一种汽车行驶时间的预测方法

1.本发明涉及路径规划技术领域，具体涉及一种汽车行驶时间的预测方法。

背景技术：

2.城市车辆拥堵导致大量的时间花费在路途中，使人们工作效率降低。能源消耗在运输行业、交通行业处于上升阶段，并且走走停停和长时间低挡位行驶易造成油耗上升，道路不畅成为油耗上升的主要原因，交通运输路线的规划变的越来越重要。
3.汽车前往目的地的行驶时间是路径选择的一个重要因素，可以通过预测交通流来计算行驶时间。现有的交通流预测方法忽略了相邻道路交通流之间的时空交互作用以及不同路段的交通拥堵差异，行驶时间的预测误差会影响路径选择的决策。考虑到不同道路之间交通流的时空相互作用，提出了一种长短期记忆-生成对抗网络(lstm-gan)深度学习算法来预测交通流，提高了预测精度。

技术实现要素：

4.1.所要解决的技术问题：
5.针对上述技术问题，本发明提供一种汽车行驶时间的预测方法，能够精确计算汽车的行驶时间，有助于计算能量消耗成本，尤其有助于电动汽车的路径规划。
6.2.技术方案：
7.一种汽车行驶时间的预测方法，其特征在于：通过建立基于lstm-gan模型来预测未来时间段内道路上的交通速度，根据预测的交通速度，将道路分成速度不同的路段，以及不同的路段的速度对应的时间段，根据不同路段的速度以及对应的时间段从而计算出汽车到达目的地需要的总行驶时间；
8.所述lstm-gan模型包括生成器h与鉴别器d；所述生成器h捕获输入的交通流数据的时空特性输出初预测的交通速度数据至鉴别器d；鉴别器d输入初预测的交通流数据以及其预测对应的实际的交通流数据用以学习两者潜在交通流数据的特征向量，最后利用特征向量构建分类模型，并且判断输入的初预测的交通流数据的真假，并且输出判断为真的初预测的交通流数据作为预测的交通流数据；
9.所述的交通流数据采用交通速度矩阵序列，将相同道路上不同时段交通速度矩阵按照预设的周期进行排列；所述lstm-gan模型的生成器h为三层结构；交通速度矩阵序列输入第一层cnn层，第一层cnn层将其学习到的所有道路上交通速度矩阵序列的空间特性输入第二层lstm层；第二层lstm层将其捕获的连续交通速度矩阵的时间特性输入第三层cnn 层，第三层cnn层生成下一时段的交通速度矩阵的初预测数据；鉴别器d为三层结构；生成器h生成的下一时段的交通速度矩阵的初预测数据与真实的交通速度矩阵均输入到第四层 cnn层；第四层cnn层将其学习到的潜在的空间特征输入第五层双向lstm层；第五层双向lstm层将其捕获潜在的时间特征输入到第六层的；第六层通过损失函数优化生成器和鉴别器的精度，获得全局最优解，输出交通速度的预测结果。
10.进一步地，具体包括一下步骤：
11.步骤一：获取历史交通流数据，将交通流数据预处理为交通速度矩阵序列；所述交通速度矩阵序列为以预设的周期排列得一条道路的交通速度矩阵序列{v
t
}＝(v(t0),v(t1),
…
,v(tn))，其中t时刻的交通速度矩阵为：
[0012][0013]
式(a1)中，v
n，1
表示t时间，道路中(n，1)节点对应的速度大小；
[0014]
步骤二：将交通速度矩阵序列输入lstm-gan模型的生成器h，生成器h经过多次的训练，预测并生成对应的道路t+1时刻的初预测速度矩阵序列；
[0015]
步骤三：将生成器h生成的t+1时刻的初预测速度矩阵序列与之对应的真实的t+1时刻的速度矩阵序列同时输入鉴别器d，鉴别器d对初预测的矩阵序列进行鉴别。在开始预测时，让鉴别器先学习真实数据的分布情况，并做到有效识别，如果经过鉴别器d输出的概率为1，则判断初预测的矩阵序列为真实的矩阵序列，如果经过鉴别器d输出的概率为0，则判断初预测的矩阵序列为生成的矩阵序列；生成器在大量数据的基础上，学习交通流历史数据的概率分布，生成的数据接近真实数据，并通过鉴别器识别，预测得到交通速度。
[0016]
步骤四：根据步骤三预测的交通速度大小，将道路分成不同交通速度的路段及其对应的时段，从而计算出汽车到达目的地的行驶时间。
[0017]
