一种基于模糊长短期神经网络的移动对象轨迹预测算法

预测移动对象未来某时刻位置能够为城市规划与管理、城市公共安全、城市应急指挥等提供重要的决策依据,也可为个性化信息推荐、广告定投等基于位置的服务应用提供技术支持。已有预测算法多采用固定格网剖分,位置相近轨迹点常被划分至不同格网,使得潜在轨迹模式被忽略,降低了预测精度。此外,已有预测模型不能有效学习到长序列轨迹有效信息,造成长期依赖问题。本文提出一种基于模糊长短时记忆神经网络（fuzzy long short term memory network,Fuzzy-LSTM）模型的移动对象轨迹预测算法,引入模糊轨迹概念解决固定格网剖分所导致的尖锐边界问题,并对传统LSTM进行改进,综合利用移动对象历史轨迹邻近性和周期性出行特征,提高移动对象轨迹位置预测精度。最后,采用某市10万用户连续15个工作日的移动通讯信令轨迹数据集对方法进行试验分析。结果表明,本文方法在30 min预测周期内的预测平均准确率达到83.98%,较经典的Naïve-LSTM预测模型和NLPMM预测模型分别提高了4.36%和6.95%。     

顾及时空轨迹特征的台风相似性评估算法

相似的台风路径在一定程度上反映了影响台风运动的诸多因素产生的相同或相似的综合效应。本文基于IMHD-ST距离并综合考虑轨迹时空距离和频率特征，提出了一种距离-频率时空轨迹相似性度量算法，从时空位置和路径形状两个角度衡量台风轨迹之间的相似程度。经实际数据验证本文所提出的算法计算结果准确，同时提高了对噪声、采样率变化和偏移等干扰的抵抗能力，能有效匹配相似轨迹对，服务于台风路径预测与历史相似台风案例的提取。     

一种基于改进LCSS的相似轨迹提取方法

随着智能交通和高级驾驶辅助系统的火热发展,如何根据车辆轨迹数据生成高精地图成为业界的一大难题。轨迹相似性计算与相似轨迹提取是利用相似轨迹推理剩余车道位置的重要步骤,其正确率极大地影响车道位置的精度。传统最长公共子序列(longest common subsequence,LCSS)算法多用于计算重叠轨迹的相似性,针对此问题,根据采集的车道轨迹互相平行且保持固定距离的特点,提出一种适用于提取此类相似轨迹的改进LCSS方法。首先构建缓冲区,筛选可能相似的轨迹,然后利用基于平移和重采样的轨迹对齐策略使两条轨迹在时空中同步,最后基于LCSS计算两条轨迹的相似性,当相似度满足阈值条件时,判定该轨迹对相似。对比实验表明该方法能有效地提取相似轨迹。     

基于角度纹理特征及剖面匹配的高分辨率遥感影像带状道路半自动提取

提出了一种基于角度纹理特征及剖面匹配相结合的高分辨率遥感影像带状道路半自动提取方法.该方法由用户输入道路起点、初始方向及宽度,使用角度纹理特征模型预测初始的道路中线点,以抛物线方程参数构建道路中线轨迹参数模型.使用计算曲率变化的方法验证道路轨迹点,对验证失败的中线点位使用剖面匹配算法进行重新预测并确定,最终提取出该道路中线轨迹.本文使用Visual C 构建了原型系统,对QuickBird及IKONOS影像中具有一定宽度的带状道路进行了提取试验,并与经典的基于剖面匹配的半自动道路提取算法和基于Snakes的半自动道路提取算法进行了对比试验.经试验验证,本算法取得了较为理想的结果.     

基于低频GNSS轨迹的转向级城市交通信息精细预测

利用浮动车GNSS轨迹数据可以实时获取和预测城市交通状态,且覆盖范围广、部署成本低,对自动驾驶路线决策、交通拥堵治理具有重要的支撑作用.现阶段,利用浮动车GNSS轨迹数据预测的信息仅包含路段上的交通速度、状态,而忽略了交叉口内不同行驶方向上的交通流差异;且交通信息准确性受到GNSS采样频率的限制.本文提出一种基于图卷积网络和低频GNSS轨迹数据的转向级交通预测方法:首先,顾及轨迹点间车辆运动模式提出一种排队起始点估计模型;然后,基于对偶图理论构建转向连通关系的图结构;最后,基于图卷积网络提出一种顾及转向时空模式的交通预测模型.试验结果显示,本文方法能准确地获取和预测转向级交通速度、排队长度信息,交通预测准确性全面优于基准方法.     

基于线状图形相似性的道路数据变化检测

将相似性认知的距离观与特征集合观相结合,在获得相似性图形的差异距离的基础上,提出了线状地物的几何图形相似性度量模型;通过研究空间数据变化与相似度的关系,提出了基于线状地物相似度的空间数据变化检测算法,实现了基于线状图形相似性认知的道路数据变化发现与提取.     

改进角度纹理特征提取高分辨率遥感影像带状道路

针对目前高分辨率遥感影像的道路自动提取算法研究中的不足,该文提出了一种基于并行角度纹理特征的半自动道路提取算法:用户输入完成道路中心线上的起始点、道路方向、道路宽度等初始化工作,利用并行角度纹理特征获取道路前进方向,用抛物线参数方程构建道路轨迹模型来预测道路轨迹点,使用角度纹理特征值构建的紧质度系数和抛物线的曲率变化来约束道路轨迹点,验证失败则转入手工跟踪;往复执行以提取道路中心线。试验证明,本算法是一种稳健的道路半自动提取算法。     

众源车辆轨迹加油停留行为探测与加油站点提取

针对当前加油站点信息采集成本高、更新周期长等问题,提出了运用车辆轨迹数据提取加油站点的方法。首先,从轨迹运动特征、几何模式等方面分析个体和群体加油行为轨迹特征。其次,基于Stop/Move模型,集成加油轨迹运动特征提出速度序列线性聚类算法提取加油停留轨迹。最后,运用Delaunay三角网层次聚类加油停留轨迹线,综合运用傅里叶形状识别、语义约束等方法识别、提取加油站点。运用北京市7d的出租车轨迹数据进行试验分析,共提取482个加油站,正确率为93.1%,且位置精度高。     

图卷积网络在道路网选取中的应用

针对现有制图综合中的道路网自动选取方法不能有效地利用道路网的空间特征问题,该文把道路网抽象为图结构,提出了使用图卷积网络来进行道路网的自动选取,并比较分析了不同的图卷积网络在道路网选取中的适用性。结果表明,图卷积网络可以通过多层卷积来自动提取不同局部范围的空间特征,从而减少空间特征的人工构建,相比传统的多层感知机(MLP)等人工智能选取方法,具有更高的选取精度。对于不同的图卷积网络模型,使用最大池化聚合的GraphSAGE获得了最优的性能。     

融合Markov与多类机器学习模型的个体出行位置预测模型

随着城市化的发展,人们出行的方式逐渐多样化,对人类行为的深入理解以及对个体出行行为的建模预测有助于解释若干复杂的社会经济现象,且在基于位置的服务、交通规划、公共安全等方面具有重要价值。个体出行行为预测建立在深入理解人类活动特性的基础上,而在移动互联网时代,网络空间的上网行为与现实空间的出行行为密不可分。首先基于上网行为特征,融合马尔可夫(Markov)模型和多类机器学习模型,构建了个体出行位置预测模型,该模型使用了基于频率分布图的自适应融合规则,融合了传统的Markov模型和机器学习多分类模型的结果进行个体出行位置预测;然后利用手机数据、上网流量数据、兴趣点数据及天气等多源数据进行个体出行位置预测实验。实验结果表明,该模型的第1个和前3个预测结果中包括正确结果的准确率分别为74.59%、94.19%,均优于基础模型的准确率和利用投票法融合规则融合基础模型的准确率,且预测时间粒度为30 min时,该模型的预测效果较好。     

