1.一种车辆轨迹预测及驾驶行为分析方法,其特征在于,包括以下步骤:步骤1:一种图卷积神经网络模型的输入数据处理算法:包括描述驾驶场景所有车辆的历史轨迹、描述交互特征的图模型邻接矩阵以及一种半全局图数据生成算法;输入数据具体定义如下:
(1)被预测驾驶场景所有车辆的历史轨迹与预测轨迹:驾驶场景的车辆历史轨迹由τ个历史时间步的车辆轨迹数据组成:其中每个时间步的轨迹数据为 其由驾驶场景中的n辆车的局部坐标x,y组成;
驾驶场景的预测轨迹由T个预测时间步的轨迹数据组成:每个时间步的轨迹数据格式与历史轨迹数据相同;轨迹预测的问题形式化表示为:
(2)描述节点关系的邻接矩阵:用无向图G={V,E}描述驾驶场景,节点集合V中的每个节点代表驾驶场景中的每辆车,考虑到每辆车在不同的时间步有不同的状态,节点集合V表示为n为驾驶场景中的半全局总车辆数,τ为历史时间步,特征向量 代表第i辆车在时间t的坐标;
当车辆之间的距离足够近时,代表车辆交互关系的边就应被连接上;因此边集合E表示为 其中d是欧式距离函数,该集合中两辆车之间的距离小于阈值Dclose;
通过定义两种邻接矩阵,分别用于两个子网络SGGCN与MGCN;
离散邻接矩阵 的元素级定义为:该式表示节点i与节点j在时间步t的欧式距离足够近时,对应边权值为1,否则为0;
连续邻接矩阵的元素级定义为:
其中 为基于欧式距离的距离计算函数,该式表示节点i与节点j的距离足够近时,对应的边权值为 否则为0; 的尺寸均为(N×N×τ),其中N为总车辆数;
(3)动态图:具有张量形式的邻接矩阵 不同于一般的邻接矩阵,增加了时间维度;与轨迹数据 共同描述动态的驾驶场景,即车辆节点的特征动态化和车辆之间的交互关系动态化描述;G={V,E}中节点集合V的数据表示形式为特征矩阵 边集合E的数据表现形式为邻接矩阵 称由 和 共同描述的图模型G为动态图;
(4)半全局图生成算法:
全局图指设置描述图模型边关系的邻接矩阵时,将矩阵尺寸设为总历史场景中出现过的总累积车辆数;局部图则将矩阵尺寸设为每个时间步中最多可能出现的车辆数;半全局图则是设一个介于两者之间的中间值,当历史出现车辆数累积达到该尺寸时,便重置累积;
步骤2:图卷积神经网络模型的结构设计;包括三个部分:第一部分为基于半全局图的图卷积神经网络,简写为SGGCN,其由图操作层和卷积层组成,能够有效提取车与车之间的交互关系;第二部分为基于M‑product方法的变体图卷积神经网络,简写为MGCN,能够直接对三维张量进行图卷积操作,该三维张量为描述动态驾驶场景的动态图;图卷积神经网络能够更加高效的提取车辆之间的时间、空间依赖特征;第一部分与第二部分的网络输出的中间特征被拼接为总的时空特征,输入第三部分的网络;第三部分为基于GRU的编码器解码器网络,其输入为总的时空特征,该网络进一步对时空特征进行解编码提取时间特征,时空特征最终被解码为预测的车辆轨迹;
步骤3:训练图卷积神经网络模型;包括设置相应的训练数据和训练环境对模型进行训练;
步骤4,基于训练完成后的模型进行车辆轨迹预测;
步骤5,基于车辆预测轨迹构建驾驶行为关键描述特征;
步骤6,基于行为描述特征进行驾驶行为模糊分类。
2.根据权利要求1所述的一种车辆轨迹预测及驾驶行为分析方法,其特征在于,所述步骤2中基于M‑product方法的变体图卷积神经网络能够处理三维张量,能够更高效的提取驾驶场景中的车辆动态交互性和时间依赖特征;
M‑product为一种张量之间的乘法方式,两个三维张量的M‑product的计算结果仍是一个三维张量,其定义如下:
定义一,M‑transform:一个张量 的M‑transform表示为 其元素级定义为 其中 是一个混合矩阵;
