群體智能驅動的時空軌跡預測技術綜述

摘 要：時空軌跡預測在交通管理和城市規劃中至關重要，但傳統模型受數據稀疏性、噪聲污染和非線性關系的限制，群體智能驅動的時空軌跡預測技術能夠克服傳統模型的不足，實現高精度、實時性的預測。對當前群體智能技術研究中常用的群體數據源進行綜述，介紹了群體智能的核心優化算法，如粒子群優化和蟻群優化，同時介紹了時空軌跡的表示方式；總結基于概率和基于機器學習的時空軌跡預測方法，概述了群體智能驅動的軌跡預測技術路線；討論群體智能在當前時空軌跡預測領域的主要應用場景，包括交通路徑規劃、自然環境監測與操作風險預警等，展望群體智能驅動下的時空軌跡預測技術在認知增強、自治系統和去中心化學習等領域的應用潛力。

關鍵詞：群體智能；軌跡預測；時空軌跡；群體數據挖掘

中圖分類號：ＴＰ３１１． １３ 文獻標志碼：Ａ

文章編號：１００３－３１０６（２０２４）１２－２７４４－１０

０ 引言

時空軌跡在現代交通管理和城市規劃中扮演著至關重要的角色，如共享交通優化［１］、智能停車管理［２］、城市路網建模與服務設施調配［３－４］等。傳統時空軌跡預測模型主要采用特定的數學模型和假設對時空數據進行分析和預測［５］，通過轉移矩陣，模型可以預測目標的下一個移動位置，根據代價估計信息指導預測模型的選擇和調整，但復雜動態環境中時空軌跡數據的稀疏性、噪聲污染與非線性關系限制了傳統預測模型的預測性能和泛化能力。

隨著移動對象軌跡預測技術的發展，研究者開始關注復雜系統中的移動對象軌跡變化規律。情景感知驅動的移動對象多模式軌跡預測技術［６］可以捕捉和預測移動對象的軌跡行為，并提供原始數據和參考依據，但仍面臨著高維情景數據和異質性問題的挑戰。群體智能技術［７］，如蟻群算法和粒子群優化，提供了一種模擬自然系統中集體行為的解決方案，從而在復雜和動態環境中發現有效的預測模式，通過移動對象之間的交互和相互作用對其軌跡變化的影響，實現對整個系統的時空軌跡預測和分析。本文介紹了當前群體智能研究中常用的公開數據集、核心優化方法和時空軌跡表達方式，對基于概率和機器學習的軌跡預測技術和方法進行歸納，并總結群體智能驅動的時空軌跡預測技術路線，通過現實應用場景對其未來的發展趨勢和方向進行展望。

１ 相關研究概述

早期，計算機科學和人工智能領域的學者將“群體智能”定義為分布式控制和去中心化的自組織智能行為，即簡單個體在交互中表現出的問題解決能力。隨著人工智能技術的發展，群體智能的涌現行為［８］可分為自上而下的有組織行為和自下而上的自組織行為。本節將對群體智能的數據源、核心優化算法和時空軌跡表達進行分析，以探究群體智能優化方法的特點。

１． １ 群體數據源

群體數據源是指從大量個體或參與者中收集的數據，包含大量有價值的群體行為信息，反映了群體的行為、決策和互動模式，包括社交媒體活動、傳感器數據、在線交易記錄等。為充分挖掘群體數據的價值，首先需要解決大規模數據的存儲和計算問題。為此，總結群體智能研究常用公開數據集的數據格式、數據內容與數據特點，可以為數據管理和處理策略提供參考。

群體智能研究常用公開數據集如表１ 所示，ＮＭＤＣ、ＡＴＵＳ 和Ａｒｇｏｖｅｒｓｅ２ Ｓｅｎｓｏｒ 數據集提供了大量包含用戶行為、網絡性能、移動軌跡等與時序、時空相關的數據，可以用于訓練和測試時空軌跡預測模型精度，并通過分析用戶行為模式、偏好和習慣，改進軌跡預測智能系統的設計和優化。此外，Ａｒｇｏｖｅｒｓｅ２ Ｓｅｎｓｏｒ 數據集提供了視覺感知數據、空間點云數據和精準的定位信息，可用于軌跡預測中的數據融合與識別研究。ＵＣＩ 數據集則提供了大量的分類和回歸數據，為大規模群體數據處理技術的研究提供了豐富的資源，有助于解決時空軌跡預測系統中的數據處理和計算優化問題。

１． ２ 群體智能優化算法

在群體智能研究領域，優化算法是現階段研究的重點之一。其中，粒子群優化［１３］與蟻群優化［１４］是２ 種典型的群體智能優化算法。通過研究粒子群優化的搜索策略和參數調整機制與蟻群優化算法的路徑優化機制和信息交互機制，分析２ 種算法的優缺點及其適用場景。

（１）粒子群優化算法

粒子群優化算法的目標是找到搜索空間中的最優解決方案，粒子的空間坐標和速度會在迭代過程中不斷更新，以接近最優解。假設搜索空間維數為Ｄ，粒子數為Ｎ，每個粒子在空間所處的位置代表一個可行解，則記第ｉ 個粒子的空間坐標Ｘｉ ＝ （Ｘｉ１ ，Ｘｉ２ ，…，ＸｉＤ ），每個粒子對應的速度Ｖｉ ＝ （Ｖｉ１ ，Ｖｉ２ ，…，ＶｉＤ ），即粒子在Ｄ 維空間上的變化率。

粒子群優化算法示例如圖１ 所示，第ｉ 個粒子當前的速度為Ｖｉ，Ｐｓｅｌｆ 為粒子ｉ 在自我認知影響下的歷史最優位置，Ｐｓｏｃｉａｌ 為社會認知影響下的歷史最優位置。在自我認知與社會認知的共同影響下，粒子ｉ 的第ω 次迭代將根據下式更新其速度和位置，以尋找全局最優位置Ｐｇｌｏｂａｌ：

現階段，粒子群優化算法已廣泛應用于無線通信、人工智能與機器控制等領域。曹昕鷙等［１５］利用粒子群優化算法的全局搜索和優化特性，引入粒子群優化算法構建目標函數，修正無線網節點測距誤差。Ｄｅｌｉｇｋａｒｉｓ［１６］將粒子群優化算法作為神經架構搜索（Ｎｅｕｒａｌ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｓｅａｒｃｈ，ＮＡＳ）中的搜索策略組件，以優化基于卷積神經網絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ ＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）架構的搜索，減少搜索空間大小并降低搜索成本。Ａｍｂｕｊ 等［１７］利用粒子群優化算法集成了自適應機制和避障策略，結合ＬｉＤＡＲ 映射技術獲取環境信息，提高了機器人的感知能力和避障能力。粒子群優化算法作為一種基于群體智能的優化方法，其全局搜索、并行計算與自適應能力將更好地應用于交通、金融、醫療等領域的多目標優化問題。

（２）蟻群優化算法

蟻群優化算法作為一種基于自然啟發的優化方法，主要特點是通過人工螞蟻［１８］的搜索和優化，生成一個收斂于最優或近似最優解決方案的解決方案集合，更適合處理具有復雜約束的優化問題。如圖２ 所示，蟻巢Ａ 點為起點，食物Ｆ 點為終點。螞蟻從Ａ 點出發，經節點Ｂ、Ｃ、Ｄ、Ｅ，嘗試找到從Ｆ 點返回Ａ 點的路徑。由于Ｂ 點和Ｅ 點之間沒有路徑連接，因此螞蟻在Ｅ 點只能選擇走Ｃ 或Ｄ 節點，最后回到Ａ 點。

