融合时空特征的多模态车辆轨迹预测方法.pdfVIP

ComputerEngineeringandApplications计算机工程与应用2025，61（7）325

⦾工程与应用⦾

融合时空特征的多模态车辆轨迹预测方法

11+21

史昕，王浩泽，纪艺，马峻岩

1.长安大学信息工程学院，西安710064

2.山东高速信息集团有限公司，济南250102

+通信作者E-mail：2065346820@

摘要：针对考虑车辆行驶不确定性的轨迹分布准确快速预测问题，提出了一种融合时空特征的多模态车辆轨迹预

测方法（GCNTA）。利用空间关联度系数和图卷积神经网络（GCN）实现空间关联特征提取。构建具有时间注意力

机制的时域卷积网络（TCN）完成时间特征提取。通过特征融合门控单元实现每个时间步长对应时空特征的自适应

融合，并利用门控循环单元（GRU）网络构建解码器进一步生成未来车辆轨迹的概率分布。利用公开的NGSIM数据

集对所提出模型进行消融实验及预测精度分析。仿真结果表明，GCNTA模型在预测误差均方根（RMSE）平均值相

比GCN、图注意力网络（GAT）和长短期记忆网络（LSTM）模型分别减少15.6%、16.3%和23.8%。

关键词：车辆轨迹预测；深度学习；图神经网络；时域卷积网络；注意力机制

文献标志码：A中图分类号：TP181doi：10.3778/j.issn.1002-8331.2311-0240

MultimodalVehicleTrajectoryPredictionMethodwithFusionofSpatio-TemporalFeatures

11+21

SHIXin,WANGHaoze,JIYi,MAJunyan

1.SchoolofInformationEngineering,Chang’anUniversity,Xi’an710064,China

2.ShandongHi-SpeedInformationGroupCo.,Ltd.,Jinan250102,China

Abstract：Regardingtheissueofaccurateandrapidpredictionoftrajectorydistributionstakingintoaccounttheuncer-

taintyofvehiclemovement,amultimodaltrajectorypredictionmethodfusingspatio-temporalfeaturesextractedbygraph

convolutionalnetworksandtemporalattentions(GCNTA)isproposed.Firstly,thespatialcorrelationcoefficientsandthe

graphconvolutionalneuralnetwork(GCN)areutilizedtoextractthespatialcorrelationfeatures.Secondly,thetemporal

convolutionalnetwork(TCN)networkwithtemporalattentionmechanismisconstructedtoextractthetemporalfeatures.

Then,theadaptivefusionofspatio-temporalfeaturesateachtimestepisrealizedbythefeaturefusiongatingunit,anda

decoderisconstructedtofurthergeneratetheprobabilitydistributionoffuturevehicletrajectoriesbyusinggatedrecurrent

unit(GRU)network.Finally,theproposedmodelisanalyzedb