[发明专利]基于cs-lstm车辆行为预测的模型优化方法、装置及存储介质

权利要求书

1.基于cs-lstm车辆行为预测的模型优化方法，其特征在于：所述方法包括，

获取实车数据集，根据所述实车数据集获取cs-lstm数据集和RF数据集；

搭建cs-lstm模型和随机森林模型，将所述cs-lstm数据集输入所述cs-lstm模型，得到cs-lstm模型预测结果，将所述RF数据集输入所述随机森林模型，得到随机森林模型预测结果；

将所述随机森林模型预测结果输入所述cs-lstm模型，并进行后处理，对所述cs-lstm模型进行优化。

2.根据权利要求1所述的方法，其特征在于：所述方法还包括，

在获取所述实车数据集时，获取周围所有车辆的特征；

根据所述周围所有车辆的特征，获取目标车历史轨迹特征、邻车历史轨迹特征和车道信息。

3.根据权利要求1或2所述的方法，其特征在于：所述方法还包括，

在搭建所述cs-lstm模型时，将所述cs-lstm模型分为目标车历史信息编码模块、目标车和邻车交互信息编码模块和解码模块；

在搭建所述随机森林模型时，搭建多个决策树，并采用C4.5算法构建所述决策树，每棵所述决策树采用bootstrap采样方法。

4.根据权利要求3所述的方法，其特征在于：所述方法还包括，

通过所述目标车历史信息编码模块对所述目标车历史轨迹特征进行处理，提取目标车的历史位置数据结构tensor，其中，所述目标车历史位置包括纵向位置和横向位置，将所述纵向位置和横向位置输入lstm网络中进行编码；

在所述lstm网络编码时，引入注意力机制，并添加全连接网络接收lstm网络的输出，得到目标车横向行为分类向量和目标车纵向行为分类向量。

5.根据权利要求3所述的方法，其特征在于：所述方法还包括，

通过所述目标车和邻车交互信息编码模块对目标车历史轨迹特征以及邻车历史轨迹特征进行处理，利用CNN编码和邻车交互信息，其中，所述目标车历史轨迹特征为目标车历史位置tensor，所述邻车历史轨迹特征为邻车历史位置tensor；

将CNN对目标车历史位置tensor和邻车历史位置tensor进行编码，再将目标车历史位置tensor编码结果和邻车历史位置tensor编码结果进行拼接；

通过lstm网络进行decode，生成二元高斯分布的轨迹，再通过所述解码模块中的两个softmax层，分别解码出横向行为分类和纵向行为分类，得到目标车未来的预测位置。

6.根据权利要求3所述的方法，其特征在于：所述方法还包括，

在搭建所述决策树时，通过目标车历史横向位置、目标车历史纵向位置、横向行为分类向量和纵向行为分类向量构建训练样本集，其中，所述训练样本集的属性集为A，所述属性集为A的属性为0、1、2，其中，0表示直行，1表示右换道，2表示左换道；

通过所述训练样本集对所述RF数据集和车道信息进行训练，得到随机森林模型预测结果。

7.根据权利要求2所述的方法，其特征在于：所述方法还包括，

在将所述RF数据集输入所述随机森林模型时，通过所述随机森林模型读取RF数据集和车道信息，获取所述随机森林模型分类结果，并生成所述随机森林模型标签。

8.根据权利要求1所述的方法，其特征在于：所述方法还包括，

在将所述随机森林模型预测结果输入所述cs-lstm模型，并进行后处理时，在所述cs-lstm模型的encode阶段，将所述随机森林模型预测结果与所述cs-lstm模型横向行为分类作比较，根据设定的阈值，选择大于阈值的结果作为最终输入到编码器中的结果；

或者，在所述cs-lstm模型的decode之后，将所述随机森林模型预测结果与所述cs-lstm横向行为预测结果作比较，选择大于阈值的结果与所述cs-lstm模型预测的纵向行为一起生成轨迹选择索引值，得到最终的预测轨迹。