CN111695737A - 一种基于lstm神经网络的群目标行进趋势预测方法 - Google Patents
一种基于lstm神经网络的群目标行进趋势预测方法 Download PDFInfo
- Publication number
- CN111695737A CN111695737A CN202010542008.6A CN202010542008A CN111695737A CN 111695737 A CN111695737 A CN 111695737A CN 202010542008 A CN202010542008 A CN 202010542008A CN 111695737 A CN111695737 A CN 111695737A
- Authority
- CN
- China
- Prior art keywords
- group
- target
- prediction
- track
- point
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000015654 memory Effects 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 12
- 230000007787 long-term memory Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 abstract description 9
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于LSTM神经网络的群目标行进趋势预测方法,利用群目标间的相对空间关系对实际场景中的交互性群目标进行建模,建立LSTM长短时记忆神经网络进行轨迹位置预测计算。依据群组中单目标间联络通信、协同合作关系、单目标型号特征以及群目标活动性质进行依赖预测,排除不合理因素,得出群目标行进轨迹趋势的最小预测空间,对最终预测结果进行可视化表达。与传统对单一目标轨迹预测相比,本发明解决了对具有一定相关性、交互性的复杂群目标行进趋势预测的相关问题,能够充分利用目标历史航迹、目标关联关系、目标型号类别、目标体量特征、目标活动性质等信息综合全面地进行推算、预测,尽准地提供了群目标行进趋势的预测结果。
Description
技术领域
本发明涉及一种基于LSTM神经网络的群目标行进趋势预测方法。
背景技术
目前,国内外在无人驾驶、交通流量、行人轨迹等领域对目标行进趋势的预测技术有着较为广泛的研究与应用。尽准预测目标的行进趋势、运动轨迹对于尽早掌握目标将来位置、挖掘目标行为意图有着重要的意义。然而,针对一组具有联络通信、协同合作等复杂关联关系的群目标进行整体行进趋势预测仍面临着诸多问题:1)现有预测技术更多的是针对单一类别的目标轨迹进行预测,而缺少针对多类型、交互性群目标整体行进趋势预测方面的研究。2)在预测中对目标历史轨迹信息使用不充分以及对目标所处环境的动态性考虑不充分致使预测准确率过度依赖于目标当前状态;3)忽略单目标的型号、体积等固有特征在目标群整体行进趋势预测中的权重影响。4)缺少在目标活动性质对预测空间影响方面的考虑。5)缺少对群目标行进趋势预测结果计算和表达有效方式。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种基于LSTM神经网络的群目标行进趋势预测方法,该方法通过利用群目标间的相对位置、相对朝向、相对体积、相对速度大小等相对空间关系对实际场景中复杂又抽象的交互性群目标进行建模,对群组中单目标长时历史航迹点做预处理,建立LSTM长短时记忆神经网络进行轨迹位置预测计算。在此基础上,依据群组中单目标间联络通信、协同合作关系、单目标型号特征以及群目标活动性质等方面的信息进行依赖预测,排除不合理因素,分析得出群目标行进轨迹趋势的最小预测空间,并基于地理信息背景,对最终预测结果进行可视化表达。
本发明公开了一种基于LSTM神经网络的群目标行进趋势预测方法,包括如下步骤:
步骤1、对群组中各单目标的轨迹点进行预处理操作;
步骤2、建立LSTM长短时记忆神经网络预测模型,以群组中各单目标轨迹序列为输入,预测计算群组中各单目标轨迹趋势;
步骤3、计算得到关于群目标整体行进趋势的最小预测空间;
步骤4、依据群组中各单目标轨迹预测结果及最小预测空间,计算群组整体行进趋势的置信区间;
步骤5、基于二维地理信息背景,对群目标行进趋势预测结果进行可视化设计和展示。
步骤1中包括:对于给定的目标群集合G={g1,g2,g4,g5,…gn},其中n代表群组中单目标总数,且n∈N*,N*为正整数,gn代表群组中第n个目标的轨迹点序列,首先,抽取集合G中各单目标在给定时间段[t1,t2]内的历史轨迹信息形成按时间进行排序的序列型结构数据,其中t1代表起始时间点,t2代表终止时间点,且t1<t2;其次根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证,得到历史轨迹点序列,;最后,再根据预测输入数据序列步长要求,对历史轨迹点序列进行插值补全以得到满足预测输入数据序列的密度要求。
步骤1中,所述根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证,得到历史轨迹点序列,包括:在来源方式方面,建立轨迹点来源方式的采信优先级规则,对于给定单目标的一个轨迹点,采信优先级最高的来源方式上报的轨迹点位;如果存在来源方式优先级相等的情况,则计算优先级相等的所有来源方式上报点位的平均经纬度,作为最终采信的轨迹点位。
步骤1中,对历史轨迹点序列进行三阶贝赛尔曲线补全以得到满足预测输入数据序列的密度要求,对于一组历史轨迹点序列R={p1(x1,y1),p2(x2,y2),p3(x3,y3),…pn(xn,yn)},其中n∈N*,pn表示第n个历史轨迹点,(xn,yn)为pn的坐标,设定根据预测输入数据序列要求,需要在pn与pn+1之间进行插值补全,针对原始点pn和pn+1确定两个控制点cn和dn,,且cn位于pn之前,dn位于pn之后,则cn坐标为(xn+α(xn+1–xn-1),yn+α(yn+1-yn-1)),dn坐标为(xn+1-β(xn+2–xn),yn+1-β(yn+2-yn)),其中α、β为常量,则位于pn与pn+1间的三阶贝赛尔曲线的参数方程为:
其中s为求pn与pn+1之间插值轨迹点时所指定的长度比例,根据人为指定的轨迹预测步长要求进行各单目标历史轨迹插值补点计算。
步骤2具体包括如下步骤:
步骤2-1,群组中各单目标历史航迹按LSTM长短时记忆神经网络输入需求进行预处理:对于群组中的一个给定单目标,将其在时间段[t1,t2]内的历史轨迹点集合标记为H[t1,t2]={h1(x1,y1),h2(x2,y2),h3(x3,y3),…hn(xn,yn)},其中n∈N*,hn表示给定单目标历史轨迹点集合H[t1,t2]中的第n个轨迹点,(xn,yn)为hn的坐标;
对集合H[t1,t2]中的元素进行降维处理,最终形成两个序列化数据集合Hlon={x1,x2,x3,…xn}和Hlat={y1,y2,y3,…yn};
对输入序列Hlon和Hlat做等量子集划分,即做mini-batch操作,在历史轨迹进行三阶贝赛尔插值补全操作中保证在时间段[t1,t2]内轨迹点保证一定的密度([t1,t2]内轨迹点密度是通过设置三阶贝塞尔插值补全中的s值来保证的),等量子集划分参数即规定每次向LSTM长短时记忆神经网络中输入个样本进行训练调整参数;
设定序列长度steps=3;
步骤2-2,构建LSTM循环神经网络,包括输入层、LSTM长短时记忆神经网络层以及输出层;
输入层中输入数据量的长度由batch_size和steps共同确定,输入层有三个输入要素Ct-1、Ht-1和Xt,Ct-1位于主记忆线上,是LSTM循环中对前期状态的记忆,Ht-1是训练序列(训练序列是每次训练所得出的结果所构成的序列)中上一个时间点上输入特征向量的预测结果,Xt是训练序列上t时刻的输入特征向量;
在构建LSTM长短时记忆神经网络层的过程中,将LSTM长短时记忆神经网络层处理过程划分为忘记阶段、选择性记忆阶段和输出阶段,各阶段分别设计相应的门限控制器,即遗忘门、输入门和输出门,各门限均以sigmoid函数来实现,并且选用tanh作为激励补长函数;其中,遗忘门主要用来决定要保留和遗忘上一个单元模块输出的哪个部分,由t-1时的长期记忆输入Ct-1与指定的遗忘因子确定;输入门针对遗忘门中丢弃的信息在该单元中找到对应的新的属性信息进行补充;输出门根据遗忘门和输入门先后确定的单元状态进行最终结果输出。
输出层中通过维度映射,使用softmax函数将多个神经元的输出映射到到(0,1)区间内(参考文献:P Hao.Jli.Incrementally Learning the Hierarchical SoftmaxFunction for Neural Language Models.[C].AAAI.2017.),得到预测结果的概率分布作为最终选择的依据;
输出层输出预测序列中t时刻的神经元状态Ct的同时输出预测结果Ht,Ht为一个维的向量,记向量维度为输出向量Ht=(h1,h2,h3,…hm),其中hm代表第m个点的预测值,且m∈N*,则输出向量Ht中每个值的概率分布表示为: 其中S(hi)代表向量Ht中第i个值的概率分布,i为正整数,i=1,2,…m;最终在softmax函数计算结果集合S(hi)中选取概率值最大的作为最终的预测结果;
