CN106568445A - 基于双向循环神经网络的室内轨迹预测方法 - Google Patents
基于双向循环神经网络的室内轨迹预测方法 Download PDFInfo
- Publication number
- CN106568445A CN106568445A CN201610995627.4A CN201610995627A CN106568445A CN 106568445 A CN106568445 A CN 106568445A CN 201610995627 A CN201610995627 A CN 201610995627A CN 106568445 A CN106568445 A CN 106568445A
- Authority
- CN
- China
- Prior art keywords
- indoor
- point sequence
- track
- sampling point
- neutral net
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于双向循环神经网络的室内轨迹预测方法,该方法包括以下步骤:步骤一、室内空间预处理;步骤二、把室内定位得到的轨迹集中的目的地进行聚类;步骤三、利用室内定位技术,得到需要预测目标的采样点序列;步骤四、采样点序列校准;步骤五、根据室内轨迹预测问题特点,改进双向循环神经网络的结构。利用自适应梯度调节器进行训练,调节embedding列表的数据,使得偏差最小。将经过校准的采样点序列输入到改进后的双向循环神经网络中,进行目的地预测。本发明提出的算法,可以很好的对室内移动目标的轨迹进行预测;利用历史轨迹集解决了室内空间连通性问题;采样点序列校准保证了得到的采样点不会受数据稀疏性的影响,提高了预测的准确性。
Description
技术领域
本发明涉及双向循环神经网络及室内定位
背景技术
在人们的日常生活中,每天都会产生大量的轨迹,虽然近年来有很多关于移动目标轨迹的分析,但是大部分是针对室外行为的,产生了很好的实验效果。事实上人们在室内同样产生了大量的轨迹,但是室内外空间的测量方法、空间连通性均有很大不同,室外是典型的空间网或者欧几里得空间,室内是由网格定义的空间组成,并且室内空间上相邻的网格在物理上未必连通,例如室内相邻两个房间的网格在空间上是连通的,但是由于墙体的限制,物理上并不连通为室内目标的轨迹分析造成了很大的影响。同时GPS技术无法对室内物体进行定位,无法对室内运动行为进行分析。
目前提出的最新室内定位技术将无线网络与深度地图的结合,仅利用用户携带的智能手机与安装的廉价的传感器,显著的提高了室内定位系统的有效性及普遍性;通过权重融合的方法对WiFi室内定位算法进行了改进,有效地解决了WiFi室内定位精确性的问题。为记录室内目标轨迹提供了大量有效信息。但目前室内定位技术得到的定位数据存在数据稀疏性的问题,对于预测移动目标的目的地有很大影响,甚至可能会得到完全相反的结果。
目前主要的目的地预测算法有利用隐马尔科夫模型和利用贝叶斯网推理的方法。但是无论是马尔科夫模型还是贝叶斯网在预测中均存在一定的局限性,不能保存过多的历史信息,无法有效解决室内目标预测的问题。双向循环神经网络(BRNN)是在循环神经网络(RNN)的基础上提出的,RNN隐含层之间的节点不再是无连接的,而是有连接的,并且隐含层的输入不仅包含输入层的输出,还包含上一时刻隐含层的输出。然而标准的RNN在时序上处理序列往往忽略了未来的上下文信息。因此在RNN的基础上,提出BRNN,基本思想是提出每一个训练序列分别是向前和向后的两个循环神经网络,而且均连接输出层。这个结构提供给输出层输入序列中每一个点的完整的过去和未来的上下文信息,弥补了传统的状态转移模型的缺陷。采样点序列的开始与结束部分对室内目标目的地预测有很大的影响,因此利用BRNN双向循环及保存历史轨迹的特点,充分利用开始与结束点对目的地预测的影响,提高预测的准确性。
