基于双向RNN 的私家车轨迹重构算法

肖竹，钱鑫，蒋洪波，蔡成林，曾凡仔

（1.湖南大学信息科学与工程学院，湖南 长沙 410082；2.湘潭大学信息工程学院，湖南 湘潭 411105）

1 引言

随着我国工业化和城市化进程的持续加速，机动车数量持续迅速增长。特别地，我国私家车占机动车总数比例高达83%[1]。私家车的高保有量一方面给交通运输、安全行驶和环境保护等带来巨大压力，另一方面，私家车在行驶过程中产生了大量的轨迹数据。通过研究轨迹数据，分析与发掘深层次的车辆轨迹移动特征，这对认知人们的社会活动、优化城市道路资源配置等具有重要的研究价值，能为车联网、移动社交网络、智慧城市等应用领域提供有效服务[2-3]。

在此背景下，准确获取车辆轨迹数据是上述新兴应用的技术基础。近年来，GNSS（global navigation satellite system）和移动感知等技术日趋成熟，推动了车辆轨迹数据采集、分析、处理及其相关应用领域的快速发展[4-5]。

应该注意的是，实现车辆轨迹数据的收集需要使用低成本且易于推广的设备；同时，在复杂的城市环境中，由于存在难以避免的GNSS 定位信号中断（GNSS outage）现象以及车辆行驶过程中的误差累积，易造成所收集的车辆轨迹数据不准确和不完备。因此，如何开发低成本且用户友好的轨迹收集设备，构建决策层面的异类信息融合模型、进而设计定位信号中断和误差累积时的轨迹预测与重构算法是车辆轨迹数据准确获取所面临的挑战性问题。

针对上述问题，本文通过集成GNSS 接收模块和车载诊断（OBD,on-board diagnostics）系统读取，开发了一种GNSS-OBD 设备来采集车辆轨迹相关数据，主要包括位置信息（GNSS 获取）和运动状态信息（OBD 读取器读取），该设备满足大规模部署场景中的轨迹收集的低成本需求，易于被用户接受，尤其适合于私家车用户。针对采集过程中轨迹数据误差和缺失的现象，本文提出了一种基于RNN（recurrent neural network）的双向加权轨迹重构算法——Bi-RNN-NALU（bidirectional recurrent neural network integrate neural arithmetic logic unit），将简单的循环神经网络（RNN,recurrent neural network）作为模型的主体，并将神经算术逻辑单元（NALU,neural arithmetic logic unit）引入提出的轨迹重构模型中，以解决GNSS 信号中断发生在复杂路段的挑战性问题。通过对前向与后向2 个方向分别进行轨迹重构，再根据误差累积随时间推移而增大的特点，给予轨迹预测不同的权重，来双向加权重构新的车辆轨迹。实验表明本文算法能有效降低轨迹中后期的误差，提高轨迹收集的整体精度。本文工作的技术贡献可归纳如下。

1) 开发了一种GNSS-OBD 设备，利用低成本的GNSS 接收模块和OBD 读取器，将车辆的多源数据进行融合。该设备具有规范的标准接口，能广泛适用于不同类型的私家车。基于该设备，已经开展了实际场景中大规模轨迹数据的采集工作。

2) 基于轨迹收集设备所获得的异类信息，即位置信息和运动状态信息，提出Bi-RNN-NALU 算法，通过利用前向与后向2 个方向的信息来加权重构新的车辆轨迹，利用GNSS 接收良好时训练OBD 读取的运动状态信息，消除其累积误差，基于此对GNSS 信号中断时的位置信息进行重构。

3) 为进一步解决轨迹数据不准确和缺失及误差累积的问题，在轨迹重构模型中引入神经算术逻辑单元，加强深度网络的外推能力并确保轨迹预测的精度，同时提高了算法在应对城市复杂路段时轨迹重构的稳健性。

4) 利用GNSS-OBD 设备进行了真实路段的测试实验。实验结果表明，即使在连续转弯和加速/减速驾驶等方向和速度频繁变化、GNSS 信号中断60 s 以上的复杂路段，Bi-RNN-NALU 算法能将平均位置误差控制在10 m，且能有效降低轨迹中后期的误差，提高轨迹数据的整体精度。

