CN108334897A - 一种基于自适应高斯混合模型的海上漂浮物轨迹预测方法 - Google Patents
一种基于自适应高斯混合模型的海上漂浮物轨迹预测方法 Download PDFInfo
- Publication number
- CN108334897A CN108334897A CN201810060430.0A CN201810060430A CN108334897A CN 108334897 A CN108334897 A CN 108334897A CN 201810060430 A CN201810060430 A CN 201810060430A CN 108334897 A CN108334897 A CN 108334897A
- Authority
- CN
- China
- Prior art keywords
- class
- distribution
- parameter
- prediction
- model
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及机器学习领域,提出了一种海洋轨迹聚类及预测的方法。为了准确预测未来的轨迹点需要先进行轨迹聚类。本发明轨迹聚类方法主要是将海上复杂多变性和强波动性的轨迹点进行相似性度量,挖掘其中潜在的数据信息。该方法将高斯混合模型GP与狄利克雷过程DP相结合,利用DP的非参贝叶斯框架,确定聚类数目提高聚类自适应性。算法采用在DP基础上加入中国餐馆过程,采用坍塌的Gibbs sampling方法进行模型求解,实现了由有限混合模型到无限混合模型的无监督分类,可自动获取聚类数目,对已聚类的轨迹通过高斯过程回归预测方法预测未来的轨迹点。本发明避免了人工指定聚类数目和参数估计时局部最大化的弊端,在保证自适应聚类的前提下,提高预测的准确率。
Description
技术领域:
本发明涉及机器学习与海洋轨迹领域,具体地说,是一种通过浮标实时获取漂浮物的轨迹点进行聚类及预测的方法。
背景技术:
随着海洋运输业的快速发展,通过轨迹分析是对海上移动对象最常用的方法,而海上复杂多变和波动性强的轨迹给数据挖掘工作带来了很大的挑战。由于在对轨迹数据进行分析之前并不知道彼此之间的信息,所以轨迹聚类方法非常适合对移动对象轨迹数据进行挖掘。聚类就是将相似运动模式的轨迹,通过分析轨迹自身所具有的结构特征进而确定轨迹间的相似程度,而后将具有相似度较高的轨迹归为一类。传统的聚类算法都需要事先确定聚类数目,如k均值聚类算法、高斯混合模型等。考虑到海上移动对象的高度动态化的轨迹特性,非参贝叶斯方法就适于处理复杂环境的数据。而传统高斯混合模型具有人工指定聚类数目的随意性和参数估计产生局部最大化的弊端,所以我们建议将移动模式建模为高斯过程即GP与狄利克雷过程即DP的结合。GP为每个移动模式提供灵活的表示,而DP则将观察到的轨迹分配给特定的移动模式。GP和DP与已存在的模型区别是两者可根据可用的数据动态调整模型的复杂性,且以原则性和强大的框架来处理不同长度的轨迹,而不仅仅是分离一个数据点。我们将此模型应用到海上移动对象的轨迹聚类研究中,在有噪音情景下分析轨迹的运动模式,使轨迹平滑化进而获取自适应轨迹聚类数目。最后对聚类的数据利用高斯过程回归方法进行轨迹预测,以对海上搜救和异常点检测等方面提供重要研究方向。
发明内容:
为了解决人工指定聚类数目的随意性,本发明的目的是弥补传统高斯混合模型所面临的不足,提出了一种基于自适应高斯混合模型的海上漂浮物轨迹预测方法。
本发明采取的技术方案是:将高斯混合模型与狄利克雷过程即DP相结合,利用DP的非参贝叶斯框架,确定聚类数目提高聚类自适应性。算法采用在高斯混合模型基础上加入中国餐馆过程思想,采用坍塌的Gibbs sampling方法进行模型近似求解,实现了由有限混合模型到无限混合模型的无监督分类,可自动获取聚类数目。在保证自适应聚类的前提下提高预测准确率,该方法包括步骤1.1和步骤1.2:
步骤1.1:对海上漂浮物的轨迹将高斯混合模型和狄利克雷混合模型相结合进行自适应聚类;
步骤1.2:对聚类好的轨迹利用高斯过程回归方法进行预测;
步骤1.1包括以下步骤:
步骤11:建立模型
通过高斯混合模型建立所需模型,采用经度x和纬度y的数据集,由于聚类数目k未知,(xi,yi)属于无监督学习,参数分布未知,则需要一个分布的分布即狄利克雷过程(DP),其最重要的作用是作为数据所属分布的先验存在。其中(x1,x2,...xN;y1,y2,...yN)~Dir(α1,α2,...αk),Dir表示狄利克雷分布,是一种边缘分布,将其推广至无限维就是DP,则使得θ~DP(α,H),α是集中度调节参数,H是基分布。
