多源异构数据的动态图生成对抗网络轨迹预测方法和系统技术方案

本发明专利技术公开了一种多源异构数据的动态图生成对抗网络轨迹预测方法和系统，通过轨迹预测生成器和语义类型生成器生成移动目标未来轨迹和语义类型，利用具有随机权重的图序列数据建立移动目标之间的交互关系，并通过图神经网络和长短期记忆网络直接学习节点属性和边属性的演化模式，通过对抗训练来提高生成器的生成能力。该方法能够自主捕获所有图节点潜在的交互信息以及不同语义类型图节点的语义信息，提高了轨迹预测的准确性和鲁棒性。本本发明专利技术的应用有助于交通管理、智能交通、机器人导航等领域中移动目标轨迹预测问题的解决，具有广泛的应用前景和有益的社会效益。广泛的应用前景和有益的社会效益。广泛的应用前景和有益的社会效益。

【技术实现步骤摘要】
多源异构数据的动态图生成对抗网络轨迹预测方法和系统


[0001]本专利技术涉及人工智能领域，尤其涉及一种多源异构数据的动态图生成对抗网络轨迹预测方法和系统。

技术介绍

[0002]汽车的诞生在人类发展历史上具有十分重要的意义，它不仅扩大了人类活动的范围，为人类的生活带来了诸多的便利，还带动了社会大多数产业的蓬勃发展。在汽车问世不久就已经有专利技术家们开始研究自动驾驶汽车了，尤其是近年来，随着科学技术的发展，人工神经网络的兴起，越来越多的公司开始积极地探索自动驾驶技术，汽车正在向智能化、网联化发展。
[0003]轨迹预测是自动驾驶汽车向智能化发展的重要技术之一，本专利技术通过对不同语义类型的移动目标做出精准的轨迹预测，自动驾驶汽车才能提前做出决策以规划自身行驶路径，从而规避交通事故。
[0004]由此，国内外提出了很多用于轨迹预测的方法，主要分为两大类：基于数据驱动的方法和基于行为驱动的方法。基于数据驱动的方法是通过海量的历史数据来挖掘目标的行为特征，结合目标当前的位置对其运动趋势进行预测。如概率统计方法：贝叶斯网络、卡尔曼滤波器、高斯混合模型等；神经网络方法：长短期记忆网络(LSTM，Long Short
‑
Term Memory)、图神经网络(GNN，Graph Neural Network)、图卷积神经网络(GCN，Graph Convolutional Network)、生成对抗网络(GAN，Generative Adversarial Network)，以及其他一些混合模型等。基于行为驱动的方法是通过目标当前的状态以及所处的环境，判断目标的意图，进而预测目标未来的轨迹，如动力学模型。虽然存在诸多的轨迹预测方法，但大多数方法只对单一移动目标的轨迹进行预测，如行人轨迹预测、出租车轨迹预测和私家车轨迹预测等，其基于的假设是目标之间的合作行为，而真实的人可能更倾向于优化个人目标，而不是联合策略。后来的研究在先前的基础上通过建模不同交通参与者之间的距离来模拟其交互行为，进一步提高了模型预测的准确度。但在实际生活中，最常见的场景是多个移动目标之间的交互作用，这些方法忽略不同语义类型的移动目标之间相互交互作用，不具有普适性，近年来开始出现一些多个移动目标轨迹预测的方法，基于图结构的深度神经网络被用来建立移动目标之间的交互关系，通过构建时空图直接学习节点属性和边属性的演化模式，但忽略不同语义移动目标更深层次的语义特征。

