Resumen

La predicción de la trayectoria humana es una tarea esencial para diversas aplicaciones como recomendaciones de viaje, publicidad sensible a la ubicación y planificación del tráfico. La mayoría de los enfoques existentes se basan en modelos secuenciales y producen una predicción mediante la extracción de patrones de comportamiento. Sin embargo, la efectividad de los métodos basados en patrones no es tan buena como se esperaba en condiciones de la vida real, como la escasez de datos o la ausencia de datos. Además, debido a las limitaciones técnicas de los sensores o la situación del tráfico en un momento dado, las personas que van al mismo lugar pueden producir trayectorias diferentes. Incluso para personas que viajan por la misma ruta, los registros de tránsito observados no son exactamente iguales. Por lo tanto, las trayectorias son siempre diversas y extraer la intención del usuario a partir de las trayectorias es difícil. En este artículo, proponemos un modelo de red neuronal recurrente con intención aumentada (AI-RNN) para predecir ubicaciones en trayectorias diversas. Primero

• Materias:Programación centralizada Dispositivos móviles Redes heterogéneas Cooperación de retransmisión Antenas inteligentes
• Subjects:Centralized scheduling Mobile devices Heterogeneous networks Relay cooperation Smart antennas
• Palabras claves:Humano; Predicción de trayectorias; Trayectorias diversas; Red neuronal recurrente de intención aumentada; Redes convolucionales de grafos; Unidades recurrentes con compuertas
• Keywords:Human; Trajectory prediction; Diverse trajectories; Augmented-intention recurrent neural network; Graph convolutional networks; Gated recurrent units