基于GCN-CS-LSTM的车辆多模态行驶轨迹预测

U495; 针对车辆交互关系的非欧几里得性质,提出了一种适用于高速公路车辆之间动态图结构的表达方式,以实现车辆信息的交互传递,并设计了一种结合图卷积神经网络(graph convolutional neural network,GCN)、社会卷积池化层(convolutional social pooling,CS)和长短时记忆网络(long short-term memory network,LSTM)的多模态驾驶行为轨迹预测模型.该模型以LSTM编码器和解码器为基础框架,通过卷积和图卷积实现车辆交互关系的有效提取,同时引入最大池化和平均池化技术,以实现特征提取和背景信息保留.结果表明:本模...

Full description

Saved in:
Bibliographic Details
Published in江苏大学学报（自然科学版） Vol. 45; no. 5; pp. 506 - 512
Main Authors 孟繁瑞, 王翔, 俄文娟, 王可馨, 昝雨尧
Format Journal Article
LanguageChinese
Published 江苏省智慧城轨工程研究中心,江苏苏州 215131%江苏苏通大桥有限责任公司,江苏南通 226017 01.09.2024
苏州大学轨道交通学院,江苏苏州 215131
苏州交通运输大数据创新应用实验室,江苏苏州 215131
Subjects
trajectory prediction
车辆
时间序列
long short-term memory network
长短时记忆网络
graph convolutional neural network
轨迹预测
智能驾驶
intelligent driving
time series
图卷积神经网络
vehicle
Online AccessGet full text
ISSN1671-7775
DOI10.3969/j.issn.1671-7775.2024.05.002

Cover

More Information
Summary:U495; 针对车辆交互关系的非欧几里得性质,提出了一种适用于高速公路车辆之间动态图结构的表达方式,以实现车辆信息的交互传递,并设计了一种结合图卷积神经网络(graph convolutional neural network,GCN)、社会卷积池化层(convolutional social pooling,CS)和长短时记忆网络(long short-term memory network,LSTM)的多模态驾驶行为轨迹预测模型.该模型以LSTM编码器和解码器为基础框架,通过卷积和图卷积实现车辆交互关系的有效提取,同时引入最大池化和平均池化技术,以实现特征提取和背景信息保留.结果表明:本模型在长时域(5 s)的均方根误差为4.03 m,相较于基准模型提高了 10.8％,在与其他深度学习模型对比中具有更高的准确率;在不同交通环境下,本模型相较于基准模型的预测性能均有8％～11％提升;消融试验结果进一步验证了本模型中各模块的有效性,本模型能够预测车辆在未来长时域内不同模态的概率分布和对应的轨迹.
ISSN:1671-7775
DOI:10.3969/j.issn.1671-7775.2024.05.002