[发明专利]一种基于注意力机制的双向GRU轨迹预测方法

说明书

本发明涉及一种基于注意力机制的双向GRU轨迹预测方法，包括以下步骤：获取原始GPS数据，并对获取的原始GPS数据进行预处理；对预处理后的原始GPS数据进行数据扩充，以得到样本数据；构建基于注意力机制的双向GRU神经网络模型；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；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。与现有技术相比，本发明对双向GRU神经网络两个方向的隐含层状态进行求和处理，使得双向GRU网络可以同时考虑过去和未来的信息，在迭代过程中利用注意力机制分析并选择重要特征，并采用WOA算法优化网络架构进而提高模型的泛化能力，以此有效提高轨迹预测的精度和速度。

技术领域

本发明涉及轨迹预测技术领域，尤其是涉及一种基于注意力机制的双向GRU轨迹预测方法。

背景技术

轨迹预测是通过接收传感器采集的历史轨迹数据，并进行相应处理计算，以对轨迹的下一时刻位置进行预测。传统的轨迹预测算法大多是在原有的数据上直接采用各种方法进行预测，如今则通过各种数据处理方法、不断使得数据适应预测模型的要求，以取得更好的预测效果。

目前的预测方法主要分为两大类：统计性预测，神经网络预测。其中，统计型预测方法由于无法考虑到长时间序列所引发的维度爆炸问题，因此只适用于短时间轨迹序列；神经网络作为一种智能方法，不仅可以解决维度爆炸问题，还在挖掘样本数据的深层规律和预测方面效果显著，比如RNN(Recurrent Neural Network，循环神经网络)作为一种具有反馈功能的神经网络框架，不仅能够充分考虑时间序列的相关性，还可以通过分析历史信息，创建完整的时间序列预测模型，但是RNN容易出现梯度消失及梯度爆炸等问题，而LSTM(long-short term memory，长短期记忆网络)作为一种特殊的RNN模型，则能够有效规避这些问题，实现对历史信息真实有效的提取，但是三个门控循环单元的引入，使得LSTM网络训练速度有所下降，而且LSTM神经网络不能考虑到将来的信息对预测结果的影响。

上述基于神经网络的轨迹预测方法均不能很好地兼顾预测精度以及预测速度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于注意力机制的双向GRU轨迹预测方法，以有效提高轨迹预测的精度和速度。

本发明的目的可以通过以下技术方案来实现：一种基于注意力机制的双向GRU轨迹预测方法，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(Whale OptimizationAlgorithm，鲸鱼优化算法)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。

进一步地，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。

进一步地，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。

进一步地，所述嵌入向量具体为：

E＝{Δδ，Δs，Δv}

Δδ＝δ_i+1-δ_i