基于高斯混合一时间序列模型的轨迹预测

针对不同时间道路车流量变化下轨迹预测误差变化大的问题,提出基于概率分布模型的高斯混合-时间序列模型（GMTSM）,对海量车辆历史轨迹进行模型回归和路段车流量的分析以实现车辆轨迹预测。首先,针对均匀网格划分方法容易造成相关轨迹点分裂的问题,提出迭代式网格划分来实现轨迹点的数量均衡;其次,训练并结合高斯混合模型（GMM）和时间序列分析中的差分自回归滑动平均模型（ARIMA）;然后,为了避免GMTSM中子模型自身的不稳定性对预测结果产生干扰,对子模型的预测进行误差分析,动态计算子模型的权重;最后,依据动态权重组合子模型实现轨迹预测。实验结果表明,GMTSM在路段车流量突变情况下,平均预测准确率为90.3%;与相同参数设置下的高斯混合模型和马尔可夫模型相比,GMTSM预测准确性提高了55%左右。GMTSM不仅能在正常情况下准确预测车辆轨迹,而且能有效提高道路车流量变化情况下的轨迹预测准确率,适用于现实路况环境。     

面向车联网的稀疏轨迹数据路径预测

摘 要:在稀疏交通环境下,车联网数据转发的机会会减少,这就造成了车辆长时间携带数据而无法转发,以至于出现较大的数据传输延迟。在目前的经济大环境下,这方面的研究有助于车联网的发展与应用。对于这一问题,笔者对车辆往稀疏轨迹数据预测进行分析,并对双向交通路段延迟特征作了相关研究,并通过理论分析和仿真实验,探讨了DDBT协议在稀疏交通环境下的数据传输延迟性能。以期在今后的面向车联网的相关研究中,为研究者提供一定的借鉴和参考。     

基于划分的高效异常轨迹检测

为了在海量轨迹数据库中高效准确地挖掘出异常轨迹,提出了基于划分的异常轨迹检测算法。该算法通过计算局部轨迹点之间的匹配程度来探测异常轨迹,将异常轨迹检测由形状匹配问题转化为传统的异常点检测问题,并设计了一种基于空间划分的网格索引结构,提高算法的运行效率。实验证明,该算法不仅具有较高的挖掘效率,而且能够检测出更具实际意义的异常轨迹。     

基于长短期记忆网络的移动轨迹目的地预测

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。     

基于半规则网格的视差估计算法

立体视频中视图间的视差估计是压缩的关键技术。针对视差估计中传统网格法的缺点,提出一种使用半规则的网格来估计视差的方法。该方法综合了节点均匀分布的规则网格和节点贴合物体边界的非规则网格这两种方法,选择具有最高的梯度和的行和列的交点作为网格的节点,并且利用每个节点的梯度值进一步剔除在缺少纹理区域中的节点,最后在多分辨率下混合块迭代和网格迭代对剩余的节点进行匹配。该算法剔除了匹配时易于出错的节点,同时也减少了需要估计的节点数。实验结果表明该方法改善了标准网格法的匹配质量,同时也降低了匹配的计算复杂度。     

基于混合网格划分的子空间高维数据聚类算法

提出一种基于混合网格划分的子空间高维数据聚类算法.该算法消除了各个属性分量数值范围大小对计算的影响;有效去除冗余属性以提高聚类准确性与降低时间复杂度.根据数据分布情况灵活选择固定网格划分或是自适应网格划分,利用这二种不同的网格划分方法具有的优点,以实现进一步降低算法的时间复杂度和提高聚类结果的准确性,并使算法具有更优的可伸缩性.实验使用仿真数据表明,该算法在处理具有属性值域范围大的高维大规模数据时是实用有效的.     

