CN105760958A - 一种基于车联网的车辆轨迹预测方法 - Google Patents

Abstract

该发明公开了一种基于车联网的车辆轨迹预测方法,该方法属于轨迹预测领域,特别是车辆轨迹的预测。通过利用车辆GPS设备采集的轨迹记录构建历史轨迹数据库，根据用户当前已知的状态信息在历史轨迹数据库中进行对比检索，而后求出其可能出现的所有状态的概率，其中概率最大的状态就是预测的下一状态，即为预测位置。再将预测到的位置作为当前的状态带入轨迹数据库中迭代计算，最终得到车辆未来的连续轨迹，即为所求。本发明的优点在于能够准确地对车辆移动的规律性进行分析，对车辆未来时刻可能到达的目的地以及连续的移动轨迹做出准确的预测。

Description

一种基于车联网的车辆轨迹预测方法

技术领域

本发明属于轨迹预测领域,特别是车辆轨迹的预测。

背景技术

全球定位***GPS接收设备的定位准确度和隐蔽性能逐渐提高，设备的成本和体积也大幅度下降，使得GPS在车辆监控调度、车辆管理等方面得到了广泛的应用，常用于记录车辆在某时刻的详细位置信息。

车辆节点的规律性移动是车载网络的首要特性，对车辆移动性的研究也逐渐得到了人们的重视并取得了一定的研究成果。对于车辆移动性的研究主要涉及到以下三个方面：

轨迹数据的挖掘和处理：目前多个国内外科研机构和院校都开展了获取移动用户轨迹数据的科研项目，如ETH研制的多媒体传送***(MultiMediaTransportSystem,MMTS)、MIT的数据挖掘***RealityMining等。英国的Cross等提出了一种记录车辆轨迹的运动模型，将监测区域分成较小的矩形区域，分析各个区域内节点的分布情况以及不同时间点各节点的状态转移概率建立模型，用以描述车辆节点的真实运动情况。Kim等人则采用一种粗粒度的轨迹跟踪方法获取车辆轨迹的移动特征，他们发现车辆节点的移动速度和停顿时间均服从正态分布，且移动方向非均匀分布，而是沿着道路的走向，还通过节点的位置和时间的关系识别出了车辆停留的热点区域。

车辆移动模型的建立：在车联网这类移动自组织网络中，节点的移动模型用于描述节点的位置、移动速度、方向等运动方式，是研究自组织网络服务和应用的基础。早期的移动模型主要是一些相对简单的随机运动模型，如随机移动模型RW(RandomWaypointMobilityMode)、指数相关随机移动模型ECR(ExponentialCorrelatedRadomMobilityModel)、随机方向移动模型RD(RadomDirectionMobilityModel)等，但因车辆并非随机移动，无法真实的描述车辆的运动过程。随后，Hsu等对传统的RW模型进行改进，引入了道路长度、车辆间距等信息，并对车辆移动的多个目的地加以权重来表示用户的偏好。Qunwei等人基于美国交通部的调研数据，加入了用户的工作时间、车流密度、社会活动等信息，建立了日程模型(Agenda-basedMobilityModle)。

车辆移动的预测：在研究车辆移动特性基础上，国内外开展了对于车辆移动预测的相关研究并取得了一定的成果。UniversityofReading研究并设计了一种车辆交通监控***VIEWS，对行人和车辆的交互进行跟踪和识别，在有遮挡情况下也能实现对移动车辆的识别、跟踪以及轨迹估算。Hevner等提出了一种更新移动用户位置的方法，可以预测移动车辆下一时刻可能会到达的位置。在我国，北大、清华、电子科大等机构也开展了相关的研究工作。

发明内容

本发明设计了一种车辆轨迹预测方法，能够准确地对车辆移动的规律性进行分析，对车辆未来时刻可能到达的目的地以及连续的移动轨迹做出准确的预测。

本发明通过利用车辆GPS设备采集的轨迹记录构建历史轨迹数据库，根据用户当前已知的状态信息在历史轨迹数据库中进行对比检索，而后求出其可能出现的所有状态的概率，其中概率最大的状态就是预测的下一状态，即为预测位置。再将预测到的位置作为当前的状态带入轨迹数据库中迭代计算，最终得到车辆未来的连续轨迹，即为所求。

因此本发明一种基于车联网的车辆轨迹预测方法,该方法方法包括：

步骤1：获取该车辆的历史轨迹记录，建立历史轨迹数据库。

该数据库中，通过地图信息提取街道数据，将被观测的街道总区域划分为N段，并编号，每个街道段长度不超过3公里；将进行观测的时间段划分为L个小段，观测记录每个时间小段时该车辆位置主要处于哪一街道段上；

步骤2：获取该车辆的当前位置信息，结合历史轨迹数据库，预测该车辆下一时刻的位置信息；

步骤2.1：当车辆该车辆出现在观测区域的s1位置(街道段)时，通过步骤1获取的历史轨迹数据库采用公式u_s1,s2/(L-1)计算该车辆当前时刻处于s1位置时下一个时刻出现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种情况，其中u_s1,s2表示历史轨迹数据库中连续两个时刻该车辆位置分别位于s1、s2的次数；

步骤2.2：从其他所有可能位置中找出概率最大的位置，判定为下一时刻会出现在在该位置，若出现概率相同的位置遵循下列步骤选择出预测位置：

2.2.1：通过马尔科夫链状态转移矩阵判断,选出预测位置，若依然出现概率相同位置则转入步骤2.2.2；

2.2.2：先来后到原则：考虑各个位置状态出现的先后顺序，选择搜索时最早出现的状态，视为预测结果；

步骤3：预测出下一结果后，再结合预测的位置，与步骤1中的历史轨迹数据库，采用步骤2的方法进行下下步的预测；

步骤4：采用步骤3的方式进行后续预测，获得完整的车辆预测移动轨迹。

其中，所述步骤3还可以采用u_s1,s2,s3/(L-2)来计算该车辆连续经过s1，s2位置时下一个时刻出现在其他所有可能街道位置的概率，s3表示其他所有可能位置中的一种情况，其中u_s1,s2,s3表示历史轨迹数据库中连续三个时刻该车辆位置分别位于s1、s2、s3的次数；

所述步骤4采用u_s1,s2,s3,s4/(L-3)来计算该车辆连续经过s1，s2，s3位置时下一个时刻出现在其他所有可能街道位置的概率，s4表示其他所有可能位置中的一种情况，其中u_s1,s2,s3,s4表示历史轨迹数据库中连续三个时刻该车辆位置分别位于s1、s2、s3、s4的次数；

按照步骤2、步骤3、步骤4的方法进行类推，依次获取后续车辆预测位置；当预测过程中连续时刻个数达到m个后，个数不再增加，m的大小根据街道环境设定。

其中，所述步骤2.1中还可以采用公式来计算该车辆当前时刻处于s1位置时下一个时刻出现在其他所有可能街道位置的概率，其中车辆在移动过程中经过位置状态s₁的次数为N(s₁)，在经过了位置状态s₁以后，下一状态为s₂的次数为N(s₂,s₁)。

所述步骤3还可以采用公式来计算该车辆连续经过位置s₁，s₂时下一个时刻出现在其他所有可能街道位置的概率，历史轨迹数据库中车辆经过位置状态s₁，s₂的次数为N(s₂,s₁)，在经过了位置状态s₁，s₂以后，下一状态为s₃的次数为N(s₃,s₂,s₁)；

所述步骤4采用公式来计算该车辆连续经过位置s₁，s₂，s₃时下一个时刻出现在其他所有可能街道位置的概率，历史轨迹数据库中车辆经过位置状态s₁，s₂，s₃的次数为N(s₃,s₂,s₁)，在经过了位置状态s₁，s₂，s₃以后，下一状态为s₄的次数为N(s₄,s₃,s₂,s₁)；

