论文部分内容阅读
车辆移动轨迹的不确定性及异常点段的存在使其在数字交通领域的应用面临挑战.本文构建基于数据增强的LSTM-AE-Attention深度学习模型,进行车辆轨迹重建和异常轨迹识别.首先,使用对抗生成网络和贝塞尔样条曲线从样本量和种类两方面扩充数据集,实现数据增强;其次,通过自编码网络与长短时记忆神经网络提取轨迹特征并完成轨迹重建;最后,结合自编码网络预训练和注意力机制构建异常识别模型.采用实际车辆轨迹数据测试,模型的评价指标明显优于支持向量机、随机森林和长短时记忆神经网络模型,重建实验中模型的决定系数为0.968,异常识别实验中模型的F1值较对比模型平均提升9.8％.结果表明,本文提出的模型可有效、可靠地运用于平滑车辆轨迹数据和纠正异常车辆轨迹.