JP6873519B1 - 軌跡予測方法及びシステム - Google Patents

Abstract

【課題】予測軌跡位置と実際軌跡位置との誤差を低減する軌跡予測方法及びシステムを提供する。
【解決手段】一実施例による軌跡予測方法は、予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングし、長期短期記憶ＬＳＴＭネットワークに入力するステップと、前記ＬＳＴＭネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとするステップと、中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットから選択するステップと、選択された確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とするステップと、を含む。前記ＬＳＴＭネットワークは、履歴軌跡データに基づいて事前トレーニングして得られる。
【選択図】図５

Description

本明細書は、軌跡検出の技術分野に関し、特に軌跡予測方法及びシステムである。

ハリケーンの移動は、非常に破壊的な自然現象であり、個人及び財産の予測困難な損失をもたらすことがよくある。したがって、軌跡予測は、ハリケーンによる損失を減らす手段として、軌跡データ研究のホットスポットになっている。

以上に鑑み、本発明の１つ以上の実施例は、予測軌跡位置と実際軌跡位置との誤差を低減できる軌跡予測方法及びシステムを提供する。

本明細書の１つ以上の実施例は軌跡予測方法を提供し、この軌跡予測方法は、
予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングし、長期短期記憶ＬＳＴＭネットワークに入力するステップと、
前記ＬＳＴＭネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとするステップと、
中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットから選択するステップと、
選択された確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とするステップと、を含み、
前記ＬＳＴＭネットワークは、履歴軌跡データに基づいて事前トレーニングして得られるものである。

好ましくは、前記ＬＳＴＭネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとする前記ステップの後、中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドが前記候補セットに存在しない場合、前記サブ軌跡のフラグ点を含むグリッドの中心座標を前記サブ軌跡の軌跡予測結果とするステップをさらに含む。

前記予測対象軌跡の長さがn、サブ軌跡の抽出間隔がstep=1、抽出したサブ軌跡の長さがk、抽出したサブ軌跡の数がn-kである。

好ましくは、前記軌跡のn-k個のサブ軌跡を前記ＬＳＴＭネットワークで予測して、n-k個の予測軌跡座標を得た後、
得られたn-k個の予測軌跡座標からなるシーケンスをカルマンフィルタリングするステップと、
フィルタリングして得られた最適推定シーケンスを前記軌跡の最終予測結果とするステップと、をさらに含む。

好ましくは、前記予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングするステップは、
トレーニングセット内の任意の２つの軌跡セグメントに対して、この２つの軌跡セグメントの時間、空間状態に基づいて、この２つの軌跡セグメントの間の時空間状態距離を算出するステップと、
算出した軌跡セグメントの間の時空間状態距離に基づいて、軌跡セグメントをクラスタリングするステップと、を含む。

本明細書の１つ以上の実施例は、軌跡予測システムをさらに提供し、この軌跡予測システムは、グリッドエンコーディングモジュールと、履歴軌跡データに基づいて事前トレーニングして得られるＬＳＴＭネットワークと、予測モジュールと、を備え、
前記グリッドエンコーディングモジュールは、予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングした後に出力し、前記ＬＳＴＭネットワークに入力し、
前記予測モジュールは、前記ＬＳＴＭネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとし、中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットから選択し、選択された確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とする。

本明細書の１つ以上の実施例は、電子機器をさらに提供し、この電子機器は、メモリ、プロセッサ、及び、メモリに記憶されプロセッサにおいて実行可能なコンピュータプログラムを備え、前記プロセッサは、前記プログラムを実行すると、前記軌跡予測方法を実現する。

本明細書の技術案では、予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングし、長期短期記憶ＬＳＴＭネットワークに入力し、前記ＬＳＴＭネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとし、中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セット選択し、選択された確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とする。従来のブルートフォースＬＳＴＭ軌跡予測アルゴリズムに比べて、本明細書の実施例による軌跡予測アルゴリズムは、ＬＳＴＭが出力する唯一な結果を用いるのではなく、ＬＳＴＭが出力するtop_N個の候補セットから適切な予測結果を選択することにより、予測による軌跡位置が実際軌跡位置により近くなり、即ち、予測軌跡位置と実際軌跡位置との誤差を低減できる。

さらに、本明細書の１つ以上の実施例による技術案では、前記軌跡のn-k個のサブ軌跡を前記ＬＳＴＭネットワークで予測して、n-k個の予測軌跡座標を得た後、得たn-k個の予測軌跡座標からなるシーケンスをカルマンフィルタリングし、フィルタリングして得られた最適推定シーケンスを前記軌跡の最終予測結果とすることもでき、それによって、予測軌跡位置と実際軌跡位置との誤差をさらに低減できる。

