车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法

摘要

城市道路中客观存在道路纵横交错，车辆分布不均等特性，使得车辆位置易变导致车联网网络层数据传输失真问题，从而成为阻碍车联网应用服务发展的瓶颈。现有的车辆位置预测模型通常利用车辆历史轨迹信息进行训练，缺乏对复杂的车辆状态以及实时路况信息的考虑，对复杂行车环境与车辆驾驶行为以及车辆位置变化之间的关系挖掘不足。针对以上问题，本发明“车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法”综合考虑车体属性、道路信息与行车环境等影响车辆行驶的因素，结合深度学习技术，挖掘车辆行驶影响因素与车辆位置的关系，提出车辆位置的预测模型，达到提升车辆位置预测准确性的目的，从而为车联网网络层路由协议设计的稳定性提升，以及有效解决数据失真问题提供帮助。

说明书

技术领域

本发明涉及车联网复杂网络领域。

背景技术

现有的车辆位置预测主要服务于车联网安全相关的应用(如十字路口车辆防碰撞监测)或者道路车流分析等。预测模型主要针对当前车辆的历史运动轨迹与速度等进行挖掘，以挖掘得出的关系预测下一时刻车辆的位置。研究者假设车辆在未来较短的一段时间内，速度和加速度是恒定的，以当前速度和加速度利用物理学公式计算Δt时间之后的位置，然后计算位置偏差，该算法在交通状态复杂的路口或者车辆较多的车道偏差较大。研究者提出的VMP概率模型则将车辆的行驶路径分割为相连的若干路段，以车辆之前行驶过的路段作为先验知识，寻找下一时刻，最可能选择的路段作为预测结果，以这种方式来挖掘城市场景下的车辆节点运动规律，该算法对行驶模式固定的车辆节点(如公交车等)预测准确率较高，但算法没有考虑到行驶模型不固定的车辆节点(如出租车等)。有研究者提出利用统计学原理研究车辆密度与车辆周围的邻居节点位置对车辆运动的影响，并以此建立模型，预测一段时间后，各类群车辆节点的位置分布，该模型首次将自动驾驶的车辆考虑在内，研究与人驾驶车辆的不同，但对道路的理想化建模过于苛刻。也有研究者提出将具有相同或者相似起点和终点或者具有相似路径的车辆归为一类，然后利用SOM神经网络对这类节点进行训练，通过训练结果指导预测车辆的运动路径的预测方法。

以上讨论的方法对于道路的建模过于理想化，忽略了诸多可能影响车辆位置的因素，如交通信号与车道转向允许标志等，同时没有对车辆区别对待，忽略了车辆自身属性(如车身长宽等)对驾驶行为和车辆位置的影响。因此，区别于以上方法，本发明考虑利用深度学习技术，挖掘车辆自身状态，行驶道路信息和行车环境信息与车辆下一时刻位置之间的关系，从而提高车辆位置预测的准确性。

发明内容

现有的车辆位置预测模型通常利用车辆历史轨迹信息进行训练，缺乏对复杂的车辆状态以及实时路况信息的考虑，对复杂行车环境与车辆驾驶行为以及车辆位置变化之间的关系挖掘不足。针对以上问题，本发明综合考虑车体属性、道路信息与行车环境等影响车辆行驶的因素，结合深度学习技术，挖掘车辆行驶影响因素与车辆位置的关系，提出车辆位置的预测模型。

本发明技术方案为：

一种基于深度学习的车辆位置预测模型构造方法，其特征在于，具体方法包括如下步骤：

步骤1，定义特征集，包括车辆特征抽象与定义、道路特征抽象与定义、车辆行驶环境特征抽象与定义

步骤11、车辆特征抽象与定义

车辆特征包括车身长度L，车身宽度W，车辆速度，加速度，当前行驶方向，路口转向动作，当前位置，出发地，目的地，其中t时刻车辆速度、加速分别标记为v(t)和a(t)，其余特征分别定义如下：

定义1车辆行驶方向vDir(t)，表示t时刻车辆的运动方向。这里用与正北方向之间顺时针夹角表示行驶方向，满足：

0≤vDir(t)＜360°(1)

定义2车辆路口转向vMov(t)，表示t时刻车辆在经过十字路口时的驾驶行为，以向量的形式表征，如公式(2)。分为车辆直行，左转弯以及右转弯，

定义3车辆当前位置P(t)，表示t时刻车辆在CA State Plane III in NAD83坐标系中的二维坐标向量，向量各项单位为英尺(ft)。位置信息定义如下：

P(t)＝(x(t),y(t))(3)

定义4车辆出发地srcP，表示车辆此次出行起点的二维坐标，定义如下：

srcP＝(x,y)(4)

