买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南通大学

申请日：2024-10-14

公开（公告）日：2025-01-14

公开（公告）号：CN119314313A

专利技术分类：

专利摘要：本发明属于智能交通领域，具体涉及基于深度学习的智能网联车辆最优调度序列获取方法。本发明通过构建特殊全连接神经网络用于预测车辆通行序列的剩余时间，为选择最优车辆调度序列提供了坚实的数据基础与有效支撑，同时该全连接神经网络能够实时预测车辆通行的剩余时间，从而利于交通管理系统快速响应，制定出更加高效、合理的车辆调度方案。本发明采用一种优化的集束搜索算法，该算法精准地评估各通行序列的通行时间，并通过迭代过程筛选出具有最优通行时间的最佳序列。本发明充分考虑了算法运行效率，确保了极快的运行速度，通过此策略加速了满足特定条件调度序列的搜寻过程，从而大幅提升了整体的通行效率。

专利权项：1.基于深度学习的智能网联车辆最优调度序列获取方法，其特征在于，包括以下步骤：步骤S1、建模：针对交叉口内部的空间资源分配以及车辆连续穿越交叉口过程中对这些资源的动态占用情况，构建无信号交叉口系统的Petri网模型P,T,F,M0，其中P为有限库所集；T为有限变迁集合；F＝P×T∪T×P为有向弧集；M0初始标识集合；步骤S2、初始化记录表：获取无信号交叉口区域内车辆信息，包括车辆数、速度以及车道编号；步骤S3、生成神经网路数据集：利用遗传算法进行全局寻优，生成智能网联车系统的调度序列集合；在搜索次优解的同时，也为后续神经网络的训练构建数据集，具体步骤如下：步骤S3-1、随机生成初代种群：由于编码反应了车辆的通行序列，所以根据智能网联车系统和遗传算法的特性，对车辆通行序列进行编码与解码，随机生成一定数量的染色体，构成初始种群，具体步骤如下：步骤3-1-1、车辆编号为一个整数AB，其中A表示车辆行驶路径，B表示车辆行驶的优先级；步骤3-1-2、对车辆进行从小到大排序，然后按照每辆车所需通过的变迁数进行序列扩展，得到扩展之后的车辆序列为Car_sequence；步骤3-1-3、将扩展得到的车辆通行序列Car_sequence解码为变迁序列Tran；步骤3-1-4、通过编码与解码，随机生成一定数量的染色体，构成初始种群；步骤S3-2、检测并修复：根据步骤S3-1解码得到的变迁序列不一定是可行的通行序列，需要对其进行死锁检测和修复；利用死锁避免算法，对每条染色体的变迁序列进行检测与修复，保证变迁序列中的每个变迁都能依次引发；步骤S3-3、输出种群最优个体：计算种群中每条染色体对应通行序列的最大通行时间makespan及其适应度值，并输出种群中适应度值最高的染色体及其makespan，适应度值计算公式如下： 其中wt为第Gen次迭代中惯性权重取值；maxGen为最大迭代次数；pt为种群个体适应度更新率；updateGen为种群个体第Gen次迭代中适应度提高个数；Adapt[i]为第Gen次更新后的适应度值，Adapt[i-1]为第Gen次的适应度值，ri为[0,1]间的随机数，Adaptbest为最优的适应度值，ND为[1,2]之间的随机整数，Adaptmean为染色体适应度均值；步骤S3-4、判断是否满足终止条件GenmaxGen，其中Gen为当前种群的迭代次数，maxGen为最大迭代次数；若满足终止条件则输出最优个体，不满足则执行遗传操作；步骤S3-5、遗传操作：对当前种群进行选择、交叉、变异这三步操作，从而获得新一代的种群，执行步骤S3-3、步骤S3-4；步骤S3-6、获取神经网路数据集：计算每一代最优的变迁序列对应的标识M、对应的已加工时间g以及预计剩余时间h作为数据集，其中预计剩余时间h通过makespan减去已加工时间g得到，并以8:2的比例选取训练集与测试集；步骤S4、获得神经网路权重和参数：搭建全连接神经网络，确定网络结构，设定相关参数，通过步骤S3遗传算法获得的数据集对全连接神经网络进行训练，并测试其训练完成度，将训练完成的网络权重和参数保存在pth文件中，用于后续的预测，具体步骤如下：步骤S4-1、输入、输出层神经元个数确定：神经网络的输入层神经元个数为Petri网库所总数加1，输入量为Petri网各库所中托肯的数量以及已加工时间g，输出层神经元个数为1，输出量为预计剩余时间h；步骤S4-2、确定隐含层层数、Dropout层和各层神经元个数：为了找到合适的隐含层层数，采用从一层至十层递增地构建隐含层，并在每个隐含层配置中引入Dropout层，以相同数据集对不同隐含层层数的神经网络进行训练，通过固定公式减少神经元间的连接，目的是防止过拟合并提升模型的泛化能力；通过对比分析，得到MSE达到最小的隐含层层数和相应的Dropout层配置；步骤S4-3、搭建网络结构：成功获取了神经网络的输入维度、期望输出以及预定的网络层数等相关信息后，在Sequential模型中构建具体的网络结构，按照顺序定义每一层，包括输入层、多个隐含层、穿插其中的Dropout层，以及最终的输出层，激活函数选择ReLU函数，优化器选择Adam算法，对于模型预测精度误差采用MSE作为损失函数；步骤S4-4、训练神经网络：使用训练集训练神经网络，在训练前对数据集进行归一化处理，训练次数3000次，并使用测试集对训练完的神经网络进行测试，并将训练好的网络参数和权重保存在pth文件中；步骤S5、采用集束搜索算法获取最短通行序列：得到训练好的全连接神经网络后，采用改进的集束搜索算法，迭代生成Petri网的可达标识，直至迭代至目标标识，找出满足目标函数的最优调度序列，目标函数具体如下：F＝min{max{Cl}}Tmax＝max{Cl}其中，Cl为第l辆车驶离交叉口的时间，Tmax为所有车辆通行完的最大通行时间。

百度查询： 南通大学 基于深度学习的智能网联车辆最优调度序列获取方法