CN110163439A - 一种基于注意力机制的城市规模出租车轨迹预测方法 - Google Patents
一种基于注意力机制的城市规模出租车轨迹预测方法 Download PDFInfo
- Publication number
- CN110163439A CN110163439A CN201910438439.5A CN201910438439A CN110163439A CN 110163439 A CN110163439 A CN 110163439A CN 201910438439 A CN201910438439 A CN 201910438439A CN 110163439 A CN110163439 A CN 110163439A
- Authority
- CN
- China
- Prior art keywords
- vector
- attention mechanism
- trajectory predictions
- method based
- encoder
- 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 32
- 230000007246 mechanism Effects 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 36
- 238000003780 insertion Methods 0.000 claims abstract description 9
- 230000037431 insertion Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000005201 scrubbing Methods 0.000 claims abstract description 5
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000005065 mining Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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"
-
- G06Q50/40—
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Navigation (AREA)
Abstract
一种基于注意力机制的城市规模出租车轨迹预测方法,包括以下步骤:步骤一、采集GPS数据,对GPS数据采集过程中出现的噪声进行数据清理;步骤二、对清洗后的GPS数据进行地图匹配,获取模型所需的实验数据;步骤三、模型训练;在编码器的编码端采用LSTM网络,在解码端将编码向量C作为解码端的LSTM网络,并对编码器隐藏层向量施加注意力机制,每次把上一时刻的预测值作为当前时刻的输入值并送入解码器当中。本发明采用嵌入向量表示城市区域中的路段信息,使用编码器对出租车的轨迹进行编码,通过含有注意力机制的解码器对轨迹进行预测,充分挖掘轨迹序列中的相关性,能有效提升轨迹预测的准确性。
Description
技术领域
本发明属于轨迹预测领域,涉及一种基于注意力机制的城市规模出租车轨迹预测方法。
背景技术
针对轨迹预测,在较早的研究中大都采用基于马尔科夫链的方法,即对历史数据进行统计并求得路段间的转移概率,在预测时将概率最高的路段作为预测结果。不过,马尔科夫链是基于聚类或者历史已存在的数据,对于历史数据中路段组合出现频次较低的数据无法预测,因此,WU等人使用神经网络对各个不同的路段给予合适的权重,对于相似路段也会有相近的权重,在进行预测时,同样能达到聚类的效果。这一方法避免了聚类的复杂过程,还可以让网络动态的进行参数学习。但是,此方法的局限性在于,路网信息是已知的,而在路网信息未知的情况下,CHOI等提出了一种利用历史数据训练神经网络,并获得下一时刻预测值的方法。不过它的预测结果只精确到了“小区”,同时所采用的小区划分方法缺乏依据。
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种基于注意力机制的城市规模出租车轨迹预测方法,充分挖掘轨迹序列中的相关性,以路段标号为元信息,在不依靠轨迹数据以外信息的情况下,将轨迹预测的信息精确到路段上,提升轨迹预测的准确性。
为了实现上述目的,本发明采用的技术方案包括以下步骤:
步骤一、采集GPS数据,对GPS数据采集过程中出现的噪声进行数据清理;
步骤二、对清洗后的GPS数据进行地图匹配,获取模型所需的实验数据;
步骤三、模型训练;
3.1、将所有道路进行嵌入表达;
3.2、编码器的编码端采用长短期记忆网络LSTM,将前n条嵌入表达后的路段送入LSTM网络,在编码器的输出端形成映射关系,求得编码向量C=F(r1,r2,…,rn)表示该路段组合向量;
