基于深度聚类的航空交通流识别与异常检测研究

针对传统的聚类算法无法捕获高维轨迹数据在低维空间中的隐含关系，且难以定义适当的相似性度量以同时考虑轨迹的局部和全局特征的问题，提出了一种基于深度神经网络的多变量轨迹深度聚类框架(MTDC)并将其用于航空交通流识别与异常检测。该框架主要包含一个非对称的自编码器和一个自定义的轨迹聚类层。自编码器由一维卷积神经网络和双向长短时记忆网络堆叠而成，用于学习原始输入在低维隐空间中的特征表示。轨迹聚类层则通过计算隐空间中样本的Q分布实现聚类。结合自编码器的重建损失和轨迹聚类Q分布定义了一个新的异常分数，用于检测异常轨迹。使用基于广播式自动相关监视(ADS-B)的真实轨迹数据进行实验，结果表明，所提框架能有效地进行航空交通流识别，并能检测出具有实际意义且可解释的异常轨迹。     

基于BP神经网络的鼠标轨迹识别技术

鼠标与电脑交互通常采用点击的方式,而由鼠标画出特定的轨迹,由轨迹识别算法识别出所属类别,并执行相应的命令,即鼠标手势,这是一种更高效的交互方式。轨迹识别属于分类问题,该文采用BP神经网络技术实现鼠标轨迹的识别。针对人工生成训练样本耗时、低效的缺点,该文提出了使用原型轨迹的变换版本扩充训练样本集(提取角度特征,给原型轨迹加噪声)。最后训练11种轨迹,并对BP神经网络识别性能做测试,实验结果表明识别率达到92.9%。     

机器学习技术在游戏中的应用研究——解决鼠标轨迹识别问题

通过赋予游戏中智能体识别鼠标轨迹的能力,提高了游戏的可操作性,增加了游戏的趣味性。鼠标轨迹识别属于多分类问题,该文提出的解决方案是采用BP神经网络和支持向量机(SVM)求解8种鼠标轨迹的识别问题,并且完成了实验对比,封闭测试中两种方法对鼠标轨迹的正确识别率分别为93.75%和98.75%。     

一种寻优的BP神经网络飞行轨迹实时跟踪算法

实时跟踪飞行轨迹可以有效地观测偏离预定航迹的程度,为位姿修正提供了参考。提出了一种寻优的BP神经网略实时跟踪飞机飞行轨迹,基于误差平方和最小化原则确定最优的隐层神经元个数。不同的飞行状态对应不同的位姿、速度等数据,飞行数据和飞行条件可以通过神经网络的权值和阈值来表征。通过仿真结果可以看出,设计的寻优BP神经网络具有可靠、准确及快速跟踪等优点。     

基于融合百度指数的电商订单量组合预测研究

当前电商用户订单日志不断爆发式增加,日志行为数据亟需应用,在线用户订单量的快速动态预测成为研究的关键方向。为了提高订单量的预测精度,结合BP神经网络、基于Adaboost的BP神经网络和支持向量机的预测优点,提出一种基于融合网络搜索指数的组合预测模型,构建融合百度指数和电商用户订单信息的指标体系,并通过对比实验证明了网络搜索指数作为电商订单量组合预测模型影响因素的有效性。     

基于频繁航路模式的航迹类型识别

随着全球定位系统和雷达技术的发展,越来越多的轨迹数据可以被收集到,其中,飞机、轮船、候鸟等对象产生的轨迹复杂多变,自由度较大.为了帮助识别飞行对象的行为和意图,航迹类型识别具有重要作用.文中提出了一种基于频繁航路模式的航迹分类方法.该方法包含一个频繁航路提取算法和一个卷积神经网络模型.算法首先对轨迹进行压缩,获得关键点;接着通过寻找轨迹自相交点提取闭合航路,然后寻找闭合航路中的频繁航路模式作为模型的分类依据;最后通过图像处理完成航迹类型的识别.文中利用FlightRadar24网站公开的真实航迹数据和模拟数据进行了大量的实验,结果表明,所提方法能有效识别复杂轨迹类型,与不经过轨迹提取的LeNet-5 CNN分类模型相比,所提方法性能更优,在轨迹分类上实现了95％以上的平均准确率.     

基于神经网络的全方位移动机器人运动稳定性研究

全方位移动机器人具有平面运动的3个自由度,运动灵活性高,被广泛应用到狭窄拥挤环境中.针对实验室开发的MY2轮在运动过程中的振动现象及轨迹误差问题,采用BP(反向传播)神经网络方法来解决.根据机器人的结构及运动特点,建立BP神经网络模型并分析及优化了BP神经网络参数.以BP神经网络模型为基础进行轨迹仿真实验,分析初值、不同速度及不同轨迹对模型的影响.结果表明基于合适的BP神经网络方法可以将轨迹误差控制在3 mm内,偏向转角误差小于3?,能够减缓机器人振动,提高轨迹精度.通过输入不同运动轨迹验证BP神经网络模型的普遍适用性,最后通过实验验证了仿真结果的正确性.     

基于时间约束的Hausdorff距离的时空轨迹相似度量

从海量的轨迹数据中发现用户的相似轨迹是实现基于位置的个性化服务推荐的关键技术之一.位置和时间是轨迹数据的两个重要属性,而已有的基于Hausdorff距离的轨迹相似度量只着重关注了位置属性.针对在计算轨迹间相似性时忽略了轨迹的时间属性这一问题,提出一种基于时间约束的Hausdorff距离的时空轨迹相似度量.利用滑动窗口挖掘两条较长轨迹中所有相似的子轨迹,进而判断较长轨迹间的相似性.实验结果表明,该时空轨迹相似度量具有更好的效果.     

基于聚类的出租车异常轨迹检测

出租车全球定位系统数据中蕴含城市交通和移动对象行为的宏观信息,从中可以挖掘出有价值的异常轨迹模式。将位置和几何形状、行驶时间分别作为出租车轨迹的空间与时间特征,根据特征偏离情况划分时间、空间和时空异常轨迹。从轨迹数据中提取相同起终点的轨迹集,将轨迹划分成轨迹片段,计算轨迹间的相似度并进行基于距离和密度的聚类,在空间特征上初步分离出频繁和稀疏轨迹,根据数据异常判定的kσ准则确定时间特征异常的分离阈值,对时间特征进行再次划分,最终实现出租车异常轨迹检测。实验结果表明,该方法能从异常轨迹中挖掘出个性化路线、异常停留位置和交通路段,为智能交通、物流高效规划和执行等提供参考信息。     

一种基于重构误差的交通轨迹异常检测方法

传感器技术的飞速发展催生了大量交通轨迹数据,轨迹异常检测在智慧交通、城市规划、道路监控等领域具有重要的应用价值。针对传统基于距离和有监督机器学习异常检测方法提取有效特征困难、容易出现过拟合、异常检测效果差等问题,提出了一种基于轨迹重构误差的无监督异常检测方法。该方法使用基于循环神经网络的自编码器对输入轨迹进行重构,通过最小化重构输出和原始输入之间的差异,使模型学习正常轨迹的运动特征。重构误差大于异常阈值的轨迹被判定为异常轨迹。为了避免人工标注异常,利用数据驱动的交通模拟方法,合成了包含不同异常类型的轨迹数据。基于交通轨迹标注数据的实验结果表明,该方法的异常检测性能在各项指标上显著优于传统基于距离的方法以及机器学习分类算法,验证了该无监督方法的有效性和实用性。