CN106595665A - 一种障碍空间中移动对象时空轨迹的预测方法 - Google Patents
一种障碍空间中移动对象时空轨迹的预测方法 Download PDFInfo
- Publication number
- CN106595665A CN106595665A CN201611090757.XA CN201611090757A CN106595665A CN 106595665 A CN106595665 A CN 106595665A CN 201611090757 A CN201611090757 A CN 201611090757A CN 106595665 A CN106595665 A CN 106595665A
- Authority
- CN
- China
- Prior art keywords
- space
- obstacle
- region
- distance
- mobile object
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004888 barrier function Effects 0.000 claims abstract description 57
- 230000033001 locomotion Effects 0.000 claims description 31
- 230000007704 transition Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 238000005065 mining Methods 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种障碍空间中移动对象时空轨迹的预测方法,其包括以下步骤:利用障碍物之间的区域关系对障碍空间进行化简;预设障碍空间中两个对象之间的期望距离,对障碍空间轨迹数据进行预处理,实现轨迹聚类,挖掘移动对象的历史热点区域;以马尔可夫模型为基础,每个聚类代表热点区域,根据各热点区域间的障碍距离和历史访问习惯判断出移动对象的运动规律,通过将移动对象的所有历史热点区域作为未来的候选位置完成轨迹预测。本发明能够对障碍空间中移动对象的时空轨迹数据进行准确、高效的分析及预测,且采用本发明得到的预测结果准确可靠。
Description
技术领域
本发明属于计算机领域,具体涉及一种障碍空间中移动对象时空轨迹的预测方法。
背景技术
随着物联网技术的发展,各式传感器通过嵌入在便携式移动终端中或固定安装在公共设施上等形式参与到人们的日常生活中。如智能交通管理中,通过高清摄像头对交通路网信息进行拍摄,交警能够对视频流图像中运动物体进行实时逐帧检测、锁定和跟踪,根据车辆的运动轨迹判断车辆是否违章。如商务中,商家可以通过对客户的目的地的预测提前进行定向广告推送或旅游路线推荐等。在执法中,警察可以通过对罪犯逃跑轨迹的预测提前部署抓捕计划。
然而,由于定位技术自身以及传感器精度、网络带宽、实际环境、隐私保护等因素的限制,因此所获取的移动对象的运动轨迹存在不确定性,这也就增加了障碍空间中移动对象运动轨迹的预测难度。而且地面上移动的物体一般会受到地理条件的限制,如山脉、河流、湖泊等。
现有技术中移动对象轨迹预测的研究大多是在理想的欧式空间和路网空间中进行的,这些研究工作通常假设在某一给定的时间间隔内可以获得精确的轨迹,它并没有考虑移动对象轨迹数据的不确定性以及带障碍约束的地理空间。然而,在实际地理环境中往往存在障碍物。移动对象的运动基本都是在障碍空间中进行的。近年来,已有较多关于路网空间中移动对象轨迹预测的研究以及障碍空间中障碍范围查询、最近邻查询等研究,但是目前尚没有针对障碍空间中移动对象不确定时空轨迹预测的相关研究。
发明内容
为了解决现有技术存在的上述问题,本发明提供了一种障碍空间中移动对象时空轨迹的预测方法。
本发明所采用的技术方案为:一种障碍空间中移动对象时空轨迹的预测方法包括以下步骤:
利用障碍物之间的区域关系对障碍空间进行化简;
预设障碍空间中两个对象之间的期望距离,对障碍空间轨迹数据进行预处理,实现轨迹聚类,挖掘移动对象的历史热点区域;
以马尔可夫模型为基础,每个聚类代表热点区域,根据各热点区域间的障碍距离和历史访问习惯判断出移动对象的运动规律,通过将移动对象的所有历史热点区域作为未来的候选位置完成轨迹预测。
进一步地,所述利用障碍物之间的区域关系对障碍空间进行化简的方法为:
输入:复杂区域A,有界组件{a1,a2,…,ak},障碍物集B{b1,b2,…,bn};
输出:广义区域归并后障碍物集
1)将复杂区域A中每个有界组件ai看成是输出障碍物集的初始值;
2)遍历障碍物集B{b1,b2,…,bn};
3)判断障碍物集B{b1,b2,…,bn}中的障碍物bj是否是有界组件ai的父组件,如果是,则将障碍物bj归并到输出障碍物集的中;
4)执行递归运算,直到获得一个不能再归并的区域和障碍物集
5)输出归并后的广义区域和归并后的障碍物集
更进一步地,所述对障碍空间进行化简的方法的时间复杂度为O(n log n),其中,n表示障碍空间中障碍物的数目。
进一步地,所述障碍空间中两个对象之间的期望距离为:
式中,点xk和xk+1为任意两可见点,m为可见点总数,|xk,xk+1|表示线段的长度,线段不与A中任何障碍物相交,∫d(p,x1)fi(p)dp表示不确定对象p到点x1的距离,∫d(xm-1,q)fi(q)dq表示点xm-1到不确定对象q的距离。
