基于自动识别系统数据的多模型 LSTM 轨迹关联架构
利用自动识别系统(Automatic Identification System,AIS)数据和编码器 - 解码器模型,本研究预测了船只轨迹,进而提高船只安全和避免船只与鲸类碰撞,证实了地理数据工程和轨迹预测模型在保护海洋生物物种方面的潜力。
Oct, 2023
基于深度循环模型的海上监视方法,利用公开可用的自动识别系统(AIS)数据,通过对观测到的船舶运动模式进行编码和重建,结合阈值机制对计算的观测和重建的运动模式之间的误差进行处理,通过训练深度学习框架(编码器 - 解码器架构)使用观测到的运动模式,使模型能够学习和预测预期的轨迹,并与实际轨迹进行比较,研究展示了具有回归丢失的双向门控循环单元(GRU)在捕捉海上数据的时间动态方面表现出卓越的性能,彰显了深度学习在增强海上监视能力方面的潜力,为未来领域的研究奠定了坚实基础,通过技术的创新应用为改善海上安全指明了道路。
Jun, 2024
本文针对海洋数据中存在时间奇异性的问题,使用神经网络建模,预测多艘船舶的 AIS 消息内容,以改善航线预测。在多个算法实验中,卷积层、前馈网络和递归神经网络的组合模型表现最佳。结果表明该模型有效地提高了航线预测的准确度。
Feb, 2022
使用长短期记忆(LSTM)神经网络的多保真度自适应方法来估计双峰双向海况下的船舶响应统计数据,并使用低保真度的 SimpleCode 和高保真度的 LAMP 工具生成训练数据,通过对 LAMP 船舶运动响应数据进行训练后,将历史天气输入到 SimpleCode 和 LSTM 网络中,与高保真度结果进行比较。
Jul, 2023
本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法,同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。
Jan, 2018
本文提出了一种新颖的孪生 LSTM 结构,可以顺序地处理图像区域,并通过利用上下文信息增强局部特征表示的区分能力,有效地解决了多个摄像头视图下的行人匹配问题,取得了与最先进方法相媲美的良好效果,为视觉监控领域的研究提供了新思路。
Jul, 2016
自动驾驶技术能够提高交通安全和减少事故,本研究提出了基于短期记忆 (LSTM) 网络的安全敏感深度学习模型来预测轨迹,通过考虑交互信息的意图识别模块,实现高准确性和流畅性的车道变换,并优化自动驾驶轨迹规划。
Feb, 2024
本文通过使用 Apache Spark 和 Apache MXNet 等大数据分析引擎,利用 Caltrans PeMS 系统的大规模旅行时间数据集设计了一个 Hierarchical LSTM with Attention (HierLSTMat) 模型来预测整个路网的旅行时间。实验结果表明该模型可以在多个计算时间内成功预测未知拥堵情况,并获得了比流行数据科学和深度学习框架更高的效率。
Jan, 2022
本文提出了四种基于机器学习的时间和距离预测模型,其中最佳模型采用两个并行的基于注意力机制的 LSTM 网络,预测下一次行程的距离和时间的误差为 3.99%,比 LSTM 模型还要好 23.89%。我们同时提出了 TimeSHAP 方法用于解释模型的学习过程。
Mar, 2023
本文介绍 LSTM 模型的结构和前向传播机制,提出了 Random Connectivity LSTM(RCLSTM)模型,并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性,同时具有计算复杂度更低的优点
Oct, 2018