[发明专利]基于机器学习的车联网通信的流量预测方法

说明书

本发明公开了一种基于机器学习的车联网通信的流量预测方法，利用交通数据平台发布的流量速度数据库，选取八类数据指标，通过优化参数后的随机森林算法完成全天候的车流量预测；利用openstreetmap导出某地城市道路车辆交通场景，获取交通数据，再配置通信仿真文件，获取通信数据，两种数据混合，分析车流量与通信流量二者关系；利用openstreetmap导出在交通数据平台所选的路段，配置通信仿真文件，获取通信数据，从交通数据平台发布的流量速度数据数据与通信数据中选取九类相关指标，通过Bagging模型进行通信流量预测。本发明的方法泛化性能好，准确度较高，能为后期利用经济高效的数据分发提供可靠的车载通信分析方法，增强车辆用户驾驶的安全性。

技术领域

本发明涉及城市道路车辆交通场景下车辆的流量预测技术领域，具体是一种利用机器学习算法对现有的交通数据进行预测，并结合通信仿真完成车联网通信流量预测的方法。

背景技术

车载自组织网络是依托计算机网络、现代无线通信和云计算等新一代信息技术的革命性发展，它的开发是为了通过经济高效的数据分发提供可靠的车载通信。车辆通信可用于减少交通事故，交通拥堵，行驶时间，燃料消耗等。车载通信允许道路使用者通过交换一些信息，了解可能发生在他们身上的危急和危险情况时的周围环境。因此对车联网通信流量的研究能进一步促进交通智能化，能有效地提升交通的效率、减少甚至避免交通事故的发生。

在预测交通流量和网络流量的非机器学习方法中，大部分都只能针对特定区域的短时交通流进行预测。如两步优化选择法是对时间序列进行预测的统计方法，但它只能基于单条时间序列进行检测和统计，而对多条时间序列曲线则相对困难些。另一种结合波动理论分析和频谱分析的组合方法，是根据频谱分析将流量数据分成三类成分，而不同的流量成分采用相应的模型预测，但它在处理庞大的交通流量和网络通信流量数据时，不仅耗时耗力，而且数据指标的分布特征都没有很好地得到展示。而近年来陆续被使用在交通流量和网络流量的机器学习方法，都能综合地考虑到交通场景中的时空性数据，且应对海量的流量数据时，能高效率地统计交通流量分布规律，预测未来流量情况。

发明内容

本发明的目的在于提供一种基于机器学习的车联网通信的流量预测方法，提高预测模型的泛化性能和全天候流量预测的准确性。。

实现本发明目的的技术解决方案为：一种基于机器学习的车联网通信的流量预测方法，步骤如下：

步骤1、车流量预测：利用交通数据平台发布的流量速度数据，选取8类指标进行数据处理，完成全天候的车流量预测；

步骤2、分析两种流量关系：利用openstreetmap导出某地城市道路车辆交通场景，配置车流探测文件，获取交通数据，再配置车辆通信仿真文件，获取通信数据，两类数据混合，分析车流量与通信流量二者关系；

步骤3、通信流量预测：在交通数据平台选择某些路段，利用openstreetmap导出这些路段的城市道路车辆交通场景后，配置车辆通信仿真文件，获取通信数据，依据已得的两种流量关系，从交通数据平台发布的流量速度数据和获取的仿真车辆通信数据中，选取9类指标进行数据处理，完成车载网络的通信流量预测。

本发明与现有技术相比，其显著优点：1)本发明采用机器学习算法，将海量经验数据加载给学习算法训练出模型，泛化性能好，能直观看出各指标下高低流量分布情况，针对城市道路车辆交通场景下的数据都有很好的预测性能；2）不局限于其他只针对仿真场景下的车流量短时预测的研究，本发明有效地对真实城市车辆交通场景的未来全天候车流量进行了很好的预测；3）本发明更进一步研究了车流量等交通信息与车联网联实时的通信质量之间的关系，为车联网的技术发展甚至智能交通的构建提供较大的便利。

附图说明

图1是本发明据实测数据预测车流量的方案流程图。

图2是本发明对关联度大且多值指标的处理流程图。

图3是本发明据车联网仿真预测通信流量的方案流程图。