进一步地，步骤二中生成器h通过大量历史数据学习真实交通流数据的概率分布，然后使用学习到的概率分布预测未来的交通流；生成器h在学习初期，生成数据时无法通过鉴别器d的识别，被鉴别为生成的数据，当生成器经过多次的迭代训练后，生成的数据接近真实数据，并通过鉴别器d识别；迭代优化过程提高了生成器h和鉴别器d的性能；当鉴别器d 无法正确识别生成器生成的数据和真实数据时，即生成器h已经学习到了真实数据的分布，提高了预测精度。
[0018]
进一步地，步骤三中鉴别器d采用交叉熵作为损失函数判断真实的交通速度矩阵序列和步骤二初预测出的交通速度矩阵序列分布之间的相似性；所述交叉熵作为损失函数具体为：
[0019][0020]
(1)式中：表示真实矩阵序列,其中的i，j表示该道路对应的节点编号；为真实数据分布；pv(v)为先验分布；δt为时间间隔；为取自真实数据的概率；h(v)为来自生成器h输出的初预测的数据；d(h(v))为从 h
(v)到鉴别器d的概率；表示初预测的数据分布的期望；
[0021]
通过生成器h，将式(1)最小化以获得最优解；在连续空间中，将式(1)改写为式(2)：
[0022][0023]
鉴别器d的预期输出在0到1之间，当其输入数据来自真实数据的分布时，鉴别器d的目标是使输出的概率尽可能接近1；当其输入数据来自生成的数据 h(v)时，鉴别器d尝试正确判断数据源，使d(h(v))尽可能接近0，而生成器h的目标是通过迭代训练使d(h(v))尽可能接近1；这意味着生成器h生成的数据越来越接近真实数据；即通过生成器h和鉴别器d之间的零和博弈，使生成器h的损失函数 objh(θh)＝-objd(θd,θh)；
[0024]
从而建立整个lstm-gan模型的目标函数如式(3)所示：
[0025][0026]
进一步地，步骤四中所述不同交通速度的路段为与该道路的历史平均速度进行比较，具体为：将有排队车辆的路段以及小于历史平均速度的路段定义为下游路段、将大于历史平均速度的路段定义为上游路段、将需要通过红绿灯的路口定义为等待路段；其中汽车到达目的地至少途径有一条道路，计算出途径的每条道路的需要行驶的时间，并将每条路需要的时间进行求和即为预测的汽车到达目的地的需要的总时间；所述计算出途径的每条道路的需要行驶的时间具体包括以下步骤：
[0027]
s41：将汽车在对应的道路上行驶时间的划分自由行驶时间、排队等待时间和通过路口时间；所述自由行驶时间为在该条道路上位于上游路段的行驶时间；所述排队等待时间为在该条道路上处于下游路段以及等待红绿灯需要的时间；所述通过路口时间为车辆通过路口进入下一个道路需要的平均时间，并且一条道路对应一个通过路口的时间；其表达式具体如下式 (4)所示：
[0028][0029]
(4)式中：(t)表示随时间变化的函数；为在该条道路上需要行驶的时间函数；和分别为自由行驶时间、排队等待时间和通过路口时间的时间段长度；
[0030]
s42：其中，自由行驶时间如式(5)所示：
[0031][0032]
(5)式中：d
i，j
该条道路需要行驶的总路程；为该条道路中下游路段排队车
辆长度；为预测出的道路上的平均速度；
[0033]
所述下游路段中排队车辆的长度如下式(6)所示：
[0034][0035]
(6)式中：n
i,j
(t)为道路上的车辆数量；为排队车辆的平均车头间距；μ
i,j
为道路的最大车辆流量；λ
i,j
为路口的绿信比；
[0036]
由于道路阻塞密度由道路上最大车辆流量μ
i,j
与限制车速的比值得到；根据道路堵塞密度与平均速度之间的关系；所述道路上的车辆数量n
i,j
(t)如式(7)所示：
[0037][0038]
根据式(5)、(6)和(7)，和分别如式(8)和(9)所示：
[0039][0040][0041]
s43：其中，排队等待时间
[0042]
当车辆到达有红绿灯的交叉口时，排队等待时间为等待绿灯时间或者等待红灯时间分别如(10)和(11)所示：
[0043][0044][0045]
(10)式中：α
i,j
表示道路交叉口的信号周期；
[0046]
则排队等待时间如下式(12)近似得出：