按照步骤2、步骤3、步骤4的方法进行类推，依次获取后续车辆预测位置；当预测过程中连续时刻个数达到m个后，个数不再增加，m的大小根据街道环境设定。

本发明的优点在于能够准确地对车辆移动的规律性进行分析，对车辆未来时刻可能到达的目的地以及连续的移动轨迹做出准确的预测。

附图说明

图1为轨迹预测方法流程图。

具体实施方式

1车辆轨迹基本模型的建立

设定所有的车辆都装备了集无线通信和导航定位GPS为一体的车联网设备。考虑到无线通信设备都具有一定的覆盖范围，设定为3公里-6公里m通信距离，GPS接收机也仅仅存在几米的定位误差，可以将一定范围内的位置可视为同一地点。

我们将被观测街道总的区域划分为N个部分，其中每一条街道或一段街道为一个单位，设定每个单位的街道不超过3公里长，超过3公里的街道将被对等分为单段不大于3公里的几部分并分别编号。因此，将整个被测区域看作一个集合Street，划分为N个街道单元，每个街道单元即是集合中的一个元素：

Street＝{s₀,s₁,...,s_N-1|s_i∩s_j＝Φ}

同样的对时间进行抽象，整个观察时间也可以看作一个集合Time,其中的元素为连续L个时间片：

Time＝{t₀,t₁,...,t_L-1|t_i∩t_j＝Φ}

根据这样的划分，对于某一单个车辆，其在观测时间内的某一个时间点t所在的街道单元位置s即为一个随机变量，而该车辆在整个观测时间中连续L个时间片的街道单元位置集合就构成了该车辆这个时间段的移动轨迹C_i，表示为：

C_i＝<s(t₁),s(t₂),...,s(t_L)>,s(t_k)∈Street,t_k∈Time

2基于马尔科夫链的轨迹预测算法

2.1构建状态转移矩阵

若随机过程X{(t),t∈T}满足条件：

(1)时间集合取非负整数集T＝{n＝0,1,2,...}，对于每个时刻，状态空间是离散集，记作E＝{n＝0,1,2,...}。即X(t)是时间离散状态离散的；

(2)对任意的正整数l,m,k，及任意的非负整数j₁>j₂>...>j_l(m>j_l)，与相应的状态有下式成立：

P{X(m+k)}＝i_m+k{X(m)＝i_m,X(j_l)＝j_l,...,X(j₂)＝j₂,X(j₁)＝j₁}

＝P{X(m+k)＝i_m+k|X(m)＝i_m}

称X{(t),t∈T}为马尔科夫链。

利用车辆GPS设备采集的轨迹记录结合本专利的街道单元设定，构建历史轨迹数据库，根据车辆当前已知的状态信息在历史轨迹数据库中对比检索，求出其可能出现的所有状态的概率，其中概率最大的状态就是预测的下一状态，即为预测位置。再将预测到的位置作为当前的状态带入轨迹数据库中迭代计算，最终得到车辆未来的连续轨迹。

车辆状态的概率构成了状态转移矩阵，算法的核心就是建立状态转移矩阵。

在马尔科夫链中，事件的发生有多种可能的状态，状态转移概率表示从一个状态转移到其他状态的可能性大小，表示为：

P{X(n_m+k)＝j|X(n_m)＝i_m},k≥1

其中，n_m为开始观测的时刻，状态为i_m，而经过k个时刻后状态转换为j。当k＝1时称为一步转移概率，用P_ij(1)表示；当k>1时称为K步转移概率，表示该事件从某一个状态开始，经过k个时间片后到达状态j的概率，记为P_ij(k)。