坐标系与单位同定义3。

定义5车辆目的地dstP，表示车辆此次出行终点的二维坐标，定义如下：

dstP＝(x,y)(5)

坐标系与单位同定义3。

综上，t时刻车辆的特征集feature_v(t)定义如下：

feature_v(t)＝{L,W,v(t),a(t),vDir(t),vMov(t),P(t),srcP,dstP}(6)

步骤12，道路特征抽象与定义

将十字路口和丁字路口抽象为四边形，以其四个顶点坐标从西北方向的角开始按照顺时针方向依次标识，标记如下：

I＝(x₁,y₁,x₂,y₂,x₃,y₃,x₄,y₄)(7)

定义6十字路口集合ISet表示研究区域内，所有十字路口组成的集合。

ISet＝(I₁,I₂,…,I_m,…)(8)

定义7道路段指道路在两个相邻十字路口之间的一个路段，由道路段两侧十字路口来标识该道路段。定义道路i的道路段集合如下：

RSegSet(i)＝(I₁I₂,I₂I₃,…,I_kI_m,…)(9)

其中I_k(1≤k≤n,n为最大十字路口编号)表示编号为k的十字路口。

每条道路段包含若干车道，定义十字路口I_k，I_m之间的道路段车道集合如下：

I_kI_m＝(lid₁,lid₂,…,lid_n)(10)

其中lid_k(1≤k≤n)表示车道编号。

定义8车道方向lDir(x,y)表示车道允许的行进方向，其中x，y表示车道内的位置坐标。角度定义同vDir。同时车辆在当前车道直道的行驶方向vDir与车道方向相同，即若当前车辆处在i车道内，则有

vDir(t)＝lDir_i(x,y),其中(x,y)＝P(t)(11)

定义9车道左侧可变道数量LAL(left available lanes)为在某车道当前位置下，车辆可向左变动的车道数目。由当前车道i的当前位置(x,y)向左侧同向车道搜索，直至遇到实线表示车辆不可向左变道或者搜索到最左侧同向车道为止。搜索到的车道数目即为车道左侧可变道数量LAL_i(x,y)。

定义10车道右侧可变道数量RAL(right available lanes)为在某车道当前位置下，车辆可向右变动的车道数目。由当前车道i的当前位置(x,y)向右侧同向车道搜索，直至遇到实线表示车辆不可向右变道或者搜索到最右侧同向车道为止。搜索到的车道数目即为车道右侧可变道数量RAL_i(x,y)。

定义11直行区车道允许驾驶行为包括直行，向左变道和向右变道。定义向量sld表示车道允许的基本驾驶行为如下：

直行区车道允许的驾驶行为SLD有

定义12路口准备区车道允许的驾驶行为包括直行，左转弯，右转弯和调头。定义向量pld表示车道允许的基本驾驶行为如下：

路口准备区车道允许的驾驶行为PLD可以表示为：

综上，位置(x,y)处的道路特征集feature_r(x,y)可以定义如下：

步骤13，车辆行驶环境特征抽象与定义

定义13路口距离，车辆i与前方十字路口I_m距离表示以车辆i前边沿与当前车道前方十字路口停止线之间的距离。

定义14前方车辆与后方车辆。在同一车道上，车辆i与车辆j前方路口为I_m，若满足则在t时刻车辆i为车辆j的前方车辆，车辆j为车辆i的后方车辆。若则认为车辆i与车辆j互为对方的前方车辆。

在同一道路段I_kI_m的不同车道上，假设t时刻车辆i的位置P_i(t)＝(x_i,t,y_i,t)，车辆j的位置P_j(t)＝(x_j,t,y_j,t)。路段方向向量如图2所示。若满足则在t时刻车辆i为车辆j的前方车辆，车辆j为车辆i的后方车辆。如果则认为车辆i与车辆j互为对方的前方车辆。

定义15周围车辆集NCarSet_i(t)定义为车辆i在t时刻当前车道，左侧车道，右侧车道前方与后方车辆所组成的集合。

定义16周围车辆行驶状态以向量nstate来标识如下：

nstate(t)＝(type,available,v(t),a(t),L,W,d)∪P(t)(17)

其中，type标识周围车辆与当前车辆的相对位置，对应规则如图3所示。available表示是否存在该车辆，存在为1，不存在为0。此时nstate中除type项外，其他项均标记为0。如车辆若不存在当前车道前方车辆，则该车辆当前车道前方车辆对应的nstate(t)＝(1,0,0,0,0,0,0,0,0)。v(t),a(t),C(t)分别表示车辆的速度、加速度和位置。L,W分别表示车辆长度和宽度。d表示该邻居车辆节点与当前车辆节点之间的距离。根据经典的车辆跟驰模型与元胞自动机模型，周围车辆的行驶状态是影响车辆运动的主要因素之一。

