CN109389246A - 一种基于神经网络的交通工具目的地区域范围预测方法 - Google Patents
一种基于神经网络的交通工具目的地区域范围预测方法 Download PDFInfo
- Publication number
- CN109389246A CN109389246A CN201811068603.XA CN201811068603A CN109389246A CN 109389246 A CN109389246 A CN 109389246A CN 201811068603 A CN201811068603 A CN 201811068603A CN 109389246 A CN109389246 A CN 109389246A
- Authority
- CN
- China
- Prior art keywords
- destination
- regional scope
- track
- neural network
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000003780 insertion Methods 0.000 abstract description 3
- 230000037431 insertion Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于神经网络的交通工具目的地区域范围预测方法,与传统的轨迹预测模型相比,使用神经网络模型可以减少人为手工调整大量模型参数的工作量,神经网络内部可以根据优化算法自动调整参数,不仅提高了准确率,而且加快了算法实现速度;并且技术方案借鉴自然语言处理中词向量嵌入的方法,将时间、交通工具ID和客户信息等重要特征以固定格式大小嵌入到输入层,提高了模型预测的准确率;而且将训练集的目的地轨迹进行聚类,可以将目的地集中,减少输出层单元个数,减少了模型容量,同时提高了预测准确率。
Description
技术领域
本发明涉及一种基于神经网络的交通工具目的地区域范围预测方法,属于数据挖掘技术领域。
背景技术
随着计算机技术、移动通讯设备的不断发展,日常生活中使用的智能手机、车载GPS以及智能家电等设备产生了大量的位置轨迹数据。这些数据不仅反映了移动物体的移动轨迹,而且还蕴含着丰富的信息[1],充分挖掘分析这些信息,可以给人类生活带来巨大的利益。因此越来越多的研究人员开始关注基于轨迹数据挖掘的智能服务,而移动对象的轨迹预测是智能交通服务的一个研究热点。
出租车是人类出行的一种重要交通工具,随着各种打车软件的兴起,打车越来越方便。与此同时基于车载GPS以及智能手机采集到的轨迹数据也越来越多,通过对出租车轨迹数据进行挖掘分析以及预测,可以了解人类出行规律,提高打车成功率,缩短打车时间,进行路线规划,不仅节省了人类出行的时间,而且可以减少环境污染。
人工神经网络是由大量处理单元连接组成的非线性、自适应信息处理系统,是对人脑神经网络的一种简化与模拟,通过模拟大脑神经网络处理、记忆信息的方式来进行信息处理[2]。近年来,基于人工神经网络的深度学习成为人工智能领域的焦点,在计算机视觉、图象处理、自然语言处理等领域都取得了突破性的进展[3、4]。传统的轨迹预测方法需要手动设置参数,提取模式,而基于人工神经网络的轨迹预测方法不仅可以自动调整参数,而且预测的准确率更高。
[1]Jiang Xiaorui,Tian Ya,Jiang Li et al.Visual analytics of urbanroad transporttation data:a survey[J].Chinese Journal of image graphics,2015,20(4):0454-0467.
[2]Xavier Glorot,Antoine Bordes,and Yoshua Bengio.Deep sparserectifier neural networks[J].In International Conference on ArtificialIntelligence and Statistics,2011,23(3):315–323.
[3]Brinkhoff T.A framework for generating network based movingobjects.Geoinformatica,2002,2(6):153-180.
[4]Sepp Hochreiter and Jürgen Schmidhuber.Long short-term memory[J].Neural computation,1997,9(8):1735–1780.
