【技术实现步骤摘要】
本专利技术属于智慧交通，具体涉及一种车辆到达时间预测方法。
技术介绍
1、随着智慧交通的兴起,人们对高效率出行日益渴望，寻求更优秀的模型来估计车辆行驶时间成为首要任务。由于交通系统有较强的非线性，并且受天气、时间、交通量等多种因素影响，在天气和交通量复杂的情况下，目前的车辆达到预测准确性还比较低。
2、2016年，谷歌首先提出并研究开发了wide&deep模型，兼具了逻辑回归和深度神经网络的优点，为后来推荐系统的很多模型奠定了基础。2018年，王等人提出wdr(widedynamic range)算法，首次采用推荐系统算法wd(wide&deep learning)与lstm相结合的方式预测车辆到达目的地所需时间。2020年，沈等人提出ttpnet(travel time predictnetwork)算法。将所有轨迹序列嵌入到网格图中，利用张量分解算法恢复各个网格一小时内的速度信息，获取网络节点表示信息后拼接其他语义信息并输入bilstm网络，得到预测结果。2019年，li等人提出为不同功能区域定制不同的预测模型。虽然这些模型可以有效的提高车辆达到预测的准确性，但是在天气和交通量复杂的情况下，目前的方法的准确率还有很大的提升空间。
技术实现思路
1、本专利技术为了解决现有的车辆到达时间预测准确率较低的问题。
2、一种基于表示学习的车辆到达时间预测方法，首先获取待进行预测的车辆所在区域的交通信息，然后采用sld联合模型进行预测；
4、交叉口类型矩阵a为将待预测出行计划的车辆轨迹信息映射到基础道路网络后节点序列对应的节点类型序列构成的矩阵；所述节点即基础道路网络中的交叉口，节点类型即交叉口类型，交叉路口类型包括十字交叉口、t型交叉口、y型交叉口，分别用标识数1、2、3来表示；a中存储的是交叉口类型所对应的标识数；
5、补充信息矩阵b与叉口类型矩阵a具有相同的节点顺序和对应关系，补充信息矩阵b是n*m的，其中m表示每个节点的特征属性的数量，特征属性包括交通流量信息和重要信息点；
6、所述交通流量信息：到达当前节点时当前节点所对应的交通流量是否超过当天所有节点平均交通流量，超过用1表示，否则为0；
7、所述重要信息点：如果当前节点周边有重要地点，则节点重要信息点为1，否则为0；
8、所述的离散语义信息包括：待预测出行计划的车辆轨迹的轨迹总长度、出发时间、天气状况、星期数、最高气温、最低气温、车辆id；
9、sld联合模型进行预测的过程包括以下步骤：
10、针对交叉口类型矩阵a和补充信息矩阵b，将交叉口类型矩阵a和补充信息矩阵b一起作为输入，采用sdne算法进行处理，然后将sdne输出的结果，输入到mlp全连接神经网络中得到一个表示向量，该表示向量记为第一表示向量；
11、基于待预测出行计划的车辆轨迹信息映射到基础道路网络后节点序列对应的各节点信息得到节点信息向量，节点信息向量内容包括：节点位置坐标、节点类型、通过节点的车辆速度；按照序列排列的节点顺序，将节点信息向量作为输入，使用lstm算法来进行处理；通过lstm算法输出一个表示向量，该表示向量记为第二表示向量；
12、基于离散语义信息确定离散语义信息向量，采用xdeepfm算法进行处理，将xdeepfm算法处理后得到的表示向量记为第三表示向量；
13、将第一表示向量至第三表示向量按channel拼接，进行1维resnet做卷积操作，再通过cbam注意力模块和mlp处理，mlp输出预测的车辆到达时间。
14、进一步地，所述sld联合模型是已经训练好的，在sld联合模型在训练过程中的损失函数是基于平均绝对误差百分比mape确定的，平均绝对误差百分比mape：对每个样本计算实际到达时间与预测到达时间之间的百分比误差，然后取所有样本百分比误差的绝对值所对应的平均百分比。
15、进一步地，sld联合模型在训练过程中的损失函数具体形式如下：
16、
17、其中，xi表示每个样本所对应；f(xi)为sld联合模型的预测结果；ω(f)是正则化项；
18、针对正则化项，使用梯度增强学习决策树gbdt来进行学习。
19、进一步地，在sld联合模型训练之前，lstm算法是预先训练好的，lstm算法在预先训练的过程中，其学习率按照指数函数递减，具体如下：
20、ηt＝η0*e-decay_rate*t
21、其中，ηt是在时间步t处的学习率，η0是初始学习率，decay_rate是衰减率，t是当前训练的轮数。
22、进一步地，所述的sdne算法中的自动编码器结构包含编码器encoder和解码器decode，encoder和decode均包含输入层、隐藏层和输出层；将自动编码器中的编码器和解码器中的隐藏层替换为引入卷积层的隐藏层，即在自动编码器中的编码器和解码器中的隐藏层前端引入卷积层，卷积层的激活函数为prelu。
23、进一步地，在自动编码器中的编码器和解码器中的隐藏层前端引入的卷积层数量为8个卷积层。
24、进一步地，在自动编码器中的编码器和解码器中的隐藏层前端引入的卷积层中的每个卷积层中使用(3,5)大小的卷积核进行卷积处理。
25、进一步地，自动编码器中的编码器和解码器中的隐藏层为全连接层，引入卷积层的隐藏层即为卷积层+全连接层。
