一种基于Deepwalk-LSTM编码的车辆未来轨迹预测方法

技术领域

本发明涉及自动驾驶系统安全技术领域，具体为一种基于Deepwalk-LSTM编码的车辆未来轨迹预测方法。

背景技术

近年来，自动驾驶成为新一轮科技革命的焦点，国家也将自动驾驶作为汽车行业创新和变革的重要方向，目前已经进入大规模研发测试阶段，未来将逐步面向大众投放使用和推广。自动驾驶系统的核心主要包括三个部分。分别是感知、规划、控制。其中车辆轨迹预测起着承上启下的关键作用，是自动驾驶系统的核心模块之一。车辆轨迹模块一方面通过得到感知模块从环境中收集到的信息和提取到的相关知识；另一方面通过结合高精度地图对周围的动态和静态物体进行轨迹预测，预测出这些周围障碍物的下一步运动，再通过将精准有效的运动预测结果传输给决策规划层，协助决策规划层提前做好决策。对驾驶员决策特征的研究表明，汽车与周围移动车辆的相对速度、相对距离等因素会极大地影响驾驶员的决策，进而影响驾驶安全。对于行驶环境中的静态车辆，智能车辆可以沿着规划的轨迹进行安全行驶；而对于动态车辆，人类驾驶员一般可以利用过去的经验和直觉来预测其他驾驶员的行为，以避免潜在的事故。所以为了在动态环境中安全行驶智能汽车需要通过实时预测周围移动车辆的轨迹来提高驾驶安全性。精确的轨迹预测有助于决策规划做出合理的运动决策，从而大大提高交通的安全性。

车辆轨迹预测任务是通过车辆历史运动轨迹，车辆本身特征信息和周围环境信息进行建模，预测车辆未来一段时间的运动轨迹。车辆轨迹预测方法主要有可以分为两种：1)基于运动学的轨迹预测模型，2)基于数据驱动的轨迹预测模型。在早期的车辆轨迹预测算法研究中，由于受到计算机设备和数据规模的限制，大多采用建立运动学轨迹预测模型的方法预测车辆轨迹。这种方法无法捕获车辆轨迹复杂动态环境信息和车辆之间的时空交互信息，使运动学预测模型仅在短期轨迹预测任务时适用，在长期轨迹预测时目标仅与运动学相关的假设则不再成立会导致预测位置与实际位置偏差大，预测精度不够高。近年来，随着计算机设备的不断迭代，数据规模的不断增加，基于数据驱动的轨迹预测方法不断发展。其中各种各样的深度学习轨迹预测方法被关注，其通过深度学习模型，例如LSTM、RNN、CNN等方法对车辆历史运动轨迹，车辆本身特征信息和周围环境信息进行建模。但这些方法没有考虑车辆轨迹的时空信息和车辆之间复杂的交互信息和每台车辆轨迹的时空信息，对于车辆的轨迹预测精度不高。

发明内容

本发明的目的在于：提供一种基于Deepwalk-LSTM编码的车辆未来轨迹预测方法，以解决以上缺陷。

为了实现上述目的，本发明提供如下技术方案：

一种基于Deepwalk-LSTM编码的车辆未来轨迹预测方法，包括以下步骤：

S1、对原始GPS数据进行预处理得到车辆的行驶轨迹；

S2、将S1步骤处理后的轨迹数据视作连续的节点转化为图数据；

S3、通过DeepWalk-LSTM编码器对每台车辆的连续轨迹点的时空信息进行编码；

S4、通过自注意力机制捕获编码后的车辆之间的交互关系，再采用LSTM解码器生成未来的车辆轨迹；

S5、采用平均位移误差ADE和最终位移误差FDE损失函数对模型进行训练并保存，以更新模型中间参数；训练完毕后，将车辆历史轨迹数据输入保存好的模型当中，模型的输出为车辆的未来轨迹。

优选地，所述步骤S1，具体包括：

S1.1、对原始GPS数据进行平滑处理，清除其异常值和缺失值；

S1.2、通过GPS数据中的时间窗、车辆ID和坐标点得到每个车辆ID的轨迹点数据；

S1.3、对每一帧的数据设置阈值，包括：轨迹点数量不超过轨迹点数量阈值node_max，轨迹点之间的距离不超过距离阈值distance_max，以及每一帧中车辆数量不超过车辆数量阈值car_max；

