基于LSTM的跨海桥梁危化品车辆行驶轨迹预测_郭健.pdf

引用格式：郭健，杨淼禧，骆成，等基于 的跨海桥梁危化品车辆行驶轨迹预测安全与环境工程，（）：，（）：基于 的跨海桥梁危化品车辆行驶轨迹预测郭健，杨淼禧，骆成，马开疆，吴继熠，翁永祥（西南交通大学土木工程学院，四川 成都 ；浙江工业大学土木工程学院，浙江杭州 ；宁波金洋化工物流有限公司，浙江 宁波 ）摘要：我国沿海地区气象环境复杂，跨海桥梁上车辆混杂密集，车流量大、车辆混杂和侧风环境等因素都对跨海桥梁危化品车辆的安全行驶产生了极大的影响，因此跨海桥梁危化品车辆行驶轨迹研究对于加强危化品运输安全管理具有重要的现实意义。针对跨海桥梁危化品运输车辆的轨迹预测问题，利用深度学习方法，建立了一种基于长短时记忆网络（）与注意力机制的跨海桥梁危化品车辆行驶轨迹预测模型，该预测模型包括信息输入模块、注意力层和轨迹输出模块，并利用沿海一座跨海大桥上危化品车辆行驶环境实测轨迹数据对预测模型的预测性能进行了分析与验证。结果表明：能适应长时域的车辆行驶轨迹预测，注意力机制提高了预测模型的训练速度；由于考虑了车辆间交互影响因素，该预测模型具有更高的准确性和计算效率，同时 也减少了预测模型在时域较长情况下车辆行驶轨迹预测的误差。关键词：危化品车辆；行驶轨迹预测；长短时记忆网络（）；注意力机制；海域环境中图分类号：文章编号：（）收稿日期：开放科学（资源服务）标识码（）：基金项目：国家重点研发计划项目（）；浙江省重点研发计划项目（）作者简介：郭健（），男，博士，教授，主要从事大型桥梁智能监测与安全防护方面的研究。：，（，；，；，）：，（），第 卷第期 年月安 全 与 环 境 工 程 ，：；（）；近年来危化品车辆事故频发，对道路和环境的影响巨大，尤其是在跨海桥梁上，危化品泄漏会对海域环境和桥梁结构产生严重的破坏。随着车辆行驶轨迹预测技术的快速发展，当前预测危化品车辆行驶轨迹状态也成为事故安全防控的一个研究热点，已有的研究对于加强危化品车辆运输安全管理具有重要的现实意义。然而，由于跨海大桥上环境的复杂性和通行车辆的多样性，使得预测危化品车辆行驶轨迹成为一项具有挑战性的任务。当前轨迹预测研究主要包含基于物理机理模型和数据交互行为两种方法。早期传统的方法主要侧重于使用基于物理或规则的模型，通过假设物理模型的适用性并使用卡尔曼滤波技术进行轨迹预测。这些方法通过预测对象随时间的变化来估计对象的未来运动状态。然而，在长时域预测方面，因车辆行驶轨迹的不确定性会大大提高，故基于模型的车辆行驶轨迹预测方法的误差将会增大。近年来，由于深度学习方法优秀的学习能力和许多公共数据集的可用性，出现了很多用于轨迹预测的深度学习方法。对于轨迹的序列建模，许多研究使用了循环神经网络（，）的变体，例 如 长 短 时 记 忆 网 络（，）模型和门控循环单元模型等 。从已有研究来看，在建模时间系列数据方面具有优势，但在建模空间关系方面（如车辆交互）却有局限性。同时，还存在结点记忆快速衰减的缺点，对长度较大的轨迹数据适用性差。对于长时域预测，用图形结构表示车辆之间的相互作用已成为最新的车辆行驶轨迹预测方法。这些方法将车辆特征表示为图形节点，并将车辆之间的关系用边来连接，该图形结构灵活高效，使用边来直接明确地表示车辆间的交互关系。如 等 提出了基于图形的交互感知轨迹预测模型，该预测模型首先使用图形汇流网络（，）对每辆车的特征和交互进行编码；然后 通过聚变操作聚合并转换节点的特征，并通过图形操作使用矩阵在节点之间共享权重；最终 模型的输出被反馈到 编码解码器模型以预测车辆的行驶轨迹。在此前的研究中，往往通过模拟空间关系的方法来识别车辆间的相互作用，这只考虑了观测到的车辆行驶轨迹之间的相互作用。等 采用混合神经网络构建了汽车行驶轨迹模型，提出了一种将汽车物体探测、车道线探测与汽车轨迹预测相结合的方法。针对较长时域的车辆行驶轨迹预测问题，李建平 建立了基于隐藏马尔可夫和高斯过程运动模型的交通车辆行为识 别 方法；此 外，还有一些学者采用 模糊贝叶斯 和随机森林 方法处理此类问题。跨海大桥上的危化品运输车辆易受到强风和周围车辆等因素的干扰，增加了车辆行驶轨迹实时快速预测的难度。为此，本文引入了注意力机制，考虑了车辆历史行驶信息中存在的时序特征和空间特征来实现跨海大桥上危化品车辆实时行驶轨迹预测，并通过混合密度网络（，）层训练参数，采用概率分布表示预测车辆行驶轨迹位置，提高了车辆行驶轨迹预测的精度和效率。算法介绍1.1循环神经网络(RNN)循环神经网络（）可以表示序列化的、与时间相关的输入数据间的关系，通过获取数据中的时间序列信息，能较好地预测时域较长的车辆行驶轨迹。结构示意图如图所示。图循环神经网络（）结构示意图 （）训练参数主要是采用梯度下降法计算曲线的局部最小值，但当计算值略微超过最低点时，在梯度相反方向上会出现较大的梯度，此时计算值就会远离局部最小值，出现梯度爆炸现象；而随着计算次数的增加，梯度会很快衰减，需要再次运算很久才能接近这个最小值，出现梯度消失现象。这两种情安全与环境工程 ：第 卷况最终都会导致网络失去学习能力。1.2长短时记忆网络(LSTM)为了避免梯度爆炸和梯度消失现象的发生，等 提出了 的变体 长短时记忆网络（），使得 的发展和应用得到了大力推动，时刻循环单元工作原理如图所示。图长短时记忆网络（）时刻循环单元工作原理 （）结构主要由输入门（）、输出门（）、遗 忘 门（）和 记 忆 单 元（）组成。记忆单元主要负责对历史信息的记忆。所谓的“门”实际是一个全连接层（由 逻辑函数实现门的控制，当输出接近时表示“门关闭”，当输出接近时表示“门打开”），输入门、输出门、遗忘门这三个门通过 逻辑函数来控制信号的传输。遗忘门用来控制输入序列与上一时刻的隐藏输出序列被遗忘的程度，为了记住更长的序列对一部分信息进行有选择的丢弃，其可表达为（，）（）输入门的作用是通过当前与控制细胞状态更新的程度，其可表达为（，）（）时刻的与经过 逻辑函数得到时刻的候选细胞状态珟，珟和上一时刻细胞状态分别通过输入门和遗忘门共同作用得到当前时刻的细胞状态。这里有：珟 （，）（）珟（）输出门需要根据输入与确定哪一部分需要输出，当前时刻的经过 逻辑函数处理，两者相乘最终得到该 单元的输出信息为（，）（）上式中：为时刻输出门的输出；为 逻辑函数；为时刻的输入序列；为时刻的隐藏输出序列；、为神经网络的权重矩阵；、为神经网络的偏置。输出序列可表达为 （）（）式中：为 单元在时刻的输出序列。的关键点在于信息循环传递过程中增加了线性传递的细胞状态，使得梯度在跨时间反向传播过程中不容易出现饱和或停滞问题。预测模型建立2.1输入整合模块危化品车辆在跨海大桥上行驶时，其行驶轨迹受到自身驾驶状况和周围车辆以及侧风等因素共同的影响。车辆受强风影响的行驶轨迹特征与车辆运行过程密切相关，在车辆行驶轨迹预测模型训练中输入的前期实测输入序列中已经隐含了侧风因素的动态影响，在 的训练中，通过适当增加前期输入序列数据的时长，可增强网络对侧风影响特征的映射能力。在跨海桥梁上的危化品车辆在行驶过程中还容易受到车流和周围其他车辆的影响，如果只考虑单车数据，预测结果的可靠性和精度会有所下降。因此，这里将目标车辆以及周围车辆信息作为输入模块，输入信息包括危化品车辆、周围车辆的历史轨迹信息。输入信息表示为（）（），（）（，）（）式中：（）为被预测的危化品车辆的历史轨迹信息；（）为被预测的危化品车辆周围的车辆信息；为某一具体时刻；为历史轨迹所取的时域（反映了输入信息的长度）。输入信息既包括周围车辆对目标车辆的交互影响，又包含目标车辆自身运动信息。通过 和高速摄像机获取目标车辆的历史轨迹（），其表达式为（）（），（），（），具体内容包括危化品车辆的横向位置信息（）、纵向位置信息（）、车辆的行驶速度（）。为了体现周围信息的全面性，这里用危化品车辆的前后左右个位置信息作为周围车辆信息，如图所示。同时，输入的目标车辆历史轨迹信息中已隐含了侧风对其的影响，其可表达为（）（），（），（），（），（），（）（）式中：（）（），（），（）表示为周围第辆车的位置和速度信息（其中，（）为第辆车与被预测危化品车辆间的横向距离；（）为第辆车与第期郭健等：基于 的跨海桥梁危化品车辆行驶轨迹预测被预测危化品车辆间的纵向距离；（）为第辆车的绝对速度）；（）、（）分别为右车道和左车道的标志位置（若危化品车辆在中间车道，（）、（）均取；若危化品车辆在右车道，（）取，（）取；若危化品车辆在左车道，（）取，（）取）。图预测车辆及其周围车辆示意图 若规定的位置处车辆不存在，则设定（）为无穷大，其速度取 值 与被 预测 危 化 品车相 同，即（）（）。2.2编码解码器与注意力机制编码解码器框架可以对信号或数据流进行变换，被广泛应用于机器翻译领域。预测模型需要对复杂 的 输 入 信 息 进 行 处 理，因 此 可 以 采 用 基 于 的结构对跨海桥梁上的危化品车辆行驶轨迹进行预测。其工作原理为编码器对输入的车辆历史轨迹信息和周围车辆信息进行编码使其成为一个关联向量，解码器对关联向量进行信息提取，并预测车辆未来行驶轨迹。时刻的输入信息经过编码器得到时刻的隐藏状态，经函数变化转为关联向量；解码器根据关联向量，得到时刻的输出预测值：（，（）（）式中：为解码函数，解码器解码后得到的车辆行驶轨迹坐标向量输出后，通过全连接（，）层调整，最后进入混合密度网络（）层，计算得到危化品车辆的行驶轨迹预测分布。虽然基于 的编码解码器框架能较好地完成预测任务，可一旦输入的数据量过大，预测模型的整体训练速度就会下降。为了解决这一问题，这里引入注意力机制 。注意力机制就像人的感知系统一样，当一个场景出现在我们面前时，我们自然而然地会比较关心自己感兴趣的部分。在训练预测模型的过程中，通过引入注意力机制，根据输入元素的重要性，分配不同的权重系数，对于比较重要的因素提高权重系数，对于不太重要的因素降低相应的权重系数，以此来提高预测模型的训练速度。如图所示为基于注意力机制的编码解码器框架。注意力机制的工作流程如下：图基于注意力机制的编码解码器框架 （）通过注意力机制的打分函数计算出输入向量中各自的匹配程度，匹配度越高说明与输出结果的关联性越高。注意力机制的打分函数可表示为（，）（）（）式中：（，）为注意力机制的打分函数，根据当前环境因素和车辆模型信息等因素选择；为输入向量中第个向量；为查询向量；、为可学习的网络参数。（）利用 函数生成注意力影响分布，有：（，）（，）（，）（）2.3混合密度网络(MDN)层在整个预测系统的最后部分可引入混合密度网络（）层，将预测的车辆位置以一种概率分布的形式来展示，以提高预测结果的鲁棒性和可靠性。层的核心思想是通过组合多个高斯概率分布，将原来的单一的位置信息输出改为张量的概率密度函数。但 层在 中应用时，会受安全与环境工程 ：第 卷到当前输入与之前输入的共同作用，其输出概率分布可表示如下：，（）（），（），（）（）（）（），（），（）（）（）（）（）（）（）（）（）（）熿燀燄燅（，）（）上式中：为第个模型的输出；为相关系数；（）为分配系数；和 为标准差；为高斯函数；（）为 协 方 差 矩 阵；和 为 平 均 值；（）、（）、（）为混合密度网络（）层的输入函数；系数为第个高斯函数混合。层由个高斯函数线性组合而成，且每个高斯函数拥有个高斯分布参数和个分配系数，向量的输入函数整体维度为。分配系数表达式如下：（）（）（）（）（），（）（）（）考虑了危化品车辆在行驶过程中可能的换道行为，共选取了个输出模型的输出叠加作为总输出信息。设有个输入信息（）（，）和个输出信息（）（，）作为模型的训练样本，极大似然函数可表示为（），（）（）式中：（）表示第个模型中第个样本的输出信息；（）表示第个样本中为注意力机制模块输出的车辆行驶轨迹分布概率。其中，为整个预测系统的整体代价函数，可表示为：（），（）（）2.4模型整体框架通过上述分析构建基于注意力机制的跨海桥梁危化品车辆行驶轨迹预测模型，如图所示。首先取危化品车辆和周围车辆信息作为