综上所述,我们提出的基于双向循环神经网络的室内轨迹预测方法,利用室内定位技术得到的室内目标移动轨迹集,对室内参考空间进行预处理,然后对利用室内定位技术得到的采样点序列进行校准,解决数据稀疏性问题,最后将经过校准的采样点序列利用双向循环神经网络进行目的地的预测。
发明内容:
为解决现有的室内轨迹预测算法存在的问题,如室内外空间的差异,用于预测轨迹的采样点数据稀疏性,无法保存过多上下文信息等。本发明提出了一种基于双向循环神经网络的室内轨迹预测方法,发明内容主要包括:本预测方法的流程框架,根据室内定位技术对室内参考空间的预处理,对采样点序列的校准,以及将室内定位得到的经过校准轨迹应用到改进的双向循环神经网络中进行轨迹预测。
一种基于双向循环神经网络的轨迹预测方法,其特征在于:至少包括以下步骤:
步骤一、室内空间预处理;
根据室内定位得到的历史轨迹数据集对室内空间进行预处理,判断室内空间网格之间的连通性,将室内空间划分成若干区域;
步骤二、把室内定位得到的轨迹集中的目的地进行聚类;
将历史轨迹数据集与划分好的室内区域相结合,使用mean-shift聚类算法,对目的地进行聚类;
步骤三、利用室内定位技术,得到需要预测目标的采样点序列;
步骤四、采样点序列校准;
(1)、根据轨迹的历史数据集中各个轨迹时间和空间信息,计算不同网格及区域之间的转换率;
(2)、利用时间和空间的转换率对采样点序列进行校准,得到与原始轨迹相近的采样点序列;
步骤五、根据室内轨迹预测问题特点,改进双向循环神经网络的结构。对前后向神经网络各删除一个隐含层,然后利用自适应梯度调节器进行训练,调节embedding列表的数据,使得偏差最小。将经过校准的采样点序列输入到改进后的双向循环神经网络中,进行目的地预测。
有益效果:
与现有技术相比,采用本发明所述的设计方案,可以达到以下技术效果:
1、利用室内定位技术,获取室内历史轨迹集,通过设定适当的网格大小,构造出参考系统,并根据历史数据集得到不同网格之间的连通性,将室内空间划分为若干区域,完成室内空间预处理;
2、通过历史数数据集,计算出网格间时间及空间的转换率,为采样点序列校准做准备;
3、利用室内定位技术获取移动目标的采样点,并利用转换率对采样点进行校准,即对采样点进行补足,使得采样点序列不受数据稀疏性的影响,更加接近原始轨迹;
4、将经过校准后的轨迹序列作为输入应用到简化过的双向循环神经网络中,利用双向循环神经网络可保存较多历史数据,并能充分利用开始和结束采样点的特性,对轨迹的目的地进行更准确的预测。
附图说明:
图1.方法框架流程图
图2.循环神经网络结构图
图3.双向循环神经网络在时间上展开图
图4.使用双向循环神经网络进行预测目的地流程图
具体实施方式:
步骤一、室内空间预处理;
(1)将室内空间按照设定的值分成由大小相同的网格组成的参考系,并在x,y两个方向进行编号CID(x,y),利用历史数据轨迹得出目标在室内移动时经过的网格序列,判断网格间的连通性;对于历史数据,可能存在采样误差,为保证历史数据的有效性,设定数据点数目的阈值,如果网格中的历史数据点超过设定的阈值,则认为该网格中的历史数据是有效的。
定义1、空间接近:对于网格编号CID(x,y),|x-x′|≤1,|y-y′|<1或者|x-x′|<1,|y-y′|≤1的网格则定义为空间接近的。
定义2、空间连通:在历史轨迹中,对于空间接近的网格存在直接相连的历史轨迹,则定义为空间连通的。
定义3、连通域:连接两个不同区域的网格,即如果一个网格被标记为两个及以上不同的区域号,则将该区域标记为连通域,CR,例如室内空间的门为典型的连通域。
室内框架结构还原的主要思想是给空间连通的网格分配相同的RID,给是空间接近但不连通的网格分配不同的RID。如果一个网格分配两个不同的RID,则该网格标记为连通域。具体算法步骤如下:
Step1:对参数i,k进行初始化赋值为1,1,并将网格(1,1)标记为r1,放入到相应的队列中;
Step2:将(1,1)从队列中移除,并将空间连通的网格加入到该队列中,并调用函数marked region(r1);
Step3:
Step4.
