基于Bi-LSTM-attention神经网络的多目的地路径规划方法技术

本发明专利技术属于交通领域，具体涉及一种基于Bi‑LSTM‑attention神经网络的多目的地路径规划方法、系统和设备。该方法包括两个阶段：第一个阶段中，基于Bi‑LSTM‑attention神经网络训练出一种可以根据道路上的历史车辆信息，预测出指定路段在未来多个时段的通行状况的车流预测网络。第二个阶段中，先结合多个目的地进行路径规划生成多个候选路线，再利用车流预测网络预测出每个候选路线的总时间，最后结合用户对时间和里程的偏好，对各个候选路线进行评估，并结合评估结果生成满足用户偏好的推荐方案。本发明专利技术解决了现有技术难以实现多目的地的路径规划，规划方案的通行效率难以保障的问题；可以帮助用户节省费用或节约时间，提高道路的通行效率和用户体验。

【技术实现步骤摘要】

本专利技术属于交通领域，具体涉及一种基于bi-lstm-attention神经网络的多目的地路径规划方法，及其对应的多目的地路径规划系统和设备。

技术介绍

1、随着社会经济水平的不断提高，一方面，城市区域内的道路系统变得越来越复杂，这给用户的出行带来了多种选择。另一方面，机动车保有量也在不断的增长，这使得路面的交通变得越来越繁忙，驾驶人员从一个地点到另一个地点的路线选择更加多样化，耗费的驾驶时间也存在更多的不确定性。

2、居民在日常出行或货车在货物配送中常常会遇到多目的地的情形，如何选择出行顺序则是一道难题。驾驶人员通常难以预知道路交通状态，导致在出行过程中由于选择不当常常会经历交通拥堵。如果能够预知道路交通状态，就可以采取选择最优运输方案。

3、多目的地的路径规划问题本质上是多个相互接续的路径规划问题，在这种情况下，最佳的行驶路线应当根据前一个目的地的完成情况以及道路未来的行驶畅通状况进行灵活调整，但是，现有的各类导航软件仅可以实时显示道路上的交通状况，却不能有效预测未来时间段的道路交通状态；这导致多目的地的路径规划难度大幅提高。本文档来自技高网...

【技术保护点】

1.一种基于Bi-LSTM-attention神经网络的多目的地路径规划方法，其特征在于，其包括如下步骤：

2.如权利要求1所述的基于Bi-LSTM-attention神经网络的多目的地路径规划方法，其特征在于：步骤S1中，Bi-LSTM-attention神经网络包括输入层、Bi-LSTM层、attention层和输出层；所述输入层将历史车流数据归一化处理后，用于构建输入到Bi-LSTM层中的时间序列数据X：；所述Bi-LSTM层采用由正向LSTM层和反向LSTM层构成的Bi-LSTM门控结构；所述Bi-LSTM层可以自适应学习和提取时间序列数据中的趋势、周期性和复杂的时间...

【技术特征摘要】

1.一种基于bi-lstm-attention神经网络的多目的地路径规划方法，其特征在于，其包括如下步骤：

2.如权利要求1所述的基于bi-lstm-attention神经网络的多目的地路径规划方法，其特征在于：步骤s1中，bi-lstm-attention神经网络包括输入层、bi-lstm层、attention层和输出层；所述输入层将历史车流数据归一化处理后，用于构建输入到bi-lstm层中的时间序列数据x：；所述bi-lstm层采用由正向lstm层和反向lstm层构成的bi-lstm门控结构；所述bi-lstm层可以自适应学习和提取时间序列数据中的趋势、周期性和复杂的时间关联性；所述attention层自动关注输入时间序列中的关键时间步，并赋予特征向量不同的权重；所述输出层输出预测到的车辆在未来任意时段通过指定路段的通行时长。

3.如权利要求2所述的基于bi-lstm-attention神经网络的多目的地路径规划方法，其特征在于：所述正向lstm层和反向lstm层由多层的lstm单元构成，每层的lstm单元均包括输入门，遗忘门，输出门，输入单元，记忆单元，隐藏单元和输出单元。

4.如权利要求3所述的基于bi-lstm-attention神经网络的多目的地路径规划方法，其特征在于：所述bi-lstm门控结构不断调节正向迭代和反向迭代的 lstm 隐藏单元得到不同时间段的模型输出；其中，前向迭代lstm 隐藏单元mt的表达式为：

<...

【专利技术属性】
技术研发人员：郭利泉，侯伟路，石琴，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：