[发明专利]基于运动不确定性扩散模型的车辆轨迹预测方法及系统

说明书

本发明公开了基于运动不确定性扩散模型的车辆轨迹预测方法及系统，方法包括：获取训练车辆的真实轨迹；对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；根据去高斯噪声算法构建得到运动不确定性扩散模型；当需要对待预测车辆进行轨迹预测时，获取待预测车辆的已知轨迹特征；基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹。使得车辆轨迹预测的结果能够兼顾多样性和准确性。

技术领域

本发明属于智能交通和预测领域，尤其涉及基于运动不确定性扩散模型的车辆轨迹预测方法及系统。

背景技术

随着汽车数量特别是私家车数量的不断增加，使得交通拥堵或交通事故越来越频发。与此同时，科技的发展推动着自动驾驶等领域的兴起。自动驾驶的汽车同样避免不了交通问题，为了能够更好地对自动驾驶的技术进行研究，国内外很多研究人员开始着手于车辆的轨迹预测。其中，数量最为庞大的车辆就是私家车，研究私家车的轨迹预测能够最大程度上地得出车辆行驶的习惯和特性。

在交通出行领域，移动设备GPS以及系统信息采集能力不断提高，越来越多的时空轨迹数据被采集。海量的轨迹数据为了解人类移动模式提供了前所未有的信息，激发了各种应用的轨迹挖掘任务，如个性化出行推荐，智能交通管理等。

对于车辆轨迹研究问题主要的挑战在于轨迹预测是一个概率问题，预测结果不一定准确。并且当前对于车辆轨迹预测的研究主要是在长期轨迹预测，长期轨迹预测基于运动模型，同时结合意图预测和一些上下文信息。输出也有多种不同的形式，比如输出轨迹的概率分布、输出多条预测轨迹，输出一条可能性最大的轨迹等。

目前关于车辆轨迹预测的一些比较通用的算法主要有用于意图预测的模糊理论、static BNs、DBN等，以及深度学习相关的CNN、LSTM、RNN、Attention及其衍生方法。由于移动性数据具有高维性、稀疏性等特点，深度挖掘移动轨迹并提取隐含信息一直是具有挑战性的问题，使得车辆轨迹预测的结果不能兼顾多样性和准确性。

发明内容

本发明提供了基于运动不确定性扩散模型的车辆轨迹预测方法及系统，充分利用热力学的扩散不确定性的自然模型，解决了同样具有不确定性的轨迹预测问题，通过向轨迹中添加高斯噪声的分布，把真实轨迹破坏为具有高斯不确定性的轨迹分布，增加了预测轨迹多样性，再利用训练出的运动不确定性扩散模型来增加预测轨迹的准确性。

为了解决上述技术问题，本发明所采用的技术方案是：

第一方面，提供一种基于运动不确定性扩散模型的车辆轨迹预测方法，包括：

获取训练车辆的真实轨迹；

对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；

基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；

根据去高斯噪声算法构建得到运动不确定性扩散模型；

当需要对待预测车辆进行轨迹预测时，获取待预测车辆的已知轨迹特征；

基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹。

可选的，获取训练车辆的真实轨迹，包括：

获取训练车辆在历史时间段内的采样点信息st_i＝(l_i，t_i)，i为大于等于1的正整数，表示第i个采样点，l_i表示第i个采样点的经纬度位置信息，t_i表示第i个采样点的时间信息；

根据所有采样点信息得到真实轨迹Tr＝{st₁，st₂，...，st_n}，n为大于2的正整数。