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！

龙图腾网恭喜浙江工业大学申请的专利一种基于时空交互神经网络的车辆轨迹跟踪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：CN114782489B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202210387072.0，技术领域涉及：G06T7/246；该发明授权一种基于时空交互神经网络的车辆轨迹跟踪方法是由孔祥杰;季展豪;沈国江;刘志;王钧涛设计研发完成，并于2022-04-13向国家知识产权局提交的专利申请。

本一种基于时空交互神经网络的车辆轨迹跟踪方法在说明书摘要公布了：一种基于时空交互神经网络的车辆轨迹跟踪方法，包括：首先预处理传感器数据，将相对坐标转换为地理坐标，并进行聚类得到平均地理坐标点；其次将车辆观测值与跟踪器轨迹匹配，更新跟踪器轨迹记录；然后使用基于时空交互的预测模型对跟踪器的轨迹记录进行单步预测，等待下一轮车辆观测值的匹配；在训练阶段还要使用改进的深度匈牙利网络计算当前预测的跟踪精度，以调整预测模型的参数。本发明能够利用多个传感器的车辆坐标进行共同处理；在考虑车辆时间因素和空间因素的情况下对车辆位置进行预测；借助改进的深度匈牙利网络实现以跟踪精度为指标对预测模型进行端到端训练。

