[发明专利]一种集群车辆运动轨迹预测方法

权利要求书

1.一种集群车辆运动轨迹预测方法，其特征在于，包括以下步骤：

S1、采集不同时段内的车辆轨迹时空信息数据，将车辆轨迹时空信息数据按照时间顺序切分为多个短时片段，并生成每个片段内每辆车的行为数据，得到车辆时序特征数据，以随机划分得到训练集和验证集；

S2、基于循环神经网络和图神经网络，构建车辆轨迹预测模型；

S3、利用训练集对车辆轨迹预测模型进行迭代训练、利用验证集检验车辆轨迹预测模型的预测效果，以得到参数最优的车辆轨迹预测模型；

S4、将待预测场景中的集群车辆历史轨迹时空信息数据输入参数最优的车辆轨迹预测模型，输出得到对应的集群车辆轨迹预测结果。

2.根据权利要求1所述的一种集群车辆运动轨迹预测方法，其特征在于，所述车辆轨迹时空信息数据包括车辆的时间信息以及车辆之间的空间信息，所述时间信息具体为集群中每辆车在过去时间段内运行的轨迹特征信息，所述轨迹特征信息包括位置、速度、加速度、车辆长度、车辆宽度和车辆类别信息；

所述车辆之间的空间信息为在过去时间段内车辆集群中车辆之间的相互位置信息。

3.根据权利要求2所述的一种集群车辆运动轨迹预测方法，其特征在于，所述步骤S1具体包括以下步骤：

S11、选取道路路段，逐帧采集设定时间段内通过该路段的所有车辆的特征信息，其中，车辆的特征信息包括帧序号、车辆序号、车辆位置、车辆长度、车辆宽度、车辆类型、车辆所处车道序号；

S12、将车辆位置转换为以道路为平面的二维鸟瞰坐标，以得到经过路段内所有车辆的轨迹时空信息数据；

S13、将车辆轨迹时空信息数据按照时间顺序切分为多个短时片段，并生成每个片段内每辆车的行为数据，得到车辆时序特征数据；

S14、将车辆时序特征数据随机划分得到训练集和验证集。

4.根据权利要求3所述的一种集群车辆运动轨迹预测方法，其特征在于，所述步骤S13中将车辆轨迹时空信息数据按照时间顺序切分为多个短时片段的具体过程为：给定采样长度T_Sample和采样间隔T_Interval；

遍历长序列的每一帧t₀，将编号t∈[t₀,t₀+T_Sample]，同时t mod T_Interval＝0的帧中所有车辆的轨迹特征信息抽取出来，构成一个短时片段，并按出现顺序对每辆车重新赋予一个序号；

短时片段中，各帧内出现的车辆可能是不同的，因此将该片段所有帧中的车辆取并集，车辆未出现的帧对应数据部分填充0。

5.根据权利要求1所述的一种集群车辆运动轨迹预测方法，其特征在于，所述步骤S2中构建的车辆轨迹预测模型包括编码层、行为推演层和解码层，所述车辆轨迹预测模型的输入为某个场景中所有车辆轨迹数据的集合Traj_history，通过编码层获取其时空信息；

行为推演层使用编码后的信息预测每辆车的行为；

根据编码层和行为推演层的输出，解码层预测输出所有车辆的轨迹Traj_pred。

6.根据权利要求5所述的一种集群车辆运动轨迹预测方法，其特征在于，所述编码层和解码层均采用动态图卷积门控神经单元构成的门控动态图卷积层；

所述行为推演层采用全连接层。