26、进一步地，所述xdeepfm算法的网络结构包括嵌入层、组合层、池化层、全连接层；将全连接层替换为全连接归一化层，即在全连接层后添加批归一化层。
27、进一步地，xdeepfm算法的网络结构中的嵌入层设置为50层。
28、有益效果：
29、本专利技术综合考虑多方面的影响因素，并采用sld联合模型对不同属性信息进行融合，能够有效的提高不同属性信息的挖掘能力，从而能够提高预测结果的准确性和准确率。同时本专利技术采用最小的平均绝对误差百分比mape值来训练sld联合模型，也能后有效指导模型的训练过程，提高模型质量。因此本专利技术能够实现更精确的出行时间预测，从而节省用户时间，进而缓解交通压力。
本文档来自技高网...【技术保护点】
1.一种基于表示学习的车辆到达时间预测方法，其特征在于，首先获取待进行预测的车辆所在区域的交通信息，然后采用SLD联合模型进行预测；
2.根据权利要求1所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，所述SLD联合模型是已经训练好的，在SLD联合模型在训练过程中的损失函数是基于平均绝对误差百分比MAPE确定的，平均绝对误差百分比MAPE：对每个样本计算实际到达时间与预测到达时间之间的百分比误差，然后取所有样本百分比误差的绝对值所对应的平均百分比。
3.根据权利要求2所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，SLD联合模型在训练过程中的损失函数具体形式如下：
4.根据权利要求3所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，在SLD联合模型训练之前，LSTM算法是预先训练好的，LSTM算法在预先训练的过程中，其学习率按照指数函数递减，具体如下：
5.根据权利要求1至4任意一项所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，所述的SDNE算法中的自动编码器结构包含编码器Encoder和解码器
6.根据权利要求5所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，在自动编码器中的编码器和解码器中的隐藏层前端引入的卷积层数量为8个卷积层。
7.根据权利要求6所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，在自动编码器中的编码器和解码器中的隐藏层前端引入的卷积层中的每个卷积层中使用(3,5)大小的卷积核进行卷积处理。
8.根据权利要求7所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，自动编码器中的编码器和解码器中的隐藏层为全连接层，引入卷积层的隐藏层即为卷积层+全连接层。
9.根据权利要求5所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，所述xDeepFM算法的网络结构包括嵌入层、组合层、池化层、全连接层；将全连接层替换为全连接归一化层，即在全连接层后添加批归一化层。
10.根据权利要求9所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，xDeepFM算法的网络结构中的嵌入层设置为50层。
...【技术特征摘要】
1.一种基于表示学习的车辆到达时间预测方法，其特征在于，首先获取待进行预测的车辆所在区域的交通信息，然后采用sld联合模型进行预测；
2.根据权利要求1所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，所述sld联合模型是已经训练好的，在sld联合模型在训练过程中的损失函数是基于平均绝对误差百分比mape确定的，平均绝对误差百分比mape：对每个样本计算实际到达时间与预测到达时间之间的百分比误差，然后取所有样本百分比误差的绝对值所对应的平均百分比。
3.根据权利要求2所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，sld联合模型在训练过程中的损失函数具体形式如下：
4.根据权利要求3所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，在sld联合模型训练之前，lstm算法是预先训练好的，lstm算法在预先训练的过程中，其学习率按照指数函数递减，具体如下：
5.根据权利要求1至4任意一项所述的一种基于表示学习的车辆到达时间预测方法，其特征在于，所述的sdne算法中的自动编码器结构包含编码器encoder和解码器decode，encoder和decode均包含输入层、隐藏层和输出层；...
【专利技术属性】
技术研发人员：刘美玲，李昕彤，李茂源，司浩田，陈茜雅，
申请(专利权)人：东北林业大学，
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。