进一步地,所述对障碍空间轨迹数据进行预处理的过程为:
输入:不确定数据集X(x1,x2,…,xn),障碍物集距离阈值ε,对象数目阈值θ;
输出:聚类集合C;
1)从不确定数据集X(x1,x2,…,xn)中随机选取k个对象当作聚类质心;
2)遍历不确定数据集X(x1,x2,…,xn);
3)求出对象xi到每个聚类质心的最短期望距离dmin;
4)将最短期望距离dmin与距离阈值ε进行比较,如果dmin<ε,则将对象xi分配到与其最近的聚类中,并将对象xi标记为已分配;
5)遍历每个聚类,重新计算聚类质心Cj与平方误差和E(SSE);
6)重复步骤2)~5),直到平方误差和E(SSE)最小;
7)将没有被分配的对象重新分配到聚类Ck+1中;
8)判断每个聚类的大小,如果某个聚类小于对象数目阈值θ,则将该聚类标记为噪声;
9)输出聚类集合C。
进一步地,所述完成轨迹预测包括以下步骤:计算障碍空间中基于运动规律的综合概率;基于运动规律完成马尔可夫轨迹预测。
更进一步地,所述计算障碍空间中基于运动规律的综合概率包括以下步骤:
1)计算当前区域至热点区域的障碍距离概率;
假设当前位置Ci绕过障碍物到各热点区域的最远距离为dmax、最近距离为dmin,绕过障碍物到位置Cj的距离为则从当前位置Ci到达位置Cj的障碍距离概率为:
式中,dmin=min(d(Ci,C1),d(Ci,C2),…,d(Ci,Cn)),dmax=max(d(Ci,C1),d(Ci,C2),…,d(Ci,Cn)),
2)计算当前区域至各热点区域的历史访问概率;
从当前位置Ci到达位置Cj的历史访问概率为:
Ps(Ci,Cj)=fij/∑i≠jfij,
式中,fij表示经由热点区域Ci变化到区域Cj的访问频率,通过统计历史数据获得,Σi≠jfij表示从区域Ci出发向所有区域转移的计数总和;
预设障碍距离概率的权重为Wd,历史访问概率的权重为Ws,则当前所在位置Ci至区域Cj的综合概率为:
Pij=WdPd+WsPs。
更进一步地,所述基于运动规律完成马尔可夫轨迹预测的过程为:
输入:转移概率矩阵MC,初始位置C1,概率阈值δ;
输出:预测轨迹序列T{T1,T2,…,Tn};
1)将初始位置C1加入轨迹序列T{T1,T2,…,Tn}中;
2)将i赋值为轨迹序列T{T1,T2,…,Tn}的最后一个位置状态;
3)对于转移概率矩阵MC中第i行的每个状态j,如果MC(i,j)≠0并且先前的转换概率乘以当前位置状态的转换概率不小于概率阈值δ,选取该概率乘积最大的j,将Cj加入到轨迹序列T{T1,T2,…,Tn}中,并将该乘积重新赋值给先前概率;
4)输出预测轨迹序列T{T1,T2,…,Tn}。
更进一步地,所述基于运动规律完成马尔可夫轨迹预测的过程的时间复杂度为O(m′*n),m′为聚类数量,n为轨迹序列T{T1,T2,…,Tn}的状态数目。
由于采用以上技术方案,本发明的有益效果为:1)本发明利用障碍空间中障碍物之间的区域关系对障碍空间化简,能够减少需要处理的障碍数量;2)本发明充分考虑了数据对象的不确定性,对障碍空间中的不确定轨迹进行预处理,能够节省预测时间;3)本发明利用各区域间的障碍距离和历史访问习惯判断出移动对象的运动规律,能够提高预测结果的可靠性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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是不确定轨迹位置示意图;
图2是本发明障碍空间中移动对象时空轨迹的预测方法的流程图;
图3是复杂区域化简示意图;其中,图(a)表示一个复杂区域,图(b)表示复杂区域化简后的广义区域;
图4是可视图;
图5是当障碍数量从40变化到80时预处理的运行时间结果;
图6是当聚类数量从1000变化到3000时预测的运行时间结果;
图7是当障碍数量从40变化到80时预处理的有效性结果;
图8是当聚类数量从1000变化到3000时预测的有效性结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
真实的地理环境中往往存在着江河、建筑、山脉等障碍物。针对在这样的复杂环境中收集的海量时空轨迹数据进行处理时,存在以下问题:一、障碍空间中轨迹数据的潜在价值还没有得到有效挖掘。二、受定位技术自身、传感器精度、网络带宽、环境、隐私保护等因素的限制,如图1所示,所获取的移动轨迹数据存在不确定性。三、将不同时刻采集到的位置信息连接起来,构成完整的轨迹时间序列。然而,在移动对象两次向服务器传递位置信息的时间区间内,移动对象的具***置信息和移动轨迹是不可得知的。因此,如何对障碍空间中移动对象的时空轨迹数据进行准确、高效的分析及预测,成为目前亟待解决的难点。
为了解决上述技术问题,如图2所示,本发明提供了一种障碍空间中移动对象时空轨迹的预测方法,其包括以下步骤:
S1、利用障碍物之间的区域关系对障碍空间进行化简。
下面对复杂区域和广义区域进行说明:
复杂区域:一个复杂区域是真实平面的有界正则闭包集合,所述真实平面是正序组件和带洞的有限集合,复杂区域的每个正序组件和它的每个洞可看作是一个带洞的简单区域。
广义区域:假设a1,a2,…,ak是一个有界组件c的洞,有界组件c表示为(a0;a1,a2,…,ak),则表示有界组件c的广义区域。
