基于轨迹挖掘模型的旅游景点推荐

针对旅游推荐系统中基于内容的推荐和基于协同过滤的推荐方法的数据稀疏性和冷启动问题,以及现有轨迹挖掘方法忽略旅游轨迹中高级语义的问题,提出基于门控循环单元轨迹挖掘模型的推荐方法.为了充分利用旅游轨迹的高级语义信息,基于循环神经网络设计轨迹挖掘表示模型,对游客的旅游轨迹进行建模,在利用游客历史轨迹建模后向游客提供个性化旅游景点推荐.在真实旅游轨迹数据集上的实验表明,相比广泛使用的基线方法,文中方法在景点推荐的准确性和质量上都有一定提高.

基于深度学习的车辆换道轨迹模型研究

本文以真实车辆轨迹数据为依托,通过数据处理提取车辆换道轨迹数据,利用深度学习提取数据特征的强大能力,提出了基于门控循环单元的换道轨迹模型,描述和预测换道执行过程的轨迹。

基于CNN-GRU的船舶轨迹预测

针对现有基于CNN、GRU及CNN-LSTM的船舶轨迹预测模型精度不高、运行时间较长等问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)和门控循环单元(Gated Recurrent Unit,GRU)的船舶轨迹预测混合模型(CNN-GRU).构建了基于船舶AIS信息的船舶轨迹特征表达方法,以目标船舶连续4个时刻的轨迹特征值作为输入,以第5个时刻轨迹特征值作为输出,训练构建的CNN-GRU轨迹预测网络,对未来船舶轨迹进行预测,并与现有模型进行对比.实例验证表明:CNN-GRU模型的预测精度显著提升,经度误差不超过3×10^(-5)(°),纬度误差不超过5.5×10^(-4)(°),相较于CNN-LSTM模型,预测效率显著提高,运行时间减少19.1 s.

基于深度学习的出行模式识别方法

居民出行信息可体现居民活动规律、反映城市交通问题,是制定交通规划与管理的重要依据.利用GPS获取的轨迹数据虽具有大量时空信息但不能直接表达出行模式,需要数据处理和挖掘算法提取隐藏知识来识别出行模式.由于居民出行模式具有高度的非线性和复杂性,识别具有很大挑战.本文利用深度学习方法的特征学习表征优势,解决特征提取的繁琐计算或漏提特征等弊端,通过对轨迹进行去野和划分等预处理后,计算轨迹片段的运动学特征构成输入数据,提出基于卷积神经网络与门控循环单元相结合的识别出行模式方法,利用卷积神经网络的深层特征表征优势和门控循环单元的时序特性挖掘能力,提高对非线性分类问题的学习能力和识别出行模式的准确性.为验证所提出方法的有效性,还设计单独的卷积神经网络和门控循环单元等模型,在Geolife数据集上进行测试和对比.实验结果表明,本文方法虽仅计算4个特征量仍具有较好的识别效果,并且优于单独采用卷积神经网络等分类方法的识别性能.