本發(fā)明涉及車(chē)流軌跡預(yù)測(cè)，尤其涉及一種基于路網(wǎng)位置信息的車(chē)輛gps軌跡預(yù)測(cè)方法、系統(tǒng)、設(shè)備以及介質(zhì)。

背景技術(shù)：

1、在當(dāng)今高度智能化的交通領(lǐng)域，對(duì)車(chē)輛位置與軌跡的精確獲取和預(yù)測(cè)顯得尤為重要。路測(cè)雷達(dá)和監(jiān)控系統(tǒng)已被廣泛用作收集車(chē)輛gps數(shù)據(jù)的關(guān)鍵工具，它們?cè)诼肪W(wǎng)中扮演著不可或缺的角色。然而，實(shí)際應(yīng)用中，這些系統(tǒng)面臨著多方面的挑戰(zhàn)。

2、由于現(xiàn)實(shí)環(huán)境中存在物體遮擋，雷達(dá)信號(hào)的傳輸和接收可能會(huì)受到干擾，從而影響數(shù)據(jù)的準(zhǔn)確性。此外，雷達(dá)和監(jiān)控設(shè)備的布設(shè)間隔若過(guò)大，可能導(dǎo)致某些區(qū)域無(wú)法被有效覆蓋，進(jìn)而造成車(chē)輛位置信息的缺失。同時(shí)，網(wǎng)絡(luò)波動(dòng)也是一個(gè)不可忽視的問(wèn)題，它可能導(dǎo)致數(shù)據(jù)傳輸?shù)难舆t、丟失甚至中斷，嚴(yán)重影響車(chē)輛定位的實(shí)時(shí)性和精確性。這些問(wèn)題共同構(gòu)成了車(chē)輛精準(zhǔn)定位、高效導(dǎo)航及科學(xué)交通管理方面的重大難題。

3、在車(chē)輛軌跡預(yù)測(cè)方面，目前存在多種方法，但每種方法都有其局限性。基于歷史數(shù)據(jù)的線性或多項(xiàng)式擬合方法，雖然能夠結(jié)合歷史數(shù)據(jù)計(jì)算出車(chē)輛的速度、距離等信息，并通過(guò)運(yùn)動(dòng)學(xué)公式進(jìn)行位置預(yù)測(cè)，但在交通擁堵或車(chē)輛頻繁變速的情況下，這種方法可能無(wú)法準(zhǔn)確捕捉車(chē)輛運(yùn)動(dòng)的非線性特征，導(dǎo)致預(yù)測(cè)精度下降。同時(shí)，該方法未考慮路網(wǎng)地理信息，因此在彎道等特殊道路狀況下的預(yù)測(cè)結(jié)果可能不符合實(shí)際。

4、基于人工智能的車(chē)輛軌跡預(yù)測(cè)方法則依賴于大量的車(chē)輛歷史數(shù)據(jù)來(lái)訓(xùn)練預(yù)測(cè)模型。然而，數(shù)據(jù)的全面性和質(zhì)量對(duì)模型效果具有顯著影響。此外，深度學(xué)習(xí)等技術(shù)的高計(jì)算資源消耗使得部署和運(yùn)行成本高昂。同時(shí)，模型的泛化能力、對(duì)新場(chǎng)景的適應(yīng)性以及更新維護(hù)的便捷性也是該方法面臨的挑戰(zhàn)。

5、實(shí)時(shí)在線車(chē)輛交通仿真方法通過(guò)構(gòu)建交通仿真道路網(wǎng)絡(luò)模型來(lái)推演車(chē)輛運(yùn)動(dòng)狀態(tài)。但這種方法更側(cè)重于軌跡的仿真而非真實(shí)軌跡點(diǎn)的展現(xiàn)，且存在較高的時(shí)間延遲，因?yàn)樗枰谲?chē)輛通過(guò)特定節(jié)點(diǎn)后才能對(duì)節(jié)點(diǎn)間的軌跡進(jìn)行回溯模擬。這些局限性限制了該方法在實(shí)時(shí)精準(zhǔn)定位中的應(yīng)用。

