情景感知驱动的移动对象多模式轨迹预测模型研究

This project focuses on the research of multiple-motion-pattern trajectory prediction, where the data are collected from the Internet applications, static sensing infrastructure, and mobile and wearable devices. Aiming to analyze the mobile databases, we apply the big data processing, context-aware computing and trajectory data mining techniques. By taking into full consideration the generalization of models, we use the context acquisition approach to retrieve the complex context information, create the context expression model and the context and spatio-temporal association model, clarify the effect of time, individuals and social contexts on the accuracy of trajectory prediction from the subjective and objective aspects, and propose new concepts, specific theories and models based on the context awareness driven multiple-motion-pattern trajectory prediction problem in order to set up the methodology on intelligent traffics, urban computing and big data analysis. The difficulties and essential problems in this project include: (1) using big data processing techniques to retrieve complex contexts, reduce the dimensionalities of trajectory big data and propose a new hybrid spatio-temporal indexing structure in order to effectively index the historical and future locations of moving objects; (2) proposing a trajectory points of interesting mining algorithm based on the Hausdorff distance by integrating the context information; and (3) exploring the fitness of context and spatio-temporal data, formalizing complex context information, and employing the state-of-the-art prediction techniques, for example, the Gaussian mixture model and the Kalman filtering approach, to accurately predict continuous multiple-motion-pattern trajectories.

本项目以Internet应用、静态感知基础设施、移动及可穿戴设备感知的多模式轨迹预测问题为背景，将移动数据库作为研究对象，以大数据处理、情景感知计算、轨迹数据挖掘为主要研究手段，从模型通用性入手，利用情景获取技术提取复杂情景信息，建立情景表达和情景与时空数据关联模型，从主客观角度阐明时间、用户和社会情景因素对轨迹预测准确性的影响，提出情景感知驱动的移动对象多模式轨迹预测新概念、特色理论及模型，为智慧交通、城市计算、大数据分析研究奠定理论基础。研究难点和关键问题包括：(1)利用大数据处理技术提取复杂情景信息并对轨迹大数据降维分析，设计新型混合时空索引结构，有效地索引移动对象过去和将来位置；(2)提出基于Hausdorff距离且融合情景信息的轨迹热点区域挖掘算法；(3)探究情景与时空数据的契合性并对复杂情景量化表达，利用高斯混合模型、卡尔曼滤波等新型预测技术精准预测多模式连续运动轨迹。

本项目以Internet应用、静态感知基础设施、移动及可穿戴设备感知的多模式轨迹预测问题为背景，将移动数据库作为研究对象，以大数据处理、情景感知计算、轨迹数据挖掘为主要研究手段，从模型通用性入手，利用情景获取技术提取复杂情景信息，建立情景表达和情景与时空数据关联模型，从主客观角度阐明时间、用户和社会情景因素对轨迹预测准确性的影响，提出情景感知驱动的移动对象多模式轨迹预测新概念、特色理论及模型，为智慧交通、城市计算、大数据分析研究奠定理论基础。主要研究内容及重要成果包括：(1)提出一种轨迹点空间索引结构GeoHashTree，通过计算角度变化点，结合轨迹聚类算法对提取点进行聚类并得到特征点集合。将空间索引技术和轨迹聚类方法相结合，提高了轨迹特征提取的效率。(2)充分分析时间和天气因素对站点单车需求的影响，利用皮尔逊相关系数，从真实天气数据中选择相关性最大的天气特征，结合历史聚簇内单车需求量，将其转化为三维向量，利用多特征长短时记忆深度神经网络对向量内的特征信息进行学习和训练，对每个聚簇内的单车需求量进行预测分析。实验结果表明, 所提单车需求模型预测性能得到显著提升。(3)探究情景与时空数据的契合性并对复杂情景量化表达。针对简单单一运动模式，提出了一种基于频繁轨迹模式树FTP-tree的轨迹预测方法，利用基于密度的热点区域挖掘算法将轨迹点划分成不同的聚簇，构建轨迹频繁模式树，挖掘频繁轨迹模式预测移动对象连续运动位置。不同数据集上实验结果表明基于FTP-tree的轨迹预测算法在保证时间效率的前提下预测准确性明显优于已有预测算法。针对复杂多模式运动行为，利用高斯混合模型、卡尔曼滤波、动态卷积神经网络等新型预测技术精准预测多模式连续运动轨迹，实验结果表明所提模型轨迹预测准确率明显优于当前主流方法。基于上述技术开发了一个情景感知驱动的移动对象多模式轨迹预测系统，已经应用于政府职能部门等相关单位。