基于三角形连接的有限元网格划分

文中创新地提出了三角形连接的有限元网格划分的算法,但是三角形并不是有限元计算的基本单元,而是根据已经生成的三角形生成较为规整的四边形。在实际的项目过程中,创新地提出了三种有效的算法,并利用C＋＋面向对象的MFC程序设计和编写。本程序可以从模型文件读取边界以及点约束和线约束特征数据,程序自动计算出一个较为合理的边界间距值,并且根据需要人工或自动选择一种划分算法,从而自动完成高质量的四边形网格划分。三种算法皆可以处理大量数据点和线,并且划分速度较为高效。本程序模块成功应用于有限元计算软件中。     

基于改进稀疏线性预测的时延估计算法

针对噪声与混响环境下,基于稀疏线性预测的时延估计算法性能下降的问题,提出一种改进的线性预测模型。为了获得麦克风信号的有效预滤波,将语音幅度谱的稀疏性和线性预测向量的稀疏性同时引入最小二乘准则,以此构建凸约束线性预测模型;运用Split-Bregman迭代方法对模型进行求解;使用预测误差信号建立基于改进L2/L1范数稀疏线性预测预白化的时延估计器。实验结果表明:与GCC-PHAT和L2/L1范数稀疏线性预测算法相比,所提算法具有更好的时延估计性能。     

局部多层网格划分下的轨迹数据概化方法

针对轨迹数据概化中空间划分的区域范围不能有效控制以及覆盖网格尺度难以合理选择的问题,提出局部多层网格划分方法,对样本密集的区域进行迭代划分。在此基础上提出一种轨迹数据概化方法,在局部多层网格划分的基础上,考虑时间约束合并轨迹连续往复通过的邻接区域,生成概化轨迹。真实数据的实验表明该算法得到的概化轨迹较同类算法保持了更多轨迹特性,更加适合后续数据挖掘,如聚类处理。     

基于改进子空间追踪算法的稀疏信道估计

由于许多通信系统的信道具有稀疏多径的特性,因此可以将信道估计问题归结为稀疏信号的恢复问题,继而应用压缩感知理论(CS)的算法求解。针对CS中现存的信号重构方法——子空间追踪法(SP)需要对稀疏度有先验知识的缺点,提出一种改进的子空间追踪法(MSP)。该方法的反馈和精选过程与SP算法一致,不同之处是MSP算法每次迭代时向备选组合中反馈添加的向量个数是随着迭代次数而逐一增加的,而SP算法中备选组合被添加的向量个数与稀疏度相同。仿真结果表明,基于MSP方法所得到的稀疏多径信道估计结果优于基于传统SP的方法,且无需已知信道的多径个数。     

基于大数据分析的移动对象轨迹预测方法

对移动对象的轨迹预测将在移动目标跟踪识别中具有较好的应用价值。移动对象轨迹预测的基础是移动目标运动参量的采集和估计,移动目标的运动参量信息特征规模较大,传统的单分量时间序列分析方法难以实现准确的参量估计和轨迹预测。提出一种基于大数据多传感信息融合跟踪的移动对象轨迹预测算法。首先进行移动目标对象进行轨迹跟踪的控制对象描述和约束参量分析,对轨迹预测的大规模运动参量信息进行信息融合和自正整定性控制,通过大数据分析方法实现对移动对象运动参量的准确估计和检测,由此指导移动对象轨迹的准确预测,提高预测精度。仿真结果表明,采用该算法进行移动对象的运动参量估计和轨迹预测的精度较高,自适应性能较强,稳健性较好,相关的指标性能优于传统方法。     

Urban traffic congestion estimation and prediction based on floating car trajectory data

Traffic flow prediction is an important precondition to alleviate traffic congestion in large-scale urban areas. Recently, some estimation and prediction methods have been proposed to predict the traffic congestion with respect to different metrics such as accuracy, instantaneity and stability. Nevertheless, there is a lack of unified method to address the three performance aspects systematically. In this paper, we propose a novel approach to estimate and predict the urban traffic congestion using floating car trajectory data efficiently. In this method, floating cars are regarded as mobile sensors, which can probe a large scale of urban traffic flows in real time. In order to estimate the traffic congestion, we make use of a new fuzzy comprehensive evaluation method in which the weights of multi-indexes are assigned according to the traffic flows. To predict the traffic congestion, an innovative traffic flow prediction method using particle swarm optimization algorithm is responsible for calculating the traffic flow parameters. Then, a congestion state fuzzy division module is applied to convert the predicted flow parameters to citizens’ cognitive congestion state. Experimental results show that our proposed method has advantage in terms of accuracy, instantaneity and stability.     

