编码器 - 解码器模型用于短期内河船舶轨迹预测
通过合并船舶位移信息和空间信息,本研究提出了一种上下文敏感的分类转换器,用于改进船舶轨迹预测的空间感知能力,并通过在推理期间启用辍学来评估模型不确定性。该方法在不同内陆水道上进行了训练,分析了其可推广性,显示出较低的预测误差和对每个预测的可信度估计,更适用于内陆航行中的安全关键应用。
Jun, 2024
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
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
使用高斯混合模型对内陆航运中的船舶轨迹进行预测,在预测中整合了自动识别系统和泄放测量数据,以提高轨迹预测的准确性。
Jun, 2024
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
使用基于变压器的编码器 - 解码器模型,将噪声 GPS 数据转化为城市道路网络上的导航路线,大规模地理定位遥测数据对于增强智能城市的移动基础设施和操作系统具有巨大潜力。
Apr, 2024
提出了利用 FPPformer 在时间序列预测 Transformer 中设计全面和合理的层次结构,从而验证了其在六个最新基准测试中的显著性能,并且 decoder 在时间序列预测中的精心设计的重要性。
Dec, 2023
提出了一种基于转换器的轨迹预测模型,通过社交张量将目标代理的位移特征丰富化,考虑和周围代理的社交互动信息,以实现对周围代理的反应预测。
Jun, 2024
本文提出基于编码器 - 解码器范式的自动驾驶任务中,充分发挥编码器能力和增加解码器容量的方法,以及在预测车辆行为的同时提取安全关键区域信息,实现闭环自动驾驶,并在 CARLA simulator 上取得了优秀的表现。
May, 2023
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