基于改进贝叶斯方法的轨迹预测算法研究

doi:10.11772/j.issn.1001-9081.2013.07.1960

计算机应用 ›› 2013, Vol. 33 ›› Issue (07): 1960-1963.DOI: 10.11772/j.issn.1001-9081.2013.07.1960

基于改进贝叶斯方法的轨迹预测算法研究

李万高¹,赵雪梅²,孙德厂³

1. 河南工程学院计算机学院，郑州 451191
2. 郑州升达经贸管理学院，郑州 451191
3. 中国科学院沈阳自动化研究所，沈阳 110016

收稿日期:2013-01-30 修回日期:2013-02-27 发布日期:2013-07-06 出版日期:2013-07-01
通讯作者: 李万高
作者简介:李万高(1973-)，男，河南兰考人，讲师，硕士，主要研究方向：智能数据管理；赵雪梅(1966-),女，河南濮阳人，副教授，硕士，主要研究方向：智能控制；孙德厂(1976-)，男，河南兰考人，博士研究生，主要研究方向：生产计划与控制、先进制造。
基金资助:
国家重大科技专项(2011ZX02507-006)

Prediction of trajectory based on modified Bayesian inference

LI Wangao¹,ZHAO Xuemei²,SUN Dechang³

1. School of Computer, Henan Institute of Engineering, Zhengzhou Henan 451191, China
2. Shengda Trade Economics and Management College of Zhengzhou, Zhengzhou Henan 451191, China
3. Shenyang Institute of Automation, Chinese Academic of Science, Shenyang Liaoning 110016, China

Received:2013-01-30 Revised:2013-02-27 Online:2013-07-06 Published:2013-07-01
Contact: LI Wangao

摘要/Abstract

摘要： 针对传统轨迹预测方法在历史轨迹数目有限时，预测准确度较低的问题，提出一种改进的贝叶斯推理(MBI)方法，MBI构建了马尔可夫模型来量化相邻位置的相关性，并通过对历史轨迹进行分解来获得更准确的马尔可夫模型，最后得到改进的贝叶斯推理公式。实验结果表明，MBI方法比现有方法的预测速度快2到3倍，并且有较高的准确度和稳定性。MBI方法充分利用现有轨迹信息，不仅提高了查询效率，还保证了较高的预测精度。

关键词: 轨迹预测, 马尔可夫模型, 贝叶斯推理

Abstract: The existing algorithms for trajectory prediction have very low prediction accuracy when there are a limited number of available trajectories. To address this problem, the Modified Bayesian Inference (MBI) approach was proposed, which constructed the Markov model to quantify the correlation between adjacent locations. MBI decomposed historical trajectories into sub-trajectories to get more precise Markov model and the probability formula of Bayesian inference was obtained. The experimental results based on real datasets show that MBI approach is two to three times faster than the existing algorithm, and it has higher prediction accuracy and stability. MBI makes full use of the available trajectories and improves the efficiency and accuracy for the prediction of trajectory.

Key words: trajectory prediction, Markov model, Bayesian inference

中图分类号:

TP391

李万高赵雪梅孙德厂. 基于改进贝叶斯方法的轨迹预测算法研究[J]. 计算机应用, 2013, 33(07): 1960-1963.

LI Wangao ZHAO Xuemei SUN Dechang. Prediction of trajectory based on modified Bayesian inference[J]. Journal of Computer Applications, 2013, 33(07): 1960-1963.

参考文献

［1］乔少杰,彭京,李天瑞,等.基于CTBN的移动对象不确定轨迹预测算法［J］.电子科技大学学报,2012,41(5)：759-763.

［2］郭黎敏,丁治明,胡泽林,等.基于路网的不确定性轨迹预测［J］.计算机研究与发展，2010，47(1)：104-112.

［3］赵越，刘衍珩，余雪岗，等.基于模式挖掘与匹配的移动轨迹预测方法［J］.吉林大学学报：工学版，2008,38(5)：1125-1130.

［4］WEI L Y, ZHENG Y, PENG W. Constructing popular routes from uncertain trajectories ［C］// Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM Press, 2012： 195-203.

［5］MARMASSE N, SCHMANDT C. A user-centered location model ［J］. Personal and Ubiquitous Computing, 2002, 6(5)： 318-321.

