来源：期刊VIP网 时间：
作者：相东升;李成;陈浩;陈澄;李波;韩楠;谢添丞;杨春芳;乔少杰;
单位：成都信息工程大学软件工程学院;成都市公安局科技信息化处;成都市公安信息技术研究所;四川省妇幼保健院信息部;成都信息工程大学管理学院;网络空间安全教育部重点实验室;河南省网络空间态势感知重点实验室;
摘要：重点人员轨迹预测对于预防潜在犯罪行为、优化应急响应及情报分析具有重要作用，公安部门应用该项技术能够维护社会稳定、提高城市管理效率、促进经济发展。现有技术面临动态环境适应、忽视社交影响范围、周围移动对象影响量化等挑战，基于此提出一种新型融合时空查询的基于目的地意图学习的重点人员长期轨迹区域预测模型。针对移动对象轨迹时空特征难以捕获的问题，提出一种基于时空多注意力(Spatio-Temporal Multiple Attention, STMA)机制的重点人员轨迹预测模型，通过时间注意力模块和空间注意力模块分别捕捉时间依赖关系和空间交互关系，提高模型对行为特征变化的敏感性；针对社交影响力难以量化的问题，构建社会力函数模拟行人社交影响力，通过虚拟轮廓构建方法和社会力函数，准确模拟动态行为并提高影响力捕捉效率。实验基于真实世界交通数据集进行，结果表明：与当前先进的轨迹预测算法相比，STMA在长短期预测方面均展现出更高的准确率和可靠性，在长期预测方面，其平均准确率为54.3%,比代表性算法Sophie、行人轨迹图表示的时空卷积网络(Social Spatio Temporal Graph Convolutional Neural Network, S-STGCNN)和条件生成神经系统(Conditional Generative Neural System, CGNS)分别高29.3%、13.4%和36.8%。
关键词：时空轨迹;;轨迹预测;;多注意力机制;;虚拟轮廓;;社会力函数
基金资助：国家自然科学基金(62272066);; 四川省科技计划资助(2025ZNSFSC0044,2025YFHZ0194,2024YFFK0413);; 成都市技术创新研发项目(2024-YF05-01217-SN);; 成都市区域科技创新合作项目(2025-YF11-00050-HZ);; 成都市重点研发支撑计划产业链协同创新项目(2025-XT00-00005-GX);; 成都市技术创新研发项目重点项目(2025-YF08-00016-GX);; 网络空间安全教育部重点实验室及河南省网络空间态势
