高速公路智能车轨迹预测主要方法的优缺点汇总

车辆轨迹预测方法的优缺点总结：

马尔科夫模型：

优点：

1、能够计算出具有维修能力和多重降级状态的系统的概率。

缺点：

1. 预测准确率比较低。
2. 一阶马尔科夫模型只考虑当前轨迹点对未来轨迹点的影响，不能充分地利用历史轨迹点数据。
3. 高阶马尔科夫预测模型增加了模型计算复杂度，不适用于海量轨迹数据的训练学习。
4. 对车辆轨迹的波动比较敏感。
5. 不适宜用于系统中长期预测。
6. 马尔科夫模型是一种概率转移模型，它涉及的概率转移矩阵是能否进行准确预测的关键。一般的，如果某变量可以使用Markov模型来预测，它的前提条件是，在各个期间或者状态时，变量面临的下一个期间或者状态的转移概率都是一样的、不随时间变化的。一旦转移概率有所变化，Markov模型必须改变转移概率矩阵的参数，否则，预测的结果将会有很大的偏差。

 

高斯混合模型:

优点：

1. 是一种非参数的概率模型，对具有噪声点的轨迹数据预测效果较好。
2. 可避免了轨迹数据离散性质的弊端。
3. 可以根据概率模型的精确度评判模型的预测误差。
4. 高斯过程可以很好地表达车辆运动轨迹分布的统计特征。
5. 使用的训练数据集规模比较小。
6. 可以根据不同历史数据自适应训练获取。

缺点：

1. 单独使用该模型时，解决不了不同时间点预测误差差别较大的问题。
2. 不是稀疏的。也就是说它们使用完整的样本/特性信息来进行预测。
3. 在高维空间失去了有效性。当特征的个数超过几十后。
4. 模型本身是非参数性（无需人为设置参数）求解，导致其计算量随着数据增加变大，在模型训练中，参数都是通过最优化边缘似然获取的。
5. 该模型构造过程过于复杂，花费时间代价相对较高。

 

贝叶斯模型：

优点：

1. 对小规模的数据表现很好，能处理多分类任务，适合增量式训练，尤其是数据量超出内存时，可以一批批的去增量训练。
2. 对缺失数据不太敏感。

缺点：

1. 时间消耗比较大。
2. 对输入数据的表达形式比较敏感。
3. 需要知道先验概率，且先验概率很多时候取决于假设，假设的模型可以有很多种，因此，在某些时候会由于假设的先验模型的原因导致预测效果不佳。
4. 分类决策存在一定的错误率。

卡尔曼滤波：

优点：

1. 处理的轨迹数据无噪声点时预测效果比较有效。
2. 对短时间内（1步或2步）的预测比较稳定准确的判断。

缺点：

1. 长时间（如10秒以上或者5步以上）的轨迹预测由于预测误差的变大严重影响预测准确性，并且模型复杂性增加。
2. 仅仅对轨迹进行线性回归预测，没有对不同的轨迹模式进行聚类分析，因此，预测误差最大。
3. 对噪声数据的变化比较敏感，随着噪声增大，预测误差不断增大，近似成线性。
4. 时间代价比较高。

 

LSTM模型：

优点：

1. 弥补了RNN的缺陷，RNN在处理long term memory的时候存在缺陷，它只考虑最近的状态，LSTM的细胞状态会决定哪些状态应该被留下来，哪些状态应该被遗忘。
2.  LSTM可以消除一些RNN的梯度消失问题。

缺点：

1、不能对抗梯度爆炸问题。

2、梯度问题在LSTM里得到了一定程度的解决，但还是不够。

3、LSTM是可以记住大量更长长期的信息，但是只能记住100个量级，而不是1000个量级，或者更长的序列。

4、计算费时。每一个LSTM的cell里面都意味着有4个全连接层（MLP），如果LSTM的时间跨度很大，并且网络又很深，这个计算量会很大，很耗时。

 

总结：

经过对轨迹预测的各种方法进行整理和总结，觉得还是LSTM更加适合进行车辆的轨迹预测。理由如下：

1. 通过在各个网站进行文献的查找，事实证明，在对车辆的轨迹预测方面，基于LSTM方法可以进行查阅的文献是最多的。
2. 通过自己看的一部分论文，发现有好几篇论文（关于轨迹预测）实验的数据集是相同的。这为下一步论文实验的数据对比提供了参考。（注：本文是结合自身的需要进行的总结，希望批评指正和补充！）