一种车辆行为预测方法、装置及电子设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115938113A(43)申请公布日2023.04.07(21)申请号202211511577.X(22)申请日2022.11.29(71)申请人重庆长安汽车股份有限公司地址400023重庆市江北区建新东路260号(72)发明人伍淑莉(74)专利代理机构广州市华学知识产权代理有限公司44245专利代理师赖晋儒(51)Int.Cl.G08G1/01(2006.01)G08G1/056(2006.01)G06F18/241(2023.01)G06N3/08(2023.01)G06N3/0442(2023.01)权利要求书2页说明书8页附图3页(54)发明名称一种车辆行为预测方法、装置及电子设备(57)摘要本发明提供一种车辆行为预测方法、装置及电子设备。方法包括如下步骤：在指定架构下搭建LSTM‑MLP模型，通过开源数据集NGSIM提取训练和测试所需要的输入特征，输入特征包括训练数据和测试数据，输入特征通过开源数据集NGSIM将每段车辆轨迹序列分为M类，并将M类的车辆轨迹序列按时间整理成矩阵的形式，以获得经过预处理的训练数据和测试数据，训练数据和测试数据均具有相应的数据标签，利用经过预处理的训练数据训练LSTM‑MLP模型，得到训练后的LSTM‑MLP模型，利用经过预处理的测试数据对训练后的LSTM‑MLP模型进行测试，得到经过测试的LSTM‑MLP模型，经过测试的LSTM‑MLP模型用于根据车辆的待识别输入特征，输出预测结果。其目的在于：用来解决现有预测方式精度低、准确性不高的问题。CN115938113ACN115938113A权利要求书1/2页1.一种车辆行为预测方法，其特征在于，包括：在指定架构下搭建LSTM‑MLP模型，所述LSTM‑MLP模型包括长短期记忆网络LSTM模型和多层感知机MLP模型；通过开源数据集NGSIM提取训练和测试所需要的输入特征，所述输入特征包括训练数据和测试数据；所述输入特征通过开源数据集NGSIM将每段车辆轨迹序列分为M类，并将所述M类的车辆轨迹序列按时间整理成矩阵的形式，以获得经过预处理的训练数据和测试数据，所述训练数据和所述测试数据均具有相应的数据标签，M为大于1的整数；利用所述经过预处理的训练数据训练所述LSTM‑MLP模型，得到训练后的LSTM‑MLP模型；利用所述经过预处理的测试数据对所述训练后的LSTM‑MLP模型进行测试，得到经过测试的LSTM‑MLP模型，所述经过测试的LSTM‑MLP模型用于根据车辆的待识别输入特征，输出预测结果，所述预测结果包括车辆的行驶方式，所述行驶方式包括直行、向左换道和向右换道中的任一种。2.根据权利要求1所述的方法，其特征在于，在指定架构下搭建LSTM‑MLP模型，包括：在指定架构下设置LSTM神经网络，并选择adam梯度优化算法，ReLU激活函数，设置初始学习率，初始化权重，以及设置渐变阈值、遗忘偏差；根据提取LSTM神经网络输出的特征，确定MLP网络设置输入层神经元的个数。3.根据权利要求1所述的方法，其特征在于，所述LSTM模型用于输出第一指定时段内的车辆预测轨迹信息。4.根据权利要求1所述的方法，其特征在于，所述输入特征包括历史时间段内的车辆的位置、车辆速度、车辆加速度、车辆航向角和车道的位置信息，其中，输入到所述LSTM神经网络的输入向量用XTrain表示，与所述输入向量对应的训练输出序列用Ytrain表示。5.根据权利要求4所述的方法，其特征在于，所述XTrain的每个单元中包括6个输入特征，所述6个输入特征分别为：车辆横向位置、纵向位置、车辆横向速度、纵向速度、车辆纵向加速度和车辆航向角。6.根据权利要求1所述的方法，其特征在于，利用所述经过预处理的训练数据训练所述LSTM‑MLP模型，得到训练后的LSTM‑MLP模型，包括：利用所述经过预处理的训练数据，对预先设置有初始化参数的所述LSTM模型进行训练，直到最后一次训练迭代结束或满足预设梯度误差时停止训练，以得到训练后的LSTM‑MLP模型。7.根据权利要求1中任一项所述的方法，其特征在于，所述方法还包括：将所述待识别输入特征输入所述经过测试的LSTM‑MLP模型，得到由所述经过测试的LSTM‑MLP模型根据所述待识别输入特征输出的所述预测结果。8.一种车辆行为预测装置，其特征在于，包括：搭建单元，在指定架构下搭建LSTM‑MLP模型，所述LSTM‑MLP模型包括长短期记忆网络LSTM模型和多层感知机MLP模型；获取单元，通过开源数据集NGSIM提取训练和测试所需要的输入特征，所述输入特征包括训练数据和测试数据；2CN115938113A权利要求书2/2页处理单元，所述输入特征通过开源数据集NGSIM将每段车辆轨迹序列分为M