如图3所示,对于一个简单区域,通过删除它所有的洞获得广义区域。同样地,对于一个复杂区域,通过归并它的所有有界组件获得广义区域,也可以从一个复杂区域中通过删除一些组件(连同它们的洞)获得更简单的复杂区域。在每次归并之后会得到一个带有少量组件的复杂区域。逐渐地,复杂区域最终可化简为一个不能再被概括的广义区域。利用广义区域的定义对障碍空间进行化简,能够大大减少需要处理的障碍物的个数。
将障碍空间看作复杂区域,将障碍物看作复杂区域中的洞。根据障碍空间中各障碍物之间的区域关系,对障碍空间进行化简,其具体包括以下步骤:
输入:复杂区域A,有界组件{a1,a2,…,ak},障碍物集B{b1,b2,…,bn}。
输出:广义区域归并后障碍物集
1)将复杂区域A中每个有界组件ai看成是输出障碍物集的初始值。
2)遍历障碍物集B{b1,b2,…,bn}。
3)判断障碍物集B{b1,b2,…,bn}中的障碍物bj是否是有界组件ai的父组件,如果是,则将障碍物bj归并到输出障碍物集的中。
4)执行递归运算,直到获得一个不能再归并的区域和障碍物集
5)输出归并后的广义区域和归并后的障碍物集
上述对障碍空间进行化简的时间复杂度为O(nlogn)。其中,n表示障碍空间中障碍物的数目。
通过对障碍空间进行化简,能够大大减少需要处理的障碍对象个数。
S2、预设障碍空间中两个对象之间的期望距离,对障碍空间轨迹数据进行预处理,实现轨迹聚类,从而挖掘移动对象的历史热点区域。
通过轨迹聚类将具有相似特性的轨迹数据归为一类,使得同一类中的轨迹数据相似性最大,不同类之间的轨迹数据相异性最大。
下面对障碍空间期望距离进行说明:
在障碍空间S=A2\B*中,如果移动对象p和q之间没有障碍物,即互为可视,则障碍空间中两个对象之间的距离为欧氏距离。如图4所示,如果移动对象p和q之间存在障碍物,则两个对象之间的距离是绕过障碍物的最短距离。由于数据对象具有不确定性,而障碍物的边界是确定的,因此不确定数据对象到障碍物边界的距离是期望距离,则障碍空间中两个对象间的期望距离为:
式中,点xk和xk+1为任意两可见点,m为可见点总数,|xk,xk+1|表示线段的长度,线段不与A中任何障碍物相交,∫d(p,x1)fi(p)dp表示不确定对象p到点x1的距离,∫d(xm-1,q)fi(q)dq表示点xm-1到不确定对象q的距离。
障碍空间中不确定数据聚类方法包括以下步骤:
输入:不确定数据集X(x1,x2,…,xn),障碍物集距离阈值ε,对象数目阈值θ。
输出:聚类集合C。
1)从不确定数据集X(x1,x2,…,xn)中随机选取k个对象当作聚类质心。
2)遍历不确定数据集X(x1,x2,…,xn)。
3)求出对象xi到每个聚类质心的最短期望距离dmin。
4)将最短期望距离dmin与距离阈值ε进行比较,如果dmin<ε,则将对象xi分配到与其最近的聚类中,并将对象xi标记为已分配。
5)遍历每个聚类,重新计算聚类质心Cj与平方误差和E(SSE)。
6)重复步骤2)~5),直到平方误差和E(SSE)最小。
7)将没有被分配的对象重新分配到聚类Ck+1中。
8)判断每个聚类的大小,如果某个聚类小于对象数目阈值θ,则将该聚类标记为噪声。
9)输出聚类集合C。
在不影响障碍空间中不确定数据聚类方法的前提下,还可以利用剪枝策略提高障碍空间中不确定数据聚类方法的执行效率。
S3、以马尔可夫模型为基础,每个聚类代表热点区域,根据各热点区域间的障碍距离和历史访问习惯判断出移动对象的运动规律,通过将移动对象的所有历史热点区域作为未来的候选位置完成轨迹预测。
(一)计算障碍空间中基于运动规律的综合概率
障碍空间中移动对象轨迹模型从热点区域的角度对移动对象运动习惯进行描述,在考虑热点区域间关联关系的同时,也考虑存在障碍时移动对象的运动规律。例如移动对象从热点区域C1出发,可能到达热点区域C2和C3。尽管历史数据中到达热点区域C2的概率较大,根据移动对象的运动规律可以发现,热点区域C3更有可能成为移动对象到达的未来区域。移动对象轨迹中距离当前位置越近的区域以及历史访问频率越大的区域成为未来位置的可能性越大。
因此,首先计算当前区域至各热点区域的距离概率和历史访问概率,然后根据距离权重和历史访问权重得到转移的综合概率。转移的综合概率用来描述障碍空间中移动对象的运动规律对未来位置的影响。
1)计算当前区域至热点区域的障碍距离概率
移动对象至目标区域的距离应越来越短。在障碍空间中,两个点之间的距离由它们绕过障碍物的最短距离决定。移动对象趋向于向绕过障碍物距离当前位置较近的热点区域运动,距离越小的区域为移动对象下一个到达区域的概率较大。
假设当前位置Ci绕过障碍物到各热点区域的最远距离为dmax、最近距离为dmin,绕过障碍物到位置Cj的距离为则从当前位置Ci到达位置Cj的障碍距离概率为:
式(2)中,dmin=min(d(Ci,C1),d(Ci,C2),…,d(Ci,Cn)),dmax=max(d(Ci,C1),d(Ci,C2),…,d(Ci,Cn)),
2)计算当前区域至各热点区域的历史访问概率
移动对象向目标位置移动过程中,移动轨迹不仅与当前区域至各热点区域的障碍距离概率有关,还与历史访问概率有关。移动对象趋向于向历史访问频率高的热点区域移动,历史访问频率越高的区域为移动对象下一个到达区域的概率越大。
从当前位置Ci到达位置Cj的历史访问概率为:
Ps(Ci,Cj)=fij/Σi≠jfij (3)
式(3)中,fij表示经由热点区域Ci变化到区域Cj的访问频率,可通过统计历史数据获得。∑i≠jfij表示从区域Ci出发向所有区域转移的计数总和。