本明細書の実施例又は従来技術の技術案をより明確に説明するために、以下、実施例又は従来技術の説明に必要な図面を簡単に説明するが、もちろん、以下説明される図面は、本明細書のいくつかの実施例を含むものに過ぎず、当業者であれば、創造的な努力を必要とせずに、これらの図面に基づいて他の図面を得ることができる。
従来技術のＬＳＴＭセルの内部構造の模式図である。 従来技術のブルートフォースＬＳＴＭアルゴリズムの模式的フローチャートである。 本明細書の１つ以上の実施例による軌跡予測方法のフローチャートである。 本明細書の１つ以上の実施例による軌跡シーケンスのグリッド化の模式図である。 本明細書の１つ以上の実施例によるグリッド軌跡に対するワンホットエンコーディングの模式図である。 本明細書の１つ以上の実施例による、サブ軌跡の次の軌跡グリッドをＬＳＴＭネットワークで予測する方法のフローチャートである。 本明細書の１つ以上の実施例による軌跡予測システムの内部構造のブロック図である。 本明細書の１つ以上の実施例による従来のブルートフォースＬＳＴＭ軌跡予測アルゴリズム、本明細書の実施例によるＩＬＳＴＭ軌跡予測アルゴリズム及びＩＬＳＴＭ−ＫＦ軌跡予測アルゴリズムの３種類の方法における、ＬＳＴＭネットワークトレーニングラウンドに伴うＲＳＭＥ値の変化の模式図である。 本明細書の１つ以上の実施例による従来のブルートフォースＬＳＴＭ軌跡予測アルゴリズム、本明細書の実施例によるＩＬＳＴＭ軌跡予測アルゴリズム及びＩＬＳＴＭ−ＫＦ軌跡予測アルゴリズムの３種類の方法における、ＬＳＴＭネットワークトレーニングラウンドに伴うＲＳＭＥ値の変化の模式図である。 本明細書の１つ以上の実施例による電子機器のハードウェア構造の模式図である。

本明細書の目的、技術案及び利点をさらに明瞭にするために、以下、具体的な実施例を取り挙げて図面を参照しながら、本明細書の１つ以上の実施例をさらに詳細に説明する。

なお、特に断らない限り、本明細書の実施例に使用される技術用語又は科学用語は当業者が理解する一般的な意味を有するべきである。本開示に使用される「第１」、「第２」及び類似する用語は順序、数量又は重要性を示すものではなく、単に異なる構成要素を区別するために用いられる。「備える」又は「含む」等のような用語は、該用語の前にある主語となる素子又は物品が該用語の後に列挙される目的語となる素子又は物品及びその同等のものをカバーするが、他の素子又は物品を除外するものではないという意味を有する。「接続」又は「連結」等のような用語は物理的又は機械的接続に限定されないが、直接及び間接を問わず電気的接続を含んでもよい。「上」、「下」、「左」、「右」などは、相対位置関係だけを示し、説明対象の絶対位置が変わると、対応する相対位置関係もその分変わる。

人工知能技術の普及及び幅広い応用に伴い、現在、長期短期記憶ネットワーク（Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ；ＬＳＴＭ）に基づいて、履歴軌跡データを通じて、軌跡を予測するモデルをトレーニングすることが可能である。

長期短期記憶ネットワーク（ＬＳＴＭ）は、時間再帰型ニューラルネットワークであり、一般的なＲＮＮ（再帰型ニューラルネットワーク）の長期依存の問題を解決するために特別に設計されているものである。ＬＳＴＭは時系列で広く使用されており、時空間軌跡データ予測にもいくつかの用途がある。ＬＳＴＭセルの内部構造を図１に示す。

各シーケンスインデックス位置でのＬＳＴＭのゲートには、一般には、忘却ゲート（ｆｏｒｇｅｔ ｇａｔｅ）、入力ゲート及び出力ゲートの３つのタイプがある。忘却ゲートは、その名のとおり、忘れられるかどうかを制御し、ＬＳＴＭでは、前のレイヤーの隠しセルの状態が忘れられるかどうかを一定の確率で制御する。つまり、ベクトル

は現在の入力x_tと前時点の出力h_t-1に基づいて計算され、f_tの各次元の値は（０，１）の範囲内にあり、次に前時点のC_t-1にf_tベクトルをビット単位で乗算すると、f_tの値が０に近い次元では、情報は忘れられ、f_tの値が１に近い次元では、情報は保持される。

入力ゲート（ｉｎｐｕｔ ｇａｔｅ）は、現在のシーケンス位置の入力を処理する。式１、２に示すように、入力ゲートには合計２つのステップがある。σレイヤーは更新する必要のある情報を決定し、ｔａｎｈレイヤーは、値を（−１，１）にマップするベクトル、つまり、更新の代替コンテンツを生成し、２つの部分を組み合わせて入力ゲートが形成される。

出力ゲートの前に、式３に示すようにセルの状態を更新する必要があり、前の忘却ゲートと入力ゲートの結果はいずれもセルの状態に作用する

出力ゲート（ｏｕｔｐｕｔ ｇａｔｅ）は何を出力するかを決定し、この出力はＬＳＴＭセルの状態に基づいているが、フィルタリングされた結果である。式４及び式５に示すとおりである。

従来のブルートフォースＬＳＴＭ軌跡予測アルゴリズムは、K個の軌跡点のサブ軌跡seqを順次選択し、それをグリッド化してエンコーディングし、図１に示されるＬＳＴＭセルネットワーク構造に入力し、K+1番目のグリッドのインデックスを予測するものである。

従来のブルートフォースＬＳＴＭアルゴリズムは、入力された軌跡シーケンスを予測するものであり、アルゴリズムフローは図２に示されている。このアルゴリズムは、データ前処理モジュール、モデルトレーニングモジュール、及び予測モジュールの３つのモジュールに分かれている。データ処理モジュールには、軌跡データをグリッド化してエンコーディングして、ＬＳＴＭの許容可能な軌跡データベクトルにすることを含み、モデルトレーニングモジュールは、最適なＬＳＴＭ予測モデルを見つけ、予測モジュールは、トレーニングされたＬＳＴＭモデルに基づいて次のグリッドのインデックスを予測する。