S1.4、对处理好的数据进行滑动窗口采样，其中每个样本都含有车辆的真时轨迹数据，其中选择历史时间步长的轨迹点数据作为历史数据，另一部分作为标签数据；再对所有数据按一定比例划分为训练集，验证集和测试集；训练集用来训练模型参数，验证集用来调整参数，测试集来判断模型的准确性。

优选地，所述步骤S2，具体包括：

S2.1、提取每台车辆的历史轨迹数据，每台车的历史轨迹数据可以表示成图的节点

S2.2、根据步骤S2.1构建的节点集与边集，再将车辆的历史轨迹表示成图结构数据，节点的特征矩阵表示为X

优选地，所述步骤S3，具体包括：

S3.1、利用Deepwalk编码器在根据S2.2所构建的图结构数据上进行随机游走过获得空间信息的编码，来获取历史轨迹的空间信息；将图结构数据输入到Deepwalk编码器：

式中，

Deepwalk编码器，具体公式表示为：

Node_sequence＝Random_walk(G) (2)，

式中，Random_walk(G)表示在图中进行随机游走，Node_sequence代表随机游走所采样的节点序列，Skip-gram()算法可以有效地将序列表示为特征向量，它为我们提供了节点的向量表示；

S3.2、根据步骤S3.1得到的经过DeepWalk编码后的历史轨迹特征向量之后，利用LSTM网络对其历史轨迹信息进行时间编码，来获取时间信息；其总体公式如下所示：

式中，

S3.3、LSTM编码器的具体方法为：将权重矩阵作为输入数据与轨迹点特征向量进行融合，并通过激活函数输出遗忘门、输入门、输出门的结果公式如下所示：

式中，其中输入记为

S3.4、通过输入门和tanh层控制需要添加单元状态的信息，以保证对车辆i的历史轨迹的时间信息进行捕获，添加到单元状态的信息表示为：

式中，

S3.5、将输入们和tanh层生成的信息组合起来，通过遗忘门和输入门与添加到单元状态的信息的点乘之和来更新单元状态，之后通过输出门的结果得到编码向量，具体公式如下所示：

最后根据时间拼接得到编码后的轨迹点向量

优选地，所述步骤S4，具体包括：

S4.1、引入自注意力机制，通过计算同一时刻下每台车辆轨迹点与其他车辆轨迹点的关联权重，进而利用其它车辆轨迹点的特征值与获取的关联权重对这个车辆轨迹点的特征进行更新；通过这种方式，在提取车辆轨迹交互特征的过程中，能够自适应地捕捉异质联系；

S4.2、根据S3步骤经DeepWalk编码器得到的同一历史事件步下的特征向量表示，然后通过自注意力模块学习捕获车辆交互信息的问询矩阵、键值矩阵、取值矩阵，其具体公式如下：

式中，X

S4.3、通过问询矩阵、键值矩阵、取值矩阵，分别计算每辆车的注意力，具体公式如下所示：

head

式中，S

S4.4、将多组自注意力的结果沿着特征维度进行拼接，得到多头自注意力矩阵，具体如下所示：

X

式中：

S4.5、根据S4.4步骤得到的特征向量，经过LSTM解码器得到预测轨迹，LSTM解码器公式如下所示：

式中，

S4.6、通过全连接层最后得到预测轨迹，其公式如下：

式中，

优选地，所述步骤S5，具体如下：

S5.1、将历史数据输入搭建好的模型当中输出未来的预测轨迹，预测轨迹和真实轨迹间的偏离程度通过平均位移误差ADE和最终位移误差FDE来表示，通过最小化损失值，反向传播误差学习到模型中的参数，ADE和FDE计算公式如下式：

S5.2、在训练的过程中，当验证集损失出现20次不下降的情况时，我们终止训练防止过拟合，并保存模型；将测试集的车辆历史轨迹输入进保存好的模型当中，模型的输出为车辆未来的轨迹。

本发明的有益效果在于：

本发明一种基于Deepwalk-LSTM编码的车辆未来轨迹预测方法，首次设计出一种基于DeepWalk-LSTM编码器的车辆轨迹预测框架，捕获车辆轨迹数据中的时空特性，为车辆轨迹数据进行有效的编码；通过使用多头自注意力机制，学习车辆间复杂的交互信息，并利用LSTM解码器对其进行时间序列解码输出车辆未来轨迹，车辆轨迹预测精度高，也解决了传统方法长时间预测精度下降的问题，稳定性好，能够有效提高动态环境中自动驾驶车辆的行驶安全性。