本发明授权一种基于时空交互神经网络的车辆轨迹跟踪方法在权利要求书中公布了：1.一种基于时空交互神经网络的车辆轨迹跟踪方法，其特征在于，包括以下步骤： S1.预处理传感器数据，将相对坐标转换为地理坐标，并聚类得到平均地理坐标点； S2.将车辆观测值与跟踪器预测值匹配，更新跟踪器轨迹记录； S3.使用预测模型对跟踪器的跟踪轨迹进行单步预测，进入下一轮匹配； S4.使用改进的深度匈牙利网络对预测模型进行以跟踪精度为目标的端到端训练； 所述步骤S1具体包含： S1.1.将传感器获得的相对坐标记为其中表示第j个传感器获得的第i个坐标；将其转换为地理坐标的近似值 其中和表示车辆经过转换得到的地理坐标的经纬度；lng0和lat0表示传感器的地理坐标的经纬度，作为坐标原点；R表示地球半径，以米为单位； S1.2.将所有同一路段的传感器经过转换后的地理坐标，以半米为距离，使用基于距离的聚类算法进行聚类，然后取簇内平均值： 其中，表示聚类簇c的簇内地理坐标平均值，作为该聚类簇的代表；是聚类簇c的簇内地理坐标个数；和分别表示聚类簇c内的第i个点的经纬度； S1.3.将路网上所有传感器经过转换后的地理坐标，以半米为距离，使用基于距离的聚类算法进行聚类，采用式3取簇内平均值；最终得到处理完毕的数据坐标点集Pt，表示t时刻处理得到的所有车辆观测值； 所述步骤S2包含如下步骤： S2.1.计算对Pt和跟踪器的预测值计算两两之间的坐标距离： 其中，di,j表示第i个跟踪器在t时刻的预测坐标点和第j个车辆在同一时刻的坐标点之间的距离；D是一个大小的矩阵，表示t时刻跟踪器个数，表示t时刻车辆观测值个数；Di,j表示矩阵中第i行和第j列的数值，当di,j≤1米时取di,j，否则取Inf表示无穷大； S2.2.利用匈牙利算法对D进行计算，得到跟踪器和车辆观测值的最小成本匹配； S2.3.对于有匹配对象的车辆观测值，将其添加到匹配的跟踪器中，作为跟踪器的轨迹记录；对于没有匹配对象的车辆观测值，每有一个观测值则产生一个新跟踪器并将其加入该跟踪器；对于没有匹配对象的跟踪器，将其当前时刻的预测添加到轨迹记录中，若跟踪器的未匹配的连续时间超过阈值ε，则删除该跟踪器； S2.4.对于每个跟踪器，都会储存两个内容，分别是轨迹记录Tri和隐藏状态Hi，其中Hi可以被拆分为四部分，分别是和在初始化阶段，Tri中有一个观测值，而Hi的值被全部设置为0，即 所述步骤S3包含如下步骤： S3.1.对于第i个跟踪器，从轨迹记录中取出最新两个时刻的车辆坐标点，计算其经纬度的相对位移： 其中，和分别表示第i个跟踪器轨迹记录在t-1时刻的车辆坐标点； S3.2.将经纬度的相对位移进行拼接，即为第i个跟踪器所表示车辆在t-1时刻的整体位移将其作为长短期记忆网络的输入： 其中，‖表示拼接操作；L-LSTM是第一个LSTM，被称为本地LSTM，用于编码单个车辆的时间嵌入；和分别表示第i个跟踪器在t时刻对应L-LSTM网络的隐藏状态和细胞状态；Wl和bl分别表示L-LSTM的权重和偏移，被同一时刻的所有车辆共享； S3.3.然后将作为图注意力网络的输入，得到车辆间隐式空间交互的注意力系数： 其中，是t时刻节点j对节点i的注意力系数；·T表示矩阵转置；表示节点i在图上的邻居节点集合；W∈RF′×F是所有节点共享的权重矩阵，用于对每个节点的特征做线性变换，其中F表示的维度，而F′是输出的维度；a∈R2F′是用于计算注意力系数的共享注意力机制；a经过矩阵运算，然后通过激活函数LeackyReLU和Softmax方法被标准化； S3.4.使用注意力系数进行计算，得到第i个跟踪器所表示车辆的空间嵌入 其中，表示对K个空间注意力嵌入进行拼接；σ·表示激活函数，是一个非线性方法；是由第k个注意机制计算的归一化注意力系数，Wk为相应的输入线性变换的权重矩阵； S3.5.将作为第二个长短期网络的输入： 其中，G-LSTM是第二个LSTM，被称为全局LSTM，用于编码受到其它车辆隐式空间影响后的每个车辆的时间嵌入；和分别表示第i个跟踪器在t时刻对应G-LSTM网络的隐藏状态和细胞状态；Wg和bg分别表示G-LSTM的权重和偏移，被同一时刻的所有车辆共享； S3.6.将每个车辆的局部编码和全局编码进行相加，得到每个跟踪器所表示车辆的输出嵌入此时相当于的残差；然后将该输入嵌入作为全连接层的输入，得到最终的结果： 其中，FC·表示全连接层；Wf和bf分别是全连接层的权重和偏移； S3.7.在得到每个跟踪器在t时刻的相对位移预测后，将其与跟踪器在t-1时刻的车辆坐标点相加，得到t时刻的跟踪器的预测值 步骤S4具体包含： S4.1.在训练阶段，首先计算D矩阵： 其中，α是缩放系数，需要将计算结果的数值缩放至[0,0.1]之间，该数值需要针对具体的应用场景进行选择； S4.2.将D作为深度匈牙利模型的输入，得到软分配矩阵该矩阵的大小与输入一致，而数值在[0,1]之间； S4.3.在已知正确匹配的情况下，可以得到D的真阳性矩阵BTP，以及真阳性矩阵在行和列维度上的真阳性一维矩阵Pr和Pc： 其中，表示BTP在第i行第j列的数值，如果第i个跟踪器预测值和第j个车辆观测值是真阳性匹配，那么该值为1，否则为0； S4.3.按照深度匈牙利模型的做法，对分别在列维度上添加一列数据δ作为阈值，然后在行维度上计算Softmax，得到Cr；对在行维度上添加一行数据δ作为阈值，然后在列维度上计算Softmax，得到Cc；对其进一步处理得到改进的假阳性和假阴性 S4.4.按照深度匈牙利模型的做法，可以计算得到表示ID切换错误的然后将这三种错误计算为跟踪指标dMOTA和dMOTP作为损失函数。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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”。