步骤3包括:对于给定的目标群G,挖掘目标群G中单目标之间的联络通信关系、识别各单目标的活动性质,据此构建表达单目标之间的交互特征指标体系,计算交互影响指数,并结合各单目标独立轨迹预测结果进行相关联动分析、依赖预测,得到关于群目标整体行进趋势的最小预测空间。其中,通过FPTree算法进行单目标关联关系挖掘和频繁项集的计算,对小于2的频繁项集进行裁剪,再根据各单目标的活动性质进行活动区域裁剪,如行人的活动性质决定其直接跨越楼宇区域的概率较低,因此可将楼宇区域进行裁剪。其中的目标关联挖掘和频繁项集计算通过FPTree算法计算,FPTree是现有技术,引用自:IOukid.FPTree:AHybird SCM-DRAM Persistent and Concurrent B-Tree for StorageClass Memory[C].International Conference on Management of Data.2016。
步骤4包括:选择t分布来计算预测结果置信区间,设定群组中有m个单目标,抽取n个单目标中经度预测结果在最小预测空间范围内的点作为抽样样本,标记为{x1,x2,..xn},其中n∈N*,将抽样样本均值记为对于t分布来说,采用置信水平95%并以自由度为n-1查表得t值标记为θ,则计算得目标群行进趋势点位中经度置信水平为95%的置信区间为将抽取的n个单目标的经度预测结果对应的纬度样本集合标记为{y1,y2,..yn},其中n∈N*,将该样本{y1,y2,..yn}的均值记为对于t分布来说,采用置信水平95%并以自由度为n-1查表得t值标记为θ,则计算得目标群行进趋势点位中纬度置信水平为95%的置信区间为
步骤5包括:基于二维地理信息背景,对群目标行进趋势预测结进行以圆与扇形结合的方式进行可视化展示。
有益效果:本发明与现有技术相比具有以下的优点:
1)在预测对象方面,与以往只针对单一环境中的单一目标进行轨迹预测相比,本发明提出了针对具有多类型、交互特征的群目标进行整体行进趋势的预测技术,解决了特点条件下群目标整体状态迁移的预测问题。
2)在预测方法方面,不仅充分利用了预测对象的长时历史轨迹信息,而且充分利用了预测对象间的联络通信、协同合作、活动性质等交互特征信息,将长短时记忆神经网络预测方法与交互特征推断预测结合形成一种多因素依赖预测方法,缩小了运动轨迹的预测空间,使预测结果更聚焦,尽准地表征群目标整体行进趋势。
3)在预测结果处理及可视化方面,以群组中单目标轨迹预测结果集作为抽样样本,计算预测结果的置信上限和置信下限,结合地理信息背景设计了一种以圆和扇形相结合的群目标整体行进趋势的可视化方法,效果直观、简洁,提高了决策者对预测结果的感知和理解效率。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明的流程示意图。
图2是本发明构建LSTM长短时记忆神经网络结构示意图。
图3是本发明中最小预测空间的裁剪示意图。
图4是本发明群目标行进趋势预测结果区间示意图。
具体实施方式
本发明的目的在于提供一种基于LSTM神经网络的群目标行进趋势预测方法,该方法通过利用群目标间的相对位置、相对朝向、相对体积、相对速度大小等相对空间关系对实际场景中复杂又抽象的交互性群目标进行建模,对群组中单目标长时历史航迹点做预处理,建立LSTM长短时记忆神经网络进行轨迹位置预测计算。在此基础上,依据群组中单目标间联络通信、协同合作关系、单目标型号特征以及群目标活动性质等方面的信息进行依赖预测,排除不合理因素,分析得出群目标行进轨迹趋势的最小预测空间,并基于地理信息背景,对最终预测结果进行可视化表达。本发明主要包括如下步骤:
步骤1、对群组中各单目标的轨迹点进行预处理操作。首先,对原始轨迹点进行去噪;其次,对多个相似关联点进行融合、印证得出增强点;最后,对轨迹点序列进行插值补全操作以便增强一定时间跨度内的轨迹点密度。
步骤2、建立LSTM长短时记忆神经网络预测模型,以群目标中各单目标轨迹序列为输入,预测计算群组中各单目标轨迹趋势。
步骤3、计算群组中单目标之间的联络通信关系、识别各单目标的活动性质、梳理各单目标之间的交互特征,并结合各单目标独立轨迹预测结果进行相关联动分析、依赖预测,得到关于群目标整体行进趋势的最小预测空间。
步骤4、依据群组中各单目标轨迹预测结果及最小预测空间,计算群组整体行进趋势的置信区间;
步骤5、基于二维地理信息背景,对群目标行进趋势预测结进行可视化设计和展示。
实施例
本实施例中提供了一种基于LSTM神经网络的群目标行进趋势预测方法,该方法在用于无人驾驶汽车群组行进趋势预测的实验中,能够保证无人驾驶汽车群组实际轨迹落在预测区间内的同时并计算得出群组的最小行进趋势区间。如图1所示,其具体实施步骤如下:
