城市多出行方式轨迹预测的模型集成方法

针对轨迹位置预测研究中出现的数据稀疏性和来源单一性问题,提出了一种基于长短期记忆网络的模型集成算法。该算法结合公交、滴滴、共享单车等多出行方式的轨迹数据,针对每种出行方式的特点,利用LSTM模型,计算最佳预测模型参数,进行加权平均集成,预测下一时刻区域交通的轨迹位置。以北京市朝阳区为研究区域,进行实验分析,实验结果表明:该文所提供的LSTM模型集成算法不仅解决了数据稀疏性和单一性问题,提高了模型预测的精度,还能更好地预测轨迹对象下一时刻的位置,反映城市中车辆的行驶趋势。研究结果可以对位置服务、城市交通管制以及规划提供一定的建议。

基于时空图注意力网络的跳高轨迹预测

跳高运动由助跑、单脚起跳、越过横杆落地等一系列动作组成,跳高运动轨迹是一个复杂的因果系统.在每一个时间节点,运动员的身体姿态符合一定的规律约束.研究建立了跳高运动过程中关键身体关节节点坐标依时间变化的离散过程模型,每个时刻的各关节点位置向量由给定的之前若干个时刻的运动员关节点位置决定.跳高运动员肢体的摆动、关节点位置的变化都对运动员位移有重要作用.运动员重要关节点之间的相互作用,使得跳高运动轨迹难以刻画和预测.随着深度学习的发展,图神经网络在时空特征刻画和预测上具有优势.基于时空图注意力网络结合长短时记忆网络、门控循环单元(STGAT-LSTM、STGAT-GRU)建立了具有空间位置约束的跳高运动员关节点位置随时间变化的模型,用于推算跳高运动员重心和关节点位置轨迹.实验结果表明该模型能够很好地刻画跳高运动的过程,对于关节点位置的预测能够达到较好的效果.研究所提出模型的预测效果比基线模型准确性提高了0.02-0.03米.研究给出了基于神经网络模型进行跳高运动轨迹预测的可行解决方案,可作为跳高运动仿真和技术优化研究的重要参考.