文献类型：期刊文章

作　　者：乔少杰[1] 金琨[1] 韩楠[2] 唐常杰[3] 格桑多吉[4] Louis Alberto GUTIERREZ[5]

机构地区：[1]西南交通大学信息科学与技术学院,四川成都610031 [2]西南交通大学生命科学与工程学院,四川成都610031 [3]四川大学计算机学院,四川成都610065 [4]西藏大学藏文信息技术研究中心,西藏拉萨850000 [5]Department of Computer Science, Rensselaer Polytechnic Institute, New York, USA

出　　处：《软件学报》

基　　金：国家自然科学基金(61100045,61165013);教育部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青年基金(14YJCZH046);中央高校基本科研业务费专项资金(2682013BR023);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)

年　　份：2015

卷　　号：26

期　　号：5

起止页码：1048-1063

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSA、CSA-PROQEUST、CSCD、CSCD2015_2016、EI(收录号：20152200901124)、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：在智能交通控制系统、军事数字化战场、辅助驾驶系统中,实时、精确、可靠的移动对象不确定性轨迹预测具有极高的应用价值.智能轨迹预测不仅可以提供精准的基于位置的服务,而且可以提前监测和预判交通状况,进而推荐最佳路线,已经成为移动对象数据库研究的热点,亟需设计准确而高效的位置预测方法.针对现有方法的不足,提出了基于高斯混合模型的轨迹预测方法 GMTP,主要步骤包括:(1)针对复杂运动模式利用高斯混合模型建模;(2)利用高斯混合模型计算不同运动模式的概率分布,进而将轨迹数据划分为不同分量;(3)利用高斯过程回归预测移动对象最可能的运动轨迹.GMTP是高斯非线性概率统计模型,其优势在于:计算结果不仅是位置预测值,更是关于移动对象未来所有可能运动轨迹的概率分布,可以利用概率统计分布特性获得某种运动模式(如匀加速运动)下的位置预测.大量真实轨迹数据集上的实验结果表明:与相同参数设置下的高斯回归预测和卡尔曼滤波预测法相比,GMTP的预测准确性平均提高了22.2%和23.8%,预测时间平均缩减了92.7%和95.9%.

关 键 词：移动对象数据库 轨迹预测 高斯混合模型 运动模式  

分 类 号：TP18]