移动目标轨迹预测方法研究综述

【摘  要】随着智能交通系统领域大量移动终端设备的涌现，理解并准确预测移动目标轨迹有助于降低交通事故发生的概率，提高基于位置服务的智能交通应用的质量和水平。主要从数据驱动和行为驱动的角度对移动目标轨迹预测方法进行综述，首先对概率统计、神经网络、深度学习和混合建模等数据驱动方法进行比较；其次对动力学建模和目标意图识别等行为驱动方法的基本概念及研究现状进行概述；然后分别对目标轨迹重建、目标异常行为识别和导航路径规划等轨迹预测应用进行简要叙述；最后讨论了移动目标轨迹预测存在的主要问题以及未来的发展方向。

【关键词】智能交通系统 ; 轨迹预测 ; 人工智能 ; 深度学习 ; 动力学模型

1.引言

移动目标轨迹预测是一个典型的涉及交通运输工程和智能科学与技术的多学科交叉研究问题，在智能交通监管、异常行为检测和无人航行器自主导航等领域具有重要的理论研究和实际应用价值。移动目标轨迹预测通过挖掘移动目标的历史位置信息和行为习惯，计算目标未来的位置信息和行为动态。根据移动目标轨迹在不同应用领域的表现形式（主要包括公路、航空、轨道、航运等），可将移动目标分为二维移动目标（如汽车、行人和船舶等）和三维移动目标（如飞行器）。本文主要从数据驱动和行为驱动两个方面综述移动目标轨迹预测方法的发展现状，移动目标轨迹预测方法的分类见表1。

全球定位系统、视频监控系统、手持移动设备和射频识别等设备的普遍应用，产生了大量运动轨迹数据，这为基于数据驱动的移动目标轨迹预测方法提供了数据支撑。利用海量的移动目标轨迹数据进行分析，建立合