融合多头注意力的时空交互感知车辆轨迹预测模型

摘要

高精度车辆轨迹预测对提升自动驾驶安全与交通效率至关重要。提出融合多头注意力机制与双向长短期记忆递归神经网络(spatiotemporal attention and bidirectional LSTM,STA-BiLSTM)轨迹预测模型，通过分层提取单车轨迹特征与协同表征多车间时空交互依赖，有效增强复杂动态场景下的预测能力。该模型首先采用卷积神经网络-长短期记忆网络(CNN-LSTM)编码单车历史轨迹特征；再通过多头注意力机制实现车辆间空间交互的自适应量化；最后利用双向长短期记忆网络(BiLSTM)捕捉交互关系的时序演化规律。试验结果表明，所提模型在5 s时的均方根误差(RMSE)对比double transformer(DT)下降9.8%,且具有较强的可解释性。通过单车和环境车辆时空依赖关系的耦合建模，为复杂交通环境下的轨迹预测提供可行解决方案。

关键词

车辆工程 / 轨迹预测 / 注意力机制 / 时空建模 / 双向长短时记忆网络 / 深度学习