[发明专利]一种基于多层次时空图神经网络的人群轨迹预测方法

权利要求书

1.一种基于多层次时空图神经网络的人群轨迹预测方法，其特征在于，包括如下步骤：

步骤1：获取场景中各行人的历史轨迹，输入运动信息编码器获取每个行人p_i的运动状态特征h_mo(i)，i为正整数；

步骤2：将行人运动过程建模为一个多层次动态时空有向图，使用多层次时空图神经网络提取每个行人p_i的运动交互特征H_g(i)；包括如下步骤：

步骤2.1：建立多层次动态时空有向图，包括：

(1)将场景中的每个行人作为一个节点，节点的属性是行人的位置，设置超参数层次距离列表{d₁,d₂,...,d_K}，建立一个K层次的有向图，K为大于1的正整数；

(2)设置在某一时刻，对于目标节点v_i，如果从节点v_j到节点v_i的距离大于d_k-1且小于d_k，则在第k层建立一条从v_j到v_i的有向边，对于第1层，当节点v_j到节点v_i的距离小于d₁，则建立一条从v_j到v_i的有向边；对于所有层的每个节点都有一条自环边；对不同时刻，位于不同层的同一行人，建立时间边；k＝1,2,…K；

步骤22：对有向图的每个层上的每个节点提取交互特征，包括：(1)对每个节点，汇聚该节点在当前层所连接的节点的特征得到空间交互特征；(2)得到每层上各节点的空间交互特征后，使用长短期记忆网络LSTM进行时间边处理，得到节点的交互特征；

步骤23：使用注意力机制融合同一个行人在不同层的交互特征，得到各行人最终的运动交互特征；

步骤3：对每个行人p_i，基于运动状态特征h_mo(i)和运动交互特征H_g(i)使用运动解码器预测未来轨迹。

2.根据权利要求1所述的方法，其特征在于，所述的步骤1中，所述的运动信息编码器由一个全连接层和一个长短期记忆网络LSTM组成；从行人的历史轨迹中提取行人位置的一阶差分序列输入运动信息编码器，一阶差分序列记载行人前后两时刻的相对位置；所述全连接层将一阶差分序列中的每个相对位置转换成一个高维特征向量，并输入LSTM中，在经过观察时长T_obs后，得到行人的运动状态特征；

标记运动信息编码器中的LSTM模型为LSTM_mo、全连接层为Linear_en；对于行人p_i，LSTM_mo在t时刻的隐藏状态为如下：

其中，W_mo是模型LSTM_mo的参数，W_en是全连接层的权重参数；表示一阶差分序列中记载的行人p_i在第t时刻相对前一时刻的相对位置；

利用LSTM_mo循环迭代得到行人p_i在观察时长T_obs的运动特征向量h_mo(i)。

3.根据权利要求1所述的方法，其特征在于，所述的步骤22包括：

设行人节点p_i在t时刻的空间交互特征为V_i^t，使用LSTM模型LSTM_g进行时间边的处理，对于行人p_i，LSTM_g在t时刻的隐藏状态为如下：

其中，W_g是模型LSTM_g的参数；

利用LSTM_g循环迭代得到在第k层的节点p_i在观察时长T_obs的交互特征