CN115631629B - 一种基于轨迹预测的城市动态车辆云构建方法及系统 - Google Patents
一种基于轨迹预测的城市动态车辆云构建方法及系统 Download PDFInfo
- Publication number
- CN115631629B CN115631629B CN202211286196.6A CN202211286196A CN115631629B CN 115631629 B CN115631629 B CN 115631629B CN 202211286196 A CN202211286196 A CN 202211286196A CN 115631629 B CN115631629 B CN 115631629B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cloud
- task
- data
- service
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000015654 memory Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 241000854291 Dianthus carthusianorum Species 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于轨迹预测的城市动态车辆云构建方法,其步骤为:联合考虑车辆历史行驶信息与未来交通灯相位信息,对车辆历史数据和未来数据进行编码以及归一化处理,构建基于长短期记忆单元车辆轨迹预测模型,采用数据集车辆轨迹预测模型进行训练,保存训练好的车辆轨迹预测模型,利用车辆轨迹预测模型对城市交叉口的车辆轨迹预测;根据车辆轨迹预测结果,寻找轨迹近似车辆进行聚类,构建城市环境下的动态车辆云。本发明能保证车辆云在未来一定时间内的稳定性,且在选取候选服务车辆时仅需考虑车辆的位置坐标,不用考虑车辆行驶方向等其他因素,降低聚类的复杂度。另外,能以预测的时间步长作为周期进行车辆云构建,有效减少计算资源消耗。
Description
技术领域
本发明属于自动驾驶技术领域,具体涉及一种基于轨迹预测的城市动态车辆云构建方法及系统。
背景技术
随着车联网技术的迅速发展,车载应用丰富多样,而车端的硬件算力难以匹配其所需计算资源需求。边缘服务器在路侧为车端用户提供实时的计算服务,使车辆能通过任务卸载的方式缓解计算压力,是智能交通系统的重要一环。然而城市环境车辆密度大,且边缘服务器的算力终归有限,仍难以满足巨大的算力需求。因此车辆云的构想被提出,即基于时空位置关系将邻近车辆的计算资源进行共享,形成动态的车辆间资源互补。
边缘服务器为车辆提供车辆云构建方案,通过收集车辆的历史轨迹与未来交通特征等信息,分析未来一段时间内轨迹近似的车辆,并将其聚类为一个车辆云。然而不同于停车场、高速公路等车辆位置或移动方向在一段时间内稳定的场景,城市环境多交叉口、多红绿灯,车辆移动具有较大的不确定性,简单地通过当前速度与时间估计车辆未来位置的预测方法难以适用,进而导致难以构建出稳定可用的车辆云。此外,还需要考虑如何将车辆云构建与车辆任务卸载需求结合,以避免出现所构建的车辆云中没有需要任务卸载的车辆等无效聚类造成资源浪费的情况。
专利文献CN110264721A(申请号:201910584818.5)公开了一种城市交叉口周边车辆轨迹预测方法,主要包括以下步骤:获取车辆状态信息,利用穿行/让行意图识别模型确定目标车辆运动模式;针对每种运动模式,建立对应的加速度预测模型,并进行加速度预测;得到目标车辆的预测加速度后,采用匀加速模型计算下一步车辆的运动状态;最后通过结合无迹卡尔曼滤波方法降低预测模型误差。
上述的基于运动模式的轨迹预测方法,通过一个穿行意图识别模型来判断车辆左转、右转和直行意图,而转向信息包含在车辆行驶车道中,可以作为先验知识来降低预测任务复杂度。此外交叉口环境的重要特征——交通灯相位没有被考虑在技术一中,增加了预测任务的难度。
专利文献CN113467851A(申请号:202110563668.7)公开了一种基于车辆聚类的动态车辆计算任务卸载方法和装置,其中车辆聚类主要包括以下步骤:计算所有车辆的可达距离并构建最小生成树;将最小生成树转化为层次聚类树并进行压缩;基于簇的稳定性对车辆节点进行聚类;对簇内节点进行优先级排序,按照排序结果选择簇头。
上述基于层次聚类的思想进行车辆聚类,通过一个优先级评估值确定簇头,没有将聚类过程与车辆的实际任务卸载需求相结合,可能会出现一个簇中没有车辆需要进行任务卸载,即无效车辆云。
均值聚类与密度聚类的思想也常用于车辆聚类。均值算法衍生了出如模糊c均值(FCM)等变体算法,其核心思想为预先指定聚类的数量,随机选择初始均值向量形成初始簇,基于每个簇的所有节点计算新的均值向量,多次迭代得到稳定的簇划分。密度聚类以DBSCAN算法为代表,选取簇头车辆后,基于邻域参数找出候选车辆,形成对应簇。
基于均值聚类的方法,在聚类之前,还需另外通过算法来确定符合当前场景的簇个数,且此类方法难以与车辆任务卸载需求相结合。
现有基于密度聚类的方法多基于当前时间步的车辆运动模式与车辆间相对关系选择簇头,保证簇的稳定性,同样会构建出无效的车辆云。此外,每个时间步都进行新的聚类,对服务器的计算时延要求很高,且当车辆没有卸载需求时,聚类计算是一种资源浪费。
