基于车流特性和LSTM的长期车辆轨迹预测方案

作者：李新; 蔡英^*; 张猛; 李汶锦; 范艳芳

来源：北京信息科技大学学报(自然科学版), 2022, 37(06): 32-37.

DOI：10.16508/j.cnki.11-5866/n.2022.06.005

• 车辆轨迹预测
• 长短期记忆网络
• 车流特性

由于车辆高速移动引发位置突变，深度学习模型难以学习预测函数，导致现有方案在长期预测中位置误差较大，对此提出了基于车流特性的长期车辆轨迹预测方案。通过分析城区场景中车流的聚集性和潮汐性，分析各个位置出现的频次，确定了不同位置相应的权重值；利用长短期记忆(long short-term memory, LSTM)网络的“记忆”特性，设计了基于LSTM的编码器-解码器预测模型，实现长期车辆轨迹预测。仿真实验结果表明，所提方案与消融实验方案对比，在工作日长期预测中的平均位置误差降低了1.4%,最终位置误差降低了1.1%,均方根误差降低了0.9%,且具有较好的泛化性。

• 单位
  北京信息科技大学