CN113673749A - 车辆行人地图轨迹预测方法及装置 - Google Patents

车辆行人地图轨迹预测方法及装置 Download PDF

Info

Publication number
CN113673749A
CN113673749A CN202110858114.XA CN202110858114A CN113673749A CN 113673749 A CN113673749 A CN 113673749A CN 202110858114 A CN202110858114 A CN 202110858114A CN 113673749 A CN113673749 A CN 113673749A
Authority
CN
China
Prior art keywords
training
predicted
vehicle
target object
neural network
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
CN202110858114.XA
Other languages
English (en)
Other versions
CN113673749B (zh
Inventor
李辰潼
焦泽昱
雷欢
陈再励
何峰
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.)
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Original Assignee
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
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 Institute of Intelligent Manufacturing of Guangdong Academy of Sciences filed Critical Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Priority to CN202110858114.XA priority Critical patent/CN113673749B/zh
Publication of CN113673749A publication Critical patent/CN113673749A/zh
Application granted granted Critical
Publication of CN113673749B publication Critical patent/CN113673749B/zh
Active 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于随机游走图神经网络的车辆行人地图轨迹预测方法及装置，其中，所述方法包括：确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；将待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出待预测目标对象在对应节点出现的概率。在本发明实施例中，可以有效的预测车辆或者行人在特定时间点后在地图上各个节点出现的概率。

Description

车辆行人地图轨迹预测方法及装置
技术领域
本发明涉及深度学习技术领域，尤其涉及一种基于随机游走图神经网络的车辆行人地图轨迹预测方法及装置。
背景技术
现有技术方案使用LSTM作为骨干网络，搭建基于视频数据的车辆或行人轨迹预测神经网络，以预测车辆或行人在未来一段时间行驶或步行轨迹的改变。由于现有基于LSTM的网络搭建只能预测短时间内局部车辆或行人路径的改变方向，但对于长时间(大于5min小于10min)车辆或行人所处位置(城市地图上的位置)的预测还没有现成的可用神经网络。而该问题的解决有助于提高对肇事车辆或行人通过摄像头的跨镜追踪速度。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于随机游走图神经网络的车辆行人地图轨迹预测方法及装置，可以有效的预测车辆或者行人在特定时间点后在地图上各个节点出现的概率。
为了解决上述技术问题，本发明实施例提供了一种基于随机游走图神经网络的车辆行人地图轨迹预测方法，所述方法包括：
确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；
构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；
在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；
将所述待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出所述待预测目标对象在对应节点出现的概率。
可选的，所述基于所述目标城市建立预测行人车辆训练数据库，包括：
将所述目标城市的地铁站和公交站抽象为站节点，并利用地铁线路和公交线路将各站节点进行链接，形成第一训练图网络；
基于给定三个输入值所选取的站节点号、第一预估间隔时间、交通载具的平均速度信息及第一训练图网络形成预测行人训练数据；
将所述目标城市中的各个关键点抽象为关键节点，并利用地图道路链接各个关键节点，形成第二训练图网络，其中，所述关键点包括集会场所和十字路口；
基于给定三个输入值所选取的关键节点号、第二预估间隔时间、车辆速度信息和所述第二训练图网络形成预测车辆训练数据；