技術(shù)實(shí)現(xiàn)思路

1、（一）要解決的技術(shù)問(wèn)題

2、鑒于現(xiàn)有技術(shù)的上述缺點(diǎn)、不足，本發(fā)明提供一種基于路網(wǎng)位置信息的車(chē)輛gps軌跡預(yù)測(cè)方法、系統(tǒng)、設(shè)備以及介質(zhì)，其解決了現(xiàn)有技術(shù)在車(chē)輛位置與軌跡的獲取和預(yù)測(cè)上，面臨物體遮擋、設(shè)備覆蓋不足、網(wǎng)絡(luò)波動(dòng)、預(yù)測(cè)方法局限性、數(shù)據(jù)依賴性強(qiáng)、高計(jì)算成本、泛化能力弱及時(shí)間延遲等技術(shù)問(wèn)題。

3、（二）技術(shù)方案

4、為了達(dá)到上述目的，本發(fā)明采用的主要技術(shù)方案包括：

5、第一方面，本發(fā)明實(shí)施例提供一種基于路網(wǎng)位置信息的車(chē)輛gps軌跡預(yù)測(cè)方法，包括：

6、從獲取的地圖數(shù)據(jù)中提取模型數(shù)據(jù)并處理形成路網(wǎng)模型；

7、接收并跟蹤檢測(cè)到的車(chē)輛實(shí)時(shí)gps坐標(biāo)數(shù)據(jù)，并根據(jù)時(shí)間戳判斷車(chē)輛軌跡是否中斷；

8、若車(chē)輛軌跡中斷，對(duì)于位置未更新且無(wú)最新gps坐標(biāo)數(shù)據(jù)傳入的盲區(qū)車(chē)輛，通過(guò)逐級(jí)檢索和投影計(jì)算將盲區(qū)車(chē)輛的歷史gps坐標(biāo)轉(zhuǎn)化為在路網(wǎng)模型中的投影位置；

9、根據(jù)跟馳模型和投影位置計(jì)算盲區(qū)車(chē)輛上一時(shí)段的速度，搜索前車(chē)并計(jì)算前后車(chē)輛速度差與位置差，更新盲區(qū)車(chē)輛加速度和速度，以確定盲區(qū)車(chē)輛的路網(wǎng)預(yù)測(cè)位置；

10、將盲區(qū)車(chē)輛的路網(wǎng)預(yù)測(cè)位置映射到gps坐標(biāo)形式，并更新盲區(qū)車(chē)輛坐標(biāo)點(diǎn)，輸出車(chē)輛最新位置。

11、可選地，從獲取的地圖數(shù)據(jù)中提取模型數(shù)據(jù)并處理形成路網(wǎng)模型包括：

12、從獲取的地圖數(shù)據(jù)中識(shí)別并提取包含車(chē)道中心線編號(hào)、所屬車(chē)道編號(hào)以及從起點(diǎn)到終點(diǎn)的經(jīng)緯度坐標(biāo)點(diǎn)集合的車(chē)道中心線數(shù)據(jù)；

13、從獲取的地圖數(shù)據(jù)中識(shí)別并提取包含車(chē)道編號(hào)、所屬路段編號(hào)、經(jīng)緯度點(diǎn)集合的車(chē)道地理形狀信息；

14、從獲取的地圖數(shù)據(jù)中識(shí)別并提取包含路段編號(hào)、所屬道路編號(hào)以及經(jīng)緯度坐標(biāo)點(diǎn)集合的路段地理形狀信息；

15、從獲取的地圖數(shù)據(jù)中識(shí)別并提取包含道路編號(hào)和經(jīng)緯度坐標(biāo)點(diǎn)集合的提取道路地理形狀信息；

16、對(duì)車(chē)道中心線數(shù)據(jù)、車(chē)道面數(shù)據(jù)、路段面數(shù)據(jù)以及道路面數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并記錄各個(gè)數(shù)據(jù)之間的上下游關(guān)系和從屬關(guān)系；

17、基于標(biāo)準(zhǔn)化處理后的數(shù)據(jù)以及各個(gè)數(shù)據(jù)之間的上下游關(guān)系和從屬關(guān)系，形成路網(wǎng)模型。

