【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
【机 构】
：
河海大学计算机与信息学院,南京,211100
论文部分内容阅读
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.
其他文献
本科学位课程已逐渐发展到包括研究类项目在本科生的毕业设计课程里，同时企业越来越需要具有先进技术和研究技能的毕业生。文章详细介绍了一个由2位导师、4位本科生和1位研究
请下载后查看，本文暂不支持在线获取查看简介。
Please download to view, this article does not support online access to view profile.
V_3导联心电图窦 P 和 QRS 均规则出现,频率各为80次/min 和50次/分,P 与 R 无固定关系,但均各自按其固有频率发放激动,房率快于室率,故可确诊Ⅲ°房室传导阻滞。QRS 形态有
ARPANET诞生以来，计算机网络技术经历了革命性的变化。随着物联网的出现，我们都将居住在互联智能的世界，为此，我们需要知道它的基本功能并用知识来改进它。这个任务的一部分可在
Recent extensive measurements of real-life traffic demonstrate that the probability density function of the traffic is non-Gaussian. If a traffic model does not