CN114912719A - 一种基于图神经网络的异质交通个体轨迹协同预测方法 - Google Patents

一种基于图神经网络的异质交通个体轨迹协同预测方法 Download PDF

Info

Publication number
CN114912719A
CN114912719A CN202210828669.4A CN202210828669A CN114912719A CN 114912719 A CN114912719 A CN 114912719A CN 202210828669 A CN202210828669 A CN 202210828669A CN 114912719 A CN114912719 A CN 114912719A
Authority
CN
China
Prior art keywords
traffic
heterogeneous
lstm
graph
individual
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
Application number
CN202210828669.4A
Other languages
English (en)
Other versions
CN114912719B (zh
Inventor
杜文博
安宇航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202210828669.4A priority Critical patent/CN114912719B/zh
Publication of CN114912719A publication Critical patent/CN114912719A/zh
Application granted granted Critical
Publication of CN114912719B publication Critical patent/CN114912719B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/08—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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于计算机视觉和时空轨迹预测技术领域，公开了一种基于图神经网络的异质交通个体轨迹协同预测方法，该方法根据综合交通的特性，建立了异质交通个体轨迹协同预测图神经网络模型，充分考虑了交通个体轨迹间的相互影响以及交通个体的异质性。相比现有方法，本发明的基于图神经网络的异质交通个体轨迹协同预测方法所得到的轨迹预测结果准确性强，适用范围广。