若一个观测事件的状态空间中有N个可能出现的状态E₁,E₂,…,E_n，根据任意两种状态之间的转移情况可构建状态转移矩阵：

$P^{\left(k\right)}=\left[\begin{array}{cccc}{p}_{11}^{\left(k\right)}& p_{12}^{\left(k\right)}& ...& p_{1n}^{\left(k\right)}\\ p_{21}^{\left(k\right)}& p_{22}^{\left(k\right)}& ...& p_{2n}^{\left(k\right)}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ p_{n1}^{\left(k\right)}& p_{n2}^{\left(k\right)}& ...& p_{nn}^{\left(k\right)}\end{array}\right]$

当k＝1时称为1阶转移矩阵；当k>1时称为K阶转移矩阵。其中的每一个元素为从状态E_i通过k步到达状态E_j的转移概率，而当事件的当前状态为E_m时，在其后的k个时刻，转移到E₁,E₂,…,E_n中的任何一个状态都是可能的，而且在k时刻该事件的状态也仅有可能是E₁,E₂,…,E_n中的一个，因此满足条件:

$\left\{\begin{array}{c}0\&le;p_{ij}^{\left(k\right)}\&le;1\\ \underset{j=0}{\overset{n}{\mathrm{\&Sigma;}}}{p}_{ij}^{\left(k\right)}=1\end{array}\right.,(i,j=1,2,...,n)$

一般满足上式的矩阵都可称为概率转移矩阵，求解即是求出该事件所有可能的转移概率

2.2预测车辆轨迹

根据2.1节的方法建立车辆轨迹的状态转移矩阵，如下：

$MS=\left[\begin{array}{cccc}{m}_{c^1,e^1}& m_{c^1,e^2}& ...& m_{c^1,e^N}\\ m_{c^2,e^1}& m_{c^2,e^2}& ...& m_{c^2,e^N}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ m_{c^{N\&times;N},e^1}& m_{c^{N\&times;N},e^2}& ...& m_{c^{N\&times;N},e^N}\end{array}\right]$

在状态转移矩阵MS中，每一个元素表示车辆从一个位置状态cⁱ，通过q个时间片转移到另一个位置状态e^j的转移概率，可根据其定义计算如下：

$m_{c^i,e^j}=P\{X(n+1)=e^j|X(n-q+1,n)=c^i\}$

其中，其中cⁱ是基本模型中划分的N个街道区域<s₀,s₁,...s_N-1>中任意连续的2个位置的序列对。

求出矩阵中的每一个转移概率m_c,e，由于车辆的轨迹记录由大量的历史轨迹数据构成，根据大数定律可以用车辆在对应位置出现的可能性来近似计算。

假设车辆在移动过程中经过位置状态cⁱ的次数为N(cⁱ)，在经过了位置状态cⁱ以后，下一状态为e^j的次数为N(e^j,cⁱ)，则从状态cⁱ到状态e^j的两步转移概率可近似为：

$m_{c^i,e^j}=P\{X(n+1)=e^j|c^i\}=\frac{N\left(e^j,c^i\right)}{N\left(c^i\right)}$

状态概率转移矩阵MS是一个N²×N的矩阵，其行号是N²个历史位置序列对构成的当前已知的轨迹，而列号表示N个可能的下一个位置。

对于每一辆车，根据其历史轨迹数据构建2阶以上状态转移矩阵后，便可通过预测其未来的轨迹。

根据已知的当前状态cⁱ定位到矩阵MS中对应的行号，再搜索该行的所有列元素并进行比较，其中概率中最大的就是预测位置e_prid＝arg_X(n+1)max{P(X(n+1)＝e^j|cⁱ)}。

在确定预测位置的过程中，由于车辆移动的随机性，可能出现多个位置状态的转移概率相等的情况，则考虑各个位置状态出现的先后顺序，选择搜索时最早出现的状态，视为预测结果。

将预测出的位置再次代入转移概率矩阵中。

Claims (4)

