基于高斯混合一时间序列模型的轨迹预测

摘要：

针对不同时间道路车流量变化下轨迹预测误差变化大的问题,提出基于概率分布模型的高斯混合-时间序列模型(GMTSM),对海量车辆历史轨迹进行模型回归和路段车流量的分析以实现车辆轨迹预测.首先,针对均匀网格划分方法容易造成相关轨迹点分裂的问题,提出迭代式网格划分来实现轨迹点的数量均衡;其次,训练并结合高斯混合模型(GMM)和时间序列分析中的差分自回归滑动平均模型(ARIMA);然后,为了避免GMTSM中子模型自身的不稳定性对预测结果产生干扰,对子模型的预测进行误差分析,动态计算子模型的权重;最后,依据动态权重组合子模型实现轨迹预测.实验结果表明,GMTSM在路段车流量突变情况下,平均预测准确率为90.3％;与相同参数设置下的高斯混合模型和马尔可夫模型相比,GMTSM预测准确性提高了55％左右.GMTSM不仅能在正常情况下准确预测车辆轨迹,而且能有效提高道路车流量变化情况下的轨迹预测准确率,适用于现实路况环境.

关键词：智能交通、迭代网格划分、轨迹预测、模型可靠性、轨迹相似性

所属期刊栏目：39

分类号：TP391.4(计算技术、计算机技术)

资助基金：“十三五”国家重点研发计划项目2018YFC0407105;华能集团重点研发项目HNKJ17-21

在线出版日期：2019-09-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：2261-2270