CN117171582A - 基于时空注意力机制的车辆轨迹预测方法及*** - Google Patents
基于时空注意力机制的车辆轨迹预测方法及*** Download PDFInfo
- Publication number
- CN117171582A CN117171582A CN202311106443.4A CN202311106443A CN117171582A CN 117171582 A CN117171582 A CN 117171582A CN 202311106443 A CN202311106443 A CN 202311106443A CN 117171582 A CN117171582 A CN 117171582A
- Authority
- CN
- China
- Prior art keywords
- layer
- sequence
- road section
- node
- vehicle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007246 mechanism Effects 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 claims 1
- 238000005406 washing Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明涉及基于时空注意力机制的车辆轨迹预测方法及***，包括以下步骤：采集车辆轨迹数据集并对车辆轨迹数据集进行预处理；将预处理之后的车辆轨迹数据通过地图匹配算法进行地图映射得到路段序列，并对路段序列进行分割得到数个子路段序列；每个子路段序列的长度为L，子路段序列的前K部分作为输入序列，子路段序列的后L‑K部分作为输出序列；所有子路段序列随机打乱，划分为训练集、验证集和测试集；利用训练集、验证集和测试集对轨迹预测模型进行训练，得到目标轨迹预测模型；将待预测车辆的车辆轨迹数据通过地图匹配算法进行地图映射得到目标路段序列，之后输入目标轨迹预测模型进行轨迹预测。本发明预测的车辆轨迹精度高。
Description
技术领域
本发明属于车辆轨迹预测技术领域，具体涉及一种基于时空注意力机制的车辆轨迹预测方法及***。
背景技术
在交通管理、无人驾驶、安防监控等领域中，车辆轨迹预测具有广泛应用，是实现智能交通的关键技术之一。在目标追踪场景中，车辆轨迹预测可以结合目标检测和跟踪技术，对目标车辆的位置、速度、加速度等信息进行实时预测，从而实现目标车辆的自动追踪。
在目标追踪过程中，由于遮挡、光照变化、运动模式的突然变化等多种原因，目标可能会脱离监控范围。由于仅仅基于摄像头和雷达等传感器进行追踪，监控范围受限，不能完全掌握目标车辆的移动情况。本发明基于GPS定位技术对目标车辆进行监控，记录大量时空轨迹数据，以此动态预测车辆的未来路径。本发明聚焦于道路网络上的车辆轨迹预测，通过实时监控道路上的目标车辆轨迹，根据历史轨迹预测其未来轨迹，及时找回脱离监控视野的目标车辆，实现运动目标的持续追踪。
车辆轨迹预测方法通常基于传统机器学习方法和深度学习方法。传统机器学习方法包括支持向量机、决策树、随机森林等。这些方法通常使用历史轨迹和环境信息等特征作为输入，预测目标车辆的未来运动轨迹。虽然它们通常具有较高的预测精度，但需要手工设计特征，且不易扩展到复杂的场景。随着深度学习技术的发展，基于深度学习的车辆轨迹预测方法逐渐成为主流。这些方法使用卷积神经网络、长短时记忆网络、自注意力网络等模型对历史轨迹进行建模，并预测目标车辆的未来运动轨迹。与传统方法相比，基于深度学习的方法无需手工设计特征，可以自动学习特征表示，且预测精度更高。
目前，现有的方法主要集中于下一个位置的预测，这样的模型不适于长期序列预测。并且，由于没有考虑不同路段之间的连接关系，基于现有的方法进行预测得到的路段序列准确率较低。因此，城市道路网络中的车辆轨迹预测仍然是一个具有挑战性的问题。
发明内容
基于现有技术中存在的上述缺点和不足，本发明的目的是提供一种基于时空注意力机制的车辆轨迹预测方法及***。首先，将道路网络中的路段表示为有向图，将车辆轨迹映射成道路网络中的路段序列，并对序列进行划分，输入到模型中。然后，嵌入层将道路路段映射成空间向量，输入路段和邻接路段构成局部道路网络图，通过图注意力网络获取道路网络中的空间特征。Transformer对输入序列分配不同的权重，提取其中的时间特征。最后，结合局部道路网络结构图，对输出序列进行过滤，获得连续的轨迹序列，以实现车辆的轨迹预测。
