轨迹预测模型的训练方法、装置、设备及存储介质制造方法及图纸

本公开的实施例提供了一种轨迹预测模型的训练方法、装置、设备及存储介质，应用于轨迹预测技术领域，所述方法包括：采集历史数据，对历史数据进行预处理，获得典型数据；采用聚类再回归算法对典型数据进行处理，获得典型轨迹；基于典型数据，训练轨迹预测模型，获取轨迹预测结果；根据所述轨迹预测结果与所述典型轨迹的误差更新所述轨迹预测模型。以此方式，可以提高模型预测结果的准确性。以提高模型预测结果的准确性。以提高模型预测结果的准确性。

【技术实现步骤摘要】
轨迹预测模型的训练方法、装置、设备及存储介质


[0001]本公开涉及轨迹预测
，尤其涉及轨迹预测模型的训练方法、装置、设备及存储介质。

技术介绍

[0002]轨迹预测旨在根据目标(如船舶、飞行器、车辆等)历史轨迹与环境信息，对该目标未来的行驶轨迹进行预测。
[0003]以船舶、飞行器、自动驾驶汽车为例：
[0004]对于船舶而言，船舶是重要的水面交通工具，随着经济全球化和国际贸易范围的扩大，海上的交通状况也日趋复杂。船舶数量及航运线路的增多虽然使航运贸易越来越繁荣，但同时船舶频繁行驶的航道拥挤，负载增大，同时，也会导致事故增多，人员的生命财产安全也受到威胁，这些问题给港口管理、船舶安全行驶以及船舶避碰提出了新的挑战。因此，提前预知船舶的航行轨迹，对保障船舶海上交通安全具有重要意义。
[0005]对于飞行器而言，对飞行器的航迹实现精准的预测，是实现空域交通管理智能化的一个必要条件。精准的航迹预测可以提高空域交通管理的效率，因此，飞行器的航迹预测具有重要的研究价值。
[0006]对于自动驾驶汽车而言，轨迹预测结果是自动驾驶系统进行提前决策的重要信息之一。
[0007]可见，精准的进行轨迹预测对各类交通工具而言非常重要，但目前的轨迹预测模型的训练方法存在以下缺陷：
[0008]1、在对数据进行聚类时，聚类精度较低，聚类效果不理想；
[0009]2、进行轨迹预测模型的研究时，通常会选取比较复杂的模型，导致预测结果过拟合，且模型训练时间很长。

