基于城市交通路网的轨迹还原系统.pdf

《基于城市交通路网的轨迹还原系统.pdf》由会员分享，可在线阅读，更多相关《基于城市交通路网的轨迹还原系统.pdf（9页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202310338945.3(22)申请日 2023.04.01(71)申请人 复旦大学地址 200433 上海市杨浦区邯郸路220号(72)发明人 孙未未陈宇琪(74)专利代理机构 上海正旦专利代理有限公司 31200专利代理师 陆飞陆尤(51)Int.Cl.G08G 1/01(2006.01)G06N 3/04(2023.01)G06N 3/08(2023.01)(54)发明名称一种基于城市交通路网的轨迹还原系统(57)摘要本发明属于智能交通技术领域，具体为一种基于城市交通路网的轨迹还原系统。。

2、本发明系统包括交通轨迹数据采集模块、GPS轨迹特征抽取模块、GPS轨迹还原学习模块；其中交通轨迹数据采集模块采集城市道路上行驶的车辆在行驶过程中的经纬度数据，GPS轨迹特征抽取模块对采集到的低采样率的轨迹点输入神经网络中提取时空特征，GPS轨迹还原学习模块将上一阶段的输出输入到新的神经网络模型中预测输入的低采样率轨迹中缺失的采样点的经纬度信息。本发明能够大幅度提高低采样率轨迹数据的利用；同时结合城市路网的拓扑结构，使得还原出来的GPS轨迹更加符合真实的轨迹，有效提升对轨迹数据的利用效率。权利要求书2页 说明书5页 附图1页CN 116612631 A2023.08.18CN 116612631。

3、 A1.一种基于城市交通路网的轨迹还原系统，其特征在于，包括：交通轨迹数据采集模块，由车载GPS设备以设定的采集周期和采集间隔，采集真实城市道路上行驶的车辆在行驶过程中的经纬度数据，具体为低采样率的轨迹点；并进行数据预处理和清洗，以保证数据的准确性和有效性；GPS轨迹特征抽取模块，采用时间和空间结合的Transformer模型，作为深度学习神网络，对采集到的低采样率的轨迹点提取时空特征；GPS轨迹还原学习模块，采用GRU图神经网络模型进行轨迹还原，并使用多任务学习进行训练；根据GPS轨迹特征抽取模块的输出，预测输入的低采样率轨迹中缺失的采样点的经纬度信息；具体地，GRU作为解码器，接收来自GP。

4、S轨迹特征抽取模块的编码器的输出作为输入，并且根据先前的预测结果以及上下文信息来预测低采样率轨迹中缺失的采样点的经纬度信息。2.根据权利要求1所述的基于城市交通路网的轨迹还原系统，其特征在于，所述交通轨迹数据采集模块采集到的经纬度数据通过网络传输方式上传到后台服务器进行处理，包括对数据进行预处理和清洗；预处理包括去除噪声、填充缺失数据，清洗包括去除异常数据、过滤无效数据。3.根据权利要求1所述的基于城市交通路网的轨迹还原系统，其特征在于，所述GPS轨迹特征抽取模块，具体分为路网特征表示、轨迹特征表示和表示学习三个子模块；其中：所述路网特征表示子模块，具体包括：(1)对城市道路进行处理，构建出道。

5、路之间的拓扑关系G(V，E)，其中|V|N表示路网中路段的数量，表示路段之间的连接关系，即E中元素eij1当且仅当第i个路段和第j个路段相连；(2)将路网分割成mn的网格单元；然后对于每个道路段，提取经过的网格编号；这样，将每个道路段就表示为一个网格序列；把这些网格序列分别输入GRU中得到每个路段的网格化表示xgrid；(3)对每个路段建立一个词表其中Nd表示路网中路段的数量，即上述路网拓扑结构中建立的路网图中的节点数量；(4)将步骤(3)中得到的xid和步骤(2)中得到的xgrid进行拼接，得到图神经网络的输入；(5)使用图神经网络利用图注意力模型对路网拓扑结构进行建模，具体是将步骤(4)中。

6、得到的结果输入M层图注意力网络(GAT)中，图注意力网络对图中节点的信息和其邻居的信息进行聚合，最终得到最终的路网表示xroad；所述轨迹特征表示子模块，具体包括：(1)利用RTree数据结构，提取每个GPS采样点周围的位置信息；(2)将RTree数据结构中存储的路网信息转换为一个带权有向图，其中节点表示路网中的位置，边表示位置之间的路径，边的权重表示路径之间的关联程度；在构建每个GPS点对应的子图的过程中，使用指数衰减函数来计算节点之间的权重，通过计算每个节点与GPS点之间的距离，进而计算出节点之间的相似度或权重；所述的指数衰减函数采用如下形式：其中d表示GPS和路段之间的距离，是一个超参数。

