基于深度学习的轨迹数据恢复研究.pdf

基于深度学习的轨迹数据恢复研究
作 者 : 吴翰韬
学位授予单位 : 电子科技大学
学位名称 : 硕士
导师姓名 : 吴劲
学位年度 : 2018
关键词 : 深度学习;编码器解码器模型;轨迹推荐


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。

      • 温馨提示:
      • 在微信、微博等APP中下载时,会出现无法下载的情况
      • 这时请选择在浏览器中打开,然后再请下载浏览
361图书馆,资源府邸,学习的天地
361图书馆 » 基于深度学习的轨迹数据恢复研究.pdf

Optimized by WPJAM Basic