领域知识与数据驱动的混合交通流车辆轨迹预测

作     者：刘晗 孙剑 LIU Han;SUN Jian

作者机构：同济大学道路与交通工程教育部重点实验室上海201804 

出 版 物：《同济大学学报（自然科学版）》 (Journal of Tongji University:Natural Science)

年 卷 期：2024年第52卷第7期

页      面：1099-1108页

核心收录：

学科分类：08[工学] 082303[工学-交通运输规划与管理] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

基　　金：国家自然科学基金(52125208) 国家重点研发计划(2019YFB1600200) 

主　　题：交通工程 轨迹预测 混合交通流 深度学习模型 知识 

摘      要：自动驾驶车辆需具备预测周围车辆轨迹的能力。诸多发展中国家普遍存在弱规则、强交互的混合交通流道路,高密度混合交通流的车辆轨迹预测是极具挑战性的任务。为了兼顾混合交通流道路环境下轨迹预测的高精度和可解释性,设计一个融合领域知识和经验的深度学习模型(DKConv-LSTM)实现车辆的长、短时轨迹预测。该模型采用卷积结构(Conv)提取交互特征,并将融合车辆历史信息的特征向量送入长短时记忆网络(LSTM)模型实现轨迹预测。知识经验通过嵌入损失函数的方式引导深度学习模型的训练。与基础的LSTM相比,仅添加卷积层结构的Conv-LSTM模型可提升终点轨迹误差(FDE)约30.46%,提升平均轨迹误差(ADE)约34.78%;而DK-Conv-LSTM模型可分别提升FDE 46.81%和ADE 49.08%;同时DK-Conv-LSTM模型可还原多前车跟驰、超车行为的驾驶轨迹。