步骤1、对于给定的目标群集合G={g1,g2,g4,g5,…gn},其中n∈N*,抽取集合G中各单目标在给定时间段[t1,t2](t1<t2)内的历史轨迹信息形成按时间进行排序的序列型结构数据,根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证,得到精确度较高的历史轨迹点序列,再根据预测输入数据序列步长要求,对历史轨迹点序列进行三阶贝赛尔曲线补全以得到满足预测输入数据序列的密度要求。例如对于一组轨迹点序列R={p1(x1,y1),p2(x2,y2),p3(x3,y3),…pn(xn,yn)},其中n∈N*,根据预测输入数据序列要求,需要在pn与pn+1之间进行插值补全,针对原始点pn和pn+1确定两个控制点cn和dn,且cn位于pn之前,dn位于pn之后,则cn坐标为(xn+α(xn+1–xn-1),yn+α(yn+1-yn-1)),dn坐标为(xn+1-β(xn+2–xn),yn+1-β(yn+2-yn)),其中α、β为常量,一般取值为0.25。由此可推出位于pn与pn+1间的三阶贝赛尔曲线的参数方程为:
其中s为求pn与pn+1之间插值轨迹点时所指定的长度比例,本实验中取两点间轨迹中点即s=0.5,由此根据轨迹预测步长要求进行各单目标历史轨迹插值补点计算。
步骤2、构建具有单元状态的长短时记忆循环神经网络,对于群组中的单目标历史轨迹点数据按照经度、纬度进行降维分解,对于一个给定单目标的历史轨迹H,可生成两个序列型结构来表示,记为Hlon和Hlat,并以Hlon和Hlat作为LSTM长短时记忆神经网络的输入进行轨迹H的预测计算,细节如下:
步骤2-1,群组中各单目标历史航迹按LSTM长短时记忆神经网络输入需求进行预处理。对于群组中的一个给定单目标,将其在时间段[t1,t2](t1<t2)内的历史轨迹点集合标记为H[t1,t2]={h1(x1,y1),h2(x2,y2),h3(x3,y3),…hn(xn,yn)},其中n∈N*;第一步,对集合H[t1,t2]中的元素进行降维处理,最终形成两个序列化数据集合Hlon={x1,x2,x3,…xn}和Hlat={y1,y2,y3,…yn},其中n∈N*;第二步,对输入序列Hlon和Hlat做等量子集划分,即做mini-batch操作,在历史轨迹进行三阶贝赛尔插值补全操作中保证在时间段[t1,t2](t1<t2)内轨迹点保证一定的密度,为了提高训练效率,此处等量子集划分参数即规定每次向LSTM长短时记忆神经网络中输入个样本进行训练调整参数。第三步,由于LSTM网络是多个相同的神经网络单元叠加起来的序列,目标轨迹中连续三个点可以表征目标在该段线路上的运动趋势,故此处规定序列长度steps=3。综上,最终确定batch_size*steps的二维数组长度作为一组训练数据量。
步骤2-2,构建LSTM循环神经网络,包括输入层、LSTM长短时记忆神经网络层以及输出层三部分。输入层构建中输入数据量的长度是关键,由1)中batch_size和steps共同确定。如图2所示,输入层有三个输入要素,Ct-1位于主记忆线上,是LSTM循环中对前期状态的记忆,Ht-1是训练序列中上一个时间点上输入特征向量的预测结果,Xt训练序列上t时刻的输入特征向量。输入层结合了前期的记忆状态和预测结果,维护了两个传输中间状态,即以Ct-1为代表的神经元状态和以Ht-1为代表的隐藏层状态,是神经网络完成长时记忆、适用于更长序列数据预测的基础。在构建LSTM的神经网络层过程中,将LSTM长短时记忆神经网络层处理过程划分为忘记阶段、选择性记忆阶段和输出阶段,各阶段设计相应的门限控制器,即遗忘门、输入门和输出门,确保信息选择性通过,进入下一个环节。各门限均以sigmoid函数来实现,并且选用tanh作为激励补长函数。输出层中通过维度映射,使用softmax函数将多个神经元的输出映射到到(0,1)区间内,得到预测结果的概率分布作为最终选择的依据。在本实验中,输出层输出预测序列中t时刻的神经元状态Ct的同时输出预测结果Ht,Ht为一个维的向量,记向量维度为输出向量Ht=(h1,h2,h3,…hm),其中m∈N*,则输出向量Ht中每个值的概率分布可表示为:其中i为正整数,i=1,2,…m。最终在softmax函数计算结果集合S(hi)中选取概率值最大的作为最终的预测结果。
