基于改进马尔可夫链的航线预测算法

在交通领域,研究分析旅客的出行目的地会产生很多商业价值。针对旅客出行目的地的不确定性造成研究困难的问题,现有方法利用熵衡量移动的不确定性来描述个体的出行特性,并同时考虑个体轨迹的时空相关性,并不能达到理想的预测精度,因此,提出了基于改进马尔可夫链的航线预测算法来对旅客的出行目的地进行预测。首先对旅客历史出行的距离分布、地点分布和时间规律特性进行了分析;然后又分析了人类移动对历史行为和当前地点的依赖性;最后将旅客的常住地特性和新航线的探索概率加入到转移矩阵的计算中,提出并实现了改进的马尔可夫链航线预测算法,进而对旅客的下一次出行进行预测。实验结果显示,该模型可以达到66.4%的平均预测精度。研究成果可以应用在航空领域的用户出行分析中,使航空公司更好地了解和预测旅客的出行,提供个性化的出行服务。     

基于马尔可夫链的轨迹预测

为了支持在城市交通网络上,对移动对象的位置进行有效的预测,提出了一种基于马尔可夫链的移动对象轨迹预测方法.该方法根据城市交通网络的特征,依靠统计并有效利用历史轨迹进行预测.最后讨论了数据结构和算法的一些优化,并分析了算法复杂度.实验证明加权马尔可夫链的轨迹预测给出了令人满意的结果.     

多模式移动对象不确定性轨迹预测模型

以移动设备、车辆、飞机、飓风等移动对象不确定性轨迹预测问题为背景,将大规模移动对象数据作为研究对象,以频繁轨迹模式挖掘、高斯混合回归技术为主要研究手段,提出多模式移动对象轨迹预测模型,关键技术包括:1）针对单一运动模式,提出一种基于频繁轨迹模式树FTP-tree的轨迹预测方法,利用基于密度的热点区域挖掘算法将轨迹点划分成不同的聚簇,构建轨迹频繁模式树,挖掘频繁轨迹模式预测移动对象连续运动位置.不同数据集上实验结果表明基于FTP-tree的轨迹预测算法在保证时间效率的前提下预测准确性明显优于已有预测算法.2）针对复杂多模式运动行为,利用高斯混合回归方法建模,计算不同运动模式的概率分布,将轨迹数据划分为不同分量,利用高斯过程回归预测移动对象最可能运动轨迹.实验证明,相比于基于隐马尔科夫模型和卡尔曼滤波的预测方法,所提方法具有较高的预测准确性和较低的时间代价.     

一种基于马尔可夫模型的稀疏轨迹终点预测算法

随着移动设备的普及与定位技术的成熟,涌现出了各种基于地理位置的应用软件不断涌现。为了使这类应用软件给用户提供精准的基于地理位置的服务,实时、准确、可靠地预测移动对象的不确定性轨迹显得尤为重要。目前大多数传统的轨迹终点预测方法都是通过计算轨迹之间的相似度来预测给定轨迹的终点,这种算法的弊端是没有充分考虑轨迹数据时间序列之间的前后联系,导致预测结果偏差较大。理论证明,马尔可夫模型对处理时间序列数据具有较好的效果。因此,针对轨迹终点预测的问题,提出了一种基于马尔可夫模型的预测算法。同时,针对样本运动空间提出一种新的划分网格策略——K-d tree网格划分。实验结果表明,相比于传统方法,运用马尔可夫模型预测轨迹终点的算法的精度有明显提高,预测时间会大大缩短。     

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%.     

一种基于隐马尔可夫模型的目标轨迹跟踪算法

现有的定位算法只表现了目标的静态位置特征, 不能较好地在目标移动情况下跟踪获取目标的运行行为轨迹。针对这一问题, 设计了一种基于隐马尔可夫模型的目标轨迹跟踪算法。该算法根据小区覆盖范围内的地理位置信息和目标用户的移动速度, 建立隐马尔可夫模型; 然后, 基于维特比译码算法对最佳路径和最佳状态概率进行最优化求解, 实现对目标轨迹的跟踪。仿真结果表明, 该算法可以在基站小区分辨率下精确地获取目标轨迹。     

