排序方式： 共有6条查询结果，搜索用时 15 毫秒
1
1.
位置预测技术可以提前预知用户下一时刻的位置,在基于位置的服务（Location-based Service,LBS）领域中发挥着极其重要的作用。现有的位置预测技术大多仅使用用户的地理轨迹,仅使用地理轨迹挖掘出来的用户移动模式易受地理特性的限制缺乏深层次的语义信息。本文基于某商场群体用户的室内轨迹数据和语义信息预测用户下一个时刻语义位置。语义位置预测包括停留区域识别、停留区域语义匹配、语义位置建模。在停留区域识别阶段,为减少室内停留时间不固定对停留区域识别的影响,本研究提出了一种新型的时空凝聚层次聚类算法（Spatial-Temporal Agglomerative Nesting, ST-AGNES),该算法具有思想简单、超参数少、自动生成聚类个数等优点。在语义匹配阶段,引入了吸引度规则,充分利用停留区域所有轨迹点与室内高密度的商铺名称信息做匹配。最后,采用长短型记忆神经网络模型（Long Short-Term Memory,LSTM）挖掘群体用户的语义位置模式并预测用户未来的语义位置,实验预测正确率达到61.3%。 相似文献
2.
许多复杂的物理现象和动态系统尚未为科学家所完全理解和解释，因此不能构建确定的数学方程来描述，不能直接使用紧凑的物理机理模型来进行分析和预测。随着观测数据的日益丰富，数据驱动的机器学习方法可以较好地描述复杂非线性现象，但是纯数据驱动模型在表征能力、可解释、泛化能力、样本利用效率方面还存在很多不足。常规机器学习方法在地学领域的应用还面临时空异质性、样本稀疏等带来的挑战。近年来感知物理先验的机器学习方法可以在物理原理不太明确的情况下更有效地利用观测数据描述和分析动态系统，受到了广泛关注，并在物理、计算机、生物、医学和地学等领域得到了一定的应用。近年来人工智能和机器学习技术已经大量应用于地理学尤其是地理信息和遥感领域，受到地理学者广泛重视，被称为地理空间智能，并已成为一个热门的研究方向。感知物理先验的机器学习方法融合了模型驱动和数据驱动思想，为地理空间智能研究带来新的研究范式，促进各种复杂地理现象的精细描述和预测。本文首先分别从物理先验的表达形式和如何在机器学习中集成物理先验两方面概述了该领域的进展。物理先验是在机器学习建模之前已经存在、独立于机器学习方法的知识。本文从增广的数据和定制特征、物... 相似文献
3.
室内导航网络是室内位置服务的基础,传统人工测绘或基于CAD半自动提取等方法时效性较差。室内移动对象众包轨迹数据的出现为室内导航网络构建提供了一种新的解决方案。提出一种室内导航网络众包构建方法。首先提取出用于构建室内导航网络的廊道区域轨迹点;其次通过轨迹点生长融合聚类算法将廊道轨迹点转化为聚类点;最后通过聚类点连接生成室内导航网络。以某商城一楼2 d的移动对象轨迹数据进行了实验。结果表明,本文方法提取的室内导航网络准确度较高,能够为室内空间结构快速变化检测和更新提供支持。 相似文献
4.
室内导航网络是行人导航、信息推荐和商业分析的基础。传统人工测绘或半自动提取的室内三维导航网络无法满足复杂室内空间结构高频变化需求。随着室内定位技术的不断发展,室内移动对象轨迹数据爆发式增长,为室内导航网络快速构建与变化监测更新提供了可能。本文提出一种基于移动对象轨迹的室内导航网络构建方法,在基于ST-DBSCAN的轨迹简化预处理基础上,提出了室内轨迹自适应栅格化算法,减弱栅格图像分辨率对导航网络提取的影响,有效避免廊道轨迹密度差异造成的导航网络拓扑连通失效,并通过CFSFDP自适应聚类算法自动识别楼层之间连通点,实现室内导航网络的快速构建。实验数据来源于上海图聚智能科技股份有限公司提供的某商城真实的室内移动对象轨迹数据,实验结果表明,与普适栅格化方法相比,本文提出的方法将导航网络构建准确率平均提高2.43%,拓扑正确度提高12.8%。 相似文献
5.
时空聚类算法是地理时空大数据挖掘的基础研究命题。针对传统CFSFDP聚类算法无法应用于时空数据挖掘的问题,本文提出一种时空约束的ST-CFSFDP(spatial-temporal clustering by fast search and find of density peaks)算法。在CFSFDP算法基础上加入时间约束,修改了样本属性值的计算策略,不仅解决了原算法单簇集多密度峰值问题,且可以区分并识别相同位置不同时间的簇集。本文利用模拟时空数据与真实的室内定位轨迹数据进行对比试验。结果表明,该算法在时间阈值90 s、距离阈值5 m的识别正确率高达82.4%,较经典ST-DBCSAN、ST-OPTICS及ST-AGNES聚类算法准确率分别提高了5.2%、4.2%和7.6%。 相似文献
6.
时空预测是地理时空大数据挖掘的基础研究命题。目前,多种模型用于预测未知系统的时空状态。然而,存在的大多数预测模型仅在没有缺失数据的时空数据集上进行测试,忽略了缺失值对预测结果的影响。在真实场景中,由于传感器或网络传输故障,数据缺失是一个不容忽视的问题。鉴于此,本文提出了一种顾及缺失值的因果图卷积网络(causal graph convolutional network considering missing values, Causal-GCNM)模型用于时空预测。Causal-GCNM模型可以自动捕捉时空数据中的缺失模式,使得Causal-GCNM模型在不需要借助额外插值算法的前提下,可以直接完成时空预测任务。本文提出的模型在3种真实的时空数据集(交通流数据集、PM2.5监测数据集及气温监测数据集)得到了验证。试验结果表明,Causal-GCNM模型在4种缺失条件(20%随机缺失、20%块状缺失、40%随机缺失及40%块状缺失)下仍然具有较好的预测性能,并在预测精度和计算效率两类指标上优于10种存在的基线方法。 相似文献
1