CN106897800A - 一种目标的运动范围预测方法及装置 - Google Patents
一种目标的运动范围预测方法及装置 Download PDFInfo
- Publication number
- CN106897800A CN106897800A CN201710114160.2A CN201710114160A CN106897800A CN 106897800 A CN106897800 A CN 106897800A CN 201710114160 A CN201710114160 A CN 201710114160A CN 106897800 A CN106897800 A CN 106897800A
- Authority
- CN
- China
- Prior art keywords
- function
- target
- path length
- length information
- motion
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000002245 particle Substances 0.000 claims abstract description 95
- 238000012417 linear regression Methods 0.000 claims abstract description 60
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 230000001419 dependent effect Effects 0.000 claims abstract description 13
- 230000006978 adaptation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 116
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 101100129590 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mcp5 gene Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种目标的运动范围预测方法及装置,该方法包括:获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息;利用粒子群方法对根据环境属性信息和第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,多元线性回归函数的自变量和因变量分别为环境属性信息和第一路径长度信息;根据各个第二路径长度信息、目标的运动起点位置和运动总时间,确定目标对应的各个运动终点位置,运动总时间为目标由运动起点位置运动到运动终点位置所占用的时间;根据各个运动终点位置得到目标的运动预测范围,其利用机器学习技术实现运动范围预测,预测准确度较高,且省时省力,实用性较佳。
Description
技术领域
本发明涉及机器学习技术领域,具体而言,涉及一种目标的运动范围预测方法及装置。
背景技术
现今犯罪目标的反侦查意识逐年增强,面对警方的严密布控,嫌疑人在任何有风吹草动的情况下,第一时间均会选择望风而逃。面临犯罪目标的逃离,警方需要第一时间(如20分钟内)准确的划定嫌疑人逃跑范围,在范围内大量布控,对犯罪目标实施抓捕。
相关技术中提供了一种基于社会科学的目标逃跑范围预测方法,该方法主要利用专家在社会学、心理学等方面的相关经验,综合考虑路网、天气、时间等多个现场环境因素,以及犯罪目标的犯罪心理形成和犯罪行为发生的规律,预测与划定犯罪目标可能逃跑的范围。
发明人在研究中发现,基于社会科学的目标逃跑范围预测方法主要以专家经验为主,由于无法较好的综合评估各种影响逃跑范围的因素,导致范围预测的准确度较低,而较低准确率的范围预测将导致后续浪费更多的人力物力去围捕犯罪目标。
发明内容
有鉴于此,本发明的目的在于提供一种目标的运动范围预测方法及装置,利用机器学习技术实现对目标的运动范围预测,预测准确度较高,且省时省力,实用性较佳。
第一方面,本发明实施例提供了一种目标的运动范围预测方法,所述方法包括:
获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息;
利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,所述多元线性回归函数的自变量为所述环境属性信息,所述多元线性回归函数的因变量为所述第一路径长度信息;
根据各个所述第二路径长度信息、所述目标的运动起点位置和运动总时间,确定所述目标对应的各个运动终点位置,所述运动总时间为所述目标由所述运动起点位置运动到所述运动终点位置所占用的时间;
根据各个所述运动终点位置得到所述目标的运动预测范围。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解之前,还包括:
根据有效关联规则对所述环境属性信息进行约简,得到约简后的环境属性信息,所述有效关联规则是提升度符合预设阈值的由所述环境属性信息推导出所述第一路径长度信息的关联规则。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,包括:
对所述粒子群方法中的所有粒子均进行初始化,并确定所有所述粒子的适应度函数,所述适应度函数为所述多元线性回归函数中的目标函数,每个所述粒子均为所述多元线性回归函数中的一个回归参数;
根据所述适应度函数更新所述粒子的速度和位置;
对更新的所述速度和位置进行多次迭代处理,得到对应于所述适应度函数的最优解;
基于所述最优解得到对应的最优回归参数,所述最优回归参数为所有所述回归参数中的一个;
将所述最优回归参数和所述路径的所述环境属性信息均代入所述多元线性回归函数,得到所述路径对应的第二路径长度信息。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述根据所述适应度函数更新所述粒子的速度和位置,包括:
根据所述适应度函数计算对应的哨兵函数,并根据所述哨兵函数计算得到所述粒子的哨兵值,所述哨兵函数由所述适应度函数、适应度平均值和规范化函数确定,所述规范化函数由所述适应度函数和最大适应度值确定;
