CN105718750A - 一种车辆行驶轨迹的预测方法及系统 - Google Patents

Abstract

本发明公开了一种车辆行驶轨迹的预测方法及系统，该方法包括：利用预测模型，对车辆的行驶轨迹进行预测，得到目标行驶轨迹；其中，预测模型携带虚拟参考点的参考信息；计算目标行驶轨迹的可信度，当可信度达到预设阈值时，利用目标行驶轨迹的位置信息，对预测模型中参考信息进行更新；利用进行参考信息更新后的预测模型对车辆的行驶轨迹进行下一次预测。本发明引入虚拟参考点，能够在不断的预测循环中，将在当前环境的影响下的预测是可信的目标行驶轨迹的位置信息更新至虚拟参考点的参考信息，以此能够保证预测出来的行驶轨迹为适应当前环境情况的轨迹，进而实现了自适应外界环境变化，提高车辆行驶轨迹预测的准确度的目的。

Description

一种车辆行驶轨迹的预测方法及系统

技术领域

本发明涉及智能交通技术领域，特别是涉及一种车辆行驶轨迹的预测方法及系统。

背景技术

目前，随着城镇化、机动化的持续快速发展，尽管，当前拥有汽车辅助驾驶系统，比如GPS全球定位导航系统、北斗卫星定位导航系统及车载传感器等等，但是城市交通拥堵加剧、污染严重、事故频发等不利因素致使人们对出行感到不安全，尤其致使汽车驾驶员缺乏行车安全感。

目前，可通过多种手段采集实时的车辆位置信息，如：无线传感器、GPS、车载传感器、路边雷达及卡口摄像机等手段。然而，通过这些手段采集的原始交通数据有很多是无效的、冗余的数据。这时，就需要利用数据挖掘技术挖掘对我们有用的历史轨迹信息，然后利用这些历史轨迹信息和车辆当前的位置信息对未来车辆将要经过的行驶轨迹进行预测，这样就可以提醒将要经过交叉十字路口的驾驶员注意前方驾驶的安全性，以此提高驾驶员行车的安全感。

在实际的对车辆行驶轨迹的预测过程中，通常会用到所有参考点的参考信息(包括RSSI值和坐标值)。但是，现有的预测模型大部分只考虑历史轨迹，很少考虑外界环境因素对预测精度的影响，体现在参考信息是一成不变的，而环境的变化会实际上是会使得参考信息也发生变化，这样，如果仍然使用原来的参考信息，预测模型很难做出及时而准确的预测。