假設節點Ｃ 和節點Ｅ 之間、節點Ｃ 和節點Ｂ 之間的路徑長度為１，節點Ｄ 和節點Ｅ 之間、節點Ｄ 和節點Ｂ 之間的路徑長度為２。Ｔ ＝ ０ 時，網絡中沒有螞蟻留下的信息素，因此螞蟻選擇節點Ｃ 或節點Ｄ的概率相同，每個節點有ｍ ／ ２ 只螞蟻向其行進。在行進過程中，螞蟻釋放信息素以標記最短路徑，最后回到蟻巢；Ｔ ＝ １ 時，有２ｍ ／ ３ 只螞蟻選擇了路徑Ｆ—Ｅ—Ｃ—Ｂ—Ａ 返回蟻巢，這是由于群體中的正反饋機制，即螞蟻根據之前的信息素標記選擇路徑，最終Ｔ ＝ ２ 時所有螞蟻都選擇走最短路徑返回蟻巢。

現階段通過微調蟻群算法的期望啟發因子、信息素啟發因子與衰減系數，改進啟發函數與搜索策略，引入元啟發式算法等方法，有效解決了車輛路徑問題（Ｖｅｈｉｃｌｅ Ｒｏｕｔｉｎｇ Ｐｒｏｂｌｅｍ，ＶＲＰ）［２８］的多個擴展問題。與時空軌跡研究類似，其目標都旨在優化移動對象或車輛的路徑，以最小化時間、距離、能耗等成本。改進的蟻群算法在圖形結構優化問題中表現出了優越性，特別是通過差異化處理初始信息素以減輕初始搜索的盲目性。

１． ３ 時空軌跡表示

時空軌跡是描述移動目標在空間中位置變化過程的數據序列，記錄了目標在不同時刻的位置信息［２９］。時空軌跡數據通常由ＧＰＳ、加速度計、陀螺儀等不同系統和移動目標的傳感器采集，即時空軌跡可以表示為輸入為時間戳ｔｉ，輸出為空間點ｐｔｉ 的一個映射函數ｆ：

由于采樣率的限制，實際上獲取的軌跡數據是一系列離散的時空點序列，而不是連續的軌跡。

對函數ｆ 進行離散采樣，得到包括時間戳ｔｉ 和ｄ 維空間位置信息的空間點ｐｔｉ：

假設時間戳總數為Ｎ，將空間點ｐｔｉ 按照時間順序排列，構成時空軌跡序列Ｔｒ：

時空軌跡序列可以描述目標的空間位置信息隨時間的變化。通過統計分析與機器學習方法獲得目標的速度、方向、加速度等關鍵特征，挖掘目標的運動規律和模式，將時空軌跡序列用于研究目標跟蹤［３０］、軌跡預測［３１］和路線規劃［３２］等方向。

２ 時空軌跡預測方法

時空軌跡數據的異質性，如采樣率變化、長度差異和稀疏性，影響了軌跡預測的準確性。移動對象所處環境的動態變化與自身意圖、周圍目標行為等因素的交叉影響，也增加了軌跡預測的復雜度。為此，本文通過分析基于概率統計的方法和機器學習的方法，進一步探討群體智能驅動的時空軌跡預測技術應用。

２． １ 基于概率統計的時空軌跡預測方法

早期研究階段主要采用傳統數學統計模型進行軌跡預測，主要采用隱馬爾可夫模型（ＨｉｄｄｅｎＭａｒｋｏｖ Ｍｏｄｅｌ，ＨＭＭ）［３３］、貝葉斯網絡（Ｂａｙｅｓｉａｎ Ｎｅｔｗｏｒｋ，ＢＮ）［３４］、卡爾曼濾波（Ｋａｌｍａｎ Ｆｉｌｔｅｒｉｎｇ，ＫＦ）［３５］等概率統計方法。ＨＭＭ 具有較好的軌跡預測效果，特別是在狀態多變的場景中，其優點在于僅依賴于前一個狀態的歷史信息，適用于情景多變的應用［３６－３８］。ＢＮ 廣泛應用于分類算法領域，其核心算法基于概率論，通過收集目標的運動特征、環境信息等數據，預測目標意圖與未來某一時刻可能的位置和軌跡［３９－４１］。ＫＦ 與ＨＭＭ 類似，都是基于歷史序列信息和當前狀態信息來預測未來軌跡。優點是ＫＦ能夠提供穩定的狀態估計，適合實時性強的應用場景［４２－４４］。

Ｋｉｔａｎｉ 等［４５］基于馬爾可夫鏈構建模型，利用強化學習訓練模型參數，結合最優控制理論預測軌跡，輸出目標的軌跡。王澤天等［４６］利用馬爾可夫鏈計算狀態轉移概率建立轉移矩陣，預測移動軌跡。通過與真實數據的對比，引入具體路況信息修正狀態轉移矩陣，提升對下一個路口的預測準確性。Ｎａｙａｋ等［４７］提出了一種基于貝葉斯方法的行人交通不確定性量化框架，通過使用蒙特卡洛抽樣生成軌跡的分布，對真實世界行人數據集進行評估，結果顯示概率模型的平均預測路徑更接近真實情況。喬少杰等［４８］通過高斯混合回歸建模，識別移動對象在不同移動模式下的密度分布，再使用高斯過程回歸對分類后的軌跡數據進行預測。Ｂａｒｔｈ 等［４９］提出了基于圖像的新方法，可以準確地跟蹤車輛，其方法主要基于擴展的ＫＦ 器將３Ｄ 點云中的信息與構建的協調轉彎模型結合進行預測，但可能存在計算復雜度高和精度下降的問題，特別是在長序列預測中。此外，該方法還需要大量的計算資源和存儲空間來處理３Ｄ 點云數據，可能不適合實時性強的應用場景。Ｑｉａｏ 等［５０］提出了一種三合一道路約束交通網絡軌跡預測模型，以解決交通網絡中的軌跡預測問題。該模型通過集成３ 項技術來實現軌跡預測：① 基于交通網絡的雙層運動目標動態索引結構，旨在提高索引效率；② 興趣區域（Ｒｅｇｉｏｎ ｏｆ Ｉｎｔｅｒｅｓｔ，ＲＯＩ）發現算法，用于對大量軌跡點進行聚類，劃分出不同的簇；③ 基于頻繁軌跡模式樹（Ｆｒｅｑｕｅｎｔ Ｔｒａｊｅｃｔｏｒｙ Ｐａｔｔｅｒｎ Ｔｒｅｅ，ＦＴＰＴｒｅｅ）的方法，用于發現頻繁軌跡模式，并預測目標在ＲＯＩ 內的未來位置。

ＦＴＰＴｒｅｅ 的根節點Ｒ 為空，子節點Ｎ 為原子道路項，每個節點具有道路項標識ｉｄ、訪問次數ｃｏｕｎｔ和指向ＦＴＰＴｒｅｅ 中具有下一個相同ｉｄ 的節點指針ｐｏｉｎｔｅｒ。此外，頻繁道路項頭表Ｈ 包含道路項標識Ｉｔｅｍ ｉｄ 和指向ＦＴＰＴｒｅｅ 中該道路項第一個節點的ｈｅａｄ ｏｆ ｎｏｄｅｌｉｎｋ 兩個字段。則ＦＴＰＴｒｅｅ 樹可以表示為：

