基于隐马尔可夫模型的车辆轨迹预测算法的研究

摘要

在智能交通系统(ITS)、智能导航、移动电子商务、物流配送中，实时、精确、可靠的车辆轨迹预测具有极高的应用价值。车辆轨迹预测不仅可以提供精准的基于位置的服务，而且可以提前监测和预判交通状况，进而为用户推荐最佳路线。本文首先建立道路网络模型，挖掘车辆历史轨迹的双层隐藏状态，并根据历史轨迹确定隐马尔可夫模型（HMM）参数，然后采用Viterbi算法确定车辆已行驶轨迹对应的双层隐藏状态序列。最后提出一种基于双层隐藏状态的隐马尔可夫模型车辆轨迹预测算法（DHMTP），预测车辆将要行驶的完整轨迹和车辆行驶轨迹在未来k个阶段的近邻单元的位置信息。
　　由于采集到的数据相对有限，当前的训练集数据无法包含所有的车辆行驶路径。在测试该模型预测车辆路径的准确性时，我们所用到的测试集包括训练集中不存在的路径或者坐标点。另外，在我们先前已经建立的用于车辆路径预测的隐马尔可夫模型中还存在一类“零概率”问题。出现“零概率”时有两种可能，一种是在训练集中某种坐标点出现的次数为零，另外一种是某些车辆行车路径或坐标点在训练集中不存在，但是在测试集中存在。因此，本文采用基于K-means++聚类算法扩充训练集，采用平滑技术解决“零概率”问题，以此优化隐马尔科夫模型，进而提出Possible_Track算法预测车辆轨迹路径。
　　最后，在研究基于隐马尔可夫模型的车辆轨迹预测方法的基础上，我们提出了基于HMM的路径推荐系统框架。在短时间内，可以提醒处在拥堵十字路口的驾驶员车辆前行的安全性；在长时间内，预测可能会发生交通堵塞的区域，及时做出调度，引导交通并提醒驾驶员及时做出路线调整。

目录

声明

专用术语注释表

第一章 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3本文结构安排

1.4本文研究工作及创新点

第二章 相关背景知识介绍

2.1隐马尔可夫模型

2.2前向算法

2.3 Viterbi算法

2.4本章小结

第三章 基于HMM的车辆轨迹预测模型

3.1道路网络模型

3.2相关定义

3.3车辆轨迹相关的HMM模型

3.4 k步马尔可夫决策过程

3.5本章小结

第四章 基于HMM的车辆轨迹的隐藏状态

4.1挖掘HMM第一层隐藏状态

4.2挖掘HMM第二层隐藏状态

4.3车辆轨迹位置预测算法

4.4本章小结

第五章 基于HMM的车辆轨迹预测算法优化

5.1基于K-means++聚类扩充训练集

5.2平滑技术

5.3车辆轨迹路径预测算法

5.4仿真实验

5.5本章小结

第六章 总结与展望

6.1基于隐马尔科夫模型的车辆行车路径推荐系统框架

6.2总结与展望

参考文献

附录1 攻读硕士学位期间撰写的论文

附录2 攻读硕士学位期间申请的专利

附录3 攻读硕士学位期间参加的科研项目

致谢