[发明专利]一种车辆轨迹预测及驾驶行为分析方法

权利要求书

1.一种车辆轨迹预测及驾驶行为分析方法，其特征在于，包括以下步骤：

步骤1：一种图卷积神经网络模型的输入数据处理算法：包括描述驾驶场景所有车辆的历史轨迹、描述交互特征的图模型邻接矩阵以及一种半全局图数据生成算法；输入数据具体定义如下：

(1)被预测驾驶场景所有车辆的历史轨迹与预测轨迹：

驾驶场景的车辆历史轨迹由τ个历史时间步的车辆轨迹数据组成：

其中每个时间步的轨迹数据为其由驾驶场景中的n辆车的局部坐标x,y组成；

驾驶场景的预测轨迹由T个预测时间步的轨迹数据组成：每个时间步的轨迹数据格式与历史轨迹数据相同；轨迹预测的问题形式化表示为：

(2)描述节点关系的邻接矩阵：

用无向图G＝{V,E}描述驾驶场景，节点集合V中的每个节点代表驾驶场景中的每辆车，考虑到每辆车在不同的时间步有不同的状态，节点集合V表示为n为驾驶场景中的半全局总车辆数，τ为历史时间步，特征向量代表第i辆车在时间t的坐标；

当车辆之间的距离足够近时，代表车辆交互关系的边就应被连接上；因此边集合E表示为其中d是欧式距离函数，该集合中两辆车之间的距离小于阈值D_close；

通过定义两种邻接矩阵，分别用于两个子网络SGGCN与MGCN；

离散邻接矩阵的元素级定义为：

该式表示节点i与节点j在时间步t的欧式距离足够近时，对应边权值为1，否则为0；

连续邻接矩阵的元素级定义为：

其中为基于欧式距离的距离计算函数，该式表示节点i与节点j的距离足够近时，对应的边权值为否则为0；的尺寸均为(N×N×τ)，其中N为总车辆数；

(3)动态图：具有张量形式的邻接矩阵不同于一般的邻接矩阵，增加了时间维度；与轨迹数据共同描述动态的驾驶场景，即车辆节点的特征动态化和车辆之间的交互关系动态化描述；G＝{V,E}中节点集合V的数据表示形式为特征矩阵边集合E的数据表现形式为邻接矩阵称由和共同描述的图模型G为动态图；

(4)半全局图生成算法：

全局图指设置描述图模型边关系的邻接矩阵时，将矩阵尺寸设为总历史场景中出现过的总累积车辆数；局部图则将矩阵尺寸设为每个时间步中最多可能出现的车辆数；半全局图则是设一个介于两者之间的中间值，当历史出现车辆数累积达到该尺寸时，便重置累积；

步骤2：图卷积神经网络模型的结构设计；包括三个部分：第一部分为基于半全局图的图卷积神经网络，简写为SGGCN，其由图操作层和卷积层组成，能够有效提取车与车之间的交互关系；第二部分为基于M-product方法的变体图卷积神经网络，简写为MGCN，能够直接对三维张量进行图卷积操作，该三维张量为描述动态驾驶场景的动态图；图卷积神经网络能够更加高效的提取车辆之间的时间、空间依赖特征；第一部分与第二部分的网络输出的中间特征被拼接为总的时空特征，输入第三部分的网络；第三部分为基于GRU的编码器解码器网络，其输入为总的时空特征，该网络进一步对时空特征进行解编码提取时间特征，时空特征最终被解码为预测的车辆轨迹；

步骤3：训练图卷积神经网络模型；包括设置相应的训练数据和训练环境对模型进行训练；

步骤4，基于训练完成后的模型进行车辆轨迹预测；

步骤5，基于车辆预测轨迹构建驾驶行为关键描述特征；

步骤6，基于行为描述特征进行驾驶行为模糊分类。