ニューラルネットワークに基づくＬＳＴＭは、履歴知識の学習に対して、優れた機能を備えているが、新しい知識に対しては適応性が不十分であることがある。ハリケーンの軌跡データは比較的小さなデータのサンプルであり、そしてハリケーンの軌跡には、ハリケーンが発生した区域で、過去ハリケーンが発生しなかったり発生回数が非常に少なかったりする場合があるという重要な特徴があり、このため、ニューラルネットワークは、学習程度が不十分であることにより、予測する軌跡位置が実際軌跡位置とは大きな誤差を生じさせることがある。

本明細書の１つ以上の実施例の技術案は、従来のブルートフォースＬＳＴＭ軌跡予測アルゴリズムを改良しており、改良ＬＳＴＭ（ＩＬＳＴＭ）軌跡予測アルゴリズムは、ブルートフォースＬＳＴＭ軌跡予測アルゴリズムの予測モジュールの部分を改良したものであり、改良ＬＳＴＭ（ＩＬＳＴＭ）アルゴリズムは、軌跡データ前処理の部分とモデルトレーニングの部分がブルートフォースＬＳＴＭ軌跡予測アルゴリズムと一致している。

改良ＬＳＴＭ軌跡予測は、距離しきい値に対する制限条件により、予測結果の偏差が大きすぎるか又は予測結果がサブ軌跡のフラグ点と重なるという、ブルートフォースＬＳＴＭ予測における特別な状況を回避し、予測結果を特定の合理的な範囲に制限することで、予測軌跡位置と実際軌跡位置との誤差を低減できる。

さらに、本明細書の１つ以上の実施例の技術案では、カルマンフィルタリング（Ｋａｌｍａｎ Ｆｉｌｔｅｒｉｎｇ）によって、改良ＬＳＴＭ（ＩＬＳＴＭ）軌跡予測アルゴリズムにより予測された軌跡座標を最適に推定し、それにより、予測軌跡位置と実際軌跡位置との誤差をさらに低減できる。

以下、図面を参照しながら本明細書の１つ以上の実施例の技術案を詳細に説明する。

本明細書の１つ以上の実施例による軌跡予測方法のフローは、具体的には、図３に示され、下記ステップを含む。
ステップＳ３０１：軌跡データを前処理する。
具体的には、移動対象は地理空間内を移動し、その位置が経時的に連続的に変化し、ｍ個の離散的な位置点と関連する補助情報から構成される順序付けされたシーケンスは、軌跡として定義され、つまり、式６に示すように、軌跡(trajectory)は、多次元空間内の順序付けられた点集合である。

式中、P_mは軌跡Trjのｍ番目の軌跡点の空間位置情報、たとえば、緯度と経度の情報P_m=(lon_m,lat_m)を示し、ここで、lon_m、lat_mはそれぞれ軌跡Trjのｍ番目の軌跡点の経度、緯度を示し、I_mは、軌跡Trjのｍ番目の軌跡点の状態情報を示し、ハリケーンデータを例とすれば、最大持続風速やハリケーンの中心最小圧力などの状態情報を示す。

サブ軌跡は、特定の軌跡範囲内の順序付けられた軌跡点集合を指し、式７に示す。

式中、kはサブ軌跡の長さを示す。

データ前処理は、生データを使用する前に必要なステップであり、データ前処理モジュールは、生データに対して前処理を実行するものである。データの前処理操作には、データのインポート、データのフィルタリング、データ欠損値の充填などの操作が含まれる。

生軌跡データには、必然的にデータ欠損やデータエラーなどが存在し、データ欠損やエラーによって引き起こされる問題は、アルゴリズムの最終結果の精度に直接影響する。したがって、当該データがアルゴリズムモジュールのトレーニングに実際に使用される前に、データを前処理する必要がある。このステップのデータ前処理操作には、軌跡データに対するデータのインポート、データのフィルタリング、及びデータ欠損値の充填などの操作が含まれる。データ前処理モジュールは、管理員がアップロードしたトレーニング用の生データと異常検出用の生データをデータベースにインポートして記憶し、一連のデータベース操作を通じてデータのクリーニングと欠損値の充填を実行する。

データベースをコアとするシステムモードに基づいて、データの前処理段階でＥｘｃｅｌテーブルにおけるデータがデータベースにインポートされ、インポートされたデータがデータベースから読み取られてフィルタリングされ、充填が行われた後、再度データベースに記憶される。

たとえば、ハリケーンの軌跡の場合、軌跡データには、ハリケーンの緯度と経度、最大持続風速、中心最小気圧、サンプリング時間などの情報が含まれ得る。このステップでは、ハリケーンの軌跡データのうち緯度と経度、最大持続風速やシステムの状態（Ｓｔａｔｕｓ ｏｆ ｓｙｓｔｅｍ）などのデータを前処理することができ、データにデータ欠損が存在する場合、データ欠損値は隣接データの近似値で充填される。サンプリング点で重複するデータもクリーニングされ、また、一部の異常値は変更される。

ステップＳ３０２：軌跡データをグリッド化してエンコーディングする。

具体的には、移動対象が位置する地理的空間は、固定グリッド（正方形、三角形、六角形など）によってさまざまな空間領域に分割され、軌跡の単一の座標点が空間領域にマッピングされ、元の軌跡Trjがグリッド化されたグリッド軌跡のシーケンスを式８に示す。