２． ２ 基于機器學習的時空軌跡預測方法

在機器學習方法中，常將時空軌跡預測定義為一個有監督學習的回歸性問題，主要分為支持向量機［５１］、反向傳播神經網絡（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ ＮｅｕｒａｌＮｅｔｗｏｒｋ，ＢＮＮ）［５２］、深度學習［５３］等方法。支持向量機適用于低維和高維數據，并能處理少量或大量特征，但在處理大規模訓練樣本時存在對缺失數據敏感的問題，需要精細的參數調節。因此，支持向量機適用于單一監控下的軌跡預測，數據量不大、軌跡變化平穩的場景。ＢＮＮ 具有強大的非線性映射和自學習能力，少量神經元受損不影響訓練結果。但初始權重敏感可能導致局部最小化問題，使得不同初始權重下的訓練結果可能不同。ＢＮＮ 適用于大多數軌跡預測場景，尤其在輸入參數更多的復雜場景中，更容易實現有區分性的預測。深度學習方法不僅可以更好地處理時間序列數據，還可以捕捉更復雜的空間特征。相比于ＢＮＮ，深度學習方法包括了更多種類的神經網絡，如ＣＮＮ 和循環神經網絡（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＮＮ）。強化學習［５４］作為機器學習的一個重要分支，與深度學習融合，能夠更好地處理大規模數據和復雜特征，因此在交通軌跡預測中可能具有更大的優勢。

Ａｌａｈｉ 等［５５］首先提出將行人軌跡預測問題建模為序列生成任務，并取得了不錯的效果。之后Ｂａｒｔｏｌｉ 等［５６］在此基礎上進行了拓展，提出了一種基于情景感知的長短期記憶（Ｌｏｎｇ Ｓｈｏｒｔ ＴｅｒｍＭｅｍｏｒｙ，ＬＳＴＭ）網絡模型，相比先前的工作加入了環境中的靜態對象因素，通過情景感知層對人與環境的關系建模，實現了學習和預測在人行道、博物館或購物中心等復雜環境下的移動對象軌跡。

謝添丞等［５７］使用ＣｅｎｔｅｒＮｅｔ 從場景中提取環境特征與上下文信息進行融合，綜合考慮目標行人的社會影響和隱藏狀態，目標行人所受力示意如圖３所示。

社會力函數適用于模擬和計算復雜場景中行人移動過程中受到的影響，能夠量化周圍行人、車輛以及障礙物之間互動關系，行人社會力函數如下：

喬少杰等［５８］引入了前序、后序軌跡和投影數據庫的概念，并設計了一種基于前綴投影技術的增量式軌跡預測方法ＰｒｅｆｉｘＴＰ，充分利用了時空軌跡數據在時間和空間維度上的依賴性與相關性。Ｆｅｎｇ等［５９］提出了一種基于網格搜索—粒子群優化算法的變道識別模型，借助支持向量機從車輛變道軌跡數據中充分提取主要特征信息，并對車輛實際換道過程進行辨識建模，對車輛橫向運動軌跡進行預測分析。Ｇｕｏ 等［６０］提出了一種基于支持向量機和改進的基于門控循環單元模型的預測方法，用于車道偏離預測。這種方法結合了支持向量機模型的非線性映射能力和基于門控循環單元模型的自適應能力，可以更準確地預測車輛的未來軌跡，并根據駕駛員的狀態自適應地調整安全邊界。Ｆａｎｇ 等［６１］在時空特征建模階段結合了圖卷積網絡（Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ，ＧＣＮ）模型，以捕捉流量的空間相關性和時間動態性，提出一種基于時空軌跡數據的多層次交通預測框架，以應對復雜動態環境下的軌跡預測問題，但容易忽視個體差異，存在實時預測能力不足的問題。

２． ３ 群體智能驅動的時空軌跡預測技術路線

現階段群體智能驅動的時空軌跡預測技術能夠通過分布式計算和自適應學習，克服現有方法的計算復雜度和有限泛化性，提供更加準確和高效的軌跡預測結果。群體智能驅動的時空軌跡預測技術路線如圖４ 所示，通過社交媒體平臺、移動應用程序與定位系統等獲取時空軌跡數據，通過特征提取與降維等預處理方法后，結合群體智能算法實現時空軌跡預測，將預測結果應用于智慧城市建設、物流與供應鏈管理、環境監測、醫療健康等領域。

Ｘｉａ 等［６２］探討了基于徑向基函數（Ｒａｄｉａｌ ＢａｓｉｓＦｕｎｃｔｉｏｎ，ＲＢＦ）的空中目標軌跡預測問題，為解決灰狼優化（Ｇｒｅｙ Ｗｏｌｆ Ｏｐｔｉｍｉｚｅｒ，ＧＷＯ）算法易陷入局部優化導致優化過程早期終止的問題，提出粒子群－灰狼融合（ＰＳＯＧＷＯ）算法以調整ＲＢＦ 參數。用于實驗的時空軌跡數據采集頻率為每秒一次，每個數據點由目標位置的三維坐標和５ 個附加屬性組成，即加速度、速度、空氣阻力、空氣溫度和空氣壓力。訓練數據集由１ ｍｉｎ 內每１ ｓ 間隔的飛行軌跡組成，而測試數據集由當前時間加１ ｓ 的飛行軌跡組成。實驗結果表明，使用ＰＳＯＧＷＯＲＢＦ 神經網絡模型預測飛行目標軌跡的最大絕對誤差分別為０． ０１２、０． ０２、０． ００９ ｋｍ，最大相對誤差分別為０． ５２％ 、１． ８４％ 、３． ０４％ ，預測的飛行目標軌跡更加貼近實際值，能夠有效提高航空交通控制領域對飛行目標預測的準確性，增強實時處理高速數據的能力。

王均剛等［６３］提出了一種基于粒子群優化的最小二乘支持向量回歸（Ｌｅａｓｔ Ｓｑｕａｒｅ Ｓｕｐｐｏｒｔ ＶｅｃｔｏｒＲｅｇｒｅｓｓｉｏｎ，ＬＳＳＶＲ）預測模型，利用船舶自動識別系統（Ａｕｔｏｍａｔｉｃ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｓｙｓｔｅｍ，ＡＩＳ）數據中的經度、緯度、航速、航向作為特征量，采用滑動窗口的方式處理連續流入的數據，對窗口中的數據進行預測和更新。在經度預測中，ＳＷＰＳＯＬＳＳＶＲ 模型的均方根誤差（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ，ＲＭＳＥ）分別比ＰＳＯＬＳＴＭ 模型和ＰＳＯＬＳＳＶＲ 模型低４． ９８％ 和２． ５６％ ，在緯度預測中，ＲＭＳＥ 分別比ＰＳＯＬＳＴＭ 模型和ＰＳＯＬＳＳＶＲ 模型低６． ３３％ 和６． ３４％ 。同時，該模型與其他優化算法和機器學習技術進行深入集成和融合，有效提高了海事導航相關領域的智能化和自動化水平。

３ 技術應用場景與未來展望

群體智能驅動的時空軌跡預測技術通過融合群體智能算法和機器學習方法，實現了復雜環境中的時空軌跡預測。目前，群體智能在時空軌跡預測領域的主要應用場景包括交通路徑規劃、自然環境監測與操作風險預警。

（１）交通路徑規劃

群體智能可以建立交通流動態模型以識別交通流模式、優化路線和改善交通管理系統。通過分析車輛ＧＰＳ 數據、傳感器數據和社交媒體數據，預測交通狀況，實時預測交通狀態并提供可靠的預測結果，有效緩解交通擁堵［６４］。在此基礎上，群體智能算法還可以對交通管理系統進行優化［６５］，例如對交通信號控制和匝道計量進行調整，以最小化擁堵，整體改善交通情況。

（２）自然環境監測

山體滑坡、洪澇、森林火災等災害監測預警也是群體智能算法的重要應用之一。例如，在山體滑坡實時監測預警［６６］中，通過結合高精度無線電測距技術可以對監測預警節點進行精確定位，利用粒子群優化算法對監測節點獲取的時空數據進行優化和評估，實現對滑坡風險的精準評估和預警，從而為災害防治和減災提供科學依據。

