基于群体轨迹挖掘的车辆下一位置预测

摘要

针对单车历史轨迹数据缺失导致的预测模型泛化能力不足问题，本文提出一种通过群体轨迹挖掘，结合多维转移概率矩阵与XGBoost模型的集成学习模型。该模型首先基于路网拓扑建模，通过拓扑连通性约束压缩候选门架数量，并对交易数据进行特征预处理，将车辆交易数据转换为标准化输入；其次，实现车辆类型聚类特征、时段分布模式以及交易行为概率映射，形成基于动态权重的路径转移预测矩阵；最后，通过张量拼接融合动态统计特征与静态语义特征，构建联合特征向量集，输入XGBoost模型预测车辆下一位置。结果表明，在福建省高速G15沈海公路2024年9月6日的单车历史轨迹数据缺失车辆轨迹预测案例中，该模型在不同岔路口数量的场景下的平均准确率在80%以上。

关键词

智能交通 / 群体轨迹挖掘 / 机器学习 / 兴趣点推荐