基于卡口上下文和深度置信网络的车辆轨迹预测模型研究

针对车辆轨迹预测中节点序列的时序特性和实际路网中的空间关联性,该文提出一种基于深度置信网络和SoftMax(DBN-SoftMax)轨迹预测方法。首先,考虑到轨迹在节点集合中的强稀疏性和一般特征学习方法对新特征的泛化能力不足,该文利用深度置信网络(DBN)较强的无监督特征学习能力,达到提取轨迹局部空间特性的目的;然后,针对轨迹的时序特性,该文采用逻辑回归的预测思路,用当前轨迹集在路网特征空间中的线性组合来预测轨迹;最后,结合自然语言处理领域中的词嵌入的思想,基于实际轨迹中节点存在的上下文关系,运用节点的向量集表征了节点间的交通时空关系。实验结果表明该模型不仅能够有效地提取轨迹特征,并且在拓扑结构复杂的路网中也能得到较好的预测结果。

卡口数据驱动的车辆轨迹重构方法研究

基于使用GPS数据的传统方法存在数据共享的高障碍性和无法覆盖到道路上所有车辆等问题,提出了一种卡口数据驱动的车辆轨迹重构方法。通过一个可以学习的嵌入表达将车辆轨迹数据中的时间信息进行嵌入;使用掩码语言模型对车辆轨迹中的部分卡口进行动态掩盖;利用多头注意力和动态卷积构成的混合注意力对车辆轨迹中的卡口上下文结构进行学习,预测出被掩盖的真实卡口。实验结果表明:该模型能够有效获取车辆轨迹中不同卡口之间的关系,在卡口缺失率提高后,也能有效还原缺失的卡口。