发明内容
为了解决现有技术存在的上述技术问题,本发明提出了一种基于车辆轨迹预测的城市环境动态车辆云构建方法及系统。本发明同时考虑车辆历史数据以及未来的交通灯相位,通过一种基于LSTM的编码-解码结构网络进行模型训练,以实现对车辆未来一定时间步长的可靠轨迹预测,为构建车辆云提供预测网络模型基础。当车辆有任务卸载需求时向边缘服务器发送请求消息,边缘服务器通过预测网络模型分析未来轨迹,以有卸载需求车辆为簇头构建车辆云,并将结果下发给车辆,保证车辆需求能被及时响应。
本发明解决上述技术问题的技术方案是:一种基于轨迹预测的城市动态车辆云构建方法,其特征在于,包括以下步骤:
步骤1,联合考虑车辆历史行驶信息与未来交通灯相位信息,通过基于长短期记忆单元的编码-解码结构网络进行城市交叉口的车辆轨迹预测;
步骤2,基于车辆轨迹预测结果,寻找轨迹近似车辆进行聚类,构建城市环境下的动态车辆云。
进一步的,所述步骤1.1对车辆历史数据与未来数据进行预处理,未来数据中包含提前获取的交通环境特征,车辆历史数据为过去一定时间步的位置坐标、速度、车道以及与行驶车道对应的交通灯相位,未来数据为交通灯相位;对车辆历史数据和未来数据进行编码以及归一化处理;对于每辆车的数据t∈T,将i-p到i时刻的位置坐标、速度、车道、交通灯相位数据提取出来作为i时刻的历史数据,将i+1到i+k时刻的交通灯相位数据作为i时刻的未来数据;
步骤1.2构建基于长短期记忆单元的预测网络模型;
步骤1.3采用数据集对构建基于长短期记忆单元预测网络模型进行训练,并保存训练的模型。
进一步的,所述步骤1.2中基于长短期记忆单元预测网络模型采用编码-解码形式的序列到序列架构来作为预测网络模型的基本框架,以LSTM单元作为编码器与解码器的基本单元来提取时间序列特征,编码器的LSTM按时间序列顺序读取历史数据,并将最后一个LSTM单元的隐状态作为上下文,解码器以上下文作为初始隐状态,按时间序列顺序读取未来数据,并输出对应时间步的解码结果,解码结果数据经过一层全连接层与一层输出层,再使用Leaky ReLU作为激活函数进行激活,得到对应时间步的预测结果。
进一步的,所述的长短期记忆单元通过输入门、遗忘门、输出门来控制自循环的权重,其表达式为:
it=σ(Uixt+Wiht-1+bi)
ft=σ(Ufxt+Wfht-1+bf)
ot=σ(Uoxt+Woht-1+bo)
ht=ot*tanh(Ct)
其中,是计算候选记忆单元,当前时刻需要存入到记忆单元的信息;it、ft、ot分别对应三种门控机制,输入门it控制候选记忆单元存入多少信息到记忆单元中,遗忘门ft控制历史记忆单元保留多少信息到记忆单元中,输出门ot控制隐状态保留多少信息;Ct、ht分别为当前时刻的记忆单元与隐状态。
进一步的,所述预测网络模型的损失函数为:
其中,k为预测时间步长,xr,i、yr,i分别为预测结果中第i个时间步的实际位置坐标,xp,i、yp,i分别为预测结果中第i个时间步的预测位置坐标。
进一步的,所述步骤2的具体步骤如下:
步骤2.1车辆产生任务卸载需求,向最近的边缘服务器发出请求;
步骤2.2边缘服务器接收请求,将其覆盖范围内的车辆历史行驶数据以及前方交通灯的配时数据作为输入,利用预训练好的预测网络模型对当前边缘服务器覆盖范围内的车辆进行未来一定步长的轨迹预测;
步骤2.3将有任务卸载需求车辆与提供计算服务车辆分别划分到两个集合,即任务车集与服务车集;
步骤2.4以车辆的位置坐标(x,y)作为聚类指标,根据车辆间通信距离设置聚类半径r;
步骤2.5以每一辆任务车为聚类中心,基于聚类半径r选择满足条件的服务车作为候选车辆,具体如下:
候选服务车:
其中,xS和yS为服务车的横纵坐标,xT和yT为任务车的横纵坐标。
步骤2.6将步骤2.5所选出的候选服务车存入集合,作为当前任务车在当前时间步的候选服务车集;
步骤2.7对于每一辆任务车,在未来k个步长基于网络模型预测的车辆位置坐标重复执行步骤2.5与步骤2.6,得到k个候选服务车集;
步骤2.8取k个候选服务车集的交集,作为当前任务车在当前时间步的服务车集,计算过程如下:服务车t=候选服务车t+1∩候选服务车t+2∩…∩候选服务车t+k;
步骤2.9将任务车与其在当前时间步的服务车集存入集合中,形成一个初始的车辆云,即:初始车辆云=[任务车,对应服务车集合];
步骤2.10按以上步骤,对同一时间步的n辆任务车,形成n个初始的车辆云,设置重合度阈值,将重合度超过预设阈值的车辆云进行合并;
步骤2.11基于步骤2.10中的车辆云构建方法,边缘服务器以预测步长k为一个周期来进行车辆云构建,并将每次车辆云构建的结果下发给车辆,任务车在各自的车辆云间将任务卸载给有空闲计算资源的服务车进行处理,对于车辆云中没有服务车的任务车,直接将任务卸载至边缘服务器进行处理。
进一步的,所述步骤2.10的具体步骤为:
步骤2.10.1将n个车辆云存入集合中,设置重合度阈值m,当两个车辆云中的重合车辆数大于m时,将两个车辆云合并为一个车辆云;
步骤2.10.2从集合中选出一个车辆云与集合中剩余车辆云进行重合度比较,得到其与其他每一个车辆云的重合车辆数,将其中最大的重合车辆数与m进行比较:
