CN114692762A - 一种基于图注意力交互机制的车辆轨迹预测方法 - Google Patents

一种基于图注意力交互机制的车辆轨迹预测方法 Download PDF

Info

Publication number
CN114692762A
CN114692762A CN202210340651.XA CN202210340651A CN114692762A CN 114692762 A CN114692762 A CN 114692762A CN 202210340651 A CN202210340651 A CN 202210340651A CN 114692762 A CN114692762 A CN 114692762A
Authority
CN
China
Prior art keywords
vehicle
vehicle track
space
time
processing
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
Application number
CN202210340651.XA
Other languages
English (en)
Inventor
刘期烈
赵婷
方阳
刘倩
孙开伟
邹建宏
李学俊
王毅
李松浓
胡方霞
屈喜龙
李贝
吕明
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210340651.XA priority Critical patent/CN114692762A/zh
Publication of CN114692762A publication Critical patent/CN114692762A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明属于自动驾驶技术领域，具体涉及一种基于图注意力交互机制的车辆轨迹预测方法；该方法包括：获取车辆历史轨迹，对历史车辆轨迹进行预处理，采用时空金字塔网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的场景特征；采用时空transformer网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的交互特征；采用特征融合网络对车辆轨迹的场景特征和车辆轨迹的交互特征进行处理，得到融合特征；对融合特征进行分析处理，得到车辆历史轨迹预测结果，自动驾驶车辆根据轨迹预测结果行驶；本发明对车辆轨迹的预测精度高，具有广阔的应用前景。

