CN117709394A - 车辆轨迹预测模型训练方法、多模型迁移预测方法及装置 - Google Patents
车辆轨迹预测模型训练方法、多模型迁移预测方法及装置 Download PDFInfo
- Publication number
- CN117709394A CN117709394A CN202410166654.5A CN202410166654A CN117709394A CN 117709394 A CN117709394 A CN 117709394A CN 202410166654 A CN202410166654 A CN 202410166654A CN 117709394 A CN117709394 A CN 117709394A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- track
- lstm
- training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013508 migration Methods 0.000 title claims abstract description 20
- 230000005012 migration Effects 0.000 title claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000013135 deep learning Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 13
- 238000013526 transfer learning Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer 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
本发明提供了车辆轨迹预测模型训练方法、多模型迁移预测方法及装置,包括获取高速公路段的交通数据集,对交通数据集进行数据预处理,生成车辆的初步数据集;根据初步数据集进行构建处理,生成车辆轨迹训练模型的所需特征,并将所需特征进行组合,构建生成车辆轨迹监督学习数据集;根据车辆轨迹监督学习数据集,采用LSTM‑BILSTM算法结合分位数回归QR到算法的损失函数,对预设的车辆轨迹训练模型进行训练,生成车辆单步轨迹预测模型,将在训练样本量大的车型上训练完的车辆单步轨迹预测模型的权值迁移到同样网络结构但样本量小的车型上微调权重。本发明能精准呈现出每种类型车的驾驶行为特性,具有预测精度高、模型收敛速度快、需要训练样本数量少等特点。
Description
技术领域
本发明涉及车辆轨迹预测技术领域,具体涉及车辆轨迹预测模型训练方法、多模型迁移预测方法及装置。
背景技术
GPS(Global Positioning System),又叫全球定位系统。是一种以人造地球卫星为基础的高精度无线电导航的定位系统,它在全球任何地方以及近地空间都能够提供准确的地理位置、车行速度及精确的时间信息。GPS自问世以来,就以其高精度、全天候、全球覆盖、方便灵活吸引了众多用户。当前,随着GPS定位设备的广泛普及和定位技术的日益精进,同时又伴随着市面上,车辆保有量的逐年递增,因此,GPS定位设备产生的车辆轨迹数据也是与日俱增。
其中,车辆轨迹数据主要被应用于自动驾驶方向的研究,在自动驾驶研究方面需要对车辆轨迹数据进行挖掘,将海量的车辆轨迹数据产生的效益最大化。近年来,智能交通系统(Intelligent Traffic System,ITS)的发展也尤为迅速,现市面上的智能交通系统利用了自动驾驶技术,旨在提升道路交通智能化水平的同时,减少交通事故发生。在驾驶安全性能方面,传统的车辆安全控制主要是依靠汽车防抱死系统来被动改善汽车的行驶安全问题,作用十分有限;而自动驾驶技术考虑到了汽车行驶过程中,人和环境的外部因素,利用了位置、速度和交互等信息预测出车辆行驶的未来轨迹;实现了准确的车辆轨迹预测,提前规避风险,将发生事故的可能性降到最低的同时,还保证驾驶人拥有安全、舒适的驾驶体验。
但是,由于在实际行驶过程中,存在多车交互的复杂性、驾驶员驾驶行为的随机性等因素;在不同的车型上,当前市面上的自动驾驶技术一方面对于多个车型统一建模,无法精准地呈现出每种类型车的驾驶行为特性,另一方面,当前市面上的自动驾驶技术在车型样本数量差距较大的情况下,多车型单独建模又存在模型的过拟合问题,进而会影响车辆自动驾驶的进行。
有鉴于此,提出本申请。
发明内容
有鉴于此,本发明的目的在于提供基于多模型和迁移学习的车辆单步轨迹预测方法及装置,能够有效解决现有技术中的自动驾驶技术在不同的车型上,一方面对于多个车型统一建模,无法精准地呈现出每种类型车的驾驶行为特性,另一方面,在车型样本数量差距较大的情况下,多车型单独建模又存在模型的过拟合问题,进而会影响车辆自动驾驶进行的问题。
本发明公开了车辆轨迹预测模型训练方法,包括:
获取预先选定的高速公路段的交通数据集,对所述交通数据集进行数据预处理,生成车辆的初步数据集;
根据所述车辆的初步数据集进行构建处理,生成车辆轨迹训练模型的所需特征,并将所述车辆轨迹训练模型的所需特征进行组合,生成数据样本,遍历所述车辆的初步数据集中的所有数据,同时,将所述数据样本进行组装,构建生成车辆轨迹监督学习数据集;
根据所述车辆轨迹监督学习数据集,采用LSTM-BILSTM算法对预设的车辆轨迹训练模型进行训练,生成LSTM-BILSTM模型;
在所述LSTM-BILSTM算法的基础上,将分位数回归QR方法与所述LSTM-BILSTM模型的损失函数进行结合,生成车辆单步轨迹预测模型。
优选地,对所述交通数据集进行数据预处理,生成车辆的初步数据集,具体为:
对所述交通数据集中的原始数据进行线性变化处理,并将线性变化后的结果压缩到预设区间[0,1]中,获得归一化数据/>,原始数据/>与归一化数据/>之间的转换关系公式为:
其中,为所述交通数据集的最小值,/>为所述交通数据集的最大值;
对压缩处理后的所述归一化数据进行字段筛选处理,筛选出字段:车辆ID、帧ID、总帧数、全局时间、本地X坐标、本地Y坐标、车辆类型、车辆瞬时速度、车辆瞬时加速度、车道ID、同车道的前车辆ID、同车道跟随车辆的ID和空间间隔;
对所述车辆ID、所述帧ID、所述本地X坐标和所述本地Y坐标进行数据去重处理,生成去重数据,并根据预设的长度单位对所述去重数据进行转换;
依照所述全局时间对所述归一化数据进行排序;
将所述同车道的前车辆ID与所述全局时间进行结合,以寻找预设的目标车辆的前车数据,并依照所述车辆ID对所述归一化数据进行排序,将不同车辆的轨迹数据分别存储到预设的对应CSV文件中。
优选地,根据所述车辆的初步数据集进行提取处理,构建生成车辆轨迹训练模型的所需特征,并将所述车辆轨迹训练模型的所需特征进行组合,生成数据样本,遍历所述车辆的初步数据集中的所有数据,同时,将所述数据样本进行组装,构建生成车辆轨迹监督学习数据集,具体为:
对所述车辆的初步数据集进行提取处理,提取出与时刻对应的自车位置信息集合/>、自车速度信息集合/>和前车信息集合/>;
其中,表示车辆经度,/>表示车辆纬度,/>表示车辆速度,/>表示车辆加速度,/>表示车头距,下标/>表示自车,下标/>表示前车;
将所述车辆轨迹训练模型的所需特征组合成一体,生成数据样本;
对所述车辆的初步数据集进行遍历处理,遍历所述车辆的初步数据集中的所有数据,并将所述数据样本进行组装,生成车辆轨迹监督学习数据集。
优选地,根据所述车辆轨迹监督学习数据集,采用LSTM-BILSTM算法对预设的车辆轨迹训练模型进行训练,生成LSTM-BILSTM模型,具体为:
根据所述车辆轨迹监督学习数据集,设预设的车辆轨迹训练模型的滑动窗口的长度为;
将前个轨迹点特征信息/>作为所述车辆轨迹训练模型的输入,将第/>个轨迹点的经纬度信息/>作为所述车辆轨迹训练模型的输出,使用LSTM-BILSTM算法对所述车辆轨迹训练模型进行训练,生成多输入多输出车辆单步轨迹预测模型,模型的公式为:
根据历史速度信息和前车信息/>,采用LSTM算法进行建模,预测得到下一时刻的位置信息/>,并将下一时刻的位置信息/>作为未来状态;
将车辆位置信息的历史状态和未来状态/>作为预测模型的特征,根据BILSTM算法预测出下一时刻车辆的经纬度信息/>,生成LSTM-BILSTM模型。
优选地,在所述LSTM-BILSTM算法的基础上,将分位数回归QR方法与所述LSTM-BILSTM模型的损失函数进行结合,生成车辆单步轨迹预测模型,具体为:
将分位数回归QR方法与所述LSTM-BILSTM模型的损失函数进行结合,得到QR-LSTM-BILSTM算法,其中,所述QR-LSTM-BILSTM算法是将所述LSTM-BILSTM模型的损失函数设置成分位数损失而形成的,所述QR-LSTM-BILSTM算法的第一损失计算公式为:
其中,表示目标分位数,取值范围是[0,1],/>表示/>时刻估计的/>分位数对应的预测值,/>表示/>时刻的真实值,/>表示/>时刻/>分位数对应的分位数损失,其不是对称的,当预测分位数的值高于实际值时,惩罚乘以/>,反之惩罚乘以/>;
根据所述QR-LSTM-BILSTM算法的第一损失计算公式计算得到,所述QR-LSTM-BILSTM算法的第二损失计算公式为:
其中,是/>时刻的真实值/>的总数;
根据所述QR-LSTM-BILSTM算法的第一损失计算公式和所述QR-LSTM-BILSTM算法的第二损失计算公式,得到所述QR-LSTM-BILSTM算法的第三损失计算公式为:
其中,表示分位数的个数;
根据所述QR-LSTM-BILSTM算法,生成车辆单步轨迹预测模型。
本发明还公开了多模型迁移预测方法,包括:
按照不同车型对所述交通数据集的数据进行单独划分处理,使用车辆单步轨迹预测模型中的QR-LSTM-BILSTM算法对样本数量大的车型进行建模,并将所述样本数量大的车型的模型迁移至样本数量小的目标领域车型上,以使得每一种车型都有一个适配的模型,其中,样本数量大的车型的网络结构和样本数量小的目标领域车型的网络结构相同;其中,所述车辆单步轨迹预测模型是如权利要求1至5任意一项的车辆轨迹预测模型训练方法训练生成的车辆轨迹预测模型;
利用所述目标领域车型的训练样本进行网络权重微调处理,创建基于深度学习的单步轨迹预测模型。
优选地,将所述样本数量大的车型的模型迁移至样本数量小的目标领域车型上,具体为:
将所述样本数量大的车型的数据作为源领域,将所述样本数量小的目标领域车型的数据作为目标领域,并根据所述QR-LSTM-BILSTM算法对所述源领域进行训练处理;
将所述源领域中已经训练好的车辆单步轨迹预测模型迁移到所述目标领域的车辆单步轨迹预测模型中,作为所述目标领域的网络初始权重,并对所述目标领域的网络进行微调权重处理,以减少所述目标领域的训练轮数。
本发明还公开了一种多模型迁移预测装置,包括:
多模型单元,用于按照不同车型对所述交通数据集的数据进行单独划分处理,使用车辆单步轨迹预测模型中的QR-LSTM-BILSTM算法对样本数量大的车型进行建模,并将所述样本数量大的车型的模型迁移至样本数量小的目标领域车型上,以使得每一种车型都有一个适配的模型,其中,样本数量大的车型的网络结构和样本数量小的目标领域车型的网络结构相同;其中,所述车辆单步轨迹预测模型是如权利要求1至5任意一项的车辆轨迹预测模型训练方法训练生成的车辆轨迹预测模型;
迁移学习单元,用于利用所述目标领域车型的训练样本进行网络权重微调处理,创建基于深度学习的单步轨迹预测模型。