（３）操作風險預警

操作風險預警主要涵蓋網絡攻擊預警、供應鏈中斷預警、金融預警等。在醫療供應鏈管理［６７］中，應用群體智能方法可以聚合決策者偏好，準確反映決策標準之間的相互關系，旨在識別和應對供應鏈中斷的風險，以確保醫療資源的可靠供應和醫療服務的連續性。

未來群體智能驅動的時空軌跡預測技術的發展方向可以集中在認知增強、自治系統和去中心化學習３ 個方面。其中，認知增強旨在開發基于人機協同學習的軌跡預測系統，以提高預測模型的準確性。自治系統將集成多模態學習和智能決策，如增強無人機集群路徑規劃的自治能力。去中心化學習將研究基于邊緣計算和點對點技術的群體智能軌跡預測系統，以適應復雜和動態的環境和任務需求。

４ 結束語

新興的情景感知和群體智能技術為捕捉和預測移動對象的軌跡變化提供了有效的解決方案，本文對群體智能研究中常用的公開數據集進行了總結，包括數據源的數據格式、數據內容和數據特點。詳細介紹了粒子群優化和蟻群優化２ 個群體智能技術的核心優化方法，并對時空軌跡表示方法進行了闡述。在時空軌跡預測領域，本文總結了基于概率統計和機器學習的預測方法，并對當前群體智能驅動的時空軌跡預測技術方法進行了分析。最后，文章總結了未來群體智能驅動的時空軌跡預測技術的發展方向將集中在認知增強、自治系統和去中心化學習３ 個方面，以實現基于人機協同學習、多模態智能決策和邊緣計算的高準確性軌跡預測系統，推動時空軌跡預測領域的技術創新和應用發展。

參考文獻

［１］ ＱＩＡＯ Ｓ Ｊ，ＨＡＮ Ｎ，ＬＩ Ｈ，ｅｔ ａｌ． Ａ Ｔｈｒｅｅｉｎｏｎｅ Ｄｙｎａｍｉｃ Ｓｈａｒｅｄ Ｂｉｃｙｃｌｅ Ｄｅｍａｎｄ Ｆｏｒｅｃａｓｔｉｎｇ Ｍｏｄｅｌ Ｕｎｄｅｒ Ｎｏｎ ｃｌａｓｓｉｃａｌ Ｃｏｎｄｉｔｉｏｎｓ［Ｊ］． Ａｐｐｌｉｅｄ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０２４（５４）：８５９２－８６１１．

［２］ ＨＵ Ｚ Ｙ，ＣＡＯ Ｙ，ＬＩ Ｘ Ｙ，ｅｔ ａｌ． Ｔｏｗａｒｄｓ Ｄｙｎａｍｉｃ Ｐｒｉｃｉｎｇ Ｂａｓｅｄ Ａｕｔｏｎｏｍｏｕｓ Ｖａｌｅｔ Ｐａｒｋｉｎｇ Ｍａｎａｇｅｍｅｎｔ Ｕｎｄｅｒ Ｄｅ ｍａｎｄ Ｕｎｃｅｒｔａｉｎｔｙ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０２４，７３（５）：６１９６－６２１１．

［３］ 唐爐亮，趙紫龍，楊雪，等． 大數據環境下道路場景高時空分辨率眾包感知方法［Ｊ］． 測繪學報，２０２２，５１（６）：１０７０－１０９０．

［４］ 申明銳，尹介琪，喬藝波． 基于時空大數據的縣域公共服務設施配置評估與調控方法［Ｊ］． 城市發展研究，２０２４，３１（７）：８６－９６．

［５］ ＹＥ Ｎ，ＺＨＡＮＧ Ｙ Ｙ，ＷＡＮＧ Ｒ Ｃ，ｅｔ ａｌ． Ｖｅｈｉｃｌｅ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ ［Ｊ ］． ＫＳＩＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｒｎｅｔ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０１６，１０（７）：３１５０－３１７０．

［６］ 喬少杰，吳凌淳，韓楠，等． 情景感知驅動的移動對象多模式軌跡預測技術綜述［Ｊ］． 軟件學報，２０２３，３４（１）：３１２－３３３．

［７］ ＨＵＡＮＧ Ｙ Ｍ，ＬＩＵ Ｃ Ｈ． Ａｐｐｌｙｉｎｇ Ａｄａｐｔｉｖｅ Ｓｗａｒｍ Ｉｎｔｅｌｌｉ ｇｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ｗｉｔｈ Ｓｔｒｕｃｔｕｒａｔｉｏｎ ｉｎ Ｗｅｂｂａｓｅｄ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｌｅａｒｎｉｎｇ ［Ｊ ］． Ｃｏｍｐｕｔｅｒｓ ＆ Ｅｄｕｃａｔｉｏｎ，２００９，５２（４）：７８９－７９９．

［８］ ＳＥＬＶＡＲＡＪ Ｓ，ＣＨＯＩ Ｅ． Ｓｕｒｖｅｙ ｏｆ Ｓｗａｒｍ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ａｌ ｇｏｒｉｔｈｍｓ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ ｆｅｒｅｎｃｅ ｏｎ Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ． Ｓｙｄｎｅｙ：ＡＣＭ，２０２０：６９－７３．

［９］ ＥＴＴＥＲ Ｖ，ＫＡＦＳＩ Ｍ，ＫＡＺＥＭＩ Ｅ，ｅｔ ａｌ． Ｗｈｅｒｅ ｔｏ Ｇｏ ｆｒｏｍ Ｈｅｒｅ？Ｍｏｂｉｌｉｔｙ Ｐｒｅｄｉｃｔｉｏｎ ｆｒｏｍ Ｉｎｓｔａｎｔａｎｅｏｕｓ Ｉｎｆｏｒｍａｔｉｏｎ［Ｊ ］． Ｐｅｒｖａｓｉｖｅ ａｎｄ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇ，２０１３，９ （６ ）：７８４－７９７．

［１０］ ＤＵＮＴＯＮ Ｇ Ｆ，ＢＥＲＲＩＧＡＮ Ｄ，ＢＡＬＬＡＲＤＢＡＲＢＡＳＨ Ｒ，ｅｔ ａｌ． Ａｄｏｌｅｓｃｅｎｔｓ Ｓｐｏｒｔｓ ａｎｄ Ｅｘｅｒｃｉｓｅ Ｅｎｖｉｒｏｎｍｅｎｔｓ ｉｎ ａ Ｕ． Ｓ． Ｔｉｍｅ Ｕｓｅ Ｓｕｒｖｅｙ ［Ｊ ］． Ａｍｅｒｉｃａｎ Ｊｏｕｒｎａｌ ｏｆ Ｐｒｅｖｅｎｔｉｖｅ Ｍｅｄｉｃｉｎｅ，２０１０，３９（２）：１２２－１２９．

［１１］ ＭＥＲＺ Ｃ． ＵＣＩ Ｒｅｐｏｓｉｔｏｒｙ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｄａｔａｂａｓｅｓ［ＥＢ ／ ＯＬ］． ［２０２４－０１－１０］． ｈｔｔｐｓ：∥ａｐｉ． ｓｅｍａｎｔｉｃｓｃｈｏｌａｒ．ｏｒｇ ／ ＣｏｒｐｕｓＩＤ：２０９０９９４２２．