步骤3、对于给定的目标群G,挖掘群组G中单目标之间的联络通信关系、识别各单目标的活动性质,并结合各单目标独立轨迹预测结果进行相关联动分析、依赖预测,得到关于群目标整体行进趋势的最小预测空间。如对于给定目标群集合G,通过群组算法识别出单目标间通联关系集合的频繁子集,如图3所示,集合E、F、K、H、P为群组中根据单目标通联关系及单目标航迹预测点划分的预测区域,其中集合E为频繁2项集、F为频繁1项集,试验中设置频繁子集项小于2可看做低概率区,因此,可推断E、F区域被裁剪。同时,群组的活动性质决定向区域D行进是低概率事件,则在行进趋势范围中将区域D进行裁剪。最后,以频繁子集区域重心为圆心,确定两条射线与圆边的交点p1和p2,则弧线p1p2确定了群组行进的预测的最小范围。
步骤4、依据群组中各单目标轨迹预测结果及群目标行进趋势的最小预测空间,计算在最小预测空间约束下的群组整体行进趋势的置信区间。由于群组中单目标数量较少,因此选择t分布来计算预测结果置信区间,假设群组中有m个单目标,抽取n个单目标中经度预测结果在最小预测空间范围内的点作为抽样样本标记为{x1,x2,..xn},其中n∈N*,将该样本均值记为对于t分布来说,采用常用置信水平95%并以自由度为n-1查表得t值标记为θ,则计算得目标群行进趋势点位中经度置信水平为95%的置信区间为将抽取的n个单目标的经度预测结果对应的纬度样本集合标记为{y1,y2,..yn},其中n∈N*,将该样本均值记为对于t分布来说,采用置信水平95%并以自由度为n-1查表得t值标记为θ,则计算得目标群行进趋势点位中纬度置信水平为95%的置信区间为
步骤5、于基于二维地理信息背景,对群目标行进趋势预测结进行以圆与扇形结合的方式进行可视化展示。如图4所示,由于群组的下一步行进趋势可能的范围为0°到360°,因此可以圆形来可视化表达,通过以上步骤1、2、3、4综合计算得出群组最终行进趋势弧度范围,因此可以以该弧度和图4中灰色圆形共同确定一个扇形,如图中的白色扇形来表征群组G的行进趋势范围。
本发明提供了一种基于LSTM神经网络的群目标行进趋势预测方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (8)
1.一种基于LSTM神经网络的群目标行进趋势预测方法,其特征在于,包括如下步骤:
步骤1、对群组中各单目标的轨迹点进行预处理操作;
步骤2、建立LSTM长短时记忆神经网络预测模型,以群组中各单目标轨迹序列为输入,预测计算群组中各单目标轨迹趋势;
步骤3、计算得到关于群目标整体行进趋势的最小预测空间;
步骤4、依据群组中各单目标轨迹预测结果及最小预测空间,计算群组整体行进趋势的置信区间;
步骤5、基于二维地理信息背景,对群目标行进趋势预测结果进行可视化设计和展示。
2.根据权利要求1所述的方法,其特征在于,步骤1中包括:对于给定的群组集合G={g1,g2,g4,g5,…gn},其中n代表群组中单目标总数,且n∈N*,N*为正整数,gn代表群组中第n个目标的轨迹点序列,首先,抽取集合G中各单目标在给定时间段[t1,t2]内的历史轨迹信息形成按时间进行排序的序列型结构数据,其中t1代表起始时间点,t2代表终止时间点,且t1<t2;其次,根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证,得到历史轨迹点序列,最后,根据预测输入数据序列步长要求,对历史轨迹点序列进行插值补全以得到满足预测输入数据序列的密度要求。
3.根据权利要求2所述的方法,其特征在于,步骤1中,所述根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证,得到历史轨迹点序列,包括:在来源方式方面,建立轨迹点来源方式的采信优先级规则,对于给定单目标的一个轨迹点,采信优先级最高的来源方式上报的轨迹点位;如果存在来源方式优先级相等的情况,则计算优先级相等的所有来源方式上报点位的平均经纬度,作为最终采信的轨迹点位。
4.根据权利要求3所述的方法,其特征在于,步骤1中,对历史轨迹点序列进行三阶贝赛尔曲线补全以得到满足预测输入数据序列的密度要求,对于一组历史轨迹点序列R={p1(x1,y1),p2(x2,y2),p3(x3,y3),…pn(xn,yn)},其中n∈N*,pn表示第n个历史轨迹点,(xn,yn)为pn的坐标,设定根据预测输入数据序列要求,需要在pn与pn+1之间进行插值补全,针对原始点pn和pn+1确定两个控制点cn和dn,,且cn位于pn之前,dn位于pn之后,则cn坐标为(xn+α(xn+1–xn-1),yn+α(yn+1-yn-1)),dn坐标为(xn+1-β(xn+2–xn),yn+1-β(yn+2-yn)),其中α、β为常量,则位于pn与pn+1间的三阶贝赛尔曲线的参数方程为:
其中s为求pn与pn+1之间插值轨迹点时所指定的长度比例,根据指定的轨迹预测步长要求进行各单目标历史轨迹插值补点计算。
5.根据权利要求4所述的方法,其特征在于,步骤2具体包括如下步骤:
