[发明专利]车辆行人地图轨迹预测方法及装置

说明书

本发明公开了一种基于随机游走图神经网络的车辆行人地图轨迹预测方法及装置，其中，所述方法包括：确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；将待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出待预测目标对象在对应节点出现的概率。在本发明实施例中，可以有效的预测车辆或者行人在特定时间点后在地图上各个节点出现的概率。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于随机游走图神经网络的车辆行人地图轨迹预测方法及装置。

背景技术

现有技术方案使用LSTM作为骨干网络，搭建基于视频数据的车辆或行人轨迹预测神经网络，以预测车辆或行人在未来一段时间行驶或步行轨迹的改变。由于现有基于LSTM的网络搭建只能预测短时间内局部车辆或行人路径的改变方向，但对于长时间(大于5min小于10min)车辆或行人所处位置(城市地图上的位置)的预测还没有现成的可用神经网络。而该问题的解决有助于提高对肇事车辆或行人通过摄像头的跨镜追踪速度。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于随机游走图神经网络的车辆行人地图轨迹预测方法及装置，可以有效的预测车辆或者行人在特定时间点后在地图上各个节点出现的概率。

为了解决上述技术问题，本发明实施例提供了一种基于随机游走图神经网络的车辆行人地图轨迹预测方法，所述方法包括：

确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；

构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；

在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；

将所述待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出所述待预测目标对象在对应节点出现的概率。

可选的，所述基于所述目标城市建立预测行人车辆训练数据库，包括：

将所述目标城市的地铁站和公交站抽象为站节点，并利用地铁线路和公交线路将各站节点进行链接，形成第一训练图网络；

基于给定三个输入值所选取的站节点号、第一预估间隔时间、交通载具的平均速度信息及第一训练图网络形成预测行人训练数据；

将所述目标城市中的各个关键点抽象为关键节点，并利用地图道路链接各个关键节点，形成第二训练图网络，其中，所述关键点包括集会场所和十字路口；

基于给定三个输入值所选取的关键节点号、第二预估间隔时间、车辆速度信息和所述第二训练图网络形成预测车辆训练数据；

基于所述预测行人训练数据和所述预测车辆训练数据构建预测行人车辆训练数据库。

可选的，所述随机游走图神经网络模型包括：核函数层、第一全连接层、第二全连接层、softmax函数层和输出层。

可选的，所述构建随机游走图神经网络模型，包括：

以所述核函数层作为输入层，依次连接所述第一全连接层、所述第二全连接层、所述softmax函数层和所述输出层，形成随机游走图神经网络模型。

可选的，所述核函数层为用于计算输入图结构以及时间和速度关系的核函数；用于表征输入信息在空间中的变换形式；