CN115630232A - 基于图神经网络的最优车道推荐方法 - Google Patents

Abstract

本发明提供了一种基于图神经网络的最优车道推荐方法,包括采集交通网络流量数据集；采用图融合得到最终图；特征提取，转化为节点空间；进行车道选择的成本计算，完成最优车道的推荐，在图卷积神经网络的基础上加入注意力机制模型以此来避免图卷积神经网络缺少过滤机制的残差传递过程使其易受数据中噪声影响，极大地提升局部交通优化效率，图神经网络优化了区域图简化为观察图和隐藏图的建模问题，在图卷积层上加入注意力机制来学习时间和空间特征，极大的提高了最优化车道的推荐效率。

Description

基于图神经网络的最优车道推荐方法

技术领域

本发明属于交通车道优化领域，具体涉及一种基于图神经网络的最优车道推荐方法。

背景技术

目前图神经网络已经应用到交通控制和优化的最优化车道推荐中，然而这类方法在解决局部交通优化问题时都存在局限性：1）现有工作通常使用自定义的区域图来建模问题，这导致了人工噪声的引入；2）由于路网的庞大和复杂，直接使用底层路网图来建模问题非常困难；3）现有的注意力机制无法很好的帮助提高预测性能，在面对复杂路段以及局部交通控制时，明显能力不足。因此，设计一套能够高效的解决局部交通问题的优化方案具有重要意义。

发明内容

本发明要解决的技术问题是提供一种基于图神经网络的最优车道推荐方法。

为了解决上述技术问题，本发明采用的技术方案是：一种基于图神经网络的最优车道推荐方法,包括以下具体步骤：步骤S1，采集交通网络流量数据集，对所述交通网络流量数据集进行预处理，实行数据清理，形成新数据集；步骤S2，提取新数据集中的三类不同节点的特征数据进行构造，所述三类不同节点包括中心节点，利用多种特征属性，构造多个特征图，采用图融合的方法，将所述三类不同节点加权归一，得到最终图；步骤S3，建立特征提取模型，所述特征提取模型包括多次特征提取操作，每次所述特征提取操作包括图像卷积神经网络层、注意力机制层、卷积运算层，将所述最终图作为所述特征提取模型的输入，采用所述注意力机制层对所述中心节点的特征属性进行更新，采用所述图卷积神经网络层对所述三类不同节点的特征进行描述并将所述三类不同节点的特征映射到频域中，采用所述卷积运算层对频域中的特征进行卷积运算，并转化为节点空间；步骤S4，根据观察区内的平均车速、重车比例、预期的最佳换道时间，建立沿车道行驶成本函数、换道成本函数、综合成本函数，进行车道选择的成本计算，得出初始最佳车道序列，完成最优车道的推荐。本发明创造性地将图神经网络和在图卷积层的基础上加入注意力机制结合运用到交通预测最优车道优化当中，将区域节点构成的简化图称为观测图，将道路节点构成的复杂图称为隐藏图，隐藏图中的各类隐藏状态会随着时间的流逝而变化，体现为观测图上的各种特征的不断变化。所以本发明在图卷积神经网络的基础上加入注意力机制模型以此来避免图卷积神经网络缺少过滤机制的残差传递过程使其易受数据中噪声影响，在图卷积层的基础上加入了注意力机制来学习空间和时间特征之间的综合关系，本发明能够极大地提升局部交通优化效率，图神经网络优化了区域图简化为观察图和隐藏图的建模问题，在图卷积层上加入注意力机制来学习时间和空间特征，极大的提高了最优化车道的推荐效率。

优选的，多种所述特征属性包括源节点、目的节点、节点入度与出度、节点介数中心性，避免了图数据中的大量准确且有效的节点信息的缺失，从而影响到图的检测效果。

优选的，多个所述特征图具有三个，分别为拓扑图、出入度图、介数中心性图。

优选的，步骤S2具体为：步骤S21，采用NetworkX图分析算法，根据所述源节点、目的节点两个特征属性，构建一个拓扑图G_e=(V,E)，其中V表示图中各个节点的集合{v₁,v₂,v₃,…,v_n}，v₁表示第一个节点，v₂表示第二个节点，v₃表示第三个节点，v_n表示第n个节点，E表示每个节点的临界矩阵，e∈E∈R^n*n，R^n*n表示实数意义上的n*n矩阵，临界矩阵E中的元素e_ij=1代表节点v_i与v_j之间存在路段，节点即为两条路相互交叉的交叉点，边为此交叉点相互连接的路段；步骤S22，根据每个节点出度与入度这两个特性属性，把起始节点的出入度设为每个节点的权值，构造出入度图G_d=(V,D)，其中D=diag(d₁,d₂,…,d_n)，D表示出入度矩阵，d∈D，diag表示矩阵运算，d₁表示第1个节点的度数，d₂表示第2个节点的度数，d_n表示第n个节点的度数，每一个节点出入度矩阵对应对应节点的度数；步骤S23，根据节点介数中心特征属性，基于拓扑图，以节点介数中心性为节点之间的权重，建立介数中心性图G_b=(V,B)，其中，B表示节点中心性系数，B_v表示节点v的中心性系数，