7、，用于控制相似度的衰减速度；当d越小时，它们之间的相似度或权重就越大；当权利要求书1/2 页2CN 116612631 A2它们之间的距离越远时，它们之间的相似度或权重就越小，满足权重的衰减规律；(3)将上一部分得到的路网表示xroad作为轨迹中每个子图的特征；所述表示学习子模块，具体包括：(1)使用Transformer模型对轨迹的时间依赖进行特征提取，通过对低采样率轨迹点之间的时间关系进行学习，捕捉轨迹点之间的时间序列特征，以提高轨迹还原的准确性和精度；(2)使用Gated Fusion机制，将空间特征和时间特征进行拼接融合，得到时空特征矩阵；(3)将融合的时空特征输入图神经网络模型，对时。

8、空图进行特征提取；(4)利用短接模块将多头注意力机制模块和前向传播模块进行连接，能够充分利用两种模块的优势；(2)(4)完成基于图神经网络的Transformer模型进行时空图特征提取。4.根据权利要求1所述的基于城市交通路网的轨迹还原系统，其特征在于，所述GPS轨迹还原学习模块，采用GRU模型进行轨迹还原，并使用多任务学习进行训练，具体包括：(1)使用GRU模型对GPS轨迹序列进行建模和还原；具体是将轨迹特征表示子模块中得到的最终输出输入到一层的GRU模型中，得到还原的轨迹在每个时刻的特征，即表示GRU模型在第j个时间点的输出；(2)使用交叉熵作为损失函数进行路段预测；假设GRU在第j个时间。

9、点的输出为那么路段预测损失定义为：式中，V表示所有路段的集合，l表示轨迹的长度，ej表示真实轨迹中第j个采样点对应的路段，表示可学习的参数，cj表示一个预先定义的掩码；(3)使用所述回归损失作为损失函数进行急性移动比例预测；假设GRU在第j个时间点的输出为那么移动比例预测损失定义为：式中，rj表示真实轨迹中第j个采样点在对应的路段ej上的移动比例，wrate表示可学习的参数，为Sigmoid激活函数；(4)整个模型的优化目标定义为：式中，为一个超参数，用于权衡两部分损失函数的重要性；(5)重复(2)(4)直到模型达到预期。权利要求书2/2 页3CN 116612631 A3一种基于城市交通路网。

10、的轨迹还原系统技术领域0001本发明属于智能交通技术领域，具体为一种基于城市交通路网的轨迹还原系统。背景技术0002随着GPS模块在各种移动设备上的广泛使用，GPS轨迹已经出现在许多应用中，例如行程时间,估计交通预测轨迹相似度测量等。然而，这些模型的性能很大程度上取决于轨迹的采样率。也就是说，高采样率的轨迹提供了车辆运动模式的更多细节信息，从而使得这些模型有良好的性能。然而，在现实中，大量轨迹的采样率很低，使得大多数现有模型难以有效地利用这些轨迹。与此同时，虽然大多数现有的基于隐马尔可夫模型(HMM)及其变体的地图匹配算法对高样本轨迹具有较高的准确性，但随着样本率的提高，性能会显着下降，这主要。

11、由于低采样率的轨迹数据具有很大的不确定性。虽然现有的许多工作旨在提高地图匹配的准确性，包括基于HMM的方法和基于学习的方法，但低样本轨迹的问题从未涉及结束。0003低样本轨迹的另一个研究分支包括轨迹还原，旨在从给定的轨迹点中恢复丢失的点。目前已有的一些工作忽略了道路网络的拓扑结构，仅使用网格信息或原始GPS点作为输入。因此，编码器模型无法捕捉到GPS点丰富的空间信息。这些问题导致了轨迹还原模型预测精度较低，缺乏空间一致性。发明内容0004鉴于上述问题，本发明目的在于提供一种基于城市交通路网的轨迹还原系统，以解决目前轨迹还原存在的预测精度较低，缺乏空间一致性的问题。0005本发明提供的基于城市交。

12、通路网的轨迹还原系统，该系统包括：0006交通轨迹数据采集模块，由车载GPS设备以设定的采集周期和采集间隔(例如，一般每隔26分钟上传一次GPS定位)，采集真实城市道路上行驶的车辆在行驶过程中的经纬度数据(具体为低采样率的轨迹点)；并进行数据预处理和清洗，以保证数据的准确性和有效性；0007GPS轨迹特征抽取模块，采用时间和空间结合的Transformer模型(作为深度学习神经网络)(Vaswani A,Shazeer N,Parmar N,et al.Attention is all you needJ.Advances in neural information processing sy。

