1.本发明涉及车辆行驶轨迹预测技术领域，特别是涉及一种用于车辆行驶轨迹实时预测的方法、系统及设备。
背景技术：2.传统的基于深度学习的轨迹预测方案的原理是基于目标车辆过去一段时间内的位置数据预测目标车辆在未来某个时刻的位置数据，然而，通过这种预测方式得到的预测结果的可靠性和准确性难以得到保证。因此，设计一种用于车辆行驶轨迹实时预测的方法、系统及设备是十分有必要的。
技术实现要素：3.本发明的目的是提供一种用于车辆行驶轨迹实时预测的方法、系统及设备，能够预测目标车辆在未来某个时刻的位置数据，并提高了预测结果的准确性和可靠性。
4.为实现上述目的，本发明提供了如下方案：
5.一种用于车辆行驶轨迹实时预测的方法，包括如下步骤：
6.步骤1：采集车辆轨迹数据及车辆信息，将车辆轨迹数据及车辆信息上传至云端，在云端生成第一训练数据库、第二训练数据库及第三训练数据库；
7.步骤2：搭建深度学习网络，分别通过第一训练数据库、第二训练数据库及第三训练数据库对深度学习网络进行训练，得到第一轨迹预测模型、第二轨迹预测模型及第三轨迹预测模型；
8.步骤3：根据初始时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到第一时刻的第一轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第一时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到第二时刻的轨迹预测结果，其中，第二时刻晚于第一时刻，根据初始时刻的真实车辆轨迹数据及第二时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到第一时刻的第二轨迹预测结果，将第一时刻的第一轨迹预测结果及第一时刻的第二轨迹预测结果进行融合，得到最终预测结果。
9.可选的，步骤1中，采集车辆轨迹数据及车辆信息，将车辆轨迹数据及车辆信息上传至云端，在云端生成第一训练数据库、第二训练数据库及第三训练数据库，具体为：
10.在路侧设置监控设备，采集道路上通行车辆的车辆轨迹数据和车辆信息，将车辆轨迹数据和车辆信息上传至云端，在云端生成第一训练数据库、第二训练数据库及第三训练数据库，所述第一训练数据库、第二训练数据库及第三训练数据库均包括多份训练样本，其中，每份第一训练数据库的训练样本包括作为特征数据的t0,t0+δt1,...,t0+nδt1时刻的车辆轨迹数据及作为标签数据的t0+δt2时刻的车辆轨迹数据，每份第二训练数据库的训练样本包括作为特征数据的t0,t0+δt1,...,t0+nδt1时刻的车辆轨迹数据及t0+δt2时刻的车辆轨迹数据以及作为标签数据的t0+δt3时刻的车辆轨迹数据，每份第三训练数据库的训练样本包括作为特征数据的t0,t0+δt1,...,t0+nδt1时刻的车辆轨迹数据及t0+δt3时
刻的车辆轨迹数据以及作为标签数据的t0+δt2时刻的车辆轨迹数据，其中，δt3＞δt2＞nδt1。
11.可选的，步骤3中，根据初始时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到第一时刻的第一轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第一时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到第二时刻的轨迹预测结果，其中，第二时刻晚于第一时刻，根据初始时刻的真实车辆轨迹数据及第二时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到第一时刻的第二轨迹预测结果，将第一时刻的第一轨迹预测结果及第一时刻的第二轨迹预测结果进行融合，得到最终预测结果，具体为：
12.s1：根据t0,t0+δt1,...,t0+nδt1时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到t0+δt2时刻的第一轨迹预测结果；
13.s2：根据t0,t0+δt1,...,t0+nδt1时刻的真实车辆轨迹数据及s1中得到的t0+δt2时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到t0+δt3时刻的轨迹预测结果；
14.s3：根据t0,t0+δt1,...,t0+nδt1时刻的真实车辆轨迹数据及s2中得到的t0+δt3时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到t0+δt2时刻的第二轨迹预测结果；
15.s4：将t0+δt2时刻的第一轨迹预测结果及t0+δt2时刻的第二轨迹预测结果进行融合，得到最终预测结果。
16.可选的，s4中，将t0+δt2时刻的第一轨迹预测结果及t0+δt2时刻的第二轨迹预测结果进行融合，得到最终预测结果，具体为：
