万方数据知识服务平台

| | | | 结果中检索

已选择0条清除批量引用

排序：

相关度

出版时间

被引频次

每页 20 条

< 1 / 1>

1.基于时域卷积网络与注意力机制的车辆换道轨迹预测模型

periodical_jtysxtgcyxx202402012

[期刊论文]杨达刘家威郑斌等-《交通运输系统工程与信息》2024年2期

摘要：精准的车辆轨迹预测模型可以为自动驾驶车辆提供其周围车辆的准确运动状态信息,进而判断本车与周围车辆短期内是否有发生冲突的可能性.本文提出一种基于时域卷积网络与注意力机制(Temporal Convolutional Networks with Attention mechanism,TCN-Attention)的车辆换道轨迹预测模型.该模型以时域卷积网络作为当前输入的特征提取器,利用时间与空间

交通工程轨迹预测TCN-Attention车辆换道

在线阅读

下载

引用

被引：3下载：21

2.基于GCN-Transformer的车辆换道行为建模与轨迹预测方法

periodical_qk3_000031361216

[期刊论文]韩天立马驰胡林治-《建模与仿真》2024年3期

摘要：对车辆换道行为建模并准确预测未来行驶轨迹对交通流的稳定与安全至关重要，为了解决目前大多数轨迹预测模型在同时捕捉车辆之间的空间相关性和时间依赖性上能力不足的问题，结合车辆轨迹的时空特点，本研究提出了一种基于长短期记忆网络、图卷积网络和Transformer编码器的改进建模策略。首先利用长短期记忆网络，对目标车辆和周围车辆在换道临界点前三秒内的状态信息分别进行轨迹编码，接着通过图卷积网络提取空间交互

智能交通车辆轨迹预测长短期记忆网络图卷积网络多头注意力机制Intelligent TransportationVehicle Trajectory PredictionLong Short-Term Memory NetworkGraph Convolutional NetworkMulti-Head Attention Mechanism

全文直达

引用

3.目录数据驱动的车辆换道意图识别及轨迹预测研究

thesis_D02843751

[硕士论文]赵志敏交通运输北京交通大学2022

摘要：车速度较低或与前车的间距较小时换道意图明显。　　（3）考虑车辆行驶过程的时间序列性及车辆之间的交互性，构建融合注意力机制（Attention）的卷积神经网络（CNN）与门控循环单元（GRU）组合的换道意图识别模型，用于识别车辆的驾驶行为。将三类重构的样本集输入到模型中进行训练和测试，并与KNN、决策树、BP神经网络、长短期记忆神经网络（LSTM）和不加注意力机制的CNN-GRU等模型进行对比实验。

车辆换道数据驱动换道意图轨迹预测深度学习

在线阅读

下载

引用

被引：3下载：85

已选择0条清除批量引用

展

开

更

多

学习中心

个人中心

社区

退出

目录