13、stems,2017,30.)，对采集到的低采样率的轨迹点提取丰富的时空特征；0008GPS轨迹还原学习模块，采用GRU(Gated Recurrent Unit)(Cho K,VanB,Gulcehre C,et al.Learning phrase representations using RNN encoderdecoder for statistical machine translationJ.arXiv preprint arXiv:1406.1078,2014.)图神经网络模型进行轨迹还原，并使用多任务学习进行训练；根据上一模块的输出，预测输入的低采样率轨迹中缺失的采样点的经纬。

14、度信息。0009具体地，在GPS轨迹还原学习模块中，GRU作为解码器，接收来自GPS轨迹特征抽取模块的编码器的输出作为输入，并且根据先前的预测结果以及上下文信息来预测低采样率说明书1/5 页4CN 116612631 A4轨迹中缺失的采样点的经纬度信息。即该模块的输入序列是GPS轨迹特征抽取模块编码器的输出，而输出序列则是低采样率轨迹中缺失的采样点的经纬度信息。GRU的内部状态由先前的预测结果以及输入序列的历史信息组成，这使得模型能够在缺失数据的情况下进行预测。0010进一步地：0011所述交通轨迹数据采集模块，是本发明中的关键模块之一，它是整个轨迹还原中的第一步，本发明中，采集到的轨迹数据主。

15、要来自于车载GPS设备。这些GPS设备采集到的经纬度数据可以通过网络传输等方式上传到后台服务器进行处理。在进行数据采集时，可以设置一定的采集周期和采集间隔，以保证采集到的数据具有一定的时效性和可用性。在采集到轨迹数据后，可以对数据进行预处理和清洗。预处理过程包括去除噪声、填充缺失数据等操作，以减小数据的误差和提高数据的可用性。清洗过程包括去除异常数据、过滤无效数据等操作，以保证数据的准确性和有效性。0012所述的GPS轨迹特征抽取模块，采用了深度学习神经网络，用于对低采样率的轨迹点进行特征提取，具体分为路网特征表示、轨迹特征表示和表示学习三个子模块；其中：0013所述路网特征表示子模块，具体包。

16、括：0014(1)对城市道路进行处理，构建出道路之间的拓扑关系G(V，E)，其中，|V|N表示路网中路段的数量，表示路段之间的连接关系，即E中元素eij1当且仅当第i个路段和第j个路段相连；0015(2)将路网分割成mn的网格单元；然后，对于每个道路段，提取经过的网格编号；这样，每个道路段就可以被表示为一个网格序列；将这些网格序列分别输入GRU中得到每个路段的网格化表示xgrid；0016(3)对每个路段建立一个词表其中Nd表示路网中路段的数量，即上述路网拓扑结构中建立的路网图中的节点数量；0017(4)将步骤(3)中得到的xid和步骤(2)中得到的xgrid进行拼接，得到图神经网络的输入；0。

17、018(5)使用图神经网络利用图注意力模型对路网拓扑结构进行建模；具体而言，将步骤(4)中得到的结果输入M层图注意力网络(GAT)(P,Cucurull G,Casanova A,et al.Graph attention networksJ.arXiv preprint arXiv:1710.10903,2017.)中，图注意力网络会对图中节点的信息和其邻居的信息进行聚合，最终得到最终的路网表示xroad。0019所述轨迹特征表示子模块，具体包括：0020(1)利用RTree数据结构，提取每个GPS采样点周围的位置信息；0021(2)将RTree数据结构中存储的路网信息转换为一个带权有向图，。

18、其中节点表示路网中的位置，边表示位置之间的路径，边的权重表示路径之间的关联程度；在构建每个GPS点对应的子图的过程中，使用指数衰减函数来计算节点之间的权重，通过计算每个节点与GPS点之间的距离，进而计算出节点之间的相似度或权重；0022所述的指数衰减函数采用如下形式：其中d表示GPS和路段之间的距离，是一个超参数，用于控制相似度的衰减速度；当d越小时，它们之间的相似度或权重就说明书2/5 页5CN 116612631 A5越大；当它们之间的距离越远时，它们之间的相似度或权重就越小，满足权重的衰减规律；0023(3)将上一部分得到的路网表示xroad作为轨迹中每个子图的特征。0024所述表示学习。

19、子模块，具体包括：0025(1)使用Transformer模型对轨迹的时间依赖进行特征提取，通过对低采样率轨迹点之间的时间关系进行学习，捕捉轨迹点之间的时间序列特征，以提高轨迹还原的准确性和精度；0026(2)使用Gated Fusion机制(Zheng C,Fan X,Wang C,et al.Gman:A graph multiattention network for traffic predictionC/Proceedings of the AAAI conference on artificial intelligence.2020,34(01):12341241.)，将空间特征和。