18、可選地，接收并跟蹤檢測(cè)到的車(chē)輛實(shí)時(shí)gps坐標(biāo)數(shù)據(jù)，并根據(jù)時(shí)間戳判斷車(chē)輛軌跡是否中斷包括：

19、接收來(lái)自檢測(cè)設(shè)備檢測(cè)到的車(chē)輛實(shí)時(shí)gps坐標(biāo)數(shù)據(jù)；

20、以目標(biāo)id作為每輛車(chē)的唯一標(biāo)識(shí)，按照固定時(shí)間間隔跟蹤車(chē)輛的位置歷史數(shù)據(jù)，并整合到每輛車(chē)的歷史位置點(diǎn)集合中，其中，每個(gè)位置點(diǎn)包含車(chē)輛的經(jīng)緯度信息和對(duì)應(yīng)點(diǎn)的時(shí)間戳；

21、從每輛車(chē)的歷史位置點(diǎn)集合中提取最新的位置點(diǎn)數(shù)據(jù)；

22、將最新的位置點(diǎn)數(shù)據(jù)的時(shí)間戳與當(dāng)前時(shí)間進(jìn)行比較，計(jì)算出時(shí)間差；

23、如果計(jì)算出的時(shí)間差大于預(yù)設(shè)的閾值，則判定當(dāng)前車(chē)輛軌跡中斷，表示缺失當(dāng)前時(shí)間的車(chē)輛位置信息，并進(jìn)入下一步處理流程；

24、如果計(jì)算出的時(shí)間差小于或等于預(yù)設(shè)的閾值，則判定車(chē)輛檢測(cè)軌跡未中斷，直接輸出車(chē)輛最新位置。

25、可選地，若車(chē)輛軌跡中斷，對(duì)于位置未更新且無(wú)最新gps坐標(biāo)數(shù)據(jù)傳入的盲區(qū)車(chē)輛，通過(guò)逐級(jí)檢索和投影計(jì)算將盲區(qū)車(chē)輛的歷史gps坐標(biāo)轉(zhuǎn)化為在路網(wǎng)模型中的投影位置包括：

26、識(shí)別并選取位置未更新且無(wú)最新gps坐標(biāo)數(shù)據(jù)傳入的車(chē)輛，作為需要進(jìn)行處理的盲區(qū)車(chē)輛；

27、利用盲區(qū)車(chē)輛的歷史gps坐標(biāo)點(diǎn)，結(jié)合道路地理形狀信息，在路網(wǎng)模型中檢索出盲區(qū)車(chē)輛的歷史gps坐標(biāo)點(diǎn)所屬道路，并記錄下相應(yīng)的道路標(biāo)識(shí)符；

28、根據(jù)道路標(biāo)識(shí)符，從預(yù)設(shè)的路段信息表中篩選出對(duì)應(yīng)道路包含的所有路段，結(jié)合路段地理形狀信息，在路網(wǎng)模型中檢索出盲區(qū)車(chē)輛坐標(biāo)點(diǎn)所在的路段，并記錄下相應(yīng)的路段標(biāo)識(shí)符；

29、根據(jù)路段標(biāo)識(shí)符，從預(yù)設(shè)的車(chē)道信息表中篩選出對(duì)應(yīng)路段所包含的所有車(chē)道，結(jié)合車(chē)道地理形狀信息，在路網(wǎng)模型中檢索出盲區(qū)車(chē)輛坐標(biāo)點(diǎn)所在的車(chē)道，并記錄相應(yīng)的車(chē)道標(biāo)識(shí)符；

30、根據(jù)車(chē)道標(biāo)識(shí)符，從預(yù)設(shè)的車(chē)道中心線信息表中提取出以一系列折線段的形式表示的對(duì)應(yīng)車(chē)道中心線；

31、對(duì)于每一個(gè)盲區(qū)車(chē)輛的坐標(biāo)點(diǎn)，重復(fù)執(zhí)行以下操作，直至處理完車(chē)道中心線的所有線段：從車(chē)道中心線的預(yù)設(shè)的折線形狀列表中選取一線段，基于盲區(qū)車(chē)輛坐標(biāo)點(diǎn)與選取線段上的投影關(guān)系判斷投影點(diǎn)是否位于線段內(nèi)部，若位于線段內(nèi)部，則標(biāo)記該線段；

32、在所有被標(biāo)記的線段中，選擇一個(gè)使得盲區(qū)車(chē)輛坐標(biāo)點(diǎn)到線段距離最小的線段，作為投影目標(biāo)線段；

33、根據(jù)投影目標(biāo)線段的索引，獲取該線段起點(diǎn)到車(chē)道中心線起點(diǎn)的累加距離，從而確定盲區(qū)車(chē)輛在路網(wǎng)模型中的投影位置。

34、可選地，從車(chē)道中心線的預(yù)設(shè)的折線形狀列表中選取一線段，基于盲區(qū)車(chē)輛坐標(biāo)點(diǎn)與選取線段上的投影關(guān)系判斷投影點(diǎn)是否位于線段內(nèi)部，若位于線段內(nèi)部，則標(biāo)記該線段包括：

35、從車(chē)道中心線的預(yù)設(shè)的折線形狀列表中選取一個(gè)線段ab作為當(dāng)前處理對(duì)象；

36、確定當(dāng)前處理對(duì)象的起點(diǎn)a、終點(diǎn)b的坐標(biāo)以及盲區(qū)車(chē)輛的坐標(biāo)點(diǎn)p，得到從線段起點(diǎn)a到盲區(qū)車(chē)輛的坐標(biāo)點(diǎn)p的第一向量，以及從線段起點(diǎn)a到終點(diǎn)b的第二向量；

37、根據(jù)第一向量和第二向量之間的夾角求取第一向量在第二向量上的投影長(zhǎng)度，將投影長(zhǎng)度除以第二向量的標(biāo)量長(zhǎng)度得到坐標(biāo)點(diǎn)p與的投影關(guān)系；

38、基于投影關(guān)系判斷盲區(qū)車(chē)輛的坐標(biāo)點(diǎn)p的投影點(diǎn)是否位于所選取的線段ab之內(nèi)；

39、若投影關(guān)系的值處于設(shè)定區(qū)間之內(nèi)，則判斷坐標(biāo)點(diǎn)p的投影點(diǎn)是位于線段ab之內(nèi)，標(biāo)記該線段；

40、若投影關(guān)系的值未處于設(shè)定區(qū)間之內(nèi)，則判斷坐標(biāo)點(diǎn)p的投影點(diǎn)不位于線段ab之內(nèi)，跳過(guò)并尋找下一線段作為當(dāng)前處理對(duì)象進(jìn)行處理。

41、可選地，根據(jù)跟馳模型和投影位置計(jì)算盲區(qū)車(chē)輛上一時(shí)段的速度，搜索前車(chē)并計(jì)算前后車(chē)輛速度差與位置差，更新盲區(qū)車(chē)輛加速度和速度，以確定盲區(qū)車(chē)輛的路網(wǎng)預(yù)測(cè)位置包括：

42、根據(jù)獲取的盲區(qū)車(chē)輛在上一設(shè)定時(shí)段內(nèi)行駛的距離，計(jì)算出盲區(qū)車(chē)輛上一設(shè)定時(shí)段的速度；

43、根據(jù)盲區(qū)車(chē)輛在路網(wǎng)模型中的投影位置，在同一車(chē)道中，篩選出距離起點(diǎn)的累加長(zhǎng)度大于盲區(qū)車(chē)輛在路網(wǎng)模型中的投影位置的所有其他車(chē)輛，從中選擇與盲區(qū)車(chē)輛最接近的車(chē)輛，標(biāo)記為前車(chē)；

44、計(jì)算盲區(qū)車(chē)輛與前車(chē)之間的速度差和位置差；

45、應(yīng)用跟馳模型中的智能駕駛公式，結(jié)合速度差、位置差、車(chē)輛期望速度、最大加速度、舒適減速度、加速度系數(shù)、最小安全間距以及安全車(chē)頭時(shí)距，計(jì)算出盲區(qū)車(chē)輛的期望安全車(chē)距與加速度；

46、根據(jù)計(jì)算出的加速度求取出當(dāng)前時(shí)段的速度，并更新盲區(qū)車(chē)輛上一設(shè)定時(shí)段的速度，進(jìn)而得到當(dāng)前時(shí)段前進(jìn)的距離；

