基于循环神经网络的轨迹位置预测技术研究

摘要

随着智能设备的普及，获取由空间地理位置信息构成的用户轨迹变得非常便捷。而这些历史轨迹中往往蕴含着丰富的信息，如用户的兴趣爱好、行为模式等。基于历史轨迹预测位置技术一直以来都是其中的研究热点，也取得了大量的研究成果。特别是随着基于位置服务(LBS)的蓬勃发展，有效的位置预测能够让用户有良好的体验，具有较高的实用价值和广泛的应用场景。
　　本文回顾了基于历史轨迹的位置预测技术的研究进展，总结目前存在的一些问题:从原始的GPS点的轨迹序列中不能有效的提取驻足点(stay point)，驻足点是指人们花了一段时间进行一些活动的地点;位置预测的准确率偏低等。针对这些存在的问题，结合实际的应用场景，本文提出了全新的循环神经网络预测算法。
　　本文首先提出了一种基于多级聚类的重要位置(landmark)提取算法，通过启发式的异常值过滤、区域一致性扩展的驻足点提取、基于密度的聚类算法(DBSCAN)的重要位置提取这一流程将连续密集的原始轨迹序列转变为由重要位置构成的轨迹序列。其中利用空间换时间思想加快了驻足点提取算法的执行效率。
　　通常待预测的位置与已访问的位置信息存在某种上下文语义联系，根据这一假设本文提出了一种全新的基于长短型记忆循环神经网络的位置预测模型。将离散化的重要位置索引序列作为模型的输入，提取位置的特征向量和位置之间的相关性，继而预测下一个位置。
　　基于上述提出的技术方法，对于真实的轨迹数据集，利用热力图可视化方式验证了重要位置提取算法的可靠性。更重要的是位置预测模型的也得到了较合理的结果。设置10米和50米不同的区域半径得到的准确率分别为49.52％和71.25％。对比传统的预测模型准确率有了进一步的提升。

目录

声明

摘要

第1章 绪论

1．1 课题背景与研究意义

1．2 国内外位置预测研究情况

1．3 本文工作与贡献

1．4 论文结构

1．5 本章小结

第2章 位置预测的相关技术

2．1 位置预测的基本描述

2．1．1 轨迹数据的语义结构

2．1．2 轨迹预测的基本过程

2．2 相关技术概述

2．2．1 轨迹数据的获取

2．2．2 轨迹数据预处理技术

2．2．3 驻足点提取技术

2．2．4 位置预测技术

2．2．5 深度学习相关技术

2．3 本章小结

第3章 问题描述和算法流程

3．1 基于历史轨迹的位置预测定义

3．2 本文位置预测的算法流程

3．3 本章小结

第4章 基于多级聚类算法的重要位置提取

4．1 轨迹数据的预处理

4．1．1 启发式的异常值检测

4．2 基于区域一致性扩展的驻足点提取方法

4．3 基于DBSCAN的重要位置提取方法

4．4 本章小结

第5章 基于循环神经网络的位置预测方法

5．1 引言

5．2 基于循环神经网络轨迹位置预测模型

5．2．1 预测模型框架

5．2．2 下一个位置的预测

5．2．3 LSTM模块

5．3 本章小结

第6章 实验结果及分析

6．1 实验配置

6．1．1 运行环境

6．1．2 数据集描述

6．2 实验结果与分析

6．2．1 重要位置提取结果

6．2．2 下一个位置预测结果

6．2．3 模型实验结果对比

6．3 本章小结

第7章 总结与展望

7．1 本文主要工作与贡献

7．2 未来研究工作展望

参考文献

致谢