基于路网的移动对象轨迹压缩

传统上采用（x,y,t）点的序列表达移动对象轨迹信息,这种表达方式有两个问题：第一,由于误差导致的精度问题,GPS接收器经常产生偏离道路的位置;第二,大量的采样导致的空间复杂性数据。本文采用基于路网的移动对象轨迹模型,讨论了路网中轨迹数据压缩问题,提出了一个非线性的压缩算法。试验结果表明,该算法更好地利用了移动对象在路网上的运动规律,提高了轨迹的精度,得到了更高的压缩比。     

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。     

自适应参数的轨迹压缩算法

随着轨迹数据量的急剧增长,数据规模变得越来越庞大、复杂,给数据的存储、传输和分析带来了一系列的难题,迫切需要对移动对象的轨迹数据进行有效地压缩。现有的轨迹数据压缩算法大都是基于固定压缩阈值,来判定轨迹点是否被保留,在算法执行过程中,用户难以确定压缩阈值。针对现有轨迹数据压缩算法压缩阈值难以确定的缺点,本文提出了自适应参数的轨迹压缩算法。该算法根据用户期望达到的压缩效果,按照优先保证压缩比的策略,在保证压缩效率和压缩效果的情况下,帮助用户自动确定压缩阈值,从而避免了用户需要根据自己的经验,进行反复实验来得到理想压缩阈值的过程。实验结果表明,本文提出的算法都具有较高的压缩效率和较好的压缩效果。     

一种基于SDT算法的新的过程数据压缩算法

针对流程工业实测过程数据压缩存储问题,在深入分析旋转门（SDT,Swing Door Trending）算法的基础上,提出了一种基于SDT算法新的过程数据压缩算法（NSDT,New Swing Door Trending）。NSDT算法采用曲线对过程数据进行拟和以实现数据压缩,与SDT算法相比能取得更好的压缩效果。根据理论分析和实验数据结果分析,证明了NSDT算法确实可以在不增加压缩误差的前提下,有效地提高压缩比。     

基于相对同步欧氏距离筛选的在线GPS轨迹数据压缩算法

为了减小给定压缩率下,压缩轨迹与原始轨迹之间的差异,提出一种基于相对同步欧氏距离筛选的在线GPS轨迹数据压缩算法。所提算法可以根据用户的压缩率要求设定轨迹压缩过程,将新到来的轨迹点保存到一个存储队列中,每次从队列中选择引起同步欧氏距离误差最小的轨迹点移除,以达到在给定压缩率下减小压缩前后轨迹间差异的目的。理论分析和实验结果表明,较现有以压缩率为压缩依据的主流在线GPS轨迹数据压缩算法而言,压缩率相同时,所提算法对应的平均同步欧氏距离误差明显减小,所需的压缩时间略有增加。     

基于全局时空特性的城市路网交通速度预测模型

城市路网交通速度预测是智能交通系统中的重要组成部分,其可为出行者提供实时的交通信息,对提升道路通行能力具有重要意义。现有基于图卷积网络的预测模型一定程度上加强了对一阶相邻路段间空间关联程度的挖掘,但在非一阶相邻路段关联度大于一阶相邻路段关联度的情况下,如果仍输入原始的邻接矩阵,会遗失一些相对重要的路段空间信息,无法得到较好的预测结果。为准确挖掘城市路网中的时空特性,提出一种基于全局图卷积和门控循环单元的城市路网交通速度预测模型G-GCGRU。考虑全局路网下非一阶相邻路段间的空间影响程度,利用相关性分析方法计算得到路段间的关联度矩阵,并作为新的卷积方式进一步加深对空间特征的挖掘,在此基础上,采用门控循环单元方法提取路网时间特征。使用深圳市罗湖区城市路网车速数据进行实验,结果表明,该模型预测性能优于图卷积网络（GCN）、门控循环单元（GRU）和GCN-GRU混合模型,以均方根误差为评价指标,预测精度分别提高25.3%、4.7%和2.1%。     

一种基于SDT算法的新的过程数据压缩算法

针对流程工业实测过程数据压缩存储问题,在深入分析旋转门（SDT,Swing Door Trending）算法的基础上,提出了一种基于SDT算法新的过程数据压缩算法（NSDT,New Swing Door Trending）。NSDT算法采用曲线对过程数据进行拟和以实现数据压缩,与SDT算法相比能取得更好的压缩效果。根据理论分析和实验数据结果分析,证明了NSDT算法确实可以在不增加压缩误差的前提下,有效地提高压缩比。     

面向高速公路通行时间分布预测的时空混合密度神经网络

准确的通行时间分布预测可以全面地反映高速公路路网中各个路段在未来的通行状况,辅助实现高速公路中的路径规划,事故事件预警等精细化管理目标.为此,本文提出一种面向高速公路通行时间分布预测的时空混合密度神经网络.具体地,本文利用自适应图卷积通过数据驱动的方式提取路网中的空间特征,有效解决了基于预定义图难以捕获路网信息中完整空间相关性的问题.在时间维度上,不同时间的路网信息存在显著的相关性,因此,本文基于注意力机制自适应建模路网信息的时间相关性,并通过卷积层进一步聚合相邻时间步之间的信息.最后,基于自适应时空相关性建模得到的路段嵌入表示,通过混合密度网络建模通行时间的分布,以实现高速公路中各个路段的通行时间分布预测.     

