[发明专利]一种基于Transformer和LSTM的车辆轨迹预测方法

说明书

本发明属于自动辅助驾驶技术领域，具体涉及一种无车道线道路环境下的自适应虚拟车道线绘制方法。本发明通过得到的目标信息和目标本身作为节点构建出空间无向图，将时序性信息转化成图矩阵形式，并保存其时序性。使用重构后的LSTM模型处理图矩阵数据，并利用LSTM的循环性处理数据的时序性。使用Transformer的空间注意力机制从空间图矩阵数据中提取有效特征并训练模型。用inception_mixer模块继续处理高频信息和低频信息，将信息中的有效特征再次提取，保证了本方法的准确性和高效性。该方法可以高效地长时预测周围车辆的轨迹，有效地保障了行车安全和道路安全，可以应用于智能交通系统，提高交通安全性和效率，协助路线优化和路口预测等操作。

技术领域

本发明属于车辆轨迹预测技术领域，具体涉及一种基于Transformer和LSTM的车辆轨迹预测方法。

背景技术

随着人们对交通出行需求的增加，智能交通系统已成为当下关注的焦点，车辆轨迹预测则是智能交通系统中的重要组成部分。车辆轨迹预测的目的是预测一段时间内的车辆行驶路线，以便更好地支持智能交通系统的决策。但因为时间变量、环境变量和个体变量等因素，车辆轨迹预测也具有非常复杂的多变性。

现有技术中，车辆轨迹预测主要通过基于单模型的算法，如贝叶斯网络、隐马尔可夫模型等进行预测，这些方法可以有效地预测车辆的短期轨迹，但是由于变量较多，对于长期轨迹预测效果较差，而且容易受到外部环境的干扰，影响预测的准确性。目前的深度学习方法能做到对车辆轨迹地长时间预测，但是准确率还可以有所提高。

发明内容

为解决上述现有技术存在的技术问题，本发明提出了一种基于Transformer和LSTM的车辆轨迹预测方法，该方法通过结合Transformer模型的多头注意力机制和LSTM模型的长时记忆能力，并加入Inception-Mixer机制以达到准确捕捉空间无向图中的高频信息，以准确预测车辆的行车轨迹。

本发明为实现上述发明目的，采取的技术方案如下：

一种基于Transformer和LSTM的车辆轨迹预测方法，包括以下步骤：

S1：车辆通过与周围车辆的信息交互获取周围车辆的行驶数据，包括前部中心的横向坐标、纵向坐标、速度以及加速度，并将车辆识别号整合到数据中；使用python内置工具将数据预处理为3维张量；

S2：将预处理过的数据构建为图数据结构；先用矩阵乘法计算出每两个节点间的跳数，然后根据最大跳数对节点间的关系进行分类，最终得到一个邻接矩阵；

S3：创建自定义的LSTM模型；使用Graph_Conv_Block处理图矩阵，并使用自定义的edge_importance_weighting函数提取可用的边权，然后重建图矩阵数据；最后，使用自定义的reshape函数对输出和原输入进行合成；

S4：创建自定义的Transformer模型，其中包含空间注意力机制；使用Xavier初始化编码器上层的数据，然后使用自定义的forward函数进行训练，得到输出；

S5：使用Inception_mixer机制处理数据，提取数据中的高频信息，将得到的高频信息和低频信息拼接到一起，得到新的输出；

S6：将数据再次输入带有空间注意力机制的Transformer中，使用GRU解码器预测位置。

进一步的作为本发明的优选技术方案，S1中通过与周围车辆的信息交互获取周围车辆的行驶数据，设过去的t时段中有n个对象，将原始数据处理成3维张量，并设置一个定量为5，用来表示一个对象在一个时间步长上的坐标(x,y)以及速度(u,v)，并将所有的坐标和速度标准化到(-1,1)之间。

进一步的作为本发明的优选技术方案，所述S2的具体步骤包括：