判断所述哨兵值是否符合预设阈值,若否,根据惯性权重和学习因子更新所述粒子的速度和位置,所述惯性权重由所述哨兵值、预设最小惯性权重和预设最大惯性权重确定,所述学习因子由所述哨兵值、预设起始学习因子和预设结束学习因子确定。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述对更新的所述速度和位置进行多次迭代处理,得到对应于所述适应度函数的最优解,包括:
利用禁忌搜索方法在当前次迭代得到的全局最优解的预设范围内搜索新解;
判断所述新解是否是所述当前次迭代的最优解,若是,则将所述最优解作为下一次迭代的初始值对更新的所述速度和位置进行迭代处理,直至达到预设迭代条件时,停止迭代,得到多次迭代后对应于所述适应度函数的所述最优解。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述根据各个所述第二路径长度信息、所述目标的运动起点位置和运动总时间,确定所述目标对应的各个运动终点位置,包括:
从各个所述第二路径长度信息中查找与所述运动起点位置相连接的第一运动位置对应的所述第二路径长度信息,通过查找到的所述第二路径长度信息对应的第一平均运动时间对所述运动总时间进行更新;
从各个所述第二路径长度信息中查找与所述第一运动位置相连接的第二运动位置对应的所述第二路径长度信息,通过查找到的所述第二路径长度信息对应的第二平均运动时间对更新后的所述运动总时间再次进行更新,直至更新到的所述运动总时间为零时,停止更新,并得到对应的所述运动终点位置。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述根据各个所述运动终点位置得到所述目标的运动预测范围,包括:
将相邻所述运动终点位置依次连接,得到所述目标的运动预测范围。
第二方面,本发明实施例还提供了一种目标的运动范围预测装置,所述装置包括:
获取模块,用于获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息;
迭代模块,用于利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,所述多元线性回归函数的自变量为所述环境属性信息,所述多元线性回归函数的因变量为所述第一路径长度信息;
确定模块,用于根据各个所述第二路径长度信息、所述目标的运动起点位置和运动总时间,确定所述目标对应的各个运动终点位置,所述运动总时间为所述目标由所述运动起点位置运动到所述运动终点位置所占用的时间;
生成模块,用于根据各个所述运动终点位置得到所述目标的运动预测范围。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述迭代模块包括:
确定单元,用于对所述粒子群方法中的所有粒子均进行初始化,并确定所有所述粒子的适应度函数,所述适应度函数为所述多元线性回归函数中的目标函数,每个所述粒子均为所述多元线性回归函数中的一个回归参数;
更新单元,用于根据所述适应度函数更新所述粒子的速度和位置;
迭代单元,用于对更新的所述速度和位置进行多次迭代处理,得到对应于所述适应度函数的最优解;
第一生成单元,用于基于所述最优解得到对应的最优回归参数,所述最优回归参数为所有所述回归参数中的一个;
第二生成单元,用于将所述最优回归参数和所述路径的所述环境属性信息均代入所述多元线性回归函数,得到所述路径对应的第二路径长度信息。
结合第二方面的第一种可能的实施方式,本发明实施例提供了第二方面的第二种可能的实施方式,其中,所述更新单元包括:
计算子单元,用于根据所述适应度函数计算对应的哨兵函数,并根据所述哨兵函数计算得到所述粒子的哨兵值,所述哨兵函数由所述适应度函数、适应度平均值和规范化函数确定,所述规范化函数由所述适应度函数和最大适应度值确定;
更新子单元,用于判断所述哨兵值是否符合预设阈值,若否,根据惯性权重和学习因子更新所述粒子的速度和位置,所述惯性权重由所述哨兵值、预设最小惯性权重和预设最大惯性权重确定,所述学习因子由所述哨兵值、预设起始学习因子和预设结束学习因子确定。
本发明实施例提供的目标的运动范围预测方法及装置,与现有技术中基于社会科学的目标逃跑范围预测方法主要以专家经验为主,由于无法较好的综合评估各种影响逃跑范围的因素,导致范围预测的准确度较低,围捕犯罪目标费时费力相比,其首先获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息,然后利用粒子群方法对根据环境属性信息和第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,多元线性回归函数的自变量为环境属性信息,多元线性回归函数的因变量为第一路径长度信息,并根据各个第二路径长度信息、目标的运动起点位置和运动总时间,确定目标对应的各个运动终点位置,运动总时间为目标由运动起点位置运动到运动终点位置所占用的时间,最后根据各个运动终点位置得到目标的运动预测范围,其利用多元线性回归算法对输入的各个环境属性信息进行目标的运动范围预测,预测准确度较高,且省时省力,实用性较佳。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的一种目标的运动范围预测方法的流程图;
图2示出了本发明实施例所提供的另一种目标的运动范围预测方法的流程图;
图3示出了本发明实施例所提供的另一种目标的运动范围预测方法的流程图;
图4示出了本发明实施例所提供的另一种目标的运动范围预测方法的流程图;
图5示出了本发明实施例所提供的另一种目标的运动范围预测方法的流程图;
图6示出了本发明实施例所提供的一种目标的运动范围预测方法的具体应用图;
图7示出了本发明实施例所提供的一种目标的运动范围预测装置的结构示意图;
图8示出了本发明实施例所提供的一种目标的运动范围预测装置中迭代模块的结构示意图;
图9示出了本发明实施例所提供的一种目标的运动范围预测装置中更新单元的结构示意图。
主要元件符号说明:
11、获取模块;22、迭代模块;33、确定模块;44、生成模块;221、确定单元;222、更新单元;223、迭代单元;224、第一生成单元;225、第二生成单元;2221、计算子单元;2222、更新子单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
