基于GPS轨迹数据的混合多步Markov位置预测

随着移动设备和定位技术的广泛应用,基于位置服务成为研究热点,位置预测是其重要研究内容.基于GPS轨迹数据,对位置预测方法进行研究.Markov模型可以较好地表示时序数据,因此可较好地用于位置建模和预测.在基于Markov建模的位置预测中,1阶Markov模型存在轨迹信息利用不充分、预测准确率低的问题;而多阶Markov模型存在状态空间急剧膨胀的问题.针对这些问题,提出了基于混合多步Markov模型的位置预测方法,在将原始GPS轨迹转化为区域轨迹的基础上,对各多步模型进行融合,提出了基于Adaboost框架的各多步模型影响系数的生成方法,在保证状态空间不变的情况下提高了预测准确性.真实数据集上的实验验证了所提位置预测方法的有效性.     

基于轨迹不确定的移动对象的预测处理

针对带有不确定性移动对象的预测查询处理可利用不确定轨迹模型来实现的问题,本文首先结合了移动对象具有自身运动的确定性及外界影响的不确定性建立了一个新的不确定轨迹模型;其次,设计了一种新的可用于对不确定性移动对象预测查询处理的索引结构B-TPR树,这种结构利用了本文模型中提到的不确定性移动对象的轨迹在未来一段时间内分布于某个角度范围的思想,对移动对象进行规则划分,从而达到更好的索引不确定性移动对象,实现预测查询处理.     

基于用户移动行为相似性聚类的Markov位置预测

由于采集点丢失或出现新用户等原因,GPS轨迹数据往往具有稀疏性,使得基于单个用户数据的位置预测准确率较低.针对这种情况,提出了基于移动行为相似性和用户聚类的Markov位置预测方法.首先,基于Voronoi图和原始GPS轨迹进行区域划分,位置预测基于区域轨迹进行;其次,提出了同时考虑用户转移特性和用户区域特性的移动行为相似性计算方法;再次,根据移动行为相似性对用户进行聚类,并在聚类的用户组上采用一阶Markov模型进行位置预测,提高了位置预测的准确性.真实GPS轨迹数据上的实验表明了所提出方法的有效性.     

移动对象数据库将来查询方法研究

首先提出一个移动对象的轨迹模型,能建模低维和高维运动轨迹,并在此基础上提出一个具体的移动对象将来查询方法,该方法能应用于多种索引结构。本文基于R树结构,给出了对于不同查询形式的具体实现过程。     

基于固定网络的移动对象轨迹查询

在基于固定网络的移动对象轨迹查询方面.现有的索引模型只能管理移动对象当前和过去或将来轨迹的查询,它们都不能同时实现移动对象的现在,过去和将来轨迹查询.本文在IMORS的索引结构基础上进行改进并提出了一种新的索引结构.它能实现基于固定网络的移动对象的全时态索引.     

MWSN中基于马尔可夫链的节点移动预测算法

在以往的移动无线传感器网络(mobile wireless sensor network,MWSN)中,热点分配问题没有得到很好的解决,网络利用率较低.通过预测移动节点的轨迹可以优化网络结构,提出结合加速度进行轨迹预测的算法MTPA:首先对节点的运动状态进行建模;其次建立了一步运动状态概率转移矩阵;最后以马尔可夫链为基础设计多步概率转移矩阵计算算法.为了验证算法性能,在STM32F407平台上进行了实验,结果表明,MTPA算法相比于传统的匀速预测算法与频率统计算法,预测准确度具有一定的优势,相关研究成果可以为MWSN提供基础.     

串联机器人运动学建模与轨迹规划研究

以IRS3003机器人为研究对象对六自由度串联机器人的运动学建模及轨迹规划方法进行研究,采用D H建模方法,结合Matlab Robotics机器人工具箱建立IRS3003机器人运动模型,对机器人操作空间进行运动学分析.采用五次多项式插值方法,基于PPO路径规划码垛轨迹,分别实现机器人在关节空间和笛卡尔空间的轨迹规划与...     