17.将第一轨迹预测模型得到的t0+δt2时刻的第一轨迹预测结果与第三轨迹预测模型得到的t0+δt2时刻的第二轨迹预测结果进行加权求和，得到：
[0018][0019]
式中，为表示第一轨迹预测模型输出的t0+δt2时刻目标车辆出现在位置点n的概率，为表示第三轨迹预测模型输出的t0+δt2时刻目标车辆出现在位置点n的概率，表示最终融合得到的t0+δt2时刻目标车辆出现在位置点n的概率，α及β为加权系数，n∈[1,n]，n为t0+δt2时刻目标车辆全部可能出现的位置点的总数量。
[0020]
本发明还提供了一种用于车辆行驶轨迹实时预测的系统，用于实现上述的用于车辆行驶轨迹实时预测的方法，包括：监控设备、云端服务器、处理单元、预测单元及计算单元，所述监控设备连接所述云端服务器，所述云端服务器连接所述处理单元，所述处理单元连接所述预测单元，所述预测单元连接所述计算单元；
[0021]
所述监控设备用于采集车辆轨迹数据和车辆信息，并将车辆轨迹数据和车辆信息发送至云端服务器；
[0022]
所述云端服务器用于存储监控设备采集的车辆轨迹数据和车辆信息，并将车辆轨迹数据和车辆信息发送至处理单元；
[0023]
所述处理单元用于根据车辆轨迹数据和车辆信息分别生成第一训练数据库、第二训练数据库及第三训练数据库，并发送至预测单元；
[0024]
所述预测单元用于搭建深度学习网络，并分别通过第一训练数据库、第二训练数据库及第三训练数据库对深度学习网络进行训练，得到第一轨迹预测模型、第二轨迹预测模型及第三轨迹预测模型，根据初始时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到第一时刻的第一轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第一时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到第二时刻的轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第二时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到第一时刻的第二轨迹预测结果；
[0025]
所述计算单元用于将第一时刻的第一轨迹预测结果及第二预测结果进行融合，得到最终预测结果。
[0026]
可选的，所述监控设置包括摄像头、激光雷达及控制器，所述摄像头及激光雷达设置在道路的一侧，用于采集道路上通行车辆轨迹数据和车辆信息，所述摄像头及激光雷达电性连接所述控制器，所述控制器通过无线通信模块通信连接所述云端服务器。
[0027]
本发明还提供了一种用于车辆行驶轨迹实时预测的设备，用于实现上述的用于车辆行驶轨迹实时预测的方法，包括处理器及存储器，所述存储器用于存储实现车辆行驶轨迹实时预测的方法的计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，实现车辆行驶轨迹实时预测。
[0028]
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的用于车辆行驶轨迹实时预测的方法、系统及设备，该方法包括采集车辆轨迹数据及车辆信息，将车辆轨迹数据及车辆信息上传至云端，在云端生成第一训练数据库、第二训练数据库及第三训练数据库，搭建深度学习网络，分别通过第一训练数据库、第二训练数据库及第三训练数据库对深度学习网络进行训练，得到第一轨迹预测模型、第二轨迹预测模型及第三轨迹预测模型，根据初始时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到第一时刻的第一轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第一时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到第二时刻的轨迹预测结果，其中，第二时刻晚于第一时刻，根据初始时刻的真实车辆轨迹数据及第二时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到第一时刻的第二轨迹预测结果，将第一时刻的第一轨迹预测结果及第一时刻的第二轨迹预测结果进行融合，得到最终预测结果。
[0029]
该方法通过深度学习网络进行模型搭建，能够得到具备预测能力的轨迹预测模型，进而实现轨迹预测，与传统轨迹预测方案不同的是，该方法采用三个轨迹预测模型进行预测，其中，第一轨迹预测模型与传统轨迹预测方案相似，但是，通过第一轨迹预测模型得到的轨迹预测结果的可靠性与准确性较低，所以该方法在第一轨迹预测模型的基础上，增加了第二轨迹预测模型及第三轨迹预测模型，利用第二轨迹预测模型及第三轨迹预测模型对与第一轨迹预测模型相同的时刻进行预测，得到另一个轨迹预测结果，最后将两个轨迹预测结果相融合，得到最终预测结果，显著提升了轨迹预测结果的准确性和可靠性。
附图说明
