区别多种出行方式的城市活动轨迹预测

信息社会中,基于用户的历史活动轨迹发掘和预测人类位置轨迹及活动规律至关重要.已有研究大多采用基于时间和轨迹间相似度分类的马尔可夫模型,忽略了不同出行方式下的移动规律差异.对此,区别不同出行方式,基于轨迹的速度、加速度和航向变化速度等特征,用XGBoost算法识别轨迹所对应的出行方式,并采用基于优化的轨迹分割算法,将人类出行轨迹按出行方式分解成多个轨迹,采用由不同出行方式轨迹建立的马尔可夫模型实现出行轨迹的精准预测.实验表明,不同出行方式的轨迹的移动规律存在显著差异,且所提出方法的预测精度和距离偏差明显优于几个基准方法.     

基于RNN-LSTM的船舶位置预测分析

针对传统马尔科夫模型在长时序跨度条件下,预测船舶的下一位置精度较低且系统复杂度较高的问题,提出了一种基于长短型记忆循环神经网络(Recurrent Neural Networks-Long Short-Term Memory,RNN-LSTM)的船舶位置预测模型。利用DBSCAN聚类算法提取历史轨迹中的目标位置序列作为预测模型的输入,降低预测系统复杂度。引入Word2Vec模型中的Skip-grams算法将目标位置转换成位置向量,提升目标位置的区分度。实验结果表明,适当调整聚类算法参数可有效提升预测精度,所提模型预测准确度也高于传统预测模型。     

情景感知驱动的移动对象多模式轨迹预测技术综述

如何利用多源异构时空数据进行准确的轨迹预测并且反映移动对象的移动特性是轨迹预测领域的核心问题.现有的大多数轨迹预测方法是长序列轨迹模式预测模型,根据历史轨迹的特点进行预测,或将当前移动对象的轨迹位置放入时空语义场景根据历史移动对象轨迹预测位置.综述当前常用的轨迹预测模型和算法,涉及不同的研究领域.首先,阐述了多模式轨迹预测的主流工作,轨迹预测的基本模型类;其次,对不同类的预测模型进行总结,包括数学统计类、机器学习类、滤波算法,以及上述领域具有代表性的算法;再次,对情景感知技术进行了介绍,描述了不同领域的学者对情景感知的定义,阐述了情景感知技术所包含的关键技术点,诸如情景感知计算、情景获取和情景推理的不同类模型,分析了情景感知的不同分类、过滤、存储和融合以及它们的实现方法等.详细介绍了情景感知驱动的轨迹预测模型技术路线及各阶段任务的工作原理.给出了情景感知技术在真实场景中的应用,包括位置推荐,兴趣点推荐等,通过与传统算法对比,分析情景感知技术在此类应用中的优劣.详细介绍了情景感知结合LSTM (long short-term memory)技术应用于行人轨迹预测领域的新方法.最后,总结了...     

群智感知环境中基于GRU网络的用户位置预测模型

在感知区域内用户分布稀疏的情况下,提前预测用户的位置是群智感知系统提高任务完成率的关键。提出了一种基于门控循环单元的用户位置预测模型。首先,构建了群智感知系统模型,实现了基于位置的参与式感知应用。然后,将用户位置的数据集做归一化处理,并结合用户历史位置数据的多维度特征构建了门控循环单元结构。最后,利用车联网中实际轨迹数据集对模型进行训练,并采用Adam算法对基于门控循环单元的用户位置预测模型的性能参数进行了优化。仿真结果表明,相比于RNN模型和LSTM模型,所提模型的预测均方误差分别降低了22%和18%,且在处理序列数据方面具有可实施性强的优势。     

多维空间中基于模式的移动对象轨迹预测

本文在分析了现有轨迹模型基础上,提出了轨迹相似度计算模型以及基于移动对象加速度和轨迹偏转角的移动对象轨迹预测模型,综合计算和预测模型提出了移动对象轨迹预测方法. 该方法包括：1）对历史轨迹基于轨迹相似度进行聚类分析,形成训练集聚类,并基于各训练集聚类对目标移动对象的轨迹数据进行轨迹相似度并行计算,找出最大相似度的历史轨迹;2）结合历史轨迹以及移动对象加速度和轨迹偏转角的预测模型进行轨迹预测. 经过对测试轨迹集进行实验的结果表明,本方法在误差为500 m以内的预测准确率能达到90%以上,而且预测时间相对较短,具有较高的实用价值.     

