软件学报

作者：乔少杰，吴凌淳，韩楠，黄发良，毛睿，元昌安，Louis Alberto GUTIERREZ

单位：乔少杰，成都信息工程大学 软件工程学院, 四川 成都 61022511,吴凌淳，成都信息工程大学 软件工程学院, 四川 成都 61022502,韩楠，成都信息工程大学 管理学院, 四川 成都 61022503,黄发良，南宁师范大学 计算机与信息工程学院, 广西 南宁 53010004,毛睿，深圳大学 计算机与软件学院, 广东 深圳 51806005,元昌安，广西教育学院, 广西 南宁 53002306,Louis Alberto GUTIERREZ，Department of Computer Science, Rensselaer Polytechnic Institute, New York 12180, USA07

关键词：轨迹预测;时空数据库;移动数据库;数据挖掘;机器学习;情景感知计算

基金：国家自然科学基金(61772091, 61802035, 61962006, 61962038, U1802271, U2001212, 62072311); 四川省科技计划(2021JDJQ0021, 2020YFG0153, 2022YFG0186, 2020YJ0481, 2020YFS0466, 2020YJ0430, 2020JDR0164, 2020YFS0399, 2019YFS0067); CCF-华为数据库创新研究计划(CCF-HuaweiDBIR2020004A); 广西自然

如何利用多源异构时空数据进行准确的轨迹预测并且反映移动对象的移动特性是轨迹预测领域的核心问题. 现有的大多数轨迹预测方法是长序列轨迹模式预测模型, 根据历史轨迹的特点进行预测, 或将当前移动对象的轨迹位置放入时空语义场景根据历史移动对象轨迹预测位置. 综述当前常用的轨迹预测模型和算法, 涉及不同的研究领域. 首先, 阐述了多模式轨迹预测的主流工作, 轨迹预测的基本模型类; 其次, 对不同类的预测模型进行总结, 包括数学统计类、机器学习类、滤波算法, 以及上述领域具有代表性的算法; 再次, 对情景感知技术进行了介绍, 描述了不同领域的学者对情景感知的定义, 阐述了情景感知技术所包含的关键技术点, 诸如情景感知计算、情景获取和情景推理的不同类模型, 分析了情景感知的不同分类、过滤、存储和融合以及它们的实现方法等. 详细介绍了情景感知驱动的轨迹预测模型技术路线及各阶段任务的工作原理. 给出了情景感知技术在真实场景中的应用, 包括位置推荐, 兴趣点推荐等, 通过与传统算法对比, 分析情景感知技术在此类应用中的优劣. 详细介绍了情景感知结合LSTM (long short-term memory)技术应用于行人轨迹预测领域的新方法. 最后, 总结了轨迹预测和情景感知研究的当前问题和未来发展趋势.

来源：2023年第1期

《软件学报》期刊编辑部

查看软件学报杂志2023年第1期