出租车目的地预测的深度学习方法

摘要：

出租车目的地预测可以掌握出租车的流动方向,便于出租车调度.已有的预测方法多仅利用轨迹序列的原始特征作为预测模型的输入,忽略了原始特征背后的时空数据,造成轨迹时空信息缺失.针对以上问题,提出出租车目的地预测的深度学习方法DLDP.首先采用滑动窗口,基于速度、转角利用统计量计算得到轨迹的高层特征.其次,自动编码器将高层特征转换为固定长度的潜在空间表示,得到轨迹的深度特征.最后,将深度特征和原始特征相结合,一同作为LSTM的输入进行预测.实验表明,DLDP比传统RNN预测模型的准确率提高了9％,平均距离误差减少了1 km.

关键词：特征提取、自编码器、LSTM、轨迹预测

所属期刊栏目：42

分类号：TP391(计算技术、计算机技术)

资助基金：中央高校基本科研业务费专项资金;教育部博士点基金;江苏省自然科学基金

在线出版日期：2020-03-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：185-190