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！

龙图腾网获悉吉林大学申请的专利基于LSTM-GNN考虑道路信息的车辆轨迹多模态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：CN116304969B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202310076393.3，技术领域涉及：G06F18/25；该发明授权基于LSTM-GNN考虑道路信息的车辆轨迹多模态预测方法是由孟志伟;张素民;何睿;支永帅;杨志设计研发完成，并于2023-01-28向国家知识产权局提交的专利申请。

本基于LSTM-GNN考虑道路信息的车辆轨迹多模态预测方法在说明书摘要公布了：本发明提供一种基于LSTM‑GNN考虑道路信息的车辆轨迹多模态预测方法，所述车辆轨迹预测模型包括输入模块、编码器、交互特征提取模块、道路信息特征提取模块和解码器。输入模块为目标车辆和周围交通车辆的历史轨迹，编码器对输入的历史轨迹进行编码，交互特征提取模块用于提取车辆与车辆之间的交互影响，道路信息特征提取模块提取道路结构信息。本发明提出的预测方法考虑了道路结构信息对车辆预测轨迹的影响，在融合特征向量的基础上加入了高斯噪声，并引入了多样性损失函数。本发明有效提高了未来轨迹的预测精度，并提高了预测轨迹的社会可接受性和合理性。

本发明授权基于LSTM-GNN考虑道路信息的车辆轨迹多模态预测方法在权利要求书中公布了：1.基于LSTM-GNN考虑道路信息的车辆轨迹多模态预测方法，其特征在于，包括以下步骤： S1：获取车辆轨迹信息，按照时间序列顺序提取车辆轨迹数据集中车辆的信息，目标车辆的轨迹要有3s的历史轨迹和5s的未来轨迹，目标车辆的轨迹长度至少1000米，此外，周围交通车要有3s的历史轨迹； S2：对S1获得的数据进行预处理： S3：编码器对历史轨迹信息进行编码，编码器由n+1个LSTM网络组成，其输入为目标车辆历史轨迹和周围车辆历史轨迹，输出为编码后的车辆动力学特征向量 其中，基于LSTM的编码器的构建过程具体为如下： S3.1：被预测车辆vp的历史轨迹为其中为被预测车辆vp在t1时刻的坐标，用表示，t1∈{1,2,3}；周围交通车vi的历史轨迹为 其中为周围交通车vi在t1时刻的坐标，用表示；周围交通车vi∈{v1,…,vn}，其中n为被预测车辆vi周围交通车的数量；被预测车辆vp的未来预测轨迹为其中为被预测车辆vp在t2时刻的预测坐标，用表示，t2∈{4,5,6,7,8}；被预测车辆vp的未来真实轨迹定义为 其中为被预测车辆vp在t2时刻的真实坐标，用表示； S3.2：使用多层感知机MLP来嵌入车辆vj的历史轨迹位置信息，以获得定长向量其中vj∈{vp,v1,…,vn}； 其中，是具有ReLU非线性激活函数的嵌入函数，Wee是嵌入权重； S3.3：将车辆vj历史轨迹信息和定长向量输入到编码器LSTM中，得到动力学特征向量编码过程如下式所示： 其中，Wencoder是LSTM的权重； S4：基于CNN-LSTM提取道路信息特征向量LF，利用1D-CNN和LSTM模型实现对道路结构信息的编码； S4.1：根据目标车辆当前的位置来定义候选车道，首先，在距离目标车辆质心的搜索半径10米内搜索车道段，然后，向前和向后来扩展车道段，直到车道线的长度达到要求的长度； S4.2：确定周围车辆所在的车道，将周围交通车所在车道的观测信息依次输入到1D-CNN和LSTM进行编码，如下式所示： 其中，是利用1D-CNN和LSTM编码的车道信息特征向量，表示周围交通车vi所在的车道； S4.3：生成车道信息特征向量LF，利用注意力权重ωi对周围交通车所在车道的编码信息特征向量进行融合处理，如下式所示： S5：将编码后的车辆动力学特征向量和车辆与车辆之间的交互特征向量IF进行拼接，然后再与道路信息特征向量LF融合，然后在IF和LF融合特征向量的基础上加入随机噪声z，此处采用高斯分布混合噪声； 其中，车辆与车辆之间交互特征向量IF的计算步骤如下： S5.1：图结构用G＝V,E表示，节点定义为V＝{vp,v1,…,vi,…,vn}，边定义为E∈V×V；由于图是有向图，节点vp与节点vi之间的边与节点vi与节点vp之间的边是不一样的，可将边E表示为： 其中，表示节点vp到节点vi的有向边，节点vi紧邻节点vp，且节点vi的行为会影响节点vp的行为；表示节点vi到节点vp的有向边； S5.2：利用图神经网络GNN建模车辆与车辆之间的交互作用，用下式表示： 其中，IF表示车辆与车辆之间的交互特征向量，GNNinter是两层GNN网络组成的交互特征编码器，为车辆的动力学特征向量，表示在t1时刻图结构的边； S6：利用LSTM网络解码输出多模态未来轨迹，将加入随机噪声z后的融合特征输入到解码器中，以生成多模态的未来轨迹； S7：使用多样性损失函数来训练基于LSTM-GNN考虑道路结构信息的车辆轨迹多模态预测模型，通过在分布中任意采样一个随机噪声以生成k种可能的预测轨迹，并根据L2欧式距离选择最优的预测轨迹。

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吉林大学，其通讯地址为：130000 吉林省长春市朝阳区前进大街2699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”。