步骤12:估计参数
设浮漂物的数据集为X={x1,x2,...xn;y1,y2,...yn},其中它的两个参数为Z={z1,z2,...zn},n∈{1,2,...K},θ={θ1,θ2,...θk}其中Z为隐变量,表示为聚类样本的标签,zi=k代表当前第i个类有k个对应成员,θ是该模型的各个类的成员参数,根据贝叶斯理论可知:p(θ,z|X)∝pX(θ)pX(z)p(X|θ,z),则参数θ的后验分布可以通过计算其似然函数及先验分布来得以实现,在此基础上计算出θ的后验分布,并通过Gibbs Sampling的方法来不断更新参数θ。
为了更简便的求解似然函数p(X|θ,z),因现有数据均服从高斯分布特点,θ即为期望值μ,则p(xi|θ,z)~N(μzi,∑),对于每一类的先验p0(z),则采用CRP模型中的方法产生:
其中,将CRP模型中的每张桌子类比成一个类,其中z-i初了i之外其他的成员,nk代表当前在第k个类的轨迹点,α表示狄利克雷的参数集中度。
步骤13:求解模型
Gibbs sampling为各个值分配类标签zi,然后更新各部件的分布参数θk和类别数目K。对于每一个zi,具体的采样方法如下:
选择坐在已有类即第k个类的概率:
选择新开一个类即第k+1个类的概率:
当轨迹点增加时,此类的参数θk就要更新,其方法如下:
步骤1.2包括以下步骤:
步骤21:假设训练集为D=(x,y),其中,输入经度值为x,输出纬度值为y,输入测试数据D=(x*,y*),通过对较近的两个类簇进行高斯过程回归,则y*关于y的回归函数,即y*的预测值其公式如下:
对应的方差为:
其中
步骤22:从最近的历史轨迹中获取未来d+1时刻的X和Y方向上的预测增量Δxd+1,Δyd+1,即能得到该位置点的预测值:
sd+1=(xd+1,yd+1,td+1)=((xd+Δxd+1),yd+Δyd+1,td+1)
另外,在已知历史轨迹d+1时刻位置的真实值sd+1=(xd+1,yd+1,td+1)的基础上,可定量求得Δsd+1为:
其中Δsd+1为d+1时刻位置的预测误差。
该方法充分利用相邻轨迹之间没有意义相近的说法,根据不同特征轨迹间的相似度对轨迹进行自适应聚类和预测,合理的弥补了高斯混合模型的人工指定聚类数目的随意性和产生局部最大化的不足。
附图说明:
图1狄利克雷过程混合模型的图模型表示
图2CRP模型构造过程表示
图3自适应轨迹聚类及预测流程图
图4误差平方和对比图
图5预测准确率对比图
具体实施方式:
为了使本发明实现的技术手段、创作特性、达成目的与功效易于明白了解,下面结合一种实施方案中NOAA的实时获取的x方向经度值和y方向纬度值的浮标轨迹集,进一步阐述本发明,包括步骤1.1和步骤1.2,其流程图如图3所示:步骤1.1:对海上漂浮物的轨迹将高斯混合模型和狄利克雷混合模型相结合进行自适应聚类;
步骤1.2:对聚类好的轨迹利用高斯过程回归方法进行预测;
步骤1.1包括以下步骤:
步骤11:建立模型
通过高斯混合模型建立所需模型,采用经度值x方向和纬度值y方向,由于聚类数目k未知,(xi,yi)属于无监督学习,参数分布未知,则需要一个分布的分布即狄利克雷过程,表示为(x1,x2,...xN;y1,y2,...yN)~Dir(α1,α2,...αk),Dir表示狄利克雷分布,是一种边缘分布,将其推广至无限维就是DP,则使得θ~DP(α,H),α是集中度调节参数,H是基分布。
步骤12:估计参数
设浮漂物的数据集为X={x1,x2,...xn;y1,y2,...yn},其中它的两个参数为Z={z1,z2,...zn},n∈{1,2,...K},θ={θ1,θ2,...θk}其中Z为隐变量,表示为聚类样本的标签,zi=k代表当前第i个类有k个对应成员,θ是该模型的各个类的成员参数,根据贝叶斯理论可知:p(θ,z|X)∝pX(θ)pX(z)p(X|θ,z),则参数θ的后验分布可以通过计算其似然函数及先验分布来得以实现,在此基础上计算出θ的后验分布,并通过Gibbs Sampling的方法来不断更新参数θ。
为了求解似然函数p(X|θ,z),因现有数据均服从高斯分布特点,θ即为期望值μ,则p(xi|θ,z)~N(μzi,Σ),对于每一类的先验p0(z),则采用CRP模型中的方法产生:
其中,将CRP模型中的每张桌子类比成一个类,其中z-i初了i之外其他的成员,nk代表当前坐在第k个类的其他轨迹点,α表示狄利克雷的参数集中度。。
步骤13:求解模型
Gibbs sampling为各个值分配类标签zi,然后更新各部件的分布参数θk和类别数目K。对于每一个zi,具体的采样方法如下:
选择坐在已有类即第k个类的概率:
选择新开一个类即第k+1个类的概率:
当轨迹点增加时,此类的参数θk就要更新,其方法如下:
步骤1.2包括以下步骤:
步骤21:假设训练集为D=(x,y),其中,输入经度值为x,输出纬度值为y,输入测试数据D=(x*,y*),通过对较近的两个类簇进行高斯过程回归,则y*关于y的回归函数,即y*的预测值其公式如下:
对应的方差为:
其中
步骤22:从最近的历史轨迹中获取未来d+1时刻的X和Y方向上的预测增量Δxd+1,Δyd+1,即能得到该位置点的预测值:
sd+1=(xd+1,yd+1,td+1)=((xd+Δxd+1),yd+Δyd+1,td+1)
另外,在已知历史轨迹d+1时刻位置的真实值sd+1=(xd+1,yd+1,td+1)的基础上,可定量求得Δsd+1为:
其中Δsd+1为d+1时刻位置的预测误差。
控制对象:
如图1为狄利克雷混合过程(DPMM)构造模型:
θi|G~G
xi|θi~F(θi)
G|α0,G0:DP(α0,G0)
其中,θi服从参数为F(θi)的分布,参数θi服从概率测度G,而G可通过狄利克雷过程构造。θi既可以是单个参数,也可以是多个参数构成的向量,参数α是一个正实数。
如图2所示为中国餐馆模型(CRP)的构建模型:
其中,i表示餐馆里的桌子;ni为第i张桌子上的顾客数;α为狄利克雷过程的先验参数,是一个正实数;Z为隐变量,表示为聚类样本的标签(label),zi=k代表当前第i个类有k个对应成员;Z-i为除了i之外的所有成员。假设一个中国餐馆有无限的桌子,第一个顾客到来之后坐在第一张桌子上。第二个顾客来到可以选择坐在第一张桌子上,也可以选择坐在一张新的桌子上,假设第n+1个顾客到来的时候,已经有k张桌子上有顾客了,分别坐了n1,n2,...nk个顾客,那么第n+1个顾客可以以概率为坐在第i张桌子上,ni为第i张桌子上的顾客数;同时有概率为选取一张新的桌子坐下。那么在n个顾客坐定之后,很显然CRP把这n个顾客分为了K个堆,即K个clusters。
仿真实验:
为了验证本发明方法的有效性,将本发明控制方法和现有的大数据环境下移动对象自适应轨迹预测模型、传统高斯混合模型进行聚类性能对比。
仿真的对象为NOAA的The GDPDrift Data Assembly Center(DAC)的HourlyData,其中每一天包含200个浮标的24个小时实时轨迹,连续记录180天,由于轨迹数量较大,本文就从200个浮标任意抽取其中的5个,然后抽取其中三个月的轨迹每隔72小时进行切分,选取波动性较大,复杂多变的轨迹组成了数据集{D1,D2,D3,D4,D5}。在仿真实验中,海上移动对象的轨迹收到天气和自然灾害的影响呈现为不规则,振动性强的轨迹,这是仿真实验的挑战。
为了更好地评价算法的性能优劣和衡量聚类准确率,其选取的是k=4,α=1.0条件下,将本文方法(记为A-GMM方法)与大数据环境下移动对象自适应轨迹预测模型(简记为HMM方法)、传统高斯混合模型(GMM)的误差平方和SSE、纯度和F1值分别见图4、图5、表1和表2。
表1GMM方法、HMM方法和A-GMM方法纯度值对比
表2GMM方法、HMM方法和A-GMM方法的F1值对比
仿真结果分析:
(1)通过观察表1可知,A-GMM纯度值平均高于GMM约为10%左右,高于HMM约为9%,说明了A-GMM不会因轨迹的复杂多样性而受到太大影响,聚类效果较佳。而HMM和GMM对特征变化较明显或者波动性强的轨迹聚类效果不理想;
(2)F1值是查全率和准确率的加权平均,其值越高,说明聚类性能较好。通过观表2可知,GMM和HMM的F1值相近,但均低于A-GMM约6%和5%左右,说明A-GMM的聚类可信度较高。
(3)通过观察图4的纵轴的误差平方和可知,GMM和HMM的误差平方和均高于A-GMM,而SSE越高说明类间相似性不高、差别较大,致使前两者聚类效果大大降低,而A-GMM每组的SSE低于前两者的数值约为10左右,很大程度上减少了误差,聚类可靠性较高;
(4)通过观察图5,在同一条件下对不同数量轨迹进行预测,A-GMM的预测准确率明显高于HMM和GMM,说明此发明对海上浮漂物的轨迹预测具有较好的效果,可以规避不测时间的发生。
综上所述,本发明所提方法能在自适应聚类的同时,有效提高了聚类准确率,在实际航途中可以规避不测时间的发生,减少人员和财产损失具有实际意义。
Claims (1)
1.一种基于自适应高斯混合模型的海上漂浮物轨迹预测方法,其特征在于包括步骤1.1、步骤1.2:
步骤1.1:对海上漂浮物的轨迹将高斯混合模型和狄利克雷混合模型相结合进行自适应聚类;
步骤1.2:对聚类好的轨迹利用高斯过程回归方法进行预测;
步骤1.1包括以下步骤:
步骤11:建立模型
通过高斯混合模型来建立所需模型,给定漂浮物轨迹点(x1,x2,...xn;y1,y2,...yn),其中x表示经度,y表示纬度,已知聚类数目k,每个类簇都有一个对应均值μ和方差Σ,给出一个初始分布,则第i个数据(xi,yi)的似然函数为p(xi,yi|θ),其中θ是关于(μ,Σ)的分布,但是现在聚类数目k未知,(xi,yi)属于无监督学习,参数分布未知,所以无法使用EM进行参数估计,则需要一个分布的分布即狄利克雷过程,其最重要的作用是作为数据所属分布的先验存在,其中(x1,x2,...xN;y1,y2,...yN)~Dir(α1,α2,...αk),Dir表示狄利克雷分布,是一种边缘分布,将其推广至无限维就是狄利克雷混合模型DPMM,则使得θ~DP(α,H),α是集中度调节参数,H是基分布;
步骤12:估计参数
浮漂物的数据集为X={x1,x2,...xn;y1,y2,...yn},它的两个参数为Z={z1,z2,...zn},n∈{1,2,...K},θ={θ1,θ2,...θk}其中Z为隐变量,表示为聚类样本的标签,zi=k代表当前第i个类有k个对应成员,θ是该模型的各个类的成员参数,根据贝叶斯理论可知:p(θ,z|X)∝pX(θ)pX(z)p(X|θ,z),则参数θ的后验分布可以通过计算其似然函数及先验分布来得以实现,在此基础上计算出θ的后验分布,并通过Gibbs Sampling的方法来不断更新参数θ;
为了更简便的求解似然函数p(X|θ,z),因现有数据均服从高斯分布特点,θ即为期望值μ,则p(xi|θ,z)~N(μzi,Σ),对于先验p0(θ),可通过其共轭先验p0(θi)~N(0,σ2I),对于每一类的先验p0(z),则采用CRP模型中的方法产生:
其中,将CRP模型中的每张桌子类比成一个类,其中z-i初了i之外其他的成员,nk代表当前坐在第k个类的其他轨迹点,α表示狄利克雷的参数集中度;
步骤13:求解模型
Gibbs sampling为各个值分配类标签zi,然后更新各部件的分布参数θk和类别数目K,对于每一个zi,具体的采样方法如下:
选择坐在已有类即第k个类的概率:
选择新开一个类即第k+1个类的概率:
当轨迹点增加时,此类的参数θk就要如下更新:
步骤1.2包括以下步骤:
步骤21:假设训练集为D=(x,y)其中,输入经度值为x,输出纬度值为y,输入测试数据D=(x*,y*),通过对较近的两个类簇进行高斯过程回归,则y*关于y的回归函数,即y*的预测值其公式如下:
对应的方差为:
其中
步骤22:从最近的历史轨迹中获取未来d+1时刻的X和Y方向上的预测增量Δxd+1,Δyd+1,即能得到该位置点的预测值:
sd+1=(xd+1,yd+1,td+1)=((xd+Δxd+1),yd+Δyd+1,td+1)
另外,在已知历史轨迹d+1时刻位置的真实值sd+1=(xd+1,yd+1,td+1)的基础上,可定量求得Δsd+1为:
其中Δsd+1为d+1时刻位置的预测误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810060430.0A CN108334897B (zh) | 2018-01-22 | 2018-01-22 | 一种基于自适应高斯混合模型的海上漂浮物轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810060430.0A CN108334897B (zh) | 2018-01-22 | 2018-01-22 | 一种基于自适应高斯混合模型的海上漂浮物轨迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108334897A true CN108334897A (zh) | 2018-07-27 |
CN108334897B CN108334897B (zh) | 2023-04-07 |
Family
ID=62925523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810060430.0A Active CN108334897B (zh) | 2018-01-22 | 2018-01-22 | 一种基于自适应高斯混合模型的海上漂浮物轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334897B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801073A (zh) * | 2018-12-13 | 2019-05-24 | 中国平安财产保险股份有限公司 | 风险用户识别方法、装置、计算机设备及存储介质 |
CN110375720A (zh) * | 2019-07-26 | 2019-10-25 | 深圳市朗诚科技股份有限公司 | 漂流浮标监测方法及其系统 |
CN110503073A (zh) * | 2019-08-29 | 2019-11-26 | 大连海事大学 | 一种第三视角下动态链接的密集多智能体轨迹预测方法 |
CN111159924A (zh) * | 2020-04-02 | 2020-05-15 | 上海彩虹鱼海洋科技股份有限公司 | 用于预测漂移轨迹的方法和装置 |
CN113032731A (zh) * | 2021-03-19 | 2021-06-25 | 交通运输部东海航海保障中心厦门航标处 | 一种灯浮标偏移概率密度计算方法及系统 |
CN113658250A (zh) * | 2021-08-25 | 2021-11-16 | 中冶京诚工程技术有限公司 | 漂浮物位置预测方法及装置 |
CN114255616A (zh) * | 2021-12-20 | 2022-03-29 | 武汉理工大学 | 一种无动力船舶轨迹预测方法、装置、设备及存储介质 |
CN114355976A (zh) * | 2021-12-31 | 2022-04-15 | 中山大学 | 一种基于学习的控制无人机在风扰下完成轨迹跟踪的方法 |
CN116803561A (zh) * | 2023-08-23 | 2023-09-26 | 太原科技大学 | 一种拟高斯分布的板凸度测量方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100119141A1 (en) * | 2008-11-07 | 2010-05-13 | Marvin Weinstein | Method for discovering relationships in data by dynamic quantum clustering |
CN102591917A (zh) * | 2011-12-16 | 2012-07-18 | 华为技术有限公司 | 一种数据处理方法、系统及相关装置 |
CN105718750A (zh) * | 2016-01-29 | 2016-06-29 | 长沙理工大学 | 一种车辆行驶轨迹的预测方法及系统 |
US20170084180A1 (en) * | 2015-09-18 | 2017-03-23 | Olga Borisovna Bondaletova | Stable partition of trajectories set into asymptotically converged beams |
CN106951474A (zh) * | 2017-03-06 | 2017-07-14 | 上海海事大学 | 一种基于lda模型的歌曲分类方法 |
CN107077609A (zh) * | 2014-11-06 | 2017-08-18 | 高通股份有限公司 | 用于检测在空间上不同的时间模式的非参数化模型 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
-
2018
- 2018-01-22 CN CN201810060430.0A patent/CN108334897B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100119141A1 (en) * | 2008-11-07 | 2010-05-13 | Marvin Weinstein | Method for discovering relationships in data by dynamic quantum clustering |
CN102591917A (zh) * | 2011-12-16 | 2012-07-18 | 华为技术有限公司 | 一种数据处理方法、系统及相关装置 |
CN107077609A (zh) * | 2014-11-06 | 2017-08-18 | 高通股份有限公司 | 用于检测在空间上不同的时间模式的非参数化模型 |
US20170084180A1 (en) * | 2015-09-18 | 2017-03-23 | Olga Borisovna Bondaletova | Stable partition of trajectories set into asymptotically converged beams |
CN105718750A (zh) * | 2016-01-29 | 2016-06-29 | 长沙理工大学 | 一种车辆行驶轨迹的预测方法及系统 |
CN106951474A (zh) * | 2017-03-06 | 2017-07-14 | 上海海事大学 | 一种基于lda模型的歌曲分类方法 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
Non-Patent Citations (6)
Title |
---|
JURGEN WIEST 等: "Probabilistic trajectory prediction with Gaussian mixture models", 《2012 IEEE INTELLIGENT VEHICLES SYMPOSIUM》 * |
LYUDMILA MIHAYLOVA 等: "Noise parameters estimation with Gibbs sampling for localisation of mobile nodes in wireless networks", 《2010 13TH INTERNATIONAL CONFERENCE ON INFORMATION FUSION》 * |
乔少杰 等: "一种基于高斯混合模型的轨迹预测算法", 《软件学报》 * |
卢胜男: "复杂交通视频场景中的车辆轨迹提取及行为分析", 《中国博士学位论文全文数据库 信息科技辑》 * |
夏卓群 等: "不确定环境下移动对象自适应轨迹预测方法", 《计算机研究与发展》 * |
荆晓刚 等: "一种基于高斯混合模型的海上浮标轨迹聚类算法", 《现代计算机(专业版)》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801073A (zh) * | 2018-12-13 | 2019-05-24 | 中国平安财产保险股份有限公司 | 风险用户识别方法、装置、计算机设备及存储介质 |
CN110375720A (zh) * | 2019-07-26 | 2019-10-25 | 深圳市朗诚科技股份有限公司 | 漂流浮标监测方法及其系统 |
CN110503073B (zh) * | 2019-08-29 | 2023-04-18 | 大连海事大学 | 一种第三视角下动态链接的密集多智能体轨迹预测方法 |
CN110503073A (zh) * | 2019-08-29 | 2019-11-26 | 大连海事大学 | 一种第三视角下动态链接的密集多智能体轨迹预测方法 |
CN111159924A (zh) * | 2020-04-02 | 2020-05-15 | 上海彩虹鱼海洋科技股份有限公司 | 用于预测漂移轨迹的方法和装置 |
CN113032731A (zh) * | 2021-03-19 | 2021-06-25 | 交通运输部东海航海保障中心厦门航标处 | 一种灯浮标偏移概率密度计算方法及系统 |
CN113658250A (zh) * | 2021-08-25 | 2021-11-16 | 中冶京诚工程技术有限公司 | 漂浮物位置预测方法及装置 |
CN113658250B (zh) * | 2021-08-25 | 2024-03-08 | 中冶京诚工程技术有限公司 | 漂浮物位置预测方法及装置 |
CN114255616A (zh) * | 2021-12-20 | 2022-03-29 | 武汉理工大学 | 一种无动力船舶轨迹预测方法、装置、设备及存储介质 |
CN114355976B (zh) * | 2021-12-31 | 2023-12-05 | 中山大学 | 一种基于学习的控制无人机在风扰下完成轨迹跟踪的方法 |
CN114355976A (zh) * | 2021-12-31 | 2022-04-15 | 中山大学 | 一种基于学习的控制无人机在风扰下完成轨迹跟踪的方法 |
CN116803561A (zh) * | 2023-08-23 | 2023-09-26 | 太原科技大学 | 一种拟高斯分布的板凸度测量方法 |
CN116803561B (zh) * | 2023-08-23 | 2023-10-27 | 太原科技大学 | 一种拟高斯分布的板凸度测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108334897B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334897A (zh) | 一种基于自适应高斯混合模型的海上漂浮物轨迹预测方法 | |
Sun et al. | Using Bayesian deep learning to capture uncertainty for residential net load forecasting | |
CN107610464B (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
CN105044662B (zh) | 一种基于wifi信号强度的指纹聚类多点联合室内定位方法 | |
CN108875816A (zh) | 融合置信度准则和多样性准则的主动学习样本选择策略 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN108960330A (zh) | 基于快速区域卷积神经网络的遥感图像语义生成方法 | |
CN109581339B (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
CN110653824B (zh) | 基于概率模型的机器人离散型轨迹的表征与泛化方法 | |
CN110536257B (zh) | 一种基于深度自适应网络的室内定位方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN108520213A (zh) | 一种基于多尺度深度的人脸美丽预测方法 | |
CN105844303A (zh) | 一种基于局部和全局信息的采样式聚类集成方法 | |
CN110533063A (zh) | 一种基于卫星影像和gmdh神经网络的云量计算方法及装置 | |
Gauch et al. | Data-driven vs. physically-based streamflow prediction models | |
Zhou et al. | Vehicle detection based on remote sensing image of Yolov3 | |
CN105890600A (zh) | 基于手机传感器的地铁乘客位置推测方法 | |
CN112329830B (zh) | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 | |
CN113837046A (zh) | 一种基于迭代特征分布学习的小样本遥感图像场景分类方法 | |
CN107124761B (zh) | 融合pso和ss-elm的蜂窝网无线定位方法 | |
CN105938524A (zh) | 一种微生物关联网络预测方法及装置 | |
CN104331711A (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
Kwok et al. | Efficient particle swarm optimization: a termination condition based on the decision-making approach | |
CN113805142B (zh) | 一种基于联邦学习的建筑物楼层室内定位方法 |
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 |