【技术实现步骤摘要】
本专利技术涉及一种基于深度神经网络的路径依赖轨迹预测方法、介质及产品，属于交通与人工智能交叉。
技术介绍
1、轨迹预测技术作为现代智能系统的基石，在诸如自动驾驶、智能交通管理、航空航天以及个人移动设备等众多领域展现出了广泛的应用潜力。其核心在于利用大数据分析、机器学习及深度学习等先进技术，对历史轨迹数据和实时传感器信息进行综合处理，以实现对物体或个体目标未来移动路径的精确预测。在交通领域，当前的轨迹预测技术主要聚焦于提升对目标行为模式的识别与预测能力，尤其是针对具有高度不确定性和复杂性的行为模式。为了实现这一目标，研究人员开发了多种算法和模型，如基于马尔可夫链的预测模型、深度学习网络以及混合模型等，旨在捕捉并学习交通参与者的潜在运动规律，进而提升轨迹预测的长距离稳定性和可靠性。这些技术不仅有助于优化交通流量管理，还能显著提升自动驾驶系统的安全性和效率。
2、尽管现有轨迹预测技术在处理复杂交通场景和不确定性行为方面取得了显著进展，但在特定路径上的精准轨迹预测方面仍存在明显的技术瓶颈。目前，许多方法仍然依赖于传统的物理运动模型与仿真手段进行预测，这些模型虽然在一定程度上能够反映物体的基本运动规律，但在面对实际交通环境中复杂多变的动态因素时，往往难以准确捕捉所有细节，导致建模误差较大。此外，这些传统方法通常伴随着较高的计算复杂度，尤其是在处理大规模数据集和实时预测需求时，计算资源的消耗和预测时间的延迟成为不可忽视的问题。
3、因此，在预测的实时性与准确性之间寻求更好的平衡，成为当前轨迹预测技术面临的一大挑战。缺
4、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
技术实现思路
1、本专利技术所要解决的技术问题是：现有技术因建模误差和较高的计算复杂度，在预测的实时性和准确性方面所表现出的不足。
2、为解决上述技术问题，本专利技术是采用下述技术方案实现的。
3、第一方面，本专利技术提供一种基于深度神经网络的路径依赖轨迹预测方法，包括：
4、获取待预测物体的参考路径；
5、将所述参考路径的起始路径点，作为当前对齐的参考路径数据点，基于预先训练的轨迹预测神经网络，进行预测，输出待预测物体下一时刻的轨迹预测结果，进行随机采样，得到轨迹数据点；
6、根据所述轨迹数据点，确定路径中线上对应的参考数据点，作为当前对齐的参考路径数据点，基于预先训练的轨迹预测神经网络，进行预测，输出待预测物体下一时刻的轨迹预测结果，进行随机采样，依次生成后续时刻的轨迹数据点，得到完整的预测轨迹数据点序列；其中，所述轨迹预测神经网络的预先训练方法，包括：
7、获取待预测物体的理想路径和实际运行轨迹；
8、根据所述理想路径，提取路径点数据，得到参考路径序列；
9、对所述实际运行轨迹中缺失的数据点进行补全，得到轨迹输入数据序列；
10、根据所述参考路径序列，确定所述轨迹输入数据序列中的当前时刻的数据点所在的路径中线对应的参考数据点，得到对齐的参考路径数据序列；
11、将所述轨迹输入数据序列和对齐的参考路径数据序列作为训练集，输入预先构建的轨迹预测神经网络，进行训练，当损失函数的损失值达到阈值时结束训练，得到预先训练好的轨迹预测神经网络。
12、进一步地，所述根据理想路径，提取路径点数据，得到参考路径序列，包括：
13、根据电子地图，获取待预测物体的多条理想路径；
14、在每条理想路径的路径中线上，按固定间隔提取路径点数据，得到路径数据序列；
15、对所述路径数据序列进行数据预处理，得到参考路径序列。
16、进一步地，所述路径点数据包括当前时刻路径点所在位置的经度、纬度、曲率半径以及坡角，对所述路径数据序列进行数据预处理，得到参考路径序列，包括：
17、对所述路径数据序列中的每个路径点数据进行归一化处理，得到参考路径序列，
18、对所述路径点所在位置的经度进行归一化处理的表达式为：
19、 （1）；
20、式中，表示第个路径点所在位置的经度归一化后的数值，表示第个路径点所在位置的经度，表示所有路径点所在位置的经度的最小值，表示所有路径点所在位置的经度的最大值，其中，，表示所述路径数据序列中的路径点的总数；
21、对所述路径点所在位置的纬度进行归一化处理的表达式为：
22、 （2）；
23、式中，表示第个路径点所在位置的纬度归一化后的数值，表示第个路径点所在位置的纬度，表示所有路径点所在位置的纬度的最小值，表示所有路径点所在位置的纬度的最大值；
