[发明专利]一种改进型高斯混合模型的车辆运动轨迹预测方法和系统

说明书

一种改进型高斯混合模型的车辆运动轨迹预测方法和系统，该方法通过分析车辆历史移动规律特性，提出一种针对不同运动模式车辆移动轨迹预测的方法，利用高斯模型对不同运动模式的车辆轨迹预测进行建模，利用高斯回归预测未来时刻车辆最可能的运动轨迹；优势在于，计算结果不仅是对不同运动模式车辆运动行为进行预测，更是对未来时刻所有车辆可能的运动轨迹的概率分布。大量真实轨迹数据集上的实验表明：本方案所述方法的预测精度比高斯回归预测和卡尔曼滤波预测精度更高，且预测时间更短。

技术领域

本发明属于计算机技术领域，特别涉及一种改进型高斯混合模型的车辆运动轨迹预测方法和系统。

背景技术

随着无线通信技术的发展，移动自组织网络越来越受到广大用户关注。车载自组织网络(VANETs)作为现代智能交通工具的重要基础之一，是以实现车辆之间的通信交流为目标的移动自组织网络。汽车行驶安全性是汽车工业研究者和开发人员的重要课题之一。准确和可靠的未来车辆轨迹预测算法可以通过提前检测潜在的碰撞并减少车辆碰撞的风险。大多数现有的高级驾驶员辅助系统(ADAS)或典型的车辆碰撞警告系统(CWS)都是通过车辆自身携带的传感器测量而获取信息，例如相机，雷达，LiDAR，acoustic等。车联网会采用智能手机作为存储中介，利用车辆内置的娱乐系统播放智能手机存储的音乐、采用智能手机内的GPS导航地图、显示智能手机内的邮件、短信和时事新闻。而作为存储中介的智能手机存储的软件以及数据信息可以与电脑和云服务器同步。车辆系统能够通过实时下载的方式来播放和显示云服务器信息，调用网络信息资源。车辆信息将实现云服务器和电脑信息的数据同步，甚至实现将信息直接存储在云服务器中。目前，车联网的交流技术已经达到了一定地步，大多数的车辆部署变得越来越变得可能和可行性。一方面部署是等待车辆设计者给汽车内部嵌入DSRC/WAVE。另一方面是，蜂窝系统交流技术，如：GPRS,EDGE,3G andLTE。

车载网络拓扑结构实时动态变化以及节点之间没有稳定的信息传输路径，导致单纯的基于拓扑结构的路由算法已经无法取得理想的路由性能。随着定位技术的发展，基于节点位置信息的路由越来越受到广大研究者的深入研究。在智能交通系统中，精准、实时、可靠的车辆轨迹预测已经成为移动对象数据库研究的热点。准确可靠的车辆轨迹预测可以提高交通安全性，有效地促进城市道路规划。由于车辆运动容易受到环境变化和使用者行为的影响，因此很难准确预测其运动轨迹。

发明内容

本发明的目的是提出一种改进型高斯混合模型的车辆运动轨迹预测方法和系统，该方法主要应用于短距离下的车辆运动轨迹预测。TPVN利用高斯模型对不同运动模式的车辆轨迹预测进行建模，利用高斯回归预测未来时刻车辆最可能的运动轨迹。TPVN算法的优势在于，计算结果不仅是对不同运动模式车辆运动行为进行预测，更是对未来时刻所有车辆可能的运动轨迹的概率分布。

一种改进型高斯混合模型的车辆运动轨迹预测方法，包括：

步骤1：获取车辆历史移动轨迹数据，并构建对应的移动轨迹矢量，并将每条轨迹的轨迹点矢量分别在X轴和Y轴上生成m个相互独立的高斯过程线性组合{X,Y}；

步骤2：基于高斯模型分布分别构建关于{X}和{Y}的简单运动模式的轨迹预测概率模型，进行车辆轨迹预测；

步骤3：基于高斯混合模型分布分别构建关于{X}和{Y}的基于复杂运动模式的轨迹预测概率模型；通过计算联合概率密度p(y,y^*)的统计特性，对复杂运动模式下的车辆运动轨迹对X轴和Y轴上的轨迹点进行预测；

其中，y为历史轨迹，y^*为近似的未来轨迹。

进一步地，每条轨迹的具体表示方法如下：

其中，(x_i,y_i)表示某一条移动轨迹上的一个轨迹点在X轴和Y轴上的矢量，m表示某一条移动轨迹上所包含的轨迹点数量。