47、根據(jù)盲區(qū)車(chē)輛上一時(shí)段在車(chē)道上的投影位置和當(dāng)前時(shí)段前進(jìn)的距離，確定盲區(qū)車(chē)輛在當(dāng)前時(shí)段的路網(wǎng)預(yù)測(cè)位置；

48、其中，

49、智能駕駛公式為：

50、；

51、式中，為車(chē)輛期望安全車(chē)距， v n為盲區(qū)車(chē)輛上一設(shè)定時(shí)段的速度盲區(qū)車(chē)輛與前車(chē)之間的速度差， s 0為最小安全間距， t為安全車(chē)頭時(shí)距， a為自身最大加速度， b為舒適減速度， a n為加速度， v 0為車(chē)輛期望速度，為加速度系數(shù)，為盲區(qū)車(chē)輛與前車(chē)之間的位置差。

52、可選地，將盲區(qū)車(chē)輛的路網(wǎng)預(yù)測(cè)位置映射到gps坐標(biāo)形式，并更新盲區(qū)車(chē)輛坐標(biāo)點(diǎn)，輸出車(chē)輛最新位置包括：

53、將盲區(qū)車(chē)輛的路網(wǎng)預(yù)測(cè)位置與車(chē)道中心線各節(jié)點(diǎn)距離起點(diǎn)的累加距離對(duì)比，以找到盲區(qū)車(chē)輛所在線段的索引 i；

54、根據(jù)確定的線段索引 i，從車(chē)道中心線的預(yù)設(shè)的折線形狀列表中獲取線段 i的起終點(diǎn)坐標(biāo)，并通過(guò)轉(zhuǎn)換公式計(jì)算出盲區(qū)車(chē)輛的gps坐標(biāo)；

55、將計(jì)算得到的盲區(qū)車(chē)輛gps坐標(biāo)作為車(chē)輛當(dāng)前最新位置，更新盲區(qū)車(chē)輛的坐標(biāo)點(diǎn)信息并輸出，以供后續(xù)使用或展示；

56、其中，

57、轉(zhuǎn)換公式為：

58、；

59、式中，為盲區(qū)車(chē)輛的路網(wǎng)預(yù)測(cè)位置，為盲區(qū)車(chē)輛所在線段起點(diǎn)的坐標(biāo)，為盲區(qū)車(chē)輛所在線段終點(diǎn)的坐標(biāo)，為盲區(qū)車(chē)輛在當(dāng)前時(shí)段的路網(wǎng)預(yù)測(cè)位置，、分別為盲區(qū)車(chē)輛所在線段起點(diǎn)和終點(diǎn)到該線段車(chē)道中心線起點(diǎn)的距離。

60、第二方面，本發(fā)明實(shí)施例提供一種基于路網(wǎng)位置信息的車(chē)輛gps軌跡預(yù)測(cè)系統(tǒng)，包括：

61、模型形成模塊，用于從獲取的地圖數(shù)據(jù)中提取模型數(shù)據(jù)并處理形成路網(wǎng)模型；

62、軌跡判斷模塊，用于接收并跟蹤檢測(cè)到的車(chē)輛實(shí)時(shí)gps坐標(biāo)數(shù)據(jù)，并根據(jù)時(shí)間戳判斷車(chē)輛軌跡是否中斷；

63、位置投影模塊，用于若車(chē)輛軌跡中斷，對(duì)于位置未更新且無(wú)最新gps坐標(biāo)數(shù)據(jù)傳入的盲區(qū)車(chē)輛，通過(guò)逐級(jí)檢索和投影計(jì)算將盲區(qū)車(chē)輛的歷史gps坐標(biāo)轉(zhuǎn)化為在路網(wǎng)模型中的投影位置；

64、位置預(yù)測(cè)模塊，用于根據(jù)跟馳模型和投影位置計(jì)算盲區(qū)車(chē)輛上一時(shí)段的速度，搜索前車(chē)并計(jì)算前后車(chē)輛速度差與位置差，更新盲區(qū)車(chē)輛加速度和速度，以確定盲區(qū)車(chē)輛的路網(wǎng)預(yù)測(cè)位置；