生軌跡データは、時空間データとして、テキストや画像とは構造が大きく異なり、このため、従来のディープ学習モデルを直接使用することができない。したがって、このステップでは、軌跡データがニューラルネットワークにより受信可能なデータ形式にグリッド化され、つまり、軌跡シーケンスの表現フォーマットがグリッド軌跡に変換される。

また、軌跡データにはカテゴリーデータと数値型データが含まれているため、このステップでは、グリッド化した軌跡に基づいて、グリッド軌跡をエンコーディングすることもでき、さまざまなタイプの軌跡データをエンコーディングして一体に組み合わせるエンコーディングのプロセスは、次の３つのステップに分けることができる。

１．グリッド軌跡内のカテゴリーデータにＯｎｅ−ｈｏｔ（ワンホット）エンコーディングを行う。たとえば、グリッド軌跡内のグリッドインデックスS_mをＯｎｅ−ｈｏｔエンコーディングできる。Ｏｎｅ−ｈｏｔエンコーディングは、フラグをベクトルに変換するために使用される最も一般的で基本的なエンコーディングである。まず、カテゴリー値を整数値にマッピングする。次に、整数値のインデックスを除いて、各整数値をバイナリベクトルとして表し、残りはゼロ値であり、インデックス位置は１としてメークされる。図４ｂには、グリッド軌跡のＯｎｅ−ｈｏｔエンコーディングの模式図が示されている。

２．数値型データ範囲が［０ １］の間にあるように、グリッド軌跡内の数値型データを標準化する。指標間の次元の影響を排除するには、データ標準化を行うことで、データ指標間を比較可能にすることが必要である。生データがデータ標準化によって処理された後、各指標は同じ桁になり、包括的な比較評価に適している。I_mにおける数値型データzには、以下の式９を用いて標準化され、z’は得られる。

３．カテゴリーデータと数値型データを接続して、完全な軌跡ベクトルV_Trjを形成する。

ステップＳ３０３：履歴軌跡データに基づいて事前トレーニングして得られるＬＳＴＭネットワークによって軌跡予測を行う。

具体的には、予測対象軌跡のうち、グリッド化してコーディングしたサブ軌跡が事前トレーニングして得たＬＳＴＭネットワークに順次入力され、各サブ軌跡の次の軌跡グリッドの位置がＬＳＴＭネットワークの出力によって予測される。たとえば、長さnの軌跡Trjである場合、stepをサブ軌跡の抽出間隔、kをサブ軌跡の長さ抽出として、各サブ軌跡シーケンスが抽出され、グリッド化してエンコーディングした各サブ軌跡シーケンスseqについて、次の軌跡座標が予測され、step=1であれば、n-k個のサブ軌跡のシーケンスが予測され、このため、n-k個の予測軌跡座標が生成され、これらの予測座標から構成されるシーケンスは、予測軌跡シーケンス

と呼ばれる。

ここで、予測対象軌跡のうち所定長さのサブ軌跡に対して、履歴軌跡データに基づいて事前トレーニングして得られるＬＳＴＭネットワークによって、このサブ軌跡の次の軌跡グリッドの位置を予測する方法のフローは、具体的には、図５に示される方法のフローのとおりであり、下記サブステップを含む。

サブステップＳ５０１：予測対象軌跡のうち、グリッド化してエンコーディングした１つのサブ軌跡を、履歴軌跡データに基づいて事前トレーニングして得られるＬＳＴＭネットワークに入力する。

サブステップＳ５０２：前記ＬＳＴＭネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとする。

サブステップＳ５０３：中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットにおいて検索し、検索した場合、下記サブステップＳ４０４を実行し、検索していない場合、下記サブステップＳ４０５を実行する。

サブステップＳ５０４：選択された確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とし、即ち、予測されたこのサブ軌跡の次の軌跡グリッドの位置とする。

サブステップＳ５０５：前記サブ軌跡のフラグ点を含むグリッドの中心座標を前記サブ軌跡の軌跡予測結果とし、即ち、予測されたこのサブ軌跡の次の軌跡グリッドの位置とする。

軌跡フラグ点Trj_flagの定義：
各々の軌跡から抽出される一番目のサブ軌跡シーケンスにおけるサブ軌跡フラグ点seq_flagは軌跡全体の軌跡フラグ点Trj_flagとされる。

ステップＳ３０４：予測結果をカルマンフィルタリングする。

具体的には、ノイズを除去して実データを復元するデータ処理技術であるカルマンフィルタリング（Ｋａｌｍａｎ Ｆｉｌｔｅｒｉｎｇ）は、通信、ナビゲーション、誘導や制御など、多くの分野で効果的に利用されている。カルマンフィルタリング（Ｋａｌｍａｎ Ｆｉｌｔｅｒｉｎｇ）は、システムの入出力観測データにより、システムの状態を最適に推定する。観測データにはシステム内のノイズや干渉の影響が含まれているため、最適推定はフィルタリングプロセスと見なすこともできる。

したがって、より好ましくは、このステップでは、カルマンフィルタリングが、得られたn-k個の予測軌跡座標から構成されるシーケンスZに対して実行され、フィルタリングによって得られた最適推定シーケンスが、前記Trj軌跡の最終予測結果として使用され、本明細書では、カルマンフィルタリングを用いた軌跡予測方法は、略してＩＬＳＴＭ−ＫＦ軌跡予測アルゴリズムと呼ばれる。

