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。     

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。     

不确定性车辆路口的轨迹预测

在城市道路中,实时、准确、可靠地对移动车辆进行轨迹预测具有极高的应用价值,不仅可以提供准确的基于位置的服务,而且可以帮助过往车辆预知前方的交通状况。目前,移动车辆的轨迹预测方法主要基于历史轨迹的欧氏空间进行,并未考虑在受限路网中采用不确定性历史数据的车辆轨迹预测。针对这一问题,提出一种补全路径的基于马尔科夫链的轨迹预测方法,其优势在于:重新定义了补全路径算法,弥补了不确定性历史数据的不完整性,利用马尔科夫链低时间复杂度、高预测准确度的优势实现预测,避免了因频繁模式挖掘带来的查询时间过长而影响预测效率以及存在多余噪声影响轨迹预测准确率的问题。通过真实数据和实验分析表明:在参数设置相同的情况下,该方法比挖掘频繁轨迹模式算法的预测准确率平均提高了18.8%,预测时间平均缩减了80.4%。因此,该方法对于车辆路口的轨迹预测具有较高的预测准确率,并且能预测一系列的车辆未来轨迹。     

基于路网的不确定性轨迹预测

移动对象的轨迹预测研究已成为当前移动对象研究中关注的热点,移动对象的轨迹预测技术具有高度的研究价值及广阔的应用前景.目前移动对象的轨迹预测方法主要是针对历史轨迹确定的欧氏空间轨迹预测,但有相当一部分的应用要求预测历史轨迹存在不确定性的移动对象在受限路网中的轨迹.为了解决这一问题,首先提出了不确定性轨迹的生成方法及其表示形式,然后提出了一种基于路网的不确定性轨迹频繁模式挖掘算法,最后给出了利用索引快速查找轨迹模式并进行预测的方法.实验结果表明该方法具有较高的预测准确率、较好的查询效率以及较低的存储空间.     

复杂障碍空间中基于移动对象运动规律的不确定轨迹预测

现有移动对象的轨迹预测大部分是针对路网空间,然而在实际地理环境中往往存在障碍物,移动对象的运动基本在障碍空间中进行。近年来,已有较多关于路网空间中移动对象轨迹预测的研究以及障碍空间中障碍范围查询、最近邻查询等的研究,但是目前尚没有障碍空间中移动对象不确定轨迹预测的相关研究。为此,提出障碍空间中基于移动对象运动规律的不确定轨迹预测方法。首先,利用障碍物之间的区域关系对障碍空间进行剪枝;其次,提出障碍空间期望距离概念,对障碍空间的轨迹数据进行轨迹聚类,从而挖掘移动对象的热点区域;然后,根据各热点区域间的障碍距离和历史访问习惯得到转移的综合概率,提出基于移动对象运动规律的轨迹预测算法;最后,通过实验验证了算法的准确性和高效性。     

基于遗传算法的动态轨迹匿名算法

现有的轨迹隐私保护技术大多是对移动对象的静态轨迹数据进行保护,却忽略了移动对象动态轨迹依然存在隐私泄露的风险.针对此问题,提出基于遗传算法的动态轨迹匿名算法.利用遗传算法搜索全局最优解的特性,在移动对象当前时间段内的历史轨迹中建立轨迹行为模式,通过轨迹行为模式预测移动对象的轨迹,根据移动对象新增的预测轨迹不断更新轨迹行...     

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.     

VANETs中的车辆移动规律性及轨迹预测研究

车辆的移动是受人意识控制的,有规律的移动,通过对车辆已知轨迹数据的分析,建立历史轨迹模型,可以实现对其未来轨迹的预测。采集了大量真实的车辆轨迹数据,通过计算信息熵分析车辆运动的规律性,为预测车辆轨迹提供依据。根据车载自组织网络的特殊应用场景以及车辆移动的规律性,利用车辆轨迹的历史数据构建状态转移矩阵,提出了基于马尔科夫链的车辆轨迹预测方法,仿真结果表明,该方法可以实现对车辆轨迹的有效预测。对影响预测精度的一些因素进行了对比分析。     

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.     

基于后缀自动机的轨迹模式挖掘方法*

如何有效的从轨迹数据中挖掘轨迹模式和规律具有重要意义,本文基于交通路网研究移动对象轨迹预测,将序列分析方法和马尔科夫统计模型结合,提出了一种基于后缀自动机的变阶马尔科夫模型挖掘方法。该方法根据移动对象的历史轨迹数据进行学习训练,计算轨迹序列上下文的概率特征,建立序列的后缀自动机模型,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：相比固定阶马尔科夫模型,随着阶数的增加（L>=2）,固定阶马尔科夫模型预测的精度逐步降低,而该方法能动态自适应,精度保持在81.3%左右,取得较好的预测效果;同时,该方法只需线性的时间和空间开销,大大降低了存储空间和时间,能实现大规模数据的在线学习。     

动目标数据实时分析技术研究与实现

针对动目标的实时轨迹数据,分析已有研究出现的问题,提出2种实时分析的解决思路：基于五点微分法的轨迹预测方法,此方法可以较快速地预测动目标下一个位置点,实时性较强;基于Storm的历史频次统计分析方法,此方法根据历史轨迹频次进行分析,准确率较高。上述2种方法解决了实时分析的2个重点问题：实时、准确,有较高的实用性。     

QS-STT: QuadSection clustering and spatial-temporal trajectory model for location prediction

Location prediction is a crucial need for location-aware services and applications. Given an object’s recent movement and a future time, the goal of location prediction is to predict the location of the object at the future time specified. Different from traditional location prediction using motion function, some research works have elaborated on mining movement behavior from historical trajectories for location prediction. Without loss of generality, given a set of trajectories of an object, prior works on mining movement behaviors will first extract regions of popularity, in which the object frequently appears, and then discover the sequential relationships among regions. However, the quality of the frequent regions extracted affects the accuracy of the location prediction. Furthermore, trajectory data has both spatial and temporal information. To further enhance the accuracy of location prediction, one could utilize not only spatial information but also temporal information to predict the locations of objects. In this paper, we propose a framework QS-STT (standing for QuadSection clustering and Spatial-Temporal Trajectory model) to capture the movement behaviors of objects for location prediction. Specifically, we have developed QuadSection clustering to extract a reasonable and near-optimal set of frequent regions. Then, based on the set of frequent regions, we propose a spatial-temporal trajectory model to explore the object’s movement behavior as a probabilistic suffix tree with both spatial and temporal information of movements. Note that STT is not only able to discover sequential relationships among regions but also derives the corresponding probabilities of time, indicating when the object appears in each region. Based on STT, we further propose an algorithm to traverse STT for location prediction. By enhancing the quality of the frequent region extracted and exploring both the spatial and temporal information of STT, the accuracy of location prediction in QS-STT is improved. QS-STT is designed for individual location prediction. For verifying the effectiveness of QS-STT for location prediction under the different spatial density, we have conducted experiments on four types of real trajectory datasets with different speed. The experimental results show that our proposed QS-STT is able to capture both spatial and temporal patterns of movement behaviors and by exploring QS-STT, our proposed prediction algorithm outperforms existing works.     

一种基于速度的移动对象轨迹简化算法

目前对移动对象轨迹简化问题分为离线简化和在线简化。以往的简化方法中许多依赖轨迹的几何特性,而针对移动对象的速度这一重要特征没有足够的关注。本文基于速度研究移动对象轨迹的离线简化新方法,提出了移动对象轨迹离线简化的动态规划算法、基于广度优先搜索的轨迹简化算法及其优化算法、时间复杂度更低的近似算法。并通过大量实验验证本文提出的算法比基于方向的简化算法和基于位置的简化算法具有更好的简化效率。     

基于高斯混合-贝叶斯模型的轨迹预测

如今，在交通管理系统、军事机械化战场、安全行驶系统中，对实时、准确、可靠的移动对象轨迹预测具有很重要的作用，在市场上的应用越来越广，简称智能化预测。智能化预测可以提供精准的基于位置的服务，还可以根据预判，给车主推荐最优路线，这成为移动对象数据库研究的热点。针对现有方法的不足，提出基于高斯混合-贝叶斯模型的轨迹预测模型。实验表明，GM-BM模型在路段车流量正常情况下，通过调整混合模型中子模型的权重，可预测出最可能的轨迹，经计算与相同参数设置下的单模型相比，预测准确性至少提高10.00%。     

SLAMMOT-SP: Simultaneous SLAMMOT and Scene Prediction

In recent years, SLAMMOT (simultaneous localization, mapping and moving object tracking) has attracted widespread attention in the mobile robot field. This paper proposes a new approach, SLAMMOT-SP, which combines SLAMMOT and scene prediction (SP). It extends the SLAMMOT problem to simultaneous map prediction and moving object trajectory prediction. The robot not only passively collects the data and executes SLAMMOT, but actively predicts the scene. The recursive Bayesian formulation of SLAMMOT-SP is derived for real-time operations. A generalized framework for tracking and predicting the moving objects is also proposed. Simulations and experiments show that the proposed SLAMMOT-SP is effective and can be performed in real-time.