一种基于LSTM神经网络的群目标行进趋势预测方法技术

本发明专利技术提供了一种基于LSTM神经网络的群目标行进趋势预测方法，利用群目标间的相对空间关系对实际场景中的交互性群目标进行建模，建立LSTM长短时记忆神经网络进行轨迹位置预测计算。依据群组中单目标间联络通信、协同合作关系、单目标型号特征以及群目标活动性质进行依赖预测，排除不合理因素，得出群目标行进轨迹趋势的最小预测空间，对最终预测结果进行可视化表达。与传统对单一目标轨迹预测相比，本发明专利技术解决了对具有一定相关性、交互性的复杂群目标行进趋势预测的相关问题，能够充分利用目标历史航迹、目标关联关系、目标型号类别、目标体量特征、目标活动性质等信息综合全面地进行推算、预测，尽准地提供了群目标行进趋势的预测结果。

【技术实现步骤摘要】
一种基于LSTM神经网络的群目标行进趋势预测方法
本专利技术涉及一种基于LSTM神经网络的群目标行进趋势预测方法。
技术介绍
目前，国内外在无人驾驶、交通流量、行人轨迹等领域对目标行进趋势的预测技术有着较为广泛的研究与应用。尽准预测目标的行进趋势、运动轨迹对于尽早掌握目标将来位置、挖掘目标行为意图有着重要的意义。然而，针对一组具有联络通信、协同合作等复杂关联关系的群目标进行整体行进趋势预测仍面临着诸多问题：1)现有预测技术更多的是针对单一类别的目标轨迹进行预测，而缺少针对多类型、交互性群目标整体行进趋势预测方面的研究。2)在预测中对目标历史轨迹信息使用不充分以及对目标所处环境的动态性考虑不充分致使预测准确率过度依赖于目标当前状态；3)忽略单目标的型号、体积等固有特征在目标群整体行进趋势预测中的权重影响。4)缺少在目标活动性质对预测空间影响方面的考虑。5)缺少对群目标行进趋势预测结果计算和表达有效方式。
技术实现思路
专利技术目的：本专利技术所要解决的技术问题是针对现有技术的不足，提供一种基于LSTM神经网络的群目标行进趋势预测方法，该方法通过利用群目标间的相对位置、相对朝向、相对体积、相对速度大小等相对空间关系对实际场景中复杂又抽象的交互性群目标进行建模，对群组中单目标长时历史航迹点做预处理，建立LSTM长短时记忆神经网络进行轨迹位置预测计算。在此基础上，依据群组中单目标间联络通信、协同合作关系、单目标型号特征以及群目标活动性质等方面的信息进行依赖预测，排除不合理因素，分析得出群目标行进轨迹趋势的最小预测空间，并基于地理信息背景，对最终预测结果进行可视化表达。本专利技术公开了一种基于LSTM神经网络的群目标行进趋势预测方法，包括如下步骤：步骤1、对群组中各单目标的轨迹点进行预处理操作；步骤2、建立LSTM长短时记忆神经网络预测模型，以群组中各单目标轨迹序列为输入，预测计算群组中各单目标轨迹趋势；步骤3、计算得到关于群目标整体行进趋势的最小预测空间；步骤4、依据群组中各单目标轨迹预测结果及最小预测空间，计算群组整体行进趋势的置信区间；步骤5、基于二维地理信息背景，对群目标行进趋势预测结果进行可视化设计和展示。步骤1中包括：对于给定的目标群集合G＝{g1,g2,g4,g5,…gn}，其中n代表群组中单目标总数，且n∈N*，N*为正整数，gn代表群组中第n个目标的轨迹点序列，首先，抽取集合G中各单目标在给定时间段[t1,t2]内的历史轨迹信息形成按时间进行排序的序列型结构数据，其中t1代表起始时间点，t2代表终止时间点，且t1<t2；其次根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证，得到历史轨迹点序列，；最后，再根据预测输入数据序列步长要求，对历史轨迹点序列进行插值补全以得到满足预测输入数据序列的密度要求。步骤1中，所述根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证，得到历史轨迹点序列，包括：在来源方式方面，建立轨迹点来源方式的采信优先级规则，对于给定单目标的一个轨迹点，采信优先级最高的来源方式上报的轨迹点位；如果存在来源方式优先级相等的情况，则计算优先级相等的所有来源方式上报点位的平均经纬度，作为最终采信的轨迹点位。