定义17周围车辆运动状态集定义为NCarState_i(t)＝{nstate_j(t)|j∈NCarSet_i(t)}。

定义18t时刻，交通灯TL_i信号允许动作可以使用向量sig_i(t)表示。

定义19车辆t时刻的路口允许转向动作表示为IAM(t)。该特征受制于车道允许的驾驶行为PLD和交通灯信号允许动作sig_i(t)。可表示为矩阵的Hadamard乘积，如公式(19)。

IAM(t)＝PLD(P(t))*sig_i(t)(19)

综上，t时刻车辆行驶环境特征集feature_e(t)定义如式(20)。

feature_e(t)＝{VID(t),IAM(t)}∪NCarState(t)(20)

综上，将t时刻影响车辆驾驶行为的特征集feature(t)定义为

feature(t)＝feature_v(t)∪feature_r(P(t))∪feature_e(t)(21)

步骤2，车辆位置预测模型

步骤21，特征提取与数据预处理

直接获取的车辆特征包括车辆长度L，车辆宽度W，车辆速度v，车辆加速度a，车辆行驶方向vDir，车辆路口转向vMov，车辆当前位置P，车辆出发地点srcP，车辆目的地点dstP。

直接获取的道路特征包括车道方向lDir，车道左侧可变道数量LAL，车道右侧可变道数量RAL，车道允许的驾驶行为SLD，路口准备区车道允许的驾驶行为PLD。

直接获取的车辆行驶环境特征包括车辆与当前车道前方车辆的距离d_f，车辆与当前车道后方车辆的距离d_a。

直接可获取十字路口集ISet，道路段集合RSegSet，交通灯信号允许的驾驶动作sig(t)，每辆车所在的车道lane以及每辆车所在的道路段RSeg。根据前面步骤1的定义，需要提取的特征包括车辆与前方十字路口距离VID，周围车辆运动状态集NCarState，车辆路口允许转向动作IAM，训练样本的标签。

●步骤211，车辆与前方路口距离特征提取

在地图上根据车辆所在车道lane以及车辆所在车道方向lDir获取该车道在前方十字路口处停止线AB的A点坐标(x_A,y_A)和B点坐标(x_B,y_B)。其中A和B是车道路口停止线的两个短点。从车辆前边缘向直线AB做垂线，求得垂线的长度length。用length近似替代VID。

AB在二维坐标系中满足公式(22)。

(y_A-y_B)·x+(x_B-x_A)·y+(y_B·x_A-x_B·y_A)＝0(22)

假设此时车辆位置P(t)＝(x_C,y_C)，则车辆到AB的距离length满足公式(23)。

对数据集中每辆车各时刻点的数据做公式(23)运算，提取得到特征VID。

●步骤212，周围车辆运行状态集特征提取

从数据集的地图中获取车辆所在车道是否有左侧车道和右侧车道以及左侧车道与右侧车道的方向向量。同时，在数据集中，不在十字路口的车辆各时刻的车道都有标注。通过该数据得到各时刻各车道上的车辆状态集。当前车道前后车辆可以通过数据集直接获取。左右车道中的前后车辆可以按照定义16在左右车道中查找，并将其行驶状态记录在集合NCarState中。

●步骤213，路口允许转向动作特征提取

从数据集中获取十字路口信号灯随时间变化的表格，即对于任意十字路口I_i可以获取sig_i(t)。从数据集中的地图车道标记中可以获取车道允许驾驶行为PLD。则IAM特征的提取按照定义19，依次找到每条车道对应的十字路口，然后对sig(t)和PLD做Hadamard乘积得到IAM特征。

●步骤214，标签提取

将车辆驾驶行为分为直行、向左变道、向右变道、路口直行、路口左转、路口右转、路口调头。其中直行、向左变道、向右变道是直行区和路口准备区的驾驶行为。路口直行、路口左转、路口右转是路口区的驾驶行为。

对驾驶行为按照表1所示的对应规则编码。

路口处直行、左转和右转的驾驶行为可以在数据集中直接获取。直行、向左变道和向右变道可以通过车辆当前时刻t所处车道lane(t)和未来时刻t+Δt所处车道lane(t+Δt)做对比。如果相同，则为直行。如果lane(t+Δt)属于lane(t)的左侧车道集，则为向左变道，否则为向右变道。根据提取到的驾驶行为按照表1转换为驾驶行为编码作为训练样本的标签。

将获取到的特征表示为定义的feature(t)向量，将获取到的训练样本标签定义为label(t)，其中t表示时间。采用min-max归一化方法对feature(t)和label(t)进行归一化处理，如公式(24)所示。

