基于嵌入学习的车辆目的地预测研究与实现

摘要

近年来，汽车行业进入体验经济时代，人们对汽车的智能化需求越来越高。汽车的人机交互方式发生巨大变革，车载系统成为影响用户体验的关键因素。出行前目的地预测在用户即将出发前为其预测目的地，方便车载系统提供地点推荐、路线规划、反馈路况等更智能的服务，对汽车出行分布分析、辅助城市交通系统规划等具有重要意义，受到研究者和业界的广泛关注。　　目前出行前目的地预测研究侧重于采用地点之间的映射关系，而忽略了用户的个性化出行特征，这些特征对于预测任务至关重要；此外，这些研究往往基于用户历史目的地的统计概率进行预测，难以预测用户少去或未去过的地点，因此预测准确性受限。本文旨在解决上述问题，提高出行前目的地预测的准确性，问题的解决具有以下难点：①从稀疏数据中挖掘复杂的用户-地点映射关系，对用户个性化出行特征进行有效建模；②提取由用户、时间、地点组成的出行三元组中的关键信息；③对车辆出行网络中用户出行深层次信息的有效挖掘。针对以上难点，本文提出基于嵌入学习的车辆目的地预测模型，以嵌入的形式表示用户出行特征及地理位置特征，并基于节点嵌入生成预测结果。　　本文的主要工作如下：　　①介绍了车辆目的地预测课题的研究背景、研究意义及国内外研究现状，总结现有方法的优缺点，分析数据集中的用户出行时空规律，提出本文模型的设计思路。　　②提出基于嵌入组合学习的预测模型：通过出行三元组（用户、出发时间、出发地）中各元组的嵌入学习，实现对用户、时间及地点的特征建模以解决难点①；提出基于多层感知机的嵌入组合机制，从各元组嵌入中抽取关键信息组合，形成三元组的组合嵌入表示以解决难点②；设计目的地概率排序优化方法，更新嵌入和模型中的参数；基于出行三元组嵌入与候选目的地嵌入生成目的地预测结果；最后通过实验验证所提模型的有效性。　　③提出基于嵌入传播学习的预测模型：基于图神经网络的思想设计了嵌入传播机制以解决难点③，将节点的邻域信息传播至目标节点嵌入，挖掘车辆出行网络中节点间深层次的交互信息；提出节点相关性排序优化方法更新模型参数；最后将出行三元组嵌入输入预测模型中生成预测结果，并进行实验验证。　　④根据所提模型设计并实现了车辆目的地预测系统，包括车辆目的地预测和POI推荐等功能，实现用户出行前目的地预测并对其可能感兴趣的地点进行推荐。

目录

1 绪论

1.1 课题背景与研究意义

1.2 国内外研究现状

1.2.1 出行中目的地预测

1.2.2 出行前目的地预测

1.3 本文的研究内容

1.4 本文的组织结构

2 相关理论与技术分析

2.1 嵌入技术

2.2 数据预处理技术

2.3 推荐算法

2.4 深度学习技术

2.5 图神经网络技术

2.6 本章小结

3 基于嵌入组合学习的车辆目的地预测

3.1 数据集分析

3.1.1 数据预处理

3.1.2 用户出行时间分析

3.1.3 用户出行地点分析

3.2 算法模型

3.2.1 出行三元组嵌入组合表示

3.2.2 目的地概率排序优化方法

3.2.3 算法步骤

3.3 实验及结果分析

3.3.1 实验设置

3.3.2 模型预测效果

3.3.3 参数分析

3.3.4 优化方法对模型性能的影响

3.3.5 冷启动用户的预测效果

3.4 本章小结

4 基于嵌入传播学习的车辆目的地预测

4.1 算法模型

4.1.1 基于图神经网络的嵌入传播机制

4.1.2 节点相关性排序优化方法

4.1.3 目的地预测

4.2.1 实验设置

4.2.2 模型预测效果

4.2.3 用户个性化因素对模型性能的影响

4.2.4 冷启动用户的预测效果

4.3 本章小结

5 车辆目的地预测系统的设计与实现

5.1 系统设计

5.1.1 系统需求分析

5.1.2 系统框架设计

5.1.3 系统功能设计

5.1.4 数据库设计

5.2 系统实现

5.2.1 用户登录注册模块实现

5.2.2 系统管理模块实现

5.2.3 目的地预测模块实现

5.2.4 POI 推荐模块实现

5.3 本章小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

附

A 作者在攻读硕士学位期间发表的论文

B 作者在攻读硕士学位期间参与的科研项目

C 学位论文数据集

致谢