因此，亟需一种能够自适应外界环境变化，提高车辆行驶轨迹预测的准确度的方法。

发明内容

有鉴于此，本发明提供了一种车辆行驶轨迹的预测方法及系统，以实现自适应外界环境变化，提高车辆行驶轨迹预测的准确度的目的。

为解决上述技术问题，本发明提供一种车辆行驶轨迹的预测方法，该方法包括：

利用预测模型，对所述车辆的行驶轨迹进行预测，得到目标行驶轨迹；其中，所述预测模型携带虚拟参考点的参考信息；

计算所述目标行驶轨迹的可信度，当所述可信度达到预设阈值时，利用所述目标行驶轨迹的位置信息，对所述预测模型中所述参考信息进行更新；

利用进行所述参考信息更新后的所述预测模型对所述车辆的行驶轨迹进行下一次预测。

上述方法中，优选地，在所述利用预测模型，对所述车辆的行驶轨迹进行预测，得到目标行驶轨迹之前，还包括：

从所述车辆的原始交通数据中提取历史轨迹信息，并对所述历史轨迹信息进行聚类分析，得到聚类簇；

利用所述聚类簇，对初始模型进行训练，得到所述预测模型；

其中，所述历史轨迹信息携带所述虚拟参考点的参考信息。

上述方法中，优选地，每个所述虚拟参考点的参考信息包括自身坐标值和RSSI值，所述利用预测模型，对所述车辆的行驶轨迹进行预测，得到目标行驶轨迹，包括：

获取所述车辆的RSSI值；

根据所有所述虚拟参考点的所述自身坐标值和RSSI值，计算得到与所述车辆的RSSI相对应的车辆坐标值；

利用所述车辆坐标值，对所述车辆的行驶轨迹进行预测，得到所述目标行驶轨迹。

上述方法中，优选地，还包括：

利用无线通信路径-对数损耗模型，计算得到每个所述虚拟参考点的参考信息中的RSSI值。

上述方法中，优选地，在所述利用预测模型，对所述车辆的行驶轨迹进行预测，得到目标行驶轨迹之后，还包括：

显示所述目标行驶轨迹，以便用户使用。

本发明还提供了一种车辆行驶轨迹的预测系统，该系统包括：

预测单元，用于利用预测模型，对所述车辆的行驶轨迹进行预测，得到目标行驶轨迹；其中，所述预测模型携带虚拟参考点的参考信息；

更新单元，用于计算所述目标行驶轨迹的可信度，当所述可信度达到预设阈值时，利用所述目标行驶轨迹的位置信息，对所述预测模型中所述参考信息进行更新；

所述预测单元还用于利用进行所述参考信息更新后的所述预测模型对所述车辆的行驶轨迹进行下一次预测。

上述系统中，优选地，还包括：

聚类分析单元，用于在所述预测单元得到所述目标行驶轨迹之前，从所述车辆的原始交通数据中提取历史轨迹信息，并对所述历史轨迹信息进行聚类分析，得到聚类簇；

训练单元，用于利用所述聚类簇，对初始模型进行训练，得到所述预测模型；

其中，所述历史轨迹信息携带所述虚拟参考点的参考信息。

上述系统中，优选地，每个所述虚拟参考点的参考信息包括自身坐标值和RSSI值，所述预测单元包括：

获取子单元，用于获取所述车辆的RSSI值；

计算子单元，用于根据所有所述虚拟参考点的所述自身坐标值和RSSI值，计算得到与所述车辆的RSSI相对应的车辆坐标值；

预测子单元，用于利用所述车辆坐标值，对所述车辆的行驶轨迹进行预测，得到所述目标行驶轨迹。

上述系统中，优选地，还包括：

计算单元，用于利用无线通信路径-对数损耗模型，计算得到每个所述虚拟参考点的参考信息中的RSSI值。

上述系统中，优选地，还包括：

显示单元，用于在所述预测单元，用于得到所述目标行驶轨迹之后，显示所述目标行驶轨迹，以便用户使用。

以上本发明提供的一种车辆行驶轨迹的预测方法及系统中，最开始先利用预测模型，对所述车辆的行驶轨迹进行预测，得到目标行驶轨迹，其中，所述预测模型携带虚拟参考点的参考信息；然后，计算所述目标行驶轨迹的可信度，当所述可信度达到预设阈值时，认为所述目标行驶轨迹在当前环境的影响下的预测是可信的，因此利用所述目标行驶轨迹的位置信息，对所述预测模型中所述参考信息进行更新，以此将当前的环境信息注入到预测模型中；接着，利用进行所述参考信息更新后的所述预测模型对所述车辆的行驶轨迹进行下一次预测，以此循环。

可见，本发明引入虚拟参考点，能够在不断的预测循环中，将在当前环境的影响下的预测是可信的目标行驶轨迹的位置信息更新至虚拟参考点的参考信息，将当前的环境情况引入到预测模型中，以此能够保证预测出来的行驶轨迹为适应当前环境情况的轨迹，进而实现了自适应外界环境变化，提高车辆行驶轨迹预测的准确度的目的。

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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种车辆行驶轨迹的预测方法的流程图；

图2为本发明实施例提供的基于图1的一种应用场景综合框图；

图3为本发明实施例提供的一种车辆行驶轨迹的预测系统的结构框图示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的核心是提供一种车辆行驶轨迹的预测方法及系统，以实现自适应外界环境变化，提高车辆行驶轨迹预测的准确度的目的。