，其中，σ_ij表示从起始节点v_i走到目的节点v_j的最短路的径的总数，σ_ij(v)表示从起始节点v_i到目的节点v_j中间通过节点v的最短路径的总数；步骤S24，采用图融合的方法，将每个特征图进行归一化，用单元乘法和SoftMax运算对临界矩阵进行加权，具体公式为

，其中，w_i’代表图中一条边上的第i个权重，w_i’=SoftMax(w_i),G为图融合所得到的最终的图用作模型输入，w_i是第i个节点的权重矩阵，A_i’为标准化后的临界矩阵。在图集的融合过程中，首先要将图集的每个图集进行归一化，然后用单元乘法对相邻矩阵进行加权，从而将多个图合并成不同的图形，为使加权求和运算后图集融合的结果规范化，本发明在加权据称过程中增加了一个SoftMax运算。

优选的，步骤S3具体为：步骤S31，在NCF模型的NeuMF层增加tanh激活函数，得到改进的NCF模型，将改进的NCF模型的最终输出作为注意力机制的概率分配；步骤S32，对各个节点和相邻节点的相似向量进行统一运算，获得相应的权重；步骤S33，对相互连接的节点的特征属性进行加权求和计算，公式为：

，其中，X_i ^(l)是通过加权求和得到的相互连接节点的特征矩阵，表示第l层的第i个节点的特征矩阵，attn（v_center，vⁱ _neigh）是中心节点和相邻节点的相似性度，v_center表示中心节点，vⁱ _neigh表示第i个节点的相邻矩阵；步骤S34，采用图神经网络的堆叠将节点矢量特征构造成尺寸大小为h的矢量，表示节点和相邻节点之间的关系；步骤S35，在卷积层中对各节点的特征进行了描述，将各节点的特征映射到频域中，对频域中的特征进行卷积运算，转化为节点空间，公式具体为:

,其中：X^(l)表示第l层所有的节点矩阵；

表示与引入的节点相连接的特征属性，

，A表示引入节点的临界矩阵，

代表

的所有的度数矩阵，

中的元素

，其中σ代表ReLU激活函数W^(l)，代表上一层节点特征属性X^(l-1)的加权权值矩阵；步骤S36，利用非线性函数对当前隐藏层节点进行特征属性的更新，更新公式：

，其中，

为标准临界矩阵，对所述公式执行标准化运算；步骤S37，采用单独的线性转换层对上一层的预测输入进行映射，表达式为：

，其中，U^(l)代表第l层的能够学习的转换矩阵，通过l层累积的图卷积神经网络运算后，各节点的特征属性包含L-hop邻域的局部属性，并将其引入线性层进行线性变换。为了能有效的避免过度拟合的现象出现提出了一种在图卷积神经网络模型的基础上添加注意力机制来对中心节点的特征属性进行更新，从而能够更好地提取出各节点的特征，从而获得的权值具有较好的解释能力；在图卷积操作的过程中使用多层隐藏层进行训练再利用多层次邻域的信息，以此来实现多层次邻域的信息来获取高阶邻域结构的信息，从而有效地解决了在图节点数目不多的情况下一次卷积运算不能很好地反映出各节点之间的相关性的问题。

优选的，步骤S4具体为：步骤S41，根据沿车道行驶的驾驶环境评价指标，建立沿车道行驶成本函数，所述沿车道行驶的驾驶环境评价指标包括决策时域内车道感知区域中所有车辆的平均速度、决策时域内主车前方感知区域内重车比例的平均值，决策时域内第i次观测数据的权重wⁱ设置为

，其中，t_d为决策时域，k是累加求和的变量，从k=1到t_d/t_s,自动驾驶车辆每隔t_s的时间步长接收到1次环境数据，在决策时域t_d中，车辆将收集t_d/t_s次交通环境数据，决策时域内车道感知区域中所有车辆的平均速度V_m，公式为：

，决策时域内主车前方感知区域内重车比例的平均值Q_m，公式为：

，其中，m为车道号，对于车道m，v_m ⁱ表示第i次观测时感知区域内车流的平均速度，Q_m ⁱ代表第i次观测时感知区域内的重型车辆占所有车辆的比例；步骤S42，采用三次多项式设计换道轨迹函数，具体公式为：y(x)=a₀+a₁x+a₂x²+a₃x³，其中，a₀、a₁、a₂、a₃均为多项式的参数；x代表纵向上，即沿车道方向上车辆的位置信息； y代表横向上，即垂直车道方向上车辆的位置信息，设定车辆在转向时的横向方向、纵向的位置为0，航向角为水平状态，车辆转向结束的位置的纵向、横向分别为x_f，y_f，航向角也是水平状态，则换道轨迹模型为

，其中，换道终点的横向位置y_f通过车道宽度确定，其纵向位置x_f通过权衡换道的舒适性和效率来确定，构建包含换道舒适性和效率的目标函数f以求解x_f，目标函数为：

