[0001] 本发明涉及物流轨迹预测技术领域，更具体地说，本发明涉及一种实时轨迹预测方法。

[0002] 随着快速发展的物流行业，物流作为货物集中地和物流中心变得越来越重要。但是在港口内部区域，车辆的定位精度经常因受到堆高的集装箱和、港口起重机械设备如轮胎吊车、岸桥吊车以及轮船等遮挡的因素，导致车辆上的GPS定位出现短暂误差，影响货物的准确装卸和运输。

[0003] 为了改善港区车辆定位精度，可以采用增强型GPS接收器，通过使用多个接收天线来减少遮挡引起的信号衰减，或是结合惯性导航系统(如加速度计和陀螺仪)与GPS技术，以提供更稳定和精确的定位结果。这些现有技术在解决港区内部车辆定位精度问题方面仍存在一些限制。例如，增强型GPS接收器可能会增加设备成本和复杂性，而惯性导航系统则可能受到长时间使用的漂移问题的影响。因此，需要一种更有效、可靠、低成本的技术来改善港区内车辆的定位精度，以满足现代物流行业对高效货物操作的需求。

[0004] 现有技术的缺陷和不足：

[0005] 在目前的车辆定位技术中，主要采用GPS系统进行定位，然而，由于港区内部存在集装箱、港口起重机械设备等物体，GPS信号容易受到遮挡，导致定位精度下降。这种定位误差可能会导致货物装卸和运输过程中出现错误操作、延误和损失，给港区物流效率和安全性带来一定的风险。

[0006] 现有的增强型GPS接收器虽然在减少信号衰减方面取得了一定的成果，但其仍存在一些局限性。首先，增强型GPS接收器增加了设备的复杂性和成本，给港区车辆的装备和维护带来了额外的负担。其次，这些接收器的性能在高密度的港区环境中可能仍然不够稳定，遮挡物的数量和位置变化可能导致定位误差的不可预测性增加。

[0007] 惯性导航系统与GPS技术结合的方案可以提供更稳定和精确的定位结果，但其也存在一些缺陷。惯性导航系统在长时间使用过程中可能会出现漂移问题，导致定位结果逐渐偏离实际位置。此外，惯性导航系统的精度和稳定性受到设备质量和校准的影响，增加了维护和校准的复杂性和成本。

[0054] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0055] 实施例1

[0056] 请参阅图1所示，本实施例所述一种实时轨迹预测系统，包括GPS定位模块1、数据采集模块2、数据预处理模块3、轨迹预测模型设计模块4和预测数据融合模块5；上述各个模块通过有线和/或无线连接的方式连接，实现各个模块间的数据传输。

[0057] GPS定位模块1，实时接收当前车辆位置的定位数据；将定位数据实时发送至数据采集模块2；

[0058] 这里需要说明的是：这里的定位数据为车辆的实时定位数据，包括时间戳、经度、纬度、速度和航向角；

[0059] 数据采集模块2，接入定位数据；并将采集的定位数据传输至数据预处理模块；实时采集港区内所有车辆的高精度定位数据；

[0060] 数据预处理模块3，将采集到的定位数据进行解析和处理，将解析和处理后的数据标记为监督学习数据，所述监督学习数据为满足轨迹预测模型的输入要求的数据，将所述监督学习数据输入到轨迹预测模型设计模块4中；

[0061] 所述数据预处理模块对定位数据的处理步骤包括：

[0062] 实时接收并保存定位数据；所述定位数据为NMEA‑0183格式定位数据；具体通过设备或应用程序来完成，确保数据能够稳定地被记录下来；

[0063] 解析定位数据，从解析后的定位数据中提取经度、纬度、时间戳、速度和航向角，并将经度、纬度、时间戳、速度和航向角标记为第一目标数据；

[0064] 对第一目标数据进行缺失值和异常值的检测，并对检测结果进行插值平滑和异常值修正处理，获得第二目标数据；

[0065] 对所述第二目标数据进行归一化处理，将归一化后的数据转换成监督学习数据；所述监督学习数据划分为时间序列，基于时间序列对轨迹预测模型进行训练。

[0066] 这里需要说明的是：当前时刻的监督学习数据为上一时刻轨迹预测模型的输出数据，同理下一时刻的监督学习数据为当前时刻轨迹预测模型的输出数据，将每个时刻的数据作为一个训练样本，以当前时刻的监督学习数据作为输入，下一时刻的监督学习数据作为输出。这样将定位数据的预测轨迹问题转化为时间序列预测问题，用前一时刻的监督学习数据来预测下一时刻的监督学习数据。