20、时间特征进行拼接融合，得到时空特征矩阵；0027(3)将融合的时空特征输入图神经网络模型，采用图神经网络模型对时空图进行特征提取；0028(4)利用短接模块将多头注意力机制模块和前向传播模块进行连接，能够充分利用两种模块的优势；0029(2)(4)构成基于图神经网络(GNN)的Transformer模型进行时空图特征提取。0030所述的GPS轨迹还原学习模块，采用GRU模型进行轨迹还原，并使用多任务学习进行训练。具体包括：0031(1)使用GRU模型对GPS轨迹序列进行建模和还原。具体而言，将轨迹特征表示子模块中得到的最终输出，输入到一层GRU模型中，得到还原的轨迹在每个时刻的特征，即表示GR。

21、U模型在第j个时间点的输出。0032(2)使用交叉熵作为损失函数进行路段预测。假设GRU在第j个时间点的输出为那么路段预测损失定义为：00330034式中，V表示所有路段的集合，l表示轨迹的长度，ej表示真实轨迹中第j个采样点对应的路段，表示可学习的参数，cj表示一个预先定义的掩码。0035(3)使用所述回归损失作为损失函数进行急性移动比例预测。假设GRU在第j个时间点的输出为那么移动比例预测损失定义为：00360037式中，rj表示真实轨迹中第j个采样点在对应的路段ej上的移动比例，wrate表示可学习的参数，为Sigmoid激活函数。0038(4)整个模型的优化目标定义为：00390040。

22、式中，为一个超参数，用于权衡两部分损失函数的重要性。0041(5)重复(2)(4)直到模型达到预期。0042本发明的优点说明书3/5 页6CN 116612631 A60043本发明充分利用路网的信息进行轨迹还原。在轨迹还原过程中，考虑到相邻两个采样点之间的距离可能很大(例如假设汽车以100km/h的速度行驶在高架上，那么如果两个采样点之间的时间间隔为100秒的话，那么相邻两个采样点之间距离可以达到将近3km)，这样相邻两个采样点之间可能经过很多路段。考虑到路网复杂的拓扑关系，在本发明中使用图神经网络并提取新的时空Transformer模型提取GPS轨迹的空间信息。附图说明0044图1为本发明。

23、提出的基于城市交通路网的轨迹还原模型的结构示意图。0045图2为在上海部署了本发明提出的基于城市交通路网的轨迹还原模型的示意图。具体实施方式0046下面结合具体实例和附图进一步说明本发明。0047图1为本发明提出的基于城市交通路网的轨迹还原模型的结构示意图，方法包括包括交通轨迹数据采集模块，用于采集真实城市道路上行驶的车辆在行驶过程中的经纬度数据；GPS轨迹特征抽取模块，用于对采集到的低采样率的轨迹点输入神经网络中提取丰富的时空特征；GPS轨迹还原学习模块，用于将上一阶段的输出输入到新的神经网络模型中预测输入的低采样率轨迹中缺失的采样点的经纬度信息。0048图2为在上海部署了本发明提出的基于城。

24、市交通路网的轨迹还原模型的示意图，该模型可以有效地利用城市交通路网中的信息，对GPS轨迹进行还原和纠正，从而提高轨迹还原的准确性。在图中，圆圈表示从GPS设备中得到的GPS数据，这些数据经过模型处理后，转换成了三角形的图标所代表的高采样率的轨迹，即更加真实和精确的车辆行驶轨迹。在实际应用中，该模型可以应用于出租车、快递配送、物流配送等领域，能够为城市交通管理、智能交通建设和交通运输安全提供有力支持。0049将本具体实施使用中国上海、成都和葡萄牙波尔图的轨迹数据进行测试。与目前主流轨迹还原模型和算法的测试结果比较如表1所示，其中表中数据为使用该方法在指定数据集测试时所有车辆通过路口的平均用时。其。

25、中固定间隔还原方法为传统的非深度问题还原方法，采用线性插值的算法还原高采样率轨迹，并结合HMM算法将GPS投影到路网上；所述的GPS还原方法为最出色的深度学习模型，根据输入的GPS序列得到高采样率的GPS序列，并结合HMM算法将GPS投影到路网上；所述的端到端方法为最出色的轨迹还原方法，使用端到端的算法直接对真实的GPS轨迹进行还原。针对每个城市，在本发明中使用Recall、Precision、Accuracy和F1 Score来评估路段还原的准确率，使用MAE和RMSE来评估GPS还原的准确率。其中，所述的Recall(召回率)表示模型正确预测为正类的样本数与实际正类样本数的比例；所述的Precision(精确度)表示模型正确预测为正类的样本数与预测为正类的样本数的比例；所述的Accuracy(准确率)表示模型正确预测的样本数与总样本数的比例；所述的F1 Score(F1分数)：综合考虑了模型的精确度和召回率；所述的MAE是预测值与真实值之差的绝对值的平均值；所述的RMSE是预测值与真实值之差的平方的平均值的平方根。0050表1说明书4/5 页7CN 116612631 A700510052说明书5/5 页8CN 116612631 A8图1图2说明书附图1/1 页9CN 116612631 A9。