换一批摘要在智能交通控制系统、军事数字化战场、辅助驾驶系统中,实时、精确、可靠的移动对象不确定性轨迹预测具有极高的应用价值.智能轨迹预测不仅可以提供精准的基于位置的服务,而且可以提前监测和预判交通状况,进而推荐最佳路线,已经成为移动对象数据库研究的热点,亟需设计准确而高效的位置预测方法.针对现有方法的不足,提出了基于高斯混合模型的轨迹预测方法 GMTP,主要步骤包括:(1) 针对复杂运动模式利用高斯混合模型建模;(2) 利用高斯混合模型计算不同运动模式的概率分布,进而将轨迹数据划分为不同分量;(3) 利用高斯过程回归预测移动对象最可能的运动轨迹.GMTP 是高斯非线性概率统计模型,其优势在于:计算结果不仅是位置预测值,更是关于移动对象未来所有可能运动轨迹的概率分布,可以利用概率统计分布特性获得某种运动模式(如匀加速运动)下的位置预测.大量真实轨迹数据集上的实验结果表明:与相同参数设置下的高斯回归预测和卡尔曼滤波预测法相比,GMTP的预测准确性平均提高了22.2%和23.8%,预测时间平均缩减了92.7%和95.9%.
更多相关知识
关键词
移动对象数据库轨迹预测高斯混合模型运动模式moving objects databasetrajectory predictionGaussian mixture modelmotion pattern
分类号
TP18
栏目名称
DOI
10.13328/j.cnki.jos.004796
发布时间
2015-08-07（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（61100045, 61165013）
高等学校博士学科点专项科研基金（20110184120008）
国家社会科学基金（14YJCZH046）
中央高校基本科研业务费专项（2682013BR023）
实验室开放基金（GXSCIIP201407）
- 浏览4
- 被引279
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