如果最大的重合车辆数大于或等于m,则将所选出的车辆云与具有最大重合车辆数的车辆云中的任务车与服务车集分别进行求并集处理,得到新的任务车与服务车集,即为合并后的车辆云,并存入一个新的集合中;
如果最大的重合车辆数都小于m,把所选车辆云加入到合并后车辆云集合;
步骤2.10.3若有符合条件的车辆云与所选车辆云进行合并,则从初始车辆云集合中将所选车辆云与符合合并条件的车辆云删去;若没有符合条件的车辆云与所选车辆云进行合并,则从初始车辆云集合中将所选车辆云删去;
步骤2.10.4重复步骤2.10.2与步骤2.10.3,直至初始车辆云集合中没有车辆云;
步骤2.10.5将合并后的车辆云集合作为新一轮的初始车辆云集合,进行下一次的车辆云合并;
步骤2.10.6重复步骤2.10.5,直至合并后的车辆云集合与合并前的车辆云集合相等,完成对重合度超过预设阈值的车辆云合并,得到对当前时间步n辆任务车的车辆云构建;
一种基于车辆轨迹预测的城市场景动态车辆云构建系统,整个车辆云构建系统部署于边缘服务器上,边缘服务器包括数据预处理模块、车辆轨迹预测模块、车辆云构建三个模块,数据预处理模块对车辆历史数据与未来数据进行预处理,数据预处理模块对这些数据进行字符类型数据编码、所有数据的归一化,并基于预设的历史数据时间步长与未来数据时间步长将时间序列数据转化成可接入预测网络模型的形式;车辆轨迹预测模块进行范围内车辆的轨迹预测,并将预测结果输出至车辆云构建模块;车辆云构建模块以轨迹预测的未来步长为周期,基于车辆轨迹预测模块的预测结果,针对每一辆任务车搜索在预测步长内都处于其通信范围内的服务车作为候选车,构建初始车辆云;再基于不同车辆云之间重合车辆数进行车辆云合并,形成最终的车辆云构建。
本发明的有益效果是:
1.本发明在车辆轨迹预测中,采用编码-解码架构进行序列到序列的预测,除了车辆历史数据外还引入了未来交通灯相位作为输入特征,能降低对于城市场景复杂环境的车辆轨迹预测难度。
2.本发明当有车辆有任务卸载需求再进行车辆云构建,能有效避免边缘服务器产生不必要的计算资源消耗;直接以有卸载需求的车辆作为簇头进行车辆云构建,能确保任务车需求被及时响应。
3.本发明基于轨迹预测结果进行聚类,一方面能保证车辆云在未来一定时间内的稳定性,且在选取候选服务车辆时仅需考虑车辆的位置坐标,不用考虑车辆行驶方向等其他因素,降低聚类的复杂度,另一方面能以预测的时间步长作为周期进行车辆云构建,有效减少计算资源消耗。
附图说明
图1本发明的预测网络模型结构图。
图2本发明中两个车辆云融合过程。
图3本发明中车辆云构建流程。
图4本发明中系统的结构图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细描述。
本发明提出了一种基于车辆轨迹预测的城市场景动态车辆云构建方法,具体步骤如下:
步骤1、联合考虑车辆历史行驶信息与未来交通灯相位信息,通过一种基于LSTM单元的编码-解码结构网络进行城市交叉口的车辆轨迹预测,基于LSTM单元的编码-解码结构网络如图1所示。
步骤1.1数据预处理。
步骤1.1.1历史数据预处理。
历史数据主要考虑车辆过去一定时间步的位置坐标、速度、车道以及与行驶车道对应的交通灯相位,即:
InputP=[xP,yP,vP,laneP,lightP]
其中位置坐标xP,yP与速度vP包含过去时刻车辆的行驶特征,车道laneP包含道路的转向属性(左转、右转、直行),交通灯相位lightP包含过去时刻的交通环境特征。
通常来说,位置坐标与速度数据是浮点数类型,而车道与交通灯相位数据是字符类型,需要进行进一步处理。采用sklearn的LabelEncoder对车道与交通灯相位数据进行编码,得到整数类型的数据。
进一步,在进行模型输入之前,将InputP的所有数据进行归一化处理。采用sklearn的MinMaxScaler将位置坐标、速度、车道、交通灯相位归一化到区间[0,1],公式如下:
步骤1.1.2未来数据预处理。
未来数据中主要包含可提前获取的交通环境特征,本发明中主要考虑未来时刻的交通灯相位:
InputF=[lightF]
同步骤1.1.1,对未来交通灯相位数据进行编码以及归一化,得到位于[0,1]之间的浮点数类型数据来作为输入数据。
步骤1.1.3数据集处理。
考虑到预测网络模型是基于车辆在过去p个时间步的历史行驶数据以及未来k个时间步的交通环境特征对未来k个时间步的车辆行驶轨迹进行预测,而数据集通常是时间序列的格式,因此在数据预处理后,需要进行进一步处理,具体过程如下:
对于每辆车的数据t∈T,将i-p到i时刻的位置坐标、速度、车道、交通灯相位数据提取出来作为i时刻的历史数据,将i+1到i+k时刻的交通灯相位数据作为i时刻的未来数据,即:
InputP,i=[InputP,i-p,InputP,i-p+1,…,InputP,i]
InputF,i=[InputF,i+1,InputF,i+2,…,InputF,i+k]
i∈(p,T-p-k)
步骤1.2预测网络模型构建。
预测网络模型输入包含历史数据输入与未来数据输入,并且二者时间步长通常不相等,因此采用编码-解码形式的序列到序列架构来作为预测网络模型的基本框架。以LSTM单元作为编码器与解码器的基本单元来提取时间序列特征,编码器的LSTM按时间序列顺序读取历史数据,并将最后一个LSTM单元的隐状态作为上下文。解码器以上下文作为初始隐状态,按时间序列顺序读取未来数据,并输出对应时间步的解码结果。解码结果数据经过一层全连接层(Linear 1)与一层输出层(Linear 2),再使用Leaky ReLU作为激活函数进行激活,得到对应时间步的预测结果。