Description

一种基于图神经网络的异质交通个体轨迹协同预测方法
技术领域
本发明属于计算机视觉和时空轨迹预测技术领域，尤其涉及一种基于图神经网络的异质交通个体轨迹协同预测方法。
背景技术
随着经济的高速发展与全球化趋势的加速，综合交通的发展速度也逐年加快，随之而来的就是综合交通场景（航空、航海、地面货运以及城市交通等）下的交通流密度不断增大。在这样的背景之下，各类场景中的交通拥堵、碰撞事故等情况时有发生，造成了大量的经济损失。如何避免以上情况，保证综合交通的安全高效运行是当前非常重要的课题。
综合交通场景下的交通个体轨迹预测，是保证综合交通安全高效的关键手段之一。现有交通个体轨迹预测方法主要分为基于运动学模型与基于机器学习的两种预测方法。
基于运动学模型的预测方法通过建立数学模型，来模拟实际交通场景中的交通个体，通过构建运动学方法，实现对交通个体运动特征的求解。由于实际问题中，车辆、船舶以及飞机等交通个体的运动学模型都较为复杂，数学建模的方法无法精确进行建模，得到的模型往往只能适用于理想情况下。因此，该类基于运动学模型的预测方法无法满足现有需求。
基于机器学习的方法通过数据驱动的方式，避免建立数学模型，通过真实交通个体轨迹样本数据来训练，让设计好的模型来拟合复杂的交通个体运动特征。基于机器学习的交通个体轨迹预测方法在行人、自动驾驶车辆、航空器以及船舶等的多类交通个体上取得了良好的效果，也是目前主流的轨迹预测方法。公开号为CN113888638A的中国专利申请公开了一种基于注意力机制的图神经网络行人轨迹预测方法，公开号为CN113362368A的中国专利申请公开了一种基于多层次时空图神经网络的人群轨迹预测方法，公开号为CN113658228A的中国专利申请公开了一种基于卷积神经网络的行人轨迹预测***，公开号为CN112215337A的中国专利申请公开了一种基于环境注意力神经网络模型的车辆轨迹预测方法。
但是，现有轨迹预测方法无法很好地在综合交通场景下预测交通个体的未来轨迹。实际密集交通场景下，交通个体之间会产生机理复杂的相互影响，如果仅仅基于单个个体的数据进行学习，预测精度有限；同时，综合交通的交通个体与个体之间也存在较大的异质性，例如，不同飞机和船舶具有不同的大小和性能，其异质性会导致个体在运动学上的差异，对模型轨迹的建模造成影响。所以，现有方法无法满足综合交通的交通个体轨迹预测需求。
发明内容
针对上述现有技术中存在的问题，本发明提出了一种基于图神经网络的异质交通个体轨迹协同预测方法，在进行机器学习模型构建时，通过构建时空注意力图神经网络考虑交通个体之间的相互影响，进行轨迹协同预测。考虑到交通个体之间的异质性，本发明提出的方法在提取交通个体历史轨迹特征时，根据交通个体的类别构建异质图节点，在预测时调用对应类别的节点网络训练参数进行预测，从而充分考虑异质交通个体不同的运动学特征；此外，本发明在考虑交通个体相互影响时，构建异质图连边，在连边特征中加入连边类型以及连边属性，同时根据连边类型构建不同的网络参数，分类进行特征提取，从而得到更准确的预测结果。相比于现有轨迹预测方法，本发明考虑多交通个体轨迹协同预测以及个体间的异质性，得到的结果准确性明显提高。
本发明的技术方案具体如下：
一种基于图神经网络的异质交通个体轨迹协同预测方法，包括以下步骤：
步骤S1. 生成综合交通轨迹数据集；
所述综合交通轨迹数据集包括：给定范围内各交通个体的大小和种类信息，各交通个体的经纬度坐标信息以及时间戳；
步骤S2. 对所述综合交通轨迹数据集进行划分；
在整个综合交通轨迹数据集中，划分出训练数据集、验证数据集和测试数据集；
步骤S3. 构建异质交通个体轨迹协同预测图神经网络模型；
所述异质交通个体轨迹协同预测图神经网络模型分为编码模块和解码模块两部分；其中，编码模块包括异质图节点LSTM（Long Short-Term Memory）模块和异质图注意力连边LSTM模块，解码模块包括解码LSTM模块；
步骤S4. 使用训练数据集和验证数据集训练异质交通个体轨迹协同预测图神经网络模型，进而确定异质交通个体轨迹协同预测图神经网络模型的参数；
步骤S5. 使用训练好的异质交通个体轨迹协同预测图神经网络模型在测试数据集进行轨迹预测。
优选的，所述步骤S2中，在整个综合交通轨迹数据集中，随机取80%作为训练数据集，随机取10%作为验证数据集，剩余10%作为测试数据集。
优选的，所述异质交通个体轨迹协同预测图神经网络模型的构建方法包括：
步骤S31. 构建异质图节点LSTM模块；
所述异质图节点LSTM模块由多个LSTM网络构成，每个交通个体对应一个LSTM网络，用于提取输入的历史轨迹中的时序特征；异质图节点LSTM模块根据交通个体的类型和大小，将交通个体分为多个类别，类别相同的交通个体LSTM网络具有相同的参数；
步骤S32. 构建异质注意力图连边LSTM模块；
所述异质注意力图连边LSTM模块由多个图连边LSTM网络和一个注意力层组成，图连边LSTM网络分为时序连边LSTM网络和空间连边LSTM网络；将包含多个交通个体的综合交通场景抽象为一个图，各交通个体为图的节点，图的连边包括时序连边和空间连边，两者的连边信息均包含相对位置向量和个体大小；将时序连边和空间连边的连边信息分别输入时序连边LSTM网络和空间连边LSTM网络，在时序上进行特征提取，再连入一个注意力层，得到图连边注意力特征；
步骤S33. 构建解码LSTM模块；
所述解码LSTM模块由多个LSTM网络构成，每个交通个体对应一个LSTM网络，用于分类解码预测；根据交通个体的类型和大小，将交通个体分为多个类别，类别相同的交通个体LSTM网络具有相同的参数，且与异质图节点LSTM模块中的对应类别LSTM网络参数相同；
步骤S34. 连接异质图节点LSTM模块、异质注意力图连边LSTM模块和建解码LSTM模块；
将异质图节点LSTM模块输出的交通个体时序特征与异质注意力图连边LSTM模块输出的图连边注意力特征进行特征合并连接，输入解码LSTM模块中，由解码LSTM模块进行轨迹生成。
优选的，所述步骤S4包括：
步骤S41. 使用训练数据集对异质交通个体轨迹协同预测图神经网络模型进行训练，设定损失函数为预测轨迹与真实轨迹的均方误差（MSE），利用Adam优化方法更新异质交通个体轨迹协同预测图神经网络模型的各模块参数；
步骤S42. 判断所得异质交通个体轨迹协同预测图神经网络模型的MSE在验证数据集上的值是否小于等于设定值，若大于设定值，则调整异质交通个体轨迹协同预测图神经网络模型的超参数，并返回步骤S41；若小于等于设定值，则执行步骤S43；
步骤S43. 设定最终确定的超参数，对异质交通个体轨迹协同预测图神经网络模型在训练数据集上进行训练，确定最终参数。
相比于现有技术，本发明的有益效果在于：
1. 在本发明的异质交通个体轨迹协同预测方法中，通过构建异质注意力图连边LSTM模块，在预测交通个体轨迹时，考虑了场景内其他交通个体对其轨迹的影响，实现了多交通个体轨迹协同预测，达到了更准确的预测结果。
2. 本发明的异质交通个体轨迹协同预测方法，在构建异质交通个体轨迹协同预测图神经网络模型时充分考虑了综合交通场景下的交通个体异质性，通过分类训练的方式针对不同类别的交通个体进行训练预测，在考虑交通个体间相互影响时也加入了对个体大小的考虑，使得模型有着更强的泛化能力，预测效果更好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
图1是本发明的基于图神经网络的异质交通个体轨迹协同预测方法的流程图；
图2是本发明构建的异质交通个体轨迹协同预测图神经网络模型的结构示意图；
图3是本发明确定异质交通个体轨迹协同预测图神经网络模型的各参数的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的基于图神经网络的异质交通个体轨迹协同预测方法的主要步骤如图1所示；首先，生成综合交通轨迹数据集，然后根据所生成的综合交通轨迹数据集进行数据集划分，构建异质交通个体轨迹协同预测图神经网络模型，再使用所划分的训练数据集与验证数据集训练确定异质交通个体轨迹协同预测图神经网络模型的各个参数，最终使用带参数的异质交通个体轨迹协同预测图神经网络模型在所划分的测试集进行轨迹预测。
实施例1
具体来说，本发明的基于图神经网络的异质交通个体轨迹协同预测方法可包括以下步骤：
步骤S1. 生成综合交通轨迹数据集；
综合交通轨迹数据集包含综合交通场景下各交通个体的动态和静态信息。动态信息为交通个体经度、纬度以及时间戳；静态信息为交通个体的数量和种类。
步骤S2. 根据所生成的综合交通轨迹数据集进行数据集划分；
为了便于之后的模型训练与测试，将数据集划分为训练数据集、验证数据集和测试数据集。训练数据集用于模型的优化训练，确定模型参数，占数据集整体的80%；验证数据集用于调整超参数设定，根据验证数据集表现调整超参数，迭代进行训练，占数据集整体的10%；测试数据集用于最终评估模型的预测性能，占数据集整体的10%。可以采用随机筛选的方式划分三个数据集。
步骤S3. 构建异质交通个体轨迹协同预测图神经网络模型（如图2所示）；
异质交通个体轨迹协同预测图神经网络模型由异质图节点LSTM模块、异质图注意力连边LSTM模块以及解码LSTM模块三部分组成。其中，
（1）异质图节点LSTM模块构造如下：
为了处理综合交通场景下的异质交通个体，该模块根据交通个体的类型与大小，将交通个体分为多个类别，每个类别的LSTM网络共享一套参数，分类进行训练。以分类包括A、B、C三类为例，第i个交通个体在t时刻的特征记为
Figure 420350DEST_PATH_IMAGE001
，其中
Figure 44229DEST_PATH_IMAGE002
为第i个交通个体在t时刻的坐标，s i 为第i个交通个体的大小，c i ∈{A,B,C}为第i个交通个体对应的种类。向图节点LSTM输入特征
Figure 110274DEST_PATH_IMAGE003
