基于循环神经网络的轨迹压缩算法

随着定位技术和存储技术的发展,海量的轨迹被人类记录。如何有效地压缩轨迹中最被人关注的空间路径信息并无损地将原始信息还原,引起了人们的广泛关注。轨迹压缩算法主要分为基于简化线段的压缩和基于路网的轨迹压缩两类,现有算法存在算法假设不合理、压缩能力差等缺点。文中根据路网中轨迹的分布特性以及循环神经网络对变长时序序列的建模能力,提出了基于循环神经网络的轨迹压缩算法,通过深度学习模型高效地概括轨迹分布,同时利用路网结构进一步缩小压缩空间,定量分析了不同输入对算法压缩比的影响。最后通过实验证明,基于循环神经网络的轨迹压缩算法不仅具有比现有算法更高的压缩比,还能支持未经过训练的轨迹数据的压缩;同时验证了终点信息如何对算法压缩比产生影响的假设。

一种自动化集装箱码头出口箱进箱选位算法

自动化集装箱码头的出口箱进箱选位是自动化码头运营的难点之一。针对带中转排的自动化码头出口箱进箱选位问题,提出一种两倍状态多阶段动态规划算法。在阶段划分时,将阶段数量增加至原有的2倍,以适应2种状态转移,而在进行状态转移时,对2种状态分别计算来获得更优的结果。实验结果表明,与现有的动态规划方法相比,该算法通过应用更精确的状态转移方程,可使翻箱数量降低20%。