基于时空轨迹的位置表示学习方法研究

发布时间：2021-03-12 20:02

　　随着智慧城市建设对城市交通信息分析利用需求的不断增长和用户时空轨迹数据的不断积累,基于位置的数据挖掘开始被广泛研究。人们希望能够更加准确地掌握城市发展中存在的交通问题和需求,以便于更加有效地采取应对措施。此外,基于位置的数据挖掘还可以辅助进行与位置相关的商业活动。在基于位置的数据挖掘研究中,位置表示学习是一项十分重要的基础研究任务。位置表示学习的目标是为每个位置学习一个嵌入的隐含特征向量表示。目前已有的大部分位置表示方法都只考虑了轨迹数据中位置的空间和序列关系,而忽略了在一条轨迹中用户到达特定位置的时间信息的影响。考虑到用户的到达时间可以明确地反映位置的功能特征,所以将到达时间信息嵌入到位置表示学习中是非常有必要的。本文提出了一种融入时间信息的位置表示学习方法（Time-Aware Location Embedding,TALE）,从时空轨迹数据中对位置的分布式向量表示进行学习。在该方法中我们基于层次softmax模型设计了一种新颖的树结构,将轨迹数据中的时间信息作为多叉树的子节点加入到树中。为了对TALE模型学习得到的向量效果进行验证,我们进行了位置向量类比实验,实验结果表明TALE... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

SENNA基于窗口的方法网络结构图

sENNA基于句子的方法网络结构图

，CBOW的层次sonmax

【参考文献】：
期刊论文
[1]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[2]Word2vec的工作原理及应用探究[J]. 周练.  科技情报开发与经济. 2015(02)



本文编号：3078897