留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法

桂志鹏 杨乐 丁劲宸 王锦添 孙云增 吴华意

桂志鹏, 杨乐, 丁劲宸, 王锦添, 孙云增, 吴华意. 顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/J.whugis20210555
引用本文: 桂志鹏, 杨乐, 丁劲宸, 王锦添, 孙云增, 吴华意. 顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/J.whugis20210555
GUI Zhipeng, YANG Le, DING Jingchen, WANG Jintian, SUN Yunzeng, WU Huayi. Individual Driving Destination Prediction by Considering Intersection Transfer Preference and Current Move Mode[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/J.whugis20210555
Citation: GUI Zhipeng, YANG Le, DING Jingchen, WANG Jintian, SUN Yunzeng, WU Huayi. Individual Driving Destination Prediction by Considering Intersection Transfer Preference and Current Move Mode[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/J.whugis20210555

顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法

doi: 10.13203/J.whugis20210555
基金项目: 

国家自然科学基金项目(41971349,42090010)。

国家重点研发计划(2018YFC0809806,2017YFB0503704)

详细信息
    作者简介:

    桂志鹏,博士,副教授,研究方向为GeoAI与高性能时空数据分析。zhipeng.gui@whu.edu.cn

  • 中图分类号: P208

Individual Driving Destination Prediction by Considering Intersection Transfer Preference and Current Move Mode