，得到时刻t的交通个体时序特征
Figure 692565DEST_PATH_IMAGE004
，公式如下：
Figure 460539DEST_PATH_IMAGE005
Figure 419268DEST_PATH_IMAGE006
其中，
Figure 74240DEST_PATH_IMAGE007
为embedding层，
Figure 827432DEST_PATH_IMAGE008
代表第i个交通个体对应种类LSTM网络的参数，
Figure 974380DEST_PATH_IMAGE009
表示t时刻的第i个交通个体的embed特征，为
Figure 346586DEST_PATH_IMAGE010
通过embed层后得到的一个中间量特征，该特征通过LSTM网络层后得到能够表示个体运动特征的
Figure 997011DEST_PATH_IMAGE011
；
Figure 45738DEST_PATH_IMAGE012
表示 t-1时刻的第i个交通个体时序特征。
异质图节点LSTM模块由多类LSTM网络组成，每个LSTM网络包含128个LSTM单元，输入特征
Figure 414403DEST_PATH_IMAGE013
，输出时序特征
Figure 823256DEST_PATH_IMAGE014
。
上述方法中，采用的异质图节点LSTM模块由多类长短期记忆（Long Short-TermMemory, LSTM）神经网络构成，每个交通个体对应一个LSTM网络，作为图神经网络的节点，用于提取输入的历史轨迹中的时序特征。该模块根据交通个体的类型与大小，将交通个体分为多个类别，从而能够适应综合交通场景下的异质交通个体；在训练时根据个体类别分类训练，进行轨迹预测时，根据类别调用相应的网络参数，从而更好地挖掘异质个体的不同运动学特征。
（2）异质图注意力连边LSTM模块构造如下：
为了考虑交通个体间的相互影响，将包含多个交通个体的综合交通场景抽象为一个图，各交通个体为图的节点，图的连边包括时序连边和空间连边，两者的连边信息包含相对位置向量和个体大小。将连边信息输入图连边LSTM网络，图连边LSTM网络分为时序连边LSTM网络和空间连边LSTM两类网络：
对于第i个交通个体，其时序连边特征向量记为
Figure 859345DEST_PATH_IMAGE015
，其中
Figure 688761DEST_PATH_IMAGE016
为第i个交通个体在t-1时刻的坐标；将时序连边特征向量输入图连边LSTM网络，得到对应的时序连边特征
Figure 669355DEST_PATH_IMAGE017
，公式如下：
Figure 507998DEST_PATH_IMAGE018
Figure 8381DEST_PATH_IMAGE019
其中，
Figure 274277DEST_PATH_IMAGE020
为embedding层，
Figure 476588DEST_PATH_IMAGE021
为时序连边LSTM网络对应参数，所有时序连边LSTM网络共享一套参数，
Figure 118922DEST_PATH_IMAGE022
表示 t时刻的第i个交通个体的时序连边embed特征，为
Figure 864024DEST_PATH_IMAGE023
通过embed层后得到的一个中间量特征，该特征通过LSTM网络层后得到能够表示个体运动特征的
Figure 674723DEST_PATH_IMAGE024
，
Figure 239697DEST_PATH_IMAGE025
为t-1时刻的第i个交通个体的时序连边特征。
对于第i个和第j个交通个体，其空间连边特征向量记为
Figure 544776DEST_PATH_IMAGE026
，其中
Figure 144385DEST_PATH_IMAGE027
为第j个交通个体在t时刻的坐标，s j 为第j个交通个体的大小。将连边特征向量输入图连边LSTM网络，得到对应的空间连边特征
Figure 627450DEST_PATH_IMAGE028
，公式如下：
Figure 679720DEST_PATH_IMAGE029
Figure 522911DEST_PATH_IMAGE030
其中，
Figure 242605DEST_PATH_IMAGE031
为embedding层，
Figure 21205DEST_PATH_IMAGE032
为空间连边LSTM网络对应参数，所有空间连边LSTM网络共享一套参数，
Figure 940532DEST_PATH_IMAGE033
表示 t时刻的第i个和第j个交通个体的空间连边embed特征，为
Figure 462780DEST_PATH_IMAGE034
通过embed层后得到的一个中间量特征，该特征通过LSTM网络层后得到能够表示个体运动特征的
Figure 161614DEST_PATH_IMAGE035
，
Figure 111116DEST_PATH_IMAGE036