发明内容
本发明所要解决的技术问题是提供一种基于神经网络的交通工具目的地区域范围预测方法,一方面利用神经网络的自动化调参、提取特征提高了模型泛化能力;另一方面采用监督学习方法,提高了模型预测准确率。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于神经网络的交通工具目的地区域范围预测方法,用于针对目标交通工具,实现目的地区域范围的预测,包括如下步骤:
步骤A.根据目标交通工具的历史轨迹,以历史轨迹中预设起始阶段所对应的预设大小向量作为输入、目的地所处区域范围为输出,针对预设神经网络进行训练,获得目标交通工具所对应的目的地区域范围预测模型,然后进入步骤B;
步骤B.伴随目标交通工具的行驶,依次获得目标交通工具的各轨迹定位点,待所获轨迹定位点的数目达到预设2K个时,将所获2K个轨迹定位点,构成2K大小的待预测起始轨迹向量,然后进入步骤C;
步骤C.以该待预测起始轨迹向量作为输入,应用目标交通工具所对应的目的地区域范围预测模型,获得目标交通工具、该待预测起始轨迹向量所对应的目的地区域范围。
作为本发明的一种优选技术方案,所述步骤A包括如下步骤:
步骤A1.获得目标交通工具所对应、预设数量的历史轨迹,并进入步骤A2;
步骤A2.分别针对目标交通工具所对应的各条历史轨迹,由历史轨迹的起点开始,获得该历史轨迹的预设M比例的轨迹,作为该历史轨迹的起始阶段,即获得各条历史轨迹的起始阶段;同时获得各条历史轨迹上的目的地,然后进入步骤A3;
步骤A3.针对各条历史轨迹分别所对应的目的地进行聚类操作,获得各个聚类簇,各个聚类簇即构成各个待选目的地区域范围,然后进入步骤A4;
步骤A4.分别针对各条历史轨迹,针对起始阶段中的各个轨迹定位点,获取预设前K个轨迹定位点、以及后K个轨迹定位点,构成该起始阶段所对应2K大小的起始轨迹向量,即获得各条历史轨迹分别所对应的起始轨迹向量,然后进入步骤A5;
步骤A5.根据各条历史轨迹上、起始阶段与目的地的对应关系,获得各条历史轨迹上、起始轨迹向量与各待选目的地区域范围之间的对应关系;同时,选择预设N比例,将目标交通工具所对应的各条历史轨迹,划分为训练数据集和验证数据集;然后进入步骤A6;
步骤A6.通过训练数据集和验证数据集,应用各起始轨迹向量分别对应各待选目的地区域范围的概率值计算,结合各起始轨迹向量与各待选目的地区域范围之间的对应关系,以起始轨迹向量为输入,目的地区域范围为输出,针对预设神经网络进行训练,获得目标交通工具所对应的目的地区域范围预测模型。
作为本发明的一种优选技术方案:所述步骤A3中,应用Kmeans聚类算法,针对各条历史轨迹分别所对应的目的地进行聚类操作,获得各个聚类簇。
作为本发明的一种优选技术方案,所述步骤C包括如下步骤:
步骤C1.将该待预测起始轨迹向量输入至目标交通工具所对应的目的地区域范围预测模型当中,并进入步骤C2;
步骤C2.目的地区域范围预测模型中,计算获得该待预测起始轨迹向量分别对应各个待选目的地区域范围的预测概率值,然后进入步骤C3;
步骤C3.目的地区域范围预测模型中,选择最大预测概率值所对应的待选目的地区域范围,作为该起始轨迹向量所对应的目的地区域范围,由目的地区域范围预测模型进行输出,即获得目标交通工具、该待预测起始轨迹向量所对应的目的地区域范围。
作为本发明的一种优选技术方案,所述步骤C2中,获得该待预测起始轨迹向量分别对应各个待选目的地区域范围的预测概率值之后,针对各个预测概率值进行归一化操作更新,然后进入步骤C3。
作为本发明的一种优选技术方案:针对所述2K大小待预测起始轨迹向量的构建、以及2K大小起始轨迹向量的构建中,还包括将目标交通工具所对应的预设类型数据信息、映射到对应的起始轨迹向量当中。
作为本发明的一种优选技术方案:针对所述2K大小待预测起始轨迹向量的构建、以及2K大小起始轨迹向量的构建中,应用模拟词嵌入法,将目标交通工具所对应的预设类型数据信息、映射到对应的起始轨迹向量当中。
作为本发明的一种优选技术方案:所述目标交通工具对应的预设类型数据信息,包括目标交通工具ID号和日期时间信息。
作为本发明的一种优选技术方案,所述预设神经网络为具有多层感知机的神经网络模型。
本发明所述一种基于神经网络的交通工具目的地区域范围预测方法采用以上技术方案与现有技术相比,具有以下技术效果:
本发明所设计一种基于神经网络的交通工具目的地区域范围预测方法,与传统的轨迹预测模型相比,使用神经网络模型可以减少人为手工调整大量模型参数的工作量,神经网络内部可以根据优化算法自动调整参数,不仅提高了准确率,而且加快了算法实现速度;并且技术方案借鉴自然语言处理中词向量嵌入的方法,将时间、交通工具ID和客户信息等重要特征以固定格式大小嵌入到输入层,提高了模型预测的准确率;而且将训练集的目的地轨迹进行聚类,可以将目的地集中,减少输出层单元个数,减少了模型容量,同时提高了预测准确率。
