一种基于自适应高斯混合模型的海上漂浮物轨迹预测方法

摘要

本发明涉及机器学习领域，提出了一种海洋轨迹聚类及预测的方法。为了准确预测未来的轨迹点需要先进行轨迹聚类。本发明轨迹聚类方法主要是将海上复杂多变性和强波动性的轨迹点进行相似性度量，挖掘其中潜在的数据信息。该方法将高斯混合模型GP与狄利克雷过程DP相结合，利用DP的非参贝叶斯框架，确定聚类数目提高聚类自适应性。算法采用在DP基础上加入中国餐馆过程，采用坍塌的Gibbs sampling方法进行模型求解，实现了由有限混合模型到无限混合模型的无监督分类，可自动获取聚类数目,对已聚类的轨迹通过高斯过程回归预测方法预测未来的轨迹点。本发明避免了人工指定聚类数目和参数估计时局部最大化的弊端，在保证自适应聚类的前提下，提高预测的准确率。