Search academic texts

Information × Registration Number 2126U000286, Article popup.category Опубліковано, Стаття Title DEEP LEARNING MODELS FOR PREDICTING HUMAN MOVEMENT IN VIDEO STREAMS popup.author Білоус Н. В.Іванічев В. О.Bilous N. V.Ivanichev V. O. popup.publication 27-03-2026 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/352436 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. Завдання точного прогнозування руху людини в середовищі є критично важливим для застосувань у системах моніторингу, пошуку та навігації. Існуючим підходам часто складно інтегрувати просторову та часову динаміку траєкторій під час обробки потокового відео в реальному часі.Мета роботи. Розробити фреймворк на основі глибинного навчання, здатний прогнозувати рух людини шляхом поєднання ознак на рівні об’єктів і просторово-часової інформації про траєкторії, отриманої з відеопотоків.Метод. Запропонований підхід інтегрує YOLO11 для детекції об’єктів, що дає змогу отримувати координати, швидкість, напрям руху та положення відносно оточення. Графова нейронна мережа моделює локальні й глобальні зв’язки між вузлами середовища, агрегуючи ознаки з урахуванням структури місцевості та перешкод. Просторово-часова увага виділяє найрелевантніші моменти траєкторії, підвищуючи точність передбачення. Модель обробляє послідовності кадрів із відеопотоків і в реальному часі прогнозує наступні позиції кожного відстежуваного об’єкта.Результати. Експерименти на відеопослідовностях із різними сценаріями руху, довжинами траєкторій і варіаціями швидкості показали високу точність прогнозування. Запропонований метод ефективно поєднує просторові та часові ознаки й перевершує базові моделі в задачах трекінгу та передбачення руху.Висновки. Отримані результати підтверджують придатність запропонованого фреймворку глибинного навчання для прогнозування руху людини в реальному часі у складних середовищах. Подальші дослідження можуть бути зосереджені на розширенні підходу до багатоагентних сценаріїв, оптимізації обчислювальної продуктивності та тестуванні на більших і різноманітніших наборах даних. popup.nrat_date 2026-04-20 Close