基于强化邻接图卷积的交叉口车辆轨迹预测模型

• 全文链接
• 请求原文

作   者：

齐浩轩;  曹弋;  赵斌; 

作者机构：

大连交通大学交通工程学院; 

关键词：

Transformer;  车辆轨迹预测;  驾驶行为;  智能交通;  图卷积神经网络;  交叉口; 

期刊名称：

地球信息科学学报

i s s n：

1560-8999

年卷期：

2025 年 27 卷 003 期

页   码：

623-635

摘   要：

【目的】为提高交叉口中车辆轨迹预测精度，解决交叉口多车交互场景中的轨迹预测难题。【方法】构建强化邻接图卷积（EAG-GCN-T）的车辆轨迹预测模型，采用公共数据集INTERACTION并对数据噪声进行平滑处理，开展模型对比验证试验，与不同基准模型比较误差评估指标，验证轨迹预测精度、对比交互能力、分析泛化能力与驾驶行为识别。在模型构造上，EAG-GCN-T模型将强化邻接图卷积网络（EAG-GCN）与Transformer模型结合，EAG-GCN模块通过考虑相对速度与距离，利用强化加权邻接矩阵精确建模车辆空间交互关系，Transformer模块捕捉时间依赖性并生成未来轨迹，提升了时空预测能力。【结果】在预测效能方面，单车轨迹长时段预测时，平均位移误差（ADE）和最终位移误差（FDE）较CV、ARIMA、CNN-LSTM分别降低69.4%、39.8%、33.3%和71.9%、32.5%、27.4%；多车交互预测中，与GRIP模型相比，FDE降低19.5%和20.6%；与3种交互机制对比，EAG-GCN-T在所有时域下总体误差最低，ADE/FDE分别为0.53和0.74，且行驶区域符合度（DCA）和轨迹点丢失率（MR）更合理，在匝道和环形交叉口适应性良好。在驾驶行为方面，模型能精准预判跟驰、变道、避让等行为及其对轨迹的影响，预测轨迹与真实轨迹高度一致。【结论】EAG-GCN-T模型有效解决了交叉口多车交互场景中的车辆轨迹预测问题，具有高精度、强交互性和良好的泛化能力，为智能交通系统的车辆轨迹预测提供了新的解决方案。