一种两阶段生成的细粒度车辆轨迹生成方法

本发明涉及轨迹生成技术，尤其涉及一种两阶段生成的细粒度轨迹生成方法，旨在实现对车辆行为的精细化建模。

背景技术：

1、随着车辆智能化和自动化的发展，城市交通分析愈加依赖于车辆轨迹。车辆轨迹数据不仅能够追踪车的转移信息，而且可以通过车的起始和目的地获得可能的拥堵路段信息，这对于交通流量的预测、出租车辆的调度等方面都有着重要的帮助。然而，车辆轨迹的获取还面临着许多问题。

2、首先，真实数据获取的局限性是一个问题。如何获取大量真实有效的数据成为研究人员面临的第一个问题。在获取车辆轨迹数据时，由于gps涉及到用户的隐私问题，难以获取和公开使用。因此，寻找一种可靠的数据获取方法是非常必要的。

3、其次，现有的轨迹生成技术还不够成熟。传统的轨迹生成技术主要是基于统计和规则的方法，这种方法无法对个体行为进行精细化建模。近年来，随着深度学习技术的发展，基于深度学习的轨迹生成技术逐渐成为研究热点。但是，现有的基于深度学习的轨迹生成技术主要集中在整体行为模式的建模上，对个体行为的建模仍然存在一定的局限性。

技术实现思路

1、本发明要克服现有技术的上述缺点，提供一种两阶段生成的细粒度轨迹生成技术。其目的在于能够同时考虑整体转移模式和个体驾驶行为，实现对车辆行为的更加精细化建模，从而提高轨迹生成的准确性和可靠性。

2、本发明的一种两阶段生成的细粒度轨迹生成方法能够同时考虑整体转移模式和个体驾驶行为，并实现对个体行为的更加精细化建模，从而提高轨迹生成的准确性和可靠性。通过使用本发明的技术，可以更好地获取车辆轨迹数据，并将其应用于交通流量预测、出租车辆调度等方面，为城市交通优化提供重要的支持。

3、本发明解决技术问题所采用的一种两阶段生成的细粒度轨迹生成方法，包括如下步骤：

4、(1)生成geohash下的区域转移轨迹：首先对车辆轨迹进行geohash，找到车辆gps坐标对应的geohash编码，从而原始数据中得到在geohash这种粗粒度下车辆的转移轨迹。之后，使用gan模型学习不同区域之间的转移规律，从而生成geohash间转移的连续的轨迹；

5、(2)生成基于驾驶意图的细粒度轨迹：根据生成的geohash区域确定区域内的转移轨迹，预测的粒度为道路之间的转移轨迹，包括以下步骤：

6、(21)对转移轨迹的起始位置和终止位置进行确定；

7、(22)预测道路节点间的路径。

8、作为本发明的一种优选技术方案，步骤(1)所述的对车辆轨迹进行geohash，找到车辆gps坐标对应的geohash编码，从而原始数据中得到在geohash这种粗粒度下车辆的转移轨迹，其中的编码过程如下：

9、(a)geohash码从一个0-1字符串开始计算，从第一个bit开始。

10、(b)对纬度进行折半细分，将当前范围均分为左右两份。如果坐标纬度在左区间，则该位为0，在右区间则该位为1。

11、(c)将所在的区间范围置为(b)中落到的区间中，重复二分的步骤得到下一bit位。

12、(d)对经度也进行相同的操作，但是经度的范围是[-180,180]。

13、(e)重复以上步骤，直到达到所需的精度，得到最终的geohash码。

14、通过geohash的方法，车辆每次上报的gps坐标映射为一个geohash码，从而原始的车辆经纬度序列转换成geohash这种粗粒度下车辆的转移轨迹。

15、作为本发明的一种优选技术方案，步骤(1)所述的使用gan模型学习不同区域之间的转移规律，从而生成geohash间转移的连续的轨迹，具体包括：gan由生成器和判别器两部分组成，判别器是一个二分类器，它接受一个离散序列作为输入，并输出一个概率表示输入序列是真实数据还是生成器生成的数据，生成器和判别器均采用transformer结构，相比lstm，transformer长序列的特征获取上具有明显优势，更有利于捕获长序列的转移轨迹特征；具体的训练方法如下：

