车辆行人地图轨迹预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于随机游走图神经网络的车辆行人地图轨迹预测方法及装置，其中，所述方法包括：确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；将待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出待预测目标对象在对应节点出现的概率。在本发明专利技术实施例中，可以有效的预测车辆或者行人在特定时间点后在地图上各个节点出现的概率。各个节点出现的概率。各个节点出现的概率。

【技术实现步骤摘要】
车辆行人地图轨迹预测方法及装置


[0001]本专利技术涉及深度学习
，尤其涉及一种基于随机游走图神经网络的车辆行人地图轨迹预测方法及装置。

技术介绍

[0002]现有技术方案使用LSTM作为骨干网络，搭建基于视频数据的车辆或行人轨迹预测神经网络，以预测车辆或行人在未来一段时间行驶或步行轨迹的改变。由于现有基于LSTM的网络搭建只能预测短时间内局部车辆或行人路径的改变方向，但对于长时间(大于5min小于10min)车辆或行人所处位置(城市地图上的位置)的预测还没有现成的可用神经网络。而该问题的解决有助于提高对肇事车辆或行人通过摄像头的跨镜追踪速度。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于随机游走图神经网络的车辆行人地图轨迹预测方法及装置，可以有效的预测车辆或者行人在特定时间点后在地图上各个节点出现的概率。
[0004]为了解决上述技术问题，本专利技术实施例提供了一种基于随机游走图神经网络的车辆行人地图轨迹预测方法，所述方法包括：
[0005]确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；
[0006]构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；
[0007]在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；
[0008]将所述待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出所述待预测目标对象在对应节点出现的概率。
[0009]可选的，所述基于所述目标城市建立预测行人车辆训练数据库，包括：
[0010]将所述目标城市的地铁站和公交站抽象为站节点，并利用地铁线路和公交线路将各站节点进行链接，形成第一训练图网络；
[0011]基于给定三个输入值所选取的站节点号、第一预估间隔时间、交通载具的平均速度信息及第一训练图网络形成预测行人训练数据；
[0012]将所述目标城市中的各个关键点抽象为关键节点，并利用地图道路链接各个关键节点，形成第二训练图网络，其中，所述关键点包括集会场所和十字路口；
[0013]基于给定三个输入值所选取的关键节点号、第二预估间隔时间、车辆速度信息和所述第二训练图网络形成预测车辆训练数据；
[0014]基于所述预测行人训练数据和所述预测车辆训练数据构建预测行人车辆训练数据库。
[0015]可选的，所述随机游走图神经网络模型包括：核函数层、第一全连接层、第二全连接层、softmax函数层和输出层。
[0016]可选的，所述构建随机游走图神经网络模型，包括：
[0017]以所述核函数层作为输入层，依次连接所述第一全连接层、所述第二全连接层、所述softmax函数层和所述输出层，形成随机游走图神经网络模型。
[0018]可选的，所述核函数层为用于计算输入图结构以及时间和速度关系的核函数；用于表征输入信息在空间中的变换形式；
[0019]所述softmax函数层用于将所述第二全连接层输出的结果进行概率转换，获得各个节点的概率。
[0020]可选的，所述核函数如下：
[0021][0022]其中，σ为sigmoid函数；且，
[0023][0024]其中，t表示预估间隔时间；v表示预估速度；表示预估时间和预估速度的重整比参数；表示第i次方的第p行的邻接矩阵；T1和T2均为2
ꢀ×
2的矩阵；W
i
表示在第i个核函数中的可学参数矩阵；X
i
表示在第i个核函数中的另外一个可学参数矩阵。
[0025]可选的，所述在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型，包括：
[0026]在所述预测行人车辆训练数据库中提取预测训练数据，所述预测训练数据包括预测训练样本数据和预测训练测试样本数据；
[0027]将所述预测训练样本数据输入所述随机游走图神经网络模型中进行训练，获得训练后的随机游走图神经网络模型；
[0028]将所述预测训练测试样本数据输入训练后的随机游走图神经网络模型进行测试验证，获得测试验证结果；
[0029]基于所述测试验证结果判断训练后的随机游走图神经网络模型是否收敛；