为了达到上述发明目的，本发明采用以下技术方案：
一种基于时空注意力机制的车辆轨迹预测方法，包括以下步骤：
S1、采集车辆轨迹数据集并对车辆轨迹数据集的车辆轨迹数据进行预处理；
S2、将预处理之后的车辆轨迹数据通过地图匹配算法进行地图映射得到路段序列，并对路段序列进行分割得到数个子路段序列；
其中，每个子路段序列的长度为L，子路段序列的前K部分作为输入序列，子路段序列的后L-K部分作为输出序列；所有子路段序列随机打乱，划分为训练集、验证集和测试集；
S3、利用训练集和验证集对轨迹预测模型进行训练，得到目标轨迹预测模型；
其中，轨迹预测模型包括嵌入层、图注意力编码层、第一Transformer编码层、第二Transformer编码层、Transformer解码层、Linear层、Softmax层和Filter层，输入序列输入嵌入层转换为特征向量，特征向量分别输入图注意力编码层、第一Transformer编码层以提取得到空间特征和时间特征，将空间特征和时间特征聚合后输入第二Transformer编码层以进一步得到输入序列的特征，然后输入Transformer解码层生成轨迹预测序列，预测序列依次经过Linear层、Softmax层和Filter层，得到输出序列；
S4、利用测试集将待预测车辆的车辆轨迹数据通过地图匹配算法进行地图映射得到目标路段序列，之后输入目标轨迹预测模型进行轨迹预测。
作为优选方案，所述步骤S1中，预处理包括数据清洗、过滤和压缩。
作为优选方案，所述步骤S2中，地图匹配算法采用Fast Map Matching算法；
将车辆轨迹数据集和道路网络作为输入，预先计算出道路网络中特定长度内的所有最短路径对，并存储在UBODT表中；UBODT表中的每一行存储从起始节点no到目标节点nd的最短路径，包括起始节点的下一节点next_n和下一条边next_e，目标节点的上一节点pre_n，以及最短路径距离；UBODT表提供每个节点之间的连接信息。
当第i条路径的起始节点no,i与第j条路径的目标节点nd,j相同时，得到该节点的前后邻接节点pre_nj和next_ni；
当第i条路径的起始节点no，i与第k条路径的起始节点no，k的下一节点next_nk相同时，得到该节点的前后邻接边next_ek和next_ei；
由此得到道路网络中每一路段的邻居路段信息，构建道路网络的有向图，即路段序列。
作为优选方案，所述步骤S2中，K＞L-K。
作为优选方案，所述图注意力编码层采用注意力机制，为不同的邻居节点分配不同的权重，计算每个图节点的特征；
图注意力编码层的输入为h＝{h1，h2，...，hN}，hi∈RF，h为节点的特征表示集合，R为实数空间，N为节点的数目，F为每个节点的特征维度。输出为h′＝{h′1，h′2，...，h′N}，h′i∈RF′，F′是输出维度，F′与F可不相等。在图注意力层中，本发明考虑邻居节点j对被计算节点i的影响，注意力系数αij表示邻居节点j对被计算节点i的影响程度，并考虑了节点之间的距离，注意力系数的计算公式如下所示：
其中，LeakyReLU为非线性激活函数，a∈R2F′为权重向量，Ni表示与节点i相邻的节点集合，W∈RF′×F是应用于每个节点的共享线性变换权重矩阵，Whi表示节点i经过矩阵变化的特征向量，||表示向量的连接操作，·T表示向量的置换操作。
在对注意力系数归一化之后，图注意力层节点i的输出为σ是一个非线性函数。
作为优选方案，所述第一Transformer编码层包括多头注意力机制和前馈神经网络两个子层，多头注意力机制层用于对输入序列中的每个位置进行编码，并捕捉序列中不同位置之间的依赖关系；
在多头注意力机制层中，输入序列首先经过多个注意力头的独立变换，然后将所有注意力头的输出拼接起来，通过线性变换生成该位置的上下文表示；
多头注意力机制层的输出作为前馈神经网络层的输入，通过包含两个全连接层的前馈神经网络层进行处理，得到前馈神经网络层的最终输出。
作为优选方案，所述Transformer解码层通过内部的注意力机制逐步输出每个目标路段，每个路段的位置信息在解码层中通过添加位置编码确定；在确定位置编码之后，Transformer解码层逐个输出解码结果。