基于预测模型的轨迹数据压缩方法

针对目前路网环境下海量轨迹数据压缩效率低下的问题,提出了一种基于预测模型的轨迹数据压缩方法（CTPM）。通过将轨迹数据的时间信息和空间信息分别进行压缩,使得压缩后的轨迹数据在空间维度上无损,并且在时间维度上误差有界,以此提高压缩效率。在空间方面,首先利用部分匹配预测（PPM）算法通过轨迹已经行驶的部分路段对其下一时刻可能的位置进行预测;然后通过删除预测成功的路段来减少轨迹数据的存储代价。在时间方面,首先利用轨迹通行状况具有周期性的特点,构建了不同时间区间的通行速度统计模型,来预测移动对象进入下一路段所需要的时间;然后删除预测时间误差小于给定阈值的路段数据来进行压缩处理。实验结果显示,与已有的基于路网的并行轨迹压缩（PRESS）算法相比,CTPM的空间压缩比和时间压缩比平均分别提高了43%和1.5%,同时时间压缩误差减小了9.5%。实验结果表明所提算法在提高压缩比的同时有效地降低了压缩时间和压缩误差。     

基于Markov模型与轨迹相似度的移动对象位置预测算法

针对低阶Markov模型预测精度较差,以及多阶Markov模型预测稀疏率高的问题,提出一种基于Markov模型与轨迹相似度(MMTS)的移动对象位置预测算法。该方法借鉴了Markov模型思想对移动对象的历史轨迹进行建模,并将轨迹相似度作为位置预测的重要因素,以Markov预测模型的预测结果集作为预测候选集,结合相似度因素得出最终预测结果。实验结果表明,与k阶Markov模型相比,该方法的预测性能不会随着训练样本大小及阶数k的变化受到很大的影响,并且在大幅降低k阶Markov模型预测稀疏率的同时将预测精度平均提高了8%以上。所提方法不仅解决了k阶Markov模型的预测稀疏率高及预测精度不足的问题;同时提高了预测的稳定性。     

基于数据挖掘的四维飞行轨迹预测模型

为了解决传统的空气动力学模型在预测四维飞行轨迹上误差较大的问题,提出一种基于数据挖掘的预测模型。该模型挖掘历史飞行时间数据,从中找出影响飞行时间的因素,预测出下一次飞行的全程时间,然后从历史位置数据中分析得出飞机在每个采样周期点上的位置,实现完整的四维轨迹预测。仿真试验验证了该模型预测的准确性和可用性。     

一种基于预测的网格数据副本选择算法

分析影响数据副本选择的因素,将灰色系统理论应用于副本响应时间的预测,建立GM(1,1)灰色动态拟合模型;同时应用马尔可夫链预测副本可靠性发展趋势,确定系统状态转移概率矩阵,通过系统状态的划分,以概率形式分析和预测副本可靠性,并给出了两种预测算法描述。仿真实验结果表明,该算法预测效果较好,有利于作出正确的副本选择决策,并能有效实现网格中副本存储节点间的负载平衡。     

基于正方形网格剖分的无线传感器网络方向性路由算法的研究

作为一种新型的无线自组网络,传感器网络在环境与军事监控,地震与气候预测、等许多方面都具有广泛的应用前景。基于网格剖分的思想,提出了一种基于正方形网格剖分的无线传感器方向性路由算法.新算法中,Sink节点首先将其目标区域剖分为正方形网格,并将得到的剖分信息广播给网络中的所有传感器节点,并构造目标区域的近似最小连通覆盖集。然后计算每个网格到Sink节点最近的网格的最短相对长度,通过这个最短相对长度构建多条路径。在路由时节点采用休眠机制进行方向性路由。算法分析和仿真实验表明,新算法与能量多路径路由算法比较,它在整个网络的寿命等方面具有更优的性能。     

Sparse kernel density estimations and its application in variable selection based on quadratic Renyi entropy

A novel sparse kernel density estimation method is proposed based on the sparse Bayesian learning with random iterative dictionary preprocessing. Using empirical cumulative distribution function as the response vectors, the sparse weights of density estimation are estimated by sparse Bayesian learning. The proposed iterative dictionary learning algorithm is used to reduce the number of kernel computations, which is an essential step of the sparse Bayesian learning. With the sparse kernel density estimation, the quadratic Renyi entropy based normalized mutual information feature selection method is proposed. The simulation of three examples demonstrates that the proposed method is comparable to the typical Parzen kernel density estimations. And compared with other state-of-art sparse kernel density estimations, our method also has a shown very good performance as to the number of kernels required in density estimation. For the last example, the Friedman data and Housing data are used to show the property of the proposed feature variables selection method.