排序方式： 共有1条查询结果，搜索用时 15 毫秒
1
1.
个体驾驶目的地预测在个性化服务推荐、智慧交通等位置服务中具有重要的应用价值,但现有深度学习方法多以高密度采样轨迹点为单位构建出行特征,导致数据冗余、信息增益有限。路口序列可简化道路驾驶轨迹的表达形态,降低训练成本;同时,路口间的转移偏好与当前移动模式隐含路口与目的地间的时空关联关系,能够一定程度上表征个体出行意图,却鲜有研究将其用于目的地预测。为此,提出一种顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法：（1）以路口为单位构建输入特征,利用图注意力机制学习不同时间槽内路口间的转移系数,并结合长短期记忆模型捕获转移偏好长期依赖关系;（2）构建时间循环编码与驾驶状态特征,利用长短期记忆模型学习个体当前移动模式表征;（3）通过特征交叉与注意力机制实现特征融合,并利用残差网络输出预测。基于中国深圳市12名私家车司机2019年全年的轨迹数据开展实验,通过与隐马尔可夫、长短期记忆模型、远近距离依赖模型、融合地理语义与位置重要性的长短期记忆模型的精度进行对比并进行消融实验,验证了所提方法的有效性;可视化分析了转移偏好在捕获路口间空间关联关系中的作用,并探讨转移路口数量设置对预测精度的影响。 相似文献
1