作为优选方案，所述Linear层对Transformer解码层的输出向量进行线性变换，并映射至道路网络中路段数量的维度；将Linear层的输出结果输入Softmax层，进行归一化处理；Filter层根据交通网络的有向图Gvec对Softmax层的输出进行过滤；基于有向图的连接关系生成邻接向量Wc，以表示不同路段之间的连接情况；
邻接向量Wc表示如下：
当路段i与路段j有连接时，i和j之间的权重为1，否则为0；邻接向量Wc的每一行表示该路段与其他路段的连接情况，Softmax层输出每个路段可能为下一个路段的概率；若输出路段的前一个路段为第i个路段，则将Softmax层的输出向量与邻接向量Wc的第i行向量对应位置相乘，将不连接的路段的概率设为0，连接的路段概率保持不变，使最后输出的结果为连续的路段。
作为优选方案，所述车辆轨迹数据通过GPS传感器采集。
本发明还提供一种基于时空注意力机制的车辆轨迹预测***，应用如上任一项方案所述的车辆轨迹预测方法，所述车辆轨迹预测***包括：
采集模块，用于采集车辆轨迹数据集以及待预测车辆的车辆轨迹数据；
预处理模块，用于对车辆轨迹数据进行预处理；
地图匹配模块，用于将预处理之后的车辆轨迹数据通过地图匹配算法进行地图映射得到路段序列；
分割模块，用于对路段序列进行分割得到数个子路段序列；
划分模块，用于划分输入序列、输出序列、训练集、验证集和测试集；
训练模块，用于利用训练集和验证集对轨迹预测模型进行训练，得到目标轨迹预测模型；
预测模块，用于利用将目标路段序列输入目标轨迹预测模型进行轨迹预测。
本发明与现有技术相比，有益效果是：
本发明的基于时空注意力机制的车辆轨迹预测方法及***，预测的车辆轨迹精度高。
附图说明
图1为方法执行流程图；
图2为路段邻居信息提取过程的示意图；
图3为部分道路结构图；
图4为Transformer编码层结构图；
图5为经过Filter层的结果表示图；
图6为北京道路网络图；
图7为成都道路网络图。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
本发明实施例的基于时空注意力机制的车辆轨迹预测方法的执行流程图请参阅图1，包括以下步骤：
S1、采集车辆轨迹数据集并对车辆轨迹数据集的车辆轨迹数据进行预处理；
S2、将预处理之后的车辆轨迹数据通过地图匹配算法进行地图映射得到路段序列，并对路段序列进行分割得到数个子路段序列；
其中，每个子路段序列的长度为L，子路段序列的前K部分作为输入序列，子路段序列的后L-K部分作为输出序列；所有子路段序列随机打乱，划分为训练集、验证集和测试集；
S3、利用训练集、验证集和测试集对轨迹预测模型进行训练，得到目标轨迹预测模型；
其中，轨迹预测模型包括嵌入层、图注意力编码层、第一Transformer编码层、第二Transformer编码层、Transformer解码层、Linear层、Softmax层和Filter层，输入序列输入嵌入层转换为特征向量，特征向量分别输入图注意力编码层、第一Transformer编码层以提取得到空间特征和时间特征，将空间特征和时间特征聚合后输入第二Transformer编码层以进一步得到输入序列的特征，输入序列的特征输入Transformer解码层生成轨迹预测序列，预测序列依次经过Linear层、Softmax层和Filter层，得到输出序列；
S4、将待预测车辆的车辆轨迹数据通过地图匹配算法进行地图映射得到目标路段序列，之后输入目标轨迹预测模型进行轨迹预测。
具体地，本发明实施例的基于时空注意力机制的车辆轨迹预测方法的执行流程如下：
步骤(1)：轨迹预处理，在原始数据集中，车辆轨迹数据是通过GPS传感器获得，原始数据是包含有噪声的GPS记录。这些记录中，有的前后点之间距离过大，有的车辆轨迹记录太短，有的出现位置停滞。大多数车辆都在前往目的地的过程中，在数据处理过程中，要剔除掉偏差过大的异常数据、轨迹时间长度太短的数据以及由于出租车中途休息导致位置停滞的数据等不满足实验要求的数据。