基于作者主题模型和辐射模型的用户位置预测模型

由于全球定位系统（GPS）设备采集的用户历史位置数据通常具有稀疏性,使得基于单个用户数据的位置预测模型能力受限,所以结合人类移动性的时间和空间周期性,提出一种基于作者主题模型（ATM）和辐射模型（RM）的用户位置预测模型。在时间维度上,该模型利用ATM发现与目标用户移动行为相似的用户群,并确定该用户群在预测时刻所处的目标状态;在空间维度上,该模型利用RM算法计算目标用户的候选地点在目标状态下的概率,并通过比较各候选地点的概率值确定目标用户可能出现的地点,从而实现对目标用户位置的预测。实验结果表明,该模型的平均预测准确率为61.49%,相对于基于变阶的Markov模型提高近28个百分点。所提预测模型能够在单个用户数据量小的条件下获得更高的预测准确率。     

大数据环境下移动对象自适应轨迹预测模型

已有的轨迹预测算法针对移动对象运动模式,使用数学模型进行交通流模拟,难以对路网中的移动对象进行准确的描述.为了解决这一问题,提出基于隐马尔可夫模型(hidden Markov model,简称HMM)的自适应轨迹预测模型SATP(self-adaptive trajectory prediction model based on HMM),对大数据环境下移动对象海量轨迹利用基于密度的聚类方法进行位置密度分区和高效分段处理,减少HMM的状态数量.根据输入轨迹自动选取参数组合,避免HMM模型中隐状态不连续、状态停留等问题.实验结果表明,SATP模型在实验中表现出较高的预测准确性,并维持较低的时间开销.针对速度随机改变的移动对象,其平均预测准确率为84.1%;相同情况下,平均高出朴素预测算法46.7%.     

强化数据预处理的BLSTNet-CBAM短期电力负荷预测

针对负荷数据复杂性、非平稳性以及负荷预测误差较大等问题,提出一种综合特征构建和模型优化的短期电力负荷预测新方法.首先采用最大信息系数(MIC)分析特征变量的相关性,选取与电力负荷序列相关的特征变量,同时,考虑变分模态分解(VMD)方法容易受主观因素的影响,采用霜冰优化算法(RIME)优化VMD,完成原始电力负荷序列的分解.然后改进长短期时间序列网络(LSTNet)作为预测模型,将其递归层LSTM更新为BiLSTM,并引入卷积块注意力机制(CBAM)进行预测.通过对比实验和消融实验的结果表明:经RIME-VMD优化后,LSTM、GRU、LSTNet模型预测的均方根误差(RMSE)均降低20%以上,显著提高模型预测精度,且能够适应于不同预测模型.所提出的BLSTNet-CBAM模型与LSTM、GRU、LSTNet相比, RMSE分别降低了35.54%、6.78%、1.46%,提高了短期电力负荷预测的准确性.     

双参卷积理论模型预测交通通行时间

随着城市经济的发展和人们生活节奏的加快,智慧交通领域针对出行时间的研究已经成为热点问题。出行前预估行程中的通行时间便于人们更合理地规划出行路径,基于时间状态特征的路径规划就是解决交通问题的重要手段之一。现有模型多关注于车辆到达时间或多结合于真实历史时间数据进行预测,对浮动车的运行状态、车速等是否对时间存在影响的问题研究较少。基于此现状,提出了一种基于状态特征的道路时间预测模型,在固定时段内,利用出租车载客与否情况对轨迹数据进行深度相关性分析,结合车辆行驶速度构建一个基于密度划分的双参卷积理论模型,用得到的最终速度值对通行时间进行计算。实验结果表明该模型算法与传统时间预测算法相比有更高的精确度和实用性,提高了人们对出行安排的合理化和层次化,对制定城市道路出行策略具有重要的意义。     

基于EMD-PSO-Bi LSTM组合模型的短期风电功率预测

风电功率预测对风电并网的稳定运行具有重要意义。为了解决风电功率预测中的精度和模型稳定性问题,引入了EMD-PSO-BiLSTM模型。通过经验模态分解技术将原始风电功率序列分解为一系列固有模态函数,以有效捕捉数据中的多尺度特征,并为每个模态序列建立了各自的预测模型。鉴于双向长短时记忆神经网络良好的泛化能力,建立了基于BiLSTM的各模态预测模型。进一步采用粒子群算法优化了BiLSTM参数,解决了模型非线性、高维、多模态等问题,获得了各模态分量的最优模型,并通过汇总各模态分量的结果得到了风电功率预测值。最后,以湖南省某风电场的实际运行数据为例,验证了EMD-PSO-BiLSTM模型可以有效提高风电功率短期预测精度。     