基于所述预测行人训练数据和所述预测车辆训练数据构建预测行人车辆训练数据库。
可选的，所述随机游走图神经网络模型包括：核函数层、第一全连接层、第二全连接层、softmax函数层和输出层。
可选的，所述构建随机游走图神经网络模型，包括：
以所述核函数层作为输入层，依次连接所述第一全连接层、所述第二全连接层、所述softmax函数层和所述输出层，形成随机游走图神经网络模型。
可选的，所述核函数层为用于计算输入图结构以及时间和速度关系的核函数；用于表征输入信息在空间中的变换形式；
所述softmax函数层用于将所述第二全连接层输出的结果进行概率转换，获得各个节点的概率。
可选的，所述核函数如下：
Figure BDA0003184775800000021
其中，σ为sigmoid函数；且，
Figure BDA0003184775800000022
其中，t表示预估间隔时间；v表示预估速度；
Figure BDA0003184775800000023
表示预估时间和预估速度的重整比参数；
Figure BDA0003184775800000024
表示第i次方的第p行的邻接矩阵；T1和T2均为2 ×2的矩阵；Wi表示在第i个核函数中的可学参数矩阵；Xi表示在第i个核函数中的另外一个可学参数矩阵。
可选的，所述在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型，包括：
在所述预测行人车辆训练数据库中提取预测训练数据，所述预测训练数据包括预测训练样本数据和预测训练测试样本数据；
将所述预测训练样本数据输入所述随机游走图神经网络模型中进行训练，获得训练后的随机游走图神经网络模型；
将所述预测训练测试样本数据输入训练后的随机游走图神经网络模型进行测试验证，获得测试验证结果；
基于所述测试验证结果判断训练后的随机游走图神经网络模型是否收敛；
若否，则基于反向传播函数对训练后的随机游走图神经网络模型的各个节点进行参数更新，并进行重复训练，直至收敛或达到训练预设次数为止。
可选的，所述对所述实时目标对象数据进行预处理，形成待预测目标对象数据，包括：
在所述实时目标对象数据为行人时，获得所述实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息；
基于所述实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息、所述第一训练图网络形成待预测目标对象数据。
可选的，所述对所述实时目标对象数据进行预处理，形成待预测目标对象数据，包括：
在所述实时目标对象数据为车辆时，获得所述实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息；
基于所述实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息、所述第二训练图网络形成待预测目标对象数据。
另外，本发明实施例还提供了一种基于随机游走图神经网络的车辆行人地图轨迹预测装置，所述装置包括：
数据库建立模块：用于确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；
模型训练模块：用于构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；
实时目标数据处理模块：用于在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；
预测模块：用于将所述待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出所述待预测目标对象在对应节点出现的概率。
在本发明实施例中，可以有效的预测车辆或者行人在特定时间点后在地图上各个节点出现的概率；并且应用在城市中的人群、车辆轨迹预测实践，得到单一行人或单一车辆出现在不同位置的概率，排除概率小的节点进而提高对肇事车辆或行人通过摄像头的跨镜追踪效率；并且在本申请中，重新设计了随机游走神经网络，使得其输入信息由图结构变为单一节点的邻居，以及邻居的信息；扩充了原始网络的适用范围；并且将轨迹预测问题，转化为图结构上的节点预测问题，得到的网络，可通过输入节点序列号，实时速度信息(车辆通过测速仪，行人通过当时当地的交通工具的平均速度信息)以及间隔时间(大于5min小于10min)，预测间隔时间后从已知节点出发的车辆或行人所处位置的概率。
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，显而易见的，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它的附图。
图1是本发明实施例中的基于随机游走图神经网络的车辆行人地图轨迹预测方法的流程示意图；
图2是本发明实施例中的基于随机游走图神经网络的车辆行人地图轨迹预测装置的结构组成示意图；
图3是本发明实施例中的预测结果示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，图1是本发明实施例中的基于随机游走图神经网络的车辆行人地图轨迹预测方法的流程示意图。
如图1所示，一种基于随机游走图神经网络的车辆行人地图轨迹预测方法，所述方法包括：
S11：确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；
