CN110888912A - 基于时空大数据的目标行为语义轨迹预测方法 - Google Patents
基于时空大数据的目标行为语义轨迹预测方法 Download PDFInfo
- Publication number
- CN110888912A CN110888912A CN201910977076.2A CN201910977076A CN110888912A CN 110888912 A CN110888912 A CN 110888912A CN 201910977076 A CN201910977076 A CN 201910977076A CN 110888912 A CN110888912 A CN 110888912A
- Authority
- CN
- China
- Prior art keywords
- semantic
- track
- target
- point
- prediction
- 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 33
- 230000006399 behavior Effects 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 235000019580 granularity Nutrition 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 5
- 230000007774 longterm Effects 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Images
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于时空大数据的目标行为语义轨迹预测方法,包括以下步骤:目标意图潜在点或区域轨迹停驻点提取;结合语义信息,利用概率生成模型将意图潜在点或区域依次打上代表目标意图的语义标签;搭建用于目标行为预测的神经网络模型;对预测结果进行语义标注,将预测结果送入先前训练好的语义标注模型中进行标注;本发明方法能够突破传统时空数据分析的局限,结合其他信息充分利用用户原始轨迹中隐含的深层次信息,解决了传统预测问题中的长时依赖问题,通过网络学习前后时刻中隐藏的特征,提升了轨迹预测的可信度,对后续进一步建立目标画像,实现对于目标行为的深度理解具有重要作用。
Description
技术领域
本发明涉及时空数据分析和挖掘技术领域,尤其涉及基于时空大数据的目标行为语义轨迹预测方法。
背景技术
对于基于位置服务(LBSs)的第三方应用,用户活动轨迹的精准预测以及描述对于服务推荐具有重要作用;
目标行为语义轨迹预测是指在用户时空轨迹的数据基础上,结合目标所在区域的地理信息以及目标的个体属性,实现对于目标运动趋势的预测与描述,完成从数据累积到轨迹预测,从轨迹预测到意图掌握的提升;
目前传统的轨迹预测大多仅以时空数据作为基础,对于目标活动位置缺少详细的语义描述,不利于服务的精准推荐,因此本本发明引入语义标注模块,与基于深度学习的轨迹预测模块相结合,提出基于时空大数据的目标行为语义轨迹预测方法,以解决现有技术中的不足之处,实现对目标运动趋势的预测以及描述。
发明内容
针对上述问题,本发明提出基于时空大数据的目标行为语义轨迹预测方法,能够突破传统时空数据分析的局限,结合其他信息充分利用用户原始轨迹中隐含的深层次信息,解决了传统预测问题中的长时依赖问题,通过网络学习前后时刻中隐藏的特征,提升了轨迹预测的可信度,对后续进一步建立目标画像,实现对于目标行为的深度理解具有重要作用。
本发明提出基于时空大数据的目标行为语义轨迹预测方法,包括以下步骤:
步骤一:目标意图潜在点或区域轨迹停驻点提取,设置目标原始轨迹如式(1)所示:
RT={l1,l2,…,li,…,ln} (1)
通过阈值提取以及密度聚类的不同粒度的提取方法,将轨迹中属于目标运动过程中包含目标运动意图的点或区域尽可能的提取出来;
步骤二:语义标注,提取目标停驻点后,结合语义信息,利用概率生成模型将意图潜在点或区域依次打上代表目标意图的语义标签;
步骤三:搭建用于目标行为预测的神经网络模型,在语义标注的同时,利用基于模型的预测方法,构建神经网络模型,学习相邻意图潜在点间的内在联系与深层次特征,最后按概率大小输出可能的意图潜在点,实现对目标轨迹的行为预测;
步骤四:对预测结果进行语义标注,将预测结果送入先前训练好的语义标注模型中进行标注,完成对用户的服务推荐。
进一步改进在于:所述步骤一的式(1)中lati,loni,ti分别代表目标的经度、纬度、定位时间戳。
进一步改进在于:所述步骤一中具体过程为:首先根据意图潜在点的物理意义可以对轨迹进行分割,保留在时间间隔大于阈值t0,距离阈值小于d0的轨迹片段,按时序排列得到初始语义轨迹 TS0={l1,l2,…,lm}(m≤n);