其中f表示特征点取值，f^max表示该特征点取值的最大值，f^min表示该特征点取值的最小值，f^N表示归一化之后的特征点取值。归一化处理后的feature(t)和label(t)分别记为feature^N(t)和label^N(t)。feature^N(t)按照顺序拼接上label^N(t)即是网络训练样本和测试样本的结构。

步骤22，驾驶行为预测方法

根据前面得到的预处理后的训练样本集记作train，train包括训练样本特征集和训练样本标签集，训练样本特征集记为train_x，表示为

训练样本标签集记为train_y。测试样本集记为test，包括测试样本特征集和测试样本标签集。测试样本特征集记为test_x，测试样本标签集记为test_y。其中train_y与train_x按行一一对应，test_x与test_y按行一一对应。

车辆驾驶行为预测步骤如下：

(1)按照DBN网络结构利用Contrastive Divergence逐层训练RBM网络，学习特征的低维表达方式。

(2)利用学习所得的网络结构初始化BP神经网络。并在最后添加输出层。

(3)训练BP神经网络，利用训练标签集train_y计算训练误差，反向传播，微调每一层的网络参数。

(4)将待预测样本按照网络正向计算得到输出层节点取值。

(5)对输出层节点的取值做softmax回归，并根据表1将回归后的结果转换为驾驶行为。

步骤23，位置预测模型

为挖掘车辆驾驶行为与未来一段时间车辆位置之间的关系，利用BP神经网络求解回归问题的能力，挖掘车辆行驶环境和驾驶行为对未来一段时间车辆位置的影响，并利用训练后的BP神经网络结合前面预测所得的驾驶行为进行车辆位置预测。

首先，定义训练样本的特征集为PFeature(t)，表示为公式(27)。

其中DrvB(t)表示t时刻车辆的驾驶行为按照表2中标量编码栏编码后的取值。P(t-1)代表车辆在前一时刻的位置。利用特征提取方法提取每个车辆节点在各时刻对应的PFeature(t)，并利用min-max归一化方法对每条样本归一化，得出BP神经网络的输入样本集表示如式(28)。

其中PFeature^N(t_i)表示t_i时刻PFeature的归一化样本。提取车辆节点在n秒后的地理位置P(t+n),1≤n≤3,n∈N，同样对其进行min-max归一化，得到BP神经网络的训练标签集表示如式(29)。

然后设置BP神经网络的输出层为线性输出，按照参数给定的网络结构和激活函数，训练BP神经网络。

最后，在需要进行位置预测时，先根据驾驶行为预测方法，得到车辆驾驶行为预测结果。预测结果是针对softmax分类器编码过的向量形式，如表2中向量编码一栏。将其按照表2中的编码映射关系，重新编码为标量取值，作为DrvB特征值。同时提取对应的PFeature中其他特征值，做归一化处理，得到待预测样本p_x，样本结构同PFeature^N(t)。将待预测样本按照训练所得的神经网络正向计算，得到的网络输出逆归一化结果即是预测的车辆位置。

在驾驶行为预测方法的基础上，结合BP神经网络正向传递的计算方法，车辆位置预测模型表示为递推式(30)的形式：

其中P表示预测模型给出的车辆位置预测结果，即未来时刻车辆节点的位置。h(·)表示线性函数h(x)＝x，f(·)代表sigmoid函数。代表本节训练所得BP神经网络第i层对第i+1层的连接权值，为第i层对第i+1层的偏置项，x_p表示PFeature^N形式的样本。

有益效果

本发明“基于深度学习的车辆位置预测模型构造方法”综合考虑车体属性、道路信息与行车环境等影响车辆行驶的因素，结合深度学习技术，挖掘车辆行驶影响因素与车辆位置的关系，提出车辆位置的预测模型，达到提升车辆位置预测准确性的目的，从而为车联网网络层路由协议设计的稳定性提升，以及有效解决数据失真问题提供帮助。

附表说明

表1驾驶行为编码

表2驾驶行为编码映射

附图说明

图1道路区域划分

图2车辆位置相对向量与路段方向向量

图3周围车辆编码对应规则

图4模型处理框架

图5车辆与前方路口距离VID

图6单层RBM网络结构

图7前向传递过程

图8为本发明方法流程图。

具体实施方式

本发明的具体实施过程如图8所示，包括如下4个方面：

①车辆特征抽象与定义

②道路特征抽象与定义

③车辆行驶环境特征抽象与定义

④车辆位置预测模型

步骤1，定义特征集，包括车辆特征抽象与定义、道路特征抽象与定义、车辆行驶环境特征抽象与定义

步骤11、车辆特征抽象与定义

车辆的若干特性会直接影响驾驶行为，进而影响未来时刻车辆的位置。这些特征主要可以分为静态特征与车辆行驶特征。

车辆静态特征指的是车体固有的影响驾驶行为的属性，包括车身长度L和车身宽度W。

车辆行驶特征包括车辆速度、加速度，当前行驶方向，路口转向动作，当前位置，出发地，目的地。其中t时刻车辆速度、加速如分别标记为v(t)和a(t)，其余特征分别定义如下：

