[发明专利]一种基于长短记忆网络的多重车辆轨迹预测方法

摘要

本发明公开了一种基于长短记忆网络的多重车辆的轨迹预测方法，将主车和其邻车的历史轨迹等特征作为输入，充分考虑到车辆之间的位置以及驾驶行为的相互影响；经过网络的编码解码之后，将输出的邻近车辆的未来轨迹进一步输入混合密度网络，估计出车辆位置的概率分布，每次训练将混合密度网络的误差和轨迹结果的均方根误差以及编码器解码器网络的参数正则化项相结合，构成损失函数，指导网络参数的更新，如此可提高申请网络的预测准确性，训练好的神经网络可以预测邻车的带有概率的位置信息，将位置信息按照时间的顺序形成连续的轨迹，可以辅助主车进行决策和规划。

主权项

1.一种多重车辆轨迹预测方法，其特征在于，包括如下步骤：/n步骤0、对一段设定时间S1内主车的位置、主车所在车道、主车与前车距离、主车周围邻车的位置进行采样，得到一条历史数据；对时间段S1之后的设定时间段S2内主车周围邻车的位置进行采样，得到预测数据，作为训练神经网络时历史数据的标签；历史数据与对应标签构成一条训练数据；/n以此类推，获得多条训练数据；/n步骤1、构建以深层长短记忆网络为基本单位的多个编码器，以及以深层长短记忆网络为基本单位的多个解码器，由此形成神经网络；/n步骤2、在步骤0获得的训练数据中，随机挑选设定数目的训练数据，将每条训练数据按照时间的顺序依次送入一个编码器当中；编码器经过编码，将输入的数据转化为编码向量，然后将编码的向量送入所述解码器当中，其中，编码向量作为解码器的初始隐藏状态；所述解码器输出时间段S2内各采样时刻的邻车位置的预测值；/n步骤3、将步骤2中解码器输出的预测值输入到全连接层网络，映射成特征数据；将特征数据送入混合密度网络中，通过训练，输出6组描述当前时刻t