买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中山大学申请的专利交通密度自适应的车辆轨迹预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119169815B 。

龙图腾网通过国家知识产权局官网在2025-10-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411263631.2，技术领域涉及：G08G1/01；该发明授权交通密度自适应的车辆轨迹预测方法是由刘强;李子龙;朱靖龙;伍雅洁设计研发完成，并于2024-09-10向国家知识产权局提交的专利申请。

本交通密度自适应的车辆轨迹预测方法在说明书摘要公布了：本发明提供了一种交通密度自适应的车辆轨迹预测方法，其包括两个基本步骤：S1、交通状态预测；S2、考虑交通状态自适应的的轨迹预测；S1包括交通状态变量表示和使用时间卷积神经网络进行交通状态预测两个具体步骤；S2包括轨迹预测问题建模，车辆历史轨迹特征提取、车辆时空特征提取、车辆未来轨迹特征表示、潜变量的获取和车辆未来轨迹预测。本发明通过对交通密度进行实时评估，根据不同的交通密度调整轨迹预测模型的参数或结构，实现了对不同交通密度下的车辆轨迹的精确预测。本发明通过高效的特征提取和注意力机制实现轨迹的预测，保持了模型的简洁性和高效性，简化了计算的复杂度，提高了在不同交通密度下的轨迹预测精度和鲁棒性。

本发明授权交通密度自适应的车辆轨迹预测方法在权利要求书中公布了：1.一种交通密度自适应的车辆轨迹预测方法，其特征在于，包括下述两个基本步骤： S1，交通状态预测； S2，考虑交通状态自适应的轨迹预测； 所述S1包括下述具体步骤： S101，交通状态变量表示，所有车辆的轨迹都使用三维独热向量S进行表示，其中001表示不拥挤，010表示拥挤，100表示适中； S102，使用时间卷积神经网络进行交通状态预测； 所述S2包括下述具体步骤： S201，轨迹预测问题建模，考虑交通状态来自适应预测场景中N辆车的未来轨迹，定义输入轨迹为X＝X1,X2,...,XN，模型预测的未来轨迹为对于每辆车i，输入轨迹为过去th个时间步的车辆位置，表示为 S202，基于自注意力机制的条件编码预测网络，包括车辆历史轨迹特征提取、车辆时空特征提取、车辆未来轨迹特征表示、潜变量的获取和车辆未来轨迹预测； 执行步骤S102时，给定过滤器F＝f1,f2,...,fk，序列X＝x1,x2,...,xk，则在xt处的因果卷积为其中，时间t的值仅依赖于当前及之前层次的值； 在执行步骤S202时，使用一张图来表示整个场景，其中每辆车用一个节点表示，每个节点由具有4个隐藏维度的LSTM表示，将车辆在观察到的th个时间步内的位置信息和交通状态信息编码为节点历史编码如下所示： 式中，表示车辆在时间步t的位置和状态信息，是LSTM的隐状态，θ是LSTM的网络参数； 根据车辆与其邻车之间的距离添加边，每条边表示为一个LSTM，输出车辆的边历史编码如下所示： 式中，表示车辆与其邻车在时间步t-1的边编码，是LSTM的参数； 将节点历史编码、边历史编码和交通状态连接起来，以获取车辆的节点表示向量ei，如下所示： 执行步骤S202时，训练过程使用节点表示向量、节点未来编码以及网联车的类别Ci来估计32维潜变量z的分布参数，如下所示： 式中，是具有10个层的二维CNN，各层的卷积核大小分别为{5，5，5，5，5，3，3，3，3，3}，前5层的卷积操作采用步幅为2，后5层的卷积操作则采用步幅为1，分布是由gi参数化的分类分布，捕捉与每个交通状态相关的代理轨迹的模式； 在获得32维潜变量z的分布参数后，使用一个128维多层感知机解码器，为混合高斯模型生成16个组分参数，接着，从高斯混合模型中为每辆车i采样未来轨迹，如下所示：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。