预设障碍距离概率的权重为Wd,历史访问概率的权重为Ws,则当前所在位置Ci至区域Cj的综合概率为:
Pij=WdPd+WsPs (4)
(二)基于运动规律的马尔可夫轨迹预测
马尔可夫模型由一系列状态以及状态与状态之间的转移矩阵组成。假设随机序列{Xt,t=0,1,2,…}的离散状态空间为Sd,Xt=x表示在时间t时刻对象处于状态x,移动到下一状态的概率仅取决于当前状态,而不是先前状态,即第t+1次转换获得的状态只和第t次的状态有关:
Pr(Xt+1=x|X1=x1,X2=x2,…,Xt=xn)=Pr(Xt+1=x|Xt=xn) (5)
则称{Xt,t=0,1,2,…}为马尔可夫链。
因此,可以通过马尔可夫模型来获取不同状态之间的转移概率,从而预测***状态未来的变化趋势。利用障碍距离概率和历史访问概率的综合概率得出转移概率矩阵,根据转移概率矩阵对移动对象轨迹进行预测。基于运动规律的马尔可夫轨迹预测方法包括以下步骤:
输入:转移概率矩阵MC,初始位置C1,概率阈值δ。
输出:预测轨迹序列T{T1,T2,…,Tn}。
1)将初始位置C1加入轨迹序列T{T1,T2,…,Tn}中。
2)将i赋值为轨迹序列T{T1,T2,…,Tn}的最后一个位置状态。
3)对于转移概率矩阵MC中第i行的每个状态j,如果MC(i,j)≠0并且先前的转换概率乘以当前位置状态的转换概率不小于概率阈值δ,选取该概率乘积最大的j,将Cj加入到轨迹序列T{T1,T2,…,Tn}中,并将该乘积重新赋值给先前概率。
4)输出预测轨迹序列T{T1,T2,…,Tn}。
基于运动规律的马尔可夫轨迹预测方法的时间复杂度为O(m′*n),m′为聚类数量,n为轨迹序列T{T1,T2,…,Tn}的状态数目。
为了检验本发明障碍空间中移动对象时空轨迹的预测方法的性能,设计实现了障碍空间化简方法、障碍空间中不确定轨迹数据聚类方法和基于运动规律的马尔可夫轨迹预测方法。鉴于现有技术中,尚没有针对障碍空间中移动对象不确定时空轨迹预测的方法及实例数据,因此只考虑所提出方法的准确性与高效性。
实验环境为2.20GHz的Intel(R)Core(TM)i3-2330M CPU,内存为4GHz,操作***为Windows 7,实验平台为R Console(64-bit),实验语言为R语言。本实验所使用的轨迹数据来源于两年内实验室移动机器人的轨迹数据,收集了62000条真实轨迹数据。实验中所用参数及设置如表1所示。
表1参数设置
本发明障碍空间中移动对象时空轨迹的预测方法的时间性能分析:
由于实际应用中移动对象的实际位置和测量位置存在一定误差,移动对象的轨迹数据存在不确定性,利用障碍空间中障碍物的区域关系对障碍空间进行化简。实验中,测试障碍数量、聚类数量对障碍空间中移动对象时空轨迹预测方法运行时间的影响。
图5给出了障碍数量对预处理过程的影响。当障碍数量从40变化到100时,可以看出,随着障碍数量的增加预处理过程的运行时间增大。这是由于障碍物的增加,会增加障碍空间预处理方法的时间复杂度,也会增加障碍空间中不确定对象之间距离的计算。由于对象移动的无意识性,设定Wd=Ws=0.5。
图6给出了聚类数量对本发明预测方法的影响。聚类数量从40变化到100时,其他参数均保持不变,可以看出,本发明预测方法的运行时间随着聚类数量的增大而增加。
本发明障碍空间中移动对象时空轨迹的预测方法的有效性分析:
当障碍数量和聚类数量变化时,障碍空间预处理方法和本发明障碍空间中移动对象时空轨迹的预测方法的有效性如图7和图8所示。
图7中,障碍数量从40变化到80时,随着障碍数量的增加,预处理过程的有效性在提高。
图8中,聚类数量从1000变化到3000时,随着聚类数量的增加,本发明障碍空间中移动对象时空轨迹的预测方法的有效性基本保持不变。
通过上述实验结果可以看出:由于首先对障碍空间进行预处理,减少处理障碍物的数量,从而提高预处理过程的执行效率,同时基于运动规律的马尔可夫预测方法的预测时间也较短,但这并不会影响本发明预测方法的有效性。因此,对障碍空间进行预处理优化是必要的。如果不采用障碍空间预处理方式,那么对障碍空间中大量的历史轨迹进行预测将耗费很长的时间。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种障碍空间中移动对象时空轨迹的预测方法,其特征在于,包括以下步骤:
利用障碍物之间的区域关系对障碍空间进行化简;
预设障碍空间中两个对象之间的期望距离,对障碍空间轨迹数据进行预处理,实现轨迹聚类,挖掘移动对象的历史热点区域;
以马尔可夫模型为基础,每个聚类代表热点区域,根据各热点区域间的障碍距离和历史访问习惯判断出移动对象的运动规律,通过将移动对象的所有历史热点区域作为未来的候选位置完成轨迹预测。
2.如权利要求1所述的一种障碍空间中移动对象时空轨迹的预测方法,其特征在于,所述利用障碍物之间的区域关系对障碍空间进行化简的方法为:
输入:复杂区域A,有界组件{a1,a2,…,ak},障碍物集B{b1,b2,…,bn};
输出:广义区域归并后障碍物集
1)将复杂区域A中每个有界组件ai看成是输出障碍物集的初始值;
2)遍历障碍物集B{b1,b2,…,bn};
3)判断障碍物集B{b1,b2,…,bn}中的障碍物bj是否是有界组件ai的父组件,如果是,则将障碍物bj归并到输出障碍物集的中;
4)执行递归运算,直到获得一个不能再归并的区域和障碍物集
5)输出归并后的广义区域和归并后的障碍物集
3.如权利要求2所述的一种障碍空间中移动对象时空轨迹的预测方法,其特征在于,所述对障碍空间进行化简的方法的时间复杂度为O(n log n),其中,n表示障碍空间中障碍物的数目。
4.如权利要求1所述的一种障碍空间中移动对象时空轨迹的预测方法,其特征在于,所述障碍空间中两个对象之间的期望距离为:
式中,点xk和xk+1为任意两可见点,m为可见点总数,|xk,xk+1|表示线段的长度,线段不与A中任何障碍物相交,∫d(p,x1)fi(p)dp表示不确定对象p到点x1的距离,∫d(xm-1,q)fi(q)dq表示点xm-1到不确定对象q的距离。
5.如权利要求1所述的一种障碍空间中移动对象时空轨迹的预测方法,其特征在于,所述对障碍空间轨迹数据进行预处理的过程为:
输入:不确定数据集X(x1,x2,…,xn),障碍物集距离阈值ε,对象数目阈值θ;
输出:聚类集合C;
1)从不确定数据集X(x1,x2,…,xn)中随机选取k个对象当作聚类质心;
2)遍历不确定数据集X(x1,x2,…,xn);
3)求出对象xi到每个聚类质心的最短期望距离dmin;
4)将最短期望距离dmin与距离阈值ε进行比较,如果dmin<ε,则将对象xi分配到与其最近的聚类中,并将对象xi标记为已分配;
5)遍历每个聚类,重新计算聚类质心Cj与平方误差和E(SSE);
6)重复步骤2)~5),直到平方误差和E(SSE)最小;
7)将没有被分配的对象重新分配到聚类Ck+1中;
8)判断每个聚类的大小,如果某个聚类小于对象数目阈值θ,则将该聚类标记为噪声;
9)输出聚类集合C。
6.如权利要求1所述的一种障碍空间中移动对象时空轨迹的预测方法,其特征在于,所述完成轨迹预测包括以下步骤:
计算障碍空间中基于运动规律的综合概率;
基于运动规律完成马尔可夫轨迹预测。
7.如权利要求6所述的一种障碍空间中移动对象时空轨迹的预测方法,其特征在于,所述计算障碍空间中基于运动规律的综合概率包括以下步骤:
1)计算当前区域至热点区域的障碍距离概率;
假设当前位置Ci绕过障碍物到各热点区域的最远距离为dmax、最近距离为dmin,绕过障碍物到位置Cj的距离为则从当前位置Ci到达位置Cj的障碍距离概率为:
式中,dmin=min(d(Ci,C1),d(Ci,C2),…,d(Ci,Cn)),
2)计算当前区域至各热点区域的历史访问概率;
从当前位置Ci到达位置Cj的历史访问概率为:
式中,fij表示经由热点区域Ci变化到区域Cj的访问频率,可通过统计历史数据获得;∑i≠jfij表示从区域Ci出发向所有区域转移的计数总和;
预设障碍距离概率的权重为Wd,历史访问概率的权重为Ws,则当前所在位置Ci至区域Cj的综合概率为:
Pij=WdPd+WsPs。
8.如权利要求6所述的一种障碍空间中移动对象时空轨迹的预测方法,其特征在于,所述基于运动规律完成马尔可夫轨迹预测的过程为:
输入:转移概率矩阵MC,初始位置C1,概率阈值δ;
输出:预测轨迹序列T{T1,T2,…,Tn};
1)将初始位置C1加入轨迹序列T{T1,T2,…,Tn}中;
2)将i赋值为轨迹序列T{T1,T2,…,Tn}的最后一个位置状态;
3)对于转移概率矩阵MC中第i行的每个状态j,如果MC(i,j)≠0并且先前的转换概率乘以当前位置状态的转换概率不小于概率阈值δ,选取该概率乘积最大的j,将Cj加入到轨迹序列T{T1,T2,…,Tn}中,并将该乘积重新赋值给先前概率;
4)输出预测轨迹序列T{T1,T2,…,Tn}。
9.如权利要求8所述的一种障碍空间中移动对象时空轨迹的预测方法,其特征在于,所述基于运动规律完成马尔可夫轨迹预测的过程的时间复杂度为O(m′*n),m′为聚类数量,n为轨迹序列T{T1,T2,…,Tn}的状态数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611090757.XA CN106595665B (zh) | 2016-11-30 | 2016-11-30 | 一种障碍空间中移动对象时空轨迹的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611090757.XA CN106595665B (zh) | 2016-11-30 | 2016-11-30 | 一种障碍空间中移动对象时空轨迹的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106595665A true CN106595665A (zh) | 2017-04-26 |
CN106595665B CN106595665B (zh) | 2019-10-11 |
Family
ID=58594893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611090757.XA Active CN106595665B (zh) | 2016-11-30 | 2016-11-30 | 一种障碍空间中移动对象时空轨迹的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106595665B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107168342A (zh) * | 2017-07-12 | 2017-09-15 | 哈尔滨工大智慧工厂有限公司 | 一种用于机器人路径规划的行人轨迹预测方法 |
CN108268597A (zh) * | 2017-12-18 | 2018-07-10 | 中国电子科技集团公司第二十八研究所 | 一种动目标活动概率图谱构建及行为意图识别方法 |
CN108286980A (zh) * | 2017-12-29 | 2018-07-17 | 广州通易科技有限公司 | 一种预测目的地和推荐驾驶路线的方法 |
CN110069719A (zh) * | 2019-04-24 | 2019-07-30 | 西安工程大学 | 一种面向互联网环境的行为预测方法及其预测*** |
CN110168312A (zh) * | 2017-05-16 | 2019-08-23 | 大陆汽车有限责任公司 | 基于目标预测动态物体的方法和装置 |
CN110716925A (zh) * | 2019-09-05 | 2020-01-21 | 中电科大数据研究院有限公司 | 一种基于轨迹分析的跨境行为识别方法 |
CN110909037A (zh) * | 2019-10-09 | 2020-03-24 | 中国人民解放军战略支援部队信息工程大学 | 一种频繁轨迹模式的挖掘方法及装置 |
CN110909106A (zh) * | 2019-11-26 | 2020-03-24 | 杭州三汇数字信息技术有限公司 | 一种轨迹预测方法和*** |
CN111239727A (zh) * | 2020-02-26 | 2020-06-05 | 深圳雷研技术有限公司 | 一种乘客计数方法及通信设备 |
CN111337043A (zh) * | 2020-03-17 | 2020-06-26 | 北京嘀嘀无限科技发展有限公司 | 一种路径的规划方法、装置、存储介质和电子设备 |
CN113449626A (zh) * | 2021-06-23 | 2021-09-28 | 中国科学院上海高等研究院 | 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 |
CN115790606A (zh) * | 2023-01-09 | 2023-03-14 | 深圳鹏行智能研究有限公司 | 轨迹预测方法、装置、机器人及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509170A (zh) * | 2011-10-10 | 2012-06-20 | 浙江鸿程计算机***有限公司 | 一种基于历史轨迹数据挖掘的位置预测***及方法 |
CN104239556A (zh) * | 2014-09-25 | 2014-12-24 | 西安理工大学 | 基于密度聚类的自适应轨迹预测方法 |
CN104537891A (zh) * | 2014-12-30 | 2015-04-22 | 江苏理工学院 | 一种船舶轨迹实时预测方法 |
US20160178377A1 (en) * | 2014-12-19 | 2016-06-23 | Hyundai Motor Company | Navigation system, path prediction method thereof and computer readable medium for performing the same |
CN105825297A (zh) * | 2016-03-11 | 2016-08-03 | 山东大学 | 一种基于马尔科夫模型的位置预测方法 |
-
2016
- 2016-11-30 CN CN201611090757.XA patent/CN106595665B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509170A (zh) * | 2011-10-10 | 2012-06-20 | 浙江鸿程计算机***有限公司 | 一种基于历史轨迹数据挖掘的位置预测***及方法 |
CN104239556A (zh) * | 2014-09-25 | 2014-12-24 | 西安理工大学 | 基于密度聚类的自适应轨迹预测方法 |
US20160178377A1 (en) * | 2014-12-19 | 2016-06-23 | Hyundai Motor Company | Navigation system, path prediction method thereof and computer readable medium for performing the same |
CN104537891A (zh) * | 2014-12-30 | 2015-04-22 | 江苏理工学院 | 一种船舶轨迹实时预测方法 |
CN105825297A (zh) * | 2016-03-11 | 2016-08-03 | 山东大学 | 一种基于马尔科夫模型的位置预测方法 |
Non-Patent Citations (6)
Title |
---|
JIANQIU XU 等,: ""Querying visible points in large obstructed space"", 《GEOINFORMATICA》 * |
乔少杰 等,: ""基于CTBN的移动对象不确定轨迹预测算法"", 《电子科技大学学报》 * |
宫海彦 等,: ""复杂障碍空间中基于移动对象运动规律的不确定轨迹预测"", 《计算机科学》 * |
李宇涵 等,: ""基于Voronoi图的障碍不确定数据的聚类算法"", 《计算机工程与科学》 * |
李实吉 等,: ""障碍空间中的移动对象位置预测"", 《计算机科学》 * |
杨杨 等,: ""一种处理障碍约束的基于密度的空间聚类算法"", 《计算机应用》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110168312A (zh) * | 2017-05-16 | 2019-08-23 | 大陆汽车有限责任公司 | 基于目标预测动态物体的方法和装置 |
CN110168312B (zh) * | 2017-05-16 | 2023-09-12 | 大陆智行德国有限公司 | 基于目标预测动态物体的方法和装置 |
CN107168342A (zh) * | 2017-07-12 | 2017-09-15 | 哈尔滨工大智慧工厂有限公司 | 一种用于机器人路径规划的行人轨迹预测方法 |
CN107168342B (zh) * | 2017-07-12 | 2020-04-07 | 哈尔滨工大智慧工厂有限公司 | 一种用于机器人路径规划的行人轨迹预测方法 |
CN108268597A (zh) * | 2017-12-18 | 2018-07-10 | 中国电子科技集团公司第二十八研究所 | 一种动目标活动概率图谱构建及行为意图识别方法 |
CN108286980B (zh) * | 2017-12-29 | 2021-04-02 | 广州通易科技有限公司 | 一种预测目的地和推荐驾驶路线的方法 |
CN108286980A (zh) * | 2017-12-29 | 2018-07-17 | 广州通易科技有限公司 | 一种预测目的地和推荐驾驶路线的方法 |
CN110069719A (zh) * | 2019-04-24 | 2019-07-30 | 西安工程大学 | 一种面向互联网环境的行为预测方法及其预测*** |
CN110069719B (zh) * | 2019-04-24 | 2023-03-31 | 西安工程大学 | 一种面向互联网环境的行为预测方法及其预测*** |
CN110716925A (zh) * | 2019-09-05 | 2020-01-21 | 中电科大数据研究院有限公司 | 一种基于轨迹分析的跨境行为识别方法 |
CN110716925B (zh) * | 2019-09-05 | 2023-08-04 | 中电科大数据研究院有限公司 | 一种基于轨迹分析的跨境行为识别方法 |
CN110909037A (zh) * | 2019-10-09 | 2020-03-24 | 中国人民解放军战略支援部队信息工程大学 | 一种频繁轨迹模式的挖掘方法及装置 |
CN110909037B (zh) * | 2019-10-09 | 2024-02-13 | 中国人民解放军战略支援部队信息工程大学 | 一种频繁轨迹模式的挖掘方法及装置 |
CN110909106B (zh) * | 2019-11-26 | 2022-08-12 | 杭州三汇数字信息技术有限公司 | 一种轨迹预测方法和*** |
CN110909106A (zh) * | 2019-11-26 | 2020-03-24 | 杭州三汇数字信息技术有限公司 | 一种轨迹预测方法和*** |
CN111239727A (zh) * | 2020-02-26 | 2020-06-05 | 深圳雷研技术有限公司 | 一种乘客计数方法及通信设备 |
CN111337043A (zh) * | 2020-03-17 | 2020-06-26 | 北京嘀嘀无限科技发展有限公司 | 一种路径的规划方法、装置、存储介质和电子设备 |
CN113449626A (zh) * | 2021-06-23 | 2021-09-28 | 中国科学院上海高等研究院 | 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 |
CN113449626B (zh) * | 2021-06-23 | 2023-11-07 | 中国科学院上海高等研究院 | 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 |
CN115790606A (zh) * | 2023-01-09 | 2023-03-14 | 深圳鹏行智能研究有限公司 | 轨迹预测方法、装置、机器人及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106595665B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106595665B (zh) | 一种障碍空间中移动对象时空轨迹的预测方法 | |
Zheng et al. | Detecting collective anomalies from multiple spatio-temporal datasets across different domains | |
Zhan et al. | Citywide traffic volume estimation using trajectory data | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、***及装置 | |
CN111882869B (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
Yang et al. | Use of ubiquitous probe vehicle data for identifying secondary crashes | |
Dehshiri et al. | A new application of multi-criteria decision making in identifying critical dust sources and comparing three common receptor-based models | |
Tang et al. | Markov Chains based route travel time estimation considering link spatio-temporal correlation | |
Li et al. | Real-time movement-based traffic volume prediction at signalized intersections | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
CN112418696A (zh) | 城市交通动态知识图谱的构建方法及装置 | |
Zhang et al. | Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images | |
Chen et al. | UVLens: Urban village boundary identification and population estimation leveraging open government data | |
Shan et al. | Fusing incomplete multisensor heterogeneous data to estimate urban traffic | |
CN112862177A (zh) | 一种基于深度神经网络的城市区域聚集度预测方法、设备及介质 | |
Zhang et al. | Boosted trajectory calibration for traffic state estimation | |
Guan et al. | A trajectory prediction method based on bayonet importance encoding and bidirectional lstm | |
Qaddoura et al. | Temporal prediction of traffic characteristics on real road scenarios in Amman | |
Chen et al. | Imputing environmental impact missing data of the industrial sector for Chinese cities: A machine learning approach | |
Xu et al. | STDR: a deep learning method for travel time estimation | |
Di et al. | An automatic and integrated self-diagnosing system for the silting disease of drainage pipelines based on SSAE-TSNE and MS-LSTM | |
Yujun et al. | Spatial–temporal traffic outlier detection by coupling road level of service | |
Heldens et al. | Scalable detection of crowd motion patterns | |
Cerqueira et al. | Integrative analysis of traffic and situational context data to support urban mobility planning |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200330 Address after: 810000 No. 54 West 38, Chengxi District, Qinghai City, Xining Province Patentee after: QINGHAI NORMAL University Address before: 810000 Qinghai province Xining City West District Nishikawa Road No. 8 Building 132 room 5 Patentee before: Geng Shengling |
|
TR01 | Transfer of patent right |