定义二,facewiseproduct:facewise product表示为 具体定义为其中 和 是两个张量;
定义三,M‑product:M‑product表示为 具体定义为其中 和 是两个张量, 是可逆矩阵;
给定一个描述节点关系的邻接矩阵A和描述节点特征的特征矩阵X,一个单层图卷积层定义为 双层图卷积层定义为 其中 为度矩阵,其定义为 I是单位矩阵,W是权重矩阵,σ为激活函数;
在M‑product的变换空间中,一个张量激活函数表示为 如定义四所述;
定义四:设 为一个张量,σ为一个元素级激活函数,激活函数 的定义为引入M‑product方法的单层图卷积级定义为 其中邻接矩阵和特征矩阵 为变换形状后的数据, 为权重张量,网络中使用的是双层的基于M‑product的图卷积网络,其形式为M被设为下三角带状矩阵, 的时间切片 便是邻接矩阵的线性组合,其中b是M的“带宽”,M的元素级计算公式为该定义赋予前b个时间步指数权重,时间越近权重越大,时间越远权重则以指数衰减;
邻接矩阵和特征矩阵,通过这里的基于M‑product的双层图卷积变体网络MGCN后,会生成中间变量M‑embedding,用于后续的特征提取。
3.根据权利要求1所述的一种车辆轨迹预测及驾驶行为分析方法,其特征在于,所述步骤3中训练数据设置为:
训练优化器Adam,学习率为0.001,批数据大小batch size=64,损失函数其中tf是预测时间步,Ypred和Ytrue分别是预测的坐标和真实的坐标;使用公开数据集NGSIM和Apolloscape的真实车辆轨迹数据作为模型训练的数据集,并将其按一定比例分为训练集、验证集与测试集;使用PyTorch内置的Dataloader对象封装数据,智能迭代输出对应格式的数据张量到模型中进行训练。
4.根据权利要求1所述的一种车辆轨迹预测及驾驶行为分析方法,其特征在于,所述步骤5中对车辆预测轨迹结果构建驾驶行为关键描述特征,轨迹预测模型输出的预测轨迹作为特征矩阵构建描述车辆邻近关系的邻接矩阵,构造的邻接矩阵用于驾驶行为分析,目的在于提取目标车辆周边邻近车辆的变化特征,基于轨迹预测模型训练所需的 构造方法,进一步构造拉普拉斯矩阵
其中 的元素级定义为
其中 为基于欧式距离的距离计算函数,该式表示节点i与节点j的距离足够近时,对应的边权值为 否则为0;
对于在时间步t的邻接矩阵 计算其对应的度矩阵 计算公式为度矩阵为对角线矩阵;
并通过更新公式给出下一时间步的拉普拉斯矩阵 更新公式为T
其中δδ是一个扰动矩阵, 是一个稀疏矩阵,满足||δ||0<<N,N代表在时间步t的总车辆数;
δ的第j行的非零项表示第j个车辆发现了一个新的邻近车辆,然后将其加入当前时间步的拉普拉斯矩阵中;
通过拉普拉斯矩阵 的对角线元素计算得出度θi,其衡量了车辆vi到时间t为止,与之有边连接的邻近车辆数;将度θi的增加率表示为θ′i,利用θi的变化率能够全面的表征车辆的行为。
5.根据权利要求1所述的一种车辆轨迹预测及驾驶行为分析方法,其特征在于,所述步骤6基于行为特征进行驾驶行为模糊分类;定义一个基于规则的驾驶行为识别算法,从预测轨迹中提取驾驶场景的特征向量,利用关键特征节点度变化率描述驾驶行为,充分考虑在具有驾驶场景背景下的行为特征,并且由于驾驶行为的模糊行,随机性,以及分类标准的主观性,引入了模糊集理论,进一步对提取的关键特征进行模糊分类,构建激烈驾驶、正常行驶、保守行驶等三类模糊集,θ′用隶属度函数u描述其属于这些模糊集的程度;选取高斯隶属度函数,并基于启发式地预先确定的阈值参数λ1和λ2。