CN113888867B - 一种基于lstm位置预测的车位推荐方法及*** - Google Patents
一种基于lstm位置预测的车位推荐方法及*** Download PDFInfo
- Publication number
- CN113888867B CN113888867B CN202111165892.7A CN202111165892A CN113888867B CN 113888867 B CN113888867 B CN 113888867B CN 202111165892 A CN202111165892 A CN 202111165892A CN 113888867 B CN113888867 B CN 113888867B
- Authority
- CN
- China
- Prior art keywords
- road
- track
- parking space
- track data
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LSTM位置预测的车位推荐方法及***,对用户的历史轨迹数据进行去噪和平滑处理;使用经纬度栅格化方法对处理的历史轨迹数据的候选区域进行划分,使用几何方法对路网进行拟合,提取出历史轨迹数据中的道路特征,并进行标准化;将标准化处理后的历史轨迹数据输入LSTM神经网络进行训练,输出每种可能性归一化后的概率分布;将用户当前轨迹送入LSTM神经网络进行车位推荐,通过车位共享平台的推荐引擎返回给服务请求者,实现共享车位推荐。本发明可以更为准确地预测用户未来的走向,从而调度车位推荐策略,达到错峰使用的效果。
Description
技术领域
本发明属于智慧交通技术领域,具体涉及一种基于LSTM位置预测的车位推荐方法及***。
背景技术
随着人民生活水平的提高,城市小汽车保有量逐年大幅提高,而城市停车设施建设却不能完全满足需求,停车难已然成为车辆使用者的一大痛点。
目前我国大城市小汽车与停车位的比例约为1∶0.8,中小城市约为1∶0.5,停车缺口非常严重。同时,现有停车位利用率却很低,全国近50%停车位全天利用率平均值仅在30%左右,而国际先进水平为80%,利用率低更加剧了停车难问题。
究其原因,是因为信息交流不畅,导致车位利用率低下。使用车位共享平台,将固定的停车位流动化管理,可以有效提高车位利用率。在共享车位推荐过程中,如果推荐质量不佳,则严重影响用户使用体验;为了提高用户满意度,利用人工智能方法提升车位推荐准确度,成为该领域研究的热点。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于LSTM位置预测的车位推荐方法及***,实现精准的车位推荐。
本发明采用以下技术方案:
一种基于LSTM位置预测的车位推荐方法,包括以下步骤:
S1、对用户的历史轨迹数据进行去噪和平滑处理;
S2、使用经纬度栅格化方法对步骤S1处理的历史轨迹数据的候选区域进行划分,使用几何方法对路网进行拟合,提取出历史轨迹数据中的道路特征,并进行标准化;
S3、将步骤S2标准化处理后的历史轨迹数据输入LSTM神经网络进行训练,输出每种可能性归一化后的概率分布;将用户当前轨迹送入LSTM神经网络进行车位推荐,通过车位共享平台的推荐引擎返回给服务请求者,实现共享车位推荐。
具体的,步骤S1具体为:
S101、使用限幅滤波、中值滤波对用户的历史轨迹数据进行噪声过滤;
S102、使用高斯滤波方法对步骤S101过滤后的历史轨迹数据中呈现的锯齿状突起进行平滑操作。
进一步的,步骤S102中,采用滑动窗口算法,利用带求和功能的队列作为缓存,使用高斯滤波方法对历史轨迹数据进行平滑操作计算如下:
其中,Wi为第i个点处的权重,SumW为权重之和,SumWx为横轴加权和,SumWy为纵轴加权和,Result为最终结果坐标,Δt为时间增量,ΔT为总时间窗口,Reci.x为x轴上变量,Reci.y为y轴方向变量。
具体的,步骤S2具体为:
S201、使用经纬度栅格化方法将候选区域进行划分,缩减数据维度;
S202、考虑到用户轨迹与路网的关联性,将路网使用几何方法进行拟合,提取历史轨迹数据中每个坐标点对应的道路标识;
S203、提取经度、纬度、道路标识、区域标识、日期、时间信息,并进行标准化处理。
进一步的,步骤S201中,栅格化计算方法具体为:
分别计算纬度最大值Latmax和最小值Latmin,经度最大值Latmax和最小值Lonmin,然后根据计算得到两个方向分割网格数,将地图区域分为steplat×Steplon的网格,向上取整将所有数据点纳入栅格,计算给定位置点(x,y)的栅格索引值Index(x,y),根据给定坐标(x,y)和目标栅格Index(lat,lon)判断目标是否在区域内。
