基于深度学习的轨迹数据恢复研究

发布时间：2020-08-15 07:29

【摘要】：随着定位设备和视频捕捉设备的广泛应用,时空轨迹数据的获得变得越来越便捷。例如,人们在社交网站上和朋友们分享自己的位置,这就产生了大量的签到数据。签到数据和车辆通行数据都是典型的时空轨迹数据,他们都包含对象、位置及时间属性。这些数据蕴含着巨大的价值,在城市计算、路径规划、位置预测等领域出现了大量的成果。轨迹推荐或旅游规划是基于位置的社交网络(LBSN)面临的数据处理任务中最重要的任务之一。传统的解决方案通常采用了有着许多手工筛选特征的用户的历史轨迹,这些特征包括兴趣点的流行度,从评论、图片和文本提取的特征值等,通过这些特征来学习用户的旅游偏好,由此构建旅游轨迹推荐模型。本文提出了一种基于改进的蒙特卡罗的轨迹推荐方法(Monte Carlo Expectation以下简称MCE),在蒙特卡罗搜索树算法的思想下,利用兴趣点的流行度和时间特征,通过改进的UCT选择下一个兴趣点,自定义奖励函数,进行轨迹推荐,在公共数据集中,对比采用流行度和时间特征的基线方法中,MCE排队时间(MQ_I)最优,推荐正确性(F1得分)最优。由于特征是基于先验知识或实例分析来构建模型,这并不适用于各种各样LBSN网站。对于只拥有用户签到而产生POI点的轨迹数据,无法借助特征工程的帮助,这种情况下无法通过特征工程方案建立轨迹推荐模型。于是本文提出一个基于编码器和解码器实现的轨迹推荐算法(Trajectory Encoder and Decoder称为TRED),采用了最新的端到端推荐旅游轨迹的方法,这种方法属于半监督学习方法,不用手动筛选特征。通过给出旅行轨迹所需的开始结束点以及旅行轨迹的长度,TRED学习原始POI的特征和它们之间的转移方式,将历史轨迹转化为向量。编码器解码器模型结合注意机制在这类轨迹推荐的问题下能获得更优性能。在一些公共LBSN数据上进行对比实验,实验结果表明,TRED在正确性方面的推荐(F1分数)和顺序性(pairs-F1分数)上的推荐优于最先进的方法。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP309.3;TP181
【图文】：

函数图像,函数图像

经元的输出有两个值，分别是 0 和 1，一般阈值取 1。阈值是一个实数，同时它是神经输入单输出。权重和阈值的不同组合，生成次通过学到的输出与真实输出做对比，调整需要预先定义一系列权重和对应的偏置，也都是自动化的。学习算法对于人工神经元的来源。而现在，人工神经元模型发展等。在本文中，sigmoid 函数被用作激活同样是多输入，x1,x2, ，与感知机不同的是 1 之间。同样，sigmoid 神经元的每个输入有于整体修正的偏置b。sigmoid神经元的输出oid 函数（sigmoid function），该函数定义 ( ) = 轴的样子如图 2-1 所示

结构图,神经网络,神经元,结构图

( ) = 坐标轴的样子如图 2-1 所示图 2-1 sigmoid 函数图像构如图 2-2 所示，图像中最左边的六个神经元代表输为输入神经元(input neurons)。最右边的一个神经元输出层的神经元被称为输出神经元(output neurons)。网，剩余的七个神经元统一被称作隐层(hidden layer)。

示意图,循环神经网络,示意图

图 2-3 Elman 循环神经网络示意图[67]第 t-1 个时间步的判定会影响其在随后第 t 个时自当下和不久之前的两种输入，此二者的结合决断将自身上一刻输出当作输入的反馈循环。具体息进行记忆并应用于当前输出的计算中，即隐藏连接的，并且隐藏层的输入不仅包括输入层的输。理论上，RNN 能够对任何长度的序列数据进低复杂性往往假设当前的状态只与前面的几个状的 RNN。Output layer

【相似文献】