基于GCN和Transformer时空信息融合的行人轨迹预测OA

针对行人轨迹的多态性导致模型预测精度下降的问题,提出了基于图卷积网络(graph convolution network,GCN)和Transformer时空信息融合的行人轨迹预测模型。采用Transformer提取行人运动行为特征;构建时空图,并根据结伴行人轨迹相似的特点,设计基于轨迹相似度的GCN,来优化时空图的卷积以提取行人间的空间交互特征;针对时空图之间的关联性,采用Transformer编码不同历史时刻的空间交互特征,深度挖掘行人轨迹的时空交互特征。融合行人运动行为特征、空间交互特征和时空交互特征实现基于时空信息融合的行人轨迹预测。在ETH-UCY和SDD公开数据集上的实验结果验证了所设计模型的性能和有效性。