本发明属于车辆运行轨迹领域，具体涉及一种车辆行驶轨迹预测方法。
背景技术：
：城市规模在不断变大，车辆数目不断增多，由此带来的交通问题也越来越严峻。随着信息技术产业的快速发展，先进的定位、检测、监控和通信技术广泛应用在交通领域。目前各个城市内的道路卡口以及城市之间的高速公路上部署了海量的车辆抓拍摄像头，会产生大量的道路交通信息和车辆通行信息，记录了所有车辆的行驶轨迹；另外智能手机、平板电脑等带定位功能的手持移动终端或车载行驶记录设备，实时采集GPS位置，记录了每个被采集车辆行驶轨迹。分析车辆轨迹信息并应用在智能交通领域一个研究的热点，主要集中在车辆轨迹预测、路段交通状况分析、道路运行安全分析等。在城市交通管理过程中，通过大数据分析，很容易对一些异常车辆进行识别，如套牌车，嫌疑车等。由于这些车辆在道路上处于不断运动的状态，在一些特殊情况下需要对车辆进行布控和抓捕的时候，往往安排人员对车辆进行尾随跟踪，并组织警力赶超，这样既容易惊动车辆驾驶员，又容易影响交通秩序。为了便于公安部门对这些车辆进行追踪，需要对正在行驶车辆的轨迹进行监控和预测，方便管理部门在车辆即将通过的路口提前进行布控。因此，对车辆行驶轨迹的预测方法能根据车辆现在行驶的轨迹，实时预测其到其他路口的概率，为交通管理部门提供技术支持。对于行驶轨迹的预测，一般是对于车辆未来行驶的道路空间轨迹预测，也就是预测车辆会选择走哪条道路，通过哪些交通标示，例如卡口位置。目前大量的未知路径的行驶轨迹预测研究都是基于GIS地图和GPS导航，根据道路的地理信息和大概的目的地选择最短路径，另外有一些算法参考了当前的道路拥堵情况，针对行驶时间最短在当前和未来交通情况选择最优路径。这些方法没有把大量的车辆的历史轨迹信息考虑进去，轨迹预测的准确度相对不高。技术实现要素：针对现有技术的以上缺陷或改进需求，本发明提供了一种预测车辆轨迹的方法，针对车辆驾驶员的习惯在熟悉的道路上行驶的情况，采用条件概率的计算方法，先把车辆的历史轨迹形成有序的路程集作为条件概率的总的样本空间，以车辆正在行驶的轨迹为条件，以条件概率的计算方法，计算在现在轨迹条件下到达其他路口的概率。为实现上述目的，按照本发明的一个方面，提供了一种车辆行驶轨迹预测方法，其特征在于，包括，S1对车辆历史行驶轨迹数据按照时间进行排序，获得车辆行驶的时序数据；S2根据车辆行驶的时序数据判断每段行驶轨迹的起点和终点，获得多个车辆历史行驶线路；S3统计车辆在相同有序轨迹的次数，获取车辆历史行驶轨迹的有序路程集，作为车辆行驶轨迹预测的行驶轨迹样本集合；S4根据车辆的当前行驶轨迹L，获取行驶轨迹样本集合中车辆经过当前行驶轨迹L和下一行驶轨迹R的样本数量与车辆经过当前行驶轨迹L的样本数量的比值，即为车辆即将进入轨迹R的概率。作为本发明技术方案的一个优选，步骤S2包括，S21按照车辆行驶的时序数据，计算相邻两个数据之间的时间间隔，获得平均时间间隔；S22将时间间隔大于平均时间间隔的两个相邻数据视为前一段行驶路线的起点和下一段行驶路线的终点。作为本发明技术方案的一个优选，将车辆进入概率不小于0.8的轨迹作为车辆下一阶段行驶轨迹的预测轨迹。作为本发明技术方案的一个优选，历史行驶轨迹数据包括车辆经过的路口和经过该路口的时刻。作为本发明技术方案的一个优选，每段行驶路线的起点与终点之间可以包括多段轨迹。作为本发明技术方案的一个优选，车辆历史行驶轨迹优选按照时间由远及近进行排列。作为本发明技术方案的一个优选，车辆的历史行驶轨迹数据优选通过路口卡口设备在车辆经过时获取。作为本发明技术方案的一个优选，轨迹可以为经过路口或不经过路口的行驶路线。