附图说明

图1：基于Deepwalk-LSTM编码的车辆未来轨迹预测方法的整体流程图。

具体实施方式

以下结合实施例对本发明作进一步的说明，需要说明的是，仅仅是对本发明构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应视为落入本发明的保护范围。

实施例1：

如图1所示，一种基于Deepwalk-LSTM编码的车辆未来轨迹预测方法，包括以下步骤：

S1、对原始GPS数据进行预处理得到车辆的行驶轨迹，具体步骤如下：

S1.1、对原始GPS数据进行预处理，清除其异常值和缺失值。

采用的数据集为2016年北京市网约车GPS数据集，时间跨度为2016年11月1日至2016年12月30日。由于原始数据集中包含许多无用的属性较，因此我们将于是数据进行简化和清洗，经简化属性如下表1所示：

表1：数据处理的简化属性

对简化后的数据进行平滑处理，并删除其中的异常值和不可靠的信号。

S1.2、通过GPS数据中的时间窗、车辆ID和坐标点，得到每个车辆ID在时间跨度里的轨迹点数据。

S1.3、对每一帧的数据设置阈值，包括：轨迹点数量不超过轨迹点数量阈值node_max，轨迹点之间的距离不超过距离阈值distance_max，以及每一帧中车辆数量不超过车辆数量阈值car_max。

经过S1.2步骤得到的轨迹点数据之后，需要根据所属道路和时间帧进对数据行分割，并以第一个轨迹点的经纬度坐标为坐标原点对轨迹点进行标准化处理。经过处理的每一时间帧的轨迹数据属性如表2所示。

表2：每一时间帧的轨迹数据属性

S1.4、对S1.3步骤处理好的数据进行滑动窗口采样，其中每个样本都含有100帧的车辆的真时轨迹数据，其中选择历史时间步长的前50帧轨迹点数据作为历史数据，另一部分后50帧作为标签数据；再对所有数据按7：1：2的比例划分为训练集，验证集和测试集；训练集用来训练模型参数，验证集用来调整参数，测试集来判断模型的准确性。

S2、将S1步骤处理后的轨迹数据视作连续的节点转化为图数据，具体步骤如下：

S2.1、提取每台车辆的历史轨迹数据，每台车的历史轨迹数据可以表示成图的节点

S2.2、根据步骤S2.1构建的节点集与边集，再将车辆的历史轨迹表示成图结构数据，节点的特征矩阵表示为X

S3、通过DeepWalk-LSTM编码器对每台车辆的连续轨迹点的时空信息进行编码，具体步骤如下：

S3.1、利用Deepwalk编码器在根据S2.2所构建的图结构数据上进行随机游走过获得空间信息的编码，来获取历史轨迹的空间信息；将图结构数据输入到Deepwalk编码器：

式中，

Deepwalk编码器，具体公式表示为：

Node_sequence＝Random_walk(G) (2)，

式中，Random_walk(G)表示在图中进行随机游走，Node_sequence代表随机游走所采样的节点序列，Skip-gram()算法可以有效地将序列表示为特征向量，它为我们提供了节点的向量表示。

S3.2、根据步骤S3.1得到的经过DeepWalk编码后的历史轨迹特征向量之后，利用LSTM网络对其历史轨迹信息进行时间编码，来获取时间信息；其总体公式如下所示：

式中，

S3.3、LSTM编码器的具体方法为：将权重矩阵作为输入数据与轨迹点特征向量进行融合，并通过激活函数输出遗忘门、输入门、输出门的结果公式如下所示：

式中，其中输入记为

S3.4、通过输入门和tanh层控制需要添加单元状态的信息，以保证对车辆i的历史轨迹的时间信息进行捕获，添加到单元状态的信息表示为：

式中，

S3.5、将输入们和tanh层生成的信息组合起来，通过遗忘门和输入门与添加到单元状态的信息的点乘之和来更新单元状态，之后通过输出门的结果得到编码向量，具体公式如下所示：

最后根据时间拼接得到编码后的轨迹点向量

S4、通过自注意力机制捕获编码后的车辆之间的交互关系，再采用LSTM解码器生成未来的车辆轨迹，具体步骤如下：

S4.1、引入自注意力机制，通过计算同一时刻下每台车辆轨迹点与其他车辆轨迹点的关联权重，进而利用其它车辆轨迹点的特征值与获取的关联权重对这个车辆轨迹点的特征进行更新；通过这种方式，在提取车辆轨迹交互特征的过程中，能够自适应地捕捉异质联系。