步骤二、把室内定位得到的轨迹集中的目的地进行聚类;
利用步骤一得到经过区域划分的室内空间,可以使用mean-shift算法对历史轨迹集中的目的地进行聚类;
步骤三、利用室内定位技术,得到需要预测目标的采样点序列;
步骤四、采样点序列校准;
(1)、根据轨迹的历史数据集中各个轨迹时间和空间信息,计算不同网格及区域之间的转换率;
转换率指的是物体从一个点移动到另一个点的概率。网格的转换率仅指同一区域内网格间的转换率;对于不同区域内的网格,我们需要计算区域间的转换率。
对于同一区域内的网格,网格仅直接和它的空间连通网格相连,仅需要计算与空间连通网格的可能性。我们将网格间转换的可能性保存到矩阵M中,|T(c(x,y)→*)|指的是网格到它的所有空间连通网格的轨迹数目,因此可得转换率。
同时,通过计算得出需两步到达网格的转换率M1:2=M+M2,以此类推,可得n步的转换率
M1:n=M+M2+...+Mn \*MERGEFORMAT (2)
其中每一项用M(c(x′,y′)|c(x,y))表示,表示从c(x,y)到c(x′,y′)n步的转换可能性
同时可以通过计算从ci到cj的平均时间当做从ci到cj的时间,i,j为CID的简化记法,
ci.t为轨迹T经过ci的时间戳,将不同网格之间的转换时间保存到矩阵D中di,j=t(ci→cj)
对于区域间的可能性,与网格转换率的可能性类似,我们将一个区域看成是一个网格,然后计算n步区域的转换率,利用连通域将不同的区域相连。
(2)、利用时间和空间的转换率对采样点序列进行校准,得到与原始轨迹相近的采样点序列;
轨迹校准的主要思想是如果一个网格经过了较多的网格,越有可能插入到轨迹中;同时,在时间上,如果一个确定的连接ci,cj的路径P与路径经过的时间相似,则路径P越有可能成为原始路径具体的算法步骤如下:
Step1.对于室内空间的每一网格,创建从一个网格到其他网格的路径集
Step2.计算同一区域内不同网格之间的转换概率
Step3.创建一个插入列表,用于保存插入到采样点对中的网格
Step4.利用转换概率,计算采样点对之间的网格成为插入点的概率,如果大于设定的阈值,则插入,如果小于则不插入
路径集P(si,si+1)包括所有在n步内经过si,si+1的路径,为了产生路径集,我们根据历史轨迹转换矩阵记录的n步路径,则从si到si+1n步的路径为然后结合时间可能性计算出经过采样点的路径可能性。如果网格可能性大于设定的阈值,则将其插入到采样序列中,需要注意的是对于每一对(si,si+1)初始计算时的网格可能性均需要设为0。
C是设置的标准化参数使
是P成为连接si and si+1真实路径的概率
描述的是时间转换概率,时间转换率指的是与真实路径时间接近的路径相似度
步骤五、根据室内轨迹预测问题特点,改进双向循环神经网络的结构。对前后向神经网络各删除一个隐含层,然后利用自适应梯度调节器进行训练,调节embedding列表的数据,使得偏差最小。将经过校准的采样点序列输入到改进后的双向循环神经网络中,进行目的地预测。
轨迹位置序列有一定的时序性,并且位置之间存在一定上下文关联。即历史轨迹作为一个序列的输入需要一个不断学习前后位置特征的一个模型。图4是本文构建的基于双向循环神经网络的位置预测框架,然而双向循环神经网络的收敛速度慢,参数复杂,在进行训练及预测时的时间复杂度较高,因此我们队双向循环神经网络的结构进行了调整,对前后向神经网络各删除一个隐含层,然后利用自适应梯度调节器进行训练,调节embedding列表的数据,减少偏差。
我们将经过校准的采样点序列作为输入应用到调整后的双向循环神经网络中,即一个RNN前向读取轨迹,一个RNN后向读取轨迹。对于embedding层神经语言模型化方法,校准轨迹中采样点包含的时间信息,组成包含轨迹采样点序列具体时间,如周、天、小时组成的隐含表,表中的每一行代表每一种可能的值。然后将embedding层中的数据与校准的采样点的位置序列共同形成输入层应用到双向循环神经网络的隐含层中。
对于输出层预测,利用步骤四中得到目的地的集合(Ci)1≤i≤C,计算每个聚类目的地的可能性(pi)i,可以理解为在隐藏层的基础上增加一个softmax隐藏层,隐含值(pi)i的和必须为1。
其中(ej)j是先前层的激活值;最后,利用公式计算出预定义目的地聚类中心的权重平均值,即最后的目的地的预测结果
这个操作等价于一个简单的线性输出层,其中聚类中心的权重矩阵被初始化,并且在训练过程中不被改变。通过softmax函数计算的pi可保证对应一个中心的计算。
Claims (4)
1.一种基于双向循环神经网络的室内轨迹预测方法其特征在于:至少包括以下步骤:
步骤一、室内空间预处理;
根据室内定位得到的历史轨迹数据集对室内空间进行预处理,判断室内空间网格之间的连通性,将室内空间划分成若干区域;
步骤二、把室内定位得到的轨迹集中的目的地进行聚类;
将历史轨迹数据集与划分好的室内区域相结合,使用mean-shift聚类算法,对目的地进行聚类;
步骤三、利用室内定位技术,得到需要预测目标的采样点序列;
步骤四、采样点序列校准;
(1)、根据轨迹的历史数据集中各个轨迹时间和空间信息,计算不同网格及区域之间的换率;
(2)、利用时间和空间的转换率对采样点进行校准,得到与原始轨迹相近的采样点序列;
步骤五、根据室内轨迹预测问题特点,改进双向循环神经网络的结构,对前后向神经网络各删除一个隐含层,然后利用自适应梯度调节器进行训练,调节embedding列表的数据,使得偏差最小,将经过校准的采样点序列输入到改进后的双向循环神经网络中,进行目的地预测。
2.根据权利要求1所述的一种基于双向循环神经网络的室内轨迹预测方法,其特征在于:
所述步骤一中利用室内定位技术得到的轨迹集,得到室内不同网格空间的连通性,在此基础上对室内空间进行预处理,很好地解决了室内空间连通性的问题。
3.根据权利要求1所述的一种基于双向循环神经网络的室内轨迹预测方法,其特征在于:
所述步骤三、四中利用室内定位技术获取室内目标移动的采样点序列,弥补了GPS无法对室内目标很好的进行定位的缺陷,同时利用历史轨迹集计算不同区域、网格之间的转换率,对室内定位得到的采样点序列进行校准,解决了室内定位技术获取的数据稀疏性问题,经过预处理的采样点序列与原始的目标移动序列有很强的相似性。
