CN112434228A - 一种移动目标轨迹位置预测方法 - Google Patents

一种移动目标轨迹位置预测方法 Download PDF

Info

Publication number
CN112434228A
CN112434228A CN202011365113.3A CN202011365113A CN112434228A CN 112434228 A CN112434228 A CN 112434228A CN 202011365113 A CN202011365113 A CN 202011365113A CN 112434228 A CN112434228 A CN 112434228A
Authority
CN
China
Prior art keywords
target
data set
track
prediction model
historical
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
Application number
CN202011365113.3A
Other languages
English (en)
Other versions
CN112434228B (zh
Inventor
李熙雨
胡岩峰
焦程波
陈诗旭
宋路杰
丁士伟
黄思贤
昝箫毓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Research Institute Institute Of Electronics Chinese Academy Of Sciences
Original Assignee
Suzhou Research Institute Institute Of Electronics Chinese Academy Of Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Research Institute Institute Of Electronics Chinese Academy Of Sciences filed Critical Suzhou Research Institute Institute Of Electronics Chinese Academy Of Sciences
Priority to CN202011365113.3A priority Critical patent/CN112434228B/zh
Publication of CN112434228A publication Critical patent/CN112434228A/zh
Application granted granted Critical
Publication of CN112434228B publication Critical patent/CN112434228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种移动目标轨迹位置预测方法，采集目标历史轨迹数据集与目标关键位置数据集；基于目标历史轨迹数据集与目标关键位置数据集，提取目标历史位置序列数据集；基于目标历史轨迹数据集与目标历史位置序列数据集，对每类目标分别建立马尔科夫预测模型；基于目标历史位置序列数据集，建立全体马尔科夫预测模型；基于每类目标对应的马尔科夫预测模型与全体马尔科夫预测模型，构建目标位置组合预测模型；基于目标位置组合预测模型，进行目标位置实时预测。本发明不依赖路网结构等额外信息实现轨迹下一个位置预测，在预测效果和方法普适性方面寻求平衡，且在一定程度上缓解了预测模型的高阶稀疏性问题，提高了模型预测的精度。

Description

一种移动目标轨迹位置预测方法
技术领域
本发明涉及计算机领域，具体涉及一种移动目标轨迹位置预测方法。
背景技术
随着移动定位技术不断发展，目标时空轨迹获取记录装置(如GPS系统、船载AIS系统等)不断普及，各类移动目标轨迹数据量日益增长。目标轨迹数据中蕴涵了丰富的信息，对此类时空数据的知识挖掘具有重要的价值。目标轨迹的位置预测技术一直是时空数据挖掘中的重要研究方向之一，在交通、商业、救援、城市服务等许多方面得到了广泛应用，因此对轨迹位置预测方法技术展开研究具有重要的意义。
现有技术中，轨迹预测主要针对车辆、行人等具有相对固定路网结构的目标，对道路、行人偏好等目标相关信息依赖较多，存在普适性较差的问题；此外，传统马尔科夫模型基于转移矩阵实现，对数据的连续性和稳定性要求较高，而实际轨迹数据常常包含大量碎片化数据，现有技术在高阶时容易存在数据稀疏性问题，影响预测精度。
发明内容
本发明的目的在于提出一种移动目标轨迹位置预测方法。
实现本发明目的的技术解决方案为：一种移动目标轨迹位置预测方法，包括如下步骤：
步骤1：采集目标历史轨迹数据集与目标关键位置数据集；
步骤2：基于目标历史轨迹数据集与目标关键位置数据集，提取目标历史位置序列数据集；
步骤3：基于目标历史轨迹数据集与目标历史位置序列数据集，对每类目标分别建立马尔科夫预测模型；
步骤4：基于目标历史位置序列数据集，建立全体马尔科夫预测模型；
步骤5：基于每类目标对应的马尔科夫预测模型与全体马尔科夫预测模型，构建目标位置组合预测模型；
步骤6：基于目标位置组合预测模型，进行目标位置实时预测。
进一步的，步骤1中，采集目标历史轨迹数据集与目标关键位置数据集，具体方法为：
目标历史轨迹数据集由有限条目标轨迹组成，其中，任一条目标轨迹由有限个有始有终的离散的轨迹点组成，任一轨迹点带有对应的经纬度、时间戳、目标类型这些细节信息；
目标关键位置数据集由有限个目标位置组成，其中，任一目标位置的定义方式有两种，分别为：(1)由有限个离散的位置点Vx＝{vx1,vx2,…vxn}，Vy＝{vy1,vy2,…vyn}所围成的多边形定义，其中Vx为位置点经度坐标序列，Vy为位置点纬度坐标序列；(2)由1个中心位置点{vx0,vy0}与对应的半径r'所形成的圆定义；任意两两目标位置之间应当不存在重叠部分。
进一步的，步骤2中，基于目标历史轨迹数据集与目标关键位置数据集，提取目标历史位置序列数据集，具体方法为：
步骤2.1：基于目标关键位置数据集，定义扩展的目标关键位置数据集；
设步骤1得到的目标关键位置数据集为
Figure BDA0002805175440000024
其中
Figure BDA0002805175440000025
为自然数集，hi,i＝1,2,…,m为目标位置，基于目标关键位置数据集，定义扩展的目标关键位置数据集
Figure BDA0002805175440000021
其中
Figure BDA0002805175440000022
代表所有目标位置范围外的集合，其中
Figure BDA0002805175440000023
为补集，∪为全集，∪为并集；
步骤2.2：遍历目标历史轨迹数据集中每一条目标轨迹，对于任一目标轨迹，遍历其中每一个轨迹点，对于任一轨迹点，遍历步骤2.1中得到的扩展的目标关键位置数据集中每一个目标位置，判断轨迹点与目标位置的包含关系，若该轨迹点包含于该目标位置，则记录轨迹点所在的目标位置；任一目标轨迹中所有轨迹点遍历完成后，形成与该目标轨迹对应的目标位置原始序列；目标历史轨迹数据集中所有目标轨迹遍历完成后，形成由有限条目标位置原始序列组成的目标历史位置原始序列数据集；
步骤2.3：基于步骤2.2中得到的目标历史位置原始序列数据集，遍历其中的每一条目标位置原始序列，将目标位置原始序列中连续相同的值进行去重，仅保留连续不同的目标位置，形成目标历史位置序列数据集。
进一步的，步骤3中，基于目标历史轨迹数据集与目标历史位置序列数据集，对每类目标分别建立马尔科夫预测模型，具体方法为：
步骤3.1：基于目标历史轨迹数据集与目标历史位置序列数据集，按照目标类型对目标历史位置序列数据集进行划分；
步骤3.2：基于划分后的任一类目标对应的历史位置序列数据集，建立该类目标的马尔科夫预测模型，先将其视为N,N-1,…1阶马尔科夫过程的集合，输入到马尔科夫转移概率模型中，计算对应的转移概率，然后将得到的所有转移概率合并；
步骤3.3：对划分后的每类目标对应的历史位置序列数据集，重复步骤3.2，对每类目标分别建立马尔科夫预测模型。
进一步的，步骤4中，基于目标历史位置序列数据集，建立全体马尔科夫预测模型，将其视为N,N-1,…1阶马尔科夫过程的集合，输入到马尔科夫转移概率模型中，计算对应的转移概率，将得到的所有转移概率合并。