  • 摘要: 个体驾驶目的地预测在个性化服务推荐、智慧交通等位置服务中具有重要的应用价值,但现有深度学习方法多以高密度采样轨迹点为单位构建出行特征,导致数据冗余、信息增益有限。路口序列可简化道路驾驶轨迹的表达形态,降低训练成本;同时,路口间的转移偏好与当前移动模式隐含路口与目的地间的时空关联关系,能够一定程度上表征个体出行意图,却鲜有研究将其用于目的地预测。为此,提出一种顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法。该方法1)以路口为单位构建输入特征,利用图注意力机制学习不同时间槽内路口间的转移系数,并结合长短期记忆模型捕获转移偏好长期依赖关系;2)构建时间循环编码与驾驶状态特征,利用长短期记忆模型学习个体当前移动模式表征;3)通过特征交叉与注意力机制实现特征融合,并利用残差网络输出预测。基于深圳市12名私家车司机2019年全年的轨迹数据开展实验,通过与隐马尔可夫、长短期记忆模型、远近距离依赖模型、融合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,验证了所提方法的有效性;可视化分析了转移偏好在捕获路口间空间关联关系中的作用,并探讨转移路口数量设置对预测精度的影响。
  • [1] Gonzalez M C, Hidalgo C A, Barabasi A L. Understanding individual human mobility patterns[J]. Nature, 2008, 453(7196):779-782
    [2] Song C, Qu Z, Blumm N, et al. Limits of Predictability in Human Mobility[J]. Science, 2010, 327(5968):1018-1021
    [3] BARBOSA H, BARTHELEMY M, GHOSHAL G, et al. Human mobility:Models and applications[J]. Physics Reports, 2018, 734:1-74
    [4] Besse P C, Guillouet B, Loubes J M, et al. Destination Prediction by Trajectory Distribution-Based Model[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 19(8):2470-2481
    [5] Peng Z, Yao Y, Xiao B, et al. When Urban Safety Index Inference Meets Location-Based Data[J]. IEEE Transactions on Mobile Computing, 2019, 18(11):2701-2713
    [6] Du Y P, Wang C C, Qiao Y L, et al. A Geographical Location Prediction Method Based on Continuous Time Series Markov Model[J]. PloS One, 2018, 13(11):152-171
    [7] ASHBROOK D, STARNER T. Using GPS to learn significant locations and predict movement across multipleusers[J]. Personaland Ubiquitouscomputing, 2003, 7(5):275-286
    [8] Gre F K, Srivastava R K, Koutník J, et al. LSTM:A Search Space Odyssey[J]. IEEE Transactions on Neural Networks&Learning Systems, 2016, 28(10):2222-2232
    [9] Wang J T, Gui Z P, Sun Y Z, et al. A Real-Time Driving Destination Prediction Model Based on Historical Travel Patterns and Current Driving Status[M]. Spatial Data and Intelligence, 2020:29-43
    [10] Li F, Gui Z P, Zhang Z Y, et al. A hierarchical temporal attention-based LSTM encoder-decoder model for individual mobility prediction[J]. Neurocomputing, 2020, 403:153-166
    [11] Gui Z P, Sun Y Z, Yang L, et al. LSI-LSTM:An Attention-aware LSTM for Real-time Driving Destination Prediction by Considering Location Semantics and Location Importance of Trajectory Points[J]. Neurocomputing, 2021, 440:72-88
    [12] Qian C, Jiang R, Long Y, et al. Vehicle trajectory modelling with consideration of distant neighbouring dependencies for destination prediction[J]. International Journal of Geographical Information Science, 2019, 33(10):1-22
    [13] Yu B, Yin H T, Zhu Z X. Spatio-Temporal Graph Convolutional Networks:A Deep Learning Framework for Traffic Forecasting[C]. The 27th International Joint Conferences on Artificial Intelligence, Melbourne, Australia, 2017.
    [14] Zhao L, Song Y, Zhang C, et al. T-GCN:A Temporal Graph Convolutional Network for Traffic Prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, PP (99):1-11.
    [15] Velikovi P, Cucurull G, Casanova A, et al. Graph Attention Networks[C]. The 6th International Conference on Learning Representations, Vancouver, Canada, 2018
    [16] Huang Y, Bi H, Li Z, et al. STGAT:Modeling Spatial-Temporal Interactions for Human Trajectory Prediction[C]. The 12th International Conference in Computer Vision. Seoul, South Korea, 2019
    [17] Yang C, Gidófalvi G. Fast map matching, an algorithm integrating hidden Markov model with precomputation[J]. International Journal of Geographical Information Science, 2017, 32(3):547-570
    [18] Dong W, Zhang J, Wei C, et al. When Will You Arrive?Estimating Travel Time Based on Deep Neural Networks[C]. The 32th AAAI Conference on Artificial Intelligence, Louisiana, USA, 2018
    [19] Goulet-Langlois G, Koutsopoulos H N, Zhao Z, et al. Measuring Regularity of Individual Travel Patterns[J]. IEEE Transactions on Intelligent Transportation Systems, 2018:1583-1592
    [20] Zhang X, Zhao Z, Zheng Y, et al. Prediction of Taxi Destinations Using a Novel Data Embedding Method and Ensemble Learning[J]. IEEE Transactions on Intelligent Transportation Systems, 2019:1-11
    [21] Nair V, Hinton G E. Rectified Linear Units Improve Restricted Boltzmann Machines Vinod Nair[C]. The 27th International Conference on Machine Learning, Washington, USA, 2010
    [22] Yang Y, Yu Z, Chen Y, et al. Mining Individual Life Pattern Based on Location History[C]. The 10th International Conference on Mobile Data Management, Taipei, Taiwan, 2009
    [23] Mikolov T, Chen K, Corrado G, et al. Efficient Estimation of Word Representations in Vector Space[OL]. arXivpreprint:1301.3781, 2013
  • [1] 方志祥, 倪雅倩, 黄守倩.  融合Markov与多类机器学习模型的个体出行位置预测模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20190404
    [2] 郭迟, 王梦媛, 高柯夫, 刘经南, 左文炜.  面向重大公共卫生事件的位置服务技术——以COVID-19疫情为例 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200560
    [3] 王坚, 刘纪平, 韩厚增, 甄杰, 刘飞.  应急救援无缝定位关键技术研究 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200066
    [4] 周于涛, 吴华意, 成洪权, 郑杰, 李学锡.  结合自注意力机制和结伴行为特征的行人轨迹预测模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200159
    [5] 李德仁, 邵振峰, 于文博, 朱欣焰, 周素红.  基于时空位置大数据的公共疫情防控服务让城市更智慧 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200145
    [6] 游天, 王光霞, 吕晓华, 孙卫新, 张寅宝.  一种面向室内导航的通行区域模型及其自动提取算法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20170056
    [7] 赵志远, 尹凌, 方志祥, 萧世伦, 杨喜平.  轨迹数据的时间采样间隔对停留识别和出行网络构建的影响 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160303
    [8] 刘经南, 高柯夫.  智能时代测绘与位置服务领域的挑战与机遇 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20170324
    [9] 康朝贵, 刘瑜, 邬伦.  城市手机用户移动轨迹时空熵特征分析 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160203
    [10] 佘冰, 朱欣焰, 刘汝倩, 呙维.  利用方向玫瑰图分析社会经济重心轨迹移动模式 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140417
    [11] 王成, 施闯, 段兵兵, 刘晓莉.  利用位置与云计算建立电离层TEC主动式播发平台 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20130307
    [12] “泛在测绘与位置服务及其大数据应用技术”国际工程论坛拟于2015年召开 . 武汉大学学报 ● 信息科学版,
    [13] 陈佳, 胡波, 左小清, 乐阳.  利用手机定位数据的用户特征挖掘 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20130066
    [14] 刘经南, 方媛, 郭迟, 高柯夫.  位置大数据的分析处理研究进展 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140210
    [15] 柯宏发, 何可, 陈永光.  运动目标的MGM(1,N)轨迹预测算法 . 武汉大学学报 ● 信息科学版,
    [16] 谭文虎, 李清泉.  利用位置服务信息的车用自组织网络有效路由 . 武汉大学学报 ● 信息科学版,
    [17] 韦豪东, 易尧华, 余长慧, 林立宇.  融合注意力与序列单元的文本超分辨率 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20220158
    [18] 任诗曼, 朱军, 方铮, 李闯农, 梁策, 谢亚坤, 李维炼, 张天奕.  联合多尺度注意力机制与边缘约束的SPOT7影像林地提取方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20210251
    [19] 黄远宪, 李必军, 黄琦, 周剑, 王兰兰, 朱佳琳.  融合相机与激光雷达的目标检测、跟踪与预测 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20210614
    [20] 张宇, 吴升, 赵志远, 杨喜平, 方志祥.  顾及相似用户特征的个人位置预测算法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200609
  • 加载中
计量
  • 文章访问数:  158
  • HTML全文浏览量:  31
  • PDF下载量:  14
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-11-15
  • 网络出版日期:  2022-04-07

顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法

doi: 10.13203/J.whugis20210555
    基金项目:

    国家自然科学基金项目(41971349,42090010)。

    国家重点研发计划(2018YFC0809806,2017YFB0503704)

    作者简介:

    桂志鹏,博士,副教授,研究方向为GeoAI与高性能时空数据分析。zhipeng.gui@whu.edu.cn

  • 中图分类号: P208

摘要: 个体驾驶目的地预测在个性化服务推荐、智慧交通等位置服务中具有重要的应用价值,但现有深度学习方法多以高密度采样轨迹点为单位构建出行特征,导致数据冗余、信息增益有限。路口序列可简化道路驾驶轨迹的表达形态,降低训练成本;同时,路口间的转移偏好与当前移动模式隐含路口与目的地间的时空关联关系,能够一定程度上表征个体出行意图,却鲜有研究将其用于目的地预测。为此,提出一种顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法。该方法1)以路口为单位构建输入特征,利用图注意力机制学习不同时间槽内路口间的转移系数,并结合长短期记忆模型捕获转移偏好长期依赖关系;2)构建时间循环编码与驾驶状态特征,利用长短期记忆模型学习个体当前移动模式表征;3)通过特征交叉与注意力机制实现特征融合,并利用残差网络输出预测。基于深圳市12名私家车司机2019年全年的轨迹数据开展实验,通过与隐马尔可夫、长短期记忆模型、远近距离依赖模型、融合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,验证了所提方法的有效性;可视化分析了转移偏好在捕获路口间空间关联关系中的作用,并探讨转移路口数量设置对预测精度的影响。

English Abstract

桂志鹏, 杨乐, 丁劲宸, 王锦添, 孙云增, 吴华意. 顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/J.whugis20210555
引用本文: 桂志鹏, 杨乐, 丁劲宸, 王锦添, 孙云增, 吴华意. 顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/J.whugis20210555
GUI Zhipeng, YANG Le, DING Jingchen, WANG Jintian, SUN Yunzeng, WU Huayi. Individual Driving Destination Prediction by Considering Intersection Transfer Preference and Current Move Mode[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/J.whugis20210555
Citation: GUI Zhipeng, YANG Le, DING Jingchen, WANG Jintian, SUN Yunzeng, WU Huayi. Individual Driving Destination Prediction by Considering Intersection Transfer Preference and Current Move Mode[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/J.whugis20210555
参考文献 (23)

目录

    /

    返回文章
    返回