，其中，ω代表车辆驾驶人舒适度权重数；a_s ^max代表车辆即将发生侧翻时，对应临界点的侧向加速度；x_f ^max代表车辆换道时所具有的最大纵向距离值；a_s ^last代表车辆换道结束的终点这一时刻的侧向加速度，a_s ^last=v_f ²k(x_f)，其中，v_f为换道轨迹终点处车辆的速度，即v_f为目标车道的平均速度，换道轨迹曲线的终点位置处的曲率k(x_f)的计算公式为：

，其中，y”(x_f)表示y(x)的二阶导数在x=x_f时的值，y’(x_f)表示y(x)的一阶导数在x=x_f时的值，

，代入k(x_f)内，

，则

,当f(x_f)取最小值时，x_f ^op相应的取值为

，x_f ^op代表车辆做成合理换道时所在终点的纵向位置，将x_f ^op代入换道轨迹方程，获得理想换道轨迹曲线，其长度值可通过积分求出，设自动驾驶车辆在换道过程中的平均速度是初始速度v₀与目标速度v_f的平均值，则理想换道时间t_c表达式为

，在决策时域t_d内，车辆收集交通环境数据并利用理想换道时间t_c表达式计算该瞬时交通状态下的理想换道时t_c ⁱ，经多次计算后取其平均值，可得决策时域内前往车道m最终的理想换道时间t_m ⁱ；步骤S43，对驾驶环境评价指标进行归一化处理，具体公式为

，J_m为车道m的综合成本值，i₁为车辆当前行驶的本车道序号，α_h、α_c、α_v与为各项评价指标相应的权重，v^m _max为车道m对应的最高限速值；Q^m _max为为车道m感知区域内可能存在的最大重车比例；t^m _max为换道轨迹最大纵向距离对应的换道时间，

，

；步骤S44，设置在主车所在车道重车比例分别为0%、25%、50%、75%的情况下，为全部车辆赋予1m/s的初始速度并逐步增加到车道限速v_max，步长1m/s，统计每条车道的综合成本值、平均速度、重车比例、换道时间。沿车道行驶的驾驶环境评价指标包括2个部分：第1部分是决策时域内该车道感知区域中所有车辆的平均速度，该指标可以衡量车辆的运行效率，无论是人工驾驶还是自动驾驶车辆，都追求运行速度的提升，平均速度越低，运行成本越高；第2部分是主车前方重车对决策也存在重要的影响，大型车辆不仅会降低周围车辆的潜在安全性，也会影响后方车辆的速度，使得主车倾向于不跟随重型车辆行驶，因此，可以用决策时域内主车前方感知区域内重车比例的平均值来衡量重车影响程度，相应地，重车比例越大，成本越高，因车辆在换道过程中会产生横向位移干扰相邻车道车流，所以换道行为比跟驰行为有更高的潜在安全风险，换道开始后主车期望尽快完成换道；即使某车道在平均速度、重车数量等方面具有更好的优势，但当换道成本过高时，车辆就会放弃将该车道作为目标车道，因此本文用车辆前往目标车道的换道时间衡量换道成本，其中换道时间可以通过规划前往目标车道的理想换道轨迹计算得出；对车道的评价涉及多个指标，为了合理地运用多指标设计成本函数，需要对指标进行归一化处理。

本发明的范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案等。

由于上述技术方案运用，本发明与现有技术相比具有下列优点：1、本发明创造性地将图神经网络和在图卷积层的基础上加入注意力机制结合运用到交通预测最优车道优化当中，将区域节点构成的简化图称为观测图，将道路节点构成的复杂图称为隐藏图，隐藏图中的各类隐藏状态会随着时间的流逝而变化，体现为观测图上的各种特征的不断变化。所以本发明在图卷积神经网络的基础上加入注意力机制模型以此来避免图卷积神经网络缺少过滤机制的残差传递过程使其易受数据中噪声影响，在图卷积层的基础上加入了注意力机制来学习空间和时间特征之间的综合关系，本发明能够极大地提升局部交通优化效率，图神经网络优化了区域图简化为观察图和隐藏图的建模问题，在图卷积层上加入注意力机制来学习时间和空间特征，极大的提高了最优化车道的推荐效率；

2、多种特征属性包括源节点、目的节点、节点入度与出度、节点介数中心性，避免了图数据中的大量准确且有效的节点信息的缺失，从而影响到图的检测效果；

3、在图集的融合过程中，首先要将图集的每个图集进行归一化，然后用单元乘法对相邻矩阵进行加权，从而将多个图合并成不同的图形，为使加权求和运算后图集融合的结果规范化，本发明在加权据称过程中增加了一个SoftMax运算；

