CN117216614B - 一种基于时空信息提取的轨迹表征挖掘方法 - Google Patents
一种基于时空信息提取的轨迹表征挖掘方法 Download PDFInfo
- Publication number
- CN117216614B CN117216614B CN202311237696.5A CN202311237696A CN117216614B CN 117216614 B CN117216614 B CN 117216614B CN 202311237696 A CN202311237696 A CN 202311237696A CN 117216614 B CN117216614 B CN 117216614B
- Authority
- CN
- China
- Prior art keywords
- region
- track
- time
- space
- user
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012512 characterization method Methods 0.000 title claims abstract description 30
- 238000005065 mining Methods 0.000 title claims abstract description 18
- 238000000605 extraction Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 abstract description 3
- 238000009412 basement excavation Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种基于时空信息提取的轨迹表征挖掘方法，属于数据挖掘技术领域。包括：S1.获取时空轨迹数据，并对数据进行预处理；S2.将时空轨迹数据映射到对应的城市区域；S3.根据区域分布的属性和用户对每个区域的访问时间点，进行初始时空特征编码；S4.将地理编码和关联访问区域编码的时间编码拼接构成轨迹的时空特征编码，并映射为向量表示；S5.将向量输入至LSTM网络中训练，捕捉上下文信息；S6.根据上下文信息计算每个区域对于轨迹经过其他区域的动态功能权重；S7.使用注意力权重对BiLSTM的输出进行加权，生成加权的上下文表示聚合每个区域在不同时段内的特征信息。解决缺少挖掘轨迹的动态功能表征方法的问题。
Description
技术领域
本申请涉及轨迹表征挖掘方法，尤其涉及一种基于时空信息提取的轨迹表征挖掘方法，属于数据挖掘技术领域。
背景技术
时空轨迹涵盖了城市中人们的移动行为，不仅呈现了人们对空间的利用和影响，同时也受到空间因素的制约与推动。这种时空轨迹可以既揭示人们在不同地域之间的相互作用和依赖关系，同时也反映了城市内部和城市之间的紧密连接。因此，对时空轨迹的深入挖掘，不仅有助于揭示城市的内在结构和功能，还为城市规划、资源分配以及社会发展提供了实质性的信息。
通过深入挖掘轨迹数据的时间序列特征，进一步探索了城市区域表征与时空轨迹之间错综复杂的关系。初步揭示了城市区域表征与轨迹流动模式研究之间的相互影响和显著成果。现有技术通过基于LSTM(长短时记忆网络)的方法，分析出行者在与到达区域的关联；研究者利用图神经网络挖掘区域的地理分布特点，探索城市区域之间的相互影响。这些研究充分展现了通过区域表征分析在理解城市运行机制方面的潜力。然而，尽管这些研究取得了显著进展，领域内仍然存在一些不足和挑战，需要进一步的深入探索。其中，如何在不同区域之间的转换时捕捉到微妙的功能的变化，即如何挖掘轨迹的动态功能表征，仍然是时空轨迹数据挖掘领域需要解决的重点问题。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决现有技术中存在缺少挖掘轨迹的动态功能表征方法的技术问题，本发明提供一种基于时空信息提取的轨迹表征挖掘方法。
方案一、一种基于时空信息提取的轨迹表征挖掘方法，包括以下步骤：
S1.获取时空轨迹数据，并对数据进行预处理；
S2.将预处理过的时空轨迹数据映射到对应的城市区域；
S3.根据区域分布的属性和用户对每个区域的访问时间点，对用户轨迹进行初始时空特征编码；
S4.将地理编码和关联访问区域编码的时间编码拼接构成轨迹的时空特征编码，并映射为初始化的轨迹-区域向量表示，用于表示轨迹的初始特征输入到嵌入层；
S5.将初始化的轨迹-区域向量输入至双向LSTM网络中训练，捕捉上下文信息；
S6.根据上下文信息计算每个区域对于轨迹经过其他区域的动态功能权重；
S7.使用注意力权重对BiLSTM的输出进行加权，生成加权的上下文表示聚合每个区域在不同时段内的特征信息。
优选的，还包括S8.使用K-means聚类将不同时段内各个区域的动态表征结果进行聚类，获得功能相似的区域划分集群。
优选的，将预处理过的时空轨迹数据映射到对应的城市区域的方法是：
将每个轨迹点通过空间坐标与地图上的区域进行映射，使每个轨迹点都与一个特定的区域关联；
将时间区间划分为24个时间段，分别统计用户在每个时间段内停留时长最长的区域，定义为用户在这个时间段内的访问区域；
将用户一天内的访问轨迹统计为24个访问区域，其用户i轨迹的数据格式为trajectory_i＝(region_1，region_2，…，region_24)。
优选的，根据区域分布的属性和用户对每个区域的访问时间点，对用户轨迹进行初始时空特征编码的方法是包括：地理经纬度编码和关联访问区域编码的时间编码；
地理经纬度编码：将所有区域的经纬度数据前k位相同部分去掉，将余下的经纬度信息通过Geohash编码使用二进制数表示地理位置，将经度和纬度信息分别编码为二进制数；
关联访问区域编码的时间编码：将用户连续多个小时停留的区域与用户的连续访问时间进行合并，规则为第一位编码为对应时间段序列，第二位编码为用户在当前访问的第i个区域，根据当前访问区域重新排序编码。
优选的，将地理编码和关联访问区域编码的时间编码拼接构成轨迹的时空特征编码，并映射为初始化的轨迹-区域向量表示，用于表示轨迹的初始特征输入到嵌入层的方法是：
对于用户的轨迹由原始表示trajectoryi＝[region1，region2，...，region24]转换为traj2regi＝([geocode1，timecode1]，[geocode1，timecode1]，...，[geocode24，timecode24])
其中，regioni为用户当前访问的i个区域，geocodei表示对应的地理编码，timecodei表示对应的时间编码，[·]表示两个向量的拼接。
优选的，将初始化的轨迹-区域向量输入至双向LSTM网络中训练，捕捉上下文信息的方法是：
前向LSTM计算：
后向LSTM计算：
其中，和/>分别表示前向和后向LSTM的隐藏状态，traj2regt是输入向量。
优选的，根据上下文信息计算每个区域对于轨迹经过其他区域的动态功能权重的方法是：
计算每个区域的注意力权重，表示区域对于轨迹中其他区域的重要性，计算不同区域之间的相似度获得每个区域对于轨迹经过其他区域的动态功能权重：
其中，score(traj2regi，traj2regj)是计算区域traj2regi和区域traj2regj之间的相似度分数。
优选的，使用注意力权重对BiLSTM的输出进行加权，生成加权的上下文表示聚合每个区域在不同时段内的特征信息的方法是：
式中，αij表示注意力权重，LSTM的输出状态，表示注意力权重加权后的区域结果。方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的一种基于时空信息提取的轨迹表征挖掘方法的步骤。
方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种基于时空信息提取的轨迹表征挖掘方法。
本发明的有益效果如下：本发明挖掘并揭示轨迹的动态变化，运用时空移动信息进行时空地理编码，捕获轨迹的个性化动态特征，并通过K-means聚类对特征进行分类，得出轨迹的表征分类结果，可以获得对轨迹的精准的动态表征结果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为一种基于时空信息提取的轨迹表征挖掘方法流程示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1说明本实施方式，一种基于时空信息提取的轨迹表征挖掘方法，包括以下步骤：
S1.获取时空轨迹数据，并对数据进行预处理；
S2.将预处理过的时空轨迹数据映射到对应的城市区域；
将每个轨迹点通过空间坐标与地图上的区域进行映射，使每个轨迹点都与一个特定的区域关联；
将时间区间划分为24个时间段，分别统计用户在每个时间段内停留时长最长的区域，定义为用户在这个时间段内的访问区域；
将用户一天内的访问轨迹统计为24个访问区域，其用户i轨迹的数据格式为trajectory_i＝(region_1，region_2，…，region_24)。
