CN111263326B - 基于多重融合卷积gru的车辆位置预测方法 - Google Patents

基于多重融合卷积gru的车辆位置预测方法 Download PDF

Info

Publication number
CN111263326B
CN111263326B CN202010023341.6A CN202010023341A CN111263326B CN 111263326 B CN111263326 B CN 111263326B CN 202010023341 A CN202010023341 A CN 202010023341A CN 111263326 B CN111263326 B CN 111263326B
Authority
CN
China
Prior art keywords
layer
gru
output
model
vehicle position
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010023341.6A
Other languages
English (en)
Other versions
CN111263326A (zh
Inventor
马武彬
鲁赢
吴继冰
邓苏
黄宏斌
吴亚辉
刘丽华
李璇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010023341.6A priority Critical patent/CN111263326B/zh
Publication of CN111263326A publication Critical patent/CN111263326A/zh
Application granted granted Critical
Publication of CN111263326B publication Critical patent/CN111263326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于多重融合卷积GRU的车辆位置预测方法，包括以下步骤：构建车辆位置的预测模型；利用训练集数据，对所述车辆位置的预测模型进行训练；将测试集数据输入训练完毕的车辆位置的预测模型中，计算获得车辆位置的预测值；所述预测模型包括第一融合层、第二融合层和输出层，各层之间依次顺序连接，前一层的输出为后一层的输入。本发明方法通过三个卷积层将两个双向GRU层串行融合在一起，通过同时对序列特征和上下文特征的共同识别，采用融合卷积的形式解决了GRU在时间序列分析中长期依赖丢失问题，模型具备较好的收敛性和准确度，使得车辆位置的预测有更高的精度和更好的性能。

Description

基于多重融合卷积GRU的车辆位置预测方法
技术领域
本发明属于位置数据处理与预测技术领域，具体涉及基于多重融合卷积GRU(Gated Recurrent Unit，门控循环单元)的车辆位置预测方法。
背景技术
物联网及车联网的发展使得汽车在运行过程中的实时状态数据采集成为了可能，对这些数据的分析和运用具有重大意义。当前对汽车运行过程中采集手段主要通过OBD(OnBoard Diagnostics)故障***，该***能够实时监测汽车状态、发动机运行数据、车辆催化转化器、内置颗粒捕集器、内置氧传感器、汽车尾气排放控制***、燃油消耗***等，实时将各项指标数据连接到汽车总线上，便于4G网络实时上传到网络中，供分析和使用。
目前对于OBD数据的使用和对位置状态预测精度仍然不够，难以满足人们的需求。主要采用的方法有基于回归的预测、基于随机森林的预测、基于SVM的预测以及基于神经网络的预测。近年来，随着人工智能技术的发展，越来越多的人发现基于神经网络的预测方法优势较为突出，能够取得较好效果。大量学者采用了LSTM、Con-LSTM方法对车辆的位置状态进行了预测，然而精度不够理想。并且实验证明，单纯的增加LSTM或者Con-LSTM单元的个数并不能对预测精度进行提高。
发明内容
有鉴于此，本发明的目的在于提供基于多重融合卷积GRU(门控循环单元)的车辆位置预测方法，通过三重卷积的方式将两个双向循环GRU模型进行连接，使得对移动车辆位置的预测取得了较好的效果。
本发明的目的是这样实现的，包括以下步骤：
步骤1，构建车辆位置的预测模型；
步骤2，利用训练集数据，对所述车辆位置的预测模型进行训练；
步骤3，将测试集数据输入训练完毕的车辆位置的预测模型中，计算获得车辆位置的预测值；
所述预测模型包括第一融合层、第二融合层和输出层，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层，所述输出层包括第三卷积层和全连接输出层，所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层，各层之间依次顺序连接，所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构，所述的双向结构的GRU模型输出两个合并的GRU信号；
所述训练集数据包括影响因素数据和已知的车辆位置观测数据；
所述的测试集数据为待预测的车辆位置的影响因素数据。
具体地，所述影响因素数据包括predictionHours前历史车辆位置数据、行驶速度、引擎转速、绝对负荷值、发动机冷却液温度、发动机供油率、MIL(故障指示灯)状态、发动机机油温度和时间；其中，predictionHours是一个预设参数，代表预测未来predictionHours小时的车辆位置。
优选地，对所述训练集数据根据不同时间进行分类，使用不同类别的训练集分别训练不同类型下的车辆位置的预测模型；预测模型训练完成以后，针对当前测试集数据，利用测试集数据对应类型的预测模型，计算获得车辆位置的预测值。
具体地，第一卷积层接受序列数据的输入，其输出为
Figure BDA0002361584440000031
xt表示序列数据，η1()表示第一卷积层的卷积函数，
Figure BDA0002361584440000032
同时作为第一双向GRU层和第二双向GRU层的输入，
Figure BDA0002361584440000033
为第一双向GRU层的输出，
Figure BDA0002361584440000034
表示将第一双向GRU层中正向GRU的输出
Figure BDA0002361584440000035
与第一双向GRU层中反向GRU输出
Figure BDA0002361584440000036
进行合并，第一融合层的输出为
Figure BDA0002361584440000037
Figure BDA0002361584440000038
是对第一双向GRU层的输出乘以权重向量
Figure BDA0002361584440000039
并加上偏移向量
Figure BDA00023615844400000310
的结果，
Figure BDA00023615844400000311
将
Figure BDA00023615844400000312
与η1(xt)的输出
Figure BDA00023615844400000313
进行合并成
Figure BDA00023615844400000314
作为第二层卷积层的输入；
Figure BDA00023615844400000315
是第二卷积层的输出，
Figure BDA00023615844400000316
Figure BDA00023615844400000317
卷积函数η2中包含了一个全连接操作Dense()，将Pt 1进行全连接转换成卷积函数可以接受的输入，连接到第二双向GRU层，第二融合层的输出为