基于自适应时间戳与多尺度特征提取的轨迹下一足迹预测模型

基于位置的服务已经成为人类生活方式的一部分,各种移动终端设备产生了大量时空上下文用户信息,其可被用于预测用户的下一个足迹.目前已提出一些解决方案来预测用户下一个足迹,包括递归运动函数(RMF)、矩阵分解(MF)、差分自回归移动平均模型(ARIMA)、马尔可夫链(MC)、个性化马尔可夫链(FPMC)、卡尔曼滤波器(KF)、高斯混合模型和张量分解(TF).除此之外,也可以使用诸如ST-RNN,POI2Vec,DeepMove,VANext等深度神经网络方法来预测用户的下一个足迹,这些方法利用递归神经网络(RNN)捕获来自人类活动的顺序运动模式.然而,现有方法使用一些人为设定的阈值来分割人类移动性数据以进行用户运动模式学习,人为固定时间戳设置不仅引入了人为主观因素,而且忽略了不同用户之间的差异性,这可能会导致移动模式发生偏差;而且现有方法针对用户轨迹特征提取过于单一化,单一特征忽略了很多用户轨迹潜在信息.基于自适应时间戳与多尺度特征提取的轨迹预测模型(AMSNext)旨在首次结合历史轨迹数据的时间统计特性,自适应地为每一个用户定义个性化时间戳,关注不同用户运动模式之间的差异性;并结合时间序列特征提取方法多尺度对用户轨迹特征进行提取,同时为实现多尺度特征量纲统一,将会采取归一化因果嵌入对特征进行向量嵌入.实验证明,该模型可以取得较高的预测精度.     

基于概率后缀树的移动对象轨迹预测

在移动对象轨迹预测中,针对低阶马尔可夫模型预测准确率不高、高阶模型状态空间膨胀的问题,提出一种基于概率后缀树(PST)的动态自适应变长马尔可夫模型预测方法。首先依时间先后将移动对象的轨迹路径序列化;然后根据移动对象的历史轨迹数据进行学习训练,计算序列上下文的概率特征,建立路径序列的概率后缀树模型,结合当前实际轨迹数据,动态自适应预测将来的位置信息。实验结果表明,该模型在二阶时取得最高的预测精度,随着阶数的增加,预测精度保持在82%左右,能取得较好的预测效果;同时空间复杂度呈指数级减少,大大节省了存储空间。该方法充分利用历史轨迹数据和当前轨迹信息预测未来轨迹,能够提供更加灵活、高效的基于位置服务。     

结合出行方式的Trans-BiLSTM移动目标位置预测方法

当前位置预测算法往往忽略用户出行方式的关键作用,并在处理长时间序列依赖问题中效果较差.针对这两个问题,提出了一种结合出行方式的Trans-BiLSTM目标位置预测模型.该模型首先提取轨迹段的运动学特征,然后构建基于XGBoost的出行方式识别算法,筛选影响出行方式的主要特征,和轨迹共同作为预测模型输入.最后为了增强轨迹特征的表征能力,引入Transformer编码器,并结合BiLSTM深度挖掘轨迹的上下文关系.在真实GPS轨迹数据集上进行的位置预测对比实验表明,Trans-BiLSTM模型与常用的LSTM和BiLSTM模型相比,目标位置预测的结果RMSE指标分别提升67.4%和17.7%.     

基于出行方式及语义轨迹的位置预测模型

现有位置预测方法的研究多集中于对轨迹数据的挖掘和分析,而在如何通过轨迹数据中含有的信息内容以及外源数据以提高位置预测精确度方面的研究尚不深入,有很大研究空间.提出了一种挖掘语义轨迹信息并结合出行方式的未来位置预测模型,该模型首先可实现根据语义轨迹进行相似用户挖掘,并结合个人语义轨迹和相似用户位置轨迹得到频繁模式集合,最后结合2个集合对目标轨迹得到未来位置预测候选集;然后可实现对未来出行方式进行识别,同时结合历史出行方式和位置轨迹数据,建立Markov模型对未来位置进行预测得到候选集,最后结合前一部分的候选集得到最终未来位置结果.此模型不仅能结合语义轨迹挖掘相似用户的行为活动,还可同时融合出行方式的外源数据克服位置轨迹的局限性.实验验证表明：该模型能对日常生活中的轨迹位置数据进行预测并达到86%的精确度,同时在不同的频繁模式支持度下,其精确度都比未结合出行方式模型时平均高出5%,因此本模型对位置预测结果的提高具有有效性.     

