[发明专利]车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法

说明书

城市道路中客观存在道路纵横交错，车辆分布不均等特性，使得车辆位置易变导致车联网网络层数据传输失真问题，从而成为阻碍车联网应用服务发展的瓶颈。现有的车辆位置预测模型通常利用车辆历史轨迹信息进行训练，缺乏对复杂的车辆状态以及实时路况信息的考虑，对复杂行车环境与车辆驾驶行为以及车辆位置变化之间的关系挖掘不足。针对以上问题，本发明“车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法”综合考虑车体属性、道路信息与行车环境等影响车辆行驶的因素，结合深度学习技术，挖掘车辆行驶影响因素与车辆位置的关系，提出车辆位置的预测模型，达到提升车辆位置预测准确性的目的，从而为车联网网络层路由协议设计的稳定性提升，以及有效解决数据失真问题提供帮助。

技术领域

本发明涉及车联网复杂网络领域。

背景技术

现有的车辆位置预测主要服务于车联网安全相关的应用(如十字路口车辆防碰撞监测)或者道路车流分析等。预测模型主要针对当前车辆的历史运动轨迹与速度等进行挖掘，以挖掘得出的关系预测下一时刻车辆的位置。研究者假设车辆在未来较短的一段时间内，速度和加速度是恒定的，以当前速度和加速度利用物理学公式计算Δt时间之后的位置，然后计算位置偏差，该算法在交通状态复杂的路口或者车辆较多的车道偏差较大。研究者提出的VMP概率模型则将车辆的行驶路径分割为相连的若干路段，以车辆之前行驶过的路段作为先验知识，寻找下一时刻，最可能选择的路段作为预测结果，以这种方式来挖掘城市场景下的车辆节点运动规律，该算法对行驶模式固定的车辆节点(如公交车等)预测准确率较高，但算法没有考虑到行驶模型不固定的车辆节点(如出租车等)。有研究者提出利用统计学原理研究车辆密度与车辆周围的邻居节点位置对车辆运动的影响，并以此建立模型，预测一段时间后，各类群车辆节点的位置分布，该模型首次将自动驾驶的车辆考虑在内，研究与人驾驶车辆的不同，但对道路的理想化建模过于苛刻。也有研究者提出将具有相同或者相似起点和终点或者具有相似路径的车辆归为一类，然后利用SOM神经网络对这类节点进行训练，通过训练结果指导预测车辆的运动路径的预测方法。

以上讨论的方法对于道路的建模过于理想化，忽略了诸多可能影响车辆位置的因素，如交通信号与车道转向允许标志等，同时没有对车辆区别对待，忽略了车辆自身属性(如车身长宽等)对驾驶行为和车辆位置的影响。因此，区别于以上方法，本发明考虑利用深度学习技术，挖掘车辆自身状态，行驶道路信息和行车环境信息与车辆下一时刻位置之间的关系，从而提高车辆位置预测的准确性。

发明内容

现有的车辆位置预测模型通常利用车辆历史轨迹信息进行训练，缺乏对复杂的车辆状态以及实时路况信息的考虑，对复杂行车环境与车辆驾驶行为以及车辆位置变化之间的关系挖掘不足。针对以上问题，本发明综合考虑车体属性、道路信息与行车环境等影响车辆行驶的因素，结合深度学习技术，挖掘车辆行驶影响因素与车辆位置的关系，提出车辆位置的预测模型。

本发明技术方案为：

一种基于深度学习的车辆位置预测模型构造方法，其特征在于，具体方法包括如下步骤：

步骤1，定义特征集，包括车辆特征抽象与定义、道路特征抽象与定义、车辆行驶环境特征抽象与定义

步骤11、车辆特征抽象与定义

车辆特征包括车身长度L，车身宽度W，车辆速度，加速度，当前行驶方向，路口转向动作，当前位置，出发地，目的地，其中t时刻车辆速度、加速分别标记为v(t)和a(t)，其余特征分别定义如下：

定义1车辆行驶方向vDir(t)，表示t时刻车辆的运动方向。这里用与正北方向之间顺时针夹角表示行驶方向，满足：

0≤vDir(t)＜360° (1)