Figure BDA00023615844400000318
Figure BDA00023615844400000319
是对第二双向GRU层的输出乘以权重向量
Figure BDA00023615844400000320
并加上偏移向量
Figure BDA00023615844400000321
的结果，
Figure BDA00023615844400000322
Figure BDA00023615844400000323
表示将第二双向GRU层中正向GRU的输出
Figure BDA00023615844400000324
与第一双向GRU层中反向GRU输出
Figure BDA00023615844400000325
进行合并；将
Figure BDA00023615844400000326
与Pt 1进行合并，作为第三卷积层的输入，第三卷积层的输出为
Figure BDA00023615844400000327
Figure BDA00023615844400000328
卷积函数η3中还包含了一个全连接操作Dense()；第三卷积层通过全连接输出层得到输出Ot，
Figure BDA00023615844400000329
Ot为一个具体值，代表predictionHours后的车辆位置，其中，
Figure BDA00023615844400000330
Figure BDA00023615844400000331
为各部分的权重向量，
Figure BDA00023615844400000332
和
Figure BDA00023615844400000333
为各部分的偏移向量。
所述第一双向GRU层中正向GRU模型的输出
Figure BDA0002361584440000041
反向GRU模型的输出
Figure BDA0002361584440000042
对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出
Figure BDA0002361584440000043
Figure BDA0002361584440000044
表示将
Figure BDA0002361584440000045
与
Figure BDA0002361584440000046
进行合并连接，作为所述的第一双向GRU层的输出；所述第二双向GRU层中正向GRU模型的输出
Figure BDA0002361584440000047
反向GRU模型的输出
Figure BDA0002361584440000048
对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出
Figure BDA0002361584440000049
Figure BDA00023615844400000410
表示将
Figure BDA00023615844400000411
与
Figure BDA00023615844400000412
进行合并连接，作为所述的第二双向GRU层的输出，其中z1 t、
Figure BDA00023615844400000413
为第一双向GRU层中正向GRU模型的中间值，z2 t、
Figure BDA00023615844400000414
为第一双向GRU层中反向GRU模型的中间值，z3 t、
Figure BDA00023615844400000415
为第二双向GRU层中正向GRU模型的中间值，z4 t、
Figure BDA00023615844400000416
为第二双向GRU层中反向GRU模型的中间值。
优选地，所述预测模型中的损失函数采用标准归一化MSE，激活函数采用Relu函数，步骤2的训练过程中，通过Adam函数进行学习，得到参数神经网络参数模型。
本发明方法中的多重融合卷积GRU模型是改进的GRU模型，通过三个卷积网络将两个双向GRU卷积串行融合在一起，通过同时对序列特征和上下文特征的共同识别，采用融合卷积的形式解决了GRU在时间序列分析中长期依赖丢失问题，模型具备较好的收敛性和准确度，使得对移动车辆位置的预测有更高的精度和更好的性能。
附图说明
图1为本发明方法的流程示意图；
图2为本发明方法的预测模型结构图；
图3为本发明实施例中GRU的结构图；
图4为本发明实施例中双向GRU层的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
定义时间和空间序列状态，由此建立移动车辆的时空模型。
定义1：时间状态序列。本发明中的时间状态序列用T＝{t0,t1,t2,...,tn}表示，其中ti＞tj,if i＞j。时间序列对应实际数据集中收集轨迹点的每一个时刻。
定义2：网格空间状态序列。用S＝{s1,s2,...,sm}来表示。网格状态空间序列对应物理世界中的地理位置，状态空间序列以网格的形式划分，网格状态空间之间不存在交集，每一个网格状态空间有自己的矩形区域。