基于马尔可夫决策过程的群体动画运动轨迹生成

近些年来,群体动画在机器人学、电影、游戏等领域得到了广泛的研究和应用,但传统的群体动画技术均涉及复杂的运动规划或碰撞避免操作,计算效率较低.本文提出了一种基于马尔可夫决策过程（MDPs）的群体动画运动轨迹生成算法,该算法无需碰撞检测即可生成各智能体的无碰撞运动轨迹.同时本文还提出了一种改进的值迭代算法用于求解马尔可夫决策过程的状态-值,利用该算法在栅格环境中进行实验,结果表明该算法的计算效率明显高于使用欧氏距离作为启发式的值迭代算法和Dijkstra算法.利用本文提出的运动轨迹生成算法在三维（3D）动画场景中进行群体动画仿真实验,结果表明该算法可实现群体无碰撞地朝向目标运动,并具有多样性.     

基于非线性制导的四旋翼轨迹跟踪控制

四旋翼是一种欠驱动、强耦合的可垂直起降的飞行器,为了实现其能够以设定速度跟踪空间轨迹,设计了一种基于非线性制导算法的轨迹跟踪控制方法。该方法分为了导引与控制两部分组成,导引部分以任务轨迹与期望速度为输入量通过非线性制导算法输出当前四旋翼的期望加速度,控制部分以得到的期望加速度为输入量采用串级PID算法对四旋翼进行姿态控制,从而实现四旋翼保持设定速度对任务轨迹的跟踪。仿真结果表明,所提方法能够实现四旋翼对复杂任务轨迹的精确跟踪,二维复杂轨迹跟踪距离偏差不超过±0.6m,速度偏差不超过2m/s;三维复杂轨迹除了受自身控制力限制的飞行段外,跟踪距离偏差基本控制在±4m以内,速度偏差不超过2m/s。     

基于用户相关性的差分隐私轨迹隐私保护方案

在使用位置查询服务时需要提供用户真实位置信息,导致用户信息泄露。大部分研究只针对单个用户的隐私保护,而忽略了多用户之间的相关性。针对轨迹隐私保护中多用户相关性的问题,提出了一种基于用户相关性的差分隐私轨迹隐私保护方案。首先,构建历史轨迹树,利用变阶马尔可夫模型预测用户轨迹,从轨迹集合中生成一组高可用性的轨迹数据集;其次,根据用户轨迹之间的相关性获取一组关联性较低的预测轨迹集;最后,通过自定义隐私预算的方法,根据用户不同的隐私需求动态调整每个位置点的隐私预算并为发布轨迹添加拉普拉斯噪声。实验结果表明：与LPADP算法相比,该算法的执行效率提升了10%~15.9%;与PTPP和LPADP算法相比,该算法的数据可用性提升了11%~16.1%,同时提升了隐私保护程度。     

Analyzing movement predictability using human attributes and behavioral patterns

The ability to predict human mobility, i.e., transitions between a user's significant locations (the home, workplace, etc.) can be helpful in a wide range of applications, including targeted advertising, personalized mobile services, and transportation planning. Most studies on human mobility prediction have focused on the algorithmic perspective rather than on investigating human predictability. Human predictability has great significance, because it enables the creation of more robust mobility prediction models and the assignment of more accurate confidence scores to location predictions. In this study, we propose a novel method for detecting a user's stay points from millions of GPS samples. Then, after detecting these stay points, a long short-term memory (LSTM) neural network is used to predict future stay points. We explore the use of two types of stay point prediction models (a general model that is trained in advance and a personal model that is trained over time) and analyze the number of previous locations needed for accurate prediction. Our evaluation on two real-world datasets shows that by using our preprocessing approach, we can detect stay points from routine trajectories with higher accuracy than the methods commonly used in this domain, and that by utilizing various LSTM architectures instead of the traditional Markov models and advanced deep learning models, our method can predict human movement with high accuracy of more than 40% when using the Acc@1 measure and more than 59% when using the Acc@3 measure. We also demonstrate that the movement prediction accuracy varies for different user populations based on their trajectory characteristics and demographic attributes.     

