基于时空注意力的车联网目标车辆轨迹预测
机器人学
2025-01-03 v1 机器学习
摘要
在复杂的交通环境中预测车辆行为是智能交通系统 (ITS) 的关键。尽管该技术在缓解物流和运输系统中普遍存在的运营困难方面发挥着重要作用，但精确预测车辆轨迹仍然构成重大挑战。为了解决这一问题，我们的研究引入了用于目标车辆轨迹预测的基于时空注意力的方法 (STATVTPred)。该方法集成了全球定位系统 (GPS) 定位技术来跟踪目标运动，并利用全面的时空轨迹数据动态预测车辆的未来路径。我们将车辆轨迹映射到有向图上，随后通过图注意力网络 (GAT) 提取空间属性。采用 Transformer 技术从序列中生成时间特征。然后将这些元素与局部道路网络结构图相结合，以过滤并输出平滑的轨迹序列，从而实现精确的车辆轨迹预测。本研究在 T-Drive 和成都出租车轨迹数据集上验证了我们提出的 STATVTPred 方法。实验结果表明，在北京和成都数据集上，STATVTPred 的平均匹配率 (AMR) 分别比 Transformer 模型高出 6.38% 和 10.55%。与 LSTM 编码器-解码器模型相比，STATVTPred 在相同数据集上的 AMR 分别提升了 37.45% 和 36.06%。这有望使 STATVTPred 成为处理物流和运输场景中目标轨迹预测的新方法，从而提高预测准确性。
引用
@article{arxiv.2501.00890,
title = {Spatial Temporal Attention based Target Vehicle Trajectory Prediction for Internet of Vehicles},
author = {Ouhan Huang and Huanle Rao and Xiaowen Cai and Tianyun Wang and Aolong Sun and Sizhe Xing and Yifan Sun and Gangyong Jia},
journal= {arXiv preprint arXiv:2501.00890},
year = {2025}
}