[发明专利]一种基于学习的用于车辆通信的车辆轨迹生成方法

权利要求书

1.一种基于学习的用于车辆通信的车辆轨迹生成方法，其特征在于：包括如下步骤，

步骤1：处理车辆卡口数据，建立真实车辆流量模型；

步骤2：使用控制变量法生成具有代表性的交通仿真软件VISSIM实验数据集；

VISSIM实验数据集的生成步骤如下，

步骤2.1：构建道路拓扑，具体的从实际地图中选择仿真的相关区域，将需要使用的道路轨迹采用图片的方式下载，再把这张图片添加到VISSIM工作区中，构造出基于图像的道路拓扑，最后对这些道路进行修缮得到道路拓扑图；

步骤2.2：在影响VISSIM仿真结果的参数中，选择其中四个影响较大的参数，分别是输入流量、输入车道数、输入比和输入时间；输入流量就是车道每小时产生的车辆数量，输入车道数是产生输入流量的车道数，输入比是输入车道数与总车道数的比值，输入时间是输入车道产生车流量的时间；除了这四个输入参数外，将仿真区域内除了输入车道以外其他所有车道的平均车流量作为输出参数，也就是作为仿真结果来评价仿真产生的移动轨迹数据的好坏；建立好道路拓扑，再把这4个输入参数的值设置完毕后就可以开始进行VISSIM仿真；

步骤2.3：为了得到全面的实验数据集，采取控制变量法来产生实验数据，一个实验组里只持续改变一个输入参数，这样可以获得连续的数据；这样的数据可以直观的表现出该参数对实验结果造成的影响；不仅是改变参数，还需要使用不同的道路拓扑来生成数据，使这些数据更加具有代表性，这些数据训练出来的参数权值矩阵也就更加能代表这4个参数对实验结果的综合影响；

步骤3：使用极端学习机ELM来训练上步生成的实验数据，训练完成后建立参数权值矩阵；所述的步骤3具体的为，

步骤3.1：使用ELM来对VISSIM生成的实验数据进行训练，ELM算法随机生成输入层连接权重和隐藏层连接权重以及隐藏层神经元的阈值；在训练过程中不需要调整，只需要设置隐藏层的神经元数量，可以获得唯一的最优解决方案；

步骤3.2：先确定隐藏层神经元个数，使用不同的神经元个数对数据进行训练，会产生不同的训练精度和测试精度；每个神经元个数做多次实验取平均值，平均训练精度和测试精度最小的隐藏层神经元个数就是最佳的隐藏层神经元个数；使用相同的训练数据和预测数据进行增量试验，隐层神经元数量初始值设为20，然后递增；在隐层神经元数量为1000时，ELM的训练精度和预测精度最优；

步骤3.3：确定隐藏层神经元个数后，使用1000个隐层神经元的ELM训练代码对VISSIM实验数据进行训练，经过训练得到了参数权值矩阵；

步骤4：利用步骤3生成的参数权值矩阵建立仿真模型，通过仿真模型得到不同车辆密度所对应的VISSIM仿真参数，然后根据这些参数设置VISSIM的仿真参数，启动VISSIM仿真就可以得到该车辆密度所对应的车辆移动轨迹数据集。

2.如权利要求1所述的一种基于学习的用于车辆通信的车辆轨迹生成方法，其特征在于：所述的步骤1具体的为，

步骤1.1：选取某区域内几条车道的车辆流量统计数据作为道路卡口数据，其中包含了该时间范围内通过卡口的所有车辆的信息，包括车牌号，通过卡口的时间、行车道号、车辆的颜色和监测点名称；对于这些卡口数据，首先对其进行预处理，以消除由于操作错误，数据存储异常和丢失数据导致的数据异常；

步骤1.2：将一天划分为12个时间段，每两个小时为一个时间段，分别计算每个时段通过卡口的车辆数量，同一车道每天的车流量变化曲线趋于一致，根据不同的时间段来确定该道路或者区域所对应的车流量大小，即真实车流量模型。

3.如权利要求1所述的一种基于学习的用于车辆通信的车辆轨迹生成方法，其特征在于：所述的步骤4具体的为，

步骤4.1：首先建立仿真车流量模型，在其它参数不变的情况下，仿真的车辆密度的大小和输入时间有几乎呈线性的关系；即输入时间越久仿真车辆密度越大；所以建立一个输入时间和车流量密度模型，保持其它参数不变让输入时间从50增加到300，可以得到一个不同输入时间对应不同车流量密度的模型；

步骤4.2：接下来生成车辆移动轨迹数据；根据步骤1中生成的真实车流量模型，可得到每个时间段对应的车辆密度；根据这个车辆密度在仿真车流量模型中找到对应的参数，把这些参数设置在VISSIM中就可以得到相应的车辆移动轨迹数据集。