CN115952930A - 一种基于imm-gmr模型的社会行为体位置预测方法 - Google Patents

一种基于imm-gmr模型的社会行为体位置预测方法 Download PDF

Info

Publication number
CN115952930A
CN115952930A CN202310238500.8A CN202310238500A CN115952930A CN 115952930 A CN115952930 A CN 115952930A CN 202310238500 A CN202310238500 A CN 202310238500A CN 115952930 A CN115952930 A CN 115952930A
Authority
CN
China
Prior art keywords
model
gmr
social behavior
imm
track
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
CN202310238500.8A
Other languages
English (en)
Other versions
CN115952930B (zh
Inventor
马春来
马涛
常超
束妮娜
刘春生
许四毛
刘金红
杨方
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202310238500.8A priority Critical patent/CN115952930B/zh
Publication of CN115952930A publication Critical patent/CN115952930A/zh
Application granted granted Critical
Publication of CN115952930B publication Critical patent/CN115952930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于IMM‑GMR模型的社会行为体位置预测方法，属于位置数据处理与预测技术领域。包括：获取社会行为体的坐标数据集，坐标数据集中的数据表征社会行为体的轨迹，对社会行为体的轨迹进行分段；对经分段的各个轨迹段进行聚类分析，得到若干聚类簇，为每一个聚类簇构建对应的GMM模型；构建与各个GMM模型分别对应的GMR模型，当构建的GMR模型的数量等于聚类簇的数量时，构建IMM‑GMR模型，用于预测社会行为体的轨迹。所述方法使得轨迹预测模型不再受限于单一移动模式，大幅提升对包含多移动模式的历史轨迹数据进行预测的准确率，实现了适配多移动模式的社会行为体位置的高精度预测。

Description

一种基于IMM-GMR模型的社会行为体位置预测方法
技术领域
本发明属于位置数据处理与预测技术领域，尤其涉及一种基于IMM-GMR模型的社会行为体位置预测方法。
背景技术
位置信息与人类行为存在较强的关联性，这种关联性使分析者能够在获取用户移动终端历史位置信息的情况下，综合利用各类时空数据挖掘技术推断用户的敏感信息。其中，用户的未来轨迹是一种重要的敏感信息，具有十分重要的用途。在商业方面，它可用于精准的移动广告投放，在社交网络方面可用于基于位置的推荐系统，特别是在网络空间态势认知方面，对社会角色层中的社会行为体分析具有重要意义。
目前的轨迹预测主要分为单步迭代预测和模型回归预测。单步迭代预测通过频繁模式挖掘预测、线性模型预测、马尔可夫预测、贝叶斯网络预测等方法，将上一步预测结果作为下一步预测输入。基于改进的卡尔曼滤波方法，如扩展卡尔曼滤波方法，通过建立目标移动非线性模型，并进行状态更新，然后根据滤波增益进行量测更新。但该方法存在许多不足：首先，这些通常需要对轨迹信息进行离散化。而离散化意味着连续轨迹部分细节信息的缺失，无形中提高了输入数据的粒度，从而使得精度降低。其次，这些方法一般仅局限于单步预测，在多步预测时，一般通过多次迭代来完成，而迭代过程会使误差迅速积累，从而使得预测误差增加。
模型回归预测方法既不需要对原始轨迹离散化，又能以较高的精度实现多步预测。该预测方法的基本思路是通过学习用户的历史轨迹，建立能够描述用户移动模式的轨迹模型，在已知当前一段观测序列的前提下，通过该模型实现对一整段轨迹的预测。相关文献通过采用基于原型的聚类方法，利用GMM（Gaussian Mixture Model，高斯混合模型）对训练轨迹数据进行回归分析和轨迹建模。该方法虽然克服了单步迭代预测方法误差易积累的不足，但其在对移动模式的描述上具有一定的局限性。
发明内容
针对上述技术问题，本发明公开了一种基于IMM-GMR（IMM, InteractingMultiple Models，交互式多模型，GMR，Gaussian Mixture Regression，高斯混合回归）模型的社会行为体位置预测方法。所述方法包括：步骤S1、获取社会行为体的坐标数据集，所述坐标数据集中的数据表征所述社会行为体的轨迹，对所述社会行为体的轨迹进行分段；步骤S2、对经分段的各个轨迹段进行聚类分析，得到若干聚类簇，为每一个聚类簇构建对应的GMM模型；步骤S3、构建与各个GMM模型分别对应的GMR模型，当构建的GMR模型的数量等于所述聚类簇的数量时，构建IMM-GMR模型；其中，构建的所述IMM-GMR模型用于预测所述社会行为体的轨迹。
在优选实施例中，在所述步骤S1中，利用SMoT算法从所述坐标数据集中的数据中提取出所述社会行为体的停留点和移动点，基于所述停留点和所述移动点对所述社会行为体的轨迹进行分段；包括：基于所述坐标数据集中的数据确定所述社会行为体的轨迹，并获取所述社会行为体的轨迹所覆盖的区域以及所述区域的停留时间判别门限，以集合
Figure SMS_3
来表征各个区域和对应的判别门限；其中，
Figure SMS_5
表示所述区域，
Figure SMS_7
表示区域
Figure SMS_1
的停留时间判别门限，N表示所述聚类簇的数量；当所述社会行为体的轨迹与区域
Figure SMS_4
交叉时，判断所述社会行为体在所述区域
Figure SMS_6
的停留时间是否大于所述停留时间判别门限
Figure SMS_8
；若是，则所述区域
Figure SMS_2
内所述社会行为体的所有坐标位置点均为所述停留点；其中，所述社会行为体的所有坐标位置点中未被判定为所述停留点的坐标位置点为所述移动点。
在优选实施例中，在所述步骤S2中，利用基于Traclus的轨迹聚类算法对所述各个轨迹段进行所述聚类分析以得到N个聚类簇，每一个聚类簇表征一种移动模式，并为每一个聚类簇构建对应的GMM模型；
其中，构建所述对应的GMM模型具体包括，将同一种所述移动模式下的轨迹段分解为二维空间中在
Figure SMS_9
方向和
Figure SMS_10
方向上的混合高斯过程：
Figure SMS_11
其中，
Figure SMS_19
、
Figure SMS_14
分别表示
Figure SMS_25
方向和
Figure SMS_18
方向高斯混合模型的概率分布，
Figure SMS_22
表示第
Figure SMS_20
个观测数据属于第
Figure SMS_21
个子模型的概率，
Figure SMS_17
表示所述第
Figure SMS_23
个子模型的高斯分布密度函数，
Figure SMS_12
表示混合模型中子高斯模型的数量，
Figure SMS_24
、
Figure SMS_15
分别表示
Figure SMS_26
方向和
Figure SMS_16
方向的模型参数设置，
Figure SMS_27
表示模型期望，
Figure SMS_13
表示模型协方差。
在优选实施例中，在所述步骤S2中，构建的所述对应的GMM模型具有模型参数
Figure SMS_29
，所述模型参数
Figure SMS_31
通过EM算法计算得到，包括：选择所述对应的GMM模型的模型参数初始值
Figure SMS_34
；在E步，记
Figure SMS_30
为第
Figure SMS_32
次迭代中模型参数的估计值，在第
Figure SMS_35
次迭代中计算
Figure SMS_37
；在M步，求使得
Figure SMS_28
极大化的模型参数，以确定第
Figure SMS_33
次迭代中的模型参数的估计值
Figure SMS_36
。
在优选实施例中，在所述步骤S3中：当构建的所述各个GMM模型的数量等于所述聚类簇的数量N时，构建与所述各个GMM模型分别对应的N个GMR模型；否则，重新为所述每一个聚类簇构建所述对应的GMM模型；其中，构建所述GMR模型具体包括，设训练数据集为
Figure SMS_39
，测试数据集为
Figure SMS_41
，
Figure SMS_44
、
Figure SMS_40
为输入，
Figure SMS_43
、
Figure SMS_46
为对应的输出，
Figure SMS_47
为关于
Figure SMS_38
的回归函数，
Figure SMS_42
为
Figure SMS_45
的预测值，则有：
Figure SMS_48
其中，
Figure SMS_49
表示混合权重，
Figure SMS_50
表示第
Figure SMS_51
个GMM模型
Figure SMS_52
的估计值。
在优选实施例中，在所述步骤S3中，当构建的各个GMR模型的数量等于所述聚类簇的数量N时，基于所述各个GMR模型构建所述IMM-GMR模型；其中，所述IMM-GMR模型表示为：
Figure SMS_53
其中，
Figure SMS_56
表示第
Figure SMS_55
个时刻位置，
Figure SMS_73
表示第
Figure SMS_57
个非线性状态转移函数，
Figure SMS_65
表示预测过程噪声，
Figure SMS_59
表示第
Figure SMS_69
个时刻的观测值，
Figure SMS_64
表示第
Figure SMS_71
个非线性测量函数，
Figure SMS_54
表示测量过程噪声，设系统模型集为
Figure SMS_72
，
Figure SMS_61
表示采样时刻
Figure SMS_67
的有效模式，在无条件约束下，从
Figure SMS_62
到
Figure SMS_68
为一阶马尔可夫过程，转移概率
Figure SMS_58
记为
Figure SMS_70
，预测概率
Figure SMS_60
记为
Figure SMS_66
，
Figure SMS_63
。
在优选实施例中，构建的所述IMM-GMR模型预测所述社会行为体的轨迹具体包括：
GMR模型
Figure SMS_74
在
Figure SMS_75
时刻为系统匹配GMR模型的概率为模型概率
Figure SMS_76
，记为
Figure SMS_77
，其为基于滤波器输出的残差信息以及各模型先验信息
Figure SMS_78
的最大后验概率；
对各个GMR模型的滤波输出进行加权融合，如下式所示：
Figure SMS_79
其中，
Figure SMS_80
表示输入交互后的状态估计，混合了
Figure SMS_81
时刻N个GMR模型的真值，
Figure SMS_82
表示GMR模型j在第
Figure SMS_83
时刻的模型状态估计，
Figure SMS_84
表示所述GMR模型i到所述GMR模型j的预测概率，
Figure SMS_85
为误差协方差阵；
分别对所述各个GMR模型进行回归预测，得到每个GMR模型的
Figure SMS_86
时刻的估计值，如下式所示：
Figure SMS_87
其中，
Figure SMS_88
为所述GMR模型i中
Figure SMS_89
的预测值，滤波器输出残差
Figure SMS_90
表示为下式：
Figure SMS_91
残差的协方差矩阵
Figure SMS_92
如下式所示：
Figure SMS_93
进行GMR模型匹配时，
Figure SMS_94
为高斯白噪声，状态估计残差为0，则其似然函数
Figure SMS_95
如下式所示：
Figure SMS_96
根据每个GMR模型的似然函数，对模型概率进行更新，如下式所示：
Figure SMS_97
将各滤波估计结果根据模型概率进行融合，如下式所示：
Figure SMS_98
。
在所述方法中，首先，输入社会行为体坐标位置数据；然后，利用该社会行为体历史轨迹构建IMM-GMR模型：采用SMoT算法提取出轨迹中的停留点，并以停留点为界，对目标用户的轨迹进行分段；采用Traclus算法对分段后的轨迹进行聚类；以聚类后的轨迹段为训练集，采用EM算法估计GMM模型的参数；构建IMM-GMR轨迹预测模型；接着，利用IMM-GMR预测模型进行位置预测；最后，输出该社会行为体预测轨迹。
移动模式反映了用户的动态移动过程，其主要通过速度和路径进行描述。速度是在时间上描述用户移动的快慢，而路径则是在空间上描述用户移动的方向和距离。速度与路径之间相互影响，共同描述用户的移动模式。用户选择不同的交通方式，使其具有不同的移动速度，其规划的路径也可能随之不同。同样，用户在确定路径的条件下，也可以选择不同的交通方式，以不同的速度移动。所述方法解决了传统的轨迹预测模型受限于单一移动模式，在对包含多移动模式的历史轨迹数据进行预测时准确率低的问题，实现了适配多移动模式的社会行为体位置的高精度预测。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1为根据本发明实施例的一种基于IMM-GMR模型的社会行为体位置预测方法的流程示意图；
图2为根据本发明实施例的算法伪代码；
图3为根据本发明实施例的轨迹高斯过程的示意图；
图4为根据本发明实施例的基于IMM-GMR进行社会行为体轨迹预测的示意图；
图5为根据本发明实施例的IMM-GMR预测过程的原理示意图。
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的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
