在智能交通中,如何從車(chē)輛軌跡中提取有效信息,進(jìn)而做出短時(shí)精準(zhǔn)的預(yù)測(cè),是當(dāng)前研究的一個(gè)熱點(diǎn)問(wèn)題。由于軌跡具有多樣性、稀疏性以及道路拓?fù)浯嬖趶?fù)雜性,給實(shí)現(xiàn)軌跡的精準(zhǔn)預(yù)測(cè)帶來(lái)了困難與挑戰(zhàn)。怎樣從復(fù)雜道路拓?fù)渲刑崛」?jié)點(diǎn)間的關(guān)系,怎樣緩解軌跡稀疏性問(wèn)題以及怎樣從多維度考慮影響軌跡趨勢(shì)的因素,是當(dāng)前面臨的主要難點(diǎn)。為了解決上述問(wèn)題,本文主要從以下兩個(gè)方面進(jìn)行研究:結(jié)合車(chē)輛偏好特征、節(jié)點(diǎn)空間結(jié)構(gòu)關(guān)系等影響因素,對(duì)稀疏缺失軌跡進(jìn)行同態(tài)補(bǔ)償,即對(duì)原始軌跡進(jìn)行增強(qiáng),對(duì)短時(shí)軌跡預(yù)測(cè)方法進(jìn)行研究;結(jié)合車(chē)輛時(shí)序特征中潛在的周期性規(guī)律,對(duì)可變軌跡周期進(jìn)行建模,對(duì)短時(shí)軌跡預(yù)測(cè)方法進(jìn)行研究。本論文主要研究工作和貢獻(xiàn)如下:1.針對(duì)車(chē)輛行駛過(guò)程中的多樣性,提取車(chē)輛軌跡,并提出一種基于偏好特征語(yǔ)料庫(kù)的短時(shí)軌跡預(yù)測(cè)方法。首先,引入生成對(duì)抗網(wǎng)絡(luò)對(duì)軌跡分布進(jìn)行學(xué)習(xí),并以此為基礎(chǔ)生成數(shù)據(jù)彌補(bǔ)原始軌跡的缺失,緩解其稀疏性。然后,針對(duì)軌跡具有的偏好特征及軌跡節(jié)點(diǎn)的空間特征,使用表示學(xué)習(xí),并以此為基礎(chǔ)構(gòu)建偏好語(yǔ)料庫(kù)和節(jié)點(diǎn)結(jié)構(gòu)特征空間。最后,針對(duì)不同的特征向量分別進(jìn)行軌跡趨勢(shì)的預(yù)測(cè),通過(guò)最大池化,將多維度多特征空間的預(yù)測(cè)趨勢(shì)進(jìn)行融合并形成... 

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 軌跡管理與挖掘
        1.2.2 軌跡預(yù)測(cè)技術(shù)現(xiàn)狀
    1.3 主要研究?jī)?nèi)容
    1.4 論文組織架構(gòu)
第2章 相關(guān)技術(shù)和理論基礎(chǔ)
    2.1 相關(guān)概念
        2.1.1 智能交通概述
        2.1.2 軌跡預(yù)測(cè)的理論基礎(chǔ)
    2.2 表示學(xué)習(xí)相關(guān)知識(shí)
        2.2.1 統(tǒng)計(jì)語(yǔ)言模型
        2.2.2 One-Hot
        2.2.3 Word2Vec
        2.2.4 Deep Walk
    2.3 軌跡預(yù)測(cè)的關(guān)鍵技術(shù)研究
        2.3.1 隱馬爾可夫模型
        2.3.2 高斯混合模型
        2.3.3 神經(jīng)網(wǎng)絡(luò)模型
    2.4 本章小結(jié)
第3章 基于偏好特征語(yǔ)料庫(kù)的軌跡預(yù)測(cè)方法研究
    3.1 引言
    3.2 車(chē)輛軌跡預(yù)測(cè)模型相關(guān)定義
        3.2.1 相關(guān)定義
        3.2.2 問(wèn)題提出
    3.3 車(chē)輛短時(shí)軌跡預(yù)測(cè)模型
        3.3.1 模型整體框架
        3.3.2 數(shù)據(jù)補(bǔ)償
        3.3.3 特征形態(tài)提取
        3.3.4 特征表示
        3.3.5 融合模型
    3.4 模型算法設(shè)計(jì)
    3.5 本章小結(jié)
第4章 基于可變時(shí)序特征的短時(shí)軌跡預(yù)測(cè)方法研究
    4.1 引言
    4.2 問(wèn)題描述
        4.2.1 相關(guān)定義
        4.2.2 問(wèn)題提出
    4.3 軌跡預(yù)測(cè)模型
        4.3.1 模型整體框架
        4.3.2 特征表示
        4.3.3 預(yù)測(cè)模型
    4.4 模型算法設(shè)計(jì)
    4.5 本章小結(jié)
第5章 實(shí)驗(yàn)驗(yàn)證及應(yīng)用
    5.1 數(shù)據(jù)集
    5.2 基于偏好特征語(yǔ)料庫(kù)的算法實(shí)現(xiàn)
        5.2.1 算法實(shí)現(xiàn)過(guò)程
        5.2.2 評(píng)估準(zhǔn)則
        5.2.3 算法評(píng)估
    5.3 基于可變時(shí)序特征的算法實(shí)現(xiàn)
        5.3.1 算法實(shí)現(xiàn)過(guò)程
        5.3.2 評(píng)估準(zhǔn)則與基線方法
        5.3.3 算法評(píng)估
    5.4 本章小結(jié)
第6章 主要工作總結(jié)及未來(lái)工作
    6.1 主要工作
    6.2 后續(xù)研究工作
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]2019中國(guó)大數(shù)據(jù)產(chǎn)業(yè)發(fā)展白皮書(shū)[J]. 孫會(huì)峰.  互聯(lián)網(wǎng)經(jīng)濟(jì). 2019(Z2)
[2]不確定環(huán)境下移動(dòng)對(duì)象自適應(yīng)軌跡預(yù)測(cè)方法[J]. 夏卓群,胡珍珍,羅君鵬,陳月月.  計(jì)算機(jī)研究與發(fā)展. 2017(11)
[3]路網(wǎng)空間下基于馬爾可夫決策過(guò)程的異常車(chē)輛軌跡檢測(cè)算法[J]. 毛江云,吳昊,孫未未.  計(jì)算機(jī)學(xué)報(bào). 2018(08)
[4]多模式移動(dòng)對(duì)象不確定性軌跡預(yù)測(cè)模型[J]. 喬少杰,韓楠,丁治明,金澈清,孫未未,舒紅平.  自動(dòng)化學(xué)報(bào). 2018(04)
[5]位置大數(shù)據(jù)的價(jià)值提取與協(xié)同挖掘方法[J]. 郭遲,劉經(jīng)南,方媛,羅夢(mèng),崔競(jìng)松.  軟件學(xué)報(bào). 2014(04)
[6]受限路網(wǎng)中基于全局學(xué)習(xí)機(jī)制的在線軌跡預(yù)測(cè)[J]. 徐懷野,丁治明,劉奎恩,許佳捷.  計(jì)算機(jī)科學(xué). 2012(08)
[7]基于向量識(shí)別的啟發(fā)式路徑推測(cè)算法[J]. 呂衛(wèi)鋒,吳東東,諸彤宇.  計(jì)算機(jī)學(xué)報(bào). 2009(07)

碩士論文
[1]基于隱馬爾可夫模型的車(chē)輛軌跡預(yù)測(cè)算法的研究[D]. 張迎亞.南京郵電大學(xué) 2017



本文編號(hào)：3668690