进一步的,步骤S202中,使用OpenStreetMap下载路网信息,首先需要搜索城市,得到需要查询区域的边界id,利用该id过滤区域,得到路网,采用几何方法对轨迹点进行匹配,使轨迹点映射到最近的道路垂线交点上,实现轨迹拟合。
具体的,轨迹拟合具体为:
已知轨迹上的每个P点位置为(lat,lon),建立以半径R,圆心为P的缓冲区Buffer;然后在路网集合<road1,road2,…roadn>中寻找与Buffer有交集的道路,记为RoadCandi=<road1,roadi,…roadk>,求解P到各条路的最近距离<minLenn1,minLenn2,…minLenn>,挑选出minLeni最近的一条拟合到对应道路。
具体的,步骤S3中,LSTM神经网络包含:
输入层,接受提取的regionIndex,hourInDay,dayInWeek,roadID信息特征,维度根据栅格大小确定,经过归一化处理;
隐层,采用Relu作为激活函数;
输出层,将轨迹回归问题转化为区域分类问题,加入Softmax函数,最终输出每种可能性归一化后的概率分布,根据概率分布制定车位推荐策略。
进一步的,LSTM神经网络的损失函数为:
其中,C为交叉熵损失函数,n为上层神经网络维度,y为样本的label,a为样本预测为a的概率。
本发明的另一技术方案是,一种基于LSTM位置预测的车位推荐***,包括:
处理模块,对用户的历史轨迹数据进行去噪和平滑处理;
标准化模块,使用经纬度栅格化方法对处理模块处理的历史轨迹数据的候选区域进行划分,使用几何方法对路网进行拟合,提取出历史轨迹数据中的道路特征,并进行标准化;
推荐模块,将标准化模块处理后的历史轨迹数据输入LSTM神经网络进行训练,输出每种可能性归一化后的概率分布;将用户当前轨迹送入LSTM神经网络进行车位推荐,通过车位共享平台的推荐引擎返回给服务请求者,实现共享车位推荐。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于LSTM位置预测的车位推荐方法,利用LSTM神经网络优异的时间序列学习能力,从轨迹大数据中提取移动模式,根据用户偏好和周边停车位使用状况为用户推荐停车位,提高车位推荐的准确度,提高用户满意度。
进一步的,步骤S1对用户的历史数据进行去噪和平滑处理,可以很大程度减少轨迹噪声对模型训练带来的干扰。
进一步的,步骤S101和步骤S102分别使用限幅滤波和高斯滤波对轨迹数据进行预处理,其原因在于轨迹大部分噪声满足高斯分布,所有可以很好地消除此部分地噪声。
进一步的,步骤S2对S1后的数据进行区域划分,可以有效减少数据量,能对数据维度进行缩减、减少运算带来的开销。
进一步的,步骤S201采取经纬度栅格化的方式对轨迹点区域进行划分,因为这种划分方式更适用于轨迹数据(经纬度存储),方便后续运算。
进一步的,步骤S202考虑到用户轨迹与路网的关联性(大部分情况会沿路行走),所以将轨迹点进行了路网拟合。
进一步的,步骤S203提取经纬度、道路标示、区域标识、轨迹日期、时间等信息,并进行标准化。这一步的操作主要是让输入LSTM神经网络的数据更为规范标准。
进一步的,步骤S3将之前预处理好的数据输入LSTM神经网络,并进行训练。
进一步的,采用Relu作为激活函数。因为轨迹预测可转化为多分类问题,采用Relu激活函数能更好进行预测。
综上所述,本发明首先利用限幅滤波、高斯滤波等手段对轨迹数据进行预处理,提高元数据质量;接下来采用经纬度栅格化、轨迹路网拟合等方法提取信息;接下来把数据输入神经网络,得到轨迹预测模型,使得***平台能对用户的轨迹进行预测,进而优化车位推荐方法。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明基于LSTM位置预测的车位推荐方法;
图2为本发明中轨迹拟合算法的示意图;
图3为本发明中LSTM神经网络结构示意图;
图4为一环内轨迹点云示意图;
图5为位置预测模型精确度随训练轮数的变化示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
LSTM作为新型神经网络,以其优异的时间序列学习能力,在机器学习领域逐渐崭露头角。因此,采用基于LSTM位置预测的共享车位推荐方法,能够从轨迹大数据中提取移动模式,根据用户偏好和周边停车位使用状况为用户推荐停车位,进而提高车位推荐的准确度,提高用户满意度。
本发明提供了一种基于LSTM位置预测的车位推荐方法,服务请求者向车位共享平台提出车位推荐申请,车位共享平台首先从存储节点加载对应轨迹大数据,使用限幅滤波、中值滤波进行噪声过滤,并使用高斯平滑算法减弱轨迹大数据集中的高斯噪声;其次,使用经纬度栅格化方法将候选区域划分为多个子区域,缩减数据维度;接着,抓取路网使用几何方法进行拟合,提取出轨迹中每个坐标点对应的道路标识;然后,将轨迹大数据中提取的经度、纬度、道路标识、区域标识、日期、时间等信息进行标准化,并输入LSTM神经网络训练进行;最后,根据用户的历史轨迹进行车位推荐,通过车位共享平台的推荐引擎返回给服务请求者。
请参阅图1,本发明一种基于LSTM位置预测的车位推荐方法,包括以下步骤:
S1、轨迹数据处理
S101、从存储节点加载用户的历史轨迹数据,使用限幅滤波、中值滤波进行噪声过滤,去除掉噪声数据;
已知地球半径6371.44Km,设其中一个点L0的经纬度为(LatL0,LonL0),另一个点L1的经纬度为(LatL1,LonL1),如果经度为东经则取经度的正值(Longitude),如果经度为西经则取经度为负值(-Longitude);同样的,如果北纬取90-纬度值(90-Latitude),南纬则取90+纬度值(90+Latitude),则经过上述处理过后的两点计为(MLatL0,MLonL0)和(MLatL0,MLonL0),得到公式:
C=sin(MLatL0)*sin(MLatL1)*cos(MLonL0-MLonL1)+cos(MLatL0)*cos(MLatL1)
(1)
通过公式计算出任意两点的平均速度V,已知中国城市道路行车最高速度不得超过70Km/h,行人一般速度不超过44Km/h;具体的限速Limit根据具体的环境取值,本发明取Limit=70Km/s作为过滤目标,将平均速度超过Limit的值替换为前后两个值的中点,未超过的保留原值。
经过最大速度过滤之后,仍然会存在满足符合物理规律,但是定位偏差的现象,因此需要经过进一步过滤。中值滤波的基本思路是,对于噪音点Pnoise,其估计值Pest是其后K个点的中位数。对于本发明噪声点的过滤,另外设置全局超参数Δ,表示允许的误差范围,当Distance(est,x)之间的距离小于Δ时,则保留原值,不过滤,否则使用Pest代替。作为低通滤波的一种,中值滤波能很好的过滤脉冲噪声,与之相比,均值滤波只能通过减弱噪声减小影响,无法做到过滤噪声。计算方法如下:
mid=Mid(vi+1,vi+2,…vi+K) (3)
S102、对于轨迹中呈现出的锯齿状突起,使用高斯滤波方法对历史轨迹数据进行平滑操作,使历史轨迹数据信息更为精准。
经过噪声过滤,已经去除掉了噪声数据,但是得到的轨迹会呈现出很多锯齿状突起,这是由于GPS定位精度不足,导致每次的偏差方向不一致,这种误差服从高斯分布,且相邻轨迹点之间关联程度很高,所以为了使轨迹信息更为精准,采用高斯滤波方法对轨迹进行平滑操作。
高斯滤波的核心思想是加权平均,首先会确定一个模板,这个模板包含目标点Pmid和其左右领域ΔT内的点ξ=ξleft,ξright,然后对邻域内的点进行加权平均,得到的值用以取代Pmid的位置,可有效避免振铃现象,具体计算方法如下:
SumW=∑iWi (6)
SumWx=∑i(Wi×Reci.x) (7)
SumWy=∑i(Wi×Reci.y) (8)
采用滑动窗口算法,利用带求和功能的队列作为缓存,相比于暴力搜索,复杂度从O(lgn)降低至O(ΔT),接近变为常数时间复杂度,可以有效降低前后查找的开销。
S2、提取轨迹特征
S201、为了提高运算效率,使用经纬度栅格化方法将候选区域进行划分,缩减数据维度;
考虑到经纬度是保留6位小数的浮点数据,精确到1米左右,但是对于目标位置预测来说,精确到1000m量级(约为经纬Δ=0.01度)已经足够,所以直接输入高精度的经纬度数据是没有必要的,因此需要对经纬度进行栅格化处理,使数据呈粗粒度,便于更快计算。
栅格化计算方法如下:
Latmax=max(Lat1,Lat2,…Latn) (10)
Lonmin=min(Lat1,Lat2,…Latn) (11)
Lonmax=max(Lon1,Lon2,…Lonn) (12)
Lonmin=min(Lon1,Lon2,…Lonn) (13)
首先根据上式,求得纬度最大值Latmax和最小值Latmin,经度最大值Lonmax和最小值Lonmin,然后根据下式得到两个方向分割网格数:如此,便将地图区域大致分为Steplat×Steplon的网格,向上取整是为了将所有数据点都纳入栅格。
