一种面向特定时间间隔的位置预测方法与流程

本发明属于信息加工技术领域，涉及一种位置预测的优化方法，具体地说，根据历史的轨迹数据，使用优化的特定时间间隔的位置预测方法预测特定时间间隔后的目标的位置。

背景技术

对象跟踪在公共安全及城市管理等众多应用领域非常重要。一旦发生紧急事件(如肇事逃逸、拐卖儿童等)，警方或政府通常会通过各种数据源识别嫌疑人。为了对移动对象进行跟踪，许多工作研究了对移动目标的位置预测问题，研究集中于下一个地点的预测、个性化的目的地预测等。很少有工作关注特定时间的位置预测。

通常，由于民众和政府对这种紧急事件的反应存在延时，人们通常是在一件紧急事件发生后的一段时间内发现出现了紧急事件的。因此对目标的跟踪任务首先是判断目标当前时刻所处的位置。随着时间的推移，人们对目标的位置信息往往在人类贡献的数据和基础设施摄像机网络中有新发现或新线索，会对目标的信息进行更新。因此就需要一种方法充分的利用这些更新的信息进行特定时间间隔的位置预测。

技术实现要素：

要解决的技术问题

为了解决一些情况下，对道路移动目标的预测问题，本发明提出了一种基于马尔科夫链的加入中间查询的模型来预测移动目标在特定时间后所在位置的预测算法，可以更充分的利用历史位置信息对道路移动目标在特定时间后的位置进行预测，从而获得更好的预测效果，可更好地支撑相关的应用研究。

技术方案

一种面向特定时间间隔的位置预测方法，其特征在于步骤如下：

步骤1：区域划分，将城市区域平均的划分为网格，将网格按照顺序排列区域编号，一个网格代表一个位置区域；

步骤2：数据处理，将车辆的轨迹数据按照车辆编号和时间使用二级排序算法生成车辆的gps点的序列，得到每辆车每天的轨迹；每分钟取时间最小的数据作为车辆在该分钟内时的位置，并将轨迹数据投影到对应的网格中，对于未投影到任何一个网格的数据按距离归属于最近的网格中；轨迹的数据格式是<carid,region,lon,lat,time>，时间的最小单位为分钟；所述的carid为车辆编号、region为区域编号、lon为经度、lat为纬度、time为时间；

步骤3：根据轨迹数据训练面向特定时间间隔的一阶马尔科夫模型，得到车辆在特定时间间隔后的状态转移概率矩阵；其中状态是车辆的位置状态，状态转移概率是指从一种状态转移到另一种状态的概率，这些转移概率是条件概率；所述的状态转移概率矩阵存储所有状态到其他状态的转移，如下式所示：

p(li,lj)|δt为包含序列(li,lj)的轨迹数除以包含节点li的轨迹数，根据训练集中的轨迹得到特定时间间隔δt下车辆在不同区域间的转移概率；l为区域的总数量，对应的矩阵的行和列；

步骤4：根据步骤3得到的面向特定时间间隔的一阶马尔科夫模型预测目标在δt′时出现概率最大的n个位置，将时间δt′及n个位置作为查询条件，构造查询函数q(l,δt′)；其中l为概率最大的n个位置；

步骤5：判断训练集中在δt′时是否满足查询条件，如果一条轨迹在δt′时出现在n个位置中的一个，表示查询到，则查询结果为1；如果该条轨迹在δt′时不在这n个位置中，表示未查询到，查询结果为0；将查询结果、初始位置和时间间隔δt作为条件训练新的加入查询的预测模型mqlp，mqlp预测算法在求转移概率时将中间的查询结果作为条件，转移概率使用公式p(li,lj)|δt,计算，式中表示查询函数，查询内容包括区域和查询时间δt′；对不同的查询结果得到不同的转移概率矩阵；

步骤6：在步骤4得到的n个查询区域中使用摄像头的日志数据或群智数据搜集目标信息，根据搜集到的信息判断轨迹在δt′时是否满足查询函数的条件，判断方法同步骤5；

步骤7：利用步骤5得到的预测模型mqlp预测目标在特定时间后的位置；根据步骤6得到的查询结果将目标的初始位置输入到对应的转移概率矩阵中，满足查询条件时将目标的位置代入符合查询条件的转移概率矩阵，不满足查询条件时将目标的位置代入未查询到的转移概率矩阵中；初始位置所在的区域对应矩阵的行中概率最大的区域即为预测区域。

有益效果

本发明提出的一种面向特定时间间隔的位置预测方法，利用真实的轨迹数据，提出加入查询的位置预测方法，可以更充分的利用历史位置信息对道路移动目标在特定时间后的位置进行预测，可以提高预测的准确率，从而获得更好的预测效果，可更好地支撑相关的应用研究。

