论文部分内容阅读
随着移动互联技术、全球定位技术的不断发展,车辆轨迹数据规模不断扩大,移动位置推荐、出行计划制定、城市交通拥堵缓解及道路规划等基于位置的服务也逐渐繁荣,而车辆位置预测则是以上服务的核心和基础。针对这一需求,本文基于实际项目中获取的城市车辆GPS日志数据,提出了基于神经网络的车辆轨迹预测方法,通过历史轨迹数据预处理、基于K-Modes聚类算法的稀疏数据补全、基于GA优化的LSTM预测模型等三个步骤,实现了轨迹数据质量提升和车辆位置预测,为其他基于位置的服务提供稳定可靠的底层支持。本文在回顾了当前车辆和移动对象轨迹和位置预测研究现状之后,围绕稀疏轨迹数据补全、时序车辆轨迹预测以及LSTM初始参数优化等方面展开研究,最终确定基于K-Modes聚类算法补全和基于GA算法优化的LSTM车辆轨迹预测模型,并引入预测误差校准模块对最终预测结果进行校验和纠正。本文主要工作包括以下几方面:(1)轨迹数据预处理。轨迹数据质量对于最终车辆位置预测准确率有较大影响,而现有研究往往侧重于轨迹预测方法,较少对历史数据质量进行评价和提升。本文通过研究轨迹自身数据特点,在过滤重复轨迹点的基础上,通过对原始车辆轨迹的切分,形成了车辆轨迹集合。而后,基于K-Modes聚类算法实现对轨迹数据的聚类。基于聚类结果,在无第三方路网数据辅助下,对稀疏轨迹数据进行补全,进一步提升车辆轨迹数据的质量。(2)使用GA算法优化LSTM模型。针对车辆轨迹这一具有明显时序特征的数据,本文采用LSTM建立车辆位置预测模型。在模型建立过程中,针对LSTM初始参数选择的随机性导致模型收敛效果不佳的缺点,借助于GA算法良好的全局搜索和优化能力,采用GA算法对LSTM模型的初始参数进行优化,快速缩短模型收敛时间,提升LSTM模型的性能。(3)建立车辆位置预测模型并进行实验。基于GA优化实验获取的初始参数集合,建立车辆位置预测模型,并组织实验。首先,实验对比了数据在补全前后总轨迹点数量以及单条轨迹中平均轨迹点数量的变化,说明稀疏数据补全有效地提升了轨迹数据质量;而后,给出了GA优化算法优化效果的评价,经过GA算法优化的LSTM模型拥有更佳的收敛性能;最后,对比了数据补全前后位置预测准确度的变化,针对明显误差点引入预测误差校准步骤,结果表明最终位置预测准确度达到82.9%。实验结果表明,本文提出的基于神经网络的车辆轨迹预测算法是准确、高效可行的。