基于多头软注意力图卷积网络的行人轨迹预测

行人间交互作用的复杂性给行人轨迹预测带来了挑战,且现有算法难以捕获行人间有意义的交互信息,不能直观地建模行人间的交互作用。针对以上问题,提出多头软注意力图卷积网络。首先利用多头软注意力（MS ATT）结合内卷网络Involution分别从空间图和时间图输入中提取稀疏空间和稀疏时间邻接矩阵,生成稀疏空间和稀疏时间有向图;然后,利用图卷积网络（GCN）从稀疏空间和稀疏时间有向图中学习交互作用与运动趋势特征;最后,将学习到的轨迹特征输入时间卷积网络（TCN）以预测双高斯分布参数,生成行人预测轨迹。在ETH和UCY数据集上的实验结果表明：相较于空时社交关系池化行人轨迹预测模型（SOPM）,所提算法的平均位移误差（ADE）降低了2.78%;相较于稀疏图卷积网络（SGCN）,所提算法的最终位移误差（FDE）降低了16.92%。     

路网感知的在线轨迹压缩方法

随着定位技术的高速发展,定位传感器被广泛地应用于智能手机、车载导航等各种移动设备中,用于采集移动对象位置数据并将数据上传至服务器.该技术的应用方便了位置跟踪、预测和分析,同时也带来了轨迹数据量大、数据冗余、传输和存储代价高等问题.轨迹压缩技术即是针对该问题而提出的,它通过保留关键轨迹点和去除冗余轨迹点信息,降低了轨迹数据的传输和存储开销.本文分析了近年来轨迹压缩领域的国内外研究进展,针对现有研究工作的不足,提出了一种路网感知的在线轨迹压缩方法,包括针对轨迹压缩的距离有界的隐马尔科夫地图匹配算法和误差有界的高效轨迹压缩算法等,并实现了该方法的原型系统（ROADER）.基于真实数据集的实验证明,该系统在压缩率、误差和执行时间等方面均显著优于同类算法.     

时空相点移动对象数据索引PM-Tree

随着移动定位技术和无线通讯技术发展,移动对象的应用领域越来越广阔.位置随时间而变化的移动对象产生的时空数据具有规模大、多维性、结构复杂和关系复杂等特点.由于移动对象的运动轨迹大多被限定在特定的交通网络中,因此基于路网的移动对象索引成为时空数据索引研究的一个重要应用分支.目前,针对移动对象历史数据的区域查询优化的研究重点...     

基于GCN和TCN的多因素城市路网出租车需求预测

在巡游模式下,出租车与乘客间供需不易匹配,造成出租车空载和乘客打车难现象并存,准确高效地实现路网出租车需求预测有利于有效缓解这一问题.针对现有交通流预测模型对空间特征提取不充分,特别是对城市路网内路段之间的空间关系没有全面挖掘这一问题,充分考虑路网内路段间的3种空间关系,对其分别构建路段间的局部关系图、路段全局关系图和路段OD次数关系图,提出一种由图卷积网络与时间卷积网络相结合的出租车需求预测模型.其中,采用图卷积网络对城市路网内路段的空间关系特征进行挖掘,采用时间卷积网络对交通数据集中的时间序列特征进行挖掘,并且考虑外部因素的影响.实验中,首先从真实出租车GPS轨迹数据中提取城市路网中各个路段的出租车出行量,并利用道路上在多个时隙形成的出行量序列对预测模型进行验证.结果表明,相比其他交通流预测模型,所提出的预测模型具有较优的平均绝对误差、均方根误差和平均绝对百分误差.     

基于时间相关性的无线传感器网络数据压缩与优化算法

针对无线传感器网络(WSN)数据采集存在数据冗余度大、累积误差大和数据精度低等问题,根据采集数据之间的时间相关性,提出一种无线传感器网络数据压缩与优化算法。该算法通过分析时间序列中采集数据的线性关系,建立分段一元线性回归模型;根据采集数据与回归模型预测值之间的误差,自适应地调整下一个采集时间,并动态地优化回归模型。仿真结果表明该算法在不同的数据变化情况下,均能降低数据冗余度和网络通信量,提高采集数据的重构精度。最后在真实的无线传感器网络应用环境中验证了算法的可行性。     

基于综合时空特性的混合式轨迹压缩算法

针对车辆全球卫星定位系统(GPS)中如何降低轨迹数据存储空间,提高数据分析及传送速度等问题,提出一种基于综合时空特性的混合式轨迹压缩算法.该算法一方面采用了新的综合时空特性的在线轨迹压缩策略,利用GPS数据的位置信息、时间信息、方向角、速度信息进行轨迹特征点的综合判断,以更准确地选取特征点;另一方面,采用了在线与批处理相结合的混合式轨迹压缩策略,定时采用道格拉斯批量压缩算法对在线压缩的轨迹集进行二次压缩,以提高轨迹的压缩效率.实验结果表明,较现有的时空特性压缩算法,新的综合时空特性在线轨迹压缩策略虽然在压缩率上略有下降,但压缩误差有显著减小.进一步采用混合式压缩策略后,通过选取适当的批处理时间周期,所提算法在压缩率和压缩误差上较现有的时空特性算法均有所改进.     

