[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

说明书

本发明公开了一种基于LSTM和时空注意力机制的车辆轨迹预测方法，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，首先对路网进行栅格化处理，并划分输入到LSTM编码模块中的历史轨迹数据段，然后提取车辆自身移动特征和全局空间特征，LSTM编码模块和LSTM解码模块主要用于实现对历史时间内的特征向量进行学习，并预测车辆未来一段时间的轨迹。本发明基于LSTM和时空注意力机制进行车辆轨迹预测，能够提取车辆移动中的局部和全局特征，尽可能真实的模拟车辆在路网环境中的移动情况，提高了车辆轨迹预测的准确性。

技术领域

本发明涉及深度学习处理时序数据、LSTM和注意力机制的技术领域，尤其是指一种基于LSTM和时空注意力机制的车辆轨迹预测方法。

背景技术

近年来，随着移动智能设备和互联网技术的发展，生成了大量移动实体时空信息的轨迹数据，传统的方法，如HMM和概率统计等模型，在轨迹预测中存在无法捕捉到序列的长期的依赖关系和用户移动的语义情况的缺点。而随着深度神经网络的表达和学习能力日益增强，其在轨迹预测领域中也取到了广泛的应用，尤其是RNN(Recurrent NeuralNetwork，循环神经网络)的变种之一LSTM(Long Short-Term Memory Network，长短期记忆神经网络)。它不仅解决了传统方法的弊端，同时也提升了模型的预测效果。但是此类方法大都只考虑到了轨迹的时序性特征，而忽略或未能很好的捕捉到空间性特征和车辆间交互影响的特征，因此，模型的性能还有进一步提升的空间。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于LSTM和时空注意力机制的车辆轨迹预测方法，可以提取车辆移动中的局部和全局特征，尽可能真实地模拟车辆在路网环境中的移动情况，提高了车辆轨迹预测的准确性。

为实现上述目的，本发明所提供的技术方案为：一种基于LSTM和时空注意力机制的车辆轨迹预测方法，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；

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；

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；

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。