CN118569307B 基于解耦图扩散神经网络的车辆轨迹预测方法及系统 （江苏大学）

基于解耦图扩散神经网络的车辆轨迹预测本发明公开了一种基于解耦图扩散神经网用广义图扩散和多头注意力机制捕捉所述初始2获取车辆实时数据中的行驶过程信息，并根据所述行驶过程输入所述初始图至预先训练的轨迹预测模型，获取所述轨迹预测模所述广义图扩散层和所述多头注意力层之间使用分层解耦的方法，以构建各所述独热向量与相应的高维实值嵌入向,,表示轨迹节点特征数量；r表示历史回溯窗口的轨迹时间长度；n表示的,3表示值s的概率；s为xi的状态表式中，s()表示狄拉克三角函数。所述轨迹预测模型在执行广义图扩散操作时利,采用分层解耦表示学习策略来捕捉各隐藏层的分层特征；各隐藏层包,表示第i层神经网络层的扩散矩阵；m表示分层训练的权重矩阵；表示扩散所述轨迹预测模型将所述训练数据的特征通过前向传播经由解耦图扩散神经网络输所述轨迹预测模型通过计算实际输出概率与期望输出概率之间的交叉熵函数得到损所述轨迹预测模型对权重参数进行迭代更新，直至预测值与真实值之间满足预设条7.一种基于解耦图扩散神经网络的车辆轨迹预测系统，应用于执行权利要求1_6任一4轨迹图获取模块，用于获取车辆实时数据中的行驶过程信息，并初始图获取模块，用于基于稀疏高维表示方法对所述车预测模块，用于输入所述初始图至预先训练的轨迹预测模型，获取其中，所述轨迹预测模型为解耦图扩散神经网络；所述轨迹预5[0005](2)可能会存在某些信息特征不能被有效地考虑进去，且其依靠邻居节点来更新[0007]为实现上述目的，本发明提供一种基于解耦图扩散神经网络的车辆轨迹预测方[0008]获取车辆实时数据中的行驶过程信息，并根据所述行驶过程信息构建车辆轨迹6i,j表达式如下：7[0040]所述轨迹预测模型将所述训练数据的特征通过前向传播经由解耦图扩散神经网[0041]所述轨迹预测模型通过计算实际输出概率与期望输出概率之间的交叉熵函数得8[0057]图1为本发明实施例示出的基于解耦图扩散神经网络的车辆轨迹预测方法的方法[0065]图9为本发明实施例示出的基于解耦图扩散神经网络的车辆轨迹预测系统的模块[0069]本发明提供了一种基于解耦图扩散神经网络的车辆轨迹预测方法及系统，采用[0070]请参见图1，上述基于解耦图扩散神经网络的车辆轨迹预测方法，可包括以下步9及车辆到前方汽车的距离四类信息作为轨迹节t+1表示在时间t+1的预测结果。[0098]2)特征选择和缩放:在数据预处理[0100]4)数据编码:数据编码的过程是对收集到的和预处理过的数据进行系统的编码，[0101]5)数据归一化:数据归一化实值的高维独热向量通过线性变换映射到一个低维空间，变换得到表示实值的低维向量，[0114]如图7所示，图中为应用DGDNN建立的车辆轨迹预测模型，该模型利用DGDNN(DecoupledGraphDiffusionNeuralNetwork，解耦图扩散神经网络)的扩散和传播方法节点间不同层次的分层特征和关系；广义图扩散层利用广义图扩散捕捉初始图的全局信是更好的捕获连接节点的全局相关性和非连接节点算出损失值即实际输出概率与期望输出概率之间的相似度，通过反向传播更新各权重参n"表示节点v在层的节点表示。[0127]通过广义图扩散技术深入学习任务的最优图拓扑结构捕捉图中各种复杂的关系l,kTl,k作为可长的所有节点组成的集合，可避免亢余和无效传播。定义第L层处的邻域半径rl的表达式[0134]多头注意力机制能够学习查询和键之间的不同注意力，从而提高模型的表达能Qm∈Rdk×dk,WKm∈Rdk×dk和WVm∈Rdv×dv分别是查询、键和值的第m个头中的投影矩阵。表示多头自注意力机制中的每个头的输出；whereOl表示可分层训练的权重矩阵。Lce()表示多分辨率交叉熵损到预期最优性能后模型部署与监控，将训练好的模型部署到实际应用中并持续监控其性迹”表示系统基于车辆运行过程中历史轨迹分析，对目标车辆未来行驶路径的预测结果，展示车辆实时的驾驶行为并提供相关路线建议。码复杂运动的困难性，而且还采用了一种独特的四热连接方式对映射进行了有效的调整，[0177]本发明实施例中还提供一种电子设备，请参见图10，电子设备1000包括存储器他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field_分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器读存储媒介不包含载波和通过无线或有线传输的瞬间电理器1020执行上文述及的方法中的部分算机程序或计算机程序产品包括用于执行本发明的上述方法中部分或全部步骤的计算机使处理器执行根据本发明的上述方法的各个步