融合变道意图识别的车辆轨迹预测GAN模型

车辆轨迹预测能够有效降低车辆轨迹突变造成的碰撞风险,是实现安全驾驶的关键技术之一.针对传统轨迹预测算法缺乏对驾驶员意图分析的问题,本文提出了一种融合生成对抗网络和驾驶意图识别的车辆轨迹预测模型.该模型基于生成对抗网络框架预测车辆轨迹,并引入基于深度神经网络的变道意图识别模块识别驾驶员的变道意图.通过在公开数据集NGSIM上与LSTM、S-LSTM、CS-LSTM和S-GAN模型进行对比试验,实验结果表明与其他轨迹预测模型相比,本文提出的CS-DNN-GAN模型具有较好的预测精确度.     

基于马尔可夫链模型的井下目标轨迹预测算法

针对井下环境恶劣,信标节点失效时会存在大量盲区,提出了一种基于马尔可夫链模型的井下目标轨迹预测算法,利用现有的无线传感器网络和无线射频识别技术,结合马尔可夫链模型对目标运动轨迹进行预测,并对传统的质心定位算法加以改进,使其适应预测模型,同时减少定位误差,提高定位覆盖率。实验证明:所提算法在百米范围内误差较小,可实现准确定位预测。     

基于Adaboost-Markov模型的移动用户位置预测方法

针对Markov模型在位置预测中存在预测精度不高及匹配稀疏等问题,提出了一种基于Adaboost-Markov模型的移动用户位置预测方法。首先,通过基于转角偏移度与距离偏移量的轨迹划分方法对原始轨迹数据进行预处理,提取出特征点,并采用密度聚类算法将特征点聚类为用户的各个兴趣区域,把原始轨迹数据离散化为由兴趣区域组成的轨迹序列;然后,根据前缀轨迹序列与历史轨迹序列模式树的匹配程度来自适应地确定模型阶数k;最后,采用Adaboost算法根据1~k阶Markov模型的重要程度为其赋予相应的权重系数,组成多阶融合Markov模型,从而实现对移动用户未来兴趣区域的预测。在大规模真实用户轨迹数据集上的实验结果表明,与1阶Markov模型、2阶Markov模型、权重系数平均的多阶融合Markov模型相比,Adaboost-Markov模型的平均预测准确率分别提高了20.83%、11.3%以及5.38%,且具有良好的普适性与多步预测性能。     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

基于经验模态分解与投资者情绪的Attention-BiLSTM股价趋势预测模型

股票价格的变动是投资者在股票市场关注的焦点，所以股价趋势预测一直是量化投资研究的热门话题。传统的机器学习预测模型难以处理非线性、高频率、高噪声的股价时间序列，使得股票价格趋势的预测精度低。为了提高预测精度，针对股票价格数据的时序性特征，提出用结合经验模态分解（EMD）、投资者情绪和注意力机制的双向长短期记忆神经网络来对股票价格进行涨跌预测。首先使用经验模态分解算法提取股票价格时间序列在不同时间尺度上的特征，并通过构建金融情感词典来提取上一个股票交易日收盘后至下一个交易日开盘前文本的投资者情绪指标，最后使用注意力机制优化的BiLSTM模型对下一个股票交易日进行涨跌预测。在股票价格序列的数据集上进行实验，结果表明，改进后的BiLSTM模型较改进前的BiLSTM模型，准确率从58.50%提升至71.26%；预测为涨的精确率从58.20%提升至70.06%，预测为跌的精确率从59.34%提升至72.36%；预测为涨的召回率从59.85%提升至73.41%，预测为跌的召回率从57.73%提升至69.11%；预测为涨的F1值从58.60%提升至71.61%，预测为跌的F1值从58.08%提升至70...     

基于最优特征选择的车辆跟踪方法

针对智能交通系统的车辆跟踪问题,提出基于最优特征选择的车辆跟踪方法.综合颜色、纹理和形状特征确定特征集合,采用线性鉴别分析方法从特征集合中选取最优特征,使用Mean Shift算法在最优特征下预测目标位置,根据目标匹配结果确定车辆的运行轨迹,利用特征平滑方法更新特征模型.实验结果表明,该方法适用于不同的公路监控场景,能够准确、有效地跟踪运动目标.     