4、为了能有效的避免过度拟合的现象出现提出了一种在图卷积神经网络模型的基础上添加注意力机制来对中心节点的特征属性进行更新，从而能够更好地提取出各节点的特征，从而获得的权值具有较好的解释能力；在图卷积操作的过程中使用多层隐藏层进行训练再利用多层次邻域的信息，以此来实现多层次邻域的信息来获取高阶邻域结构的信息，从而有效地解决了在图节点数目不多的情况下一次卷积运算不能很好地反映出各节点之间的相关性的问题；

5、沿车道行驶的驾驶环境评价指标包括2个部分：第1部分是决策时域内该车道感知区域中所有车辆的平均速度，该指标可以衡量车辆的运行效率，无论是人工驾驶还是自动驾驶车辆，都追求运行速度的提升，平均速度越低，运行成本越高；第2部分是主车前方重车对决策也存在重要的影响，大型车辆不仅会降低周围车辆的潜在安全性，也会影响后方车辆的速度，使得主车倾向于不跟随重型车辆行驶，因此，可以用决策时域内主车前方感知区域内重车比例的平均值来衡量重车影响程度，相应地，重车比例越大，成本越高，因车辆在换道过程中会产生横向位移干扰相邻车道车流，所以换道行为比跟驰行为有更高的潜在安全风险，换道开始后主车期望尽快完成换道；即使某车道在平均速度、重车数量等方面具有更好的优势，但当换道成本过高时，车辆就会放弃将该车道作为目标车道，因此本文用车辆前往目标车道的换道时间衡量换道成本，其中换道时间可以通过规划前往目标车道的理想换道轨迹计算得出；对车道的评价涉及多个指标，为了合理地运用多指标设计成本函数，需要对指标进行归一化处理。

附图说明

图1为本发明的流程示意图；

图2为改进的神经协同过滤算法实现注意力概率挖掘示意图；

图3为观察图和隐藏图示意图；

图4（a）为重车比例0%时，车道推荐结果示意图；

图4（b）为重车比例25%时，车道推荐结果示意图；

图4（c）为重车比例50%时，车道推荐结果示意图；

图4（d）为重车比例75%时，车道推荐结果示意图。

具体实施方式

如图1所示的基于图神经网络的最优车道推荐方法,包括以下具体步骤。

步骤S1，采集交通网络流量数据集，为确保数据集正确，且能够被高效地进行特征抽取，对所述交通网络流量数据集进行预处理，数据集的数据流中涉及除交通车道网以外的所有不同类别的信息,由于数据集中的数据流有可能存在的数据采集不完整的现象,对于分析图没有什么实用的价值,因此必须进行数据清理，形成新数据集。

步骤S2，提取新数据集中的三类不同节点的特征数据进行构造，所述三类不同节点包括中心节点，利用源节点、目的节点、节点入度与出度、节点介数中心性等特征属性，构造拓扑图、出入度图、介数中心性图，采用图融合的方法，将所述三类不同节点加权归一，得到最终图，具体步骤为：步骤S21，采用NetworkX图分析算法，根据所述源节点、目的节点两个特征属性，构建一个拓扑图G_e=(V,E)，其中V表示图中各个节点的集合{v₁,v₂,v₃,…,v_n}，v₁表示第一个节点，v₂表示第二个节点，v₃表示第三个节点，v_n表示第n个节点，E表示每个节点的临界矩阵，E∈R^n*n，R^n*n表示实数意义上的n*n矩阵，临界矩阵E中的元素e_ij=1代表节点v_i与v_j之间存在路段，节点即为两条路相互交叉的交叉点，边为此交叉点相互连接的路段；步骤S22，根据每个节点出度与入度这两个特性属性，把起始节点的出入度设为每个节点的权值，构造出入度图G_d=(V,D)，其中D=diag(d₁,d₂,…,d_n)，D表示出入度矩阵，diag表示矩阵运算，d₁表示第1个节点的度数，d₂表示第2个节点的度数，d_n表示第n个节点的度数，每一个节点出入度矩阵对应对应节点的度数；步骤S23，根据节点介数中心特征属性，基于拓扑图，以节点介数中心性为节点之间的权重，建立介数中心性图G_b=(V,B)，其中，B表示节点中心性系数，B_v表示某个节点v的中心性系数，

，其中σ_ij表示从起始节点v_i走到目的节点v_j的最短路的径的总数，σ_ij(v)表示从起始节点v_i到目的节点v_j中间通过节点v的最短路径的总数；步骤S24，采用图融合的方法，将每个特征图进行归一化，用单元乘法和SoftMax运算对临界矩阵进行加权，具体公式为

，其中，w_i’代表图中一条边上的i个权重，w_i’=SoftMax(w_i),G为图融合所得到的最终的图用作模型输入，A_i’为标准化后的临界矩阵。在图集的融合过程中，首先要将图集的每个图集进行归一化，然后用单元乘法对相邻矩阵进行加权，从而将多个图合并成不同的图形，为使加权求和运算后图集融合的结果规范化，本发明在加权据称过程中增加了一个SoftMax运算。