时空轨迹多层级相似子段匹配方法

轨迹子段匹配是轨迹数据挖掘的重要手段,针对其计算复杂度较高、受噪声影响大的问题,提出了一种融合自适应希尔伯特地理网格编码的多层级轨迹编码树结构,在可接受的建树代价下,形成了从轨迹整段到最小片段的层次化组织形式和子段从属关系表达结构,并在轨迹片段编码树的基础上,设计了相似子段匹配算法,将复杂的空间计算转化为空间编码的字符串前缀匹配操作,极大地降低轨迹子段匹配的计算复杂度。实际轨迹数据的实验表明,在不影响匹配准确率的前提下,提出的子段匹配方法的效率与基于经典距离的相似性度量方法相比,有超过一个数量级的性能提升。     

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。     

利用LSTM网络预测月球物理天平动参数

利用中国探月甚长基线干涉测量（very long baseline interferometry, VLBI）观测数据改进月球物理天平动参数的预测精度,对于着陆器和巡视器的精密定位具有重要意义。利用VLBI单点定位模型解算得到“嫦娥三号”（Chang’E-3,CE-3）着陆器的坐标和物理天平动,分别采用循环神经网络（recursive neural network, RNN）和长短期记忆（long-short term memory, LSTM）网络进行物理天平动的预测。选取月球着陆器的坐标和VLBI观测量作为输入量,将3个欧拉角Ω, i, μ作为输出量,将11 323个样本用于训练,2 315个样本用于测试,2 315个样本用于验证,1 000个样本用作与预测结果进行对比。结果显示, 验证集的数据经过1 000次训练和9次迭代训练后的梯度约为6.2×10-5(″)/s,证明了LSTM网络与RNN的可靠性。LSTM网络和RNN的3个欧拉角的预测精度分别达到了97.8%、99.7%、97.2%和95.2%、98.5%、95.8%,LSTM网络的预测精度更高。与DE421星历对欧拉角的预测结果进行比较,结果证明了LSTM网络预测精度更高。     

利用局部几何特征与空洞邻域的点云语义分割

点云具有数据量大、无拓扑结构等特点,现有的深度学习语义分割模型难以充分挖掘大范围邻域内点云中所隐藏的几何特征。由此提出了一种基于空洞邻域并结合角度等几何特征作为模型输入的点云语义分割模型。首先,在局部邻域构建过程中,将图像处理的空洞卷积操作扩展至点云,建立空洞邻域结构,以扩大感受野;然后,在特征提取过程中,将中心点与邻域点之间相对坐标、距离、角度等基本几何特征作为模型输入,最大程度挖掘邻域内的几何特征;最后,基于所提邻域结构与特征提取算法构建了点云语义分割模型。采用Semantic3D数据集进行实验验证,结果表明,所提模型分割效果优于对比的点云语义分割算法,空洞邻域与局部几何输入特征能够有效改善点云语义模型的性能。     

一种面向无人机绝对定位的卫星基准影像检索方法

针对全球导航卫星系统（global navigation satellite system,GNSS）拒止环境下大范围无人机视觉绝对定位问题,提出了一种聚合深度学习特征的卫星基准影像检索方法。首先,利用预训练的深度学习模型提取无人机与卫星基准影像的局部卷积特征;然后,对局部特征描述符进行聚合,生成影像全局表达;最后,利用影像全局特征进行相似性检索,并采用检索结果精匹配重排序的后处理方法,进一步提高检索准确率。设计了一个新的面向无人机绝对定位的卫星基准影像数据集并进行实验,结果表明,使用所提方法检索无人机影像适配区域的卫星基准影像的准确率达76.07%,可为后续基于视觉的无人机绝对定位提供参考。     

一种新的北斗卫星钟差预处理方法

为了提高卫星钟差预报的精度,针对钟差数据中量级较小的误差,提出了一种基于中位数的小波阈值法钟差数据预处理策略。首先,利用小波阈值方法将钟差数据进行分解,得到分解后的高频系数和低频系数。然后,利用中位数法处理各层影响阈值设置的高频系数,通过处理后的高频系数计算阈值,从而提高小波阈值法剔除小异常值的能力。最后,用北斗二号卫星钟差数据进行了验证,结果表明,利用所提方法处理后的钟差数据建模,小波神经网络（wavelet neural network,WNN）模型预报的精度提高约14.1%,预报稳定性提高约19.7%。该方法可以有效剔除钟差历史观测序列中量级较小的误差,改善钟差数据质量,从而提高模型钟差预报的精度。     

融合3D DenseNet的零样本视频分类

零样本视频分类（zero-shot video classification,ZSVC）采用的点积分类方式容易使神经元产生较高方差,从而导致模型对输入分布的变化非常敏感。针对该问题,采用三维密集网络（3D DenseNet）与余弦相似性相结合的方法,提出了一种基于3D DenseNet的零样本视频分类（3D DenseNet for zero-shot video classification,DZSVC）算法,通过使用余弦相似性的分类方式替代点积分类方式来控制方差的范围,使模型对不同的输入幅值具有更强的鲁棒性。该算法首先将视频数据输入到3D DenseNet中,利用3D DenseNet的密集特性提取更丰富的时间和空间信息,并将提取出来的特征向量映射到公共空间。采用基于余弦相似性的方法对视频进行分类,在UCF101数据集和HMDB51数据集上的准确率分别为32.9%和20.2%,UCF50数据集和HMDB25数据集上的准确率分别为41.4%和23.7%,实验结果表明所提算法具有良好的分类效果。     

视频与GIS协同的交通违规行为分析方法

针对人工监测无法及时、高效地发现视频中车辆和行人违规情况的不足,构建了地理空间视角下,兼顾动态目标在地理场景下的属性、时空关系和语义信息的轨迹模型(trajectory model,Tra-Model),设计了视频与GIS协同的交通违规行为分析方法,基于轨迹与规则几何约束条件对目标逆行、压线、禁止进入3类违规情况进行实时检测。以某高校为实验场地,分析不同交通场景下目标的3类违规情况。实验结果表明：（1）Tra-Model模型提取的轨迹包含目标类型、轨迹序列等语义信息,相比于现有动态目标跟踪算法,精准率提高15.6%;(2)所提方法对多个摄像机序列违规分析准确率均在70%以上,相对于现有方法具有更好的性能;（3）实现了地理场景下多种交通违规行为综合分析的全局性、高精度和探测类型多样性。     

井下巷道地磁匹配特征的CEA卷积增强的分析

针对井下某些巷道地磁空间变化平缓,地磁匹配概率低的问题,构建了井下巷道地磁卷积增强算子（convolution enhancement algorithms, CEA）,进行地磁匹配前的目标区域和匹配向量的卷积增强预处理,去除数据噪声和增强识别特征。以Laplace、高通滤波（High Pass）、索伯尔滤波（Sobel）图像卷积算子为基础,通过列向量特征的锐化处理,建立了井下巷道地磁卷积增强的Laplace、High Pass和Sobel卷积算子模板。选取某金矿4个巷道的地磁数据,开展了CEA算子卷积前后的均方差算法地磁匹配定位的仿真试验。试验结果表明,CEA算子卷积可以增强匹配序列和地磁图的地磁空间特征,降低了匹配数据中的噪声影响。在数据CEA卷积前后的地磁统计特征对比中发现,Laplace算子不仅保持了原有地磁图变化特征,还增大了数据空间变化的差异度,降低了相关性,效果明显。特别是600 nT的高噪声干扰匹配试验中,Laplace算子卷积能够降低噪声对地磁定位扰动影响,有效提高了地磁匹配定位的概率和精度,具有较强的鲁棒性,适合作为井下巷道地磁匹配的数据预处理模型。     

结合轨迹数据的混合多特征道路网选取方法

道路网选取是制图综合的重要内容,针对现有方法仅考虑道路网静态特征等问题,提出了一种结合轨迹数据的混合多特征选取方法。首先以stroke为基本选取单元,构建对偶图来描述路网的结构关系,采用长度、连通度、接近度和中介度等指标对道路的静态特征进行评价;然后结合轨迹数据特点,采用车流量、车辆速度和道路交叉口附近的车辆密度等指标对道路的动态特征进行评价;最后利用基于相互关系准则的标准重要性方法计算得到各指标的权值及各道路的综合重要性值。同时引入线Voronoi图对道路进行划分,得到道路的密度特征值,并将其作为道路网选取的约束指标。实验结果表明,所提方法能够保持道路的整体结构,同时顾及道路的连通性和密度分布,而且结合了轨迹数据的动态交通特性,选取结果符合实际情况,具有一定的实用性。