一种基于轨迹预测的机会网络路由协议

为解决机会网络(opportunistic networks, ONs)中链路的频繁断开、节点的高速移动以及稀疏的网络密度等问题,提出了基于节点移动的历史数据和节点的社会性预测节点轨迹的方法,选取中继节点完成消息传递的机会网络路由协议。首先利用条件熵分析节点轨迹的可预测性;然后根据速度和预测单元,对节点进行单位活动区域的划分;最后利用节点移动概率及其社会性,对节点的下一位置进行预测。仿真结果表明:轨迹预测可以有效解决因节点高速移动,位置不断变化而导致的网络连通性时好时坏、极易断开的问题;基于轨迹预测的通信协议达到了较好的传递成功率,实现了对消息的高效传递。     

基于变分自动编码器的车辆轨迹预测研究

针对轨迹预测中车辆与周边车辆、道路几何之间交互关系建模不充分,以及车辆轨迹多模态建模不完整等一系列问题,提出了一种基于变分自动编码器的车辆轨迹预测方法。首先,通过长短时记忆网络从原始数据中提取轨迹数据与车道信息的语义特征;其次,引入多头注意力机制,采用两个单独的注意力模块分别建立车辆与车辆交互模型及车辆与道路交互模型,能够更好地反映周边车辆与道路几何对车辆轨迹的交互影响,得到丰富的场景上下文信息;接着利用变分自动编码器对车辆轨迹多模态建模,捕捉轨迹预测的随机性质以生成合理的未来轨迹分布;最后从分布中多次重复采样以生成多条可能的未来轨迹。通过搭建实验平台和使用Argoverse自然驾驶数据集进行测试,改进后的预测方法在平均位移误差和最终位移误差指标下的数值分别为1.03和1.51,预测精度上相较于其他3种预测方法,分别提升了45%、46%、32%;实验结果表明：预测方法可以有效地改善车辆与周边车辆、道路几何之间交互关系建模不充分,以及车辆轨迹多模态建模不完整等问题,预测精度提高,总体预测性能良好。     

基于数据挖掘的移动客户流失量预测模型

为了解决移动客户流失量建模与预测中的一些难题,结合移动客户流失量的变化特点,提出一种基于数据挖掘的移动客户流失量预测算法.首先收集移动客户流失量的历史样本,并通过预处理消除一些无用样本,然后根据贝叶斯决策树算法对移动客户类型进行分类,最后针对具体的移动客户预测流失量.结果表明,该算法建模速度优于其他移动客户流失量预测模型,可以获得更优的移动客户流失量预测结果.     

基于轨迹聚类的热点路径分析方法

随着智能终端、移动定位、无线通信等技术的快速发展,在交通、物流等应用领域,大量受路网约束的轨迹数据得以收集.利用轨迹数据分析热点路径,可以在时空和语义特征不变的前提下反映移动对象的运动和行为模式.在提取道路交叉点的基础上,引入轨迹的停留点语义,并将两者共同作为特征点进行轨迹划分,在轨迹聚类的基础上进行子轨迹权重分析,从...     

组移动模式挖掘中轨迹聚类的置信区间法

在借鉴空间数据挖掘技术的基础上,定义了移动对象轨迹之间的时态距离和平均距离,提出了标准差法和置信区间法两种轨迹聚类算法。两种方法能够找出所有具有相似轨迹的对象对,在不同距离采样点数的基础上配合使用两种方法能够明显降低轨迹聚类算法的时间复杂度。基于标准差法和置信区间法的轨迹聚类算法在仿真数据集和真实数据集进行了验证。表明两种方法能够为其他轨迹聚类算法进行数据筛选,筛选后的数据量将大大减少,从而可提高算法效率。     

An approach for user’s trajectory prediction based on the trajectory cluster

The existing user’s trajectory prediction methods considered little about the interrelation among users and would fail if the user historical trajectory data were lack. This paper presents a user’s trajectory prediction model and corresponding algorithms by the historical trajectories of users based on the trajectory cluster. The experimental results on MDC dataset show that the proposed method has great improvement in efficiency, accuracy, and scalability comparing with the traditional methods, and it also be applied to the situation where user’s historical trajectory data are lacked.     

