【技術實現步驟摘要】
本專利技術屬于智能交通領域，具體涉及基于深度學習的智能網聯車輛最優調度序列獲取方法。
技術介紹
1、隨著城市化加速和機動車激增，城市道路交通網絡面臨嚴峻挑戰，交叉口作為關鍵節點，其高效運作至關重要。傳統管理方法如定時、感應和自適應控制雖有所緩解，但面對復雜多變的交通環境顯得不足，缺乏實時性、靈活性和智能化，導致擁堵、延誤和安全隱患。
2、智能網聯車輛(cavs)集成先進技術，實現信息共享與協同控制，為交叉口管理帶來新機遇。在智能網聯環境下，交叉口管理向智能化、靈活化、高效化轉變。然而，高效調度智能網聯車輛需解決核心問題：實時生成最優調度序列。
3、深度學習憑借強大的數據處理和特征提取能力，成為解決此問題的關鍵技術。通過構建深度學習模型，深入挖掘交通數據，預測交通狀態，并綜合考慮車輛狀態、路徑選擇和交叉口容量，為智能網聯車輛提供最優調度序列。這種方法將顯著提升交叉口調度的實時性、準確性和智能化，有效緩解交通擁堵，提升交通系統整體效能和安全性。
技術實現思路
1、本專利技術的目的在于克服現有技術在智能網聯車輛調度領域的局限性，提出了基于深度學習的智能網聯車輛最優調度序列獲取方法。該方法通過深度挖掘交通數據，利用深度學習模型的強大分析能力，為智能網聯車輛定制最優的通過交叉口的序列，從而有效減少車輛在交叉口的等待時間，避免不必要的交通延誤。
2、本專利技術為實現上述專利技術目的，采取的技術方案如下：
3、基于深度學習的智能網聯車輛最優調度序列
4、步驟1)(建模)：針對交叉口內部的空間資源分配以及車輛連續穿越交叉口過程中對這些資源的動態占用情況，構建無信號交叉口系統的petri網模型(p,t,f,m0)，其中p為有限庫所集；t為有限變遷集合；f＝(p×t)∪(t×p)為有向弧集；m0初始標識集合。
5、步驟2)(初始化記錄表)：獲取無信號交叉口區域內車輛信息，包括車輛數、速度以及車道編號。
6、步驟3)(生成神經網路數據集)：利用遺傳算法進行全局尋優，生成智能網聯車系統的調度序列集合，在搜索次優解的同時，也為后續神經網絡的訓練構建數據集。具體步驟優化如下：
7、步驟3-1)(隨機生成初代種群)：由于編碼反應了車輛的通行序列，所以根據智能網聯車系統和遺傳算法的特性，對車輛通行序列進行編碼與解碼，隨機生成一定數量的染色體，構成初始種群，具體步驟如下：
8、步驟3-1-1)：車輛編號為一個整數ab，其中a表示車輛行駛路徑，b表示車輛行駛的優先級。
9、步驟3-1-2)：對車輛進行從小到大排序，然后按照每輛車所需通過的變遷數進行序列擴展，得到擴展之后的車輛序列為car_sequence。
10、步驟3-1-3)：將擴展得到的車輛通行序列car_sequence解碼為變遷序列tran。
11、步驟3-1-4)：通過編碼與解碼，隨機生成一定數量的染色體，構成初始種群。
12、步驟3-2)(檢測并修復)：根據步驟3-1解碼得到的變遷序列不一定是可行的通行序列，需要對其進行死鎖檢測和修復。本文利用現有技術中的死鎖避免算法，對每條染色體的變遷序列進行檢測與修復，保證變遷序列中的每個變遷都能依次引發。
13、步驟3-3)(輸出種群最優個體)：計算種群中每條染色體對應通行序列的最大通行時間makespan及其適應度值，并輸出種群中適應度值最高的染色體及其makespan，適應度值計算公式如下：
14、
15、其中w(t)為第gen次迭代中慣性權重取值；maxgen為最大迭代次數；p(t)為種群個體適應度更新率。update(gen)為種群個體第gen次迭代中適應度提高個數；adapt[i]為第gen次更新后的適應度值，adapt[i-1]為第gen次的適應度值，ri為[0,1]間的隨機數，adaptbest為最優的適應度值，nd為[1,2]之間的隨機整數，adaptmean為染色體適應度均值。