技术实现思路
<br/>[0010]有鉴于此，本公开提供了一种轨迹预测模型的训练方法、装置、设备及存储介质。
[0011]根据本公开的第一方面，提供了一种轨迹预测模型的训练方法。该方法包括：
[0012]采集历史数据，对历史数据进行预处理，获得典型数据；
[0013]采用聚类再回归算法对典型数据进行处理，获得典型轨迹；
[0014]基于典型数据，训练轨迹预测模型，获得轨迹预测结果；
[0015]根据所述轨迹预测结果与所述典型轨迹之间的误差更新所述轨迹预测模型。
[0016]在第一方面的一些可实现方式中，对历史数据进行预处理，包括：
[0017]对历史数据进行整理、清洗、插值处理及特征提取。
[0018]在第一方面的一些可实现方式中，采用聚类再回归算法对典型数据进行处理，获得典型轨迹，包括：
[0019]使用聚类算法将典型数据聚类至对应轨迹簇中；
[0020]利用每一轨迹簇中的回归模型，对典型数据进行回归预测，获得典型轨迹。
[0021]在第一方面的一些可实现方式中，使用聚类算法将典型数据聚类至对应轨迹簇中，包括：
[0022]使用k
‑
medoids聚类算法将典型数据划分至对应轨迹簇中；其中，典型数据之间的相似度采用改进的Hausdorff距离度量方法进行度量。
[0023]在第一方面的一些可实现方式中，采用改进的Hausdorff距离度量方法进行度量，包括：
[0024]基于传统Hausdorff距离度量方法，分别计算位置、速度、方向因素下的点集与线段集之间的距离；
[0025]对计算所得的各因素下的距离值进行归一化处理，获得典型数据之间的相似度度量结果。
[0026]在第一方面的一些可实现方式中，基于典型数据，训练轨迹预测模型，包括：
[0027]采用滑窗法对典型数据进行处理，获取数据集；
[0028]以数据集中每一组连续时刻的轨迹点数据作为样本，以样本对应的下一时刻的轨迹点数据作为样本标签，根据每一样本及其对应的标签生成训练集；
[0029]确定模型的评价指标，利用训练集对轨迹预测模型进行训练。
[0030]在第一方面的一些可实现方式中，轨迹预测模型为GRU
‑
LR混合模型。
[0031]根据本公开的第二方面，提供了一种轨迹预测模型的训练装置。该装置包括：
[0032]数据处理模块，用于采集历史数据，对历史数据进行预处理，获得典型数据；
[0033]聚类再回归模块，用于采用聚类再回归算法对典型数据进行处理，获得典型轨迹；
[0034]模型训练模块，用于基于典型数据，训练轨迹预测模型，获得轨迹预测结果；
[0035]模型训练模块，还用于根据轨迹预测结果与典型轨迹之间的误差更新轨迹预测模型。
[0036]根据本公开的第三方面，提供了一种电子设备。该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如以上所述的方法。
[0037]根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如以上所述的方法。
[0038]在本公开中，通过聚类再回归算法对典型数据进行处理，获得典型轨迹；基于典型数据，训练轨迹预测模型，获得轨迹预测结果；根据轨迹预测结果与典型轨迹更新轨迹预测模型，直至生成最优轨迹预测模型，以此方式，提高了聚类精度和模型预测结果的准确度。
[0039]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
[0040]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
[0041]图1示出了本公开实施例提供的一种轨迹预测模型的训练方法的流程图；
[0042]图2示出了本公开实施例提供的传统的Hausdorff距离度量方法的示意图；
[0043]图3示出了本公开实施例提供的改进的Hausdorff距离度量方法的示意图；
[0044]图4示出了本公开实施例提供的改进的Hausdorff距离度量方法的原理图；
[0045]图5示出了本公开实施例提供的漂移轨迹示意图；
[0046]图6示出了本公开实施例提供的稀疏轨迹示意图；
[0047]图7示出了本公开实施例提供的示例性维度预测图；
[0048]图8示出了本公开实施例提供的示例性经度预测图；
[0049]图9示出了本公开实施例提供的示例性轨迹预测图；
[0050]图10
‑
图11示出了本公开实施例提供的示例性轨迹预测图的局部放大图；
[0051]图12示出了本公开实施例提供的一种轨迹预测模型的训练装置的框图；
[0052]图13示出了能够实施本公开的实施例的示例性电子设备的框图。
具体实施方式
[0053]为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨迹预测模型的训练方法，其特征在于，所述方法包括：采集历史数据，对所述历史数据进行预处理，获得典型数据；采用聚类再回归算法对所述典型数据进行处理，获得典型轨迹；基于所述典型数据，训练轨迹预测模型，获得轨迹预测结果；根据所述轨迹预测结果与所述典型轨迹之间的误差更新所述轨迹预测模型。2.根据权利要求1所述的方法，其特征在于，所述对所述历史数据进行预处理，包括：对所述历史数据进行整理、清洗、插值处理及特征提取。3.根据权利要求1所述的方法，其特征在于，所述采用聚类再回归算法对所述典型数据进行处理，获得典型轨迹，包括：使用聚类算法将所述典型数据聚类至对应轨迹簇中；利用每一轨迹簇中的回归模型，对所述典型数据进行回归预测，获得典型轨迹。4.根据权利要求3所述的方法，其特征在于，所述使用聚类算法将所述典型数据聚类至对应轨迹簇中，包括：使用k
‑
medoids聚类算法将所述典型数据划分至对应轨迹簇中；其中，所述典型数据之间的相似度采用改进的Hausdorff距离度量方法进行度量。5.根据权利要求4所述的方法，其特征在于，所述采用改进的Hausdorff距离度量方法进行度量，包括：基于传统的Hausdorff距离度量方法，分别计算位置、速度、方向因素下的点集与线段集之间的距离；对计算所得的各因素下的距离值进行归一化处理，获得所述典型数据之间的相似度度量结果。6.根据权利要求1所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：李文凯，史经业，金家栋，王春生，杜晓辉，李乃林，马冯，赵娜，刘宏新，范孟浩，
申请(专利权)人：中科星图慧安科技有限公司，
类型：发明
国别省市：