为t-1时刻对应第i个和第j个交通个体的空间连边特征。
将得到的各个时序与空间连边特征向量
Figure 747765DEST_PATH_IMAGE037
输入注意力层，对于第i个交通个体节点，通过注意力机制提取图的每个连边对图节点的影响，得到注意力特征
Figure 339283DEST_PATH_IMAGE038
，公式如下：
Figure 502411DEST_PATH_IMAGE039
Figure 747448DEST_PATH_IMAGE040
其中，score表示注意力值，是求解注意力特征的一个中间量，exp表示以自然常数e为底的指数函数，m为所有时序和空间连边的数量，W i ，W ij 是注意力层对应的可训练参数，Dot为点积（Dot product），
Figure 261606DEST_PATH_IMAGE041
为比例因数（scaling factor）。
异质图注意力连边LSTM模块分为图连边LSTM网络与注意力层，图连边LSTM网络包含128个LSTM单元，向图连边LSTM输入时序连边和空间连边的特征向量
Figure 765137DEST_PATH_IMAGE042
，得到连边特征
Figure 782772DEST_PATH_IMAGE043
；再输入注意力层，得到注意力特征
Figure 464289DEST_PATH_IMAGE044
。
上述方法中，将两类连边向量输入对应的图连边LSTM网络，在时序上对其特征进行提取，同时根据连边类型构建不同的连边参数，进行分类训练，从而更好地提取不同类型个体间的异质交互影响。
（3）解码LSTM模块构造如下：
解码LSTM模块的LSTM网络与异质图节点LSTM模块中的LSTM模块相似，根据交通个体的类型与大小，分为多个类别，每个类别的LSTM网络共享一套参数，分类解码预测。其中的各类别LSTM网络与异质图节点LSTM模块中的对应类别使用同一套参数。对于输出时刻T+1，输入异质图节点LSTM模块输出的时序特征
Figure 200163DEST_PATH_IMAGE045
以及异质图注意力连边LSTM模块输出的注意力特征
Figure 133484DEST_PATH_IMAGE046
，解码LSTM进行轨迹预测，得到输出轨迹
Figure 880992DEST_PATH_IMAGE047
，公式如下：
Figure 608776DEST_PATH_IMAGE048
Figure 956581DEST_PATH_IMAGE049
其中，
Figure 162434DEST_PATH_IMAGE050
为第i个交通个体在T+1时刻的预测横坐标与预测纵坐标，上标^表示为预测值，
Figure 794142DEST_PATH_IMAGE051
表示第i个交通个体在T+1时刻通过LSTM网络的输出特征，concat表示特征合并连接，fc为全连接层，
Figure 692828DEST_PATH_IMAGE052
代表第i个交通个体对应种类LSTM网络的参数。
解码LSTM模块由多类LSTM网络组成，每个LSTM网络包含128个LSTM单元，根据其他模块的输入，得到预测的未来轨迹点。
步骤S4. 使用所划分的训练数据集与验证数据集训练确定异质交通个体轨迹协同预测图神经网络模型的各个参数（如图3所示）；
a. 使用所划分的训练数据集对异质交通个体轨迹协同预测图神经网络模型进行训练，设定损失函数为MSE，利用Adam优化方法更新模型中各个参数。
b. 比较所得模型的MSE在验证集上的值与设定值的大小：若大于设定值，则根据模型训练结果在所划分验证集上的表现调整模型的超参数，随后返回步骤a，若小于等于设定值，则执行步骤b。
c. 设定最终确定的超参数，对异质交通个体轨迹协同预测图神经网络模型在训练集上进行训练，确定模型的最终参数。
d. 使用带参数的异质交通个体轨迹协同预测图神经网络模型在所划分的测试集进行轨迹预测。
此外，前述仅说明了一些实施方式，可进行改变、修改、增加和/或变化而不偏离所公开的实施方式的范围和实质，该实施方式是示意性的而不是限制性的。此外，所说明的实施方式涉及当前考虑为最实用和最优选的实施方式，其应理解为实施方式不应限于所公开的实施方式，相反地，旨在覆盖包括在该实施方式的实质和范围内的不同的修改和等同设置。此外，上述说明的多种实施方式可与其它实施方式共同应用，如，一个实施方式的方面可与另一个实施方式的方面结合而实现再另一个实施方式。另外，任何给定组件的各独立特征或构件可构成另外的实施方式。
为了示意和说明的目的提供实施方式的前述说明，其不意图穷举或限制本公开。具体实施方式的各元件或特征通常不限于该具体实施方式，但是在可应用的情况下，即使没有具体地示出或说明，各元件或特征也是可互换且可用于选择的实施方式，还可以多种方式改变。该改变不看作从本公开偏离，且所有该改变都包括在本公开的范围内。
因此，应理解这里通过示例的方式提供了附图和说明书，以有助于对本发明的理解，且不应构成对其范围的限制。

