一种基于门控递归单元的车辆诱导方法技术

本专利涉及一种基于门控递归单元的车辆诱导方法，包括：步骤100，建立路网G，从路网中的网联车辆采集交通状态，得到每个路段的平均车速，并得到矩阵中的节点与节点间路段的权重值；步骤200，基于门控递归单元，通过之前时刻到当下时刻的历史数据以预测之后时间段的交通状态，得到路网状态的预测值矩阵；步骤300，根据路网状态的预测值矩阵，更新下一时刻的路网邻接矩阵，并生成考虑时间成本的车辆诱导路径；步骤400，每间隔一段时间更新交通流信息，获取时间成本以及最优路径，比较切换路径的节约时间和设定阈值的大小，由不同的关系采取不同的响应；步骤500，判断车辆是否在时间步长内达到目的地，根据不同的判断结果得到不同的响应。应。应。

【技术实现步骤摘要】
一种基于门控递归单元的车辆诱导方法


[0001]本专利技术属于智能交通控制
，具体涉及一种基于门控递归单元的车辆诱导方法。

技术介绍

[0002]随着经济的快速发展与人民生活水平的提高，居民多样化的出行需求对城市现有道路服务设施提出了挑战：一方面，发展相对滞后的道路基础设施难以适应大幅增长的机动车保有量，导致高峰时段道路拥堵频发；另一方面，道路施工、交通事故等偶发现象也会加剧拥堵并使之向路网扩散，造成经济损失与环境污染。
[0003]交通诱导被认为是缓解拥堵的重要手段。然而现有的交通诱导方法往往通过在路侧设置诱导屏幕展示路段拥堵程度，效果欠佳且只能为车辆提供部分参考。