[0047][0048]
(12)式中，pj为车辆在绿灯期间到达交叉口的概率；
[0049]
s44:其中，通过路口时间
[0050]
车辆通过路口的平均时间如式(13)所示：
[0051][0052]
式中：βj(t)为预设的基于统计数据得到的路口结束转弯的时间。
[0053]
3.有益效果：
[0054]
(1)本发明通过长短期记忆-生成对抗网络(lstm-gan)深度学习算法，建立交通流预测模型。该预测模型在面对不同时段的交通速度变化时能够获得更准确的预测结果，有效提高了预测的准确性，同时也证明了时变特性在交通速度预测中的重要作用。
[0055]
(2)本发明根据交通流预测模型的预测结果，将道路分成不同的路段，从而计算出汽车到达目的地的时间。本方案通过仿真验证证明其的有效性，有助于行驶时间的精确计算，表明了行驶时间的预测与交通拥堵程度是密切相关的。
附图说明
[0056]
图1为本发明中的lstm-gan模型的结构示意图；
[0057]
图2为本发明中采用lstm-gan模型进行交通速度预测的流程图；
[0058]
图3为本发明中对道路段划分的示意图；
[0059]
图4为具体实施例中的交通路网图。
具体实施方式
[0060]
如附图1至3所示，一种汽车行驶时间的预测方法，其特征在于：通过建立基于lstm-gan 模型来预测未来时间段内不同道路上的交通速度，根据预测的交通速度，将道路分成速度不同的路段，以及不同的路段的速度对应的时间段，根据不同路段的速度以及对应的时间段从而计算出汽车到达目的地需要的总行驶时间；
[0061]
所述lstm-gan模型包括生成器h与鉴别器d；所述生成器h捕获输入的交通流数据的时空特性输出初预测的交通速度数据至鉴别器d；鉴别器d输入初预测的交通流数据以及其预测对应的实际的交通流数据用以学习两者潜在交通流数据的特征向量，最后利用特征向量构建分类模型，并且判断输入的初预测的交通流数据的真假，并且输出判断为真的初预测的交通流数据作为预测的交通流数据；
[0062]
所述的交通流数据采用交通速度矩阵序列，将相同道路上不同时段交通速度矩阵按照预设的周期进行排列；所述lstm-gan模型的生成器h为三层结构；交通速度矩阵序列输入第一层cnn层，第一层cnn层将其学习到的所有道路上交通速度矩阵序列的空间特性输入第二层lstm层；第二层lstm层将其捕获的连续交通速度矩阵的时间特性输入第三层cnn 层，第三层cnn层生成下一时段的交通速度矩阵的初预测数据；鉴别器d为三层结构；生成器h生成的下一时段的交通速度矩阵的初预测数据与真实的交通速度矩阵均输入到第四层 cnn层；第四层cnn层将其学习到的潜在的空间特征输入第五层双向lstm层；第五层双向lstm层将其捕获潜在的时间特征输入到第六层的；第六层通过损失函数优化生成器和鉴别器的精度，获得全局最优解，输出交通速度的预测结果。
[0063]
具体实施例：如附图4所示本实施例中汽车的出发点为节点43，终点为节点17，其需要通过其中的7条道路虚线部分为例，预测其未来一天不同路段的速度以及对应的每15分钟后的平均速度。其中的道路相关参数如表1所示：
[0064]
表1
[0065][0066]
为了验证所提出的lstm-gan模型预测未来时间段内不同道路上的交通速度的有效性，本实施例中采用平均绝对误差(mae)、平均相对误差(mre)和均方根误差(rmse)作为评估例。将采用本技术的lstm-gan模型与包括lstm、arima和svr的预测方法进行比较。并且由于lstm是一种rnn，因此添加了rnn-gan作为比较方法，用以验证lstm 和gan结合的是否有显著的优点。通过这些方法预测了未来15分钟的平均速度，预测精度的结果对比如表2所示。很明显，提出的lstm-gan得到了最低的mae、mre和rmse 值，并具有最高的预测精度。
[0067]
表2
[0068][0069]
虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本技术的权利要求保护范围所界定的为准。