S4.2、根据S3步骤经DeepWalk编码器得到的同一历史事件步下的特征向量表示，然后通过自注意力模块学习捕获车辆交互信息的问询矩阵、键值矩阵、取值矩阵，其具体公式如下：

式中，X

S4.3、通过问询矩阵、键值矩阵、取值矩阵，分别计算每辆车的注意力，具体公式如下所示：

head

式中，S

S4.4、利用多头自注意力机制求解不同节点间的关联程度，可以更好地对交互信息进行建模。同时，由于多头自注意力的并联结构，我们可以适度提升特征维度进行并行化计算，这样既可以表征更多的信息还可以提升模型的计算速度。将多组自注意力的结果沿着特征维度进行拼接，得到多头自注意力矩阵，具体如下所示：

式中：

S4.5、根据S4.4步骤得到的特征向量，经过LSTM解码器得到预测轨迹，与传统的全连接相比，LSTM解码器将会捕获到时间信息。LSTM解码器公式如下所示：

式中，

S4.6、通过全连接层最后得到预测轨迹，其公式如下：

式中，

S5、采用平均位移误差ADE和最终位移误差FDE损失函数对模型进行训练并保存，以更新模型中间参数，具体步骤如下：

S5.1、将历史数据输入搭建好的模型当中输出未来的预测轨迹，预测轨迹和真实轨迹间的偏离程度通过平均位移误差ADE和最终位移误差FDE来表示，通过最小化损失值，反向传播误差学习到模型中的参数，ADE和FDE计算公式如下式：

S5.2、在训练的过程中，当验证集损失出现20次不下降的情况时，我们终止训练防止过拟合，并保存模型；将测试集的车辆历史轨迹输入进保存好的模型当中，模型的输出为车辆未来的轨迹。

图嵌入方法通过将图中节点从低维空间映射到高维空间，将节点的空间信息捕获并通过向量表示出来，通过图嵌入算法可以更加全面、准确地表达车辆轨迹的空间信息。考虑到轨迹数据的时空特性和车辆之间的交互信息，本发明提出的一种DeepWalk-LSTM编码器模型对每个轨迹点进行编码，该模型将轨迹点连接成图结构，并且利用DeepWalk图嵌入编码器进行空间信息提取，随后通过LSTM编码器对时信息进行建模。相较于循环神经网络和图卷积网络，DeepWalk-LSTM编码器可以更好的提取轨迹的时空信息。之后，由于车辆之间存在着复杂的交互信息，利用多头注意力机制对车辆之间的交互信息进行建模，最后通过LSTM解码器输出预测轨迹。本发明方法不仅考虑了车辆之间的交互信息，还考虑了每台车辆轨迹的时空信息，解决了传统方法对于长时间预测精度下降的问题。

本发明的工作原理是：由于车辆的轨迹数据具有明显的时空特性，而传统的深度学习模型如：循环神经网络，LSTM和卷积神经网络并没有足够的能力对其进行建模，二图嵌入方法是可以很好的解决其问题。本发明首先对数据进行预处理，之后对车辆在道路上连续轨迹序列进行构图，将每个轨迹点作为图中的一个节点，连续的轨迹点之间建立边。通过图嵌入方法我们可以得到连续节点的空间信息，之后利用LSTM网络来对时间信息进行建模。在对轨迹数据进行编码之后我们只捕获了每台车辆自身的时空特性，由于车辆之间存在复杂的交互关系，为了解决这一问题，本发明引入多头注意力机制来对车辆间的交互关系进行建模，通过注意力机制学习车辆间的不同，之后利用LSTM解码器对张量进行解码输出预测轨迹。

本发明一种基于Deepwalk-LSTM编码的车辆未来轨迹预测方法，首次设计出一种基于DeepWalk-LSTM编码器的车辆轨迹预测框架，捕获车辆轨迹数据中的时空特性，为车辆轨迹数据进行有效的编码；通过使用多头自注意力机制，学习车辆间复杂的交互信息，并利用LSTM解码器对其进行时间序列解码输出车辆未来轨迹，车辆轨迹预测精度高，也解决了传统方法长时间预测精度下降的问题，稳定性好，能够有效提高动态环境中自动驾驶车辆的行驶安全性。

上述是对发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的这种非实质改进，或未经改进将发明的构思和技术方案直接应用于其他场合的，均在本发明的保护范围之内。