一种可扩展的轨迹预测框架
人工智能
2019-02-28 v3 机器学习
摘要
轨迹预测（TP）对于智能交通系统中广泛的基于位置的应用（如基于位置的广告、路线规划、交通管理和预警系统）具有重要意义。过去几年中，GPS 导航系统和车载无线通信技术的广泛使用产生了海量轨迹数据。利用时空技术高效且准确地处理这些数据以进行轨迹预测，是一个持续的研究问题。现有 TP 方法仅限于短期预测，且无法处理大量轨迹数据以进行长期预测。为应对这些局限，我们提出了一种可扩展的、基于聚类和马尔可夫链的混合框架，称为 Traj-clusiVAT-based TP，用于短期和长期轨迹预测，能够处理密集道路网络中大量重叠轨迹。Traj-clusiVAT 还能确定聚类数量，这些聚类代表输入轨迹数据中的不同运动行为。在实验中，我们将所提方法与基于混合马尔可夫模型（MMM）的方案以及基于轨迹聚类 NETSCAN 的 TP 方法在短期和长期轨迹预测上进行比较。我们在两个真实车辆轨迹数据集上进行了实验，包括一个由新加坡 15,061 辆出租车一个月内获取的 328 万条轨迹组成的大规模轨迹数据集。在两个真实轨迹数据集上的实验结果表明，基于预测准确率和距离误差（km），所提方法在短期和长期预测性能上均优于现有方法。
引用
@article{arxiv.1806.03582,
title = {A Scalable Framework for Trajectory Prediction},
author = {Punit Rathore and Dheeraj Kumar and Sutharshan Rajasegarar and Marimuthu Palaniswami and James C. Bezdek},
journal= {arXiv preprint arXiv:1806.03582},
year = {2019}
}
备注
Accepted in IEEE Transactions on Intelligent Transportation System. Info: 15 Pages, 9 Figures, 5 Tables