技术实现思路

[0005]本专利技术的目的是针对现有技术的不足，提供一种多源异构数据的动态图生成对抗网络轨迹预测方法和系统。
[0006]本专利技术的目的是通过以下技术方案来实现的：一种多源异构数据的动态图生成对抗网络轨迹预测方法，其特征在于，动态图生成对抗网络由综合生成器和判别器D组成；所述综合生成器由轨迹预测生成器G
T
和语义类型生成器G
C
构成，该轨迹预测方法包括以下步
骤：
[0007](1)采集多个场景下固定时间间隔的不同语义类型移动目标的轨迹，分别对每一场景中移动目标的轨迹进行预处理，获取时空轨迹数据以及移动目标的语义类型，构建具有不同语义类型移动目标的连续时间戳拓扑图；将时空轨迹数据以及移动目标的语义类型作为数据集，并将数据集划分为训练集和测试集；
[0008](2)将步骤(1)中得到的时间戳拓扑图输入到图注意力网络GAT中，通过GAT获取每个节点的邻域特征，为邻域中的不同节点分配不同的权重，捕获隐藏在每个图中的拓扑信息，以得到图节点特征向量；
[0009](3)将步骤(2)中得到的图节点特征向量输入到长短期记忆网络LSTM中捕获加权动态网络的演化模式，以输出最终的隐藏向量，再输入到一个前馈神经网络来预测生成不同语义类型移动目标的轨迹；
[0010](4)将步骤(3)中输出的最终隐藏向量输入到G
C
中，捕获不同移动目标的轨迹分布特征，以生成移动目标的语义类型；
[0011](5)将步骤(3)中生成的不同语义类型移动目标的轨迹和步骤(4)中生成的移动目标的语义类型拼接得到最终的预测轨迹信息，再与训练集中真实的轨迹信息共同输入到D中，通过D区分训练集中的真实数据样本与预测生成的数据样本；
[0012](6)利用极大极小博弈对综合生成器和判别器D进行联合优化以达到博弈的稳定局势即为纳什均衡；
[0013](7)将测试集输入到训练好的G
T
中，预测生成未来的轨迹信息。
[0014]进一步地，所述轨迹预测生成器G
T
由图注意力网络GAT和长短期记忆网络LSTM组成；所述语义类型生成器G
C
由带有sigmoid激活函数的多层感知器组成；所述判别器D由带有ReLU激活函数的多层感知器组成。
[0015]进一步地，所述步骤(1)具体为：
[0016]采集多个场景下固定时间间隔的不同语义类型移动目标的轨迹，通过预处理将每一场景中移动目标的轨迹转化为统一的数据格式，剔除冗余数据并采用线性插值方法填补缺失值，然后分别对轨迹坐标采用Z
‑
Score方法进行标准化和对不同语义类型采用one
‑
hot编码；对T时间内的所有移动目标构造一组具有不同语义类型移动目标的连续时间戳拓扑图G＝{G1,G2,L,G
T
},t∈{1,L,T}，用图的节点表示移动目标，用节点之间的边表示移动目标的交互作用；对于每一个G
t
都有G
t
＝(V
t
,A
t
)，其中，V
t
表示图的节点集，A
t
表示图的边集，用w
t,i,j
表示t时刻节点i和节点j之间的交互作用，其中w
t,i,j
∈A
t
；w
t,i,j
取值为1表示节点i，j之间存在相互作用，否则，节点i，j之间不存在相互作用。
[0017]进一步地，所述将步骤(2)具体为：
[0018]假设t时刻节点集V
t
中节点数量为N，则节点集V
t
特征向量集合h
t
表示如下其中，是t时刻节点i的特征向量，包含轨迹坐标和其one
‑
hot编码，维度为F，通过对两个节点和的特征向量经过一个线性变换W，其各自特征维度从F变为F'，将二者拼接后得到一个维度为2F'的向量，接着经过一个前馈神经网络和一个LeakyReLU激活函数，得到t时刻节点j对于节点i的权重e
t,i,j
，最后使用softmax函数对所有权重进行归一化处理得到最终的注意力系数α
t,i,j
＝sofxmax(e
t,i,j
)；在G
T
中，引入随机噪
声Z
t
