[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

说明书

本发明属于车辆技术领域，具体涉及基于cs‑lstm车辆行为预测的模型优化方法、装置及存储介质，该方法包括，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。其目的是：通过在cs‑lstm模型的基础上，加入随机森林模型，对车辆换道行为进行预测，并加入到cs‑lstm模型编码和后处理中，优化cs‑lstm模型横向行为的预测，提高了预测的准确性。

技术领域

本发明属于车辆技术领域，具体涉及基于cs-lstm车辆行为预测的模型优化方法、装置及存储介质。

背景技术

目前在学术界常用深度学习对车辆轨迹进行预测，这种方法也逐渐应用到汽车工程领域，其中lstm及其变体在对车辆轨迹这种时序特征进行预测时表现出了较为优越的性能，比如cs-lstm网络模型，结合传统的lstm网络和CNN来编码目标车和目标车周车交互信息，进而对目标车未来轨迹进行预测,然而深度学习在进行网络模型训练时需要大量数据，且训练时间较长，而且对于车辆换道的场景，缺少大量较均衡的数据集来对模型进行训练，机器学习中的随机森林可以解决这种均衡数据缺乏的问题。

中国专利：CN111079590A，其公开了一种无人驾驶车辆的周边车辆行为预判方法，该方案中提到一种结合lstm和随机森林的方法，在车辆换道场景中对未来轨迹进行预测是有效的,然而以上方法主要是利用简单的lstm和随机森林结合对车辆换道行为进行预测，然后用曲线拟合的方式生成车辆预测轨迹，这样预测的轨迹质量难以保证。

发明内容

本发明的目的是：旨在提供一种基于cs-lstm车辆行为预测的模型优化方法、装置及存储介质，通过在cs-lstm模型的基础上，加入随机森林模型，对车辆换道行为进行预测，并加入到cs-lstm模型编码和后处理中，优化cs-lstm模型横向行为的预测，提高了预测的准确性。

为实现上述技术目的，本发明采用的技术方案如下：

第一方面，本申请提供了一种基于cs-lstm车辆行为预测的模型优化方法，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。

结合第一方面，在一些可选的实施方式中，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。

结合第一方面，在一些可选的实施方式中，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。

结合第一方面，在一些可选的实施方式中，所述方法还包括，