［１２］ ＷＩＬＳＯＮ Ｂ，ＱＩ Ｗ，ＡＧＡＲＷＡＬ Ｔ，ｅｔ ａｌ． Ａｒｇｏｖｅｒｓｅ ２：Ｎｅｘｔ Ｇｅｎｅｒａｔｉｏｎ Ｄａｔａｓｅｔｓ ｆｏｒ Ｓｅｌｆｄｒｉｖｉｎｇ Ｐｅｒｃｅｐｔｉｏｎ ａｎｄ Ｆｏｒｅ ｃａｓｔｉｎｇ ［ＥＢ ／ ＯＬ］． ［２０２４ － ０１ － １２ ］． ｈｔｔｐｓ：∥ ｄａｔａｓｅｔｓ ｂｅｎｃｈｍａｒｋｓｐｒｏｃｅｅｄｉｎｇｓ． ｎｅｕｒｉｐｓ． ｃｃ ／ ｐａｐｅｒ ＿ ｆｉｌｅｓ ／ ｐａｐｅｒ ／２０２１ ／ ｆｉｌｅ ／ ４７３４ｂａ６ｆ３ｄｅ８３ｄ８６１ｃ３１７６ａ６２７３ｃａｃ６ｄＰａｐｅｒｒｏｕｎｄ２． ｐｄｆ．

［１３］ ＫＥＮＮＥＤＹ Ｊ，ＥＢＥＲＨＡＲＴ Ｒ． Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＣＮＮ’９５Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ． Ｐｅｒｔｈ：ＩＥＥＥ，１９９５：１９４２－１９４８．

［１４］ ＤＯＲＩＧＯ Ｍ，ＢＩＲＡＴＴＡＲＩ Ｍ，ＳＴＵＴＺＬＥ Ｔ． Ａｎｔ Ｃｏｌｏｎｙ Ｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｍａｇａ ｚｉｎｅ，２００６，１（４）：２８－３９，

［１５］ 曹昕鷙，韓玨． 基于擴散模型和粒子群優化的無線網節點定位［Ｊ］． 無線電工程，２０２２，５２（１２）：２１９６－２２０２．

［１６］ ＤＥＬＩＧＫＡＲＩＳ Ｋ． Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ Ｒａｎｄｏｍ Ｓｅａｒｃｈ ｆｏｒ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｓｅａｒｃｈ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２４（１２）：９１２２９－９１２４１．

［１７］ ＡＭＢＵＪ，ＮＡＧＡＲ Ｈ，ＰＡＵＬ Ａ，ｅｔ ａｌ． Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｂａｓｅｄ Ｔｒａｊｅｃｔｏｒｙ Ｐｌａｎｎｉｎｇ ｏｆ Ａｕｔｏｎｏｍｏｕｓ Ｇｒｏｕｎｄ Ｖｅｈｉｃｌｅ Ｕｓｉｎｇ ２Ｄ ＬｉＤＡＲ Ｐｏｉｎｔ Ｃｌｏｕｄ ［Ｊ ］． Ｒｏｂｏｔｉｃｓ ａｎｄ Ａｕｔｏｎｏｍｏｕｓ Ｓｙｓｔｅｍｓ，２０２４，２０２４（１７８）：１０４７２３．

［１８］ ＤＯＲＩＧＯ Ｍ，ＭＡＮＩＥＺＺＯ Ｖ，ＣＯＬＯＲＮＩ Ａ． Ａｎｔ Ｓｙｓｔｅｍ：Ｏｐｔｉｍｉｚａｔｉｏｎ ｂｙ ａ Ｃｏｌｏｎｙ ｏｆ Ｃｏｏｐｅｒａｔｉｎｇ Ａｇｅｎｔｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍ Ｍａｎ ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ Ｐａｒｔ Ｂ，１９９６，２６（１）：２９－４１．

［１９］ ＷＡＮＧ Ｘ Ｙ，ＣＨＯＩ Ｔ Ｍ，ＬＩＵ Ｈ Ｋ，ｅｔ ａｌ． Ｎｏｖｅｌ Ａｎｔ Ｃｏｌｏｎｙ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｍｅｔｈｏｄｓ ｆｏｒ Ｓｉｍｐｌｉｆｙｉｎｇ Ｓｏｌｕｔｉｏｎ Ｃｏｎｓｔｒｕｃｔｉｏｎ ｉｎ Ｖｅｈｉｃｌｅ Ｒｏｕｔｉｎｇ Ｐｒｏｂｌｅｍｓ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０１６，１７（１１）：３１３２－３１４１．

［２０］ 辜勇，劉迪． 自適應混合蟻群算法求解帶容量約束車輛路徑問題［Ｊ］． 東北大學學報（自然科學版），２０２３，４４（１２）：１６８６－１６９５．

［２１］ ＧＡＯ Ｙ Ｌ，ＷＵ Ｈ Ｇ，ＷＡＮＧ Ｗ Ｔ． Ａ Ｈｙｂｒｉｄ Ａｎｔ Ｃｏｌｏｎｙ Ｏｐｔｉｍｉｚａｔｉｏｎ ｗｉｔｈ Ｆｉｒｅｗｏｒｋｓ Ａｌｇｏｒｉｔｈｍ ｔｏ Ｓｏｌｖｅ Ｃａｐａｃｉｔａｔｅｄ Ｖｅｈｉｃｌｅ Ｒｏｕｔｉｎｇ Ｐｒｏｂｌｅｍ［Ｊ］． Ａｐｐｌｉｄｅ Ｉｎｔｅｌｌｉ ｇｅｎｃｅ，２０２３，５３（６）：７３２６－７３４２．

［２２］ ＫＹＲＩＡＫＡＫＩＳ Ａ Ｎ，ＳＴＡＭＡＤＩＡＮＯＳ Ｔ，ＭＡＲＩＮＡＫＩ Ｍ，ｅｔａｌ． Ｔｈｅ Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅ Ｒｏｕｔｉｎｇ Ｐｒｏｂｌｅｍ ｗｉｔｈ Ｄｒｏｎｅｓ：Ａｎ Ｅｎｅｒｇｙ Ｍｉｎｉｍｉｚａｔｉｏｎ Ａｐｐｒｏａｃｈ ｆｏｒ Ａｅｒｉａｌ Ｄｅｌｉｖｅｒｉｅｓ［Ｊ］．Ｃｌｅａｎｅｒ Ｌｏｇｉｓｔｉｃｓ ａｎｄ Ｓｕｐｐｌｙ Ｃｈａｉｎ，２０２２（４）：１０００４１．

［２３］ 何美玲，楊梅，韓繤，等． 帶時間窗的時間依賴型同時取送貨車輛路徑問題研究［Ｊ］． 交通運輸系統工程與信息，２０２４，２４（４）：２３１－２４２．

［２４］ ＣＨＥＮ Ｂ Ｌ，ＪＩＡＮＧ Ｗ Ｘ，ＹＵ Ｙ Ｔ，ｅｔ ａｌ． Ｇｒａｐｈ Ｅｍｂｅｄｄｉｎｇ Ｂａｓｅｄ Ａｎｔ Ｃｏｌｏｎｙ Ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ Ｎｅｇａｔｉｖｅ Ｉｎｆｌｕｅｎｃｅ Ｐｒｏｐａｇａｔｉｏｎ Ｓｕｐｐｒｅｓｓｉｏｎ Ｕｎｄｅｒ Ｃｏｓｔ Ｃｏｎｓｔｒａｉｎｔｓ［Ｊ］． Ｓｗａｒｍ ａｎｄ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｃｏｍｐｕｔａｔｉｏｎ，２０２２（７２）：１０１１０２．