A Fast Moving Target Detection Tracking and Trajectory Prediction System for Binocular Vision

Aiming at achieving complex moving targets perception, this paper designs a novel fusion-information detection and tracking system for moving targets. The system includes three modules: target detection, target tracking and trajectory prediction. The target detection module can detect fast moving objects which can be used as a template. The target tracking module tracks the object and records its historical position. Finally, the trajectory prediction module can predict the trajectory of the moving object based on the historical position. After verification by the table tennis detection tracking and prediction binocular vision system, the system has high accuracy and speed in detection and tracking, and can basically meet the actual application needs.     

考虑运动对象位置不确定性的位置管理策略

以传统轨道模型为基础,观测构造运动对象历史信息统计样本并分析其特征,设计了基于样本统计的位置预测模型,更好地考虑了运动对象运动随机性的特点,提高了位置预测的准确性;然后在该模型的基础上设计了一种为管理运动对象位置不确定性而设定最佳阈值的方法,这种方法相对于传统的静态阈值策略减少了位置更新的信息代价开销;最后,采用一种基于时间和空间划分的Grid模型构造索引结构,给出了管理运动对象位置信息进行区域查询和kNN（k-Nearest Neighbor）查询的实现过程和算法,是一种进行运动对象位置相关查询的可行性方案.     

终端区4D飞行轨迹预测与冲突预警

为提升终端区飞行轨迹预测精度,实现航空器短时冲突预警,建立一种基于孪生支持向量回归的终端区4D飞行轨迹预测模型。对历史飞行轨迹应用重采样算法,降低轨迹数据规模;利用墨卡托投影将轨迹点经度、纬度与高度化为x-y-z坐标,采用孪生支持向量回归算法学习预测模型,实现短时航空器飞行轨迹动态预测;计算两架航空器水平、垂直距离,建立航空器冲突预警指示函数;对孪生支持向量回归算法进行超参数灵敏度分析,分析各超参数对模型预测效果的影响。根据机场真实数据进行仿真实验,证明：基于孪生支持向量回归的4D飞行轨迹预测模型能够准确捕捉航空器运动趋势,且泛化能力强;所提模型x-y-z坐标预测均方根误差是BP神经网络预测结果的32%,35%和61%,单次预测计算用时减少约0.13 s。     

实时异常轨迹检测方法及其应用

利用内置GPS的移动终端可以获取移动对象的运动轨迹,可用于分析移动对象的运动行为.在公共交通、医疗监护、物流运输等应用领域,移动对象的运动轨迹受路网约束且大多需要预先设定.考虑到偏离预先设定的正常轨迹可能预示着某种异常,及时准确地进行异常轨迹检测是非常必要的.从时间序列分析的角度,提出一种实时异常轨迹检测算法,在预先设...     

基于注意力Seq2Seq模型的终端区航空器航迹预测

为充分挖掘机场终端区航空器航迹时间依赖性,解决中长期、多步长航迹预测精度不稳定的问题,引入注意力机制(Attention Mechanism)和教师监督(Teacher Forcing)中的指数衰减(Exponential Decay)采样方法,提出了一种基于序列到序列框架的机场终端区航迹预测模型(Seq2Seq-Attention Mechanism-Exponential Decay, SAE)。序列到序列框架实现了多步长预测,注意力机制提高解码器预测精度,指数衰减采样方法加速了训练阶段模型收敛,在一定程度上提高了模型的泛化性。最后,为了验证提出方法的有效性,利用天津终端区28架次、90天ADS-B航迹数据构建原始数据集,以平均绝对误差(Mean Squared Error, MAE)和均方根误差(Root Mean Squared Error, RMSE)作为模型性能评价指标,进行了航迹预测实验,实验结果表明：高度、经度和纬度在序列到序列框架中的循环神经网络分别采用LSTM、GRU和LSTM可以获得最好预测性能;以四种预测长度1分钟、3分钟、5分钟和10分钟进行建模,与基线模型中预测性能最好的结果比较,所提出方法在验证集上的高度、经度和纬度指标表现最优,10分钟预测窗口下的平均绝对误差分别降低了66.30%, 54.62%和36.59%,均方根误差分别降低了65.45%, 38.16%和20.57%,同时,上述四种预测时长下所提出方法预测结果的均值和方差最小,表明随着预测时长的增加,模型预测结果的稳定性最好。此外,引入的注意力机制与指数衰减采样方法对有效捕捉航迹时间依赖性、提高模型泛化性均具有积极的贡献.