以扰动邻接矩阵A
t
，其中Z
t
表示t时刻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多源异构数据的动态图生成对抗网络轨迹预测方法，其特征在于，动态图生成对抗网络由综合生成器和判别器D组成；所述综合生成器由轨迹预测生成器和语义类型生成器构成，该轨迹预测方法包括以下步骤：（1）采集多个场景下固定时间间隔的不同语义类型移动目标的轨迹，分别对每一场景中移动目标的轨迹进行预处理，获取时空轨迹数据以及移动目标的语义类型，构建具有不同语义类型移动目标的连续时间戳拓扑图；将时空轨迹数据以及移动目标的语义类型作为数据集，并将数据集划分为训练集和测试集；（2）将步骤（1）中得到的时间戳拓扑图输入中的图注意力网络GAT中，通过GAT获取每个节点的邻域特征，为邻域中的不同节点分配不同的权重，捕获隐藏在每个图中的拓扑信息，以得到图节点特征向量；（3）将步骤（2）中得到的图节点特征向量输入到长短期记忆网络LSTM中捕获加权动态网络的演化模式，以输出最终的隐藏向量，再输入到一个前馈神经网络来预测生成不同语义类型移动目标的轨迹；（4）将步骤（3）中输出的最终隐藏向量输入到中，捕获不同移动目标的轨迹分布特征，以生成移动目标的语义类型；（5）将步骤（3）中生成的不同语义类型移动目标的轨迹和步骤（4）中生成的移动目标的语义类型拼接得到最终的预测轨迹信息，再与训练集中真实的轨迹信息共同输入到D中，通过D区分训练集中的真实数据样本与预测生成的数据样本；（6）利用极大极小博弈对综合生成器和判别器D进行联合优化以达到博弈的稳定局势即为纳什均衡；（7）将测试集输入到训练好的预测生成未来的轨迹信息。2.根据权利要求1所述的一种多源异构数据的动态图生成对抗网络轨迹预测方法，其特征在于，所述轨迹预测生成器由图注意力网络GAT和长短期记忆网络LSTM组成；所述语义类型生成器由带有sigmoid激活函数的多层感知器组成；所述判别器D由带有ReLU激活函数的多层感知器组成。3.根据权利要求1所述的一种多源异构数据的动态图生成对抗网络轨迹预测方法，其特征在于，所述步骤（1）具体为：采集多个场景下固定时间间隔的不同语义类型移动目标的轨迹，通过预处理将每一场景中移动目标的轨迹转化为统一的数据格式，剔除冗余数据并采用线性插值方法填补缺失值，然后分别对轨迹坐标采用Z
‑
Score方法进行标准化和对不同语义类型采用one
‑
hot编码；对时间内的所有移动目标构造一组具有不同语义类型移动目标的连续时间戳拓扑图，用图的节点表示移动目标，用节点之间的边表示移动目标的交互作用；对于每一个都有，其中，表示图的节点集，表示图的边集， 用表示t时刻节点i和节点j之间的交互作用，其中；取值为1表示节点i，j之间存在相互作用，否则，节点i，j之间不存在相互作用。4.根据权利要求1所述的一种多源异构数据的动态图生成对抗网络轨迹预测方法，其特征在于，所述将步骤（2）具体为：假设t时刻节点集中节点数量为N，则节点集特征向量集合表示如下
，其中，是t时刻节点i的特征向量，包含轨迹坐标和其one
‑
hot编码，维度为，通过对两个节点和的特征向量经过一个线性变换W，其各自特征维度从变为，将二者拼接后得到一个维度为的向量，接着经过一个前馈神经网络和一个激活函数，得到t时刻节点j对于节点i的权重，最后使用softmax函数对所有权重进行归一化处理得到最终的注意力系数；在中，引入随机噪声以扰动邻接矩阵，其中表示t时刻随机生成服从均匀分布的噪声矩阵，令，当时，新的注意力系数，当时，；然后使用对t时刻节点i的所有邻居节点j的特征进行线性加权，以得到更新后节点i的最终输出特征向量，其中，W是相应的...

【专利技术属性】
技术研发人员：陈红阳，谢佳佳，肖竹，张胜，
申请(专利权)人：之江实验室，
类型：发明
国别省市：