基于时空大数据群对象的高维运动特征识别及演化分析

The identification and prediction of motion features of group objects through time-space big data is a key measure to guarantee its practical application value. Due to the limitation of location technology, as well as the lack of high-dimensional motion features like velocity and acceleration, the trajectory feature obtained only from location data was not accurate, and could not provide warning information, which would greatly reduce the application value of the practical system. This project aimed at the time-space big data of the group objects, and studied the estimation, identification and evolutionary theory of high-dimensional motion features together with related feasible algorithms. The main content includes: 1) Achieve the estimation of high-dimensional motion component by simplifying the large sparse matrix, and using the distributed parallel filtering algorithm; 2) Construct the sequential evolutionary relationship of motion features with the Bayesian network. According to the dynamic analysis of the offline motions, unify the relationship between the online and offline characteristic time series, serving for the prediction and identification of the online features; 3) With the aid of hierachical Bayesian network theory, introduce the variable particle characterization method that from species to individuals, and make it uniform with the sequential Bayesian network, so as to accomplish the identification of sequential motion features of big data. Project achievements will fundamentally improve the inaccurate extraction of offline motion features and the lack of warning information of online motions, which are caused by using only location data in location-based service system with a huge number of moving objects. Therefore, these achievements possess an extremely important value both in theoretical research and practical applications.

时空大数据群对象运动特征的准确识别与预测是保证实际位置服务系统应用价值的关键。由于定位技术的局限性、缺少速度及加速度等高维运动特征，仅使用定位数据得到的轨迹特征不准确、且无法提供预警信息，大大降低了实际位置服务系统的应用价值。项目针对时空大数据群对象，研究高维运动特征估计、识别与演化理论及可行算法，内容包括：1）化简稀疏大矩阵，利用分布式并行滤波算法实现高维运动分量估计；2）利用贝叶斯网络构建运动特征的时序演化关系，通过线下运动特征的动态分析统一线下、线上特征时序关系，实现线上特征的预测识别；3）借助分层贝叶斯网络思想，引入从种类到个体的可调“粒度”特征描述方法，和具有时序关系的贝叶斯网络统一，实现大数据的时序运动特征有效识别。成果将从根本上解决基于位置服务的系统中仅使用定位信息引起的线下移动特征提取不准确、无法提供线上移动预警信息的问题，在理论研究与实际应用中都具有极其重要的价值。

项目以时空大数据为研究对象，研究了高维时空运动特征估计、识别及其演化关系理论与方法、群对象的高维运动特征参量估计理论与方法，得到了适用于大数据的快速、准确估计方法；设计了线下学习、线上估计的运算框架，利用贝叶斯深度学习网络合理描述了特征的时序关系；基于深度学习网络，实现了运动特征的可调粒度类别描述，与时序特征关系统一，实现了高速、合理、科学的运动特征描述。项目解决了实际时空大数据系统中，仅使用定位信息引起的群对象线下移动特征不准确、无法提供线上移动预警的问题，完成了预期的研究目标，在理论及应用研究中取得了创新性成果。 .项目取得的成果包括：研究了群对象的高维时空运动特征估计方法，给出了适用于估计高维运动特征参量的可行算法，并实现了仿真平台测试算法性能与运行时间。基于时间的变换关系，研究了时间区间内的运动变换特征，并据此关系构建具有识别特性的学习网络。在深度学习、贝叶斯框架下，研究线上移动特征识别方法，通过时空大数据验证所提出的时序关系特征识别与预测方法合理性。研究网络化、分层次特征表示与可调粒度特征识别方法的基本机理，基于有监督数据训练获得了不同维度的运动特征描述内容及形式，分析了网络的参数描述特征的能力、噪声的去除及对高维运动特征建模的影响等因素、细化方法，并通过优化计算代价，得到了可调粒度特性描述。结合传感器数据时序特征，研究了基于时间、空间关系的贝叶斯深度网络学习网络，实现了多维变量特征搜索的贝叶斯网络，设计了基于时空关系及可调粒度的高维特征识别与演化模型。.项目的研究成果包括发表论文26篇，其中SCI收录论文20篇；出版2本专著；申请、授权国家发明专利共13项，获得软件著作权7项。13名研究生进入研究项目，其中12名研究生已经毕业获得了硕士学位，且3人获得了国家奖学金、2人为北京市优秀论文。

内容获取失败，请点击重试