[发明专利]基于超图模型的车辆控制延误预测方法

说明书

基于超图模型的车辆控制延误预测方法适用于智能交通领域中的自动驾驶技术。首先，与传统的图模型不同，超图所定义的超边可以连接两个及以上轨迹点，以此来编码轨迹点之间的高阶关系；其次，通过基于多核轨迹相似性的密集邻域搜索来构建超边，更准确地刻画轨迹点之间的连接强度；通过添加路网约束，将预测轨迹约束在道路可行域范围内，进一步提高预测结果的准确性。本发明主要解决的技术问题包括：(a)提高了轨迹预测结果的准确性；(b)降低了参数训练成本；(c)提高了控制延误预测结果的准确性和计算效率。

技术领域

本发明适用于智能交通领域中的自动驾驶技术。

背景技术

路网信号交叉口经常发生的车辆延误估计是交通部门的一项重要任务。它不仅优化了交叉口的信号定时，还有助于缓解交通拥堵，有效管理整个城市的交通。延误预测方法一般可分为轨迹预测和延误估计两个步骤。

车辆轨迹预测是利用车辆当前与历史位置信息，以及其他辅助信息(如路网状态、邻近车辆、天气、环境等)来动态预测出车辆的未来位置。车辆轨迹预测技术对与其相关领域的研究发展起着举足轻重的作用。例如，车辆轨迹预测技术促进智能交通、无线网络的部署、基于位置服务的应用等领域的发展。车辆轨迹预测方法大致可以分为以下两类：基于统计学习的方法和基于深度学习的方法。

(1)基于统计学习的轨迹预测方法

统计学习的轨迹预测方法包括隐马尔可夫模型、贝叶斯模型、高斯过程等，这类方法一般从数据的统计分布特性来考虑不同移动目标的运动轨迹，通过对移动目标历史轨迹中频繁运动模式进行分析，根据传统的概率统计学方法进行计算推理，获取目标未来的运动趋势和轨迹。

基于隐马尔可夫模型(Hidden Markov Model，HMM)的预测方法对于像移动轨迹、视频等非相互独立的时序数据，可以通过上下文所提供的信息，合理的对这类数据进行分类与回归。然而由于现有的低阶马尔可夫模型的方法仅考虑当前信息而忽略历史信息，效率较低。相比之下，高阶的马尔可夫模型可以提高精度，但会增加预测的时间和空间复杂度。基于贝叶斯网络(Bayesian Network)的方法则提出了通过在贝叶斯网络中使用因果关系和诊断依据进行建模，来推断驾驶场景中所有车辆驾驶操作的分布，再通过蒙特卡罗(Monte Carlo)模拟评估自我车辆在一个时间间隔内至少碰撞一次的概率，并作为预测范围的函数。基于高斯过程则是提出了长期车辆轨迹预测方法，其中道路与交通数据可通过车辆与车辆以及车辆与基础设施如道路的通信获得。高斯过程回归用于学习运动模式，从车辆收集的数据以及受到的高斯过程回归模型，最终从基础设施中预测未来场景中车辆的轨迹。该方法的优点是不局限于能够预测车辆的未来轨迹，还可以对未来车辆轨迹的分布进行可靠预测。

(2)基于深度学习的轨迹预测方法

在轨迹预测的研究领域，深度学习也得到广泛的应用，如基于长短时记忆网络的轨迹预测方法以及基于对抗生成网络的轨迹预测方法等。

长短时记忆神经网络(Long-Short Term Memory，LSTM)，是一种特殊的循环神经网络(RNN)，能够学习长期的时序数据中不同时刻数据之间的相互依赖关系，LSTM模型优点是解决了RNN的梯度消失的问题，因此有利于训练长期的时间序列，进行车辆的长期轨迹预测，但缺点在于LSTM模型不能同时描述不同车辆之间的空间相互作用以及轨迹之间的空间关系。生成对抗网络(Generative Adversarial Networks，GAN)是由蒙特利尔大学IanGoodfellow在2014年提出的机器学习架构。GAN包括了两套独立的网络：生成器和判别器。生成器用来生成类似于真实样本的随机样本，并将其作为假样本，判别器用来分辨数据的真伪。然而基于GAN网络的轨迹预测方法存在GAN训练难的问题。