附图说明
图1是本发明所设计基于神经网络的交通工具目的地区域范围预测方法的架构图;
图2是神经网络架构图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种基于神经网络的交通工具目的地区域范围预测方法,用于针对目标交通工具,实现目的地区域范围的预测,实际应用中,如图1所示,整个设计预测方法,基于神经网络中所依次包含的输入层、隐藏层、softmax层、以及输出层,依次执行如下步骤:
步骤A.根据目标交通工具的历史轨迹,以历史轨迹中预设起始阶段所对应的预设大小向量作为输入、目的地所处区域范围为输出,针对预设神经网络进行训练,获得目标交通工具所对应的目的地区域范围预测模型,然后进入步骤B。
上述步骤A实际应用中,具体执行如下步骤:
步骤A1.获得目标交通工具所对应、预设数量的历史轨迹,并进入步骤A2。
步骤A2.分别针对目标交通工具所对应的各条历史轨迹,由历史轨迹的起点开始,获得该历史轨迹的预设M比例的轨迹,作为该历史轨迹的起始阶段,即获得各条历史轨迹的起始阶段;同时获得各条历史轨迹上的目的地,然后进入步骤A3;实际应用中,预设M为1/4,即由历史轨迹的起点开始,获得该历史轨迹上1/4的轨迹,作为该历史轨迹的起始阶段。
步骤A3.应用Kmeans聚类算法,针对各条历史轨迹分别所对应的目的地进行聚类操作,获得各个聚类簇,各个聚类簇即构成各个待选目的地区域范围,然后进入步骤A4。
步骤A4.分别针对各条历史轨迹,针对起始阶段中的各个轨迹定位点,获取预设前K个轨迹定位点、以及后K个轨迹定位点,构成该起始阶段所对应2K大小的起始轨迹向量,即获得各条历史轨迹分别所对应的起始轨迹向量,然后进入步骤A5。
步骤A5.根据各条历史轨迹上、起始阶段与目的地的对应关系,获得各条历史轨迹上、起始轨迹向量与各待选目的地区域范围之间的对应关系;同时,选择预设N比例,将目标交通工具所对应的各条历史轨迹,划分为训练数据集和验证数据集;然后进入步骤A6。
步骤A6.如图2所示,通过训练数据集和验证数据集,应用各起始轨迹向量分别对应各待选目的地区域范围的概率值计算,结合各起始轨迹向量与各待选目的地区域范围之间的对应关系,以起始轨迹向量为输入,目的地区域范围为输出,针对预设神经网络进行训练,获得目标交通工具所对应的目的地区域范围预测模型,实际应用当中,预设神经网络选择具有多层感知机的神经网络模型,即针对此神经网络进行训练,获得目标交通工具所对应的目的地区域范围预测模型。
如图2所示,预设神经网络选择具有多层感知机的神经网络模型,是一种前向传播的人工神经网络,前一层的每个神经元全连接到下一层的神经元,它将固定大小的向量作为输入,通过几层神经元的处理,输出层输出对应输入层的处理结果。中间的隐藏层处理矩阵乘法以及非线性函数,非线性函数使用ReLu函数。与传统的Sigmoid激活函数相比,ReLu函数很好的解决了当X(自变量)是正数时,梯度消失的问题。
本方法使用监督学习算法,定义损失函数为:其中a是原始轨迹的经度,a'代表预测的经度;b为原始轨迹的纬度,b'代表预测的纬度,r代表地球半径,使用随机梯度下降算法(SGD)自动更新参数减小损失函数训练模型。
步骤B.伴随目标交通工具的行驶,依次获得目标交通工具的各轨迹定位点,待所获轨迹定位点的数目达到预设2K个时,将所获2K个轨迹定位点,构成2K大小的待预测起始轨迹向量,然后进入步骤C。
步骤C.以该待预测起始轨迹向量作为输入,应用目标交通工具所对应的目的地区域范围预测模型,获得目标交通工具、该待预测起始轨迹向量所对应的目的地区域范围。
上述步骤C在实际执行当中,具体执行如下步骤:
步骤C1.将该待预测起始轨迹向量输入至目标交通工具所对应的目的地区域范围预测模型当中,并进入步骤C2。
步骤C2.目的地区域范围预测模型中,计算获得该待预测起始轨迹向量分别对应各个待选目的地区域范围的预测概率值,然后针对各个预测概率值进行归一化操作更新,并进入步骤C3。
步骤C3.目的地区域范围预测模型中,选择最大预测概率值所对应的待选目的地区域范围,作为该起始轨迹向量所对应的目的地区域范围,由目的地区域范围预测模型进行输出,即获得目标交通工具、该待预测起始轨迹向量所对应的目的地区域范围。
上述所设计基于神经网络的交通工具目的地区域范围预测方法,在实际应用执行当中,步骤B中针对所述2K大小待预测起始轨迹向量的构建,以及步骤A4中针对2K大小起始轨迹向量的构建中,还包括应用模拟词嵌入法,将目标交通工具所对应的预设类型数据信息、映射到对应的起始轨迹向量当中,其中,这里目标交通工具所对应的预设类型数据信息,包括目标交通工具ID号和日期时间信息。