随着时间序列的推移，车辆在网格状态空间之间互相转换，任意一个时刻的车辆对象都有一个状态空间与之相对应。
然后，定义车辆对象以及在时空模型中的移动轨迹模型。
定义3：车辆对象集合，车辆对象集合用C＝{c1,c2,...,cp}来表示。在本发明中，每一个车辆对象对应一个对象，在时间序列的约束下，车辆对象在网格状态空间中不停的转换。
定义4：车辆对象轨迹。车辆对象轨迹Tca为一系列带有时间顺序的GPS点集组合而成的序列值，每一个点都包括位置信息和时间信息，形式化定义如下，对于具有n个点的车辆对象轨迹Tca:P(0)→P(1)…→P(n)，其中Pi代表车辆对象的某一个位置点，Pi＝(px,py,t)，
Figure BDA0002361584440000061
每一个轨迹点同时还对应一个空间状态序列值。Δt表示取车辆对象位置值的间隔时间。
定义5：车辆对象目标预测。已知具有n个点的车辆对象轨迹Tca:P(0)→P()1…→P(n)，预测在tn+1个时刻的位置p(n+1)，一般来讲，目标预测问题就是根据车辆对象的历史轨迹信息Tca，预测在未来k个时间间隔tn+k以后车辆对象所在的位置P(n+k)。
本发明主要解决的问题就是通过采集的OBD数据集，包括经度、维度、车辆当前行驶速度、引擎转速、绝对负荷值、发动机冷却液温度、发动机供油率、MIL(故障指示灯)状态、发动机机油温度以及当前状态数据，预测若干个状态以后的车辆位置。
如图1所示，基于多重融合卷积GRU的车辆位置预测方法，包括以下步骤：
步骤1，构建车辆位置的预测模型；
步骤2，利用训练集数据，对所述车辆位置的预测模型进行训练；
步骤3，将测试集数据输入训练完毕的车辆位置的预测模型中，计算获得车辆位置的预测值；
如图2所示，所述预测模型包括第一融合层、第二融合层和输出层，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层，所述输出层包括第三卷积层和全连接输出层，所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层，各层之间依次顺序连接，所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构，所述的双向结构的GRU模型输出两个合并的GRU信号；
所述训练集数据包括影响因素数据和已知的车辆位置观测数据；
所述的测试集数据为待预测的车辆位置的影响因素数据。
具体地，所述影响因素数据包括predictionHours前历史车辆位置数据、行驶速度、引擎转速、绝对负荷值、发动机冷却液温度、发动机供油率、MIL(故障指示灯)状态、发动机机油温度和时间；其中，predictionHours是一个预设参数，代表预测未来若干小时的车辆位置。
优选地，对所述训练集数据根据不同时间进行分类，比如是将时间分为白天和黑夜两类，使用不同类别的训练集分别训练不同类型下的车辆位置的预测模型；预测模型训练完成以后，针对当前测试集数据，利用测试集数据对应类型的预测模型，计算获得车辆位置的预测值。
GRU模型是传统的在LSTM模型上的一个改进版，其基本结构如图3所示，其中包含了遗忘门和更新门两个主要处理单元，该结构能够对时间序列的长时间依赖进行有效记忆和遗忘，从而保证时序数据的预测精度。其数学表达式如下：
遗忘门的输出：ft＝σ(Wf[Ht-1,xt]+Bf),其中σ(x)＝1/(1+e-x)；在更新门中，zt＝σ(Wz[Ht-1,xt]+Bz),
Figure BDA0002361584440000071
输出层：yt＝Wo·Ht+Bo，模型中需要训练的参数包括[Wf,Bf],[WZ,BZ],[Wh,Bh]，[Wo,Bo]。
双向GRU层是一种改进的GRU模型，通过连接两个GRU模型(正向GRU和反向GRU)形成的一个双向结构，在GRU的基础上能够更加充分的获取序列数据的上下文信息。其网络结构如图4所示。与GRU不同之处在于，每一个双向GRU层输出两个合并的GRU信号，正向GRU信号Ht和反向GRU信号H't，计算方式不变。
具体地，所述的双向GRU层中正向GRU模型的中间输出
Figure BDA0002361584440000081
反向GRU模型的中间输出
Figure BDA0002361584440000082
对正向GRU模型和反向GRU模型的中间输出的聚合操作，得到输出
Figure BDA0002361584440000083
Figure BDA0002361584440000084
表示将正向GRU模型的输出
Figure BDA0002361584440000085
与反向GRU模型输出
Figure BDA0002361584440000086
进行合并连接，作为所述的双向GRU层的输出；其中z1 t、
Figure BDA0002361584440000087
为正向GRU模型的中间值，z2 t、
Figure BDA0002361584440000088
为反向GRU模型的中间值。