综上所述,本实施例提供的车辆轨迹预测模型训练方法、多模型迁移预测方法及装置,先对获取到的所述交通数据集进行数据预处理后构建初步数据集,并根据所述初步数据集构建车辆轨迹训练模型所需的特征,根据所述特征组合为一体构建监督学习训练集;再使用改进的长短期记忆深度学习算法进行车辆单步轨迹预测模型的训练,将分位数回归的概念结合到模型的损失函数,以重现随机的驾驶行为。同时,本方法还将在训练样本量大的车型上训练完的车辆单步轨迹预测模型的权值迁移到同样网络结构但样本量小的车型上作为初始网络权重,再利用该车型的训练样本进行网络权重微调。简单来说,所述基于多模型和迁移学习的车辆单步轨迹预测方法根据高速公路的交通数据挖掘车辆行驶轨迹特点,考虑了多车交互的复杂性、驾驶员的驾驶行为随机性,将训练好的小汽车单步轨迹预测模型迁移到卡车和摩托车的深度学习预测模型中,能精准呈现出每种类型车的驾驶行为特性;迁移学习还能够避免在不同车型样本数量差距大单独建模导致的模型过拟合。
从而有效解决现有技术中的自动驾驶技术在不同的车型上,一方面对于多个车型统一建模,无法精准地呈现出每种类型车的驾驶行为特性,另一方面,在车型样本数量差距较大的情况下,多车型单独建模又存在模型的过拟合问题,进而会影响车辆自动驾驶进行的问题。
附图说明
图1是本发明实施例提供的车辆轨迹预测模型训练方法的流程示意图。
图2是本发明实施例提供的车辆轨迹预测模型训练方法的LSTM-BILSTM模型的建立过程示意图。
图3是本发明实施例提供的车辆轨迹预测模型训练方法的基于多模型的车辆轨迹预测的示意图。
图4是本发明实施例提供的基于多模型和迁移学习的车辆单步轨迹预测结构示意图。
图5是本发明实施例提供的多模型迁移预测方法的流程示意图。
图6是本发明实施例提供的卡车模型是否使用迁移学习进行训练的损失对比示意图。
图7是本发明实施例提供的摩托车模型是否使用迁移学习进行训练的损失对比示意图。
图8是本发明实施例提供的多模型迁移预测装置的模块示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,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他实施方式,都属于本发明保护的范围。
以下结合附图对本发明的具体实施例做详细说明。
请参阅图1至图4,本发明的第一实施例提供了车辆轨迹预测模型训练方法,其可由车辆轨迹预测模型训练设备(以下训练设备)来执行,特别的,由训练设备内的一个或者多个处理器来执行,以实现如下步骤:
S101,获取预先选定的高速公路段的交通数据集,对所述交通数据集进行数据预处理,生成车辆的初步数据集;
具体地,步骤S101包括:采用预设的Min-Max标准化方法对所述交通数据集进行归一化处理;
对所述交通数据集中的原始数据进行线性变化处理,并将线性变化后的结果压缩到预设区间[0,1]中,获得归一化数据/>,原始数据/>与归一化数据/>之间的转换关系公式为:
其中,为所述交通数据集的最小值,/>为所述交通数据集的最大值;
对压缩处理后的所述归一化数据进行字段筛选处理,筛选出字段:车辆ID、帧ID、总帧数、全局时间、本地X坐标、本地Y坐标、车辆类型、车辆瞬时速度、车辆瞬时加速度、车道ID、同车道的前车辆ID、同车道跟随车辆的ID和空间间隔;
对所述车辆ID、所述帧ID、所述本地X坐标和所述本地Y坐标进行数据去重处理,生成去重数据,并根据预设的长度单位对所述去重数据进行转换;
依照所述全局时间对所述归一化数据进行排序;
将所述同车道的前车辆ID与所述全局时间进行结合,以寻找预设的目标车辆的前车数据,并依照所述车辆ID对所述归一化数据进行排序,将不同车辆的轨迹数据分别存储到预设的对应CSV文件中。
具体地,在本实施例中,对交通数据集进行数据预处理后构建初步数据集;首先获取预设的某高速公路段的交通数据集,采用Min-Max标准化方法对所述交通数据集的数据进行归一化处理,对原始数据进行线性变化,并将结果映射到区间[0,1],得到归一化后的数据/>;即把数据按预设计算方式压缩到0~1的之间。对所述处理后的数据进行字段筛选,并根据所述筛选字段中的车辆ID、帧ID、本地X坐标和本地Y坐标字段进行数据去重处理,转换去重后的数据的相关的长度单位,按照“全局时间”字段对所有的字段进行排序;结合“同车道前车的车辆ID”字段和“全局时间”字段,以寻找目标车辆的前车数据,最后,根据“车辆ID”字段对处理后的交通数据集进行排序,将不同车辆的轨迹数据分别存储到各自对应的CSV文件中。
S102,根据所述车辆的初步数据集进行构建处理,生成车辆轨迹训练模型的所需特征,并将所述车辆轨迹训练模型的所需特征进行组合,生成数据样本,遍历所述车辆的初步数据集中的所有数据,同时,将所述数据样本进行组装,构建生成车辆轨迹监督学习数据集;
具体地,步骤S102包括:对所述车辆的初步数据集进行提取处理,提取出与时刻对应的自车位置信息集合/>、自车速度信息集合/>和前车信息集合;
其中,表示车辆经度,/>表示车辆纬度,/>表示车辆速度,/>表示车辆加速度,/>表示车头距,下标/>表示自车,下标/>表示前车;
将所述车辆轨迹训练模型的所需特征组合成一体,生成数据样本;
对所述车辆的初步数据集进行遍历处理,遍历所述车辆的初步数据集中的所有数据,并将所述数据样本进行组装,生成车辆轨迹监督学习数据集。
具体地,在本实施例中,根据所述初步数据集构建车辆轨迹训练模型所需的特征,再根据所述特征组合为一体构建监督学习训练集。具体地,首先根据所述车辆的初步数据集,构建车辆轨迹训练模型所需的特征,所述特征包括时刻对应的自特征车位置信息集合、自车速度信息集合和前车信息集合。随后,将所述组合为一体作为一个数据样本,遍历车辆初步数据集中的数据,以构建车辆轨迹监督学习数据集。
S103,根据所述车辆轨迹监督学习数据集,采用LSTM-BILSTM算法对预设的车辆轨迹训练模型进行训练,生成LSTM-BILSTM模型;
具体地,步骤S103包括:根据所述车辆轨迹监督学习数据集,设预设的车辆轨迹训练模型的滑动窗口的长度为;
将前个轨迹点特征信息/>作为所述车辆轨迹训练模型的输入,将第/>个轨迹点的经纬度信息/>作为所述车辆轨迹训练模型的输出,使用LSTM-BILSTM算法对所述车辆轨迹训练模型进行训练,生成多输入多输出车辆单步轨迹预测模型,模型的公式为:
根据历史速度信息和前车信息/>,采用LSTM算法进行建模,预测得到下一时刻的位置信息/>,并将下一时刻的位置信息/>作为未来状态;
将车辆位置信息的历史状态和未来状态/>作为预测模型的特征,根据BILSTM算法预测出下一时刻车辆的经纬度信息/>,生成LSTM-BILSTM模型。
具体地,在本实施例中,使用LSTM-BILSTM算法训练得到多输入多输出车辆单步轨迹预测模型,先通过LSTM对历史速度信息及前车信息进行建模预测,得到下一时刻的位置信息作为未来状态;再经过BILSTM将车辆位置信息的历史状态和未来状态作为预测模型的特征进行预测,得到下一时刻车辆的经纬度信息。其中,该预测模型同时考虑了车辆位置的历史状态和未来状态对下一时刻的车辆经纬度信息进行预测,实现了车辆单步轨迹预测,进而提高模型预测精度。
S104,在所述LSTM-BILSTM算法的基础上,将分位数回归QR方法与所述LSTM-BILSTM模型的损失函数进行结合,生成车辆单步轨迹预测模型。
具体地,步骤S104包括:将分位数回归QR方法与所述LSTM-BILSTM模型的损失函数进行结合,得到QR-LSTM-BILSTM算法,其中,所述QR-LSTM-BILSTM算法是将所述LSTM-BILSTM模型的损失函数设置成分位数损失而形成的,所述QR-LSTM-BILSTM算法的第一损失计算公式为:
其中,表示目标分位数,取值范围是[0,1],/>表示/>时刻估计的/>分位数对应的预测值,/>表示/>时刻的真实值,/>表示/>时刻/>分位数对应的分位数损失,其不是对称的,当预测分位数的值高于实际值时,惩罚乘以/>,反之惩罚乘以/>;
根据所述QR-LSTM-BILSTM算法的第一损失计算公式计算得到,所述QR-LSTM-BILSTM算法的第二损失计算公式为:
其中,是/>时刻的真实值/>的总数;
根据所述QR-LSTM-BILSTM算法的第一损失计算公式和所述QR-LSTM-BILSTM算法的第二损失计算公式,得到所述QR-LSTM-BILSTM算法的第三损失计算公式为:
其中,表示分位数的个数;
根据所述QR-LSTM-BILSTM算法,生成车辆单步轨迹预测模型。
具体地,在本实施例中,所述QR-LSTM-BILSTM算法就是将所述LSTM-BILSTM模型的损失函数设置成分位数损失形成的,分位数损失实现了采用不同系数去控制高估和低估的损失,进而实现分位数回归。其中,通过所述QR-LSTM-BILSTM算法的第一损失计算公式去计算所述QR-LSTM-BILSTM算法的第二损失计算公式/>,因为所述QR-LSTM-BILSTM算法的第一损失计算公式会预测输出一组值,所述QR-LSTM-BILSTM算法的第二损失计算公式是计算这一组值里面每个元素的损失;最后所述QR-LSTM-BILSTM算法的第三损失计算公式是计算这一组值的全部损失。即,所述QR-LSTM-BILSTM算法是利用不同的分位数来实现驾驶员驾驶行为的不确定性,具有生成逼真驾驶环境的能力,对自动驾驶的测试和评估具有重要价值,对应输出一组预测值/>。
在本实施例中,所述QR-LSTM-BILSTM算法可以在没有任何人类驾驶员事先假设的情况下重现随机的驾驶行为。
请参阅图5,本发明的第二实施例提供了多模型迁移预测方法,其可由多模型迁移预测设备(以下预测设备)来执行,特别的,由预测设备内的一个或者多个处理器来执行,以实现如下步骤:
S201,按照不同车型对所述交通数据集的数据进行单独划分处理,使用车辆单步轨迹预测模型中的QR-LSTM-BILSTM算法对样本数量大的车型进行建模,并将所述样本数量大的车型的模型迁移至样本数量小的目标领域车型上,以使得每一种车型都有一个适配的模型,其中,样本数量大的车型的网络结构和样本数量小的目标领域车型的网络结构相同;其中,所述车辆单步轨迹预测模型是如权利要求1至5任意一项的车辆轨迹预测模型训练方法训练生成的车辆轨迹预测模型;
S202利用所述目标领域车型的训练样本进行网络权重微调处理,创建基于深度学习的单步轨迹预测模型。
具体地,在本实施例中,将所述样本数量大的车型的模型迁移至样本数量小的目标领域车型上,具体为:将所述样本数量大的车型的数据作为源领域,将所述样本数量小的目标领域车型的数据作为目标领域,并根据所述QR-LSTM-BILSTM算法对所述源领域进行训练处理;
将所述源领域中已经训练好的车辆单步轨迹预测模型迁移到所述目标领域的车辆单步轨迹预测模型中,作为所述目标领域的网络初始权重,并对所述目标领域的网络进行微调权重处理,以减少所述目标领域的训练轮数。
在本实施例中,先根据所述交通数据集对不同车型的数据进行单独划分,对多个车型进行单独建模,使用基于深度学习算法对样本量大的车型(源领域)进行建模,将训练完的车辆单步轨迹预测模型的网络权重参数迁移到同样网络结构但样本量小的车型(目标领域)上作为初始网络权重;再利用目标领域车型的训练样本进行网络权重微调,进行建立基于深度学习的单步轨迹预测模型。简单来说,就是根据所述交通数据集进行划分数据,划分不同车型的数据,先建模样本量大的车型,再将样本量大的车型的模型迁移到其他车型再建模,进行微调权重,将每个车型都单独进行建模,每个车型只建模一次,最后剩下每个车型都会有一个微调完的适配的模型。
其中,对每个车型都单独进行建模,可以降低在建模过程中受速度、不同车型驾驶行为差异所带来的影响,避免因不同类型的车辆统一建模所带来的精度下降,多车型单独建模还可以捕捉到每种车型的驾驶行为特性。而将样本量大的车型的模型迁移到其他车型再建模,可以使目标领域在训练上所需的轮次更少,其模型也可以更快收敛,节省了计算资源,进一步提升模型的预测精度。
简单来说,所述基于多模型和迁移学习的车辆单步轨迹预测方法在多模型的基础上引入迁移学习,可以连通各车型单独建模时形成的模型孤岛,进而避免因多模型单独建模导致的训练速度慢,占用资源多等问题,对于样本量小的车型,还能避免导致模型过拟合的情况。
具体地,在本实施例中,选取美国101号公路(US-101)的NGSIM交通数据作为研究对象,对所述基于多模型和迁移学习的车辆单步轨迹预测方法进行解释说明。
在本实施例中,将预先选定的高速公路段的交通数据集按照车型分离出小汽车、卡车和摩托车的数据之后,再分别按照8:2的比例进行划分,划分出训练集和测试集,划分后的训练数据集和测试数据集的数量如表1所示:
表1.小汽车、卡车和摩托车训练集和测试集划分表
其中,小汽车因为样本量大作为源领域进行训练,卡车和摩托车因样本量小使用训练完的小汽车单步轨迹预测模型进行迁移后训练。同时,筛选出的字段:车辆ID、帧ID、总帧数、全局时间、本地X坐标、本地Y坐标、车辆类型、车辆瞬时速度、车辆瞬时加速度、车道ID、同车道的前车辆ID、同车道跟随车辆的ID和空间间隔,如表2所示:
表2.实验数据主要字段示例表
为了分析和比较各实验的预测效果,本实施例采用5次交叉验证的方法得到各个实验的平均误差。评价指标采用平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE),MAPE、MAE和RMSE的值越低,模型的预测精度越高,其公式如下所示:
其中,为第/>个轨迹点经度的预测值;/>为第/>个轨迹点经度的真实值;/>为第/>个轨迹点纬度的预测值;/>为第/>个轨迹点纬度的真实值;/>为测试样本数量;/>为第/>个轨迹点经度的权重;/>为第/>个轨迹点纬度的权重;所有输出的误差均采用均匀权重进行平均。参数设置如表3所示,QR-LSTM-BILSTM算法与其他算法模型的实验对比如表4所示:
表3.实施例参数设置
表4.QR-LSTM-BILSTM与其他模型在小汽车数据上的预测精度对比
从上表可知,在预测精度的层面,所述基于多模型和迁移学习的车辆单步轨迹预测方法中提到的QR-LSTM-BILSTM算法相比其他模型算法在精度上有显著提升。并且,所述基于多模型和迁移学习的车辆单步轨迹预测方法中提到的LSTM-BILSTM模型相比其他模型加快了模型的收敛速度。
将基于所述QR-LSTM-BILSTM算法对小汽车进行建模,将训练完的车辆单步轨迹预测模型的网络权重参数迁移到卡车和摩托车上进行深度学习的单步轨迹预测建模;预测精度结果对比如表5所示:
表5.卡车和摩托车预测精度对比
由图6和图7可知,卡车和摩托车在使用迁移学习后的模型收敛速度明显快于不使用迁移学习的模型收敛速度。
综上所述,所述基于多模型和迁移学习的车辆单步轨迹预测方法能够根据高速公路的交通数据挖掘车辆行驶轨迹特点,考虑了多车交互的复杂性、驾驶员的驾驶行为随机性,将训练好的小汽车单步轨迹预测模型迁移到卡车和摩托车的深度学习预测模型中,能精准呈现出每种类型车的驾驶行为特性,迁移学习还能避免在不同车型样本数量差距大单独建模导致的模型过拟合。简单来说,所述基于多模型和迁移学习的车辆单步轨迹预测方法具备精度高,时间开销小,模型收敛速度更快的优点。
请参阅图8,本发明的第三实施例提供了多模型迁移预测装置,包括:
多模型单元201,用于按照不同车型对所述交通数据集的数据进行单独划分处理,使用车辆单步轨迹预测模型中的QR-LSTM-BILSTM算法对样本数量大的车型进行建模,并将所述样本数量大的车型的模型迁移至样本数量小的目标领域车型上,以使得每一种车型都有一个适配的模型,其中,样本数量大的车型的网络结构和样本数量小的目标领域车型的网络结构相同;其中,所述车辆单步轨迹预测模型是如权利要求1至5任意一项的车辆轨迹预测模型训练方法训练生成的车辆轨迹预测模型;
迁移学习单元202,用于利用所述目标领域车型的训练样本进行网络权重微调处理,创建基于深度学习的单步轨迹预测模型。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。
Claims (8)
1.车辆轨迹预测模型训练方法,其特征在于,包括:
获取预先选定的高速公路段的交通数据集,对所述交通数据集进行数据预处理,生成车辆的初步数据集;
根据所述车辆的初步数据集进行构建处理,生成车辆轨迹训练模型的所需特征,并将所述车辆轨迹训练模型的所需特征进行组合,生成数据样本,遍历所述车辆的初步数据集中的所有数据,同时,将所述数据样本进行组装,构建生成车辆轨迹监督学习数据集;
根据所述车辆轨迹监督学习数据集,采用LSTM-BILSTM算法对预设的车辆轨迹训练模型进行训练,生成LSTM-BILSTM模型;
在所述LSTM-BILSTM算法的基础上,将分位数回归QR方法与所述LSTM-BILSTM模型的损失函数进行结合,生成车辆单步轨迹预测模型。
2.根据权利要求1所述的车辆轨迹预测模型训练方法,其特征在于,对所述交通数据集进行数据预处理,生成车辆的初步数据集,具体为:
采用预设的Min-Max标准化方法对所述交通数据集进行归一化处理;
对所述交通数据集中的原始数据进行线性变化处理,并将线性变化后的结果压缩到预设区间[0,1]中,获得归一化数据/>,原始数据/>与归一化数据/>之间的转换关系公式为:
其中,为所述交通数据集的最小值,/>为所述交通数据集的最大值;
对压缩处理后的所述归一化数据进行字段筛选处理,筛选出字段:车辆ID、帧ID、总帧数、全局时间、本地X坐标、本地Y坐标、车辆类型、车辆瞬时速度、车辆瞬时加速度、车道ID、同车道的前车辆ID、同车道跟随车辆的ID和空间间隔;
对所述车辆ID、所述帧ID、所述本地X坐标和所述本地Y坐标进行数据去重处理,生成去重数据,并根据预设的长度单位对所述去重数据进行转换;
依照所述全局时间对所述归一化数据进行排序;
将所述同车道的前车辆ID与所述全局时间进行结合,以寻找预设的目标车辆的前车数据,并依照所述车辆ID对所述归一化数据进行排序,将不同车辆的轨迹数据分别存储到预设的对应CSV文件中。
