一种基于生成对抗网络和长短时记忆网络的航迹预测方法
技术特征：
1.一种基于生成对抗网络和长短时记忆网络的航迹预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于生成对抗网络和长短时记忆网络的航迹预测方法，其特征在于：在步骤s6中，首先给出输入x和噪声z在通过不同网络后的输出表示；其中，噪声z为输入数据x形状一致的0至1均匀分布的随机噪声；输入x经过嵌入网络得到的输出用h表示，h经过恢复网络得到的输出用表示，h经过监督网络得到的输出用表示，h经过鉴别网络得到的输出用yreal表示；噪声z经过生成网络得到的输出用表示，经过监督网络得到的输出用表示，经过恢复网络得到的输出用表示，经过鉴别网络得到的输出用yfake表示，经过鉴别网络得到的输出用yefake表示。
3.根据权利要求2所述的一种基于生成对抗网络和长短时记忆网络的航迹预测方法，其特征在于：将五种网络的所有参数分别存到一个列表中，嵌入网络的参数列表用ev表示，恢复网络的参数列表用er表示，生成网络的参数列表用eg表示，监督网络的参数列表用es表示，鉴别网络的参数列表用ed表示。
4.根据权利要求2或3所述的一种基于生成对抗网络和长短时记忆网络的航迹预测方法，其特征在于：在嵌入训练过程中计算均方损失：
5.根据权利要求4所述的一种基于生成对抗网络和长短时记忆网络的航迹预测方法，其特征在于：在监督训练过程中计算均方损失：
6.根据权利要求1所述的一种基于生成对抗网络和长短时记忆网络的航迹预测方法，其特征在于：在步骤s7中，首先计算yfake和与yfake相同形状的全1向量的交叉熵损失，其次计算yefake和与yefake相同形状的全1向量的交叉熵损失，其中用于将任意实数映射到(0,1)区间内，n是样本的总数，yfake,i是yfake中第i个样本的的预测值，yefake,i是yefake中第i个样本的的预测值；计算ggloss＝gloss+glossfr+glossfre，采用adam优化器对ggloss更新参数
7.根据权利要求6所述的一种基于生成对抗网络和长短时记忆网络的航迹预测方法，其特征在于：计算yreal和与yreal相同形状的全1向量的交叉熵损失，其次计算yfake和与yfake相同形状的全0向量的交叉熵损失，其次计算yefake和与yefake相同形状的全0向量的交叉熵损失，其中用于将任意实数映射到(0,1)区间内，n是样本的总数，yfake,i是yfake中第i个样本的的预测值(即模型的输出)，yefake,i是yefake中第i个样本的的预测值；计算gdloss＝glossrr+glossff+glossffe，采用adam优化器对gdloss更新参数
8.根据权利要求1所述的一种基于生成对抗网络和长短时记忆网络的航迹预测方法，其特征在于：在步骤s8中，通过下式构建遗忘门、更新门和输出门：
9.根据权利要求8所述的一种基于生成对抗网络和长短时记忆网络的航迹预测方法，其特征在于：通过下式计算候选神经元：
10.根据权利要求1所述的一种基于生成对抗网络和长短时记忆网络的航迹预测方法，其特征在于：在步骤s9中，通过下式构建全连接层：
技术总结
本发明公开了一种基于生成对抗网络和长短时记忆网络的多意图航迹预测方法，属于人工智能时序预测技术领域，包括：针对时序预测问题，提出了一种基于生成对抗网络和长短时记忆网络的多意图航迹预测方法，针对航迹预测任务中存在的轨迹数据缺失、长期依赖、梯度消失以及训练数据有限、实时性和泛化能力不强的问题，提出了小样本数据增强与小样本意图识别，以及利用数据之间的时空关联性和历史信息进行轨迹补全的航迹预测方法，同时保证了轨迹预测算法的快速性、鲁棒性和准确性；构造了能够对原始数据进行扩充的GAN网络和对轨迹进行补全的LSTM网络。
技术研发人员：张坤
受保护的技术使用者：北京航空航天大学
技术研发日：
技术公布日：2024/11/21
技术研发人员：张坤
技术所有人：北京航空航天大学
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除