为了获得一系列路段的序列，需要将GPS记录映射到道路网络上。地图匹配算法能够从有噪声的GPS轨迹推断得到道路网络上的路径。为此，本发明使用了一个开源的地图匹配框架，快速地图匹配(Fast Map Matching，FMM)。该算法是一种结合隐马尔可夫模型和预计算的快速地图匹配算法。它将GPS轨迹集和道路网络作为输入，预先计算出道路网络中特定长度内的所有最短路径对，并存储在UBODT(Upper Bounded Origin DestinationTable)表中。UBODT表中的每一行存储了从起始节点no到目标节点nd的最短路径，包括了起始节点的下一节点next_n和下一条边next_e，目标节点的上一节点pre_n，以及最短路径距离的相关信息。UBODT表提供了每个节点之间的连接信息。
如图2所示，当第i条路径的起始节点no，i与第j条路径的目标节点nd，j相同时，可得到该节点的前后邻接节点pre_nj和next_ni。当第i条路径的起始节点no，i与第k条路径的起始节点no，k的下一节点next_nk相同时，可得到该节点的前后邻接边next_ek和next_ei。由此可得到道路网络中每一路段的邻居路段信息，构建道路网络的有向图。
在GPS记录经过地图匹配算法转换得到路段序列之后，将路段序列进行分割，划分为多个子路段序列。每个子路段序列长度为12，前8个为输入序列，后4个为输出序列。这些子路段序列被随机打乱，划分成训练集、验证集和测试集。
步骤(2)：时空特征提取，通过地图映射得到的道路路段序列不能直接输入到神经网络中，神经网络无法对其进行直接处理。在对原始轨迹预处理之后，嵌入层将输入的道路序列映射到稠密的连续型特征空间中，以便于捕获序列中的特征信息。路段序列中的每一个路段vi∈V经过嵌入层层转化成特征向量vn∈RM，V表示路段序列空间，R为实数空间，M表示道路路段的向量维度。在获得输入序列的特征表示之后，将特征向量输入图注意力编码层和Transformer编码层进行特征学习。
图注意编码层通过为不同节点分配不同的重要性来聚合邻居的信息，不依赖于完整的图结构，能处理动态图。如图3所示，不同的道路有不同的邻接路段。图注意力网络处理图数据结构，采用注意力机制，为不同的邻居节点分配不同的权重，计算每个图节点的特征。图注意力层的输入为h＝{h1，h2，...，hN}，hi∈RF，N为节点的数目，F为每个节点的特征维度。输出为h′＝{h′1，h′2，...，h′N}，h′i∈RF′，F′是输出维度，F′与F可不相等。在图注意力层中，本发明考虑邻居节点j对被计算节点i的影响，注意力系数αij表示邻居节点j对被计算节点i的影响程度，并考虑了节点之间的距离，注意力系数的计算公式如下所示：
其中，LeakyReLU为非线性激活函数，a∈R2F′为权重向量，Ni表示与节点i相邻的节点集合，W∈RF′×F是应用于每个节点的共享线性变换权重矩阵，Whi表示节点i经过矩阵变化的特征向量，||表示向量的连接操作，·T表示向量的置换操作。
在对注意力系数归一化之后，图注意力层节点i的输出为σ是一个非线性函数。这种做法有效地提高了模型的准确性和稳定性。
Transformer编码层如图4所示，其包括多头注意力机制Multi-Head Attention和前馈神经网络Feed Forward两个子层。多头注意力机制是基于自注意力机制实现的，能够对输入序列中的每个位置进行编码，并捕捉序列中不同位置之间的依赖关系。在多头注意力机制中，输入序列首先经过多个注意力头的独立变换，然后将所有注意力头的输出拼接起来，通过线性变换生成该位置的上下文表示。自注意力机制能够对所有位置进行并行计算，有效地处理序列特征。多头自注意力机制层的输出将作为前馈神经网络层的输入，通过一个包含两个全连接层的前馈神经网络进行处理，得到前馈神经网络层的最终输出。
步骤(3)：未来轨迹预测，最后一层Transformer编码层的输出序列被传递到Transformer解码层中进行解码。解码层通过内部的注意力机制逐步输出每个目标路段，每个路段的位置信息可以在解码层中通过添加位置编码确定。在确定位置编码之后，解码层会逐个输出解码结果。虽然编码层和解码层都使用了自注意力机制，但他们的操作方式略有不同。为了能够逐个输出目标序列，解码层的自注意力对后续位置进行了隐藏。解码层将学习到的特征表示输入到与编码层相同的前馈神经网络，以获得更大维度的加权特征向量。
