详情

原文传递兼顾路口转移偏好与当前移动模式的车辆目的地预测模型

论文题名：	兼顾路口转移偏好与当前移动模式的车辆目的地预测模型
关键词：	车辆出行;目的地预测;路口转移偏好;当前移动模式;图注意力机制;特征提取;时间循环模糊编码;长短期记忆网络
摘要：	车辆出行目的地预测作为人类活动模式的主要分支，在城市规划、交通导航、公共安全等方面具有重要的研究价值。然而，目前基于深度学习的目的地预测模型常忽略路网结构对车辆驾驶行为约束作用，难以显式表征司机在不同路口上的转移倾向；且多基于稠密的轨迹数据构建时空特征作为模型输入，导致数据冗余、特征增益受限。事实上，道路驾驶行为往往受路网结构制约，司机在十字路口上的转向将决定下一阶段的访问地点，从而引导目的地预测；路口序列可精简车辆行驶轨迹数据的表达，提高模型学习效率。同时，当前移动模式特征可刻画细粒度的驾驶过程信息与客观外部环境，表征个体出行意图。然而，多维的当前移动模式特征提取与编码较少被考虑于目的地预测。为此，本文提出一种兼顾路口转移偏好与当前移动模式的车辆目的地预测模型。该方法基于历史轨迹提取路口转移偏好，并考虑本次出行的移动模式特征，论文的研究内容主要如下：　　1）路口转移偏好学习：基于路网与轨迹数据进行路网匹配，提取车辆历史行驶路网，并基于路口构建节点特征，利用图注意力机制学习司机在不同时间槽内对应车辆历史行驶路网中路口间的转移系数，结合当前路口、转移路口及其转移系数构建路口转移偏好，引导目的地预测；　　2）当前移动模式特征提取与编码：从原始轨迹数据与天气数据中提取时间特征、驾驶状态特征及天气特征。并根据特征属性差异，采用不同的方式对其进行编码与表达。其中，利用时间循环模糊编码顾及天周月时间槽的连续性及不同时间周期的各向异性；采用Word2vec对日期属性及天气状况进行编码以加强不同特征属性间的相关性；其余特征采用Z-Score进行标准化，以便统一量纲。　　3）探测关键出行行为的目的地预测：以路口转移偏好与当前移动模式特征作为输入构建预测模型，通过堆叠的双层LSTM学习不同轨迹特征下的长期依赖关系，采用特征交叉与注意力机制融合并捕捉重要驾驶信息，利用残差网络实现目的地预测结果输出。　　本文以12名私家车司机的轨迹数据集为研究对象，其活动范围主要在深圳市，轨迹集时间跨度为一年，通过与隐马尔可夫、长短期记忆模型、远近距离依赖模型、顾及地理语义与位置重要性的长短期记忆模型的精度对比及消融实验，验证了本模型的精度优势与泛化能力；可视化分析展现了转移偏好对目的地预测的引导能力；当移动模式特征的消融实验验证了时间特征、驾驶状态特征及天气特征提取的效果，并探讨转移路口数量设置、历史轨迹集的时间跨度对预测精度的影响及模型在常去与非常去地点上的预测效果。　　本文以图注意力机制、特征提取与编码、时空模式挖掘等为理论基础开展车辆出行目的地预测，为挖掘个体移动规律研究及行为模式提供新的思路与参考，研究成果可作为城市规划、自能驾驶领域的基础应用。
作者：	杨乐
专业：	地图学与地理信息系统
导师：	桂志鹏
授予学位：	硕士
授予学位单位：	武汉大学
学位年度：	2022