长期轨迹预测的挑战
城市交通环境复杂，交通流呈现高度非线性特征
现有模型在长时序和强噪声环境下存在长期依赖表征不足问题
多步预测时误差累积明显，难以准确实现长期预测
短期预测 vs 长期预测
短期预测
• 基于短时间窗口内的高频位置数据
• 预测数秒内的运动状态和轨迹
• 应用于碰撞预警等微观场景
• 时间尺度：秒级
长期预测（本文）
• 利用一段行驶轨迹预测未来位置
• 预测几十分钟至数小时的运动轨迹
• 应用于智能交通管理、位置推荐等
• 时间尺度：分钟至小时级
现有方法的局限性
传统统计方法
马尔可夫模型、序列模式挖掘等方法在面对大规模、高度非线性数据时能力受限
递归神经网络
RNN、LSTM等在长序列时面临梯度消失和难以捕捉长期依赖问题
全局Transformer
全局自注意力在捕捉局部细节时可能引入多余信息和噪声
核心创新：TrajFormer模型
局部自注意力机制
以局部自注意力机制替代传统Transformer的全局自注意力结构，每个时间步仅关注前ω个轨迹点，从结构上抑制远距离不相关历史点的干扰
局部关注
仅关注固定时间窗口内的历史信息
噪声抑制
避免远距离无关点的干扰
细粒度建模
捕捉细粒度时序模式
TrajFormer三大核心模块
数据预处理与嵌入
采用离散高维嵌入增强输入轨迹的空间表达
技术细节
• 轨迹清洗、重采样、归一化
• 将连续经纬度离散化为网格索引
• 双独立嵌入层分别映射经纬度到高维空间
• 融合位置嵌入捕获时间顺序信息
局部自注意力主体
通过因果局部时间窗限制注意力范围
核心机制
• 预测当前位置时仅关注前ω个轨迹点
• 构建局部注意力掩码矩阵
• 多头注意力机制增强表征能力
• 前馈网络进一步提取特征
双独立解码输出
构建双独立解码结构提升坐标预测精度
输出设计
• 2个独立全连接层分别预测经纬度网格索引
• 还原为连续经纬度坐标
• 完成轨迹点位置预测