序列方法，其中，將卷積神經網絡卷積池化后得到的圖片轉換為二值圖片包括：進行歸一化操作，將像素點的值轉換到特定區間，防止太小或太大的值進行干擾；進行二值化操作，即設定閾值，若得到的圖片的點大于閾值，則此點的值轉化為1，否則轉化為0；

其中，歸一化操作采用max-min歸一化的方法；

圖片生成軌跡序列方法，其中，將圖片轉換為軌跡序列包括：

將橫縱坐標分別從1～n進行編號；

步驟4.1：區間[1，n]進行二分為稱為左右區間，屬于右區間，標記為1，屬于左區間的，標記為0；

步驟4.2：若屬于右區間，接著將進行二分，屬于某個區間；

步驟4.3：直到區間(a，b]，b-a＝1為止；

步驟4.4：對橫縱坐標分別進行步驟一到步驟三，得到二個二進制串；

步驟4.5：在偶數位放橫坐標，奇數位放縱坐標進行組碼，再將二進制串轉換為十六進制；

步驟5：將軌跡序列送入LSTM網絡中可以得到車輛下一個時間間隔或下幾個時間間隔后位置的預測結果；

將軌跡序列送入LSTM網絡包括：將軌跡序列送入LSTM網絡得到一個十六進制的字符串，將LSTM網絡得到的串進行解碼即能得到預測結果；

LSTM網絡由一個個記憶單元組成，記憶單元由輸入門、遺忘門、輸出門和自循環連接神經元組成；LSTM中最終三個門的激活值公式如：

i_t＝σ(W_ix_t+U_ih_t-1+V_iC_t-1+b_i)

f_t＝σ(W_fx_t+U_fh_t-1+V_fC_t-1+b_f)

o_t＝σ(W_ox_t+U_oh_t-1+V_oC_t-1+b_o)

其中，x_t為在時間步t記憶單元的輸入，i_t為輸入門的激活值，f_t為遺忘門的激活值，o_t為輸出門的激活值，h_t為在時間步t記憶單元的輸出，

C_t為時間步t記憶單元的狀態，W_i，U_i，W_c，U_c，W_f，U_f，W_o，U_o分別對應記憶單元對應門的權重向量。