3.3、在解码端将编码向量C作为解码端的LSTM网络,并对编码器隐藏层向量施加注意力机制,每次把上一时刻的预测值作为当前时刻的输入值并送入解码器当中得到输出结果;
3.4、将最后时刻的输出向量作为预测值,经过softmax层求得预测值。
步骤一剔除超出地理范围、车辆在某段时间内GPS坐标无变化、格式错误和异常数据。
所述的步骤二对清洗后的GPS数据进行地图匹配的具体步骤为:
(1)根据GPS点的经纬度确定周围60m内的道路作为候选道路;
(2)求取GPS点到各候选道路ri的距离,记为di,单位为km;
(3)求取GPS点航向角与各候选道路ri的夹角,记为ahi,单位为rad,0≤ahi≤π/2;
(4)求取当前GPS点与上一时刻GPS点之间的连线与各候选道路的夹角,记为ati,单位为rad,其中0≤ati≤π/2;
(5)按si=0.4*(di/0.06)+0.3*(ah/(π/2))+0.3*(at/(π/2))对所有候选道路进行评分;
(6)按照评分排序,将得分最低的路段作为匹配结果,即当前时刻车辆位于该路段上。
所述的步骤3.1将所有道路进行嵌入表达的具体步骤为:使用独热编码使每个状态都有独立的寄存器位,并且在任意时刻只有一个位置为1表示处于当前状态,在此处状态即车辆所处的道路,在神经网络中将此高维的独热编码向量通过矩阵变换映射为较低维向量。
所述的步骤3.3对编码器隐藏层向量施加注意力机制的具体步骤为:
在解码时,对不同时刻的隐藏层变量ht采用加权求和:
at=∑tαtht;
其中:αt表示ht的权重,其计算方法如下:
其中:wa初始化为一个随机的权重向量。
所述的步骤3.4中经过softmax层求得预测值的具体操作步骤为:
通过Softmax函数将一个含任意实数的k维向量z压缩到另一个K维实向量σ(z)中,使每一个元素的范围都在(0,1)之间,并且所有元素的和为1;Softmax函数的表达式如下:
其中,zj表示向量z中下标为j的值;
经过softmax函数求得每条道路对应的概率,并将概率最大的道路作为预测结果。
与现有技术相比,本发明具有如下的有益效果:采用嵌入向量表示城市区域中的路段信息,使用编码器对出租车的轨迹进行编码,通过含有注意力机制的解码器对轨迹进行预测。长短期记忆网络(LSTM)是循环神经网络(RNN,Recurrent Neural Network)的一个变种,主要解决RNN在分析长序列时出现的梯度消失问题。对于时间序列,LSTM在处理各时刻的信息时能够记录前面序列的信息。编码器中使用LSTM可以生成包含所有已知轨迹信息的编码向量,解码器中使用LSTM可以将编码向量作为最初的输入,并生成比编码时长度更长的输出作为预测值。本发明充分挖掘轨迹序列中的相关性,能有效提升轨迹预测的准确性。
附图说明
图1本发明基于注意力机制的编解码方法网络结构示意图;
图2本发明神经网络训练过程中的Loss曲线:(a)训练过程;(b)测试过程。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明基于注意力机制的城市规模出租车轨迹预测方法包括以下步骤:
步骤一、数据清理;
由于GPS数据采集过程中具有噪声,所以需要对其进行数据清洗。对于超出西安市范围、车辆在某段时间内GPS坐标无变化、各种格式错误和异常的数据予以剔除。
步骤二、地图匹配;
提出的模型及对比模型都需要使用由地图匹配生成的匹配路段,因此,在训练模型之前需要进行地图匹配以获取实验数据。
步骤三、模型训练;
首先,将所有道路进行嵌入(Embedding)表达,然后在编码端采用LSTM网络,将前n条嵌入表达后的路段送入LSTME(为区分两个LSTM,本文用LSTME表示编码端的LSTM网络,LSTMD表示解码端的LSTM网络),在编码器的输出端形成映射关系求得编码向量表示该路段组合的向量;接着,在解码端将向量C作为LSTMD网络的输入,并对编码器隐藏层向量施加注意力机制,每次把上一时刻的预测值作为当前时刻的输入送入解码器。最后,将最后时刻的输出向量作为预测值,经过softmax层求得预测值。
长短期记忆网络(LSTM)是循环神经网络(RNN,Recurrent Neural Network)的一个变种,主要解决RNN在分析长序列时出现的梯度消失问题。LSTM在处理各时刻的信息能够记录前面序列的信息。编码器中使用LSTM生成包含所有已知轨迹信息的编码向量,解码器中使用LSTM将编码向量作为最初的输入,生成比编码时长度更长的输出作为预测值。
为了测试提出方案的性能,将其与现有的轨迹预测方法进行了对比。所提出的方法不需要路网拓扑结构、道路条件等额外信息,因此,选取基于马尔科夫链的全局马尔科夫模型(GMM)进行比较。GMM使用训练集中的数据统计转移概率,并在预测时查找转移概率最大的路段作为预测目标。将已知N条路段预测第N+1条路段与N阶GMM进行比较。
表1展示了各种方法的实验结果。从表中可知,GMM的预测效果较差,主要原因在于利用马尔科夫链进行预测时,当数据稀疏、路网结构复杂(路网中含有很多路段)时,在历史数据中,即使二阶模型也很难统计出一样的路段组合,也就很难进行精准的预测;
