文摘随着智能交通系统(Intelligent Transportation Systems, ITS)的发展,城市交通车辆轨迹预测技术在交通管理和智能导航中具有重要的应用价值。在城市交通中,车辆出行轨迹受路网约束,将路网引入轨迹预测模型中有助于提高预测精度,但目前已有的基于路网的轨迹预测模型尚未充分利用路网中的高阶结构。因此,本文提出了一种基于路网motif图注意力网络的轨迹预测模型(Graph Attention Network for Trajectory Prediction based on Road Network Motifs, GRAM),该模型依靠真实路网中的motif来挖掘路网的高阶结构属性。GRAM基于路网motif构建交通流图,并利用图注意力网络从基于motif的交通流图和局部个体轨迹图中学习特征,同时通过结合不同motif对同一位置的影响训练模型,以获得最优比例。在3个真实轨迹数据集(波尔图、成都、北京)上的实验结果表明,本文的GRAM展示出了更好的性能。