16、步驟3-4)：判斷是否滿足終止條件gen>maxgen，其中gen為當前種群的迭代次數，ma?xgen為最大迭代次數；若滿足終止條件則輸出最優個體，不滿足則執行遺傳操作。
17、步驟3-5)(遺傳操作)：對當前種群進行選擇、交叉、變異這三步操作，從而獲得新一代的種群，執行步驟3-3、步驟3-4。
18、步驟3-6)(獲取神經網路數據集)：計算每一代最優的變遷序列對應的標識m、對應的已加工時間g以及預計剩余時間h作為數據集，其中預計剩余時間h通過makespan減去已加工時間g得到，并以8:2的比例作為訓練集與測試集。
19、步驟4)(獲得神經網路權重和參數)：搭建全連接神經網絡，確定網絡結構，設定相關參數，通過步驟3遺傳算法獲得的數據集對全連接神經網絡進行訓練，并測試其訓練完成度，將訓練完成的網絡權重和參數保存在pth文件中，用于后續的預測，具體步驟如下。
20、步驟4-1)(輸入、輸出層神經元個數確定)：神經網絡的輸入層神經元個數為petri網庫所總數加1，輸入量為petri網各庫所中托肯的數量以及已加工時間g，輸出層神經元個數為1，輸出量為預計剩余時間h。
21、步驟4-2)(確定隱含層層數、dropout層和各層神經元個數)：為了找到合適的隱含層層數，采用從一層至十層遞增地構建隱含層，并在每個隱含層配置中引入dropout層，以相同數據集對不同隱含層層數的神經網絡進行訓練，通過固定公式減少神經元間的連接，目的是防止過擬合并提升模型的泛化能力。為了評估每種架構的有效性，重點關注模型的均方誤差(mse)這一指標，它衡量了模型預測值與實際值之間差異的平方的平均值。通過對比分析，可以得到mse達到最小的隱含層層數和相應的dropout層配置。
22、步驟4-3)(搭建網絡結構)：在完成了步驟4-1和4-2，成功獲取了神經網絡的輸入維度、期望輸出以及預定的網絡層數等相關信息后，在sequential()模型中構建具體的網絡結構，按照順序定義每一層，包括輸入層、多個隱含層、穿插其中的dropout層，以及最終的輸出層，激活函數選擇relu函數，優化器選擇adam算法，對于模型預測精度誤差采用mse作為損失函數。
23、步驟4-4)(訓練神經網絡)：使用訓練集訓練神經網絡，在訓練前對數據集進行歸一化處理，訓練次數3000次，并使用測試集對訓練完的神經網絡進行測試，并將訓練好的網絡參數和權重保存在pth文件中。
24、步驟5)(采用集束搜索算法獲取最短通行序列)：得到訓練好的全連接神經網絡后，采用改進的集束搜索算法，迭代生成petri網的可達標識，直至迭代至目標標識，找出滿足目標函數的最優調度序列，目標函數具體如下。
25、f＝min{max{cl}}
26、tmax＝max{cl}
27、其中，cl為第l輛本文檔來自技高網...
【技術保護點】
1.基于深度學習的智能網聯車輛最優調度序列獲取方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的智能網聯車輛最優調度序列獲取方法，其特征在于，步驟S4-3中搭建網絡結構，通過步驟S4-2，獲得當網絡隱含層結構為六層時MSE最小，具體網絡結構搭建如下：
3.根據權利要求2所述的基于深度學習的智能網聯車輛最優調度序列獲取方法，其特征在于，步驟S5中采用集束算法獲取最優通行序列，具體步驟如下：
【技術特征摘要】
1.基于深度學習的智能網聯車輛最優調度序列獲取方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的智能網聯車輛最優調度序列獲取方法，其特征在于，步驟s4-3中搭建網絡結構，通過步驟s4-...
【專利技術屬性】
技術研發人員：王榮景，劉慧霞，高宇軒，曹猛，黃程，朱冠任，馬友鵬，芮峰，
申請(專利權)人：南通大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。