针对现有技术的不足，尤其是在动态环境中预测精度不高、实时性不强。本发明提出引入虚拟参考点，构建具有环境自适应的轨迹预测模型，将训练得到的预测模型嵌入预测系统，将预测结果可视化供司机驾驶员查询与判断。本发明对环境具有自适应能力，能够快速且高精度的预测车辆未来一段时间内的行驶轨迹。同时，本发明适应于智能交通系统中的辅助定位和跟踪，尤其是对于那些未配备GPS导航设备的车辆。该方法还能在一定程度上提高驾驶员的行车安全系数。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

参考图1，图1示出了本发明实施例提供的一种车辆行驶轨迹的预测方法的流程图，该方法具体可以包括如下步骤：

步骤S100、利用预测模型，对车辆的行驶轨迹进行预测，得到目标行驶轨迹。

在实际应用中，在利用预测模型之前，还需要构建初始的预测模型，具体地：从车辆的原始交通数据中提取历史轨迹信息，并对历史轨迹信息进行聚类分析，得到聚类簇；利用聚类簇，对初始模型进行训练，得到预测模型；其中，历史轨迹信息携带虚拟参考点的参考信息，也就是说，在初始构建预测模型时，可以从车辆的历史轨迹信息中提取出当前的参考信息。

本发明中，预测模型携带虚拟参考点的参考信息，每个虚拟参考点的参考信息包括自身坐标值和RSSI值，利用预测模型，对车辆的行驶轨迹进行预测，得到未来一段时间内的行驶轨迹即目标行驶轨迹，包括：获取车辆的RSSI值；根据所有虚拟参考点的自身坐标值和RSSI值，计算得到与车辆的RSSI相对应的车辆坐标值；利用车辆坐标值，对车辆的行驶轨迹进行预测，得到目标行驶轨迹。

其中，通过以下内容创建虚拟参考点和计算虚拟参考点RSSI值：

(10)设置定位区域，布置测量站；

(11)设计虚拟参考点分布位置；

(12)利用定位设备在预先设计的需要虚拟参考点的位置进行定位操作；

(13)记录各测量站的RSSI数据；具体地，利用无线通信路径-对数损耗模型，计算得到每个虚拟参考点的参考信息中的RSSI值；RSSI与信号传输距离的关系式：

$RSSI=-pL\left(d\right)=-pL\left(d_0\right)+10*n*lg\frac{d}{d_0}+\mathrm{\σ}$

式中pL(d)表示信号传输距离为d的路径损耗值，pL(d₀)表示参考值是信号传输距离为d₀的路径损耗值，σ表示均值为零的高斯随机变量，n为环境因素。

(14)判断虚拟参考点是否已完全覆盖定位区域，如果没有，则执行步骤(12)，否则执行步骤(15)；

(15)虚拟参考点创建完成。

步骤S101、计算目标行驶轨迹的可信度，当可信度达到预设阈值时，利用目标行驶轨迹的位置信息，对预测模型中参考信息进行更新。

可以理解的是，这里的目标行驶轨迹的位置信息中包括车辆的RSSI值和车辆坐标值。

本发明引入裁决机构，当可信度达到预设阈值时，认为目标行驶轨迹在当前环境的影响下的预测是可信的，因此利用目标行驶轨迹的位置信息，对预测模型中参考信息进行更新，以此将当前的环境信息注入到预测模型中。其中，预设阈值的选取极为重要。若预设阈值选取过大，则测量出来的行驶轨迹不容易达标，即虚拟参考点更新数据很少，不能达到自适应的要求；反之，若预设阈值选取过小，会导致裁决机构没有起到过滤小可信度的作用，可能会抬高系统预测误差水平。因此，预设阈值的选取必须根据实际情况具体制定，合适的预设阈值值才能让本发明发挥最佳作用。

其中，可信度R与预测误差存在如下关系：

$R=1-\frac{{\mathrm{\Σ}}_{i=1}^{k}e\[i\]}{\left|T\right|}$

式中，e[i]为第i步预测误差，可以通过该公式计算出可信度R。通过选取预测可信度高的预测轨迹点替代更新虚拟参考点，因而通过更新虚拟参考点的方法将当前环境信息注入到预测模型中。

步骤S102、利用进行参考信息更新后的预测模型对车辆的行驶轨迹进行下一次预测。

在利用预测模型，对车辆的行驶轨迹进行预测，得到目标行驶轨迹之后，还包括：显示目标行驶轨迹，以便用户使用。

可见，本发明引入虚拟参考点，能够在不断的预测循环中，将在当前环境的影响下的预测是可信的目标行驶轨迹的位置信息更新至虚拟参考点的参考信息，将当前的环境情况引入到预测模型中，以此能够保证预测出来的行驶轨迹为适应当前环境情况的轨迹，进而实现了自适应外界环境变化，提高车辆行驶轨迹预测的准确度的目的。

基于上述本发明实施例所公开的技术方案，本实施例中，基于实际应用，车载传感器感知车辆位置及环境信息，将感知信息通过无线网络与互联网技术发送到智能交通信息系统。移动手持终端可以利用下载工具定时下载交通数据，包括：车辆位置、时间、速度、行驶方向、天气状况及交通状况等数据，建立轨迹数据库。

参考图2示出的应用场景综合框图，具体地，将本发明上述技术方案划分成模型训练阶段和轨迹预测阶段：

A、模型训练阶段：

步骤SA200、通过智能交通信息系统获取交通网络中移动车辆的实时原始交通数据；

步骤SA201、利用ETL技术预处理原始交通数据，得到车辆历史轨迹集S＝{s₁,s₂,......,s_d}，并将历史轨迹集转化为矢量轨迹集 $S_{xy}=\{(s_{x_i},s_{y_i}),(s_{x_2},s_{y_2}),......,(s_{x_i},s_{y_i})\}$ 存储到轨迹数据库；

步骤SA202、利用混合概率模型对历史轨迹信息进行聚类分析；进一步，利用高斯混合概率模型对历史轨迹信息进行聚类分析。对历史轨迹信息的聚类可以去除噪声、简化轨迹数据节省存储空间。具体实现步骤如下：

(20)K-means聚类算法初始化聚类模型，得到初始高斯混合模型参；

(21)计算运动模式概率，这一步是EM算法的E-step：

$p\left(k\right|x_n,\mathrm{\λ})=\frac{{\mathrm{\π}}_{k}N\left(x_n\right|{\mathrm{\μ}}_{x,k},{\Σ}_{x,k})}{\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\π}}_{k}N\left(x_n\right|{\mathrm{\μ}}_{x,k},{\Σ}_{x,k})};$

(22)根据步骤(21)计算得到的概率值计算模型参数，这一步是EM算法的M-step：

$\begin{array}{c}\widetilde{{\mathrm{\π}}_k}=\frac{1}{T}\underset{n=1}{\overset{N}{\Σ}}p\left(k\right|x_n,\mathrm{\λ})\\ \widetilde{{\mathrm{\μ}}_k}=\frac{\underset{n=1}{\overset{N}{\Σ}}p\left(k\right|x_n,\mathrm{\λ})x_n}{\underset{n=1}{\overset{N}{\Σ}}p\left(k\right|x_n,\mathrm{\λ})}\\ \widetilde{{\Σ}_k}=\frac{\underset{n=1}{\overset{N}{\Σ}}p\left(k\right|x_n,\mathrm{\λ})x_n^2}{\underset{n=1}{\overset{N}{\Σ}}p\left(k\right|x_n,\mathrm{\λ})}\widetilde{{\mathrm{\μ}}_k^2}\end{array};$

