[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

说明书

本发明包含了一种基于学习的用于车辆通信的车辆轨迹生成模型，该模型主要基于VISSIM和极端学习机(Extreme learning Machine,ELM)。该方法针对不同的车辆密度来生成对应的车辆移动轨迹数据。提出了一种使用VISSIM这类交通仿真软件的新方法。首先利用VISSIM生成大量的仿真数据，然后把这些数据经过统计后使用ELM进行训练，训练后可以得到VISSIM的参数权值矩阵，利用这个参数权值矩阵来建立车辆移动轨迹生成模型。利用本模型可以方便的确定不同车辆密度的VISSIM仿真参数，这样可以让耗时耗力的交通仿真参数设置变得更加高效。

技术领域

本发明包含一种车辆移动轨迹生成方法，应用于交通仿真和车辆通信路由协议测试。涉及一种交通仿真软件VISSIM和极端学习机(ELM)，利用ELM来确定参数权值矩阵，然后建立一个VISSIM仿真模型来生成对应车辆密度的移动轨迹数据。

背景技术

随着通信和移动计算的发展，传统的社交网络服务不断发展，为随时随地提供更便捷的信息共享和在线交流方式。目前，智能手机已经相对先进，是十年来移动社交网络的主要平台载体。不难预见智能汽车将有可能成为未来移动社交网络的另一个载体。车载通信因其应用广泛而吸引了大量研究者。车载通信建立了车辆之间的通信平台，不仅提高了交通效率，而且为驾驶员带来了可靠的安全性和多种便利性，使旅行者的体验更加舒适。例如，通过获得超视觉范围内的其他车辆的信息(诸如速度，方向，位置等)和实时道路状况信息，应用车辆通信来支持安全驾驶。

在学术界和工业界，由于在现实环境中测试车辆通信的高成本，研究人员通常使用仿真来检查车辆通信的质量。特别地，对于车辆通信的仿真，由于车辆的动态和道路约束性质，车辆的运动轨迹是仿真更加接近实际性能结果的基础。因此，非常有必要产生接近真实车辆运动的节点轨迹。然而，由于隐私和安全问题，私家车的车辆运动数据很难获得，阻碍了对车辆通信的研究。生成接近真实的移动数据集一直是一个巨大的挑战，对于车辆通信的仿真也是至关重要的。

目前，针对移动轨迹的研究主要包含以下几个方面：应用浮动车数据(FloatingCar Data,FCD)、使用收集到的精确道路交通信息和采用政府工作报告。做了大量工作。孔祥杰等人通过划分城市功能区来分析中国北京的FCD。他们应用重力模型来预测车辆的起源-目的地(Origin-Destination,OD)矩阵。作为结果，他们通过使用模拟工具SUMO生成城市车辆的移动数据，从而重现该移动场景。将生成的车辆运动数据与北京的实际交通状况进行比较。结果表明，该方法在大多数区域产生精确的车辆轨迹，但不适用于火车站或公交车站等区域。

R.Ketabi提出了车辆移动场景生成的框架，即En Route。通过将该框架应用于行星尺度图像数据集(交通摄像机)，他们通过OD矩阵模拟大规模城市场景(伦敦市)的交通需求。Y.Pigné和G.Danoy采用从流量计和OD矩阵模型收集的精确道路交通信息来模拟卢森堡人的车辆轨迹。由于在旅程中使用最短路径的影响，所生成的车辆数据在某些地方比实际数据大于政府统计数据。

S.Uppoor等人生成了在科隆持续24小时的社交车辆的轨迹，其中通过考虑微观驾驶员行为和宏观交通流量来设定每条道路的交通流量。然后他们使用Gawron的算法来平衡交通流量。最后，他们证明了考虑到微观行为，新数据集对网络性能评估产生了重大影响。但是，如果没有相对准确的政府研究数据，就不可能通过他们的方法生成数据集。

发明内容

针对现有车辆移动轨迹生成方法的不足，本发明提供一种仿真速度快，且不需要重复建模的基于ELM的VISSIM移动轨迹生成方法，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：使用控制变量法来生成生成具有代表性的VISSIM实验数据集，即保持其他参数不变持续改变其中一个参数，生成了大量具有连续性的实验数据；

步骤3：使用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；