基于深度学习的轨迹数据中移动模式发现方法研究
发布时间：2021-09-06 16:47
近年来,随着移动互联网、物联网等新型技术的不断发展,已经产生了大量的时空轨迹数据,这些数据蕴含了移动物体的移动性。对轨迹数据中隐含的移动模式进行挖掘,可以发现新颖、有价值的信息和规律,提高它在公共交通、环境监测以及公共安全等领域的应用价值。轨迹数据具有时空属性和多源性,传统的机器学习方法难以全面考虑时空属性和轨迹其它特征。因此,如何快速、有效、自动且准确地从轨迹数据中挖掘出有用的信息,发现轨迹数据中隐含的移动模式,对轨迹研究至关重要。本文以移动对象的轨迹数据为研究对象,以深度学习为研究方法,以轨迹数据中移动模式的发现为研究目标,从轨迹聚类、轨迹分类以及交通流量预测三个角度来对移动模式进行发现和研究。研究内容如下所述:轨迹聚类将相似的轨迹聚到一个簇。现有的轨迹聚类方法通常是提取能够表示轨迹数据的移动行为特征,然后通过基于相似性度量的聚类方法来对轨迹进行聚类。但是,阻碍其广泛应用的一个障碍是有限的传感器设备、通信错误、传感器错误或者传感器空缺都会导致轨迹数据有噪声或者缺失。对此,本文提出鲁棒性深度注意力自编码器Robust DAA来解决轨迹聚类中轨迹数据的噪声问题,从而得到高质量的去噪的低...
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
模型RobustDAA框架图
13图2-2深度注意力自编码器模型图可以表示为：11=()enenXHXR（2-6）其中1enX为输出的特征向量，1enH为全连接层和激活函数的组合。后续堆叠的全连接层进一步来提取特征，并且全连接层的神经元个数不断减少，得到非线性且低维的特征向量，可以表示为：1121()(((...())))==kkkkkkenenenenenenenXHXHHHHXR（2-7）其中kenX为编码器输出的低维特征向量，编码器由k个全连接层和Sigmoid层组成。接下来，kenX经过译码器的第一个全连接层和Sigmoid层，可以表示为：11=()kdedeenXHX（2-8）其中1deX为输出的特征向量，1deH为全连接层和激活函数的组合。后续堆叠的全连接层进一步来对输入的特征向量进行重构，可以表示为：1121231()(((...())))==kkkkkkkdededededededeenXHXHHHHX（2-9）其中k1deX为译码器输出的重构特征向量，译码器由k1个全连接层与Sigmoid组成，译码器的每个全连接层的神经元的个数与相应编码器的神经元个数相等，比如k1enH与1deH的神经元个数相等，也就是上标相加等于k。k1deX与模型上面的输出进行注意力操作，可以表示为：1()=kattattdeXHXRX（2-10）其中attX为译码器的输出经过注意力组件之后的输出，attH为全连接层和Sigmoid层，为两个张量之间点对点的元素之间的乘法。注意力机制能够加强
18图2-3是不同的高斯噪声以及λ对RDAA模型的影响，左边为不同程度的高斯噪声对于模型的影响，横轴为噪声，纵轴为正确率。可以看到随着噪声的加大，RDAA和DAE的聚类正确率是不断降低的，RDAA在噪声为10时的正确率为96.38%，噪声为100时的正确率为91.5%。DAE在噪声为10时的正确率为96.22%，噪声为100时的正确率为68.81%。另外，在噪声小于50时，RDAA和DAE的正确率接近，噪声大于50时，RDAA正确率略有下降，DAE则下降幅度很大，也表明了RDAA去噪的有效性。右边为在输入数据固定的情况下，聚类正确率随着λ变化的曲线，可以看到噪声为10时的正确率大部分要优于噪声为100时的正确率。另外，噪声为10时，在λ为0.9时取得了最好的正确率，为96.39%。噪声为100时，在λ为0.8时取得了最好的正确率，为91.5%。这是因为小的λ会导致更多的数据被划分到S作为噪声，因此最小化了自编码器的重构误差。而大的λ会阻止数据划分到S作为噪声，会增大自编码器的重构误差。图2-3不同的噪声程度和λ对于RDAA的影响2.4.5AIS数据集结果表2-2是本章提出的RDAA模型与其它轨迹聚类方法在AIS数据上的聚类结果对比。预处理轨迹数据时，网格的宽和高都是64，因此模型的输入向量的维度为64，第一层全连接层的神经元个数为64，最后通过编码器得到的低维特征向量的维度为60。货轮、油轮、渔船以及客轮下面对应的数字分别是精确率,召回率和f1分数，最后一列为正确率。可以看到，本章的模型在以上评价指标上都是优于DRL、GBC、DAE和DAA的。GBC、DAE、DAA和RDAA在货轮上的召回率都是1.00，说明这些模型能够很好的将移动对象类型为货轮的轨