其中的LSTM单元,即长短期记忆(Long Short-Time Memory)单元通过输入门、遗忘门、输出门来控制自循环的权重,较之简单的循环架构更能捕获时间序列数据中的长期依赖,有效捕获序列中的特征,其表达式如下:
it=σ(Uixt+Wiht-1+bi) (3)
ft=σ(Ufxt+Wfht-1+bf) (4)
ot=σ(Uoxt+Woht-1+bo) (5)
ht=ot*tanh(Ct) (7)
其中,是计算候选记忆单元,当前时刻需要存入到记忆单元的信息;it、ft、ot分别对应三种门控机制,输入门it控制候选记忆单元存入多少信息到记忆单元中,遗忘门ft控制历史记忆单元保留多少信息到记忆单元中,输出门ot控制隐状态保留多少信息;Ct、ht分别为当前时刻的记忆单元与隐状态。
步骤1.3模型训练与保存。
基于步骤1.2中所构建的预测网络模型,以预测位置与实际位置的距离作为模型的损失函数,即:
其中,k为预测时间步长,xr,i、yr,i分别为预测结果中第i个时间步的实际位置坐标,xp,i、yp,i分别为预测结果中第i个时间步的预测位置坐标。使用Adam作为优化器,采用指数下降实现学习率衰减,使用经处理后的训练集进行模型训练,直至训练集与验证集损失值收敛,进行车辆轨迹预测。
由于数据输入模型前进行了归一化,最后需将预测结果进行反归一化,以恢复到原来的量纲。计算公式如下:
x=xscaled(xmax-xmin)+xmin (9)
将模型训练好后,通过直接保存模型或保存模型参数字典的方式将模型进行保存,便于当有车辆产生任务卸载需求时能直接进行车辆轨迹预测。
步骤2、基于车辆轨迹预测结果,寻找轨迹近似车辆进行聚类,构建城市环境下的动态车辆云,车辆云的构建流程图如图2、3所示。具体步骤如下:
步骤2.1车辆产生任务卸载需求,向最近的边缘服务器发出请求。
步骤2.2边缘服务器接收请求,将其覆盖范围内的车辆历史行驶数据以及前方交通灯的配时数据作为输入,利用预训练好的预测网络模型对当前边缘服务器覆盖范围内的车辆进行未来一定步长的轨迹预测。
步骤2.3将有任务卸载需求的任务车与提供计算服务的服务车分别划分到两个集合,即任务车集与服务车集。
步骤2.4以车辆的位置坐标(x,y)作为聚类指标,考虑车辆间通信距离设置聚类半径r。
步骤2.5以每一辆任务车为聚类中心,基于聚类半径r选择满足条件的服务车作为候选车辆,具体如下:
其中,xS和yS为服务车的横纵坐标,xT和yT为任务车的横纵坐标。
步骤2.6将步骤2.5所选出的候选服务车存入集合,作为当前任务车在当前时间步的候选服务车集。
步骤2.7对于每一辆任务车,在未来k个步长基于网络模型预测的车辆位置坐标重复执行步骤2.5与步骤2.6,得到k个候选服务车集。
步骤2.8取k个候选服务车集的交集,作为当前任务车在当前时间步的服务车集,计算过程如下:
服务车集合t=候选服务车t+1∩候选服务车t+2∩…∩候选服务车t+k(11)
步骤2.9将任务车与其在当前时间步的服务车集存入集合中,形成一个初始的车辆云,即:
初始车辆云=[任务车,对应服务车集]
步骤2.10按以上步骤,对同一时间步的n辆任务车,能形成n个初始的车辆云。由于城市交叉口易形成车辆大量堆积,多辆任务车之间的距离很近,即其对应的初始车辆云之间有服务车的重合,设置重合度阈值,将重合度超过预设阈值的车辆云进行合并,具体步骤如下:
步骤2.10.1将n个车辆云存入集合中,设置重合度阈值m,当两个车辆云中的重合车辆数大于m时,才可考虑将两个车辆云合并为一个车辆云。
步骤2.10.2从集合中选出一个车辆云与集合中剩余车辆云进行重合度比较,得到其与其他每一个车辆云的重合车辆数,将其中最大的重合车辆数与m进行比较:
如果最大的重合车辆数大于或等于m,则将所选出的车辆云与具有最大重合车辆数的车辆云中的任务车与服务车集分别进行求并集处理,得到新的任务车与服务车集,即为合并后的车辆云,并存入一个新的集合中,即合并后的车辆云集合。
如果最大的重合车辆数都小于m,即没有车辆云符合与所选车辆云进行合并的条件,则直接把所选车辆云加入到合并后车辆云集合。
步骤2.10.3若有符合条件的车辆云与所选车辆云进行合并,则从初始车辆云集合中将所选车辆云与符合合并条件的车辆云删去;若没有符合条件的车辆云与所选车辆云进行合并,则从初始车辆云集合中将所选车辆云删去即可。
步骤2.10.4重复步骤2.10.2与步骤2.10.3,直至初始车辆云集合中没有车辆云,即完成了对于所有车辆云的一次合并。
步骤2.10.5合并一次后的车辆云仍然可能存在符合合并条件的两个车辆云,因此将合并后的车辆云集合作为新一轮的初始车辆云集合,进行下一次的车辆云合并。
步骤2.10.6重复步骤2.10.5,直至合并后的车辆云集合与初始车辆云集合相等,即车辆云集合中没有可合并的两个车辆云了,完成对重合度超过预设阈值的车辆云合并,此时得到对当前时间步n辆任务车的车辆云构建。
步骤2.11基于步骤2.10中的车辆云构建方法,边缘服务器以预测步长k为一个周期来进行车辆云构建,并将每次车辆云构建的最终结果下发给车辆,任务车在各自的车辆云间将任务卸载给有空闲计算资源的服务车进行处理。对于车辆云中没有服务车的任务车,则直接将任务卸载至边缘服务器进行处理。
