乔少杰(1981-), 男, 博士, 教授, CCF杰出会员, 主要研究领域为移动数据库, 时空数据库, 轨迹数据挖掘
吴凌淳(1996-), 男, 硕士生, 主要研究领域为轨迹数据挖掘
韩楠(1984-), 女, 博士, 副教授, 主要研究领域为移动数据库, 数据挖掘
黄发良(1975-), 男, 博士, 副教授, CCF专业会员, 主要研究领域为人工智能与数据挖掘
毛睿(1975-), 男, 博士, 教授, 博士生导师, CCF杰出会员, 主要研究领域为大数据
元昌安(1964-), 男, 博士, 教授, 博士生导师, CCF专业会员, 主要研究领域为数据库
LouisAlberto GUTIERREZ(1980-), 男, 博士, 研究员, 主要研究领域为轨迹数据挖掘
如何利用多源异构时空数据进行准确的轨迹预测并且反映移动对象的移动特性是轨迹预测领域的核心问题. 现有的大多数轨迹预测方法是长序列轨迹模式预测模型, 根据历史轨迹的特点进行预测, 或将当前移动对象的轨迹位置放入时空语义场景根据历史移动对象轨迹预测位置. 综述当前常用的轨迹预测模型和算法, 涉及不同的研究领域. 首先, 阐述了多模式轨迹预测的主流工作, 轨迹预测的基本模型类; 其次, 对不同类的预测模型进行总结, 包括数学统计类、机器学习类、滤波算法, 以及上述领域具有代表性的算法; 再次, 对情景感知技术进行了介绍, 描述了不同领域的学者对情景感知的定义, 阐述了情景感知技术所包含的关键技术点, 诸如情景感知计算、情景获取和情景推理的不同类模型, 分析了情景感知的不同分类、过滤、存储和融合以及它们的实现方法等. 详细介绍了情景感知驱动的轨迹预测模型技术路线及各阶段任务的工作原理. 给出了情景感知技术在真实场景中的应用, 包括位置推荐, 兴趣点推荐等, 通过与传统算法对比, 分析情景感知技术在此类应用中的优劣. 详细介绍了情景感知结合LSTM (long short-term memory)技术应用于行人轨迹预测领域的新方法. 最后, 总结了轨迹预测和情景感知研究的当前问题和未来发展趋势.
How to utilize multi-source and heterogeneous spatio-temporal data to achieve accurate trajectory prediction as well as reflect the movement characteristics of moving objects is a core issue in the research field of trajectory prediction. Most of the existing trajectory prediction models are used to predict long sequential trajectory patterns according to the characteristics of historical trajectories, or the current locations of moving objects are integrated into spatio-temporal semantic scenarios to predict trajectories based on historical trajectories of moving objects. This survey summarizes the currently commonly-used trajectory prediction models and algorithms, involving different research fields. Firstly, the state-of-the-art works of multiple-motion trajectory prediction and the basic models of trajectory prediction are described. Secondly, the prediction models of different categories are summarized, including mathematical statistics, machine learning, filtering algorithm, as well as the representative methods in these research fields. Thirdly, the context awareness techniques are introduced, the definition of context awareness by different scholars from different research fields are described, the key technical points of context awareness techniques are presented, such as the different kinds of models on context awareness computing, context acquisition and context reasoning, and the different categories, filtering, storage and fusion of context awareness and their implementation methods are analyzed. The technical roadmap of multiple-motion-pattern trajectory prediction of moving objects with context awareness and the working mechanism of each task is introduced in detail. This survey presents the real-world application scenarios of context awareness techniques, for example, location recommendation, point of interest recommendation. By comparing them with traditional algorithms, the advantages and disadvantages of context awareness techniques in the aforementioned applications are discussed. The new methods for pedestrian trajectory prediction based on context awareness and long short-term memory (LSTM) techniques are introduced in detail. Lastly, the current problems and future trends of trajectory prediction and context awareness are summarized.