步骤2-1,群组中各单目标历史航迹按LSTM长短时记忆神经网络输入需求进行预处理:对于群组中的一个给定单目标,将其在时间段[t1,t2]内的历史轨迹点集合标记为H[t1,t2]={h1(x1,y1),h2(x2,y2),h3(x3,y3),…hn(xn,yn)},其中n∈N*,hn表示给定单目标历史轨迹点集合H[t1,t2]中的第n个轨迹点,(xn,yn)为hn的坐标;
对集合H[t1,t2]中的元素进行降维处理,最终形成两个序列化数据集合Hlon={x1,x2,x3,…xn}和Hlat={y1,y2,y3,…yn};
对输入序列Hlon和Hlat做等量子集划分,即做mini-batch操作,在历史轨迹进行三阶贝赛尔插值补全操作中保证在时间段[t1,t2]内轨迹点保证一定的密度,等量子集划分参数即规定每次向LSTM长短时记忆神经网络中输入个样本进行训练调整参数;
设定序列长度steps=3;
步骤2-2,构建LSTM循环神经网络,包括输入层、LSTM长短时记忆神经网络层以及输出层;
输入层中输入数据量的长度由batch_size和steps共同确定,输入层有三个输入要素Ct-1、Ht-1和Xt,Ct-1位于主记忆线上,是LSTM循环中对前期状态的记忆,Ht-1是训练序列中上一个时间点上输入特征向量的预测结果,Xt是训练序列上t时刻的输入特征向量;
在构建LSTM长短时记忆神经网络层的过程中,将LSTM长短时记忆神经网络层处理过程划分为忘记阶段、选择性记忆阶段和输出阶段,各阶段分别设计相应的门限控制器,即遗忘门、输入门和输出门,各门限均以sigmoid函数来实现,并且选用tanh作为激励补长函数;其中,遗忘门用来决定要保留和遗忘上一个单元模块输出的哪个部分,由t-1时的长期记忆输入Ct-1与指定的遗忘因子确定;输入门针对遗忘门中丢弃的信息在该单元中找到对应的新的属性信息进行补充;输出门根据遗忘门和输入门先后确定的单元状态进行最终结果输出;
输出层中通过维度映射,使用softmax函数将多个神经元的输出映射到到(0,1)区间内,得到预测结果的概率分布作为最终选择的依据;
6.根据权利要求5所述的方法,其特征在于,步骤3包括:对于给定的目标群G,挖掘目标群G中单目标之间的联络通信关系、识别各单目标的活动性质,并结合各单目标独立轨迹预测结果进行相关联动分析、依赖预测,得到关于群目标整体行进趋势的最小预测空间,其中,通过FPTree算法进行单目标关联关系挖掘和频繁项集的计算,对小于2的频繁项集进行裁剪,再根据各单目标的活动性质进行活动区域裁剪。
7.根据权利要求6所述的方法,其特征在于,步骤4包括:选择t分布来计算预测结果置信区间,设定群组中有m个单目标,抽取n个单目标中经度预测结果在最小预测空间范围内的点作为抽样样本,标记为{x1,x2,..xn},其中n∈N*,将抽样样本均值记为对于t分布来说,采用置信水平95%并以自由度为n-1查表得t值标记为θ,则计算得目标群行进趋势点位中经度置信水平为95%的置信区间为 将抽取的n个单目标的经度预测结果对应的纬度样本集合标记为{y1,y2,..yn},其中n∈N*,将该样本{y1,y2,..yn}的均值记为对于t分布来说,采用置信水平95%并以自由度为n-1查表得t值标记为θ,则计算得目标群行进趋势点位中纬度置信水平为95%的置信区间为
8.依据权利要求6所述的方法,其特征在于,步骤5包括:基于二维地理信息背景,对群目标行进趋势预测结进行以圆与扇形结合的方式进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542008.6A CN111695737B (zh) | 2020-06-15 | 2020-06-15 | 一种基于lstm神经网络的群目标行进趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542008.6A CN111695737B (zh) | 2020-06-15 | 2020-06-15 | 一种基于lstm神经网络的群目标行进趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695737A true CN111695737A (zh) | 2020-09-22 |
CN111695737B CN111695737B (zh) | 2023-08-11 |
Family