正向GRU模型中第一层遗忘门输出为：f1 t＝σ(W1 f[H1 t-1,xt]+B1 f)，f1 t为NumberofGRUCells×20的2维中间矩阵，NumberofGRUCells代表正向GRU模型的内部神经单元数量，xt为2维矩阵数据，维度为Windowsize×20，Windowsize为输入数据的长度；在正向GRU更新门中，第一输出为：z1 t＝σ(W1 z[H1 t-1,xt]+B1 z)，z1 t的数据格式同f1 t一样，第二输出为：
Figure BDA0002361584440000089
反向GRU模型相应的第二输出：
Figure BDA00023615844400000810
Figure BDA00023615844400000811
为NumberofGRUCells×20的2维中间矩阵。
具体地，第一卷积层接受序列数据的输入，其输出为
Figure BDA00023615844400000812
xt表示序列数据，η1()表示第一卷积层的卷积函数，
Figure BDA00023615844400000813
同时作为第一双向GRU层和第二双向GRU层的输入，
Figure BDA00023615844400000814
为第一双向GRU层的输出，
Figure BDA00023615844400000815
表示将第一双向GRU层中正向GRU的输出
Figure BDA0002361584440000091
与第一双向GRU层中反向GRU输出
Figure BDA0002361584440000092
进行合并，第一融合层的输出为
Figure BDA0002361584440000093
Figure BDA0002361584440000094
是对第一双向GRU层的输出乘以权重向量
Figure BDA0002361584440000095
并加上偏移向量
Figure BDA0002361584440000096
的结果，
Figure BDA0002361584440000097
将
Figure BDA0002361584440000098
与η1(xt)的输出
Figure BDA0002361584440000099
进行合并成
Figure BDA00023615844400000910
作为第二层卷积层的输入；
Figure BDA00023615844400000911
是第二卷积层的输出，
Figure BDA00023615844400000912
Figure BDA00023615844400000913
卷积函数η2中包含了一个全连接操作Dense()，将Pt 1进行全连接转换成卷积函数可以接受的输入，连接到第二双向GRU层，第二融合层的输出为
Figure BDA00023615844400000914
Figure BDA00023615844400000915
是对第二双向GRU层的输出乘以权重向量
Figure BDA00023615844400000916
并加上偏移向量
Figure BDA00023615844400000917
的结果，
Figure BDA00023615844400000918
Figure BDA00023615844400000919
表示将第二双向GRU层中正向GRU的输出
Figure BDA00023615844400000920
与第一双向GRU层中反向GRU输出
Figure BDA00023615844400000921
进行合并；将
Figure BDA00023615844400000922
与Pt 1进行合并，作为第三卷积层的输入，第三卷积层的输出为
Figure BDA00023615844400000923
Figure BDA00023615844400000924
卷积函数η3中还包含了一个全连接操作Dense()；第三卷积层通过全连接输出层得到输出Ot，
Figure BDA00023615844400000925
Ot为一个具体值，代表predictionHours后的车辆位置，其中，
Figure BDA00023615844400000926
Figure BDA00023615844400000927
为各部分的权重向量，
Figure BDA00023615844400000928
和
Figure BDA00023615844400000929
为各部分的偏移向量。
所述第一双向GRU层中正向GRU模型的输出
Figure BDA00023615844400000930
反向GRU模型的输出
Figure BDA00023615844400000931
对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出
Figure BDA00023615844400000932
Figure BDA00023615844400000933
表示将
Figure BDA00023615844400000934
与