技术特征：

1.一种汽车行驶时间的预测方法，其特征在于：通过建立基于lstm-gan模型来预测未来时间段内道路上的交通速度，根据预测的交通速度，将道路分成速度不同的路段，以及不同的路段的速度对应的时间段，根据不同路段的速度以及对应的时间段从而计算出汽车到达目的地需要的总行驶时间；所述lstm-gan模型包括生成器h与鉴别器d；所述生成器h捕获输入的交通流数据的时空特性输出初预测的交通速度数据至鉴别器d；鉴别器d输入初预测的交通流数据以及其预测对应的实际的交通流数据用以学习两者潜在交通流数据的特征向量，最后利用特征向量构建分类模型，并且判断输入的初预测的交通流数据的真假，并且输出判断为真的初预测的交通流数据作为预测的交通流数据；所述的交通流数据采用交通速度矩阵序列，将相同道路上不同时段交通速度矩阵按照预设的周期进行排列；所述lstm-gan模型的生成器h为三层结构；交通速度矩阵序列输入第一层cnn层，第一层cnn层将其学习到的所有道路上交通速度矩阵序列的空间特性输入第二层lstm层；第二层lstm层将其捕获的连续交通速度矩阵的时间特性输入第三层cnn层，第三层cnn层生成下一时段的交通速度矩阵的初预测数据；鉴别器d为三层结构；生成器h生成的下一时段的交通速度矩阵的初预测数据与真实的交通速度矩阵均输入到第四层cnn层；第四层cnn层将其学习到的潜在的空间特征输入第五层双向lstm层；第五层双向lstm层将其捕获潜在的时间特征输入到第六层的；第六层通过损失函数优化生成器和鉴别器的精度，获得全局最优解，输出交通速度的预测结果。2.根据权利要求1所述的一种汽车行驶时间的预测方法，其特征在于：具体包括一下步骤：步骤一：获取历史交通流数据，将交通流数据预处理为交通速度矩阵序列；所述交通速度矩阵序列为以预设的周期排列得一条道路的交通速度矩阵序列{v
t
}＝(v(t0),v(t1),
…
,v(t
n
))，其中t时刻的交通速度矩阵为：公式(a1)中，v
n，1
表示t时间，道路中(n，1)节点对应的速度大小；步骤二：将交通速度矩阵序列输入lstm-gan模型的生成器h，生成器h经过多次的训练，预测并生成对应的道路t+1时刻的初预测速度矩阵序列；步骤三：将生成器h生成的t+1时刻的初预测速度矩阵序列与之对应的真实的t+1时刻的速度矩阵序列同时输入鉴别器d，鉴别器d对初预测的矩阵序列进行鉴别；在开始预测时，让鉴别器先学习真实数据的分布情况，并做到有效识别，如果经过鉴别器d输出的概率为1，则判断初预测的矩阵序列为真实的矩阵序列，如果经过鉴别器d输出的概率为0，则判断初预测的矩阵序列为生成的矩阵序列；生成器在大量数据的基础上，学习交通流历史数据的概率分布，生成的数据接近真实数据，并通过鉴别器识别，预测得到交通速度；
步骤四：根据步骤三预测的交通速度大小，将道路分成不同交通速度的路段及其对应的时段，从而计算出汽车到达目的地的行驶时间。3.根据权利要求2所述的一种汽车行驶时间的预测方法，其特征在于：步骤二中生成器h通过大量历史数据学习真实交通流数据的概率分布，然后使用学习到的概率分布预测未来的交通流；生成器h在学习初期，生成数据时无法通过鉴别器d的识别，被鉴别为生成的数据，当生成器经过多次的迭代训练后，生成的数据接近真实数据，并通过鉴别器d识别；迭代优化过程提高了生成器h和鉴别器d的性能；当鉴别器d无法正确识别生成器生成的数据和真实数据时，即生成器h已经学习到了真实数据的分布，提高了预测精度。4.根据权利要求3所述的一种汽车行驶时间的预测方法，其特征在于：步骤三中鉴别器d采用交叉熵作为损失函数判断真实的交通速度矩阵序列和步骤二初预测出的交通速度矩阵序列分布之间的相似性；所述交叉熵作为损失函数具体为：(1)式中：表示真实矩阵序列,其中的i，j表示该道路对应的节点编号；为真实数据分布；p
v
