基于CTBN的移动对象不确定轨迹预测算法_乔少杰

第３５卷第２期　２０１４年２月　

通信学报　

Ｊｏｕｍａｌ　ｏｎ　Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ　Ｖｂｌ＿３５　Ｎｏ．２　

Ｆｅｂｒｕａｒｙ　２０１４　

ｄｏｉ：１０．３９６９￣．ｉｓｓｎ．１０００—４３６ｘ．２０１４．０２．００７　

基于运动趋势的移动对象位置预测　李雯　，夏士雄　，刘峰　，张磊　，袁冠　（１．中国矿业大学计算机科学与技术学院，江苏徐州２２１１１６；２．中国煤炭工业协会，北京１００７１３）　

摘要：提出一种基于运动趋势的移动对象位置预测算法，不仅借鉴马尔可夫模型思想对移动对象的历史活动轨　迹进行建模，而且将对象的运动趋势作为位置预测的重要因素。以全体历史停留区域作为未来位置的候选，根据　位置的特征，将结果分为预测位置和推荐位置。真实数据实验表明，算法在保证较高时间效率的同时，预测精度　较同类算法提高近１０％。　关键词：位置预测；移动对象；马尔可夫模型；运动趋势；区域可达性　中图分类号：ＴＰ３１１　文献标识码：Ａ　文章编号：１０００．４３６Ｘ（２０１４）０２．００４６—０８　

Ｌｏｃａｔｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂ　ａｓｅｄ　ｏｎ　ｍｏｖｅｍｅｎｔ　ｔｅｎｄｅｎｃｙ　ＬＩ　Ｗｅｎ　，ＸＩＡ　Ｓｈｉ—ｘｉｏｎｇ　，ＬＩＵ　Ｆｅｎｇ　，ＺＨＡＮＧ　Ｌｅｉ　，ＹＵＡＮ　Ｇｕａｎ　（１．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ　ａｎｄＴｅｃｈｎｏｌｏｇｙ，ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＭｉｎｉｎｇ　ａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｘｕｚｈｏｕ　２２１１１６，Ｃｈｉｎａ；　２．Ｃｈｉｎａ　Ｎａｔｉｏｎａｌ　Ｃｏａｌ　Ａｓｓｏｃｉａｔｉｏｎ，Ｂｅｉｊｉｎｇ　１００７１３，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ａ　ｌｏｃａｔｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｍｏｖｅｍｅｎｔ　ｔｅｎｄｅｎｃｙ（ＬＰ—ＭＴ）ｗａｓ　ｐｒｏｐｏｓｅｄ，ｗｈｉｃｈ　ｎｏｔ　ｏｎｌｙ　ｂｕｉｌｓ　ｍｏｖｉｎｇ　ｏｂｊｅｃｔ’Ｓ　ｈｉｓｔｏｒｉｃａｌ　ａｃｔｉｖｉｔｙ　ｍｏｄｅｌ　ｂｏｒｒｏｗｉｎｇ　ｆｒｏｍ　Ｍａｒｋｏｖ　ｔｈｉｎｋｉｎｇ，ｂｕｔ　ａｌｓｏ　ａｄｄｅｄ　ｍｏｖｅｍｅｎｔ　ｔｅｎｄｅｎｃｙ　ａｓ　ａｌｌ　ｉｍｐｏｒｔａｎｔ　ｒｅｆｅｒｅｎｃｅ　ｏｆ　ｌｏｃａｔｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ．Ｂｅｓｉｄｅｓ。ｅａｃｈ　ｏｆ　ｔｈｅ　ｈｉｓｔｏｒｉｃａｌ　ｓｔａｙ　ｒｅｇｉｏｎｓ　ｗａｓ　ｃｏｎｓｉｄｅｒｅｄ　ａｓ　ａ　ｃａｎｄｉｄａｔｅ　ｏｆ　ｆｕｔｕｒｅ　ｌｏｃｍｉｏｎ．Ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｔｈｅ　ｆｕｔｕｒｅ　ｌｏｃａｔｉｏｎ，ａｌｇｏｒｉｔｈｍ　ｒｅｓｕｌｔｓ　ｗｅｒｅ　ｄｉｖｉｄｅｄ　ｉｎｔｏ　ｐｒｅｄｉｃｔｉｏｎ　ｌｏｃａ－　ｔｉｏｎｓ　ａｎｄ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｌｏｃａｔｉｏｎｓ．Ｅｘｐｅｒｉｍｅｎｔ　ｒｅｓｕｌｔｓ　ｏｎ　ｒｅａｌ　ｄａｔａｓｅｔ　ｓｈｏｗ　ＬＰ．ＭＴ　ｍｅｔｈｏｄ　ｃａｎ　ｅｎｓｕｒｅ　ｇｏｏｄ　ｅｆｆｉｃｉｅｎｃｙ　ａｎｄ　ｉｍｐｒｏｖｅ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｂｙ　１　０％ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｔｈｅ　ｅｘｉｓｔｉｎｇ　ａｌｇｏｒｉｔｈｍｓ．　Ｋｅｙ　ｗｏｒｄｓ：ｌｏｃ￣ｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ；ｍｏｖｉｎｇ　ｏｂｊｅｃｔ；Ｍａｒｋｏｖ　ｍｏｄｅｌ；ｍｏｖｅｍｅｎｔ　ｔｅｎｄｅｎｃｙ；ｒｅｇｉｏｎ　ｒｅａｃｈ－ａｂｉｌｉｔｙ　

