[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

说明书

本发明提供了一种基于LSTM神经网络的群目标行进趋势预测方法，利用群目标间的相对空间关系对实际场景中的交互性群目标进行建模，建立LSTM长短时记忆神经网络进行轨迹位置预测计算。依据群组中单目标间联络通信、协同合作关系、单目标型号特征以及群目标活动性质进行依赖预测，排除不合理因素，得出群目标行进轨迹趋势的最小预测空间，对最终预测结果进行可视化表达。与传统对单一目标轨迹预测相比，本发明解决了对具有一定相关性、交互性的复杂群目标行进趋势预测的相关问题，能够充分利用目标历史航迹、目标关联关系、目标型号类别、目标体量特征、目标活动性质等信息综合全面地进行推算、预测，尽准地提供了群目标行进趋势的预测结果。

技术领域

本发明涉及一种基于LSTM神经网络的群目标行进趋势预测方法。

背景技术

目前，国内外在无人驾驶、交通流量、行人轨迹等领域对目标行进趋势的预测技术有着较为广泛的研究与应用。尽准预测目标的行进趋势、运动轨迹对于尽早掌握目标将来位置、挖掘目标行为意图有着重要的意义。然而，针对一组具有联络通信、协同合作等复杂关联关系的群目标进行整体行进趋势预测仍面临着诸多问题：1)现有预测技术更多的是针对单一类别的目标轨迹进行预测，而缺少针对多类型、交互性群目标整体行进趋势预测方面的研究。2)在预测中对目标历史轨迹信息使用不充分以及对目标所处环境的动态性考虑不充分致使预测准确率过度依赖于目标当前状态；3)忽略单目标的型号、体积等固有特征在目标群整体行进趋势预测中的权重影响。4)缺少在目标活动性质对预测空间影响方面的考虑。5)缺少对群目标行进趋势预测结果计算和表达有效方式。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于LSTM神经网络的群目标行进趋势预测方法，该方法通过利用群目标间的相对位置、相对朝向、相对体积、相对速度大小等相对空间关系对实际场景中复杂又抽象的交互性群目标进行建模，对群组中单目标长时历史航迹点做预处理，建立LSTM长短时记忆神经网络进行轨迹位置预测计算。在此基础上，依据群组中单目标间联络通信、协同合作关系、单目标型号特征以及群目标活动性质等方面的信息进行依赖预测，排除不合理因素，分析得出群目标行进轨迹趋势的最小预测空间，并基于地理信息背景，对最终预测结果进行可视化表达。

本发明公开了一种基于LSTM神经网络的群目标行进趋势预测方法，包括如下步骤：

步骤1、对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，以群组中各单目标轨迹序列为输入，预测计算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、依据群组中各单目标轨迹预测结果及最小预测空间，计算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，再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。