技术实现思路

[0004]鉴于上述的分析，本专利技术旨在提供一种基于门控递归单元的车辆诱导方法，以解决现有技术中交通拥堵情况下，仅诱导展示路段拥堵程度，可参考性低，效果欠佳的问题。
[0005]本专利技术的目的是这样实现的：
[0006]提供了一种基于门控递归单元的车辆诱导方法，包括：步骤100，建立路网，所述路网包括路网邻接矩阵，从路网中的网联车辆采集交通状态，得到每个路段的平均车速，由相邻节点之间的距离以及平均速度得到矩阵中的节点与节点间路段的权重值，所述权重值组成路网邻接矩阵；步骤200，基于门控递归单元，通过之前时刻(t
‑
(δ
‑
1)Δt)到当下时刻t的历史数据以预测之后时间段t+Δt时刻至t+nΔt时刻的交通状态：其中，t为时刻，δ为预测时滞，n为预测步长，V
t
为t时刻的交通车速，Δt为每个事件窗的大小， GRU为门控递归单元，t+Δt时刻至t+nΔt时刻的交通状态的交通状态矩阵，即路网状态的预测矩阵，为[V
t+Δt
，V
t+2Δt
，...，V
t+nΔt
]，所述交通为每个路段的平均速度，所述门控递归单元的算法为：
[0007]r(t)＝sigmoid(Q
r
I
t
+U
r
O
t
‑
Δt
)
[0008]u(t)＝sigmoid(Q
u
I
t
+U
u
O
t
‑
Δt
)
[0009]O
’
t
＝tanh{Q
h
I
t
+U
h
[r(t)
⊙
O
t
‑
Δt
]}
[0010]O
t
＝[1
‑
u(t)]⊙
O
t
‑
Δt
+u(t)
⊙
O
’
t
[0011]其中，r(t)为GRU中的重置门，u(t)为GRU中的更新门，O
’
t
为当前记忆内容，O
t
为t时刻的输出状态，I
t
为t时刻的输入状态，O
t
‑
Δt
为t
‑
Δt时刻的输出状态，Q
r
U
r
，Q
u
U
u
及Q
h
U
h
分别为重置门、更新门与当前记忆内容的权重矩阵，利用当前时刻到当下时刻时间段内的历史数据得到GRU中的重置门与更新门，再由重置门与更新门得到当前记忆内容以及t时刻的输出状态；
⊙
表示Hadamard乘积，是一种矩阵运算，sigmoid()表示sigmoid函数，常被用做神
经网络的激活函数；tanh()表示双曲正切函数：且，I
t
＝[V
t
‑
(δ
‑
1)Δt
，V
t
‑
(δ
‑
2)Δt
，...，V
t
]，O
t
＝[V
t+Δt
，V
t+2Δt
，...，V
t+nΔt
]；步骤300，根据路网状态的预测值矩阵[V
t+Δt
，V
t+2Δt
，...，V
t+nΔt
]，由相邻节点之间的距离以及平均速度更新下一时刻的路网邻接矩阵，并依据路网邻接矩阵生成考虑时间成本的车辆诱导路径；步骤400，每当间隔一段时间Δt更新交通流信息，获取时间成本以及最优路径，根据更新的交通流信息比较切换路径的节约时间和设定阈值的大小，由不同的关系采取不同的响应；步骤500，判断车辆是否在时间步长内达到目的地，根据不同的判断结果得到不同的响应。相比于常用的时间序列模型，GRU结构简单，适用于构建适应道路路网的大型网络，此外GRU计算效率更高，有利于迅速得到未来的路网状态。
[0012]进一步地，所述路网G＝(N，E，W)，其中N是节点集合，N＝(N1，N2，
…
，N
m
)，节点的特征值为P＝(p1，p2，
…
，p
n
)，E是路段集合，W是路网邻接矩阵。
[0013]进一步地，根据所述路网得到路网邻接矩阵中节点与节点间的权重值表达式为：
[0014][0015]其中，w
ij
表示节点N
i
与N
j
间路段的权重值，设定为从N
i
至N
j
所需的时间，若N
i
与N
j
两个节点之间存在道路，则l
ij
为相邻节点N
i
、N
j
之间的距离； v
ij
为在两节点之间距离的平均速度，NIL为空值。
[0016]进一步地，根据t时刻路网状态预测得到t+Δt时刻的路网邻接矩阵
[0017][0018]其中，为路网邻接矩阵中第i行第j列的值。
[0019]进一步地，依据进行考虑时间成本的车辆诱导路径生成，计算得出车辆时间成本：
[0020][0021]为车辆时间成本，对N
i
、N
j
∈N，定义N
i
与N
j
的中间节点集合为 K＝(1，2，...，k)∈N，为节点i到节点k的时间成本，为节点k 到节点j的时间成本。
[0022]进一步地，当K为空集，即N
i
到N
j
之间没有中间点时，当 K不为空集
时，由递归得到，具体过程如为：遍历每一个中间节点k检查是否成立，若成立，则更新若不成立则不更新，完成对所有点的遍历后即可输出的最小值及最优路径P
t
，该路径即为输出的诱导路径。
[0023]进一步地，设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于门控递归单元的车辆诱导方法，其特征在于，包括：步骤100，建立路网，所述路网包括路网邻接矩阵，从路网中的网联车辆采集交通状态，得到每个路段的平均车速，由相邻节点之间的距离以及平均速度得到矩阵中的节点与节点间路段的权重值，所述权重值组成路网邻接矩阵；步骤200，基于门控递归单元，通过之前时刻(t
‑
(δ
‑
1)Δt)到当下时刻t的历史数据以预测之后时间段t+Δt时刻至t+nΔt时刻的交通状态：其中，t为时刻，δ为预测时滞，n为预测步长，V
t
为t时刻的交通车速，Δt为每个事件窗的大小，GRU为门控递归单元，t+Δt时刻至t+nΔt时刻的交通状态的交通状态矩阵，即路网状态的预测矩阵，为[V
t+Δt
，V
t+2Δt
，...，V
t+nΔt
]，所述交通为每个路段的平均速度，所述门控递归单元的算法为：r(t)＝sigmoid(Q
r
I
t
+U
r
O
t
‑
Δt
)u(t)＝sigmoid(Q
u
I
t
+U
u
O
t
‑
Δt
)O
’
t
＝tanh(Q
h
I
t
+U
h
[r(t)
⊙
O
t
‑
Δt
]}O
t
＝[1
‑
u(t)]
⊙
O
t
‑
Δt
+u(t)
⊙
O
’
t
其中，r(t)为GRU中的重置门，u(t)为GRU中的更新门，O
’
t
为当前记忆内容，O
t
为t时刻的输出状态，I
t
为t时刻的输入状态，O
t
‑
Δt
为t
‑
Δt时刻的输出状态，Q
r
U
r
，Q
u
U
u
及Q
h
U
h
分别为重置门、更新门与当前记忆内容的权重矩阵，利用当前时刻到当下时刻时间段内的历史数据得到GRU中的重置门与更新门，再由重置门与更新门得到当前记忆内容以及t时刻的输出状态；
⊙
表示Hadamard乘积，是一种矩阵运算，sigmoid()表示sigmoid函数，常被用做神经网络的激活函数；tanh()表示双曲正切函数：且，I
t
＝[V
t
‑
(δ
‑
1)Δt
，V
t
‑
(δ
‑
2)Δt
，...，V
t
]O
t
＝[V

【专利技术属性】
技术研发人员：任毅龙，付翔，于海洋，姜涵，吴超，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：