接下来,对于一个给定位置点(x,y),其栅格索引值计算如下式:
给定坐标(x,y)和目标栅格Index(lat,lon),则其是否在区域内的判定方法如下式:
S202、考虑到用户轨迹与路网的关联性,将路网使用几何方法进行拟合,提取出轨迹中每个坐标点对应的道路标识;
使用OpenStreetMap下载路网信息,首先需要搜索城市,得到需要查询区域的边界id,利用该id过滤区域,即可得到路网,路网格式如表1。下载到的文件中,每个node标签代表一个标记点,每个way标签代表一条路,一条way由多个node标签串联起来。
表1 路网数据结构
接下来进行轨迹拟合,轨迹路网拟合核心思路是采用几何方法对轨迹点进行匹配,如图2所示,使之映射到距其最近的道路垂线交点上。本发明中,只需要知道道路的id,在匹配中能正确识别到最近道路即可。
对于轨迹上的每个P点,已知其位置为(lat,lon),建立以半径R,圆心为P的缓冲区Buffer计算方法如公式(18);然后在路网集合<road1,road2,…roadn>中寻找与Buffer有交集的道路,如公式(19)记为RoadCandi=<road1,roadi,…roadk>,接下来求解P到各条路的最近距离<minLen1,minLen2,…minLenn>,挑选出minLeni最近的一条,如公式(20),则该点P拟合到此条道路。
Buffer={x:Dis(x,P)≤R} (18)
S203、提取经度、纬度、道路标识、区域标识、日期、时间等用户信息,并对它们进行标准化处理。
对于本发明,最主要关注的是用户以及其位置数据,因此需要提取用户ID、经度、纬度;此外,考虑到用户的活动受时间的影响较大,因此需要考虑时间因素,即在一天中的时刻,和当天的星期;另外,用户在哪条路上行驶也会对其路径产生影响,所以需要提取其在地图中哪条路上,即道路id,具体的条目如下表。
表2 提取的轨迹特征
S3、共享车位推荐
S301、将用户信息输入LSTM神经网络进行训练,输出每种可能性归一化后的概率分布,根据概率分布,制定合理的车位推荐策略;
请参阅图3,模型接受features的输入,经过LSTM单元的编码,通过Softmax层进行输出,计算方法如下式:
LSTM神经网络包含输入层、隐层、输出层。
输入层接受前文提取的特征,包括regionIndex,hourInDay,dayInWeek,roadID信息,维度根据栅格大小确定,经过归一化处理。
隐层采用Relu作为激活函数,使得网络具有一定的稀疏激活的特性,可以增强模型的稳定性。本发明使用的网络中,隐层单元数为128。
本发明中的输出层将轨迹回归问题转化为区域分类问题,则对于目标的定位根据得到的regionID解析,并经过one-hot编码得到,具体的维度受栅格化粒度影响,划分粒度根据实验确定。输出层中加入Softmax函数实现多分类的效果,最终输出每种可能性归一化后的概率分布,经过这样处理之后,可以根据概率分布,制定合理的车位推荐策略。
得到训练数据后,送入LSTM神经网络进行训练。其中,上层神经网络维度表示为n,在位置i输出为yi。
本发明中,学习率选择0:0.00125,损失函数选用了交叉熵(cross-entropy costfunction),该函数为对数函数,在接近边界的时候,由于梯度仍然能够保持较高状态,因此能够很快收敛;相对的,如果采用均方差作为损失函数,则在上下边界处斜率下降会十分明显,收敛速度急剧减慢。
交叉熵公式如下:
S302、将用户当前轨迹送入LSTM神经网络进行车位推荐,通过车位共享平台的推荐引擎返回给服务请求者。
采样得到用户当前轨迹数据之后,使用HTTP请求将数据发送给车位共享平台,平台对数据进行解析并输入已经训练好的神经网络中,根据车位推荐策略,在排序靠前的栅格区域中筛选车位推荐给用户。
本发明再一个实施例中,提供一种基于LSTM位置预测的车位推荐***,该***能够用于实现上述基于LSTM位置预测的车位推荐方法,具体的,该基于LSTM位置预测的车位推荐***包括处理模块、标准化模块以及推荐模块。
其中,处理模块,对用户的历史轨迹数据进行去噪和平滑处理;
标准化模块,使用经纬度栅格化方法对处理模块处理的历史轨迹数据的候选区域进行划分,使用几何方法对路网进行拟合,提取出历史轨迹数据中的道路特征,并进行标准化;
推荐模块,将标准化模块处理后的历史轨迹数据输入LSTM神经网络进行训练,输出每种可能性归一化后的概率分布;将用户当前轨迹送入LSTM神经网络进行车位推荐,通过车位共享平台的推荐引擎返回给服务请求者,实现共享车位推荐。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于LSTM位置预测的车位推荐方法的操作,包括:
对用户的历史轨迹数据进行去噪和平滑处理;使用经纬度栅格化方法对处理的历史轨迹数据的候选区域进行划分,使用几何方法对路网进行拟合,提取出历史轨迹数据中的道路特征,并进行标准化;将标准化处理后的历史轨迹数据输入LSTM神经网络进行训练,输出每种可能性归一化后的概率分布;将用户当前轨迹送入LSTM神经网络进行车位推荐,通过车位共享平台的推荐引擎返回给服务请求者,实现共享车位推荐。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作***。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关基于LSTM位置预测的车位推荐方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
对用户的历史轨迹数据进行去噪和平滑处理;使用经纬度栅格化方法对处理的历史轨迹数据的候选区域进行划分,使用几何方法对路网进行拟合,提取出历史轨迹数据中的道路特征,并进行标准化;将标准化处理后的历史轨迹数据输入LSTM神经网络进行训练,输出每种可能性归一化后的概率分布;将用户当前轨迹送入LSTM神经网络进行车位推荐,通过车位共享平台的推荐引擎返回给服务请求者,实现共享车位推荐。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的原型***采用Python 3.8开发,整个开发环境运行在Ubuntu 20.10上,并在微软亚洲研究院Geolife项目收集的GPS轨迹数据集上进行了可行性和准确性的实验验证。发明人首先测试算法的时空耗费,其次将算法各步骤的输出结果与现实位置进行对比,实验结果表明了此方法可行性和准确性。
实验采用微软研究院GeoLife项目的数据集,时间跨度从2007年四月到2012年8月,用户一共182。这些数据是一系列以时间为序的点,每一个点包含经度、维度、日期、时间、海拔等信息。出行方式包括骑车、步行、自驾等等。轨迹总量为17621,总距离120多万公里,总时间48000多小时。
这些数据中,每个人的数据存在一个文件夹中,文件夹命名是其ID号,因此,以文件夹编号作为userID,从0–177。每个人产生的数据按天数存放,前8位代表日期,如20081024指的是2008年10月24日产生的轨迹数据。
数据集包含了7列,分别是纬度、经度、无效数据、海拔高度、从1899.12.30起的天数、日期、时间。为了更好的模拟有监控路段的情况,本实验截取了数据集中北京一环内的部分数据,即北纬39.91°至39.95°,东经116.36°至116.4°范围内100人的697970个轨迹点数据记录,点云形状如图4所示。
然后,使用python3.8+tensorflow+keras搭建深度学习环境,构建LSTM神经网络,同时为了对比实验,也构建了MLP神经网络作为基线,分别使用数据集对模型进行训练、测试。
为了分析本发明提出的基于位置预测的轨迹追踪算法正确性,首先进行了位置预测实验,分别设置2.5km、1km、500m、250m作为栅格化大小,评价指标为Rank-1,实验结果如图5所示。
图中四条曲线分别代表栅格大小为2.5km、1km、500m、250m时训练精确度随着训练轮数的变化情况。从图中的曲线走势可以看出,随着轮数epoch的增加,四个模型的精确度都在提升,且增加都由快变慢,最终趋于平稳,可见随着训练轮数的增加,模型的拟合程度不断提高。。
综上所述,本发明一种基于LSTM位置预测的车位推荐方法及***,当栅格化粒度为500m的情况下,预测准确率在70%左右,扩展网格大小能够得到更高的准确率。因此,本发明可以更为准确地预测用户未来的走向,从而调度车位推荐策略,达到错峰使用的效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (2)
1.一种基于LSTM位置预测的车位推荐方法,其特征在于,包括以下步骤:
S1、对用户的历史轨迹数据进行去噪和平滑处理,具体为:
S101、使用限幅滤波、中值滤波对用户的历史轨迹数据进行噪声过滤;
S102、使用高斯滤波方法对步骤S101过滤后的历史轨迹数据中呈现的锯齿状突起进行平滑操作,步骤S102中,采用滑动窗口算法,利用带求和功能的队列作为缓存,使用高斯滤波方法对历史轨迹数据进行平滑操作计算如下:
其中,Wi为第i个点处的权重,SumW为权重之和,SumWx为横轴加权和,SumWy为纵轴加权和,Result为最终结果坐标,Δt为时间增量,ΔT为总时间窗口,Reci.x为x轴上变量,Reci.y为y轴方向变量;
S2、使用经纬度栅格化方法对步骤S1处理的历史轨迹数据的候选区域进行划分,使用几何方法对路网进行拟合,提取出历史轨迹数据中的道路特征,并进行标准化,具体为:
S201、使用经纬度栅格化方法将候选区域进行划分,缩减数据维度,栅格化计算方法具体为:
分别计算纬度最大值Latmax和最小值Latmin,经度最大值Lonmax和最小值Lonmin,然后根据计算得到两个方向分割网格数,将地图区域分为Steplat×Steplon的网格,向上取整将所有数据点纳入栅格,计算给定位置点(x,y)的栅格索引值Index(x,y),根据给定坐标(x,y)和目标栅格Index(lat,lon)判断目标是否在区域内;
S202、考虑到用户轨迹与路网的关联性,将路网使用几何方法进行拟合,提取历史轨迹数据中每个坐标点对应的道路标识,使用OpenStreetMap下载路网信息,首先需要搜索城市,得到需要查询区域的边界id,利用该id过滤区域,得到路网,采用几何方法对轨迹点进行匹配,使轨迹点映射到最近的道路垂线交点上,实现轨迹拟合,轨迹拟合具体为:
已知轨迹上的每个P点位置为(lat,lon),建立以半径R,圆心为P的缓冲区Buffer;然后在路网集合<road1,road2,...roadn>中寻找与Buffer有交集的道路,记为RoadCandi=<road1,roadi,...roadk>,求解P到各条路的最近距离<minLen1,minLen2,...minLenn>,挑选出minLeni最近的一条拟合到对应道路;
S203、提取经度、纬度、道路标识、区域标识、日期、时间信息,并进行标准化处理;
S3、将步骤S2标准化处理后的历史轨迹数据输入LSTM神经网络进行训练,输出每种可能性归一化后的概率分布;将用户当前轨迹送入LSTM神经网络进行车位推荐,通过车位共享平台的推荐引擎返回给服务请求者,实现共享车位推荐,LSTM神经网络包含:
输入层,接受提取的regionIndex,hourInDay,dayInWeek,roadID信息特征,维度根据栅格大小确定,经过归一化处理;
隐层,采用Relu作为激活函数;
输出层,将轨迹回归问题转化为区域分类问题,加入Softmax函数,最终输出每种可能性归一化后的概率分布,根据概率分布制定车位推荐策略,LSTM神经网络的损失函数为:
其中,C为交叉熵损失函数,n为上层神经网络维度,y为样本的label,a为样本预测为a的概率。
2.一种基于LSTM位置预测的车位推荐***,其特征在于,包括:
处理模块,对用户的历史轨迹数据进行去噪和平滑处理,具体为:
使用限幅滤波、中值滤波对用户的历史轨迹数据进行噪声过滤;使用高斯滤波方法对过滤后的历史轨迹数据中呈现的锯齿状突起进行平滑操作,采用滑动窗口算法,利用带求和功能的队列作为缓存,使用高斯滤波方法对历史轨迹数据进行平滑操作计算如下:
其中,Wi为第i个点处的权重,SumW为权重之和,SumWx为横轴加权和,SumWy为纵轴加权和,Result为最终结果坐标,Δt为时间增量,ΔT为总时间窗口,Reci.x为x轴上变量,Reci.y为y轴方向变量;
标准化模块,使用经纬度栅格化方法对处理模块处理的历史轨迹数据的候选区域进行划分,使用几何方法对路网进行拟合,提取出历史轨迹数据中的道路特征,并进行标准化,具体为:
使用经纬度栅格化方法将候选区域进行划分,缩减数据维度,栅格化计算方法具体为:
分别计算纬度最大值Latmax和最小值Latmin,经度最大值Lonmax和最小值Lonmin,然后根据计算得到两个方向分割网格数,将地图区域分为Steplat×Steplon的网格,向上取整将所有数据点纳入栅格,计算给定位置点(x,y)的栅格索引值Index(x,y),根据给定坐标(x,y)和目标栅格Index(lat,lon)判断目标是否在区域内;
考虑到用户轨迹与路网的关联性,将路网使用几何方法进行拟合,提取历史轨迹数据中每个坐标点对应的道路标识,使用OpenStreetMap下载路网信息,首先需要搜索城市,得到需要查询区域的边界id,利用该id过滤区域,得到路网,采用几何方法对轨迹点进行匹配,使轨迹点映射到最近的道路垂线交点上,实现轨迹拟合,轨迹拟合具体为:
已知轨迹上的每个P点位置为(lat,lon),建立以半径R,圆心为P的缓冲区Buffer;然后在路网集合<road1,road2,...roadn>中寻找与Buffer有交集的道路,记为RoadCandi=<road1,roadi,...roadk>,求解P到各条路的最近距离<minLen1,minLen2,...minLenn>,挑选出minLeni最近的一条拟合到对应道路;
