轨迹预测方法和系统技术方案

本说明书的一个或多个实施例公开了一种轨迹预测方法和系统。所述轨迹预测方法包括：将待预测的轨迹中设定长度的子轨迹网格化并编码后输入到长短期记忆LSTM网络中；将所述LSTM网络输出的前top_N个概率值对应的网格作为预测结果的候选集；从所述候选集中选取中心坐标到所述子轨迹的标记点坐标的欧氏距离在上、下限阈值之间的网格；将选取的概率值最高的网格的中心坐标作为所述子轨迹的轨迹预测结果；其中，所述LSTM网络是预先根据历史轨迹的数据训练得到的。应用上述轨迹预测方法和系统能够减小预测出来的轨迹位置与真实的轨迹位置的误差。

【技术实现步骤摘要】
轨迹预测方法和系统
本说明书涉及轨迹检测
，特别是指一种轨迹预测方法和系统。
技术介绍
飓风运动作为一种破坏力极强自然现象，常常会带来难以估计的人身和财产损失。因此轨迹预测作为一种可以减缓飓风带来的损失的手段，已经成为轨迹数据研究的热点。
技术实现思路
有鉴于此，本说明书的一个或多个实施例提供了一种轨迹预测方法和系统，减小预测出来的轨迹位置与真实的轨迹位置的误差。上述轨迹预测方法包括：将待预测的轨迹中设定长度的子轨迹网格化并编码后输入到长短期记忆LSTM网络中；将所述LSTM网络输出的前top_N个概率值对应的网格作为预测结果的候选集；从所述候选集中选取中心坐标到所述子轨迹的标记点坐标的欧氏距离在上、下限阈值之间的网格；将选取的概率值最高的网格的中心坐标作为所述子轨迹的轨迹预测结果；其中，所述LSTM网络是预先根据历史轨迹的数据训练得到的。较佳地，在所述将所述LSTM网络输出的前top_N个概率值对应的网格作为预测结果的候选集之后，还包括：若所述候选集中不存在中心坐标到所述子轨迹的标记点坐标的欧氏距离在上、下限阈值之间的网格，则将所述子轨迹的标记点所在网格的中心坐标作为所述子轨迹的轨迹预测结果。其中，所述待预测的轨迹的长度为n，子轨迹提取间隔step＝1，提取的子轨迹的长度为k，提取的子轨迹的数量为n-k。较佳地，在对所述轨迹的n-k个子轨迹通过所述LSTM网络进行预测，得到n-k个预测的轨迹坐标后，还包括：r>对得到的n-k个预测的轨迹坐标所构成的序列进行卡尔曼滤波；将滤波得到的最优估计的序列作为所述轨迹的最终预测结果。较佳地，所述将待预测的轨迹中设定长度的子轨迹网格化并编码，包括：对所述训练集中的任意两个轨迹段，根据这两个轨迹段的时间、空间状态，计算这两个轨迹段之间的时空状态距离；根据计算出的轨迹段之间的时空状态距离，对轨迹段进行聚类。本说明书的一个或多个实施例还提供一种轨迹预测系统，包括：网格编码模块、预先根据历史轨迹的数据训练得到的LSTM网络，以及预测模块；其中所述网格编码模块用于将待预测的轨迹中设定长度的子轨迹网格化并编码后输出输入到所述LSTM网络中；所述预测模块用于将所述LSTM网络输出的前top_N个概率值对应的网格作为预测结果的候选集；从所述候选集中选取中心坐标到所述子轨迹的标记点坐标的欧氏距离在上、下限阈值之间的网格；将选取的概率值最高的网格的中心坐标作为所述子轨迹的轨迹预测结果。本说明书的一个或多个实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如上所述的轨迹预测方法。本说明书的技术方案中，将待预测的轨迹中设定长度的子轨迹网格化并编码后输入到长短期记忆LSTM网络中；将所述LSTM网络输出的前top_N个概率值对应的网格作为预测结果的候选集；从所述候选集中选取中心坐标到所述子轨迹的标记点坐标的欧氏距离在上、下限阈值之间的网格；将选取的概率值最高的网格的中心坐标作为所述子轨迹的轨迹预测结果；相比于现有的朴素LSTM轨迹预测算法，本说明书实施例提出的轨迹预测算法中不采用LSTM输出的唯一结果，而是从LSTM输出的top_N个候选集中选取合适的预测结果，以使得预测出来的轨迹位置更接近于真实的轨迹位置，即减小预测出来的轨迹位置与真实的轨迹位置的误差。进一步，本说明书一个或多个实施例提出的技术方案中，还可对所述轨迹的n-k个子轨迹通过所述LSTM网络进行预测，得到n-k个预测的轨迹坐标后，对得到的n-k个预测的轨迹坐标所构成的序列进行卡尔曼滤波；将滤波得到的最优估计的序列作为所述轨迹的最终预测结果，从而更进一步减小预测出来的轨迹位置与真实的轨迹位置的误差。附图说明为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为现有技术的LSTM细胞内部结构示意图；图2为现有技术的朴素LSTM算法的流程示意图；图3为本说明书的一个或多个实施例提供的一种轨迹预测方法的流程图；图4a为本说明书的一个或多个实施例提供的轨迹序列网格化的示意图；图4b为本说明书的一个或多个实施例提供的网格轨迹进行独热编码的示意图；图5为本说明书的一个或多个实施例提供的通过LSTM网络预测出子轨迹的下一个轨迹网格的方法流程图；图6为本说明书的一个或多个实施例提供的一种轨迹预测系统的内部结构框图；图7、8为本说明书的一个或多个实施例提供的现有的朴素LSTM轨迹预测算法，本说明书实施例提出的ILSTM轨迹预测算法和ILSTM-KF轨迹预测算法三种方法中，RSME值随LSTM网络训练的轮次变化的示意图；图9为本说明书的一个或多个实施例提供的一种电子设备硬件结构示意图。具体实施方式为使本说明书的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本说明书的一个或多个实施例进一步详细说明。需要说明的是，除非另外定义，本说明书的实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。随着人工智能技术的普及和广泛的应用，目前可以长短期记忆网络(LongShort-TermMemory，LSTM)为基础，通过历史轨迹数据训练预测轨迹的模型。长短期记忆网络(LSTM，LongShort-TermMemory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的。LSTM在时间序列上的应用非常的广泛，在时空轨迹数据预测上也有一定的应用。LSTM细胞内部结构如图1所示。LSTM在每个序列索引位置的门一般包括遗忘门，输入门和输出门三种。遗忘门(forgetgate)顾名思义，控制是否遗忘的，在LSTM中即以一定的概率控制是否遗忘上一层的隐藏细胞状态。即根据当前的输入xt和上一时刻输出ht-1计算出一个向量ft＝σ(Wf·[ht-1,xt]+bf)；ft在每一维度上的值都在(0，1)范围内，再将上一时刻的Ct-1与ft向本文档来自技高网...