24、对所述路径点所在位置的曲率半径进行归一化处理的表达式为：
25、 （3）；
26、式中，表示第个路径点所在位置的曲率半径归一化后的数值，表示第个路径点所在位置的曲率半径，表示所有路径点所在位置的曲率半径的最小值，表示所有路径点所在位置的曲率半径的最大值；
27、对所述路径点所在位置的坡角值进行归一化处理的表达式为：
28、 （4）；
29、式中，表示第个路径点所在位置的坡角归一化后的数值，表示第个路径点所在位置的纬度，表示所有路径点所在位置的坡角的最小值，表示所有路径点所在位置的坡角的最大值。
30、进一步地，所述对所述实际运行轨迹中缺失的数据点进行补全，得到轨迹输入数据序列，包括：
31、通过高斯滤波对所述实际运行轨迹去除噪声干扰，得到平滑处理后的实际运行轨迹；
32、利用多项式插值对平滑处理后的实际运行轨迹中缺失的数据点进行补全，得到轨迹数据序列，所述数据点包含当前时刻所在位置对应的经度和纬度；
33、对所述轨迹数据序列进行数据预处理，得到轨迹输入数据序列。
34、进一步地，对所述轨迹数据序列进行数据预处理，得到轨迹输入数据序列包括：
35、根据上一时刻和当前时刻所述轨迹数据序列中的数据点的经度和纬度，计算当前时刻的经度偏移量和纬度偏移量；
36、分别对所述当前时刻的经度偏移量和纬度偏移量进行归一化，得到归一化的经度偏移量和纬度偏移量；
37、根据轨迹输入数据序列的起始时刻的数据点坐标和归一化的经度偏移量和纬度偏移量构建轨迹输入数据序列。
38、进一步地，通过多项式插值方法确定所述轨迹输入数据序列中的任一数据点所在路径中线上对应的参考数据点，得到对齐的参考路径数据序列。
39、进一步地，所述损失函数的表达式表示为：
40、 （5）；
本文档来自技高网...【技术保护点】
1.一种基于深度神经网络的路径依赖轨迹预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度神经网络的路径依赖轨迹预测方法，其特征在于，所述根据理想路径，提取路径点数据，得到参考路径序列，包括：
3.根据权利要求2所述的基于深度神经网络的路径依赖轨迹预测方法，其特征在于，所述路径点数据包括当前时刻路径点所在位置的经度、纬度、曲率半径以及坡角，对所述路径数据序列进行数据预处理，得到参考路径序列，包括：
4.根据权利要求1所述的基于深度神经网络的路径依赖轨迹预测方法，其特征在于，所述对所述实际运行轨迹中缺失的数据点进行补全，得到轨迹输入数据序列，包括：
5.根据权利要求4所述的基于深度神经网络的路径依赖轨迹预测方法，其特征在于，对所述轨迹数据序列进行数据预处理，得到轨迹输入数据序列包括：
6.根据权利要求1所述的基于深度神经网络的路径依赖轨迹预测方法，其特征在于，通过多项式插值方法确定所述轨迹输入数据序列中的任一数据点所在路径中线上对应的参考数据点，得到对齐的参考路径数据序列。
7.根据权利要求5所述的基
8.根据权利要求1所述的基于深度神经网络的路径依赖轨迹预测方法，其特征在于，基于门控循环单元构建所述轨迹预测神经网络；其中，所述轨迹预测神经网络在当前时刻输出的轨迹预测结果与输入数据的关系表示为：
9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于深度神经网络的路径依赖轨迹预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度神经网络的路径依赖轨迹预测方法，其特征在于，所述根据理想路径，提取路径点数据，得到参考路径序列，包括：
3.根据权利要求2所述的基于深度神经网络的路径依赖轨迹预测方法，其特征在于，所述路径点数据包括当前时刻路径点所在位置的经度、纬度、曲率半径以及坡角，对所述路径数据序列进行数据预处理，得到参考路径序列，包括：
4.根据权利要求1所述的基于深度神经网络的路径依赖轨迹预测方法，其特征在于，所述对所述实际运行轨迹中缺失的数据点进行补全，得到轨迹输入数据序列，包括：
5.根据权利要求4所述的基于深度神经网络的路径依赖轨迹预测方法，其特征在于，对所述轨迹数据序列进行数据预处理，得到轨迹输入数据序列包括：
6.根据权利要求1所述的基于深...
【专利技术属性】
技术研发人员：张天慈，吴秀萍，渠基顺，丛玮，王崴崴，孙嵩松，田杰，徐晓美，万茂松，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。