本发明公开了一种基于IMM-GMR模型的社会行为体位置预测方法，图1为根据本发明实施例的一种基于IMM-GMR模型的社会行为体位置预测方法的流程示意图；结合图1所示，所述方法包括：步骤S1、获取社会行为体的坐标数据集，所述坐标数据集中的数据表征所述社会行为体的轨迹，对所述社会行为体的轨迹进行分段；步骤S2、对经分段的各个轨迹段进行聚类分析，得到若干聚类簇，为每一个聚类簇构建对应的GMM模型；步骤S3、构建与各个GMM模型分别对应的GMR模型，当构建的GMR模型的数量等于所述聚类簇的数量时，构建IMM-GMR模型；其中，构建的所述IMM-GMR模型用于预测所述社会行为体的轨迹。
该方法通过引入交互式多模型（IMM, Interacting Multiple Models）算法，与GMR模型结合，用于在获取用户历史轨迹的条件下，快速与已学习的模型匹配，并融合输出得到预测结果。基本思路：通过建立不同的系统模型来代表用户不同的移动模式，每个模型采用独立的GMR模型并行预测，以模型转移概率加权后的交互值作为GMR模型的迭代输入。通过输出残差不断更新模型概率，对多个GMR的输出进行融合，使其最大限度地接近那个最能反映用户真实移动模式的模型。当历史轨迹观测完毕时，IMM-GMR模型按照最新的模型概率加权融合输出预测结果。
在优选实施例中，在所述步骤S1中，利用SMoT算法从所述坐标数据集中的数据中提取出所述社会行为体的停留点和移动点，基于所述停留点和所述移动点对所述社会行为体的轨迹进行分段；包括：基于所述坐标数据集中的数据确定所述社会行为体的轨迹，并获取所述社会行为体的轨迹所覆盖的区域以及所述区域的停留时间判别门限，以集合
Figure SMS_100
来表征各个区域和对应的判别门限；其中，
Figure SMS_103
表示所述区域，
Figure SMS_105
表示区域
Figure SMS_101
的停留时间判别门限，N表示所述聚类簇的数量；当所述社会行为体的轨迹与区域
Figure SMS_102
交叉时，判断所述社会行为体在所述区域
Figure SMS_104
的停留时间是否大于所述停留时间判别门限
Figure SMS_106
；若是，则所述区域
Figure SMS_99
内所述社会行为体的所有坐标位置点均为所述停留点；其中，所述社会行为体的所有坐标位置点中未被判定为所述停留点的坐标位置点为所述移动点。
在优选实施例中，在所述步骤S2中，利用基于Traclus的轨迹聚类算法对所述各个轨迹段进行所述聚类分析以得到N个聚类簇，每一个聚类簇表征一种移动模式，并为每一个聚类簇构建对应的GMM模型；其中，构建所述对应的GMM模型具体包括，将同一种所述移动模式下的轨迹段分解为二维空间中在
Figure SMS_107
方向和
Figure SMS_108
方向上的混合高斯过程：
Figure SMS_109
其中，
Figure SMS_116
、
Figure SMS_115
分别表示
Figure SMS_122
方向和
Figure SMS_114
方向高斯混合模型的概率分布，
Figure SMS_119
表示第
Figure SMS_117
个观测数据属于第
Figure SMS_124
个子模型的概率，
Figure SMS_113
表示所述第
Figure SMS_121
个子模型的高斯分布密度函数，
Figure SMS_118
表示混合模型中子高斯模型的数量，
Figure SMS_125
、
Figure SMS_111
分别表示
Figure SMS_123
方向和
Figure SMS_112
方向的模型参数设置，
Figure SMS_120
表示模型期望，
Figure SMS_110
表示模型协方差。
在优选实施例中，在所述步骤S2中，构建的所述对应的GMM模型具有模型参数
Figure SMS_127
，所述模型参数
Figure SMS_130
通过EM算法计算得到，包括：选择所述对应的GMM模型的模型参数初始值
Figure SMS_133
；在E步，记
Figure SMS_128
为第
Figure SMS_131
次迭代中模型参数的估计值，在第
Figure SMS_134
次迭代中计算
Figure SMS_135
；在M步，求使得
Figure SMS_126
极大化的模型参数，以确定第
Figure SMS_129
次迭代中的模型参数的估计值
Figure SMS_132
。
在优选实施例中，在所述步骤S3中：当构建的所述各个GMM模型的数量等于所述聚类簇的数量N时，构建与所述各个GMM模型分别对应的N个GMR模型；否则，重新为所述每一个聚类簇构建所述对应的GMM模型；其中，构建所述GMR模型具体包括，设训练数据集为
Figure SMS_137
，测试数据集为
Figure SMS_139
，
Figure SMS_142
、
Figure SMS_138
为输入，
Figure SMS_140
、
Figure SMS_143
为对应的输出，
Figure SMS_145
为关于
Figure SMS_136
的回归函数，
Figure SMS_141
为
Figure SMS_144
的预测值，则有：
Figure SMS_146
其中，
Figure SMS_147
表示混合权重，
Figure SMS_148
表示第
Figure SMS_149
个GMM模型
Figure SMS_150
的估计值。
在优选实施例中，在所述步骤S3中，当构建的各个GMR模型的数量等于所述聚类簇的数量N时，基于所述各个GMR模型构建所述IMM-GMR模型；其中，所述IMM-GMR模型表示为：
Figure SMS_151
其中，
Figure SMS_161
表示第
Figure SMS_153
个时刻位置，
Figure SMS_169
表示第
Figure SMS_154
个非线性状态转移函数，
Figure SMS_168
表示预测过程噪声，
Figure SMS_155
表示第
Figure SMS_167
个时刻的观测值，
Figure SMS_160
表示第
Figure SMS_164
个非线性测量函数，
Figure SMS_162
表示测量过程噪声，设系统模型集为
Figure SMS_171
，
Figure SMS_157
表示采样时刻
Figure SMS_170
的有效模式，在无条件约束下，从
Figure SMS_158
到
Figure SMS_163
为一阶马尔可夫过程，转移概率
Figure SMS_156
记为
Figure SMS_165
，预测概率
Figure SMS_159
记为
Figure SMS_166
，
Figure SMS_152
。
在优选实施例中，构建的所述IMM-GMR模型预测所述社会行为体的轨迹具体包括：
GMR模型
Figure SMS_172
在
Figure SMS_173
时刻为系统匹配GMR模型的概率为模型概率
Figure SMS_174
，记为
Figure SMS_175
，其为基于滤波器输出的残差信息以及各模型先验信息
Figure SMS_176
的最大后验概率；
对各个GMR模型的滤波输出进行加权融合，如下式所示：
Figure SMS_177
其中，
Figure SMS_178
表示输入交互后的状态估计，混合了
Figure SMS_179
时刻N个GMR模型的真值，
Figure SMS_180
表示GMR模型j在第
Figure SMS_181
时刻的模型状态估计，
Figure SMS_182
表示所述GMR模型i到所述GMR模型j的预测概率，
Figure SMS_183
为误差协方差阵；
分别对所述各个GMR模型进行回归预测，得到每个GMR模型的
Figure SMS_184
时刻的估计值，如下式所示：
Figure SMS_185
其中，
Figure SMS_186
为所述GMR模型i中
Figure SMS_187
的预测值，滤波器输出残差
Figure SMS_188
表示为下式：
Figure SMS_189
残差的协方差矩阵
Figure SMS_190
如下式所示：
Figure SMS_191
进行GMR模型匹配时，
Figure SMS_192
为高斯白噪声，状态估计残差为0，则其似然函数
Figure SMS_193
如下式所示：
Figure SMS_194
根据每个GMR模型的似然函数，对模型概率进行更新，如下式所示：
Figure SMS_195
将各滤波估计结果根据模型概率进行融合，如下式所示：
Figure SMS_196
。
第一实施例
输入用户坐标位置数据集，利用SMoT算法进行轨迹分段，具体计算方法如下。
停留点检测是指根据目标的连续轨迹及停留点候选集，提取出其有逗留的地点及移动的轨迹段，从而区分用户的移动状态。设
Figure SMS_197
表示某一区域，
Figure SMS_198
表示用户在该区域的停留时间。则集合
Figure SMS_199
称之为停留点候选集。其反映了在不同的区域，用户停留时间的不同特点。
在已知用户连续轨迹的条件下，停留点检测主要通过判断目标用户在某一区域的停留时间来实现。其基本思路为：按时间先后顺序搜索某一轨迹T，若该轨迹与某指定的区域
Figure SMS_200
中有交叉且T在
Figure SMS_201
的停留时间超过最小门限
Figure SMS_202
，则称区域
Figure SMS_203
内用户的轨迹点为停留点。在完整轨迹中，未被标注为停留点的剩余点可被称为移动点。
给出算法伪代码，如图2所示，intersects()函数用于判断轨迹是否穿过停留点候选集所覆盖的区域。采用SQL可快速提取出停留点和移动点，从而将轨迹分段。
利用基于Traclus轨迹聚类算法对轨迹段进行聚类分析，得到簇数N， 依次取出轨迹簇，构建GMM模型，具体方法：将同一移动模式下的连续轨迹集，分解为二维空间中两个方向的混合高斯过程，该过程在
Figure SMS_204
方向和
Figure SMS_205
方向，可表示为下式所示：
Figure SMS_206
其中，
Figure SMS_212
、
Figure SMS_209
分别表示
Figure SMS_220
方向和
Figure SMS_211
方向高斯混合模型的概率分布，
Figure SMS_218
表示第
Figure SMS_214
个观测数据属于第
Figure SMS_219
个子模型的概率，
Figure SMS_210
表示所述第
Figure SMS_216
个子模型的高斯分布密度函数，
Figure SMS_215
表示混合模型中子高斯模型的数量，
Figure SMS_221
、
Figure SMS_207
分别表示
Figure SMS_217
方向和
Figure SMS_213
方向的模型参数设置，
Figure SMS_222
表示模型期望，
Figure SMS_208
表示模型协方差。在每一个方向都是由多个高斯过程加权叠加而成，如图3所示。
采用EM算法计算GMM模型参数，具体方法：选择GMM参数的初值
Figure SMS_224
；E步：记
Figure SMS_227
为第
Figure SMS_229
次迭代中模型参数的估计值，在第
Figure SMS_225
次迭代中计算
Figure SMS_226
；在M步，求使得
Figure SMS_228
极大化的模型参数，以确定第
Figure SMS_230
次迭代中的模型参数的估计值
Figure SMS_223
。
判断构建的GMM模型数量是否满足N，若满足，依次根据GMM模型构建GMR模型，否则重新构建GMM模型。依次根据GMM模型构建GMR模型，具体包括：在训练得到确定的GMM模型后，即可建立高斯混合回归（GMR，Gaussian Mixture Regression）模型对轨迹进行回归预测，假设训练数据集为
Figure SMS_232
，测试数据集为
Figure SMS_235
，
Figure SMS_238
、
Figure SMS_233
为输入，
Figure SMS_236
、
Figure SMS_239
为对应的输出，
Figure SMS_240
为关于
Figure SMS_231
的回归函数，
Figure SMS_234
为
Figure SMS_237
的预测值：
Figure SMS_241
其中，
Figure SMS_242
表示混合权重，
Figure SMS_243
表示第
Figure SMS_244
个GMM模型
Figure SMS_245
的估计值。
判断构建的GMR模型数量是否满足N，若满足，则构建IMM-GMR（InteractingMultiple Models-Gaussian Mixture Regression）模型，否则重新构建GMR模型。构建IMM-GMR模型如下式所示：
Figure SMS_246
其中，
Figure SMS_255
表示第
Figure SMS_250
个时刻位置，
Figure SMS_260
表示第
Figure SMS_247
个非线性状态转移函数，
Figure SMS_258
表示预测过程噪声，
Figure SMS_254
表示第
Figure SMS_263
个时刻的观测值，
Figure SMS_256
表示第
Figure SMS_264
个非线性测量函数，
Figure SMS_257
表示测量过程噪声，设系统模型集为
Figure SMS_266
，
Figure SMS_251
表示采样时刻
Figure SMS_259
的有效模式，在无条件约束下，从
Figure SMS_253
到
Figure SMS_262
为一阶马尔可夫过程，转移概率
Figure SMS_249
记为
Figure SMS_265
，预测概率
Figure SMS_252
记为
Figure SMS_261
，
Figure SMS_248
。
第二实施例
基于IMM-GMR社会行为体轨迹预测包括，如图4所示：输入社会行为体坐标位置数据；利用该社会行为体历史轨迹构建IMM-GMR模型；利用IMM-GMR预测模型进行位置预测；输出该社会行为体预测轨迹。
上述IMM-GMR模型在进行轨迹预测时，主要包括输入交互、GMR预测、模型概率更新及输出融合4个环节。其中，在无条件约束下，从
Figure SMS_268
到
Figure SMS_273
为一阶马尔可夫过程，转移概率
Figure SMS_276
记为
Figure SMS_269
，预测概率
Figure SMS_272
记为
Figure SMS_275
，
Figure SMS_278
GMR模型
Figure SMS_267
在
Figure SMS_271
时刻为系统匹配GMR模型的概率为模型概率
Figure SMS_274
，记为
Figure SMS_277
，其为基于滤波器输出的残差信息以及各模型先验信息
Figure SMS_270
的最大后验概率。
具体过程包括，如图5所示：
输入交互。对各模型的滤波输出进行加权融合，如下式所示：
Figure SMS_279
其中，
Figure SMS_280
表示输入交互后的状态估计，混合了
Figure SMS_281
时刻N个GMR模型的真值，
Figure SMS_282
表示GMR模型j在第
Figure SMS_283
时刻的模型状态估计，
Figure SMS_284
表示所述GMR模型i到所述GMR模型j的预测概率，
Figure SMS_285
为误差协方差阵。
GMR模型预测。分别对各个模型进行回归预测，得到每个GMR模型的
Figure SMS_286
时刻的估计值，如下式所示。
Figure SMS_287
其中，
Figure SMS_288
为所述GMR模型i中
Figure SMS_289
的预测值。
模型概率更新。滤波器输出残差
Figure SMS_290
表示为下式：
Figure SMS_291
残差的协方差矩阵
Figure SMS_292
如下式所示：
Figure SMS_293
进行GMR模型匹配时，
Figure SMS_294
为高斯白噪声，状态估计残差为0，则其似然函数
Figure SMS_295
如下式所示：
Figure SMS_296
根据每个GMR模型的似然函数，对模型概率进行更新，如下式所示：
Figure SMS_297
将各滤波估计结果根据模型概率进行融合，如下式所示：
Figure SMS_298
。
本发明公开的方法能够获得以下技术效果：（1）IMM-GMR模型能够有效克服单一GMR模型对参数的不确定性过于敏感从而导致的鲁棒性差、滤波易发散等问题。（2）基于IMM-GMR模型的位置预测方法能够克服单一预测模型鲁棒性差的问题，实现社会行为体位置轨迹高精度预测，从而最终实现网络空间社会角色层的社会行为位置信息的高精度预测。
请注意，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 (7)

1.一种基于IMM-GMR模型的社会行为体位置预测方法，其特征在于，所述方法包括：
步骤S1、获取社会行为体的坐标数据集，所述坐标数据集中的数据表征所述社会行为体的轨迹，对所述社会行为体的轨迹进行分段；
步骤S2、对经分段的各个轨迹段进行聚类分析，得到若干聚类簇，为每一个聚类簇构建对应的GMM模型；
步骤S3、构建与各个GMM模型分别对应的GMR模型，当构建的GMR模型的数量等于所述聚类簇的数量时，构建IMM-GMR模型；
其中，构建的所述IMM-GMR模型用于预测所述社会行为体的轨迹。
2.根据权利要求1所述的一种基于IMM-GMR模型的社会行为体位置预测方法，其特征在于，在所述步骤S1中，利用SMoT算法从所述坐标数据集中的数据中提取出所述社会行为体的停留点和移动点，基于所述停留点和所述移动点对所述社会行为体的轨迹进行分段；包括：
基于所述坐标数据集中的数据确定所述社会行为体的轨迹，并获取所述社会行为体的轨迹所覆盖的区域以及所述区域的停留时间判别门限，以集合
Figure QLYQS_1
来表征各个区域和对应的判别门限；
其中，
Figure QLYQS_2
表示所述区域，
Figure QLYQS_3
表示区域
Figure QLYQS_4
的停留时间判别门限，N表示所述聚类簇的数量；
当所述社会行为体的轨迹与区域
Figure QLYQS_5
交叉时，判断所述社会行为体在所述区域
Figure QLYQS_6
的停留时间是否大于所述停留时间判别门限
Figure QLYQS_7
；若是，则所述区域
Figure QLYQS_8
内所述社会行为体的所有坐标位置点均为所述停留点；
其中，所述社会行为体的所有坐标位置点中未被判定为所述停留点的坐标位置点为所述移动点。
3.根据权利要求2所述的一种基于IMM-GMR模型的社会行为体位置预测方法，其特征在于，在所述步骤S2中，利用基于Traclus的轨迹聚类算法对所述各个轨迹段进行所述聚类分析以得到N个聚类簇，每一个聚类簇表征一种移动模式，并为每一个聚类簇构建对应的GMM模型；
其中，构建所述对应的GMM模型具体包括，将同一种所述移动模式下的轨迹段分解为二维空间中在
Figure QLYQS_9
方向和
Figure QLYQS_10
方向上的混合高斯过程：
Figure QLYQS_11
，
Figure QLYQS_14
、
Figure QLYQS_20
分别表示
Figure QLYQS_24
方向和
Figure QLYQS_13
方向高斯混合模型的概率分布，
Figure QLYQS_27
表示第
Figure QLYQS_17
个观测数据属于第
Figure QLYQS_26
个子模型的概率，
Figure QLYQS_18
表示所述第
Figure QLYQS_22
个子模型的高斯分布密度函数，
Figure QLYQS_12
表示混合模型中子高斯模型的数量，
Figure QLYQS_21
、
Figure QLYQS_15
分别表示
Figure QLYQS_25
方向和
Figure QLYQS_19
方向的模型参数设置，
Figure QLYQS_23
表示模型期望，
Figure QLYQS_16
表示模型协方差。
4.根据权利要求3所述的一种基于IMM-GMR模型的社会行为体位置预测方法，其特征在于，在所述步骤S2中，构建的所述对应的GMM模型具有模型参数
Figure QLYQS_29
，所述模型参数
Figure QLYQS_33
通过EM算法计算得到，包括：选择所述对应的GMM模型的模型参数初始值
Figure QLYQS_36
；在E步，记
Figure QLYQS_30
为第
Figure QLYQS_32
次迭代中模型参数的估计值，在第
Figure QLYQS_35
次迭代中计算
Figure QLYQS_37
；在M步，求使得
Figure QLYQS_28
极大化的模型参数，以确定第
Figure QLYQS_31
次迭代中的模型参数的估计值
Figure QLYQS_34
。
5.根据权利要求3所述的一种基于IMM-GMR模型的社会行为体位置预测方法，其特征在于，在所述步骤S3中：
当构建的所述各个GMM模型的数量等于所述聚类簇的数量N时，构建与所述各个GMM模型分别对应的N个GMR模型；否则，重新为所述每一个聚类簇构建所述对应的GMM模型；
其中，构建所述GMR模型具体包括，设训练数据集为
Figure QLYQS_39
，测试数据集为
Figure QLYQS_41
，
Figure QLYQS_44
、
Figure QLYQS_40
为输入，
Figure QLYQS_42
、
Figure QLYQS_45
为对应的输出，
Figure QLYQS_47
为关于
Figure QLYQS_38
的回归函数，
Figure QLYQS_43
为
Figure QLYQS_46
的预测值，则有：
Figure QLYQS_48
，
其中，
Figure QLYQS_49
表示混合权重，
Figure QLYQS_50
表示第
Figure QLYQS_51
个GMM模型
Figure QLYQS_52
的估计值。
6.根据权利要求5所述的一种基于IMM-GMR模型的社会行为体位置预测方法，其特征在于，在所述步骤S3中，当构建的各个GMR模型的数量等于所述聚类簇的数量N时，基于所述各个GMR模型构建所述IMM-GMR模型；其中，所述IMM-GMR模型表示为：
Figure QLYQS_53
，
其中，
Figure QLYQS_61
表示第
Figure QLYQS_55
个时刻位置，
Figure QLYQS_67
表示第
Figure QLYQS_58
个非线性状态转移函数，
Figure QLYQS_68
表示预测过程噪声，
Figure QLYQS_60
表示第
Figure QLYQS_73
个时刻的观测值，
Figure QLYQS_56
表示第
Figure QLYQS_70
个非线性测量函数，
Figure QLYQS_64
表示测量过程噪声，设系统模型集为
Figure QLYQS_71
，
Figure QLYQS_57
表示采样时刻
Figure QLYQS_69
的有效模式，在无条件约束下，从
Figure QLYQS_62
到
Figure QLYQS_66
为一阶马尔可夫过程，转移概率
Figure QLYQS_59
记为
Figure QLYQS_65
，预测概率
Figure QLYQS_63
记为
Figure QLYQS_72
，
Figure QLYQS_54
。
7.根据权利要求5所述的一种基于IMM-GMR模型的社会行为体位置预测方法，其特征在于，构建的所述IMM-GMR模型预测所述社会行为体的轨迹具体包括：
GMR模型
Figure QLYQS_74
在
Figure QLYQS_75
时刻为系统匹配GMR模型的概率为模型概率
Figure QLYQS_76
，记为
Figure QLYQS_77
，其为基于滤波器输出的残差信息以及各模型先验信息
Figure QLYQS_78
的最大后验概率；
对各个GMR模型的滤波输出进行加权融合，如下式所示：
Figure QLYQS_79
，
其中，
Figure QLYQS_80
表示输入交互后的状态估计，混合了
Figure QLYQS_81
时刻N个GMR模型的真值，
Figure QLYQS_82
表示GMR模型j在第
Figure QLYQS_83
时刻的模型状态估计，
Figure QLYQS_84
表示所述GMR模型i到所述GMR模型j的预测概率，
Figure QLYQS_85
为误差协方差阵；
分别对所述各个GMR模型进行回归预测，得到每个GMR模型的
Figure QLYQS_86
时刻的估计值，如下式所示：
Figure QLYQS_87
，
其中，
Figure QLYQS_88
为所述GMR模型i中
Figure QLYQS_89
的预测值，滤波器输出残差
Figure QLYQS_90
表示为下式：
Figure QLYQS_91
，
残差的协方差矩阵
Figure QLYQS_92
如下式所示：
Figure QLYQS_93
，
进行GMR模型匹配时，
Figure QLYQS_94
为高斯白噪声，状态估计残差为0，则其似然函数
Figure QLYQS_95
如下式所示：
Figure QLYQS_96
，
根据每个GMR模型的似然函数，对模型概率进行更新，如下式所示：
Figure QLYQS_97
，
将各滤波估计结果根据模型概率进行融合，如下式所示：
Figure QLYQS_98
。
CN202310238500.8A 2023-03-14 2023-03-14 一种基于imm-gmr模型的社会行为体位置预测方法 Active CN115952930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310238500.8A CN115952930B (zh) 2023-03-14 2023-03-14 一种基于imm-gmr模型的社会行为体位置预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310238500.8A CN115952930B (zh) 2023-03-14 2023-03-14 一种基于imm-gmr模型的社会行为体位置预测方法

Publications (2)

Publication Number Publication Date
CN115952930A true CN115952930A (zh) 2023-04-11
CN115952930B CN115952930B (zh) 2023-08-22

Family

ID=87282808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310238500.8A Active CN115952930B (zh) 2023-03-14 2023-03-14 一种基于imm-gmr模型的社会行为体位置预测方法

Country Status (1)

Country Link
CN (1) CN115952930B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117093889A (zh) * 2023-07-05 2023-11-21 广东海洋大学 一种先聚类再判别的轨迹预测方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040093119A1 (en) * 2000-04-10 2004-05-13 Svante Gunnarsson Pathcorrection for an industrial robot
US20060197523A1 (en) * 2005-03-04 2006-09-07 Assurance Technology Corporation Magnetic screening system
US20150360080A1 (en) * 2013-01-18 2015-12-17 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Determining a speed of a multidimensional motion in a global coordinate system
CN109300144A (zh) * 2018-09-21 2019-02-01 中国矿业大学 一种融合社会力模型和卡尔曼滤波的行人轨迹预测方法
CN110888912A (zh) * 2019-10-15 2020-03-17 中国人民解放军国防科技大学 基于时空大数据的目标行为语义轨迹预测方法
CN111194005A (zh) * 2019-12-05 2020-05-22 中国科学院地理科学与资源研究所 一种室内行人语义位置提取方法及预测方法
CN111243706A (zh) * 2020-01-19 2020-06-05 东南大学 基于变阻抗演示学习的上肢康复机器人训练任务生成方法
WO2020173105A1 (zh) * 2019-02-28 2020-09-03 深圳大学 机动目标跟踪方法及装置
US20210056713A1 (en) * 2018-01-08 2021-02-25 The Regents On The University Of California Surround vehicle tracking and motion prediction
CN112805730A (zh) * 2019-12-30 2021-05-14 华为技术有限公司 一种轨迹预测方法及相关设备
WO2021202613A1 (en) * 2020-03-31 2021-10-07 Woven Planet North America, Inc. Systems and methods for predicting agent trajectory
CN114445449A (zh) * 2022-01-14 2022-05-06 深圳大学 基于变结构t-s模糊语义模型的目标跟踪方法及相关装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040093119A1 (en) * 2000-04-10 2004-05-13 Svante Gunnarsson Pathcorrection for an industrial robot
US20060197523A1 (en) * 2005-03-04 2006-09-07 Assurance Technology Corporation Magnetic screening system
US20150360080A1 (en) * 2013-01-18 2015-12-17 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Determining a speed of a multidimensional motion in a global coordinate system
US20210056713A1 (en) * 2018-01-08 2021-02-25 The Regents On The University Of California Surround vehicle tracking and motion prediction
CN109300144A (zh) * 2018-09-21 2019-02-01 中国矿业大学 一种融合社会力模型和卡尔曼滤波的行人轨迹预测方法
WO2020173105A1 (zh) * 2019-02-28 2020-09-03 深圳大学 机动目标跟踪方法及装置
CN110888912A (zh) * 2019-10-15 2020-03-17 中国人民解放军国防科技大学 基于时空大数据的目标行为语义轨迹预测方法
CN111194005A (zh) * 2019-12-05 2020-05-22 中国科学院地理科学与资源研究所 一种室内行人语义位置提取方法及预测方法
CN112805730A (zh) * 2019-12-30 2021-05-14 华为技术有限公司 一种轨迹预测方法及相关设备
CN111243706A (zh) * 2020-01-19 2020-06-05 东南大学 基于变阻抗演示学习的上肢康复机器人训练任务生成方法
WO2021202613A1 (en) * 2020-03-31 2021-10-07 Woven Planet North America, Inc. Systems and methods for predicting agent trajectory
CN114445449A (zh) * 2022-01-14 2022-05-06 深圳大学 基于变结构t-s模糊语义模型的目标跟踪方法及相关装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
乔少杰;韩楠;丁治明;金澈清;孙未未;舒红平;: "多模式移动对象不确定性轨迹预测模型", 自动化学报, no. 04 *
乔少杰等: "多模式移动对象不确定性轨迹预测模型", 《自动化学报》, vol. 44, no. 4, pages 608 - 618 *
李毓瑞等: "基于密度的停留点识别方法", 《大数据》, pages 80 - 93 *
詹锟等: "基于模型类型匹配PHD滤波器和TBM的多目标联合跟踪分类", 《系统工程与电子技术》, vol. 38, no. 10, pages 2235 - 2243 *
马春来等: "移动用户下一地点预测新方法", 《 浙江大学学报(工学版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117093889A (zh) * 2023-07-05 2023-11-21 广东海洋大学 一种先聚类再判别的轨迹预测方法

Also Published As

Publication number Publication date
CN115952930B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN109146921B (zh) 一种基于深度学习的行人目标跟踪方法
CN112651995B (zh) 基于多功能聚合和跟踪模拟训练的在线多目标跟踪方法
EP3620990A1 (en) Capturing network dynamics using dynamic graph representation learning
Cetintas et al. Unifying short and long-term tracking with graph hierarchies
CN106846361B (zh) 基于直觉模糊随机森林的目标跟踪方法及装置
Hug et al. Particle-based pedestrian path prediction using LSTM-MDL models
Bastani et al. Online nonparametric bayesian activity mining and analysis from surveillance video
CN102799900B (zh) 一种基于检测中支持在线聚类学习的对象跟踪方法
Chen et al. Learning linear regression via single-convolutional layer for visual object tracking
Jin et al. Transformer-based map-matching model with limited labeled data using transfer-learning approach
Le Guen et al. Deep time series forecasting with shape and temporal criteria
CN112136179A (zh) 用于主动学习的候选列表选择模型
Huang et al. HYPER: Learned hybrid trajectory prediction via factored inference and adaptive sampling
Wang et al. Measurement data classification optimization based on a novel evolutionary kernel clustering algorithm for multi-target tracking
Gao et al. Adversarial mobility learning for human trajectory classification
CN115952930A (zh) 一种基于imm-gmr模型的社会行为体位置预测方法
Wang et al. Reconstruction of missing trajectory data: a deep learning approach
Čík et al. Explaining deep neural network using layer-wise relevance propagation and integrated gradients
CN114872730A (zh) 一种车辆行驶轨迹预测方法、装置、汽车及存储介质
Schwöbel et al. Probabilistic spatial transformer networks
Firouznia et al. Adaptive chaotic sampling particle filter to handle occlusion and fast motion in visual object tracking
Abdallah et al. Multi-vehicle tracking using heterogeneous neural networks for appearance and motion features
CN117576782A (zh) 骨架数据的行为训练方法、装置、存储介质和电子设备
CN117710403A (zh) 目标跟踪检测方法、装置、设备和存储介质
CN103902853A (zh) 基于支持向量机的剪接位点识别方法

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