行人軌跡預(yù)測(cè)問題是數(shù)據(jù)挖掘領(lǐng)域中重點(diǎn)研究領(lǐng)域之一,這一研究是很多基于地理位置的應(yīng)用服務(wù)的重要基礎(chǔ),如個(gè)性化興趣點(diǎn)（PoI）推薦、地理位置相關(guān)的廣告服務(wù)以及交通規(guī)劃等。隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展、傳感器等感知設(shè)備的普及和信息采集能力的提升,為移動(dòng)軌跡的研究提供了數(shù)據(jù)上的支撐。然而,由于以下兩個(gè)方面的挑戰(zhàn),預(yù)測(cè)下一個(gè)可能出現(xiàn)的地點(diǎn)并非易事:1)收集到的軌跡數(shù)據(jù)的異質(zhì)性和稀疏性;2)行人移動(dòng)潛在的規(guī)律與時(shí)間因素依賴關(guān)系密切且復(fù)雜度高,并且采集過程數(shù)據(jù)具有一定模糊性和隨機(jī)性。當(dāng)前,大多數(shù)預(yù)測(cè)方法或通過挖掘用戶行為模式,或根據(jù)軌跡構(gòu)建序列模型來完成下一個(gè)地點(diǎn)的預(yù)測(cè),上述方法在GPS等連續(xù)、高精度的軌跡預(yù)測(cè)中表現(xiàn)良好。但是用戶在城市中移動(dòng)形成的軌跡場(chǎng)景下,由于數(shù)據(jù)稀疏或數(shù)據(jù)丟失的現(xiàn)象存在,給用戶的移動(dòng)行為模式建模帶來了困難,實(shí)際預(yù)測(cè)表現(xiàn)不佳。本文提出一個(gè)意圖增強(qiáng)的循環(huán)神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型（AI-RNN,AugmentedIntention Recurrent Neural Network）來完成下一個(gè)地點(diǎn)的預(yù)測(cè)任務(wù)。為了獲取用戶移動(dòng)意圖,設(shè)計(jì)了三種軌跡意圖拓?fù)鋱D的構(gòu)造策略:隨機(jī)選擇策略、路徑方向一致性策... 

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景與研究意義
    1.2 研究發(fā)展與現(xiàn)狀
        1.2.1 傳統(tǒng)方法
        1.2.2 深度學(xué)習(xí)方法
    1.3 本文的主要工作
    1.4 論文結(jié)構(gòu)
第2章 移動(dòng)對(duì)象的軌跡預(yù)測(cè)研究
    2.1 個(gè)性化分解馬爾可夫鏈
    2.2 時(shí)空循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.3 基于注意力機(jī)制的預(yù)測(cè)模型
第3章 深度學(xué)習(xí)理論與技術(shù)概要
    3.1 神經(jīng)網(wǎng)絡(luò)
    3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
    3.3 圖卷積神經(jīng)網(wǎng)絡(luò)
    3.4 嵌入
第4章 基于意圖增強(qiáng)的下一個(gè)地點(diǎn)預(yù)測(cè)算法
    4.1 問題的定義與研究動(dòng)機(jī)
        4.1.1 概念定義
        4.1.2 軌跡預(yù)測(cè)研究動(dòng)機(jī)
    4.2 軌跡拓?fù)鋱D策略
        4.2.1 隨機(jī)選擇策略
        4.2.2 路徑方向一致性選擇策略
        4.2.3 軌跡概率選擇策略
        4.2.4 軌跡拓?fù)鋱D構(gòu)造
    4.3 模型架構(gòu)與算法流程
        4.3.1 下一個(gè)地點(diǎn)預(yù)測(cè)模型架構(gòu)
        4.3.2 基于意圖增強(qiáng)的軌跡預(yù)測(cè)算法流程
    4.4 小結(jié)
第5章 實(shí)驗(yàn)與分析
    5.1 數(shù)據(jù)集描述
    5.2 對(duì)比模型與評(píng)價(jià)標(biāo)準(zhǔn)說明
        5.2.1 對(duì)比模型簡(jiǎn)介
        5.2.2 評(píng)價(jià)指標(biāo)
    5.3 實(shí)驗(yàn)結(jié)果與討論
        5.3.1 軌跡規(guī)律性因素的影響
        5.3.2 軌跡時(shí)間因素的影響
        5.3.3 軌跡長(zhǎng)度因素的影響
    5.4 小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來研究展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間主要的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種基于模糊長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)的移動(dòng)對(duì)象軌跡預(yù)測(cè)算法[J]. 李明曉,張恒才,仇培元,程詩奮,陳潔,陸鋒.  測(cè)繪學(xué)報(bào). 2018(12)

碩士論文
[1]面向LBS的用戶移動(dòng)行為預(yù)測(cè)算法研究[D]. 仵筱妍.電子科技大學(xué) 2019
[2]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的軌跡位置預(yù)測(cè)技術(shù)研究[D]. 李幸超.浙江大學(xué) 2016



本文編號(hào)：3667394