CN115688019B 基于异构数据关联挖掘与度量学习的智能体轨迹预测方法 （西安电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115688019B(45)授权公告日2025.07.01

(21)申请号202211163069.7

(22)申请日2022.09.23

(65)同一申请的已公布的文献号申请公布号CN115688019A

(43)申请公布日2023.02.03

GO6N3/0455(2023.01)

(56)对比文件

CN111368879A,2020.07.03

CN114022847A,2022.02.08

审查员王永贵

(73)专利权人西安电子科技大学

地址710071陕西省西安市太白南路2号

(72)发明人韩冰杨铮高新波陈玮铭黄晓悦

(74)专利代理机构陕西电子工业专利中心61205

专利代理师田文英

(51)Int.CI.

GO6F18/2413(2023.01)

GO6F18/22(2023.01)权利要求书2页说明书8页附图2页

(54)发明名称

基于异构数据关联挖掘与度量学习的智能体轨迹预测方法

(57)摘要

CN115688019B本发明公开了一种基于异构数据关联挖掘与度量学习的智能体轨迹预测方法，主要解决了现有轨迹预测技术在编码时忽略了异构数据的关联性，以及在有监督训练时没用充分利用标签监督信息的问题。本发明通过构建异构数据关联挖掘的智能体轨迹预测网络，根据智能体历史轨迹计算其将要进入的活动区域的地图特征，避免了智能体已经经过的区域与不会进入的区域的地图特征带来的噪声，同时设计基于度量学习的损失函数训练网络，在度量空间计算未来轨迹预测结果和未来轨迹标签的相似度，从而充分利用标签监督信息，使本发明方法具有对异构数据关

CN115688019B

构建基于异构数据关联挖掘

构建基于异构数据关联挖掘的智能体轨迹预测网络

构建训练集

利用训练集获得智能体的预测轨迹

根据基于度量学习的损失函数计算未来轨迹预测结果和标签的损失值

优化基于异构数据关联挖掘的智能体轨迹预测网络

使用训练好的网络进行预测

CN115688019B权利要求书1/2页

2

1.一种基于异构数据关联挖掘与度量学习的智能体轨迹预测方法，其特征在于，构建异构数据关联挖掘的智能体轨迹预测网络，利用训练集获得智能体的预测轨迹，通过设计基于度量学习的损失函数训练网络，该方法的具体步骤包括如下：

步骤1,构建异构数据关联挖掘的智能体轨迹预测网络：

分别构建历史轨迹图结构编码子网络、高清地图编码子网络、高维分布编码子网络和特征解码子网络；将历史轨迹图结构编码子网络与高清地图编码子网络组成并联网络，将并联网络与高维分布编码子网络、特征解码子网络依次串联，组成异构数据关联挖掘的智能体轨迹预测网络；

所述高清地图编码子网络由依次串联的三个模块组成，用于计算位置矩阵的无参数的位置矩阵初始化模块、用于根据位置矩阵提取地图特征的Transformer网络模块和用于计算位置偏移量的第一全连接层，将Transformer网络模块的输入维度和输出维度分别设置为[[100×100×dis(M)],[32×2]]和32,dis(M)为高清地图的维度，第一全连接层的输入维度和输出维度分别设置为1和2;

步骤2,生成训练集：

选取至少7500个智能体的行动轨迹数据和其行动区域的高清地图数据；

智能体行动轨迹数据中至少包含2个历史轨迹和1个未来轨迹；

将智能体历史轨迹和其对应行动区域的高清地图数据设置为网络输入数据，将智能体的未来轨迹设置为标签；

将网络输入数据与其对应的标签组成训练集；

步骤3,利用训练集获得智能体的预测轨迹：

将训练集输入到异构数据关联挖掘的智能体轨迹预测网络中，历史轨迹图结构编码子网络计算智能体历史轨迹的图结构编码，高清地图编码子网络挖掘智能体历史轨迹与其活动区域的关联性并计算地图特征，高维分布编码子网络计算历史轨迹图结构编码和活动区域地图特征的高维分布，特征解码子网络解码对高维分布、图结构特征和地图特征进行解码，得到智能体的1条可能预测轨迹；

所述高清地图编码子网络挖掘智能体历史轨迹与其活动区域的关联性并计算地图特征的具体步骤如下：

按照下式，计算智能体的行动角度：

其中，absce