论文部分内容阅读
近年来,移动通讯和导航定位技术的发展使得基于位置服务(Location Based Service,LBS)成为人们日常生活的重要部分。在位置信息服务(互联网+位置信息)兴起的当下,研究目标轨迹运动趋势进行目的地预测有了更多的研究价值:预知用户出行目的地可以优化资源调度,发现位置中隐藏的用户行为偏好,实现定向广告推送、热门地点推荐等。当下普遍使用的目的地预测主要是频繁模式挖掘、Markov等基于历史出行轨迹的位置预测算法。近年来得益于并行计算的发展,深度学习快速兴起,目的地预测在应对海量复杂多样的轨迹数据上有了新的突破,多层感知器(Multi-Layer Perceptron,MLP)、循环神经网络(Recurrent Neural Network,RNN)等诸多机器学习模型在位置预测领域得到广泛应用。但是由于轨迹数据的局部分布、序列过长、密度不均、稀疏以及语义缺失等特性,目前的研究成果仍然普遍存在数据特征利用不充分,且存在不同移动对象间关联性缺失等问题。近年来卷积神经网络(Convolutional Neural Networks,CNN)的出现将深度学习推向了近乎所有机器学习任务的最前沿,传统的经典CNN模型具有较低尺度适应能力,诸多研究者设计出了适合轨迹数据挖掘的卷积神经网络,重点提升网络的特征学习能力,使得CNN在目的地预测技术中普遍应用并取得了不俗的成果。本文对国内外目的地预测的研究现状进行深入分析,提出了一种基于深度学习,带有注意力机制的目的地预测技术,构建出一种新型目的地预测模型:MSCNN(Multi-Scale CNN)。该模型在轨迹预处理的基础上,对ID类、用户信息类数据进行元特征嵌入(Embedding),通过因子分解(Factorization Machine,FM)自动提取二阶组合特征送入多层感知器网络,充分挖掘GPS(Global Position System)数据之外的特征信息;对于CNN部分,使用轨迹随机截断后,对轨迹点进行网格化和像素化处理并作为CNN的输入;针对轨迹数据的多尺度特性、密度差异等影响因素,采用多尺度卷积核的卷积层,并对多尺度卷积过程引入视觉注意机制,获取自学习的权重对特征图进行重标定,进一步提升神经网络的空间注意力,挖掘轨迹矩阵的深层特征;融合多层感知器和卷积神经网络联合训练,结合Mean-Shift热点轨迹簇进行概率加权,预测出行目的地。本文利用葡萄牙波尔图市区真实的出租车轨迹数据进行实验,通过轨迹随机截断和聚类分析,针对随机轨迹前缀来预测该市区的出租车行程目的地,预测结果使用Haversine距离函数计算出偏差仅约2.5千米的距离损失预测结果,通过多组实验对比,本文提出的MSCNN模型效果明显好于传统神经网络的2.75千米和基础卷积神经网络的2.55千米,证明了模型的有效性和可靠性。本文提出的多尺度卷积神经网络为目的地预测研究提供了一种新的方法,在实际场景中有良好的应用价值和发展前景。