提取经度、纬度、道路标识、区域标识、日期、时间信息,并进行标准化处理;
推荐模块,将标准化模块处理后的历史轨迹数据输入LSTM神经网络进行训练,输出每种可能性归一化后的概率分布;将用户当前轨迹送入LSTM神经网络进行车位推荐,通过车位共享平台的推荐引擎返回给服务请求者,实现共享车位推荐,LSTM神经网络包含:
输入层,接受提取的regionIndex,hourInDay,dayInWeek,roadID信息特征,维度根据栅格大小确定,经过归一化处理;
隐层,采用Relu作为激活函数;
输出层,将轨迹回归问题转化为区域分类问题,加入Softmax函数,最终输出每种可能性归一化后的概率分布,根据概率分布制定车位推荐策略,LSTM神经网络的损失函数为:
其中,C为交叉熵损失函数,n为上层神经网络维度,y为样本的1abel,a为样本预测为a的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111165892.7A CN113888867B (zh) | 2021-09-30 | 2021-09-30 | 一种基于lstm位置预测的车位推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111165892.7A CN113888867B (zh) | 2021-09-30 | 2021-09-30 | 一种基于lstm位置预测的车位推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113888867A CN113888867A (zh) | 2022-01-04 |
CN113888867B true CN113888867B (zh) | 2023-05-12 |
Family
ID=79005235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111165892.7A Active CN113888867B (zh) | 2021-09-30 | 2021-09-30 | 一种基于lstm位置预测的车位推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888867B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862363B (zh) * | 2022-11-23 | 2024-03-12 | 厦门中卡科技股份有限公司 | 停车场寻车方法、程序产品、设备和计算机可读存储介质 |
CN117349545A (zh) * | 2023-12-04 | 2024-01-05 | 中国电子科技集团公司第五十四研究所 | 一种基于环境约束栅格的目标时空分布预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182453A (zh) * | 2014-06-20 | 2014-12-03 | 银江股份有限公司 | 一种面向海量历史浮动车数据的分布式地图匹配方法 |
CN111242148A (zh) * | 2018-11-28 | 2020-06-05 | 北京嘀嘀无限科技发展有限公司 | 用于地图绑定的人工智能***和方法 |
CN111444243B (zh) * | 2020-03-31 | 2023-08-29 | 北京信息科技大学 | 一种基于轨迹信息的用户行为预测画像方法及*** |
CN113128766A (zh) * | 2021-04-21 | 2021-07-16 | 科大讯飞股份有限公司 | 目的地预判方法、装置、电子设备和存储介质 |
-
2021
- 2021-09-30 CN CN202111165892.7A patent/CN113888867B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113888867A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Vehicle trajectory clustering based on dynamic representation learning of internet of vehicles | |
