【技术实现步骤摘要】
本专利技术涉及深度学习领域，更具体地说，它涉及一种基于深度学习的车辆行为预测方法。
技术介绍
1、公告号为cn114827904a，名称为一种移动服务用户轨迹预测方法及系统的中国专利公开了以下内容：通过获取当前用户在移动服务平台上的活动轨迹数据，将其转换为区域编号序列，区域编号序列中的编号由所有用户活动轨迹数据中的经纬度聚类而得到，每个区域对应一个唯一编号，区域编号序列的序列单元表示当前用户在一个时间节点的一个区域编号，再将区域编号序列输入嵌入层输出特征嵌入后的编号序列；将特征嵌入后的编号序列和位置编码后的编号序列相加得到序列位置信息特征，将特征嵌入后的编号序列输入卷积神经网络模型后得到序列局部特征，将特征嵌入后的编号序列输入长短时记忆神经网络模型后得到时间依赖关系特征，将序列位置信息特征、序列局部特征、时间依赖关系特征进行特征合并后，输入编码器，输出连接一个分类器，分类标签为区域编号离散值。上述技术方案只能够推荐预测区域的服务地点，但是网格化的区域的划分对于推荐的准确度的影响很大，较小的区域网格可能会出现大量的区域内不存在具体的服务地点，如果增大划分的区域的面积会导致部分区域内服务地点数量很大，推荐没有参考价值，尤其是对于闹市区等服务地点集中的区域内的服务地点数量很多，区域内的服务地点都是可推荐的对象，导致无法精确地为用户提供服务需求。
技术实现思路
1、本专利技术提供一种基于深度学习的车辆行为预测方法，解决相关技术中通过轨迹预测车辆未来时间的区域位置来进行推荐的准确度较差的技术
2、本专利技术提供了一种基于深度学习的车辆行为预测方法，包括以下步骤：
3、步骤s101，在观测时间内采集车辆的驾驶数据并构建车辆特征序列；
4、步骤s102，构建全局图，全局图包括第一节点，第一节点之间通过边连接；在以当前车辆为中心的第一范围内的车辆标记为第一车辆，以第一车辆为中心生成第二范围，一个第二范围内的所有第一车辆对应的第一节点之间全连接；第一节点的第一节点编码矢量是对应的第一车辆的车辆特征序列向量化表示；
5、步骤s103，输入全局图和第一节点编码矢量到图注意力模型，图注意力模型包括第一隐藏层，第一隐藏层对当前车辆的第一节点编码矢量进行更新生成中间编码矢量；将当前车辆的车辆特征序列向量化处理生成车辆特征向量，当前车辆的车辆特征向量与中间编码矢量进行拼接获得当前车辆的位置预测向量；
6、步骤s104，提取当前车辆和参照车辆的位置预测向量，第g个参照车辆的第h个时间点的位置预测向量表示为，，，表示以当前车辆为中心的第三范围内的停留车辆的集合；第h个时间点第g个停留车辆行驶到重叠范围，且与当前车辆位置行驶方向相同；即为所提取的参照车辆的位置预测向量；
7、然后基于当前车辆和参照车辆的位置预测向量将参照车辆关联的服务地点推荐给当前车辆。
8、进一步地，观测时间内的第j个车辆的车辆特征序列表示为：，其中，分别表示第j个车辆在观测时间内的个时间节点的特征向量；
9、其中，观测时间内的第j个车辆的第i个时间节点的向量表示为：，其中，、表示第j个车辆的第i个时间节点的车辆的起始坐标，、表示第j个车辆的第i个时间节点的车辆的终止坐标，、表示第j个车辆的第i个时间节点的车辆的长度、宽度，表示第j个车辆的第i个时间节点的车辆的特征属性，表示第j个车辆的第i个时间节点的车辆的类型，车辆的类型值属于车辆类型集合，表示第j个车辆的第i个时间节点的车辆的唯一编号；
10、车辆类型集合表示为：，其中的元素分别表示车辆的类型为大型车辆、中型车辆、小型车辆，通过一个实数值表示。
11、进一步地，观测时间为20秒，按1秒的等时间间隔将观测时间划分为20个时间节点，并将车辆在观测时间内的行驶轨迹按等时间间隔划分为20个线段用于构建车辆特征序列。
12、进一步地，通过现有的特征工程对车辆特征序列的特征属性进行赋值。
13、进一步地，车辆特征序列向量化的方法是将车辆特征序列中的序列单元按顺序拼接。
14、进一步地，第一隐藏层的计算公式如下：
15、第一隐藏层的第一节点与第一节点的注意力系数的计算公式如下：
16、
17、其中表示第一节点a与第一节点b之间的注意力系数，表示第一节点a与第一节点b之间的共享权重参数，表示第一节点a的第一节点编码矢量，表示第一节点b的第一节点编码矢量，表示拼接操作，表示将拼接后的高维特征映射到一个实数；
18、图注意力模型的第一节点与第一节点的归一化注意力系数的计算公式如下：
19、
20、其中表示第一节点a与第一节点b之间的归一化注意力系数，表示取自然指数函数的幂运算，表示与第一节点a相邻的节点集合，表示第一节点a与第一节点c之间的注意力系数，表示softmax激活函数，表示leakyrelu激活函数；
21、第一隐藏层的第一节点与第一节点的特征加权求和的计算公式如下：
22、其中表示更新后的第一节点a的特征向量，表示第一节点a与第一节点b之间的归一化注意力系数，表示第一节点a与第一节点b之间的共享权重参数，表示第一节点b的第一节点编码矢量，表示与第一节点a相邻的节点集合，表示sigmoid激活函数。
23、进一步地，第一范围、第二范围、第三范围、重叠范围均为圆形区域，第一范围的半径大于第二范围的半径，第三范围的半径大于第一范围、第三范围、重叠范围的半径。
24、进一步地，将参照车辆关联的服务地点推荐给当前车辆包括以下步骤：
25、步骤s105，计算当前车辆与参照车辆的相似度，标记与当前车辆相似度最大的参照车辆为最近邻车辆，以最近邻车辆为中心划定推荐范围，将推荐范围内的服务地点推荐给当前车辆。
26、进一步地，将参照车辆关联的服务地点推荐给当前车辆包括以下步骤：
27、步骤s106，构建图网络，图网络包括第二节点以及第二节点之间的边；图网络第二节点分别表示当前车辆、参照车辆、服务地点、服务地点的服务类型、服务地点的服务质量等级、服务地点的安全等级、服务地点的便利等级；
28、当前车辆第二节点与参照车辆第二节点之间存在边表示当前车辆第二节点对应的当前车辆与参照车辆第二节点对应的参照车辆之间的相似度大于设定阈值；
29、参照车辆第二节点与服务地点第二节点之间存在边表示参照车辆的驾驶人员停车后去了该服务地点；
30、对图网络的第二节点进行编码获得第二节点矢量；
31、步骤s107，将图网络以及第二节点矢量输入图神经网络模型，图神经网络模型输出表示服务地点是否属于当前车辆的驾驶人员的目的地的分类标签，将属于当前车辆的驾驶人员的目的地的服务地点推荐给当前车辆。
32、进一步地，图神经网络模型包括第二隐藏层和第二全连接层，第二隐藏层对每个第二节点矢量进行更新获得对应的最终第二节点矢量，本文档来自技高网...
【技术保护点】
1.一种基于深度学习的车辆行为预测方法，其特征在于，包括以下步骤：步骤S101，在观测时间内采集车辆的驾驶数据并构建车辆特征序列；
2.根据权利要求1所述的一种基于深度学习的车辆行为预测方法，其特征在于，观测时间内的第j个车辆的车辆特征序列表示为：，其中，分别表示第j个车辆在观测时间内的个时间节点的特征向量；其中，观测时间内的第j个车辆的第i个时间节点的向量表示为：，其中，、表示第j个车辆的第i个时间节点的车辆的起始坐标，、表示第j个车辆的第i个时间节点的车辆的终止坐标，、表示第j个车辆的第i个时间节点的车辆的长度、宽度，表示第j个车辆的第i个时间节点的车辆的特征属性，表示第j个车辆的第i个时间节点的车辆的类型，车辆的类型值属于车辆类型集合，表示第j个车辆的第i个时间节点的车辆的唯一编号；
3.根据权利要求1所述的一种基于深度学习的车辆行为预测方法，其特征在于，观测时间为20秒，按1秒的等时间间隔将观测时间划分为20个时间节点，并将车辆在观测时间内的行驶轨迹按等时间间隔划分为20个线段用于构建车辆特征序列。
4.根据权利要求1所述的一种基于深度
5.根据权利要求1所述的一种基于深度学习的车辆行为预测方法，其特征在于，车辆特征序列向量化的方法是将车辆特征序列中的序列单元按顺序拼接。
6.根据权利要求1所述的一种基于深度学习的车辆行为预测方法，其特征在于，第一隐藏层的计算公式包括：第一隐藏层的第一节点与第一节点的注意力系数的计算公式如下：；
7.根据权利要求1所述的一种基于深度学习的车辆行为预测方法，其特征在于，第一范围、第二范围、第三范围、重叠范围均为圆形区域，第一范围的半径大于第二范围的半径，第三范围的半径大于第一范围、第三范围、重叠范围的半径。
8.根据权利要求1所述的一种基于深度学习的车辆行为预测方法，其特征在于，将参照车辆关联的服务地点推荐给当前车辆包括以下步骤：
9.根据权利要求1所述的一种基于深度学习的车辆行为预测方法，其特征在于，将参照车辆关联的服务地点推荐给当前车辆包括以下步骤：
10.根据权利要求9所述的一种基于深度学习的车辆行为预测方法，其特征在于，图神经网络模型包括第二隐藏层和第二全连接层，第二隐藏层对每个第二节点矢量进行更新获得对应的最终第二节点矢量，将对应于服务地点第二节点的最终第二节点矢量输入第二全连接层，第二全连接层的分类标签有两个，一个表示当前车辆的驾驶人员想去该服务地点，另外一个表示当前车辆的驾驶人员不想去该服务地点。
...【技术特征摘要】
1.一种基于深度学习的车辆行为预测方法，其特征在于，包括以下步骤：步骤s101，在观测时间内采集车辆的驾驶数据并构建车辆特征序列；
2.根据权利要求1所述的一种基于深度学习的车辆行为预测方法，其特征在于，观测时间内的第j个车辆的车辆特征序列表示为：，其中，分别表示第j个车辆在观测时间内的个时间节点的特征向量；其中，观测时间内的第j个车辆的第i个时间节点的向量表示为：，其中，、表示第j个车辆的第i个时间节点的车辆的起始坐标，、表示第j个车辆的第i个时间节点的车辆的终止坐标，、表示第j个车辆的第i个时间节点的车辆的长度、宽度，表示第j个车辆的第i个时间节点的车辆的特征属性，表示第j个车辆的第i个时间节点的车辆的类型，车辆的类型值属于车辆类型集合，表示第j个车辆的第i个时间节点的车辆的唯一编号；
3.根据权利要求1所述的一种基于深度学习的车辆行为预测方法，其特征在于，观测时间为20秒，按1秒的等时间间隔将观测时间划分为20个时间节点，并将车辆在观测时间内的行驶轨迹按等时间间隔划分为20个线段用于构建车辆特征序列。
4.根据权利要求1所述的一种基于深度学习的车辆行为预测方法，其特征在于，通过现有的特征工程对车辆特征序列的特征属性进行赋值。
5.根据权利要求1所述的一种基于深度学习的车辆...
【专利技术属性】
技术研发人员：殷俊，
申请(专利权)人：南京欧思其软件服务有限公司，
类型：发明
国别省市：
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。