多模式移动对象不确定性轨迹预测是指：在包含较为复杂的轨迹模式场景下，移动对象典型运动模式不止一个，一条轨迹可能隶属于多个轨迹模式，称之为“多模式”。不同类型移动对象运动行为各有差异，相同类型的移动对象由于主客观因素影响，运动模式也不尽相同。需要挖掘多模式移动对象运动行为进而实现对移动对象未来最可能运动位置的预测。

多模式移动对象位置预测是一项非常困难和富有挑战意义的课题：(1) 由于移动对象运动模式复杂多变，且通过定位系统获得的数据流信息量大、具有不确定性，需要更加稳定和具有可伸缩性的挖掘方法进行处理；(2) 位置预测需要尽可能快地对可能运动轨迹进行评价，延时或者滞后将产生无意义的预测结果；(3) 基于模拟技术的预测方法依赖于大量输入参数，这些参数的设置极大地影响模型的准确性，对于不确定性的轨迹数据进行预测，需要考虑诸多客观因素和领域专家知识；(4) 如果算法设计不合理，随着移动对象数目的增加，模型的计算代价可能呈指数级增长。

通过对当前主流移动对象轨迹预测工作进行分析可以发现：(1) 如果针对海量轨迹数据挖掘移动对象频繁轨迹模式，已有算法需要多次扫描数据库，代价很高，需要设计新型频繁模式挖掘算法，提高挖掘的效率和准确性。(2) 现有轨迹预测算法对具有单一简单模式的移动对象的位置跟踪预测效果较好，对于复杂场景下多模式轨迹预测的研究内容相对较少。

为了解决上述问题，本文以移动设备、车辆、飞机、飓风等移动对象不确定性轨迹预测问题为背景，将大规模移动对象数据作为研究对象，以频繁轨迹模式挖掘、高斯混合回归技术为主要研究手段，提出多模式移动对象轨迹预测模型，关键技术包括：(1) 针对简单单一运动模式，提出了一种基于频繁轨迹模式树FTP-tree的轨迹预测方法，利用基于密度的热点区域挖掘算法将轨迹点划分成不同的聚簇，构建轨迹频繁模式树，挖掘频繁轨迹模式预测移动对象连续运动位置。 (2) 针对复杂多模式运动行为，利用高斯混合回归方法建模，计算不同运动模式的概率分布，将轨迹数据划分为不同分量，利用高斯过程回归预测移动对象最可能运动轨迹。

图1  频繁轨迹模式树FTP-tree

图2  典型移动对象轨迹预测系统

 引用格式：乔少杰, 韩楠, 丁治明, 金澈清, 孙未未, 舒红平. 多模式移动对象不确定性轨迹预测模型. 自动化学报, 2018, 44(4): 608-618. 

文章链接：http://www.aas.net.cn/CN/abstract/abstract19253.shtml

PDF：http://www.aas.net.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=19253

作者简介： 

乔少杰, 成都信息工程大学网络空间安全学院教授. 2009年获得四川大学计算机学院工学博士学位. 主要研究方向为轨迹预测, 移动对象数据库, 大数据. E-mail: sjqiao@cuit.edu.cn

韩楠, 成都信息工程大学管理学院讲师. 2012年获得成都中医药大学博士学位.

主要研究方向为数据挖掘. 本文通信作者. E-mail: hannan@cuit.edu.cn

丁治明, 北京工业大学计算机学院教授. 2002年获得中科院计算技术研究所工学博士学位. 主要研究方向为轨迹大数据, 移动对象数据库. E-mail: zmding@bjut.edu.cn

金澈清, 华东师范大学数据科学与工程学院教授. 2005年获得复旦大学计算机科学技术学院工学博士学位. 主要研究方向为基于位置的服务, 不确定数据管理, 数据质量. E-mail: cqjin@sei.ecnu.edu.cn

孙未未, 复旦大学计算机科学技术学院教授. 2002年获得复旦大学计算机科学技术学院工学博士学位. 主要研究方向为空间数据处理, 基于位置的服务. E-mail: wwsun@fudan.edu.cn

舒红平, 成都信息工程大学软件工程学院教授. 2010年获得四川大学计算机学院工学博士学位. 主要研究方向为数据挖掘. E-mail: shp@cuit.edu.cn