买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利一种基于物理信息深度学习的车辆换道轨迹预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118665507B 。

龙图腾网通过国家知识产权局官网在2025-11-07发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410814875.9，技术领域涉及：B60W50/00；该发明授权一种基于物理信息深度学习的车辆换道轨迹预测方法是由任明仑;李茜茜;吴淑慧;陈能英;罗力嘉;李余平;陈子萱;徐鸿蒙设计研发完成，并于2024-06-24向国家知识产权局提交的专利申请。

本一种基于物理信息深度学习的车辆换道轨迹预测方法在说明书摘要公布了：本发明涉及一种基于物理信息深度学习的车辆换道轨迹预测方法，包括如下步骤：S1：构建数据集，并将数据集划分为训练集、验证集和测试集，从训练集中提取观测状态和搭配状态Ij，并从验证集中提取观测状态S2：构建物理预测模型，并与Attention‑TCN模型组成物理信息深度学习模型，并进行训练，计算损失函数和验证集上的损失，并比较验证集上的损失与最优损失值以及损失函数之间的大小，来选择性对Attention‑TCN模型的参数和物理预测模型的参数进行更新；S3：利用训练后的物理信息深度学习模型进行测试实验，对比不同的换道轨迹预测模型的预测性能。通过将构建的物理预测模型与Attention‑TCN模型结合组成物理信息深度学习模型，提高了换道轨迹预测的可解释性和可描述性。

本发明授权一种基于物理信息深度学习的车辆换道轨迹预测方法在权利要求书中公布了：1.一种基于物理信息深度学习的车辆换道轨迹预测方法，其特征在于， 其包括：如下步骤： S1：利用公开的轨迹数据集构建数据集，并将数据集划分为训练集、验证集和测试集，从训练集中提取观测状态和搭配状态，并从验证集中提取观测状态；观测状态是指被输入到Attention-TCN模型中的输入状态，搭配状态是指被输入到物理预测模型中的输入状态； S2：构建物理预测模型，并与Attention-TCN模型组成物理信息深度学习模型，并利用构建的数据集对所述物理信息深度学习模型进行训练，以得到训练后的物理信息深度学习模型，具体训练步骤如下： S21：初始化参数、、α、Nepoch和best_Loss；令epoch=Nepoch； 其中，是Attention-TCN模型的参数，是物理预测模型的参数，α是权重参数，Nepoch是训练次数，best_Loss是最优的损失值； S22：令epoch=epoch-1； S23：将观测状态输入到Attention-TCN模型中得到对应的预测轨迹坐标，将搭配状态分别输入到Attention-TCN模型和物理预测模型中，分别得到对应的预测轨迹坐标和； S24：计算损失函数； S25：将验证集中的观测状态输入到Attention-TCN模型中得到对应的预测轨迹坐标值，并从验证集中提取与观测状态对应的观测轨迹坐标，计算预测轨迹坐标值与观测轨迹坐标的均方误差，得到验证集上的损失； S26：判断验证集上的损失与损失函数，以及与best_Loss之间的大小； 若：且，则保存参数和，并令； 否则，则对参数和进行更新； S27：若epoch0，则转到步骤S22；若epoch＝0，则停止循环； S3：利用训练后的物理信息深度学习模型进行测试实验，对比不同的换道轨迹预测模型的预测性能； 其中，损失函数的表达式为： 上式中：MSEdat为描述观测轨迹坐标和预测轨迹坐标之间数据误差的均方根误差；MSEphy为描述预测轨迹坐标与预测轨迹坐标之间数据误差的均方根误差；是训练集中与观测状态对应的观测轨迹坐标，α是权重参数平衡MSEdat和MSEphy的权重,、、和分别为、、和在t时刻的值；NO和NC分别是观测数据和搭配数据的数量；L为预测时间步长；p为预测目标车辆时刻； 所述Attention-TCN模型利用TCN作为换道轨迹特征的提取器，并且借助时间注意力机制和空间注意力机制捕捉不同时间和空间下的车辆动态交互信息。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。