[0067] 所述轨迹预测模型包括但不限于以下算法模型的一种：注意力机制和深度LSTM神经网络。

[0068] 使用转换后的监督学习数据来训练轨迹预测模型，如基于深度学习的模型(例如循环神经网络或长短时记忆网络)，或其他合适的模型。通过迭代训练，模型将学习捕捉数据的模式和趋势，从而实现对未来数据的预测；

[0069] 在深度LSTM‑Attention神经网络中融合注意力机制可提升模型在各种任务中的性能和表现。注意力机制允许模型在处理序列数据时，将给不同位置或特征的重要性分配不同程度的权重。循环神经网络擅长处理短期和中期的依赖关系，但是在处理长序列时可能会出现信息衰减的问题。通过引入注意力机制，LSTM层可以更好地保持并利用整个序列中的信息，增强了其记忆能力，从而更好地捕捉长期依赖；

[0070] 在深度LSTM‑Attention神经网络中引入注意力机制，在处理自然语言处理任务或时间序列数据时，注意力机制使得模型能够适应不同长度的输入序列，而不需要固定长度的输入，这在处理不定长文本、语音或其他序列数据时非常有用，因为注意力机制允许模型在不同的时间步上分配不同的注意力权重，能够更准确地识别每个输入实例中与任务相关的特定模式，而不是仅仅依赖于整体的平均表示，增强泛化能力和可解释性。

[0071] 轨迹预测模型设计模块4，基于所述轨迹预测模型实时输出当前车辆的预测轨迹数据，如图3所示；

[0072] 本实施例轨迹预测模型结合了深度LSTM‑Attention神经网络和注意力机制的技术，有效捕获轨迹数据中的时间依赖性和重要特征，为了应对长序列轨迹预测问题，本实施例通过堆叠多个LSTM层，并引入注意力机制层，让模型能够更好地捕捉车辆轨迹序列的复杂特征和时序关系；每个LSTM层都会接收上一层的隐藏状态作为输入，并在该层内部进行门控单元的计算。通过这种层级化的表示和建模过程，模型能够逐渐提取和利用输入序列中的更高级别的抽象特征，从而更好地应对序列数据中的长期依赖关系和复杂模式。

[0073] 所述轨迹预测模型的构件逻辑：

[0074] 持续采集定量车辆轨迹数据，将70％的定量车辆轨迹数据作为标准训练样本集，所述标准训练样本集的当前时刻车辆位置的定位数据作为轨迹预测模型的输入，当前时刻的下一时刻车辆位置的定位数据作为轨迹预测模型的预测轨迹数据；

[0075] 将标准训练样本集对轨迹预测模型进行训练，学习预测轨迹数据，将预测轨迹数据与真实车辆位置的定位数据之间的差距最小化作为训练目标；将轨迹预测模型的输出标记为标准训练样本测试结果；

[0076] 将30％的定量车辆轨迹数据作为测试样本集，通过轨迹预测模型输出的预测轨迹数据标记为测试样本测试结果；

[0077] 比对所述训练样本测试结果和所述测试样本结果，反复降低模型损失，训练车辆轨迹预测模型，基于车辆轨迹预测模型预测车辆的预测轨迹数据。

[0078] 轨迹预测模型构建内部的轨迹预测逻辑为：

[0079] 将监督学习数据划分为时间序列作为第一层LSTM层的输入，基于门控单元计算获得第一层LSTM层的输出；

[0080] 将第一层LSTM层的输出作为第二层LSTM层的输入，获得第二层LSTM层的输出，并在第二层LSTM层后面并联接入一个第三层LSTM层和注意力机制层；

[0081] 将注意力机制层的输出与第三层LSTM层的输出进行拼接，将两个关键组件的信息有效地结合起来，可捕捉到车辆轨迹数据中的时序模式和相关特征，而注意力机制层能够增强对不同时间步长的关注度，从而预测车辆的预测轨迹数据。

[0082] 这里需要说明的是：通过拼接这两个输出，模型可以综合考虑到它们所提供的不同信息，从而更全面地表示和理解输入数据。此外，通过拼接操作，注意力机制层可以更好地利用第三层LSTM层的输出，因为拼接可以保留更多的信息和细节。接着通过一个dropout层防止模型过拟合，最后通过一个全连接层输出模型预测的预测轨迹数据，预测轨迹数据包括下一时刻车辆位置的定位数据。