考虑到现有技术中的基于社会科学的目标逃跑范围预测方法,主要以专家经验为主,由于无法较好的综合评估各种影响逃跑范围的因素,导致范围预测的准确度较低,而较低准确率的范围预测将导致后续浪费更多的人力物力去围捕犯罪目标。基于此,本发明实施例提供了一种目标的运动范围预测方法及装置,利用机器学习技术实现对目标的运动范围预测,预测准确度较高,且省时省力,实用性较佳。
参见图1所示的本发明实施例提供的目标的运动范围预测方法的流程图,所述方法具体包括如下步骤:
S101、获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息;
具体的,考虑到本发明实施例所提供的目标的运动范围预测方法的具体应用场景,本发明实施例中,上述获取的各个路径的环境属性信息来自于对罪犯追捕的办案经验及对周围环境因素的综合考虑的公安技战法。其中,上述环境属性信息包括道路级别、逃离时间、路径行驶时间、道路类型、红路灯分布情况、车道数、逃跑起点地理位置类型、路况时段、加油站分布情况、交通出行方式、天气情况、同行人数、季节类型、日期类型、当前时刻与目标第一次出现时间的时间差。
另外,对于获取到的环境属性信息,本发明实施例所提供的目标的运动范围预测方法还将对其进行数据清洗和数据转化。
S102、利用粒子群方法对根据环境属性信息和第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,多元线性回归函数的自变量为环境属性信息,多元线性回归函数的因变量为第一路径长度信息;
具体的,在阐述对根据环境属性信息和第一路径长度信息构建的多元线性回归函数进行迭代求解之前,先对上述粒子群方法进行简要说明。
设第t代种群有N个粒子,和表示第i个粒子的位置和速度;在搜索空间内,个体粒子搜索到目前为止的历史最好位置为个体最优,该位置适应度值称为个体极值pbest;一个种群发现的最好点位置为全局搜索的最优点,该位置适应度值称为全局极值gbest;在寻优过程中粒子的速率和位置采取下面的公式来更新。
其中为第i个粒子的速度,ω为当前代粒子群惯性权重,c1和c2为学习因子,为当前代粒子的位置,rand()为0到1之间的随机数。
本发明实施例中,将上述多元线性回归函数的回归参数当作一个粒子,则上述种群中每个粒子均为多元线性回归函数Y=b0+b1x1+…+bkxk的一个解,则粒子i表示解Ansi:Ansi={b0(i),b1(i),b2(i),…,bk(i)}。其中,上述多元线性回归函数中{x1,x2,x3,…,xk}为其自变量,Y为其因变量,且自变量即为对应于每个路径的环境属性信息,因变量即为对应的第一路径长度信息。
其中,上述粒子群算法中的适应度函数f(x)为:
那么,上述粒子群算法的最优解即为令该适应度函数最小的粒子,那么,在对多元线性回归函数求解的过程中,本发明实施例将该适应度函数确定为求解该多元线性回归函数的目标函数,则,将通过粒子群算法求解得到的最优解代入到上述多元线性回归函数,可得到对应的第二路径长度信息。
S103、根据各个第二路径长度信息、目标的运动起点位置和运动总时间,确定目标对应的各个运动终点位置,运动总时间为目标由运动起点位置运动到运动终点位置所占用的时间;
S104、根据各个运动终点位置得到目标的运动预测范围。
具体的,对于每个路径而言,均计算在该路径上可行驶的路网路程(即第二路径长度信息),基于目标的运动起点位置,每行驶一个路径即计算一段路径,相应的,要更新运动总时间,当运动总时间更新到零时,记录此刻停下的位置,即为运动终点位置。对于可能到达的运动终点位置,将所有的终点位置按照相邻的顺序用直线连起来,连起来后形成的不规则闭合区域即为目标运动范围的预测区域。
本发明实施例提供的目标的运动范围预测方法,其首先获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息,然后利用粒子群方法对根据环境属性信息和第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,多元线性回归函数的自变量为环境属性信息,多元线性回归函数的因变量为第一路径长度信息,并根据各个第二路径长度信息、目标的运动起点位置和运动总时间,确定目标对应的各个运动终点位置,运动总时间为目标由运动起点位置运动到运动终点位置所占用的时间,最后根据各个运动终点位置得到目标的运动预测范围,其利用多元线性回归算法对输入的各个环境属性信息进行目标的运动范围预测,预测准确度较高,且省时省力,实用性较佳。
为了更好的对环境属性信息进行多元线性回归分析,本发明实施例所提供的目标的运动范围预测方法还将对获取的环境属性信息进行约简,即根据有效关联规则对环境属性信息进行约简,得到约简后的环境属性信息,有效关联规则是提升度符合预设阈值的由环境属性信息推导出第一路径长度信息的关联规则。
具体的,本发明实施例所提供的目标的运动范围预测方法还基于关联规则算法对环境属性信息进行约简,考虑到Apriori关联规则算法的优良特性,本发明实施例中优选的应用Apriori关联规则算法获取关联规则。另外,本发明实施例还通过从关联规则中寻找到的有效关联规则对环境属性信息进行约简。在进行约简过程的具体阐述之前,对于关联规则有如下参数定义:
(1)支持度:
(2)置信度:sup_num指支持度计数
(3)提升度:
本发明实施例具体按照如下步骤进行约简:
Step1:应用Apriori算法从训练集属性A1,A2,…,Ai,…,An,Y中生成规则,在生成的一些列关联规则的后一项B部分挑选出含有类别属性Y且Lift>1的规则;其中,A1,A2,…,Ai,…,An为环境属性信息,Y为第一路径长度信息;
Step2:将挑选出关联规则例如的前一项A的部分加入到属性集合S中,集合S即为筛选后的属性的集合S={x1,x2,…,xk,Y}。
由上述步骤可知,本发明实施例通过参数定义中的提升度对环境属性信息推导出第一路径长度信息的关联规则进行筛选,根据筛选得到的有效关联规则得到约简后的环境属性信息,约简后的环境属性信息及第一路径长度信息即为上述集合S。
本发明实施例所提供的目标的运动范围预测方法将对根据环境属性信息和第一路径长度信息构建的多元线性回归函数进行迭代求解,参见图2,上述迭代过程具体通过如下步骤实现:
S201、对粒子群方法中的所有粒子均进行初始化,并确定所有粒子的适应度函数,适应度函数为多元线性回归函数中的目标函数,每个粒子均为多元线性回归函数中的一个回归参数;
具体的,本发明实施例所提供的目标的运动范围预测方法根据公式(2)确定粒子对应的适应度函数。