第二方面,本发明提出了一种基于车辆轨迹预测的城市场景动态车辆云构建系统。如图4所示,整个车辆云构建系统部署于边缘服务器上,当有任务车向边缘服务器发送任务卸载需求的消息时,系统开始运行。系统包括三个模块:
数据预处理模块,用于将任务车在过去一段时间的行驶数据以及边缘服务器获取的未来一段时间的先验数据进行统一处理,其中主要包括三个单元:数据编码单元,针对其中字符型数据进行基于机器学习方法的LabelEncoder编码,转化为整数型数据,便于后续进行数据的统一处理;数据归一化单元,对所有数据进行归一化处理,以消除数据量纲不同所导致的影响;数据格式转换单元,基于预设的时间步长将时间序列数据进行格式转换,使数据对应上预测网络的输入接口格式,便于预测网络能直接利用数据进行训练及预测。该数据预处理模块连接至车辆轨迹预测模块。
车辆轨迹预测模块,用于车辆轨迹预测模型的预训练以及对车辆的实时轨迹预测,其中主要包括两个单元:模型预训练单元,定期收集边缘服务器范围内的车辆数据进行预测网络模型的预训练与参数更新,以更好地适应不同的交通流量情景,增强预测性能;轨迹预测单元,当系统运行时直接加载最近一次预训练的预测网络模型参数,利用网络模型进行范围内车辆的轨迹预测,实现快速准确的预测性能。该车辆轨迹预测模块连接至车辆云构建模块。
车辆云构建模块,用于将未来轨迹近似的车辆通过聚类方法构建为车辆云,其中主要包括两个单元:搜索候选服务车单元,基于车辆进行实时轨迹预测的结果,通过聚类算法提取出其中与任务车轨迹近似的车辆作为候选服务车,针对每辆任务车形成相应的初始车辆云;车辆云合并单元,对大于重合度阈值的车辆云进行合并,优化车辆云构建结果,实现准确简洁高效的车辆云构建方案。该车辆云构建模块形成最终方案后向车辆广播车辆云构建结果,车辆根据结果找到自己对应的车辆云,完成后续的车辆云间资源共享与任务卸载。
Claims (7)
1.一种基于轨迹预测的城市动态车辆云构建方法,其特征在于,包括以下步骤:
步骤1,联合考虑车辆历史行驶信息与未来交通灯相位信息,通过基于长短期记忆单元的编码-解码结构网络进行城市交叉口的车辆轨迹预测;
步骤2,基于车辆轨迹预测结果,寻找轨迹近似车辆进行聚类,构建城市环境下的动态车辆云;具体步骤为:步骤2.1车辆产生任务卸载需求,向最近的边缘服务器发出请求;
步骤2.2边缘服务器接收请求,将其覆盖范围内的车辆历史行驶数据以及前方交通灯的配时数据作为输入,利用预训练好的预测网络模型对当前边缘服务器覆盖范围内的车辆进行未来一定步长的轨迹预测;
步骤2.3有任务卸载需求车辆简称任务车,提供计算服务车辆简称服务车,将任务车与服务车分别划分到两个集合,即任务车集与服务车集;
步骤2.4以车辆的位置坐标(x,y)作为聚类指标,根据车辆间通信距离设置聚类半径r;
步骤2.5以每一辆任务车为聚类中心,基于聚类半径r选择满足条件的服务车作为候选车辆,具体如下:
候选服务车:
其中,xS和yS为服务车的横纵坐标,xT和yT为任务车的横纵坐标;
步骤2.6将步骤2.5所选出的候选服务车存入集合,作为当前任务车在当前时间步的候选服务车集;
步骤2.7对于每一辆任务车,在未来k个步长基于网络模型预测的车辆位置坐标重复执行步骤2.5与步骤2.6,得到k个候选服务车集;
步骤2.8取k个候选服务车集的交集,作为当前任务车在当前时间步的服务车集,计算过程如下:服务车t=候选服务车t+1∩候选服务车t+2∩…∩候选服务车t+k;
步骤2.9将任务车与其在当前时间步的服务车集存入集合中,形成一个初始的车辆云,即:初始车辆云=[任务车,对应服务车集合];
步骤2.10按以上步骤,对同一时间步的n辆任务车,形成n个初始的车辆云,设置重合度阈值,将重合度超过预设阈值的车辆云进行合并;
所述步骤2.10的具体步骤为:
步骤2.10.1将n个车辆云存入集合中,设置重合度阈值m,当两个车辆云中的重合车辆数大于m时,将两个车辆云合并为一个车辆云;
步骤2.10.2从集合中选出一个车辆云与集合中剩余车辆云进行重合度比较,得到其与其他每一个车辆云的重合车辆数,将其中最大的重合车辆数与m进行比较:
如果最大的重合车辆数大于或等于m,则将所选出的车辆云与具有最大重合车辆数的车辆云中的任务车与服务车集分别进行求并集处理,得到新的任务车与服务车集,即为合并后的车辆云,并存入一个新的集合中;
如果最大的重合车辆数都小于m,把所选车辆云加入到合并后车辆云集合;
步骤2.10.3若有符合条件的车辆云与所选车辆云进行合并,则从初始车辆云集合中将所选车辆云与符合合并条件的车辆云删去;若没有符合条件的车辆云与所选车辆云进行合并,则从初始车辆云集合中将所选车辆云删去;
步骤2.10.4重复步骤2.10.2与步骤2.10.3,直至初始车辆云集合中没有车辆云;
步骤2.10.5将合并后的车辆云集合作为新一轮的初始车辆云集合,进行下一次的车辆云合并;
步骤2.10.6重复步骤2.10.5,直至合并后的车辆云集合与合并前的车辆云集合相等,完成对重合度超过预设阈值的车辆云合并,得到对当前时间步n辆任务车的车辆云构建;
步骤2.11基于步骤2.10中的车辆云构建方法,边缘服务器以预测步长k为一个周期来进行车辆云构建,并将每次车辆云构建的结果下发给车辆,任务车在各自的车辆云间将任务卸载给有空闲计算资源的服务车进行处理,对于车辆云中没有服务车的任务车,直接将任务卸载至边缘服务器进行处理。
