[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

城市道路中客觀存在道路縱橫交錯，車輛分布不均等特性，使得車輛位置易變導致車聯網網絡層數據傳輸失真問題，從而成為阻礙車聯網應用服務發展的瓶頸。現有的車輛位置預測模型通常利用車輛歷史軌跡信息進行訓練，缺乏對復雜的車輛狀態以及實時路況信息的考慮，對復雜行車環境與車輛駕駛行為以及車輛位置變化之間的關系挖掘不足。針對以上問題，本發明“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”綜合考慮車體屬性、道路信息與行車環境等影響車輛行駛的因素，結合深度學習技術，挖掘車輛行駛影響因素與車輛位置的關系，提出車輛位置的預測模型，達到提升車輛位置預測準確性的目的，從而為車聯網網絡層路由協議設計的穩定性提升，以及有效解決數據失真問題提供幫助。

技術領域

本發明涉及車聯網復雜網絡領域。

背景技術

現有的車輛位置預測主要服務于車聯網安全相關的應用(如十字路口車輛防碰撞監測)或者道路車流分析等。預測模型主要針對當前車輛的歷史運動軌跡與速度等進行挖掘，以挖掘得出的關系預測下一時刻車輛的位置。研究者假設車輛在未來較短的一段時間內，速度和加速度是恒定的，以當前速度和加速度利用物理學公式計算Δt時間之后的位置，然后計算位置偏差，該算法在交通狀態復雜的路口或者車輛較多的車道偏差較大。研究者提出的VMP概率模型則將車輛的行駛路徑分割為相連的若干路段，以車輛之前行駛過的路段作為先驗知識，尋找下一時刻，最可能選擇的路段作為預測結果，以這種方式來挖掘城市場景下的車輛節點運動規律，該算法對行駛模式固定的車輛節點(如公交車等)預測準確率較高，但算法沒有考慮到行駛模型不固定的車輛節點(如出租車等)。有研究者提出利用統計學原理研究車輛密度與車輛周圍的鄰居節點位置對車輛運動的影響，并以此建立模型，預測一段時間后，各類群車輛節點的位置分布，該模型首次將自動駕駛的車輛考慮在內，研究與人駕駛車輛的不同，但對道路的理想化建模過于苛刻。也有研究者提出將具有相同或者相似起點和終點或者具有相似路徑的車輛歸為一類，然后利用SOM神經網絡對這類節點進行訓練，通過訓練結果指導預測車輛的運動路徑的預測方法。

以上討論的方法對于道路的建模過于理想化，忽略了諸多可能影響車輛位置的因素，如交通信號與車道轉向允許標志等，同時沒有對車輛區別對待，忽略了車輛自身屬性(如車身長寬等)對駕駛行為和車輛位置的影響。因此，區別于以上方法，本發明考慮利用深度學習技術，挖掘車輛自身狀態，行駛道路信息和行車環境信息與車輛下一時刻位置之間的關系，從而提高車輛位置預測的準確性。

發明內容

現有的車輛位置預測模型通常利用車輛歷史軌跡信息進行訓練，缺乏對復雜的車輛狀態以及實時路況信息的考慮，對復雜行車環境與車輛駕駛行為以及車輛位置變化之間的關系挖掘不足。針對以上問題，本發明綜合考慮車體屬性、道路信息與行車環境等影響車輛行駛的因素，結合深度學習技術，挖掘車輛行駛影響因素與車輛位置的關系，提出車輛位置的預測模型。

本發明技術方案為：

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。這里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)