在本发明具体实施过程中，所述基于所述目标城市建立预测行人车辆训练数据库，包括：将所述目标城市的地铁站和公交站抽象为站节点，并利用地铁线路和公交线路将各站节点进行链接，形成第一训练图网络；基于给定三个输入值所选取的站节点号、第一预估间隔时间、交通载具的平均速度信息及第一训练图网络形成预测行人训练数据；将所述目标城市中的各个关键点抽象为关键节点，并利用地图道路链接各个关键节点，形成第二训练图网络，其中，所述关键点包括集会场所和十字路口；基于给定三个输入值所选取的关键节点号、第二预估间隔时间、车辆速度信息和所述第二训练图网络形成预测车辆训练数据；基于所述预测行人训练数据和所述预测车辆训练数据构建预测行人车辆训练数据库。
具体的，首先需要确定目标城市，比如在本发明实施例中确定目标城市为广州；则需要将目标城市的地铁站、公交站、关键地点，一般关键地点的定义为主要的大小集会场所和十字路口等；在对于预测行人训练数据，则需要首先需要将目标城市的地铁站和公交站抽象为站节点，并利用地铁线路和公交线路将各站节点进行链接，形成第一训练图网络；其次，给定三个输入值所选取的站节点号、第一预估间隔时间、交通载具的平均速度信息，再联合所建立的第一训练图网络作为则形成预测行人训练数据；并且通过交通卡追踪都得到输入节点的人群到达不同节点的人数，并归一化为输出概率；在对于预测车辆训练数据，首先需要将城市的各个关键地点抽象为关键节点，然后利用地图道路链接各个关键节点，形成第二训练图网络，然后给定三个输入值所选取的关键节点号第二预估间隔时间、车辆速度信息，然后联合第二训练图网络形成预测车辆训练数据；并且通过交通摄像头Reid得到处于输入节点的车辆到达不同节点的车辆数，并归一化作为输出概率。
S12：构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；
在本发明具体实时过程中，所述随机游走图神经网络模型包括：核函数层、第一全连接层、第二全连接层、softmax函数层和输出层。
进一步的，所述构建随机游走图神经网络模型，包括：以所述核函数层作为输入层，依次连接所述第一全连接层、所述第二全连接层、所述 softmax函数层和所述输出层，形成随机游走图神经网络模型。
进一步的，所述核函数层为用于计算输入图结构以及时间和速度关系的核函数；用于表征输入信息在空间中的变换形式；所述softmax函数层用于将所述第二全连接层输出的结果进行概率转换，获得各个节点的概率。
进一步的，所述核函数如下：
Figure BDA0003184775800000061
其中，σ为sigmoid函数；且，
Figure BDA0003184775800000062
其中，t表示预估间隔时间；v表示预估速度；
Figure BDA0003184775800000063
表示预估时间和预估速度的重整比参数；
Figure BDA0003184775800000064
良示第i次方的第p行的邻接矩阵；T1和T2均为2 ×2的矩阵；Wi表示在第i个核函数中的可学参数矩阵；Xi表示在第i个核函数中的另外一个可学参数矩阵。
进一步的，所述在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型，包括：在所述预测行人车辆训练数据库中提取预测训练数据，所述预测训练数据包括预测训练样本数据和预测训练测试样本数据；将所述预测训练样本数据输入所述随机游走图神经网络模型中进行训练，获得训练后的随机游走图神经网络模型；将所述预测训练测试样本数据输入训练后的随机游走图神经网络模型进行测试验证，获得测试验证结果；基于所述测试验证结果判断训练后的随机游走图神经网络模型是否收敛；若否，则基于反向传播函数对训练后的随机游走图神经网络模型的各个节点进行参数更新，并进行重复训练，直至收敛或达到训练预设次数为止。
具体的，构建的随机游走图神经网络模型包括：核函数层、第一全连接层、第二全连接层、softmax函数层和输出层；并且以核函数层作为输入层，依次连接第一全连接层、第二全连接层、softmax函数层和输出层，形成随机游走图神经网络模型。
然后该核函数层为用于计算输入图结构以及时间和速度关系的核函数；用于表征输入信息在空间中的变换形式；softmax函数层用于将所述第二全连接层输出的结果进行概率转换，获得各个节点的概率。
该核函数的具体如下：
Figure BDA0003184775800000071
其中，σ为sigmoid函数；且，
Figure BDA0003184775800000072
其中，t表示预估间隔时间；v表示预估速度；
Figure BDA0003184775800000073
表示预估时间和预估速度的重整比参数；
Figure BDA0003184775800000074
表示第i次方的第p行的邻接矩阵；T1和T2均为2 ×2的矩阵；Wi表示在第i个核函数中的可学参数矩阵；Xi表示在第i个核函数中的另外一个可学参数矩阵；矩阵W为(n+2)×(n+2)矩阵，X为(n+2) ×1向量，n为网络的节点数。
然后通过在预测行人车辆训练数据库中提取预测训练数据，该预测训练数据包括预测训练样本数据和预测训练测试样本数据；并且将预测训练样本数据输入随机游走图神经网络模型中进行训练，获得训练后的随机游走图神经网络模型；将预测训练测试样本数据输入训练后的随机游走图神经网络模型进行测试验证，获得测试验证结果；然后根据测试验证结果判断训练后的随机游走图神经网络模型是否收敛；若不收敛，则需要利用反向传播函数对训练后的随机游走图神经网络模型的各个节点进行参数更新，并进行重复训练，直至收敛或达到训练预设次数为止。
S13：在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；