上述技术方案所设计基于神经网络的交通工具目的地区域范围预测方法,与传统的轨迹预测模型相比,使用神经网络模型可以减少人为手工调整大量模型参数的工作量,神经网络内部可以根据优化算法自动调整参数,不仅提高了准确率,而且加快了算法实现速度;并且技术方案借鉴自然语言处理中词向量嵌入的方法,将时间、交通工具ID和客户信息等重要特征以固定格式大小嵌入到输入层,提高了模型预测的准确率;而且将训练集的目的地轨迹进行聚类,可以将目的地集中,减少输出层单元个数,减少了模型容量,同时提高了预测准确率。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (9)
1.一种基于神经网络的交通工具目的地区域范围预测方法,用于针对目标交通工具,实现目的地区域范围的预测,其特征在于,包括如下步骤:
步骤A.根据目标交通工具的历史轨迹,以历史轨迹中预设起始阶段所对应的预设大小向量作为输入、目的地所处区域范围为输出,针对预设神经网络进行训练,获得目标交通工具所对应的目的地区域范围预测模型,然后进入步骤B;
步骤B.伴随目标交通工具的行驶,依次获得目标交通工具的各轨迹定位点,待所获轨迹定位点的数目达到预设2K个时,将所获2K个轨迹定位点,构成2K大小的待预测起始轨迹向量,然后进入步骤C;
步骤C.以该待预测起始轨迹向量作为输入,应用目标交通工具所对应的目的地区域范围预测模型,获得目标交通工具、该待预测起始轨迹向量所对应的目的地区域范围。
2.根据权利要求1所述一种基于神经网络的交通工具目的地区域范围预测方法,其特征在于,所述步骤A包括如下步骤:
步骤A1.获得目标交通工具所对应、预设数量的历史轨迹,并进入步骤A2;
步骤A2.分别针对目标交通工具所对应的各条历史轨迹,由历史轨迹的起点开始,获得该历史轨迹的预设M比例的轨迹,作为该历史轨迹的起始阶段,即获得各条历史轨迹的起始阶段;同时获得各条历史轨迹上的目的地,然后进入步骤A3;
步骤A3.针对各条历史轨迹分别所对应的目的地进行聚类操作,获得各个聚类簇,各个聚类簇即构成各个待选目的地区域范围,然后进入步骤A4;
步骤A4.分别针对各条历史轨迹,针对起始阶段中的各个轨迹定位点,获取预设前K个轨迹定位点、以及后K个轨迹定位点,构成该起始阶段所对应2K大小的起始轨迹向量,即获得各条历史轨迹分别所对应的起始轨迹向量,然后进入步骤A5;
步骤A5.根据各条历史轨迹上、起始阶段与目的地的对应关系,获得各条历史轨迹上、起始轨迹向量与各待选目的地区域范围之间的对应关系;同时,选择预设N比例,将目标交通工具所对应的各条历史轨迹,划分为训练数据集和验证数据集;然后进入步骤A6;
步骤A6.通过训练数据集和验证数据集,应用各起始轨迹向量分别对应各待选目的地区域范围的概率值计算,结合各起始轨迹向量与各待选目的地区域范围之间的对应关系,以起始轨迹向量为输入,目的地区域范围为输出,针对预设神经网络进行训练,获得目标交通工具所对应的目的地区域范围预测模型。
3.根据权利要求2所述一种基于神经网络的交通工具目的地区域范围预测方法,其特征在于:所述步骤A3中,应用Kmeans聚类算法,针对各条历史轨迹分别所对应的目的地进行聚类操作,获得各个聚类簇。
4.根据权利要求1或2所述一种基于神经网络的交通工具目的地区域范围预测方法,其特征在于,所述步骤C包括如下步骤:
步骤C1.将该待预测起始轨迹向量输入至目标交通工具所对应的目的地区域范围预测模型当中,并进入步骤C2;
步骤C2.目的地区域范围预测模型中,计算获得该待预测起始轨迹向量分别对应各个待选目的地区域范围的预测概率值,然后进入步骤C3;
步骤C3.目的地区域范围预测模型中,选择最大预测概率值所对应的待选目的地区域范围,作为该起始轨迹向量所对应的目的地区域范围,由目的地区域范围预测模型进行输出,即获得目标交通工具、该待预测起始轨迹向量所对应的目的地区域范围。
5.根据权利要求4所述一种基于神经网络的交通工具目的地区域范围预测方法,其特征在于,所述步骤C2中,获得该待预测起始轨迹向量分别对应各个待选目的地区域范围的预测概率值之后,针对各个预测概率值进行归一化操作更新,然后进入步骤C3。
6.根据权利要求1或2所述一种基于神经网络的交通工具目的地区域范围预测方法,其特征在于:针对所述2K大小待预测起始轨迹向量的构建、以及2K大小起始轨迹向量的构建中,还包括将目标交通工具所对应的预设类型数据信息、映射到对应的起始轨迹向量当中。
7.根据权利要求6所述一种基于神经网络的交通工具目的地区域范围预测方法,其特征在于:针对所述2K大小待预测起始轨迹向量的构建、以及2K大小起始轨迹向量的构建中,应用模拟词嵌入法,将目标交通工具所对应的预设类型数据信息、映射到对应的起始轨迹向量当中。