Claims (4)

1.一种基于图神经网络的异质交通个体轨迹协同预测方法，其特征在于，包括以下步骤：
步骤S1. 生成综合交通轨迹数据集；
所述综合交通轨迹数据集包括：给定范围内各交通个体的大小和种类信息，各交通个体的经纬度坐标信息以及时间戳；
步骤S2. 对所述综合交通轨迹数据集进行划分；
在整个综合交通轨迹数据集中，划分出训练数据集、验证数据集和测试数据集；
步骤S3. 构建异质交通个体轨迹协同预测图神经网络模型；
所述异质交通个体轨迹协同预测图神经网络模型分为编码模块和解码模块两部分；其中，编码模块包括异质图节点LSTM模块和异质图注意力连边LSTM模块，解码模块包括解码LSTM模块；
步骤S4. 使用训练数据集和验证数据集训练异质交通个体轨迹协同预测图神经网络模型，进而确定异质交通个体轨迹协同预测图神经网络模型的参数；
步骤S5. 使用训练好的异质交通个体轨迹协同预测图神经网络模型在测试数据集进行轨迹预测。
2.根据权利要求1所述的基于图神经网络的异质交通个体轨迹协同预测方法，其特征在于，所述步骤S2中，在整个综合交通轨迹数据集中，随机取80%作为训练数据集，随机取10%作为验证数据集，剩余10%作为测试数据集。
3.根据权利要求1所述的基于图神经网络的异质交通个体轨迹协同预测方法，其特征在于，所述异质交通个体轨迹协同预测图神经网络模型的构建方法包括：
步骤S31. 构建异质图节点LSTM模块；
所述异质图节点LSTM模块由多个LSTM网络构成，每个交通个体对应一个LSTM网络，用于提取输入的历史轨迹中的时序特征；异质图节点LSTM模块根据交通个体的类型和大小，将交通个体分为多个类别，类别相同的交通个体LSTM网络具有相同的参数；
步骤S32. 构建异质注意力图连边LSTM模块；
所述异质注意力图连边LSTM模块由多个图连边LSTM网络和一个注意力层组成，图连边LSTM网络分为时序连边LSTM网络和空间连边LSTM网络；将包含多个交通个体的综合交通场景抽象为一个图，各交通个体为图的节点，图的连边包括时序连边和空间连边，两者的连边信息均包含相对位置向量和个体大小；将时序连边和空间连边的连边信息分别输入时序连边LSTM网络和空间连边LSTM网络，在时序上进行特征提取，再连入一个注意力层，得到图连边注意力特征；
步骤S33. 构建解码LSTM模块；
所述解码LSTM模块由多个LSTM网络构成，每个交通个体对应一个LSTM网络，用于分类解码预测；根据交通个体的类型和大小，将交通个体分为多个类别，类别相同的交通个体LSTM网络具有相同的参数，且与异质图节点LSTM模块中的对应类别LSTM网络参数相同；
步骤S34. 连接异质图节点LSTM模块、异质注意力图连边LSTM模块和建解码LSTM模块；
将异质图节点LSTM模块输出的交通个体时序特征与异质注意力图连边LSTM模块输出的图连边注意力特征进行特征合并连接，输入解码LSTM模块中，由解码LSTM模块进行轨迹生成。
4.根据权利要求1所述的基于图神经网络的异质交通个体轨迹协同预测方法，其特征在于，所述步骤S4包括：
步骤S41. 使用训练数据集对异质交通个体轨迹协同预测图神经网络模型进行训练，设定损失函数为预测轨迹与真实轨迹的均方误差，利用Adam优化方法更新异质交通个体轨迹协同预测图神经网络模型的各模块参数；
步骤S42. 判断所得异质交通个体轨迹协同预测图神经网络模型的均方误差在验证数据集上的值是否小于等于设定值，若大于设定值，则调整异质交通个体轨迹协同预测图神经网络模型的超参数，并返回步骤S41；若小于等于设定值，则执行步骤S43；
步骤S43. 设定最终确定的超参数，对异质交通个体轨迹协同预测图神经网络模型在训练数据集上进行训练，确定最终参数。
CN202210828669.4A 2022-07-15 2022-07-15 一种基于图神经网络的异质交通个体轨迹协同预测方法 Expired - Fee Related CN114912719B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210828669.4A CN114912719B (zh) 2022-07-15 2022-07-15 一种基于图神经网络的异质交通个体轨迹协同预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210828669.4A CN114912719B (zh) 2022-07-15 2022-07-15 一种基于图神经网络的异质交通个体轨迹协同预测方法

