[發明專利]一種融合卡口重要性與注意力機制的車輛軌跡預測方法

在審

• 申請號: 202210314126.0
• 申請日: 2022-03-28
• 公開（公告）號: CN114925875A
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 關樂晨;邵虎;劉廣義;陳子龍;徐瑋喆;袁梓航;石景天;周金誠
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 徐爾東

本發明公開了一種融合卡口重要性與注意力機制的車輛軌跡預測方法，包括以下步驟：(1)獲取過車數據源并對數據源進行數據預處理，提取車輛軌跡；(2)提取用于表示位置的交通卡口集，引入自然語言處理中的Glove模型，通過訓練車輛軌跡數據得到各卡口的嵌入詞向量表示；結合PageRank算法對各卡口的重要性進行排序；(3)利用SIF方法對卡口的嵌入詞向量進行加權平均獲得軌跡句向量表示，應用K?means算法對軌跡進行聚類；(4)融合卡口位置編碼與重要性編碼，并加入注意力機制，在獲得的每個聚類簇中采用Bi?LSTM神經網絡對車輛軌跡進行訓練，預測新軌跡，既考慮了車輛信息或道路信息，又考慮了目標車輛與所經卡口的交互關系，軌跡預測效果更好。

技術領域

本發明涉及車輛軌跡預測方法領域，具體涉及一種融合卡口重要性與注意 力機制的車輛軌跡預測方法。

背景技術

隨著城市的迅速發展，城市人口占世界總人口的比重已超過50％，由此不 可避免地導致交通系統面臨的問題越來越嚴重，這無論對于交通管理者還是交 通參與者來說都是一個巨大的挑戰。對于交通管理者來說，在大規模、高密度 的交通車流量的前提下，同時兼顧交通效率和交通安全是一件非常困難的事 情。對于交通參與者來說，要在復雜、擁堵的交通環境中提高自己的出行效率 也是非常困難的。幸運的是，智能交通系統的出現為這一矛盾提供了解決的方 向。

智能交通系統中的一個必要組成部分是車輛軌跡預測算法。軌跡預測在軌 跡大數據分析中起著關鍵作用，并且，預測移動車輛的下一位置在軌跡數據挖 掘中是一個重要的分支。軌跡預測對于用戶和軌跡數據的擁有者都具有極大的 應用價值。由于軌跡預測在智能交通系統(ITS)中扮演著重要角色，因此提 供準確的軌跡預測信息有助于提升交通運輸效率。

隨著國內外對車輛軌跡預測研究的深入，關于軌跡預測分析的研究方法已 經越來越豐富，最常見的方式通常分為統計、概率模型和深度學習。傳統的概 率圖模型通過推斷車輛未來軌跡位置的概率來進行預測，最典型的算法是馬爾 科夫模型。近年來，深度學習的異軍突起，使得軌跡預測的準確率有了較大的 飛躍。深度學習具有良好的非線性擬合能力，且在處理大量的、復雜的、高維 的數據問題中具有巨大的優越性，能夠很好地將不確定性的車輛軌跡描述出 來，因此取得了較好的結果。

但是當前深度學習的大多數軌跡預測模型都只考慮了車輛信息或道路信 息，并沒有考慮目標車輛與所經卡口的交互關系；預測效果精確性有待提高。

發明內容

針對上述存在的技術不足，本發明的目的是提供一種融合卡口重要性與注 意力機制的車輛軌跡預測方法，既考慮了車輛信息或道路信息，又考慮了目標 車輛與所經卡口的交互關系，軌跡預測精確性更高，預測效果更好。

為解決上述技術問題，本發明采用如下技術方案：

本發明提供一種融合卡口重要性與注意力機制的車輛軌跡預測方法，包括 以下步驟：

(1)獲取過車數據源并對數據源進行數據預處理，提取車輛軌跡；

(2)提取步驟(1)軌跡中用于表示位置的交通卡口集，引入自然語言處 理中的Glove模型，通過訓練車輛軌跡數據得到各卡口的嵌入詞向量表示；結 合PageRank算法對各卡口的重要性進行排序；

(3)利用SIF方法對步驟(2)獲得的卡口的嵌入詞向量進行加權平均獲 得軌跡句向量表示，應用K-means算法對軌跡進行聚類；

(4)融合卡口位置編碼與重要性編碼，并加入注意力機制，在步驟(3) 獲得的每個聚類簇中采用Bi-LSTM神經網絡對車輛軌跡進行訓練，預測新軌跡。

優選地，步驟(1)中獲取過車數據源為各卡口在不同時間戳的過車數據， 所述過車數據包括過車車牌、過車車型、過車時間、卡口名稱、卡口位置、道 路編號。