2.根据权利要求1所述的基于轨迹预测的城市动态车辆云构建方法,其特征在于,所述步骤1包括以下步骤:
步骤1.1对车辆历史数据与未来数据进行预处理,未来数据中包含提前获取的交通环境特征,车辆历史数据为过去一定时间步的位置坐标、速度、车道以及与行驶车道对应的交通灯相位,未来数据为交通灯相位;对车辆历史数据和未来数据进行编码以及归一化处理;对于每辆车的数据t∈T,将i-p到i时刻的位置坐标、速度、车道、交通灯相位数据提取出来作为i时刻的历史数据,将i+1到i+k时刻的交通灯相位数据作为i时刻的未来数据;
步骤1.2构建基于长短期记忆单元的预测网络模型;
步骤1.3采用数据集对构建基于长短期记忆单元预测网络模型进行训练,并保存训练的模型。
3.根据权利要求2所述的基于轨迹预测的城市动态车辆云构建方法,其特征在于,所述步骤1.2中基于长短期记忆单元预测网络模型采用编码-解码形式的序列到序列架构来作为预测网络模型的基本框架,以LSTM单元作为编码器与解码器的基本单元来提取时间序列特征,编码器的LSTM按时间序列顺序读取历史数据,并将最后一个LSTM单元的隐状态作为上下文,解码器以上下文作为初始隐状态,按时间序列顺序读取未来数据,并输出对应时间步的解码结果,解码结果数据经过一层全连接层与一层输出层,再使用Leaky ReLU作为激活函数进行激活,得到对应时间步的预测结果。
4.根据权利要求3所述的基于轨迹预测的城市动态车辆云构建方法,其特征在于,所述的长短期记忆单元通过输入门、遗忘门、输出门来控制自循环的权重,其表达式为:
it=σ(Uixt+Wiht-1+bi)
ft=σ(Ufxt+Wfht-1+bf)
ot=σ(Uoxt+Woht-1+bo)
ht=ot*tanh(Ct)
其中,是计算候选记忆单元,当前时刻需要存入到记忆单元的信息;it、ft、ot分别对应三种门控机制,输入门it控制候选记忆单元存入多少信息到记忆单元中,遗忘门ft控制历史记忆单元保留多少信息到记忆单元中,输出门ot控制隐状态保留多少信息;Ct、ht分别为当前时刻的记忆单元与隐状态。
5.根据权利要求3所述的基于轨迹预测的城市动态车辆云构建方法,其特征在于,所述预测网络模型的损失函数为:
其中,k为预测时间步长,xr,i、yr,i分别为预测结果中第i个时间步的实际位置坐标,xp,i、yp,i分别为预测结果中第i个时间步的预测位置坐标。
6.一种基于车辆轨迹预测的城市场景动态车辆云构建系统,其特征在于,整个车辆云构建系统部署于边缘服务器上,边缘服务器包括数据预处理模块、车辆轨迹预测模块、车辆云构建三个模块,数据预处理模块对车辆历史数据与未来数据进行预处理,数据预处理模块对这些数据进行字符类型数据编码、所有数据的归一化,并基于预设的历史数据时间步长与未来数据时间步长将时间序列数据转化成可接入预测网络模型的形式;车辆轨迹预测模块进行范围内车辆的轨迹预测,并将预测结果输出至车辆云构建模块;车辆云构建模块以轨迹预测的未来步长为周期,基于车辆轨迹预测模块的预测结果,针对每一辆任务车搜索在预测步长内都处于其通信范围内的服务车作为候选车,构建初始车辆云;再基于不同车辆云之间重合车辆数进行车辆云合并,形成最终的车辆云构建,构建车辆云具体步骤为:
步骤1,联合考虑车辆历史行驶信息与未来交通灯相位信息,通过基于长短期记忆单元的编码-解码结构网络进行城市交叉口的车辆轨迹预测;
步骤2,基于车辆轨迹预测结果,寻找轨迹近似车辆进行聚类,构建城市环境下的动态车辆云;具体步骤为:
步骤2.1车辆产生任务卸载需求,向最近的边缘服务器发出请求;
步骤2.2边缘服务器接收请求,将其覆盖范围内的车辆历史行驶数据以及前方交通灯的配时数据作为输入,利用预训练好的预测网络模型对当前边缘服务器覆盖范围内的车辆进行未来一定步长的轨迹预测;
步骤2.3有任务卸载需求车辆简称任务车,提供计算服务车辆简称服务车,将任务车与服务车分别划分到两个集合,即任务车集与服务车集;
步骤2.4以车辆的位置坐标(x,y)作为聚类指标,根据车辆间通信距离设置聚类半径r;
步骤2.5以每一辆任务车为聚类中心,基于聚类半径r选择满足条件的服务车作为候选车辆,具体如下:
候选服务车:
其中,xS和yS为服务车的横纵坐标,xT和yT为任务车的横纵坐标;
步骤2.6将步骤2.5所选出的候选服务车存入集合,作为当前任务车在当前时间步的候选服务车集;
步骤2.7对于每一辆任务车,在未来k个步长基于网络模型预测的车辆位置坐标重复执行步骤2.5与步骤2.6,得到k个候选服务车集;
步骤2.8取k个候选服务车集的交集,作为当前任务车在当前时间步的服务车集,计算过程如下:服务车t=候选服务车t+1∩候选服务车t+2∩…∩候选服务车t+k;
步骤2.9将任务车与其在当前时间步的服务车集存入集合中,形成一个初始的车辆云,即:初始车辆云=[任务车,对应服务车集合];
步骤2.10按以上步骤,对同一时间步的n辆任务车,形成n个初始的车辆云,设置重合度阈值,将重合度超过预设阈值的车辆云进行合并;
所述步骤2.10的具体步骤为:
步骤2.10.1将n个车辆云存入集合中,设置重合度阈值m,当两个车辆云中的重合车辆数大于m时,将两个车辆云合并为一个车辆云;
步骤2.10.2从集合中选出一个车辆云与集合中剩余车辆云进行重合度比较,得到其与其他每一个车辆云的重合车辆数,将其中最大的重合车辆数与m进行比较:
如果最大的重合车辆数大于或等于m,则将所选出的车辆云与具有最大重合车辆数的车辆云中的任务车与服务车集分别进行求并集处理,得到新的任务车与服务车集,即为合并后的车辆云,并存入一个新的集合中;
如果最大的重合车辆数都小于m,把所选车辆云加入到合并后车辆云集合;
步骤2.10.3若有符合条件的车辆云与所选车辆云进行合并,则从初始车辆云集合中将所选车辆云与符合合并条件的车辆云删去;若没有符合条件的车辆云与所选车辆云进行合并,则从初始车辆云集合中将所选车辆云删去;
步骤2.10.4重复步骤2.10.2与步骤2.10.3,直至初始车辆云集合中没有车辆云;
步骤2.10.5将合并后的车辆云集合作为新一轮的初始车辆云集合,进行下一次的车辆云合并;
步骤2.10.6重复步骤2.10.5,直至合并后的车辆云集合与合并前的车辆云集合相等,完成对重合度超过预设阈值的车辆云的合并,得到对当前时间步n辆任务车的车辆云构建;
步骤2.11基于步骤2.10中的车辆云构建方法,边缘服务器以预测步长k为一个周期来进行车辆云构建,并将每次车辆云构建的结果下发给车辆,任务车在各自的车辆云间将任务卸载给有空闲计算资源的服务车进行处理,对于车辆云中没有服务车的任务车,直接将任务卸载至边缘服务器进行处理。
7.根据权利要求6所述的基于车辆轨迹预测的城市场景动态车辆云构建系统,其特征在于,所述的数据预处理模块包括数据编码单元、数据归一化单元、数据格式转换单元,数据编码单元针对其中字符型数据进行基于机器学习方法的LabelEncoder编码,转化为整数型数据;数据归一化单元,对所有数据进行归一化处理;数据格式转换单元,基于预设的时间步长将时间序列数据进行格式转换;
车辆轨迹预测模块包括模型预训练单元、轨迹预测单元,模型预训练单元进行预测网络模型的预训练与参数更新;轨迹预测单元利用网络模型进行范围内车辆的轨迹预测;车辆云构建模块包括搜索候选服务车单元、车辆云构建模块,搜索候选服务车单元通过聚类算法提取出其中与任务车轨迹近似的车辆作为候选服务车,针对每辆任务车形成相应的初始车辆云;车辆云合并单元对大于重合度阈值的车辆云进行合并。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211286196.6A CN115631629B (zh) | 2022-10-20 | 2022-10-20 | 一种基于轨迹预测的城市动态车辆云构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211286196.6A CN115631629B (zh) | 2022-10-20 | 2022-10-20 | 一种基于轨迹预测的城市动态车辆云构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115631629A CN115631629A (zh) | 2023-01-20 |
CN115631629B true CN115631629B (zh) | 2023-11-24 |
Family
ID=84905944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211286196.6A Active CN115631629B (zh) | 2022-10-20 | 2022-10-20 | 一种基于轨迹预测的城市动态车辆云构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631629B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290741B (zh) * | 2023-11-14 | 2024-03-19 | 北京阿帕科蓝科技有限公司 | 车辆聚类方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034448A (zh) * | 2018-06-14 | 2018-12-18 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
CN112004197A (zh) * | 2020-08-06 | 2020-11-27 | 重庆邮电大学 | 一种基于车辆轨迹预测的异构车联网切换方法 |
WO2021077761A1 (zh) * | 2019-10-23 | 2021-04-29 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
CN114926802A (zh) * | 2022-06-24 | 2022-08-19 | 重庆长安汽车股份有限公司 | 基于双层lstm网络的车辆轨迹预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019156956A2 (en) * | 2018-02-06 | 2019-08-15 | Cavh Llc | Intelligent road infrastructure system (iris): systems and methods |
-
2022
