基于深度轨迹挖掘的个性化行程规划

发布时间：2022-10-19 18:25

　　随着社交网络的发展,人们越来越乐于发布和分享日常生活中的各种信息,位置信息的数据量更是呈指数级增长。挖掘位置信息和揭示人类移动模式是许多下游应用的重要任务,例如兴趣点（Point of Interest,POI）推荐和交通拥塞预测等都是非常热门且被广泛研究的领域,根据挖掘用户的移动模式而进行个性化行程推荐更是一个重要且亟需解决的难题。移动互联网不仅为用户提供了前所未有的便利,更为个性化行程规划的研究提供了极为丰富的情境信息。近年来,各种基于顺序建模和表示技术的方法层出不穷,例如基于排名的矩阵分解模型,基于随机游走的轨迹预测模型等等,但都未曾着眼于轨迹语义的挖掘。然而,发现与移动相关的抽象主题和利用轨迹的上下文语义可以对用户的移动模式提供更加全面的理解。另外,轨迹重建和轨迹预测是个性化行程规划的两个子任务,对此二者进行深入的研究能够更好地掌握用户的行程偏好,从而为用户规划行程。本文的主要内容和创新性如下:1、本文提出了基于变分轨迹上下文感知的行程推荐模型,主要包括四个学习用户轨迹表示的框架:（1）循环编码器,（2）变分编码器,（3）变分注意层,（4）两个解码器。该方法是一种基于学习轨迹上... 

【文章页数】：82 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 国内外研究历史与现状
        1.2.1 轨迹数据
        1.2.2 轨迹推荐方法
        1.2.3 轨迹推荐的主要任务
    1.3 本文的主要内容与创新
    1.4 本论文的结构安排
第二章 相关原理及技术
    2.1 引言
    2.2 轨迹数据挖掘
    2.3 基于位置的推荐技术
    2.4 个性化行程推荐
    2.5 预备知识
        2.5.1 循环神经网络
        2.5.2 序列到序列模型
    2.6 增强学习
        2.6.1 马尔可夫过程
        2.6.2 深度增强学习
    2.7 本章小结
第三章 基于变分轨迹上下文感知的行程推荐模型
    3.1 引言
    3.2 预备知识
        3.2.1 注意力机制
        3.2.2 变分自动编码器
        3.2.3 上下文和上下文感知
    3.3 基本模型
    3.4 具体模型
        3.4.1 循环轨迹编码器
        3.4.2 变分轨迹编码器
        3.4.3 变分注意力机制
        3.4.4 两级轨迹解码器
            3.4.4.1 第一级解码器
            3.4.4.2 第二级解码器
    3.5 上下文轨迹推断
    3.6 本章小结
第四章 基于层次化轨迹表示的行程规划模型
    4.1 引言
    4.2 预备知识
        4.2.1 基于策略梯度的增强学习
        4.2.2 轨迹分段
    4.3 模型概述
    4.4 层次化轨迹表示模型
        4.4.1 结构化轨迹编码器
        4.4.2 轨迹解码器
    4.5 模型训练
    4.6 本章小结
第五章 实验结果与性能评估
    5.1 引言
    5.2 轨迹数据集
    5.3 轨迹数据处理
    5.4 轨迹预训练
    5.5对比实验
    5.6 评估标准
    5.7 实验结果与性能分
        5.7.1 实验结果
        5.7.2 性能分析
    5.8 本章小结
第六章 全文总结与展望
    6.1 全文总结
    6.2 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



本文编号：3693881