总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：1)本发明技术方案的方法，针对异常车辆，对其历史数据进行收集和整理，形成异常车辆轨迹有序数据集，根据该数据集获得车辆历史行驶线路；然后以该车辆当前正在形势的轨迹为预测前提，比较车辆历史行驶线路，采用条件概率的计算方法，获取其出现在其他路口的概率。2)本发明技术方案的方法，将预测运动中的车辆的一组有序轨迹的问题转化为预测到达某一个路口的概率问题，计算算法简单，运算速度快，并且随着车辆轨迹的历史数据越多，预测也越准确，从而实现了将车辆轨迹预测的线路预测问题转化为预测其要经过的路口的地点预测问题。附图说明图1是本发明技术方案实施例的车辆行驶轨迹预测流程图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。在城市道路中，每个路口都安装有多个卡口设备，这个设备通过视频拍摄，识别过往车辆的车牌号，达到车辆监控的目的。因此车辆在城市中行驶，就会被路口的卡口设备所捕捉，卡口设备的后台数据库中记录了该车辆在不同时段经过各路口的轨迹。本实施例中，车辆行驶轨迹是基于车辆的历史轨迹进行预测的。首先要对历史数据进行收集和整理，获取车辆的有序路程集，然后依据车辆现在行驶的轨迹计算其在其他路口可能出现的概率。本实施例中历史数据整理的流程如图1所示。具体来说，数据整理分为五步：第1步：获取数据。本实施例中获取的是该车辆近3个月的历史轨迹数据集，这个数据集由多条前端卡口设备拍摄所形成的数据组成。数据内容包括车辆经过的路口，车辆经过各路口的时间，实时车速等信息。第2步：时间排序。对获取的车辆行驶历史轨迹数据进行整理，将其按照时间进行由远到近的顺序排序，获得车辆行驶的时序数据。通过时序数据可以看出车辆一个连续变化的时间里所经过的路口，从而可以绘制出其行驶轨迹曲线。第3步：起点和终点判断。车辆行驶轨迹的起点和终点对于车辆历史行驶轨迹的判断来说很重要。只有明确了每段行驶轨迹的起点和重点，才能有效的绘制出车辆每次的行驶路线，从而使得依据历史行驶路线对车辆行驶轨迹进行预测成为可能。在步骤2所获得的时序数据中，需要根据数据之间的时间间隔判断车辆每次行驶线路的起点和终点。一般认为时序数据的第一个数据信息是车辆第一次路程的起点，时序数据的最后一个数据信息是最后一次路程的终点。但是，车辆不可能一直在行驶过程中，因此需要根据有序数据的间隔时间来判断一段路程的起点和终点。在有序的历史轨迹数据集中，若出现前一条数据与后一条数据时间间隔远远大于其他时序数据之间的间隔，可以初步判断前一条数据是上次轨迹的终点，后一条数据是这次轨迹开始的起点。即这一组数据是分别是前后两个行驶轨迹的终点和起点。本实施例中，首先计算时序数据中两个相邻数据之间的平均时间间隔，从而对于时间间隔远大于平均时间间隔的两个相邻数据，可以判断前一条是上一段行驶路程的终点，后一条是下一段行驶路程的起点。第4步：形成有序路程；在有序的历史轨迹数据集中，结合路程的起点和终点，获取车辆历史运行路程。第一个起点和第一个终点之间的所有路口就是这3个月中车辆行驶的第一个路程；第二个起点和第二个终点之间的所有路口就是这3个月中车辆行驶的第二个路程；依次形成多条有序路程如表1所示，其中A1，A2，…，和B1，B2，…，以及C1，C2，…等均表示城市道路中的路口编号。需要说明的是，如果车辆在同一条路上的行驶顺序不同，即代表着两条不同的行驶路径。表1车辆行驶路径时序表序号车辆行驶路径1A1->A3->A5->A7->A9->A11->A13->A15->A17->A19->A212A1->A2->A4->A6->A8->A10->A12->A14->A16->A18->A203A1->A2->A5->A7->A10->A12->A21……NA1->A3->A4->A6->A7->A8->A9->A22第5步：相同路程的汇总与合并；车辆的路程的顺序都是一样，可进行汇总与合并，汇总后形成的数据如表2，表2中的次数列是近3个月该车辆依照路程在城市道路中驾驶的次数。这些数据将成为车辆轨迹预测的样本空间。只有经过的路口、经过的次序，并且不包含起点和终点的行驶路径(行驶线路)才是可以合并的。表2车辆行驶路径统计表序号车辆行驶路径次数1A1->A3->A5->A7->A9->A11->A13->A15->A17->A19->A21302A1->A2->A4->A6->A8->A10->A12->A14->A16->A18->A20303A1->A2->A5->A7->A10->A12->A21204A1->A3->A4->A6->A7->A8->A9->A22205B1->B2->B3->B4->B3->B5->B6->B7->B836C1->C2->C3->C4->C5->C6->C7->C84车辆轨迹预测是以车辆以往的历史路程数据为概率预测的样本空间。车辆正在行驶过程中，若预测其轨迹，就是以正在行驶的轨迹为条件，预测结合车辆即将行驶的轨迹，这样就是概率论的条件概率计算方法，其计算公式为：其中：R为即将经过的轨迹，L是车辆已经行驶过的轨迹。本实施例中，车辆行驶经过路口(若该路口为A1)时，被该路口的卡口设备抓拍后，后台通过测算，判断车辆这次路程的起点。若想预测车辆经过其他的路口的概率，相等于预测车辆在经过这个路口的条件下，将会行驶到其他路口的概率，依据条件概率的计算公式：其中，车辆的这次路程起点是A1路口，Ai代表除A1以外的其他路口。如表2所示，计算此次车辆的行程到达A21路口的概率公式如下：则计算得到车辆到达A21的概率为0.5。车辆继续行驶，下一个路口行驶到A2路口，则计算车辆到达A21的概率计算公式如下：计算车辆到达A21的概率变成了以经过路口A1和A2为条件的概率预测：而此次计算的车辆到达路口A21的概率为0.4。实践中，车辆在行驶的过程中，车辆到达各路口的概率是随着车辆正在行驶的轨迹实时变化的。本实施例中优选车辆进入概率超过设定阈值(如0.8，根据需求的不同，设定阈值可以进行调整)的轨迹作为车辆行驶的预测轨迹，适合通知该路口的工作人员进行处理，否则不通知。例如：在表2中，在车辆出发经过A1路口时，计算车辆到达各个路口的概率，其中A7的路口的概率为0.7。车辆继续行驶，又经过A2路口，计算车辆到达A10和A12的概率为1。即可以肯定该车辆行驶的路程必然经过A10和A12路口，可以通知工作人员该车辆即将出现在这2个路口。在车辆的历史路程中，有某几个路口反复通过，只有在计算重复路口的概率时，这条历史路程的样本空间数是重复的次数与这条历史轨迹的次数之积。例如在表2中，序号为5的路程中，B3是重复路口，预测B3路口的概率；统计这条历史轨迹的时候，样本空间数都是6而不是3。但是若预测B4路口的概率，统计这条历史轨迹的时候，样本空间数就是历史路程的次数。此外，每天都需要进行历史数据收集和整理，需要把车辆新增的历史轨迹增加到历史路程数据集中，数据越多，预测的越准确。本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3