Publications (2)

Publication Number Publication Date
CN114912719A true CN114912719A (zh) 2022-08-16
CN114912719B CN114912719B (zh) 2022-12-27

Family

ID=82772545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210828669.4A Expired - Fee Related CN114912719B (zh) 2022-07-15 2022-07-15 一种基于图神经网络的异质交通个体轨迹协同预测方法

Country Status (1)

Country Link
CN (1) CN114912719B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822635A (zh) * 2023-05-12 2023-09-29 中国科学院深圳先进技术研究院 一种轨迹生成方法、装置、设备及存储介质
CN116976512A (zh) * 2023-07-28 2023-10-31 湖北工业大学 基于图神经网络的无人机集群航迹预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10878837B1 (en) * 2017-03-01 2020-12-29 Snap Inc. Acoustic neural network scene detection
CN112215337A (zh) * 2020-09-30 2021-01-12 江苏大学 一种基于环境注意力神经网络模型的车辆轨迹预测方法
CN113657211A (zh) * 2021-07-30 2021-11-16 浙江大华技术股份有限公司 一种异常行为的预警方法、装置、***和存储介质
CN114297529A (zh) * 2021-12-28 2022-04-08 东北大学 一种基于空间注意力网络的移动集群轨迹预测方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10878837B1 (en) * 2017-03-01 2020-12-29 Snap Inc. Acoustic neural network scene detection
CN112215337A (zh) * 2020-09-30 2021-01-12 江苏大学 一种基于环境注意力神经网络模型的车辆轨迹预测方法
CN113657211A (zh) * 2021-07-30 2021-11-16 浙江大华技术股份有限公司 一种异常行为的预警方法、装置、***和存储介质
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
CN114297529A (zh) * 2021-12-28 2022-04-08 东北大学 一种基于空间注意力网络的移动集群轨迹预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822635A (zh) * 2023-05-12 2023-09-29 中国科学院深圳先进技术研究院 一种轨迹生成方法、装置、设备及存储介质
CN116976512A (zh) * 2023-07-28 2023-10-31 湖北工业大学 基于图神经网络的无人机集群航迹预测方法

Also Published As

Publication number Publication date
CN114912719B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
Diehl et al. Graph neural networks for modelling traffic participant interaction
Liu et al. Urban traffic prediction from mobility data using deep learning
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
CN114897444B (zh) 一种城市分区域内服务设施需求识别方法及***
CN111832615A (zh) 一种基于前景背景特征融合的样本扩充方法及***
CN111598325A (zh) 基于层次聚类和分层注意力机制的交通速度预测方法
WO2019053052A1 (en) METHOD FOR (RE-) TRAINING MACHINE LEARNING COMPONENT
CN113591380A (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN113673749B (zh) 车辆行人地图轨迹预测方法及装置
Dai et al. Spatio-temporal deep learning framework for traffic speed forecasting in IoT
CN114516336B (zh) 一种考虑道路约束条件的车辆轨迹预测方法
CN117494871A (zh) 一种考虑船舶交互影响的船舶轨迹预测方法
Hu et al. Air quality prediction using spatio-temporal deep learning
Panovski et al. Long and short-term bus arrival time prediction with traffic density matrix
CN115099328A (zh) 基于对抗网络的交通流量预测方法、***、设备及存储介质
Joseph et al. A novel hybrid deep learning algorithm for smart city traffic congestion predictions
Zhang et al. C 3-GAN: Complex-Condition-Controlled Urban Traffic Estimation through Generative Adversarial Networks
Chen et al. Data-driven Traffic Simulation: A Comprehensive Review
Wen et al. Modeling human driver behaviors when following autonomous vehicles: An inverse reinforcement learning approach
Chen et al. Dynamic path flow estimation using automatic vehicle identification and probe vehicle trajectory data: A 3D convolutional neural network model
CN116080681A (zh) 基于循环卷积神经网络的周车行为识别与轨迹预测方法
CN115565376A (zh) 融合graph2vec、双层LSTM的车辆行程时间预测方法及***
Sun et al. Medium-fidelity evaluation and modeling for perception systems of intelligent and connected vehicles
JP2022131393A (ja) 機械学習プログラム、機械学習方法及び推定装置
Li et al. Ridesplitting demand prediction via spatiotemporal multi-graph convolutional network

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221227