[发明专利]使用经训练的解码器模型来进行时间序列预测

说明书

本发明涉及一种进行时间序列预测以用于控制和/或监测计算机控制的系统、例如半自主交通工具的计算机实现的预测方法（900）。所述方法使用一个或多个观测状态的时间序列。状态包括多个交互对象的可测量的量的值。基于所述观测状态，例如根据编码器模型来确定所述多个对象的时不变隐特征的值。然后，使用解码器模型来预测至少一个接下来的状态。这涉及应用经训练的图模型以基于对象与其他对象的交互来获得第一预测贡献，以及应用经训练的函数以仅基于关于对象本身的信息来获得第二预测贡献。基于所预测的接下来的状态，生成输出数据以用于控制和/或监测计算机控制的系统。

技术领域

本发明涉及一种计算机实现的预测方法，该预测方法使用解码器模型来进行与计算机控制的系统（诸如，（半）自主交通工具）相关的时间序列预测。本发明进一步涉及一种训练这种解码器模型的计算机实现的训练方法，并且涉及一种使用对应于解码器模型的编码器模型来分析与计算机控制的系统相关的观测结果的计算机实现的分析方法。本发明进一步涉及对应于这些计算机实现方法的系统，并且涉及一种计算机可读介质。

背景技术

在（半）自主驾驶系统中，重要的任务是分析和预测交通工具周围的环境，例如以便在识别出危险的交通情形时自动制动。这特别地涉及预测交通工具环境中的其他交通参与者（例如，其他交通工具、行人、骑自行车者等）的轨迹，该预测基于它们的观测到的先前轨迹。然而，在实践中证明，该预测任务执行起来是复杂的。

涉及随时间彼此交互的多个对象的类似预测任务也在各种其他应用领域中被发现，这些应用领域诸如机器人学（其中对象可以是机器人的组件，例如机器人臂的部分，或机器人在其中操作的环境中的对象，例如其他机器人或人类）；计算机联网（其中对象可以是例如提供相关服务的不同服务器）；功率系统管理（其中对象可以是例如发电厂的各种组件）；制造（其中对象可以是例如不同的联合操作的制造工具、或被组装在一起的组件）；以及流行病（其中对象可以是例如个体疾病携带者、或疾病在其中传播的区域）。

关于涉及真实世界数据的许多其他复杂任务，机器学习是用于解决这些预测问题的一种有前景的技术。使用机器学习，可以将模型训练成：基于先前的观测结果来对交互对象的轨迹进行时间序列预测。实际上，这种数据驱动的方法证明比手动设计预测算法（例如，基于物理等式的显式系统）要可行得多。尽管如此，要获得一种对于真实世界应用而言足够准确的预测算法仍然是非常具有挑战性的。

在T.Kipf等人的“Neural Relational Inference for Interacting Systems”（可在https://arxiv.org/abs/1802.046877获得并且通过引用并入本文）中，提出了一种无监督模型，该模型学习推断交互系统中的交互，而同时纯粹地从观测数据来学习该系统的动力学（dynamics）。该模型是由两个联合训练的部分组成的变分自动编码器，这两个部分是：编码器，其在给定轨迹的情况下导出交互；以及解码器，其在给定交互的情况下预测轨迹。该交互由交互图（interaction graph）来表示，该交互图具有表示交互对象的节点。编码器学习每个边的离散边类型（discrete edge type），该离散边类型表示由该边所连接的两个对象之间的交互的类型。解码器使用这些边类型以使用图神经网络来预测轨迹。该模型被训练成同时学习预测边类型并且以无监督方式来学习动态预测模型。

发明内容

如本发明人所认识到的，不幸的是，用于预测交互对象的轨迹的现有方法存在许多问题。一般而言，在许多实际情形下，现有技术所给出的预测不够准确。因此，例如，危险的交通情形可能仍然未被检测到，或者，在另一方面，正常的交通情形可能被不合理地检测为危险。本发明人认识到，这种情况的原因之一是未能充分地考虑对预测机制的全局或环境影响，例如不依赖于对象之间的关系而是个体地适用于（hold for）对象的机制。

相关问题是，现有技术允许导出关于交互对象之间的关系的信息，但是却没有对象本身的信息。例如，关于对象本身的这种信息对于各种下游任务是有用的，例如需要关于附近交通参与者的信息的自主交通工具中的各种任务。