CN115952930B - 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 PDFInfo
- Publication number
- CN115952930B CN115952930B CN202310238500.8A CN202310238500A CN115952930B CN 115952930 B CN115952930 B CN 115952930B CN 202310238500 A CN202310238500 A CN 202310238500A CN 115952930 B CN115952930 B CN 115952930B
- Authority
- CN
- China
- Prior art keywords
- model
- gmr
- social behavior
- models
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000011273 social behavior Effects 0.000 title claims abstract description 65
- 238000007621 cluster analysis Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
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，以集合来表征各个区域和对应的判别门限；其中，/>表示所述区域，表示区域/>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/>交叉时，判断所述社会行为体在所述区域/>的停留时间是否大于所述停留时间判别门限/>；若是，则所述区域/>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方向和/>方向上的混合高斯过程：
其中，、/>分别表示/>方向和/>方向高斯混合模型的概率分布，/>表示第/>个观测数据属于第/>个子模型的概率，/>表示所述第/>个子模型的高斯分布密度函数，/>表示混合模型中子高斯模型的数量，/>、/>分别表示/>方向和/>方向的模型参数设置，/>表示模型期望，/>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，所述模型参数/>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；在E步，记/>为第/>次迭代中模型参数的估计值，在第/>次迭代中计算/>；在M步，求使得/>极大化的模型参数，以确定第/>次迭代中的模型参数的估计值/>。
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，测试数据集为/>，/>、/>为输入，/>、/>为对应的输出，/>为关于/>的回归函数，/>为/>的预测值，则有：
其中，表示混合权重，/>表示第/>个GMM模型/>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：
其中，表示第/>个时刻位置，/>表示第/>个非线性状态转移函数，表示预测过程噪声，/>表示第/>个时刻的观测值，/>表示第/>个非线性测量函数，/>表示测量过程噪声，设系统模型集为/>，/>表示采样时刻的有效模式，在无条件约束下，从/>到/>为一阶马尔可夫过程，转移概率记为/>，预测概率/>记为/>，。
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模型在/>时刻为系统匹配GMR模型的概率为模型概率/>，记为，其为基于滤波器输出的残差信息以及各模型先验信息/>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：
其中，表示输入交互后的状态估计，混合了/>时刻N个GMR模型的真值，/>表示GMR模型j在第/>时刻的模型状态估计，/>表示所述GMR模型i到所述GMR模型j的预测概率，/>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模型的时刻的估计值，如下式所示：
其中，为所述GMR模型i中/>的预测值，滤波器输出残差/>表示为下式：
残差的协方差矩阵如下式所示：
进行GMR模型匹配时，为高斯白噪声，状态估计残差为0，则其似然函数/>如下式所示：
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：
将各滤波估计结果根据模型概率进行融合，如下式所示：
。
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，以集合来表征各个区域和对应的判别门限；其中，/>表示所述区域，表示区域/>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/>交叉时，判断所述社会行为体在所述区域/>的停留时间是否大于所述停留时间判别门限/>；若是，则所述区域/>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方向和/>方向上的混合高斯过程：
其中，、/>分别表示/>方向和/>方向高斯混合模型的概率分布，表示第/>个观测数据属于第/>个子模型的概率，/>表示所述第/>个子模型的高斯分布密度函数，/>表示混合模型中子高斯模型的数量，/>、/>分别表示/>方向和/>方向的模型参数设置，/>表示模型期望，/>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，所述模型参数/>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；在E步，记/>为第/>次迭代中模型参数的估计值，在第/>次迭代中计算/>；在M步，求使得/>极大化的模型参数，以确定第/>次迭代中的模型参数的估计值/>。
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，测试数据集为/>，/>、/>为输入，/>、/>为对应的输出，/>为关于/>的回归函数，/>为/>的预测值，则有：
其中，表示混合权重，/>表示第/>个GMM模型/>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：
其中，表示第/>个时刻位置，/>表示第/>个非线性状态转移函数，表示预测过程噪声，/>表示第/>个时刻的观测值，/>表示第/>个非线性测量函数，/>表示测量过程噪声，设系统模型集为/>，/>表示采样时刻的有效模式，在无条件约束下，从/>到/>为一阶马尔可夫过程，转移概率记为/>，预测概率/>记为/>，。
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模型在/>时刻为系统匹配GMR模型的概率为模型概率/>，记为，其为基于滤波器输出的残差信息以及各模型先验信息/>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：
其中，表示输入交互后的状态估计，混合了/>时刻N个GMR模型的真值，/>表示GMR模型j在第/>时刻的模型状态估计，/>表示所述GMR模型i到所述GMR模型j的预测概率，/>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模型的时刻的估计值，如下式所示：
其中，为所述GMR模型i中/>的预测值，滤波器输出残差/>表示为下式：
残差的协方差矩阵如下式所示：
进行GMR模型匹配时，为高斯白噪声，状态估计残差为0，则其似然函数/>如下式所示：
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：
将各滤波估计结果根据模型概率进行融合，如下式所示：
。
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。设表示某一区域，/>表示用户在该区域的停留时间。则集合/>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中有交叉且T在/>的停留时间超过最小门限/>，则称区域/>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，该过程在方向和/>方向，可表示为下式所示：
其中，、/>分别表示/>方向和/>方向高斯混合模型的概率分布，/>表示第/>个观测数据属于第/>个子模型的概率，/>表示所述第/>个子模型的高斯分布密度函数，/>表示混合模型中子高斯模型的数量，/>、分别表示/>方向和/>方向的模型参数设置，/>表示模型期望，/>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；E步：记/>为第/>次迭代中模型参数的估计值，在第/>次迭代中计算/>；在M步，求使得/>极大化的模型参数，以确定第/>次迭代中的模型参数的估计值/>。
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，测试数据集为/>，/>、/>为输入，/>、为对应的输出，/>为关于/>的回归函数，/>为/>的预测值：
其中，表示混合权重，/>表示第/>个GMM模型/>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：
其中，表示第/>个时刻位置，/>表示第/>个非线性状态转移函数，表示预测过程噪声，/>表示第/>个时刻的观测值，/>表示第/>个非线性测量函数，/>表示测量过程噪声，设系统模型集为/>，/>表示采样时刻的有效模式，在无条件约束下，从/>到/>为一阶马尔可夫过程，转移概率记为/>，预测概率/>记为/>，。
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，从到/>为一阶马尔可夫过程，转移概率/>记为/>，预测概率/>记为/>，GMR模型/>在/>时刻为系统匹配GMR模型的概率为模型概率，记为/>，其为基于滤波器输出的残差信息以及各模型先验信息/>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：
其中，表示输入交互后的状态估计，混合了/>时刻N个GMR模型的真值，/>表示GMR模型j在第/>时刻的模型状态估计，/>表示所述GMR模型i到所述GMR模型j的预测概率，/>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模型的时刻的估计值，如下式所示。
其中，为所述GMR模型i中/>的预测值。
模型概率更新。滤波器输出残差表示为下式：
残差的协方差矩阵如下式所示：
进行GMR模型匹配时，为高斯白噪声，状态估计残差为0，则其似然函数/>如下式所示：
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：
将各滤波估计结果根据模型概率进行融合，如下式所示：
。
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 (4)
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，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，设训练数据集为测试数据集为 为输入，/>为对应的输出，/>为关于/>的回归函数，/>为的预测值，则有：
其中，表示混合权重，/>表示第k个GMM模型/>的估计值；
其中，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：
其中，表示第k+1个时刻位置，fk()表示第k个非线性状态转移函数，w(k)表示预测过程噪声，z(k)表示第k个时刻的观测值，hk()表示第k个非线性测量函数，v(k)表示测量过程噪声，设系统模型集为M＝{m1，m2，...，mn}，m(k)表示采样时刻k的有效模式，在无条件约束下，从mj(k)到mi(k+1)为一阶马尔可夫过程，转移概率p{mj(k)|mi(k+1)}记为πji，预测概率p{mj(k)|mi(k+1)，zk}记为μj|i(k)，zk＝{z(1)，z(2)，...，z(k)}；
其中，在所述步骤S3中，构建的所述IMM-GMR模型用于预测所述社会行为体的轨迹，具体包括：
GMR模型mi在k时刻为系统匹配GMR模型的概率为模型概率p{mi(k)|zk}，记为μi(k)，其为基于滤波器输出的残差信息以及各模型先验信息πji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：
其中，表示输入交互后的状态估计，混合了k时刻N个GMR模型的真值，/>表示GMR模型j在第k时刻的模型状态估计，μj|i(k)表示所述GMR模型i到所述GMR模型j的预测概率，P0i(k)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k+1时刻的估计值，如下式所示：
其中，为所述GMR模型i中/>的预测值，滤波器输出残差εi(k)表示为下式：
残差的协方差矩阵Si(k)如下式所示：
进行GMR模型匹配时，Si(k)为高斯白噪声，状态估计残差为0，则其似然函数Ξi(k)如下式所示：
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：
将各滤波估计结果根据模型概率进行融合，如下式所示：
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SC＝{(RC，i，ΔC，i)|i＝1，2，…，N}来表征各个区域和对应的判别门限；
其中，RC，i表示所述区域，ΔC，i表示区域RC，i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RC，i交叉时，判断所述社会行为体在所述区域RC，i的停留时间是否大于所述停留时间判别门限ΔC，i；若是，则所述区域RC，i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x方向和y方向上的混合高斯过程：
分别表示x方向和y方向高斯混合模型的概率分布，αk表示第k个观测数据属于第k个子模型的概率，/>表示所述第k个子模型的高斯分布密度函数，/>分别表示x方向和y方向的模型参数设置，μ表示模型期望，∑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θ(i+1)，所述模型参数θ(i+1)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θ(0)；在E步，记θ(i)为第i次迭代中模型参数的估计值，在第i+1次迭代中计算Q(θ，θ(i))；在M步，求使得Q(θ，θ(i))极大化的模型参数，以确定第i+1次迭代中的模型参数的估计值θ(i+1)。
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 CN115952930A (zh) | 2023-04-11 |
