一种基于模糊预测的车辆轨迹数据压缩方法及装置

技术领域

本发明涉及轨迹压缩、模糊理论以及轨迹预测技术领域，具体涉及一种基于模糊预测的车辆轨迹数据压缩方法及装置。

背景技术

挖掘和分析车辆的轨迹数据有助于用户或城市规划者做出更好的决策，具有广泛的应用场景。例如交通路线的优化与设计、危险驾驶行为的识别、城市的交通预测等等。通过车载GPS设备，可以实时采集车辆的轨迹数据、传输并保存至云端数据中心。然而随着时间和空间的积累会生成海量的数据，严重耗费带宽资源以及空间存储资源。因此，需要对轨迹数据进行压缩后再传输到云端。在车联网环境下，可以充分利用广泛分布的边缘设备的计算能力，快速对轨迹数据进行压缩，从而降低轨迹数据传输中的通信带宽消耗。

另一方面，随着车联网的广泛应用，车辆信息的安全隐私问题越来越受到人们的重视。车辆的轨迹数据中包含许多用户的私人信息，例如用户当前的位置、标识和状态，如果将此类数据直接在车联网环境中传输，攻击者通过伪造基站、冒充合法终端等攻击手段很容易获取用户的信息，从而泄露车辆用户的隐私甚至威胁车辆用户的人身安全。目前保护用户安全隐私采用的一种技术是安全认证技术，通过数字签名和加密实现身份认证。然而，这种方法不仅加大了本就资源有限的车联网环境的通信负担，并且当攻击者解密后同样会使得车辆用户的隐私泄露。

此外，现有的大多数基于预测的轨迹数据压缩方法中，一部分预测模型计算简单，但预测误差较大，例如基于线性的轨迹预测模型。一部分预测模型预测的精度更高，但是需要更强的计算能力和更多的计算时间，例如基于深度学习的轨迹预测模型。因此，以上模型都难以实现预测的精度和预测算力之间的平衡。

针对上述问题，在边缘车联网环境中，如何设计合理的轨迹数据结构对车辆轨迹数据进行表示，在此基础上创建轨迹预测模型，以实现预测的精度和预测算力之间的平衡，是亟待解决的一个问题。

发明内容

本发明目的在于针对现有技术的不足，本发明提供了一种基于模糊预测的车辆轨迹数据压缩方法及装置。

本发明的目的是通过以下技术方案来实现的：第一方面，本发明提供了一种基于模糊预测的车辆轨迹数据压缩方法，该方法包括以下步骤：

(1) 轨迹数据模糊化：采集车辆轨迹数据，根据车辆位移增量序列的统计数据，确定隶属度函数的参数，从而定义隶属度函数；根据隶属度函数划分若干个论域并用模糊字符表示，将轨迹数据转换为模糊字符；

(2) 轨迹的模糊预测：通过神经网络预测目标车辆的驾驶意图，再根据驾驶意图选择对应的多阶融合马尔可夫模型进行未来模糊位移增量序列的模糊预测；

(3) 残差计算及轨迹点删除：根据模糊预测的模糊字符与原始的模糊字符比较，残差小于设定的阈值的轨迹点删除，残差大于设定的阈值的轨迹点则保留。

进一步地，步骤(1)中，轨迹数据的模糊化的详细步骤如下：

(1-1) 轨迹数据坐标转换：车辆通过车联网络将原始的轨迹数据发送到附近的边缘网关（RSU），以网关的位置为坐标原点，将车辆的经纬度坐标序列转化为以边缘网关为原点的二维坐标序列；

(1-2) 基于模糊字符的轨迹数据模糊化：分别计算经度x及纬度y方向的位移增量序列；具体为：计算在x和y方向的位移序列，将符号提取出来，得到x方向的位移增量序列和位移符号序列, y方向的位移增量序列和位移符号序列；对于x方向的位移增量序列，根据道路类型信息或轨迹数据的精确度确定模糊粒度，进而创建r个模糊集，将位移增量序列的值转化为对应的模糊字符表示，则位移增量序列转化为模糊字符串。

进一步地，将原始轨迹序列映射到以边缘网关为原点的二维坐标上；车辆通过车载GPS设备实时采集自己的位置，获得每一时刻以经度和纬度表示的原始的轨迹数据。

进一步地，根据道路类型信息或轨迹数据的精确度确定模糊粒度，进而创建r个模糊集。

进一步地，步骤(2)中，轨迹模糊预测的详细步骤如下：

(2-1) 驾驶意图预测：将目标车辆的信息和周围车辆的信息输入到由GRU单元叠加的网络中，输出三种目标车辆的驾驶意图，即左变道、直行和右变道；

(2-2) 轨迹位置预测：根据目标车辆的驾驶意图选择对应的多阶融合马尔可夫模型，由历史模糊位移增量序列预测出未来模糊位移增量序列。

进一步地，目标车辆的信息包括历史的轨迹位置、速度以及所处车道编号；周围车辆的信息包括目标车辆与周围车辆的碰撞时间和及周围车辆所处的车道编号。

进一步地，步骤(3)中，残差计算及轨迹点删除的详细步骤如下：

(3-1) 基于模糊字符的残差计算：模型预测的模糊字符需要与真实的模糊字符比较，模糊字符的残差计算如下式所示：

其中i为预测的模糊字符所属模糊字符集中的序号，j为原始的模糊字符所属模糊字符集中的序号，r为模糊字符的个数；

(3-2) 根据设置的阈值去除轨迹点：设置阈值

进一步地，当阈值设置为0时，表示不允许预测出现误差，只要预测值和原始值有 误差，则会将原始值加入到压缩轨迹中；当阈值设置为1时，表示任何预测都是在误差允许 范围内的，此时，没有原始值加入到压缩轨迹中；因此，阈值

第二方面，本发明提供了一种基于模糊预测的车辆轨迹数据压缩装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现所述的一种基于模糊预测的车辆轨迹数据压缩方法的步骤。

第三方面，本发明提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现所述的一种基于模糊预测的车辆轨迹数据压缩方法的步骤。

本发明的有益效果主要表现在：

(1) 对轨迹数据模糊编码，具有轻量级的隐私保护功能。

(2) 基于模糊字符的轨迹数据表达，显著降低了边缘车联网数据的通信量，减少了带宽消耗。

(3) 基于轨迹的模糊预测进一步压缩了轨迹数据，极大的提升了压缩效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。

图1为本发明提供的一种基于模糊预测的轨迹数据压缩方法流程图。

图2为轨迹模糊预测流程图。

图3为本发明提供的一种基于模糊预测的轨迹数据压缩装置的结构图。

具体实施方式

下面将结合附图对本发明作进一步描述。

参照图1，本发明提供了一种基于模糊预测的轨迹数据压缩方法，包括如下步骤：

(1) 轨迹数据模糊化：采集车辆的原始轨迹数据，根据车辆轨迹数据的统计数据，确定隶属度函数的参数，从而定义隶属度函数。根据隶属度函数划分论域并用模糊字符表示，将轨迹数据转换为模糊字符。车辆的轨迹数据模糊化的详细步骤如下：

(1-1) 轨迹数据坐标转换：将原始轨迹序列映射到以边缘网关为原点的二维坐标 上。车辆通过车载GPS设备实时采集自己的位置，设从

(1-2) 基于模糊字符的轨迹数据模糊化：分别计算x及y方向的位移增量序列。具 体为：计算在

其中，

(2) 轨迹的模糊预测：通过门控循环单元GRU（Gate Recurrent Unit）网络预测目标车辆的驾驶意图，再根据驾驶意图选择对应的多阶融合马尔可夫模型进行模糊预测。参照图2，轨迹模糊预测的详细步骤如下：

(2-1) 驾驶意图预测：将目标车辆的信息包括历史的轨迹位置、速度以及所处车道编号，周围车辆的信息包括目标车辆与周围车辆的碰撞时间和及其所处的车道编号输入到由GRU单元叠加的网络中，输出三种驾驶意图即左变道、直行和右变道。

输入的数据为目标车辆的位置，速度

其中

GRU单元包含两个门即重置门（reset gate）和更新门（update gate）。可以通过公式（6）～（9）计算得到。

其中，

其中

其中，

(2-2) 轨迹位置预测：根据目标车辆的驾驶意图选择对应的多阶融合马尔可夫模型（Adaboost-Markov Model），由历史模糊位移增量序列预测出未来模糊位移增量序列，多阶融合马尔可夫模型的计算公式如（10）～（13）所示。

公式（10）～（13）中，

(3) 残差计算及轨迹点删除：根据模糊预测的模糊字符与原始的模糊字符比较，残差小于设定的阈值的轨迹点删除，保留残差大于设定的阈值的轨迹点则保留。给定待预测的模糊字符串，残差计算及轨迹点删除的详细步骤如下：

(3-1) 基于模糊字符的残差计算：模型预测的模糊字符需要与真实的模糊字符比较，模糊字符的残差计算如公式（14）所示。其中i为预测的模糊字符Pred所属模糊字符集中的序号，j为原始的模糊字符所属模糊字符集中的序号，r为模糊字符的个数。

(3-2) 根据设置的阈值去除轨迹点：设置阈值

与前述基于模糊预测的轨迹数据压缩方法的实施例相对应，本发明还提供了基于模糊预测的轨迹数据压缩装置的实施例。

参见图3，本发明实施例提供的一种基于模糊预测的轨迹数据压缩装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述实施例中的基于模糊预测的轨迹数据压缩方法。

本发明基于模糊预测的轨迹数据压缩装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本发明基于模糊预测的轨迹数据压缩装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于模糊预测的轨迹数据压缩方法。

所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。