本發(fā)明屬于機(jī)器學(xué)習(xí)和數(shù)據(jù)分析，具體涉及一種采用結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(cnn)、長短期記憶網(wǎng)絡(luò)(lstm)與注意力機(jī)制(attention)的神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)高精度軌跡預(yù)測的方法。

背景技術(shù)：

1、軌跡預(yù)測是指通過分析對象過去的運(yùn)動軌跡，預(yù)測其未來的運(yùn)動路徑，廣泛應(yīng)用于智能交通、無人駕駛、機(jī)器人導(dǎo)航、航空航天等領(lǐng)域。隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，基于深度學(xué)習(xí)的軌跡預(yù)測方法逐漸成為研究熱點(diǎn)。

2、現(xiàn)有的軌跡預(yù)測方法主要包括傳統(tǒng)的基于物理模型的方法和基于機(jī)器學(xué)習(xí)的方法。傳統(tǒng)方法依賴于物理定律和運(yùn)動學(xué)模型，難以適應(yīng)復(fù)雜多變的實(shí)際場景，尤其是在環(huán)境復(fù)雜、動態(tài)變化快的情況下，其預(yù)測精度和適應(yīng)性較低。例如，在城市環(huán)境中，建筑物密集、信號遮擋多，導(dǎo)航信號(如gnss)可能會出現(xiàn)信號丟失或嚴(yán)重衰減的情況，導(dǎo)致傳統(tǒng)基于導(dǎo)航信號的軌跡估計方法失效。

3、基于機(jī)器學(xué)習(xí)的方法，尤其是深度學(xué)習(xí)方法，如循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)和長短期記憶網(wǎng)絡(luò)，在處理時間序列數(shù)據(jù)方面表現(xiàn)出色。然而，這些方法在捕捉軌跡數(shù)據(jù)中的空間特征和長期依賴關(guān)系方面仍存在一定的局限性。cnn在提取空間特征方面具有顯著優(yōu)勢，而lstm在捕捉時間依賴關(guān)系方面表現(xiàn)優(yōu)異。注意力機(jī)制能夠有效地提升模型對關(guān)鍵特征的關(guān)注能力。將這三者結(jié)合，能夠充分發(fā)揮各自的優(yōu)勢，提高軌跡預(yù)測的準(zhǔn)確性和魯棒性。

4、在導(dǎo)航信號丟失的場景下，如地下停車場、隧道、密集城市區(qū)域等，依賴傳統(tǒng)導(dǎo)航信號的軌跡估計方法難以提供可靠的位置信息。此時，利用imu(慣性測量單元)數(shù)據(jù)進(jìn)行軌跡預(yù)測成為一種有效的補(bǔ)充手段。

5、然而，imu數(shù)據(jù)本身存在噪聲和累積誤差，從而導(dǎo)致軌跡預(yù)測的精度和可靠性降低。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出一種基于cnn-lstm-attention神經(jīng)網(wǎng)絡(luò)的軌跡預(yù)測方法及系統(tǒng)，其目的是解決以下技術(shù)問題：

2、1、采用imu數(shù)據(jù)進(jìn)行軌跡預(yù)測時，由于imu數(shù)據(jù)本身存在噪聲和累積誤差，從而導(dǎo)致軌跡預(yù)測的精度和可靠性降低的問題。

3、2、復(fù)雜多變的實(shí)際場景中軌跡預(yù)測的精度問題。

4、3、軌跡數(shù)據(jù)中空間特征和時間依賴關(guān)系的捕捉問題。

5、4、傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型對關(guān)鍵特征的關(guān)注能力不足的問題，以及模型訓(xùn)練的穩(wěn)定性問題。

6、本發(fā)明提出的一種基于cnn-lstm-attention神經(jīng)網(wǎng)絡(luò)的軌跡預(yù)測方法包括：

7、s1：收集多源傳感器數(shù)據(jù)，并進(jìn)行預(yù)處理，生成用于訓(xùn)練的輸入特征；

8、s2：將預(yù)處理后的傳感器數(shù)據(jù)劃分為訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)，并對輸入特征和目標(biāo)輸出進(jìn)行標(biāo)準(zhǔn)化處理；

9、s3：構(gòu)建混合神經(jīng)網(wǎng)絡(luò)架構(gòu)，設(shè)定所述混合神經(jīng)網(wǎng)絡(luò)架構(gòu)中各層的結(jié)構(gòu)與參數(shù)，并定義損失函數(shù)與優(yōu)化器；

10、s4：采用訓(xùn)練集數(shù)據(jù)對所述混合神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，采用反向傳播算法優(yōu)化模型參數(shù)；

11、s5：計算預(yù)測軌跡與真實(shí)軌跡之間的誤差指標(biāo)，根據(jù)誤差指標(biāo)評估混合神經(jīng)網(wǎng)絡(luò)架構(gòu)的預(yù)測性能；

12、s6：選擇預(yù)測性能最佳的神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)時軌跡預(yù)測。

13、更進(jìn)一步地，提供優(yōu)選方案：所述多源傳感器數(shù)據(jù)包括：慣性測量單元和傳統(tǒng)導(dǎo)航數(shù)據(jù)信號。

14、更進(jìn)一步地，提供優(yōu)選方案：所述預(yù)處理包括：讀取慣性測量單元和傳統(tǒng)導(dǎo)航數(shù)據(jù)信號解算出的位置信息文件，并對各數(shù)據(jù)列進(jìn)行命名和整理。

15、更進(jìn)一步地，提供優(yōu)選方案：所述s2中，對輸入特征和目標(biāo)輸出進(jìn)行標(biāo)準(zhǔn)化處理具體為：對輸入特征和目標(biāo)輸出進(jìn)行z-score標(biāo)準(zhǔn)化處理。

16、更進(jìn)一步地，提供優(yōu)選方案：z-score標(biāo)準(zhǔn)化公式如下，

17、

18、其中，x為原始數(shù)據(jù)，μ為均值，σ為標(biāo)準(zhǔn)差。

19、更進(jìn)一步地，提供優(yōu)選方案：所述s3包括：

20、構(gòu)建融合卷積神經(jīng)網(wǎng)絡(luò)cnn、長短期記憶網(wǎng)絡(luò)lstm與注意力機(jī)制attention的混合神經(jīng)網(wǎng)絡(luò)架構(gòu)，具體為：cnn模塊通過多層卷積和池化操作提取輸入數(shù)據(jù)的空間特征和局部模式；lstm層處理cnn提取的時序特征；注意力機(jī)制層對lstm輸出的特征進(jìn)行加權(quán)；將加權(quán)后的特征在全連接層中進(jìn)行線性組合，輸出最終的軌跡預(yù)測結(jié)果。

21、更進(jìn)一步地，提供優(yōu)選方案：所述s3中，定義均方誤差mse作為損失函數(shù)，并選擇rmsprop優(yōu)化器。

22、本發(fā)明還提出一種計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器中存儲有計算機(jī)程序，當(dāng)所述處理器運(yùn)行所述存儲器存儲的計算機(jī)程序時，所述處理器執(zhí)行上述任意一種方案組合所述的一種基于cnn-lstm-attention神經(jīng)網(wǎng)絡(luò)的軌跡預(yù)測方法。

23、本發(fā)明還提出一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)用于儲存計算機(jī)程序，所述計算機(jī)程序執(zhí)行上述任意一種方案組合所述的一種基于cnn-lstm-attention神經(jīng)網(wǎng)絡(luò)的軌跡預(yù)測方法。

24、本發(fā)明還提出一種基于cnn-lstm-attention神經(jīng)網(wǎng)絡(luò)的軌跡預(yù)測系統(tǒng)，所述系統(tǒng)基于上述任意一種方案組合所述的一種基于cnn-lstm-attention神經(jīng)網(wǎng)絡(luò)的軌跡預(yù)測方法實(shí)現(xiàn)，包括：

25、數(shù)據(jù)處理模塊：用于收集多源傳感器數(shù)據(jù)，并進(jìn)行預(yù)處理，生成用于訓(xùn)練的輸入特征；

26、數(shù)據(jù)劃分模塊：用于將預(yù)處理后的傳感器數(shù)據(jù)劃分為訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)，并對輸入特征和目標(biāo)輸出進(jìn)行標(biāo)準(zhǔn)化處理；

27、模型構(gòu)件模塊：用于構(gòu)建混合神經(jīng)網(wǎng)絡(luò)架構(gòu)，設(shè)定所述混合神經(jīng)網(wǎng)絡(luò)架構(gòu)中各層的結(jié)構(gòu)與參數(shù)，并定義損失函數(shù)與優(yōu)化器；

28、模型訓(xùn)練模塊：用于采用訓(xùn)練集數(shù)據(jù)對所述混合神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，采用反向傳播算法優(yōu)化模型參數(shù)；

29、模型評估模塊：用于計算預(yù)測軌跡與真實(shí)軌跡之間的誤差指標(biāo)，根據(jù)誤差指標(biāo)評估混合神經(jīng)網(wǎng)絡(luò)架構(gòu)的預(yù)測性能；

30、實(shí)時預(yù)測模塊：用于選擇預(yù)測性能最佳的神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)時軌跡預(yù)測。

31、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)勢在于：

32、(1)高精度預(yù)測：通過結(jié)合卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)與注意力機(jī)制，能夠充分提取軌跡數(shù)據(jù)中的空間與時間特征，顯著提升軌跡預(yù)測的準(zhǔn)確性。

33、(2)魯棒性增強(qiáng)：引入注意力機(jī)制，增強(qiáng)模型對關(guān)鍵特征的關(guān)注能力，特別是在復(fù)雜環(huán)境和低信噪比條件下，依然能夠保持較高的預(yù)測精度。

34、(3)模型優(yōu)化：通過數(shù)據(jù)標(biāo)準(zhǔn)化、缺失值處理和合理的數(shù)據(jù)集劃分，確保模型訓(xùn)練的穩(wěn)定性和預(yù)測的精度，同時采用優(yōu)化算法rmsprop有效地優(yōu)化模型參數(shù)。

35、(4)輔助模型對比：通過訓(xùn)練和評估僅使用cnn或lstm的輔助模型，進(jìn)一步驗證了cnn-lstm-attention模型在軌跡預(yù)測任務(wù)中的優(yōu)越性能。

36、本發(fā)明所述的一種基于cnn-lstm-attention神經(jīng)網(wǎng)絡(luò)的軌跡預(yù)測方法，通過深度學(xué)習(xí)方法結(jié)合多源傳感器數(shù)據(jù)，可以顯著提升軌跡預(yù)測的精度和可靠性。因此，基于cnn-lstm-attention神經(jīng)網(wǎng)絡(luò)的軌跡預(yù)測方法在信號不穩(wěn)定或丟失的復(fù)雜場景下具有重要的應(yīng)用價值。

37、本發(fā)明適用于智能交通系統(tǒng)、無人駕駛、路線規(guī)劃等應(yīng)用場景。