然后对保留的语义潜在点集合进行密度聚类,将隐藏不同意图的点分配至不同的类别中,然后将每类中的均值按照时序排列作为最终语义轨迹TS={l1,l2,…,lk};
将初始语义轨迹TS0看作是两两相邻的点之间的距离构成的向量,最后将停留点的经纬度用Geohash编码进行网格化表示。
进一步改进在于:所述步骤一中将停留点的经纬度用Geohash编码进行网格化表示时,需要先使用常规的one-hot编码将意图潜在点在时空域编码,将其转换为网络可用的输入。
进一步改进在于:所述步骤二中具体过程为:结合地图中的POI (兴趣点)信息,利用概率生成模型,得到属于用户的行为语义模型,然后依照地理信息系统中的地图信息,将最终语义轨迹中的每一时空数据点li都附加一个特征矢量fi=[p1,p2,…,pN],再通过生成模型,将每一特征矢量打上语义标签,计算各个意图潜在点的在每一类POI 的返回概率γ。
进一步改进在于:所述特征矢量fi=[p1,p2,…,pN]中,N为li周围的POI类别数目,pk是第k类POI的占比。
进一步改进在于:所述返回概率γ计算公式如式(2)、(3)所示。
本发明的有益效果为:本发明方法能够突破传统时空数据分析的局限,结合其他信息充分利用用户原始轨迹中隐含的深层次信息,解决了传统预测问题中的长时依赖问题,通过网络学习前后时刻中隐藏的特征,提升了轨迹预测的可信度,对后续进一步建立目标画像,实现对于目标行为的深度理解具有重要作用。
附图说明
图1为本发明中基于阈值的意图潜在点粗提取流程示意图;
图2为本发明中Attentional BiGRU预测模型框架示意图;
图3为本发明中用户语义轨迹预测流程示意图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1、2、3所示,本实施例提出基于时空大数据的目标行为语义轨迹预测方法,包括以下步骤:
步骤一:目标意图潜在点或区域轨迹停驻点提取,设置目标原始轨迹如式(1)所示:
RT={l1,l2,…,li,…,ln} (1)
式(1)中lati,loni,ti分别代表目标的经度、纬度、定位时间戳;
通过阈值提取以及密度聚类的不同粒度的提取方法,将轨迹中属于目标运动过程中包含目标运动意图的点或区域尽可能的提取出来;
首先根据意图潜在点的物理意义可以对轨迹进行分割,保留在时间间隔大于阈值t0,距离阈值小于d0的轨迹片段,按时序排列得到初始语义轨迹TS0={l1,l2,…,lm}(m≤n);
然后对保留的语义潜在点集合进行密度聚类,将隐藏不同意图的点分配至不同的类别中,然后将每类中的均值按照时序排列作为最终语义轨迹TS={l1,l2,…,lk};
将初始语义轨迹TS0看作是两两相邻的点之间的距离构成的向量,初始语义轨迹TS0计算如式(8)、(9)所示:
TS0={l1,l2,...,lm}=[d0,1,d1,2,...,dm-1,m] (8)
根据式(8)、(9)结果可以算出均值μ以及标准差σ,借助于分位函数,式(10)、(11)、(12)可以得到合适的高斯分布,这些不同的高斯分布中代表着不同轨迹的某些特征;
其中,p是代表着初始语义轨迹中定位点的数量占原始轨迹中所有定位点数量的比值,b0=1。基于此,可以得到Eps的值;
使用常规的one-hot编码将意图潜在点在时空域编码,将其转换为网络可用的输入,最后将停留点的经纬度用Geohash编码进行网格化表示;
步骤二:语义标注,提取目标停驻点后,结合语义信息,利用概率生成模型将意图潜在点或区域依次打上代表目标意图的语义标签;
结合地图中的POI(兴趣点)信息,利用概率生成模型,得到属于用户的行为语义模型,然后依照地理信息系统中的地图信息,将最终语义轨迹中的每一时空数据点li都附加一个特征矢量 fi=[p1,p2,…,pN],N为li周围的POI类别数目,pk是第k类POI的占比,再通过生成模型,将每一特征矢量打上语义标签,计算各个意图潜在点的在每一类POI的返回概率γ;
返回概率γ计算公式如式(2)、(3)所示。
依据式(2),将最终停留轨迹中的点所对应的特征向量概率分布函数相乘得到最终停留轨迹TS的似然函数如式(4)所示:
其中,N(x)表示高斯分布,vm表示第m类意图;
利用EM算法,如式(5)、(6)、(7)所示,可以得到相关参数的估计值,再将式(5)、(6)、(7)的计算值代入式(3)中,中,按照概率大小将对应的前五种意图作为该点的行为意图集合;
步骤三:搭建用于目标行为预测的神经网络模型,在语义标注的同时,利用基于模型的预测方法,构建神经网络模型,学习相邻意图潜在点间的内在联系与深层次特征,最后按概率大小输出可能的意图潜在点,实现对目标轨迹的行为预测;
采用基于Attention机制的BiGRU网络进行预测,在空间域统计所有Geohash码的类别数量,然后将6位Geohash码编译成01序列码,时间域按24小时,将时间分段编译为01序列码;再将输入送入 BiGRU层,BiGRU网络与传统的GRU网络更新方式一样,如式(12) 所示:
rt=σ(Wr·[ht-1,xt])
