【技术实现步骤摘要】
本专利技术涉及交通信息领域，尤其是涉及一种基于生成式对抗与长短期记忆网络的交叉口车辆跟驰行为学习与数据增强方法。
技术介绍
1、交叉口车辆轨迹的分析在提升交通控制性能方面具有重要意义。然而，受联网车辆渗透率低和视觉遮挡问题的影响，获取完整且充足的轨迹数据仍是挑战，尤其是在跟驰场景中。应对数据缺失的常用方法是利用跟驰模型修补或增强现有数据。跟驰模型用于描述车辆间的相互作用和驾驶行为，但传统模型基于物理规则和简化假设，无法准确反映复杂的驾驶行为和动态交通环境，且缺乏自适应学习能力。
2、随着人工智能技术的发展，基于数据驱动的交通轨迹生成方法应运而生。这些方法能够捕捉传统模型难以揭示的复杂非线性关系，利用机器学习和深度学习技术来学习驾驶行为特征，从而生成具有类似数据特征的跟驰轨迹。长短期记忆网络(lstm)因其在处理时间序列数据方面的优势，特别适合用于车辆动态依赖性的建模。生成式对抗网络(gan)的生成器和判别器则可以生成高度逼真的车辆轨迹数据。结合这两种方法，可以有效解决数据缺失问题。然而，现有基于gan的跟驰模型大多只能生成与...
【技术保护点】
1.一种基于生成式对抗与长短期记忆网络的交叉口车辆跟驰行为学习与数据增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于生成式对抗与长短期记忆网络的交叉口车辆跟驰行为学习与数据增强方法，其特征在于，所述S2具体为：采用开源的训练完成的改进后YOLOv5OBB模型，对高空交叉口监测视频数据进行车辆目标识别，识别公式定义如下：
3.根据权利要求1所述的一种基于生成式对抗与长短期记忆网络的交叉口车辆跟驰行为学习与数据增强方法，其特征在于，所述S3包括以下步骤：
4.根据权利要求3所述的一种基于生成式对抗与长短期记忆网络的...
【技术特征摘要】
1.一种基于生成式对抗与长短期记忆网络的交叉口车辆跟驰行为学习与数据增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于生成式对抗与长短期记忆网络的交叉口车辆跟驰行为学习与数据增强方法，其特征在于，所述s2具体为：采用开源的训练完成的改进后yolov5obb模型，对高空交叉口监测视频数据进行车辆目标识别，识别公式定义如下：
3.根据权利要求1所述的一种基于生成式对抗与长短期记忆网络的交叉口车辆跟驰行为学习与数据增强方法，其特征在于，所述s3包括以下步骤：
4.根据权利要求3所述的一种基于生成式对抗与长短期记忆网络的交叉口车辆跟驰行为学习与数据增强方法，其特征在于，所述s32具体步骤如下：
5.根据权利要求3所述的一种基于生成式对抗与长短期记忆网络的交叉口车辆跟驰行为学习与数据增强方法，其特征在于，所述s33具体步骤如下：
6.根据权利要求3所述的一种基于生成式对抗与长短期记忆网络的交叉口车辆跟驰行为学习与数据增强方法，其特征在于，所述s34具体步骤如下：
7....
【专利技术属性】
技术研发人员：朱宏，李子正，谢小龙，唐克双，黄子炫，
申请(专利权)人：同济大学，
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。