System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及车辆轨迹预测,具体涉及车辆轨迹预测模型训练方法、多模型迁移预测方法及装置。
技术介绍
1、gps(global positioning system),又叫全球定位系统。是一种以人造地球卫星为基础的高精度无线电导航的定位系统,它在全球任何地方以及近地空间都能够提供准确的地理位置、车行速度及精确的时间信息。gps自问世以来,就以其高精度、全天候、全球覆盖、方便灵活吸引了众多用户。当前,随着gps定位设备的广泛普及和定位技术的日益精进,同时又伴随着市面上,车辆保有量的逐年递增,因此,gps定位设备产生的车辆轨迹数据也是与日俱增。
2、其中,车辆轨迹数据主要被应用于自动驾驶方向的研究,在自动驾驶研究方面需要对车辆轨迹数据进行挖掘,将海量的车辆轨迹数据产生的效益最大化。近年来,智能交通系统(intelligent traffic system,its)的发展也尤为迅速,现市面上的智能交通系统利用了自动驾驶技术,旨在提升道路交通智能化水平的同时,减少交通事故发生。在驾驶安全性能方面,传统的车辆安全控制主要是依靠汽车防抱死系统来被动改善汽车的行驶安全问题,作用十分有限;而自动驾驶技术考虑到了汽车行驶过程中,人和环境的外部因素,利用了位置、速度和交互等信息预测出车辆行驶的未来轨迹;实现了准确的车辆轨迹预测,提前规避风险,将发生事故的可能性降到最低的同时,还保证驾驶人拥有安全、舒适的驾驶体验。
3、但是,由于在实际行驶过程中,存在多车交互的复杂性、驾驶员驾驶行为的随机性等因素;在不同的车型上,当前市面上的自
4、有鉴于此,提出本申请。
技术实现思路
1、有鉴于此,本专利技术的目的在于提供基于多模型和迁移学习的车辆单步轨迹预测方法及装置,能够有效解决现有技术中的自动驾驶技术在不同的车型上,一方面对于多个车型统一建模,无法精准地呈现出每种类型车的驾驶行为特性,另一方面,在车型样本数量差距较大的情况下,多车型单独建模又存在模型的过拟合问题,进而会影响车辆自动驾驶进行的问题。
2、本专利技术公开了车辆轨迹预测模型训练方法,包括:
3、获取预先选定的高速公路段的交通数据集,对所述交通数据集进行数据预处理,生成车辆的初步数据集;
4、根据所述车辆的初步数据集进行构建处理,生成车辆轨迹训练模型的所需特征,并将所述车辆轨迹训练模型的所需特征进行组合,生成数据样本,遍历所述车辆的初步数据集中的所有数据,同时,将所述数据样本进行组装,构建生成车辆轨迹监督学习数据集;
5、根据所述车辆轨迹监督学习数据集,采用lstm-bilstm算法对预设的车辆轨迹训练模型进行训练,生成lstm-bilstm模型;
6、在所述lstm-bilstm算法的基础上,将分位数回归qr方法与所述lstm-bilstm模型的损失函数进行结合,生成车辆单步轨迹预测模型。
7、优选地,对所述交通数据集进行数据预处理,生成车辆的初步数据集,具体为:
8、对所述交通数据集中的原始数据进行线性变化处理,并将线性变化后的结果压缩到预设区间[0,1]中,获得归一化数据,原始数据与归一化数据之间的转换关系公式为:
9、
10、其中,为所述交通数据集的最小值,为所述交通数据集的最大值;
11、对压缩处理后的所述归一化数据进行字段筛选处理,筛选出字段:车辆id、帧id、总帧数、全局时间、本地x坐标、本地y坐标、车辆类型、车辆瞬时速度、车辆瞬时加速度、车道id、同车道的前车辆id、同车道跟随车辆的id和空间间隔;
12、对所述车辆id、所述帧id、所述本地x坐标和所述本地y坐标进行数据去重处理,生成去重数据,并根据预设的长度单位对所述去重数据进行转换;
13、依照所述全局时间对所述归一化数据进行排序;
14、将所述同车道的前车辆id与所述全局时间进行结合,以寻找预设的目标车辆的前车数据,并依照所述车辆id对所述归一化数据进行排序,将不同车辆的轨迹数据分别存储到预设的对应csv文件中。
15、优选地,根据所述车辆的初步数据集进行提取处理,构建生成车辆轨迹训练模型的所需特征,并将所述车辆轨迹训练模型的所需特征进行组合,生成数据样本,遍历所述车辆的初步数据集中的所有数据,同时,将所述数据样本进行组装,构建生成车辆轨迹监督学习数据集,具体为:
16、对所述车辆的初步数据集进行提取处理,提取出与时刻对应的自车位置信息集合、自车速度信息集合和前车信息集合;
17、其中,表示车辆经度,表示车辆纬度,表示车辆速度,表示车辆加速度,表示车头距,下标表示自车,下标表示前车;
18、将所述车辆轨迹训练模型的所需特征组合成一体,生成数据样本;
19、对所述车辆的初步数据集进行遍历处理,遍历所述车辆的初步数据集中的所有数据,并将所述数据样本进行组装,生成车辆轨迹监督学习数据集。
20、优选地,根据所述车辆轨迹监督学习数据集,采用lstm-bilstm算法对预设的车辆轨迹训练模型进行训练,生成lstm-bilstm模型,具体为:
21、根据所述车辆轨迹监督学习数据集,设预设的车辆轨迹训练模型的滑动窗口的长度为;
22、将前个轨迹点特征信息作为所述车辆轨迹训练模型的输入,将第个轨迹点的经纬度信息作为所述车辆轨迹训练模型的输出,使用lstm-bilstm算法对所述车辆轨迹训练模型进行训练,生成多输入多输出车辆单步轨迹预测模型,模型的公式为:
23、
24、根据历史速度信息和前车信息,采用lstm算法进行建模,预测得到下一时刻的位置信息,并将下一时刻的位置信息作为未来状态;
25、将车辆位置信息的历史状态和未来状态作为预测模型的特征,根据bilstm算法预测出下一时刻车辆的经纬度信息,生成lstm-bilstm模型。
26、优选地,在所述lstm-bilstm算法的基础上,将分位数回归qr方法与所述lstm-bilstm模型的损失函数进行结合,生成车辆单步轨迹预测模型,具体为:
27、将分位数回归qr方法与所述lstm-bilstm模型的损失函数进行结合,得到qr-lstm-bilstm算法,其中,所述qr-lstm-bilstm算法是将所述lstm-bilstm模型的损失函数设置成分位数损失而形成的,所述qr-lstm-bilstm算法的第一损失计算公式为:
28、
29、其中,表示目标分位数,取值范围是[0,1],表示时刻估计的分位数对应的预测值,表示时刻的真实值,表示时刻分位数对应的分位数损失,其不是对称的,当预测分位数的值高于实际值时,惩罚乘本文档来自技高网...
【技术保护点】
1.车辆轨迹预测模型训练方法,其特征在于,包括:
2.根据权利要求1所述的车辆轨迹预测模型训练方法,其特征在于,对所述交通数据集进行数据预处理,生成车辆的初步数据集,具体为:
3.根据权利要求1所述的车辆轨迹预测模型训练方法,其特征在于,根据所述车辆的初步数据集进行提取处理,构建生成车辆轨迹训练模型的所需特征,并将所述车辆轨迹训练模型的所需特征进行组合,生成数据样本,遍历所述车辆的初步数据集中的所有数据,同时,将所述数据样本进行组装,构建生成车辆轨迹监督学习数据集,具体为:
4.根据权利要求1所述的车辆轨迹预测模型训练方法,其特征在于,根据所述车辆轨迹监督学习数据集,采用LSTM-BILSTM算法对预设的车辆轨迹训练模型进行训练,生成LSTM-BILSTM模型,具体为:
5.根据权利要求1所述的车辆轨迹预测模型训练方法,其特征在于,在所述LSTM-BILSTM算法的基础上,将分位数回归QR方法与所述LSTM-BILSTM模型的损失函数进行结合,生成车辆单步轨迹预测模型,具体为:
6.一种多模型迁移预测方法,其特征在于,包
7.根据权利要求6所述的多模型迁移预测方法,其特征在于,将所述样本数量大的车型的模型迁移至样本数量小的目标领域车型上,具体为:
8.一种多模型迁移预测装置,其特征在于,包括:
...【技术特征摘要】
1.车辆轨迹预测模型训练方法,其特征在于,包括:
2.根据权利要求1所述的车辆轨迹预测模型训练方法,其特征在于,对所述交通数据集进行数据预处理,生成车辆的初步数据集,具体为:
3.根据权利要求1所述的车辆轨迹预测模型训练方法,其特征在于,根据所述车辆的初步数据集进行提取处理,构建生成车辆轨迹训练模型的所需特征,并将所述车辆轨迹训练模型的所需特征进行组合,生成数据样本,遍历所述车辆的初步数据集中的所有数据,同时,将所述数据样本进行组装,构建生成车辆轨迹监督学习数据集,具体为:
4.根据权利要求1所述的车辆轨迹预测模型训练方法,其特征在于,根据所述车辆轨迹监督学...
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。