Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于长短记忆网络的双向交互车辆的轨迹预测方法 

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!

申请/专利权人:吉林大学

摘要:本发明提供了一种基于长短记忆网络的双向交互车辆的轨迹预测方法,包括:S1、确定被预测车辆与其周围车辆的历史轨迹信息;S2、将被预测车辆与其周围车辆的历史轨迹信息分别送入以长短记忆网络为基本单位的多个编码器中,经过编码得到各车辆的上下文向量;S3、给上下文向量做位置编码,得到含有位置信息的向量;S4、把S3得到的向量送入自注意力网络中得到S5、把作为自注意力子网络的输入,得到被预测车辆与周围车辆之间的交互权重,然后加权得到被预测车辆最终的编码向量;S6、将最终的编码向量解码得到被预测车辆未来轨迹的预测值。本发明解决了现有的方法没能考虑真实的交通场景,准确率较低的问题。

主权项:1.一种基于长短记忆网络的双向交互车辆的轨迹预测方法,其特征在于,包括如下步骤:S1、确定被预测车辆与其周围车辆的历史轨迹信息;S2、将被预测车辆与其周围车辆的历史轨迹信息分别送入以长短记忆网络为基本单位的多个编码器中,编码器经过编码得到各车辆的上下文向量其中,i=1时i代表被预测车辆,i≠1时i代表周围车辆;S3、给上下文向量做位置编码,得到含有位置信息的向量S4、把送入自注意力网络中得到各自对应的向量S5、再把作为一个自注意力子网络的输入,得到被预测车辆与周围车辆两两之间的交互权重,然后经过加权得到被预测车辆最终的编码向量S6、将最终的编码向量输入解码器解码得到被预测车辆的未来轨迹的预测值;所述S2中长短记忆网络的工作过程为:长短记忆网络中t时刻的输入是上一时刻的输出值ht-1和本时刻的输入值xt,xt指步骤S1中的历史轨迹信息,由ht-1和xt先进入遗忘门,得到ft后;再进入输入门,得到it以及最后进入输出门,得到输出门的状态值ot,由遗忘门、输入门、输出门的输出值ft、it、ot进行组合,分别得到长记忆Ct和短记忆ht的信息,以第i个车辆的长记忆Ct作为上下文向量;其中ft决定要舍弃的历史轨迹特征,代表当前时刻的轨迹特征,it决定当前时刻的哪些轨迹特征要加入到历史轨迹特征中;所述遗忘门、输入门、输出门的向量表示如下:遗忘门:ft=σWf·[ht-1,xt]+bf;输入门:it=σWi·[ht-1,xt]+bi; 输出门:ot=σWo·[ht-1,xt]+bo;所述长记忆网络和短记忆网络的向量表示如下:长记忆网络: 短记忆网络:ht=ot*tanhCt;其中:Wf、Wi、Wo分别是遗忘门、输入门、输出门的权重矩阵;bf、bi、bo分别是遗忘门、输入门、输出门的偏置项;σ是sigmoid激活函数;tanh是激活函数;WC为细胞状态的权重矩阵,bC为细胞状态的偏置项;Ct-1表示上一时刻的长记忆的信息;所述S3的具体步骤是:S31、先得到位置向量:使用一个原点固定在被预测车辆上的局部参考系,原点位置的车辆表示被预测车辆,其余代表其周围车辆;y轴指向车辆的前进方向,x轴是与前进方向垂直的方向;车辆的位置向量:ei={Δx、Δy};其中:i=1时代表被预测车辆,i≠1时代表周围车辆;Δx、Δy是在历史轨迹的最后时刻第i个周围车辆与被预测车辆间的横向相对距离、纵向相对距离;S32、分别将位置向量ei和上下文向量直接拼接起来,得到含有位置信息的向量所述S4中自注意力网络中输入的序列输出的序列具体的计算步骤为:S41、计算三个矩阵:查询向量Q、键向量K、值向量VQ=WQ*XK=WK*XV=WV*X其中,WQ、WK、WV是各矩阵在各自训练过程中得到的参数,Q=[q1,q2,…qi,…qn],K=[k1,k2,…ki,…kn],V=[v1,v2,…vi,…vn],qi,ki,vi分别是对应输入的序列X中第i个车辆的的查询向量、键向量、值向量;S42、计算注意力权重 其中,Dk表示Q的维度;j是用于解释计算过程的角标,j∈[1,n];i∈[1,n],i=1时代表被预测车辆,i≠1时代表周围车辆;kj表示第j个车辆的的键向量;S43、计算输出的向量 其中,vj表示第j个车辆的的值向量。

全文数据:

权利要求:

百度查询: 吉林大学 一种基于长短记忆网络的双向交互车辆的轨迹预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。