基于两级筛选机制及深度学习组合模型实现短时交通流预测

准确实时的短时交通流预测对现代交通管理服务体系的构建至关重要.为了充分挖掘并利用不同路段短时交通流交互作用而表现出的时空特性,构建由自相关函数、互相关函数和KNN算法组成的两级筛选机制评估与目标路段的相关性优化路段组合,实现空间信息深度挖掘;提出一种GCN-GRU组合预测模型,利用图卷积网络(GCN)全局处理路段拓扑信息的优势进一步捕捉短时交通流的空间特性,并借助门控循环单元(GRU)对时间信息的长时记忆能力提取其时间特性.利用实测高速公路短时交通流数据进行验证,仿真结果表明,采用两级筛选机制对路段进行有效筛选并引入深度学习组合模型,预测性能明显改善,优于堆栈式自编码网络(SAEs)和GRU等经典模型.     

禁飞区无人机预警算法研究

针对大量在空中无秩序飞行的无人机有可能会闯入飞机场等禁飞区的情况,为了避免发生空中交通安全事故,提出了一种无人机禁飞区预警算法。首先,该算法经过坐标变换将描述无人机位置点的GPS坐标转换成对应的平面坐标;接着,采用改进的最小二乘曲线拟合算法预测出无人机的飞行轨迹;然后,通过计算预测的飞行轨迹曲线在当前点的切线是否会与描述禁飞区的电子围栏相交,来判断无人机是否会进入禁飞区。同时,所有的无人机都会安装上飞行数据记录模块,来实时地为该算法提供无人机的飞行状态信息。最后,通过MATLAB仿真实验验证了该预警算法的可行性和有效性,表明该算法可以对禁飞区周围的无人机进行预警。     

基于运动状态改变的在线全球定位系统轨迹数据压缩

针对基于偏移量计算的轨迹数据压缩算法中对于关键点的评估不足以及基于在线轨迹数据压缩算法中累积误差和对偏移量考虑不足的问题,提出一种基于运动状态改变的在线全球定位系统(GPS)轨迹数据压缩算法——限定同步欧氏距离(SED)的阈值结合算法(SLTA)。该算法通过轨迹点的转向角度大小和速度变化大小来评估轨迹点信息量的大小;同时用SED限制点的偏移量,以达到较好的信息保留度。实验结果表明,SLTA的轨迹压缩率能够达到50%左右,与阈值结合算法(TA)相比,SLTA的平均SED误差(5 m以内)可以忽略不计;相对于基于偏移量计算的轨迹数据压缩算法,SLTA的平均角度误差最小(1.5°~2.3°),运行时间最稳定。SLTA能够稳定有效地进行在线GPS轨迹数据压缩。     

基于深度学习的多目标运动轨迹预测算法

针对多目标运动轨迹预测过程中由于检测精度和实时性不足造成部分目标位置信息丢失和预测准确度不高问题,提出基于改进卡尔曼滤波的多目标轨迹运动轨迹预测(MMTP)算法。MMTP算法在目标检测阶段使用YOLOv4检测器提升目标检测的准确率和速度;在目标匹配阶段采用KM匹配算法将当前检测框的检测目标与上一时刻预测的预测框的目标进行数据关联,从而增强目标关联的准确性,避免目标遮挡、目标交错和漂移造成的目标丢失;在目标坐标预测阶段,提出改进卡尔曼滤波算法为每个运动目标预测下一帧位置坐标并画出预测框,提高非线性场景中目标坐标的预测精度,降低预测坐标的误差。使用MOT16与实际交通系统拍摄的视频序列数据集验证算法整体性能,仿真结果表明,MMTP在目标检测阶段具有较好的检测精度和速度,有效提升了算法整体的运行速度;在目标匹配阶段,MMTP算法能增强目标关联的准确性,减少目标丢失,比RMOT、POI、SORT、Deep-SORT和YVTP算法更优。     

基于CNN-XGBoost的短时交通流预测

为准确预测短时交通流,缓解交通拥堵提高交通运行效率,提出一种基于CNN-XGBoost的短时交通流预测方法。结合短时交通流数据的时间相关性和空间相关性,将本路段和邻近路段的历史数据一同作为输入进行预测。利用卷积神经网络(convolutional neural networks,CNN)实现特征提取以减少数据冗余性,提出一种参数经果蝇算法优化的XGBoost模型用于交通流量预测。实例验证结果表明,CNN可对时间和空间结合下的交通流数据进行有效特征提取;相比SVR、LSTM等模型,改进的XGBoost模型下的交通流量预测误差明显减小。