S202、根据适应度函数更新粒子的速度和位置;
为了更好的更新粒子的速度和位置,本发明实施例所提供的目标的运动范围预测方法基于适应度函数对应的哨兵函数对各个粒子进行阈值判断,以在哨兵函数不符合预设阈值时,通过更新惯性权重和学习因子来更新粒子的状态,参见图3,上述更新过程具体通过如下步骤实现:
S2021、根据适应度函数计算对应的哨兵函数,并根据哨兵函数计算得到粒子的哨兵值,哨兵函数由适应度函数、适应度平均值和规范化函数确定,规范化函数由适应度函数和最大适应度值确定;
S2022、判断哨兵值是否符合预设阈值,若否,根据惯性权重和学习因子更新粒子的速度和位置,惯性权重由哨兵值、预设最小惯性权重和预设最大惯性权重确定,学习因子由哨兵值、预设起始学习因子和预设结束学习因子确定。
具体的,本发明实施例所提供的目标的运动范围预测方法通过公式(2)得到适应度函数,可以根据该适应度函数直接更新粒子的速度和位置。然而,本发明实施例中考虑到粒子群处在早熟的状态时,粒子群中将会出现粒子聚集在某个或若干个位置的情况。本发明实施例中创新性的定义了哨兵函数来检验当前粒子群的状态,警戒当前粒子群是否出现粒子早熟的现象,若当前粒子群的哨兵值处在警戒值域范围内,则需对惯性权重及学习因子进行相关的动态自适应更新操作。
其中,在数量为N的粒子群中,设fi为粒子i的适应度值,则第t代粒子i的哨兵函数可定义为:
其中favg是t代适应度平均值,定义为:Δ(fi)为规范化函数,定义为:Δ(fi)=max(1,|fi-fmax|),其作用为限制哨兵函数的值域范围在ζt∈(0,1)之内,其中,fmax为最大适应度值。可看出在算法达到停止条件之前,哨兵函数值ζt变小表示粒子群已朝收敛趋势靠近;哨兵函数值ζt在警戒值域范围内时,则说明表明粒子群已处于早熟的状态,需要对其进行及时的自适应更新操作。
另外,当哨兵函数值ζt变小时,粒子群朝收敛趋势靠近,应通过将惯性权重ω的值变大已达到增强其全局搜索能力得作用;哨兵函数值ζt变大时,应通过将惯性权重ω的值变小已达到增强其局部的寻优能力,因此将惯性权重ω的更新方法定义为下式:
其中,ωmax和ωmin分别为预设最大惯性权重和预设最小惯性权重。
当哨兵函数值ζt变小时,粒子群朝收敛趋势靠近,应通过将学习因子c1的值变大,学习因子c2的值变小,已达到加强pbest对粒子的影响、减弱gbest对粒子的影响的目的,使得粒子最大化的分散于更大的搜索领域,进而克服粒子群易陷入局部极值的缺陷,因此将学习因子c1、c2的更新方法定义为下式:
其中,c1s、c2s是c1和c2最开始时的设定值,即为预设起始学习因子,c1e、c2e是c1和c2最后结束时的设定值,即为预设结束学习因子。
S203、对更新的速度和位置进行多次迭代处理,得到对应于适应度函数的最优解;
本发明实施例所提供的目标的运动范围预测方法在对粒子的速度和位置进行更新后,还将对更新的速度和位置进行多次迭代,参见图4,该迭代过程具体包括:
S2031、利用禁忌搜索方法在当前次迭代得到的全局最优解的预设范围内搜索新解;
S2032、判断新解是否是当前次迭代的最优解,若是,则将最优解作为下一次迭代的初始值对更新的速度和位置进行迭代处理,直至达到预设迭代条件时,停止迭代,得到多次迭代后对应于适应度函数的最优解。
具体的,为了解决上述粒子群算法存在局部搜索能力较差的问题,本发明实施例优选的将禁忌搜索算法和该粒子群算法进行结合,以实现在全局最优解中寻到得到最优解。
其中,将粒子群每一代种群中产生的全局最优粒子送入禁忌算法中进行优化,再将优化后得到的新的全局最优粒子作为下一次迭代的初始值,有效的提升了算法的局部探索能力,然后将回归参数自适应调整的粒子群算法与禁忌搜索算法相结合得到改进后的粒子群算法,根据上述改进后的粒子群算法得到多次迭代后对应于适应度函数的最优解。
S204、基于最优解得到对应的最优回归参数,最优回归参数为所有回归参数中的一个;
S205、将最优回归参数和路径的环境属性信息均代入多元线性回归函数,得到路径对应的第二路径长度信息。
具体的,本发明实施例所提供的目标的运动范围预测方法得到的最优解对应于最优回归参数,将该最优回归参数和环境属性信息代入至多元线性回归函数,即可得到对应的第二路径长度信息。
本发明实施例所提供的目标的运动范围预测方法还将根据各个第二路径长度信息、目标的运动起点位置和运动总时间确定目标的运动终点位置,参见图5,本发明实施例具体通过如下步骤确定终点位置:
S501、从各个第二路径长度信息中查找与运动起点位置相连接的第一运动位置对应的第二路径长度信息,通过查找到的第二路径长度信息对应的第一平均运动时间对运动总时间进行更新;
S502、从各个第二路径长度信息中查找与第一运动位置相连接的第二运动位置对应的第二路径长度信息,通过查找到的第二路径长度信息对应的第二平均运动时间对更新后的运动总时间再次进行更新,直至更新到的运动总时间为零时,停止更新,并得到对应的运动终点位置。
具体的,为了便于对上述运动终点位置的确定进行阐述,接下来通过一个完整的嫌疑人逃跑实例进行说明。
对于从对罪犯追捕的办案经验及对周围环境因素的综合考虑的公安技战法中获取的各个路径的环境属性信息和第一路径长度信息而言,通过Apriori关联规则算法进行约简后,再进行数据转化,可得到:
(1)环境属性信息为:
路径行驶时间(x1)=num1(num1为大于0的数)
道路类型(x2)={1(快速路)、2(主干路)、3(次干路)、4(支路)}
红路灯分布情况(x3)=num2(num2为当前前进方向方圆5公里内的红绿灯个数)
车道数(x4)=num3(num3为当前道路的车道数)
路况时段(x5)={1(0~5点)、2(5~7点)、3(7~10点)、4(10~13点)、5(13~16点)、6(16~19点)、7(19~24点)}
交通出行方式(x6)={1(步行)、2(自行车)、3(电动车)、4(摩托车)、5(汽车)}
天气情况(x7)={1(多云或晴)、2(下雨)、3(下雪)、4(雾)};
日期类型(x8)={1(工作日)、2(周末)、3(节假日)}
当前时刻与第一次在监控出现时间的时间差(x9)=num4(num4为时间差值)
嫌疑人总逃离时间为:Sum(time)=time+num4
(2)Y属性值代表路径长度信息,编号r_num(r_num=1,2,3,…,n)的路径Y(r_num)为:
其中r_num(r_num=1,2,3,…,n)为道路编号。
