【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种地铁站行人轨迹确定方法和装置、计算机设备。
技术介绍
1、在现代城市中，地铁已经成为主要的公共交通方式之一，随着城市规模的增长和人口的流动，地铁站日益面临着人流复杂性的挑战。行人轨迹预测作为一个关键技术，能够帮助地铁运营方在多个方面进行更优化的决策，如路径设计、广告投放和人员安排等。同时，它也具有对一些异常情况进行预警的潜力。
2、然而，当前的行人轨迹预测技术在城市地铁运营环境中遇到了困难。一方面，地铁站内的人流在不同时间段存在显著的时变性，如上下班高峰时人流密集，而其他时间段人流密度则明显减少。另一方面，尽管行人在地铁站内的运动轨迹受到通道设计的影响有一定的集中趋势，但由于每个人的出行目的、速度和方向都存在差异，这使得行人的运动轨迹具有明显的离散化特点。这两个核心问题使得：1)建模所处的场景变得异常复杂，2)人与人之间的微妙交互行为难以捕捉。
3、综上所述，现有的行人轨迹预测方法主要面临两大挑战：一是难以对复杂的背景环境进行建模；二是在考虑多个行人间交互时，现有的后融合或聚合多个模型的方式不能充分捕捉这些交互。这导致了行人轨迹预测的准确度、效率和扩展性都不尽如人意，而市场上还没有针对这些问题提出的有效解决方案。
技术实现思路
1、本申请的目的是针对现有技术中的不足，提供一种地铁站行人轨迹确定方法、装置、计算机设备和计算机可读存储介质，以至少解决相关技术中的行人轨迹预测方法存在预测准确度较低、预测效率较低、扩展性较低的问题。
2、为实现上述目的，本申请采取的技术方案是：
3、第一方面，本申请实施例提供了一种地铁站行人轨迹确定方法，包括：
4、获取时序自注意力模型的输出特征fa，其中，所述时序自注意力模型用于指示任一个行人在任一时刻的位置数据与其他时刻的位置数据之间的关系，所述时序自注意力模型的输入为所述任一行人在每个时刻的位置数据，所述fa用于指示所述任一行人运动轨迹的特征；
5、获取多智能体自注意力模型的输出特征fm，其中，所述多智能体自注意力模型用于指示在每个时刻所述任一行人的位置数据与其他行人的位置数据之间的关系，所述多智能体自注意力模型的输入为多个行人在每个时刻的位置数据，所述fm用于指示所述多个行人运动轨迹的特征，所述多个行人包括所述任一行人；
6、获取基于卷积神经网络的场景特征提取器输出的场景特征fs，其中，所述基于卷积神经网络的场景特征提取器的输入为地铁场景图；
7、根据fa、fm以及fs确定在初始时刻所述多个行人的位置数据；
8、利用基于自回归的解码器确定所述多个行人的运动轨迹，其中，所述多个行人的运动轨迹包括：在所述初始时刻所述多个行人的位置数据以及在所述初始时刻之后的每个时刻所述多个行人的位置数据。
9、在其中一些实施例中，所述利用基于自回归的解码器确定所述多个行人的运动轨迹包括：
10、利用所述基于自回归的解码器，根据在所述初始时刻所述多个行人的位置数据确定在所述初始时刻的下一个时刻所述多个行人的位置数据，其中，所述基于自回归的解码器的输入为在所述初始时刻所述多个行人的位置数据，所述基于自回归的解码器的输出为在所述初始时刻和所述初始时刻的下一个时刻所述多个行人的位置数据
11、从所述初始时刻的下一个时刻开始，重复执行以下步骤：
12、将在所述初始时刻至所述当前时刻之间的每个时刻所述多个行人的位置数据作为所述基于自回归的解码器的输入；
13、获取所述基于自回归的解码器的输出，其中，所述基于自回归的解码器的输出为在所述初始时刻至所述当前时刻的下一个时刻之间的每个时刻所述多个行人的位置数据；
14、将所述当前时刻的下一个时刻作为所述当前时刻。
15、在其中一些实施例中，所述根据fa、fm以及fs确定在所述初始时刻所述多个行人的位置数据包括：
16、按照以下公式确定在所述初始时刻所述多个行人的位置数据y0：
17、
18、其中，w0为可学习的参数矩阵，表示两个向量的拼接。
19、在其中一些实施例中，所述获取基于卷积神经网络的场景特征提取器输出的场景特征fs，其中，所述基于卷积神经网络的场景特征提取器的输入为地铁场景图包括：
20、按照以下公式确定场景特征fs：
21、fs＝poolingl(activationl(convl(xs)))
22、其中，所述基于卷积神经网络的场景特征提取器采用由卷积层、池化层和激活函数层组成的卷积审计网络架构，xs为所述地铁场景图，l表示卷积层、池化层和激活函数层的组合层数。
