一种基于模糊长短期神经网络的移动对象轨迹预测算法
预测移动对象未来某时刻位置能够为城市规划与管理 、城市公共安全、城市应急指挥等提供重要的决策依据,也可为个性化信息推荐、广告定投等基于位置的服务应用提供技术支持.已有预测算法多采用固定格网剖分,位置相近轨迹点常被划分至不同格网,使得潜在轨迹模式被忽略,降低了预测精度.此外,已有预测模型不能有效学习到长序列轨迹有效信息,造成长期依赖问题.本文提出一种基于模糊长短时记忆神经网络(fuzzy long short term memory network,Fuzzy-LSTM)模型的移动对象轨迹预测算法,引入模糊轨迹概念解决固定格网剖分所导致的尖锐边界问题,并对传统LSTM进行改进,综合利用移动对象历史轨迹邻近性和周期性出行特征,提高移动对象轨迹位置预测精度.最后,采用某市10万用户连续15个工作日的移动通讯信令轨迹数据集对方法进行试验分析.结果表明,本文方法在30 mi n预测周期内的预测平均准确率达到839.8%,较经典的Na甭ve-LSTM预测模型和NLPMM预测模型分别提高了43.6% 和69.5%.
位置预测、模糊空间划分、LSTM、轨迹数据挖掘、深度学习
47
P208(一般性问题)
国家自然科学基金41771436,41571431,41771476;国家重点研发计划2016YFB0502104
2019-01-17(万方平台首次上网日期,不代表论文的发表时间)
共10页
1660-1669