解码层输出的结果经由Linear层、Softmax层和Filter层处理后，输出预测序列。Linear层对编码器的输出向量进行线性变换，并映射至道路网络中路段数量的维度。将输出结果输入Softmax层，进行归一化处理。经过步骤(1)提及的数据预处理之后，我们得到了表示交通网络的有向图Gvec。Filter层根据该有向图Gvec对Softmax层的输出进行过滤。基于该图的连接关系，我们可以生成邻接向量Wc，以表示不同路段之间的连接情况。邻接向量Wc的表示如下：
当路段i与路段j有连接时，i和j之间的权重为1，否则为0。邻接向量Wc的每一行表示该路段与其他路段的连接情况，Softmax层输出每个路段可能为下一个路段的概率。若输出路段的前一个路段为第i个路段，则将Softmax层的输出向量与邻接向量Wc的第i行向量对应位置相乘，将不连接的路段的概率设置为0，连接的路段概率保持不变，如图5所示。这样，就能够使最后输出的结果为连续的路段。
基于上述车辆轨迹预测方法，本发明实施例还提供基于时空注意力机制的车辆轨迹预测***包括以下功能模块：
采集模块，用于采集车辆轨迹数据集以及待预测车辆的车辆轨迹数据；
预处理模块，用于对车辆轨迹数据进行预处理；
地图匹配模块，用于将预处理之后的车辆轨迹数据通过地图匹配算法进行地图映射得到路段序列；
分割模块，用于对路段序列进行分割得到数个子路段序列；
划分模块，用于划分输入序列、输出序列、训练集、验证集和测试集；
训练模块，用于利用训练集和验证集对轨迹预测模型进行训练，得到目标轨迹预测模型；
预测模块，用于利用测试集将目标路段序列输入目标轨迹预测模型进行轨迹预测。
上述功能模块的具体过程可参考上述车辆轨迹预测方法中的具体描述，在此不赘述。
为了验证本发明提出的模型性能，在两个真实的车辆轨迹数据集上进行了大量实验，分别是北京出租车轨迹数据集和成都出租车轨迹数据集，数据集结构如下表1和表2所示。
表1北京数据集
表2成都数据集
北京出租车轨迹数据集：该项目包含北京市2008年2月2日至2008年02月8日期间10357辆出租车的一周轨迹。每个数据记录包括车辆ID、时间、经度和纬度的信息。本文从OpenStreetMap获得了边界范围为[39.74,40.10,116.14,116.80]的道路网络结构，由46859个路口节点和109314个路段组成，如图6所示。
成都出租车轨迹数据集：该数据集包含成都市2014年8月3日至2014年8月13日13605名出租车司机通过智能手机收集得到的11天数据。每个GPS数据记录描述了特定时间和地点的出租车承载情况，包括时间、车辆ID、占用状态、经度和纬度等信息。实验中，本文以[30.29,31.04,103.26,104.61]为边界范围获取了OpenStreetMap上的道路网络结构，由83483个路口节点和203578个路段组成，如图7所示。
在实验中，本发明以距离误差(Distance Error，DE)和平均匹配率(AverageMatch Ratio，AMR)作为评价指标评估车辆轨迹预测模型的预测性能。
距离误差(DE)：预测轨迹和实际轨迹之间的平均编辑距离。编辑距离常用于通过计算将一个序列转换为另一个序列所需的最小操作数来量化两个序列之间的相似性。DE的公式定义为：
其中，Nt表示测试集中轨迹记录的数量，Lout表示输出轨迹的长度，P′i表示预测得到的轨迹序列，Pi表示真实的轨迹序列。Edit(P′i,Pi)表示P′i与Pi之间的编辑距离(EditDistance),即计算两个序列之间的差异程度。编辑距离越大时，两个序列的差异程度越大。
平均匹配率(AMR)：正确预测的路段数量与预测轨迹长度的平均比率。AMR公式定义为：
其中，v′i,j和vi,j分别表示第i个轨迹序列的第j个位置的预测得到的道路路段和真实的道路路段。Match(v′i,j,vi,j)表示v′i,j和vi,j的匹配程度。当v′i,j和vi,j相同时，Match(v′i,j,vi,j)＝1，否则Match(v′i,j,vi,j)＝0。
本发明使用的深度学习框架是Pytorch，模型的输入轨迹序列长度为8，输出序列长度为4。实验过程中，本文使用Adam优化器优化训练过程，初始学习率设置为0.5，采用线性学习率衰减，权重衰减值设置为0.01，batch大小为100，丢弃率为0.1，迭代的epoch大小为40。
本模型的主要实验结果如下表3所示。
表3不同模型的对比实验结果