(23)判断步骤(21)中的概率是否为最大值，如果是，则执行步骤(24)，如果不是，则返回步骤(21)，利用步骤(23)得到的模型参数重新计算概率值；

(24)结束聚类，输出K个聚类簇C＝{c₁,c₂,......,c_k}。

采用进一步改进方案的有益效果是：对历史数据聚类分析，第一，通过将轨迹分片简化轨迹数据，节省存储空间；第二，去除异常轨迹点。

步骤SA203、利用最小二乘法与高斯混合回归模型训练得预测模型 $M=y*=f^{^}\left(y\right)=E(y*|x,y,x*)=\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\π}}_k{f}^{^}\left(y\right);$

步骤SA204、创建虚拟参考点，计算虚拟参考点的RSSI值

步骤SA205、计算预测可信度，根据预测可信度高的值更新虚拟参考点

B、轨迹预测阶段，即将训练阶段得到的预测模型嵌入到移动设备预测系统中实时预测车辆行驶轨迹：

步骤SB200、通过移动终端获取预测测试数据；

步骤SB201、计算联合概率p(y*,y,p)，联合概率计算公式：

$p(y*,y,p)=\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\π}}_{k}N(y*,y,p|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)$

y,y*分别表示训练输出、预测输出。

步骤SB203、计算条件概率p(y*|y)，条件概率计算公式：

$p(y*|y,p)=\frac{p(y,y*,p)}{\∫p(y,y*,p)dy*}$

步骤SB204、计算预测值

$y*=f^{^}(y,p)=E(y*|x,y,x^{*},p)=\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\π}}_k{f}^{^}(y,p)$

步骤SB205、计算预测误差均值

$RMSE=\frac{\underset{i=1}{\overset{k}{\Σ}}\sqrt{{(x_i^{\′}-x_i)}^2+{(y_i^{\′}-y_i)}^2}}{k}$

综合上述本发明公开的一种车辆行驶轨迹的预测方法，利用车载传感器及卡口摄像机采集原始交通数据，提取车辆位置信息、车牌号信息及行驶环境信息并记录实时时间；利用高斯混合模型对不同运动模式分别建模，结合历史轨迹信息创建虚拟参考点并采用高斯模型优化虚拟参考点RSSI值，基于具有环境自适应能力的高斯混合模型实现对道路上车辆未来行驶轨迹预测，并将预测结果直观显示给驾驶员，供驾驶员查询与判断。本发明综合考虑人-车-环境对车辆行驶轨迹的影响，提高预测准确度和实时性。

基于上述本发明实施例提供的车辆行驶轨迹的预测方法，本发明实施例还提供了一种车辆行驶轨迹的预测系统，参考图3，该系统300可以包括如下内容：

预测单元301，用于利用预测模型，对车辆的行驶轨迹进行预测，得到目标行驶轨迹；其中，预测模型携带虚拟参考点的参考信息；

更新单元302，用于计算目标行驶轨迹的可信度，当可信度达到预设阈值时，利用目标行驶轨迹的位置信息，对预测模型中参考信息进行更新；

预测单元301还用于利用进行参考信息更新后的预测模型对车辆的行驶轨迹进行下一次预测。

本发明中，上述系统300具体还可以包括如下内容：

聚类分析单元，用于在预测单元得到目标行驶轨迹之前，从车辆的原始交通数据中提取历史轨迹信息，并对历史轨迹信息进行聚类分析，得到聚类簇；

训练单元，用于利用聚类簇，对初始模型进行训练，得到预测模型；

其中，历史轨迹信息携带虚拟参考点的参考信息。

本发明中，每个虚拟参考点的参考信息包括自身坐标值和RSSI值，预测单元301具体可以包括以下内容：

获取子单元，用于获取车辆的RSSI值；

计算子单元，用于根据所有虚拟参考点的自身坐标值和RSSI值，计算得到与车辆的RSSI相对应的车辆坐标值；

预测子单元，用于利用车辆坐标值，对车辆的行驶轨迹进行预测，得到目标行驶轨迹。

本发明中，上述系统300具体还可以包括计算单元，用于利用无线通信路径-对数损耗模型，计算得到每个虚拟参考点的参考信息中的RSSI值。

另外，上述系统300具体还可以包括显示单元，用于在预测单元，用于得到目标行驶轨迹之后，显示目标行驶轨迹，以便用户使用。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的一种车辆行驶轨迹的预测方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种车辆行驶轨迹的预测方法，其特征在于，该方法包括：