定义1车辆行驶方向vDir(t)，表示t时刻车辆的运动方向。这里用与正北方向之间顺时针夹角表示行驶方向，满足：

0≤vDir(t)＜360°(1)

定义2车辆路口转向vMov(t)，表示t时刻车辆在经过十字路口时的驾驶行为，以向量的形式表征，如公式(2)。分为车辆直行，左转弯以及右转弯的情况。

定义3车辆当前位置P(t)，表示t时刻车辆在CA State Plane III in NAD83坐标系中的二维坐标向量，向量各项单位为英尺(ft)。位置信息定义如下：

P(t)＝(x(t),y(t))(3)

定义4车辆出发地srcP，表示车辆此次出行起点的二维坐标，定义如下：

srcP＝(x,y)(4)

坐标系与单位同定义3。

定义5车辆目的地dstP，表示车辆此次出行终点的二维坐标，定义如下：

dstP＝(x,y)(5)

坐标系与单位同定义3。

综上，t时刻车辆的特征集feature_v(t)定义如下：

feature_v(t)＝{L,W,v(t),a(t),vDir(t),vMov(t),P(t),srcP,dstP}(6)

②

步骤12，道路特征抽象与定义

除了车身属性的特性之外，车辆行驶的道路信息也是直接影响驾驶行为的重要因素之一。在进行车辆位置预测时，需要获取车辆所在的道路特征。为了便于车辆位置预测模型的使用，需要对道路特征进行抽象和定义。根据城市道路建设的特点本发明将其分为如图1所示的三个部分，包括路口区，直行区和路口准备区。道路直行区距离下一个路口距离较远，道路以虚线标识，车辆可以自由变道。路口准备区临近十字路口或者丁字路口，道路以实线标识，车辆不可以变换车道。且车道有明确的路口转向限制。车辆只能在车道规定的限制内做路口转向。

将十字路口和丁字路口抽象为四边形，以其四个顶点坐标从西北方向的角开始按照顺时针方向依次标识，如图1所示，标记如下：

I＝(x₁,y₁,x₂,y₂,x₃,y₃,x₄,y₄)(7)

定义6十字路口集合ISet表示研究区域内，所有十字路口组成的集合。

ISet＝(I₁,I₂,…,I_m,…)(8)

定义7道路段指道路在两个相邻十字路口之间的一个路段，由道路段两侧十字路口来标识该道路段。定义道路i的道路段集合如下：

RSegSet(i)＝(I₁I₂,I₂I₃,…,I_kI_m,…)(9)

其中I_k(1≤k≤n,n为最大十字路口编号)表示编号为k的十字路口。

每条道路段包含若干车道，定义十字路口I_k，I_m之间的道路段车道集合如下：

I_kI_m＝(lid₁,lid₂,…,lid_n)(10)

其中lid_k(1≤k≤n)表示车道编号。

影响车辆位置预测的车道特征主要包括车道方向，车道左侧可变道数量，车道右侧可变道数量和车道允许驾驶行为。

定义8车道方向lDir(x,y)表示车道允许的行进方向，其中x，y表示车道内的位置坐标。角度定义同vDir。同时车辆在当前车道直道的行驶方向vDir与车道方向相同，即若当前车辆处在i车道内，则有

vDir(t)＝lDir_i(x,y),其中(x,y)＝P(t)(11)

定义9车道左侧可变道数量LAL(left available lanes)为在某车道当前位置下，车辆可向左变动的车道数目。由当前车道i的当前位置(x,y)向左侧同向车道搜索，直至遇到实线表示车辆不可向左变道或者搜索到最左侧同向车道为止。搜索到的车道数目即为车道左侧可变道数量LAL_i(x,y)。

定义10车道右侧可变道数量RAL(right available lanes)为在某车道当前位置下，车辆可向右变动的车道数目。由当前车道i的当前位置(x,y)向右侧同向车道搜索，直至遇到实线表示车辆不可向右变道或者搜索到最右侧同向车道为止。搜索到的车道数目即为车道右侧可变道数量RAL_i(x,y)。