轨迹推断与异常检测算法研究随着移动设备和位置服务的普及，轨迹数据变得越来越丰富。

轨迹数据记录了移动对象在空间上的位置和移动情况，具有广泛的应用前景，例如交通管理、人流分析、犯罪预测等领域。

轨迹数据中的异常是非常有价值的信息，通过异常检测算法可以发现潜在的异常行为并采取相应的措施。

本文将围绕轨迹推断和异常检测算法展开讨论，探索其研究方法、应用领域以及未来发展方向。

一、轨迹推断算法轨迹推断是指通过已有的轨迹数据来预测和推测未来的轨迹。

常见的轨迹推断问题包括：位置预测、停留点识别、轨迹补全等。

1.位置预测位置预测是指通过已有的轨迹数据来预测移动对象的下一个位置。

常见的位置预测算法包括基于历史信息的统计预测方法、基于机器学习的模型预测方法以及混合方法。

统计预测方法通过分析历史数据的位置分布和移动模式来进行预测，例如基于频率的预测方法和基于马尔可夫链的预测方法。

机器学习方法则通过训练模型来学习轨迹的规律和特征，例如基于回归模型的预测方法和基于神经网络的预测方法。

2.停留点识别停留点识别是指通过轨迹数据来识别移动对象的停留点，即长时间停留的位置。

停留点识别可以帮助我们理解移动对象的活动轨迹和行为模式。

常见的停留点识别算法包括基于时间窗口的方法、基于距离阈值的方法以及基于空间聚类的方法。

时间窗口方法通过设定一个时间段，只有在该时间段内移动对象停留时间达到阈值的位置才被识别为停留点。

距离阈值方法则根据移动对象的停留时间和位置之间的距离来进行识别。

空间聚类方法则通过聚类算法来寻找密集的轨迹点群，并把它们作为停留点。

3.轨迹补全轨迹补全是指通过已有的轨迹数据来预测移动对象在缺失部分的轨迹。

在实际应用中，由于各种原因（如网络信号不好、设备故障等），轨迹数据可能会出现缺失。

轨迹补全算法可以填充这些缺失的轨迹数据，使得轨迹的完整性得到保证。

常见的轨迹补全算法包括基于线性插值的方法、基于马尔可夫链的方法以及基于机器学习的方法。

基于Informer算法的网联车辆运动轨迹预测模型
赵懂宇;王志建;宋程龙
【期刊名称】《计算机应用研究》
【年(卷),期】2024(41)4
【摘要】自动驾驶汽车可以根据轨迹预测算法计算周边车辆的运动轨迹,并作出反应以降低行车风险,而传统的轨迹预测模型在长时间序列预测的情况下会产生较大的误差。

为解决这一问题,提出了一种以Informer算法为基础的轨迹预测模型,并根据公开数据集NGSIM进行实验分析。

首先通过对称指数移动平均法(sEMA)对原始数据进行滤波处理,并在原有的Informer编码器中加入了联合归一化层对不同车辆进行特征提取处理,减少了不同车辆之间的运动误差,通过考虑车辆的本身速度信息与周围环境的车辆运动信息,提高了预测精度,最后经过解码器得到未来时刻的车辆轨迹分布。