步骤S3，建立特征提取模型，所述特征提取模型包括多次特征提取操作，每次所述特征提取操作包括图像卷积神经网络层、注意力机制层、卷积运算层，将所述最终图作为所述特征提取模型的输入，采用所述注意力机制层对所述中心节点的特征属性进行更新，利用切比雪夫多项式方法来解释图卷积模型中的权值使得每个相邻节点的权值都是一样的，不能反映出中心节点受相邻节点的影响的差异。与此同时当图节点的数量较少的情况下使用图卷积神经网络模型实验来预测很容易出现过度拟合的情况中。因此，为了能有效的避免过度拟合的现象出现提出了一种在图卷积神经网络模型的基础上添加注意力机制来对中心节点的特征属性进行更新，从而能够更好地提取出各节点的特征，从而获得的权值具有较好的解释能力。

采用所述图卷积神经网络层对所述三类不同节点的特征进行描述并将所述三类不同节点的特征映射到频域中，采用所述卷积运算层对频域中的特征进行卷积运算，并转化为节点空间。

步骤S31，在NCF模型的NeuMF层增加tanh激活函数，得到改进的NCF模型，将改进的NCF模型的最终输出作为注意力机制的概率分配；步骤S32，对各个节点和相邻节点的相似向量进行统一运算，获得相应的权重；步骤S33，对相互连接的节点的特征属性进行加权求和计算，利用神经网络的逆向传播学习算法可以更加充分的训练原图集中没有的数据集，这才能更加的贴近现实生活，如图2所示，公式为：

，其中，x_i ^(l)是通过加权求和得到的相互连接节点的特征矩阵，表示第l层的第i个节点的特征矩阵，attn(v_center,vⁱ _neigh)是中心节点和相邻节点的相似性度，vⁱ _neigh表示第i个节点的相邻矩阵；步骤S34，每一次图卷积神经网络运算中所获得一阶邻域信息，如果在图节点数目不多的情况下一次卷积运算则不能很好地反映出各节点之间的相关性。所以在图卷积操作的过程中使用多层隐藏层进行训练再利用多层次邻域的信息，以此来实现多层次邻域的信息来获取高阶邻域结构的信息，从而有效地解决了这一问题，采用图神经网络的堆叠将节点矢量特征构造成尺寸大小为h的矢量，表示节点和相邻节点之间的关系；步骤S35，在卷积层中对各节点的特征进行了描述，将各节点的特征映射到频域中，对频域中的特征进行卷积运算，转化为节点空间，公式具体为:

,其中：X^(l)表示第L层所有的节点矩阵；

为标准化临界矩阵，为了最大化的让上述的图神经网络应用于最优车道推荐算法特征属性的学习，采用了一种基于随机行走的标准临界矩阵

，执行标准化运算，其次使用标准临界矩阵，可以最大限度地利用被简化为拓扑的车道的混合分布特性，也可以把保留原始节点的标准临界矩阵和相应的概率转换矩阵保持一致，

表示与引入的节点相连接的特征属性，

，A表示引入节点的临界矩阵，

代表

的所有的度数矩阵，

中的元素

，其中σ代表ReLU激活函数，W^(l)代表上一层节点特征属性X^(l-1)的加权权值矩阵；步骤S36，利用非线性函数对当前隐藏层节点进行特征属性的更新，更新公式：

；步骤S37，采用单独的线性转换层对上一层的预测输入进行映射，表达式为：

，其中，U^(l)代表第L层的能够学习的转换矩阵，通过L层累积的图卷积神经网络运算后，各节点的特征属性包含L-hop邻域的局部属性，并将其引入线性层进行线性变换。

步骤S4，根据观察区内的平均车速、重车比例、预期的最佳换道时间，建立沿车道行驶成本函数、换道成本函数、综合成本函数，进行车道选择的成本计算，得出初始最佳车道序列，完成最优车道的推荐。

沿车道行驶的驾驶环境评价指标包括2个部分：第1部分是决策时域内该车道感知区域中所有车辆的平均速度，该指标可以衡量车辆的运行效率，无论是人工驾驶还是自动驾驶车辆，都追求运行速度的提升，平均速度越低，运行成本越高；第2部分是主车前方重车对决策也存在重要的影响，大型车辆不仅会降低周围车辆的潜在安全性，也会影响后方车辆的速度，使得主车倾向于不跟随重型车辆行驶，因此，可以用决策时域内主车前方感知区域内重车比例的平均值来衡量重车影响程度，相应地，重车比例越大，成本越高，因车辆在换道过程中会产生横向位移干扰相邻车道车流，所以换道行为比跟驰行为有更高的潜在安全风险，换道开始后主车期望尽快完成换道；即使某车道在平均速度、重车数量等方面具有更好的优势，但当换道成本过高时，车辆就会放弃将该车道作为目标车道，因此本发明用车辆前往目标车道的换道时间衡量换道成本，其中换道时间可以通过规划前往目标车道的理想换道轨迹计算得出；对车道的评价涉及多个指标，为了合理地运用多指标设计成本函数，需要对指标进行归一化处理。