Zheng et al. | Spatial–temporal travel pattern mining using massive taxi trajectory data | |
CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
Wang et al. | Automatic intersection and traffic rule detection by mining motor-vehicle GPS trajectories | |
Li et al. | Coupled application of generative adversarial networks and conventional neural networks for travel mode detection using GPS data | |
Wang et al. | Detecting transportation modes based on LightGBM classifier from GPS trajectory data | |
CN113888867B (zh) | 一种基于lstm位置预测的车位推荐方法及*** | |
CN108961758B (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
An et al. | How the built environment promotes public transportation in Wuhan: A multiscale geographically weighted regression analysis | |
CN107633067A (zh) | 一种基于人员行为规律和数据挖掘方法的群体识别方法 | |
WO2014194480A1 (en) | Air quality inference using multiple data sources | |
CN111047130B (zh) | 用于交通分析和管理的方法和*** | |
CN107392245A (zh) | 一种出租车载客轨迹聚类算法Tr‑OPTICS | |
CN112418696B (zh) | 城市交通动态知识图谱的构建方法及装置 | |
CN116628455B (zh) | 一种城市交通碳排放监测与决策支持方法及*** | |
Zou et al. | Estimation of travel time based on ensemble method with multi-modality perspective urban big data | |
CN113806419A (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
CN116662468A (zh) | 基于地理对象空间模式特征的城市功能区识别方法及*** | |
Chen et al. | An analysis of movement patterns between zones using taxi GPS data | |
Wang et al. | A PSO-neural network-based feature matching approach in data integration | |
Patel et al. | Novel approach for the LULC change detection using GIS & Google Earth Engine through spatiotemporal analysis to evaluate the urbanization growth of Ahmedabad city | |
Liao | [Retracted] Hot Spot Analysis of Tourist Attractions Based on Stay Point Spatial Clustering | |
CN110716925A (zh) | 一种基于轨迹分析的跨境行为识别方法 | |
Das et al. | Hardcl method for defining LOS criteria of urban streets | |
CN112559909B (zh) | 一种基于gcn嵌入空间聚类模型的商业区发现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |