[发明专利]一种基于LSTM和时空注意力机制的车辆轨迹预测方法

权利要求书

1.一种基于LSTM和时空注意力机制的车辆轨迹预测方法，其特征在于，该方法是基于LSTM编码模块、LSTM解码模块、空间注意力机制和时序注意力机制进行车辆轨迹的精准预测，其包括以下步骤：

1)预处理车辆原始轨迹数据集，包括将对应的路网进行栅格化处理，然后将轨迹的位置点映射到对应的栅格内，并划分输入到LSTM编码模块的车辆历史轨迹数据段；

车辆原始轨迹数据集中的任意一条轨迹Traj表示为：Traj＝{vehicle_id,(p₁,p₂...,p_n)},其中vehicle_id为轨迹所属车辆的标识，p_i＝{x_i,y_i,t_i,v_i,a_i,lane_id}为构成轨迹的采样位置点，表示车辆在t_i时刻的路网位置为(x_i,y_i)，速度和加速度分别为v_i和a_i，i＝1,2,…,n，所属车道lane_id；由于采样位置点是一个精确的位置点，考虑到目标车辆自身的长度和宽度，为p_i添加一个属性cell_id，其中begin表示路网的起始位置，average_car_length表示车辆的平均长度；划分得到输入LSTM编码模块的车辆历史轨迹数据段Hist_Traj，t_obs为车辆历史轨迹数据段的长度；

2)提取车辆历史轨迹数据段的每个采样时刻的特征信息，包括提取车辆的移动特征和局部空间特征，并利用空间注意力机制捕捉车辆的全局空间特征；

分别从以下各维度提取目标车辆的特征信息：

将位置(x_i,y_i)转换为一个高维向量表示，即它的局部空间特征其中是一个激活函数为Leaky_Relu()函数的全连接神经网络，表示该网络的参数，R表示实数空间，D₁为特征空间的维度；

在实际的路网环境中，车辆在移动过程中是受到其周围车辆的影响，为了有效地捕捉邻居车辆对目标车辆的影响，这里使用空间注意力机制来计算不同车辆对目标车辆的影响权重系数α_ij，其中表示一个单向的前馈神经网络的权重参数，||表示连接操作，σ是一个非线性的Leaky_Relu()函数，N表示目标车辆邻居车辆的个数，i，j分别表示车辆i和j；最后，使用线性组合计算出目标车辆该时刻的全局空间特征e_g，其中Ω是一个非线性的Relu()函数；

此外，考虑到车辆的速度变化情况对其行驶的影响，根据车辆自身的速度和加速度提取其移动特征e_move，e_move＝Λ(v_i,a_i；W_move)，Λ也是一个激活函数为Leaky_Relu()函数的全连接神经网络，表示该网络的参数，D₂为移动特征空间的维度；

3)将每个采样时刻的特征信息连接起来作为LSTM编码模块的输入，LSTM编码模块对输入的特征进行编码，然后利用时序注意力机制计算LSTM编码模块不同时刻的输出对预测未来轨迹的影响权重，包括以下步骤：

3.1)将步骤2)中捕捉到的移动特征和全局空间特征连接起来，得到融合特征向量z，它表示任一采样时刻的融合特征向量，其中||表示连接操作，e_g为全局空间特征，e_move为移动特征，R表示实数空间；然后将历史时间对应的融合特征向量输入到LSTM编码模块中，t_obs为车辆历史轨迹数据段的长度；

3.2)在LSTM编码模块中，此时对于目标车辆i而言，有表示LSTM编码模块在时刻t的隐藏状态向量，是LSTM编码模块的参数，d_enc表示LSTM编码模块维度；每一个LSTM编码模块共享相同的参数W_enc；

3.3)使用时序注意力机制计算LSTM编码模块的输出状态序列对预测未来轨迹的影响情况，即其中表示车辆i的编码模块的输出状态向量和LSTM解码模块的隐藏状态向量的相关性，u、W₁和W₂为权重参数，uT表示u的转置，tanh为激活函数，表示LSTM解码模块t′时刻的隐藏状态向量，为LSTM编码模块在第k时刻的输出状态向量，且t′＝t_obs+1,t_obs+2，....,t_obs+t_pred,t_pred表示未来轨迹的长度，k＝1,2，...,t_obs；此时，能够计算出权重系数表示LSTM解码模块的输出状态向量在t′时刻对LSTM解码模块预测轨迹下一个位置点的影响权重，最后计算得到表示车辆i在t′时刻输入到LSTM解码模块的上下文向量；

4)将LSTM编码模块的输出和权重系数线性融合作为LSTM解码模块的输入，LSTM解码模块进行解码输出，最后将LSTM解码模块的输出向量序列输入到预测层，映射为预测位置点构成未来轨迹数据段。

2.根据权利要求1所述的一种LSTM和时空注意力机制的车辆轨迹预测方法，其特征在于，在步骤4)中，LSTM解码模块中，此时对于目标车辆i而言，t′＝t_obs+1,t_obs+2，....,t_obs+t_pred，t_obs为车辆历史轨迹数据段的长度，t_pred表示未来轨迹的长度，表示LSTM解码模块在t′时刻的隐藏状态向量，表示LSTM解码模块在t′-1时刻的隐藏状态向量，表示车辆i在t′时刻输入到LSTM解码模块的上下文向量，是LSTM解码模块的参数，R表示实数空间，d_dec表示LSTM解码模块的维度；将LSTM解码模块的输出作为预测层的输入，即该时刻的预测位置点其中Γ是一个激活函数为非线性函数Leaky_Relu()函数的全连接神经网络，是预测层神经网络的参数；预测层输出的每个时刻的预测位置点组成了车辆预测的未来轨迹。