步骤S41，根据沿车道行驶的驾驶环境评价指标，建立沿车道行驶成本函数，所述沿车道行驶的驾驶环境评价指标包括决策时域内车道感知区域中所有车辆的平均速度、决策时域内主车前方感知区域内重车比例的平均值，决策时域内第i次观测数据的权重wⁱ设置为

，其中，t_d为决策时域，k是累加求和的变量从k=1到t_d/t_s，自动驾驶车辆每隔

的时间步长接收到1次环境数据，在决策时域t_d中，车辆将收集t_d/t_s次交通环境数据，决策时域内车道感知区域中所有车辆的平均速度v_m，公式为：

，决策时域内主车前方感知区域内重车比例的平均值Q_m，公式为：

，其中，m为车道号，对于车道m，vⁱ _m表示第i次观测时感知区域内车流的平均速度，Qⁱ _m代表第i次观测时感知区域内的重型车辆占所有车辆的比例；步骤S42，采用三次多项式设计换道轨迹函数，具体公式为：y(x)=a₀+a₁x+a₂x²+a₃x³，其中，a₀、a₁、a₂、a₃均为多项式的参数；x代表纵向上，即沿车道方向上车辆的位置信息； y代表横向上，即垂直车道方向上车辆的位置信息，设定车辆在转向时的横向方向、纵向的位置为0，航向角为水平状态，车辆转向结束的位置的纵向、横向分别为

，

，航向角也是水平状态，则换道轨迹模型为

，其中，换道终点的横向位置y_f通过车道宽度确定，其纵向位置x_f通过权衡换道的舒适性和效率来确定，构建包含换道舒适性和效率的目标函数f以求解x_f，目标函数为：

，其中，ω代表车辆驾驶人舒适度权重数；a_s ^max代表车辆即将发生侧翻时，那一临界点的侧向加速度；x_f ^max代表车辆换道时所具有的最大纵向距离值；a_s ^last代表车辆换道结束的终点这一时刻的侧向加速度，a_s ^last=v_f ²k(x_f),其中，v_f为换道轨迹终点处车辆的速度，即v_f为目标车道的平均速度，换道轨迹曲线的终点位置处的曲率k(x_f)的计算公式为：

，其中，y”(x_f)表示y(x)的二阶导数在x=x_f时的值，y’(x_f)表示y(x)的一阶导数在x=x_f时的值，

，代入k(x_f)内，

，则

,当f(x_f)取最小值时，x_f ^op相应的取值为

，x_f ^op代表车辆做成合理换道时所在终点的纵向位置，将x_f ^op代入换道轨迹方程，获得理想换道轨迹曲线，其长度值可通过积分求出，设自动驾驶车辆在换道过程中的平均速度是初始速度v₀与目标速度v_f的平均值，则理想换道时间t_c表达式为

，在决策时域t_d内，车辆收集交通环境数据并利用理想换道时间t_c表达式计算该瞬时交通状态下的理想换道时t_c ⁱ，经多次计算后取其平均值，可得决策时域内前往车道m最终的理想换道时间t_m ⁱ;步骤S43，对驾驶环境评价指标进行归一化处理，具体公式为

，J_m为车道m的综合成本值，i₁为车辆当前行驶的本车道序号，α_h、α_c、α_v与为各项评价指标相应的权重，v^m _max为车道m对应的最高限速值；Q^m _max为为车道m感知区域内可能存在的最大重车比例；t^m _max为换道轨迹最大纵向距离对应的换道时间，

，

；步骤S44，设置在主车所在车道重车比例分别为0%、25%、50%、75%的情况下，为全部车辆赋予1m/s的初始速度并逐步增加到车道限速v_max，步长1m/s，统计每条车道的综合成本值、平均速度、重车比例、换道时间，结果如下。

图4(a)显示当车道1上重车比例为0，模型输出结果为车道1；随着车辆平均速度的增加，车道成本值随着平均速度线性下降，两车道的成本差距逐渐增大，且理想换道时间的降速放缓导致车道2的成本值呈现非线性变化。

图4(b)显示出车道1的成本曲线整体向上偏移0.1个单位，即车道1上重车比例的增加导致其成本值增大，车道2的成本维持原状。在低速情况下，模型输出结果为车道2；随着速度增加，两车道的成本均呈下降趋势，其中换道成本导致车道2的成本降速低于车道1，当平均速度超过约19m/s时，模型输出结果重回车道1。

图4(c)中，重车比例的增加导致车道1成本值进一步升高，车道1相对于车道2的竞争力下降，导致模型输出结果稳定在车道2 ，且重车比例的提高导致高速状态下两车道 的成本差距更大。与图4(a)不同的是，在v_max的限制范围内，随着平均速度的增大，两车道的成本差距逐渐变小。

在图4(d)中，75%的重车比例使得在以v_max内车道的成本远高于车道1，模型输出结果始终为车道2，模型对2条车道成本的区分度较好。

本发明创造性地将图神经网络和在图卷积层的基础上加入注意力机制结合运用到交通预测最优车道优化当中，将区域节点构成的简化图称为观测图，将道路节点构成的复杂图称为隐藏图，隐藏图中的各类隐藏状态会随着时间的流逝而变化，体现为观测图上的各种特征的不断变化。所以本发明在图卷积神经网络的基础上加入注意力机制模型以此来避免图卷积神经网络缺少过滤机制的残差传递过程使其易受数据中噪声影响，在图卷积层的基础上加入了注意力机制来学习空间和时间特征之间的综合关系，本发明能够极大地提升局部交通优化效率，图神经网络优化了区域图简化为观察图和隐藏图的建模问题，在图卷积层上加入注意力机制来学习时间和空间特征，极大的提高了最优化车道的推荐效率。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于图神经网络的最优车道推荐方法,其特征在于：包括以下具体步骤：

步骤S1，采集交通网络流量数据集，对所述交通网络流量数据集进行预处理，实行数据清理，形成新数据集；

步骤S2，提取新数据集中的三类不同节点的特征数据进行构造，利用多种特征属性，构造多个特征图，采用图融合的方法，将所述三类不同节点加权归一，得到最终图，所述三类不同节点包括中心节点；

步骤S3，建立特征提取模型，所述特征提取模型包括多次特征提取操作，每次所述特征提取操作依次包括输入图像卷积神经网络层、输入注意力机制层、输入卷积运算层，将所述最终图作为所述特征提取模型的输入，采用所述注意力机制层对所述中心节点的特征属性进行更新，采用所述图卷积神经网络层对所述三类不同节点的特征进行描述并将所述三类不同节点的特征映射到频域中，采用所述卷积运算层对所述频域中的特征进行卷积运算，并转化为节点空间；

步骤S4，根据观察区内的平均车速、重车比例、预期的最佳换道时间，建立沿车道行驶成本函数、换道成本函数、综合成本函数，进行车道选择的成本计算，得出初始最佳车道序列，完成最优车道的推荐。

2.根据权利要求1所述的基于图神经网络的最优车道推荐方法，其特征在于：多种所述特征属性包括源节点、目的节点、节点入度与出度、节点介数中心性。

3.根据权利要求2所述的基于图神经网络的最优车道推荐方法，其特征在于：多个所述特征图具有三个，分别为拓扑图、出入度图、介数中心性图。

4.根据权利要求3所述的基于图神经网络的最优车道推荐方法，其特征在于：步骤S2具体为：步骤S21，采用NetworkX图分析算法，根据所述源节点、目的节点两个特征属性，构建一个拓扑图G_e=(V,E)，其中V表示图中各个节点的集合{v₁,v₂,v₃,…,v_n}，v₁表示第一个节点，v₂表示第二个节点，v₃表示第三个节点，v_n表示第n个节点，E表示每个节点的临界矩阵，e∈E∈R^n*n，R^n*n表示实数意义上的n*n矩阵，临界矩阵E中的元素e_ij=1代表节点v_i与v_j之间存在路段，节点即为两条路相互交叉的交叉点，边为此交叉点相互连接的路段；步骤S22，根据每个节点出度与入度这两个特性属性，把起始节点的出入度设为每个节点的权值，构造出入度图G_d=(V,D)，其中D=diag(d₁,d₂,…,d_n)，D表示出入度矩阵，d∈D，diag表示矩阵运算，d₁表示第1个节点的度数，d₂表示第2个节点的度数，d_n表示第n个节点的度数，每一个节点出入度矩阵对应相应节点的度数；步骤S23，根据节点介数中心特征属性，基于拓扑图，以节点介数中心性为节点之间的权重，建立介数中心性图G_b=(V,B)，其中，B表示节点中心性系数，B_v表示节点v的中心性系数，

，其中，σ_ij表示从起始节点v_i走到目的节点v_j的最短路的径的总数，σ_ij(v)表示从起始节点v_i到目的节点v_j中间通过节点v的最短路径的总数；步骤S24，采用图融合的方法，将每个特征图进行归一化，用单元乘法和SoftMax运算对临界矩阵进行加权，具体公式为

，其中，w_i’代表图中一条边上的第i个权重，w_i’=SoftMax(w_i),G为图融合所得到的最终的图，用作模型输入，w_i是第i个节点的权重矩阵，A_i’为标准化后的临界矩阵。

5.根据权利要求4所述的基于图神经网络的最优车道推荐方法，其特征在于：步骤S3具体为：步骤S31，在NCF模型的NeuMF层增加tanh激活函数，得到改进的NCF模型，将改进的NCF模型的最终输出作为注意力机制的概率分配；步骤S32，对各个节点和相邻节点的相似向量进行统一运算，获得相应的权重；步骤S33，对相互连接的节点的特征属性进行加权求和计算，公式为：

