车联网背景下的机动车辆轨迹预测模型

作者：吴翊恺; 胡启洲^*; 吴啸宇

来源：东南大学学报(自然科学版), 2022, 52(06): 1199-1208.

• 车联网
• 车辆轨迹预测
• 特征提取
• 自注意力模型

针对传统深度学习算法对长序列特征提取效果有限的问题，提出一种基于Transformer的机动车辆轨迹预测模型.将利用车联网技术获取的周围车辆位置、速度、加速度及工况数据作为模型输入，通过Transformer的自注意力层及全连接层的处理得到区域内机动车辆状态向量.卷积联合池化层将车辆状态信息特征进一步提炼，经解码器得到未来时刻的车辆轨迹分布.将模型部署在仿真环境，使用NGSIM数据集对模型进行验证分析.结果表明：该模型对机动车辆未来横向轨迹和纵向轨迹的预测准确率分别为97.4%和88.4%;与其他深度学习模型横向相比，预测值与真实值的均方根误差和交叉熵代价函数值均最小.该模型在提取车辆历史轨迹特征上效果显著，提高了轨迹预测的准确性.

• 单位
  自动化学院; 南京理工大学