[发明专利]基于多重融合卷积GRU的车辆位置预测方法

权利要求书

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x_t表示序列数据，η¹()表示第一卷积层的卷积函数，同时作为第一双向GRU层和第二双向GRU层的输入，为第一双向GRU层的输出，表示将第一双向GRU层中正向GRU的输出与第一双向GRU层中反向GRU输出进行合并，第一融合层的输出为是对第一双向GRU层的输出乘以权重向量并加上偏移向量的结果，将与η¹(x_t)的输出进行合并成作为第二层卷积层的输入；是第二卷积层的输出，卷积函数η²中包含了一个全连接操作Dense()，将P_t¹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是对第二双向GRU层的输出乘以权重向量并加上偏移向量的结果，表示将第二双向GRU层中正向GRU的输出与第一双向GRU层中反向GRU输出进行合并；将与P_t¹进行合并，作为第三卷积层的输入，第三卷积层的输出为卷积函数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O_t，O_t为一个具体值，代表predictionHours后的车辆位置，其中，和为各部分的权重向量，和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模型的输出反向GRU模型的输出对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出表示将与进行合并连接，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模型的输出反向GRU模型的输出对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出表示将与进行合并连接，作为所述的第二双向GRU层的输出，其中z¹_t、为第一双向GRU层中正向GRU模型的中间值，z²_t、为第一双向GRU层中反向GRU模型的中间值，z³_t、为第二双向GRU层中正向GRU模型的中间值，z⁴_t、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。