3.根据权利要求1所述的车辆轨迹预测模型训练方法,其特征在于,根据所述车辆的初步数据集进行提取处理,构建生成车辆轨迹训练模型的所需特征,并将所述车辆轨迹训练模型的所需特征进行组合,生成数据样本,遍历所述车辆的初步数据集中的所有数据,同时,将所述数据样本进行组装,构建生成车辆轨迹监督学习数据集,具体为:
对所述车辆的初步数据集进行提取处理,提取出与时刻对应的自车位置信息集合、自车速度信息集合/>和前车信息集合/>;
其中,表示车辆经度,/>表示车辆纬度,/>表示车辆速度,/>表示车辆加速度,/>表示车头距,下标/>表示自车,下标/>表示前车;
将所述车辆轨迹训练模型的所需特征组合成一体,生成数据样本;
对所述车辆的初步数据集进行遍历处理,遍历所述车辆的初步数据集中的所有数据,并将所述数据样本进行组装,生成车辆轨迹监督学习数据集。
4.根据权利要求1所述的车辆轨迹预测模型训练方法,其特征在于,根据所述车辆轨迹监督学习数据集,采用LSTM-BILSTM算法对预设的车辆轨迹训练模型进行训练,生成LSTM-BILSTM模型,具体为:
根据所述车辆轨迹监督学习数据集,设预设的车辆轨迹训练模型的滑动窗口的长度为;
将前个轨迹点特征信息/>作为所述车辆轨迹训练模型的输入,将第/>个轨迹点的经纬度信息/>作为所述车辆轨迹训练模型的输出,使用LSTM-BILSTM算法对所述车辆轨迹训练模型进行训练,生成多输入多输出车辆单步轨迹预测模型,模型的公式为:
根据历史速度信息和前车信息/>,采用LSTM算法进行建模,预测得到下一时刻的位置信息/>,并将下一时刻的位置信息/>作为未来状态;
将车辆位置信息的历史状态和未来状态/>作为预测模型的特征,根据BILSTM算法预测出下一时刻车辆的经纬度信息/>,生成LSTM-BILSTM模型。
5.根据权利要求1所述的车辆轨迹预测模型训练方法,其特征在于,在所述LSTM-BILSTM算法的基础上,将分位数回归QR方法与所述LSTM-BILSTM模型的损失函数进行结合,生成车辆单步轨迹预测模型,具体为:
将分位数回归QR方法与所述LSTM-BILSTM模型的损失函数进行结合,得到QR-LSTM-BILSTM算法,其中,所述QR-LSTM-BILSTM算法是将所述LSTM-BILSTM模型的损失函数设置成分位数损失而形成的,所述QR-LSTM-BILSTM算法的第一损失计算公式为:
其中,表示目标分位数,取值范围是[0,1],/>表示/>时刻估计的/>分位数对应的预测值,/>表示/>时刻的真实值,/>表示/>时刻/>分位数对应的分位数损失,其不是对称的,当预测分位数的值高于实际值时,惩罚乘以/>,反之惩罚乘以/>;
根据所述QR-LSTM-BILSTM算法的第一损失计算公式计算得到,所述QR-LSTM-BILSTM算法的第二损失计算公式为:
其中,是/>时刻的真实值/>的总数;
根据所述QR-LSTM-BILSTM算法的第一损失计算公式和所述QR-LSTM-BILSTM算法的第二损失计算公式,得到所述QR-LSTM-BILSTM算法的第三损失计算公式为:
其中,表示分位数的个数;
根据所述QR-LSTM-BILSTM算法,生成车辆单步轨迹预测模型。
6.一种多模型迁移预测方法,其特征在于,包括:
按照不同车型对所述交通数据集的数据进行单独划分处理,使用车辆单步轨迹预测模型中的QR-LSTM-BILSTM算法对样本数量大的车型进行建模,并将所述样本数量大的车型的模型迁移至样本数量小的目标领域车型上,以使得每一种车型都有一个适配的模型,其中,样本数量大的车型的网络结构和样本数量小的目标领域车型的网络结构相同;其中,所述车辆单步轨迹预测模型是如权利要求1至5任意一项的车辆轨迹预测模型训练方法训练生成的车辆轨迹预测模型;
利用所述目标领域车型的训练样本进行网络权重微调处理,创建基于深度学习的单步轨迹预测模型。
7.根据权利要求6所述的多模型迁移预测方法,其特征在于,将所述样本数量大的车型的模型迁移至样本数量小的目标领域车型上,具体为:
将所述样本数量大的车型的数据作为源领域,将所述样本数量小的目标领域车型的数据作为目标领域,并根据所述QR-LSTM-BILSTM算法对所述源领域进行训练处理;
将所述源领域中已经训练好的车辆单步轨迹预测模型迁移到所述目标领域的车辆单步轨迹预测模型中,作为所述目标领域的网络初始权重,并对所述目标领域的网络进行微调权重处理,以减少所述目标领域的训练轮数。
8.一种多模型迁移预测装置,其特征在于,包括:
多模型单元,用于按照不同车型对所述交通数据集的数据进行单独划分处理,使用车辆单步轨迹预测模型中的QR-LSTM-BILSTM算法对样本数量大的车型进行建模,并将所述样本数量大的车型的模型迁移至样本数量小的目标领域车型上,以使得每一种车型都有一个适配的模型,其中,样本数量大的车型的网络结构和样本数量小的目标领域车型的网络结构相同;其中,所述车辆单步轨迹预测模型是如权利要求1至5任意一项的车辆轨迹预测模型训练方法训练生成的车辆轨迹预测模型;
迁移学习单元,用于利用所述目标领域车型的训练样本进行网络权重微调处理,创建基于深度学习的单步轨迹预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166654.5A CN117709394A (zh) | 2024-02-06 | 2024-02-06 | 车辆轨迹预测模型训练方法、多模型迁移预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166654.5A CN117709394A (zh) | 2024-02-06 | 2024-02-06 | 车辆轨迹预测模型训练方法、多模型迁移预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117709394A true CN117709394A (zh) | 2024-03-15 |
Family
