基于典型相关分析的轨迹模式学习

黄萍、陆金良

来源标题：国际认知信息学与自然智能杂志（IJCINI）15(2)

国际标准编号：1557-3958|EISSN公司：1557-3966|EISBN13：9781799859833|内政部：10.4018/IJCINI.20210401.oa1号文件

引用文章引用文章

MLA公司

黄，平，陆金良。“通过典型相关分析学习轨迹模式。”IJCINI公司第15卷，第2期，2021年：第1-17页。http://doi.org/10.4018/IJCINI.20210401.oa1

亚太地区

Huang，P.和Lu，J.（2021）。通过典型相关分析学习轨迹模式。国际认知信息学与自然智能杂志（IJCINI），15(2), 1-17. http://doi.org/10.4018/IJCINI.20210401.oa1

芝加哥

黄平，陆金良。“通过典型相关分析学习轨迹模式”国际认知信息学与自然智能杂志（IJCINI）第15页，第2页：1-17。http://doi.org/10.4018/IJCINI.20210401.oa1

导出参考

收藏夹完整发布下载

查看全文HTML

查看全文PDF

摘要

大量研究致力于运动轨迹的分析。通常，运动轨迹由一组坐标组成，称为原始轨迹。本文首先使用向量表示一些人工构造的全局特征，如平均离散曲率和加速度标准差，以表示原始轨迹数据，然后应用多集典型相关分析方法从人工构造的特征中提取潜在特征。然后，通过评估梯度增强决策树模型对不同数据集（包括配对样本数据集和未配对样本数据集中）的准确性和F1得分来衡量潜在特征的性能。实验结果表明，MCCA特征的分类器性能远优于人工构造的特征，如运动距离或平均速度。