将情景感知技术[
由于无线技术和定位传感器设备的空前发展, 移动对象在日常生活中无处不在. GPS传感器不间断地捕捉数据, 呈现诸如人、动物和车辆等移动物体的空间轨迹数据[
现实生活场景中有许多不同类型的轨迹数据, Zheng等人[
Example of a simple trajectory
简单轨迹举例
预处理是将原始轨迹数据修改为有用且有意义形式的必要步骤, 进而获得更好的预测准确性. 数据清理具有噪声过滤和停留点检测功能[
Euclidean distance
欧氏距离
轨迹压缩算法可分为在线和离线两种, 如将曲线近似表示为折线的Douglas-Peucker离线算法[
Examples of clustering algorithm for identifying points of interest
识别兴趣点的聚类算法图例
轨迹预处理的方法不仅只适用于收集到的位置信息, 也包括收集得到的情景信息, 但由于情景信息的特殊性, 其无法像轨迹数据一样已经有了成熟的记录方法和记录标准, 因此需要更有针对性的方法来处理情景信息. 最简单的方法就是将情景信息变量化, 例如, 将天气情况映射为一定范围内连续可变的数量, 又或使不同运动模式用不同变量表示, 通常将这些变量以参数的形式输入轨迹预测模型.
轨迹预测的已有模型涉及不同领域的不同算法, 数学统计学方法中包含: 隐马尔可夫模型[
如
Different trajectory prediction models
不同轨迹预测模型
方法 | 算法模型 | 特点 |
统计学方法 | 隐马尔科夫模型 | 可自设转移矩阵 |
朴素贝叶斯 | 可处理多分类任务 | |
高斯过程 | 概率式预测结果 | |
灰色模型 | 定量分析与定性分析结果一致 | |
机器学习 | SVM | 低维数据或高维数据均能良好运行 |
BP神经网络 | 具有自学习和适应能力 | |
深度学习 | 具有自我调整能力 | |
滤波算法 | 卡尔曼滤波 | 基于观测值以及估计值二者的数据对真实值进行估计 |
情景感知(context awareness)自提出至今已受到了广泛关注, 并被认为是未来的热点研究领域, 可以利用不断发展的便携式传感器和移动通信设备获取用户所在的周边地理信息、移动轨迹和时间等信息[
情景感知大致分为独立的和基于基础设施的[
信息的收集完成后接下来是情景感知计算和推理, 情景感知计算被视为普适计算[
The multi-layer architecture of a context processing system
情景处理系统的多层体系结构
Comparison of context modeling schemes
情景建模方案比较
方案名称 | 适用范围 | 局限性 |
键-值模型 | 文本文件和二进制文件情景信息最简单的模型 | 只能服务于单一情景类型 |
标记方案模型 | 使用XML的数据建模 | 无法推理和重复使用 |
图形化建模 | 大型数据库中数据集的情景推理 | 高难度的互用性 |
基于对象的建模 | 适用于基于代码的内部情景建模 | 使用分层类接口对情景建模 |
基于逻辑的建模 | 适用于规则推理的建模 | 缺乏标准化导致复用性低 |
基于本体的建模 | 环境是由公共实体形成的, 而对环境建模通常选择知识本体 | 庞大的数据集增加了计算量和时间消耗 |
Liu等人[
情景的存储和原始情景数据以及过滤和融合的情景信息可以存储起来, 以便进一步检索, 同时应该被很好地整理为各种数据结构, 如表、对象、树、图形等. 此外, 情景的存储对于获取历史记录是很有帮助的, 以便将处理过的情景信息输出. 情景存储的体系结构可以是集中式的, 也可以是分布式的. 情景信息的有效和可靠存储涉及很多问题, 如: 即时性、情景和对象之间的相关性、情景检索需要范围而不是单一条件等.
与传统数据相比, 轨迹数据具有独特属性, 例如: 变化的采样率、不同的长度和稀疏性等, 意味着位置预测面临诸多挑战. 同时, 由于用户的当前位置与该用户历史位置信息相关, 移动对象在不断运动的过程中周围的运动环境会随之发生转变, 轨迹数据也会受到情景信息的影响. 如果用户没有轨迹历史, 则很难建立关于他的未来位置的预测器, 这被称为冷启动问题[
情景感知技术在轨迹预测领域的也能一定程度上解决本文提到的冷启动与稀疏性问题, 冷启动和稀疏性问题在推荐系统领域较为常见, 由于新用户鲜有可利用的行为信息, 难以给出推荐, 所以许多应用会在注册时要求用户填写一定个人信息进行粗粒度推荐, 但这在轨迹预测领域无法实施, 因为移动对象的移动是突发事件. 所以情景感知技术在这种情况下显得尤为重要, 结合情景感知技术让移动对象输入一些特征参数到预测模型中, 例如周围兴趣点的密度, 兴趣点的种类, 移动对象的种类, 当前的地理位置, 交通状况, 历史数据中从当前位置出发的移动对象的轨迹等.
情景感知驱动的大规模多模式轨迹预测研究架构划分为如
The architecture of multiple-motion-pattern trajectory prediction of moving objects with context awareness
情景感知驱动的移动对象多模式轨迹预测架构
情景感知驱动的大规模多模式轨迹预测模型研究的目标旨在将情景感知技术应用于大规模多模式轨迹预测的研究中, 设计轨迹大数据处理新型算法、数据结构和框架, 以时空数据库、情景感知计算、大数据技术为手段, 建立高效准确的数学模型和方法, 在一个或两个具体应用(如智慧交通预测、城市计算)上解决实际问题, 对提出的应用基础问题和理论进行深入探索. 情景感知驱动是作为技术枢纽和创新点与轨迹预测紧密相关, 是课题组提出的新型大规模多模式轨迹预测的新技术新方法, 在该技术领域中, 可利用的情景包括但不限于时间间隔、距离间隔、路况、车辆(或其他运动模式)状况、天气、日期等. 通过给这些情景赋予适当的权重, 或者将其嵌入向量化作为模型的参数, 改进已有的轨迹预测模型或新建专用模型, 将情景参数加入预测模型以此达到精准预测的目的. 例如, LSTM作为一种特殊的RNN网络, 是为了解决传统RNN无法解决的长期依赖问题而设计的, 适合处理预测时间序列中间隔较长的问题. 由于LSTM将时间序列分为长期效应和短期效应, 于是在连续轨迹点中, 可以尝试将轨迹点之间的时间和距离间隔分别赋予权重通过衰减函数加入短期效应, 构造新的短期效应, 将长期效应和衰减后的短期效应合并组成调整后的前序记忆, 进入下一次预测. 将时空间间隔作为一般情景加入轨迹预测模型是当前最优先考虑的情景感知驱动方式. 再者, 设计新型情景感知轨迹大数据处理技术, 这些技术包括: 情景感知数据特征提取、大数据降维分析, 保证时空轨迹数据的质量; 由于多种因素存在, 移动对象常具有不确定性, 现有索引技术大多面向确定性移动数据, 无法直接索引不确定移动数据. 从当前相关研究工作来看, 重点问题集中于两点: (1) 情景感知计算关键技术[
情景感知驱动的大规模多模式轨迹预测研究的技术路线是: 通过便携式通信设备、手机互联网、城市智慧监控等获取用户情景信息和轨迹大数据, 经过特征提取和数据降维分析等处理后存入数据库. 通过轨迹数据库中的数据做热点区域挖掘, 进而实施轨迹预测, 如
Technical roadmap of multiple-motion-pattern trajectory prediction of moving objects with context awareness
