[发明专利]一种基于LSTM神经网络的群目标行进趋势预测方法

权利要求书

1.一种基于LSTM神经网络的群目标行进趋势预测方法，其特征在于，用于无人驾驶汽车群组行进趋势预测的实验中，能够保证无人驾驶汽车群组实际轨迹落在预测区间内的同时并计算得出群组的最小行进趋势区间，包括如下步骤：

步骤1、对无人驾驶汽车群组中各单目标的轨迹点进行预处理操作；

步骤2、建立LSTM长短时记忆神经网络预测模型，以无人驾驶汽车群组中各单目标轨迹序列为输入，预测计算无人驾驶汽车群组中各单目标轨迹趋势；

步骤3、计算得到关于群目标整体行进趋势的最小预测空间；

步骤4、依据无人驾驶汽车群组中各单目标轨迹预测结果及最小预测空间，计算无人驾驶汽车群组整体行进趋势的置信区间；

步骤5、基于二维地理信息背景，对群目标行进趋势预测结果进行可视化设计和展示；

步骤1中包括：对于给定的无人驾驶汽车群组集合G＝{g₁,g₂,g₄,g₅,…g_m}，其中m代表无人驾驶汽车群组中单目标总数，且m∈N^*，N^*为正整数，g_m代表无人驾驶汽车群组中第m个目标的轨迹点序列，首先，抽取集合G中各单目标在给定时间段[t₁,t₂]内的历史轨迹信息形成按时间进行排序的序列型结构数据，其中t₁代表起始时间点，t₂代表终止时间点，且t₁t₂；其次，根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证，得到历史轨迹点序列，最后，根据预测输入数据序列步长要求，对历史轨迹点序列进行插值补全以得到满足预测输入数据序列的密度要求；

步骤1中，所述根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证，得到历史轨迹点序列，包括：在来源方式方面，建立轨迹点来源方式的采信优先级规则，对于给定单目标的一个轨迹点，采信优先级最高的来源方式上报的轨迹点位；如果存在来源方式优先级相等的情况，则计算优先级相等的所有来源方式上报点位的平均经纬度，作为最终采信的轨迹点位；

步骤1中，对历史轨迹点序列进行三阶贝赛尔曲线补全以得到满足预测输入数据序列的密度要求，对于一组历史轨迹点序列R＝{p₁(x₁,y₁),p₂(x₂,y₂),p₃(x₃,y₃),…p_n(x_n,y_n)}，其中n∈N^*，p_n表示第n个历史轨迹点，(x_n,y_n)为p_n的坐标，设定根据预测输入数据序列要求，需要在p_n与p_n+1之间进行插值补全，针对原始点p_n和p_n+1确定两个控制点c_n和d_n，且c_n位于p_n之前，d_n位于p_n之后，则c_n坐标为(x_n+α(x_n+1–x_n-1),y_n+α(y_n+1-y_n-1))，d_n坐标为(x_n+1-β(x_n+2–x_n),y_n+1-β(y_n+2-y_n))，其中α、β为常量，则位于p_n与p_n+1间的三阶贝赛尔曲线的参数方程为：

其中s为求p_n与p_n+1之间插值轨迹点时所指定的长度比例，根据指定的轨迹预测步长要求进行各单目标历史轨迹插值补点计算；

步骤2具体包括如下步骤：

步骤2-1，群组中各单目标历史航迹按LSTM长短时记忆神经网络输入需求进行预处理：对于群组中的一个给定单目标，将其在时间段[t₁,t₂]内的历史轨迹点集合标记为H_[t1,t2]＝{h₁(x₁,y₁),h₂(x₂,y₂),h₃(x₃,y₃),…h_n(x_n,y_n)}，其中n∈N^*，h_n表示给定单目标历史轨迹点集合H_[t1,t2]中的第n个轨迹点，(x_n,y_n)为h_n的坐标；

对集合H_[t1,t2]中的元素进行降维处理，最终形成两个序列化数据集合H_lon＝{x₁,x₂,x₃,…x_n}和H_lat＝{y₁,y₂,y₃,…y_n}；

对输入序列H_lon和H_lat做等量子集划分，即做mini-batch操作，在历史轨迹进行三阶贝赛尔插值补全操作中保证在时间段[t₁,t₂]内轨迹点保证密度，等量子集划分参数即规定每次向LSTM长短时记忆神经网络中输入个样本进行训练调整参数；

设定序列长度steps＝3；

最终确定batch_size*steps的二维数组长度作为一组训练数据量；

步骤2-2，构建LSTM循环神经网络，包括输入层、LSTM长短时记忆神经网络层以及输出层；

输入层中输入数据量的长度由batch_size和steps共同确定，输入层有三个输入要素C_t-1、H_t-1和X_t，C_t-1位于主记忆线上，是LSTM循环中对前期状态的记忆，H_t-1是训练序列中上一个时间点上输入特征向量的预测结果，X_t是训练序列上t时刻的输入特征向量；

在构建LSTM长短时记忆神经网络层的过程中，将LSTM长短时记忆神经网络层处理过程划分为忘记阶段、选择性记忆阶段和输出阶段，各阶段分别设计相应的门限控制器，即遗忘门、输入门和输出门，各门限均以sigmoid函数来实现，并且选用tanh作为激励补长函数；其中，遗忘门用来决定要保留和遗忘上一个单元模块输出的哪个部分，由t-1时的长期记忆输入C_t-1与指定的遗忘因子确定；输入门针对遗忘门中丢弃的信息在该单元中找到对应的新的属性信息进行补充；输出门根据遗忘门和输入门先后确定的单元状态进行最终结果输出；

输出层中通过维度映射，使用softmax函数将多个神经元的输出映射到(0，1)区间内，得到预测结果的概率分布作为最终选择的依据；

输出层输出预测序列中t时刻的神经元状态C_t的同时输出预测结果H_t，H_t为一个维的向量，记向量维度为输出向量H_t＝(h₁,h₂,h₃,…h_m)，其中h_m代表第m个点的预测值，且m∈N^*，则输出向量H_t中每个值的概率分布表示为：其中S(h_i)代表向量H_t中第i个值的概率分布，i为正整数，i＝1,2,…m；最终在softmax函数计算结果集合S(h_i)中选取概率值最大的作为最终的预测结果；

步骤3包括：对于给定的目标群G，挖掘目标群G中单目标之间的联络通信关系、识别各单目标的活动性质，并结合各单目标独立轨迹预测结果进行相关联动分析、依赖预测，得到关于群目标整体行进趋势的最小预测空间，其中，通过FPTree算法进行单目标关联关系挖掘和频繁项集的计算，对小于2的频繁项集进行裁剪，再根据各单目标的活动性质进行活动区域裁剪；

步骤4包括：选择t分布来计算预测结果置信区间，抽取z个单目标中经度预测结果在最小预测空间范围内的点作为抽样样本，标记为{x₁,x₂,..x_z}，其中z∈N^*，将抽样样本均值记为对于t分布来说，采用置信水平95％并以自由度为z-1查表得t值标记为θ，则计算得到目标群行进趋势点位中经度置信水平为95％的置信区间为将抽取的z个单目标的经度预测结果对应的纬度样本集合标记为{y₁,y₂,..y_z}，将该样本{y₁,y₂,..y_z}的均值记为对于t分布来说，采用置信水平95％并以自由度为z-1查表得t值标记为θ，则计算得目标群行进趋势点位中纬度置信水平为95％的置信区间为

步骤5包括：基于二维地理信息背景，对群目标行进趋势预测结进行以圆与扇形结合的方式进行可视化展示。