本发明以LSTM Encoder-Decoder和Transformer为基线模型，通过与基线模型进行比较来评估本文提出的方法的性能。在北京数据集上，TPred(为本方法简称，下同)的AMR值达到了73.07％，比LSTM Encoder-Decoder和Transformer分别提高了37.45％和6.38％。而在成都数据集上，TPred的AMR值则达到了78.93％，相较于LSTM Encoder-Decoder和Transformer分别提高了36.06％和10.55％。可以观察到，对于两个数据集，本文所提出的方法都比基线模型具有更好的性能。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
Claims (10)
1.一种基于时空注意力机制的车辆轨迹预测方法，其特征在于，包括以下步骤：
S1、采集车辆轨迹数据集并对车辆轨迹数据集的车辆轨迹数据进行预处理；
S2、将预处理之后的车辆轨迹数据通过地图匹配算法进行地图映射得到路段序列，并对路段序列进行分割得到数个子路段序列；
其中，每个子路段序列的长度为L，子路段序列的前K部分作为输入序列，子路段序列的后L-K部分作为输出序列；所有子路段序列随机打乱，划分为训练集、验证集和测试集；
S3、利用训练集、验证集和测试集对轨迹预测模型进行训练，得到目标轨迹预测模型；
其中，轨迹预测模型包括嵌入层、图注意力编码层、第一Transformer编码层、第二Transformer编码层、Transformer解码层、Linear层、Softmax层和Filter层，输入序列输入嵌入层转换为特征向量，特征向量分别输入图注意力编码层、第一Transformer编码层以提取得到空间特征和时间特征，将空间特征和时间特征聚合后输入第二Transformer编码层以得到长序列的特征，长序列的特征输入Transformer解码层生成轨迹预测序列，预测序列依次经过Linear层、Softmax层和Filter层，得到输出序列；
S4、将待预测车辆的车辆轨迹数据通过地图匹配算法进行地图映射得到目标路段序列，之后输入目标轨迹预测模型进行轨迹预测。
2.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述步骤S1中，预处理包括数据清洗、过滤和压缩。
3.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述步骤S2中，地图匹配算法采用Fast Map Matching算法；
将车辆轨迹数据集和道路网络作为输入，预先计算出道路网络中特定长度内的所有最短路径对，并存储在UBODT表中；UBODT表中的每一行存储从起始节点no到目标节点nd的最短路径，包括起始节点的下一节点next_n和下一条边next_e，目标节点的上一节点pre_n，以及最短路径距离；UBODT表提供每个节点之间的连接信息。
当第i条路径的起始节点no，i与第j条路径的目标节点nd，j相同时，得到该节点的前后邻接节点pre_nj和next_ni；
当第i条路径的起始节点no，i与第k条路径的起始节点no，k的下一节点next_nk相同时，得到该节点的前后邻接边next_ek和next_ei；
由此得到道路网络中每一路段的邻居路段信息，构建道路网络的有向图，即路段序列。
4.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述步骤S2中，K＞L-K。
5.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述图注意力编码层采用注意力机制，为不同的邻居节点分配不同的权重，计算每个图节点的特征；
图注意力编码层的输入为h＝{h1，h2，...，hN}，hi∈RF，N为节点的数目，h为节点的特征表示集合，R为实数空间，F为每个节点的特征维度；输出为h′＝{h′1，h′2，...，h′N}，h′i∈RF′，F′是输出维度，F′与F可不相等；
考虑邻居节点j对被计算节点i的影响，注意力系数aij表示邻居节点j对被计算节点i的影响程度，注意力系数的计算为：
其中，LeakyReLU为非线性激活函数，a∈R2F′为权重向量，W∈RF′×F是应用于每个节点的共享线性变换权重矩阵，Ni表示与节点i相邻的节点集合，Whi表示节点i经过矩阵变化的特征向量，||表示向量的连接操作，aT表示权重向量的转置；
在对注意力系数归一化之后，图注意力层节点i的输出为σ是一个非线性函数。