ID=72480907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010542008.6A Active CN111695737B (zh) | 2020-06-15 | 2020-06-15 | 一种基于lstm神经网络的群目标行进趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695737B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113068131A (zh) * | 2021-06-01 | 2021-07-02 | 浙江非线数联科技股份有限公司 | 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质 |
CN114039744A (zh) * | 2021-09-29 | 2022-02-11 | 中孚信息股份有限公司 | 一种基于用户特征标签的异常行为预测方法及*** |
CN114124260A (zh) * | 2022-01-11 | 2022-03-01 | 中国人民解放军国防科技大学 | 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 |
CN114446046A (zh) * | 2021-12-20 | 2022-05-06 | 上海智能网联汽车技术中心有限公司 | 一种基于lstm模型的弱势交通参与者轨迹预测方法 |
CN114792320A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院自动化研究所 | 轨迹预测方法、轨迹预测装置和电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135314B (zh) * | 2019-05-07 | 2020-08-11 | 电子科技大学 | 一种基于深度轨迹预测的多目标跟踪方法 |
CN110262486B (zh) * | 2019-06-11 | 2020-09-04 | 北京三快在线科技有限公司 | 一种无人驾驶设备运动控制方法及装置 |
CN110796093A (zh) * | 2019-10-30 | 2020-02-14 | 上海眼控科技股份有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
CN111046919B (zh) * | 2019-11-21 | 2023-05-12 | 南京航空航天大学 | 一种融合行为意图的周围动态车辆轨迹预测***及方法 |
-
2020
- 2020-06-15 CN CN202010542008.6A patent/CN111695737B/zh active Active
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113068131A (zh) * | 2021-06-01 | 2021-07-02 | 浙江非线数联科技股份有限公司 | 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质 |
CN113068131B (zh) * | 2021-06-01 | 2021-09-10 | 浙江非线数联科技股份有限公司 | 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质 |
CN114039744A (zh) * | 2021-09-29 | 2022-02-11 | 中孚信息股份有限公司 | 一种基于用户特征标签的异常行为预测方法及*** |
CN114039744B (zh) * | 2021-09-29 | 2024-02-27 | 中孚信息股份有限公司 | 一种基于用户特征标签的异常行为预测方法及*** |
CN114446046A (zh) * | 2021-12-20 | 2022-05-06 | 上海智能网联汽车技术中心有限公司 | 一种基于lstm模型的弱势交通参与者轨迹预测方法 |
CN114124260A (zh) * | 2022-01-11 | 2022-03-01 | 中国人民解放军国防科技大学 | 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 |
CN114124260B (zh) * | 2022-01-11 | 2023-12-12 | 中国人民解放军国防科技大学 | 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 |