ID=90150176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410166654.5A Pending CN117709394A (zh) | 2024-02-06 | 2024-02-06 | 车辆轨迹预测模型训练方法、多模型迁移预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709394A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597993A (zh) * | 2018-11-30 | 2019-04-09 | 深圳前海微众银行股份有限公司 | 语句分析处理方法、装置、设备以及计算机可读存储介质 |
CN111600735A (zh) * | 2019-02-21 | 2020-08-28 | 烽火通信科技股份有限公司 | 一种样本数据的处理方法、系统及装置 |
CN112801236A (zh) * | 2021-04-14 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 图像识别模型的迁移方法、装置、设备及存储介质 |
CN114372620A (zh) * | 2021-12-28 | 2022-04-19 | 天津汇智星源信息技术有限公司 | 基于轨迹预测的目标人员动态风险预警方法及相关设备 |
CN114498633A (zh) * | 2022-02-15 | 2022-05-13 | 国网山东省电力公司菏泽供电公司 | 一种基于XGBoost和QRLSTM的短期负荷概率预测方法 |
CN115019175A (zh) * | 2022-06-27 | 2022-09-06 | 华南农业大学 | 一种基于迁移元学习的害虫识别方法 |
CN115158364A (zh) * | 2022-08-16 | 2022-10-11 | 厦门大学 | 一种自动驾驶汽车对周车驾驶意图和轨迹联合预测的方法 |
CN115359437A (zh) * | 2022-08-22 | 2022-11-18 | 重庆邮电大学 | 一种基于语义轨迹的伴随车辆识别方法 |
CN116756498A (zh) * | 2023-04-13 | 2023-09-15 | 中国长江电力股份有限公司 | 一种基于lstm和分位数回归的径流概率预测算法 |
CN116960991A (zh) * | 2023-09-21 | 2023-10-27 | 杭州半云科技有限公司 | 一种基于图卷积网络模型的面向概率电力负荷预测方法 |
CN117009735A (zh) * | 2023-08-02 | 2023-11-07 | 电子科技大学 | 一种结合BiLSTM与核密度估计的高强度森林火灾发生概率计算方法 |
CN117150334A (zh) * | 2023-06-16 | 2023-12-01 | 合肥工业大学 | 一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置 |
CN117141517A (zh) * | 2023-09-13 | 2023-12-01 | 厦门大学 | 数据驱动与知识引导相结合的车辆轨迹预测模型构建方法 |
CN117141518A (zh) * | 2023-09-13 | 2023-12-01 | 厦门大学 | 一种基于意图感知时空注意网络的车辆轨迹预测方法 |
-
2024
- 2024-02-06 CN CN202410166654.5A patent/CN117709394A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597993A (zh) * | 2018-11-30 | 2019-04-09 | 深圳前海微众银行股份有限公司 | 语句分析处理方法、装置、设备以及计算机可读存储介质 |
CN111600735A (zh) * | 2019-02-21 | 2020-08-28 | 烽火通信科技股份有限公司 | 一种样本数据的处理方法、系统及装置 |
CN112801236A (zh) * | 2021-04-14 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 图像识别模型的迁移方法、装置、设备及存储介质 |
CN114372620A (zh) * | 2021-12-28 | 2022-04-19 | 天津汇智星源信息技术有限公司 | 基于轨迹预测的目标人员动态风险预警方法及相关设备 |
CN114498633A (zh) * | 2022-02-15 | 2022-05-13 | 国网山东省电力公司菏泽供电公司 | 一种基于XGBoost和QRLSTM的短期负荷概率预测方法 |
CN115019175A (zh) * | 2022-06-27 | 2022-09-06 | 华南农业大学 | 一种基于迁移元学习的害虫识别方法 |
CN115158364A (zh) * | 2022-08-16 | 2022-10-11 | 厦门大学 | 一种自动驾驶汽车对周车驾驶意图和轨迹联合预测的方法 |
CN115359437A (zh) * | 2022-08-22 | 2022-11-18 | 重庆邮电大学 | 一种基于语义轨迹的伴随车辆识别方法 |
CN116756498A (zh) * | 2023-04-13 | 2023-09-15 | 中国长江电力股份有限公司 | 一种基于lstm和分位数回归的径流概率预测算法 |
CN117150334A (zh) * | 2023-06-16 | 2023-12-01 | 合肥工业大学 | 一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置 |
