车辆行人地图轨迹预测方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113673749A(43)申请公布日2021.11.19(21)申请号202110858114.XG06N3/08(2006.01)(22)申请日2021.07.28(71)申请人广东省科学院智能制造研究所地址510070广东省广州市先烈中路100号大院15号楼(72)发明人李辰潼焦泽昱雷欢陈再励何峰(74)专利代理机构广东广盈专利商标事务所(普通合伙)44339代理人李俊(51)Int.Cl.G06Q10/04(2012.01)G06F16/29(2019.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书2页说明书10页附图2页(54)发明名称车辆行人地图轨迹预测方法及装置(57)摘要本发明公开了一种基于随机游走图神经网络的车辆行人地图轨迹预测方法及装置，其中，所述方法包括：确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；将待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出待预测目标对象在对应节点出现的概率。在本发明实施例中，可以有效的预测车辆或者行人在特定时间点后在地图上各个节点出现的概率。CN113673749ACN113673749A权利要求书1/2页1.一种基于随机游走图神经网络的车辆行人地图轨迹预测方法，其特征在于，所述方法包括：确定目标城市，基于所述目标城市建立预测行人车辆训练数据库；构建随机游走图神经网络模型，在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型；在所述目标城市中获得实时目标对象数据，对所述实时目标对象数据进行预处理，形成待预测目标对象数据；将所述待预测目标对象数据输入收敛的随机游走图神经网络模型中，输出所述待预测目标对象在对应节点出现的概率。2.根据权利要求1所述的车辆行人地图轨迹预测方法，其特征在于，所述基于所述目标城市建立预测行人车辆训练数据库，包括：将所述目标城市的地铁站和公交站抽象为站节点，并利用地铁线路和公交线路将各站节点进行链接，形成第一训练图网络；基于给定三个输入值所选取的站节点号、第一预估间隔时间、交通载具的平均速度信息及第一训练图网络形成预测行人训练数据；将所述目标城市中的各个关键点抽象为关键节点，并利用地图道路链接各个关键节点，形成第二训练图网络，其中，所述关键点包括集会场所和十字路口；基于给定三个输入值所选取的关键节点号、第二预估间隔时间、车辆速度信息和所述第二训练图网络形成预测车辆训练数据；基于所述预测行人训练数据和所述预测车辆训练数据构建预测行人车辆训练数据库。3.根据权利要求1所述的车辆行人地图轨迹预测方法，其特征在于，所述随机游走图神经网络模型包括：核函数层、第一全连接层、第二全连接层、softmax函数层和输出层。4.根据权利要求3所述的车辆行人地图轨迹预测方法，其特征在于，所述构建随机游走图神经网络模型，包括：以所述核函数层作为输入层，依次连接所述第一全连接层、所述第二全连接层、所述softmax函数层和所述输出层，形成随机游走图神经网络模型。5.根据权利要求3或4所述的车辆行人地图轨迹预测方法，其特征在于，所述核函数层为用于计算输入图结构以及时间和速度关系的核函数；用于表征输入信息在空间中的变换形式；所述softmax函数层用于将所述第二全连接层输出的结果进行概率转换，获得各个节点的概率。6.根据权利要求5所述的车辆行人地图轨迹预测方法，其特征在于，所述核函数如下：其中，σ为sigmoid函数；且，其中，t表示预估间隔时间；v表示预估速度；表示预估时间和预估速度的重整比2CN113673749A权利要求书2/2页参数；表示第i次方的第p行的邻接矩阵；T1和T2均为2×2的矩阵；Wi表示在第i个核函数中的可学参数矩阵；Xi表示在第i个核函数中的另外一个可学参数矩阵。7.根据权利要求1所述的车辆行人地图轨迹预测方法，其特征在于，所述在所述预测行人车辆训练数据库中提取预测训练数据，并将所述预测训练数据输入所述随机游走图神经网络模型中进行训练，获得收敛的随机游走图神经网络模型，包括：在所述预测行人车辆训练数据库中提取预测训练数据，所述预测训练数据包括预测训练样本数据和预测训练测试样本数据；将所述预测训练样本数据输入所述随机游走图神经网络模型中进行训练，获得训练后的随机游走图神经网络模