Description

一种基于图注意力交互机制的车辆轨迹预测方法
技术领域
本发明属于自动驾驶技术领域，具体涉及一种基于图注意力交互机制的车辆轨迹预测方法。
背景技术
随着公路网络的快速发展以及车辆保有量的迅速增加，由于驾驶员无法对周遭信息做出快速反应等因素，造成交通拥堵现象和交通事故持续增加。同时随着人工智能的快速发展，自动驾驶车辆必将是未来高度智能化交通系统的核心。为了使自动驾驶车辆在路上安全有效地行驶，通过过去周围环境状态来预测接下来附近交通参与者的未来轨迹是至关重要的。现有的轨迹预测方法是使用循环神经网络，其通过潜在状态捕捉交通参与者的运行状态，平等的对待交通参与者的互动，并根据学习到的函数使用注意力机制对交通参与者进行加权，然而使用注意力机制的方法无法完全模拟交通参与者之间的互动，而循环神经网络则难以对输入数据的长时间依赖性进行建模。
综上所述，提供一种能对自动驾驶的历史轨迹数据进行分析，有效地预测自动驾驶周围交通参与者的未来轨迹，进而能为自动驾驶更好的规划未来路径，规避交通事故，提高轨迹预测的准确率的轨迹预测方法，具有一定的现实意义。
发明内容
针对现有技术存在的不足，本发明提出了一种基于图注意力交互机制的车辆轨迹预测方法，该方法包括：获取车辆历史轨迹数据，对历史车辆轨迹数据进行预处理，对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹预测结果，自动驾驶车辆根据轨迹预测结果行驶；
对预处理后的历史车辆轨迹数据进行处理的过程包括：
S1：采用时空金字塔网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的场景特征；
S2：采用时空transformer网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的交互特征；
S3：采用特征融合网络对车辆轨迹的场景特征和车辆轨迹的交互特征进行处理，得到融合特征；
S4：对融合特征进行分析处理，得到车辆历史轨迹预测结果。
优选的，对历史车辆轨迹数据进行预处理的过程包括：
对历史车辆轨迹数据进行清洗操作，得到去除异常数据和补充缺失数据后的历史车辆轨迹数据；
对清洗后的历史车辆轨迹数据进行数据提取，得到BEV图和车辆轨迹的坐标数据。
优选的，采用时空金字塔网络对预处理后的历史车辆轨迹数据进行处理的过程包括：
S11：采用时空金字塔网络中的二维卷积提取车辆轨迹的多尺度空间特征；
S12：采用时空金字塔网络中的一维卷积提取车辆轨迹的多尺度时间特征；
S13：将车辆轨迹的多尺度空间特征和车辆轨迹的多尺度时间特征进行横向连接，得到车辆轨迹的不同尺度的场景特征。
优选的，采用时空transformer网络对预处理后的历史车辆轨迹数据进行处理的过程包括：时空transformer网络包括第一编码器、第二编码器和解码器；
S21：采用第一编码器对预处理后的历史车辆轨迹数据进行处理，得到时空编码特征；
S22：采用第二编码器对时空编码特征进行处理，得到新时空编码特征；
S23：采用解码器对新时空编码特征进行解码，得到车辆轨迹的交互特征。
进一步的，第一编码器对预处理后的历史车辆轨迹数据进行处理的过程包括：第一编码器包括三个连接层、一个时间transformer网络和一个空间transformer网络；
采用两个全连接层分别对预处理后的历史车辆轨迹数据进行处理，得到历史车辆轨迹的嵌入表示；
将历史车辆轨迹的嵌入表示分别输入到时间transformer网络和空间transformer网络中，得到时间特征和空间特征；
将时间特征和空间特征输入到全连接层中，得到时空编码特征。
进一步的，空间transformer网络中节点的输出表示为：
Figure BDA0003579073900000031
h'i＝fout(Att(i))+Att(i)
其中，Att(i)表示车辆节点i自注意力机制的输出，mj→i表示车辆节点j与车辆节点i的交互，M表示车辆节点i与车辆节点i的邻居节点数量之和，表示注意力机制的查询矩阵的维度，vj表示车辆节点j的权重矩阵，hi表示当前车辆节点i的特征矢量，fout表示输出函数，h'i表示车辆节点i更新之后的特征矢量。
进一步的，采用第二编码器对时空编码特征进行处理的过程包括：第二编码器包括一个时间transformer网络和一个空间transformer网络；
将时空编码特征输入到空间transformer网络中，得到包含空间交互信息的时空编码特征；
将包含空间交互信息的时空编码特征输入到时间transformer网络中，得到增强时间注意力的时空编码特征即新时空编码特征。
优选的，采用特征融合网络对车辆轨迹的场景特征和车辆轨迹的交互特征进行处理的公式为：
Figure BDA0003579073900000032
其中，Fi表示融合特征，Xi表示场景特征，h'i表示交互特征，ω1表示第一权重因子，ω2表示第二权重因子。
本发明的有益效果为：本发明采用图注意力交互机制，即在图卷积上使用注意力机制提取车辆轨迹的空间特征，与传统的图卷积对同一个节点的不同邻居节点在进行卷积操作时使用相同的矩阵相比，本发明在图卷积上使用注意力机制可以对不同的邻居节点学习不同的权重，可以捕获车辆更复杂的社交互动信息；更好的提取车辆交互特征；采用时空金字塔网络提取车辆轨迹的场景信息，通过融合网络将场景特征和交互特征融合，更好的提取了车辆轨迹周围的环境信息；本发明对车辆轨迹的预测精度高，具有广阔的应用前景。
