基于动态图注意力的车辆轨迹预测研究

针对目前轨迹预测研究中交互建模方法使用的图注意力网络（GAT）为静态注意力，无法有效捕捉复杂道路场景中车辆间交互的问题，提出了一种基于编码器-解码器架构的动态图注意力网络（ED-DGAT）预测高速公路环境中运动车辆的未来轨迹。编码模块使用动态图注意力机制学习场景中车辆间的空间交互，采用状态简化动态图注意力网络建模解码阶段车辆运动的相互依赖，最后使用NGSIM数据集评估所提出的模型，并与长短时记忆（LSTM）、联合社交池化与长短时记忆（S-LSTM）、联合卷积社交池化与长短时记忆（CS-LSTM）算法模型进行对比分析，结果表明，预测轨迹的均方根误差（RMSE）降低了25%，且模型的推理速度为CS-LSTM模型的2.61倍。