原文传递
基于时域卷积网络与注意力机制的车辆换道轨迹预测模型
| 题名： | 基于时域卷积网络与注意力机制的车辆换道轨迹预测模型 |
| 作者： | 杨达 1,2 刘家威 1 郑斌 1 孙峰 1 |
| 作者单位： | 1. 西南交通大学,交通运输与物流学院2. 威斯康星大学,土木与环境工程学院 |
| 关键词： | 交通工程;轨迹预测;TCN-Attention;车辆换道; |
| 摘要： | 精准的车辆轨迹预测模型可以为自动驾驶车辆提供其周围车辆的准确运动状态信息，进而判断本车与周围车辆短期内是否有发生冲突的可能性。本文提出一种基于时域卷积网络与注意力机制（Temporal Convolutional Networks with Attention mechanism,TCN-Attention）的车辆换道轨迹预测模型。该模型以时域卷积网络作为当前输入的特征提取器，利用时间与空间注意力机制使模型在不同时间和空间位置之间建立动态关联，更准确地捕捉车辆之间的动态时空相关性，实现准确预测车辆换道轨迹。与传统单一车辆轨迹特征输入不同，本文通过对输入特征进行多维扩充与融合，进一步提高了轨迹预测准确率。此外，本文提出一种换道执行起止时刻定义方法更准确地确定数据集中的换道起止时刻。实验表明，本文所提模型能以高准确率预测变换车道轨迹，在整体效果上优于其他深度学习模型，与ConvLSTM （Convolution Long Short-Term Memory）相比，TCN-Attention的平均绝对误差(Mean Absolute Error,EMAE)降低了69.8%，均方根误差(Root Mean Square Error,ERMSE)降低了49.15%，平均绝对百分比误差(Mean Absolute Percentage Error,EMAPE)降低了14.24%。 |
| 期刊名称： | 交通运输系统工程与信息 |
| 出版日期： | 202403 |
| 出版年： | 2024 |
| 期： | 13 |
检索历史
应用推荐
