主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
乔少杰,李天瑞,韩楠,高云君,元昌安,王晓腾,唐常杰.大数据环境下移动对象自适应轨迹预测模型.软件学报,2015,26(11):2869-2883
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
投稿时间:2015-02-19  修订日期:2015-08-26
DOI:10.13328/j.cnki.jos.004889
中文关键词:  位置大数据  智能交通  轨迹预测  隐马尔可夫模型  自适应
英文关键词:location big data  intelligent transportation  trajectory prediction  hidden Markov model  self-adaptive
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); 教育部人文社会科学研究规划基金(15YJAZH058); 教育部人文社会科学研究青年基金(14YJCZH046); 中央高校基本科研业务费专项资金(2682013 BR023); 四川省教育厅资助科研项目(14ZB0458); 科学计算与智能信息处理广西高校重点实验室开放课题(GXSCIIP201407)
作者单位E-mail
乔少杰 西南交通大学 信息科学与技术学院, 四川 成都 610031  
李天瑞 西南交通大学 信息科学与技术学院, 四川 成都 610031  
韩楠 西南交通大学 生命科学与工程学院, 四川 成都 610031 hannan@swjtu.edu.cn 
高云君 浙江大学 计算机科学与技术学院, 浙江 杭州 310027  
元昌安 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  
王晓腾 西南交通大学 信息科学与技术学院, 四川 成都 610031  
唐常杰 四川大学 计算机学院, 四川 成都 610065  
摘要点击次数: 2962
全文下载次数: 2816
中文摘要:
      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%.
英文摘要:
      The existing trajectory prediction algorithms focus on the mobility pattern of objects and simulate the traffic flow via mathematical models which are inaccurate at describing network-constraint objects. In order to cope with this problem, a self-adaptive parameter selection trajectory prediction model based on hidden Markov models (SATP) is proposed. The new model can efficiently cluster and partition location big data, and extract the hidden and observable states by using a density-based clustering approach in order to reduce the number of states in HMM. SATP can automatically select the parameters on the input trajectories and avoid the problems of discontinuous hidden states and state retention. Experimental results demonstrate that the SATP model has high prediction accuracy with less time overhead. The average prediction accuracy of SATP is 84.1% while the moving objects have a random changing speed, which is higher than the Na?ve algorithm with an average gap of 46.7%.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利