进一步的，步骤5中，基于每类目标对应的马尔科夫预测模型与全体马尔科夫预测模型，构建目标位置组合预测模型，具体方法为：
步骤5.1：将目标历史位置序列数据集中每一条目标位置序列的最后一个目标位置单独抽出，作为下一个位置预测结果，得到结果向量集{yj}；
步骤5.2：将目标历史位置序列数据集其余部分作为训练集输入到每类目标对应的马尔科夫预测模型与全体马尔科夫预测模型中，得到预测概率向量集
Figure BDA0002805175440000031
步骤5.3：基于多重线性回归分析方法，将结果向量集{yj}与预测概率向量集
Figure BDA0002805175440000032
表示成矩阵形式Y＝Pβ，输入到多重线性回归模型中，通过最小二乘法得到参数估计
Figure BDA0002805175440000033
即目标位置组合预测模型。
进一步的，步骤6中，基于目标位置组合预测模型，进行目标位置实时预测，具体方法为：
步骤6.1：根据目标当前轨迹数据，提取目标当前位置序列；
步骤6.2：将目标当前位置序列输入到目标位置组合预测模型中，选取结果向量中最大的元素对应的目标位置作为预测结果。
一种移动目标轨迹位置预测系统，基于所述的方法预测移动目标轨迹位置。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的方法预测移动目标轨迹位置。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法预测移动目标轨迹位置。
本发明与现有技术相比，其显著优点为：1)综合移动目标历史轨迹与关键位置，通过提取目标历史位置序列，不依赖路网结构等额外信息，实现轨迹下一个位置预测，在预测效果和方法普适性方面寻求平衡；2)采用变阶数的马尔科夫预测模型，综合考虑轨迹数据中的碎片数据信息，一定程度上缓解了预测模型的高阶稀疏性问题，提高了模型预测的精度。
附图说明
图1为移动目标轨迹位置预测方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
首先介绍本发明涉及的关键技术。
1.PNPoly算法
PNPOLY(Point Inclusion in Polygon)是常用的判断点与多边形包含关系的算法之一，二维空间下算法简要原理如下：
(a)输入待测多边形顶点横坐标序列Vx＝{vx1,vx2,…vxn}，纵坐标序列Vy＝{vy1,vy2,…vyn}；输入待测点坐标(xt,yt)；
(b)设置布尔值c初始为FALSE；
(c)遍历待测多变形所有顶点，更新c的值，伪代码如下：
Figure BDA0002805175440000041
(d)记录此时c值，若为TRUE，则待测点在待测多边形内；若为FALSE，则待测点不在待测多边形内。
2.Haversine公式
Haversine公式(Haversine formula)是常用的计算球面上两点间大圆距离的公式之一，公式如下：
设球面上两点弧度制坐标分别为
Figure BDA0002805175440000059
Figure BDA0002805175440000051
其中，d为两点间大圆距离，r为球半径，arcsin为反正弦函数，sin为正弦函数，cos为余弦函数。
3.马尔科夫转移概率模型
设有随机过程用序列
Figure BDA00028051754400000510
表示，其中
Figure BDA00028051754400000511
为自然数集，A中的任一元素ai(i＝1,2,…n)的所有可能的采样值集合由X＝{x1,x2,…xm}表示，若对于任一元素ai，随机过程A满足P(ai|ai-1,…,ai-N,…,a1)＝P(ai|ai-1,…,ai-N)，即过程中每个状态的转移只依赖于前N个状态，则A可被称为N阶马尔科夫过程，其中P(B|C)为在C的条件下B的概率。
对于任一N阶马尔科夫过程
Figure BDA0002805175440000052
设
Figure BDA0002805175440000053
为A中连续N个元素组成的子序列，有如下转移概率：
Figure BDA0002805175440000054
其中，xj∈X，
Figure BDA0002805175440000055
为A中元素ai＝xj紧邻在
Figure BDA0002805175440000056
后出现的次数，
Figure BDA0002805175440000057
为
Figure BDA0002805175440000058
在A中出现的次数。
4.多重线性回归分析
多重线性回归分析(Multiple Regression Analysis)是一类基于自变量来预测一个或多个因变量的统计方法。
多重线性回归模型假设因变量y与多个自变量x1,x2,…,xp-1成线性相关，即：
