[发明专利]基于多重融合卷积GRU的车辆位置预测方法

说明书

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。

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)故障系统，该系统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、汽车尾气排放控制系统、燃油消耗系统等，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。