Figure BDA00023615844400000935
进行合并连接，作为所述的第一双向GRU层的输出；所述第二双向GRU层中正向GRU模型的输出
Figure BDA00023615844400000936
反向GRU模型的输出
Figure BDA00023615844400000937
对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出
Figure BDA00023615844400000938
Figure BDA00023615844400000939
表示将
Figure BDA00023615844400000940
与
Figure BDA00023615844400000941
进行合并连接，作为所述的第二双向GRU层的输出，其中z1 t、
Figure BDA00023615844400000942
为第一双向GRU层中正向GRU模型的中间值，z2 t、
Figure BDA0002361584440000101
为第一双向GRU层中反向GRU模型的中间值，z3 t、
Figure BDA0002361584440000102
为第二双向GRU层中正向GRU模型的中间值，z4 t、
Figure BDA0002361584440000103
为第二双向GRU层中反向GRU模型的中间值。
优选地，所述预测模型中的损失函数采用标准归一化MSE，激活函数采用Relu函数，步骤2的训练过程中，通过Adam函数进行学习，得到参数神经网络参数模型。
优选地，所述的卷积层为1维卷积网络。典型的1维卷积网络包含一维卷积核向量，过滤尺寸(filter size)k＝4，卷积间隔(dilation factors)d＝1。
对所述预测模型的训练，包括对各类权重向量和偏移向量的训练。
本实验采用一年内采集的OBD数据集，每个一共包括经度、纬度、行驶速度、引擎转速、绝对负荷值、发动机冷却液温度、发动机供油率、MIL(故障指示灯)状态、发动机机油温度和时间数据。数据样本每1小时采集一次。
对已有的数据集主要做如下处理：1、样本数据中删除年份数据，对小时数据进行分类，对应白天和黑夜，分为两类进行替换。2、对其中的缺失数据进行插值和删除处理，因为OBD都包含了多个传感器检测点，由于网络原因，有时候车辆开入隧道或者信号中断，有些传感器的数据是丢失的，因此采用横向插值法，将同一时刻距离较近的采集数据按照距离进行平均，***到该数据项中。
实验参数如表1所示：
表1：变量参数取值
Figure BDA0002361584440000104
Figure BDA0002361584440000111
本实验所采用的硬件为：电脑主要配置为：Pentium(R)Dual-core 3.06CPU，8GRAM内存。
效果评估：本实验的性能评估采用的参数包括RMSE、MAE、MAPE以及CC：
RMSE(Root Mean Square Error，均方根误差)，其计算方式为：
Figure BDA0002361584440000112
MAE(Mean Absolutely Error，平均绝对误差)，其计算方式为：
Figure BDA0002361584440000113
MAPE(Mean Absolutely Percentage Error平均绝对百分误差)，其计算方式为：
Figure BDA0002361584440000114
CCV(correlation coefficient value)，相关系数，其计算方式为：
Figure BDA0002361584440000115
需要说明的是，RMSE、MAE以及MAPE都是对预测误差的衡量，其值越小代表越准确，而CCV参数代表两个序列数量的相关系数，其值越大，代表两个序列数据越为相关，预测效果越好。
首先针对将网格空间划分为400个状态，取前300天的车辆对象运动作为训练数据，以60天数据作为验证集合，预测1小时后、3小时后的运动状态：
针对未来预测未来1个小时的车辆位置状态，计算精度如下：
模型名称 RMSE MAE MAPE CCV
LSTM 7.28 4.37 0.18 0.92
GRU 6.77 4.12 0.16 0.92
本发明方法 5.52 2.14 0.11 0.95
针对预测未来3小时的车辆位置状态，计算精度如下：
模型名称 RMSE MAE MAPE CCV
LSTM 11.30 9.43 0.26 0.84
GRU 11.71 9.25 0.27 0.84
本发明方法 8.69 7.94 0.17 0.92
由发明内容和实施例可知，本发明基于多重融合卷积GRU的车辆位置预测方法，多重融合卷积GRU模型是改进的GRU模型，通过三个一维卷积网络将两个双向GRU卷积串行融合在一起，通过同时对序列特征和上下文特征的共同识别，采用融合卷积的形式解决了GRU在时间序列分析中长期依赖丢失问题，模型具备较好的收敛性和准确度，使得对车辆位置的预测有更高的精度和更好的性能。

