本技术公开了耦合意图预测和环境约束的城市机动目标轨迹仿真方法,涉及多目标规划和轨迹模拟生成的交叉领域。本发明首先提取应用情景下的城市移动目标兴趣区域集合,之后提取路口节点、道路的地理环境要素以及自有属性,之后构建神经网络模型,进行深度学习训练,得到路口节点的奖励值,之后基于兴趣区域集合、各个机动目标的位置以及各个路口节点的奖励值,通过混合整数线性规划方法,计算机动目标轨迹仿真集合,完成耦合意图预测和环境约束的城市机动目标轨迹仿真。本发明克服了目前轨迹模拟方法真实性不强、情景泛化能力弱、对训练数据要求高和可解释性较低的问题,有效解决了特殊应用场景下多移动目标轨迹真实轨迹较少的问题。
背景技术
移动目标的轨迹数据是研究人类移动行为和决策逻辑的基础,也是智能化决策的关键。在城市规划、交通管理、智能决策等领域发挥着重要作用。尽管随着采集设备的发展,移动目标的轨迹数据采集已非难事,但由于情景限制等问题,大量且真实的移动目标时空轨迹数据依然难以获取并予以利用,尤其是特殊情景下的轨迹数据,亟需移动目标的行为轨迹支撑该类特殊情景下的控制决策研究。
当前,轨迹模拟的相关研究可分为基于规则驱动和基于数据学习两种,基于规则驱动的方法着力于从大量的移动数据中统计挖掘移动目标的宏观行为模式,通过复杂的数学统计模型假设该行为模式来表征刻画移动目标的运动特征。如Sibren Isaacman等(2012)通过将每条轨迹拆分为三部分决策过程,包括决定移动意图,决定移动距离和决定移动步数,仅需修改不同的移动意图或移动距离,即可模拟移动目标不同意图或不同交通方式下的移动轨迹;Xu Kang等(2020)将轨迹生成任务拆分为OD(origin-destination)选择、中间点发现和最短路径规划三个任务对移动目标轨迹的模拟;Luca Pappalardo等(2018)通过挖掘轨迹数据中的常见路径来进行路径生成,除此之外,还有部分学者提出并不断改进的通过假设移动目标受到驱动力、摩擦力、排斥力、吸引力等各种力的社会力和势能场模型,假设移动目标受到邻域或其他移动目标影响的元胞自动机和智能体模型等,该类模型大多基于研究者总结归纳的领域知识,拥有很好的可解释性且不依赖或很少依赖真实数据,但由于对移动目标行为的简化,模拟生成的轨迹普遍存在真实性问题。
基于数据学习则主要利用机器学习或深度学习的方式从移动目标行为轨迹中推测复杂和潜在的行为模式,模拟生成近似分布的移动轨迹。当前该方式主要有两种实现思路,一种思路将移动目标行为轨迹模拟任务转化为图像生成任务,并使用图像生成领域的成熟方案求解该问题,如Chu Cao等(2021)、Kun Ouyang等(2018)将城市人群移动轨迹转化为类图片的矩阵结构,使用图片生成任务的深度卷积生成对抗网络(DCGAN)实现对城市人群轨迹的模拟生成。但由于此方式只关注轨迹的空间特征,模拟轨迹的时序特性无法保证。另一种思路将移动目标的行为轨迹看作序列数据,采用时序模型挖掘移动目标内在行为模式。如Dou Huang等(2019)通过卷积神经网络和变分自编码对城市人群轨迹的序列特征进行表征学习估计原始数据的分布生成对应的模拟轨迹;Yu等(2017)将对抗生成网络GAN的训练过程视为一个强化学习问题,SeqGAN将生成器视为马尔科夫决策过程(MDP)中的智能体,判别器视为MDP的判别器,使用基于策略的学习方式对生成器进行优化,生成移动目标的模拟轨迹;Jie Feng等(2020)用自注意力模型来构造GAN中的生成器,并加入先验专家领域知识来提升网络性能;Yanbo Pang等(2020)通过GAN和逆向强化学习IRL来进行轨迹生成任务,通过GAN中的判别器实现从真是轨迹构造奖励函数的过程。该类模型更多基于真实轨迹的时空分布特征,模拟出的轨迹真实性较强,但模型对训练数据的要求较高且解释性不强。
总体而言,目前轨迹模拟生成方法仍然缺乏。现有方法主要存在以下问题:①现有基于规则驱动的轨迹模拟方法生成轨迹真实性不强,行为方式生硬且情景泛化能力较弱,极度依赖对移动目标行为规则的假设;②基于数据学习的轨迹生成方法对训练数据质量要求极高且模拟出的轨迹可解释性不足;③特殊情景下真实轨迹较少,稀疏数据对移动目标行为模式的推测结果,影响生成轨迹的质量。
实现思路