基于轨迹局部特征的车辆活跃区域预测方法开题报告

1. 研究目的与意义（文献综述）

近年来，随着社会的高速发展，私家车已经成为人们日常出行必不可少的一部分。对车辆进行历史轨迹的分析，预测出车辆的目的地，可以为用户提供精确的位置服务。再通过结合用户的行为偏好，兴趣等信息，可以针对性的为不同用户定制位置服务，向用户推荐景点，投送附近店家的广告，提前为用户做好路径规划等等。并且随着各大打车软件的兴起，滴滴，神州，优步等等，通过大量的历史轨迹分析与用户行为分析，可以对出租车的调度更加灵活，大大提高出租车的使用率，极大程度的避免高空载率^[1]，从而节省下更多的人力物力资源。

在国内外，不少学者致力于车辆目的地的预测。从早期普遍的行程匹配算法^[2]，根据当前的轨迹与历史轨迹对比匹配，从而预测出目的地。该模型关于聚类方法的预测模型^[3]有着相似之处，先根据历史轨迹数据通过聚类算法进行聚类，将新的轨迹数据与历史轨迹类簇进行对比，得出预测目的地。除了对出租车轨迹进行的预测，还有则是通过分析用户的轨迹进行辅助预测^[4]。其他更加普遍的模型则是基于各种马尔可夫链模型^[5-8]预测目的地。马尔可夫模型的重点是各个状态之间的在转移概率的计算，每个地点都可以当作一个状态，转移概率可以从历史轨迹数据中获取得到。但随着人工智能的兴起，对神经网络的研究慢慢开始占据一席之地。从使用DBN^[9]进行预测，到CNN^[10-11]与RNN^[12-15]网络。对于挖掘轨迹的空间信息，CNN卷积神经网络的研究首当其冲。通过多层卷积池化操作不仅大量减少了全连接网络时的训练参数，缩短了训练网络的时间，同时设置多个不同的卷积核也让网络学习到了各种不同的特征。再通过CNN局部增强^[9]的特性使用，使整个网络更专注于挖掘起点与终点之间的隐藏联系，进一步又提高了预测的准确性。对于历史轨迹的序列信息，非常适合使用RNN循环神经网络进行处理。通过LSTM^[14-15]网络对各个轨迹点的处理，使得预测目的地更为准确有效。LSTM网络很好的保存了轨迹的历史信息，通过元细胞状态来保存长期的信息，可以更好的利用每个轨迹点的信息，因而对车辆目的地进行预测。并且使用到LSTM网络，可以更为精确的根据前部分轨迹预测出车辆的整条轨迹路线。随着LSTM网络的不断更新，双向LSTM^[16-17]也被成功该方面的研究中，通过加上注意力机制，使得LSTM网络更加专注于将权重分配给那些与目的地有着强联系的地点，而不是关心当前的位置信息。还有一些方法则是通过机器学习^[18-19]的方法进行预测。

2. 研究的基本内容与方案

本次研究的目标是：通过训练车辆轨迹的局部特征，来预测当前轨迹车辆的活跃区域。

研究的基本内容是：基于轨迹局部特征的车辆活跃区预测方法，通过近些年热门的深度学习方法来实现对于给定初始轨迹的车辆来预测最终的车辆活跃区域，从而提高预测车辆活跃区域的精确度。

研究的拟采用的技术方案：经过对近些年该方面论文研究的学习，决定使用cnn卷积神经网络来完成此次研究。在编程语言的选择上，使用到有各种优秀的第三方库支持的python语言，并且python也支持了各种各样的深度学习框架，例如tensorflow, caffe,pytoroch等等。在神经网络的搭建训练平台选择上，使用到易上手，灵活性，效率高的tensorflow框架。

3. 研究计划与安排

2020/3/1—2020/3/15：实现城市交通轨迹数据预处理

2020/3/16—2020/3/26：实现对卷积神经网络的搭建

2020/3/27—2020/4/30：实现对卷积神网络的训练与车辆目的地预测

4. 参考文献（12篇以上）

[1]ma m, han f, han y, et al. study on the relationshipbetween passenger cars’ empty-loaded rate and traffic volume on shenyangarterial road[j]. procedia engineering, 2016, 137: 531- 536.

[2]a. y. xue, r. zhang, y. zheng, x. xie, j.huang, and z. xu, “destination prediction by sub-trajectory synthesis andprivacy protection against such prediction,” in proc. ieee 29th int. conf. dataeng., apr. 2013, pp. 254–265