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！

龙图腾网获悉福建师范大学申请的专利一种面向自动驾驶的多维时空特征融合的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：CN118296090B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202410318542.7，技术领域涉及：G06F16/29；该发明授权一种面向自动驾驶的多维时空特征融合的轨迹预测方法是由王兴;吴自煊;金彪;林铭炜;邹复民;廖律超设计研发完成，并于2024-03-19向国家知识产权局提交的专利申请。

本一种面向自动驾驶的多维时空特征融合的轨迹预测方法在说明书摘要公布了：本发明提出一种面向自动驾驶的多维时空特征融合的轨迹预测方法，在空间维度上，使用图卷积网络捕获交通主体的局部空间特征、使用空间注意力机制捕获时间序列上的全局空间特征并结合LSTM捕获在整个历史时间序列上的整体空间特征，在将捕获到的空间特征通过门控融合机制进行特征融合。在时间维度上，基于Transformer的编码器来挖掘交通轨迹序列的长期时间依赖关系并融合上述LSTM得到的短期时间依赖关系。最后，使用两个卷积核大小不同的时间卷积网络TCN来预测交通主体的未来轨迹。通过准确预测其他交通参与者的轨迹，自动驾驶系统可以更好地规划和执行安全的驾驶决策，降低交通事故的风险，提升道路交通的整体安全性。

本发明授权一种面向自动驾驶的多维时空特征融合的轨迹预测方法在权利要求书中公布了：1.一种面向自动驾驶的多维时空特征融合的轨迹预测方法，其特征在于：通过历史交通主体的轨迹信息，利用图卷积网络与注意力机制相结合的方式进行局部、全局和整体空间建模；利用Transformer的编码器和长短期记忆网络LSTM相结合进行时间建模，以预测交通主体未来的轨迹； 在空间维度上，使用图卷积网络捕获交通主体的局部空间特征、使用空间注意力机制捕获时间序列上的全局空间特征并结合LSTM捕获在整个历史时间序列上的整体空间特征，再将捕获到的空间特征通过门控融合机制进行特征融合；在时间维度上，基于Transformer的编码器挖掘交通轨迹序列的长期时间依赖关系并融合通过LSTM得到的短期时间依赖关系；最后，使用两个卷积核大小不同的时间卷积网络TCN来预测交通主体的未来轨迹； 包括以下步骤： 步骤S1：对交通轨迹数据进行嵌入表示以及从轨迹数据中构建多个交通图，包括： 步骤S1.1：对交通轨迹数据通过全连接层进行嵌入表示； 步骤S1.2：从历史轨迹数据中构建距离邻接矩阵和航向角邻接矩阵； 步骤S2：通过空间模块捕获轨迹数据中的局部、全局和整体空间特征，包括： 步骤S2.1：利用距离邻接矩阵和航向角邻接矩阵通过图卷积网络捕获局部空间特征； 步骤S2.2：利用空间注意力机制捕获全局空间特征； 步骤S2.3：利用LSTM和空间注意力相结合的方式捕获整个历史轨迹序列上的整体空间特征； 步骤S3：通过空间门控融合机制进行空间特征融合，包括： 步骤S3.1：利用空间门控融合机制将局部和全局空间特征进行融合； 步骤S3.2：将步骤S3.1得到的融合输出再利用空间门控融合机制与整体空间特征进行融合，以获得多维空间特征输出； 步骤S4：通过时间模块捕获轨迹数据中包含的短期和长期时间依赖性，包括： 步骤S4.1：利用transformer的编码器捕获长期时间依赖性； 步骤S4.2：利用空间模块中的LSTM以获得短期时间依赖性； 步骤S5：进行时间特征融合，将捕获的长期时间依赖性与短期时间依赖性相加，获得时空特征； 步骤S6：通过轨迹预测模块获得最终的未来轨迹，包括： 步骤S6.1：将得到的时空特征通过两个不同卷积核大小的时间卷积网络TCN，以获得两个不同隐藏状态； 步骤S6.2：将得到的两个隐藏状态进行拼接再通过两个全连接层，以获得最终的模型输出； 所述时间模块使用Transformer网络的编码器捕获交通轨迹序列的长期时间依赖关系： 采用Transformer利用正弦和余弦位置嵌入记录时间序列数据的位置信息，位置嵌入定义为： 其中pos表示序列中的位置，k表示序列的长度，d是序列的维度，2k表示偶数的维度，2k+1表示奇数维度；对于序列数据中的每个元素，通过sin和cos函数计算不同的频率生成嵌入； 然后将在空间模块得到的输出GLO与位置编码进行相加，如下式所示： X＝GLO+pe18 其中pe表示位置编码； 再将得到的X做自注意力操作，如下式所示： TemporalAttentionX＝Concathead1,head2,…,headnWT19 其中TemporalAttention表示多头自注意力，WT是可学习参数； 接着将TemporalAttentionX通过Dropout层以及LayerNormalization层归一化操作，如下式所示： Res＝LNDPTemporalAttentionX+X21 其中Res表示编码器的中间特征； 将编码器的中间特征Res输入到前馈网络FeedForward，如下式所示： FeedForwardRes＝ReLUResW1+b1W2+b222 其中FeedForward是前馈网络，是一个两层的全连接层，第一层的激活函数为ReLU，第二层不使用激活函数，W1,W2,b1,b2是相应的可学习参数； 将得到的中间特征Res再经过Dropout层以及LayerNormalization层归一化操作，并设置一个残差连接，如下式所示： STL＝LNDPFeedForwardRes+Res23 其中STL表示Transformer编码器的输出； 最后，融合在整体空间建模模块中LSTM得到的短期时间依赖关系Ts： STout＝ST+T24 STout表示交通历史轨迹经过空间模块和时间模块之后捕获的多维时空特征。

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福建师范大学，其通讯地址为：350108 福建省福州市闽侯县上街大学城福建师大科技处；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。