每一个道路均对应一个系数集合:
roadr_num={b0(r_num),b1(r_num),b2(r_num),…,b9(r_num)}
可通过路网信息可得当前编号为r_num的路段的平均通行时间Time r_num。
若Sum(time)>Timer_num,则当前路段的逃离时间为x1=Timer_num,总的逃离时间Sum(time)更新为:Sum(time)=Sum(time)-Timer_num;
若Sum(time)<Timer_num,则当前路段的逃离时间为x1=Sum(time),总的逃离时间Sum(time)更新为:Sum(time)=0。
由前文可知,对于每一条路径均计算在该路径上可行驶的路网路程(即第二路径长度信息)Y(i),i∈(1,2,3,…,n),每行驶一条路径即计算一段路径,相应的要更新总的逃离时间,当总逃离时间更新到0时,记录此时停下的点为终点。
那么,对于一条路径而言,若其环境属性信息为嫌疑人逃离时间time=13分钟,道路类型(x2)=1,红路灯分布情况(x3)=32个,车道数(x4)=3,路况时段(x5)=4,交通出行方式(x6)=1,天气情况(x7)=2,日期类型(x8)=3,时间差(x9)=5分钟。
则逃犯起始点为A点,在嫌疑人总逃离时间为:Sum(time)=time+num4=13+5=18分钟内,在每个路径上最长可走的路径终点用B~I表示,B~I用虚线连接起来形成的不规则闭合区域即为犯罪嫌疑人逃离范围的预测区域,如图6所示:
其中,每个路段均有编号,例如A→1→2→5→J花费时间共18分钟,A到J行驶的距离为:Y=Y(1)+Y(2)+Y(5);A→8→11→15→14→H也花费18分钟,A到H行驶的距离为:Y=Y(8)+Y(11)+Y(15)+Y(14)。
另外,对于上述确定得到的各个运动终点位置,只需将所有相邻运动终点位置依次连接,即可得到目标的运动预测范围。上述方法所划定的不规则区域即为嫌疑人逃离范围的预测区域,采用优化后多元线性回归算法,在输入一组环境因素变量后,最终能够得到一个不规则的预测区域。这种基于优化后多元线性回归算法划定范围,既能避免专家不能完全兼顾到现场所有的因素,又能避免专家所圈定的范围或太大或太小。
本发明实施例提供的目标的运动范围预测方法,其首先获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息,然后利用粒子群方法对根据环境属性信息和第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,多元线性回归函数的自变量为环境属性信息,多元线性回归函数的因变量为第一路径长度信息,并根据各个第二路径长度信息、目标的运动起点位置和运动总时间,确定目标对应的各个运动终点位置,运动总时间为目标由运动起点位置运动到运动终点位置所占用的时间,最后根据各个运动终点位置得到目标的运动预测范围,其利用多元线性回归算法对输入的各个环境属性信息进行目标的运动范围预测,预测准确度较高,且省时省力,实用性较佳。
本发明实施例还提供了一种目标的运动范围预测装置,所述装置用于执行上述目标的运动范围预测方法,参见图7,所述装置包括:
获取模块11,用于获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息;
迭代模块22,用于利用粒子群方法对根据环境属性信息和第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,多元线性回归函数的自变量为环境属性信息,多元线性回归函数的因变量为第一路径长度信息;
确定模块33,用于根据各个第二路径长度信息、目标的运动起点位置和运动总时间,确定目标对应的各个运动终点位置,运动总时间为目标由运动起点位置运动到运动终点位置所占用的时间;
生成模块44,用于根据各个运动终点位置得到目标的运动预测范围。
为了更好的对环境属性信息进行多元线性回归分析,本发明实施例所提供的目标的运动范围预测装置还包括约简模块,该约简模块,用于根据有效关联规则对环境属性信息进行约简,得到约简后的环境属性信息,有效关联规则是提升度符合预设阈值的由环境属性信息推导出第一路径长度信息的关联规则。
本发明实施例所提供的目标的运动范围预测装置将对根据环境属性信息和第一路径长度信息构建的多元线性回归函数进行迭代求解,参见图8,上述迭代模块22包括:
确定单元221,用于对粒子群方法中的所有粒子均进行初始化,并确定所有粒子的适应度函数,适应度函数为多元线性回归函数中的目标函数,每个粒子均为多元线性回归函数中的一个回归参数;
更新单元222,用于根据适应度函数更新粒子的速度和位置;
迭代单元223,用于对更新的速度和位置进行多次迭代处理,得到对应于适应度函数的最优解;
第一生成单元224,用于基于最优解得到对应的最优回归参数,最优回归参数为所有回归参数中的一个;
第二生成单元225,用于将最优回归参数和路径的环境属性信息均代入多元线性回归函数,得到路径对应的第二路径长度信息。
为了更好的更新粒子的速度和位置,本发明实施例所提供的目标的运动范围预测装置基于适应度函数对应的哨兵函数对各个粒子进行阈值判断,以在哨兵函数不符合预设阈值时,通过更新惯性权重和学习因子来更新粒子的状态,参见图9,上述更新单元222包括:
计算子单元2221,用于根据适应度函数计算对应的哨兵函数,并根据哨兵函数计算得到粒子的哨兵值,哨兵函数由适应度函数、适应度平均值和规范化函数确定,规范化函数由适应度函数和最大适应度值确定;
更新子单元2222,用于判断哨兵值是否符合预设阈值,若否,根据惯性权重和学习因子更新粒子的速度和位置,惯性权重由哨兵值、预设最小惯性权重和预设最大惯性权重确定,学习因子由哨兵值、预设起始学习因子和预设结束学习因子确定。
本发明实施例所提供的目标的运动范围预测装置通过更新单元222对粒子的速度和位置进行更新后,还将通过迭代单元223对更新的速度和位置进行多次迭代,该迭代单元223具体包括:
搜索子单元,用于利用禁忌搜索方法在当前次迭代得到的全局最优解的预设范围内搜索新解;
迭代子单元,用于判断新解是否是当前次迭代的最优解,若是,则将最优解作为下一次迭代的初始值对更新的速度和位置进行迭代处理,直至达到预设迭代条件时,停止迭代,得到多次迭代后对应于适应度函数的最优解。
本发明实施例所提供的目标的运动范围预测装置中的确定模块33将根据各个第二路径长度信息、目标的运动起点位置和运动总时间确定目标的运动终点位置,上述确定模块33具体包括:
第一查找更新模块,用于从各个第二路径长度信息中查找与运动起点位置相连接的第一运动位置对应的第二路径长度信息,通过查找到的第二路径长度信息对应的第一平均运动时间对运动总时间进行更新;
第二查找更新模块,用于从各个第二路径长度信息中查找与第一运动位置相连接的第二运动位置对应的第二路径长度信息,通过查找到的第二路径长度信息对应的第二平均运动时间对更新后的运动总时间再次进行更新,直至更新到的运动总时间为零时,停止更新,并得到对应的运动终点位置。
另外,对于上述确定模块33得到的各个运动终点位置,只需通过生成模块44将相邻运动终点位置依次连接,即可得到目标的运动预测范围。
本发明实施例提供的目标的运动范围预测装置,其首先获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息,然后利用粒子群方法对根据环境属性信息和第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,多元线性回归函数的自变量为环境属性信息,多元线性回归函数的因变量为第一路径长度信息,并根据各个第二路径长度信息、目标的运动起点位置和运动总时间,确定目标对应的各个运动终点位置,运动总时间为目标由运动起点位置运动到运动终点位置所占用的时间,最后根据各个运动终点位置得到目标的运动预测范围,其利用多元线性回归算法对输入的各个环境属性信息进行目标的运动范围预测,预测准确度较高,且省时省力,实用性较佳。
本发明实施例所提供的进行目标的运动范围预测的方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
本发明实施例所提供的目标的运动范围预测的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种目标的运动范围预测方法,其特征在于,包括:
获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息;
利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,所述多元线性回归函数的自变量为所述环境属性信息,所述多元线性回归函数的因变量为所述第一路径长度信息;
根据各个所述第二路径长度信息、所述目标的运动起点位置和运动总时间,确定所述目标对应的各个运动终点位置,所述运动总时间为所述目标由所述运动起点位置运动到所述运动终点位置所占用的时间;
根据各个所述运动终点位置得到所述目标的运动预测范围。
2.根据权利要求1所述的方法,其特征在于,所述利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解之前,还包括:
根据有效关联规则对所述环境属性信息进行约简,得到约简后的环境属性信息,所述有效关联规则是提升度符合预设阈值的由所述环境属性信息推导出所述第一路径长度信息的关联规则。
3.根据权利要求1所述的方法,其特征在于,所述利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,包括:
对所述粒子群方法中的所有粒子均进行初始化,并确定所有所述粒子的适应度函数,所述适应度函数为所述多元线性回归函数中的目标函数,每个所述粒子均为所述多元线性回归函数中的一个回归参数;
根据所述适应度函数更新所述粒子的速度和位置;
对更新的所述速度和位置进行多次迭代处理,得到对应于所述适应度函数的最优解;
基于所述最优解得到对应的最优回归参数,所述最优回归参数为所有所述回归参数中的一个;
将所述最优回归参数和所述路径的所述环境属性信息均代入所述多元线性回归函数,得到所述路径对应的第二路径长度信息。
4.根据权利要求3所述的方法,其特征在于,所述根据所述适应度函数更新所述粒子的速度和位置,包括:
根据所述适应度函数计算对应的哨兵函数,并根据所述哨兵函数计算得到所述粒子的哨兵值,所述哨兵函数由所述适应度函数、适应度平均值和规范化函数确定,所述规范化函数由所述适应度函数和最大适应度值确定;
判断所述哨兵值是否符合预设阈值,若否,根据惯性权重和学习因子更新所述粒子的速度和位置,所述惯性权重由所述哨兵值、预设最小惯性权重和预设最大惯性权重确定,所述学习因子由所述哨兵值、预设起始学习因子和预设结束学习因子确定。
5.根据权利要求3所述的方法,其特征在于,所述对更新的所述速度和位置进行多次迭代处理,得到对应于所述适应度函数的最优解,包括:
利用禁忌搜索方法在当前次迭代得到的全局最优解的预设范围内搜索新解;
判断所述新解是否是所述当前次迭代的最优解,若是,则将所述最优解作为下一次迭代的初始值对更新的所述速度和位置进行迭代处理,直至达到预设迭代条件时,停止迭代,得到多次迭代后对应于所述适应度函数的所述最优解。
6.根据权利要求1所述的方法,其特征在于,所述根据各个所述第二路径长度信息、所述目标的运动起点位置和运动总时间,确定所述目标对应的各个运动终点位置,包括:
从各个所述第二路径长度信息中查找与所述运动起点位置相连接的第一运动位置对应的所述第二路径长度信息,通过查找到的所述第二路径长度信息对应的第一平均运动时间对所述运动总时间进行更新;
从各个所述第二路径长度信息中查找与所述第一运动位置相连接的第二运动位置对应的所述第二路径长度信息,通过查找到的所述第二路径长度信息对应的第二平均运动时间对更新后的所述运动总时间再次进行更新,直至更新到的所述运动总时间为零时,停止更新,并得到对应的所述运动终点位置。
7.根据权利要求1所述的方法,其特征在于,所述根据各个所述运动终点位置得到所述目标的运动预测范围,包括:
将相邻所述运动终点位置依次连接,得到所述目标的运动预测范围。
8.一种目标的运动范围预测装置,其特征在于,包括:
获取模块,用于获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息;
迭代模块,用于利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解,得到每个路径对应的第二路径长度信息,所述多元线性回归函数的自变量为所述环境属性信息,所述多元线性回归函数的因变量为所述第一路径长度信息;
确定模块,用于根据各个所述第二路径长度信息、所述目标的运动起点位置和运动总时间,确定所述目标对应的各个运动终点位置,所述运动总时间为所述目标由所述运动起点位置运动到所述运动终点位置所占用的时间;
生成模块,用于根据各个所述运动终点位置得到所述目标的运动预测范围。
9.根据权利要求8所述的装置,其特征在于,所述迭代模块包括:
确定单元,用于对所述粒子群方法中的所有粒子均进行初始化,并确定所有所述粒子的适应度函数,所述适应度函数为所述多元线性回归函数中的目标函数,每个所述粒子均为所述多元线性回归函数中的一个回归参数;
更新单元,用于根据所述适应度函数更新所述粒子的速度和位置;
迭代单元,用于对更新的所述速度和位置进行多次迭代处理,得到对应于所述适应度函数的最优解;
第一生成单元,用于基于所述最优解得到对应的最优回归参数,所述最优回归参数为所有所述回归参数中的一个;
第二生成单元,用于将所述最优回归参数和所述路径的所述环境属性信息均代入所述多元线性回归函数,得到所述路径对应的第二路径长度信息。
10.根据权利要求9所述的装置,其特征在于,所述更新单元包括:
计算子单元,用于根据所述适应度函数计算对应的哨兵函数,并根据所述哨兵函数计算得到所述粒子的哨兵值,所述哨兵函数由所述适应度函数、适应度平均值和规范化函数确定,所述规范化函数由所述适应度函数和最大适应度值确定;
更新子单元,用于判断所述哨兵值是否符合预设阈值,若否,根据惯性权重和学习因子更新所述粒子的速度和位置,所述惯性权重由所述哨兵值、预设最小惯性权重和预设最大惯性权重确定,所述学习因子由所述哨兵值、预设起始学习因子和预设结束学习因子确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710114160.2A CN106897800A (zh) | 2017-02-28 | 2017-02-28 | 一种目标的运动范围预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710114160.2A CN106897800A (zh) | 2017-02-28 | 2017-02-28 | 一种目标的运动范围预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106897800A true CN106897800A (zh) | 2017-06-27 |
Family
ID=59185903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710114160.2A Pending CN106897800A (zh) | 2017-02-28 | 2017-02-28 | 一种目标的运动范围预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897800A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915195A (zh) * | 2020-08-06 | 2020-11-10 | 南京审计大学 | 一种结合区块链及大数据的公共电力资源调配方法 |
CN112949172A (zh) * | 2021-02-24 | 2021-06-11 | 重庆中科云从科技有限公司 | 一种数据处理方法、装置、机器可读介质及设备 |
CN114299713A (zh) * | 2021-12-01 | 2022-04-08 | 重庆邮电大学 | 一种基于自适应信号灯的单点交叉口车辆调度系统与方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604166A (zh) * | 2009-07-10 | 2009-12-16 | 杭州电子科技大学 | 一种基于粒子群优化算法的移动机器人路径规划方法 |
CN102013037A (zh) * | 2010-12-16 | 2011-04-13 | 上海电机学院 | 一种基于粒子群算法的路径搜索方法及装置 |
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
CN104063745A (zh) * | 2014-04-21 | 2014-09-24 | 河海大学 | 基于改进粒子群算法的多路径规划方法 |
CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
CN105429877A (zh) * | 2015-11-10 | 2016-03-23 | 中山大学 | 一种基于粒子群优化的路径寻优方法 |
CN105740648A (zh) * | 2016-01-21 | 2016-07-06 | 江南大学 | 一种基于人工蜂群与粒子群混合算法的蛋白质耐热温度的多元线性回归计算方法 |
-
2017
- 2017-02-28 CN CN201710114160.2A patent/CN106897800A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604166A (zh) * | 2009-07-10 | 2009-12-16 | 杭州电子科技大学 | 一种基于粒子群优化算法的移动机器人路径规划方法 |
CN102013037A (zh) * | 2010-12-16 | 2011-04-13 | 上海电机学院 | 一种基于粒子群算法的路径搜索方法及装置 |
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
CN104063745A (zh) * | 2014-04-21 | 2014-09-24 | 河海大学 | 基于改进粒子群算法的多路径规划方法 |
CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
CN105429877A (zh) * | 2015-11-10 | 2016-03-23 | 中山大学 | 一种基于粒子群优化的路径寻优方法 |
CN105740648A (zh) * | 2016-01-21 | 2016-07-06 | 江南大学 | 一种基于人工蜂群与粒子群混合算法的蛋白质耐热温度的多元线性回归计算方法 |
Non-Patent Citations (6)
Title |
---|
冯卓慧等: ""基于关联规则的再犯罪特征分析"", 《浙江理工大学学报(社会科学版)》 * |
刘锦萍等: ""基于改进的粒子群算法的多元线性回归模型参数估计"", 《计算机工程与科学》 * |
叶文等: "《无人飞行器任务规划》", 31 May 2011 * |
张学良等: "《智能优化算法及其在机械工程中的应用》", 30 September 2012 * |
文档CEO: ""交巡警服务平台的设置与调度"", 《HTTPS://WWW.DOCIN.COM/P-427614919.HTML》 * |
最后的LXL: "https://wenku.baidu.com/view/fea4559d52ea551811a68748.html", 《HTTPS://WENKU.BAIDU.COM/VIEW/FEA4559D52EA551811A68748.HTML》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915195A (zh) * | 2020-08-06 | 2020-11-10 | 南京审计大学 | 一种结合区块链及大数据的公共电力资源调配方法 |
CN111915195B (zh) * | 2020-08-06 | 2023-12-01 | 南京审计大学 | 一种结合区块链及大数据的公共电力资源调配方法 |
CN112949172A (zh) * | 2021-02-24 | 2021-06-11 | 重庆中科云从科技有限公司 | 一种数据处理方法、装置、机器可读介质及设备 |
CN112949172B (zh) * | 2021-02-24 | 2023-07-04 | 重庆中科云从科技有限公司 | 一种数据处理方法、装置、机器可读介质及设备 |
CN114299713A (zh) * | 2021-12-01 | 2022-04-08 | 重庆邮电大学 | 一种基于自适应信号灯的单点交叉口车辆调度系统与方法 |
CN114299713B (zh) * | 2021-12-01 | 2023-09-29 | 重庆邮电大学 | 一种基于自适应信号灯的单点交叉口车辆调度系统与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11657708B2 (en) | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM | |
Zheng et al. | Deep and embedded learning approach for traffic flow prediction in urban informatics | |
Essien et al. | Improving urban traffic speed prediction using data source fusion and deep learning | |
CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
WO2020034903A1 (zh) | 一种基于拓扑图的智能导航的方法和系统 | |
Schmitt et al. | Vehicle route guidance systems: Classification and comparison | |
CN111080018B (zh) | 一种基于道路交通环境的智能网联汽车车速预测方法 | |
WO2017051411A1 (en) | Near real-time modeling of pollution dispersion | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN117541026B (zh) | 一种智能物流运输车辆调度方法及系统 | |
CN110738855B (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
CN106897800A (zh) | 一种目标的运动范围预测方法及装置 | |
Ulil et al. | The vehicle as a mobile sensor network base IoT and big data for pothole detection caused by flood disaster | |
CN112365708B (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
CN111710162B (zh) | 一种城市路网交通运行状况监测方法及系统 | |
CN109269516A (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN113283460A (zh) | 机器学习系统和用于操作该系统以便确定时间序列的方法 | |
CN111582541A (zh) | 一种基于萤火虫算法的内涝模型预测方法 | |
CN110979342A (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
CN117313931A (zh) | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 | |
Thu et al. | Multi-source data analysis for bike sharing systems | |
US20220101273A1 (en) | Methods and systems for forecasting estimated time of restoration during service interruption | |
Menguc et al. | A data driven approach to forecasting traffic speed classes using extreme gradient boosting algorithm and graph theory | |
CN117273964A (zh) | 一种自适应行驶数据的智能车险策略生成系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170627 |
|
RJ01 | Rejection of invention patent application after publication |