利用预测模型，对所述车辆的行驶轨迹进行预测，得到目标行驶轨迹；其中，所述预测模型携带虚拟参考点的参考信息；

计算所述目标行驶轨迹的可信度，当所述可信度达到预设阈值时，利用所述目标行驶轨迹的位置信息，对所述预测模型中所述参考信息进行更新；

利用进行所述参考信息更新后的所述预测模型对所述车辆的行驶轨迹进行下一次预测。

2.如权利要求1所述的方法，其特征在于，在所述利用预测模型，对所述车辆的行驶轨迹进行预测，得到目标行驶轨迹之前，还包括：

从所述车辆的原始交通数据中提取历史轨迹信息，并对所述历史轨迹信息进行聚类分析，得到聚类簇；

利用所述聚类簇，对初始模型进行训练，得到所述预测模型；

其中，所述历史轨迹信息携带所述虚拟参考点的参考信息。

3.如权利要求1或2所述的方法，其特征在于，每个所述虚拟参考点的参考信息包括自身坐标值和RSSI值，所述利用预测模型，对所述车辆的行驶轨迹进行预测，得到目标行驶轨迹，包括：

获取所述车辆的RSSI值；

根据所有所述虚拟参考点的所述自身坐标值和RSSI值，计算得到与所述车辆的RSSI相对应的车辆坐标值；

利用所述车辆坐标值，对所述车辆的行驶轨迹进行预测，得到所述目标行驶轨迹。

4.如权利要求3所述的方法，其特征在于，还包括：

利用无线通信路径-对数损耗模型，计算得到每个所述虚拟参考点的参考信息中的RSSI值。

5.如权利要求1所述的方法，其特征在于，在所述利用预测模型，对所述车辆的行驶轨迹进行预测，得到目标行驶轨迹之后，还包括：

显示所述目标行驶轨迹，以便用户使用。

6.一种车辆行驶轨迹的预测系统,其特征在于，该系统包括：

预测单元，用于利用预测模型，对所述车辆的行驶轨迹进行预测，得到目标行驶轨迹；其中，所述预测模型携带虚拟参考点的参考信息；

更新单元，用于计算所述目标行驶轨迹的可信度，当所述可信度达到预设阈值时，利用所述目标行驶轨迹的位置信息，对所述预测模型中所述参考信息进行更新；

所述预测单元还用于利用进行所述参考信息更新后的所述预测模型对所述车辆的行驶轨迹进行下一次预测。

7.如权利要求6所述的系统，其特征在于，还包括：

聚类分析单元，用于在所述预测单元得到所述目标行驶轨迹之前，从所述车辆的原始交通数据中提取历史轨迹信息，并对所述历史轨迹信息进行聚类分析，得到聚类簇；

训练单元，用于利用所述聚类簇，对初始模型进行训练，得到所述预测模型；

其中，所述历史轨迹信息携带所述虚拟参考点的参考信息。

8.如权利要求5或6所述的系统，其特征在于，每个所述虚拟参考点的参考信息包括自身坐标值和RSSI值，所述预测单元包括：

获取子单元，用于获取所述车辆的RSSI值；

计算子单元，用于根据所有所述虚拟参考点的所述自身坐标值和RSSI值，计算得到与所述车辆的RSSI相对应的车辆坐标值；

预测子单元，用于利用所述车辆坐标值，对所述车辆的行驶轨迹进行预测，得到所述目标行驶轨迹。

9.如权利要求8所述的系统，其特征在于，还包括：

计算单元，用于利用无线通信路径-对数损耗模型，计算得到每个所述虚拟参考点的参考信息中的RSSI值。

10.如权利要求1所述的方法，其特征在于，还包括：

显示单元，用于在所述预测单元，用于得到所述目标行驶轨迹之后，显示所述目标行驶轨迹，以便用户使用。