基于KNN-LSTM的PM2.5浓度预测模型

目前多数PM_2.5浓度预测模型仅利用单个站点的时间序列数据进行浓度预测, 并没有考虑到空气质量监测站之间的区域关联性, 这会导致预测存在一定的片面性. 本文利用KNN算法选择目标站点所在区域中与其相关的空间因素, 并结合LSTM模型, 提出基于时空特征的KNN-LSTM的PM_2.5浓度预测模型. 以哈尔滨市10个空气质量监测站的污染物数据进行仿真实验, 并将KNN-LSTM模型与其他预测模型进行对比, 结果显示: 模型相较于BP神经网络模型平均绝对误差(MAE)、均方根误差(RMSE)分别降低了19.25%、13.23%; 相较于LSTM模型MAE、RMSE分别降低了4.29%、6.99%. 表明本文所提KNN-LSTM模型能有效提高LSTM模型的预测精度.     

基于ViLBERT与BiLSTM的图像描述算法

传统图像描述算法存在提取图像特征利用不足、缺少上下文信息学习和训练参数过多的问题,提出基于ViLBERT和双层长短期记忆网络(BiLSTM)结合的图像描述算法.使用ViLBERT作为编码器,ViLBERT模型能将图片特征和描述文本信息通过联合注意力的方式进行结合,输出图像和文本的联合特征向量.解码器使用结合注意力机制的BiLSTM来生成图像描述.该算法在MSCOCO2014数据集进行训练和测试,实验评价标准BLEU-4和BLEU得分分别达到36.9和125.2,优于基于传统图像特征提取结合注意力机制图像描述算法.通过生成文本描述对比可看出,该算法生成的图像描述能够更细致地表述图片信息.     

基于前缀投影技术的大规模轨迹预测模型

智能手机、车载GPS终端、可穿戴设备产生了海量的轨迹数据,这些数据不仅描述了移动对象的历史轨迹,而且精确地反映出移动对象的运动特点.已有轨迹预测方法的不足在于：不能同时兼具预测的准确性和时效性,有效的轨迹预测受限于路网等局部空间范围,无法处理复杂、大规模位置数据.为了解决上述问题,针对海量移动对象轨迹数据,结合频繁序列模式发现的思想,提出了基于前缀投影技术的轨迹预测模型PPTP（prefix projection based trajectory prediction model）,包含两个关键步骤：（1）挖掘频繁轨迹模式,构造投影数据库并递归挖掘频繁前序轨迹模式;（2）轨迹匹配,以不同频繁序列模式作为前缀增量式扩展生成频繁后序轨迹,将大于最小支持度阈值的最长连续轨迹作为结果输出.算法的优势在于：可以通过较短的频繁序列模式,增量式生成长轨迹模式;不会产生无用的候选轨迹,弥补频繁模式挖掘计算代价较高的不足.利用真实大规模轨迹数据进行多角度实验,表明PPTP轨迹预测算法具有较高的预测准确性,相对于1阶马尔可夫链预测算法,其平均预测准确率可以提升39.8%.基于所提出的轨迹预测模型,开发了一个通用的轨迹预测系统,能够可视化输出完整的轨迹路线,为用户路径规划提供辅助决策支持.     

多交互车辆轨迹预测研究

现有的车辆轨迹预测大多是单目标轨迹预测,无双向交互和关系推理,不能实现混合实体的交互建模。针对上述问题,结合强化学习的Q-learning算法和深度学习的LSTM网络,设计一个完全可扩展的轨迹预测模型Q-LSTM。该模型中,LSTM网络捕获了车辆轨迹的时间特性,而Q-learning算法则表示了多车辆的交互过程,因此Q-LSTM模型可以实现随机数量车辆多交互建模,并且在长期交互车辆轨迹预测中保证精确度。另外模型中考虑了车辆长宽与坐标之间的关系,避免出现异常的碰撞现象,适合用于多类型车辆轨迹预测的场景。在公开数据集HighD上进行了模型的性能分析实验,实验结果证明Q-LSTM模型在较长期交互车辆轨迹预测精度和减少碰撞现象等方面具有一定优势。