［２５］ 陳希瓊，胡大偉，楊倩倩，等． 多目標同時取送貨車輛路徑問題的改進蟻群算法［Ｊ］． 控制理論與應用，２０１８，３５（９）：１３４７－１３５６．

［２６］ ＸＩＡＮＧ Ｘ Ｓ，ＱＩＵ Ｊ Ｆ，ＸＩＡＯ Ｊ Ｈ，ｅｔ ａｌ． Ｄｅｍａｎｄ Ｃｏｖｅｒａｇｅ Ｄｉｖｅｒｓｉｔｙ Ｂａｓｅｄ Ａｎｔ Ｃｏｌｏｎｙ Ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ Ｄｙｎａｍｉｃ Ｖｅ ｈｉｃｌｅ Ｒｏｕｔｉｎｇ Ｐｒｏｂｌｅｍｓ［Ｊ］． Ｅｎｇｉｎｅｅｒｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０２０，２０２０（９１）：１０３５８２．

［２７］ ＸＵ Ｈ Ｔ，ＰＡＮ Ｐ，ＦＥＮＧ Ｄ． Ｄｙｎａｍｉｃ Ｖｅｈｉｃｌｅ Ｒｏｕｔｉｎｇ Ｐｒｏｂｌｅｍｓ ｗｉｔｈ Ｅｎｈａｎｃｅｄ Ａｎｔ Ｃｏｌｏｎｙ Ｏｐｔｉｍｉｚａｔｉｏｎ ［Ｊ］． Ｄｉｓｃｒｅｔｅ Ｄｙｎａｍｉｃｓ ｉｎ Ｎａｔｕｒｅ ａｎｄ Ｓｏｃｉｅｔｙ，２０１８ （４ ）：１－１３．

［２８］ ＢＥＬＬ Ｊ Ｅ，ＭＣＭＵＬＬＥＮ Ｐ Ｒ． Ａｎｔ Ｃｏｌｏｎｙ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ ｔｈｅ Ｖｅｈｉｃｌｅ Ｒｏｕｔｉｎｇ Ｐｒｏｂｌｅｍ ［Ｊ ］．Ａｄｖａｎｃｅｓ Ｅｎｇｉｎｅｅｒｉｎｇ Ｉｎｆｏｒｍａｔｉｃｓ，２００４，１８（１）：４１－４８．

［２９］ ＡＴＬＵＲＩ Ｇ，ＫＡＲＰＡＴＮＥ Ａ，ＫＵＭＡＲ Ｖ． ＳｐａｔｉｏＴｅｍｐｏｒａｌ Ｄａｔａ Ｍｉｎｉｎｇ：Ａ Ｓｕｒｖｅｙ ｏｆ Ｐｒｏｂｌｅｍｓ ａｎｄ Ｍｅｔｈｏｄｓ ［Ｊ］．ＡＣＭ Ｃｏｍｐｕｔｉｎｇ Ｓｕｒｖｅｙｓ，２０１８，５１（４）：１－４１．

［３０］ 游思思． 基于時空信息嵌入的多目標跟蹤方法研究［Ｄ］． 合肥：合肥工業大學，２０２２．

［３１］ ＬＩ Ｚ Ｈ，ＸＩＡ Ｌ Ｘ，ＸＵ Ｙ，ｅｔ ａｌ． ＧＰＴＳＴ：Ｇｅｎｅｒａｔｉｖｅ Ｐｒｅ ｔｒａｉｎｉｎｇ ｏｆ ＳｐａｔｉｏＴｅｍｐｏｒａｌ Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［ＥＢ ／ＯＬ］． （２０２３ － １１ － ０７）［２０２４ － ０１ － １１］． ｈｔｔｐｓ：∥ ａｒｘｉｖ．ｏｒｇ ／ ａｂｓ ／ ２３１１． ０４２４５．

［３２］ 邱玉華． 基于時空軌跡大數據的路線規劃機制的研究與系統構建［Ｄ］． 南京：南京郵電大學，２０２０．

［３３］ ＱＩＡＯ Ｓ Ｊ，ＳＨＥＮ Ｄ Ｙ，ＷＡＮＧ Ｘ Ｔ，ｅｔ ａｌ． Ａ Ｓｅｌｆａｄａｐｔｉｖｅ Ｐａｒａｍｅｔｅｒ Ｓｅｌｅｃｔｉｏｎ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ Ａｐｐｒｏａｃｈ ｖｉａ Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉ ｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０１５，１６（１）：２８４－２９６．

［３４］ ＷＵ Ｗ Ｔ，ＪＩＮ Ｗ Ｚ，ＬＩＮ Ｐ Ｑ． Ｒｅｓｅａｒｃｈ ｏｎ Ｃｈｏｉｃｅ ｏｆ Ｔｒａｖｅｌ Ｍｏｄｅ Ｍｏｄｅｌ Ｂａｓｅｄ ｏｎ Ｎａｉｖｅ Ｂａｙｅｓｉａｎ Ｍｅｔｈｏｄ［Ｃ］∥２０１１ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｂｕｓｉｎｅｓｓ Ｍａｎａｇｅｍｅｎｔ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｉｎｆｏｒｍａｔｉｏｎ． Ｇｕａｎｇｚｈｏｕ：ＩＥＥＥ，２０１１：４３９－４４４．

［３５］ ＢＡＲＲＩＯＳ Ｃ，ＨＩＭＢＥＲＧ Ｈ，ＭＯＴＡＩ Ｙ，ｅｔ ａｌ． Ｍｕｌｔｉｐｌｅ Ｍｏｄｅｌ Ｆｒａｍｅｗｏｒｋ ｏｆ Ａｄａｐｔｉｖｅ Ｅｘｔｅｎｄｅｄ Ｋａｌｍａｎ Ｆｉｌｔｅｒｉｎｇ ｆｏｒ Ｐｒｅｄｉｃｔｉｎｇ Ｖｅｈｉｃｌｅ Ｌｏｃａｔｉｏｎ ［Ｃ］∥ ２０１６ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｃｏｎｆｅｒｅｎｃｅ． Ｔｏｒｏｎｔｏ：ＩＥＥＥ，２００６：１０５３－１０５９．

［３６］ ＺＨＡＮＧ Ｘ Ｙ，ＬＩＵ Ｇ，ＨＵ Ｃ，ｅｔ ａｌ． Ｗａｖｅｌｅｔ Ａｎａｌｙｓｉｓ Ｂａｓｅｄ Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ ｆｏｒ Ｌａｒｇｅ Ｓｈｉｐ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ ［Ｃ ］ ∥ ２０１９ Ｃｈｉｎｅｓｅ Ｃｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ．Ｇｕａｎｇｚｈｏｕ：ＩＥＥＥ，２０１９：２９１３－２９１８．

［３７］ 張迎亞． 基于隱馬爾可夫模型的車輛軌跡預測算法的研究［Ｄ］． 南京：南京郵電大學，２０１７．

［３８］ ＡＮＫＩＴ，ＮＡＲＡＹＡＮＡＮ Ｋ，ＧＨＯＳＨ Ｄ，ｅｔ ａｌ． Ｍｕｌｔｉ ｖａｒｉａｂｌｅ Ｓｔａｔｅ Ｐｒｅｄｉｃｔｉｏｎ：ＨＭＭ Ｂａｓｅｄ Ａｐｐｒｏａｃｈ ｆｏｒ Ｒｅａｌ ｔｉｍｅ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ［Ｃ］∥２０２１ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｏｂｏｔｓ ａｎｄ Ｓｙｓｔｅｍｓ． Ｐｒａｇｕｅ：ＩＥＥＥ，２０２１：８０５２－８０５８．

