申请/专利权人：南京邮电大学

申请日：2021-11-10

公开（公告）日：2024-04-02

公开（公告）号：CN113902220B

主分类号：G06F18/20

分类号：G06F18/20;G06F18/2321;H04W4/029;H04W4/40

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.01.25#实质审查的生效;2022.01.07#公开

摘要：本发明公开了一种基于自适应密度聚类算法的车辆轨迹预测方法，该方法包括：1选定一个具有N个轨迹点的车辆轨迹数据集；2基于自适应密度聚类算法对轨迹点进行分簇；3对每个簇分别进行符号标记，将被标记了的簇按照时间排序后输出符号序列；4将符号序列输入到变阶马尔可夫模型中，并使用Lempel‑Ziv‑MS预测算法进行预测，即预测概率最大时的符号对应的轨迹点即为最终轨迹预测结果。本发明所提的自适应密度聚类算法提高了算法的执行效率，同时提高了轨迹聚类的准确度；考虑N阶马尔可夫模型的空间复杂度高、零频率等缺点，变阶马尔可夫模型使用LZ‑MS来解决零频率问题，并使用树结构来减少所需的内存量。

主权项：1.一种基于自适应密度聚类算法的车辆轨迹预测方法，其特征在于，该方法具体包括以下步骤：步骤一：选定一个具有N个轨迹点的车辆轨迹数据集，N为正整数；步骤二：计算每个轨迹点与其最近的轨迹点之间的距离，并将计算结果从小到大排序；步骤三：使用具有自适应步长的爬山算法，计算每个轨迹点的密度吸引点；步骤四：将具有相同密度吸引点的轨迹点划分为同一簇；步骤五：判断每个簇中轨迹点的数目是否大于如果是，则保留该簇，否则，则将该簇内所有的轨迹点视为噪声点，并删除该簇；步骤六：对步骤五得到的每个簇分别进行符号标记，将被标记了的簇按照时间排序后输出符号序列；步骤七：将步骤六输出的符号序列输入到变阶马尔可夫模型中，并使用Lempel-Ziv-MS预测算法进行预测，即预测概率最大时的符号对应的轨迹点即为最终轨迹预测结果；步骤三中，使用具有自适应步长的爬山算法计算轨迹点x的密度吸引点，具体步骤包括：步骤3-1.令x的初始密度吸引点x0＝x；步骤3-2.令x的初始步长其中为x与其最近的轨迹点之间的距离；步骤3-3.第k+1次迭代后x的密度吸引点其中xk为第k次迭代后x的密度吸引点，为第k次迭代后x的步长，表示的梯度，dxk,xj为xk和第j个轨迹点xj之间的欧氏距离，h为平滑参数；步骤3-4.找到离xk最近的轨迹点i，更新步长为i与其最近的轨迹点之间的距离；步骤3-5，若则输出xk为最终x的密度吸引点；其中dxk+1,xj为xk+1和xj之间的欧氏距离；步骤七中，Lempel-Ziv-MS预测算法包括学习和预测两个阶段；在学习阶段，具体步骤包括：步骤6-1-1.以长度为n的训练序列结合Lempel-Ziv-MS算法中的参数输入移位S以及回移解析M进行短语解析并构造字典树，在字典树中的每个节点都设置了K个计数器，每个可能的符号对应一个计数器，内部节点中的计数器等于其所有子计数器之和，其中K为序列中的字符数；步骤6-1-2.给定一个新解析的短语s'，从根开始根据s'遍历树，当到达叶子节点时，通过使该叶子节点成为内部节点并将K个叶子节点添加到这个新的内部节点来扩展树；在预测阶段，计算已知符号s的情况下符号σ出现的条件概率具体步骤包括：步骤6-2-1.从根开始并根据s遍历步骤6-1-2扩展后的树，如果在消耗掉S之前达到叶子节点，那Lempel-Ziv-MS算法继续从根开始遍历，依此类推；步骤6-2-2.在遍历完成的某个节点处，对σ出现的条件概率的预测结果是该节点中符号σ对应的计数器除以该节点处所有计数器之和。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于自适应密度聚类算法车辆轨迹预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD