【技术实现步骤摘要】
本专利技术涉及智能交通，尤其涉及一种面向异构用户行为模式的长期轨迹预测方法。
技术介绍
1、轨迹预测作为一种广义的交通状况预测形式，旨在利用历史数据预测用户未来的移动趋势，近年来在学术界和工业界引起了越来越多的研究兴趣。例如，准确预测出行需求对于交通管理部门更好的调控交通流量预防拥堵具有重要意义。因此，轨迹预测具有广泛的研究和应用价值。轨迹数据的产生涉及到用户与各种环境因素之间复杂的交互作用，同时受到目标行为的多样性和环境动态变化的共同影响。并且用户过去的行为和决策会对未来轨迹产生持久的影响，这种影响往往涉及到复杂的长期依赖关系。此外，轨迹预测需要很多的历史数据来进行准确的建模，但在现实中可用的数据可能是不完整或不准确的。因此，长期、准确的轨迹预测面临着巨大的挑战。
2、传统的机器学习方法应用数据驱动的模型来预测轨迹，主要包括隐马尔可夫模型（hidden markov model, hmm）、动态贝叶斯网络（dynamic bayesian network, dbn）、k-最近邻（k-nearest neighbor, knn）、支持向量机（support vector machine, svm）、决策树等。基于机器学习的经典方法通过挖掘数据特征来确定概率分布，这些方法严重依赖于预先定义的先验分布和精心设计的损失函数，容易出现优化不稳定和模式崩溃问题。近年来，随着深度学习理论的提出，在轨迹预测方面取得了显著的成果，主要包括循环神经网络（recurrent neural networks, rnn）、卷积神经网络（co
技术实现思路
1、针对现有工作的不足，本专利技术提出了一种面向异构用户行为模式的长期轨迹预测方法，使用面向多属性轨迹融合的聚类算法提取轨迹数据中隐藏的用户行为特征，将具有相同行为模式的轨迹划分在一个类内差异较小的簇中，然后使用引入时间和速度信息编码的堆叠transform结构来提取并融合多属性轨迹中的多维特征，并进一步产生长期轨迹预测结果。
2、本专利技术的技术方案如下：一种面向异构用户行为模式的长期轨迹预测方法，具体步骤如下；
3、步骤一、度量轨迹中多个维度的相似性，构建可学习的距离权重矩阵，获得融合多维距离得分；
4、步骤二、使用融合多维距离得分构建邻接矩阵，再使用k-means进行轨迹聚类，最后将k-means的聚类结果用于强化学习中优化可学习的距离权重矩阵中的参数；
5、步骤三、使用轨迹聚类每一个聚类簇中的轨迹数据训练基于transformer构建的轨迹预测模型，训练后的轨迹预测模型作为轨迹预测。
6、所述度量轨迹中多个维度的相似性为计算各个维度的距离得分，设和表示两个轨迹序列，和分别为和的轨迹长度，每个轨迹点包括三个维度的信息，分别表示时间维度信息、速度维度信息和空间维度信息；空间维度信息、时间维度信息和速度维度信息的轨迹点距离计算公式如下：
7、空间维度：采用两点之间的欧几里的距离：
8、 （1）
9、其中， 和分别为元素的二维空间坐标， 和分别为元素的二维空间坐标；
10、时间维度：两个时间区间的距离由二者周期的交点与二者周期的最小开始时间和最大结束时间之间的总周期之间的比值来决定，如下；
11、 （2）
12、其中分别表示元素中访问该地点的开始时间和结束时间，表示两个时间区间重合的时间周期数；
13、速度维度：采用两个速度值之间的差值：
14、 （3）
15、其中，表示元素中的速度；
16、使用动态时间归整分别计算轨迹序列和三个维度的距离得分，将每个维度的距离得分连接为一个张量，表示为；为速度维度距离得分，为时间维度距离得分，为空间维度距离得分；
17、使用可学习的距离权重矩阵融合多维距离得分表示为：
18、 （4）
19、其中，表示融合后的多维距离得分，表示激活函数，表示偏置矩阵，表示可学习的权重矩阵，中的初始参数由随机数填充并在后续的学习过程中优化。