Claims (6)

1.基于多重融合卷积GRU的车辆位置预测方法，包括以下步骤：
步骤1，构建车辆位置的预测模型；
步骤2，利用训练集数据，对所述车辆位置的预测模型进行训练；
步骤3，将测试集数据输入训练完毕的车辆位置的预测模型中，计算获得车辆位置的预测值；
其特征在于，所述预测模型包括第一融合层、第二融合层和输出层，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层，所述输出层包括第三卷积层和全连接输出层，所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层，各层之间依次顺序连接，所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构，所述的双向结构的GRU模型输出两个合并的GRU信号；
所述训练集数据包括影响因素数据和已知的车辆位置观测数据；
所述的测试集数据为待预测的车辆位置的影响因素数据。
2.根据权利要求1所述的车辆位置预测方法，其特征在于，所述影响因素数据包括predictionHours前历史车辆位置数据、行驶速度、引擎转速、绝对负荷值、发动机冷却液温度、发动机供油率、MIL状态、发动机机油温度和时间；其中，predictionHours是一个预设参数，代表预测未来predictionHours小时的车辆位置。
3.根据权利要求2所述的车辆位置预测方法，其特征在于，对所述训练集数据根据不同时间进行分类，使用不同类别的训练集分别训练不同类型下的车辆位置的预测模型；预测模型训练完成以后，针对当前测试集数据，利用测试集数据对应类型的预测模型，计算获得车辆位置的预测值。
4.根据权利要求1所述的车辆位置预测方法，其特征在于，第一卷积层接受序列数据的输入，其输出为
Figure FDA0002361584430000021
xt表示序列数据，η1()表示第一卷积层的卷积函数，
Figure FDA0002361584430000022
同时作为第一双向GRU层和第二双向GRU层的输入，
Figure FDA0002361584430000023
为第一双向GRU层的输出，
Figure FDA0002361584430000024
表示将第一双向GRU层中正向GRU的输出
Figure FDA0002361584430000025
与第一双向GRU层中反向GRU输出
Figure FDA0002361584430000026
进行合并，第一融合层的输出为
Figure FDA0002361584430000027
Figure FDA00023615844300000240
是对第一双向GRU层的输出乘以权重向量
Figure FDA0002361584430000028
并加上偏移向量
Figure FDA0002361584430000029
的结果，
Figure FDA00023615844300000210
将
Figure FDA00023615844300000239
与η1(xt)的输出
Figure FDA00023615844300000212
进行合并成
Figure FDA00023615844300000213
作为第二层卷积层的输入；
Figure FDA00023615844300000214
是第二卷积层的输出，
Figure FDA00023615844300000215
Figure FDA00023615844300000216
卷积函数η2中包含了一个全连接操作Dense()，将Pt 1进行全连接转换成卷积函数可以接受的输入，连接到第二双向GRU层，第二融合层的输出为
Figure FDA00023615844300000217
Figure FDA00023615844300000218
是对第二双向GRU层的输出乘以权重向量
Figure FDA00023615844300000219
并加上偏移向量
Figure FDA00023615844300000220
的结果，
Figure FDA00023615844300000221
Figure FDA00023615844300000222
表示将第二双向GRU层中正向GRU的输出
Figure FDA00023615844300000223
与第一双向GRU层中反向GRU输出
Figure FDA00023615844300000224
进行合并；将
Figure FDA00023615844300000225
与Pt 1进行合并，作为第三卷积层的输入，第三卷积层的输出为
Figure FDA00023615844300000226
Figure FDA00023615844300000227
卷积函数η3中还包含了一个全连接操作Dense()；第三卷积层通过全连接输出层得到输出Ot，
Figure FDA00023615844300000228
Ot为一个具体值，代表predictionHours后的车辆位置，其中，
Figure FDA00023615844300000229
和
Figure FDA00023615844300000230
为各部分的权重向量，
Figure FDA00023615844300000231
和
Figure FDA00023615844300000232
为各部分的偏移向量。
5.根据权利要求4所述的车辆位置预测方法，其特征在于，所述第一双向GRU层中正向GRU模型的输出
Figure FDA00023615844300000233
反向GRU模型的输出
Figure FDA00023615844300000234
对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出
Figure FDA00023615844300000235
Figure FDA00023615844300000236
表示将
Figure FDA00023615844300000237
与
Figure FDA00023615844300000238
进行合并连接，作为所述的第一双向GRU层的输出；所述第二双向GRU层中正向GRU模型的输出
Figure FDA0002361584430000031
反向GRU模型的输出
Figure FDA0002361584430000032
对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出
Figure FDA0002361584430000033
Figure FDA0002361584430000034
表示将
Figure FDA0002361584430000035
与
Figure FDA0002361584430000036
进行合并连接，作为所述的第二双向GRU层的输出，其中z1 t、
Figure FDA0002361584430000037
为第一双向GRU层中正向GRU模型的中间值，z2 t、
Figure FDA0002361584430000038
为第一双向GRU层中反向GRU模型的中间值，z3 t、
Figure FDA0002361584430000039
为第二双向GRU层中正向GRU模型的中间值，z4 t、
Figure FDA00023615844300000310
为第二双向GRU层中反向GRU模型的中间值。
6.根据权利要求1所述的车辆位置预测方法，其特征在于，所述预测模型中的损失函数采用标准归一化MSE，激活函数采用Relu函数，步骤2的训练过程中，通过Adam函数进行学习，得到参数神经网络参数模型。
CN202010023341.6A 2020-01-09 2020-01-09 基于多重融合卷积gru的车辆位置预测方法 Active CN111263326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010023341.6A CN111263326B (zh) 2020-01-09 2020-01-09 基于多重融合卷积gru的车辆位置预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010023341.6A CN111263326B (zh) 2020-01-09 2020-01-09 基于多重融合卷积gru的车辆位置预测方法

