面向城市空间信息采集的车联网众包方法技术

本发明专利技术涉及一种面向城市空间信息采集的车联网众包方法，属于车载自组织网络技术领域；本发明专利技术利用轨迹预测算法挖掘车辆行驶习惯，根据车辆行驶习惯选择特定车辆执行任务，在不影响车辆正常行驶的情况下完成相关任务信息的收集。本发明专利技术提出基于张量分解的地点预测算法，根据历史轨迹数据构建三元组，根据三元组构建三阶张量，通过PITF方式对张量依据BPRC规范进行分解，迭代优化参数补全张量元素，根据张量元素值排序完成预测。接下来根据预测的结果构建车辆与道路任务二分图，根据Kuhn‑Munkres算法求解车辆与道路任务的最大匹配，使得匹配成功的概率最大。对比现有技术，本发明专利技术方法很好的结合了车辆行驶特性，减少了信息收集的冗余，提高了信息收集的效率。

【技术实现步骤摘要】
面向城市空间信息采集的车联网众包方法
本专利技术涉及一种车联网众包方法，具体涉及一种面向城市空间信息采集的车联网众包方法，属于车载自组织网络

技术介绍
随着城市化进程的不断推进和车辆智能化应用的不断增强，车载自组织网络一直是智能交通系统研究的热点问题。车载自组织网络不仅能够使车辆之间实现互联，同样能实现车辆与外界基础设施互联。类似于移动网络，将车辆视为网络中的节点，能够进行信息的传递，实现车辆与外界的通信。通过车辆网络属性对城市空间进行优化，实现智能出行。移动众包作为一种新的技术手段吸引着人们的关注，在这种机制下众包参与者可以被理解为“移动传感器节点”潜移默化地完成相应任务，有效降低传统规模较大的工作导致的资源浪费，提高工作完成效率。移动众包机制的低消耗特性和高覆盖特性，使得移动手机用户作为参与者在环境污染检测，道路交通通行状况检测，无线信号强度检测，停车位检测等数据检测收集中得到了实际的应用。将众包机制与车载自组织网络相结合，利用车辆作为移动传感器节点进行信息的采集，能够高效的利用车辆资源，辅助智能交通的实现。目前将众包机制应用到车联网中的研究较少，本专利技术的面向城市空间信息采集的车联网众包方法主要涉及到了车辆轨迹预测和众包两方面的内容，在车辆轨迹预测领域，应用比较多的预测算法是基于马尔科夫链的序列预测，这种算法不能解决预测问题中常见冷启动问题，利用马尔科夫链预测必须有历史行为数据支撑，否则就退化成为随机预测。在众包机制方面，目前研究主要集中在移动社交网络领域，可以分为不考虑地理位置影响的众包机制、当前地理位置有关的众包机制、考虑未来地理位置影响的众包机制三种，研究最多的是与当前地理位置有关的众包机制，由于众包任务的执行与地理位置和车辆的行为习惯有很强的联系，因此不仅需要考虑车辆的当前地理位置，而且还要结合用户的未来行驶方向，才能使得任务执行更加高效。
技术实现思路
本专利技术的目的在于，要充分利用车辆的行驶轨迹信息和众包机制的高覆盖、低消耗特性，将众包机制应用到车联网中，利用车辆代替移动手机，对车载自组织网络中所出现的信息进行探测收集，减少重复数据的收集，合理的规划车辆资源，让车辆变为移动的传感器，让数据的收集更加便捷。本专利技术为了解决上述技术问题，提出了一种面向城市空间信息采集的车联网众包方法。本方法技术方案的思想是根据车辆历史轨迹数据，构建车辆，具有马尔科夫性质的三阶地点链以及下一时刻地点之间的三阶张量，根据基于置信系数的贝叶斯个性化排序规范进行张量分解，利用随机梯度下降算法迭代求解参数，得到车辆去往下一地点的概率；根据求得的概率构建车辆与任务的二分图，利用KM算法求解二分图的最大匹配，最终得到车辆执行道路任务的指派最优方案。