【技术保护点】
1.一种轨迹预测方法，其特征在于，包括：/n将待预测的轨迹中设定长度的子轨迹网格化并编码后输入到长短期记忆LSTM网络中；/n将所述LSTM网络输出的前top_N个概率值对应的网格作为预测结果的候选集；/n从所述候选集中选取中心坐标到所述子轨迹的标记点坐标的欧氏距离在上、下限阈值之间的网格；/n将选取的概率值最高的网格的中心坐标作为所述子轨迹的轨迹预测结果；/n其中，所述LSTM网络是预先根据历史轨迹的数据训练得到的。/n

【技术特征摘要】
1.一种轨迹预测方法，其特征在于，包括：
将待预测的轨迹中设定长度的子轨迹网格化并编码后输入到长短期记忆LSTM网络中；
将所述LSTM网络输出的前top_N个概率值对应的网格作为预测结果的候选集；
从所述候选集中选取中心坐标到所述子轨迹的标记点坐标的欧氏距离在上、下限阈值之间的网格；
将选取的概率值最高的网格的中心坐标作为所述子轨迹的轨迹预测结果；
其中，所述LSTM网络是预先根据历史轨迹的数据训练得到的。


2.根据权利要求1所述的方法，其特征在于，在所述将所述LSTM网络输出的前top_N个概率值对应的网格作为预测结果的候选集之后，还包括：
若所述候选集中不存在中心坐标到所述子轨迹的标记点坐标的欧氏距离在上、下限阈值之间的网格，则将所述子轨迹的标记点所在网格的中心坐标作为所述子轨迹的轨迹预测结果。


3.根据权利要求1所述的方法，其特征在于，所述待预测的轨迹的长度为n，子轨迹提取间隔step＝1，提取的子轨迹的长度为k，提取的子轨迹的数量为n-k。


4.根据权利要求3所述的方法，其特征在于，在对所述轨迹的n-k个子轨迹通过所述LSTM网络进行预测，得到n-k个预测的轨迹坐标后，还包括：
对得到的n-k个预测的轨迹坐标所构成的序列进行卡尔曼滤波；
将滤波得到的最优估计的序列作为所述轨迹的最终预测结果。


5.根据权利要求1-4任一所述的方法，其特征在于，所述将待预测的轨迹中设定长度的子轨迹网格化并编码，包括：
对所述训练集中的任意两个轨迹段，根据这两个轨迹段的时间、空间状态，计算这两个轨迹段之间的时空状态距离；
根据计算出的轨迹段之间的时空状态距离，对轨迹段进行聚类。

【专利技术属性】
技术研发人员：汤俊，阮逸润，秦婉亭，白亮，老松杨，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43