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！

龙图腾网获悉山东科技大学申请的专利一种基于改进注意力网络的车辆多模态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：CN120672802B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202511163953.4，技术领域涉及：G06T7/246；该发明授权一种基于改进注意力网络的车辆多模态轨迹预测方法是由王强;崔长慧;任泽;徐伟设计研发完成，并于2025-08-20向国家知识产权局提交的专利申请。

本一种基于改进注意力网络的车辆多模态轨迹预测方法在说明书摘要公布了：本发明公开了一种基于改进注意力网络的车辆多模态轨迹预测方法，属于智能车辆轨迹预测技术领域，步骤为：收集目标车辆和周围车辆的历史轨迹数据作为输入序列；其次构建车辆多模态轨迹预测模型，包括运动特征提取模块、时空交互模块和时空融合模块和轨迹输出模块；运动特征提取模块使用一种多尺度卷积注意力网络和门控循环单元处理，时空交互模块使用一种动态图注意力网络提取车辆交互信息，时空融合模块将目标车辆运动特征与时空交互特征进行拼接融合得到时空融合特征，轨迹输出模块将融合特征输入到门控循环单元，解码后输入到混合密度网络，实现车辆轨迹的多模态输出；最后通过选择合适的损失函数进行训练，提高了模型的预测精度和收敛速度。

本发明授权一种基于改进注意力网络的车辆多模态轨迹预测方法在权利要求书中公布了：1.一种基于改进注意力网络的车辆多模态轨迹预测方法，其特征在于，包括以下步骤： 步骤1、收集目标场景下目标车辆以及周围车辆的历史轨迹数据作为输入序列； 步骤2、构造车辆多模态轨迹预测模型，包括运动特征提取模块、时空交互模块、时空融合模块和轨迹输出模块； 其中，运动特征提取模块将目标车辆及其周围车辆的历史状态分为两部分，分别使用一种多尺度卷积注意力网络和门控循环单元处理；时空交互模块使用一种可学习阈值构建动态图机制并通过动态图注意力网络提取车辆交互信息；时空融合模块将目标车辆运动特征与时空交互特征进行拼接融合得到时空融合特征；轨迹输出模块将融合特征输入到门控循环单元，解码后输入到混合密度网络，实现车辆轨迹的多模态输出； 步骤3、选择损失函数进行训练，提高模型的预测精度和收敛速度； 所述步骤2包括以下子步骤： 步骤21、将目标车辆和周围车辆历史轨迹的序列通过嵌入层转化为高维向量； 步骤22、将目标车辆历史轨迹序列输入到多尺度卷积注意力网络捕获时序特征，处理目标车辆时间序列中的局部和全局趋势，将周围车辆历史轨迹序列输入到门控循环单元GRU来处理周围车辆的历史时间序列输入特征； 步骤23、建立动态时空交互图，将目标车辆和周围车辆作为图中节点，通过可学习阈值动态构建邻接矩阵，确定车辆之间的边关系，在此基础上利用动态图注意力机制提取时空交互特征； 步骤24、将目标车辆运动特征与时空交互特征在时间维度对齐后进行拼接融合，得到时空融合特征； 步骤25、将融合特征输入到GRU，解码后输入到混合密度网络，用于从时空特征中学习潜在的轨迹分布，实现车辆轨迹的多模态输出； 步骤22中，所述多尺度卷积注意力网络首先将目标车辆位置编码向量加入到线性变换和激活函数后的嵌入向量上，得到位置编码后的嵌入向量，其中，使用不同频率的正弦和余弦函数来为每个时间步长进行时间位置编码； 所述多尺度卷积注意力网络利用多头卷积映射机制和多头注意力机制来联合捕获目标车辆轨迹在不同时间区间内的局部行为趋势特征与全局时间依赖性； 其中，所述多头卷积映射机制采用改进的TCN网络，将位置编码后的目标车辆的历史轨迹特征序列作为输入，通过两层堆叠的动态膨胀因果卷积输出序列，在每层动态膨胀因果卷积之后进行权重归一化和GELU卷积激活，在第一层的GELU卷积激活后通过层归一化来增强网络稳定性与表达能力，在第二层的GELU激活中添加残差连接来缓解梯度消失问题； 其中每层动态膨胀因果卷积中使用动态卷积膨胀率控制采样步长，两层膨胀因果卷积表达式分别为： ；8 ；9 其中，表示当前时间步位置；和分别表示第一层卷积核和第二层卷积核在第个位置上的权重；和分别表示第一层卷积核和第二层卷积核的大小； 所述动态膨胀因果卷积从目标车辆历史轨迹特征序列中提取实时车速，通过可学习参数计算每层动态卷积膨胀率，具体表示为： ；10 其中，表示第层动态膨胀因果卷积；和表示各层独立可学习参数；表示截断函数，用于将限制在预设的最小值和最大值范围内； 将卷积后的趋势感知特征矩阵进行线性投影，通过从卷积特征空间向注意力空间的维度映射，在不同子空间中捕捉时序依赖特征和趋势特征，生成查询矩阵、键矩阵、值矩阵，所述多头注意力机制具体为基于每组多头卷积映射生成的、和，计算目标车辆在每个子空间注意力权重，将所有注意力头的输出拼接并线性变换得到最终趋势感知时序特征； 所得多头注意力输出与卷积输出特征进行残差连接并层归一化后得到，进入前馈神经网络FNN并再次残差连接，最终输出为目标车辆运动特征； 将周围车辆历史轨迹序列输入通过门控循环单元GRU提取周围车辆的运动特征，得到每辆车时刻的最终隐藏状态，最终输出每辆周围车辆的运动特征； 步骤23具体为：对于基于目标车辆在时间步的速度、加速度、局部交通密度和运动时序特征向量，联合形成场景特征向量，输入到多层感知机MLP预测动态邻居选择阈值，表达式为： ；18 其中，、、、为可学习参数，保证输出为正； 将预测值通过引入最小安全阈值和缩放系数进行线性调整，得到设定阈值，判断目标车辆与周围车辆之间的欧式距离小于所设定阈值，基于此构建时间步的空间邻接矩阵，表达式为： ；20 构建动态空间交互图，将场景中每辆车视作图中节点集合，每个节点对应步骤22中目标车辆与周围车辆的运动特征，基于在时间步由可学习阈值筛选得到的邻接矩阵，将满足的节点对作为边，形成在时间步的边集合 动态图注意力网络使用多头注意力机制，每个注意力头通过注意力权重对目标车辆在时间步的周围车辆的特征进行加权求和，实现车辆动态交互信息的有效融合与空间依赖关系的建模，并对所有头的输出结果在特征维度上进行平均，得到节点在当前时间步更新后的特征表示，具体计算表达式如下： ；22 其中，是注意力头的数量；和表示第个头的注意力权重和权重矩阵；是非线性激活函数GELU；所述注意力权重在是在动态邻接矩阵约束下，衡量时刻第个注意力头中目标车辆与周围车辆交互强度的量化指标，具体表达式为： ；23 式中，表示时刻第个注意力头中目标车辆节点对邻居车辆节点的注意力权重；∥表示向量拼接操作；表示第个注意力头的可学习注意力向量，T表示转置；LeakyReLU表示非线性激活函数；表示空间邻居索引，表示与目标车辆存在空间邻接关系的车辆集合； 通过在观测时间窗口内对每个时间步进行上述更新，并按时间顺序堆叠，得到目标车辆在观测序列内的时空交互特征序列。

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山东科技大学，其通讯地址为：250031 山东省济南市天桥区胜利庄路17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。