[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

说明书

本发明提供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，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信息对移动性进行预测。本发明涉及车辆移动模型数据分析及神经网络模型搭建、参数训练实现方法。本发明利用深度学习的非线性预测能力，将车辆行驶数据特征映射到车辆的移动，实现车载自组织网络中节点的移动性预测。

技术领域

本发明涉及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，属于通信技术领域，特别涉及基于深度学习方法的车载自组织网络中的车辆节点移动性预测方法。

背景技术

近年来，车辆自组织网络已经受到世界各国研究机构和科研人员的密切关注。车辆自组织网络(Vehicular Ad Hoc Network,VANET)是一种新型的移动自组织网络，由在道路上的汽车之间通信(vehicle-to-vehicle，V2V)以及汽车与基础设施间通信(vehicle-to-infrastructure，V2I)组成，在道路上构建出一个自组织的、部署方便、费用低廉、结构开放的无线通信网络。车载自组织网络的移动性预测对于安全出行、智能出行的实现具有重大意义。利用车辆自组织网络可以有效避免和减少交通事故。实现路况信息收集、交通状况查询、出行计划安排以及周边信息查询等服务。由于车辆自组织网络的快速移动性、拓扑变化频繁、简介连通性、网络规模大等特点给车辆节点的移动性预测带来巨大挑战。但是充分挖掘车载传感器信息、GPS位置信息、用户出行习惯及规律、交通法规等信息可以尽可能准确对车辆节点移动性进行预测，从而提供个性化服务。因此，有效的预测方法至关重要。深度学习是一种基于现有数据进行信息特征提取及挖掘预测的技术。因此，可以根据节点运动的历史数据来预测节点未来的运动信息。

发明内容

本发明的目的是为了解决车辆自组织网络中节点的移动性预测问题。合理利用交通法规对移动节点的方向性约束以及车辆节点的历史行程数据对节点的移动性进行更精准的预测。

第一方面，提供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，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信息对移动性进行预测；

结合上述第一方面，所述方法具体包含：

步骤101)结合不同类型的车辆特点，选取不同的车辆移动模型，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；