文 献 综 述
- 研究背景
近些年来，无线通信技术和定位技术迅猛发展，各种基于位置服务的设备都可以将移动用户的运动过程记录下来。这些记录下来的数据不仅描述了移动对象的历史轨迹，而且精确地反映出移动对象的运动特点。随着大数据处理方式的不断发展，这些数据中蕴藏的价值逐渐被人们所认知，合理利用轨迹数据将会为互联网运营商在以下方面带来巨大商机[1]。首先在高科技商业领域方面，它的潜在应用包括无人驾驶车辆和机器人路径规划；在交通运输方面，对车辆的定位和预测可以使交通协调变得更加有效和快捷，如果我们预知了车辆的运动轨迹，就能提前预知某些道路的交通情况，及时做出交通调度，避免堵塞，使得交通管理更具预测性和及时性，从而给交通运输带来了很大的便利；在位置管理方面，依据移动用户的当前运动趋势，在相邻区域内预留服务资源，预先建立路由，从而使得切换快速可靠，满足移动环境下通讯快速的需要[2]。同时在国家层面，为了保障出行安全，避免交通堵塞，实现统筹规划，我们需要建立智能交通系统，而由于人类行为的内在复杂性，移动对象轨迹预测或行为建模是智能交通系统领域中一个困难且重要的问题。因此，越来越多的国内外研究学者开始关注基于位置的智能服务，其中，应用领域广泛的移动对象轨迹预测技术逐渐成为研究热点。
- 国内外移动对象轨迹预测方法现状
移动对象未来位置预测，主要以移动对象的历史行为数据，即轨迹数据作为研究对象，通过挖掘个体和群体运动中潜在的时空规律性以及移动对象运动中的交互情况来认识个体行为偏好，从而达到准确预测目的[3]。在移动对象位置预测领域，位置预测方法可以被分为基于运动函数的位置预测方法以及基于运动模型的位置预测方法。
运动函数的预测方法有着容易过拟合的缺陷，在现实中我们很难用运动函数来近似我们的移动曲线，个体的移动轨迹有着太多的不可控的因素，从而使得运动函数的预测方法效果差强人意。
介于这种情况，大多数研究者都开始研究基与数据的运动模型的位置预测。这种类别又大体上被分为三种方法，基于模式的模型研究，基于线性模型的研究和基于非线性的模型研究[4]。基于模式的预测方法是通过频繁模式挖掘找出轨迹典型模式，再根据轨迹模式进行预测，Deb等人[5]提出通过挖掘轨迹频繁模式，找出与数据库中已记录的最频繁路径相匹配的运动模式，进而推断最可能到达的下一个交叉口的方法。该方法由于没有考虑噪声轨迹数据的影响， 因此预测精度不高。常用的基于线性模型预测方法主要有基于贝叶斯模型预测方法[6-7]，基于Markov模型预测[8-10]，隐Markov模型预测方法[11-12]，基于多阶Markov模型预测方法[13-14]。但是这些是手工制作的模型倾向于包含不现实的因素或行为。此外，如果没有充分考虑复杂的环境因素，诸如A lowast;之类的捷径规划可能会为行人的期望方向生成不切实际的轨迹。另一方面，在过去的十年中，包含全连接的神经网络（FCNN），卷积神经网络（CNN）和递归神经网络（RNN）在内的数据驱动方法已经普及。一些研究人员已经进行了开创性的工作，使用了FCNN或具有长短期记忆（LSTM）的RNN，实验效果都非常优秀。[15]其中，LSTM更适合于预测移动对象的轨迹，因为它旨在学习序列到序列的生成。利用LSTM，将场景信息纳入预测过程的方法非常优秀，但是在LSTM的模型上仍然很多可以改进的地方。
许多学者认为，在LSTM上添加空间性的信息会使得神经网络拥有更良好的预测输出，基于这一点的考虑，Ke等人[16]提出了一种新的深度学习方法，称为融合卷积长短期记忆网络（FCL-Net），该方法考虑了空间依赖性，时间依赖性和外生性依赖性，用于短期旅客需求预测。Yu等使用深度卷积神经网络（DCNN）来捕获空间依赖性，使用LSTM捕获时空动力学，并通过对北京交通网络数据的实验证明了SRCN模型的优越性。Du [17]等提出了一种DCRNN模型，该模型通过在图上随机游走来捕获空间特征，并通过编码器-解码器架构来捕获时间特征。Ling等提出了以图卷积网络才捕捉空间特性然后将其用于基于城市道路网络的交通预测任务。
- 总结
综上所述，国内外的研究者对于LSTM神经网络预测移动对象轨迹的领域已取得较好成果，但是仍然面临较多挑战，其中空间特征在模型中如何体现，对于特定复杂场所的高精度预测，以及长时间范围预测仍然是需要克服的难关。首先应当思考使用CNN提取场景布局的特征来探索场景影响，或者通过图卷积，或者通过其他数据表示方法将空间特征加入到模型当中来，来实现多特征的学习。然后我们需要思考对于特定场所，如何提高拟合程度，从而达到高精度的预测。最后在LSTM的基础上，我们需要考虑如何让自己的模型在长时间跨度上也可以拥有良好的预测精度。以上的问题都是研究者面临的在该领域遇到的重大困难。本文也会从其中选择一个问题，以优化模型方法为基础，探索科研问题为目标，尝试做出突破。
主要参考文献目录
[1]. 王晓腾.移动对象不确定性轨迹预测模型研究[D].2016
[2]. 张盼盼.融合复合特征的移动轨迹预测方法的研究与实现[D].2014
