共查询到17条相似文献,搜索用时 46 毫秒
1.
行人轨迹预测在各种应用中具有关键性作用,为提高互中轨迹预测精度与模型可解释性,提出了一种基于时空信息和社交注意力的模型(SAGAT),模型整体采用编码-码的框架。首先,针对行人之间时间交互的连续性,构建额外的LSTM网络来捕获时间的相关性信息。然后,提出社交注意力机制,设置3种社交特征丰富行人交互信息,对同一场景中的不同行人进行权重分配。最后,在UCY和ETH公开数据集进行训练。多个实验结果表明,模型的预测精度优于现有方法,且平均精度提高13.7%。首先,针对行人之间时间交互的连续性,构建额外的LSTM网络来捕获时间的相关性信息。然后,提出社交注意力机制,设置3种社交特征丰富行人交互信息,对同一场景中的不同行人进行权重分配。 相似文献
2.
行人轨迹预测能够有效降低行人轨迹突变造成的碰撞风险,在智能交通及监控系统等领域有着广泛应用。目前已有的研究大多利用无向图卷积网络对行人间的社会交互关系进行建模,这种方法缺少对行人隐藏状态关联性的考虑,容易产生行人间的冗余交互。针对这一问题,提出一种基于注意力机制和稀疏图卷积的行人轨迹预测模型(DASGCN),通过构建深度注意力机制,捕捉行人间运动隐藏状态的关联性,从而准确地提取行人运动状态特征。进一步提出自调节稀疏方法,减小冗余信息带来的运动轨迹偏差,解决行人密集无向交互的问题。将所提模型在ETH和UCY数据集上进行验证,其平均位移误差(ADE)和最终位移误差(FDE)分别达到0.36和0.63。实验结果表明,DASGCN对行人轨迹的预测能力要优于传统算法。 相似文献
3.
4.
5.
行人轨迹预测应用十分广泛,比如自动驾驶、机器人导航等。在轨迹预测中,一些不确定信息给轨迹预测任务带来了挑战,比如判别器中对轨迹信息判别的不确定,复杂的交互信息。在不确定信息处理科学领域,信息分形能有效处理不确定信息的不确定性和复杂性。受此启发,为了充分处理判别器中轨迹信息判别的不确定性,提升预测精度,该文提出了基于信息分形的轨迹预测方法。首先,场景信息和历史轨迹信息被特征提取模块提取。然后,通过注意力模块获取到场景-行人之间的交互信息与行人-行人之间的交互信息。最后基于生成对抗网络和信息分形生成合理的轨迹。在两个公共数据集ETH/UCY上实验表明,该方法能有效处理轨迹信息的不确定性,提高轨迹预测的精度。比如突然转弯、从后方超越前人、避让等行为的轨迹都能有效预测。在平均位移误差(ADE)和终点位移误差(FDE)上相比基准模型误差平均降低了11.11%和23.48%。 相似文献
6.
7.
针对车辆行驶受相邻车辆的影响,本文提出了一种特征增强的模型,在LSTM编码器-解码器架构上,使用卷积社交池提取一定范围内的车辆轨迹信息特征,再添加坐标注意力进行特征增强。使用NGSIM数据集实验结果表明,本文所提模型表现性能良好。相较于其他模型,5 s内在均方根误差指标上平均降低了14.10%、15.76%、17.49%、17.81%、17.20%。 相似文献
8.
移动数据挖掘是智能交通领域中各项应用的研究基础,对于理解复杂的人类行为模式和改善城市规划、交通和公共安全有着巨大的潜力。行人轨迹预测立足于移动数据挖掘,从中发现行人的移动规律,致力于在智能机器人、自动驾驶、智慧旅游等许多现代产业中发挥重要作用。考虑到传统的行人轨迹预测模型仅关注时空数据,没有充分考虑人与环境、人与人之间的相互作用以及情景信息,提出了一种基于空间社会力图神经网络(Spatial Social Force Graph Neural Network,SSF-GNN)的行人轨迹预测模型。SSF-GNN可以处理行人的历史轨迹,并从不同场景中提取特征。利用社会力理论量化了行人的互动和情景感知信息。SSF-GNN融合了行人的社会影响和隐藏状态,可以准确预测连续轨迹点。在两个经典数据集(ETH和UCY)上进行了大量的实验,结果表明SSF-GNN的性能优于当前主流算法。平均位移误差(Average Displacement Error,ADE)相较于对比方法的平均值减小了25.6%,最终位移误差(Final Displacement Error,FDE)减小了15.4%。预测行人在未来3.2 s的轨迹点时,现有对比方法的平均准确率为48.6%,SSF-GNN的准确率显著优于最先进的模型,达到67.7%。 相似文献
9.