6.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述第一Transformer编码层包括多头注意力机制和前馈神经网络两个子层，多头注意力机制层用于对输入序列中的每个位置进行编码，并捕捉序列中不同位置之间的依赖关系；
在多头注意力机制层中，输入序列首先经过多个注意力头的独立变换，然后将所有注意力头的输出拼接起来，通过线性变换生成该位置的上下文表示；
多头注意力机制层的输出作为前馈神经网络层的输入，通过包含两个全连接层的前馈神经网络层进行处理，得到前馈神经网络层的最终输出。
7.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述Transformer解码层通过内部的注意力机制逐步输出每个目标路段，每个路段的位置信息在解码层中通过添加位置编码确定；在确定位置编码之后，Transformer解码层逐个输出解码结果。
8.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述Linear层对Transformer解码层的输出向量进行线性变换，并映射至道路网络中路段数量的维度；将Linear层的输出结果输入Softmax层，进行归一化处理；Filter层根据交通网络的有向图Gvec对Softmax层的输出进行过滤；基于有向图的连接关系生成邻接向量Wc，以表示不同路段之间的连接情况；
邻接向量Wc表示如下：
当路段i与路段j有连接时，i和j之间的权重为1，否则为0；邻接向量Wc的每一行表示该路段与其他路段的连接情况，Softmax层输出每个路段可能为下一个路段的概率；若输出路段的前一个路段为第i个路段，则将Softmax层的输出向量与邻接向量Wc的第i行向量对应位置相乘，将不连接的路段的概率设为0，连接的路段概率保持不变，使最后输出的结果为连续的路段。
9.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述车辆轨迹数据通过GPS传感器采集。
10.一种基于时空注意力机制的车辆轨迹预测***，应用如权利要求1-9任一项所述的车辆轨迹预测方法，其特征在于，所述车辆轨迹预测***包括：
采集模块，用于采集车辆轨迹数据集以及待预测车辆的车辆轨迹数据；
预处理模块，用于对车辆轨迹数据进行预处理；
地图匹配模块，用于将预处理之后的车辆轨迹数据通过地图匹配算法进行地图映射得到路段序列；
分割模块，用于对路段序列进行分割得到数个子路段序列；
划分模块，用于划分输入序列、输出序列、训练集、验证集和测试集；
训练模块，用于利用训练集、验证集和测试集对轨迹预测模型进行训练，得到目标轨迹预测模型；
预测模块，用于目标路段序列输入目标轨迹预测模型进行轨迹预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311106443.4A CN117171582A (zh) | 2023-08-30 | 2023-08-30 | 基于时空注意力机制的车辆轨迹预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311106443.4A CN117171582A (zh) | 2023-08-30 | 2023-08-30 | 基于时空注意力机制的车辆轨迹预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117171582A true CN117171582A (zh) | 2023-12-05 |
Family
ID=88929085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311106443.4A Pending CN117171582A (zh) | 2023-08-30 | 2023-08-30 | 基于时空注意力机制的车辆轨迹预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171582A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854293A (zh) * | 2024-01-09 | 2024-04-09 | 扬州大学 | 基于稀疏自注意力网络的城市车流od流量提取方法 |