16、(a)对判别器进行预训练：随机选取一些geohash编码连成一个序列作为负样本，真实的geohash序列作为正样本，对判别器进行预训练。

17、(b)优化目标函数为

18、

19、其中，gθ是以θ为模型参数对生成器，dφ是以φ为模型参数的判别器，x是样本数据，pd表示真实数据的分布。

20、(c)生成器的数据处理：将geohash编码映射为1～n之间的数，其中n为总共的geohash编码的数量，每一个geohash编码对应一个数。对于生成长度为t的序列，生成器分为t步生成，每次生成即为n分类的模型，即在n个geohash编码中选择一个编码。通过t步生成，则能生成长度为t的连续序列。

21、(d)对抗训练：使用真实数据和生成数据进行对抗训练。在对抗训练中，判别器的优化目标是最小化其错误率，即尽可能准确地区分真实的geohash访问序列和生成的geohash访问序列。而生成器的优化目标则是最大化判别器的错误率，即尽可能生成逼真的数据样本，使判别器难以区分真实数据和生成数据。

22、作为本发明的一种优选技术方案，步骤(2)所述的基于驾驶意图的细粒度轨迹生成阶段采用机器学习模型预测起点，具体的预测方法如下：

23、(a)特征构建：包括道路属性、历史轨迹信息和交通状态等信息；

24、(b)训练机器学习模型，预测每个节点为起点的概率；

25、(c)根据预测概率确定生成轨迹的起点和终点；

26、(d)基于驾驶意图的预测：在起点和终点之间选择最短时间的路径，并通过已经生成车辆的轨迹动态更新每条道路通行时间。

27、作为本发明的一种优选技术方案，步骤(1)所述的gan的生成器采用transformer结构进行生成，gan的判别器采用随机geohash访问序列和真实的geohash访问序列来进行预训练，之后使用真实数据和生成数据进行对抗训练。

28、作为本发明的一种优选技术方案，基于驾驶意图的细粒度轨迹生成方法中的特征构建包括道路属性、历史轨迹信息和交通状态等信息，道路属性包括道路长度、宽度、车道数等；历史轨迹信息包括车辆轨迹的历史选择比例等，交通状态包括车流量、拥堵情况等。

29、本发明的一种两阶段生成的细粒度车辆轨迹生成方法，旨在实现对车辆行为的精细化建模，包括两个部分：geohash下的区域转移轨迹生成和基于驾驶意图的细粒度轨迹生成。在第一阶段，使用gan模型进行geohash下的区域转移轨迹生成。具体来说，将道路网络划分成geohash网格，并在网格之间生成具有连续性的轨迹。该gan模型可以在训练数据集上学习到不同区域之间的转移规律，并生成连续的轨迹。在第二阶段，根据生成的geohash区域确定区域中最可能的起始位置和终止位置，之后进行道路节点间的路径预测。具体来说，使用机器学习预测模型预测起点和终点，并依预测概率确定生成轨迹的起点和终点。在确定了起点和终点后，基于驾驶意图预测最短路径，以生成最终的细粒度轨迹。本发明的优点在于，通过两阶段生成的方式，同时考虑整体转移模式和个体驾驶行为，能够实现对个体行为的更加精细化建模，从而提高轨迹生成的准确性和可靠性。

30、本发明所公开的两阶段生成的细粒度轨迹生成技术的优点在于：

31、1.通过两阶段生成的方式，同时考虑整体转移模式和个体驾驶行为，能够实现对个体行为的更加精细化建模，从而提高轨迹生成的准确性和可靠性。

32、2.采用geohash编码利用gan网络作为粗粒度的轨迹生成基础，采用数据驱动的方式学习区域间的转移轨迹，能够更好地学习和捕捉车辆行驶的规律和模式，同时能够有效地减少数据量和计算量，提高轨迹生成的效率。

33、3.细粒度轨迹生成过程中，考虑了驾驶意图和道路通行时间变化，更加贴近真实生活中的路径选择场景。