8.根据权利要求6或7所述一种基于神经网络的交通工具目的地区域范围预测方法,其特征在于:所述目标交通工具对应的预设类型数据信息,包括目标交通工具ID号和日期时间信息。
9.根据权利要求1所述一种基于神经网络的交通工具目的地区域范围预测方法,其特征在于,所述预设神经网络为具有多层感知机的神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811068603.XA CN109389246B (zh) | 2018-09-13 | 2018-09-13 | 一种基于神经网络的交通工具目的地区域范围预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811068603.XA CN109389246B (zh) | 2018-09-13 | 2018-09-13 | 一种基于神经网络的交通工具目的地区域范围预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389246A true CN109389246A (zh) | 2019-02-26 |
CN109389246B CN109389246B (zh) | 2021-03-16 |
Family
ID=65418788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811068603.XA Active CN109389246B (zh) | 2018-09-13 | 2018-09-13 | 一种基于神经网络的交通工具目的地区域范围预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389246B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334289A (zh) * | 2019-06-12 | 2019-10-15 | 阿里巴巴集团控股有限公司 | 出行目的地的确定方法和目标用户的确定方法 |
CN111523643A (zh) * | 2020-04-10 | 2020-08-11 | 商汤集团有限公司 | 轨迹预测方法、装置、设备及存储介质 |
CN112037506A (zh) * | 2020-07-29 | 2020-12-04 | 长安大学 | 车辆轨迹预测模型构建方法、车辆轨迹预测方法及系统 |
CN112749825A (zh) * | 2019-10-31 | 2021-05-04 | 华为技术有限公司 | 预测车辆的目的地的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825297A (zh) * | 2016-03-11 | 2016-08-03 | 山东大学 | 一种基于马尔科夫模型的位置预测方法 |
CN106568445A (zh) * | 2016-11-11 | 2017-04-19 | 吉林大学 | 基于双向循环神经网络的室内轨迹预测方法 |
CN108074415A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的车辆目的地预测方法及系统 |
CN108108831A (zh) * | 2016-11-24 | 2018-06-01 | 中国移动通信有限公司研究院 | 一种目的地预测方法及装置 |
-
2018
- 2018-09-13 CN CN201811068603.XA patent/CN109389246B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825297A (zh) * | 2016-03-11 | 2016-08-03 | 山东大学 | 一种基于马尔科夫模型的位置预测方法 |
CN106568445A (zh) * | 2016-11-11 | 2017-04-19 | 吉林大学 | 基于双向循环神经网络的室内轨迹预测方法 |
CN108108831A (zh) * | 2016-11-24 | 2018-06-01 | 中国移动通信有限公司研究院 | 一种目的地预测方法及装置 |
CN108074415A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的车辆目的地预测方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334289A (zh) * | 2019-06-12 | 2019-10-15 | 阿里巴巴集团控股有限公司 | 出行目的地的确定方法和目标用户的确定方法 |