2 相关工作

车辆轨迹是由机动车在城市道路移动时产成的路径[6]，利用定位技术能记录并收集车辆的轨迹数据。车辆轨迹尤其是私家车的轨迹信息通常是许多移动应用的基础[7-8]。

一种简单的轨迹收集方案是使用智能手机来采集信息，在智能手机中嵌入GNSS 模块和惯性传感器，使其具有定位导航功能。然而，智能手机并不适合大规模的私家车轨迹收集，主要原因如下：1) 在日常驾驶中，私家车用户大都清楚去往目的地的路线，不需借助手机的导航软件，因此用户没有长时间开启手机导航的习惯；2) 即使对于某段行程需要使用手机，所收集的车辆轨迹数据可能不完整且不连续，这是因为在某些情况下，如为了节省手机电量或其他目的，用户并不会在整个驾驶过程中使用手机导航。概而言之，使用智能手机来收集轨迹数据在实际应用中并不可行。

另一种解决方案是利用车载导航系统进行车辆跟踪和轨迹采集。然而，车载导航系统提取数据后并不能提供统一的数据接口类型。此外，低配车型通常并不配置车载导航系统，从市场第三方进行安装，其成本都相对较高。因此，依靠车载导航系统进行大规模轨迹数据采集的可行性较低。

另外，许多研究使用GNSS 接收机与外部惯性测量单元（IMU,inertial measurement unit）[9-11]或附加车载传感器[12]融合的方法来收集车辆轨迹数据。在复杂城市场景下，多径效应及非视距等会导致GNSS 信号中断，此时可以通过外部IMU 传感器来采集相对独立的车辆运动信息。这些解决方案主要是直接利用多源数据融合的优势，但在诸如立交桥等复杂路段，效果不佳。此外，IMU 设备不利于大规模推广，这不可避免地限制了IMU 数据的准确性，从而降低轨迹采集的性能。

3 轨迹采集与重构算法

3.1 GNSS-OBD 轨迹采集设备

本文开发了一种低成本、易于推广的GNSS-OBD 轨迹数据采集设备，如图1 所示。该设备主要包括3 个模块，具体如下。1) GNSS 模块ublox M8030，用于获得车辆经纬度的位置信息。2) OBD 读取器在不使用附加IMU 器件的情况下，能够通过与车辆OBD 接口相连，使用CAN总线来传输车内运动传感器所获取的速度、加速度和转向等运动状态信息。3) 通信单元，可将采集到的轨迹数据发送至数据中心（如图1 所示）。所采集的车辆相关的信息包含车辆ID、车辆起始和停止时间、车辆起始和停止位置（GNSS 坐标）、行驶里程、燃油消耗量、行驶时长、车辆位置、GNSS 信号状态及时间（判断GNSS 是否中断）、车辆加速度和角速度、车辆速度和行驶方向、瞬时累积里程、发送机转数和油门踏板位置等。表1 给出了部分原始轨迹数据样例。

在车辆启动时，GNSS-OBD 设备开始收集轨迹数据。该设备除了能实时采集车辆的轨迹数据，还能为车主提供车辆防盗追踪、电子围栏、行程管理和汽车故障诊断等服务。因此基于该设备开展了实际场景中大规模轨迹数据的采集工作。此外，本文车辆轨迹采集过程中的数据传输是完全匿名的，并不收集关于车辆（车辆ID 已被匿名为字符串）及驾驶员的信息。所采集的数据存储在合作的第三方服务提供商的服务器中，并受身份验证机制和防火墙的保护[13]。

图1 GNSS-OBD 轨迹采集设备

3.2 问题描述

如前文所述，与轨迹相关的应用高度依赖数据的有效性及完整性。确保轨迹数据完整性的主要挑战之一是城市中无法避免的GNSS 信号中断现象，这会导致车辆位置数据的错误或丢失，降低轨迹数据的应用价值，该问题对于细粒度的轨迹数据挖掘尤为严重[14]。为解决该问题，本文借鉴数据融合的思想，即利用从OBD 读取器获取的行驶状态，包括车速、行驶方向、加速度、角速度等，在GNSS 信号中断时恢复轨迹的缺失数据。问题描述如下。

在GNSS-OBD 设备中，车辆位置和行驶状态分别通过GNSS 模块和OBD 读取器获得。在时刻t，令st=(xt,yt)表示车辆位置信息（经度和纬度），分别表示在t时刻OBD 读取器读数中的加速度和角速度。