步骤1中，对历史轨迹点序列进行三阶贝赛尔曲线补全以得到满足预测输入数据序列的密度要求，对于一组历史轨迹点序列R＝{p1(x1,y1),p2(x2,y2),p3(x3,y3),…pn(xn,yn)}，其中n∈N*，pn表示第n个历史轨迹点，(xn,yn)为pn的坐标，设定根据预测输入数据序列要求，需要在pn与pn+1之间进行插值补全，针对原始点pn和pn+1确定两个控制点cn和dn,，且cn位于pn之前，dn位于pn之后，则cn坐标为(xn+α(xn+1–xn-1),yn+α(yn+1-yn-1))，dn坐标为(xn+1-β(xn+2–xn),yn+1-β(yn+2-yn))，其中α、β为常量，则位于pn与pn+1间的三阶贝赛尔曲线的参数方程为：其中s为求pn与pn+1之间插值轨迹点时所指定的长度比例，根据人为指定的轨迹预测步长要求进行各单目标历史轨迹插值补点计算。步骤2具体包括如下步骤：步骤2-1，群组中各单目标历史航迹按LSTM长短时记忆神经网络输入需求进行预处理：对于群组中的一个给定单目标，将其在时间段[t1,t2]内的历史轨迹点集合标记为H[t1,t2]＝{h1(x1,y1),h2(x2,y2),h3(x3,y3),…hn(xn,yn)}，其中n∈N*，hn表示给定单目标历史轨迹点集合H[t1,t2]中的第n个轨迹点，(xn,yn)为hn的坐标；对集合H[t1,t2]中的元素进行降维处理，最终形成两个序列化数据集合Hlon＝{x1,x2,x3,…xn}和Hlat＝{y1,y2,y3,…yn}；对输入序列Hlon和Hlat做等量子集划分，即做mini-batch操作，在历史轨迹进行三阶贝赛尔插值补全操作中保证在时间段[t1,t2]内轨迹点保证一定的密度([t1,t2]内轨迹点密度是通过设置三阶贝塞尔插值补全中的s值来保证的)，等量子集划分参数即规定每次向LSTM长短时记忆神经网络中输入个样本进行训练调整参数；设定序列长度steps＝3；最终确定batch_size*steps的二维数组长度作为一组训练数据量；步骤2-2，构建LSTM循环神经网络，包括输入层、LSTM长短时记忆神经网络层以及输出层；输入层中输入数据量的长度由batch_size和steps共同确定，输入层有三个输入要素Ct-1、Ht-1和Xt，Ct-1位于主记忆线上，是LSTM循环中对前期状态的记忆，Ht-1是训练序列(训练序列是每次训练所得出的结果所构成的序列)中上一个时间点上输入特征向量的预测结果，Xt是训练序列上t时刻的输入特征向量；在构建LSTM长短时记忆神经网络层的过程中，将LSTM长短时记忆神经网络层处理过程划分为忘记阶段、选择性记忆阶段和输出阶段，各阶段分别设计相应的门限控制器，即遗忘门、输入门和输出门，各门限均以sigmoid函数来实现，并且选用tanh作为激励补长函数；其中，遗忘门主要用来决定要保留和遗忘上一个单元模块输出的哪个部分，由t-1时的长期记忆输入Ct-1与指定的遗忘因子确定；输入门针对遗忘门中丢弃的信息在该单元中找到对应的新的属性信息进行补充；输出门根据遗忘门和输入门先后确定的单元状态进行最终结果输出。输出层中通过维度映射，使用softmax函数将多个神经元的输出映射到到(0，1)区间内(参考文献：PHao.Jli.IncrementallyLearningtheHierarchicalSoftmaxFunctionforNeuralLanguageModels.[C].AAAI.2017.)，得到预测结果的概率分布作为最终选择的依据；输出层输出预测序列中t时刻的神经元状态Ct的同时输出预测结果Ht，Ht为一个维的向量，记向量维度本文档来自技高网...

