张永梅， 赖裕平， 马健喆， 冯超， 束颉

(1.北方工业大学 信息学院， 北京 100144； 2.香港理工大学 电子与信息工程系， 香港 00852)

0 引言

装甲车是当代战争中的重要地面武装力量，拥有强大的破坏力以及超远射程，可对远程重要目标进行摧毁。飞机灵活性强、速度快，可以很好地进行空中支援以及对地面目标进行摧毁。

轨迹预测的目的是通过分析移动目标的历史轨迹数据来挖掘数据特征，从而得到轨迹数据模型，进一步实现轨迹的时空预测[1]。无论定位系统、社交平台或基于位置的服务软件等，都记录了移动目标的轨迹点信息。轨迹数据作为移动目标活动规律的历史依据，隐藏着大量的移动目标行为模式及潜在规律，如何从这些轨迹信息中提取有用信息，成为一个研究热点[2]。

当前轨迹预测常用的算法主要包括隐马尔可夫模型(HMM)[3]和混合高斯模型(GMM)[4-5]。HMM本质上是对时间序列的预测，但是对噪声没有较好的鲁棒性，并且随着数据集的增大，预测误差会不断累积。GMM则是一种广泛应用的基于概率统计的预测模型，它将轨迹数据视为由多个高斯过程线性组合产生，通过混合高斯建模，并利用最大似然估计算法求取模型参数，再通过高斯混合回归实现轨迹预测。但当数据复杂度提高时，GMM算法不再具有良好的适用性，而且随着数据集的增大，GMM算法的计算代价也会呈指数倍增加。

深度学习模型能够从像素级原始数据到抽象的语义概念逐层提取信息，学习高效的数据特征表示，并且模拟复杂的非线性问题，适用于多种类型的场景，具有很强的泛化能力，因此出现了基于深度学习的轨迹预测算法。……