一种由深度强化神经网络指导的车辆时空调度方法技术

本发明专利技术公开一种由深度强化神经网络指导的车辆时空调度方法，通过获取路网信息及地图信息，构建时空预测模型；对于单一车辆，将车辆运行信息结合时空预测模型，基于卷积神经网络提取车辆信息所对应的时空特征向量；对于某一路口，向深度强化图神经网络输入车辆时空特征向量并进行分类，得出车辆在该路口前往不同方向的概率。本发明专利技术能够更准确地分析公路交通网络的动态变化，对于复杂变化的路况有较强的适应能力且可快速寻找其最优解，对于较为陌生的路况亦可实现快速调度，适用于复杂的公路流量变化状态。变化状态。变化状态。

【技术实现步骤摘要】
一种由深度强化神经网络指导的车辆时空调度方法


[0001]本专利技术属于交通管理
，特别是涉及一种由深度强化神经网络指导的车辆时空调度方法。

技术介绍

[0002]对于国内地区，生产资料运输的主要方式为铁路或公路，其中对于铁路运输的调度系统以及趋于成熟。相比于公路网络，铁路网络较为稀疏，单一时间段内车流量较小，变化较为简单，且事故发生率远低于公路。通过对于铁路分区进行人工调度，辅以较为高效的传统算法，可以大致满足铁路运输的准时性，对于突发事件也具有一定的调控能力。而在公路方面，却无法直接沿用铁路的调度方法。一方面，与铁路已车站为节点的运输系统相比，公路路网较为稠密，分支岔道较多，难以进行人工调度。即使使用传统算法进行辅助，其过大的复杂性也会导致该算法难以投入实际使用。另一方面，公路流量变化较为复杂，堵车或交通事故等突发状况频繁且难以提前预估，基于经验的人工调度以及基于静态图数据的算法也无法胜任。从另一个角度来说，当前的人工调度系统，大多面向城市交通，以保证路网畅通为目的，难以保证车辆的准时性。而面向城市企业的公路时空调度则需要以准时性作为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种由深度强化神经网络指导的车辆时空调度方法，其特征在于，包括步骤：S10，通过获取路网信息及地图信息，构建时空预测模型；S20，对于单一车辆，将车辆运行信息结合时空预测模型，基于卷积神经网络提取车辆信息所对应的时空特征向量；S30，对于某一路口，向基于深度强化图神经网络输入车辆时空特征向量进行分类，得出车辆在该路口前往不同方向的概率。2.根据权利要求1所述的一种由深度强化神经网络指导的车辆时空调度方法，其特征在于，在所述步骤S10中，通过获取路网信息及地图信息，构建时空预测模型，包括步骤：S11，根据地图信息，对路口信息及道路信息进行整合，从而生成空间地图；S12，根据路网信息，结合空间地图生成时空预测模型。3.根据权利要求2所述的一种由深度强化神经网络指导的车辆时空调度方法，其特征在于，在步骤S12中，根据路网信息，结合空间地图生成时空预测模型，包括步骤：根据空间地图以及一时间段内的路况信息，基于LSTM的空间流量预测模型，对该段时间段内路口的路况进行分析并预测未来时间之内的路况情况。4.根据权利要求1或2所述的一种由深度强化神经网络指导的车辆时空调度方法，其特征在于，在所述步骤S20中，对于单一车辆，将车辆运行信息结合时空预测模型，基于卷积神经网络提取车辆信息所对应的时空特征向量，包括步骤：S21，根据车辆运行信息生成车辆运行矩阵；S22，将车辆运行矩阵结合时空预测模型，生成三维张量；S23，将三维张量输入卷积神经网络，利用卷积申请网络从三维张量中提取特征向量，得到车辆信息所对应的时空特征向量。5.根据权利要求4所述的一种由深度强化神经网络指导的车辆时空调度方法，其特征在于，所述车辆运行信息包括车辆当前时间t
present
、车辆预计到达时间t
schedule
、车辆当前路口S
c
与车辆终点路口D；根据车辆运行信息生成车辆运行矩阵，包括步骤：S211，对于车辆c，将车辆当前时间t
present
和计划到达时间t
schedule
数组打包并编码，得到车辆时间向量t
c
＝(t
present
,t
schedule
)；S212，对于车辆c，将车辆当前路口S
c
与终点路口D进行打包从而生成车辆空间向量(S
c
，D)；S213，利用车辆时间向量和车辆空间向量构成车辆c的运行矩阵S213，利用车辆时间向量和车辆空间向量构成车辆c的运行矩阵将车辆运行矩阵M
c
与时空预测模型进行结合，获得三维张量，以作为卷积...

【专利技术属性】
技术研发人员：彭浩，刘琳，刘明生，冼俊宇，许涵杰，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：