[发明专利]基于自编码器的不定长行人轨迹预测方法

权利要求书

1.基于自编码器的不定长行人轨迹预测方法，其特征在于，包括以下步骤：

S1、采用自编码器提取不定长行人轨迹特征，并将不同的历史轨迹在编码阶段扩充到相同的维度；所述自编码器在编码器和解码器部分由三层LSTM组成，其中，编码器部分将扩充轨迹数据的维度，而解码器部分将处理后的特征向量还原为行人轨迹数据；并且编码器部分的输出将作为多头注意力机制的输入；

S2、计算目标行人对周围每一个行人编码后的向量的注意力得分，并将这些注意力的分经过权重矩阵合并求值，得到每个行人对于目标行人的注意力权值，并以此作为输出传递给LSTM进行最终的轨迹预测；

S3、利用迁移学习方法对自编码器进行模型训练；

S4、循环步骤S1～S3。

2.根据权利要求1所述的基于自编码器的不定长行人轨迹预测方法，其特征在于，所述步骤S2包括以下步骤：

(1)将编码的行人轨迹特征向量h_tⁱ作为目标注意机制的输入，其中，i表示帧t处的任何行人的特征提取；

(2)分别计算每个h_tⁱ的查询向量Q，并将所有行人的历史轨迹嵌入到每个关键词向量K和价值向量V中；

(3)计算每个周围行人i对于目标行人k的注意力得分S_i^t；

(4)将每个周围行人i对于目标行人k的注意力得分S_i^t权重矩阵合并求值，得到每个行人对于目标行人的主应力权值，并将隐藏状态H_k^t作为输出；

(5)隐藏状态H_k^t输入至LSTM获得最终的目标行人轨迹预测。

3.根据权利要求1或2所述的基于自编码器的不定长行人轨迹预测方法，其特征在于，所述步骤(2)中，查询向量Q的计算方式为：使用目标行人向量h_t^k来生成查询矩阵W_k^qt。所有行人的查询向量Q均由W_k^qt计算。

4.根据权利要求2或3所述的基于自编码器的不定长行人轨迹预测方法，其特征在于，所述步骤S3中“利用迁移学习方法对自编码器进行模型训练”具体是指：将使用在训练过程中学习到的通用知识与数据集一起用于对新数据集的“微调”，用于下一次训练；在训练第二个数据集时，使用前面的知识来适应预测方案。