23、在其中一些实施例中，所述多智能体自注意力模型用于按照以下公式计算第k个行人与其他行人的多智能体自注意力值multagentattention(q，k，v)：
24、
25、其中，q是查询向量，表示行人未来时刻的位置数据；k和v分别是键向量和值向量，表示行人历史时刻的位置数据；dk是q和k的维数；t表示转置运算；qk表示第k个行人的查询向量，kk表示第k个行人的键向量，ql≠k，l＝1，…，n表示第l个行人的查询向量，kl≠k表示第l个行人的键向量，n为所述多个行人的数量，其中：
26、
27、
28、
29、
30、其中，和是可学习的参数矩阵；
31、其中，qk与kk属于同一个行人时，m的取值为1，qk与kk不属于同一个行人时，m的取值为0。
32、在其中一些实施例中，所述时序自注意力模型用于按照以下公式计算任一个行人在任一时刻的位置数据与其他时刻的位置数据的自注意力值attention(q，k，v)：
33、
34、其中，q是查询向量，k是键向量，v是值向量，dk是q和k的维数，t表示转置运算。
35、第二方面，本申请实施例提供了一种地铁站行人轨迹确定装置，包括：
36、第一获取单元，用于获取时序自注意力模型的输出特征fa，其中，所述时序自注意力模型用于指示任一个行人在任一时刻的位置数据与其他时刻的位置数据之间的关系，所述时序自注意力模型的输入为所述任一行人在每个时刻的位置数据，所述fa用于指示所述任一行人运动轨迹的特征；
37、第二获取单元，用于获取多智能体自注意力模型的输出特征fm，其中，所述多智能体自注意力模型用于指示在每个时刻所述任一行人的位置数据与其他行人的位置数据之间的关系，所述多智能体自注意力模型的输入为多个行人在每个时刻的位置数据，所述fm用于指示所述多个行人运动轨迹的特征，所述多个行人包括所述任一行人；
38、第三获取单元，用于获取基于卷积神经网络的场景特征提取器输出的场景特征fs，其中，所述基于卷积神经网络的场景特征提取器的输入为地铁场景图；
39、第一确定单元，用本文档来自技高网...
【技术保护点】
1.一种地铁站行人轨迹确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用基于自回归的解码器确定所述多个行人的运动轨迹包括：
3.根据权利要求1所述的方法，其特征在于，所述根据fa、fm以及fS确定在所述初始时刻所述多个行人的位置数据包括：
4.根据权利要求1所述的方法，其特征在于，所述获取基于卷积神经网络的场景特征提取器输出的场景特征fS，其中，所述基于卷积神经网络的场景特征提取器的输入为地铁场景图包括：
5.根据权利要求1所述的方法，其特征在于，所述多智能体自注意力模型用于按照以下公式计算第k个行人与其他行人的多智能体自注意力值MultAgentAttention(Q,K,V)：
6.根据权利要求1所述的方法，其特征在于，所述时序自注意力模型用于按照以下公式计算任一个行人在任一时刻的位置数据与其他时刻的位置数据的自注意力值Attention(Q,K,V)：
7.一种地铁站行人轨迹确定装置，其特征在于，包括：
8.根据权利要求7所述的装置，其特征在于，所述第二确定单元
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
...【技术特征摘要】
1.一种地铁站行人轨迹确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用基于自回归的解码器确定所述多个行人的运动轨迹包括：
3.根据权利要求1所述的方法，其特征在于，所述根据fa、fm以及fs确定在所述初始时刻所述多个行人的位置数据包括：
4.根据权利要求1所述的方法，其特征在于，所述获取基于卷积神经网络的场景特征提取器输出的场景特征fs，其中，所述基于卷积神经网络的场景特征提取器的输入为地铁场景图包括：
5.根据权利要求1所述的方法，其特征在于，所述多智能体自注意力模型用于按照以下公式计算第k个行人与其他行人的多智能体自注意力值multagentattention(q,k,v)：...
【专利技术属性】
技术研发人员：吴正中，张辉，郝耕华，马泉华，邓能文，王晓东，武涛，
申请(专利权)人：北京城建智控科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。