[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

本發明公開了基于多重融合卷積GRU的車輛位置預測方法，包括以下步驟：構建車輛位置的預測模型；利用訓練集數據，對所述車輛位置的預測模型進行訓練；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；所述預測模型包括第一融合層、第二融合層和輸出層，各層之間依次順序連接，前一層的輸出為后一層的輸入。本發明方法通過三個卷積層將兩個雙向GRU層串行融合在一起，通過同時對序列特征和上下文特征的共同識別，采用融合卷積的形式解決了GRU在時間序列分析中長期依賴丟失問題，模型具備較好的收斂性和準確度，使得車輛位置的預測有更高的精度和更好的性能。

技術領域

本發明屬于位置數據處理與預測技術領域，具體涉及基于多重融合卷積GRU(Gated Recurrent Unit，門控循環單元)的車輛位置預測方法。

背景技術

物聯網及車聯網的發展使得汽車在運行過程中的實時狀態數據采集成為了可能，對這些數據的分析和運用具有重大意義。當前對汽車運行過程中采集手段主要通過OBD(OnBoard Diagnostics)故障系統，該系統能夠實時監測汽車狀態、發動機運行數據、車輛催化轉化器、內置顆粒捕集器、內置氧傳感器、汽車尾氣排放控制系統、燃油消耗系統等，實時將各項指標數據連接到汽車總線上，便于4G網絡實時上傳到網絡中，供分析和使用。

目前對于OBD數據的使用和對位置狀態預測精度仍然不夠，難以滿足人們的需求。主要采用的方法有基于回歸的預測、基于隨機森林的預測、基于SVM的預測以及基于神經網絡的預測。近年來，隨著人工智能技術的發展，越來越多的人發現基于神經網絡的預測方法優勢較為突出，能夠取得較好效果。大量學者采用了LSTM、Con-LSTM方法對車輛的位置狀態進行了預測，然而精度不夠理想。并且實驗證明，單純的增加LSTM或者Con-LSTM單元的個數并不能對預測精度進行提高。

發明內容

有鑒于此，本發明的目的在于提供基于多重融合卷積GRU(門控循環單元)的車輛位置預測方法，通過三重卷積的方式將兩個雙向循環GRU模型進行連接，使得對移動車輛位置的預測取得了較好的效果。

本發明的目的是這樣實現的，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；

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。

具體地，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(故障指示燈)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。

優選地，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。