移動対象X(m)の運動のシステムの状態ベクトルの定義は式１０に示される。

カルマンフィルタリングには、離散制御プロセスシステムの導入が必要である。移動物体の運動のシステム状態方程式と観測方程式は、それぞれ式１１と式１２に示される。

式中、X(m)はシステム状態ベクトルを表し、式１０に示すように、m時点での運動対象の状態ベクトルを表し、Aは、前時点から現在時点までの運動状態の遷移モードを表すための状態遷移行列を表し、W(m)は、モデルのシステム状態ノイズを表し、その統計的特性がホワイトノイズ又はガウスノイズに似ており、Z(m)は、予測軌跡シーケンスZ内のm番目の予測値を表す観測ベクトルを表し、Hは観測行列であり、V(m)は観測ノイズであるある。

分析の便宜上、一般にシステムノイズW(m)と観測ノイズV(m)は互いに独立したガウスホワイトノイズであると仮定しており、それらの共分散はそれぞれQとRであり、それらの統計的特性はそれぞれ式１３と式１４に示される。

カルマンフィルタリングアルゴリズムの中核は、再帰アルゴリズムを使用して最適状態推定の推定モデルを実現し、前時点の推定値と現在時点の観測値を使用して現在の状態変数の推定を更新することである。システムの状態方程式を使用して、次の時点のシステムの状態を推定する。システムの現在の状態がmであるとすると、システムの状態方程式に従って、式１５に示すように、システムの前回の状態に基づいて現在の状態を推定できる。

式中、X(m|m-1)は、前回の状態推定の結果であり、X(m-1|m-1)は前回の状態の最適推定の結果である。

X(m|m-1)に対応する共分散の更新式を式１６に示す。

式１６中、ρ(m|m-1)は、X(m|m-1)に対応する共分散であり、ρ(m-1|m-1)は、X(m-1|m-1)に対応する共分散であり、A^TはAの転置行列である。

改良ＬＳＴＭ軌跡予測アルゴリズムによって予測された軌跡座標Z(m)を組み合わせる、つまり、測定値Z(m)と推定値X(m|m-1)を組み合わせると、式１７に示すように、現在の状態mの最適推定値X(m|m)を取得できる。

以上のように、予測軌跡シーケンスZのカルマンフィルタリングプロセス全体が完了する。カルマンフィルタリングの役割は、改良ＬＳＴＭ軌跡予測アルゴリズムによって予測された軌跡座標を最適に推定することである。

上記のＬＳＴＭネットワークは、履歴軌跡データに基づいて事前トレーニングして得られるものであり、たとえば、１８５１年から２０１５年までのハリケーンデータセットをトレーニングセットとしてＬＳＴＭネットワークをトレーニングし、このデータには、１７８０本のハリケーン軌跡と４９１３９個のサンプリング点があり、サンプリング時間間隔は６時間である。使用するトレーニング方法は、従来のブルートフォースＬＳＴＭアルゴリズムでＬＳＴＭネットワークをトレーニングする方法と同様であってもよいため、ここでは詳しく説明しない。

上記軌跡予測方法によれば、本明細書の１つ以上の実施例は、軌跡予測システムをさらに提供し、この構造は、図６に示されるように、グリッドエンコーディングモジュール６０１、履歴軌跡データに基づいて事前トレーニングして得られるＬＳＴＭネットワーク６０２、及び予測モジュール６０３を備える。

そのうち、グリッドエンコーディングモジュール６０１は、予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングし、前記ＬＳＴＭネットワーク６０２に入出力し、つまり、グリッドエンコーディングモジュール６０１は、軌跡データをグリッド化して、グリッド化したグリッド軌跡に基づいて、グリッド軌跡をエンコーディングする。

予測モジュール６０３は、前記ＬＳＴＭネットワーク６０２が出力した最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとし、中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットから選択し、選択された確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とする。

さらに、予測モジュール６０３は、また、前記ＬＳＴＭネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとする前記ステップの後、中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドが前記候補セットに存在しない場合、前記サブ軌跡のフラグ点を含むグリッドの中心座標を前記サブ軌跡の軌跡予測結果とする。

前記予測対象軌跡の長さがnであり、サブ軌跡の抽出間隔がstep=1であり、抽出したサブ軌跡の長さがkであり、抽出したサブ軌跡の数がn-kであり、また、前記予測モジュール６０３は、さらに、前記軌跡のn-k個のサブ軌跡を前記ＬＳＴＭネットワークで予測して、n-k個の予測軌跡座標を得た後、得たn-k個の予測軌跡座標からなるシーケンスをカルマンフィルタリングし、フィルタリングして得られた最適推定シーケンスを前記軌跡の最終予測結果とする。

さらに、本明細書の１つ以上の実施例による軌跡予測システムは、データ前処理モジュール６０４をさらに備えてもよい。

データ前処理モジュール６０４は、軌跡データに対して、データのインポート、データのフィルタリング、データ欠損値の充填の操作を行って、グリッドエンコーディングモジュール６０１に入力する。

さらに、本明細書の１つ以上の実施例による軌跡予測システムは、トレーニングモジュール６０５をさらに備えてもよい。

トレーニングモジュール６０５は、履歴軌跡データに基づいて前記ＬＳＴＭネットワークをトレーニングする。

上記軌跡予測システムの各モジュールの機能の実現方法は、具体的には、図３に示されるフローにおける各ステップに記載の詳細な方法を参照できるため、ここでは詳しく説明しない。