20、所述速度维度距离得分计算方式如下，设，分别为轨迹和轨迹中速度维度的元素集合；对于任意元素之间的距离定义如下：
21、 （5）
22、其中，为速度维度的距离函数；根据初始条件和递推公式计算累计距离矩阵如下：
23、 （6）
24、（7）
25、累计距离矩阵中为轨迹序列和在维度上的距离得分；使用相同的方法计算时间维度距离得分和空间维度距离得分分别为和。
26、所述步骤二具体为，根据所述融合后的多维距离得分构建轨迹距离矩阵如下：
27、 （8）
28、其中，表示轨迹序列与轨迹序列之间融合后的多维距离得分；设置一个距离阈值，则认为轨迹序列与轨迹序列具有邻居关系，反之则不是邻居关系；根据确立的邻居关系构建邻居关系图，每个轨迹为的一个顶点，并与其中距离小于的最近邻顶点相连，形成多条属于的边；
29、邻接矩阵表示为：
30、 （9）
31、其中，表示与之间是否有边相连，是则为1，否则为0；
32、根据顶点相似性与顶点多样性辅助选取聚类中心；
33、顶点相似性定义如下：
34、 （10）
35、其中，表示顶点的邻居集合，表示和顶点具有邻居关系的节点数量，表示同与同时具有邻居关系的节点数量；
36、顶点多样性定义如下：
37、 （11）
38、其中，表示节点总数，表示只与其中一个具有邻居关系的顶点数量；然后使用高置信度节点初始化聚类中心算法来构建聚类中心集；
39、使用聚类中心集中的节点作为kmeans算法的初始化聚类中心，对轨迹样本文档来自技高网...
【技术保护点】
1.一种面向异构用户行为模式的长期轨迹预测方法，其特征在于，具体步骤如下；
2.根据权利要求1所述的面向异构用户行为模式的长期轨迹预测方法，其特征在于，所述度量轨迹中多个维度的相似性为计算各个维度的距离得分，设和表示两个轨迹序列，和分别为和的轨迹长度，每个轨迹点包括三个维度的信息，分别表示时间维度信息、速度维度信息和空间维度信息；空间维度信息、时间维度信息和速度维度信息的轨迹点距离计算公式如下：
3.根据权利要求2所述的面向异构用户行为模式的长期轨迹预测方法，其特征在于，所述速度维度距离得分计算方式如下，设，分别为轨迹和轨迹中速度维度的元素集合；对于任意元素之间的距离定义如下：
4.根据权利要求3所述的面向异构用户行为模式的长期轨迹预测方法，其特征在于，所述步骤二具体为，根据所述融合后的多维距离得分构建轨迹距离矩阵如下：
5.根据权利要求4所述的面向异构用户行为模式的长期轨迹预测方法，其特征在于，所述高置信度节点初始化聚类中心算法具体为：
6.根据权利要求5所述的面向异构用户行为模式的长期轨迹预测方法，其特征在于，所述轨
7.根据权利要求6所述的面向异构用户行为模式的长期轨迹预测方法，其特征在于，所述时间编码输入具体如下：
...【技术特征摘要】
1.一种面向异构用户行为模式的长期轨迹预测方法，其特征在于，具体步骤如下；
2.根据权利要求1所述的面向异构用户行为模式的长期轨迹预测方法，其特征在于，所述度量轨迹中多个维度的相似性为计算各个维度的距离得分，设和表示两个轨迹序列，和分别为和的轨迹长度，每个轨迹点包括三个维度的信息，分别表示时间维度信息、速度维度信息和空间维度信息；空间维度信息、时间维度信息和速度维度信息的轨迹点距离计算公式如下：
3.根据权利要求2所述的面向异构用户行为模式的长期轨迹预测方法，其特征在于，所述速度维度距离得分计算方式如下，设，分别为轨迹和轨迹中速度维度的元素集合；对于任意元素之间的距离定义如下：
4.根据权利要求3所述的面向异构用户行...
【专利技术属性】
技术研发人员：毕远国，刘羽霏，刘雨衡，杨凯琪，黄子烜，樊彦伯，胡兵，张天旭，
申请(专利权)人：东北大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。