计量学报

作者：王红霞, 刘洋, 钱楷森

关键词：智能交通,行人轨迹预测,数据密度剪枝,KDE,图注意力机制,时空特征提取

基金：辽宁省自然科学基金指导计划(2022-MS-276)

为解决行人轨迹预测中精度不足和泛化能力差的问题，提出了并行时空密度剪枝的图注意力网络（spatio-temporal density-pruned graph attention network，ST-DPGAN），并验证了其预测效果。首先利用核密度估计自适应获取数据集密度，并根据密度计算剪枝半径，对行人交互图进行剪枝，有效提高了空间特征提取效率。同时，采用并行方式分别提取时空特征，并进行串行融合，减少时间信息丢失，提升模型对复杂时空关系的理解和预测能力。此外，模型引入图注意力机制，为不同邻接节点分配不同权重，进一步细化行人交互作用，提高模型鲁棒性和泛化能力。在参数调优之后（ λ = 0.4，R F = 2），ST-DPGAN模型在数据集ETH（eidgen?ssische technische hochschule zürich）和UCY（university of cyprus crowds dataset）上的平均位移误差E ADE和最终位移误差E FDE指标分别为0.36和0.59，其预测效果优于多个经典模型，比原模型分别高出18%和21%，与前沿模型相比更具有竞争力。

来源：2025年第10期

《计量学报》期刊编辑部

查看计量学报杂志2025年第10期