4.根据权利要求1所述的一种基于双向循环神经网络的室内轨迹预测方法,其特征在于:
所述步骤五中对双向循环神经网络的结构进行改进,在此基础上对经过校准的采样点序列进行目的地预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610995627.4A CN106568445B (zh) | 2016-11-11 | 2016-11-11 | 基于双向循环神经网络的室内轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610995627.4A CN106568445B (zh) | 2016-11-11 | 2016-11-11 | 基于双向循环神经网络的室内轨迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106568445A true CN106568445A (zh) | 2017-04-19 |
CN106568445B CN106568445B (zh) | 2019-07-05 |
Family
ID=58541863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610995627.4A Expired - Fee Related CN106568445B (zh) | 2016-11-11 | 2016-11-11 | 基于双向循环神经网络的室内轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106568445B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121665A (zh) * | 2017-05-03 | 2017-09-01 | 电子科技大学 | 一种基于稀疏阵的近场相干源的无源定位方法 |
CN108074415A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的车辆目的地预测方法及系统 |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN109034448A (zh) * | 2018-06-14 | 2018-12-18 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
CN109389246A (zh) * | 2018-09-13 | 2019-02-26 | 中国科学院电子学研究所苏州研究院 | 一种基于神经网络的交通工具目的地区域范围预测方法 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109788433A (zh) * | 2019-03-13 | 2019-05-21 | 东南大学 | 一种基于深度卷积自编码网络的室内定位轨迹聚类方法 |
CN110321343A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 一种可穿戴设备轨迹预测方法、装置和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101297337A (zh) * | 2005-09-29 | 2008-10-29 | 微软公司 | 采用开放和闭合世界建模方法从局部轨迹预测目的地的方法 |
CN102509170A (zh) * | 2011-10-10 | 2012-06-20 | 浙江鸿程计算机系统有限公司 | 一种基于历史轨迹数据挖掘的位置预测系统及方法 |
CN104408203A (zh) * | 2014-12-18 | 2015-03-11 | 西安电子科技大学宁波信息技术研究院 | 一种预测移动对象轨迹终点的方法 |
CN105120517A (zh) * | 2015-07-29 | 2015-12-02 | 重庆邮电大学 | 基于多维尺度分析的室内wlan信号平面图构建与定位方法 |
CN105513395A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种基于车辆目的地预测的智能信息推送系统和方法 |
CN105975956A (zh) * | 2016-05-30 | 2016-09-28 | 重庆大学 | 一种基于红外全景摄像头的独居老人异常行为识别方法 |
-
2016
- 2016-11-11 CN CN201610995627.4A patent/CN106568445B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101297337A (zh) * | 2005-09-29 | 2008-10-29 | 微软公司 | 采用开放和闭合世界建模方法从局部轨迹预测目的地的方法 |
CN102509170A (zh) * | 2011-10-10 | 2012-06-20 | 浙江鸿程计算机系统有限公司 | 一种基于历史轨迹数据挖掘的位置预测系统及方法 |
CN104408203A (zh) * | 2014-12-18 | 2015-03-11 | 西安电子科技大学宁波信息技术研究院 | 一种预测移动对象轨迹终点的方法 |
CN105120517A (zh) * | 2015-07-29 | 2015-12-02 | 重庆邮电大学 | 基于多维尺度分析的室内wlan信号平面图构建与定位方法 |
CN105513395A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种基于车辆目的地预测的智能信息推送系统和方法 |
CN105975956A (zh) * | 2016-05-30 | 2016-09-28 | 重庆大学 | 一种基于红外全景摄像头的独居老人异常行为识别方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121665B (zh) * | 2017-05-03 | 2019-11-05 | 电子科技大学 | 一种基于稀疏阵的近场相干源的无源定位方法 |
CN107121665A (zh) * | 2017-05-03 | 2017-09-01 | 电子科技大学 | 一种基于稀疏阵的近场相干源的无源定位方法 |
CN108074415A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的车辆目的地预测方法及系统 |
CN108074415B (zh) * | 2017-12-19 | 2020-09-11 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的车辆目的地预测方法及系统 |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN108629978B (zh) * | 2018-06-07 | 2020-12-22 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN109034448A (zh) * | 2018-06-14 | 2018-12-18 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
CN109034448B (zh) * | 2018-06-14 | 2022-02-11 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
CN109389246A (zh) * | 2018-09-13 | 2019-02-26 | 中国科学院电子学研究所苏州研究院 | 一种基于神经网络的交通工具目的地区域范围预测方法 |
CN109389246B (zh) * | 2018-09-13 | 2021-03-16 | 中国科学院电子学研究所苏州研究院 | 一种基于神经网络的交通工具目的地区域范围预测方法 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109788433A (zh) * | 2019-03-13 | 2019-05-21 | 东南大学 | 一种基于深度卷积自编码网络的室内定位轨迹聚类方法 |
CN110321343A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 一种可穿戴设备轨迹预测方法、装置和系统 |
CN110321343B (zh) * | 2019-07-11 | 2023-11-14 | 广东工业大学 | 一种可穿戴设备轨迹预测方法、装置和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106568445B (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106568445A (zh) | 基于双向循环神经网络的室内轨迹预测方法 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN110928993B (zh) | 基于深度循环神经网络的用户位置预测方法及系统 | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
CN109242140A (zh) | 一种基于LSTM_Attention网络的交通流预测方法 | |
CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN108900346A (zh) | 基于lstm网络的无线网络流量预测方法 | |
CN110543543A (zh) | 一种基于多粒度神经网络的用户移动行为预测方法及装置 | |
CN109671102A (zh) | 一种基于深度特征融合卷积神经网络的综合式目标跟踪方法 | |
CN112949828A (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
CN108985195A (zh) | 行为识别方法、装置、计算机设备及存储介质 | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、系统及装置 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN110826698A (zh) | 一种通过上下文相关的图嵌入表示人群移动模式的方法 | |
CN111121759B (zh) | 一种基于多层长短期记忆网络的地磁室内定位方法 | |
CN113327417B (zh) | 基于3d动态时空残差卷积关联网络的交通流预测方法 | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN105913078A (zh) | 改进自适应仿射传播聚类的多模型软测量方法 | |
CN116859985A (zh) | 一种四旋翼自动追踪功能实现方法 | |
CN115051925A (zh) | 一种基于迁移学习的时空序列预测方法 | |
CN107273692B (zh) | 一种传感器感知能力受限的随机集理论的分布式融合方法 | |
CN113988415A (zh) | 一种中长期电力负荷预测方法 | |
CN112529941A (zh) | 一种基于深度轨迹预测的多目标跟踪方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190705 Termination date: 20211111 |