多策略改进蛇形优化器加速 CNN-LSTM-Attention-Adaboost 轨迹预测

Shiyang Li

多策略改进蛇形优化器加速 CNN-LSTM-Attention-Adaboost 轨迹预测

机器学习 2025-07-22 v1

作者: Shiyang Li

摘要

为解决中长期四维（4D）轨迹预测模型的局限性，本文提出一种融合多策略改进蛇形群体优化（SO）算法的混合 CNN-LSTM-Attention-Adaboost 神经网络模型。该模型应用Adaboost算法将多个弱学习器划分为多个子模型，每个子模型利用CNN提取空间特征、LSTM捕获时间特征，以及注意力机制全面捕获全局特征。强学习器模型结合多个子模型，然后通过SO模拟的自然选择行为模式优化预测模型的超参数。本研究基于西安到天津的真实ADS-B数据，开展了多个优化器的比较实验和消融研究，并进行了全面测试和评估分析。结果表明，SO-CLA-adaboost在处理大规模高维轨迹数据方面优于粒子群、鲸鱼和灰狼等传统优化器。此外，引入全策略协同改进SO算法可使模型预测精度提升39.89%。

关键词

轨迹预测 CNN-LSTM 注意力机制蛇形优化器 Adaboost

引用

@article{arxiv.2507.15832,
  title  = {Multi-Strategy Improved Snake Optimizer Accelerated CNN-LSTM-Attention-Adaboost for Trajectory Prediction},
  author = {Shiyang Li},
  journal= {arXiv preprint arXiv:2507.15832},
  year   = {2025}
}

备注

in Chinese language

多策略改进蛇形优化器加速 CNN-LSTM-Attention-Adaboost 轨迹预测

摘要

关键词

引用

备注

相关论文