[发明专利]基于深度学习的车联网连通预测方法

权利要求书

1.基于深度学习的车联网连通预测方法，其特征在于，具体包括如下步骤：

步骤1.进行相关定义

步骤2.特征抽取和数据预处理

步骤3.构建连通预测模型

步骤3.1基于自编码网络的特征降维

步骤3.2基于循环神经网络的连通预测方法；

步骤1中定义，包括：

(1)车辆与行驶环境特征定义

定义1车辆本身特征集为feature_v(v_i，t)，表示t时刻车辆节点v_i自身的速度、加速度特征，如公式(1)：

feature_v(v_i，t)＝(v(t)，l(t)，a(t)，type，len，wid) (1)

其中，v(t)，l(t)，a(t)分别表示t时刻车辆节点v_i的速度、位置和加速度；type表示车辆的具体类型；len表示车辆的长度；wid表示车辆的宽度；

定义2车辆周边环境特征集feature_e(v_i，t)，表示t时刻车辆节点v_i周边道路类型、目的地、出发地特征，如公式(2)：

feature_e(v_i，t)＝(area(t)，des，dep，n(t，v|v∈neiborcar)) (2)

其中，area(t)表示t时刻车辆所处的道路区域类型；des表示车辆的目的地；dep表示车辆的出发地；n(t，v|v∈neiborcar)表示t时刻v_i周围的车辆节点个数；n表示v_i周围的车辆节点个数；

综上，车辆v_i的属性特征feature(v_i，t)定义如下：

feature(v_i，t)＝{feature_v(v_i，t)，feature_e(v_i，t)} (3)

(2)连通置信度定义

定义3车辆节点v_i与车辆节点v_j在某时刻t的直接连通状态为ConnectStatus(v_i，v_j，t)

＝[status|ifdis≤thresholdstatus＝1elsestatus＝0] (4)

其中，status表示两个车辆节点是否连通，dis表示两个节点的相对距离，threshold表示最大通信距离；

定义4车辆节点v_i与车辆节点v_j未来一段时间t的直接连通的概率为连通置信度ConnectConfidence(v_i，v_j，t)，计算公式如下：

其中，m是超参数，表示直接连通状态有记录的时间点个数；t为时间点；连通置信度表示的是两个节点在未来一段时间m的连通概率，区间在[0，1]之间，若m越大，则表示的车辆连通置信度更稳定，越难预测；

(3)时空相关特征定义

车辆节点v_i与车辆节点v_j之间的连通性具有时间与空间相关关系，综上，时刻t，车辆节点间的时空相关性特征定义为：

TimeSpaceFeature(v_i，v_j，t)＝

{feature(v_i)，feature(v_j)，RelativeFeature(v_i，v_j)|ConnectStatus(v_i，v_j，t)} (6)

其中，feature表示的是车辆的属性特征；RelativeFeature(v_i，v_j)表示的节点i与节点j之间的相对特征，包含相对速度、相对加速度以及相对位置；ConnectStatus(v_i，v_j，t)为节点i与节点j在时刻t的直接连通状态，表示只有直接连通的节点才会计算相对特征；

所述特征抽取和数据预处理步骤，包括：

(1)空间位置建模

车辆采集到的空间位置信息是经度与纬度，对经度与纬度进行计算处理，计算出实际的距离，假设两个点的经纬度分别为地球半径R＝6371kmn，利用公式(7)得到距离d，将四个特征维度压缩到一维：

具体的计算公式如下：

其中

λ₁和分别表示经度和纬度；四维是λ₁，λ₂，一维是haversin(d/R)表示；

(2)节点相对特征建模

定义道路近似为直线，通过东西南北为相应的坐标轴，所述节点相对特征建模，即对所述相对特征RelativeFeature(v_i，v_j)计算如下：

其中，为车辆1和车辆2的相对特征向量，包含相对加速度相对速度相对距离计算通过车辆1和车辆2之间的特征向量之差；

(3)空缺值处理

对于节点i的空缺特征f_vac_i，填充的具体方法如下：

f_vac_i(t)＝PS·f_vac_j(t)+TS·f_vac_i(t-Δt) (13)

其中，f_vac_i(t)是指在时刻t时节点i的空缺特征；f_vac_j(t)是指在时刻t与节点i具有空间相似性的节点j的相应特征；f_vac_i(t-Δt)是指在时刻t-Δt时节点i的空缺对应特征；PS表示空间相似性概率；TS表示时间相似性概率；

(4)z-score标准化

采用z-score标准化来对特征数据进行无量纲化；

所述基于自编码网络的特征降维步骤，包括：

通过对采集到的数据进行特征抽取和预处理之后，得到三部分特征：车辆v_i的特征feature(v_i)，车辆v_j的特征feature(v_j)，以及两者之间的相对特征RelativeFeature(v_i，v_j)，将这三路特征连接之后输入到降噪自编码器(de-noising auto-encoder)中，采用降噪自编码器来对预处理后的数据进行特征降维和去噪，得到降维后的特征ReductionFeature(v_i，v_j，t)；

降噪自编码器的训练过程如下：

(1)在降噪自编码器中，将feature(v_i)、feature(v_j)、RelativeFeature(v_i，v_j)、ConnectStatus(v_i，v_j，t)、TimeSpaceFeature(v_i，v_j，t)连接，分别作为降噪自编码器的输入与输出；

(2)对输入数据进行加噪处理，将部分输入层的某些节点置为0，将加噪处理过的数据作为输入放入降噪自编码器模型中，进行训练；

(3)提取输入层和隐藏层作为最后降噪自编码器的组成部分，隐藏层的输出作为降噪自编码器的输出结果；

所述基于循环神经网络的连通预测方法步骤，包括：

车辆节点的时空特征TimeSpaceFeature(v_i，v_j，t)，经过降噪自编码器处理成降维数据模型结构：

(1)模型第一层：输入层，输入数据为降维数据

(2)模型第二层：RNN层，采用双层RNN结构，时间步长为time_step，代表由之前time_step个历史行为来对未来连通状态进行预测，每个RNN神经元的输入为X(t|t∈[1，time_step])；

(3)模型第三层：输出层，加上softmax层，标签为节点间的连通状态ConnectStatus，softmax层得到车辆节点间信息连通的概率，即连通置信度ConnectConfidence；

在模型训练过程中，首先独立训练好模型前面的自编码降维模块，然后将自编码降维模块接入RNN层与输出层之前，最终结果取输出序列{p₁，p₂，...，p_{time_step}}的最后一项p_{time_step}，作为连通置信度ConnectConfidence的结果值；具体实现步骤如算法1所示：

算法1连通预测算法

输入：经过自编码器数据降维后的数据集ReductionFeature标签为连通状态ConnectStatus(v_i，v_j，t)，时间步长为time_step；

输出：连通置信度ConnectConfidence

S1.初始化输入集合input

S2.将t置为0

S3.对ReductionFeature中任一特征feature进行遍历，若遍历未完成执行S4；

否则跳转到S10

S4.如果t大于time_step，执行S5；否则跳转到S9

S5.将t置为0

S6.初始化输入集合input

S7.将input添加进预测模型中

S8.利用input作为输入特征，ConnectStatus(v_i，v_j，t)作为标签，计算误差，反向传播更新权重，并跳转到S3

S9.将特征feature加入输入集合input，跳转到S3

S10.提取softmax层前面的概率作为连通置信度ConnectConfidence

S11.返回连通置信度ConnectConfidence

采用softmax函数作为最后的激活函数；采用交叉熵作为最终模型的损失函数，如公式(16)：

其中，u表示样本个数，y⁽ⁱ⁾表示神经网络的期望输出值，h(x⁽ⁱ⁾)表示神经网络的实际输出值。