y＝β0+β1x1+β2x2+…+βp-1xp-1 (3)
设β＝(β0,β1,…,βp-1)T为固定的未知参数向量，对总体进行随机抽样，表示成矩阵形式后有：
Figure BDA0002805175440000061
其中yi,xi1,xi2,…,xi(p-1)表示对总体变量y,x1,x2,…,xp-1的独立重复观测，简写为Y＝Xβ，采用最小二乘法对β进行估计，即：
Figure BDA0002805175440000062
其中
Figure BDA0002805175440000065
为实数集，arg min为条件最小，详细推导过程略，最终可得：
Figure BDA0002805175440000063
其中
Figure BDA0002805175440000064
为参数β的最小二乘估计。
基于上述理论，本发明提出一种移动目标轨迹位置预测方法，如图1所示，包括如下步骤：
步骤1：采集目标历史轨迹数据集与目标关键位置数据集；
目标历史轨迹数据集可以由有限条，通过各种定位技术、装置(如GPS系统，船载AIS系统等)采集获取的目标轨迹组成。
其中，任一条目标轨迹可以由有限个有始有终的离散的轨迹点组成，任一轨迹点可以带有对应的经纬度、时间戳、目标类型等细节信息。
目标关键位置数据集可以由有限个目标位置组成。
其中，目标位置由用户定义，本实施例中，目标位置用于表征目标历史活动的重点关注区域范围。
优选地，目标关键位置数据集中的任一目标位置，可以由以下两种方式定义：(1)由有限个离散的位置点Vx＝{vx1,vx2,…vxn}，Vy＝{vy1,vy2,…vyn}所围成的多边形定义，其中Vx为位置点经度坐标序列，Vy为位置点纬度坐标序列；(2)由1个中心位置点{vx0,vy0}与对应的半径r'所形成的圆定义。用户可根据实际情况灵活选择各目标位置的定义方式，其中，任意两两目标位置之间应当不存在重叠部分。
步骤2：基于目标历史轨迹数据集与目标关键位置数据集，提取目标历史位置序列数据集；
步骤2.1：设由步骤1得到的目标关键位置数据集为
Figure BDA0002805175440000072
其中
Figure BDA0002805175440000075
为自然数集，hi,i＝1,2,…,m为目标位置；基于目标关键位置数据集，定义扩展的目标关键位置数据集
Figure BDA0002805175440000073
其中
Figure BDA0002805175440000071
代表所有目标位置范围外的集合，其中
Figure BDA0002805175440000074
为补集，∪为全集，∪为并集；
步骤2.2：遍历目标历史轨迹数据集中每一条目标轨迹，对于任一目标轨迹，遍历其中每一个轨迹点，对于任一轨迹点，遍历步骤2.1中得到的扩展的目标关键位置数据集中每一个目标位置，判断轨迹点与目标位置的包含关系，若该轨迹点包含于该目标位置，则记录轨迹点所在的目标位置；任一目标轨迹中所有轨迹点遍历完成后，可形成与该目标轨迹对应的目标位置原始序列；目标历史轨迹数据集中所有目标轨迹遍历完成后，可形成由有限条目标位置原始序列组成的目标历史位置原始序列数据集。
其中，轨迹点与目标位置的包含关系判断方法如下：若该目标位置由步骤1中所述方式(1)定义，则轨迹点与目标位置的包含关系判断采用PNPoly算法；若该目标位置由步骤1中所述方式(2)定义，则轨迹点与目标位置的包含关系判断采用Haversine公式，具体步骤如下：
步骤2.2.1：将轨迹点经纬度坐标和目标位置定义的中心点经纬度坐标{vx0,vy0}代入Haversine公式中的两点坐标，将地球半径R代入Haversine公式中的球半径r，本实施例中R的取值为6371km，计算得到两点间大圆距离d；
步骤2.2.2：目标位置定义中的半径为r'，若d≤r'，则轨迹点包含于目标位置，若d＞r'，则轨迹点不包含于目标位置；
步骤2.3：基于步骤2.2中得到的目标历史位置原始序列数据集，遍历其中的每一条目标位置原始序列，将目标位置原始序列中连续相同的值进行去重，仅保留连续不同的目标位置，形成目标历史位置序列数据集；
步骤3：基于目标历史轨迹数据集与目标历史位置序列数据集，对每类目标分别建立马尔科夫预测模型；
步骤3.1：基于目标历史轨迹数据集与目标历史位置序列数据集，按照目标类型对目标历史位置序列数据集进行划分；
步骤3.2：基于划分后的任一类目标对应的历史位置序列数据集，分别将其视为N,N-1,…1阶马尔科夫过程的集合，输入到马尔科夫转移概率模型中，计算对应的转移概率；将得到的所有转移概率合并，建立该类目标的马尔科夫预测模型；
其中，N的取值由目标历史位置序列数据集的马尔科夫性质决定，即轨迹下一步的位置受历史位置的最大影响程度，具体由实际应用场景结合经验判断，通常取2或3。
步骤3.3：对划分后的每类目标对应的历史位置序列数据集，重复步骤3.2，对每类目标分别建立马尔科夫预测模型；
步骤4：基于目标历史位置序列数据集，建立全体马尔科夫预测模型；
步骤4.1：基于目标历史位置序列数据集，分别将其视为N,N-1,…1阶马尔科夫过程的集合，输入到马尔科夫转移概率模型中，计算对应的转移概率，将得到的所有转移概率合并，建立全体马尔科夫预测模型；
其中，N的取值与步骤3.2中N的取值相同；
步骤5：基于每类目标对应的马尔科夫预测模型与全体马尔科夫预测模型，构建目标位置组合预测模型；
将任一目标位置序列输入到步骤4得到的任一马尔科夫预测模型中，得到的预测结果可用概率向量
Figure BDA0002805175440000081
表示，同时对任一目标位置序列，有向量
Figure BDA0002805175440000082
其中k表示第k个预测模型，j表示第j个目标位置序列，
Figure BDA0002805175440000083
表示预测结果为第i个目标位置的概率，若目标位置序列下一个目标位置为第i个目标位置，则
Figure BDA0002805175440000084
反之
Figure BDA0002805175440000085
m与步骤2.1中相同；则任一目标位置序列对应的一组yj，
Figure BDA0002805175440000086
可作为对总体变量的一次独立重复观测，可利用多重线性回归分析方法，构建多重线性回归模型。
步骤5.1：将目标历史位置序列数据集中每一条目标位置序列的最后一个目标位置单独抽出，作为下一个位置预测结果，得到结果向量集{yj}；
步骤5.2：将目标历史位置序列数据集其余部分作为训练集输入到每类目标对应的马尔科夫预测模型与全体马尔科夫预测模型中，得到预测概率向量集
Figure BDA0002805175440000091
步骤5.3：基于多重线性回归分析方法，将结果向量集{yj}与预测概率向量集
Figure BDA0002805175440000092
表示成矩阵形式Y＝Pβ，输入到多重线性回归模型中，通过最小二乘法得到参数估计
Figure BDA0002805175440000093
即目标位置组合预测模型；
步骤6：基于目标位置组合预测模型，进行目标位置实时预测；
步骤6.1：将目标当前轨迹数据作为输入，提取目标当前位置序列；其中，目标当前位置序列提取方法与步骤2中提取任一条目标历史位置序列的方法相同；
步骤6.2：将目标当前位置序列输入到目标位置组合预测模型中，选取结果向量中最大的元素对应的目标位置作为预测结果。
本发明还提出一种移动目标轨迹位置预测系统，基于所述的方法预测移动目标轨迹位置。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的方法预测移动目标轨迹位置。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法预测移动目标轨迹位置。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种移动目标轨迹位置预测方法，其特征在于，包括如下步骤：
步骤1：采集目标历史轨迹数据集与目标关键位置数据集；
步骤2：基于目标历史轨迹数据集与目标关键位置数据集，提取目标历史位置序列数据集；
步骤3：基于目标历史轨迹数据集与目标历史位置序列数据集，对每类目标分别建立马尔科夫预测模型；
步骤4：基于目标历史位置序列数据集，建立全体马尔科夫预测模型；
步骤5：基于每类目标对应的马尔科夫预测模型与全体马尔科夫预测模型，构建目标位置组合预测模型；
步骤6：基于目标位置组合预测模型，进行目标位置实时预测。
2.根据权利要求1所述的移动目标轨迹位置预测方法，其特征在于，步骤1中，采集目标历史轨迹数据集与目标关键位置数据集，具体方法为：
目标历史轨迹数据集由有限条目标轨迹组成，其中，任一条目标轨迹由有限个有始有终的离散的轨迹点组成，任一轨迹点带有对应的经纬度、时间戳、目标类型这些细节信息；
目标关键位置数据集由有限个目标位置组成，其中，任一目标位置的定义方式有两种，分别为：(1)由有限个离散的位置点Vx＝{vx1,vx2,…vxn}，Vy＝{vy1,vy2,…vyn}所围成的多边形定义，其中Vx为位置点经度坐标序列，Vy为位置点纬度坐标序列；(2)由1个中心位置点{vx0,vy0}与对应的半径r'所形成的圆定义；任意两两目标位置之间应当不存在重叠部分。
3.根据权利要求1所述的移动目标轨迹位置预测方法，其特征在于，步骤2中，基于目标历史轨迹数据集与目标关键位置数据集，提取目标历史位置序列数据集，具体方法为：
步骤2.1：基于目标关键位置数据集，定义扩展的目标关键位置数据集；
设步骤1得到的目标关键位置数据集为
Figure FDA0002805175430000011
其中
Figure FDA0002805175430000012
为自然数集，hi,i＝1,2,…,m为目标位置，基于目标关键位置数据集，定义扩展的目标关键位置数据集
Figure FDA0002805175430000013
其中
Figure FDA0002805175430000014
代表所有目标位置范围外的集合，其中
Figure FDA0002805175430000015
为补集，∪为全集，∪为并集；
步骤2.2：遍历目标历史轨迹数据集中每一条目标轨迹，对于任一目标轨迹，遍历其中每一个轨迹点，对于任一轨迹点，遍历步骤2.1中得到的扩展的目标关键位置数据集中每一个目标位置，判断轨迹点与目标位置的包含关系，若该轨迹点包含于该目标位置，则记录轨迹点所在的目标位置；任一目标轨迹中所有轨迹点遍历完成后，形成与该目标轨迹对应的目标位置原始序列；目标历史轨迹数据集中所有目标轨迹遍历完成后，形成由有限条目标位置原始序列组成的目标历史位置原始序列数据集；
步骤2.3：基于步骤2.2中得到的目标历史位置原始序列数据集，遍历其中的每一条目标位置原始序列，将目标位置原始序列中连续相同的值进行去重，仅保留连续不同的目标位置，形成目标历史位置序列数据集。
4.根据权利要求1所述的移动目标轨迹位置预测方法，其特征在于，步骤3中，基于目标历史轨迹数据集与目标历史位置序列数据集，对每类目标分别建立马尔科夫预测模型，具体方法为：
步骤3.1：基于目标历史轨迹数据集与目标历史位置序列数据集，按照目标类型对目标历史位置序列数据集进行划分；
步骤3.2：基于划分后的任一类目标对应的历史位置序列数据集，建立该类目标的马尔科夫预测模型，先将其视为N,N-1,…1阶马尔科夫过程的集合，输入到马尔科夫转移概率模型中，计算对应的转移概率，然后将得到的所有转移概率合并；
步骤3.3：对划分后的每类目标对应的历史位置序列数据集，重复步骤3.2，对每类目标分别建立马尔科夫预测模型。
5.根据权利要求1所述的移动目标轨迹位置预测方法，其特征在于，步骤4中，基于目标历史位置序列数据集，建立全体马尔科夫预测模型，将其视为N,N-1,…1阶马尔科夫过程的集合，输入到马尔科夫转移概率模型中，计算对应的转移概率，将得到的所有转移概率合并。
6.根据权利要求1所述的移动目标轨迹位置预测方法，其特征在于，步骤5中，基于每类目标对应的马尔科夫预测模型与全体马尔科夫预测模型，构建目标位置组合预测模型，具体方法为：
步骤5.1：将目标历史位置序列数据集中每一条目标位置序列的最后一个目标位置单独抽出，作为下一个位置预测结果，得到结果向量集{yj}；
步骤5.2：将目标历史位置序列数据集其余部分作为训练集输入到每类目标对应的马尔科夫预测模型与全体马尔科夫预测模型中，得到预测概率向量集
Figure FDA0002805175430000031
步骤5.3：基于多重线性回归分析方法，将结果向量集{yj}与预测概率向量集
Figure FDA0002805175430000032
表示成矩阵形式Y＝Pβ，输入到多重线性回归模型中，通过最小二乘法得到参数估计
Figure FDA0002805175430000033
Figure FDA0002805175430000034
即目标位置组合预测模型。
7.根据权利要求1所述的移动目标轨迹位置预测方法，其特征在于，步骤6中，基于目标位置组合预测模型，进行目标位置实时预测，具体方法为：
步骤6.1：根据目标当前轨迹数据，提取目标当前位置序列；
步骤6.2：将目标当前位置序列输入到目标位置组合预测模型中，选取结果向量中最大的元素对应的目标位置作为预测结果。
8.一种移动目标轨迹位置预测系统，其特征在于，基于权利要求1-7任一项所述的方法预测移动目标轨迹位置。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的方法预测移动目标轨迹位置。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法预测移动目标轨迹位置。
CN202011365113.3A 2020-11-27 2020-11-27 一种移动目标轨迹位置预测方法 Active CN112434228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011365113.3A CN112434228B (zh) 2020-11-27 2020-11-27 一种移动目标轨迹位置预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011365113.3A CN112434228B (zh) 2020-11-27 2020-11-27 一种移动目标轨迹位置预测方法

Publications (2)

Publication Number Publication Date
CN112434228A true CN112434228A (zh) 2021-03-02
CN112434228B CN112434228B (zh) 2022-11-29

Family

ID=74698835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011365113.3A Active CN112434228B (zh) 2020-11-27 2020-11-27 一种移动目标轨迹位置预测方法

Country Status (1)

Country Link
CN (1) CN112434228B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916249A (zh) * 2021-09-17 2022-01-11 华能伊敏煤电有限责任公司 V2x协议下的矿用卡车自动驾驶里程统计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197139A1 (en) * 2002-07-10 2005-09-08 Ekahau Oy Positioning technique
CN104270796A (zh) * 2014-10-23 2015-01-07 湘潭大学 基于马尔科夫模型选择Sink路径的数据收集方法
JP2015082224A (ja) * 2013-10-23 2015-04-27 日本電信電話株式会社 確率的なサーバ負荷量推定方法およびサーバ負荷量推定装置
CN105825297A (zh) * 2016-03-11 2016-08-03 山东大学 一种基于马尔科夫模型的位置预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197139A1 (en) * 2002-07-10 2005-09-08 Ekahau Oy Positioning technique
JP2015082224A (ja) * 2013-10-23 2015-04-27 日本電信電話株式会社 確率的なサーバ負荷量推定方法およびサーバ負荷量推定装置
CN104270796A (zh) * 2014-10-23 2015-01-07 湘潭大学 基于马尔科夫模型选择Sink路径的数据收集方法
CN105825297A (zh) * 2016-03-11 2016-08-03 山东大学 一种基于马尔科夫模型的位置预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
权波等: "基于LSTM的船舶航迹预测模型", 《计算机科学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916249A (zh) * 2021-09-17 2022-01-11 华能伊敏煤电有限责任公司 V2x协议下的矿用卡车自动驾驶里程统计方法

Also Published As

Publication number Publication date
CN112434228B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
Tekouabou et al. Improving parking availability prediction in smart cities with IoT and ensemble-based model
Wang et al. When will you arrive? estimating travel time based on deep neural networks
Taguchi et al. Online map matching with route prediction
US9904932B2 (en) Analyzing semantic places and related data from a plurality of location data reports
Lin et al. Mining GPS data for mobility patterns: A survey
CN104462190B (zh) 一种基于海量空间轨迹挖掘的在线的位置预测方法
Kellaris et al. Map-matched trajectory compression
CN107977734B (zh) 一种时空大数据下基于移动马尔可夫模型的预测方法
US20170254660A1 (en) Method and system for utilizing a trip history
Omrani et al. The land transformation model-cluster framework: Applying k-means and the Spark computing environment for large scale land change analytics
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
Sudo et al. Particle filter for real-time human mobility prediction following unprecedented disaster
Guo et al. Trajectory prediction for ocean vessels base on K-order multivariate Markov chain
Pecher et al. Data-driven vehicle trajectory prediction
CN112434228B (zh) 一种移动目标轨迹位置预测方法
CN110263250B (zh) 一种推荐模型的生成方法及装置
Gupta et al. Study of fuzzy logic and particle swarm methods in map matching algorithm
CN115691140B (zh) 一种汽车充电需求时空分布的分析与预测方法
Qiao et al. Location prediction based on user mobile behavior similarity
CN111427932B (zh) 出行预测方法、装置、设备和存储介质
Anitha et al. A heuristic moving vehicle location prediction technique via optimal paths selection with aid of genetic algorithm and feed forward back propagation neural network
CN113971496A (zh) 活动影响下的城市交通路网状态演化趋势预测方法及系统
Dutta et al. CLUSTMOSA: Clustering for GPS trajectory data based on multi-objective simulated annealing to develop mobility application
CN113487163A (zh) 基于地理位置信息进行业务预测的方法及装置
Zhou et al. a Method for Traffic Flow Forecasting in a Large-Scale Road Network Using Multifeatures

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