| CN115952930B true 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) |
Families Citing this family (1)
| 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 (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE0001312D0 (sv) * | 2000-04-10 | 2000-04-10 | Abb Ab | Industrirobot |
| US20060197523A1 (en) * | 2005-03-04 | 2006-09-07 | Assurance Technology Corporation | Magnetic screening system |
| EP2798357B1 (en) * | 2013-01-18 | 2015-04-29 | Fraunhofer-ges. zur Förderung der Angewandten Forschung E.V. | Determining a speed of a multidimensional motion in a global coordinate system |
| WO2019136479A1 (en) * | 2018-01-08 | 2019-07-11 | The Regents On The University Of California | Surround vehicle tracking and motion prediction |
-
2023
- 2023-03-14 CN CN202310238500.8A patent/CN115952930B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 (1)
| Title |
|---|
| 移动用户下一地点预测新方法;马春来等;《 浙江大学学报(工学版)》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115952930A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689920B (zh) | 一种基于深度学习的蛋白质-配体结合位点预测方法 | |
| EP3620990A1 (en) | Capturing network dynamics using dynamic graph representation learning | |
| Bastani et al. | Online nonparametric bayesian activity mining and analysis from surveillance video | |
| Mirsaleh et al. | A Michigan memetic algorithm for solving the community detection problem in complex network | |
| CN109840595B (zh) | 一种基于群体学习行为特征的知识追踪方法 | |
| CN115952930B (zh) | 一种基于imm-gmr模型的社会行为体位置预测方法 | |
| Le Guen et al. | Deep time series forecasting with shape and temporal criteria | |
| 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 | |
| Zeng et al. | A novel HMM-based clustering algorithm for the analysis of gene expression time-course data | |
| Gao et al. | Contextual spatio-temporal graph representation learning for reinforced human mobility mining | |
| CN110795522B (zh) | 一种移动用户轨迹位置的预测方法及装置 | |
| Liu et al. | Auto-sharing parameters for transfer learning based on multi-objective optimization | |
| Wang et al. | Reconstruction of missing trajectory data: a deep learning approach | |
| Sudhakar et al. | Ada-SISE: adaptive semantic input sampling for efficient explanation of convolutional neural networks | |
| Koutsourelakis et al. | Scalable Bayesian reduced-order models for simulating high-dimensional multiscale dynamical systems | |
| Firouznia et al. | Adaptive chaotic sampling particle filter to handle occlusion and fast motion in visual object tracking | |
| CN110944295B (zh) | 位置预测方法、装置、存储介质及终端 | |
| Brosowsky et al. | Joint vehicle trajectory and cut-in prediction on highways using output constrained neural networks | |
| Zhang et al. | Mobile robot localization based on gradient propagation particle filter network | |
| Luna et al. | Uncovering gene regulatory networks from time-series microarray data with variational Bayesian structural expectation maximization | |
| Qian et al. | Convolutional mixture density recurrent neural network for predicting user location with WiFi fingerprints | |
| Ahmed et al. | Pattern discovery in protein networks reveals high-confidence predictions of novel interactions | |
| Nahid et al. | Protein Secondary Structure Prediction using Graph Neural Network | |
| Zhuo et al. | Predicting NPI Based on Graph Convolutional Neural Networks |
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 |