(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111474976.9 (22)申请日 2021.12.0 3 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 赵聪　杜豫川　宋安迪　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 代理人 叶敏华 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/30(2012.01) G06V 20/54(2022.01)G06V 10/774(2022.01) (54)发明名称 一种集群车辆运动轨 迹预测方法 (57)摘要 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。 权利要求书2页 说明书8页 附图3页 CN 114372503 A 2022.04.19 CN 114372503 A 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TSample和采样间隔TInterval； 遍历长序列的每一帧t0， 将编号t∈[t0,t0+TSample]， 同时t mod TInterval＝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Trajhistory， 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Trajpred。 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；权　利　要　求　书 1/2 页 2 CN 114372503 A 2所述行为推演层采用全连接层。 7.根据权利要求6所述的一种集群车辆运动轨迹预测方法， 其特征在于， 所述动态图卷 积门控神经单元具体是一种同时使用了多头注意力动态邻接阵、 图卷积和循环神经网络的 神经网络， 用于学习动态时空依赖关系， 该网络将数据输入DyGCGRU单元， 使用多头注意力 动态邻接矩阵获得车辆之间的注意力系 数， 同时将两个全连接层替换为图卷积层、 合并生 成重置门和更新门的卷积 操作， 卷积的邻接矩阵即为注意力系数构成的矩阵； 所述多头注意力动态邻接矩阵是一种通过多个车辆的特征信息生成车辆之间的注意 力系数的神经网络， 该网络将 输入数据通过全 连接层进行嵌入， 再采用dot  score方法进 行 关系评分， 并基于自偏置矫 正获取车辆与自身的关系， 通过多头融合方法获得多头信息 。 8.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， 所述车辆轨迹 数据的集 合Trajhistory具体为： Trajhistory＝[X(1),X(2),X(3),…,X(t),…,X(L)] 其中， X(t)为t时刻所有车辆的瞬时轨迹数据集合， 为序号为n的车辆在 t时刻的瞬 时 轨迹数据， L 为集群车辆 轨迹数据的帧长， N 为集群车辆的数量。 9.根据权利要求8所述的一种集群车辆运动轨迹预测方法， 其特征在于， 所述解码层预 测输出所有车辆的轨 迹Trajpred具体为： 其中， 为t时刻所有车辆的瞬时位置数据集合， 为序号为n的车辆在t时刻的瞬 时位置数据， H为需要预测的时间长度。 10.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， 所述步骤S3 中迭代训练的具体过程为： 随机抽取训练集的车辆时序特征数据输入车辆轨迹预测模型中 进行推理， 计算损失函数并进 行反向传播， 其中， 训练的损失函数为轨迹预测损失和行为分 类损失之和， 如此迭代训练得到参数最优的车辆 轨迹预测模型。权　利　要　求　书 2/2 页 3 CN 114372503 A 3