[发明专利]一种基于IMM-GMR模型的社会行为体位置预测方法

权利要求书

1.一种基于IMM-GMR模型的社会行为体位置预测方法，其特征在于，所述方法包括：

步骤S1、获取社会行为体的坐标数据集，所述坐标数据集中的数据表征所述社会行为体的轨迹，对所述社会行为体的轨迹进行分段；

步骤S2、对经分段的各个轨迹段进行聚类分析，得到若干聚类簇，为每一个聚类簇构建对应的GMM模型；

步骤S3、构建与各个GMM模型分别对应的GMR模型，当构建的GMR模型的数量等于所述聚类簇的数量时，构建IMM-GMR模型；

其中，在所述步骤S3中：

当构建的所述各个GMM模型的数量等于所述聚类簇的数量N时，构建与所述各个GMM模型分别对应的N个GMR模型；否则，重新为所述每一个聚类簇构建所述对应的GMM模型；

其中，构建所述GMR模型具体包括，设训练数据集为测试数据集为为输入，为对应的输出，为关于的回归函数，为的预测值，则有：

其中，表示混合权重，表示第k个GMM模型的估计值；

其中，在所述步骤S3中，当构建的各个GMR模型的数量等于所述聚类簇的数量N时，基于所述各个GMR模型构建所述IMM-GMR模型；其中，所述IMM-GMR模型表示为：

其中，表示第k+1个时刻位置，f_k()表示第k个非线性状态转移函数，w(k)表示预测过程噪声，z(k)表示第k个时刻的观测值，h_k()表示第k个非线性测量函数，v(k)表示测量过程噪声，设系统模型集为M＝{m₁，m₂，...，m_n}，m(k)表示采样时刻k的有效模式，在无条件约束下，从m_j(k)到m_i(k+1)为一阶马尔可夫过程，转移概率p{m_j(k)|m_i(k+1)}记为π_ji，预测概率p{m_j(k)|m_i(k+1)，z^k}记为μ_j|i(k)，z^k＝{z(1)，z(2)，...，z(k)}；

其中，在所述步骤S3中，构建的所述IMM-GMR模型用于预测所述社会行为体的轨迹，具体包括：

GMR模型m_i在k时刻为系统匹配GMR模型的概率为模型概率p{m_i(k)|z^k}，记为μ_i(k)，其为基于滤波器输出的残差信息以及各模型先验信息π_ji的最大后验概率；

对各个GMR模型的滤波输出进行加权融合，如下式所示：

其中，表示输入交互后的状态估计，混合了k时刻N个GMR模型的真值，表示GMR模型j在第k时刻的模型状态估计，μ_j|i(k)表示所述GMR模型i到所述GMR模型j的预测概率，P_0i(k)为误差协方差阵；

分别对所述各个GMR模型进行回归预测，得到每个GMR模型的k+1时刻的估计值，如下式所示：

其中，为所述GMR模型i中的预测值，滤波器输出残差ε_i(k)表示为下式：

残差的协方差矩阵S_i(k)如下式所示：

进行GMR模型匹配时，S_i(k)为高斯白噪声，状态估计残差为0，则其似然函数Ξ_i(k)如下式所示：

根据每个GMR模型的似然函数，对模型概率进行更新，如下式所示：

将各滤波估计结果根据模型概率进行融合，如下式所示：