出租车目的地预测的深度学习方法

• 作者: 崔淑敏 张磊 朱少杰 李允 邵长兴
• 来源期刊: 计算机工程与科学
• 学科: 工学
• 关键词: 特征提取 自编码器 LSTM 轨迹预测
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 人工智能与数据挖掘
• 页码范围: 185-190
• 页数: 6页
• 分类号: TP391
• 字数: 4162字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-130X.2020.01.024

摘要

出租车目的地预测可以掌握出租车的流动方向,便于出租车调度.已有的预测方法多仅利用轨迹序列的原始特征作为预测模型的输入,忽略了原始特征背后的时空数据,造成轨迹时空信息缺失.针对以上问题,提出出租车目的地预测的深度学习方法DLDP.首先采用滑动窗口,基于速度、转角利用统计量计算得到轨迹的高层特征.其次,自动编码器将高层特征转换为固定长度的潜在空间表示,得到轨迹的深度特征.最后,将深度特征和原始特征相结合,一同作为LSTM的输入进行预测.实验表明,DLDP比传统RNN预测模型的准确率提高了9％,平均距离误差减少了1 km.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张磊	中国矿业大学计算机学院	174	1083	16.0	25.0
3	崔淑敏	中国矿业大学计算机学院	2	0	0.0	0.0
9	李允	中国矿业大学计算机学院	2	0	0.0	0.0
13	邵长兴	中国矿业大学计算机学院	2	0	0.0	0.0
17	朱少杰	中国矿业大学计算机学院	2	0	0.0	0.0