结果表明,模型对车辆的轨迹预测误差在0.5 m以内;通过对轨迹预测的MAE与MSE结果分析可知,预测时间超过0.3 s以后,Informer模型的轨迹预测效果明显优于其他算法,验证了模型和算法的有效性。

【总页数】5页(P1029-1033)
【作者】赵懂宇;王志建;宋程龙
【作者单位】北方工业大学电气与控制工程学院;城市道路交通智能控制技术北京市重点实验室
【正文语种】中文
【中图分类】U3
【相关文献】
1.基于轨迹段核密度的旅游车辆轨迹聚类算法
2.基于深度强化学习的智能网联车辆换道轨迹规划方法
3.基于人类驾驶员在跟车高风险情景中的经验轨迹数据优化智能网联车辆纵向控制模型参数
4.基于状态空间采样的高速公路智能网联车辆轨迹动态规划
5.基于长短期记忆网络的高速公路车辆变道轨迹预测模型
因版权原因，仅展示原文概要，查看原文内容请购买。

一种面向移动GIS的运动对象位置预测方法
申艳
【期刊名称】《天津师范大学学报（自然科学版）》
【年(卷),期】2010(30)4
【摘要】提出一种基于GM(1,1)的灰预测模型,该模型不仅适用于满足线性函数关系的运动对象,而且能很好地支持自由运动对象,并在采样数据存在一定误差的情况下,可以很好地控制误差的传播,保持较高的预测精度.实验证明该模型相比于现有的线性预测模型具有更好的预测性能.
【总页数】5页(P30-33,45)
【作者】申艳
【作者单位】天津理工大学,理学院,天津300191
【正文语种】中文
【中图分类】O175.1
【相关文献】
1.面向频繁位置更新的不确定移动对象索引策略 [J], 张潮;李博涵;秦小麟
2.一种面向对象软件缺陷的早期预测方法 [J], 张垚;袁志海;江海燕
3.一种基于元路径拥塞模式挖掘的移动对象位置预测方法 [J], 王宁; 韩京宇; 王尚凌; 万杨兰
4.面向位置服务的大规模移动对象时空聚集分析原型系统 [J], 廖帅;陈荦;熊伟;吴秋云
5.一种域和对象相集成的面向对象GIS数据模型 [J], 李军;景宁;孙茂印
因版权原因，仅展示原文概要，查看原文内容请购买。

基于长短期记忆网络的移动轨迹目的地预测
晋广印;赵旭俊;龚艺璇
【期刊名称】《计算机工程与科学》
【年(卷),期】2024(46)3
【摘要】移动轨迹目的地预测是基于位置服务的重要一环,现有的预测方法存在历史轨迹不能完全覆盖所有可能的查询轨迹(数据稀疏)问题,没有考虑前缀轨迹点对预测结果的影响差异(长期依赖问题)。

为了解决上述问题,提出了轨迹分布式表示方法。

首先,将轨迹进行网格划分,把表示位置的高维独热码向量进行降维处理,生成包含地理拓扑关系的低维嵌入向量。

其次,对目的地进行聚类,把聚类中心作为簇中轨迹的
标签,缩小相似轨迹的差异,放大不相似轨迹的特征,有效克服了数据稀疏问题。

在目的地预测中,将自注意力机制引入长短期记忆网络,提出了基于长短期记忆网络的目
的地预测模型SATN-LSTM,挖掘序列中的关键点并根据其重要程度分配权重,较好
地解决了长期依赖问题。

最后,在真实轨迹数据集上进行了多次实验,验证了模型的
有效性,并与现有的模型进行对比,验证了本模型具有更好的准确性。

【总页数】10页(P525-534)
【作者】晋广印;赵旭俊;龚艺璇
【作者单位】太原科技大学计算机科学与技术学院
【正文语种】中文
【中图分类】TP311
【相关文献】
1.基于多头卷积长短期记忆网络的锥套轨迹预测
2.基于增强上下文信息长短期记忆网络的弹道轨迹预测
3.基于状态精细化长短期记忆和注意力机制的社交生成对抗网络用于行人轨迹预测
4.基于卷积神经网络与长短期记忆神经网络的弹丸轨迹预测
5.基于长短期记忆网络的高速公路车辆变道轨迹预测模型
因版权原因，仅展示原文概要，查看原文内容请购买。