CN117009735A (zh) * | 2023-08-02 | 2023-11-07 | 电子科技大学 | 一种结合BiLSTM与核密度估计的高强度森林火灾发生概率计算方法 |
CN117141517A (zh) * | 2023-09-13 | 2023-12-01 | 厦门大学 | 数据驱动与知识引导相结合的车辆轨迹预测模型构建方法 |
CN117141518A (zh) * | 2023-09-13 | 2023-12-01 | 厦门大学 | 一种基于意图感知时空注意网络的车辆轨迹预测方法 |
CN116960991A (zh) * | 2023-09-21 | 2023-10-27 | 杭州半云科技有限公司 | 一种基于图卷积网络模型的面向概率电力负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xin et al. | Intention-aware long horizon trajectory prediction of surrounding vehicles using dual LSTM networks | |
CN108921200B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
Jia et al. | Long short‐term memory and convolutional neural network for abnormal driving behaviour recognition | |
Aljohani et al. | Real-Time metadata-driven routing optimization for electric vehicle energy consumption minimization using deep reinforcement learning and Markov chain model | |
Yi et al. | Effects of environmental factors on electric vehicle energy consumption: a sensitivity analysis | |
CN109060370B (zh) | 对自动驾驶车辆进行车辆测试的方法及装置 | |
CN109191845B (zh) | 一种公交车辆到站时间预测方法 | |
Huang et al. | Physics-informed deep learning for traffic state estimation: Illustrations with LWR and CTM models | |
Daigle et al. | Advanced methods for determining prediction uncertainty in model-based prognostics with application to planetary rovers | |
CN112071062A (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
Chatterjee et al. | Real time traffic delay optimization using shadowed type-2 fuzzy rule base | |
CN113487863A (zh) | 一种多因素交通风险实时定量评估系统及方法 | |
CN115169239A (zh) | 融合卷积、注意力和mlp的行程目的地预测方法 | |
Pan et al. | Data-driven time series prediction based on multiplicative neuron model artificial neuron network | |
Fontaine et al. | Probe-based traffic monitoring systems with wireless location technology: an investigation of the relationship between system design and effectiveness | |
Jalel et al. | Continuous time markov chain traffic model for urban environments | |
CN117709394A (zh) | 车辆轨迹预测模型训练方法、多模型迁移预测方法及装置 | |
CN115514787B (zh) | 用于车联网环境的智能无人机辅助决策规划方法及装置 | |
Nilsson | Simulation-based analysis of partially automated vehicular networks | |
Wu et al. | Particle filter based traffic data assimilation with sensor informed proposal distribution | |
CN110474803B (zh) | 车联网系统的处理方法及相关设备 | |
Miller et al. | Advanced tutorial on microscopic discrete-event traffic simulation | |
CN114004406A (zh) | 车辆轨迹预测方法、装置、存储介质及电子设备 | |
Ye et al. | Prediction-based eco-approach and departure strategy in congested urban traffic |
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 |