一种基于轨迹预测的行人清空时间计算方法

1.本发明涉及智慧城市技术领域，特别是涉及一种基于轨迹预测的行人清空时间计算方法。


背景技术：

2.行人交通是我国城市交通体系不可或缺的重要组成部分，对过街行人而言，科学设置交通信号灯能为其提供安全保障。
3.行人信号灯绿闪为行人清空时间，理论上应当保证绿闪开始时最后一个进入交叉口的行人能通过交叉口或到达中央驻足区，但目前没有定量设置行人清空时间的方法，通常设置为4s左右，不能满足行人过街需求，容易导致交通事故发生，且严重影响了交叉口的交通秩序。
4.然而，基于轨迹预测的行人清空时间计算方法在一定程度上考虑了行人过街的实际状态，综合考虑了周边其他因素对行人过街的影响，用更科学的方式设置行人清空时间，满足行人过街需求。目前行人轨迹预测方法根据建模方式主要分为基于浅层学习和基于深度学习的预测方法。浅层学习的预测方法往往需要假设固定的数学模型，而深度学习的预测方法可以借助神经网络学习深层的映射关系。轨迹预测可视为序列生成任务，但单纯使用递归神经网络往往会出现梯度爆炸的问题。


技术实现要素：

5.为了克服现有技术的不足，本发明的目的是提供一种基于轨迹预测的行人清空时间计算方法，以解决现有行人清空时间设置不科学的问题。
6.为实现上述目的，本发明提供了如下方案：
7.一种基于轨迹预测的行人清空时间计算方法，包括：
8.获取预设时间段内预设路口处的信号灯绿闪开始时最后一个进入交叉口的行人轨迹数据；
9.对所述行人轨迹数据按照预设坐标系进行转换和标准化处理，得到行人轨迹序列；
10.将所述行人轨迹序列输入到预设轨迹预测模型中，得到行人预测轨迹数据；所述预设轨迹预测模型是以所述预设路口的历史行人轨迹数据为训练样本，并通过lstm神经网络进行训练得到的；
11.根据所述行人预测轨迹数据得到预测行人清空时间。
12.优选地，所述预设路口为十字路口。
13.优选地，所述行人轨迹数据为经纬度的时间序列数据。
14.优选地，所述预设坐标系是以所述预设路口的中心作为坐标系原点，以对应人行横道的中心线为x轴，以对应人行横道线为y轴进行建立的。
15.优选地，对所述行人轨迹数据按照预设坐标系进行转换和标准化处理，得到行人
轨迹序列，包括：
16.对所述行人轨迹数据根据所述预设坐标系进行转换，并基于z-score函数进行标准化处理，得到所述行人轨迹序列。
17.优选地，所述行人预测轨迹数据为预测的行人到达目标路口时间。
18.优选地，根据所述行人预测轨迹数据得到预测行人清空时间，包括：
19.根据所述预测的行人到达目标路口时间和所述行人轨迹数据确定所述预测行人清空时间。
20.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：
21.本发明提供了一种基于轨迹预测的行人清空时间计算方法，包括：获取预设时间段内预设路口处的信号灯绿闪开始时最后一个进入交叉口的行人轨迹数据；对所述行人轨迹数据按照预设坐标系进行转换和标准化处理，得到行人轨迹序列；将所述行人轨迹序列输入到预设轨迹预测模型中，得到行人预测轨迹数据；所述预设轨迹预测模型是以所述预设路口的历史行人轨迹数据为训练样本，并通过lstm神经网络进行训练得到的；根据所述行人预测轨迹数据得到预测行人清空时间。本发明用更科学的方式设置行人清空时间，满足行人过街需求，保障行人安全。
附图说明
22.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。
23.图1为本发明实施例提供的方法流程图；
24.图2为本发明实施例提供的步骤示意图；
25.图3为本发明实施例提供的路口示意图；
具体实施方式
26.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。
27.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
28.本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
29.本发明的目的是提供一种基于轨迹预测的行人清空时间计算方法，用更科学的方式设置行人清空时间，满足行人过街需求，保障行人安全。
30.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。
31.图1为本发明实施例提供的方法流程图，如图1所示，本发明提供了一种基于轨迹预测的行人清空时间计算方法，包括：
32.步骤100：获取预设时间段内预设路口处的信号灯绿闪开始时最后一个进入交叉口的行人轨迹数据；
33.步骤200：对所述行人轨迹数据按照预设坐标系进行转换和标准化处理，得到行人轨迹序列；
34.步骤300：将所述行人轨迹序列输入到预设轨迹预测模型中，得到行人预测轨迹数据；所述预设轨迹预测模型是以所述预设路口的历史行人轨迹数据为训练样本，并通过lstm神经网络进行训练得到的；
35.步骤400：根据所述行人预测轨迹数据得到预测行人清空时间。
36.具体的，如图2所示，本实施例中步骤s1为获取预设路口信息，预设时间段内预设路口处的信号灯绿闪开始时最后一个进入交叉口的行人轨迹数据。其中，行人轨迹数据为经纬度的时间序列数据，可以通过gps设备获取。如图3所示，预设路口为十字交叉口。
37.进一步地，本实施例中步骤s2为：对行人轨迹数据按照预设坐标系进行转换以及标准化处理得到行人轨迹序列。在实际应用过程中，由于gps设备精度难以满足短距离行人轨迹预测需求，为了便于分析，对获取的经纬度数据进行预处理。
38.具体而言，该本实施例数据预处理过程包括：对行人轨迹数据按照预设坐标系进行转换以及标准化处理。其中，预设坐标系以路口的中心作为坐标系原点，以对应人行横道的中心线为x轴，以对应人行横道线为y轴；
39.基于预设坐标系对行人轨迹坐标进行转换，得到行人轨迹坐标(x，y)，转换后进行z-score标准化处理。z-score标准化适用于最大值、最小值未知的情况，是数据标准化最常用的方式。人的行走轨迹复杂多变，随机性强，因此在行人轨迹预测时可以适用z-score标准化方法。
40.更进一步地，本实施例中步骤s3为将行人轨迹序列输入到预设轨迹预测模型中，得到行人预测轨迹数据。其中，预设轨迹预测模型为以预设路口的历史行人轨迹数据为训练样本，并通过lstm神经网络提前训练获得的模型。不同预设路口的训练样本不同，因此得到的预设轨迹模型也不同。将训练样本数据输入至lstm神经网络训练前需要进行步骤s2中的预处理过程，然后将预处理后得到的对应行人轨迹序列输入lstm神经网络中，进行训练，最终得到行人轨迹预测模型。
41.具体的“将行人轨迹序列输入到预设轨迹预测模型中，得到行人预测轨迹数据”包括以下几个步骤：
42.s31将行人轨迹序列通过lstm单元转化为lstm序列信息，公式如下：
[0043][0044]
[0045]
其中，φe是relu非线性激活函数，we是行人坐标嵌入权重，是当前第i个历史状态隐藏信息，wh是隐藏信息嵌入权重。
[0046]
s32通过lstm单元获得当前时刻行人隐藏状态序列信息，具体公式如下：
[0047][0048][0049]
其中，φe是relu非线性激活函数，w
l
是上一时刻行人坐标嵌入权重，wd是lstm单元的嵌入权重，是上一时刻行人的隐藏信息。
[0050]
s33将当前状态信息通过一个多层感知机结构转化到坐标空间，预测行人轨迹，具体公式如下：
[0051][0052]
其中，mlp是一个多层感知结构，w
p
是预测嵌入权重。
[0053]
s34在对行人轨迹预测模型进行训练时，可以使用adam优化器，损失函数如下：
[0054][0055]
其中，t
pred
为预测时间步长；t
obs
为输入时间步长，n为目标行人个数，k为采样轨迹数。
[0056]
此外，本实施例中步骤s4为：计算预测的行人到达目标路口时间和行人离开起始路口时间的时间差，得到预测行人清空时间。其中，预测的行人到达目标路口时间为将行人轨迹序列输入预设轨迹预测模型所得，行人离开起始路口时间为预设时间段内预设路口处的信号灯绿闪开始时最后一个进入交叉口的行人轨迹数据。
[0057]
本发明的有益效果如下：
[0058]
本发明在一定程度上考虑了行人过街的实际状态，填补了我国清空时间计算方法领域的空白，构建了一种科学的行人清空时间计算方法。
[0059]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0060]
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：
1.一种基于轨迹预测的行人清空时间计算方法，其特征在于，包括：获取预设时间段内预设路口处的信号灯绿闪开始时最后一个进入交叉口的行人轨迹数据；对所述行人轨迹数据按照预设坐标系进行转换和标准化处理，得到行人轨迹序列；将所述行人轨迹序列输入到预设轨迹预测模型中，得到行人预测轨迹数据；所述预设轨迹预测模型是以所述预设路口的历史行人轨迹数据为训练样本，并通过lstm神经网络进行训练得到的；根据所述行人预测轨迹数据得到预测行人清空时间。2.根据权利要求1所述的基于轨迹预测的行人清空时间计算方法，其特征在于，所述预设路口为十字路口。3.根据权利要求1所述的基于轨迹预测的行人清空时间计算方法，其特征在于，所述行人轨迹数据为经纬度的时间序列数据。4.根据权利要求1所述的基于轨迹预测的行人清空时间计算方法，其特征在于，所述预设坐标系是以所述预设路口的中心作为坐标系原点，以对应人行横道的中心线为x轴，以对应人行横道线为y轴进行建立的。5.根据权利要求1所述的基于轨迹预测的行人清空时间计算方法，其特征在于，对所述行人轨迹数据按照预设坐标系进行转换和标准化处理，得到行人轨迹序列，包括：对所述行人轨迹数据根据所述预设坐标系进行转换，并基于z-score函数进行标准化处理，得到所述行人轨迹序列。6.根据权利要求1所述的基于轨迹预测的行人清空时间计算方法，其特征在于，所述行人预测轨迹数据为预测的行人到达目标路口时间。7.根据权利要求6所述的基于轨迹预测的行人清空时间计算方法，其特征在于，根据所述行人预测轨迹数据得到预测行人清空时间，包括：根据所述预测的行人到达目标路口时间和所述行人轨迹数据确定所述预测行人清空时间。

技术总结
本发明提供了一种基于轨迹预测的行人清空时间计算方法，包括：获取预设时间段内预设路口处的信号灯绿闪开始时最后一个进入交叉口的行人轨迹数据；对所述行人轨迹数据按照预设坐标系进行转换和标准化处理，得到行人轨迹序列；将所述行人轨迹序列输入到预设轨迹预测模型中，得到行人预测轨迹数据；所述预设轨迹预测模型是以所述预设路口的历史行人轨迹数据为训练样本，并通过LSTM神经网络进行训练得到的；根据所述行人预测轨迹数据得到预测行人清空时间。本发明用更科学的方式设置行人清空时间，满足行人过街需求，保障行人安全。保障行人安全。保障行人安全。


技术研发人员：傅挺 王俊骅 李心怡 张兰芳
受保护的技术使用者：同济大学
技术研发日：2023.03.03
技术公布日：2023/5/14