(v)为先验分布；δt为时间间隔；为取自真实数据的概率；h(v)为来自生成器h输出的初预测的数据；d(h(v))为从h(v)到鉴别器d的概率；表示初预测的数据分布的期望；通过生成器h，将式(1)最小化以获得最优解；在连续空间中，将式(1)改写为式(2)：鉴别器d的预期输出在0到1之间，当其输入数据来自真实数据的分布时，鉴别器d的目标是使输出的概率尽可能接近1；当其输入数据来自生成的数据h(v)时，鉴别器d尝试正确判断数据源，使d(h(v))尽可能接近0，而生成器h的目标是通过迭代训练使d(h(v))尽可能接近1；这意味着生成器h生成的数据越来越接近真实数据；即通过生成器h和鉴别器d之间的零和博弈，使生成器h的损失函数obj
h
(θ
h
)＝-obj
d
(θ
d
,θ
h
)；从而建立整个lstm-gan模型的目标函数如式(3)所示：5.根据权利要求1所述的一种汽车行驶时间的预测方法，其特征在于：步骤四中所述不同交通速度的路段为与该道路的历史平均速度进行比较，具体为：将有排队车辆的路段以及小于历史平均速度的路段定义为下游路段、将大于历史平均速度的路段定义为上游路段、将需要通过红绿灯的路口定义为等待路段；其中汽车到达目的地至少途径有一条道路，
计算出途径的每条道路的需要行驶的时间，并将每条路需要的时间进行求和即为预测的汽车到达目的地的需要的总时间；所述计算出途径的每条道路的需要行驶的时间具体包括以下步骤：s41：将汽车在对应的道路上行驶时间的划分自由行驶时间、排队等待时间和通过路口时间；所述自由行驶时间为在该条道路上位于上游路段的行驶时间；所述排队等待时间为在该条道路上处于下游路段以及等待红绿灯需要的时间；所述通过路口时间为车辆通过路口进入下一个道路需要的平均时间，并且一条道路对应一个通过路口的时间；其表达式具体如下式(4)所示：(4)式中：(t)表示随时间变化的函数；为在该条道路上需要行驶的时间函数；和分别为自由行驶时间、排队等待时间和通过路口时间的时间段长度；s42：其中，自由行驶时间如式(5)所示：(5)式中：d
i，j
该条道路需要行驶的总路程；为该条道路中下游路段排队车辆长度；为预测出的道路上的平均速度；所述下游路段中排队车辆的长度如下式(6)所示：(6)式中：n
i,j
(t)为道路上的车辆数量；为排队车辆的平均车头间距；μ
i,j
为道路的最大车辆流量；λ
i,j
为路口的绿信比；由于道路阻塞密度由道路上最大车辆流量μ
i,j
与限制车速的比值得到；根据道路堵塞密度与平均速度之间的关系；所述道路上的车辆数量n
i,j
(t)如式(7)所示：根据式(5)、(6)和(7)，和分别如式(8)和(9)所示：分别如式(8)和(9)所示：s43：其中，排队等待时间当车辆到达有红绿灯的交叉口时，排队等待时间为等待绿灯时间或者等待红灯时间分别如(10)和(11)所示：
(10)式中：α
i,j
表示道路交叉口的信号周期；则排队等待时间如下式(12)近似得出：(12)式中，p
j
为车辆在绿灯期间到达交叉口的概率；s44:其中，通过路口时间车辆通过路口的平均时间如式(13)所示：式中：β
j
(t)为预设的基于统计数据得到的路口结束转弯的时间。

技术总结

本发明公开了一种汽车行驶时间的预测方法，通过建立基于LSTM-GAN模型来预测未来时间段内不同道路上的交通速度，根据预测的交通速度，将道路分成速度不同的路段，以及不同的路段的速度对应的时间段，根据不同路段的速度以及对应的时间段从而计算出汽车到达目的地需要的总行驶时间；模型包括生成器与鉴别器；生成器捕获交通流数据的时空特性输出初预测的交通速度数据至鉴别器；鉴别器同时输入对应的实际的交通流数据用以学习两者潜在交通流数据的特征向量，最后利用特征向量构建分类模型，并且判断输入的初预测的交通流数据的真假，并且输出判断为真的初预测的交通流数据作为预测的交通流数据。本发明能够提高预测精度。度。度。