以下の実験データでは、２０１６年のハリケーンを検証セットとして使用する。従来のブルートフォースＬＳＴＭ軌跡予測アルゴリズム、本明細書の実施例で提案されるＩＬＳＴＭ軌跡予測アルゴリズム及びＩＬＳＴＭ−ＫＦ軌跡予測アルゴリズムの３つの方法を使用する場合の予測誤差が比較される。

実際の軌跡シーケンスT=｛Trj₁,Trj₂,L,Trj_N｝と予測軌跡シーケンスT’=｛Trj’₁,Trj’₂,L,Trj’_N｝を想定した場合、予測軌跡点と実際軌跡点の幾何空間誤差を用い、式２０に示す二乗平均平方根誤差RSMEを予測誤差とし、単位は度である。

式中、nは予測軌跡の数を示し、mは各予測軌跡に含まれる予測軌跡の点のデータを示す。

実験パラメータ値の設定を表１に示し、ＬＳＴＭネットワークトレーニングのラウンドに伴うＲＳＭＥ値の変化を図７及び８に示す。図７は、Ｑが［１，０，０，０； ０，１，０，０； ０，０，１，０； ０，０，０，１］であることを示し、図８は、Ｑが［２，０，０，０； ０，２，０，０； ０，０，２，０； ０，０，０，２］であることを示し、Ｑはシステムの共分散行列である。

図７及び図８では、横軸はニューラルネットワークのトレーニングラウンドを表し、縦軸はＲＳＥＭの値を表す。図７（ａ）及び図８（ａ）に示されるＬＳＴＭネットワークの構造は、１２８＊１２８＊２５６であり、図７（ｂ）及び図８（ｂ）に示されるＬＳＴＭネットワークの構造は、１２８＊２５６＊５１２であり、図７（ｃ）及び図８（ｃ）に示されるＬＳＴＭネットワークの構造は２５６＊２５６であり、図７（ｄ）及び図８（ｄ）に示されるＬＳＴＭネットワークの構造は２５６＊２５６＊２５６である。
図７及び図８からわかるように、最初は、従来のブルートフォースＬＳＴＭ軌跡予測アルゴリズムのＲＳＭＥ値が大きく、このとき、ＬＳＴＭネットワークの学習程度は低く、予測軌跡誤差が大きく、一方、本明細書の実施例で提案されるＩＬＳＴＭ軌跡予測アルゴリズムとＩＬＳＴＭ−ＫＦ軌跡アルゴリズムのＲＳＥＭ値は、従来のブルートフォースＬＳＴＭ軌跡予測アルゴリズムのＲＳＭＥよりも大幅に低くなっている。ＬＳＴＭネットワークトレーニングのラウンド数が増えるに伴い、従来のブルートフォースＬＳＴＭアルゴリズムのＲＳＥＭ値は徐々に減少し、徐々に安定しているが、従来のブルートフォースＬＳＴＭアルゴリズムの予測誤差は、ＩＬＳＴＭ及びＩＬＳＴＭ−ＫＦの予測誤差よりも大幅に高いことが分かった。

上記した３つの方法のＲＳＥＭ値をより良好に表示するために、１２８＊２５６＊５１２のＬＳＴＭネットワーク構造のラウンド７１からラウンド８０までの３つの方法のＲＳＭＥ値を以下に示し、つまり、図７（ｂ）及び図８（ｂ）には、ラウンド７１〜８０のＲＳＭＥ値を、以下の表２に示す。表２から分かるように、ＩＬＳＴＭ−ＫＦの各ラウンドのＲＳＭＥの値はＩＬＳＴＭの値よりわずかに小さく、これは、ＩＬＳＴＭ−ＫＦの予測効果が３つの方法の中で最も優れていることを示している。

図７（ｂ）では、従来のブルートフォースＬＳＴＭ軌跡アルゴリズムは、ラウンド７１〜８０の１０ラウンドの平均予測誤差が２．１０６５度であり、改良ＬＳＴＭ軌跡予測アルゴリズム（ＩＬＳＴＭ）は、ラウンド７１〜８０の１０ラウンドの平均予測誤差が１．４６９０であり、ＩＬＳＴＭ−ＫＦ軌跡予測アルゴリズムは、ラウンド７１〜８０の１０ラウンドの平均ＲＳＥＭの値が１．４６０５である。

図８（ｂ）では、従来のブルートフォースＬＳＴＭ軌跡予測アルゴリズムは、ラウンド７１〜８０の１０ラウンドの平均ＲＳＥＭ値が２．３８６５度であり、改良ＬＳＴＭ軌跡予測アルゴリズム（ＩＬＳＴＭ）は、ラウンド７１〜８０の１０ラウンドの平均ＲＳＥＭ値が１．５１４１であり、ＩＬＳＴＭ−ＫＦ軌跡予測アルゴリズムは、ラウンド７１〜８０の１０ラウンドの平均ＲＳＥＭ値が１．５０１７であり、このことから、ＩＬＳＴＭ−ＫＦの予測誤差が最小であることがわかった。従来のブルートフォースＬＳＴＭ軌跡予測アルゴリズムの予測誤差は約２度であり、効果が最も低い。ＩＬＳＴＭ−ＫＦの予測誤差は、ＩＬＳＴＭの予測誤差よりもわずかに小さくなっている。これは、ＩＬＳＴＭ−ＫＦによって予測された軌跡座標がＩＬＳＴＭによって予測された軌跡座標よりも高精度であることを示しており、ＩＬＳＴＭ−ＫＦが最良の予測効果を持っていると考えられる。

上記実施例のシステムは、前述の実施例における対応する方法を実施するためであり、対応する方法の実施例の有益な効果を有し、ここでは詳しく説明しない。

図１０は、本実施例による電子機器のより具体的なハードウェア構造の模式図を示し、この機器は、プロセッサ１０１０、メモリ１０２０、入力／出力インターフェース１０３０、通信インターフェース１０４０、及びバス１０５０を含み得る。そのうち、プロセッサ１０１０、メモリ１０２０、入力／出力インターフェース１０３０、及び通信インターフェース１０４０は、バス１０５０を介して機器内で互いに通信可能に接続されている。

プロセッサ１０１０は、関連するプログラムを実行し、本明細書の実施例による軌跡予測方法を実施するために、汎用ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、中央処理装置）、マイクロプロセッサ、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ、ＡＳＩＣ）、又は１つ以上の集積回路などの形態によって実現される。

メモリ１０２０は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ、読み取り専用メモリ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ランダムアクセスメモリ）、静的記憶装置、及び動的記憶装置の形で実装することができる。メモリ１０２０は、オペレーティングシステムや他のアプリケーションプログラムを記憶することができ、本明細書の実施例による技術案がソフトウェア又はファームウェアによって実装されるとき、関連するプログラムコードはメモリ１０２０に記憶され、プロセッサ１０１０によって呼び出されて実行される。

入力／出力インターフェース１０３０は、入力／出力モジュールを接続して情報の入出力を行うために使用される。入力／出力モジュールは、コンポーネントとして機器内に配置されてもよく（図示せず）、機器に外部接続して対応する機能を提供してもよい。入力機器は、キーボード、マウス、タッチスクリーン、マイクロフォン、様々なセンサーなどを含み、出力機器は、ディスプレイ、スピーカー、バイブレーター、インジケータライトなどを含み得る。

通信インターフェース１０４０は、機器と他の機器との間の通信を実現するために通信モジュール（図示せず）を接続するために使用される。通信モジュールは、有線方式（ＵＳＢ、ネットワークケーブルなど）により通信してもよく、無線方式（モバイルネットワーク、ＷＩＦＩ、ブルートゥース（登録商標）など）により通信してもよい。

バス１０５０は、機器の様々なコンポーネント（たとえば、プロセッサ１０１０、メモリ１０２０、入力／出力インターフェース１０３０、及び通信インターフェース１０４０）間で情報を転送するための経路を含む。

なお、上記機器は、プロセッサ１０１０、メモリ１０２０、入力／出力インターフェース１０３０、通信インターフェース１０４０、及びバス１０５０のみを示しているが、特定の実施プロセスでは、この機器は、通常の動作を達成するのに必要なほかのコンポーネントも含んでもよい。さらに、当業者が理解できるように、上記機器には、図に示されるすべてのコンポーネントを含むのではなく、本明細書の実施例の実施態様を実施するのに必要なコンポーネントのみを含んでもよい。

本明細書の１つ以上の実施例は、非一時的コンピュータ読み取り可能な記憶媒体をさらに提供し、上記非一時的コンピュータ読み取り可能な記憶媒体は、コンピュータ命令を記憶することができ、記憶されたコンピュータ命令は、コンピュータに上記実施例の前記軌跡予測方法を実行させるために使用される。

本明細書の１つ以上の実施例による技術案では、予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングし、長期短期記憶ＬＳＴＭネットワークに入力し、前記ＬＳＴＭネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとし、中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットから選択し、選択された確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とする。従来のブルートフォースＬＳＴＭ軌跡予測アルゴリズムに比べて、本明細書の実施例による軌跡予測アルゴリズムは、ＬＳＴＭが出力する唯一の結果を用いるのではなく、ＬＳＴＭが出力するtop_N個の候補セットから適切な予測結果を選択することにより、予測による軌跡位置が実際軌跡位置により近くなり、即ち、予測軌跡位置と実際軌跡位置との誤差を低減できる。

さらに、本明細書の１つ以上の実施例による技術案では、前記軌跡のn-k個のサブ軌跡を前記ＬＳＴＭネットワークで予測して、n-k個の予測軌跡座標を得た後、得られたn-k個の予測軌跡座標からなるシーケンスをカルマンフィルタリングし、フィルタリングして得られた最適推定シーケンスを前記軌跡の最終予測結果とすることもでき、それによって、予測軌跡位置と実際軌跡位置との誤差をさらに低減できる。

本実施例のコンピュータ読み取り可能な媒体は、永続的及び非永続的、リムーバブル及び非リムーバブル媒体を含み、任意の方法又は技術によって情報を記憶することができる。情報は、コンピュータ読み取り可能な命令、データ構造、プログラムのモジュール、又は他のデータであり得る。コンピュータ記憶媒体の例には、相変化メモリ（ＰＲＡＭ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、他のタイプのランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、電気的に消去可能なプログラム可能な読み取り専用メモリ（ＥＥＰＲＯＭ）、フラッシュメモリ又はその他のメモリ技術、コンパクト・ディスク・リード・オンリー・メモリ（ＣＤ−ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）又はその他の光学記憶機器、カセット式磁気テープ、磁気テープ・磁気ディスク記憶機器やその他の磁気記憶機器、又はその他の非伝送媒体が含まれるが、これらに限定されず、コンピューティング機器がアクセスできる情報の保存に用いられる。

当業者が理解できるように、上記実施例のいずれの説明も例示的なものに過ぎず、本開示の範囲（特許請求の範囲を含む）がこれらの例に限定されることを意図するものではない。本明細書の実施例の構想に基づいて、上記の各実施例又は各実施例の技術的特徴を組み合わせることもでき、ステップは任意の順序で実施することができ、上記のように異なる態様における多くの変化があり、簡略化のため、それらは詳細に記載されない。

さらに、説明及び検討を簡略化するとともに、本明細書の実施例を理解しにくくしないために、提供される図面は、集積回路（ＩＣ）チップ及びその他のコンポーネントの公知の電源に接続される／アース接続されることを示しても示されなくてもよい。さらに、本明細書の実施例を理解することが困難になることを避けるために、装置はブロック図の形で示されてもよく、また、これはこれらのブロック図による装置の実施形態に関する詳細が、本明細書の実施例を実施するプラットフォーム（すなわち、これらの詳細は完全に当業者が理解できるものである）に大きく依存するという事実を考慮に入れる。特定の詳細（たとえば、回路）が記載されて本明細書の例示的な実施例を説明する場合、これら特定の詳細がない又はこれら特定の詳細に変化がある場合にも本明細書の実施例を実施できることは当業者には明らかである。したがって、これらの説明は、制限的ではなく例示的であると見なされるべきである。

本明細書による技術案は、具体的な実施例を参照しながら説明されたが、前記の説明に基づいてこれらの実施例に対して多くの置換、修正、及び変形を行えることは当業者には明らかである。たとえば、他のメモリアーキテクチャ（たとえば、ダイナミックＲＡＭ（ＤＲＡＭ））は、検討された実施例を使用することができる。

本明細書の実施例は、添付の特許請求の範囲の広い範囲に含まれるそのようなすべての置換、修正、及び変形を含むことを意図している。したがって、本明細書の実施例の精神及び原則の範囲内でなされたあらゆる省略、修正、同等の置換、改良などは、本明細書の特許範囲に含まれるべきである。

Claims (9)

1. 軌跡予測方法であって、
   予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングし、長期短期記憶ＬＳＴＭネットワークに入力するステップと、
   前記ＬＳＴＭネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとするステップと、
   前記候補セットに含まれる前記グリッドの中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットから選択するステップと、
   選択された中で確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とするステップと、を含み、
   前記ＬＳＴＭネットワークは、履歴軌跡データに基づいて事前トレーニングして得られるものである、ことを特徴とする軌跡予測方法。
2. 前記ＬＳＴＭネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとする前記ステップの後、
   前記グリッドの中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドが前記候補セットに存在しない場合、前記サブ軌跡のフラグ点を含むグリッドの中心座標を前記サブ軌跡の軌跡予測結果とするステップをさらに含む、ことを特徴とする請求項１に記載の軌跡予測方法。
3. 前記予測対象軌跡の長さがnであり、サブ軌跡の抽出間隔がstep=1であり、抽出したサブ軌跡の長さがkであり、抽出したサブ軌跡の数がn-kである、ことを特徴とする請求項１に記載の軌跡予測方法。
4. 前記n-k 個のサブ軌跡を前記ＬＳＴＭネットワークで予測して、n-k個の予測軌跡座標を得た後、
   得られたn-k個の予測軌跡座標からなるシーケンスをカルマンフィルタリングするステップと、
   フィルタリングして得られた最適推定シーケンスを軌跡の最終予測結果とするステップと、をさらに含む、ことを特徴とする請求項３に記載の軌跡予測方法。
5. 軌跡予測システムであって、
   グリッドエンコーディングモジュールと、履歴軌跡データに基づいて事前トレーニングして得られるＬＳＴＭネットワークと、予測モジュールと、を備え、
   前記グリッドエンコーディングモジュールは、予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングした後に出力し、前記ＬＳＴＭネットワークに入力し、
   前記予測モジュールは、前記ＬＳＴＭネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとし、前記候補セットに含まれる前記グリッドの中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットから選択し、選択された中で確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とする、ことを特徴とする軌跡予測システム。
6. 前記予測モジュールは、さらに、前記ＬＳＴＭネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとするステップの後、前記グリッドの中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドが前記候補セットに存在しない場合、前記サブ軌跡のフラグ点を含むグリッドの中心座標を前記サブ軌跡の軌跡予測結果とする、ことを特徴とする請求項５に記載の軌跡予測システム。
7. 前記予測対象軌跡の長さがnであり、サブ軌跡の抽出間隔がstep=1であり、抽出したサブ軌跡の長さがkであり、抽出したサブ軌跡の数がn-kであり、
   前記予測モジュールは、さらに、前記n-k個のサブ軌跡を前記ＬＳＴＭネットワークで予測して、n-k個の予測軌跡座標を得た後、得られたn-k個の予測軌跡座標からなるシーケンスをカルマンフィルタリングし、フィルタリングして得られた最適推定シーケンスを軌跡の最終予測結果とする、ことを特徴とする請求項５に記載の軌跡予測システム。
8. 履歴軌跡データに基づいて前記ＬＳＴＭネットワークをトレーニングするトレーニングモジュールをさらに備える、ことを特徴とする請求項５〜７のいずれか１項に記載の軌跡予測システム。
9. 電子機器であって、
   メモリ、プロセッサ、及び、メモリに記憶されプロセッサにおいて実行可能なコンピュータプログラムを備え、前記プロセッサは、前記プログラムを実行するときに請求項１〜４のいずれか１項に記載の軌跡予測方法を実現する電子機器。

Images