定义11直行区车道允许驾驶行为包括直行，向左变道和向右变道。定义向量sld表示车道允许的基本驾驶行为如下：

直行区车道允许的驾驶行为SLD有

定义12路口准备区车道允许的驾驶行为包括直行，左转弯，右转弯和调头。定义向量pld表示车道允许的基本驾驶行为如下：

路口准备区车道允许的驾驶行为PLD可以表示为：

综上，位置(x,y)处的道路特征集feature_r(x,y)可以定义如下：

③

步骤13，车辆行驶环境特征抽象与定义

车辆行驶环境是车辆特征与车辆行驶所在的道路特征共同作用的产物，对车辆行驶行为起到了直接或者间接的影响作用。根据驾驶经验可知，当前车道前后车辆的速度和位置限制了车辆直线行驶的行为。临近车道前后车辆的速度和位置限制了车辆的变道行为。同时，车辆与前方十字路口距离以及十字路口当前交通灯信号也可能影响当前车辆在路口准备区的驾驶行为。

定义13路口距离，车辆i与前方十字路口I_m距离表示以车辆i前边沿与当前车道前方十字路口停止线之间的距离。

定义14前方车辆与后方车辆。在同一车道上，车辆i与车辆j前方路口为I_m，若满足则在t时刻车辆i为车辆j的前方车辆，车辆j为车辆i的后方车辆。若则认为车辆i与车辆j互为对方的前方车辆。

在同一道路段I_kI_m的不同车道上，假设t时刻车辆i的位置P_i(t)＝(x_i,t,y_i,t)，车辆j的位置P_j(t)＝(x_j,t,y_j,t)。路段方向向量如图2所示。若满足则在t时刻车辆i为车辆j的前方车辆，车辆j为车辆i的后方车辆。如果则认为车辆i与车辆j互为对方的前方车辆。

定义15周围车辆集NCarSet_i(t)定义为车辆i在t时刻当前车道，左侧车道，右侧车道前方与后方车辆所组成的集合。

定义16周围车辆行驶状态以向量nstate来标识如下：

nstate(t)＝(type,available,v(t),a(t),L,W,d)∪P(t)(17)

其中，type标识周围车辆与当前车辆的相对位置，对应规则如图3所示。available表示是否存在该车辆，存在为1，不存在为0。此时nstate中除type项外，其他项均标记为0。如车辆若不存在当前车道前方车辆，则该车辆当前车道前方车辆对应的nstate(t)＝(1,0,0,0,0,0,0,0,0)。v(t),a(t),C(t)分别表示车辆的速度、加速度和位置。L,W分别表示车辆长度和宽度。d表示该邻居车辆节点与当前车辆节点之间的距离。根据经典的车辆跟驰模型与元胞自动机模型，周围车辆的行驶状态是影响车辆运动的主要因素之一。

定义17周围车辆运动状态集定义为NCarState_i(t)＝{nstate_j(t)|j∈NCarSet_i(t)}。

定义18t时刻，交通灯TL_i信号允许动作可以使用向量sig_i(t)表示。

定义19车辆t时刻的路口允许转向动作表示为IAM(t)。该特征受制于车道允许的驾驶行为PLD和交通灯信号允许动作sig_i(t)。可表示为矩阵的Hadamard乘积，如公式(19)。

IAM(t)＝PLD(P(t))*sig_i(t)(19)

综上，t时刻车辆行驶环境特征集feature_e(t)定义如式(20)。

feature_e(t)＝{VID(t),IAM(t)}∪NCarState(t)(20)

综上，将t时刻影响车辆驾驶行为的特征集feature(t)定义为

feature(t)＝feature_v(t)∪feature_r(P(t))∪feature_e(t)(21)

步骤2，车辆位置预测模型

车联网中车辆的驾驶行为受到车辆特征、道路特征与车辆行驶环境特征的影响，因素繁多。本发明利用深度置信网络用于解决和挖掘复杂的高维非线性数据，从众多可能影响车辆行驶行为的特征中训练出驾驶行为预测网络，并基于该预测网络给出车辆位置预测模型。

整个模型的训练可以分为四部分：特征提取，数据预处理，驾驶行为预测网络训练，位置预测模型训练。流程如图4所示。

(1)特征提取与数据预处理

本发明可以直接获取的车辆特征包括车辆长度L，车辆宽度W，车辆速度v，车辆加速度a，车辆行驶方向vDir，车辆路口转向vMov，车辆当前位置P，车辆出发地点srcP，车辆目的地点dstP。

可以直接获取的道路特征包括车道方向lDir，车道左侧可变道数量LAL，车道右侧可变道数量RAL，车道允许的驾驶行为SLD，路口准备区车道允许的驾驶行为PLD。

可以直接获取的车辆行驶环境特征包括车辆与当前车道前方车辆的距离d_f，车辆与当前车道后方车辆的距离d_a。

除此之外，可以获取十字路口集ISet，道路段集合RSegSet，交通灯信号允许的驾驶动作sig(t)，每辆车所在的车道lane以及每辆车所在的道路段RSeg。

根据前面的定义，需要提取的特征包括车辆与前方十字路口距离VID，周围车辆运动状态集NCarState，车辆路口允许转向动作IAM。除此之外，本发明在利用深度学习技术训练时，采用有监督学习的方式调整网络参数。因此，除提取特征外，还需提取训练样本的标签。

