基于卷积神经网络的移动对象目的地预测

摘要 移动对象目的地预测是基于位置服务的一项基本任务.常用的基于历史轨迹的目的地预测方法会引起“数据稀疏问题”,即所要查询的轨迹很难与历史轨迹完全匹配.本文提出一种新颖的方法,在实现目的地预测的同时,有效克服了数据稀疏问题.文章首先引入参数化最小描述长度策略(PMDL)对原始轨迹进行最优分段表示,削弱相似轨迹之间的差异程度,增强不相似轨迹各自的重要特征;随后,提出轨迹的像素化表示方法(PRT),将一维轨迹序列转换成二维像素图片,以获取更多空间上的细节信息;最后,从轨迹图像中截取重要特征部位输入卷积神经网络(CNN),进行特征提取和目的地预测.本文在真实轨迹数据集上进行了大量的实验,实验结果表明,与当前先进模型2.81(105km)的预测误差相比,本文提出的方法实现了1.98(105km)的预测误差,在有效解决数据稀疏问题的同时,对目的地实现了更为准确的预测.这为解决移动对象目的地预测提供了新的可能