时空图被广泛应用于行人轨迹预测等时间序列任务中,如何更精确地捕捉不同时间段的轨迹位置信息以及更充分地利用时空图的结构信息对于轨迹预测至关重要。传统的轨迹预测方法规则复杂、约束性强、可扩展性较差,往往只能应用于特定领域。基于学习的轨迹预测方法不依赖于专家经验的物理规则,根据观察的轨迹数据来学习不同时间段各个空间位置之间的变化规则。基于学习的方法存在一定局限性,如没有充分利用时空图的结构信息,导致轨迹预测模型的性能下降。针对上述问题,提出了一种新型基于时空图联合关系路径的行人轨迹预测框架(Spatio-Temporal Graphs with Relationship Path Trajectory Prediction Framework, STRP-TPF)。STRP-TPF主要包括EdgeRNN和NodeRNN模型。STRP-TPF基于时空图构建关系路径,基于关系路径构建因子图;构建EdgeRNN和NodeRNN模型,并将因子图作为输入;输出下一时刻行人的位置,并且预测完整的行人轨迹。STRP-TPF利用关系路径能够准确捕捉时空图的结构信息,充分学习行人在不同时间和空间点的轨迹关系。... 相似文献
10.
11.
12.
针对车辆轨迹预测中节点序列的时序特性和实际路网中的空间关联性,该文提出一种基于深度置信网络和SoftMax (DBN-SoftMax)轨迹预测方法.首先,考虑到轨迹在节点集合中的强稀疏性和一般特征学习方法对新特征的泛化能力不足,该文利用深度置信网络(DBN)较强的无监督特征学习能力,达到提取轨迹局部空间特性的目的;然后,针对轨迹的时序特性,该文采用逻辑回归的预测思路,用当前轨迹集在路网特征空间中的线性组合来预测轨迹;最后,结合自然语言处理领域中的词嵌入的思想,基于实际轨迹中节点存在的上下文关系,运用节点的向量集表征了节点间的交通时空关系.实验结果表明该模型不仅能够有效地提取轨迹特征,并且在拓扑结构复杂的路网中也能得到较好的预测结果. 相似文献
13.
14.
5G网络是车联网(Internet of Vehicles, IoV)发展的关键一步,其低时延的特点可以实现自动驾驶车辆对前方实时交通信息感知的需求,为预先制动、提前绕行等驾驶行为提供参考。针对混合交通场景中手动驾驶车辆可能会出现的危险驾驶行为,基于长短时记忆(Long Short-Term Memory, LSTM)网络和无线集群学习框架,提出了一种基于车联网的无线集群智能轨迹预测(Swarm Learning-based Trajectory Prediction, SLTP)算法。SLTP算法以智能网联汽车为研究对象,在使用去中心化的无线集群学习保护用户隐私数据的同时,使用车车无线通信系统感知周边手动驾驶车辆的历史轨迹信息并给出轨迹预测。通过使用美国高速公路行车NGSIM(Next Generation Simulation)的真实交通数据集评估SLTP的轨迹预测准确性能,评估结果表明,与现有的基于LSTM网络轨迹预测方法相比,SLTP算法在同样的无线通信开销下对于周边手动驾驶车辆的轨迹预测误差降低了43.1%,表明SLTP算法在车联网场景下的轨迹预测应用中具有良好的鲁棒性和准确... 相似文献
15.
16.
网络流量预测中的时间序列模型比较研究 总被引:12,自引:3,他引:9
网络流量预测在新一代网络协议设计、网络管理与诊断、设计高性能路由器等方面都具有重要意义.目前通常采用ARMA和FARIMA时序模型对网络流量序列进行拟合与预测,但没有对时间尺度的大小与模型选择的关系进行研究.本文对实际网络流量在不同时间尺度(毫秒、秒、分)下进行了流量预测建模并对预测性能进行比较,分析表明使用时序模型进行流量预测时,大时间尺度(分)流量预测较小时间尺度(毫秒、秒)具有更小的预测误差.并且,对于小时间尺度上的自相似流量序列,自相似模型FARIMA并没有较其他时序模型有更好的预测性能. 相似文献