1.一种基于车联网的车辆轨迹预测方法,该方法方法包括：

步骤1：获取该车辆的历史轨迹记录，建立历史轨迹数据库。

该数据库中，通过地图信息提取街道数据，将被观测的街道总区域划分为N段，并编号，每个街道段长度不超过3公里；将进行观测的时间段划分为L个小段，观测记录每个时间小段时该车辆位置主要处于哪一街道段上；

步骤2：获取该车辆的当前位置信息，结合历史轨迹数据库，预测该车辆下一时刻的位置信息；

步骤2.1：当车辆该车辆出现在观测区域的s1位置(街道段)时，通过步骤1获取的历史轨迹数据库采用公式u_s1,s2/(L-1)计算该车辆当前时刻处于s1位置时下一个时刻出现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种情况，其中u_s1,s2表示历史轨迹数据库中连续两个时刻该车辆位置分别位于s1、s2的次数；

步骤2.2：从其他所有可能位置中找出概率最大的位置，判定为下一时刻会出现在该位置，若出现概率相同的位置遵循下列步骤选择出预测位置：

2.2.1：通过马尔科夫链状态转移矩阵判断,选出预测位置，若依然出现概率相同位置则转入步骤2.2.2；

2.2.2：先来后到原则：考虑各个位置状态出现的先后顺序，选择搜索时最早出现的状态，视为预测结果；

步骤3：预测出下一结果后，再结合预测的位置，与步骤1中的历史轨迹数据库，采用步骤2的方法进行下下步的预测；

步骤4：采用步骤3的方式进行后续预测，获得完整的车辆预测移动轨迹。

2.如权利要求1所述的一种基于车联网的车辆轨迹预测方法,其特征在于所述步骤3还可以采用u_s1,s2,s3/(L-2)来计算该车辆连续经过s1，s2位置时下一个时刻出现在其他所有可能街道位置的概率，s3表示其他所有可能位置中的一种情况，其中u_s1,s2,s3表示历史轨迹数据库中连续三个时刻该车辆位置分别位于s1、s2、s3的次数；

所述步骤4采用u_s1,s2,s3,s4/(L-3)来计算该车辆连续经过s1，s2，s3位置时下一个时刻出现在其他所有可能街道位置的概率，s4表示其他所有可能位置中的一种情况，其中u_s1,s2,s3,s4表示历史轨迹数据库中连续三个时刻该车辆位置分别位于s1、s2、s3、s4的次数；

按照步骤2、步骤3、步骤4的方法进行类推，依次获取后续车辆预测位置；当预测过程中连续时刻个数达到m个后，个数不再增加，m的大小根据街道环境设定。

3.如权利要求1所述的一种基于车联网的车辆轨迹预测方法,其特征在于所述步骤2.1中还可以采用公式来计算该车辆当前时刻处于s1位置时下一个时刻出现在其他所有可能街道位置的概率，其中车辆在移动过程中经过位置状态s₁的次数为N(s₁)，在经过了位置状态s₁以后，下一状态为s₂的次数为N(s₂,s₁)。

4.如权利要求3所述的一种基于车联网的车辆轨迹预测方法,其特征在于所述步骤3还可以采用公式来计算该车辆连续经过位置s₁，s₂时下一个时刻出现在其他所有可能街道位置的概率，历史轨迹数据库中车辆经过位置状态s₁，s₂的次数为N(_s2,s₁)，在经过了位置状态s₁，s₂以后，下一状态为s₃的次数为N(s₃,s₂,s₁)；

其中所述步骤4采用公式来计算该车辆连续经过位置s₁，s₂，s₃时下一个时刻出现在其他所有可能街道位置的概率，历史轨迹数据库中车辆经过位置状态s₁，s₂，s₃的次数为N(s₃,s₂,s₁)，在经过了位置状态s₁，s₂，s₃以后，下一状态为s₄的次数为N(s₄,s₃,s₂,s₁)；

按照步骤2、步骤3、步骤4的方法进行类推，依次获取后续车辆预测位置；当预测过程中连续时刻个数达到m个后，个数不再增加，m的大小根据街道环境设定。