[发明专利]一种基于注意力机制的双向GRU轨迹预测方法

权利要求书

1.一种基于注意力机制的双向GRU轨迹预测方法，其特征在于，包括以下步骤：

S1、获取原始GPS数据，并对获取的原始GPS数据进行预处理；

S2、对预处理后的原始GPS数据进行数据扩充，以得到样本数据；

S3、构建基于注意力机制的双向GRU神经网络模型；

S4、将样本数据输入双向GRU神经网络模型，结合WOA算法进行训练，以得到轨迹预测模型；

S5、获取当前实际GPS数据，将实际GPS输入轨迹预测模型，输出得到对应的轨迹预测值；

所述步骤S2包括以下步骤：

S21、基于预处理后的原始GPS数据，得到对应的嵌入向量；

S22、将嵌入向量与原始GPS数据组合构成样本数据；

所述嵌入向量具体为：

E＝{Δδ，Δs，Δv}

Δδ＝δ_i+1-δ_i

Δs＝Hav(p_i+1,p_i)

Δv＝v_i+1-v_i

其中，E为嵌入向量，Δδ为两个数据点之间的角度差，Δs为两个数据点之间的距离，Δv为两个数据点之间的速度差，Hav为海氏距离，a为海氏距离计算过渡参数，lat'_i和lon'_i都是弧度制数值。

2.根据权利要求1所述的一种基于注意力机制的双向GRU轨迹预测方法，其特征在于，所述步骤S1具体是采用卡尔曼滤波和三次样条插值分别对原始GPS数据进行滤波和缺失值补齐处理。

3.根据权利要求1所述的一种基于注意力机制的双向GRU轨迹预测方法，其特征在于，所述步骤S3中注意力机制的具体计算公式为：

M＝tanh(h_t)

α＝soft max(ω^TM)

γ＝h_tα^T

其中，M为注意力机制过渡参数，h_t为t时刻隐含层状态，α为注意力分配概率，ω为注意力机制内部网络权重，γ为某一特征输出权重。

4.根据权利要求1所述的一种基于注意力机制的双向GRU轨迹预测方法，其特征在于，所述步骤S4具体包括以下步骤：

S41、对样本数据进行归一化处理，创建训练数据及预测数据；

S42、将训练数据输入双向GRU神经网络模型，经由前向与后向两个方向单独进行矩阵计算，得到两个方向的隐含层状态；

S43、对两个方向的隐含层状态进行占比求和，通过计算得到当前的输入值；

S44、利用WOA算法对神经网络权值进行寻优，将损失函数作为目标函数，得到最优权值；

S45、按照最优权值，结合预测数据，经由双向GRU神经网络计算得到输出值；

S46、对输出值进行反归一化处理，即可得到轨迹预测值。

5.根据权利要求4所述的一种基于注意力机制的双向GRU轨迹预测方法，其特征在于，所述步骤S41中归一化处理的计算过程为：

其中，x'_i为归一化处理值，x_i为输入的样本数据，x_max为输入样本数据中的最大值，x_min为输入样本数据中的最小值。

6.根据权利要求4所述的一种基于注意力机制的双向GRU轨迹预测方法，其特征在于，所述步骤S42具体包括以下步骤：

S421、对WOA算法中的参数进行初始化；

S422、将个体值赋值给双向GRU神经网络；

S423、将训练数据输入初始赋值后的双向GRU神经网络，经由前向与后向两个方向单独进行矩阵计算，得到两个方向的隐含层状态。

7.根据权利要求6所述的一种基于注意力机制的双向GRU轨迹预测方法，其特征在于，所述个体值具体为前向和后向传播过程中的各个权重。

8.根据权利要求7所述的一种基于注意力机制的双向GRU轨迹预测方法，其特征在于，所述步骤S44具体包括以下步骤：

S441、根据当前的输入值，利用注意力机制计算损失函数；

S442、判断损失函数输出值是否满足预设条件，若判断为是，则以当前个体值作为最优鲸鱼个体参数，即最优权值，否则执行步骤S443；

S443、判断是否达到预设的迭代次数，若判断为是，则以当前个体值作为最优鲸鱼个体参数，即最优权值，否则迭代更新当前个体值，之后返回步骤S422。