●车辆与前方路口距离特征提取

在地图上根据车辆所在车道lane以及车辆所在车道方向lDir获取该车道在前方十字路口处停止线AB的A点坐标(x_A,y_A)和B点坐标(x_B,y_B)，如图5所示。其中A和B是车道路口停止线的两个短点。从车辆前边缘向直线AB做垂线，求得垂线的长度length。本发明用length近似替代VID。

AB在二维坐标系中满足公式(22)。

(y_A-y_B)·x+(x_B-x_A)·y+(y_B·x_A-x_B·y_A)＝0(22)

假设此时车辆位置P(t)＝(x_C,y_C)，则车辆到AB的距离length满足公式(23)。

对数据集中每辆车各时刻点的数据做公式(23)运算，提取得到特征VID。

●周围车辆运行状态集特征提取

可以从数据集的地图中获取车辆所在车道是否有左侧车道和右侧车道以及左侧车道与右侧车道的方向向量。同时，在数据集中，不在十字路口的车辆各时刻的车道都有标注。因此，可以通过该数据得到各时刻各车道上的车辆状态集。当前车道前后车辆可以通过数据集直接获取。左右车道中的前后车辆可以按照定义16在左右车道中查找，并将其行驶状态记录在集合NCarState中。

●路口允许转向动作特征提取

可以从数据集中获取十字路口信号灯随时间变化的表格，即对于任意十字路口I_i可以获取sig_i(t)。从数据集中的地图车道标记中可以获取车道允许驾驶行为PLD。则IAM特征的提取按照定义19，依次找到每条车道对应的十字路口，然后对sig(t)和PLD做Hadamard乘积得到IAM特征。

●标签提取

这里将车辆驾驶行为分为直行、向左变道、向右变道、路口直行、路口左转、路口右转、路口调头。其中直行、向左变道、向右变道是直行区和路口准备区的驾驶行为。路口直行、路口左转、路口右转是路口区的驾驶行为。

为了方便DBN网络做softmax分类，对驾驶行为按照表1所示的对应规则编码。

路口处直行、左转和右转的驾驶行为可以在数据集中直接获取。直行、向左变道和向右变道可以通过车辆当前时刻t所处车道lane(t)和未来时刻t+Δt所处车道lane(t+Δt)做对比。如果相同，则为直行。如果lane(t+Δt)属于lane(t)的左侧车道集，则为向左变道，否则为向右变道。根据提取到的驾驶行为按照表1转换为驾驶行为编码作为训练样本的标签。

将获取到的特征表示为定义的feature(t)向量，将获取到的训练样本标签定义为label(t)，其中t表示时间。采用min-max归一化方法对feature(t)和label(t)进行归一化处理，如公式(24)所示。

其中f表示特征点取值，f^max表示该特征点取值的最大值，f^min表示该特征点取值的最小值，f^N表示归一化之后的特征点取值。归一化处理后的feature(t)和label(t)分别记为feature^N(t)和label^N(t)。feature^N(t)按照顺序拼接上label^N(t)即是网络训练样本和测试样本的结构。

(2)驾驶行为预测方法

根据前面得到的预处理后的训练样本集记作train，train包括训练样本特征集和训练样本标签集，训练样本特征集记为train_x，可以表示为

训练样本标签集记为train_y。测试样本集记为test，包括测试样本特征集和测试样本标签集。测试样本特征集记为test_x，测试样本标签集记为test_y。其中train_y与train_x按行一一对应，test_x与test_y按行一一对应。

其中，test_x、test_y分别与train_x、train_y结构相同，不同之处在于测试集样本个数与训练集样本个数不同。

DBN网络的训练可以分为两个阶段：预训练阶段和BP神经网络训练阶段。

在预训练阶段，利用train_x作为输入向量，逐层训练RBM。单层RBM结构如图6所示。当前层RBM网络训练结束之后，将当前层RBM训练出来的隐层作为下一层RBM的可见层，继续下一层的RBM网络训练。RBM网络的训练过程可以将特征向量映射到不同的特征空间中，并且尽可能地保留原有特征的信息，从而得到特征向量的一种近似表达。在训练的过程中限制每个隐层的节点数量，从而使得RBM网络学习到原有特征向量的压缩表达形式，降低特征维度。同时，这一过程可以发现特征点之间的相互作用而产生的更为复杂关系，挖掘驾驶常识之外的可能影响车辆驾驶行为的特征信息。