| CN118033695A (zh) * | 2024-04-12 | 2024-05-14 | 山东大学 | 一种北斗与伪卫星融合定位方法、***、设备及介质 |
-
2023
- 2023-08-30 CN CN202311106443.4A patent/CN117171582A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854293A (zh) * | 2024-01-09 | 2024-04-09 | 扬州大学 | 基于稀疏自注意力网络的城市车流od流量提取方法 |
| CN118033695A (zh) * | 2024-04-12 | 2024-05-14 | 山东大学 | 一种北斗与伪卫星融合定位方法、***、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111400620B (zh) | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 | |
| CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
| CN110458844B (zh) | 一种低光照场景的语义分割方法 | |
| CN112560656B (zh) | 一种联合注意力机制端到端训练的行人多目标跟踪方法 | |
| CN110781838A (zh) | 一种复杂场景下行人的多模态轨迹预测方法 | |
| JP7097641B2 (ja) | 畳み込み知覚ハッシュアルゴリズムに基づくループ検出方法 | |
| CN111259786A (zh) | 一种基于视频的外观和运动信息同步增强的行人重识别方法 | |
| US11640714B2 (en) | Video panoptic segmentation | |
| CN115461755A (zh) | 异常检测器、异常检测的方法和训练异常检测器的方法 | |
| CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测*** | |
| CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、***及装置 | |
| 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 | |
| CN113240683B (zh) | 基于注意力机制的轻量化语义分割模型构建方法 | |
| CN117171582A (zh) | 基于时空注意力机制的车辆轨迹预测方法及*** | |
| CN111291690A (zh) | 路线规划方法、路线规划装置、机器人及介质 | |
| CN114863407B (zh) | 一种基于视觉语言深度融合的多任务冷启动目标检测方法 | |
| CN112990065A (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
| CN112861840A (zh) | 基于多特征融合卷积网络的复杂场景字符识别方法及*** | |
| CN115631513A (zh) | 基于Transformer的多尺度行人重识别方法 | |
| CN117217368A (zh) | 预测模型的训练方法、装置、设备、介质及程序产品 | |
| CN116977712B (zh) | 基于知识蒸馏的道路场景分割方法、***、设备及介质 | |
| CN116246338B (zh) | 一种基于图卷积和Transformer复合神经网络的行为识别方法 | |
| CN117116048A (zh) | 基于知识表示模型和图神经网络的知识驱动交通预测方法 | |
| CN116994164A (zh) | 一种多模态航拍图像融合与目标检测联合学习方法 | |
| CN115171029B (zh) | 基于无人驾驶的城市场景下的实例分割方法及*** |
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 |