zt=σ(Wz·[ht-1,xt])
ht=(1-zt)*ht-1+zt*ht (12)
在BiGRU中引入前向传播层以学习后一时刻对前一时刻停驻点的影响,t时刻的激活状态ht由htf和htb共同决定,如式(13)所示:
然后通过attention机制,通过训练将与待预测点相关性强的点分配更多的权重,如式(14)所示:
mt=tanh(Whht+bh)
h*=tanh(r) (14)
最后在预测层引入全连接层再通过softmax函数输出预测停驻点位置,如式(15)
步骤四:对预测结果进行语义标注,将预测结果送入先前训练好的语义标注模型中进行标注,完成对用户的服务推荐。
本发明方法能够突破传统时空数据分析的局限,结合其他信息充分利用用户原始轨迹中隐含的深层次信息,解决了传统预测问题中的长时依赖问题,通过网络学习前后时刻中隐藏的特征,提升了轨迹预测的可信度,对后续进一步建立目标画像,实现对于目标行为的深度理解具有重要作用。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.基于时空大数据的目标行为语义轨迹预测方法,其特征在于,包括以下步骤:
步骤一:目标意图潜在点或区域轨迹停驻点提取,设置目标原始轨迹如式(1)所示:
RT={l1,l2,…,li,…,ln} (1)
通过阈值提取以及密度聚类的不同粒度的提取方法,将轨迹中属于目标运动过程中包含目标运动意图的点或区域尽可能的提取出来;
步骤二:语义标注,提取目标停驻点后,结合语义信息,利用概率生成模型将意图潜在点或区域依次打上代表目标意图的语义标签;
步骤三:搭建用于目标行为预测的神经网络模型,在语义标注的同时,利用基于模型的预测方法,构建神经网络模型,学习相邻意图潜在点间的内在联系与深层次特征,最后按概率大小输出可能的意图潜在点,实现对目标轨迹的行为预测;
步骤四:对预测结果进行语义标注,将预测结果送入先前训练好的语义标注模型中进行标注,完成对用户的服务推荐。
2.根据权利要求1所述的基于时空大数据的目标行为语义轨迹预测方法,其特征在于:所述步骤一的式(1)中lati,loni,ti分别代表目标的经度、纬度、定位时间戳。
3.根据权利要求2所述的基于时空大数据的目标行为语义轨迹预测方法,其特征在于:所述步骤一中具体过程为:首先根据意图潜在点的物理意义可以对轨迹进行分割,保留在时间间隔大于阈值t0,距离阈值小于d0的轨迹片段,按时序排列得到初始语义轨迹TS0={l1,l2,…,lm}(m≤n);
然后对保留的语义潜在点集合进行密度聚类,将隐藏不同意图的点分配至不同的类别中,然后将每类中的均值按照时序排列作为最终语义轨迹TS={l1,l2,…,lk};
将初始语义轨迹TS0看作是两两相邻的点之间的距离构成的向量,最后将停留点的经纬度用Geohash编码进行网格化表示。
4.根据权利要求3所述的基于时空大数据的目标行为语义轨迹预测方法,其特征在于:所述步骤一中将停留点的经纬度用Geohash编码进行网格化表示时,需要先使用常规的one-hot编码将意图潜在点在时空域编码,将其转换为网络可用的输入。
5.根据权利要求1所述的基于时空大数据的目标行为语义轨迹预测方法,其特征在于:所述步骤二中具体过程为:结合地图中的POI(兴趣点)信息,利用概率生成模型,得到属于用户的行为语义模型,然后依照地理信息系统中的地图信息,将最终语义轨迹中的每一时空数据点li都附加一个特征矢量fi=[p1,p2,…,pN],再通过生成模型,将每一特征矢量打上语义标签,计算各个意图潜在点的在每一类POI的返回概率γ。
6.根据权利要求5所述的基于时空大数据的目标行为语义轨迹预测方法,其特征在于:所述特征矢量fi=[p1,p2,…,pN]中,N为li周围的POI类别数目,pk是第k类POI的占比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910977076.2A CN110888912A (zh) | 2019-10-15 | 2019-10-15 | 基于时空大数据的目标行为语义轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910977076.2A CN110888912A (zh) | 2019-10-15 | 2019-10-15 | 基于时空大数据的目标行为语义轨迹预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110888912A true CN110888912A (zh) | 2020-03-17 |
Family
ID=69746194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910977076.2A Pending CN110888912A (zh) | 2019-10-15 | 2019-10-15 | 基于时空大数据的目标行为语义轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110888912A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783832A (zh) * | 2020-06-03 | 2020-10-16 | 浙江工业大学 | 一种时空数据预测模型的交互式选择方法 |
CN111783739A (zh) * | 2020-07-29 | 2020-10-16 | 中国人民解放军国防科技大学 | 一种通信辐射源相似运动轨迹比较方法 |
CN112199580A (zh) * | 2020-09-11 | 2021-01-08 | 卞美玲 | 面向云计算和大数据定位的业务处理方法及人工智能平台 |
CN112699206A (zh) * | 2021-03-23 | 2021-04-23 | 上海迹寻科技有限公司 | 一种用户职、住地分析方法及装置 |
CN112800158A (zh) * | 2021-01-19 | 2021-05-14 | 吉林大学 | 一种地质图的向量化表示方法 |
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 |
CN113408588A (zh) * | 2021-05-24 | 2021-09-17 | 上海电力大学 | 一种基于注意力机制的双向gru轨迹预测方法 |
CN113486927A (zh) * | 2021-06-15 | 2021-10-08 | 北京大学 | 一种基于先验概率的无监督轨迹访问地点标注方法 |
CN115952930A (zh) * | 2023-03-14 | 2023-04-11 | 中国人民解放军国防科技大学 | 一种基于imm-gmr模型的社会行为体位置预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593361A (zh) * | 2012-08-14 | 2014-02-19 | 中国科学院沈阳自动化研究所 | 感应网络环境下移动时空轨迹分析方法 |
US9507346B1 (en) * | 2015-11-04 | 2016-11-29 | Zoox, Inc. | Teleoperation system and method for trajectory modification of autonomous vehicles |
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 |
-
2019
- 2019-10-15 CN CN201910977076.2A patent/CN110888912A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593361A (zh) * | 2012-08-14 | 2014-02-19 | 中国科学院沈阳自动化研究所 | 感应网络环境下移动时空轨迹分析方法 |
US9507346B1 (en) * | 2015-11-04 | 2016-11-29 | Zoox, Inc. | Teleoperation system and method for trajectory modification of autonomous vehicles |
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 |
Non-Patent Citations (2)
Title |
---|
WANLONG ZHANG等: "SEABIG: A Deep Learning-Based Method for Location Prediction in Pedestrian Semantic Trajectories", 《IEEE ACCESS》 * |
姚迪等: "时空数据语义理解:技术与应用", 《软件学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783832B (zh) * | 2020-06-03 | 2022-07-15 | 浙江工业大学 | 一种时空数据预测模型的交互式选择方法 |
CN111783832A (zh) * | 2020-06-03 | 2020-10-16 | 浙江工业大学 | 一种时空数据预测模型的交互式选择方法 |
CN111783739A (zh) * | 2020-07-29 | 2020-10-16 | 中国人民解放军国防科技大学 | 一种通信辐射源相似运动轨迹比较方法 |
CN112199580A (zh) * | 2020-09-11 | 2021-01-08 | 卞美玲 | 面向云计算和大数据定位的业务处理方法及人工智能平台 |
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 |
CN112800158A (zh) * | 2021-01-19 | 2021-05-14 | 吉林大学 | 一种地质图的向量化表示方法 |
CN112699206A (zh) * | 2021-03-23 | 2021-04-23 | 上海迹寻科技有限公司 | 一种用户职、住地分析方法及装置 |
CN112699206B (zh) * | 2021-03-23 | 2021-07-13 | 上海迹寻科技有限公司 | 一种用户职、住地分析方法及装置 |
CN113408588A (zh) * | 2021-05-24 | 2021-09-17 | 上海电力大学 | 一种基于注意力机制的双向gru轨迹预测方法 |
CN113408588B (zh) * | 2021-05-24 | 2023-02-14 | 上海电力大学 | 一种基于注意力机制的双向gru轨迹预测方法 |
CN113486927A (zh) * | 2021-06-15 | 2021-10-08 | 北京大学 | 一种基于先验概率的无监督轨迹访问地点标注方法 |
CN113486927B (zh) * | 2021-06-15 | 2024-03-01 | 北京大学 | 一种基于先验概率的无监督轨迹访问地点标注方法 |
CN115952930A (zh) * | 2023-03-14 | 2023-04-11 | 中国人民解放军国防科技大学 | 一种基于imm-gmr模型的社会行为体位置预测方法 |
CN115952930B (zh) * | 2023-03-14 | 2023-08-22 | 中国人民解放军国防科技大学 | 一种基于imm-gmr模型的社会行为体位置预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110888912A (zh) | 基于时空大数据的目标行为语义轨迹预测方法 | |
Choi et al. | TrajGAIL: Generating urban vehicle trajectories using generative adversarial imitation learning | |
CN110555523B (zh) | 一种基于脉冲神经网络的短程跟踪方法及系统 | |
CN110428010B (zh) | 知识追踪方法 | |
CN110414732B (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
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 | |
CN110309170B (zh) | 一种任务型多轮对话中的复杂意图识别方法 | |
CN106169188A (zh) | 一种基于蒙特卡洛树搜索的对象跟踪方法 | |
CN114372116B (zh) | 一种基于lstm和时空注意力机制的车辆轨迹预测方法 | |
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 | |
CN110781266B (zh) | 一种基于时空因果关系的城市感知数据处理方法 | |
CN112651374B (zh) | 一种基于社会信息的未来轨迹预测方法及自动驾驶系统 | |
CN105427596A (zh) | 一种基于时空特征的社区停车位状态检测及服务方法 | |
CN112037506A (zh) | 车辆轨迹预测模型构建方法、车辆轨迹预测方法及系统 | |
CN113068131B (zh) | 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质 | |
CN111860989A (zh) | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 | |
WO2022142418A1 (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN112116137A (zh) | 一种基于混合深度神经网络的学生辍课预测方法 | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN112017436A (zh) | 城市市内交通旅行时间的预测方法及系统 | |
CN114461931A (zh) | 一种基于多关系融合分析的用户轨迹预测方法和系统 | |
CN115376103A (zh) | 一种基于时空图注意力网络的行人轨迹预测方法 | |
CN110795522B (zh) | 一种移动用户轨迹位置的预测方法及装置 | |
CN116153125A (zh) | 一种基于ida-rnn模型的空间维度公交到达时间预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200317 |