一种基于GWO-CNN-GRU-Attention的高速车辆轨迹预测方法与流程

本发明属于智能汽车和计算机，具体涉及一种基于gwo-cnn-gru-attention的高速车辆轨迹预测方法。

背景技术：

1、随着移动无线通信和全球定位技术的快速发展已经产生了gps定位技术，可以非常准确地跟踪汽车运动轨迹。gps导航系统可以实时获取汽车位置、行驶方向和其他因素。位置数据运动轨迹可以用来解释丰富的信息空间结构与用户行为相结合，这使得汽车运动轨迹预测成为可能。轨迹预测准确可靠的车辆轨迹预测是任何智能交通系统的重要组成部分，可以提高交通安全性并促进有效的城市道路规划。由于车辆轨迹是不确定的，并且具有易受环境和用户行为影响的特点，因此通过现代轨迹预测技术很难准确。近几年轨迹预测领域获得了极大地发展，从最初基于物理、基于规则的方法慢慢向基于机器学习和深度学习转变。

2、传统的机器学习方法其优势在于易于理解和实现，但是对复杂的时空关系建模能力有限，难以处理大规模和高维数据。而深度学习的最大优势就在于能够捕捉更复杂的时空特征，处理大规模和高维度的数据，但同时其缺点也较为突出，需要大量数据进行训练，模型复杂度高，对硬件资源要求较高，因此如何最大程度改善深度学习的缺点，发挥它的最大优势成为广大学者的研究目标。

3、cnn在处理图像数据上表现出色，通过卷积和池化操作提取空间特征，减少参数数量，并具备层次化特征学习能力。然而，它在处理序列数据方面相对较弱，计算代价较高，且需要大量标记数据。gru则适用于处理序列数据，通过门控机制解决长期依赖和梯度消失问题，参数较少，训练速度快，在序列建模上效果良好。但gru的门控机制可能导致信息丢失，且在数据量不足时容易过拟合，其遗忘能力相对较弱。通过将两者结合，模型能够同时利用空间信息和时序信息，实现更全面的特征学习。引入注意力机制，针对输入的不同部分赋予不同的权重，处理输入数据时可以更加精细地关注重要的部分，提高模型在复杂任务上的表现。gwo优化算法相较于其他算法，其优势在于其简洁直观的结构、简便的参数调节、强大的自适应调整能力以及高效且鲁棒的求解性能。这使得gwo能够在复杂优化问题的求解中表现优异。通过将gwo与cnn-gru-attention相结合，不仅提高了模型的准确性和泛化能力，还降低了过拟合的风险。

4、公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路

1、本发明的目的是在于提供一种基于gwo-cnn-gru-attention的高速车辆轨迹预测方法，以解决cnn在处理序列数据方面相对较弱，计算代价较高以及gru的门控机制可能导致信息丢失，且在数据量不足时容易过拟合，其遗忘能力相对较弱的问题。

2、为了实现上述目的，本发明提供了如下技术方案：

3、一种基于gwo-cnn-gru-attention的高速车辆轨迹预测方法，包括以下步骤：

4、s1、通过车辆变道起止时刻定义数据集中的轨迹点的起止时刻，作为训练模型数据集的输入；

5、s2、将轨迹的轨迹点特征与车辆行为信息特征相结合；

6、s3、采用cnn-gru-attention建立单独的车辆行为识别模型和车辆轨迹预测模型并分别进行训练，其中车辆轨迹模型的训练数据中包含标记的车辆行为信息；

7、s4、通过灰狼优化算法对cnn-gru-attention模型进行参数优化；

8、s5、将组合特征输入车辆轨迹预测模型，得到车辆的横向和纵向速度和坐标；

9、s6、结合历史轨迹的最后一个轨迹点，使用加速度轨迹算法计算3s轨迹。

10、作为优选，s2中输入的轨迹点特征包括车辆状态和交互式信息特征，车辆状态包括坐标、速度和加速度；车辆行为信息特征包括直行、左右转弯和变道。

11、作为优选，s3中采用cnn-gru-attention进行的训练过程包括以下步骤：

12、s3.1、将轨迹的轨迹点特征与车辆行为信息特征相结合作为模型输入变量；

13、s3.2、将获取到的训练数据进行归一化处理，使其数值范围统一，随后这些处理过的数据会被输入到cnn卷积神经网络中，进行卷积和最大值池化处理；

14、s3.3、将经s3.2处理后的特征送入到门控循环单元网络中进行进一步处理，完成回归；

15、s3.4、引入注意力机制，动态地对不同输入部分赋予不同的权重，让模型在处理输入序列时更加灵活地关注重要的部分。

16、作为优选，s4中通过灰狼优化算法对cnn-gru-attention模型进行参数优化，包括以下步骤：

17、s4.1、随机生成一定数量的灰狼，并为每个灰狼分配随机的初始位置；

18、s4.2、根据每个灰狼的适应度和其他灰狼的位置，更新每个灰狼的位置；

19、s4.3、更新全局最优解，记录适应度最好的灰狼的位置和适应度；

20、s4.4、检查是否满足终止条件；终止条件为：达到最大迭代次数或达到预设的适应度阈值；

21、s4.5、返回全局最优解作为算法的结果。

22、与现有技术相比，本发明具有如下有益效果：

23、(1)本发明的基于gwo-cnn-gru-attention的高速车辆轨迹预测方法，构建了包含坐标、速度、加速度等车辆状态和交互信息特征的特征集，可以充分发挥cnn网络在数据挖掘领域的优势，提取非连续数据在高维空间中的潜在联系。

24、(2)本发明的基于gwo-cnn-gru-attention的高速车辆轨迹预测方法，使用gru网络模型可以充分考虑所输入特征的时序特性，具有良好的时序性数据拟合回归能力，同时具有较高的预测效率。

25、(3)本发明的基于gwo-cnn-gru-attention的高速车辆轨迹预测方法，在cnn-gru结构的基础上引入了注意力机制，用于动态地对不同输入部分赋予不同的权重，以便于模型更关注重要的部分，从而改善模型的性能和泛化能力。

26、(4)本发明的基于gwo-cnn-gru-attention的高速车辆轨迹预测方法，利用gwo优化算法优化cnn-gr-attention模型，在短时间内能够寻找到最接近模型参数的最优解，十分契合当前高速轨迹预测的现实需求。

27、(5)本发明的基于gwo-cnn-gru-attention的高速车辆轨迹预测方法，gwo-cnn-gru-attention综合了cnn网络与gru网络的优势，引入注意力机制强化关注能力，同时结合了gwo优化算法的快速求解效率，与现有人工智能预测方法相比，在保持较快模型训练速度的同时，具有较高的预测精度。

技术特征：

1.一种基于gwo-cnn-gru-attention的高速车辆轨迹预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于gwo-cnn-gru-attention的高速车辆轨迹预测方法，其特征在于，s2中输入的轨迹点特征包括车辆状态和交互式信息特征，车辆状态包括坐标、速度和加速度；车辆行为信息特征包括直行、左右转弯和变道。

3.根据权利要求1所述的基于gwo-cnn-gru-attention的高速车辆轨迹预测方法，其特征在于，s3中采用cnn-gru-attention进行的训练过程包括以下步骤：

4.根据权利要求1所述的基于gwo-cnn-gru-attention的高速车辆轨迹预测方法，其特征在于，s4中通过灰狼优化算法对cnn-gru-attention模型进行参数优化，包括以下步骤：

技术总结
本发明属于智能汽车和计算机技术领域，具体涉及一种基于GWO‑CNN‑GRU‑Attention的高速车辆轨迹预测方法，包括以下步骤：S1、定义数据集中的轨迹点的起止时刻，作为训练模型数据集的输入；S2、将轨迹的轨迹点特征与车辆行为信息特征相结合；S3、采用CNN‑GRU‑Attention建立单独的车辆行为识别模型和车辆轨迹预测模型并分别进行训练；S4、通过灰狼优化算法对CNN‑GRU‑Attention模型进行参数优化；S5、将组合特征输入车辆轨迹预测模型，得到车辆的横向和纵向速度和坐标；S6、结合历史轨迹的最后一个轨迹点，使用加速度轨迹算法计算3s轨迹。本发明综合了CNN网络与GRU网络的优势，引入注意力机制强化关注能力，同时结合了GWO优化算法的快速求解效率，在保持较快模型训练速度的同时，具有较高的预测精度。

技术研发人员：贺显亮,张思维,郑洪,林云辉,杨和平,张桂兰,张启伦
受保护的技术使用者：广西双英集团股份有限公司
技术研发日：
技术公布日：2024/10/31