在大数据时代，基于位置的服务（Location-based services）等技术的飞速发展使得人们能够通过具有定位功能的智能设备获取移动对象的大规模地理位置信息。因此，基于大数据的位置预测研究受到越来越多国内外研究者的关注。 然而，现有位置预测方法面临三方面的研究挑战：第一，现有工作大多基于全球定位系统（GPS）等连续数据来分析轨迹规律，而缺乏针对离散、语义缺失或不完整的轨迹数据的有效分析方法。第二，已有的基于单个用户的历史轨迹挖掘方法，尚未充分考虑对象之间的关联性在位置预测中的重要影响，导致冷启动问题仍未有效解决。第三，现有方法尚未充分考虑天气、交通状况等情境因素对位置预测的影响，因而无法充分满足用户对位置预测的多元化需求。 为了应对上述挑战，本文提出了一种基于深度学习的位置预测算法（A Deep Learning Approach for Next Location Prediction，简称DLNLP算法），来解决城市复杂环境下的车辆位置预测问题。本文的主要研究内容包括：首先，对车辆过车记录进行预处理并生成车辆轨迹，将轨迹转化为车辆的离散化位置序列作为算法输入；其次，分析移动车辆行为规律，并考虑情境因素下车辆移动行为的变化，来抽取车辆轨迹的时空多维特征；然后，构建基于深度学习的位置预测算法，融合卷积神经网络与深度双向长短期记忆网络的优势，充分学习车辆轨迹的局部和全局信息。最后，利用厦门市2017年3月的197,021,276条车辆过车记录数据，对本文算法进行实验和验证。实验结果表明，DLNLP 算法与现有算法相比，具有较高的预测精度。 本文的研究贡献包括：第一，提出研究车辆位置预测的方法论，获取了车辆轨迹的多维特征；第二，有效考虑情境因素对位置预测的影响，研究车辆轨迹的动态变化规律；第三，基于深度学习算法进行位置预测，建立特征学习模型，充分学习移动对象的行为规律。本文所提出方法不仅为车辆位置预测提供了新思路，而且有利于交通管理部门开展交通出行管理、缓解拥堵等工作提供大数据决策支持。
展开▼