表1 轨迹原始数据样例

3.3 算法框架

车辆轨迹缺失问题的根源是GNSS 信号失效或中断，因此无法提供轨迹收集过程中所需的车辆的位置信息。值得注意的是，依据时间维度，前后的轨迹信息是彼此相关的，不仅可以由前向的轨迹信息推测出后向的轨迹，同样可以由后向的轨迹信息反向推测前向的轨迹。受此启发，本文提出Bi-RNN-NALU 算法来双向加权重构缺失的轨迹，算法的总体框架如图2 所示。原始的轨迹数据中包含GNSS 信号接收状态，指示在轨迹采集期间GNSS 信号的强弱。根据数据融合的思想，当GNSS 信号可用时，将包括GNSS 数据（例如车辆位置数据）和OBD 读取器读数（例如车辆运动信息）在内的收集的轨迹信息加入训练过程中，以基于GNSS轨迹位置来学习OBD 读取器读数的误差。具体来说，方案首先基于采集的GNSS 位置数据和OBD读取数据计算GNSS 信号中断前每一时刻对应OBD 读取器读数误差。接着，通过Bi-RNN-NALU 模型，分别从前向和后向2 个方向对进行融合后的OBD 读取器读数误差进行训练，并分别预测GNSS 信号失效或中断时的OBD读取器读数误差。然后，基于航位推测的思想，结合2 个方向上预测的OBD 读取器读数误差，分别重构缺失的车辆轨迹。最后，结合2 个方向的重构轨迹进行加权来重构新的车辆轨迹。

图2 Bi-RNN-NALU 算法框架

4 Bi-RNN-NALU 算法的构造

4.1 RNN 和NALU

1) RNN

深度神经网络可以通过使用几乎“原始”数据进行预测，从而能够将其更好地归纳为不同的输入模式。RNN 是一种特殊的人工神经网络模型[15]。与其他深度神经网络不同，实际上RNN 在空间上并不“深”，最简单的RNN 只有一个隐藏层。RNN的基本特征是在每一步都包含一个反馈连接，因此可以在时间维度上进行扩展，从而在时间维度上形成一个“深”的神经网络。

对于单个隐藏层的RNN，可表述为

其中，xt和ot分别表示t时刻的输入和输出向量，ht表示t时刻的隐藏记忆向量，Wxh,Whh,Who分别表示xt、ht−1、ht对应的线性转换权重矩阵，bh、bo分别表示ht、ot的偏置向量，fh和fo均表示非线性的激活函数。

RNN 由于其特殊的结构特点，非常适合于序列信号的建模。理论上，式(1)和式(2)中描述的最简单RNN 模型可以处理任意长度的序列信号，因为其在一系列具有挑战性的预测问题上都取得成功，近年来在数据预测研究中得到了广泛应用。

2) NALU

NALU[16]是一种通过原始算术运算，能够系统地学习表示和操纵数字的模型。

NALU 主要由2 个神经累加器（NAC,neural accumulator）及一个Sigmoid 型门组成，其中，NAC是其输入向量的线性变换，如式(3)所示。

其中，x是输入向量；a是输出向量；W是经过连续且可区分的参数化，得到的一个无约束的权重参数。它的这种形式便于使用梯度下降进行学习，并生成矩阵，其元素保证在[−1,1]之间，并偏向地接近−1、0 或1。NAC 的结构使它具有支持累加的能力，可以实现线性的外推。NALU 能够学习2 个NAC 子单元之间的加权总和，一个NAC 子单元能够进行加法和减法运算，另一个子单元能够进行乘法、除法和幂运算，如等，通过Sigmoid 型门g来实现控制，如果加/减子单元的输出值的权重为1（开），则乘/除子单元格为0（关），反之亦然。第一个NAC 计算累加向量a，该向量存储NALU 的加/减操作结果，计算方式与原始NAC 相同（即a=Wx）。第二个NAC 在对数空间中运行，因此能够学习乘法和除法，将结果存储在m中，如式(4)所示。

最终NALU 的输出y表示为

其中，G是线性转换权重矩阵，ε可以防止出现log0 的情况。因此，NALU 单元可以学习由乘法、加法、减法、除法和幂函数组成的算术函数，可以外推出训练期间观察到的范围之外的数值。

4.2 Bi-RNN-NALU 算法原理

3.3 节概述了本文算法的框架，Bi-RNN-NALU算法分为3 个步骤，具体如下。

1) 第一步的目的是学习GNSS 设备正常运行时与轨迹数据相对应的OBD 读取器读数的误差（即训练过程），并以此预测GNSS 信号失效时对应的OBD读取器读数误差（即预测过程）。当GNSS完全可用时，通过GNSS 获得的轨迹位置对于许多与轨迹相关的应用（例如驾驶员行为调查/分类和旅行时间/距离估计）足够准确。因此，本文利用基于GNSS 采集的N个轨迹点，推断出车辆的准确加速度和角速度。此外，利用航位推测（DR,dead reckoning）的思想，Bi-RNN-NALU算法借助初始GNSS 点（请注意，此时GNSS 信号仍然可用）结合OBD 读取器读数来获得轨迹位置。由于车载运动传感器固有的噪声，更重要的是累积的误差，基于OBD 读取器读数的轨迹是不准确的（参见5.2 中DR-OBD 的实验结果）。为了解决这个问题，在训练阶段，Bi-RNN-NALU 算法根据GNSS 校准OBD 读取器读数的误差。Bi-RNN-NALU 算法是学习 GNSS 信号中断前之间的差距，并预测GNSS 信号中断时它们的差距。时刻t的差距定义为 OBD 读取器读数误差其中，这里有2 次预测，包括前向预测，利用GNSS 信号中断前的OBD读取器读数误差预测GNSS 信号中断时的读数误差；后向预测，利用GNSS 信号中断后的OBD读取器读数误差预测GNSS 信号中断时的读数误差。

每一个轨迹点与先前的轨迹点是有关联的，具体来说GNSS 信号中断期间车辆的运动信息与GNSS 信号中断之前的运动信息高度相关。在实际应用中，运动信息中会有各种误差以及由此产生的误差累积，即本研究中的OBD 读取器读数不可避免地会出现误差和误差累积的情况。为了解决该问题，在GNSS 信号可用时，Bi-RNN-NALU 算法通过一个基于RNN 的神经网络模型来学习误差的特征。此外，本文研究还观察到对于车辆的运动状态信息而言，例如从不同路段所获得的加速度和角速度具有不同的特征，能够显著影响轨迹重构的性能。特别是在复杂路段，例如立交桥路段，转向和加减速操作较多，驾驶状态变化较大，以及车辆状态变化较长，使立交桥路段的OBD 读取器读数误差超过了训练集的正常范围。这可以看作一种异常变化，传统的RNN 结构无法很好地解决该问题。

本文利用NALU 作为附加单元加入基于RNN的轨迹重构模型，以便在训练数值范围的内部和外部获得更好的泛化。为此，本文设计了一个叠加的RNN 和NALU 相结合的神经网络结构，除了输入层和输出层之外，网络分为四层，包括2 个RNN层，其中一个RNN 层有128 个单元，另一个有64 个单元；一个NALU 层，用于应对复杂路段的轨迹预测问题，提高对复杂路段的稳健性，该层单元数为64；一个Dense 层，其神经单元数目与输出OBD读数误差向量长度大小相同。NALU 赋予网络强大的外推能力，可以应对由复杂路段（如立交桥）引起的“异常”速度及方向变化。图3 给出了Bi-RNNNALU 算法第一步的结构示意。

2) 第二步是基于前后向预测的OBD 读取器读数误差和车辆位置之间的关系，通过航位推测的数学计算过程重构轨迹。这里有2 次航位推测的过程：①前向航位推测重构轨迹，利用前向预测的GNSS 信号中断时的OBD 读取器读数误差进行前向航位推测；② 后向航位推测重构轨迹，利用后向预测的GNSS 信号中断时的OBD 读取器读数误差进行后向航位推测。

前向航位推测重构轨迹通过OBD 读取误差的预测值间接预测位移，达到重构轨迹的目的。在GNSS 信号中断的持续时间t=T+1,…,T+L，轨迹重构过程可以表示为

因此，2 个相邻轨迹点之间的预测位移可通过式(8)来计算，通过式(9)来重构轨迹。

后向航位推测重构轨迹与前向航位推测的过程相似，只是时间维度从后向前反向推测。Bi-RNNNALU 算法的第二步的具体结构如图4 所示。

3) 第三步是基于前向重构轨迹结合后向重构轨迹加权重构新的轨迹，具体结构如图5 所示。

由于车载传感器的累计误差会导致随时间推移的车辆位置误差越来越大，因此在轨迹重构这样的时间序列预测的问题中，离已知轨迹点时间上越近的重构轨迹点的可信程度更高。因此，本文定义置信度来表示不同时刻重构轨迹点的可信程度，假设GNSS 信号中断的时间是t=T+1,…,T+L，在t=T+i时刻，前向轨迹重构的车辆位置的置信度为

