基于双向长短时记忆网络的目标轨迹预测方法及系统技术方案

本申请涉及一种基于双向长短时记忆网络的目标轨迹预测方法及系统，主要包括以下步骤：首先，通过双向长短时记忆网络层对目标轨迹数据进行时空特征提取，获得目标数据的时空特征向量，以捕捉长期依赖关系和短期依赖关系，其中长期依赖关系描述运动的时序性和连续性，短期依赖关系则描述其机动特性；其次，构建预测模型并对其超参数进行优化，以提升模型的预测性能和泛化能力；最后，利用训练好的优化模型对目标未来轨迹进行预测，输出未来多个时间点的轨迹坐标序列，实现对目标在未来一段时间内的精准预测；本申请结合双向长短时记忆网络和超参数优化，不仅实现了目标的高精度轨迹预测，还增强了预测模型对复杂运动特性的适应性。

【技术实现步骤摘要】

本申请属于轨迹预测领域，尤其涉及一种基于双向长短时记忆网络的目标轨迹预测方法及系统。

技术介绍

1、随着环境的不断变化及技术设备的快速迭代更新，目标的机动性愈发显著，表现出高速、多样化、突发性强、灵活性高等特点。目标的动态特性意味着其能够在短时间内迅速调整和改变位置、状态以及行动意图，包括突然转向、加速或减速等行为，导致其轨迹表现出复杂的时空特征。高动态轨迹往往涉及多种复杂因素和多变量的共同影响，具有显著的动态灵活性和高度的不确定性。这些特性对相关任务提出了更高的挑战，并促使其从简单场景逐渐扩展到高复杂场景。因此，在应对复杂环境变化时，准确的轨迹预测显得尤为重要。

2、近年来，随着深度学习技术的飞速发展，轨迹预测领域的算法经历了从以卡尔曼滤波、高斯过程等传统动力学模型为主导，逐渐转向基于深度学习的循环神经网络、注意力机制等技术。深度学习通过构建复杂的预测模型，能够更好地模拟和学习目标的轨迹变化模式。然而，传统算法通常依赖于预先设定的目标模型，当模型与实际情况存在偏差时，容易导致预测精度下降，难以应对复杂的动态环境。

<p>3、因此，亟待提本文档来自技高网...

【技术保护点】

1.一种基于双向长短时记忆网络的目标轨迹预测方法，其特征在于，包括：

2.根据权利要求1所述基于双向长短时记忆网络的目标轨迹预测方法，其特征在于，在时空特征提取步骤中，通过自注意力机制网络对目标运动的时空特征进行进一步提取：

3.根据权利要求1所述基于双向长短时记忆网络的目标轨迹预测方法，其特征在于，所述目标为有人驾驶或无人驾驶的智能运动装备，所述目标具有突发机动动作的特性。

4.根据权利要求3所述基于双向长短时记忆网络的目标轨迹预测方法，其特征在于，针对所述目标的自身属性和所述目标的运动规律，构建所述目标机动运动的轨迹数据库，所述轨迹数据库包括：...

【技术特征摘要】

1.一种基于双向长短时记忆网络的目标轨迹预测方法，其特征在于，包括：

2.根据权利要求1所述基于双向长短时记忆网络的目标轨迹预测方法，其特征在于，在时空特征提取步骤中，通过自注意力机制网络对目标运动的时空特征进行进一步提取：

3.根据权利要求1所述基于双向长短时记忆网络的目标轨迹预测方法，其特征在于，所述目标为有人驾驶或无人驾驶的智能运动装备，所述目标具有突发机动动作的特性。

4.根据权利要求3所述基于双向长短时记忆网络的目标轨迹预测方法，其特征在于，针对所述目标的自身属性和所述目标的运动规律，构建所述目标机动运动的轨迹数据库，所述轨迹数据库包括：

5.根据权利要求1所述基于双向长短时记忆网络的目标轨迹预测方法，其特征在于，所述预测模型，包括：

6.根据权利要求1所述基于双向长短时记忆网络的目标轨迹预测方法，其特征在于，对所述预测模型的超参数进行优化，包括：

【专利技术属性】
技术研发人员：周洁，雷莹，马天力，陈玉峰，陈超波，高嵩，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：