[发明专利]一种车载自组织网络中基于深度学习的节点移动性预测方法

权利要求书

1.一种车载自组织网络中基于深度学习的网络节点移动性预测方法，其特征在于，该方法有效利用交通法规对节点的移动性约束、车辆节点的历史行程数据以及车辆和司机的个性化信息实现车辆节点的未来几个时间点的移动性预测；所述方法为：结合不同类型的车辆运动模型，建立车辆历史行程数据样本库以及交通法规约束数据库，同时约定样本行程数据特征；再利用循环神经网络提取车辆样本移动性深层次特征，建立移动性预测模型；再采用梯度下降反向传播算法训练模型参数；最后利用车辆当前移动的实时数据即时特征信息对移动性进行预测；

所述方法具体包含：

步骤101）结合不同类型的车辆特点，选取不同的车辆运动模型，建立车辆历史行程数据样本库以及交通法规约束数据库，同时约定样本行程数据特征；

根据不同类型车辆的行车特点，提取用于模型训练的特征信息，包括路网信息，交通法规约束信息，车辆行车习惯信息，车主信息，城市历史路况信息，平均车流速度、车辆密度信息；

根据不同类型车辆的行车特点，提取对于实时预测有益的即时特征信息，包括预测时的车速、行驶方向、天气、是否为节假日信息；

其中，所述不同类型车辆包括具有不同的行车习惯的公共汽车、出租车、私家车；

其中，所述不同的行车习惯包括公共汽车行车路线固定、车速平稳、有固定停靠站点；出租车路线随机、涉及路线范围分布较广；私家车每日路线根据车主信息有规律可寻；

步骤102）利用善于处理时间序列的循环神经网络方法提取车辆样本移动性深层次特征，建立移动性预测模型；

建立循环神经网络模型，设置网络结构，约定输入输出信息；

其中，输入提取的用于模型训练的车辆样本移动性深层次特征信息，组成特征向量，送入神经网络，提取车辆移动性的深层信息；输出为预测的一个时段的节点移动性的离散值；

步骤103）采用梯度下降反向传播算法训练模型参数，根据损失函数判断是否满足迭代要求，如果满足了迭代条件，则迭代结束，模型训练完成，并保存模型参数；

否则返回步骤102）对模型参数进行下一次迭代；

步骤104）利用车辆当前移动的实时数据即时特征信息对移动性进行预测；

所述步骤102）进一步包含步骤102-1）循环神经网络参数训练方法；

采用时间反向传播（BPTT）算法对网络进行训练，使误差函数最小化。