图3 Bi-RNN-NALU 算法第一步的结构

图4 Bi-RNN-NALU 算法第二步的结构

图5 Bi-RNN-NALU 算法第三步的结构

5 实验结果及分析

5.1 道路测试

为了验证Bi-RNN-NALU 算法的性能，本文进行了真实道路场景下的轨迹数据采集与测试。图6 描绘了道路测试实验的车辆轨迹，该轨迹采集于长沙市区，其中椭圆内的线段表示轨迹缺失的路段，包括普通交叉路口转弯、直线、直角转弯、立交桥等路段场景。具体来说，驾驶安装了图1 所示设备的测试车辆，获得图6 所示轨迹，轨迹数据采集的采样率为1 Hz。在道路测试中，当车辆通过具有良好GNSS 信号的开阔区域时，GNSS 模块的精度通常为15 m。

5.2 对比方法及结果分析

1) 对比算法

Bi-RNN-NALU。算法中网络使用5 个时间步长的窗口进行训练，表示过去5 s 的观测值，每预测下一秒的OBD 读取器读数误差，此窗口就更新一次（即更新频率为1 Hz），将预测的新的OBD读取器读数误差加入新的输入窗口，继续预测下一秒OBD 读取器读数误差。考虑到车辆驾驶过程中的短期相关性，即包含在轨迹数据中车辆状态是与最近的轨迹相关的，训练不需要很长的轨迹。在这里，本文使用GNSS 信号中断前后15 s 的轨迹数据作为训练集，当车载OBD 位置终端设备的采样率设置为1 Hz 时，2 个方向各自输入历史的15 个轨迹点作为训练数据。

DR-OBD。如4.2 节所述，通过运用航位推算的思想[17]，主要基于OBD 读取的车辆运动信息，结合GNSS 信号中断前的初始GNSS 位置数据恢复的车辆轨迹位置。

DR-RNN/DR-RNN-NALU。与Bi-RNN-NALU类似，轨迹重构算法的前两步单独前向预测重构轨迹，但在算法的第一步使用了不同的神经网络结构，将应用 RNN 的方法在以下部分称为“DR-RNN”。特别地，将应用RNN-NALU 网络的方法在以下部分称为“DR-RNN-NALU”，此算法仅用于立交桥路段对比，验证NALU 在复杂路段的作用，参数设置与本文算法一致。

支持向量回归（SVR,support vector regression）[18]。当GNSS 信号稳定有效时，训练学习车辆移动信息与传感器的运动状态数据之间的内在联系，得到一个回归模型。当GNSS 信号无效或中断时，利用已建立的回归模型，结合此时的车辆运动状态数据，预测对应的车辆移动信息。训练集取GNSS 信号中断前30 s 的数据。

高斯过程回归（GPR,Gaussian process regression）[19]。同SVR 类似，建立回归模型预测车辆移动信息。训练集同样取GNSS 信号中断前30 s 的数据。

实验验证使用的软硬件环境说明如下。CPU 为Intel(R) Core(TM) i5-8300H CPU @2.30GHz 2.30 GHz，内存为8 GB，显卡为NVIDIA GTX1050 Ti，软件为Pycharm。

2) 结果分析

具体的车辆驾驶场景和GNSS 信号失效时长参数如表2 所示。

图6 车辆轨迹

表2 道路测试参数设置

图7 给出了在交叉路口转弯路段各种算法的重构轨迹及其位置误差的结果，GNSS 信号失效时长为40 s。这个交叉路口近似“直角转弯”，车辆的运动状态也与直角转弯类似，都是低速进入，经过路口后加速离开。在该路段，由于速度变化频繁，来自运动传感器的加速度不准确，角速度较为准确，导致DR-OBD 的重构轨迹形状与真实轨迹相似但更短。从图 7(a) 可以看出Bi-RNN-NALU 算法重构的轨迹与真实轨迹最为接近，特别是在轨迹末端，与真实轨迹末端近乎重合。仅前向轨迹重构的DR-RNN 的效果也不错，SVR 可能由于累计误差过大，导致在轨迹末端无法正确拟合特征，方向偏移较大，而GPR 的在轨迹中后期近乎失效，轨迹偏移很大。如图7(b)所示，Bi-RNN-NALU 算法在各轨迹点的位置误差始终保持最低，相比之下其他算法在轨迹末端的位置误差较大。

