基于情景感知与移动数据挖掘的行人轨迹预测方法

作者：谢添丞; 乔少杰^*; 张桃; 吴凌淳; 冉黎琼; 于泳; 李江敏; 彭钰寒; 薛骐

来源：无线电通信技术, 2023, 49(04): 606-615.

• 移动数据挖掘
• 情景感知
• 轨迹预测
• 社会力理论

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%。

• 单位
  宜宾学院; 成都信息工程大学