【技术保护点】
1.一种基于LSTM神经网络的群目标行进趋势预测方法，其特征在于，包括如下步骤：/n步骤1、对群组中各单目标的轨迹点进行预处理操作；/n步骤2、建立LSTM长短时记忆神经网络预测模型，以群组中各单目标轨迹序列为输入，预测计算群组中各单目标轨迹趋势；/n步骤3、计算得到关于群目标整体行进趋势的最小预测空间；/n步骤4、依据群组中各单目标轨迹预测结果及最小预测空间，计算群组整体行进趋势的置信区间；/n步骤5、基于二维地理信息背景，对群目标行进趋势预测结果进行可视化设计和展示。/n

【技术特征摘要】
1.一种基于LSTM神经网络的群目标行进趋势预测方法，其特征在于，包括如下步骤：
步骤1、对群组中各单目标的轨迹点进行预处理操作；
步骤2、建立LSTM长短时记忆神经网络预测模型，以群组中各单目标轨迹序列为输入，预测计算群组中各单目标轨迹趋势；
步骤3、计算得到关于群目标整体行进趋势的最小预测空间；
步骤4、依据群组中各单目标轨迹预测结果及最小预测空间，计算群组整体行进趋势的置信区间；
步骤5、基于二维地理信息背景，对群目标行进趋势预测结果进行可视化设计和展示。


2.根据权利要求1所述的方法，其特征在于，步骤1中包括：对于给定的群组集合G＝{g1,g2,g4,g5,…gn}，其中n代表群组中单目标总数，且n∈N*，N*为正整数，gn代表群组中第n个目标的轨迹点序列，首先，抽取集合G中各单目标在给定时间段[t1,t2]内的历史轨迹信息形成按时间进行排序的序列型结构数据，其中t1代表起始时间点，t2代表终止时间点，且t1<t2；其次，根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证，得到历史轨迹点序列，最后，根据预测输入数据序列步长要求，对历史轨迹点序列进行插值补全以得到满足预测输入数据序列的密度要求。


3.根据权利要求2所述的方法，其特征在于，步骤1中，所述根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证，得到历史轨迹点序列，包括：在来源方式方面，建立轨迹点来源方式的采信优先级规则，对于给定单目标的一个轨迹点，采信优先级最高的来源方式上报的轨迹点位；如果存在来源方式优先级相等的情况，则计算优先级相等的所有来源方式上报点位的平均经纬度，作为最终采信的轨迹点位。


4.根据权利要求3所述的方法，其特征在于，步骤1中，对历史轨迹点序列进行三阶贝赛尔曲线补全以得到满足预测输入数据序列的密度要求，对于一组历史轨迹点序列R＝{p1(x1,y1),p2(x2,y2),p3(x3,y3),…pn(xn,yn)}，其中n∈N*，pn表示第n个历史轨迹点，(xn,yn)为pn的坐标，设定根据预测输入数据序列要求，需要在pn与pn+1之间进行插值补全，针对原始点pn和pn+1确定两个控制点cn和dn,，且cn位于pn之前，dn位于pn之后，则cn坐标为(xn+α(xn+1–xn-1),yn+α(yn+1-yn-1))，dn坐标为(xn+1-β(xn+2–xn),yn+1-β(yn+2-yn))，其中α、β为常量，则位于pn与pn+1间的三阶贝赛尔曲线的参数方程为：



其中s为求pn与pn+1之间插值轨迹点时所指定的长度比例，根据指定的轨迹预测步长要求进行各单目标历史轨迹插值补点计算。


5.根据权利要求4所述的方法，其特征在于，步骤2具体包括如下步骤：
步骤2-1，群组中各单目标历史航迹按LSTM长短时记忆神经网络输入需求进行预处理：对于群组中的一个给定单目标，将其在时间段[t1,t2]内的历史轨迹点集合标记为H[t1,t2]＝{h1(x1,y1),h2(x2,y2),h3(x3,y3),…hn(xn,yn)}，其中n∈N*，hn表示给定单目标历史轨迹点集合H[t1,t2]中的第n个轨迹点，(xn,yn)为hn的坐标；
对集合H[t1,t2]中的元素进行降维处理，最终形成两个序列化数据集合Hlon＝{x1,x2,x3,…xn}和Hlat＝{y1,y2,y3,…yn}；
对输入序...

【专利技术属性】
技术研发人员：郭婉，李亚钊，冯燕来，李彭伟，陈娜，欧阳慈，吴诗婳，阚凌志，
申请(专利权)人：中国电子科技集团公司第二十八研究所，
类型：发明
国别省市：江苏;32