图8 给出了在直线路段各种方法的重构轨迹及其位置误差的结果，GNSS 信号失效时长为40 s。从图8(a)可以看出，SVR 和GPR 重构轨迹方向在速度和方向上相比真实轨迹误差都很大，而从DR-OBD 可以看出在该路段车内运动传感器的固有噪声和误差积累较大，结合图 8(b)可以看到DR-RNN 表现良好，而Bi-RNN-NALU 算法的效果在DR-RNN 的基础上则有明显提升，显著减小了DR-RNN 在轨迹末端的误差。

图9 给出了在直角转弯路段各种方法的重构轨迹及其位置误差的结果，GNSS 信号失效时长为30 s。车辆在经过直角转弯路段时，低速进入，加速离开。在该路段，由于速度变化频繁，来自运动传感器的加速度不准确，但低速短时间经过弯道使角速度较为准确，这些情况导致DR-OBD 的重构轨迹形状与真实轨迹相似但较短，也使大多数方法重构的轨迹能够与真实轨迹形状相似，其中，Bi-RNN-NALU 表现出最好的性能，DR-RNN 稍差。SVR 和GPR 的结果比较差，在形状上偏离真实轨迹，拟合效果不佳。

图7 交叉路口转弯路段重构轨迹及其位置误差

图8 直线路段重构轨迹及其位置误差

图9 直角转弯路段重构轨迹及其位置误差

图10 给出了立交桥路段各种方法的重构轨迹及其位置误差的结果。GNSS 信号失效时长为66 s。在该路段，车辆以较低的速度持续行驶并保持转弯，这极大影响了车内运动传感器的性能。此外，车辆驾驶状态在立交桥持续变化，这与进入立交桥路段前完全不同。换而言之，这种特定的驾驶状态，即保持40 s 以上的转向，在训练集中很少出现。这阻碍了模型从训练阶段获得足够的知识。也就是说，当该路段发生GNSS 信号失效或中断时，从OBD 读取器获得的运动信息不稳定，可能无法提供足够的信息。因此，如图10(a)所示，DR-OBD 轨迹与真实轨迹偏离较大，DR-RNN 和GPR 等重构的轨迹在形状和长度上也呈现不同程度的变化。在这种情况下，DR-RNN 无法正常工作，因为传统的DNN结构无法很好地解决预测数值超出训练数据范围的问题。通过重构基本算术运算，NALU 可以很好地解决额外数据的问题。Bi-RNN-NALU 算法由于能有效利用后向重构的轨迹，精度有了明显提升，特别是在轨迹中后期位置误差一直保持在低水平，有效克服了一般单向轨迹重构方法累计误差随时间增大的不足。

为进一步论证所提算法的性能，本文采用均方根误差（RMSE,root mean square error）作为指标验证各算法的有效性，其计算式为

表3 描述了在4 个失效阶段各种方法重构轨迹的均方根误差对比。在表3 中对本文提出的算法的误差结果进行了加粗显示，可以看出在各个路段Bi-RNN-NALU 算法都能获得最好的精度，这是因为双向重构轨迹可以利用仅使用前向重构所缺乏的信息，确保了轨迹重构的完整性。此外，在立交桥路段，加入NALU 的Bi-RNN-NALU 及DR-RNN-NALU 相比DR-RNN 性能提升很大，有效地提高了算法在诸如立交桥路段的复杂路段的稳健性和有效性。

图10 立交桥路段重构轨迹及其位置误差

表3 各方法重构轨迹的均方根误差

6 结束语

本文设计了一种基于GNSS-OBD 的车辆轨迹采集设备，在此基础上，针对城市环境下私家车轨迹采集所面临的不准确和数据缺失的问题，提出一种新的基于RNN 神经网络的轨迹重构算法——Bi-RNN-NALU，该算法将RNN 作为基本网络结构，利用轨迹缺失前后的轨迹信息，同时从前向及后向分别重构轨迹，加权重构新的车辆轨迹。由于充分利用了单一前向轨迹重构方法所没有使用的后向信息，Bi-RNN-NALU 算法可以降低车辆轨迹后期的累计误差，提高重构轨迹的准确性。此外，为了应对复杂路段的挑战，本文将NALU 引入重构模型来提高算法在复杂路段的稳健性。通过真实道路测试，证明了算法的准确性和可靠性。考虑到所采集的轨迹数据量庞大，下一步工作将研究轨迹压缩算法，提升轨迹数据处理的效率。