CN110334289B (zh) * | 2019-06-12 | 2023-04-18 | 创新先进技术有限公司 | 出行目的地的确定方法和目标用户的确定方法 |
CN112749825A (zh) * | 2019-10-31 | 2021-05-04 | 华为技术有限公司 | 预测车辆的目的地的方法和装置 |
WO2021082464A1 (zh) * | 2019-10-31 | 2021-05-06 | 华为技术有限公司 | 预测车辆的目的地的方法和装置 |
CN111523643A (zh) * | 2020-04-10 | 2020-08-11 | 商汤集团有限公司 | 轨迹预测方法、装置、设备及存储介质 |
CN111523643B (zh) * | 2020-04-10 | 2024-01-05 | 商汤集团有限公司 | 轨迹预测方法、装置、设备及存储介质 |
CN112037506A (zh) * | 2020-07-29 | 2020-12-04 | 长安大学 | 车辆轨迹预测模型构建方法、车辆轨迹预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109389246B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389246A (zh) | 一种基于神经网络的交通工具目的地区域范围预测方法 | |
Liu et al. | Urban traffic prediction from mobility data using deep learning | |
CN107180530B (zh) | 一种基于深度时空卷积循环网络的路网状态预测方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN112532439B (zh) | 一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法 | |
Wang et al. | Hierarchical traffic flow prediction based on spatial-temporal graph convolutional network | |
CN110458048A (zh) | 顾及城镇格局特征的人口分布时空演变与认知 | |
Niu et al. | Real-time taxi-passenger prediction with L-CNN | |
CN109410575A (zh) | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 | |
CN109376969A (zh) | 基于深度学习的城市精细化人口分布动态预测方法及装置 | |
CN108108808A (zh) | 一种基于深度信念网络的位置预测方法及装置 | |
CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
CN109241846A (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
CN106897538A (zh) | 基于卷积神经网络的地磁图方向适配性计算方法 | |
CN109887284A (zh) | 一种智慧城市交通信号控制推荐方法、系统及装置 | |
CN112712138A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN114495500B (zh) | 一种基于对偶动态时空图卷积的交通预测方法 | |
CN112766600A (zh) | 一种城市区域人群流量预测方法及系统 | |
CN110377049A (zh) | 基于脑-机接口的无人机集群编队队形重构控制方法 | |
CN112862084B (zh) | 基于深度迁移融合学习的交通流量预测方法 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
Liao | [Retracted] Hot Spot Analysis of Tourist Attractions Based on Stay Point Spatial Clustering | |
CN115860153B (zh) | 基于个性化分组联邦学习的无线流量预测方法及系统 | |
CN117116048A (zh) | 基于知识表示模型和图神经网络的知识驱动交通预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |