基于改进神经常微分方程网络的动态多目标时空预测

王艺萌; 程岳; 邢薇薇; 刘渭滨; 康晓

doi:10.12382/bgxb.2025.0576

您当前的位置：

首页 >

文章列表页 >

基于改进神经常微分方程网络的动态多目标时空预测

更新时间：2026-09-04

- 基于改进神经常微分方程网络的动态多目标时空预测
- Dynamic Multi-target Spatio-temporal Prediction Based on Improved Neural Ordinary Differential Equations Network
- 兵工学报 2026年47卷第8期页码：250576
- 作者机构：
  
  1.中国地质大学（北京）数理学院，北京 100083
  2.北京交通大学视觉智能交叉创新教育部国际合作联合实验室，北京 100044
  3.北京交通大学软件学院，北京 100044
  4.北京交通大学计算机科学与技术学院，北京 100044
  5.中兵智能创新研究院有限公司，北京 100072
- 作者简介：
  
  邮箱：wwxing@bjtu.edu.cn
  邮箱：wbliu@bjtu.edu.cn
- 基金信息：
  
  北京市自然科学基金-丰台轨道交通前沿研究联合基金重点研究项目(L231005)
- DOI：10.12382/bgxb.2025.0576
  中图分类号： TP391
- 收稿：2025-06-29，
  
  纸质出版：2026-08-31
- 稿件说明：
移动端阅览
王艺萌,程岳,邢薇薇等.基于改进神经常微分方程网络的动态多目标时空预测[J].兵工学报,2026,47(08):250576.

WANG Yimeng,CHENG Yue,XING Weiwei,et al.Dynamic Multi-target Spatio-temporal Prediction Based on Improved Neural Ordinary Differential Equations Network[J].ACTA ARMAMENTARII,2026,47(08):250576.
王艺萌,程岳,邢薇薇等.基于改进神经常微分方程网络的动态多目标时空预测[J].兵工学报,2026,47(08):250576. DOI： 10.12382/bgxb.2025.0576.

WANG Yimeng,CHENG Yue,XING Weiwei,et al.Dynamic Multi-target Spatio-temporal Prediction Based on Improved Neural Ordinary Differential Equations Network[J].ACTA ARMAMENTARII,2026,47(08):250576. DOI： 10.12382/bgxb.2025.0576.

摘要

多目标时空预测是动态场景中目标演化与决策的关键。传统静态方法难以捕捉动态环境下多目标间的动态时空演变过程。而神经常微分方程（Neural Ordinary Differential Equation，Neural ODE）网络虽适配动态系统，但在多目标时空关联方面仍存局限。为此提出一种基于改进Neural ODE网络的动态多目标时空预测算法，将Neural ODE与稀疏图卷积网络相结合，建立动态多目标时空预测架构。利用稀疏图卷积网络从历史观测轨迹中提取多目标之间的稀疏时空交互特征，实现对多目标时空关联间的建模；利用Neural ODE灵活高效的时序建模能力对目标的高维隐藏状态进行时序建模，得到多目标的时空预测轨迹。实验结果表明，所建模型在ETH/UCY数据集上的平均位移误差和最终位移误差分别为0.36和0.56，相较于基准模型Neural ODE，本文模型具有更低的预测误差，验证了所提方法的有效性。

Abstract

Spatio-temporal prediction of multi-targets is the key to target evolution and decision-making in dynamic scenarios. Traditional static methods are unable to capture the dynamic spatiotemporal evolution of multiple targets in dynamic environments. The neural ordinary differential equation （neural ODE） network has limitations for modeling the spatiotemporal correlations among multiple objectives although it is well-suited for dynamic systems. Therefore， this paper proposes a dynamic multi-target spatio-temporal prediction algorithm based on the improved neural ODE network. A dynamic multi-target spatio-temporal prediction architecture is established by combining the neural ODE and the sparse graph convolutional network. Firstly， the sparse graph convolutional network is used to extract the sparse spatio-temporal interaction features among multiple targets from historical observation trajectories， thereby achieving the modelling of multi-target spatio-temporal correlations. Then the flexible and efficient temporal modelling capability of the neural ODE is used to temporally model the high-dimensional hidden states of the targets. Finally， the spatio-temporal prediction trajectories of the multiple targets are obtained. Experiments show that the average displacement error （ADE） and final displacement error （FDE） of the proposed model on the ETH/UCY dataset are 0.36 and 0.56. The proposed model exhibits lower prediction error compared with the neural ODE network model，thus validating the effectiveness of the proposed method.

关键词

Keywords

references

Chen X B ， Zhang H J ， Zhao F ， et al . Intention-aware vehicle trajectory prediction based on spatial-temporal dynamic attention network for internet of vehicles ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2022 ， 23 （ 10 ）： 19471 - 19483 . DOI： 10.1109/TITS.2022.3170551 http://dx.doi.org/10.1109/TITS.2022.3170551 .

Mo X Y ， Huang Z Y ， Xing Y ， et al . Multi-agent trajectory prediction with heterogeneous edge-enhanced graph attention network ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2022 ， 23 （ 7 ）： 9554 - 9567 . DOI： 10.1109/TITS. 2022.3146300 http://dx.doi.org/10.1109/TITS.2022.3146300 .

Zhai L B ， Zhu X M ， Cheng C . Energy efficient data evacuation path for multi-UAV system based on multi-objective optimization method ［J］. IEEE Transactions on Vehicular Technology ， 2025 ， 74 （ 5 ）： 7364 - 7377 .

Feng Z K ， Wu D ， Huang M X ， et al . Graph-attention-based reinforcement learning for trajectory design and resource assignment in multi-UAV-assisted communication ［J］. IEEE Internet of Things Journal ， 2024 ， 11 （ 16 ）： 27421 - 27434 .

Wang Z H ， Xue L ， Luo X P ， et al . Driving state-aware anomaly detection for autonomous vehicles ［J］. IEEE Transactions on Information Forensics and Security ， 2025 ， 20 ： 3788 - 3803 .

崔皓，叶洪涛，罗文广，等 . 车辆纵向队列分布式多目标模型预测控制［J］. 控制工程， 2025 ， 32 （ 12 ）： 2126 - 2134 .

Cui H ， Ye H T ， Luo W G ， et al . Distributed multi-objective model predictive control of vehicle longitudinal queues ［J］. Control Engineering ， 2025 ， 32 （ 12 ）： 2126 - 2134 . （in Chinese）

Zhang B ， Liu X ， Zheng H F ， et al . Hidden Markov model based cyberattack prediction in power systems ［J］. IEEE Transactions on Smart Grid ， 2024 ， 16 （ 2 ）： 1694 - 1705 .

Beckers T ， Hirche S . Prediction with approximated Gaussian process dynamical models ［J］. IEEE Transactions on Automatic Control ， 2021 ， 67 （ 12 ）： 6460 - 6473 .

Lai G K ， Chang W C ， Yang Y M ， et al . Modeling long-and short-term temporal patterns with deep neural networks ［C］// 41st international ACM SIGIR Conference on Research & Development in Information Retrieval ， 2018 ： 95 - 104 .

Lea C ， Flynn M D ， Vidal R ， et al . Temporal convolutional networks for action segmentation and detection ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， 2017 ： 156 - 165 .

Wu H X ， Xu J H ， Wang J M ， et al . Autoformer： decomposition transformers with auto-correlation for long-term series forecasting ［C］// 35th International Conference on Neural Information Processing Systems ， 2021 ： 22419 - 22430 .

Dong M . Pedestrian cross forecasting with hybrid feature fusion ［C］// 15th Asian Conference on Machine Learning ， 2024 ： 327 - 342 .

Gupta A ， Johnson J ， Li F F ， et al . Social GAN： socially acceptable trajectories with generative adversarial networks ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， 2018 ： 2255 - 2264 .

Salzmann T ， Ivanovic B ， Chakravarty P ， et al . Trajectron++： dynamically-feasible trajectory forecasting with heterogeneous data ［C］// European Conference on Computer Vision ， 2020 ： 683 - 700 .

Wang X C ， Yang X ， Zhou D K . Goal-CurveNet： a pedestrian trajectory prediction network using heterogeneous graph attention goal prediction and curve fitting ［J］. Engineering Applications of Artificial Intelligence ， 2024 ， 133 ： 108323 .

Mohamed A ， Qian K ， Elhoseiny M ， et al . Social-STGCNN： a social spatio-temporal graph convolutional neural network for human trajectory prediction ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， 2020 ： 14424 - 14432 .

Chen R T Q ， Rubanova Y ， Bettencourt J ， et al . Neural ordinary differential equations ［C］// 32nd International Conference on Neural Information Processing Systems ， 2018 ： 6572 - 6583 .

Liang Y X ， Ouyang K ， Yan H S ， et al . Modeling trajectories with neural ordinary differential equations ［C］// 30th International Joint Conference on Artificial Intelligence ， 2021 ： 1498 - 1504 .

Xiong N ， Yang Y ， Jiang Y Q ， et al . Diffusion graph neural ordinary differential equation network for traffic prediction ［C］// 2023 International Joint Conference on Neural Networks ， 2023 ： 1 - 8 .

Wen S ， Wang H ， Liu D ， et al . Second-order graph odes for multi-agent trajectory forecasting ［C］// IEEE/CVF Winter Conference on Applications of Computer Vision ， 2024 ： 5101 - 5110 .

Shi L S ， Wang L ， Long C J ， et al . SGCN： sparse graph convolution network for pedestrian trajectory prediction ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， 2021 ： 8994 - 9003 .

Rangapuram S S ， Seeger M ， Gasthaus J ， et al . Deep state space models for time series forecasting ［C］// 32nd International Conference on Neural Information Processing Systems ， 2018 ： 7796 - 7805 .

Luo D H ， Wang X . ModernTCN： a modern pure convolution structure for general time series analysis ［C］// Twelfth International Conference on Learning Representations ， 2024 ： 1 - 43 .

Pellegrini S ， Ess A ， Schindler K ， et al . You'll never walk alone： modeling social behavior for multi-target tracking ［C］// IEEE 12th International Conference on Computer Vision ， 2009 ： 261 - 268 .

Lerner A ， Chrysanthou Y ， Lischinski D . Crowds by example ［C］// Computer Graphics Forum ， 2007 ， 26 （ 3 ）： 655 - 664 .

Alahi A ， Goel K ， Ramanathan V ， et al . Social LSTM： human trajectory prediction in crowded spaces ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， 2016 ： 961 - 971 .

Sun J H ， Jiang Q H ， Lu C W . Recursive social behavior graph for trajectory prediction ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， 2020 ： 660 - 669 .

Kosaraju V ， Sadeghian A ， Martín-Martín R ， et al . Social-bigat： Multimodal trajectory forecasting using bicycle-gan and graph attention networks ［C］// 33rd International Conference on Neural Information Processing Systems ， 2019 ， 32 ： 137 - 146

浏览量

下载量

CNKI被引量

文章被引用时，请邮件提醒。

提交

工具集

关联资源

焊接熔池实时三维重构的测算融合方法

特种车辆异构集成构型下结构件快速敏捷成型制造发展趋势研究

Al/B4C/UHMWPE复合结构在弹道冲击下的增强机理研究

多传感器外参在线校准驱动的鲁棒多任务感知

特种车辆螺纹连接超声松动检测方法与系统实现