学术论文
近日，国际交通领域学术期刊《Transportmetrica B: Transport Dynamics》刊发了由304AM永利集团官网张志顺博士、徐婷教授、陈亦新副教授等共同完成的研究论文《An improved hybrid model for vehicle trajectory prediction considering spatiotemporal interactions》。我院徐婷教授是该论文的通讯作者，张志顺博士是第一作者，合作者还包括芬兰奥卢大学周杰韩副教授。
研究背景
随着智能网联车辆市场渗透率的不断提高，来自周围人工驾驶车辆的驾驶员意图不确定性，以及车辆之间复杂的时空交互行为，已成为智能网联车辆实现高精度轨迹预测的重大挑战。因此，如何准确预测目标车辆轨迹，对于保障智能网联车辆的高效、安全运行，并进一步提升整体道路交通安全水平，具有重要意义。
主要内容
研究提出了一种改进的混合深度学习模型（CGAN），能够有效从长序列数据中提取目标车辆与其周围六辆车辆之间的关键时空交互信息，用于高速公路场景下智能网联车辆的短时轨迹预测。模型引入扩张卷积，以在不改变输出特征图尺寸的前提下扩展感受野，从而增强目标车辆与周围车辆之间的局部交互空间特征提取能力，并有效避免关键信息的丢失；同时结合注意力机制，以捕捉目标车辆与周围环境在更大范围内的全局时空依赖关系，从而提升预测精度。在模型结构优化方面，研究采用了Tree-structured Parzen Estimator对模型架构与超参数进行联合优化。此外，研究还提出了一种基于差分方法的特征缩放方法，以减少数据维度并提高模型的迭代速度。 研究结果表明，与现有模型对比，该模型在不同预测时间区间（2秒至5秒）内的轨迹准确率分别具有11.32%至18.13%不等的提升幅度。该研究可为智能网联车辆安全行驶提供了重要轨迹预测思路和方法，对提升高速公路道路交通安全具有重要应用价值。
论文链接：https://doi.org/10.1080/21680566.2024.2440589