在本发明具体实施过程中，所述对所述实时目标对象数据进行预处理，形成待预测目标对象数据，包括：在所述实时目标对象数据为行人时，获得所述实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息；基于所述实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息、所述第一训练图网络形成待预测目标对象数据。
进一步的，所述对所述实时目标对象数据进行预处理，形成待预测目标对象数据，包括：在所述实时目标对象数据为车辆时，获得所述实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息；基于所述实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息、所述第二训练图网络形成待预测目标对象数据。
具体的，对于实时目标对象数据的预处理，需要区分实时目标对象数据的类别，即为行人还是车辆；在实时目标对象数据为行人时，则需要得到实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息；然后根据实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息、第一训练图网络形成待预测目标对象数据。
在实时目标对象数据为车辆时，则需要得到实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息；然后根据实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息、第二训练图网络形成待预测目标对象数据。
S14：将所述待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出所述待预测目标对象在对应节点出现的概率。
在本发明具体实施过程中，将待预测目标对象数据输入收敛的随机游走图神经网络模型中，通过在收敛的随机游走图神经网络模型中对待预测目标对象数据进行相关的处理之后，输出待预测目标对象在对应节点出现的概率；在以广州为例时，以同和地铁站为出发点，预测出到沙河顶、燕塘和白云大道北的概率；具体如图3所示。
在本发明实施例中，可以有效的预测车辆或者行人在特定时间点后在地图上各个节点出现的概率；并且应用在城市中的人群、车辆轨迹预测实践，得到单一行人或单一车辆出现在不同位置的概率，排除概率小的节点进而提高对肇事车辆或行人通过摄像头的跨镜追踪效率；并且在本申请中，重新设计了随机游走神经网络，使得其输入信息由图结构变为单一节点的邻居，以及邻居的信息；扩充了原始网络的适用范围；并且将轨迹预测问题，转化为图结构上的节点预测问题，得到的网络，可通过输入节点序列号，实时速度信息(车辆通过测速仪，行人通过当时当地的交通工具的平均速度信息)以及间隔时间(大于5min小于10min)，预测间隔时间后从已知节点出发的车辆或行人所处位置的概率。
实施例二
请参阅图2，图2是本发明实施例中的基于随机游走图神经网络的车辆行人地图轨迹预测装置的结构组成示意图。
如图2所示，一种基于随机游走图神经网络的车辆行人地图轨迹预测装置，所述装置包括：
数据库建立模块21：用于确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；
在本发明具体实施过程中，所述基于所述目标城市建立预测行人车辆训练数据库，包括：将所述目标城市的地铁站和公交站抽象为站节点，并利用地铁线路和公交线路将各站节点进行链接，形成第一训练图网络；基于给定三个输入值所选取的站节点号、第一预估间隔时间、交通载具的平均速度信息及第一训练图网络形成预测行人训练数据；将所述目标城市中的各个关键点抽象为关键节点，并利用地图道路链接各个关键节点，形成第二训练图网络，其中，所述关键点包括集会场所和十字路口；基于给定三个输入值所选取的关键节点号、第二预估间隔时间、车辆速度信息和所述第二训练图网络形成预测车辆训练数据；基于所述预测行人训练数据和所述预测车辆训练数据构建预测行人车辆训练数据库。
具体的，首先需要确定目标城市，比如在本发明实施例中确定目标城市为广州；则需要将目标城市的地铁站、公交站、关键地点，一般关键地点的定义为主要的大小集会场所和十字路口等；在对于预测行人训练数据，则需要首先需要将目标城市的地铁站和公交站抽象为站节点，并利用地铁线路和公交线路将各站节点进行链接，形成第一训练图网络；其次，给定三个输入值所选取的站节点号、第一预估间隔时间、交通载具的平均速度信息，再联合所建立的第一训练图网络作为则形成预测行人训练数据；并且通过交通卡追踪都得到输入节点的人群到达不同节点的人数，并归一化为输出概率；在对于预测车辆训练数据，首先需要将城市的各个关键地点抽象为关键节点，然后利用地图道路链接各个关键节点，形成第二训练图网络，然后给定三个输入值所选取的关键节点号第二预估间隔时间、车辆速度信息，然后联合第二训练图网络形成预测车辆训练数据；并且通过交通摄像头Reid得到处于输入节点的车辆到达不同节点的车辆数，并归一化作为输出概率。
模型训练模块22：用于构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；
在本发明具体实时过程中，所述随机游走图神经网络模型包括：核函数层、第一全连接层、第二全连接层、softmax函数层和输出层。
进一步的，所述构建随机游走图神经网络模型，包括：以所述核函数层作为输入层，依次连接所述第一全连接层、所述第二全连接层、所述 softmax函数层和所述输出层，形成随机游走图神经网络模型。
进一步的，所述核函数层为用于计算输入图结构以及时间和速度关系的核函数；用于表征输入信息在空间中的变换形式；所述softmax函数层用于将所述第二全连接层输出的结果进行概率转换，获得各个节点的概率。
进一步的，所述核函数如下：
Figure BDA0003184775800000111
其中，σ为sigmoid函数；且，
Figure BDA0003184775800000112
其中，t表示预估间隔时间；v表示预估速度；
Figure BDA0003184775800000113
表示预估时间和预估速度的重整比参数；
Figure BDA0003184775800000114
表示第i次方的第p行的邻接矩阵；T1和T2均为2 ×2的矩阵；Wi表示在第i个核函数中的可学参数矩阵；Xi表示在第i个核函数中的另外一个可学参数矩阵。
进一步的，所述在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型，包括：在所述预测行人车辆训练数据库中提取预测训练数据，所述预测训练数据包括预测训练样本数据和预测训练测试样本数据；将所述预测训练样本数据输入所述随机游走图神经网络模型中进行训练，获得训练后的随机游走图神经网络模型；将所述预测训练测试样本数据输入训练后的随机游走图神经网络模型进行测试验证，获得测试验证结果；基于所述测试验证结果判断训练后的随机游走图神经网络模型是否收敛；若否，则基于反向传播函数对训练后的随机游走图神经网络模型的各个节点进行参数更新，并进行重复训练，直至收敛或达到训练预设次数为止。
具体的，构建的随机游走图神经网络模型包括：核函数层、第一全连接层、第二全连接层、softmax函数层和输出层；并且以核函数层作为输入层，依次连接第一全连接层、第二全连接层、softmax函数层和输出层，形成随机游走图神经网络模型。
然后该核函数层为用于计算输入图结构以及时间和速度关系的核函数；用于表征输入信息在空间中的变换形式；softmax函数层用于将所述第二全连接层输出的结果进行概率转换，获得各个节点的概率。
该核函数的具体如下：
Figure BDA0003184775800000121
其中，σ为sigmoid函数；且，
Figure BDA0003184775800000122
其中，t表示预估间隔时间；v表示预估速度；
Figure BDA0003184775800000123
表示预估时间和预估速度的重整比参数；
Figure BDA0003184775800000124
表示第i次方的第p行的邻接矩阵；T1和T2均为2 ×2的矩阵；Wi表示在第i个核函数中的可学参数矩阵；Xi表示在第i个核函数中的另外一个可学参数矩阵；矩阵W为(n+2)×(n+2)矩阵，X为(n+2) ×1向量，n为网络的节点数。
然后通过在预测行人车辆训练数据库中提取预测训练数据，该预测训练数据包括预测训练样本数据和预测训练测试样本数据；并且将预测训练样本数据输入随机游走图神经网络模型中进行训练，获得训练后的随机游走图神经网络模型；将预测训练测试样本数据输入训练后的随机游走图神经网络模型进行测试验证，获得测试验证结果；然后根据测试验证结果判断训练后的随机游走图神经网络模型是否收敛；若不收敛，则需要利用反向传播函数对训练后的随机游走图神经网络模型的各个节点进行参数更新，并进行重复训练，直至收敛或达到训练预设次数为止。
实时目标数据处理模块23：用于在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；
在本发明具体实施过程中，所述对所述实时目标对象数据进行预处理，形成待预测目标对象数据，包括：在所述实时目标对象数据为行人时，获得所述实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息；基于所述实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息、所述第一训练图网络形成待预测目标对象数据。
进一步的，所述对所述实时目标对象数据进行预处理，形成待预测目标对象数据，包括：在所述实时目标对象数据为车辆时，获得所述实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息；基于所述实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息、所述第二训练图网络形成待预测目标对象数据。
具体的，对于实时目标对象数据的预处理，需要区分实时目标对象数据的类别，即为行人还是车辆；在实时目标对象数据为行人时，则需要得到实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息；然后根据实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息、第一训练图网络形成待预测目标对象数据。
在实时目标对象数据为车辆时，则需要得到实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息；然后根据实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息、第二训练图网络形成待预测目标对象数据。
预测模块24：用于将所述待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出所述待预测目标对象在对应节点出现的概率。
在本发明具体实施过程中，将待预测目标对象数据输入收敛的随机游走图神经网络模型中，通过在收敛的随机游走图神经网络模型中对待预测目标对象数据进行相关的处理之后，输出待预测目标对象在对应节点出现的概率；在以广州为例时，以同和地铁站为出发点，预测出到沙河顶、燕塘和白云大道北的概率；具体如图3所示。
在本发明实施例中，可以有效的预测车辆或者行人在特定时间点后在地图上各个节点出现的概率；并且应用在城市中的人群、车辆轨迹预测实践，得到单一行人或单一车辆出现在不同位置的概率，排除概率小的节点进而提高对肇事车辆或行人通过摄像头的跨镜追踪效率；并且在本申请中，重新设计了随机游走神经网络，使得其输入信息由图结构变为单一节点的邻居，以及邻居的信息；扩充了原始网络的适用范围；并且将轨迹预测问题，转化为图结构上的节点预测问题，得到的网络，可通过输入节点序列号，实时速度信息(车辆通过测速仪，行人通过当时当地的交通工具的平均速度信息)以及间隔时间(大于5min小于10min)，预测间隔时间后从已知节点出发的车辆或行人所处位置的概率。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于随机游走图神经网络的车辆行人地图轨迹预测方法及装置进行了详细介绍，本文中应采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；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于随机游走图神经网络的车辆行人地图轨迹预测方法，其特征在于，所述方法包括：
确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；
构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；
在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；
将所述待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出所述待预测目标对象在对应节点出现的概率。
2.根据权利要求1所述的车辆行人地图轨迹预测方法，其特征在于，所述基于所述目标城市建立预测行人车辆训练数据库，包括：
将所述目标城市的地铁站和公交站抽象为站节点，并利用地铁线路和公交线路将各站节点进行链接，形成第一训练图网络；
基于给定三个输入值所选取的站节点号、第一预估间隔时间、交通载具的平均速度信息及第一训练图网络形成预测行人训练数据；
将所述目标城市中的各个关键点抽象为关键节点，并利用地图道路链接各个关键节点，形成第二训练图网络，其中，所述关键点包括集会场所和十字路口；
基于给定三个输入值所选取的关键节点号、第二预估间隔时间、车辆速度信息和所述第二训练图网络形成预测车辆训练数据；
基于所述预测行人训练数据和所述预测车辆训练数据构建预测行人车辆训练数据库。
3.根据权利要求1所述的车辆行人地图轨迹预测方法，其特征在于，所述随机游走图神经网络模型包括：核函数层、第一全连接层、第二全连接层、softmax函数层和输出层。
4.根据权利要求3所述的车辆行人地图轨迹预测方法，其特征在于，所述构建随机游走图神经网络模型，包括：
以所述核函数层作为输入层，依次连接所述第一全连接层、所述第二全连接层、所述softmax函数层和所述输出层，形成随机游走图神经网络模型。
5.根据权利要求3或4所述的车辆行人地图轨迹预测方法，其特征在于，所述核函数层为用于计算输入图结构以及时间和速度关系的核函数；用于表征输入信息在空间中的变换形式；
所述softmax函数层用于将所述第二全连接层输出的结果进行概率转换，获得各个节点的概率。
6.根据权利要求5所述的车辆行人地图轨迹预测方法，其特征在于，所述核函数如下：
Figure FDA0003184775790000021
其中，σ为sigmoid函数；且，
Figure FDA0003184775790000022
其中，t表示预估间隔时间；v表示预估速度；
Figure FDA0003184775790000023
表示预估时间和预估速度的重整比参数；
Figure FDA0003184775790000024
表示第i次方的第p行的邻接矩阵；T1和T2均为2×2的矩阵；Wi表示在第i个核函数中的可学参数矩阵；Xi表示在第i个核函数中的另外一个可学参数矩阵。
7.根据权利要求1所述的车辆行人地图轨迹预测方法，其特征在于，所述在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型，包括：
在所述预测行人车辆训练数据库中提取预测训练数据，所述预测训练数据包括预测训练样本数据和预测训练测试样本数据；
将所述预测训练样本数据输入所述随机游走图神经网络模型中进行训练，获得训练后的随机游走图神经网络模型；
将所述预测训练测试样本数据输入训练后的随机游走图神经网络模型进行测试验证，获得测试验证结果；
基于所述测试验证结果判断训练后的随机游走图神经网络模型是否收敛；
若否，则基于反向传播函数对训练后的随机游走图神经网络模型的各个节点进行参数更新，并进行重复训练，直至收敛或达到训练预设次数为止。
8.根据权利要求1所述的车辆行人地图轨迹预测方法，其特征在于，所述对所述实时目标对象数据进行预处理，形成待预测目标对象数据，包括：
在所述实时目标对象数据为行人时，获得所述实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息；
基于所述实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息、所述第一训练图网络形成待预测目标对象数据。
9.根据权利要求1所述的车辆行人地图轨迹预测方法，其特征在于，所述对所述实时目标对象数据进行预处理，形成待预测目标对象数据，包括：
在所述实时目标对象数据为车辆时，获得所述实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息；
基于所述实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息、所述第二训练图网络形成待预测目标对象数据。
10.一种基于随机游走图神经网络的车辆行人地图轨迹预测装置，其特征在于，所述装置包括：
数据库建立模块：用于确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；
模型训练模块：用于构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；
实时目标数据处理模块：用于在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；
预测模块：用于将所述待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出所述待预测目标对象在对应节点出现的概率。
CN202110858114.XA 2021-07-28 2021-07-28 车辆行人地图轨迹预测方法及装置 Active CN113673749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110858114.XA CN113673749B (zh) 2021-07-28 2021-07-28 车辆行人地图轨迹预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110858114.XA CN113673749B (zh) 2021-07-28 2021-07-28 车辆行人地图轨迹预测方法及装置

Publications (2)

Publication Number Publication Date
CN113673749A true CN113673749A (zh) 2021-11-19
CN113673749B CN113673749B (zh) 2023-11-21

Family

ID=78540549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110858114.XA Active CN113673749B (zh) 2021-07-28 2021-07-28 车辆行人地图轨迹预测方法及装置

Country Status (1)

Country Link
CN (1) CN113673749B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114338974A (zh) * 2021-12-02 2022-04-12 深圳市领航卫士安全技术有限公司 多通道的活动路径确定方法、装置、设备及存储介质
CN117407319A (zh) * 2023-12-15 2024-01-16 航天中认软件测评科技（北京）有限责任公司 用于雷达系统软件测试的目标生成方法、装置及电子设备
WO2024065644A1 (zh) * 2022-09-29 2024-04-04 南京师范大学 基于量子游走的pir传感器网络行为轨迹的重构方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0947970A1 (de) * 1998-03-18 1999-10-06 Mentz Datenverarbeitung GmbH Geografische Referenzierung von Netzwerken des öffentlichen Verkehrs
DE102014102035A1 (de) * 2013-08-13 2015-02-19 Deutsches Zentrum für Luft- und Raumfahrt e.V. Computereinrichtung, System mit einer Computereinrichtung und Computerprogramm
CN111814288A (zh) * 2020-07-28 2020-10-23 交通运输部水运科学研究所 一种基于信息传播图神经网络方法
CN111931905A (zh) * 2020-07-13 2020-11-13 江苏大学 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法
CN112241814A (zh) * 2020-10-20 2021-01-19 河南大学 一种基于强化时空图神经网络的交通预测方法
CN112465006A (zh) * 2020-11-24 2021-03-09 中国人民解放军海军航空大学 一种图神经网络目标跟踪方法及装置
CN112906948A (zh) * 2021-02-02 2021-06-04 湖南大学 一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0947970A1 (de) * 1998-03-18 1999-10-06 Mentz Datenverarbeitung GmbH Geografische Referenzierung von Netzwerken des öffentlichen Verkehrs
DE102014102035A1 (de) * 2013-08-13 2015-02-19 Deutsches Zentrum für Luft- und Raumfahrt e.V. Computereinrichtung, System mit einer Computereinrichtung und Computerprogramm