[0083] 轨迹预测模型的架构具体功能包括：

[0084] 第一层LSTM层：将当前时刻车辆信息的定位数据通过数据预处理模块处理后获取的监督学习数据，将当前时刻的监督学习数据输入第一层LSTM层，这一层主要负责捕获序列数据的时间依赖性。

[0085] 第二层LSTM层：将第一层LSTM层的输出传递给第二层LSTM层，第二层LSTM层可以进一步抽象时间序列中的模式。

[0086] 注意力机制层：在第二层LSTM层输出后并行接入第三层LSTM层和注意力机制层。注意力机制层会根据历史轨迹的重要性对第二层LSTM层的输出进行加权，从而集中关注对当前预测有影响的历史数据。

[0087] 拼接和dropout层：将第三层LSTM层的输出和注意力机制层的输出进行融合，进一步整合这些信息，并添加dropout层，以减少过拟合的风险。

[0088] Dense输出层：最后通过一个Dense层将融合后的信息映射为预测轨迹数据。

[0089] 轨迹预测模型的逻辑是在多层LSTM层的基础上，通过注意力机制、融合和dropout等技术，使轨迹预测模型能够从历史轨迹中提取关键信息，并结合当前时刻的预测结果，生成车辆轨迹的预测。轨迹预测模型的层次结构和特征融合有助于更好地捕捉港区环境和车辆行为之间的复杂关系，从而提升预测的准确性。

[0090] 预测数据融合模块5，基于当前定位“解状态”实时更新GPS定位模块上的车辆定位轨迹数据，并将车辆定位轨迹数据通过物联网系统传输至各子系统以及数字孪生服务器6中，如图4所示。

[0091] 定位“解状态”是指GPS定位模块1基于接收到的卫星信号数据进行的不同定位结果。所述定位“解状态”包括单点解、伪距解、浮点解和固定解；

[0092] 其中，单点解为仅使用单个接收机接收到的卫星信号来计算位置，单点解的精度相对较低，定位精度误差为10米以内；伪距解通过测量接收机接收到的卫星信号的传播时间，可以计算出接收机的位置；伪距解相对于单点解来说精度更高，定位精度误差为3米以内；浮点解利用多个卫星信号进行定位，考虑了更多的信号信息和卫星几何配置，它比伪距解更精确，定位精度误差在0.5米以内；固定解利用多个卫星信号，从而获得更准确的位置信息定位精度误差在0.02米以内。

[0093] 这些不同的解状态代表了GPS定位结果的精确程度，从较低的精度(单点解)到较高的精度(固定解)。选择适当的解状态取决于所需的精度和应用。

[0094] 对当前定位“解状态”的分析逻辑为：

[0095] 若定位“解状态”为浮点解或固定解时，则GPS定位模块上传的轨迹数据为当前车辆定位轨迹数据；

[0096] 若定位“解状态”为单点解或伪距解时，则将所述预测轨迹数据替换GPS定位模块上传的轨迹数据，更新GPS定位模块上的车辆定位轨迹数据；

[0097] 并将车辆定位轨迹数据通过物联网系统传输至各子系统以及数字孪生服务器6中。

[0098] 所述定位“解状态”为所述GPS定位模块1输出的原始数据$GPGGA中的第七个字段，具体表现为以“解状态”的值作为判断定位准确性的指标。若“解状态”为浮点解或者固定解，则GPS定位模块1提供的定位数据为相对准确的定位数据，直接将GPS上传的数据发送至数字孪生服务器进行使用，无需进一步处理。

[0099] 若“解状态”为单点解或者伪距解，则GPS定位模块1提供的定位数据为定位数据大概率不准确。这时轨迹预测模型被激活。预测模型会接收当前的定位数据作为输入，并根据历史数据和模型训练结果来预测下一时刻的定位数据；预测出的定位数据会替代原始GPS定位数据，从而保证每台车辆的定位数据在GPS定位精度较低的状态下也能保持平稳。这种方式可以弥补GPS定位的不足，确保定位信息的连续性和稳定性。

[0100] 实施例2

[0101] 请参阅图2所示，本实施例未详细叙述部分见实施例1描述内容，提供一种实时轨迹预测方法，包括：

[0102] 实时接收当前车辆位置的定位数据，并根据定位数据形成车辆定位轨迹数据；

[0103] 将采集到的定位数据进行解析，提取定位数据中第一目标数据，并对第一目标数据进行插值平滑、异常值修正和归一化等处理，处理后的数据标记为监督学习数据，所述监督学习数据满足轨迹预测模型的输入要求，将所述监督学习数据输入到轨迹预测模型设计模块中；

[0104] 基于所述轨迹预测模型实时输出当前车辆的预测轨迹数据；

[0105] 对当前定位数据进行分析，更新GPS定位模块上的车辆定位轨迹数据，并将车辆定位轨迹数据通过物联网系统传输至各子系统以及数字孪生服务器中。

[0106] 所述数据预处理模块对定位数据的处理步骤包括：

[0107] 实时接收并保存定位数据；所述定位数据为NMEA‑0183格式定位数据；

[0108] 解析定位数据，将解析后的定位数据中提取第一目标数据；

[0109] 对提取的数据第一目标数据进行缺失值和异常值的检测，并对检测结果进行插值平滑和异常值修正处理，获得第二目标数据；

[0110] 对所述第二目标数据进行归一化处理，将归一化后的数据转换成监督学习数据；所述监督学习数据为轨迹预测模型的训练数据，当前时刻的监督学习数据为上一时刻轨迹预测模型的输出数据，同理下一时刻的监督学习数据为当前时刻轨迹预测模型的输出数据，进而轨迹预测模型。

[0111] 所述第一目标数据包括但不限于以下数据中的一种或多种：经纬度、时间戳、速度和航向角。

[0112] 所述轨迹预测模型包括但不限于以下模型中的一种：注意力机制和深度LSTM神经网络。

[0113] 通过深度LSTM‑Attention神经网络对预测轨迹数据进行预测的逻辑为：

[0114] 将所述监督学习数据作为深度LSTM‑Attention神经网络的第一层LSTM层的输入，基于门控单元计算获得第一层LSTM层的输出；

[0115] 将第一层LSTM层的输出作为第二层LSTM层的输入，获得第二层LSTM层的输出。在第二层LSTM层后并联接入第三层LSTM层和注意力机制层；

[0116] 将注意力机制层的输出与第三层LSTM层的输出进行拼接，将两个关键组件的信息有效地结合起来，可捕捉到车辆轨迹数据中的时序模式和相关特征，而注意力机制层能够增强对不同时间步长的关注度。

[0117] 对当前定位数据的分析逻辑为：

[0118] 若定位“解状态”为浮点解或固定解时，则GPS定位模块上传的轨迹数据为当前车辆定位轨迹数据；

[0119] 若定位“解状态”为单点解或伪距解时，则将所述预测轨迹数据替换GPS定位模块上传的轨迹数据，更新GPS定位模块上的车辆定位轨迹数据；

[0120] 并将车辆定位轨迹数据通过物联网系统传输至各子系统以及数字孪生服务器中。

[0121] 上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。

[0122] 实施例3

[0123] 请参阅图5，本实施例提供整个模型的数据预测详细过程，原始GPS记录的数据，经过数据预处理以及归一化等处理后，具体实验过程数据依次如表1‑4所示，提供给本发明的港区车辆轨迹预测模型，拟合出最佳模型，随后该模型实时接收GPS定位数据，并实时输出下一时刻车辆的预测位置。其中速度的单位为千米/小时，航向角为车头方向相对于正北方的夹角，单位为度。每条数据时间间隔为1秒。

[0124] 表1：GPS定位数据经过初步预处理的实验过程数据表

[0125] latitude longitude speed heading31.33621029 121.6487843 1.087124 295.173
31.33621286 121.6487793 3.448424 298.396
31.33621827 121.6487677 5.9264 296.734
31.33622745 121.6487468 9.934128 295.875
31.33624001 121.6487164 12.758428 293.074
31.33625529 121.648677 17.356944 293.014
31.33627463 121.6486274 19.771952 294.391
31.33629687 121.6485717 21.235032 295.97
31.33632115 121.6485152 22.022132 296.995

[0126] 表2：数据归一化的实验过程数据表

[0127]latitude longitude speed heading
0.819824 0.3125 0.027205 0.83366
0.820313 0.3125 0.087216 0.84742
0.821777 0.310547 0.150193 0.840324
0.82373 0.308594 0.252047 0.836657
0.826172 0.302734 0.323826 0.824699
0.82959 0.294922 0.440695 0.824443
0.833496 0.287109 0.502071 0.830322
0.837891 0.277344 0.539254 0.837063
0.843262 0.267578 0.559258 0.841439

[0128] 表3：初步预测结果的实验过程数据表

[0129] latitude longitude speed heading0.80412 0.303743 0.028719 0.820917
0.803885 0.304418 0.086893 0.834915
0.804835 0.302753 0.148206 0.828491
0.805663 0.301667 0.247786 0.825597
0.807301 0.296411 0.318217 0.814301
0.808821 0.290357 0.432978 0.814521
0.811367 0.283831 0.493091 0.820362
0.814696 0.275082 0.529314 0.826908
0.819297 0.265971 0.548615 0.831073

[0130] 表4：最终经纬度预测结果的实验过程数据表

[0131]latitude longitude speed heading
31.33613983 121.6487750 3.435683 295.4669
31.33614693 121.6487692 5.84823 293.9623
31.33615897 121.6487602 9.766463 293.2844
31.33617434 121.6487419 12.53774 290.6385
31.33619196 121.6487135 17.0533 290.6899
31.33621226 121.6486706 19.41863 292.0582
31.33623383 121.6486287 20.84391 293.5914
31.33625557 121.6485865 21.60335 294.5671
31.33627650 121.6485440 22.452604 295.41815

[0132] 对当前定位数据的分析逻辑为：

[0133] 若定位“解状态”为浮点解或固定解时，则GPS定位模块上传的轨迹数据为当前车辆定位轨迹数据；

[0134] 若定位“解状态”为单点解或伪距解时，则将所述预测轨迹数据替换GPS定位模块上传的轨迹数据，更新GPS定位模块上的车辆定位轨迹数据；

[0135] 并将车辆定位轨迹数据通过物联网系统传输至各子系统以及数字孪生服务器中。

[0136] 根据GPS定位数据中的定位“解状态”判断是否采用该预测位置。

[0137] 实施例4

[0138] 请参阅图6‑图8，本实施例未详细叙述部分见实施例1或实施例2或实施例3描述内容，通过大量实验选择LSTM‑Attention车辆轨迹预测模型；基于GPS定位模块1获取的百万条定位数据，GPS定位数据如表5所示；

[0139] 表5：GPS定位数据的原始数据表

[0140]时间戳 经度 纬度 速度 航向角
39:00.2 31.33704179 121.6469504 10.256376 212.229
39:01.2 31.33701764 121.6469402 10.313788 187.199
39:02.2 31.3369899 121.6469419 11.469436 165.832
39:03.2 31.33696223 121.6469582 13.423296 141.441
39:04.2 31.33693749 121.6469911 15.40864 121.047
39:05.2 31.33692287 121.6470325 15.89942 105.953
39:06.2 31.33691304 121.6470789 18.09404 103.494
39:07.2 31.33690447 121.6471294 18.095892 99.899
39:08.2 31.3368942 121.6471805 18.151452 105.091

[0141] 本发明所提出的LSTM‑Attention神经网络预测模型对GPS定位模块1中的定位数据进行训练，通过将数据集分批次进行上百轮的训练，拟合出一个最佳的轨迹预测模型。同时，为了验证模型的精度，使用同样的数据集，同样的训练方式，分别训练出LSTM预测模型和双向LSTM预测模型，最后分别使用训练好的LSTM车辆轨迹预测模型、双向LSTM车辆轨迹预测模型以及本发明提出的深度LSTM‑Attention车辆轨迹预测模型，在同样的验证数据上进行对比验证。三个模型的预测精度评估结果如表6所示，其中深度LSTM‑Attention在平均绝对误差MAE和均方根误差RMSE上的表现均为最佳。其中均方根误差RMSE的公式为：

[0142]

[0143] 平均绝对误差MAE的公式为：

[0144]

[0145] 表6：预测精度评估结果表

[0146]

[0147] 对经度的预测结果如图6所示，对纬度的预测结果如图7所示，对整个轨迹的预测结果如图8所示。从图中可以看出，和真实轨迹最为接近的模型为深度LSTM‑Attention轨迹预测模型。

[0148] 上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

[0149] 本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

[0150] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0151] 在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0152] 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单元来实现本实施例方案的目的。

[0153] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

[0154] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

[0155] 最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。