[发明专利]基于MATT-GNN的周边车辆轨迹预测方法及系统

权利要求书

1.基于MATT-GNN的周边车辆轨迹预测方法，其特征在于：

构建多注意力谱时空图神经网络：将车辆历史轨迹数据与道路特征相结合，基于LSTM编码器进行编码得到特征，构建每辆车的邻接矩阵；邻接矩阵输入GRU层，构建图G及其相关联的邻接权重矩阵W；把图G作为由n个MT-stem模块组成的MT-stem层的输入，把n个MT-stem模块的输出连接并送到GLU和全连接层，输出训练损失和轨迹预测值，并与图卷积核θ_j后进行求和，获得第j个通道的输出值，连接每个输出通道得到结果Z；最后，通过LSTM解码器进行解码；

将实时采集的周围交通场景车辆信息输入训练后的多注意力谱时空图神经网络，输出被预测车辆的未来轨迹；其中n≥1。

2.根据权利要求1所述的基于MATT-GNN的周边车辆轨迹预测方法，其特征在于，所述MT-stem模块使得周边车辆间的时空特征得到充分提取，具体地：

图G变换成谱矩阵表示，将谱矩阵放入多头注意力Seq2seq模块，将谱矩阵中每个节点的特征张量分量变换到频域，再被送到一维卷积和GLU子层，以捕获特征模式；接着，将获得特征模式的张量放入一个线性变换，再输入到放缩点积注意力，将m次的放缩点积注意力结果进行拼接，再进行一次线性变换，并转换回时域；然后对谱矩阵进行有监督学习，在谱矩阵表示上应用图卷积神经网络，并执行逆运算，最后经输出层输出训练损失和轨迹预测值。

3.根据权利要求1所述的基于MATT-GNN的周边车辆轨迹预测方法，其特征在于，所述图G＝(X₁，W)，其中X₁为车辆历史轨迹数据，W为邻接权重矩阵，且Q和K表示查询、键值，Q＝RW^Q、K＝RW^K，R为隐藏状态向量，W^Q和W^K是可学习参数，d为时间复杂度。

4.根据权利要求2所述的基于MATT-GNN的周边车辆轨迹预测方法，其特征在于，所述第j个通道的输出值为：

其中，GF表示傅立叶变换算子，GF^-1表示傅立叶变换算子逆运算，S表示头注意力Seq2seq模块，θ_ij是指由第i个输入通道和第j个输出通道组成的图卷积核，Λ_i是归一化拉普拉斯算子的特征矩阵，X_i是每个MT-stem模块的输出。

5.根据权利要求1所述的基于MATT-GNN的周边车辆轨迹预测方法，其特征在于，将解码器输出序列Y与时间和天气特征相拟合，具体为：将天气信息表示为分类变量，采用线性层将解码器输出序列Y与时间和天气特征相拟合。

6.根据权利要求2所述的基于MATT-GNN的周边车辆轨迹预测方法，其特征在于，所述对谱矩阵进行有监督学习是基于轨迹正则化模块实现的，对图神经网络的特征输入进行全局池化，并且运用多标签多分类算法进行分类。

7.根据权利要求1所述的基于MATT-GNN的周边车辆轨迹预测方法，其特征在于，所述周围交通场景车辆信息包括：车辆的横纵向坐标信息、横纵向加速度、横纵向速度、车辆长度、车辆宽度和车辆中心点距离车道边界线的横向距离。

8.一种实现权利要求1-7任一项所述的基于MATT-GNN的周边车辆轨迹预测方法的预测系统，其特征在于，包括：

轨迹数据采集模块，用于获取周围交通场景车辆信息；

数据预处理模块，对轨迹数据采集装置所采集的数据进行去噪并进行格式变换；

轨迹预测模块，基于预处理的数据进行周边车辆轨迹预测，得到被预测车辆的未来轨迹。