CN114792320A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院自动化研究所 | 轨迹预测方法、轨迹预测装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111695737B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695737A (zh) | 一种基于lstm神经网络的群目标行进趋势预测方法 | |
Sheng et al. | Graph-based spatial-temporal convolutional network for vehicle trajectory prediction in autonomous driving | |
Liu et al. | A driving intention prediction method based on hidden Markov model for autonomous driving | |
CN110610271B (zh) | 一种基于长短记忆网络的多重车辆轨迹预测方法 | |
CN112347993B (zh) | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 | |
CN111260118B (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
Wirthmüller et al. | Predicting the time until a vehicle changes the lane using LSTM-based recurrent neural networks | |
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 | |
CN115147790B (zh) | 一种基于图神经网络的车辆未来轨迹预测方法 | |
CN115071762B (zh) | 面向城市场景下行人轨迹预测方法、模型及存储介质 | |
CN114881339A (zh) | 车辆轨迹预测方法、***、计算机设备及存储介质 | |
CN113033899A (zh) | 无人驾驶邻近车辆轨迹预测方法 | |
CN116050245A (zh) | 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与*** | |
CN115923833A (zh) | 车辆的拟人化决策控制方法、装置、车辆及存储介质 | |
CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
CN116495007A (zh) | 一种考虑物理约束的车辆轨迹深度学习预测方法 | |
CN111907523A (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
Dong et al. | Graph-based planning-informed trajectory prediction for autonomous driving | |
Wen et al. | Modeling human driver behaviors when following autonomous vehicles: An inverse reinforcement learning approach | |
CN114912719B (zh) | 一种基于图神经网络的异质交通个体轨迹协同预测方法 | |
Zhou et al. | Sa-sgan: A vehicle trajectory prediction model based on generative adversarial networks | |
CN113032688B (zh) | 针对社交网络用户在未来给定时间的访问位置预测方法 | |
CN114972429A (zh) | 云边协同自适应推理路径规划的目标追踪方法和*** | |
Li et al. | Personalized trajectory prediction for driving behavior modeling in ramp-merging scenarios | |
Yang et al. | Deep Reinforcement Learning Lane-Changing Decision Algorithm for Intelligent Vehicles Combining LSTM Trajectory Prediction |
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 |