【参考文献】：
期刊论文
[1]移动轨迹聚类方法研究综述[J]. 牟乃夏,徐玉静,张恒才,陈洁,张灵先,刘希亮. 测绘通报. 2018(01)
[2]基于出租车轨迹数据的城市热点出行区域挖掘[J]. 郑林江,赵欣,蒋朝辉,邓建国,夏冬,刘卫宁. 计算机应用与软件. 2018(01)
本文编号：3387820
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
模型RobustDAA框架图
13图2-2深度注意力自编码器模型图可以表示为：11=()enenXHXR（2-6）其中1enX为输出的特征向量，1enH为全连接层和激活函数的组合。后续堆叠的全连接层进一步来提取特征，并且全连接层的神经元个数不断减少，得到非线性且低维的特征向量，可以表示为：1121()(((...())))==kkkkkkenenenenenenenXHXHHHHXR（2-7）其中kenX为编码器输出的低维特征向量，编码器由k个全连接层和Sigmoid层组成。接下来，kenX经过译码器的第一个全连接层和Sigmoid层，可以表示为：11=()kdedeenXHX（2-8）其中1deX为输出的特征向量，1deH为全连接层和激活函数的组合。后续堆叠的全连接层进一步来对输入的特征向量进行重构，可以表示为：1121231()(((...())))==kkkkkkkdededededededeenXHXHHHHX（2-9）其中k1deX为译码器输出的重构特征向量，译码器由k1个全连接层与Sigmoid组成，译码器的每个全连接层的神经元的个数与相应编码器的神经元个数相等，比如k1enH与1deH的神经元个数相等，也就是上标相加等于k。k1deX与模型上面的输出进行注意力操作，可以表示为：1()=kattattdeXHXRX（2-10）其中attX为译码器的输出经过注意力组件之后的输出，attH为全连接层和Sigmoid层，为两个张量之间点对点的元素之间的乘法。注意力机制能够加强
18图2-3是不同的高斯噪声以及λ对RDAA模型的影响，左边为不同程度的高斯噪声对于模型的影响，横轴为噪声，纵轴为正确率。可以看到随着噪声的加大，RDAA和DAE的聚类正确率是不断降低的，RDAA在噪声为10时的正确率为96.38%，噪声为100时的正确率为91.5%。DAE在噪声为10时的正确率为96.22%，噪声为100时的正确率为68.81%。另外，在噪声小于50时，RDAA和DAE的正确率接近，噪声大于50时，RDAA正确率略有下降，DAE则下降幅度很大，也表明了RDAA去噪的有效性。右边为在输入数据固定的情况下，聚类正确率随着λ变化的曲线，可以看到噪声为10时的正确率大部分要优于噪声为100时的正确率。另外，噪声为10时，在λ为0.9时取得了最好的正确率，为96.39%。噪声为100时，在λ为0.8时取得了最好的正确率，为91.5%。这是因为小的λ会导致更多的数据被划分到S作为噪声，因此最小化了自编码器的重构误差。而大的λ会阻止数据划分到S作为噪声，会增大自编码器的重构误差。图2-3不同的噪声程度和λ对于RDAA的影响2.4.5AIS数据集结果表2-2是本章提出的RDAA模型与其它轨迹聚类方法在AIS数据上的聚类结果对比。预处理轨迹数据时，网格的宽和高都是64，因此模型的输入向量的维度为64，第一层全连接层的神经元个数为64，最后通过编码器得到的低维特征向量的维度为60。货轮、油轮、渔船以及客轮下面对应的数字分别是精确率,召回率和f1分数，最后一列为正确率。可以看到，本章的模型在以上评价指标上都是优于DRL、GBC、DAE和DAA的。GBC、DAE、DAA和RDAA在货轮上的召回率都是1.00，说明这些模型能够很好的将移动对象类型为货轮的轨
【参考文献】：
期刊论文
[1]移动轨迹聚类方法研究综述[J]. 牟乃夏,徐玉静,张恒才,陈洁,张灵先,刘希亮. 测绘通报. 2018(01)
[2]基于出租车轨迹数据的城市热点出行区域挖掘[J]. 郑林江,赵欣,蒋朝辉,邓建国,夏冬,刘卫宁. 计算机应用与软件. 2018(01)
本文编号：3387820
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3387820.html