CN111931905A (zh) * 2020-07-13 2020-11-13 江苏大学 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法
CN111814288A (zh) * 2020-07-28 2020-10-23 交通运输部水运科学研究所 一种基于信息传播图神经网络方法
CN112241814A (zh) * 2020-10-20 2021-01-19 河南大学 一种基于强化时空图神经网络的交通预测方法
CN112465006A (zh) * 2020-11-24 2021-03-09 中国人民解放军海军航空大学 一种图神经网络目标跟踪方法及装置
CN112906948A (zh) * 2021-02-02 2021-06-04 湖南大学 一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
彭新建;翁小雄;: "基于萤火虫算法优化BP神经网络的公交行程时间预测", 广西师范大学学报(自然科学版), no. 01 *
陈艳艳;朱跃华;王振报;史建港;: "基于MATLAB神经网络工具箱的公交出行比例预测", 北京工业大学学报, no. 02 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114338974A (zh) * 2021-12-02 2022-04-12 深圳市领航卫士安全技术有限公司 多通道的活动路径确定方法、装置、设备及存储介质
WO2024065644A1 (zh) * 2022-09-29 2024-04-04 南京师范大学 基于量子游走的pir传感器网络行为轨迹的重构方法及装置
CN117407319A (zh) * 2023-12-15 2024-01-16 航天中认软件测评科技（北京）有限责任公司 用于雷达系统软件测试的目标生成方法、装置及电子设备
CN117407319B (zh) * 2023-12-15 2024-04-02 航天中认软件测评科技（北京）有限责任公司 用于雷达系统软件测试的目标生成方法、装置及电子设备

Also Published As

Publication number Publication date
CN113673749B (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
US11657708B2 (en) Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM
US11270579B2 (en) Transportation network speed foreeasting method using deep capsule networks with nested LSTM models
CN113673749B (zh) 车辆行人地图轨迹预测方法及装置
CN109697852B (zh) 基于时序交通事件的城市道路拥堵程度预测方法
CN113470365B (zh) 一种面向有缺失数据的公交车到站时间预测方法
CN109636049B (zh) 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法
WO2021082464A1 (zh) 预测车辆的目的地的方法和装置
CN112785077A (zh) 基于时空数据的出行需求预测方法及系统
CN113380043B (zh) 一种基于深度神经网络计算的公交到站时间预测方法
CN113283581B (zh) 多融合图网络协同多通道注意力模型及其应用和应用方法
CN115565369B (zh) 一种基于超图的时空超图卷积交通流量预测方法及系统
US20240143999A1 (en) Multi-modal data prediction method based on causal markov model
CN112101187B (zh) 道路识别方法、装置及电子设备
Hu et al. Air quality prediction using spatio-temporal deep learning
CN116913088A (zh) 一种用于高速公路的智能流量预测方法
CN114021809A (zh) 一种无人驾驶用交通流量预测的图层级卷积神经网络模型
Hou et al. The effect of the dataset on evaluating urban traffic prediction
CN117521937B (zh) 适于多维尺度的协同感知环境的动态路径诱导方法及系统
Fafoutellis et al. Dilated LSTM networks for short-term traffic forecasting using network-wide vehicle trajectory data
CN113159371B (zh) 基于跨模态数据融合的未知目标特征建模与需求预测方法
CN113240219A (zh) 一种土地利用模拟及预测方法
CN115762147B (zh) 一种基于自适应图注意神经网络的交通流量预测方法
CN115331460B (zh) 一种基于深度强化学习的大规模交通信号控制方法及装置
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
CN115565370A (zh) 一种局部时空图卷积交通流量预测方法及系统

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