[發明專利]基于多重融合卷積GRU的車輛位置預測方法

有效

• 申請號: 202010023341.6
• 申請日: 2020-01-09
• 公開（公告）號: CN111263326B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 馬武彬;魯贏;吳繼冰;鄧蘇;黃宏斌;吳亞輝;劉麗華;李璇
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: H04W4/40
• 分類號: H04W4/40;H04L67/12;G07C5/08;G06N3/08;G06N3/04
• 代理公司: 北京律誠同業知識產權代理有限公司 11006
• 代理人: 祁建國

1.基于多重融合卷積GRU的車輛位置預測方法，包括以下步驟：

步驟1，構建車輛位置的預測模型；

步驟2，利用訓練集數據，對所述車輛位置的預測模型進行訓練；

步驟3，將測試集數據輸入訓練完畢的車輛位置的預測模型中，計算獲得車輛位置的預測值；

其特征在于，所述預測模型包括第一融合層、第二融合層和輸出層，所述第一融合層包括第一卷積層和第一雙向GRU層，所述第二融合層包括第二卷積層和第二雙向GRU層，所述輸出層包括第三卷積層和全連接輸出層，所述全連接輸出層包括輸出層為10的第一全連接層和輸出層為1的第二全連接層，各層之間依次順序連接，所述的雙向GRU層均由一個正向GRU模型和一個反向GRU模型并聯形成一個雙向結構，所述的雙向結構的GRU模型輸出兩個合并的GRU信號；

所述訓練集數據包括影響因素數據和已知的車輛位置觀測數據；

所述的測試集數據為待預測的車輛位置的影響因素數據。

2.根據權利要求1所述的車輛位置預測方法，其特征在于，所述影響因素數據包括predictionHours前歷史車輛位置數據、行駛速度、引擎轉速、絕對負荷值、發動機冷卻液溫度、發動機供油率、MIL狀態、發動機機油溫度和時間；其中，predictionHours是一個預設參數，代表預測未來predictionHours小時的車輛位置。

3.根據權利要求2所述的車輛位置預測方法，其特征在于，對所述訓練集數據根據不同時間進行分類，使用不同類別的訓練集分別訓練不同類型下的車輛位置的預測模型；預測模型訓練完成以后，針對當前測試集數據，利用測試集數據對應類型的預測模型，計算獲得車輛位置的預測值。

4.根據權利要求1所述的車輛位置預測方法，其特征在于，第一卷積層接受序列數據的輸入，其輸出為x_t表示序列數據，η¹()表示第一卷積層的卷積函數，同時作為第一雙向GRU層和第二雙向GRU層的輸入，為第一雙向GRU層的輸出，表示將第一雙向GRU層中正向GRU的輸出與第一雙向GRU層中反向GRU輸出進行合并，第一融合層的輸出為是對第一雙向GRU層的輸出乘以權重向量并加上偏移向量的結果，將與η¹(x_t)的輸出進行合并成作為第二層卷積層的輸入；是第二卷積層的輸出，卷積函數η²中包含了一個全連接操作Dense()，將P_t¹進行全連接轉換成卷積函數可以接受的輸入，連接到第二雙向GRU層，第二融合層的輸出為是對第二雙向GRU層的輸出乘以權重向量并加上偏移向量的結果，表示將第二雙向GRU層中正向GRU的輸出與第一雙向GRU層中反向GRU輸出進行合并；將與P_t¹進行合并，作為第三卷積層的輸入，第三卷積層的輸出為卷積函數η³中還包含了一個全連接操作Dense()；第三卷積層通過全連接輸出層得到輸出O_t，O_t為一個具體值，代表predictionHours后的車輛位置，其中，和為各部分的權重向量，和為各部分的偏移向量。

5.根據權利要求4所述的車輛位置預測方法，其特征在于，所述第一雙向GRU層中正向GRU模型的輸出反向GRU模型的輸出對正向GRU模型和反向GRU模型的輸出的聚合操作，得到輸出表示將與進行合并連接，作為所述的第一雙向GRU層的輸出；所述第二雙向GRU層中正向GRU模型的輸出反向GRU模型的輸出對正向GRU模型和反向GRU模型的輸出的聚合操作，得到輸出表示將與進行合并連接，作為所述的第二雙向GRU層的輸出，其中z¹_t、為第一雙向GRU層中正向GRU模型的中間值，z²_t、為第一雙向GRU層中反向GRU模型的中間值，z³_t、為第二雙向GRU層中正向GRU模型的中間值，z⁴_t、為第二雙向GRU層中反向GRU模型的中間值。

6.根據權利要求1所述的車輛位置預測方法，其特征在于，所述預測模型中的損失函數采用標準歸一化MSE，激活函數采用Relu函數，步驟2的訓練過程中，通過Adam函數進行學習，得到參數神經網絡參數模型。