［３９］ 何鋼磊． 換道場景下智能車輛意圖和軌跡預測方法研究［Ｄ］． 長春：吉林大學，２０２１．

［４０］ ＪＩＡＮＧ Ｙ Ｄ，ＺＨＵ Ｂ，ＹＡＮＧ Ｓ，ｅｔ ａｌ． Ｖｅｈｉｃｌｅ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ Ｃｏｎｓｉｄｅｒｉｎｇ Ｄｒｉｖｅｒ Ｕｎｃｅｒｔａｉｎｔｙ ａｎｄ Ｖｅｈｉｃｌｅ Ｄｙｎａｍｉｃｓ Ｂａｓｅｄ ｏｎ Ｄｙｎａｍｉｃ Ｂａｙｅｓｉａｎ Ｎｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ Ｍａｎ Ｃｙｂｅｒｎｅｔｉｃｓ：Ｓｙｓｔｅｍｓ，２０２３，５３（２）：６８９－７０３．

［４１］ ＰＡＮＧ Ｙ Ｔ，ＺＨＡＯ Ｘ Ｙ，ＨＵ Ｊ Ｍ，ｅｔ ａｌ． Ｂａｙｅｓｉａｎ Ｓｐａｔｉｏ Ｔｅｍｐｏｒａｌ Ｇｒａｐｈ Ｔｒａｎｓｆｏｒｍｅｒ Ｎｅｔｗｏｒｋ （ＢＳＴＡＲ ）ｆｏｒ Ｍｕｌｔｉａｉｒｃｒａｆｔ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ［Ｊ］． ＫｎｏｗｌｅｄｇｅＢａｓｅｄ Ｓｙｓｔｅｍｓ，２０２２（２４９）：１０８９９８．

［４２］ 戴禮燦，劉欣，張海瀛，等． 基于卡爾曼濾波算法展開的飛行目標軌跡預測［Ｊ］． 系統工程與電子技術，２０２３，４５（６）：１８１４－１８２０．

［４３］ ＬＩ Ｚ Ｎ，ＳＵＮ Ｈ，ＸＩＡＯ Ｄ，ｅｔ ａｌ． Ｈｙｂｒｉｄ Ｋａｌｍａｎ Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｖｅｈｉｃｌｅ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ ａｎｄ Ｍｅａｓｕｒｅｍｅｎｔ，２０２４，７３：１－１４．

［４４］ 喬少杰，韓楠，朱新文，等． 基于卡爾曼濾波的動態軌跡預測算法［Ｊ］． 電子學報，２０１８，４６（２）：４１８－４２３．

［４５］ ＫＩＴＡＮＩ Ｋ Ｍ，ＺＩＥＢＡＲＴ Ｂ Ｄ，ＢＡＧＮＥＬＬ Ｊ Ａ，ｅｔ ａｌ．Ａｃｔｉｖｉｔｙ Ｆｏｒｅｃａｓｔｉｎｇ［ＥＢ ／ ＯＬ］． ［２０２４－０１－１５］． ｈｔｔｐｓ：∥ｃｏｕｒｓｅｓ． ｃｓ． ｗａｓｈｉｎｇｔｏｎ． ｅｄｕ ／ ｃｏｕｒｓｅｓ ／ ｃｓｅ５９０ｖ ／ １３ａｕ ／ Ａｃ ｔｉｖｉｔｙ％ ２０Ｆｏｒｅｃａｓｔｉｎｇ． ｐｄｆ．

［４６］ 王澤天，高嶺，高全力． 基于改進馬爾可夫鏈的移動軌跡預測方法［Ｊ］． 西安工程大學學報，２０２０，３４ （２）：９７－１０２．

［４７］ ＮＡＹＡＫ Ａ，ＥＳＫＡＮＤＡＲＩＡＮ Ａ，ＤＯＥＲＺＡＰＨ Ｚ． Ｕｎｃｅｒｔａｉｎｔｙ Ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｐｅｄｅｓｔｒｉａｎ Ｆｕｔｕｒｅ Ｔｒａｊｅｃｔｏｒｙ Ｕｓｉｎｇ Ｂａｙｅｓｉａｎ Ａｐｐｒｏｘｉｍａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｏｐｅｎ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓ ｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０２２，３：６１７－６３０．

［４８］ 喬少杰，韓楠，丁治明，等． 多模式移動對象不確定性軌跡預測模型［Ｊ］． 自動化學報，２０１８，４４（４）：６０８－６１８．

［４９］ ＢＡＲＴＨ Ａ，ＦＲＡＮＫＥ Ｕ． Ｗｈｅｒｅ Ｗｉｌｌ ｔｈｅ Ｏｎｃｏｍｉｎｇ Ｖｅｈｉｃｌｅ Ｂｅ ｔｈｅ Ｎｅｘｔ Ｓｅｃｏｎｄ？ ［Ｃ ］∥ ２０１８ Ｉｎｔｅｌｌｉｇｅｎｔ Ｖｅｈｉｃｌｅｓ Ｓｙｍｐｏｓｉｕｍ． Ｅｉｎｄｈｏｖｅｎ：ＩＥＥＥ，２００８：１０６８－１０７３．

［５０］ ＱＩＡＯ Ｓ Ｊ，ＨＡＮ Ｎ，ＺＨＵ Ｗ，ｅｔ ａｌ． Ｔｒａｐｌａｎ：Ａｎ Ｅｆｆｅｃｔｉｖｅ ＴｈｒｅｅｉｎＯｎｅ Ｔｒａｊｅｃｔｏｒｙｐｒｅｄｉｃｔｉｏｎ Ｍｏｄｅｌ ｉｎ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０１５，１６（３）：１１８８－１１９８．

［５１］ ＢＯＵＢＥＺＯＵＬ Ａ，ＫＯＩＴＡ Ａ，ＤＡＵＣＨＥＲ Ｄ． Ｖｅｈｉｃｌｅ Ｔｒａ ｊｅｃｔｏｒｉｅｓ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒｓ Ｍａｃｈｉｎｅｓ ｆｏｒ Ｆａｉｌｕｒｅ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ［Ｃ］∥２００９ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｓ ｉｎ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｔｏｏｌｓ ｆｏｒ Ｅｎｇｉ ｎｅｅｒｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ． Ｂｅｉｒｕｔ：ＩＥＥＥ，２００９：４８６－４９１．

［５２］ ＺＨＯＵ Ｈ，ＣＨＥＮ Ｙ Ｊ，ＺＨＡＮＧ Ｓ Ｍ． Ｓｈｉｐ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅ ｄｉｃｔｉｏｎ Ｂａｓｅｄ ｏｎ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ［Ｊ］． Ｊｏｕｒｎａｌ ｏｎ Ａｒｔｉ ｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１９，１（１）：２９－３６．

［５３］ ＺＨＡＯ Ｓ，ＬＩ Ｚ Ｚ，ＺＨＵ Ｚ Ｋ，ｅｔ ａｌ． Ａｎ Ｉｎｔｅｇｒａｔｅｄ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ａｃｃｕｒａｔｅ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ［Ｊ ］． Ａｐｐｌｉｅｄ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０２４，５４：１０１６１－１０１７５．

［５４］ ＣＨＥＮ Ｊ Ｌ，ＫＡＮＧ Ｊ Ｗ，ＸＵ Ｍ Ｒ，ｅｔ ａｌ． Ｍｕｌｔｉａｇｅｎｔ Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｄｙｎａｍｉｃ Ａｖａｔａｒ Ｍｉｇｒａｔｉｏｎ ｉｎ Ａｉｏｔｅｎａｂｌｅｄ Ｖｅｈｉｃｕｌａｒ Ｍｅｔａｖｅｒｓｅｓ ｗｉｔｈ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２４，１１ （１）：７０－８３．

［５５］ ＡＬＡＨＩ Ａ，ＧＯＥＬ Ｋ，ＲＡＭＡＮＡＴＨＡＮ Ｖ，ｅｔ ａｌ． Ｓｏｃｉａｌ ＬＳＴＭ：Ｈｕｍａｎ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ ｉｎ Ｃｒｏｗｄｅｄ Ｓｐａｃｅｓ［Ｃ ］ ∥ ２０１６ ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ （ＣＶＰＲ）． Ｌａｓ Ｖｅｇａｓ：ＩＥＥＥ，２０１６：９６１－９７１．

［５６］ ＢＡＲＴＯＬＩ Ｆ，ＬＩＳＡＮＴＩ Ｇ，ＢＡＬＬＡＮ Ｌ，ｅｔ ａｌ． Ｃｏｎｔｅｘｔａｗａｒｅ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｉｃｔｉｏｎ［Ｃ］∥２０１８ ２４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ ｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ （ＩＣＰＲ ）． Ｂｅｉｊｉｎｇ：ＩＥＥＥ，２０１８：１９４１－１９４６．

［５７］ 謝添丞，喬少杰，張桃，等． 基于情景感知與移動數據挖掘的行人軌跡預測方法［Ｊ］． 無線電通信技術，２０２３，４９（４）：６０６－６１５．

［５８］ 喬少杰，韓楠，李天瑞，等． 基于前綴投影技術的大規模軌跡預測模型［Ｊ］． 軟件學報，２０１７，２８ （１１ ）：３０４３－３０５７．

［５９］ ＦＥＮＧ Ｙ Ｙ，ＹＡＮ Ｘ Ｌ． Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ Ｂａｓｅｄ Ｌａｎｅｃｈａｎｇｉｎｇ Ｂｅｈａｖｉｏｒ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ｌａｔｅｒａｌ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ［Ｊ］． Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｎｅｕｒｏｓｃｉｅｎｃｅ，２０２２，１：３６３２３３３．

［６０］ ＧＵＯ Ｌ，ＱＩＮ Ｚ Ｋ，ＧＥ Ｐ，ｅｔ ａｌ． Ａｄａｐｔｉｖｅ Ｌａｎｅｄｅｐａｒｔｕｒｅ Ｐｒｅｄｉｃｔｉｏｎ Ｍｅｔｈｏｄ ｗｉｔｈ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ ａｎｄ Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ Ｍｏｄｅｌｓ ［Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｐａｒｔ ＡＳｙｓｔｅｍｓ，２０２２，１４８（１１）：１６２－１７１．

［６１］ ＦＡＮＧ Ｚ Ｑ，ＰＡＮ Ｌ，ＣＨＥＮ Ｌ，ｅｔ ａｌ． ＭＤＴＰ：Ａ Ｍｕｌｔｉ ｓｏｕｒｃｅ Ｄｅｅｐ Ｔｒａｆｆｉｃ Ｐｒｅｄｉｃｔｉｏｎ Ｆｒａｍｅｗｏｒｋ ｏｖｅｒ Ｓｐａｔｉｏ Ｔｅｍｐｏｒａｌ Ｔｒａｊｅｃｔｏｒｙ Ｄａｔａ ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＶＬＤＢ Ｅｎｄｏｗｍｅｎｔ，２０２１，１４（８）：１２８９－１２９７．

［６２］ ＸＩＡ Ｓ，ＷＡＮＧ Ｚ，ＹＵ Ｈ，ｅｔ ａｌ． Ａ ＰＳＯＧＷＯＲＢＦ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ａｉｒ Ｔａｒｇｅｔ Ｔｒａｊｅｃｔｏｒｙ Ｐｒｅｄｉｃｔｉｏｎ ［Ｃ］∥ Ｐｒｏ ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０２２ ５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａ ｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｈａｎｇｚｈｏｕ：ＩＣＭＬ，２０２２：７６－８１．

［６３］ 王均剛，丁惠倩，胡柏青． 基于滑動窗口ＰＳＯＬＳＳＶＲ 的船舶軌跡預測模型［Ｊ］． 武漢理工大學學報，２０２２，４４（１２）：３５－４３．

［６４］ ＯＭＡＲ Ｍ，ＹＡＫＵＢ Ｆ，ＡＢＤＵＬＬＡＨ Ｓ Ｓ，ｅｔ ａｌ． Ｏｎｅｓｔｅｐ ｖｓ Ｈｏｒｉｚｏｎｓｔｅｐ Ｔｒａｉｎｉｎｇ Ｓｔｒａｔｅｇｉｅｓ ｆｏｒ Ｍｕｌｔｉｓｔｅｐ Ｔｒａｆｆｉｃ Ｆｌｏｗ Ｆｏｒｅｃａｓｔｉｎｇ ｗｉｔｈ Ｄｉｒｅｃｔ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｇｒｉｄ Ｓｅａｒｃｈ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ ａｎｄ Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ ［Ｊ ］． Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ．２０２４，２５２：１２４－１５７．

［６５］ ＭＩＮＧ Ｂ Ｏ Ｊ，ＷＯＮＧ Ｒ Ｔ Ｋ，ＪＡＳＳＥＲ Ｍ Ｂ，ｅｔ ａｌ． Ｐｅｒｆｏｒｍ ａｎｃｅ Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｓａｔｉｏｎ Ｃｏｎｔｒｏｌ ｆｏｒ Ｔｒａｆｆｉｃ Ｌｉｇｈｔ Ｓｙｓｔｅｍｓ ｉｎ Ｒｏｕｎｄａｂｏｕｔｓ ［Ｃ ］∥ ２０２３ ＩＥＥＥ １３ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｙｓｔｅｍ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ． Ｓｈａｈ Ａｌａｍ：ＩＥＥＥ，２０２３：３４０－３４５．

［６６］ 李元東． 可視化群體智能決策山體滑坡實時監測預警系統［Ｄ］． 重慶：重慶郵電大學，２０２１．

［６７］ ＳＥＮＡＰＡＴＩ Ｔ，ＳＡＲＫＡＲ Ａ，ＣＨＥＮ Ｇ Ｙ． Ｅｎｈａｎｃｉｎｇ Ｈｅａｌｔｈｃａｒｅ Ｓｕｐｐｌｙ Ｃｈａｉｎ Ｍａｎａｇｅｍｅｎｔ Ｔｈｒｏｕｇｈ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅｄｒｉｖｅｎ Ｇｒｏｕｐ Ｄｅｃｉｓｉｏｎｍａｋｉｎｇ ｗｉｔｈ Ｓｕｇｅｎｏ Ｗｅｂｅｒ Ｔｒｉａｎｇｕｌａｒ Ｎｏｒｍｓ ｉｎ ａ Ｄｕａｌ Ｈｅｓｉｔａｎｔ Ｑｒｕｎｇ Ｏｒｔｈｏ ｐａｉｒ Ｆｕｚｚｙ Ｃｏｎｔｅｘｔ［Ｊ］． Ｅｎｇｉｎｅｅｒｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０２４，１３５（１）：１０８７９４．

作者簡介

潘樂盈 女，（１９９９—），碩士研究生。主要研究方向：軌跡預測、人工智能、數據挖掘。

（通信作者）韓 楠 女，（１９８４—），博士，副教授。主要研究方向：時空數據庫、人工智能。

羅 娜 女，（２０００—），碩士研究生。主要研究方向：軌跡預測、時空數據庫。

樊瀚林 男，（１９９９—），碩士研究生。主要研究方向：人工智能、軌跡預測、數據庫。

楊博淵 男，（２０００—），碩士研究生。主要研究方向：人工智能、軌跡預測。

張杉彬 男，（１９９８—），碩士研究生。主要研究方向：軌跡預測、數據挖掘、軌跡大數據。

喬少杰 男，（１９８１—），博士，教授。主要研究方向：移動數據庫、時空數據庫、軌跡數據挖掘。