附图说明
图1为本发明中基于图注意力交互机制的车辆轨迹预测方法流程图；
图2为本发明中时空金字塔网络的结构示意图；
图3为本发明中时间transformer网络的结构示意图；
图4为本发明中空间transformer网络的结构示意图；
图5为本发明中时空transformer网络的结构示意图。
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。
本发明提出了一种基于图注意力交互机制的车辆轨迹预测方法，如图1所示，所述方法包括：
获取车辆历史轨迹数据，对历史车辆轨迹数据进行预处理，对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹预测结果，自动驾驶车辆根据轨迹预测结果行驶；
对预处理后的历史车辆轨迹数据进行处理的过程包括：
S1：采用时空金字塔网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的场景特征；
S2：采用时空transformer网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的交互特征；
S3：采用特征融合网络对车辆轨迹的场景特征和车辆轨迹的交互特征进行处理，得到融合特征；
S4：对融合特征进行分析处理，得到车辆历史轨迹预测结果。
对历史车辆轨迹数据进行预处理的具体过程如下：
对历史车辆轨迹数据进行清洗操作，即去除不完整的轨迹数据，对轨迹数据的缺失值进行补充，得到去除异常数据和补充缺失数据后的历史车辆轨迹数据；
对清洗后的历史车辆轨迹数据进行数据提取，数据提取的具体过程为：
将历史车辆轨迹数据中原始的三维点云数据投影到二维空间，即转化为二维伪图像，操作为将三维点云量化为体素，将三维的高度信息映射为图像的通道，得到BEV图；
从历史车辆轨迹数据中提取车辆轨迹的坐标数据。
对预处理后的历史车辆轨迹数据进行处理的具体过程如下：
采用时空金字塔网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的场景特征；具体过程为：
如图2所示，时空金字塔网络包括：时空卷积块、时间池化层和特征融合层。
时空金字塔网络主要是使用卷积块来对历史车辆轨迹进行特征提取，一个卷积块包含一个二维卷积和一个核函数为(k,1,1)的三维卷积即真实的一维卷积，k为三维卷积对应的时间维度，例如，k取值为5。将对历史车辆轨迹数据进行预处理得到的BEV图输入到时空金字塔网络中，在空间维度上，采用时空金字塔网络中的二维卷积以每次增量为2倍初始样本对BEV图进行空间特征提取，得到车辆轨迹的多尺度空间特征；在时间维度上，使用时空金字塔网络中的一维卷积来提取时间特征，并且通过逐渐降低时间分辨率，得到车辆轨迹的多尺度时间特征。车辆轨迹的多尺度空间特征和多尺度时间特征均经过时间池化，得到时间池化的高层语义特征，将时间池化的高层语义特征进行融合即将车辆轨迹的多尺度空间特征和车辆轨迹的多尺度时间特征进行横向连接，得到不同尺度的时空特征即场景特征。
构建时间transformer网络和空间transformer网络；Transformer的核心思想是通过多头注意力来完全取代递归。对于输入的嵌入
Figure BDA0003579073900000061
Transformer的自注意力首先学习时间t＝1到T的所有嵌入Query矩阵
Figure BDA0003579073900000062
key矩阵
Figure BDA0003579073900000063
和对应的value矩阵
Figure BDA0003579073900000064
根据Query矩阵、key矩阵和value矩阵计算时间transformer网络中自注意力机制的输出，计算公式为：
Figure BDA0003579073900000065
其中，Att(Q,K,V)表示时间transformer网络中自注意力机制的输出，dk表示Query矩阵或key矩阵的维度，Softmax()表示Softmax函数。
构建时间transformer网络，包括：
考虑到在时间步长1到Tobs过程中观察到的历史车辆轨迹，根据历史车辆轨迹要预测一个场景中的N辆车从时间步长Tobs+1到T的未来行驶轨迹。在每个时间步长t，有N辆车
Figure BDA0003579073900000066
其中
Figure BDA0003579073900000067
表示历史轨迹俯视图下映射的车辆的位置，
Figure BDA0003579073900000068
表示t时刻第i辆车的横坐标，
Figure BDA0003579073900000069
表示t时刻第i辆车的纵坐标。设定两辆车
Figure BDA00035790739000000610
在t时刻有无向边(i,j)。在t时刻，根据车辆位置构建无向图，表示为Gt＝(Vt,Et)，其中
Figure BDA00035790739000000611
Et＝{(i,j)|i,j在t时刻连接}。
如图3所示，使用一组车辆的轨迹嵌入表示
Figure BDA00035790739000000612
作为输入，经过时间transformer网络输出一组具有时间依赖关系的新嵌入表示