[0030]若否，则基于反向传播函数对训练后的随机游走图神经网络模型的各个节点进行参数更新，并进行重复训练，直至收敛或达到训练预设次数为止。
[0031]可选的，所述对所述实时目标对象数据进行预处理，形成待预测目标对象数据，包括：
[0032]在所述实时目标对象数据为行人时，获得所述实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息；
[0033]基于所述实时目标对象数据所在的第一训练图网络的站节点、第一预估间隔时间、交通载具的平均速度信息、所述第一训练图网络形成待预测目标对象数据。
[0034]可选的，所述对所述实时目标对象数据进行预处理，形成待预测目标对象数据，包括：
[0035]在所述实时目标对象数据为车辆时，获得所述实时目标对象数据所在的第二训练
图网络的关键节点、第二预估间隔时间、车辆速度信息；
[0036]基于所述实时目标对象数据所在的第二训练图网络的关键节点、第二预估间隔时间、车辆速度信息、所述第二训练图网络形成待预测目标对象数据。
[0037]另外，本专利技术实施例还提供了一种基于随机游走图神经网络的车辆行人地图轨迹预测装置，所述装置包括：
[0038]数据库建立模块：用于确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；
[0039]模型训练模块：用于构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；
[0040]实时目标数据处理模块：用于在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；
[0041]预测模块：用于将所述待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出所述待预测目标对象在对应节点出现的概率。
[0042]在本专利技术实施例中，可以有效的预测车辆或者行人在特定时间点后在地图上各个节点出现的概率；并且应用在城市中的人群、车辆轨迹预测实践，得到单一行人或单一车辆出现在不同位置的概率，排除概率小的节点进而提高对肇事车辆或行人通过摄像头的跨镜追踪效率；并且在本申请中，重新设计了随机游走神经网络，使得其输入信息由图结构变为单一节点的邻居，以及邻居的信息；扩充了原始网络的适用范围；并且将轨迹预测问题，转化为图结构上的节点预测问题，得到的网络，可通过输入节点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机游走图神经网络的车辆行人地图轨迹预测方法，其特征在于，所述方法包括：确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；将所述待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出所述待预测目标对象在对应节点出现的概率。2.根据权利要求1所述的车辆行人地图轨迹预测方法，其特征在于，所述基于所述目标城市建立预测行人车辆训练数据库，包括：将所述目标城市的地铁站和公交站抽象为站节点，并利用地铁线路和公交线路将各站节点进行链接，形成第一训练图网络；基于给定三个输入值所选取的站节点号、第一预估间隔时间、交通载具的平均速度信息及第一训练图网络形成预测行人训练数据；将所述目标城市中的各个关键点抽象为关键节点，并利用地图道路链接各个关键节点，形成第二训练图网络，其中，所述关键点包括集会场所和十字路口；基于给定三个输入值所选取的关键节点号、第二预估间隔时间、车辆速度信息和所述第二训练图网络形成预测车辆训练数据；基于所述预测行人训练数据和所述预测车辆训练数据构建预测行人车辆训练数据库。3.根据权利要求1所述的车辆行人地图轨迹预测方法，其特征在于，所述随机游走图神经网络模型包括：核函数层、第一全连接层、第二全连接层、softmax函数层和输出层。4.根据权利要求3所述的车辆行人地图轨迹预测方法，其特征在于，所述构建随机游走图神经网络模型，包括：以所述核函数层作为输入层，依次连接所述第一全连接层、所述第二全连接层、所述softmax函数层和所述输出层，形成随机游走图神经网络模型。5.根据权利要求3或4所述的车辆行人地图轨迹预测方法，其特征在于，所述核函数层为用于计算输入图结构以及时间和速度关系的核函数；用于表征输入信息在空间中的变换形式；所述softmax函数层用于将所述第二全连接层输出的结果进行概率转换，获得各个节点的概率。6.根据权利要求5所述的车辆行人地图轨迹预测方法，其特征在于，所述核函数如下：其中，σ为sigmoid函数；且，其中，t表示预估间隔时间；v表示预估速度；表示预估时间和预估速度的重整比
参数；表示第i次方的第p行的邻接矩阵；T1和T2均为2
×
2的矩阵；W
i
表示在第i个核函数中的可学参...

【专利技术属性】
技术研发人员：李辰潼，焦泽昱，雷欢，陈再励，何峰，
申请(专利权)人：广东省科学院智能制造研究所，
类型：发明
国别省市：