，其中，X_i ^(l)是通过加权求和得到的相互连接节点的特征矩阵，表示第l层的第i个节点的特征矩阵，attn（v_center，vⁱ _neigh）是中心节点和相邻节点的相似性度，v_center表示中心节点，vⁱ _neigh表示第i个节点的相邻矩阵；步骤S34，采用图神经网络的堆叠将节点矢量特征构造成尺寸大小为h的矢量，表示节点和相邻节点之间的关系；步骤S35，在卷积层中对各节点的特征进行了描述，将各节点的特征映射到频域中，对频域中的特征进行卷积运算，转化为节点空间，公式具体为:

,其中：X^(l)表示第l层所有的节点矩阵；

表示与引入的节点相连接的特征属性，

，A表示引入节点的临界矩阵，

代表

的所有的度数矩阵，

中的元素

，其中σ代表ReLU激活函数，W^(l)代表上一层节点特征属性X^(l-1)的加权权值矩阵；步骤S36，利用非线性函数对当前隐藏层节点进行特征属性的更新，更新公式：

，其中，

为标准临界矩阵，对所述公式执行标准化运算；步骤S37，采用单独的线性转换层对上一层的预测输入进行映射，表达式为：

，其中，U^(l)代表第l层的能够学习的转换矩阵，通过l层累积的图卷积神经网络运算后，各节点的特征属性包含L-hop邻域的局部属性，并将其引入线性层进行线性变换。

6.根据权利要求5所述的基于图神经网络的最优车道推荐方法，其特征在于：步骤S4具体为：步骤S41，根据沿车道行驶的驾驶环境评价指标，建立沿车道行驶成本函数，所述沿车道行驶的驾驶环境评价指标包括决策时域内车道感知区域中所有车辆的平均速度、决策时域内主车前方感知区域内重车比例的平均值，决策时域内第i次观测数据的权重wⁱ设置为

，其中，t_d为决策时域，k是累加求和的变量，从k=1到t_d/t_s,自动驾驶车辆每隔t_s的时间步长接收到1次环境数据，在决策时域t_d中，车辆将收集t_d/t_s次交通环境数据，决策时域内车道感知区域中所有车辆的平均速度V_m，公式为：

，决策时域内主车前方感知区域内重车比例的平均值Q_m，公式为：

，其中，m为车道号，对于车道m，v_m ⁱ表示第i次观测时感知区域内车流的平均速度，Q_m ⁱ代表第i次观测时感知区域内的重型车辆占所有车辆的比例；步骤S42，采用三次多项式设计换道轨迹函数，具体公式为：y(x)=a₀+a₁x+a₂x²+a₃x³，其中，a₀、a₁、a₂、a₃均为多项式的参数；x代表纵向上，即沿车道方向上车辆的位置信息； y代表横向上，即垂直车道方向上车辆的位置信息，设定车辆在转向时的横向、纵向的位置为0，航向角为水平状态，车辆转向结束的位置的纵向、横向分别为x_f，y_f，航向角也是水平状态，则换道轨迹模型为

，其中，换道终点的横向位置y_f通过车道宽度确定，其纵向位置x_f通过权衡换道的舒适性和效率来确定，构建包含换道舒适性和效率的目标函数以求解x_f，目标函数为：

，其中，ω代表车辆驾驶人舒适度权重数；a_s ^max代表车辆即将发生侧翻时，对应临界点的侧向加速度；x_f ^max代表车辆换道时所具有的最大纵向距离值；a_s ^last代表车辆换道结束的终点这一时刻的侧向加速度，a_s ^last=v_f ²k(x_f)，其中，v_f为换道轨迹终点处车辆的速度，即v_f为目标车道的平均速度，换道轨迹曲线的终点位置处的曲率k(x_f)的计算公式为：

，其中，y”(x_f)表示y(x)的二阶导数在x=x_f时的值，y’(x_f)表示y(x)的一阶导数在x=x_f时的值，

，代入k(x_f)内，

，则

,当f(x_f)取最小值时，x_f ^op相应的取值为

，x_f ^op代表车辆做成合理换道时所在终点的纵向位置，将x_f ^op代入换道轨迹方程，获得理想换道轨迹曲线，其长度值可通过积分求出，设自动驾驶车辆在换道过程中的平均速度是初始速度v₀与目标速度v_f的平均值，则理想换道时间t_c表达式为

，在决策时域t_d内，车辆收集交通环境数据并利用理想换道时间t_c表达式计算该瞬时交通状态下的理想换道时t_c ⁱ，经多次计算后取其平均值，可得决策时域内前往车道m最终的理想换道时间t_m ⁱ；步骤S43，对驾驶环境评价指标进行归一化处理，具体公式为

，J_m为车道m的综合成本值，i₁为车辆当前行驶的本车道序号，α_h、α_c、α_v为各项评价指标相应的权重，v^m _max为车道m对应的最高限速值；Q^m _max为为车道m感知区域内可能存在的最大重车比例；t^m _max为换道轨迹最大纵向距离对应的换道时间，

，

；步骤S44，设置在主车所在车道重车比例分别为0%、25%、50%、75%的情况下，为全部车辆赋予1m/s的初始速度并逐步增加到车道限速v_max，步长1m/s，统计每条车道的综合成本值、平均速度、重车比例、换道时间。

Images