［6］ASHBROOK D, STARNER T. Using GPS to learn significant locations and predict movement across multiple users ［J］. Personal Ubiquitous Computing, 2003, 7(5)： 275-286.

［7］TIESYTE D, JENSEN C S. Similarity-based prediction of travel times for vehicles traveling on known routes ［C］// Proceedings of the 16th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. New York： ACM Press, 2008： 1-10.

［8］ZIEBART B D, MAAS A L, DEY A K, et al. Navigate like a cabbie： probabilistic reasoning from observed context-aware behavior ［C］// Proceedings of the 10th International Conference on Ubiquitous Computing. New York： ACM Press, 2008： 322-331.

［9］HORVITZ E, KRUMM J. Some help on the way： opportunistic routing under uncertainty ［C］// Proceedings of the 14th International Conference on Ubiquitous Computing. New York： ACM Press, 2012： 371-380.

［10］彭曲,丁治明,郭黎敏.基于马尔可夫链的轨迹预测［J］.计算机科学,2010,37(8)：189-193.

［11］徐怀野,丁治明,刘奎恩,等.受限路网中基于全局学习机制的在线轨迹预测［J］.计算机科学,2012,39(8)：169-172.

［12］YUAN J, ZHENG Y, XIE X, et al. Driving with knowledge from the physical world ［C］// Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM Press, 2011： 316-324.

[1]	肖海林, 黄天义, 代秋香, 张跃军, 张中山. 基于轨迹预测的安全强化学习自动变道决策方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2958-2963.
[2]	田润泽, 周宇龙, 朱洪, 薛岗. 基于局部信息的服务迁移路径选择算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2168-2174.
[3]	王昱, 关智慧, 李远鹏. 基于轨迹预测和分布式MADDPG的无人机集群追击决策[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3623-3628.
[4]	吴家皋, 章仕稳, 蒋宇栋, 刘林峰. 基于状态精细化长短期记忆和注意力机制的社交生成对抗网络用于行人轨迹预测[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1565-1570.
[5]	高昊, 张庆科, 卜降龙, 李俊青, 张化祥. 基于协同变异与莱维飞行策略的教与学优化算法及其应用[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1355-1364.
[6]	彭涛, 康亚龙, 余锋, 张自力, 刘军平, 胡新荣, 何儒汉, 李丽. 基于多头软注意力图卷积网络的行人轨迹预测[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 736-743.
[7]	赵一鉴, 林利, 王茜蒨, 闻鹏, 杨东. 基于大地距离计算相似度的海上目标轨迹预测[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3594-3598.
[8]	代雨柔, 杨庆, 张凤荔, 周帆. 基于自监督学习的社交网络用户轨迹预测模型[J]. 计算机应用, 2021, 41(9): 2545-2551.
[9]	霍纬纲, 王慧芳. 基于自编码器和隐马尔可夫模型的时间序列异常检测方法[J]. 计算机应用, 2020, 40(5): 1329-1334.
[10]	高建, 毛莺池, 李志涛. 基于高斯混合时间序列模型的轨迹预测[J]. 计算机应用, 2019, 39(8): 2261-2270.
[11]	马兰, 崔博花, 刘轩, 岳猛, 吴志军. 基于隐半马尔可夫模型的SWIM应用层DDoS攻击的检测方法[J]. 计算机应用, 2019, 39(7): 1973-1978.
[12]	王金策, 邓越萍, 史明, 周云飞. 多时间尺度时间序列趋势预测[J]. 计算机应用, 2019, 39(4): 1046-1052.
[13]	孙亚圣, 姜奇, 胡洁, 戚进, 彭颖红. 基于注意力机制的行人轨迹预测生成模型[J]. 计算机应用, 2019, 39(3): 668-674.
[14]	杨世强, 罗晓宇, 乔丹, 柳培蕾, 李德信. 基于滑动窗口和动态规划的连续动作分割与识别[J]. 计算机应用, 2019, 39(2): 348-353.
[15]	许瀚, 罗亮, 孙鹏, 孟飒. 基于马尔可夫模型的云系统安全性与性能建模[J]. 计算机应用, 2019, 39(11): 3304-3309.

基于改进贝叶斯方法的轨迹预测算法研究

Prediction of trajectory based on modified Bayesian inference

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics