[發明專利]車聯網復雜網絡中基于深度學習的車輛行駛影響因素的位置預測模型構造方法

有效

• 申請號: 201710702922.0
• 申請日: 2017-08-16
• 公開（公告）號: CN107609633B
• 公開（公告）日: 2020-08-14
• 發明（設計）人: 程久軍
• 申請（專利權）人: 同濟大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62;G08G1/00
• 代理公司: 上海科律專利代理事務所(特殊普通合伙) 31290
• 代理人: 葉鳳

1.一種基于深度學習的車輛位置預測模型構造方法，其特征在于，具體方法包括如下步驟：

步驟1，定義特征集，包括車輛特征抽象與定義、道路特征抽象與定義、車輛行駛環境特征抽象與定義

步驟11、車輛特征抽象與定義

車輛特征包括車身長度L，車身寬度W，車輛速度，加速度，當前行駛方向，路口轉向動作，當前位置，出發地，目的地，其中t時刻車輛速度、加速度分別標記為v(t)和a(t)，其余特征分別定義如下：

定義1車輛行駛方向vDir(t)，表示t時刻車輛的運動方向，用與正北方向之間順時針夾角表示行駛方向，滿足：

0≤vDir(t)＜360° (1)

定義2車輛路口轉向vMov(t)，表示t時刻車輛在經過十字路口時的駕駛行為，以向量的形式表征，如公式(2)，分為車輛直行，左轉彎以及右轉彎，

定義3車輛當前位置P(t)，表示t時刻車輛在CA State Plane III in NAD83坐標系中的二維坐標向量，向量各項單位為英尺，位置信息定義如下：

P(t)＝(x(t)，y(t)) (3)

定義4車輛出發地srcP，表示車輛此次出行起點的二維坐標，定義如下：

srcP＝(x，y) (4)

坐標系與單位同定義3；

定義5車輛目的地dstP，表示車輛此次出行終點的二維坐標，定義如下：

dstP＝(x，y) (5)

坐標系與單位同定義3；

綜上，t時刻車輛的特征集feature_v(t)定義如下：

feature_v(t)＝{L，W，v(t)，a(t)，vDir(t)，vMov(t)，P(t)，srcP，dstP} (6)

步驟12，道路特征抽象與定義

將十字路口和丁字路口抽象為四邊形，以其四個頂點坐標從西北方向的角開始按照順時針方向依次標識，標記如下：

I＝(x₁，y₁，x₂，y₂，x₃，y₃，x₄，y₄) (7)

定義6十字路口集合ISet表示研究區域內，所有十字路口組成的集合；

ISet＝(I₁，I₂，...，I_m，...) (8)

定義7道路段是指道路在兩個相鄰十字路口之間的一個路段，由路段兩側十字路口來標識該道路段，定義道路i的道路段集合如下：

RSegSet(i)＝(I₁I₂，I₂I₃，...，I_kI_m，...) (9)

其中I_k表示編號為k的十字路口，1≤k≤n，n為最大十字路口編號；

每條道路段包含若干車道，定義十字路口I_k，I_m之間的道路段車道集合如下：

I_kI_m＝(lid₁，lid₂，...，lid_n) (10)

其中lid_k表示車道編號，1≤k≤n；

定義8車道方向lDir(x，y)表示車道允許的行進方向，其中x，y表示車道內的位置坐標；角度定義同vDir；同時車輛在當前車道直道的行駛方向vDir與車道方向相同，即若當前車輛處在i車道內，則有

vDir(t)＝lDir_i(x，y)，其中(x，y)＝P(t) (11)

定義9車道左側可變道數量LAL為在某車道當前位置下，車輛可向左變動的車道數目；由當前車道i的當前位置(x，y)向左側同向車道搜索，直至遇到實線表示車輛不可向左變道或者搜索到最左側同向車道為止；搜索到的車道數目即為車道左側可變道數量LAL_i(x，y)；

定義10車道右側可變道數量RAL為在某車道當前位置下，車輛可向右變動的車道數目；由當前車道i的當前位置(x，y)向右側同向車道搜索，直至遇到實線表示車輛不可向右變道或者搜索到最右側同向車道為止；搜索到的車道數目即為車道右側可變道數量RAL_i(x，y)；

定義11直行區車道允許駕駛行為包括直行，向左變道和向右變道；定義向量sld表示車道允許的基本駕駛行為如下：

直行區車道允許的駕駛行為SLD有

定義12路口準備區車道允許的駕駛行為包括直行，左轉彎，右轉彎和調頭；定義向量pld表示車道允許的基本駕駛行為如下：

路口準備區車道允許的駕駛行為PLD表示為：

綜上，位置(x，y)處的道路特征集feature_r(x，y)定義如下：

feature_r(x，y)＝{lDir(x，y)，LAL(x，y)，RAL(x，y)} (16)

∪{SLD(x，y)，PLD(x，y)}

步驟13，車輛行駛環境特征抽象與定義

定義13路口距離，車輛i與前方十字路口I_m距離表示以車輛i前邊沿與當前車道前方十字路口停止線之間的距離；

定義14前方車輛與后方車輛；在同一車道上，車輛i與車輛j前方路口為I_m，若滿足則在t時刻車輛i為車輛j的前方車輛，車輛j為車輛i的后方車輛；若則認為車輛i與車輛j互為對方的前方車輛；

在同一道路段I_kI_m的不同車道上，假設t時刻車輛i的位置P_i(t)＝(x_i，t，y_i，t)，車輛j的位置P_j(t)＝(x_j，t，y_j，t)；路段方向向量若滿足則在t時刻車輛i為車輛j的前方車輛，車輛j為車輛i的后方車輛；如果則認為車輛i與車輛j互為對方的前方車輛；

定義15周圍車輛集NCarSet_i(t)定義為車輛i在t時刻當前車道，左側車道，右側車道前方與后方車輛所組成的集合；

定義16周圍車輛行駛狀態以向量nstate來標識如下：

nstate(t)＝(type，available，v(t)，a(t)，L，W，d)∪P(t) (17)

其中，type標識周圍車輛與當前車輛的相對位置，available表示是否存在該車輛，存在為1，不存在為0；nstate中除type項外，其他項均標記為0；如車輛若不存在當前車道前方車輛，則該車輛當前車道前方車輛對應的nstate(t)＝(1，0，0，0，0，0，0，0，0)；v(t)，a(t)，P(t)分別表示車輛的速度、加速度和位置；L，W分別表示車輛長度和寬度；d表示鄰居車輛節點與當前車輛節點之間的距離；

定義17周圍車輛運動狀態集定義為NCarState_i(t)＝{nstate_j(t)|j∈NCarSet_i(t)}；

定義18t時刻，交通燈TL_i信號允許動作使用向量sig_i(t)表示；

定義19車輛t時刻的路口允許轉向動作表示為IAM(t)；該特征受制于車道允許的駕駛行為PLD和交通燈信號允許動作sig_i(t)；可表示為矩陣的Hadamard乘積，如公式(19)：

IAM(t)＝PLD(P(t))*sig_i(t) (19)

綜上，t時刻車輛行駛環境特征集feature_e(t)定義如公式(20)：

feature_e(t)＝{VID(t)，IAM(t)}∪NCarState(t) (20)

綜上，將t時刻影響車輛駕駛行為的特征集feature(t)定義為

feature(t)＝feature_v(t)∪feature_r(P(t))∪feature_e(t) (21)

步驟2，車輛位置預測模型

步驟21，特征提取與數據預處理

直接獲取的車輛特征包括車輛長度L，車輛寬度W，車輛速度v，車輛加速度a，車輛行駛方向vDir，車輛路口轉向vMov，車輛當前位置P，車輛出發地點srcP，車輛目的地點dstP；

直接獲取的道路特征包括車道方向1Dir，車道左側可變道數量LAL，車道右側可變道數量RAL，車道允許的駕駛行為SLD，路口準備區車道允許的駕駛行為PLD；

直接獲取的車輛行駛環境特征包括車輛與當前車道前方車輛的距離d_f，車輛與當前車道后方車輛的距離d_a；

直接可獲取十字路口集ISet，道路段集合RSegSet，交通燈信號允許的駕駛動作sig(t)，每輛車所在的車道lane以及每輛車所在的道路段RSeg；根據前面步驟1的定義，需要提取的特征包括車輛與前方十字路口距離VID，周圍車輛運動狀態集NCarState，車輛路口允許轉向動作IAM，訓練樣本的標簽；

·步驟211，車輛與前方路口距離特征提取

在地圖上根據車輛所在車道lane以及車輛所在車道方向IDir獲取該車道在前方十字路口處停止線AB的A點坐標(x_A，y_A)和B點坐標(x_B，y_B)，其中A和B是車道路口停止線的兩個端點；從車輛前邊緣向直線AB做垂線，求得垂線的長度length用length近似替代VID；

AB在二維坐標系中滿足公式(22)：

(y_A-y_B)·x+(x_B-x_A)·y+(y_B·x_A-x_B·y_A)＝0 (22)

假設此時車輛位置P(t)＝(x_C，y_C)，則車輛到AB的距離length滿足公式(23)：

對數據集中每輛車各時刻點的數據做公式(23)運算，提取得到特征VID；

·步驟212，周圍車輛運行狀態集特征提取

從數據集的地圖中獲取車輛所在車道是否有左側車道和右側車道以及左側車道與右側車道的方向向量，同時，在數據集中，不在十字路口的車輛各時刻的車道都有標注，從而得到各時刻各車道上的車輛狀態集；當前車道前后車輛通過數據集直接獲取；左右車道中的前后車輛按照定義16在左右車道中查找，并將其行駛狀態記錄在集合NCarState中；

·步驟213，路口允許轉向動作特征提取

從數據集中獲取十字路口信號燈隨時間變化的表格，即對于任意十字路口I_i獲取sig_i(t)；從數據集中的地圖車道標記中獲取車道允許駕駛行為PLD，則IAM特征的提取按照定義19，依次找到每條車道對應的十字路口，然后對sig(t)和PLD做Hadamard乘積得到IAM特征；

·步驟214，標簽提取

將車輛駕駛行為分為直行、向左變道、向右變道、路口直行、路口左轉、路口右轉、路口調頭；其中直行、向左變道、向右變道是直行區和路口準備區的駕駛行為；路口直行、路口左轉、路口右轉是路口區的駕駛行為；

對駕駛行為按規則進行編碼；

路口處直行、左轉和右轉的駕駛行為在數據集中直接獲取；直行、向左變道和向右變道通過車輛當前時刻t所處車道lane(t)和未來時刻t+Δt所處車道lane(t+Δt)做對比；如果相同，則為直行；如果lane(t+Δt)屬于lane(t)的左側車道集，則為向左變道，否則為向右變道；根據提取到的駕駛行為以設定的規則進行編碼并作為訓練樣本的標簽；

將獲取到的特征表示為定義的feature(t)向量，將獲取到的訓練樣本標簽定義為label(t)，其中t表示時間；采用min-max歸一化方法對feature(t)和label(t)進行歸一化處理，如公式(24)所示：

其中f表示特征點取值，f^max表示該特征點取值的最大值，f^min表示該特征點取值的最小值，f^N表示歸一化之后的特征點取值；歸一化處理后的feature(t)和label(t)分別記為feature^N(t)和label^N(t)；feature^N(t)按照順序拼接上label^N(t)即是網絡訓練樣本和測試樣本的結構；

步驟22，駕駛行為預測

前面預處理后的訓練樣本集記作train，train包括訓練樣本特征集和訓練樣本標簽集，

訓練樣本特征集記為train_x，表示為

訓練樣本標簽集記為train_y；測試樣本集記為test，包括測試樣本特征集和測試樣本標簽集；測試樣本特征集記為test_x，測試樣本標簽集記為test_y；其中train_y與train_x按行一一對應，test_x與test_y按行一一對應，

車輛駕駛行為預測步驟如下：

(1)按照DBN網絡結構利用Contrastive Divergence逐層訓練RBM網絡，學習特征的低維表達方式；

(2)利用學習所得的網絡結構初始化BP神經網絡，并在最后添加輸出層；

(3)訓練BP神經網絡，利用訓練標簽集train_y計算訓練誤差，反向傳播，微調每一層的網絡參數；

(4)將待預測樣本按照網絡正向計算得到輸出層節點取值；

(5)對輸出層節點的取值做softmax回歸，并根據在先設定的駕駛行為編碼規則將回歸后的結果轉換為駕駛行為；

步驟23，位置預測模型

為挖掘車輛駕駛行為與未來一段時間車輛位置之間的關系，利用BP神經網絡求解回歸問題的能力，挖掘車輛行駛環境和駕駛行為對未來一段時間車輛位置的影響，并利用訓練后的BP神經網絡結合前面預測所得的駕駛行為進行車輛位置預測：

首先，定義訓練樣本的特征集為PFeature(t)，表示為公式(27)：

其中DrvB(t)表示t時刻車輛的駕駛行為經編碼后的取值；P(t-1)代表車輛在前一時刻的位置；利用特征提取方法提取每個車輛節點在各時刻對應的PFeature(t)，并利用min-max歸一化方法對每條樣本歸一化，得出BP神經網絡的輸入樣本集表示如式(28)：

其中PFeature^N(t_i)表示t_i時刻PFeature的歸一化樣本；提取車輛節點在n秒后的地理位置P(t+n)，1≤n≤3，n∈N，同樣對其進行min-max歸一化，得到BP神經網絡的訓練標簽集表示如式(29)：

然后，設置BP神經網絡的輸出層為線性輸出，按照參數給定的網絡結構和激活函數，訓練BP神經網絡；

最后，在需要進行位置預測時，先根據駕駛行為預測方法，得到車輛駕駛行為預測結果：預測結果是針對softmax分類器編碼過的向量形式，將其按照一致的編碼規則映射關系，重新編碼為標量取值，作為DrvB特征值；同時提取對應的PFeature中其它特征值，做歸一化處理，得到待預測樣本p_x，樣本結構同PFeature^N(t)；將待預測樣本按照訓練所得的神經網絡正向計算，得到的網絡輸出逆歸一化結果即是預測的車輛位置；

在駕駛行為預測方法的基礎上，結合BP神經網絡正向傳遞的計算方法，車輛位置預測模型表示為遞推式(30)的形式：

其中P表示預測模型給出的車輛位置預測結果，即未來時刻車輛節點的位置；

h(·)表示線性函數h(x)＝x，f(·)代表sigmoid函數；代表本節訓練所得BP神經網絡第i層對第i+1層的連接權值，為第i層對第i+1層的偏置項，x_p表示PFeature^N形式的樣本。