本专利技术的具体实现步骤如下：一种面向城市空间信息采集的车辆网众包方法，该方法包括以下步骤：步骤一、利用车辆历史轨迹数据，根据车辆地点转移的马尔科夫性质，设计一种基于张量分解的地点预测方法，该过程包括以下步骤：(1)构建车辆行驶的道路网模型，G＝(I,R),其中i∈I表示路口，rij∈R表示由路口i与邻接路口j确定的路段；(2)构建<车辆序号(v)，三阶马尔科夫地点链(c)，下一时刻地点(l)>三元组；(3)根据三元组构建三阶张量，利用PairwiseInteractionTensorFactorization(PITF)算法表示张量中的元素，其中元素的参数设为Θ，表示如下：其中，表示所有车辆的特征向量形成的矩阵，大小为表示所有车辆的总数量，为车辆三阶马尔科夫地点链的特征向量形成的矩阵，大小为LV为车辆v下一次将要去的地点的特征向量形成的矩阵，由于其刻画的是与车辆之间的联系，因此用来表示，其大小为与的意义相同，因其刻画的是与三阶马尔科夫地点链之间的联系，因此用表示，其大小为F为特征向量的维度；(4)对三阶张量依照基于置信权重的贝叶斯个性化规范进行张量分解；(5)利用随机梯度下降算法迭代求解最优的参数Θ；步骤二、根据步骤一中求解的最优参数还原三阶张量中每一个元素值，对张量中由车辆序号，三阶马尔科夫地点链两个维度确定的数据进行归一化处理转化为概率形式；步骤三、根据步骤二地点预测概率值，通过如下基于地点预测的车辆网众包选择方法进行车辆网众包：(1)给定时间点t以及小时间槽Δt，获取车辆在道路网上的静态分布；(2)根据道路rij与车辆v构建二分图得到车辆执行任务的概率矩阵：其中vj表示第j辆车，1≤j≤m，m表示车辆总数，ti表示第i项任务，1≤i≤n，n表示任务总数，rj表示第j辆车执行任务时的消耗，rj>0，pij表示车辆vj执行任务ti的概率，每项任务ti都倾向于选择正在驶向路口i的车辆vj，因此利用数学公式定义车辆vj执行任务ti的效率为pij/rj；根据效率对车辆进行选择执行相应道路的任务使得安排成功的概率最大，其目标函数为P，s.t.(3)对上述目标函数P进行求解，得到最优方案使得选中车辆执行众包任务成功的概率最大。作为优选，所述步骤一(2)三元组的三阶马尔科夫地点链(c)为：当前时刻t所处位置，上一时刻t-1所处位置，以及t-2时刻所处位置的组合。作为优选，所述步骤一(3)中利用PITF表示张量中元素即车辆v在三阶马尔科夫地点链c情况下转移到地点l的评估分值，具体表示如下：其中：表示的是车辆自身行驶偏好与下一时刻地点之间相互关系，表示车辆对下一时刻地点的f维隐式特征向量，表示下一时刻地点对车辆的f维隐式特征向量；表示的是三阶马尔科夫序列与下一时刻地点之间相互关系，表示对三阶马尔科夫序列下一时刻地点的f维隐式特征向量，表示下一时刻地点对三阶马尔科夫序列的f维隐式特征向量。作为优选，步骤一(4)所述依照基于置信权重的贝叶斯个性化规范(BPRC)进行张量分解，其目标函数为：其中BPRC-obj表示的是利用基于置信权重的贝叶斯个性化规范对张量中元素分解还原的目标函数，v表示车辆，V表示所有车辆的集合，Lv表示车辆v经过的所有地点的集合，Lvt表示车辆v在t时刻可能出现地点的集合，li与lj分别表示两个地点，为车辆v在三阶马尔科夫地点链c下倾向于转移到地点li的张量元素值，为车辆v在三阶马尔科夫地点链c下倾向于转移到地点lj的张量元素值，置信权重Cvij表示车辆v相比较于lj地点更倾向于去往li地点的成立程度，其通过下式计算：Ti和Tj分别表示在历史数据中车辆v处于当前三阶马尔科夫地点链时，转移到li和lj两个地点的次数，σ(x)为sigmod函数‖Θ‖2表示所述张量元素的参数集合的二范式，λΘ为与模型有关的正则化参数。作为优选，对步骤一(5)中所述的参数Θ利用随机梯度下降算法求解最优值时，参数Θ的初始化选取为高斯分布，选取的高斯分布符合Θ～N(0,σΘI)，为了减少未知的超参数的数量方便后续求解，使用高斯分布的方差直接设定为λΘI，λΘ为与模型有关的正则化参数，I为单位矩阵。作为优选，步骤二所述归一化处理采用topone归一化算法将数值转化为概率，具体如下：对张量中还原后的数据，利用topone概率方法对同一车辆，同一三阶马尔科夫地点链所确定的下一时刻所有地点数据通过如下公式进行归一化处理：其中si表示张量中的元素值，φ(si)＝exp(si)，n表示本文档来自技高网...

