基于长短期记忆网络的移动轨迹目的地预测OA北大核心CSTPCD
移动轨迹目的地预测是基于位置服务的重要一环,现有的预测方法存在历史轨迹不能完全覆盖所有可能的查询轨迹(数据稀疏)问题,没有考虑前缀轨迹点对预测结果的影响差异(长期依赖问题)。为了解决上述问题,提出了轨迹分布式表示方法。首先,将轨迹进行网格划分,把表示位置的高维独热码向量进行降维处理,生成包含地理拓扑关系的低维嵌入向量。其次,对目的地进行聚类,把聚类中心作为簇中轨迹的标签,缩小相似轨迹的差异,放大不相似轨迹的特征,有效克服了数据稀疏问题。在目的地预测中,将自注意力机制引入长短期记忆网络,提出了基于长短期记忆网络的目的地预测模型SATN-LSTM,挖掘序列中的关键点并根据其重要程度分配权重,较好地解决了长期依赖问题。最后,在真实轨迹数据集上进行了多次实验,验证了模型的有效性,并与现有的模型进行对比,验证了本模型具有更好的准确性。
晋广印;赵旭俊;龚艺璇;
太原科技大学计算机科学与技术学院,山西太原030024
计算机与自动化
目的地预测网格划分自注意力机制移动轨迹
《计算机工程与科学》 2024 (003)
P.525-534 / 10
国家自然科学基金(61572343,U1931209);国防科技重点实验室基金(JSY6142219202114);山西省应用基础研究计划(20210302123223,202103021224275)。
评论