[论文解读] Moving Objects Analytics: Survey on Future Location & Trajectory Prediction Methods.

Harris Georgiou, Σοφία Καραγιώργου+5 more|arXiv (Cornell University)|Jul 11, 2018

Data Management and Algorithms参考文献 100被引用 25

一句话总结

本综述对移动对象的未来位置与轨迹预测方法进行了全面分析，提出了50多种预测算法的新分类体系，并评估了真实世界数据集。研究识别了大数据分析中的关键挑战——数据量（volume）、数据流速（velocity）与数据多样性（variety），并强调需要采用混合、上下文感知及增量学习方法，以提升航空、交通和野生动物追踪等领域的实时与长期移动性预测准确性。

ABSTRACT

The tremendous growth of positioning technologies and GPS enabled devices has produced huge volumes of tracking data during the recent years. This source of information constitutes a rich input for data analytics processes, either offline (e.g. cluster analysis, hot motion discovery) or online (e.g. short-term forecasting of forthcoming positions). This paper focuses on predictive analytics for moving objects (could be pedestrians, cars, vessels, planes, animals, etc.) and surveys the state-of-the-art in the context of future location and trajectory prediction. We provide an extensive review of over 50 works, also proposing a novel taxonomy of predictive algorithms over moving objects. We also list the properties of several real datasets used in the past for validation purposes of those works and, motivated by this, we discuss challenges that arise in the transition from conventional to Big Data applications.

研究动机与目标

• 为应对移动性数据预测分析日益增长的需求，通过调研最先进的未来位置与轨迹预测方法。
• 识别并形式化实际部署中的关键挑战，特别是时空数据流中的大数据3V问题（数据量、流速、多样性）。
• 提出一种针对移动对象的预测算法新分类体系，以实现对现有技术更优的分类与比较。
• 评估并总结先前研究中使用的实际数据集，突出其特性与局限性，以支持未来基准测试。
• 探索语义增强、多源数据融合与上下文感知预测等新兴趋势，以指导未来研究方向。

提出的方法

• 系统性回顾50余篇关于时空数据中未来位置与轨迹预测的学术文献。
• 基于数据类型、预测类型（位置 vs. 轨迹）及建模方法（如统计方法、机器学习、深度学习）构建新的预测算法分类体系。
• 分析并分类先前研究中使用的实际数据集，包括其时空分辨率、对象类型及标注特征。
• 通过回顾语义增强技术（如上下文标注：停留/移动时段、区域进入等）与外部数据（如天气、交通）的集成，分析数据多样性的影响力。
• 研究结合历史模式与实时数据及上下文线索（如雷达、ADS-B）的混合预测方法，以提升准确性。
• 提出一种增量式在线学习框架，以应对高速数据流并长期保持预测的相关性。

实验结果

研究问题

• RQ1 用于移动对象未来位置与轨迹预测的预测算法的主要类别及其特征是什么？
• RQ2 移动性数据的体量、流速与多样性如何在实际应用中挑战传统预测方法？
• RQ3 语义增强（如活动类型、区域转换）在提升轨迹预测的准确性与可操作性方面发挥什么作用？
• RQ4 如何有效融合具有不同采样率与同步性的多源数据（如GPS、雷达、ADS-B）以实现实时预测？
• RQ5 当前方法在处理大数据工作负载方面存在哪些关键局限？未来应采取哪些研究方向以弥补这一差距？

主要发现

• 当前最先进的轨迹预测技术在应对大数据挑战方面仍显不足，特别是在可扩展性与实时处理方面。
• 提出了涵盖50多种预测方法的新分类体系，使基于数据类型、预测类型与建模技术的算法分类与比较更加清晰。
• 语义感知的轨迹预测（如航空领域预测“爬升顶点”或“接地阶段”）正成为传统预测任务的重要延伸。
• 多源数据融合（如GPS、雷达、ADS-B）面临显著挑战，包括时钟异步、采样率差异与覆盖间隙，需依赖自适应与增量学习模型。
• 上下文数据（如天气、交通）的集成可提升预测准确性，但同时也增加了数据集成与处理管道的复杂性。
• 在可扩展、增量式与混合预测系统方面存在明显的研究空白，此类系统需能处理高速数据流，同时在实际部署中保持准确性与时效性。