Publications (2)

Publication Number Publication Date
CN111263326A CN111263326A (zh) 2020-06-09
CN111263326B true CN111263326B (zh) 2022-11-04

Family

ID=70953916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010023341.6A Active CN111263326B (zh) 2020-01-09 2020-01-09 基于多重融合卷积gru的车辆位置预测方法

Country Status (1)

Country Link
CN (1) CN111263326B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529158A (zh) * 2020-12-08 2021-03-19 华强方特（深圳）科技有限公司 位置预测方法、装置、计算机设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108569607A (zh) * 2018-06-22 2018-09-25 西安理工大学 基于双向门控循环神经网络的电梯故障预警方法
CN108846017A (zh) * 2018-05-07 2018-11-20 国家计算机网络与信息安全管理中心 基于Bi-GRU和字向量的大规模新闻文本的端到端分类方法
WO2019071599A1 (en) * 2017-10-13 2019-04-18 Microsoft Technology Licensing, Llc PROVIDING AN ANSWER IN A SESSION
CN109920248A (zh) * 2019-03-05 2019-06-21 南通大学 一种基于gru神经网络的公交到站时间预测方法
CN110363760A (zh) * 2019-07-22 2019-10-22 广东工业大学 用于识别医学图像的计算机***
CN110415266A (zh) * 2019-07-19 2019-11-05 东南大学 一种基于本车周围车辆轨迹预测安全行驶的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019071599A1 (en) * 2017-10-13 2019-04-18 Microsoft Technology Licensing, Llc PROVIDING AN ANSWER IN A SESSION
CN108846017A (zh) * 2018-05-07 2018-11-20 国家计算机网络与信息安全管理中心 基于Bi-GRU和字向量的大规模新闻文本的端到端分类方法
CN108569607A (zh) * 2018-06-22 2018-09-25 西安理工大学 基于双向门控循环神经网络的电梯故障预警方法
CN109920248A (zh) * 2019-03-05 2019-06-21 南通大学 一种基于gru神经网络的公交到站时间预测方法
CN110415266A (zh) * 2019-07-19 2019-11-05 东南大学 一种基于本车周围车辆轨迹预测安全行驶的方法
CN110363760A (zh) * 2019-07-22 2019-10-22 广东工业大学 用于识别医学图像的计算机***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Labanotation Generation Based on Bidirectional Gated Recurrent Units with Joint and Line Features;Shanshan Hao;《2019 IEEE International Conference on Image Processing (ICIP)》;20190826;全文 *
基于双向门控循环单元的3D人体运动预测;桑海峰;《电子与信息学报》;20190930;第41卷(第9期);全文 *

Also Published As

Publication number Publication date
CN111263326A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN109754605B (zh) 一种基于注意力时态图卷积网络的交通预测方法
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及***
CN111832814A (zh) 一种基于图注意力机制的空气污染物浓度预测方法
CN110909909A (zh) 基于深度学习和多层时空特征图的短时交通流预测方法
CN108986453A (zh) 一种基于情境信息的交通状况预测方法、***及装置
CN114220271A (zh) 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
CN112036075A (zh) 一种基于环境监测数据关联关系的异常数据判定方法
CN112991721A (zh) 基于图卷积网络节点关联度的城市路网交通速度预测方法
CN113327417B (zh) 基于3d动态时空残差卷积关联网络的交通流预测方法
CN114154619A (zh) 一种基于cnn和bilstm的船舶轨迹预测方法
CN113159403B (zh) 路口行人轨迹预测的方法及装置
CN113205698A (zh) 一种基于igwo-lstm的短时交通流预测的导航提醒方法
CN112862177B (zh) 一种基于深度神经网络的城市区域聚集度预测方法、设备及介质
CN111263326B (zh) 基于多重融合卷积gru的车辆位置预测方法
CN117494871A (zh) 一种考虑船舶交互影响的船舶轨迹预测方法
CN114662791A (zh) 一种基于时空注意力的长时序pm2.5预测方法及***
CN111242369B (zh) 基于多重融合卷积gru的pm2.5数据预测方法
CN113221450B (zh) 一种针对稀疏不均匀时序数据的航位预测方法及***
Zhao et al. Mastgn: Multi-attention spatio-temporal graph networks for air pollution prediction
CN113988415B (zh) 一种中长期电力负荷预测方法
CN111222704A (zh) 一种基于Bi-GRU的车辆位置预测方法
CN117436653A (zh) 一种网约车出行需求的预测模型构建方法和预测方法
CN111210081A (zh) 一种基于Bi-GRU的PM2.5数据处理与预测方法
CN115905434B (zh) 一种基于学习插值预测的道路网轨迹补全方法
CN117131991A (zh) 基于混合神经网络的城市降雨量预测方法及平台

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant