智能网联车轨迹预测：混合示教长短时记忆网络应用

" '混合示教长短时记忆网络的车辆轨迹预测研究' 本文是一篇关于车辆轨迹预测的学术论文，作者包括方华珍、刘立、肖小凤、顾青和孟宇，来自北京科技大学机械工程学院。文章发表在《交通运输系统工程与信息》2023年8月的第23卷第4期，文章编号为1009-6744(2023)04-0080-08，文献标志码为A，DOI为10.16097/j.cnki.1009-6744.2023.04.009。 在智能交通系统中，准确预测周围车辆的运行轨迹对于智能网联车的安全行驶至关重要。为解决这一问题，作者提出了一个创新的预测方法，即混合示教解码的长短时记忆网络（Mixed Teaching Force Long Short-term Memory，MTFLSTM）。该方法首先通过特征筛选和历史轨迹序列标注创建用于预测的车辆轨迹数据集。接着，利用LSTM网络的编码器-解码器架构，编码器能捕获自车与周围车辆的历史轨迹以及道路环境信息，并将其压缩为上下文向量。解码器部分则采用了混合示教模式，能够从上下文向量中动态解码出未来轨迹。 为了验证模型的性能，研究者使用了两个真实的道路数据集——NGSIM US101和I-80路段。实验结果显示，提出的MTFLSTM方法在长期预测中表现出了显著的优势。在5秒的预测时间窗口内，终点位移误差不超过2.7米，显示了其在长时间预测中的有效性。此外，即使在数据稀疏采样后，模型的预测准确率仍然得到提升，5秒的位移误差可降低至1.3米以内。 关键词涵盖了智能交通、混合示教、长短时记忆网络、人工驾驶车辆、智能网联车以及车辆轨迹预测。这些关键词突显了论文研究的核心技术和应用场景，表明该研究对智能交通系统的发展具有重要贡献，特别是在提高智能车辆的安全性和预测准确性方面。"