基于最大化子模和RRWM的视频协同分割

成对视频共同运动模式的协同分割指的是同时检测出两个相关视频中共有的行为模式,是计算机视觉研究的一个热点.本文提出了一种新的成对视频协同分割方法.首先,利用稠密轨迹方法对视频运动部分进行检测,并对运动轨迹进行特征表示;然后,引入子模优化方法对单视频内的运动轨迹进行聚类分析;接着采用基于重加权随机游走的图匹配方法对成对视频运动轨迹进行匹配,该方法对出格点、变形和噪声都具有很强的鲁棒性;同时根据图匹配结果实现运动轨迹的共显著性度量;最后,将所有轨迹分类成共同运动轨迹和异常运动轨迹的问题转化为基于图割的马尔科夫随机场的二值化标签问题.通过典型运动视频数据集的比较实验,其结果验证了本文方法的有效性.     

Semantic segmentation of trajectories with improved agent models for pedestrian behavior analysis

ABSTRACT

In this paper, we propose a method for semantic segmentation of pedestrian trajectories based on pedestrian behavior models, or agents. The agents model the dynamics of pedestrian movements in two-dimensional space using a linear dynamics model and common start and goal locations of trajectories. First, agent models are estimated from the trajectories obtained from image sequences. Our method is built on top of the Mixture model of Dynamic pedestrian Agents (MDA); however, the MDA's trajectory modeling and estimation are improved. Then, the trajectories are divided into semantically meaningful segments. The subsegments of a trajectory are modeled by applying a hidden Markov model using the estimated agent models. Experimental results with a real trajectory dataset show the effectiveness of the proposed method as compared to the well-known classical Ramer-Douglas-Peucker algorithm and also to the original MDA model.     

Modeling,Identification, and Control of an Unmanned Surface Vehicle

This paper describes planar motion modeling for an unmanned surface vehicle (USV), including a comparative evaluation of several experimentally identified models over a wide range of speeds and planing conditions. The modeling and identification objective is to determine a model that is sufficiently rich to enable effective model‐based control design and trajectory optimization, sufficiently simple to allow parameter identification, and sufficiently general to describe a variety of hullforms and actuator configurations. We focus, however, on a specific platform: a modified rigid hull inflatable boat with automated throttle and steering. Analysis of experimental results for this vessel indicates that Nomoto's first‐order steering model provides the best compromise between simplicity and fidelity at higher speeds. At low speeds, it is helpful to include a first‐order lag model for sideslip. Accordingly, we adopt a multiple model approach in which the model structure and parameter values are scheduled based on the nominal forward speed. The speed‐scheduled planar motion model may be used to generate dynamically feasible trajectories and to develop trajectory tracking control laws. The paper describes the development, analysis, and experimental implementation of two trajectory tracking control algorithms: a cascade of proportional‐derivative controllers and a nonlinear controller obtained through backstepping. Experimental results indicate that the backstepping controller is much more effective at tracking trajectories with highly variable speed and course angle. © 2013 Wiley Periodicals, Inc.     

基于稀疏帧检测的交通目标跟踪

为了获取高速公路交通视频中目标车辆的行驶轨迹,提出一种基于视频的多目标车辆跟踪及实时轨迹分布算法,为交通管理系统和交通决策提供目标车辆交通信息.首先,使用YOLOv4算法检测目标车辆位置及置信度.其次,在不同场景条件下,使用提出的基于稀疏帧检测的跟踪方法,结合KCF跟踪算法,将车辆数据进行关联获取完整轨迹.最后,用车辆分布图和交通场景俯视图显示轨迹,便于交通管理与分析.实验结果表明,提出的跟踪方法在车辆跟踪中有较高的跟踪正确率,同时基于稀疏帧检测的跟踪方法处理速度也较快,实时轨迹分布正确反映了真实场景的车道信息以及目标车辆运动信息.