编解码方法相较GMM在预测准确率上有较大的提升,这表明对于复杂路况,它的动态学习效果能够克服缺乏历史数据的缺点,通过动态调整权重给出较优结果;同时,实验结果不同于GMM的地方在于,当N=5时,预测效果最佳,原因在于神经网络对适当长度的序列能更好地学习;并且基于注意力机制的编解码方法在预测准确率上有进一步提升。
但是,当N=10时,其准确率反而有下降,这原因在于当考虑过多的路段时,注意力机制难以发挥作用——难以找到需要注意的路段,这与N增大,准确率反而减小的原因相似。
表1轨迹预测对比实验结果
模型参数敏感度测试交叉验证
对本发明所提方法进行参数灵敏度测试,在本发明的模型中,需要设定的参数主要有学习率和批次,为此,使用交叉验证的方式说明模型的参数敏感度。
分别选取批次为256、512、1024,学习率为0.001,0.0003,0.0001,以迭代20次后的损失函数值作为评价指标。结果如表2所示,不难发现学习率的降低使得迭代20次后的目标函数值增加,这与优化速度有关,同时批次的增加使得迭代20次后的目标函数值增加,但如图2所示,目标函数总体是收敛的,所以在迭代次数足够情况下均能获取最优结果。
表2模型参数敏感度测试交叉验证结果
Claims (6)
1.一种基于注意力机制的城市规模出租车轨迹预测方法,其特征在于,包括以下步骤:
步骤一、采集GPS数据,对GPS数据采集过程中出现的噪声进行数据清理;
步骤二、对清洗后的GPS数据进行地图匹配,获取模型所需的实验数据;
步骤三、模型训练;
3.1、将所有道路进行嵌入表达;
3.2、编码器的编码端采用长短期记忆网络LSTM,将前n条嵌入表达后的路段送入LSTM网络,在编码器的输出端形成映射关系,求得编码向量C=F(r1,r2,…,rn)表示该路段组合向量;
3.3、在解码端将编码向量C作为解码端的LSTM网络,并对编码器隐藏层向量施加注意力机制,每次把上一时刻的预测值作为当前时刻的输入值并送入解码器当中得到输出结果;
3.4、将最后时刻的输出向量作为预测值,经过softmax层求得预测值。
2.根据权利要求1所述基于注意力机制的城市规模出租车轨迹预测方法,其特征在于:数据清理时剔除超出地理范围、车辆在某段时间内GPS坐标无变化、格式错误和异常数据。
3.根据权利要求1所述基于注意力机制的城市规模出租车轨迹预测方法,其特征在于,所述的步骤二对清洗后的GPS数据进行地图匹配的具体步骤为:
(1)根据GPS点的经纬度确定周围60m内的道路作为候选道路;
(2)求取GPS点到各候选道路ri的距离,记为di,单位为km;
(3)求取GPS点航向角与各候选道路ri的夹角,记为ahi,单位为rad,0≤ahi≤π/2;
(4)求取当前GPS点与上一时刻GPS点之间的连线与各候选道路的夹角,记为ati,单位为rad,其中0≤ati≤π/2;
(5)按si=0.4*(di/0.06)+0.3*(ah/(π/2))+0.3*(at/(π/2))对所有候选道路进行评分;
(6)按照评分排序,将得分最低的路段作为匹配结果,即当前时刻车辆位于该路段上。
4.根据权利要求1所述基于注意力机制的城市规模出租车轨迹预测方法,其特征在于,所述的步骤3.1将所有道路进行嵌入表达的具体步骤为:使用独热编码使每个状态都有独立的寄存器位,并且在任意时刻只有一个位置为1表示处于当前状态,在此处状态即车辆所处的道路,在神经网络中将此高维的独热编码向量通过矩阵变换映射为较低维向量。
5.根据权利要求1所述基于注意力机制的城市规模出租车轨迹预测方法,其特征在于,所述的步骤3.3对编码器隐藏层向量施加注意力机制的具体步骤为:
在解码时,对不同时刻的隐藏层变量ht采用加权求和:
at=∑tαtht;
其中:αt表示ht的权重,其计算方法如下:
其中:wa初始化为一个随机的权重向量。
6.根据权利要求1所述基于注意力机制的城市规模出租车轨迹预测方法,其特征在于,所述的步骤3.4中经过softmax层求得预测值的具体操作步骤为:
通过Softmax函数将一个含任意实数的k维向量z压缩到另一个K维实向量σ(z)中,使每一个元素的范围都在(0,1)之间,并且所有元素的和为1;Softmax函数的表达式如下:
其中,zj表示向量z中下标为j的值;
经过softmax函数求得每条道路对应的概率,并将概率最大的道路作为预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438439.5A CN110163439A (zh) | 2019-05-24 | 2019-05-24 | 一种基于注意力机制的城市规模出租车轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438439.5A CN110163439A (zh) | 2019-05-24 | 2019-05-24 | 一种基于注意力机制的城市规模出租车轨迹预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163439A true CN110163439A (zh) | 2019-08-23 |
Family
ID=67632550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910438439.5A Pending CN110163439A (zh) | 2019-05-24 | 2019-05-24 | 一种基于注意力机制的城市规模出租车轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163439A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738370A (zh) * | 2019-10-15 | 2020-01-31 | 南京航空航天大学 | 一种新颖的移动对象目的地预测算法 |
CN110781838A (zh) * | 2019-10-28 | 2020-02-11 | 大连海事大学 | 一种复杂场景下行人的多模态轨迹预测方法 |
CN111062589A (zh) * | 2019-12-02 | 2020-04-24 | 武汉理工大学 | 一种基于目的地预测的城市出租车调度方法 |
CN111091708A (zh) * | 2019-12-13 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
CN111152796A (zh) * | 2020-04-07 | 2020-05-15 | 北京三快在线科技有限公司 | 一种车辆运动状态预测方法及装置 |
CN111339867A (zh) * | 2020-02-18 | 2020-06-26 | 广东工业大学 | 一种基于生成对抗网络的行人轨迹预测方法 |
CN111488984A (zh) * | 2020-04-03 | 2020-08-04 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
CN111597961A (zh) * | 2020-05-13 | 2020-08-28 | 中国科学院自动化研究所 | 面向智能驾驶的移动目标轨迹预测方法、系统、装置 |
CN111767475A (zh) * | 2020-03-20 | 2020-10-13 | 吉利汽车研究院(宁波)有限公司 | 一种目标行人轨迹预测模型训练方法、装置、电子设备及存储介质 |
CN111783960A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于自动编码器和双向lstm的船舶轨迹预测方法及系统 |
CN111932010A (zh) * | 2020-08-10 | 2020-11-13 | 重庆大学 | 一种基于骑行上下文信息的共享单车流量预测方法 |
CN111931902A (zh) * | 2020-07-03 | 2020-11-13 | 江苏大学 | 一种生成对抗网络模型、及利用该生成对抗网络模型的车辆轨迹预测方法 |
CN112037506A (zh) * | 2020-07-29 | 2020-12-04 | 长安大学 | 车辆轨迹预测模型构建方法、车辆轨迹预测方法及系统 |
CN112270226A (zh) * | 2020-10-16 | 2021-01-26 | 淮阴工学院 | 一种基于多特征提取和多注意力机制的行人轨迹预测方法 |
CN112364119A (zh) * | 2020-12-01 | 2021-02-12 | 国家海洋信息中心 | 基于lstm编解码模型的海洋浮标轨迹预测方法 |
CN112634328A (zh) * | 2020-12-24 | 2021-04-09 | 电子科技大学长三角研究院(衢州) | 基于自定中心星状图和注意力机制预测行人轨迹的方法 |
CN112785077A (zh) * | 2021-02-01 | 2021-05-11 | 南京航空航天大学 | 基于时空数据的出行需求预测方法及系统 |
CN112862155A (zh) * | 2021-01-05 | 2021-05-28 | 东莞理工学院 | 一种城市移动性预测方法及预测系统 |
CN112885079A (zh) * | 2021-01-11 | 2021-06-01 | 成都语动未来科技有限公司 | 一种基于全局注意力和状态共享的车辆轨迹预测方法 |
CN112949597A (zh) * | 2021-04-06 | 2021-06-11 | 吉林大学 | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 |
CN112967518A (zh) * | 2021-02-01 | 2021-06-15 | 浙江工业大学 | 一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法 |
CN113065074A (zh) * | 2021-04-02 | 2021-07-02 | 大连理工大学 | 一种基于知识图谱和自注意力机制的轨迹目的地预测的方法 |
CN114065884A (zh) * | 2021-10-20 | 2022-02-18 | 国网浙江省电力有限公司杭州供电公司 | 一种结合局部注意力机制的红外电子标签位置预测方法 |
CN114328791A (zh) * | 2021-12-30 | 2022-04-12 | 重庆大学 | 一种基于深度学习的地图匹配算法 |
CN114827904A (zh) * | 2022-05-10 | 2022-07-29 | 山东大学 | 一种移动服务用户轨迹预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108267123A (zh) * | 2018-01-23 | 2018-07-10 | 深圳市唯特视科技有限公司 | 一种基于边界框和距离预测的双流车载行人车辆预测方法 |
CN108763284A (zh) * | 2018-04-13 | 2018-11-06 | 华南理工大学 | 一种基于深度学习和主题模型的问答系统实现方法 |
WO2019023628A1 (en) * | 2017-07-27 | 2019-01-31 | Waymo Llc | NEURAL NETWORKS FOR VEHICLE TRACK PLANNING |
CN109409499A (zh) * | 2018-09-20 | 2019-03-01 | 北京航空航天大学 | 一种基于深度学习和卡尔曼滤波修正的轨迹恢复方法 |
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 |
-
2019
- 2019-05-24 CN CN201910438439.5A patent/CN110163439A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019023628A1 (en) * | 2017-07-27 | 2019-01-31 | Waymo Llc | NEURAL NETWORKS FOR VEHICLE TRACK PLANNING |
CN108267123A (zh) * | 2018-01-23 | 2018-07-10 | 深圳市唯特视科技有限公司 | 一种基于边界框和距离预测的双流车载行人车辆预测方法 |
CN108763284A (zh) * | 2018-04-13 | 2018-11-06 | 华南理工大学 | 一种基于深度学习和主题模型的问答系统实现方法 |
CN109409499A (zh) * | 2018-09-20 | 2019-03-01 | 北京航空航天大学 | 一种基于深度学习和卡尔曼滤波修正的轨迹恢复方法 |
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 |
Non-Patent Citations (3)
Title |
---|
BAHDANAU D .ET: "Neural Machine Translationby Jointly Learning to Align and Translate", 《3RD INTERNATIONAL CONFERENCE ON LEARNING REPRESENTATIONS, ICLR 2015》 * |
李幸超: "基于循环神经网络的轨迹位置预测技术研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
樊娜等: "基于动态加权的城市路网地图匹配算法", 《测控技术》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738370A (zh) * | 2019-10-15 | 2020-01-31 | 南京航空航天大学 | 一种新颖的移动对象目的地预测算法 |
CN110738370B (zh) * | 2019-10-15 | 2023-10-03 | 南京航空航天大学 | 一种新颖的移动对象目的地预测算法 |
CN110781838A (zh) * | 2019-10-28 | 2020-02-11 | 大连海事大学 | 一种复杂场景下行人的多模态轨迹预测方法 |
CN110781838B (zh) * | 2019-10-28 | 2023-05-26 | 大连海事大学 | 一种复杂场景下行人的多模态轨迹预测方法 |
CN111062589A (zh) * | 2019-12-02 | 2020-04-24 | 武汉理工大学 | 一种基于目的地预测的城市出租车调度方法 |
CN111062589B (zh) * | 2019-12-02 | 2022-08-16 | 武汉理工大学 | 一种基于目的地预测的城市出租车调度方法 |
CN111091708A (zh) * | 2019-12-13 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
CN111091708B (zh) * | 2019-12-13 | 2020-11-03 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
CN111339867A (zh) * | 2020-02-18 | 2020-06-26 | 广东工业大学 | 一种基于生成对抗网络的行人轨迹预测方法 |
CN111767475A (zh) * | 2020-03-20 | 2020-10-13 | 吉利汽车研究院(宁波)有限公司 | 一种目标行人轨迹预测模型训练方法、装置、电子设备及存储介质 |
CN111488984B (zh) * | 2020-04-03 | 2023-07-21 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
CN111488984A (zh) * | 2020-04-03 | 2020-08-04 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
CN111152796A (zh) * | 2020-04-07 | 2020-05-15 | 北京三快在线科技有限公司 | 一种车辆运动状态预测方法及装置 |
CN111597961A (zh) * | 2020-05-13 | 2020-08-28 | 中国科学院自动化研究所 | 面向智能驾驶的移动目标轨迹预测方法、系统、装置 |
CN111597961B (zh) * | 2020-05-13 | 2023-04-25 | 中国科学院自动化研究所 | 面向智能驾驶的移动目标轨迹预测方法、系统、装置 |
CN111931902A (zh) * | 2020-07-03 | 2020-11-13 | 江苏大学 | 一种生成对抗网络模型、及利用该生成对抗网络模型的车辆轨迹预测方法 |
CN111783960A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于自动编码器和双向lstm的船舶轨迹预测方法及系统 |
CN112037506A (zh) * | 2020-07-29 | 2020-12-04 | 长安大学 | 车辆轨迹预测模型构建方法、车辆轨迹预测方法及系统 |
CN111932010A (zh) * | 2020-08-10 | 2020-11-13 | 重庆大学 | 一种基于骑行上下文信息的共享单车流量预测方法 |
CN111932010B (zh) * | 2020-08-10 | 2023-09-22 | 重庆大学 | 一种基于骑行上下文信息的共享单车流量预测方法 |
CN112270226B (zh) * | 2020-10-16 | 2024-04-02 | 淮阴工学院 | 一种基于多特征提取和多注意力机制的行人轨迹预测方法 |
CN112270226A (zh) * | 2020-10-16 | 2021-01-26 | 淮阴工学院 | 一种基于多特征提取和多注意力机制的行人轨迹预测方法 |
CN112364119B (zh) * | 2020-12-01 | 2023-04-18 | 国家海洋信息中心 | 基于lstm编解码模型的海洋浮标轨迹预测方法 |
CN112364119A (zh) * | 2020-12-01 | 2021-02-12 | 国家海洋信息中心 | 基于lstm编解码模型的海洋浮标轨迹预测方法 |
CN112634328A (zh) * | 2020-12-24 | 2021-04-09 | 电子科技大学长三角研究院(衢州) | 基于自定中心星状图和注意力机制预测行人轨迹的方法 |
CN112634328B (zh) * | 2020-12-24 | 2022-11-08 | 电子科技大学长三角研究院(衢州) | 基于自定中心星状图和注意力机制预测行人轨迹的方法 |
CN112862155A (zh) * | 2021-01-05 | 2021-05-28 | 东莞理工学院 | 一种城市移动性预测方法及预测系统 |
CN112885079A (zh) * | 2021-01-11 | 2021-06-01 | 成都语动未来科技有限公司 | 一种基于全局注意力和状态共享的车辆轨迹预测方法 |
CN112785077A (zh) * | 2021-02-01 | 2021-05-11 | 南京航空航天大学 | 基于时空数据的出行需求预测方法及系统 |
CN112967518B (zh) * | 2021-02-01 | 2022-06-21 | 浙江工业大学 | 一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法 |
CN112967518A (zh) * | 2021-02-01 | 2021-06-15 | 浙江工业大学 | 一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法 |
CN113065074A (zh) * | 2021-04-02 | 2021-07-02 | 大连理工大学 | 一种基于知识图谱和自注意力机制的轨迹目的地预测的方法 |
CN112949597A (zh) * | 2021-04-06 | 2021-06-11 | 吉林大学 | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 |
CN112949597B (zh) * | 2021-04-06 | 2022-11-04 | 吉林大学 | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 |
CN114065884A (zh) * | 2021-10-20 | 2022-02-18 | 国网浙江省电力有限公司杭州供电公司 | 一种结合局部注意力机制的红外电子标签位置预测方法 |
CN114328791A (zh) * | 2021-12-30 | 2022-04-12 | 重庆大学 | 一种基于深度学习的地图匹配算法 |
CN114827904B (zh) * | 2022-05-10 | 2022-09-27 | 山东大学 | 一种移动服务用户轨迹预测方法及系统 |
CN114827904A (zh) * | 2022-05-10 | 2022-07-29 | 山东大学 | 一种移动服务用户轨迹预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163439A (zh) | 一种基于注意力机制的城市规模出租车轨迹预测方法 | |
CN109145939B (zh) | 一种小目标敏感的双通道卷积神经网络语义分割方法 | |
CN104197945B (zh) | 一种基于低采样率浮动车数据的全局投票地图匹配方法 | |
CN108629978A (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
CN105279966B (zh) | 一种校园交通的拥堵识别方法 | |
CN106443598B (zh) | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 | |
CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
CN109064748B (zh) | 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法 | |
CN107610223A (zh) | 基于LiDAR点云的电力塔三维重建方法 | |
CN110097755A (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
CN105513354A (zh) | 基于视频的城市道路交通拥堵检测系统 | |
CN110909924A (zh) | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 | |
CN102945553B (zh) | 基于自动差分聚类算法的遥感图像分割方法 | |
CN103714148A (zh) | 基于稀疏编码分类的sar图像检索方法 | |
CN114186582A (zh) | 一种基于自然语义处理的同行车辆发现方法 | |
CN112434735B (zh) | 一种动态行驶工况构建方法、系统及设备 | |
CN109637128A (zh) | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 | |
CN114943965A (zh) | 基于课程学习的无监督域自适应遥感图像语义分割方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN114140903A (zh) | 一种基于决策树生成规则的道路类型识别车载装置 | |
CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
CN114743010A (zh) | 基于深度学习的超高压输电线路点云数据语义分割方法 | |
CN115690549A (zh) | 一种基于并联交互架构模型实现多维度特征融合的目标检测方法 | |
CN114913689A (zh) | 一种基于先验知识时变图卷积网络的交通流预测方法 |
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 |