用于行人轨迹预测的场景限制时空图卷积网络

目的 针对行人轨迹预测问题,已有的几种结合场景信息的方法基于合并操作通过神经网络隐式学习场景与行人运动的关联,无法直观地解释场景对单个行人运动的调节作用。除此之外,基于图注意力机制的时空图神经网络旨在学习全局模式下行人之间的社会交互,在人群拥挤场景下精度不佳。鉴于此,本文提出一种场景限制时空图卷积神经网络（scene-constrained spatial-temporal graph convolutional neural network,Scene-STGCNN）。方法 Scene-STGCNN由运动模块、基于场景的微调模块、时空卷积和时空外推卷积组成。运动模块以时空图卷积提取局部行人时空特征,避免了时空图神经网络在全局模式下学习交互的局限性。基于场景的微调模块将场景信息嵌入为掩模矩阵,用来调节运动模块生成的中间运动特征,具备实际场景下的物理解释性。通过最小化核密度估计下真实轨迹的负对数似然,增强Scene-STGCNN输出的多模态性,减少预测误差。结果 实验在公开数据集ETH （包含ETH和HOTEL）和UCY （包含UNIV、ZARA1和ZARA2）上与其他7种主流方法进行比较,就平均值而言,相对于性能第2的模型,平均位移误差（average displacement error,ADE）值减少了12%,最终位移误差（final displacement error,FDE）值减少了9%。在同样的数据集上进行了消融实验以验证基于场景的微调模块的有效性,结果表明基于场景的微调模块能有效建模场景对行人轨迹的调节作用,从而减小算法的预测误差。结论 本文提出的场景限制时空图卷积网络能有效融合场景和行人运动,在学习局部模式下行人交互的同时基于场景特征对轨迹特征做实时性调节,相比于其他主流方法,具有更优的性能。     

运动序列的时空结构特征表示模型

运动序列是一种与运动信号相关的多维时间序列,各个维度序列之间具有高耦合性的特点。现有的多维序列表征方法大多基于维度间相互独立的假设或缺乏可解释性,为此,提出一种适用于运动序列的时空结构特征表示模型及其两阶段构造方法。首先,基于空间变化事件的转换方法,将多维时间序列变换成一维事件序列,以保存序列中的空间结构特性。接着,定义了一种时空结构特征的无监督挖掘算法。基于新定义的表示度度量,该算法从事件序列中提取一组具有代表性的低冗余变长事件元组为时空结构特征。在多个人类行为识别数据集上的实验结果表明,与现有多维时间序列表示方法相比,新模型的特征集更具代表性,在运动序列模式识别领域可以有效提升分类精度。     

基于深度学习的翻越行为检测

翻越行为检测对疫情管控、社会治安等有着重要意义,一定程度上可以减少因为违规翻越行为而造成的意外事故.针对目前翻越行为检测任务实时性差、需要先验知识的问题,本文将Faster RCNN+SlowFast时空行为检测算法应用在翻越行为检测任务中,将翻越行为进行拆分检测.为提高时空行为检测算法中目标的检测精度和速率将目标检测模块Faster RCNN改为实时性高且轻量化的YOLOv5;其次针对同一行为不同视角下广泛的类内多样性的问题,将Fast支路和Slow支路的residual block分别改为AC residual block和SE residual block来加强网络对关键特征与细粒度特征的学习能力,最后设计翻越行为检测算法进行攀爬与下降两种状态的连续性检测,实验结果显示该网络平均准确率达93.5%,在翻越行为检测中表现出良好的性能.     

基于时空重采样的实时随机光源裁剪EI北大核心CSCD

为了渲染含大量动态光源的动态场景,提出一种时空重采样算法.首先利用实时随机光源裁剪对光源进行重要性采样,生成重采样样本;然后提出一种快速时空样本有效性判断方式,通过检查几何属性与可见性,避免错误选择重采样样本而引入误差;最后通过重采样复用时空样本,依样本权重选择重要样本进行着色,提高样本质量.自建场景与NVIDIA ORCA场景的实验结果表明,所提算法能够取得较好的采样质量,通过修改空间重采样数可平衡该算法的耗时与渲染质量,使之具有一定的拓展性;与实时随机光源裁剪算法相比,在相同采样数时该算法能够取得更高的渲染质量,而渲染质量相近时该算法耗时可减少20%~40%.     

1985～2020年上海市不透水面时空特征演化分析

不透水地表的分布与变化是城市发展过程的直观标志和重要指示因子,在城市生态功能、城市规划和可持续发展研究等方面发挥着重要作用。利用中国科学院空天信息创新研究院研发的1985～2020年长时序30m不透水面动态数据集(GISD30),结合GIS空间统计方法,研究分析了过去35 a上海市不透水面时空特征演化。结果表明：(1)35 a来,上海市不透水面面积从878.07 km²增长至2 849.90 km²,面积扩张到原来的3.25倍,随着1990年浦东新区的开发开放,上海城市化进程明显加快,1990～2010年上海市不透水面扩张最为显著,2010年以后不透水面扩张速度和扩张强度开始显著下降。(2)从区位分异特征来看,不透水面迅速扩张的行政区主要位于城市郊区,其中,浦东新区在各个研究时段的扩张速度均大于其他区划。(3)基于紧凑度和分形维数发现,中心城区不透水面空间分布结构趋于疏散,上海市整体不透水面边界复杂程度降低,城市空间形态更加规则。(4)“南北两翼”的上海城市扩张特点较为明显,南部郊区的高强度扩张带动了不透水面空间重心的持续南移,发展至2010...     

基于时空特征的多模型网络流量短期预测方法

网络流量短期预测由于其波动性大,突发性强,采样随机性高等特点一直是研究人员重点关注的课题之一,其对于网络调度,异常预警等网络规划工作具有重要的指导作用。从网络短期流量的时间周期性和空间关联性入手,对原始短期流量数据进行时空特征维度构造,并使用长短期记忆LSTM和LightGBM决策树对未来不同采样时刻的流量进行预测,最终在多个数据集的实验中达到了良好的预测精度。     

智能技术在北半球对流层顶大梯度区时空演变与纬向风关联分析中的应用

基于案例分析,阐述对流层顶梯度的时空分布特征及其与200hPa纬向风风速的关系。结果表明：北半球的对流层顶梯度值变化呈上升趋势,对流层顶梯度与纬向风的风速大小存在显著的正相关关系。     

基于时空图卷积网络的交通事故风险预测研究

交通事故的预测是通过对过去路段发生的交通事故进行分析,在综合考虑影响交通事故的相关因素后,对未来路段的交通事故发生状态进行预测。以往的大多数研究通常采用传统机器学习方法或单一深度学习模型预测法,利用网格化确定预测空间的单位,忽略了影响交通事故的天气、路况等外部因素,导致模型的预测性能不佳。提出一种基于时空特性的城市交通事故风险预测模型,在模型中使用改进的时空图卷积网络,利用图卷积网络（GCN）提取空间相关特征,并加入批标准化层解决梯度消失爆炸问题。在时间维度上采用门控线性单元（GLU）实现一维卷积操作,提取时间相关特征,并将GCN和GLU组合成时空卷积模块提取时空相关特征,使用均方误差损失函数解决样本数据零膨胀问题。实验结果表明,与GLU、SDCAE和ConvLSTM模型相比,该模型的RMSE指标分别降低了28%、4.87%、4.19%,能有效捕获时空相关性,综合性能得到较大提升。     

一种基于降维密度聚类的船舶异常轨迹识别方法

目的 有效分析和探索海洋船舶时空轨迹行为模式,提高船舶轨迹聚类的效率与质量,更好地检测真实船舶的异常行为。方法 针对当前船舶轨迹数据研究中存在的对多维特征信息利用不足、检测效率不高、检测精度较差等问题,提出一种精确度高、能自主识别分析多维特征的船舶异常轨迹识别方法。首先利用随机森林分类器评估多维特征重要性,构建轨迹特征的最优组合;然后提出一种降维密度聚类方法,将T–分布随机邻域嵌入(T–SNE)和自适应密度聚类(DBSCAN)模型结合,通过构建特征选择层和无监督聚类层实现对数据元素非线性关系的高效提取以及对聚类参数的智能选择;最后根据聚类结果构建类簇特征向量,计算距离阈值判别轨迹相似度,实现轨迹异常检测模型的构建。结果 以UCI数据集为例,降维密度聚类方法对4、13、30、64维特征数据集的F1分数能达到0.9 048、0.9 534、0.8 218、0.6 627,多个聚类指标均优于DBSCAN、K–Means等常见聚类算法的。结论 研究结果表明,降维密度聚类方法能有效提取数据多维特征结构,实现聚类参数自适应,弥补密度聚类中参数难以确定的问题,有效实现对多种类型船舶轨迹异常的识别。