- 2022-10-20 CN CN202211286196.6A patent/CN115631629B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034448A (zh) * | 2018-06-14 | 2018-12-18 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
WO2021077761A1 (zh) * | 2019-10-23 | 2021-04-29 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
CN112004197A (zh) * | 2020-08-06 | 2020-11-27 | 重庆邮电大学 | 一种基于车辆轨迹预测的异构车联网切换方法 |
CN114926802A (zh) * | 2022-06-24 | 2022-08-19 | 重庆长安汽车股份有限公司 | 基于双层lstm网络的车辆轨迹预测方法 |
Non-Patent Citations (3)
Title |
---|
Real-time Traffic Jam Detection and Congestion Reduction Using Streaming Graph Analytics;Zainab Abbas 等;《2020 IEEE International Conference on Big Data (Big Data)》;第3109-3118页 * |
基于分簇的车辆自组织网络上行数据传输方法研究;郑新月;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第第1期期);第9-50页 * |
考虑信号交叉口延时的最优车辆路径规划算法;胡林;钟远兴;黄晶;杜荣华;张新;;汽车工程(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115631629A (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696370B (zh) | 基于启发式深度q网络的交通灯控制方法 | |
CN109910909B (zh) | 一种多车运动状态的汽车轨迹网联交互式预测方法 | |
CN113401143B (zh) | 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 | |
WO2021174374A1 (zh) | 交通信号极化绿波控制方法 | |
CN102567380A (zh) | 在视频图像中检索车辆信息的方法 | |
CN113159403B (zh) | 路口行人轨迹预测的方法及装置 | |
CN109635914B (zh) | 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法 | |
CN115631629B (zh) | 一种基于轨迹预测的城市动态车辆云构建方法及系统 | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN110796317A (zh) | 一种基于需求预测的城市出租车调度方法 | |
CN114169241A (zh) | 一种端到端的多目标识别、追踪与预测方法 | |
CN114898293A (zh) | 一种面向自动驾驶汽车的过街行人群体多模态轨迹预测方法 | |
CN116182884A (zh) | 基于frenet坐标系横纵解耦的智能车辆局部路径规划方法 | |
CN113140108B (zh) | 一种网联智能交通系统中的云端交通态势预测方法 | |
Liao | [Retracted] Hot Spot Analysis of Tourist Attractions Based on Stay Point Spatial Clustering | |
CN114916013B (zh) | 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 | |
CN115331460B (zh) | 一种基于深度强化学习的大规模交通信号控制方法及装置 | |
CN116665448A (zh) | 一种基于图卷积网络的交通速度实时预测方法及系统 | |
CN115208892B (zh) | 基于动态资源需求的车路协同在线任务调度方法及系统 | |
CN111160089A (zh) | 一种基于不同车辆类型的轨迹预测系统及方法 | |
CN113191539B (zh) | 一种基于异构图聚合网络的高密度复合场景轨迹预测方法 | |
CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
CN113793502B (zh) | 无信号灯控制下的行人过街预测方法 | |
CN111062589B (zh) | 一种基于目的地预测的城市出租车调度方法 | |
CN114418606A (zh) | 基于时空卷积网络的网约车订单需求预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |