【技术实现步骤摘要】
基于多重融合卷积GRU的车辆位置预测方法
本专利技术属于位置数据处理与预测
，具体涉及基于多重融合卷积GRU(GatedRecurrentUnit，门控循环单元)的车辆位置预测方法。
技术介绍
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(OnBoardDiagnostics)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...
【技术保护点】
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：/n步骤1，构建车辆位置的预测模型；/n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；/n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；/n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...
【技术特征摘要】
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xt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...
【专利技术属性】
技术研发人员：马武彬，鲁赢，吴继冰，邓苏，黄宏斌，吴亚辉，刘丽华，李璇，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。