基于 LSTM 神经网络和多项式回归的实时物体定位预测
本文提出了一种基于递归神经网络的高效车辆轨迹预测框架,从大量的轨迹数据中学习车辆的复杂行为模式,并使用长短时记忆递归神经网络分析车辆时间行为,预测未来坐标并产生对覆盖栅格地图上车辆未来位置的概率信息,实验结果表明该方法可以合理地估计未来轨迹。
Apr, 2017
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
本文提出了一种基于深度学习的,可以实时生成周围车辆未来轨迹序列的车辆轨迹预测技术。通过利用编码器 - 解码器结构和使用基于长短期记忆(LSTM)的编码器分析过去轨迹中的模式,使用 LSTM 解码器生成未来轨迹序列。使用束搜索技术从解码器的输出中保留 K 个局部最优解,产生 K 个最可能的轨迹候选项。在高速公路交通场景下进行的实验表明,所提出的方法的预测精度显著高于传统的轨迹预测技术。
Feb, 2018
通过分析全球导航卫星系统 (GNSS) 观测数据,本研究提出了一种基于深度学习的方法来检测非直射路径接收与预测 GNSS 伪距误差,并构建了类似 Transformer 的注意机制来提高模型性能和泛化能力,实验结果表明相比其他模型,该方法在车辆定位中具有更好的准确性和召回率,能够避免轨迹偏离问题。
Sep, 2023
该研究提出了一种创新方法来解决老年人跌倒事件的紧迫问题,通过开发一种准确的跌倒检测系统。我们的系统结合了最先进的技术,包括加速度计和陀螺仪传感器,以及深度学习模型,特别是长短期记忆网络。通过树莓派硬件的集成实现了实时执行能力。我们引入了修剪技术,通过策略性地调整 LSTM 模型的架构和参数来优化系统性能。我们优先考虑召回率而不是精确度,旨在准确识别跌倒事件并最小化误报,以便及时干预。大量实验和细致评估表明了出色的性能指标,强调高召回率和 96% 的特异性。我们的研究取得了一种处于最前沿的跌倒检测系统,能够及时发送通知,确保脆弱个体得到及时帮助并改善其整体健康状况。应用 LSTM 模型并加入修剪技术代表了跌倒检测技术的重大进展,提供了一种有效可靠的跌倒预防和干预解决方案。
Sep, 2023
本文针对具有宽泛的预测过程监控任务,研究了采用 LSTM 神经网络建立的高准确度模型,证明该方法在预测下一个事件、任务以及剩余时间方面优于现有技术。
Dec, 2016
提出了一种结合粒子滤波采样策略和 LSTM-MDL 模型的多模式路径预测方法,可用于安全应用中的风险评估,通过在多种现实场景中进行的实验表明最简单的方法表现最佳。
Apr, 2018
该论文研究了循环神经网络和其变体在处理序列方面的强大性能,并提出了一种基于长短期记忆(LSTM)预测区间的控制图方法,用于监测具有时间变动性的数据,并表明该方法优于其他基于神经网络的预测监测方法,特别适用于检测平均值突变的异常情况。
Sep, 2023
利用时间图神经网络,提出了一种考虑交互的个性化车辆轨迹预测方法,通过预训练和微调,将个性化的预测结果与通用预测结果进行对比,并证明了个性化模型在较长时间预测范围内的卓越性能。
Aug, 2023
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