10.3969/j.issn.1003-3114.2023.04.003
基于情景感知与移动数据挖掘的行人轨迹预测方法
移动数据挖掘是智能交通领域中各项应用的研究基础,对于理解复杂的人类行为模式和改善城市规划、交通和公共安全有着巨大的潜力.行人轨迹预测立足于移动数据挖掘,从中发现行人的移动规律,致力于在智能机器人、自动驾驶、智慧旅游等许多现代产业中发挥重要作用.考虑到传统的行人轨迹预测模型仅关注时空数据,没有充分考虑人与环境、人与人之间的相互作用以及情景信息,提出了一种基于空间社会力图神经网络(Spatial Social Force Graph Neural Network,SSF-GNN)的行人轨迹预测模型.SSF-GNN 可以处理行人的历史轨迹,并从不同场景中提取特征.利用社会力理论量化了行人的互动和情景感知信息.SSF-GNN 融合了行人的社会影响和隐藏状态,可以准确预测连续轨迹点.在两个经典数据集(ETH 和 UCY)上进行了大量的实验,结果表明 SSF-GNN 的性能优于当前主流算法.平均位移误差(Average Displacement Error,ADE)相较于对比方法的平均值减小了 25.6%,最终位移误差(Final Dis-placement Error,FDE)减小了 15.4%.预测行人在未来 3.2 s的轨迹点时,现有对比方法的平均准确率为 48.6%,SSF-GNN的准确率显著优于最先进的模型,达到 67.7%.
移动数据挖掘、情景感知、轨迹预测、社会力理论
49
TN929.5
2023-08-15(万方平台首次上网日期,不代表论文的发表时间)
共10页
606-615