基于改进的BiLSTM目的地位置预测技术研究

论文摘要

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。

论文目录

摘要

ABSTRACT

第一章绪论

1.1 选题背景和研究意义

1.2 国内外目的地位置预测研究概述

1.3 主要研究工作

1.4 本文的贡献

1.5 本文组织结构

第二章相关理论研究

2.1 轨迹数据处理相关技术

2.1.1 轨迹过滤

2.1.2 轨迹插值

2.2 位置预测相关技术概述

2.2.1 基于Markov模型的位置预测

2.2.2 基于频繁模式的位置预测

2.2.3 基于决策树的位置预测

2.3 深度学习相关技术

2.3.1 基于MLP的位置预测

2.3.2 基于CNN的位置预测

2.3.3 基于LSTM的位置预测

2.4 目的地位置预测研究现状总结

2.5 本章小结

第三章基于ST-BILSTM的目的地位置预测技术

3.1 问题描述和算法流程

3.1.1 基于历史轨迹目的地位置预测定义

3.1.2 算法框架

3.2 轨迹数据预处理

3.2.1 轨迹过滤

3.2.2 轨迹补全

3.2.3 轨迹压缩

3.2.4 属性特征提取

3.2.5 数据标准化

3.3 基于WORD2VECTOR的高维特征降维

3.3.1 Word2Vector算法概述

3.3.2 基于Word2 Vector的属性特征降维

3.4 时空因子嵌入

3.5 基于编解码方式的目的地位置预测

3.5.1 基于ST-BiLSTM的轨迹编码

3.5.2 基于MLP的解码输出

3.5.3 模型训练与优化

3.6 本章小结

第四章基于ST-BILSTM的目的地位置预测算法验证

4.1 实验配置与过程

4.1.1 运行环境说明

4.1.2 数据集介绍

4.1.3 实验流程安排

4.2 实验与结果分析

4.2.1 实验参数设置

4.2.2 对比算法与评价指标

4.2.3 实验结果分析

4.3 本章小结

第五章总结与展望

5.1 论文工作总结

5.2 未来研究工作展望

参考文献

致谢

攻读学位期间发表的学术论文

文章来源

类型: 硕士论文

作者: 卢照旭

导师: 赵方

关键词: 目的地预测,深度学习,双向长短时记忆网络,时空嵌入

来源: 北京邮电大学

年度: 2019

分类: 基础科学

专业: 自然地理学和测绘学

单位: 北京邮电大学

分类号: P228.4

总页数: 70

文件大小: 5059K

下载量: 250

基于改进的BiLSTM目的地位置预测技术研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