情景感知驱动的多模式轨迹预测技术路线图
整体研究可分为3个部分: (1) 情景感知轨迹大数据的处理, 包括算法、数据结构等; (2) 轨迹热点区域挖掘; (3) 情景感知驱动的多模式轨迹预测模型. 在第(1)部分研究内容中, 情景感知大数据处理首先需要对情景感知数据的特征提取, 标准GPS数据包含时间、位置、状态和信号质量4类数据, 可以从中获得包括用户情景和时间情景在内的初级情景信息, 对于位置点之间的关系、用户当前活动、交通拥挤情况等高级社会情景, 拟采用隐马尔可夫或者条件随机场模型进行深层次抽取, 构建轨迹时空语义网络. 然后是轨迹大数据降维分析, 对轨迹数据实现空间维度和时间维度的降维分析, 空间维度通过分析路网中节点的介数(betweenness), 减少路网中的区域或减少边, 抽取关键节点和路径. 此外, 采用主成分分析技术将关键分量的分析获得全局特征, 实现进一步空间降维. 对于时间尺度的降维分析, 设计找寻和量化移动对象的整体移动模式在各自时间片下显著差异的算法, 进而实现精确的时间片划分, 降低各时间段间的相似性. 最后是采用混合时空索引结构索引移动对象历史、当前和未来轨迹信息, 实现轨迹及位置点的高效查询. 设计一种新型混合索引结构, 其基于历史树和双层索引结构DISC-tree[
第(2)部分研究内容为轨迹热点区域挖掘, 由于移动技术的巨大进步, 许多网络位置信息的出现可以帮助用户导航或预测可能感兴趣的热点位置, 这些位置可能不同于往常地理信息系统中的一成不变的地标建筑型兴趣点, 而是更贴近于人们移动生活的热点区域. 基于位置的社交网络日益流行, 人们借此可以很容易地分享他们的想法、评论、图片、和他们朋友的位置. 在线签到数据的快速增长为从人们的历史轨迹中了解他们的移动行为并预测他们未来的足迹提供了一个很好的机会, 通过对上述信息进行挖掘, 可以发现轨迹热点区域, 进而对移动对象的位置进行有针对性的预测. 设计一种例如基于Hausdorff距离的轨迹点相似性度量方法对具有相似行为特征的时空点进行聚集操作. 基于时间、空间和环境特征, 设计层次型聚类算法自下而上地把较小的cluster合并聚集. 聚集过程分为两个阶段: (1)局部匹配, 将轨迹划分成不同基本单元, 给定一个距离阈值
Working mechanism of trajectory hotspot region mining algorithms
轨迹热点区域挖掘算法工作原理
第3部分研究内容为情景感知驱动的多模式轨迹预测模型, 如
Working mechanism of multiple-motion-pattern trajectory prediction with context awareness
情景感知驱动的多模式轨迹预测模型工作原理
数学概率统计类算法中, 隐马尔可夫模型HMM (hidden Markov model)常用于长序列预测问题[
Lim等人[
算法中参考轨迹即是已有的从目标起始点到目的地点的轨迹, 局部参考图则由这些轨迹通过的定点和边组成. 个性路线推荐算法将起始点, 目的点, 行驶时间和驾驶偏好作为输入, 返回参考图中的最短路径. 边的权值与驾驶偏好相关联. 驾驶偏好由各类出行成本的偏好比来表示, 如行驶距离, 行驶时间和油耗各自之间的比例组成. 文章中采用的构建带权重轨迹图, 结合最短路径的方法对轨迹预测有极高的参考价值, 当移动对象身处复杂情境中时, 周围的路况信息, 交通状况等都将对移动对象的路线选择产生影响, 而将各类情景设置为带权重的参数对模型的改进有优化效果, 例如Time-LSTM. 乔少杰等人[
整个轨迹训练集高斯混合模型似然函数如公式(4)所示.
