基于图LSTM中谱聚类的路网智能体轨迹与行为预测

我们提出了一种新颖的交通预测方法，用于城市交通场景下的交通流建模，该方法结合了谱图分析与深度学习技术。该方法从每个道路参与者（road-agent）的轨迹中提取信息，同时预测低层次信息（未来轨迹）和高层次信息（道路参与者行为模式）。我们的模型通过构建一个动态加权交通图（dynamic weighted traffic-graph）来表征道路参与者之间的空间邻近关系。在此基础上，我们设计了一种双流图卷积长短期记忆网络（two-stream graph convolutional LSTM），利用该加权交通图实现交通预测：第一流用于预测道路参与者的空间坐标，第二流则用于判断其行为类型——激进型、保守型或常规型。为提升长期预测（3–5秒）的精度并减小预测误差，我们引入了谱聚类正则化（spectral cluster regularization）机制。我们在Argoverse、Lyft和Apolloscape三个公开数据集上对所提方法进行了评估，结果表明该方法在轨迹预测性能上显著优于现有主流方法。实际应用中，本方法相较以往算法将平均预测误差降低了超过54%，并在行为预测任务中实现了91.2%的加权平均准确率，展现出卓越的预测能力与实用性。