大数据环境下移动对象自适应轨迹预测模型

Self-Adaptive Trajectory Prediction Model for Moving Objects in Big Data Environment

二维码有效期 120s

摘要已有的轨迹预测算法针对移动对象运动模式,使用数学模型进行交通流模拟,难以对路网中的移动对象进行准确的描述.为了解决这一问题,提出基于隐马尔可夫模型(hidden Markov model,简称HMM)的自适应轨迹预测模型SATP(self-adaptive trajectory prediction model based on HMM),对大数据环境下移动对象海量轨迹利用基于密度的聚类方法进行位置密度分区和高效分段处理,减少HMM的状态数量.根据输入轨迹自动选取参数组合,避免HMM模型中隐状态不连续、状态停留等问题.实验结果表明,SATP模型在实验中表现出较高的预测准确性,并维持较低的时间开销.针对速度随机改变的移动对象,其平均预测准确率为84.1％;相同情况下,平均高出朴素预测算法46.7％.

作者乔少杰 ^[1] 李天瑞 ^[1] 韩楠 ^[2] 高云君 ^[3] 元昌安 ^[4] 王晓腾 ^[1] 唐常杰 ^[5] 学术成果认领

作者单位西南交通大学信息科学与技术学院,四川成都,610031 ^[1] 西南交通大学生命科学与工程学院,四川成都,610031 ^[2] 浙江大学计算机科学与技术学院,浙江杭州,310027 ^[3] 科学计算与智能信息处理广西高校重点实验室(广西师范学院),广西南宁,530023 ^[4] 四川大学计算机学院,四川成都,610065 ^[5]

关键词位置大数据智能交通轨迹预测隐马尔可夫模型自适应 location big data intelligent transportation trajectory prediction hidden Markov model self-adaptive

分类号 TP311

栏目名称

大数据时代的机器学习研究专刊

DOI 10.13328/j.cnki.jos.004889

发布时间 2016-08-19

基金项目