【技术保护点】
一种面向城市空间信息采集的车辆网众包方法，该方法包括以下步骤：步骤一、利用车辆历史轨迹数据，根据车辆地点转移的马尔科夫性质，设计一种基于张量分解的地点预测方法，该过程包括以下步骤：(1)构建车辆行驶的道路网模型，G＝(I,R),其中i∈I表示路口，r

【技术特征摘要】
1.一种面向城市空间信息采集的车辆网众包方法，该方法包括以下步骤：步骤一、利用车辆历史轨迹数据，根据车辆地点转移的马尔科夫性质，设计一种基于张量分解的地点预测方法，该过程包括以下步骤：(1)构建车辆行驶的道路网模型，G＝(I,R),其中i∈I表示路口，rij∈R表示由路口i与邻接路口j确定的路段；(2)构建<车辆序号(v)，三阶马尔科夫地点链(c)，下一时刻地点(l)>的三元组；(3)根据三元组构建三阶张量，利用PairwiseInteractionTensorFactorization(PITF)算法表示张量中的元素，其中元素的参数设为Θ，表示如下：其中，表示所有车辆的特征向量形成的矩阵，大小为表示所有车辆的总数量，为车辆三阶马尔科夫地点链的特征向量形成的矩阵，大小为LV为车辆v下一次将要去的地点的特征向量形成的矩阵，由于其刻画的是与车辆之间的联系，因此用来表示，其大小为与的意义相同，因其刻画的是与三阶马尔科夫地点链之间的联系，因此用表示，其大小为F为特征向量的维度；(4)对三阶张量依照基于置信权重的贝叶斯个性化规范进行张量分解；(5)利用随机梯度下降算法迭代求解最优的参数Θ；步骤二、根据步骤一中求解的最优参数还原三阶张量中每一个元素值，对张量中由车辆序号，三阶马尔科夫地点链两个维度确定的数据进行归一化处理转化为概率形式；步骤三、根据步骤二地点预测概率值，通过如下基于地点预测的车辆网众包选择方法进行车辆网众包：(1)给定时间点t以及小时间槽Δt，获取车辆在道路网上的静态分布；(2)根据道路rij与车辆v构建二分图得到车辆执行任务的概率矩阵：其中vj表示第j辆车，1≤j≤m，m表示车辆总数，ti表示第i项任务，1≤i≤n，n表示任务总数，rj表示第j辆车执行任务时的消耗，rj>0，pij表示车辆vj执行任务ti的概率，每项任务ti都倾向于选择正在驶向路口i的车辆vj，因此利用数学公式定义车辆vj执行任务ti的效率为pij/rj；根据效率对车辆进行选择执行相应道路的任务使得安排成功的概率最大，其目标函数为P，(3)对上述目标函数P进行求解，得到最优方案使得选中车辆执行众包任务成功的概率最大。2.根据权利要求1所述的一种面向城市空间信息采集的车辆网众包方法，其特征在于，所述步骤一(2)三元组的三阶马尔科夫地点链(c)为：当前时刻t所处位置，上一时刻t-1所处位置，以及t-2时刻所处位置的组合。3....

【专利技术属性】
技术研发人员：礼欣，周猛，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11