本文主要研究内容
作者卢照旭（2019）在《基于改进的BiLSTM目的地位置预测技术研究》一文中研究指出：近年来,随着导航定位技术的广泛运用使得研究目标轨迹运动趋势成为可能。根据目标历史轨迹进行目的地预测,在城市资源(出租车、共享单车等)调度和广告精准投放等领域发挥着关键作用。在大量可获取的轨迹数据驱动下,目的地预测一直是人们研究的热点。当前针对目的地预测主要采用Markov模型、频繁模式挖掘等传统方法。同时随之机器学习的广泛发展,基于Adaboost、MLP、LSTM等算法也得到广泛地应用,并取得了较好的研究成果。但目前研究成果普遍存在预测效果受数据稀疏性影响严重、模型对长轨迹序列依赖学习不充分以及轨迹内部蕴含的时空信息也不能有效挖掘等问题,因此有效地根据历史轨迹预测终点问题仍然具有很大挑战。深度学习在近年来的广泛发展,尤其是循环神经网络(Recurrent Neural Network,RNN)能够对序列数据建模,即一个序列当前的输出与前面的输出也有关。这些优势使得RNN能够很自然地运用到序列信息建模领域,并取得了不俗的成果。本文结合国内外位置预测的研究现状,提出了一种基于深度学习并融合时空信息的目的地预测技术。该技术在轨迹预处理的基础上,首先提取轨迹的元数据特征和时空因素矩阵,之后采用编解码的方式来预测轨迹的终点位置。其中编码部分采用一个双向长短时记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)来对轨迹的序列特征进行学习,并在学习过程中引入时空影响因素,解码部分采用多层感知机(Multilayer Perceptron,MLP)模型,将编码部分输出向量与轨迹的属性特征向量一起作为输入,来挖掘轨迹序列的深层特征。同时为提高模型学习效率,对属性特征内所蕴含的高维向量采用Word2vector算法进行降维。本文根据上述算法在真实出租车数据集进行仿真测试。试验结果表明,该模型的目的地预测误差达到2.53,其中dis@5指标下的预测误差可达到2.44,相比于标准循环网络和BiLSTM模型预测精度分别提升了约13%和10%,取得了较好的预测效果,也表明本文所提出的基于改进的BiLSTM目的地位置预测算法具备较高的可行性和有效性。
Abstract
jin nian lai ,sui zhao dao hang ding wei ji shu de an fan yun yong shi de yan jiu mu biao gui ji yun dong qu shi cheng wei ke neng 。gen ju mu biao li shi gui ji jin hang mu de de yu ce ,zai cheng shi zi yuan (chu zu che 、gong xiang chan che deng )diao du he an gao jing zhun tou fang deng ling yu fa hui zhao guan jian zuo yong 。zai da liang ke huo qu de gui ji shu ju qu dong xia ,mu de de yu ce yi zhi shi ren men yan jiu de re dian 。dang qian zhen dui mu de de yu ce zhu yao cai yong Markovmo xing 、pin fan mo shi wa jue deng chuan tong fang fa 。tong shi sui zhi ji qi xue xi de an fan fa zhan ,ji yu Adaboost、MLP、LSTMdeng suan fa ye de dao an fan de ying yong ,bing qu de le jiao hao de yan jiu cheng guo 。dan mu qian yan jiu cheng guo pu bian cun zai yu ce xiao guo shou shu ju xi shu xing ying xiang yan chong 、mo xing dui chang gui ji xu lie yi lai xue xi bu chong fen yi ji gui ji nei bu wen han de shi kong xin xi ye bu neng you xiao wa jue deng wen ti ,yin ci you xiao de gen ju li shi gui ji yu ce zhong dian wen ti reng ran ju you hen da tiao zhan 。shen du xue xi zai jin nian lai de an fan fa zhan ,you ji shi xun huan shen jing wang lao (Recurrent Neural Network,RNN)neng gou dui xu lie shu ju jian mo ,ji yi ge xu lie dang qian de shu chu yu qian mian de shu chu ye you guan 。zhe xie you shi shi de RNNneng gou hen zi ran de yun yong dao xu lie xin xi jian mo ling yu ,bing qu de le bu su de cheng guo 。ben wen jie ge guo nei wai wei zhi yu ce de yan jiu xian zhuang ,di chu le yi chong ji yu shen du xue xi bing rong ge shi kong xin xi de mu de de yu ce ji shu 。gai ji shu zai gui ji yu chu li de ji chu shang ,shou xian di qu gui ji de yuan shu ju te zheng he shi kong yin su ju zhen ,zhi hou cai yong bian jie ma de fang shi lai yu ce gui ji de zhong dian wei zhi 。ji zhong bian ma bu fen cai yong yi ge shuang xiang chang duan shi ji yi wang lao (Bidirectional Long Short-Term Memory,BiLSTM)lai dui gui ji de xu lie te zheng jin hang xue xi ,bing zai xue xi guo cheng zhong yin ru shi kong ying xiang yin su ,jie ma bu fen cai yong duo ceng gan zhi ji (Multilayer Perceptron,MLP)mo xing ,jiang bian ma bu fen shu chu xiang liang yu gui ji de shu xing te zheng xiang liang yi qi zuo wei shu ru ,lai wa jue gui ji xu lie de shen ceng te zheng 。tong shi wei di gao mo xing xue xi xiao lv ,dui shu xing te zheng nei suo wen han de gao wei xiang liang cai yong Word2vectorsuan fa jin hang jiang wei 。ben wen gen ju shang shu suan fa zai zhen shi chu zu che shu ju ji jin hang fang zhen ce shi 。shi yan jie guo biao ming ,gai mo xing de mu de de yu ce wu cha da dao 2.53,ji zhong dis@5zhi biao xia de yu ce wu cha ke da dao 2.44,xiang bi yu biao zhun xun huan wang lao he BiLSTMmo xing yu ce jing du fen bie di sheng le yao 13%he 10%,qu de le jiao hao de yu ce xiao guo ,ye biao ming ben wen suo di chu de ji yu gai jin de BiLSTMmu de de wei zhi yu ce suan fa ju bei jiao gao de ke hang xing he you xiao xing 。
论文参考文献
论文详细介绍
论文作者分别是来自北京邮电大学的卢照旭，发表于刊物北京邮电大学2019-07-19论文，是一篇关于目的地预测论文,深度学习论文,双向长短时记忆网络论文,时空嵌入论文,北京邮电大学2019-07-19论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自北京邮电大学2019-07-19论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：目的地预测论文; 深度学习论文; 双向长短时记忆网络论文; 时空嵌入论文; 北京邮电大学2019-07-19论文;