Figure BDA0003579073900000071
独立考虑每辆车，自注意力模块首先学习给定输入的Query矩阵
Figure BDA0003579073900000072
key矩阵
Figure BDA0003579073900000073
和value矩阵
Figure BDA0003579073900000074
对于一辆车，自注意力模块学习到的矩阵表示为：
Figure BDA0003579073900000075
Figure BDA0003579073900000076
Figure BDA0003579073900000077
其中，fQ，fK和fV分别表示车辆共享的对应计算矩阵Query、key和value的函数。
计算每辆车的注意力即自注意力模块的输出，计算公式为：
Figure BDA0003579073900000078
最终时间transformer网络的输出由自注意力模块的输出经两个跳跃连接和一个最终的全连接层生成。
构建空间transformer网络，包括：
本发明提出一种基于transformer的图卷积方法来提取车辆之间的空间交互信息。可将自注意力机制视为无向全连接图上的消息传递，对于特征集
Figure BDA0003579073900000079
中的一个向量hi，可以将其对应的Query向量表示为qi＝fQ(hi)，key向量表示为ki＝fK(hi)，value向量表示为vi＝fV(hi)；将全联通图中从节点j到i的交互定义为：
Figure BDA00035790739000000710
将计算注意力的公式改写为：
Figure BDA00035790739000000711
如图4所示，对于任意图Gt＝(Vt,Et)，假设每个节点与一个嵌入hi和它的邻居节点集合相关联，则车辆节点i的图卷积运算可以写为：
Figure BDA0003579073900000081
h'i＝fout(Att(i))+Att(i)
其中，Att(i)表示车俩节点i的自注意力机制输出，mj→i表示车辆节点j与车辆节点i的交互，M表示车辆节点i与车辆节点i的邻居节点数量之和，M＝Nb(i)∪{i}，Nb(i)表示车辆节点i的邻居节点，{i}表示当前车辆节点，dk表示注意力机制的查询矩阵的维度，vj表示车辆节点j的权重矩阵，hi表示当前车辆节点i的特征矢量，fout是输出函数，在本发明中表示全连接层，h'i为车辆节点i更新之后的特征矢量即节点输出。
采用时空transformer网络对历史车辆轨迹数据预处理后的坐标数据进行处理，得到车辆轨迹的交互特征；具体过程为：
如图5所示，时空transformer网络包括第一编码器、第二编码器和解码器；
采用第一编码器对预处理后的历史车辆轨迹数据进行处理，得到时空编码特征；第一编码器包括三个连接层、一个时间transformer网络和一个空间transformer网络；对预处理后的历史车辆轨迹数据进行处理的具体过程为：将车辆的周围车辆历史轨迹经过预处理后得到的t时刻的位置信息
Figure BDA0003579073900000082
分别输入到并行的两个全连接层中进行处理，得到历史车辆轨迹的嵌入表示；将历史车辆轨迹的嵌入表示分别输入到时间transformer网络和空间transformer网络中，得到时间特征和空间特征；将时间特征和空间特征进行简单的直接连接并将连接后的时间特征和空间特征输入到全连接中，得到时空编码特征。
采用第二编码器对时空编码特征进行处理，得到新时空编码特征；第二编码器包括一个时间transformer网络和一个空间transformer网络；对时空编码特征进行处理的具体过程为：将时空编码特征输入到空间transformer网络中，利用时间信息建模空间交互，得到包含空间交互信息的时空编码特征；将包含空间交互信息的时空编码特征输入到时间transformer网络中，利用空间信息增强时间注意力，得到增强时间注意力的时空编码特征即新时空编码特征。
采用解码器对新时空编码特征进行解码，得到车辆轨迹的交互特征；解码器为一个全连接层，解码过程为编码过程的逆过程，时空编码特征经全连接层，得到车辆轨迹的交互特征。通过使用图卷积建模的节点之间的相互影响，使用注意力机制来计算节点之间的相互影响，可以捕获车辆更复杂的社交互动信息。
采用特征融合网络对车辆轨迹的场景特征和车辆轨迹的交互特征进行处理，得到融合特征；具体过程为：
将通过时空金字塔网络得到的场景特征，和时空transformer得到的交互特征进行单一尺度融合；特征融合的公式为：
Figure BDA0003579073900000091
其中，Fi表示融合特征，Xi表示场景特征，h'i表示交互特征，ω1表示第一权重因子，ω2表示第二权重因子；根据实际交通场景获取不同的权重因子，例如是一个场景中存在较多交互，则交互特征权重因子较大，优选的，权重因子可根据熵值法计算得出。
对融合特征进行分析处理，得到车辆历史轨迹预测结果。