65、位置更新模塊，用于將盲區(qū)車(chē)輛的路網(wǎng)預(yù)測(cè)位置映射到gps坐標(biāo)形式，并更新盲區(qū)車(chē)輛坐標(biāo)點(diǎn)，輸出車(chē)輛最新位置。

66、第三方面，本發(fā)明實(shí)施例提供一種基于路網(wǎng)位置信息的車(chē)輛gps軌跡預(yù)測(cè)設(shè)備，包括：

67、至少一個(gè)數(shù)據(jù)庫(kù)；

68、以及與至少一個(gè)數(shù)據(jù)庫(kù)通信連接的存儲(chǔ)器；

69、其中，存儲(chǔ)器存儲(chǔ)有可被至少一個(gè)數(shù)據(jù)庫(kù)執(zhí)行的指令，指令被至少一個(gè)數(shù)據(jù)庫(kù)執(zhí)行，以使至少一個(gè)數(shù)據(jù)庫(kù)能夠執(zhí)行如上所述的基于路網(wǎng)位置信息的車(chē)輛gps軌跡預(yù)測(cè)方法。

70、第四方面，本發(fā)明實(shí)施例提供一種計(jì)算機(jī)可讀介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)可執(zhí)行指令，可執(zhí)行指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的基于路網(wǎng)位置信息的車(chē)輛gps軌跡預(yù)測(cè)方法。

71、（三）有益效果

72、本發(fā)明的有益效果是：本發(fā)明不僅克服了現(xiàn)有技術(shù)的諸多缺陷，而且提供了一種更精確、更全面且適應(yīng)性更強(qiáng)的軌跡預(yù)測(cè)方案。首先，從獲取的地圖數(shù)據(jù)中提取關(guān)鍵模型數(shù)據(jù)并經(jīng)過(guò)精細(xì)處理，構(gòu)建出詳盡的路網(wǎng)模型，為后續(xù)的軌跡預(yù)測(cè)提供堅(jiān)實(shí)的基礎(chǔ)。其次，接收并持續(xù)跟蹤檢測(cè)到的車(chē)輛實(shí)時(shí)gps坐標(biāo)數(shù)據(jù)，同時(shí)依據(jù)時(shí)間戳精準(zhǔn)判斷車(chē)輛軌跡是否出現(xiàn)中斷。

73、一旦檢測(cè)到車(chē)輛軌跡中斷，即對(duì)于那些位置未及時(shí)更新且無(wú)最新gps坐標(biāo)數(shù)據(jù)傳入的盲區(qū)車(chē)輛，本發(fā)明通過(guò)高效的逐級(jí)檢索和精確的投影計(jì)算，將盲區(qū)車(chē)輛的歷史gps坐標(biāo)轉(zhuǎn)化為在路網(wǎng)模型中的具體投影位置。接下來(lái)，利用先進(jìn)的跟馳模型和投影位置數(shù)據(jù)，精確計(jì)算出盲區(qū)車(chē)輛在上一時(shí)段的速度。進(jìn)一步地，通過(guò)搜索前車(chē)并計(jì)算前后車(chē)輛間的速度差與位置差，能夠?qū)崟r(shí)更新盲區(qū)車(chē)輛的加速度和速度，從而準(zhǔn)確確定盲區(qū)車(chē)輛在路網(wǎng)中的預(yù)測(cè)位置。

74、最后，本發(fā)明將盲區(qū)車(chē)輛在路網(wǎng)中的預(yù)測(cè)位置精準(zhǔn)映射回gps坐標(biāo)形式，及時(shí)更新盲區(qū)車(chē)輛的坐標(biāo)點(diǎn)，并準(zhǔn)確輸出車(chē)輛的最新位置。這一系列流程不僅保障了軌跡預(yù)測(cè)的精度和可靠性，而且使得本發(fā)明在應(yīng)對(duì)數(shù)據(jù)短時(shí)缺失時(shí)表現(xiàn)出色，確保了軌跡的連續(xù)性和系統(tǒng)的穩(wěn)定性。通過(guò)整合多維度的信息并采用適應(yīng)非線性特征的預(yù)測(cè)模型，本發(fā)明為交通管理和導(dǎo)航提供了更為準(zhǔn)確、及時(shí)且有效的支持。