附图说明

图1为本发明实施例一种面向特定时间间隔的位置预测方法的整体流程图。

图2为本发明实施例一种面向特定时间间隔的位置预测方法的过程示意图。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

如图1所示，本发明实施例提供了一种面向特定时间间隔的位置预测方法，包括如下步骤：

步骤一、区域划分，将城市区域平均的划分为网格，将网格按照顺序排列区域编号，一个网格代表一个位置区域。

步骤二、数据处理，将车辆的轨迹数据按照车辆编号和时间使用二级排序算法生成车辆的gps点的序列，得到每辆车每天的轨迹。每分钟取时间最小的数据作为车辆在该分钟内时的位置。并将轨迹数据投影到对应的网格中，对于未投影到任何一个网格的数据按距离归属于最近的网格中。轨迹的数据格式是<carid,region,lon,lat,time>，时间的最小单位为分钟。

步骤三、根据轨迹数据训练面向特定时间间隔的一阶马尔科夫模型，得到车辆在特定时间间隔后的状态转移概率矩阵。其中状态是车辆的位置状态，状态转移概率是指从一种状态转移到另一种状态的概率，这些转移概率是条件概率。公式为包含序列(li,lj)的轨迹数除以包含节点li的轨迹数，根据训练集中的轨迹得到特定时间间隔下车辆在不同区域间的转移概率。状态转移概率矩阵存储所有状态到其他状态的转移，如公式所示：

步骤四、根据步骤三得到的面向特定时间间隔的一阶马尔科夫模型预测目标在δt′时出现概率最大的n个位置，将时间δt′及n个位置作为查询条件，构造查询函数q(l,δt′)。其中l为概率最大的n个位置。

步骤五、判断训练集中在δt′时是否满足查询条件，如果一条轨迹在δt′时出现在n个位置中的一个，表示查询到，则查询结果为1；如果该条轨迹在δt′时不在这n个位置中，表示未查询到，查询结果为0。将查询结果、初始位置和时间间隔δt作为条件训练新的加入查询的预测模型(mqlp)。mqlp预测算法在求转移概率时将中间的查询结果作为条件，转移概率使用公式p(li,lj)|δt,计算，式中表示查询函数，查询内容包括区域和查询时间δt′。对不同的查询结果得到不同的转移概率矩阵。

步骤六、在步骤四得到的n个查询区域中使用摄像头的日志数据或群智数据搜集目标信息，根据搜集到的信息判断轨迹在δt′时是否满足查询函数的条件，判断方法同步骤五。

步骤七、利用步骤五得到的预测模型预测目标在特定时间后的位置。根据步骤六的查询结果将目标的初始位置输入到对应的转移概率矩阵中，满足查询条件时将目标的位置代入符合查询条件的转移概率矩阵，不满足查询条件时将目标的位置代入未查询到的转移概率矩阵中。初始位置所在的区域对应矩阵的行中概率最大的区域即为预测区域。

实施例

步骤一、将成都市平均的划分为2km*2km共1254个网格，将网格按照顺序排列区域编号。

步骤二、使用成都市2014年8月17天的出租车数据，将车辆的轨迹数据按照车辆编号和时间使用二级排序算法生成车辆的gps点的序列，得到每辆车每天的轨迹。每分钟取时间最小的数据作为车辆在该分钟内时的位置。并将轨迹数据投影到对应的网格中，对于未投影到任何一个网格的数据按距离归属于最近的网格中。

步骤三、根据轨迹数据训练面向特定时间间隔的一阶马尔科夫模型，得到车辆在特定时间间隔后的状态转移概率矩阵。其中状态是车辆的位置状态，状态转移概率是指从一种状态转移到另一种状态的概率，这些转移概率是条件概率。状态转移概率矩阵存储所有状态到其他状态的转移。

步骤四、根据步骤三得到的面向特定时间间隔的一阶马尔科夫模型预测目标在δt′时出现概率最大的n个位置，将时间δt′及n个位置作为查询条件，构造查询函数q(l,δt′)。

步骤五、判断训练集中在δt′时是否满足查询条件，将查询结果、初始位置和时间间隔δt作为条件训练新的加入查询的预测模型。不同的查询结果得到不同的转移概率矩阵。

步骤六、在步骤四得到的n个查询区域中使用测试轨迹的历史轨迹记录实现查询功能，替代实际应用中对摄像机网络数据和群智数据的查询，根据历史轨迹信息判断轨迹在δt′时是否满足查询函数的条件。

步骤七、利用步骤四得到的预测模型预测目标在特定时间后的位置。根据查询结果将目标的初始位置输入到对应的转移概率矩阵中，初始位置所在的区域对应矩阵的行中概率最大的区域即为预测区域。