基于低频采集数据的城市道路车辆轨迹重构

在进行城市道路交通流量调查及部分重要路网节点、交叉口交通数据采集时,采用低频数据收集方式会使车辆轨迹匹配精度低、交通流量数据误差大。通过研究隐式马尔可夫理论及最小费用最大流模型,提出一种车辆轨迹重构方法。该方法利用多源数据融合技术以及地理信息定位匹配技术,对无检测器路段缺失的各项交通基础数据进行合理的演进推算,为车辆轨迹重构研究提供重要的数据支撑。利用成都市某区域出租车的高频轨迹点位数据集进行验证。结果表明,利用车辆低频轨迹点位进行轨迹重构的完全覆盖率达到了89.4%,验证了所提出的车辆轨迹重构方法的有效性及可行性。

基于BP神经网络的异常轨迹检测方法

为有效利用轨迹内外部属性进行异常检测,提出一种基于BP神经网络的异常轨迹识别方法。对原始轨迹数据进行去噪处理,存储至百度云的LBS云端,基于百度地图的轨迹数据可视化网站实现轨迹显示,并通过归一化数据计算轨迹属性值。同时,将轨迹内外部特征属性作为BP神经网络算法的输入层,轨迹相似度量值作为输出层,调整隐含层系数得到训练模型,从而识别用户异常轨迹。在2个用户数据集上的仿真结果表明,该方法的异常轨迹识别准确率分别达到92.3 %和100 %。

基于BP神经网络的异常轨迹检测方法

异常轨迹检测算法通常不能依靠轨迹内外部属性而有效地进行检测,具有较大的应用局限性。针对此类问题,基于BP神经网络提出了一种改进的异常轨迹检测方法。首先对原始轨迹数据去噪,并上传百度云LBS云端储存;其次基于百度地图轨迹数据可视网站进行了数据归一化处理,得到了轨迹的属性值;最后以轨迹内外特征属性代表BP神经网络算法的输入层,以轨迹相似度度量代表输出层,对隐含层系数调整后获得训练模型。研究针对Deolfe项目的两个用户轨迹数据做了仿真实验,用以检测用户异常轨迹数据。结果证明,在选取的最优训练方案基础上,两组数据的异常轨迹检测正确率各达92.3%及100%,所搭建模型能够作为异常轨迹检测的工具。

基于深度强化学习的无人艇轨迹跟踪算法研究

针对欠驱动水面无人艇(USV)轨迹跟踪控制问题,提出一种基于近端策略优化(PPO)的深度强化学习轨迹跟踪控制算法.为引导控制器网络的正确收敛,构建基于长短时记忆(LSTM)网络层的深度强化学习控制器,设计了相应的状态空间和收益函数.为增强控制器的鲁棒性,生成轨迹任务数据集来模拟复杂的任务环境,以此作为深度强化学习控制器的训练样本输入.仿真结果表明:所提出的算法能有效收敛,具备扰动环境下的精确跟踪控制能力,有较大的实际应用潜力.