本发明采用图注意力交互机制，即在图卷积上使用注意力机制提取车辆轨迹的空间特征，与传统的图卷积对同一个节点的不同邻居节点在进行卷积操作时使用相同的矩阵相比，本发明在图卷积上使用注意力机制可以对不同的邻居节点学习不同的权重，可以捕获车辆更复杂的社交互动信息；更好的提取车辆交互特征；采用时空金字塔网络提取车辆轨迹的场景信息，通过融合网络将场景特征和交互特征融合，更好的提取了车辆轨迹周围的环境信息；本发明对车辆轨迹的预测精度高，具有广阔的应用前景。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于图注意力交互机制的车辆轨迹预测方法，其特征在于，包括：获取车辆历史轨迹数据，对历史车辆轨迹数据进行预处理，对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹预测结果，自动驾驶车辆根据轨迹预测结果行驶；
对预处理后的历史车辆轨迹数据进行处理的过程包括：
S1：采用时空金字塔网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的场景特征；
S2：采用时空transformer网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的交互特征；
S3：采用特征融合网络对车辆轨迹的场景特征和车辆轨迹的交互特征进行处理，得到融合特征；
S4：对融合特征进行分析处理，得到车辆历史轨迹预测结果。
2.根据权利要求1所述的一种基于图注意力交互机制的车辆轨迹预测方法，其特征在于，对历史车辆轨迹数据进行预处理的过程包括：
对历史车辆轨迹数据进行清洗操作，得到去除异常数据和补充缺失数据后的历史车辆轨迹数据；
对清洗后的历史车辆轨迹数据进行数据提取，得到BEV图和车辆轨迹的坐标数据。
3.根据权利要求1所述的一种基于图注意力交互机制的车辆轨迹预测方法，其特征在于，采用时空金字塔网络对预处理后的历史车辆轨迹数据进行处理的过程包括：
S11：采用时空金字塔网络中的二维卷积提取车辆轨迹的多尺度空间特征；
S12：采用时空金字塔网络中的一维卷积提取车辆轨迹的多尺度时间特征；
S13：将车辆轨迹的多尺度空间特征和车辆轨迹的多尺度时间特征进行横向连接，得到车辆轨迹的不同尺度的场景特征。
4.根据权利要求1所述的一种基于图注意力交互机制的车辆轨迹预测方法，其特征在于，采用时空transformer网络对预处理后的历史车辆轨迹数据进行处理的过程包括：时空transformer网络包括第一编码器、第二编码器和解码器；
S21：采用第一编码器对预处理后的历史车辆轨迹数据进行处理，得到时空编码特征；
S22：采用第二编码器对时空编码特征进行处理，得到新时空编码特征；
S23：采用解码器对新时空编码特征进行解码，得到车辆轨迹的交互特征。
5.根据权利要求4所述的一种基于图注意力交互机制的车辆轨迹预测方法，其特征在于，第一编码器对预处理后的历史车辆轨迹数据进行处理的过程包括：第一编码器包括三个连接层、一个时间transformer网络和一个空间transformer网络；
采用两个全连接层分别对预处理后的历史车辆轨迹数据进行处理，得到历史车辆轨迹的嵌入表示；
将历史车辆轨迹的嵌入表示分别输入到时间transformer网络和空间transformer网络中，得到时间特征和空间特征；
将时间特征和空间特征输入到全连接层中，得到时空编码特征。
6.根据权利要求5所述的一种基于图注意力交互机制的车辆轨迹预测方法，其特征在于，空间transformer网络中节点的输出表示为：
Figure FDA0003579073890000021
h′i＝fout(Att(i))+Att(i)
其中，Att(i)表示车辆节点i自注意力机制的输出，mj→i表示车辆节点j与车辆节点i的交互，M表示车辆节点i与车辆节点i的邻居节点数量之和，dk表示注意力机制的查询矩阵的维度，vj表示车辆节点j的权重矩阵，hi表示当前车辆节点i的特征矢量，fout表示输出函数，h′i表示车辆节点i更新之后的特征矢量。
7.根据权利要求4所述的一种基于图注意力交互机制的车辆轨迹预测方法，其特征在于，采用第二编码器对时空编码特征进行处理的过程包括：第二编码器包括一个时间transformer网络和一个空间transformer网络；
将时空编码特征输入到空间transformer网络中，得到包含空间交互信息的时空编码特征；
将包含空间交互信息的时空编码特征输入到时间transformer网络中，得到增强时间注意力的时空编码特征即新时空编码特征。
8.根据权利要求1所述的一种基于图注意力交互机制的车辆轨迹预测方法，其特征在于，采用特征融合网络对车辆轨迹的场景特征和车辆轨迹的交互特征进行处理的公式为：
Figure FDA0003579073890000031
其中，Fi表示融合特征，Xi表示场景特征，h′i表示交互特征，ω1表示第一权重因子，ω2表示第二权重因子。
CN202210340651.XA 2022-04-02 2022-04-02 一种基于图注意力交互机制的车辆轨迹预测方法 Pending CN114692762A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210340651.XA CN114692762A (zh) 2022-04-02 2022-04-02 一种基于图注意力交互机制的车辆轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210340651.XA CN114692762A (zh) 2022-04-02 2022-04-02 一种基于图注意力交互机制的车辆轨迹预测方法

