基于局部自注意力Transformer 的长期车辆轨迹预测模型

背景：随着车载GPS和移动互联网技术的普及，车辆轨迹数据采集成本降低，基于大规模轨迹数据的车辆轨迹预测技术成为研究热点。长期轨迹预测对智能交通管理、位置推荐等具有重要意义，但现有模型在复杂城市环境下存在长期依赖表征不足和误差累积等问题。研究目的：为提升模型在复杂环境下长期轨迹预测的准确性，本文提出一种基于局部自注意力Transformer的长期车辆轨迹预测模型。结论：该模型针对车辆轨迹数据局部相关性强、易受噪声干扰的特性，以局部自注意力机制替代传统全局自注意力，并在数据预处理、嵌入层及输出方式等方面进行适配调整，从而增强了对轨迹数据的捕获能力，旨在提升长期预测精度。