[发明专利]一种基于长短记忆网络的多重车辆轨迹预测方法

权利要求书

1.一种多重车辆轨迹预测方法，其特征在于，包括如下步骤：

步骤0、对一段设定时间S1内主车的位置、主车所在车道、主车与前车距离、主车周围邻车的位置进行采样，得到一条历史数据；对时间段S1之后的设定时间段S2内主车周围邻车的位置进行采样，得到预测数据，作为训练神经网络时历史数据的标签；历史数据与对应标签构成一条训练数据；

以此类推，获得多条训练数据；

步骤1、构建以深层长短记忆网络为基本单位的多个编码器，以及以深层长短记忆网络为基本单位的多个解码器，由此形成神经网络；

步骤2、在步骤0获得的训练数据中，随机挑选设定数目的训练数据，将每条训练数据按照时间的顺序依次送入一个编码器当中；编码器经过编码，将输入的数据转化为编码向量，然后将编码的向量送入所述解码器当中，其中，编码向量作为解码器的初始隐藏状态；所述解码器输出时间段S2内各采样时刻的邻车位置的预测值；

步骤3、将步骤2中解码器输出的预测值输入到全连接层网络，映射成特征数据；将特征数据送入混合密度网络中，通过训练，输出6组描述当前时刻t_i的前一时刻t_i-1时刻高斯分布的参数其中，上角标(j)表示车辆的标号，k表示高斯分布的序号，下角标代表时间；表示第k组高斯分布的参数中用于加权的系数，分别代表第k组高斯分布的参数中描述x方向和y方向位置均值的物理量，代表x方向和y方向的标准差，代表第k组高斯分布的参数中关联x方向和y方向的相关系数；

步骤4、对步骤3中输出的权重取指数后进行归一化计算，得到更新后权重；对步骤3中输出的标准差取指数计算结果，将相关系数取双曲正切函数计算后的数值，然后再代入到公式(1)中，计算出(j)车辆在t_i时刻所在位置的概率：

其中，表示用于拟合车辆位置的第k个高斯分布；

步骤5、计算解码器输出的位置预测值与标签之间的均方根误差，记为F₁；

基于每辆车每一采样时刻的概率结果，得到所有邻车的各采样时刻概率和值，再求所有采样时刻的概率和，最后对该和值求负对数，得到F₂；

将神经网络参数的正则化项取平方和，得到F₃；

神经网络最终的损失函数如下式所示：

步骤6、基于步骤5计算得到的最终的损失函数，采用Adam梯度下降法，更新各参数，即：损失函数对神经网络各参数分布求梯度，再基于梯度值更新各参数，基于更新后参数返回步骤2继续迭代，直到损失函数变化率低于设定阈值，停止迭代；

步骤7、利用当前更新后参数的神经网络，预测邻车的位置。

2.如权利要求1所述的一种多重车辆轨迹预测方法，其特征在于，所述邻车数量为6个以内。

3.如权利要求1所述的一种多重车辆轨迹预测方法，其特征在于，所述邻车位置，包括x方向位置信息和y方向速度信息。

4.如权利要求1所述的一种多重车辆轨迹预测方法，其特征在于，所述时间段S1为50S；时间段S2为小于30S。

5.如权利要求4所述的一种多重车辆轨迹预测方法，其特征在于，采样的频率为10Hz。