[发明专利]一种集群车辆运动轨迹预测方法

说明书

本发明涉及一种集群车辆运动轨迹预测方法，包括：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，随机划分得到训练集和验证集；基于循环神经网络和图神经网络，构建车辆轨迹预测模型；利用训练集对模型进行迭代训练、利用验证集检验模型的预测效果，以得到参数最优的车辆轨迹预测模型；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模型，输出得到对应的集群车辆轨迹预测结果。与现有技术相比，本发明从动态表征车辆交互的角度进行改进，能够更准确描述车辆集群行为，提升集群车辆运动轨迹预测的准确性和稳定性。

技术领域

本发明涉及交通信息处理技术领域，尤其是涉及一种集群车辆运动轨迹预测方法。

背景技术

近年来，随着定位设备和视频捕捉设备的广泛应用，时空轨迹的获取正变得越来越便捷，其中，典型的时空轨迹数据主要包括车载或移动设备产生的定位数据、路侧监控设备捕捉到的车流数据。当车道路段一定范围内存在多辆车时，它们的时空轨迹数据就构成了集群轨迹，在自动驾驶、车路协同、城市规划等领域，这些集群轨迹数据蕴含着巨大的价值。

在繁忙时段的高速公路环境中，车辆是运动的主体，而车辆又总是以集群的形式出现。集群中的每一辆车都需要根据其他车辆的位置、速度、大小等信息规划自身路径，车辆的行为也将对其它车辆造成影响。对于每个运动主体而言，需要通过对集群中车辆未来一段时间的运动轨迹进行预测，以时刻保持安全距离、消除交通安全风险。因此，集群车辆运动轨迹预测的准确性，对于运动主体的决策系统至关重要，也是动态交通系统全要素数字化的基础。

车辆集群轨迹预测问题是一项复杂的时空序列推演任务，时空序列是一种特殊的时间序列，它指的是观测的对象的空间位置随时间变化得到的时间序列。不仅每个车辆自身的运动习惯有着天然差异，而且在集群环境中还存在车与车的交互，个体的运动模式会受到整个集群隐含的影响。目前，深度学习是一种常用的针对复杂任务的自动数据分析方法，通过深度学习从数据样本角度对集群轨迹内复杂交互的内在规律进行学习是一种可行的方案，从深度学习的角度来看，集群轨迹预测的主要难点有：动态性、时间相关性、局部交互性、推演多样性。

现有技术中，集群轨迹预测的相关研究有以社会力量(Social Force,SF)模型为代表的传统模型和基于机器学习的时空序列推演模型。其中，基于机器学习的CS-LSTM、STGCN、DCRNN等方法对时间信息和空间信息进行了聚合，应用广泛且实用性强，但这些方法将有序的时间信息混淆为一组无序的特征向量，在此基础上进行的空间信息聚合，都没有考虑对空间交互信息的动态性进行建模，导致在微观场景下的推演准确率有待提升；另一方面，以CS-LSTM为代表的车辆轨迹推演模型没有平等看待场景中每一辆车的运动，导致对局部交互的描述不足。尤其在繁忙的高速路环境下，以上均会导致预测效果不佳、预测稳定性较差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种集群车辆运动轨迹预测方法，以能够准确、稳定地预测集群车辆运动轨迹。

本发明的目的可以通过以下技术方案来实现：一种集群车辆运动轨迹预测方法，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。