基于神经网络的车辆轨迹目的地预测方法的研究
发布时间：2020-12-23 04:51
车辆轨迹目的地预测,就是基于初始的轨迹片段来预测最终的目的地。这项工作对基于位置的服务（LBSs）和城市计算等领域的研究开发具有重要意义。最初的一些目的地预测利用了一些额外的信息,但这些信息大多数很难获取。现有的大量目的地预测方法是基于各类马尔可夫链模型的,但因为马尔可夫性的限制,这些方法存在明显的弊端。总体来说,基于神经网络的方法比上述几种方法的表现都要好,其中循环神经网络（RNNs）在目的地预测中具有较强的时序数据处理能力。回声状态网络（ESN）是设计高效训练的循环神经网络的最新方法,它提供了一种体系结构和监督学习原理。在这项工作中,我们将深度回声状态网络（deep ESN）模型应用到了车辆目的地预测问题中,只使用历史轨迹数据并且取得了很好的效果。基于原始的深度回声状态网络,本文提出了一个新颖的模型,称为双输入深度回声状态网络（deep ESN-DI）,用于解决原始深度回声状态网络在处理大量训练数据时耗较长的局限,并取得了更好的预测结果。基于Kaggle出租车轨迹预测挑战赛中提供的数据所得到的实验数据显示,本文提出的双输入深度回声状态网络的目的地预测方法,表现明显优于其他基于神经网...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：57 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究工作的背景与意义
1.2 研究问题的数学定义
1.3 国内外研究现状和发展态势
1.4 工业界应用案例
1.5 本文的主要贡献与创新
1.6 本论文的结构安排
第二章 深度回声状态网络基础
2.1 循环神经网络与蓄水池计算
2.2 回声状态网络
2.3 深度回声状态网络
2.3.1 深度回声状态网络结构
2.3.2 深度回声状态网络的两种变体
2.4 双输入深度回声状态网络
2.4.1 双输入深度回声状态网络的动机
2.4.2 双输入深度回声状态网络的细节
2.5 深度回声状态网络与多层感知机结合
2.5.1 多层感知机结构
2.5.2 目的地聚类
2.6 本章小结
第三章 车辆目的地预测实验验证
3.1 数据描述
3.2 评测标准
3.3 基准模型
3.3.1 多层感知机模型
3.3.2 循环神经网络模型
3.3.3 回声状态网络模型
3.4 实验设置
3.4.1 数据处理
3.4.2 模型训练
3.5 实验结果
3.5.1 参数选择
3.5.2 表现对比
3.5.3 误差分析
3.5.4 训练时间
3.6 本章小结
第四章 基于轨迹特征的冒泡发单率预测
4.1 项目背景及意义介绍
4.2 工业界相关领域应用现状
4.2.1 前深度学习时代的CTR预估模型
4.2.2 深度学习时代的CTR预估模型
4.3 特征数据构造
4.4 基于XGBoost建模
4.4.1 XGBoost简介
4.4.2 模型结构
4.5 基于真实数据的实验评估
4.5.1 实验评估标准
4.5.2 实验结果
4.6 本章小结
第五章 全文总结与展望
5.1 全文总结
5.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]XGBoost算法在电子商务商品推荐中的应用[J]. 张昊,纪宏超,张红宇. 物联网技术. 2017(02)
[2]被寄予厚望的深度学习系统[J]. 张文韬. 世界科学. 2014(03)
[3]基于回声状态网络的时间序列预测方法研究[J]. 彭宇,王建民,彭喜元. 电子学报. 2010(S1)
硕士论文
[1]基于聚类的城市交通路网分区和交通状态判别[D]. 王晓轩.北京交通大学 2017
[2]基于马尔科夫模型的出行目的地预测[D]. 何亚楠.吉林大学 2017
[3]基于多目标多样性回声状态网络的时间序列分析[D]. 刘正夫.中国科学技术大学 2017
[4]基于出租车轨迹的出行需求预测方法研究[D]. 康科.长安大学 2017
[5]基于隐马尔可夫模型的个性化推荐算法研究[D]. 陈俊伟.电子科技大学 2017
[6]基于Boosting思想的半监督学习算法研究[D]. 吴继民.吉林大学 2014
本文编号：2933106
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：57 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究工作的背景与意义
1.2 研究问题的数学定义
1.3 国内外研究现状和发展态势
1.4 工业界应用案例
1.5 本文的主要贡献与创新
1.6 本论文的结构安排
第二章 深度回声状态网络基础
2.1 循环神经网络与蓄水池计算
2.2 回声状态网络
2.3 深度回声状态网络
2.3.1 深度回声状态网络结构
2.3.2 深度回声状态网络的两种变体
2.4 双输入深度回声状态网络
2.4.1 双输入深度回声状态网络的动机
2.4.2 双输入深度回声状态网络的细节
2.5 深度回声状态网络与多层感知机结合
2.5.1 多层感知机结构
2.5.2 目的地聚类
2.6 本章小结
第三章 车辆目的地预测实验验证
3.1 数据描述
3.2 评测标准
3.3 基准模型
3.3.1 多层感知机模型
3.3.2 循环神经网络模型
3.3.3 回声状态网络模型
3.4 实验设置
3.4.1 数据处理
3.4.2 模型训练
3.5 实验结果
3.5.1 参数选择
3.5.2 表现对比
3.5.3 误差分析
3.5.4 训练时间
3.6 本章小结
第四章 基于轨迹特征的冒泡发单率预测
4.1 项目背景及意义介绍
4.2 工业界相关领域应用现状
4.2.1 前深度学习时代的CTR预估模型
4.2.2 深度学习时代的CTR预估模型
4.3 特征数据构造
4.4 基于XGBoost建模
4.4.1 XGBoost简介
4.4.2 模型结构
4.5 基于真实数据的实验评估
4.5.1 实验评估标准
4.5.2 实验结果
4.6 本章小结
第五章 全文总结与展望
5.1 全文总结
5.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]XGBoost算法在电子商务商品推荐中的应用[J]. 张昊,纪宏超,张红宇. 物联网技术. 2017(02)
[2]被寄予厚望的深度学习系统[J]. 张文韬. 世界科学. 2014(03)
[3]基于回声状态网络的时间序列预测方法研究[J]. 彭宇,王建民,彭喜元. 电子学报. 2010(S1)
硕士论文
[1]基于聚类的城市交通路网分区和交通状态判别[D]. 王晓轩.北京交通大学 2017
[2]基于马尔科夫模型的出行目的地预测[D]. 何亚楠.吉林大学 2017
[3]基于多目标多样性回声状态网络的时间序列分析[D]. 刘正夫.中国科学技术大学 2017
[4]基于出租车轨迹的出行需求预测方法研究[D]. 康科.长安大学 2017
[5]基于隐马尔可夫模型的个性化推荐算法研究[D]. 陈俊伟.电子科技大学 2017
[6]基于Boosting思想的半监督学习算法研究[D]. 吴继民.吉林大学 2014
本文编号：2933106
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2933106.html