在BP神经网络训练阶段，将DBN展开为BP神经网络，将预训练阶段训练得到的RBM网络参数作为BP神经网络的初始化参数。由于在预处理阶段，RBM网络的训练采用贪婪算法，使得每层网络的训练结果做到局部映射最优。但此举并不能保证整个DBN网络的特征向量映射达到最优。这里利用BP神经网络有监督的学习方式，以train_y作为样本标签，计算分类误差，并将误差反向传播，微调整个网络。针对训练集train的k+1层DBN网络前向传递过程如图7所示。其中输入X_i表示第i条样本特征，输出Y_i表示网络计算得出的预测结果。w_i表示第i-1层构建第i层的权值。

车辆驾驶行为预测步骤如下：

(1)按照DBN网络结构利用Contrastive Divergence逐层训练RBM网络，学习特征的低维表达方式。

(2)利用学习所得的网络结构初始化BP神经网络。并在最后添加输出层。

(3)训练BP神经网络，利用训练标签集train_y计算训练误差，反向传播，微调每一层的网络参数。

(4)将待预测样本按照网络正向计算得到输出层节点取值。

(5)对输出层节点的取值做softmax回归，并根据表1将回归后的结果转换为驾驶行为。

(3)位置预测模型

为挖掘车辆驾驶行为与未来一段时间车辆位置之间的关系，本发明利用BP神经网络求解回归问题的能力，挖掘车辆行驶环境和驾驶行为对未来一段时间车辆位置的影响，并利用训练后的BP神经网络结合前面预测所得的驾驶行为进行车辆位置预测。

首先，定义训练样本的特征集为PFeature(t)，表示为公式(27)。

其中DrvB(t)表示t时刻车辆的驾驶行为按照表2中标量编码栏编码后的取值。P(t-1)代表车辆在前一时刻的位置。利用特征提取方法提取每个车辆节点在各时刻对应的PFeature(t)，并利用min-max归一化方法对每条样本归一化，得出BP神经网络的输入样本集表示如式(28)。

其中PFeature^N(t_i)表示t_i时刻PFeature的归一化样本。提取车辆节点在n秒后的地理位置P(t+n),1≤n≤3,n∈N，同样对其进行min-max归一化，得到BP神经网络的训练标签集表示如式(29)。

然后设置BP神经网络的输出层为线性输出，按照参数给定的网络结构和激活函数，训练BP神经网络。

最后，在需要进行位置预测时，先根据驾驶行为预测方法，得到车辆驾驶行为预测结果。预测结果是针对softmax分类器编码过的向量形式，如表2中向量编码一栏。将其按照表2中的编码映射关系，重新编码为标量取值，作为DrvB特征值。同时提取对应的PFeature中其他特征值，做归一化处理，得到待预测样本p_x，样本结构同PFeature^N(t)。将待预测样本按照训练所得的神经网络正向计算，得到的网络输出逆归一化结果即是预测的车辆位置。

在驾驶行为预测方法的基础上，结合BP神经网络正向传递的计算方法，车辆位置预测模型可以表示为递推式(30)的形式：

其中P表示预测模型给出的车辆位置预测结果，即未来时刻车辆节点的位置。h(·)表示线性函数h(x)＝x，f(·)代表sigmoid函数。代表本节训练所得BP神经网络第i层对第i+1层的连接权值，为第i层对第i+1层的偏置项，x_p表示PEeature^N形式的样本。

创新点

提出了一种车辆位置的预测模型，达到提升车辆位置预测准确性的目的，从而为车联网网络层路由协议设计的稳定性提升，以及有效解决数据失真问题提供帮助。针对城市道路中客观存在道路纵横交错，车辆分布不均等特性，使得车辆位置易变导致车联网网络层数据传输失真问题，本发明综合考虑车体属性、道路信息与行车环境等影响车辆行驶的因素，结合深度学习技术，挖掘车辆行驶影响因素与车辆位置的关系，提出车辆位置的预测模型，达到提升车辆位置预测准确性的目的，从而为车联网网络层路由协议设计的稳定性提升，以及有效解决数据失真问题提供帮助。

说明书附表

驾驶行为编码直行(1,0,0,0,0,0)向左变道(0,1,0,0,0,0)向右变道(0,0,1,0,0,0)路口直行(0,0,0,1,0,0)路口左转(0,0,0,0,1,0)路口右转(0,0,0,0,0,1)

表1

驾驶行为向量编码标量编码直行(1,0,0,0,0,0)1向左变道(0,1,0,0,0,0)2向右变道(0,0,1,0,0,0)3路口直行(0,0,0,1,0,0)4路口左转(0,0,0,0,1,0)5路口右转(0,0,0,0,0,1)6

表2