专利交易市场

一种基于多域视角的群体车辆轨迹预测方法，首先，在频域方面，模型利用快速傅里叶变换将历史轨迹转换为频域表示，选取振幅最大的频率以捕捉潜在的周期性特征，结合堆叠的二维卷积网络和LSTM对特征进行深度提取；其次，在空间域方面，构建加权有向空间拓扑图，通过车辆间的相对位置、速度和加速度信息来建模动态空间关系，使用带残差连接的堆叠图卷积网络提取空间特征；随后，在时域方面，基于圆形有限穿透可见性图构建时间逻辑图，通过允许跨时间步的连接以捕捉时间依赖特征，利用残差堆叠GCN提取时域特征；最后，通过门控循环单元编码‑解码结构融合多域特征，实现群体车辆的轨迹预测，本发明实现对群体车辆未来轨迹的高精度预测。

本发明公开了一种基于残差注意力机制的车辆轨迹预测方法，将目标车和周围车的轨迹预处理后作为模型输入，通过残差连接的注意力模块计算周围每一辆车相对目标车的权重系数，根据权重系数重新配置交互张量；结合新交互张量和目标车历史轨迹的编码提取出完整的交互特征，作为解码器的输入，最后通过全连接层输出未来预测轨迹的概率分布；将概率分布的均值作为实际轨迹坐标预测值，计算模型均方根误差损失值，反向传播误差，通过Adam优化器更新模型中的参数，训练直至模型损失值最小，并在验证集和测试集上具有较好的泛化能力。

本发明属于自动驾驶技术领域，具体涉及一种基于图注意力交互机制的车辆轨迹预测方法；该方法包括：获取车辆历史轨迹，对历史车辆轨迹进行预处理，采用时空金字塔网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的场景特征；采用时空transformer网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的交互特征；采用特征融合网络对车辆轨迹的场景特征和车辆轨迹的交互特征进行处理，得到融合特征；对融合特征进行分析处理，得到车辆历史轨迹预测结果，自动驾驶车辆根据轨迹预测结果行驶；本发明对车辆轨迹的预测精度高，具有广阔的应用前景。

本发明涉及一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，属于无线通信网络领域。该方法包括：S1：通过MEC应用收集、存储并处理联网车辆的定位信息，构建车辆在本地的行驶轨迹数据库；S2：以本地MEC服务器为中心重构车辆在本地的行驶轨迹，结合边缘网络收集邻近的MEC服务器数据和日期，形成样本集；S3：通过ELM预测算法预测车辆的移动方向，确定联网车辆将接入MEC服务器，迁移车联网应用到该服务器之内。本发明能够应用于移动边缘网络场景下基于MEC服务器部署的车联网应用的预先迁移。

本发明请求保护一种基于车辆轨迹预测的异构车联网切换方法，其包括以下步骤：步骤1、搭建城市场景下的车载异构网络，步骤2、搭建基于LSTM和卷积社交池的车辆轨迹预测模型；步骤3、基于步骤2预测出的车辆轨迹，预测出车辆终端在各个候选网络内的驻留时间；步骤4、利用模糊层次分析法对驻留时间在内的多个属性进行权重设置，根据不同的业务设置满足对应要求的权值；步骤5、基于KL‑TOPSIS算法进行最佳网络判决。本发明可以降低切换次数和乒乓切换次数。