基于卷积神经网络的移动对象目的地预测

摘要：

移动对象目的地预测是基于位置服务的一项基本任务.常用的基于历史轨迹的目的地预测方法会引起"数据稀疏问题",即所要查询的轨迹很难与历史轨迹完全匹配.本文提出一种新颖的方法,在实现目的地预测的同时,有效克服了数据稀疏问题.文章首先引入参数化最小描述长度策略(PMDL)对原始轨迹进行最优分段表示,削弱相似轨迹之间的差异程度,增强不相似轨迹各自的重要特征;随后,提出轨迹的像素化表示方法(PRT),将一维轨迹序列转换成二维像素图片,以获取更多空间上的细节信息;最后,从轨迹图像中截取重要特征部位输入卷积神经网络( CNN),进行特征提取和目的地预测.本文在真实轨迹数据集上进行了大量的实验,实验结果表明,与当前先进模型2. 81(105 km)的预测误差相比,本文提出的方法实现了1. 98 (105 km)的预测误差,在有效解决数据稀疏问题的同时,对目的地实现了更为准确的预测.这为解决移动对象目的地预测提供了新的可能.

关键词：目的地预测、数据稀疏问题、PMDL、PRT、CNN

所属期刊栏目：40

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金项目U1433116;南京航空航天大学研究生创新基地实验室开放基金项目kfjj20181605

在线出版日期：2020-01-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2519-2525