1.一种车辆轨迹预测方法,其特征在于,包括:
构建矢量化地图,并利用矢量化地图,构建城市道路网络结构;
根据城市道路网络结构,捕获复杂道路信息和连续的车辆轨迹信息;
根据复杂道路信息和连续的车辆轨迹信息,计算获取多线级特征;
根据多线级特征,构建全局图模型;
根据全局图模型,利用循环神经网络解码器对目标节点进行解码,获取车辆轨迹预测结果;
利用矢量化地图,构建城市道路网络结构包括:
根据矢量化地图中各节点的特征矩阵和表示各节点之间连通性的邻接矩阵,构建城市道路网络结构;
其中,特征矩阵由各节点的属性特征构成,属性特征包括:车辆轨迹的时间戳、城市道路的特征类型和车道速度限制;
邻接矩阵的表达式如公式(2)所示:(2);
公式(2)中,为邻接矩阵,为第个节点,为第个节点,为第个节点和第个节点之间的关系索引,、、、为前任、后继、左邻、右邻关系,为第个节点和第个节点之间的连通性变量,表示第个节点是第个节点的型关系,表示第个节点非第个节点的型关系,其中,对于任意节点,将其前任节点定义为能够前往该节点的相邻节点,将其后继节点定义为能够从该节点出发的相邻节点,将其左邻、右邻节点定义为该节点左、右最接近的节点;
根据城市道路网络结构,捕获复杂道路信息和连续的车辆轨迹信息包括:将城市道路网络结构中属于同一折线的所有节点彼此连接,在向量级构建子图;
根据子图,利用预获取的扩展图卷积网络,捕获复杂道路信息;
根据子图,利用预获取的循环神经网络,捕获连续的车辆轨迹信息;
其中,利用预获取的扩展图卷积网络,捕获复杂道路信息包括:在傅里叶域中构建作用于子图中各节点的滤波器;
对子图中各节点的特征矩阵和表示各节点之间连通性的邻接矩阵进行卷积处理,利用滤波器,捕获子图中各节点周围的复杂道路信息;
复杂道路信息的表达式如公式(3)所示:(3);
公式(3)中,为滤波器的输出,即复杂道路信息,为特征矩阵,为邻接矩阵,,为单位矩阵,为的度矩阵,为对邻接矩阵进行对称归一化处理,为权矩阵;
所述连续的车辆轨迹信息的时间特征的表达式如公式(4)所示:(4);
公式(4)中,为时刻,为时刻循环神经网络的输出,为时刻循环神经网络的输入,为时刻循环神经网络的隐藏值,为时刻循环神经网络的隐藏值,为循环神经网络中隐藏层到输出层的参数矩阵,为循环神经网络中输入层到隐藏层的参数矩阵,为每个时间点之间的权重矩阵,为循环递归公式。
2.根据权利要求1所述的车辆轨迹预测方法,其特征在于,构建矢量化地图包括:对线路进行采样,获取采样点;
将所述采样点连接形成折线;
对所述折线进行向量化,获取向量集;
将所述向量集中的向量作为节点,通过所述节点的连接,在所述向量集上构成矢量化地图;
其中,所述线路包括车辆轨迹和城市道路;
所述节点的表达式如公式(1)所示:(1);
公式(1)中,为节点,即向量集中的向量,为向量的起始点坐标,为向量的结束点坐标,为向量对应的属性特征,为向量所属折线的整数ID。
3.根据权利要求1所述的车辆轨迹预测方法,其特征在于,根据所述复杂道路信息和连续的车辆轨迹信息,计算获取多线级特征包括:对于所述子图中的折线及其节点,定义单层子图传播操作;
根据所述单层子图传播操作,将所述复杂道路信息和连续的车辆轨迹信息输入至所述子图,并由所述子图中各节点计算获取多线级特征;
其中,所述单层子图传播操作的表达式如公式(5)所示:(5);
公式(5)中,为节点,为节点的第层节点特征,为节点的第层节点特征,为节点附近的节点,为使循环神经网络对单个节点特征进行交换,为利用扩展图卷积网络对所有相邻节点进行信息聚合,为节点与其相邻接点之间的简单连接;
所述多线级特征的计算公式如公式(6)所示:(6);
公式(6)中,为节点的多线级特征,为最大池化操作。
4.根据权利要求1所述的车辆轨迹预测方法,其特征在于,根据所述多线级特征,构建全局图模型包括:根据所述多线级特征,利用预获取的图神经网络和自注意力机制,对所述子图中属于同一折线的所有节点的节点特征进行高阶交互建模,获取全局图模型;
其中,所述全局图模型的表达式如公式(7)所示:(7);
公式(7)中,为属于同一折线的第个节点的多线级特征经过层图神经网络传递后的多线级节点特征,为属于同一折线的节点的第层多线级节点特征集,为属于同一折线的第个节点的多线级特征经过层图神经网络传递后的多线级节点特征,为属于同一折线的节点的第层多线级节点特征集,为对应属于同一折线的节点集的邻接矩阵,为一个全连通图,为经过多线级特征提取后的节点的特征矩阵,、、均为经过多线级特征提取后的节点的特征矩阵的线性投影,为单层的图神经网络。
5.根据权利要求1所述的车辆轨迹预测方法,其特征在于,利用循环神经网络解码器对目标节点进行解码的公式如公式(8)所示:(8);
公式(8)中,为节点的车辆轨迹预测结果,为节点的多线级特征,为图神经网络总层数,为节点的多线级特征经过全部层图神经网络传递后得到的特征,为循环神经网络解码器。
6.一种车辆轨迹预测装置,其特征在于,包括:
网络构建模块:用于构建矢量化地图,并利用所述矢量化地图,构建城市道路网络结构;
信息捕获模块:用于根据所述城市道路网络结构,捕获复杂道路信息和连续的车辆轨迹信息;
多线级特征计算模块:用于根据所述复杂道路信息和连续的车辆轨迹信息,计算获取多线级特征;
全局图模型构建模块:用于根据所述多线级特征,构建全局图模型;
预测模块:用于根据所述全局图模型,利用循环神经网络解码器对目标节点进行解码,获取车辆轨迹预测结果;
利用矢量化地图,构建城市道路网络结构包括:
根据矢量化地图中各节点的特征矩阵和表示各节点之间连通性的邻接矩阵,构建城市道路网络结构;
其中,特征矩阵由各节点的属性特征构成,属性特征包括:车辆轨迹的时间戳、城市道路的特征类型和车道速度限制;
邻接矩阵的表达式如公式(2)所示:(2);
公式(2)中,为邻接矩阵,为第个节点,为第个节点,为第个节点和第个节点之间的关系索引,、、、为前任、后继、左邻、右邻关系,为第个节点和第个节点之间的连通性变量,表示第个节点是第个节点的型关系,表示第个节点非第个节点的型关系,其中,对于任意节点,将其前任节点定义为能够前往该节点的相邻节点,将其后继节点定义为能够从该节点出发的相邻节点,将其左邻、右邻节点定义为该节点左、右最接近的节点;
根据城市道路网络结构,捕获复杂道路信息和连续的车辆轨迹信息包括:将城市道路网络结构中属于同一折线的所有节点彼此连接,在向量级构建子图;
根据子图,利用预获取的扩展图卷积网络,捕获复杂道路信息;
根据子图,利用预获取的循环神经网络,捕获连续的车辆轨迹信息;
其中,利用预获取的扩展图卷积网络,捕获复杂道路信息包括:在傅里叶域中构建作用于子图中各节点的滤波器;
对子图中各节点的特征矩阵和表示各节点之间连通性的邻接矩阵进行卷积处理,利用滤波器,捕获子图中各节点周围的复杂道路信息;
复杂道路信息的表达式如公式(3)所示:(3);
公式(3)中,为滤波器的输出,即复杂道路信息,为特征矩阵,为邻接矩阵,,为单位矩阵,为的度矩阵,为对邻接矩阵进行对称归一化处理,为权矩阵;
所述连续的车辆轨迹信息的时间特征的表达式如公式(4)所示:(4);
公式(4)中,为时刻,为时刻循环神经网络的输出,为时刻循环神经网络的输入,为时刻循环神经网络的隐藏值,为时刻循环神经网络的隐藏值,为循环神经网络中隐藏层到输出层的参数矩阵,为循环神经网络中输入层到隐藏层的参数矩阵,为每个时间点之间的权重矩阵,为循环递归公式。
7.一种系统,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~5任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~5任一项所述方法的步骤。