作者
摘要
提出了一种基于图形注意网络的轨迹预测方法，用于准确预测高速公路混合交通流场景下ICV（智能连接车辆）周围HDV（人驾驶车辆）的轨迹。首先，对车辆轨迹数据进行滤波和平滑处理，构建包含地图信息的轨迹预测数据集。其次，基于车辆的位置和行为构建了车辆交互关系图。利用图形注意网络提取目标车辆与周围车辆之间的高维空间交互关系特征，作为编码器-解码器模型的输入。随后，采用基于GRU（Gate Recurrent Unit）的编解码模型对车辆轨迹数据的时间序列特征进行编码，并通过解码生成未来的轨迹。最后，使用NGSIM（下一代仿真）数据集的实验验证表明，与GRU和CNN-GRU（卷积神经网络门递归单元）等模型相比，我们提出的方法在预测车辆轨迹时实现了低位移误差。
建议引用
高，袁&付，金龙&冯，文文&徐，田东&杨，开封，2024年。"基于图注意网络的混合交通流下周边车辆轨迹预测,"物理学A：统计力学及其应用爱思唯尔，第639（C）卷。手柄：RePEc:eee:phsmap:v:639:y:2024:i:c:s0378437124001511
DOI:10.1016/j.physa.2024.129643
从出版商下载全文
由于此文档的访问受到限制，您可能希望搜索换一个不同的版本。
IDEAS上列出的参考文献
- 卢卡·罗西（Luca Rossi）、安德烈亚·阿杰马尔（Andrea Ajmar）、玛丽娜·保兰蒂（Marina Paolanti）和罗伯托·皮尔迪卡（Roberto Pierdicca），2021年。"使用LSTM模型和GAN进行车辆轨迹预测和生成,"PLOS ONE系列，公共科学图书馆，第16卷（7），第1-28页，7月。
完整参考文献 （包括与IDEAS上的项目不匹配的项目）
大多数相关项目
这些是最常引用与本书相同作品的项目，也被与本书同样的作品引用。
更正
本网站上的所有材料均由各自的出版商和作者提供。您可以帮助纠正错误和遗漏。请求更正时，请提及此项目的句柄：RePEc:eee:phsmap:v:639:y:2024:i:c:s0378437124001511。请参阅一般信息关于如何更正RePEc中的材料。
如果您编写了此项目，但尚未在RePEc注册，我们鼓励您这样做在这里。这允许将您的个人资料链接到此项目。它还允许您接受我们不确定的该项目的潜在引用。
如果CitEc公司识别了书目参考，但没有将RePEc中的项目链接到它，您可以帮助这个表格.
如果你知道引用这一条的缺失条目，你可以通过以与上述相同的方式为每个引用条目添加相关引用来帮助我们创建这些链接。如果您是该项目的注册作者，您可能还想查看您的RePEc作者服务个人资料，因为可能有一些引文等待确认。
有关此项目的技术问题，或更正其作者、标题、摘要、书目或下载信息，请联系：Catherine Liu（电子邮件如下）。供应商的一般联系方式：http://www.journals.elsevier.com/physica-a-statistical-mechapplications网站/.
请注意，更正可能需要几周时间才能筛选出来各种RePEc服务。
