原文传递
面向出租车移动轨迹的目的地预测方法研究
| 论文题名： | 面向出租车移动轨迹的目的地预测方法研究 |
| 关键词： | 出租车;移动轨迹;目的地预测;数据稀疏;深度学习 |
| 摘要： | 随着全球定位系统（GlobalPositionSystem，GPS）的普及，基于位置的服务（LocationBased-Service，LBS）已经为人们的生活带来了诸多便利。LBS可将具体的用户（如出租车、行人等）抽象为移动对象，通过GPS获取到移动对象的活动轨迹，并对轨迹数据进行挖掘，具有潜在的重大价值。其中，移动对象的目的地预测是当前基于位置服务的研究热点，该领域一直存在着“数据稀疏”和“长期依赖”等问题，使预测精度和稳定性受到一定的影响。本文针对出租车移动对象开展研究，实验数据集来自kaggle-ECML/PKDD竞赛中的真实数据集。本文的主要贡献总结为以下三点： (1)由于从移动对象获取的轨迹数据具有密度大、维度高、不确定性、噪声干扰严重等特点，并且数据集中所给出的历史轨迹数量有限，会导致数据稀疏问题。为了缓解数据稀疏性，进而提高模型对数据预处理的效率，本文采用一种有效的轨迹分段方法。该方法将轨迹分段问题转化为求无向图的最短路径问题，从而求得轨迹的最佳分段，在一定程度上克服了轨迹预测时的数据稀疏问题。 (2)针对现有RNN进行轨迹目的地预测一直存在长期依赖问题，提出一种基于嵌入式处理与长短时记忆网络相结合的深度学习预测算法EP-LSTM。该方法利用嵌入式处理技术将轨迹序列转化为嵌入向量序列，有效的降低了数据的维度，解决了长期依赖问题，通过实验表明本文所提出方法的预测准确率可达到82.4%，远远高于现有算法的预测准确率。 (3)为加强轨迹数据之间的时空联系，考虑轨迹在平面图上的整体形态，本文提出一种基于卷积神经网络和长短期记忆神经网络的移动对象目的地区域预测算法。该方法有效地结合了卷积神经网络CNN与长短时记忆神经网络LSTM的优点，既考虑了多维特征的提取，又解决了轨迹数据的长期依赖问题。实验结果表明，本文的方法具有较强的学习能力，比现有较好算法的准确率提高了10%到20%，在一定程度上提高了目的地区域预测的准确度。 |
| 作者： | 李冰荣 |
| 专业： | 计算机科学与技术 |
| 导师： | 皮德常 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京航空航天大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