[0030]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图
获得其他的附图。
[0031]
图1为本发明实施例用于车辆行驶轨迹实时预测的方法流程图；
[0032]
图2为车辆监控示意图；
[0033]
图3为轨迹预测模型预测流程图；
[0034]
图4为轨迹预测模型的轨迹预测结果示意图。
具体实施方式
[0035]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0036]
本发明的目的是提供一种用于车辆行驶轨迹实时预测的方法、系统及设备，能够预测目标车辆在未来某个时刻的位置数据，并提高了预测结果的准确性和可靠性。
[0037]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0038]
如图1所示，本发明实施例提供的用于车辆行驶轨迹实时预测的方法、系统及设备，包括如下步骤：
[0039]
步骤1：采集车辆轨迹数据及车辆信息，将车辆轨迹数据及车辆信息上传至云端，在云端生成第一训练数据库、第二训练数据库及第三训练数据库；
[0040]
步骤2：搭建深度学习网络，分别通过第一训练数据库、第二训练数据库及第三训练数据库对深度学习网络进行训练，得到第一轨迹预测模型、第二轨迹预测模型及第三轨迹预测模型；
[0041]
步骤3：根据初始时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到第一时刻的第一轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第一时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到第二时刻的轨迹预测结果，其中，第二时刻晚于第一时刻，根据初始时刻的真实车辆轨迹数据及第二时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到第一时刻的第二轨迹预测结果，将第一时刻的第一轨迹预测结果及第一时刻的第二轨迹预测结果进行融合，得到最终预测结果。
[0042]
步骤1中，采集车辆轨迹数据及车辆信息，将其上传至云端，在云端生成第一训练数据库、第二训练数据库及第三训练数据库，具体为：
[0043]
如图2所示，在路侧设置监控设备(例如摄像头、激光雷达等)，采集道路上通行车辆的车辆轨迹数据和车辆信息，其中车辆信息可包括车型、行驶速度、行驶方向、标线、障碍物分布等，将车辆轨迹数据和车辆信息上传至云端，在云端生成第一训练数据库、第二训练数据库及第三训练数据库，所述第一训练数据库、第二训练数据库及第三训练数据库均包括多份训练样本，其中，每份第一训练数据库的训练样本包括作为特征数据的t0,t0+δt1,...,t0+nδt1时刻的车辆轨迹数据及作为标签数据的t0+δt2时刻的车辆轨迹数据，每份第二训练数据库的训练样本包括作为特征数据的t0,t0+δt1,...,t0+nδt1时刻的车辆轨迹数据及t0+δt2时刻的车辆轨迹数据以及作为标签数据的t0+δt3时刻的车辆轨迹数据，每份第三训练数据库的训练样本包括作为特征数据的t0,t0+δt1,...,t0+nδt1时刻的车辆轨
迹数据及t0+δt3时刻的车辆轨迹数据以及作为标签数据的t0+δt2时刻的车辆轨迹数据，其中，n为不小于2的正整数，δt3＞δt2＞nδt1，特征数据及标签数据均为真实的数据，训练的目的就是在向第一轨迹预测模型输入特征数据之后尽量保证第一轨迹预测模型的输出接近于相应的标签数据，即让模型具备相应的预测能力；
[0044]
例如，假设n＝3,δt1＝1,δt2＝4,δt3＝6，第一训练数据库中的特征数据为t0,t0+1,t0+2,t0+3时刻的车辆轨迹数据，标签数据为t0+4时刻的车辆轨迹数据，其中，t0为任意数据采集时刻，另外两个训练数据库同理。
[0045]
如图3所示，步骤3中，根据初始时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到第一时刻的第一轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第一时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到第二时刻的轨迹预测结果，其中，第二时刻晚于第一时刻，根据初始时刻的真实车辆轨迹数据及第二时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到第一时刻的第二轨迹预测结果，将第一时刻的第一轨迹预测结果及第一时刻的第二轨迹预测结果进行融合，得到最终预测结果，具体为：
[0046]
其中，初始时刻即t0,t0+δt1,...,t0+nδt1时刻，第一时刻即t0+δt2时刻，第二时刻即t0+δt3时刻；
[0047]
s1：根据t0,t0+δt1,...,t0+nδt1时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到t0+δt2时刻的第一轨迹预测结果；
[0048]
s2：根据t0,t0+δt1,...,t0+nδt1时刻的真实车辆轨迹数据及s1中得到的t0+δt2时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到t0+δt3时刻的轨迹预测结果；
[0049]
s3：根据t0,t0+δt1,...,t0+nδt1时刻的真实车辆轨迹数据及s2中得到的t0+δt3时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到t0+δt2时刻的第二轨迹预测结果；
[0050]
具体的，如图4所示，各个轨迹预测模型得到的轨迹预测结果均为二维正态分布的形式，包括位置点及位于该位置点的概率，范围为d；
[0051]
轨迹预测模型输出的轨迹预测结果为理论上可能出现的结果，本发明也可在得到轨迹预测模型输出的轨迹预测结果之后，进一步根据实际情况滤除其中明显不符合要求的位置点，如位于障碍物区域内的位置点、位于标线外区域内的位置点以及不符合运动学约束条件的位置点，在滤除这些明显不符合要求的位置点之后，重新进行归一化，保证全部位置点的概率和为1，其中，上述运动学约束是指根据目标车辆的实时位置、行驶速度和行驶方向确定目标车辆可能出现的区域；
[0052]
s4：将t0+δt2时刻的第一轨迹预测结果及t0+δt2时刻的第二轨迹预测结果进行融合，得到最终预测结果。
[0053]
s4中，将t0+δt2时刻的第一轨迹预测结果及t0+δt2时刻的第二轨迹预测结果进行融合，得到最终预测结果，具体为：
[0054]
将第一轨迹预测模型得到的t0+δt2时刻的第一轨迹预测结果与第三轨迹预测模型得到的t0+δt2时刻的第二轨迹预测结果进行加权求和，得到：
[0055]
[0056]
式中，为表示第一轨迹预测模型输出的t0+δt2时刻目标车辆出现在位置点n的概率，为表示第三轨迹预测模型输出的t0+δt2时刻目标车辆出现在位置点n的概率，表示最终融合得到的t0+δt2时刻目标车辆出现在位置点n的概率，α及β为加权系数，n∈[1,n]，n为t0+δt2时刻目标车辆全部可能出现的位置点的总数量，完成加权求和后，可以重新进行归一化，保证全部位置点的概率和为1，最终归一化结果即为最终预测结果。
[0057]
本发明还提供了一种用于车辆行驶轨迹实时预测的系统，用于实现上述的用于车辆行驶轨迹实时预测的方法，包括：监控设备、云端服务器、处理单元、预测单元及计算单元，所述监控设备连接所述云端服务器，所述云端服务器连接所述处理单元，所述处理单元连接所述预测单元，所述预测单元连接所述计算单元；
[0058]
所述监控设备用于采集车辆轨迹数据和车辆信息，并将车辆轨迹数据和车辆信息发送至云端服务器；
[0059]
所述云端服务器用于存储监控设备采集的车辆轨迹数据和车辆信息，并将车辆轨迹数据和车辆信息发送至处理单元；
[0060]
所述处理单元用于根据车辆轨迹数据和车辆信息分别生成第一训练数据库、第二训练数据库及第三训练数据库，并发送至预测单元；
[0061]
所述预测单元用于搭建深度学习网络，并分别通过第一训练数据库、第二训练数据库及第三训练数据库对深度学习网络进行训练，得到第一轨迹预测模型、第二轨迹预测模型及第三轨迹预测模型，根据初始时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到第一时刻的第一轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第一时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到第二时刻的轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第二时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到第一时刻的第二轨迹预测结果；
[0062]
所述计算单元用于将第一时刻的第一轨迹预测结果及第二预测结果进行融合，得到最终预测结果。
[0063]
本发明给出的各个单元均为功能模块单元，其中处理单元、预测单元及计算单元可通过电脑端使用程序实现。
[0064]
所述监控设置包括摄像头、激光雷达及控制器，所述摄像头及激光雷达设置在道路的一侧，用于采集道路上通行车辆轨迹数据和车辆信息，所述摄像头及激光雷达电性连接所述控制器，所述控制器通过无线通信模块通信连接所述云端服务器。
[0065]
本发明还提供了一种用于车辆行驶轨迹实时预测的设备，用于实现上述的用于车辆行驶轨迹实时预测的方法，包括处理器及存储器，所述存储器用于存储实现车辆行驶轨迹实时预测的方法的计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，实现车辆行驶轨迹实时预测。
[0066]
本发明提供的用于车辆行驶轨迹实时预测的方法、系统及设备，该方法包括采集车辆轨迹数据及车辆信息，将车辆轨迹数据及车辆信息上传至云端，在云端生成第一训练数据库、第二训练数据库及第三训练数据库，搭建深度学习网络，分别通过第一训练数据库、第二训练数据库及第三训练数据库对深度学习网络进行训练，得到第一轨迹预测模型、第二轨迹预测模型及第三轨迹预测模型，根据初始时刻的真实车辆轨迹数据，利用第一轨
迹预测模型进行预测，得到第一时刻的第一轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第一时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到第二时刻的轨迹预测结果，其中，第二时刻晚于第一时刻，根据初始时刻的真实车辆轨迹数据及第二时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到第一时刻的第二轨迹预测结果，将第一时刻的第一轨迹预测结果及第一时刻的第二轨迹预测结果进行融合，得到最终预测结果。
[0067]
该方法通过深度学习网络进行模型搭建，能够得到具备预测能力的轨迹预测模型，进而实现轨迹预测，与传统轨迹预测方案不同的是，该方法采用三个轨迹预测模型进行预测，其中，第一轨迹预测模型与传统轨迹预测方案相似，但是，通过第一轨迹预测模型得到的轨迹预测结果的可靠性与准确性较低，所以该方法在第一轨迹预测模型的基础上，增加了第二轨迹预测模型及第三轨迹预测模型，利用第二轨迹预测模型及第三轨迹预测模型对与第一轨迹预测模型相同的时刻进行预测，得到另一个轨迹预测结果，最后将两个轨迹预测结果相融合，得到最终预测结果，显著提升了轨迹预测结果的准确性和可靠性。
[0068]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
技术特征：1.一种用于车辆行驶轨迹实时预测的方法，其特征在于，包括如下步骤：步骤1：采集车辆轨迹数据及车辆信息，将车辆轨迹数据及车辆信息上传至云端，在云端生成第一训练数据库、第二训练数据库及第三训练数据库；步骤2：搭建深度学习网络，分别通过第一训练数据库、第二训练数据库及第三训练数据库对深度学习网络进行训练，得到第一轨迹预测模型、第二轨迹预测模型及第三轨迹预测模型；步骤3：根据初始时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到第一时刻的第一轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第一时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到第二时刻的轨迹预测结果，其中，第二时刻晚于第一时刻，根据初始时刻的真实车辆轨迹数据及第二时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到第一时刻的第二轨迹预测结果，将第一时刻的第一轨迹预测结果及第一时刻的第二轨迹预测结果进行融合，得到最终预测结果。2.根据权利要求1所述的用于车辆行驶轨迹实时预测的方法，其特征在于，步骤1中，采集车辆轨迹数据及车辆信息，将车辆轨迹数据及车辆信息上传至云端，在云端生成第一训练数据库、第二训练数据库及第三训练数据库，具体为：在路侧设置监控设备，采集道路上通行车辆的车辆轨迹数据和车辆信息，将车辆轨迹数据和车辆信息上传至云端，在云端生成第一训练数据库、第二训练数据库及第三训练数据库，所述第一训练数据库、第二训练数据库及第三训练数据库均包括多份训练样本，其中，每份第一训练数据库的训练样本包括作为特征数据的t0,t0+δt1,...,t0+nδt1时刻的车辆轨迹数据及作为标签数据的t0+δt2时刻的车辆轨迹数据，每份第二训练数据库的训练样本包括作为特征数据的t0,t0+δt1,...,t0+nδt1时刻的车辆轨迹数据及t0+δt2时刻的车辆轨迹数据以及作为标签数据的t0+δt3时刻的车辆轨迹数据，每份第三训练数据库的训练样本包括作为特征数据的t0,t0+δt1,...,t0+nδt1时刻的车辆轨迹数据及t0+δt3时刻的车辆轨迹数据以及作为标签数据的t0+δt2时刻的车辆轨迹数据，其中，δt3＞δt2＞nδt1。3.根据权利要求2所述的用于车辆行驶轨迹实时预测的方法，其特征在于，步骤3中，根据初始时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到第一时刻的第一轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第一时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到第二时刻的轨迹预测结果，其中，第二时刻晚于第一时刻，根据初始时刻的真实车辆轨迹数据及第二时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到第一时刻的第二轨迹预测结果，将第一时刻的第一轨迹预测结果及第一时刻的第二轨迹预测结果进行融合，得到最终预测结果，具体为：s1：根据t0,t0+δt1,...,t0+nδt1时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到t0+δt2时刻的第一轨迹预测结果；s2：根据t0,t0+δt1,...,t0+nδt1时刻的真实车辆轨迹数据及s1中得到的t0+δt2时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到t0+δt3时刻的轨迹预测结果；s3：根据t0,t0+δt1,...,t0+nδt1时刻的真实车辆轨迹数据及s2中得到的t0+δt3时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到t0+δt2时刻的第二轨迹预测结果；s4：将t0+δt2时刻的第一轨迹预测结果及t0+δt2时刻的第二轨迹预测结果进行融合，
得到最终预测结果。4.根据权利要求3所述的用于车辆行驶轨迹实时预测的方法，其特征在于，s4中，将t0+δt2时刻的第一轨迹预测结果及t0+δt2时刻的第二轨迹预测结果进行融合，得到最终预测结果，具体为：将第一轨迹预测模型得到的t0+δt2时刻的第一轨迹预测结果与第三轨迹预测模型得到的t0+δt2时刻的第二轨迹预测结果进行加权求和，得到：式中，为表示第一轨迹预测模型输出的t0+δt2时刻目标车辆出现在位置点n的概率，为表示第三轨迹预测模型输出的t0+δt2时刻目标车辆出现在位置点n的概率，表示最终融合得到的t0+δt2时刻目标车辆出现在位置点n的概率，α及β为加权系数，n∈[1,n]，n为t0+δt2时刻目标车辆全部可能出现的位置点的总数量。5.一种用于车辆行驶轨迹实时预测的系统，其特征在于，用于实现权利要求1-4任一所述的用于车辆行驶轨迹实时预测的方法，包括：监控设备、云端服务器、处理单元、预测单元及计算单元，所述监控设备连接所述云端服务器，所述云端服务器连接所述处理单元，所述处理单元连接所述预测单元，所述预测单元连接所述计算单元；所述监控设备用于采集车辆轨迹数据和车辆信息，并将车辆轨迹数据和车辆信息发送至云端服务器；所述云端服务器用于存储监控设备采集的车辆轨迹数据和车辆信息，并将车辆轨迹数据和车辆信息发送至处理单元；所述处理单元用于根据车辆轨迹数据和车辆信息分别生成第一训练数据库、第二训练数据库及第三训练数据库，并发送至预测单元；所述预测单元用于搭建深度学习网络，并分别通过第一训练数据库、第二训练数据库及第三训练数据库对深度学习网络进行训练，得到第一轨迹预测模型、第二轨迹预测模型及第三轨迹预测模型，根据初始时刻的真实车辆轨迹数据，利用第一轨迹预测模型进行预测，得到第一时刻的第一轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第一时刻的第一轨迹预测结果，利用第二轨迹预测模型进行预测，得到第二时刻的轨迹预测结果，根据初始时刻的真实车辆轨迹数据及第二时刻的轨迹预测结果，利用第三轨迹预测模型进行预测，得到第一时刻的第二轨迹预测结果；所述计算单元用于将第一时刻的第一轨迹预测结果及第二预测结果进行融合，得到最终预测结果。6.根据权利要求5所述的用于车辆行驶轨迹实时预测的系统，其特征在于，所述监控设置包括摄像头、激光雷达及控制器，所述摄像头及激光雷达设置在道路的一侧，用于采集道路上通行车辆轨迹数据和车辆信息，所述摄像头及激光雷达电性连接所述控制器，所述控制器通过无线通信模块通信连接所述云端服务器。7.一种用于车辆行驶轨迹实时预测的设备，其特征在于，用于实现权利要求1-4任一所述的用于车辆行驶轨迹实时预测的方法，包括处理器及存储器，所述存储器用于存储实现车辆行驶轨迹实时预测的方法的计算机程序，所述处理器用于执行所述存储器中存储的计
算机程序，实现车辆行驶轨迹实时预测。
技术总结本发明提供了一种用于车辆行驶轨迹实时预测的方法、系统及设备，该方法包括：采集车辆轨迹数据及车辆信息，生成三种不同的训练数据库，搭建深度学习网络，分别通过三种不同的训练数据库对其进行训练，得到第一轨迹预测模型、第二轨迹预测模型及第三轨迹预测模型；根据真实车辆轨迹数据，分别利用第一轨迹预测模型、第二轨迹预测模型及第三轨迹预测模型进行预测，得到第一时刻的第一轨迹预测结果、第二时刻的轨迹预测结果及第一时刻的第二轨迹预测结果，将第一时刻的第一轨迹预测结果及第一时刻的第二轨迹预测结果进行融合，得到最终预测结果。本发明提供的用于车辆行驶轨迹实时预测的方法、系统及设备，能够准确预测目标车辆的未来位置数据。的未来位置数据。的未来位置数据。
技术研发人员：何山 霍向 吴新开
受保护的技术使用者：北京洛必德科技有限公司
技术研发日：2022.04.19
技术公布日：2022/7/5