Publications (1)

Publication Number Publication Date
CN114692762A true CN114692762A (zh) 2022-07-01

Family

ID=82141688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210340651.XA Pending CN114692762A (zh) 2022-04-02 2022-04-02 一种基于图注意力交互机制的车辆轨迹预测方法

Country Status (1)

Country Link
CN (1) CN114692762A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937801A (zh) * 2023-03-08 2023-04-07 斯润天朗（北京）科技有限公司 基于图卷积的车辆轨迹预测方法及装置
CN116629462A (zh) * 2023-07-25 2023-08-22 清华大学 一种多智能体统一交互轨迹预测方法、系统、设备和介质
CN117351712A (zh) * 2023-10-11 2024-01-05 江苏大学 基于Cro-IntentFormer的融合车辆驾驶意图的周车轨迹预测方法及系统
CN117493424A (zh) * 2024-01-03 2024-02-02 湖南工程学院 一种不依赖地图信息的车辆轨迹预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937801A (zh) * 2023-03-08 2023-04-07 斯润天朗（北京）科技有限公司 基于图卷积的车辆轨迹预测方法及装置
CN116629462A (zh) * 2023-07-25 2023-08-22 清华大学 一种多智能体统一交互轨迹预测方法、系统、设备和介质
CN116629462B (zh) * 2023-07-25 2023-11-21 清华大学 一种多智能体统一交互轨迹预测方法、系统、设备和介质
CN117351712A (zh) * 2023-10-11 2024-01-05 江苏大学 基于Cro-IntentFormer的融合车辆驾驶意图的周车轨迹预测方法及系统
CN117493424A (zh) * 2024-01-03 2024-02-02 湖南工程学院 一种不依赖地图信息的车辆轨迹预测方法
CN117493424B (zh) * 2024-01-03 2024-03-22 湖南工程学院 一种不依赖地图信息的车辆轨迹预测方法

Similar Documents

Publication Publication Date Title
CN109697852B (zh) 基于时序交通事件的城市道路拥堵程度预测方法
CN109887282B (zh) 一种基于层级时序图卷积网络的路网交通流预测方法
CN114692762A (zh) 一种基于图注意力交互机制的车辆轨迹预测方法
CN112215337B (zh) 一种基于环境注意力神经网络模型的车辆轨迹预测方法
CN114802296A (zh) 一种基于动态交互图卷积的车辆轨迹预测方法
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系统
CN114372116B (zh) 一种基于lstm和时空注意力机制的车辆轨迹预测方法
CN112863180A (zh) 交通速度预测方法、装置、电子设备及计算机可读介质
CN113705636A (zh) 一种自动驾驶车辆轨迹预测方法、装置及电子设备
CN110281949B (zh) 一种自动驾驶统一分层决策方法
CN113297972B (zh) 一种基于数据融合深度学习的变电站设备缺陷智能分析方法
CN115587454A (zh) 基于改进Transformer模型的交通流量长时预测方法及系统
CN114287023B (zh) 用于交通预测的多传感器学习系统
CN113362491A (zh) 一种车辆轨迹预测及驾驶行为分析方法
CN110163449A (zh) 一种基于主动时空图卷积的机动车排污监测节点部署方法
CN113762338A (zh) 一种基于多重图注意力机制的交通流预测方法、设备及介质
CN115438856A (zh) 基于时空交互特征和终点信息的行人轨迹预测方法
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
CN116092294A (zh) 一种基于Transformer与图注意力网络的高速公路交通流量预测方法
CN114997307A (zh) 一种轨迹预测方法、装置、设备及存储介质
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
CN115936069A (zh) 一种基于时空注意力网络的交通流预测方法
CN115376103A (zh) 一种基于时空图注意力网络的行人轨迹预测方法
CN115985102A (zh) 一种基于迁移对比学习的城市交通流量预测方法和设备
CN114781696B (zh) 一种面向城市路网的无模型事故影响范围预测方法

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