通过从已知的轨迹集中训练得到最佳似然函数参数, 再利用EM迭代选出概率密度最大的运动模式, 为轨迹预测模型使用. 高斯混合回归轨迹预测模型已有训练集为
机器学习被定义为: 如果一个计算机程序在任务
当前针对复杂动态环境下的轨迹预测逐渐得到重视. Fang等人[
De Leege等人[
Wang等人[
Social-LSTM model
Social-LSTM模型
启发式算法是为了解决传统的优化算法而出现的, 如线性规划或动态规划等算法在解决大规模优化问题时存在计算代价过大等问题, 于是启发式算法尽可能逼近最优解. 得到相对最优解这种情况在很多实际应用中是可以接受的, 例如如何使用最小的代价遍历指定的几座城市这种路径规划问题. 将启发式算法应用在轨迹预测领域的基本思想为: 当知道了前序轨迹序列和目的地时, 算法根据当前移动对象的位置, 对路线进行全局的预测, 同时结合实时的情景信息, 如交通流量, 天气等信息, 对算法进行优化. 滤波算法以贝叶斯滤波为例[
均方根误差公式中(
Category comparison of prediction models
预测模型类别对比
预测模型类别 | 文献 | 代表性方法 | 适用场景 |
数学统计学类 | 乔少杰等人[ |
隐马尔科夫模型(HMM) | 存在多种移动模式的序列 |
机器学习类 | Fang等人[ |
深度学习 | 前序位置信息较少需要预测长序列 |
滤波算法类 | He等人[ |
卡尔曼滤波 | 对预测的实时性要求较高 |
在实际应用方面, 情景感知可以在兴趣点相关的服务中应用, Chen等人[
Bartoli等人[
Application example of social-LSTM trajectory prediction modes with context awareness
情景感知Social-LSTM轨迹预测应用举例
在安全和隐私问题方面, 由于情景感知驱动的服务需要利用大量的敏感信息来描述复杂环境, 需要处理大规模的网络数据[
异质性和动态是情景感知最突出和重要的特征, 动态追踪的问题目前已经有了很好的解决方案, 然而异质性的问题仍然棘手. 首先, 如何在异构环境中使用多个传感器来捕获有用的情景信息, 从而实现正确的决策; 其次, 随着情景数据量的增大, 需要高性能的数据密集型处理框架, 能够在动态异构环境下实现情景感知调度机制.
服务的准确性和效率方面, 在大数据时代, 由于数据源和数据类型的多样性, 效率和准确性是情景感知系统的重要评估指标. 首先, 实时情景数据处理不完整, 相关研究领域涉及情景数据存储、数据获取、数据访问、并行流计算和信息检索; 其次是情景数据的降维. 情景信息的维数决定了服务的准确性, 然而, 高维数会带来很大的计算复杂性. 如何降低情景维度并保持良好的服务准确性是一个关键问题.
未来研究工作可以重点放在情景感知技术和多模式轨迹预测的深度结合上, 例如: 对解决冷启动问题有帮助的情景获取、情景处理与识别, 抽取高层次环境情景和社会情景信息. 构建包含轨迹点时空维度和社会维度在内的多粒度、多层次轨迹情景语义网络, 设计新型基于局部和全局相似性的层次型轨迹热点区域挖掘算法, 从局部和全局角度综合考量, 发现用户感兴趣的位置点, 使轨迹预测更加有针对性. 与自然语言处理的词嵌入类似, 轨迹中的地点嵌入也可采用相似的方法. 但是不同于文本信息的是, 轨迹中包含有时间维度的信息, 在轨迹中不同地点返回的时间差可以反映出移动对象的访问频率以及停留时间等情景信息; 另一方面, 从长序列的轨迹数据中的时间差来看, 不同类型的地点, 移动对象访问时间的分布也可能不同; 再者, 多功能兴趣点在现实生活中是常见地点, 例如商场会有健身房和餐厅, 访问统一地点可能是为了不同的目的, 未来工作可以考虑将位置信息嵌入为向量表示, 并结合周围实时的情景信息, 这对于实现复杂环境下的轨迹预测具有一定的帮助. 在实际应用上来说, 融合情景感知的轨迹预测技术有极强的现实应用前景. 例如相对极端的交通路况下, 如隧道或高原等信号微弱地点, 普通导航系统无法提供持续可靠的精确的路线, 有情景感知的驾驶辅助系统在此时有巨大帮助. 又如无人机在自动跟随目标的活动中, 当跟随目标被遮挡或周围有多个相似目标, 融合实时情景信息的算法能预测跟随目标的轨迹, 实现精确跟踪定位. 从多角度考虑融合复杂情景信息, 如环境情景、社会关联情景的移动对象的轨迹预测模型, 提高预测的准确性, 应用新型高效的预测算法对不确定轨迹建模、训练, 进而预测具有不同特征和运动轨迹的多模式轨迹.
移动对象多模式轨迹预测早已成为热点研究领域, 在当前的大数据时代下, 数据的多样性给研究者提供了不同角度的研究方案, 本文详述了该领域内的不同研究方法, 如数学统计类、机器学习类和滤波算法等. 并综述了当前在该研究领域较为空白的情景感知技术, 介绍了该技术的组成原理、运用方法、技术支撑和应用案例等. 利用情景感知技术, 可以更好地将复杂客观环境因素、个体偏好和关联考虑进来, 减少轨迹预测的不确定性, 提高挖掘的有效性. 情景感知和轨迹数据相辅相成, 使挖掘准确性更高, 挖掘的知识更加有意义. 情景感知技术驱动下对大规模移动对象的复杂多变运动行为进行预测, 可以为轨迹预测领域提供新的思路和方向, 且研究有利于解决社会群体性问题. 研究情景感知计算理论, 对于人类行为分析、普适计算等交叉学科的研究具有重要的科学意义.
致谢 感谢所有参与本课题研究和本文工作没有在文中署名的课题组成员及对本项目提供技术支持的专家和学者; 感谢所有评阅本文的匿名评审人及对本文提出的宝贵修改意见.
Liu JJ, Zhao K, Sommer P, Shang S, Kusy B, Lee JG, Jurdak R. A novel framework for online amnesic trajectory compression in resource-constrained environments. IEEE Transactions on Knowledge and Data Engineering, 2016, 28(11): 2827–2841. [doi: 10.1109/TKDE.2016.2598171]
Richter KF, Schmid F, Laube P. Semantic trajectory compression: Representing urban movement in a nutshell. Journal of Spatial Information Science, 2012, (4): 3–30. [doi: 10.5311/JOSIS.2012.4.62]
Wu RZ, Luo GC, Shao JM, Tian L, Peng CZ. Location prediction on trajectory data: A review. Big Data Mining and Analytics, 2018, 1(2): 108–127. [doi: 10.26599/BDMA.2018.9020010]
Zheng Y. Trajectory data mining: An overview. ACM Transactions on Intelligent Systems and Technology, 2015, 6(3): 29. [doi: 10.1145/2743025]
Muckell J, Olsen PW Jr, Hwang JH, Lawson CT, Ravi SS. Compression of trajectory data: A comprehensive evaluation and new approach. GeoInformatica, 2014, 18(3): 435–460. [doi: 10.1007/s10707-013-0184-0]
http://www.jos.org.cn/1000-9825/5143.htm]]>
http://www.jos.org.cn/1000-9825/5143.htm]]>
Tiwari S, Kaushik S. Popularity estimation of interesting locations from visitor's trajectories using fuzzy inference system. Open Computer Science, 2016, 6(1): 8–24. [doi: 10.1515/comp-2016-0002]
Gustafsson F. Particle filter theory and practice with positioning applications. IEEE Aerospace and Electronic Systems Magazine, 2010, 25(7): 53–82. [doi: 10.1109/MAES.2010.5546308]
Qiao SJ, Shen DY, Wang XT, Han N, Zhu W. A self-adaptive parameter selection trajectory prediction approach via hidden markov models. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(1): 284–296. [doi: 10.1109/TITS.2014.2331758]
Hong J, Chun C, Kim SJ, Park FC. Gaussian process trajectory learning and synthesis of individualized gait motions. IEEE Trans. on Neural Systems and Rehabilitation Engineering, 2019, 27(6): 1236 - 1245.
Zhou H, Chen YJ, Zhang SM. Ship trajectory prediction based on BP neural network. Journal on Artificial Intelligence, 2019, 1(1): 29–36. [doi: 10.32604/jai.2019.05939]
乔少杰, 韩楠, 朱新文, 舒红平, 郑皎凌, 元昌安. 基于卡尔曼滤波的动态轨迹预测算法. 电子学报, 2018, 46(2): 418–423. [doi: 10.3969/j.issn.0372-2112.2018.02.022]
Qiao SJ, Han N, Zhu XW, Shu HP, Zheng JL, Yuan CA. A dynamic trajectory prediction algorithm based on Kalman filter. Acta Electronica Sinica, 2018, 46(2): 418–423 (in Chinese with English abstract). [doi: 10.3969/j.issn.0372-2112.2018.02.022]
顾君忠. 情景感知计算. 华东师范大学学报(自然科学版), 2009, (5): 1–20. [doi: 10.3969/j.issn.1000-5641.2009.05.001]
Gu JZ. Context aware computing. Journal of East China Normal University (Natural Science), 2009(5): 1–20 (in Chinese with English abstract). [doi: 10.3969/j.issn.1000-5641.2009.05.001]
Qiao SJ, Han N, Zhou JL, Li RH, Jin CQ, Gutierrez LA. SocialMix: A familiarity-based and preference-aware location suggestion approach. Engineering Applications of Artificial Intelligence, 2018, 68: 192–204. [doi: 10.1016/j.engappai.2017.11.006]
Clinch S, Alexander J, Gehring S. A survey of pervasive displays for information presentation. IEEE Pervasive Computing, 2016, 15(3): 14–22. [doi: 10.1109/MPRV.2016.55]
Chang EY. Context-aware computing: Opportunities and open issues. Proceedings of the VLDB Endowment, 2013, 6(11): 1172–1173. [doi: 10.14778/2536222.2536245]
Li X, Eckert M, Martinez JF, Rubio G. Context aware middleware architectures: Survey and challenges. Sensors, 2015, 15(8): 20570–20607. [doi: 10.3390/s150820570]
Liu FG, Deng DC, Li P. Dynamic context-aware event recognition based on markov logic networks. Sensors, 2017, 17(3): 491. [doi: 10.3390/s17030491]
Nalepa GJ, Bobek S. Rule-based solution for context-aware reasoning on mobile devices. Computer Science and Information Systems, 2014, 11(1): 171–193. [doi: 10.2298/CSIS130209002N]
Meng Z, Lu J. A rule-based service customization strategy for smart home context-aware automation. IEEE Transactions on Mobile Computing, 2016, 15(3): 558–571. [doi: 10.1109/TMC.2015.2424427]
Rudenko A, Palmieri L, Herman M, Kitani KM, Gavrila DM, Arras KO. Human motion trajectory prediction: A survey. The International Journal of Robotics Research, 2020, 39(8): 895–935. [doi: 10.1177/0278364920917446]
乔少杰, 韩楠, 丁治明, 金澈清, 孙未未, 舒红平. 多模式移动对象不确定性轨迹预测模型. 自动化学报, 2018, 44(4): 608–618. [doi: 10.16383/j.aas.2017.c160575]
Qiao SJ, Han N, Ding ZM, Jing CQ, Sun WW, Shu HP. A multiple-motion-pattern trajectory prediction model for uncertain moving objects. Acta Automatica Sinica, 2018, 44(4): 608–618 (in Chinese with English abstract). [doi: 10.16383/j.aas.2017.c160575]
Xu JQ, Güting RH. A generic data model for moving objects. GeoInformatica, 2013, 17(1): 125–172. [doi: 10.1007/s10707-012-0158-7]
Alegre U, Augusto JC, Clark T. Engineering context-aware systems and applications: A survey. Journal of Systems and Software, 2016, 117: 55–83. [doi: 10.1016/j.jss.2016.02.010]
乔少杰, 韩楠, 王超, 祝峰, 唐常杰. 基于路网的移动对象动态双层索引结构. 计算机学报, 2014, 37(9): 1947–1958. [doi: 10.3724/SP.J.1016.2014.01947]
Qiao SJ, Han N, Wang C, Zhu F, Tang CJ. A two-tiered dynamic index structure of moving objects based on constrained networks. Chinese Journal of Computers, 2014, 37(9): 1947–1958 (in Chinese with English abstract). [doi: 10.3724/SP.J.1016.2014.01947]
http://www.jos.org.cn/1000-9825/4889.htm]]>
http://www.jos.org.cn/1000-9825/4889.htm]]>
http://www.jos.org.cn/1000-9825/4796.htm]]>
http://www.jos.org.cn/1000-9825/4796.htm]]>
Ding ZM, Yang B, Güting RH, Li YG. Network-matched trajectory-based moving-object database: Models and applications. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(4): 1918–1928. [doi: 10.1109/TITS.2014.2383494]
Qiao SJ, Han N, Zhu W, Gutierrez LA. TraPlan: An effective three-in-one trajectory-prediction model in transportation networks. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(3): 1188–1198. [doi: 10.1109/TITS.2014.2353302]
http://www.jos.org.cn/1000-9825/5340.htm]]>
http://www.jos.org.cn/1000-9825/5340.htm]]>
张润生, 黄小云, 刘晶, 马雷, 韩睿, 赵玉勤, 杨新红. 基于视觉复杂环境下车辆行驶轨迹预测方法. 机械工程学报, 2011, 47(2): 16–24. [doi: 10.3901/JME.2011.02.016]
Zhang RS, Huang XY, Liu J, Ma L, Han R, Zhao YQ, Yang XH. Image vehicle motion trajectory prediction method under complex environment. Journal of Mechanical Engineering, 2011, 47(2): 16–24 (in Chinese with English abstract). [doi: 10.3901/JME.2011.02.016]
Pan TL, Sumalee A, Zhong RX, Indra-Payoong N. Short-term traffic state prediction based on temporal–spatial correlation. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(3): 1242–1254. [doi: 10.1109/TITS.2013.2258916]
Valiant LG. A theory of the learnable. Communications of the ACM, 1984, 27(11): 1134–1142. [doi: 10.1145/1968.1972]
Fang ZQ, Pan L, Chen L, Du YT, Gao YJ. MDTP: A multi-source deep traffic prediction framework over spatio-temporal trajectory data. Proceedings of the VLDB Endowment, 2021, 14(8): 1289–1297. [doi: 10.14778/3457390.3457394]
Zhang TM, Gao YJ, Qiu LS, Chen L, Linghu QY, Pu SL. Distributed time-respecting flow graph pattern matching on temporal graphs. World Wide Web, 2020, 23(1): 609–630. [doi: 10.1007/s11280-019-00674-0]
Wang CJ, Ma L, Li RP, Durrani TS, Zhang HG. Exploring trajectory prediction through machine learning methods. IEEE Access, 2019, 7: 101441–101452. [doi: 10.1109/ACCESS.2019.2929430]
Chen YC, Thaipisutikul T, Shih TK. A learning-based POI recommendation with spatiotemporal context awareness. IEEE Transactions on Cybernetics, 2020, 1(1): 1–14. [doi: 10.1109/TCYB.2020.3000733]
Qiao SJ, Han N, Gao YJ, Li RH, Huang JB, Guo J, Gutierrez LA, Wu XD. A fast parallel community discovery model on complex networks through approximate optimization. IEEE Transactions on Knowledge and Data Engineering, 2018, 30(9): 1638–1651. [doi: 10.1109/TKDE.2018.2803818]