(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111659088.4 (22)申请日 2021.12.3 0 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 蒋睿　徐红云　旷勇　刘志康　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 代理人 冯炳辉 (51)Int.Cl. G06F 16/29(2019.01) G06F 16/2458(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于LSTM和时空注意力机制的车辆轨 迹预测方法 (57)摘要 本发明公开了一种基于LSTM和时空注意力 机制的车辆轨迹预测方法， 是基于LSTM编码模 块、 LSTM解码模块、 空间注意力机制和时序注意 力机制进行车辆轨迹的精准预测， 首先对路网进 行栅格化处理， 并划分输入到LS TM编码模块中的 历史轨迹 数据段， 然后提取车辆自身移动特征和 全局空间特征， LS TM编码模块和LS TM解码模块主 要用于实现对历史 时间内的特征向量进行学习， 并预测车辆未来一段时间的轨迹。 本发明基于 LSTM和时空注意力机制进行车辆轨迹预测， 能够 提取车辆移动中的局部和全局特征， 尽可能真实 的模拟车辆在路网环境中的移动情况， 提高了车 辆轨迹预测的准确性。 权利要求书3页 说明书6页 附图1页 CN 114372116 A 2022.04.19 CN 114372116 A 1.一种基于LSTM和时空注意力机制的车辆轨迹预测方法， 其特征在于， 该方法是基于 LSTM编码模块、 LSTM解码模块、 空间注意力机制和时序注意力机制 进行车辆轨迹的精准预 测， 其包括以下步骤： 1)预处理车辆原始轨迹数据集， 包括将对应的路网进行栅格化处理， 然后将轨迹的位 置点映射到对应的栅格内， 并划分输入到LSTM编码模块的车辆历史轨 迹数据段； 2)提取车辆历史轨迹数据 段的每个采样时刻的特征信 息， 包括提取车辆的移动特征和 局部空间特 征， 并利用空间注意力机制捕捉车辆的全局空间特 征； 3)将每个采样时刻的特征信息连接起来作 为LSTM编码模块的输入， LSTM编码模块对输 入的特征进 行编码， 然后利用时序 注意力机制计算LSTM编 码模块不同时刻的输出对预测未 来轨迹的影响权 重； 4)将LSTM编码模块的输出和权重系数线性 融合作为LSTM解码模块的输入， LSTM解码模 块进行解码输出， 最后将LSTM解码模块的输出向量序列输入到预测层， 映射为预测位置点 构成未来轨 迹数据段。 2.根据权利要求1所述的一种LSTM和时空注意力机制的车辆轨迹预测方法， 其特征在 于， 在步骤1)中， 车辆原始轨迹数据集中的任意一条轨迹Traj表示为： Traj＝{vehicle_id, (p1,p2...,pn)},其中vehicle_id为轨迹 所属车辆的标识， pi＝{xi,yi,ti,vi,ai,lane_id}为 构成轨迹的采样位置点， 表示车辆在ti时刻的路网位置为(xi,yi)， 速度和加速度分别为vi 和ai， i＝1,2, …,n， 所属车道lane_id； 由于采样位置点是一个精确的位置点， 考虑到目标 车辆自身的长度和宽度， 为pi添加一个属性cell_id， 其中 begin表示路网的起始位置， average_car_length表示车辆的平均长度； 划分得到输入LSTM 编码模块的车辆历史轨迹数据段Hist_Traj， tobs 为车辆历史轨 迹数据段的长度。 3.根据权利要求1所述的一种LSTM和时空注意力机制的车辆轨迹预测方法， 其特征在 于， 在步骤2)中， 分别从以下 各维度提取目标 车辆的特 征信息： 将目标车辆的位置(xi,yi)转换为一个高维向量表示， 即它的局部空间特征 其中 是一个激活函数为Leaky_Relu()函数的全连接神经网络， 表示该网络的参数， R表示实数空间， D1为特征空间的维度； 在实际的路网环境中， 车辆在移动过程中是受到其周围车辆的影响， 为了有效地捕捉 邻居车辆对目标车辆的影响， 这里使用空间注意力机制来计算不同车辆对目标车辆的影响 权重系数αij， 其中 表示一个单向的前馈神经网络的权重 参数， ||表示连接操作， σ 是一个非线性 的Leaky_Relu()函数， N表示目标车辆邻居车辆的 个数， i， j分别表示车辆i和j； 最后， 使用线性组合计算出 目标车辆该时刻的全局空间特征权　利　要　求　书 1/3 页 2 CN 114372116 A 2eg， 其中Ω是一个非线性的Relu()函数； 此外， 考虑到车辆的速度变化情况对其行驶的影响， 根据车辆自身的速度和加速度提 取其移动特征emove， emove＝Λ(vi,ai； Wmove)， Λ也是一个激活函数为Leaky_Relu()函数的全 连接神经网络， 表示该网络的参数， D2为移动特 征空间的维度。 4.根据权利要求1所述的一种LSTM和时空注意力机制的车辆轨迹预测方法， 其特征在 于， 所述步骤3)包括以下步骤： 3.1)将步骤2)中捕捉到的移动特征和全局空间特征连接起来， 得到融合特征向量z， 它表示任一采样时刻的融合特征向量， 其中||表示连接操作， eg为 全局空间特征， emove为移动特征， R表示实数空间； 然后将历史时间对应的融合特征向量输 入到LSTM编码模块中， tobs为车辆历史轨 迹数据段的长度； 3.2)在LSTM编码模块中， 此时对于目标 车辆i而言， 有 表示LSTM编码模块在时刻t的隐藏 状态向量， 是LSTM编码模块的参数， denc表示LSTM编码模块维度； 每一 个LSTM编码模块共享相同的参数Wenc； 3.3)使用时序注意力机制计算LSTM编码模块的输出状态序列 对 预测未来轨迹的影响情况， 即 其中 表示车辆 i的编码模 块的输出状态向量和LSTM 解码模块的隐藏状态向量的相关性， u、 W1和W2为权重参数， uT表示 u的转置， tanh为激活函数， 表示LSTM解码模块t ′时刻的隐藏状态向量， 为LSTM编 码 模块在第k时刻的输出状态向量， 且t ′＝tobs+1,tobs+2， ....,tobs+tpred,tpred表示未来轨迹的 长度， k＝1,2， ...,tobs； 此时， 能够计算出权重系数 表示LSTM解码模块 的输出状态向量 在t′时刻对LSTM解码 模块预测轨迹下一个位置点的影响权重， 最后计 算得到 表示车辆i在t ′时刻输入到LSTM解码模块的上 下文向量。 5.根据权利要求1所述的一种LSTM和时空注意力机制的车辆轨迹预测方法， 其特征在 于， 在步骤4)中， LSTM解码模块中， 此时对于目标车辆i而言， t′＝tobs+1,tobs+2， ....,tobs+tpred， tobs为车辆历史轨迹数据段的长度， tpred表示未来轨迹的 长度， 表示LSTM解码模块在t ′时刻的隐藏状态向量， 表示LSTM解码模块在t ′ ‑1时刻 的隐藏状态向量， 表示车辆i在t ′时刻输入到LSTM解码模块的上下文向量， 是LSTM解码模块的参数， R表示实数空间， ddec表示LSTM解码模块的维度；权　利　要　求　书 2/3 页 3 CN 114372116 A 3