S3.根据区域分布的属性和用户对每个区域的访问时间点，对用户轨迹进行初始时空特征编码；
包括：地理经纬度编码和关联访问区域编码的时间编码。
地理经纬度编码：根据经纬度信息进行geo地理编码(geocode)；
将所有区域的经纬度数据前k位相同部分去掉，将余下的经纬度信息通过6eohash编码使用二进制数表示地理位置，将经度和纬度信息分别编码为二进制数；
关联访问区域编码的时间编码：根据连续访问区域进行时间-区域联合合并编码，将用户连续多个小时停留的区域与用户的连续访问时间进行合并，规则为第一位编码为对应时间段序列，第二位编码为根据当前访问区域重新排序编码；如：用户在t1，t2，t3，t4时刻连续访问了同一个区域region1，在t5时间访问了区域region2，在t6，t7连续访问了区域region3，则用户t1-t7的时间编码为：1.1，2.1，3.1，4.1，5.2，6.3，7.3；
S4.将地理编码和关联访问区域编码的时间编码拼接构成轨迹的时空特征编码，并映射为初始化的轨迹-区域向量表示，用于表示轨迹的初始特征输入到嵌入层；
对于用户的轨迹由原始表示trajectoryi＝[region1，region2，...，region24]转换为traj2regi＝([geocode1，timecode1]，[geocode1，timecode1]，...，[geocode24，timecode24])
其中，regioni为用户当前访问的i个区域，geocodei表示对应的地理编码，timecodei表示对应的时间编码，[·]表示两个向量的拼接；
S5.将初始化的轨迹-区域向量输入至双向LSTM网络中训练，捕捉上下文信息；
前向LSTM计算：
后向LSTM计算：
其中，和/>分别表示前向和后向LSTM的隐藏状态，traj2regt是输入向量。
S6.根据上下文信息计算每个区域对于轨迹经过其他区域的动态功能权重；
计算每个区域的注意力权重，表示区域对于轨迹中其他区域的重要性，计算不同区域之间的相似度获得每个区域对于轨迹经过其他区域的动态功能权重：
其中，score(traj2regi，traj2regj)是计算区域traj2regi和区域traj2regj之间的相似度分数；
S7.使用注意力权重对BiLSTM的输出进行加权，生成加权的上下文表示，聚合每个区域在不同时段内的特征信息；
式中，αij表示注意力权重，LSTM的输出状态，表示注意力权重加权后的区域结果；
聚合每个区域在不同时段内的特征信息得到了每个时段内区域的动态表征结果；这些表征结果反映了不同时段内区域缩进过轨迹的重要性和功能。
S8.使用K-means聚类将不同时段内各个区域的动态表征结果进行聚类，获得功能相似的区域划分集群。可以理解城市中不同区域的功能聚集情况，从而为城市规划和资源分配提供指导。
为了评估本实施例提出方法的有效性，使用真实轨迹数据集进行实验验证；并将本方法与经典的TF-IDF词嵌入模型和LDA主题模型应用于区域表征训练与本方法进行效果对比。通过多个不同区域数量集群的划分结果与真实的地理区域划分结果及进行对比，验证本方法的有效性。
预测结果通用的评价指标：归一化互信息(NMI)，调兰德指数(ARI)，F值(F-measure)，在将区域与表征经过kmean聚类划分为k＝5，10，15的情况下，分别进行评估比较，其结果通过表1-表3所示，其中表1为k＝5时效果对比表；表2为k＝10时效果对比表表3为k＝15时效果对比表。
表1为k＝5时效果对比表
| K＝5 | NMI | ARI | F-measure |
| TF-IDF | 1.376 | 0.004 | 0.275 |
| LDA | 1.611 | 0.112 | 0.324 |
| 本方法 | 1.823* | 0.129* | 0.344* |
*为最佳性能结果。
表2为k＝10时效果对比表
| K＝10 | NMI | ARI | F-measure |
| TF-IDF | 1.892 | 0.081 | 0.221 |
| LDA | 2.657 | 0.090 | 0.238 |
| 本方法 | 3.310* | 0.141* | 0.259* |
*为最佳性能结果。
表3为k＝15时效果对比表
| K＝15 | NMI | ARI | F-measure |
| TF-IDF | 2.922 | 0.113 | 0.177 |
| LDA | 3.899 | 0.148 | 0.231 |
| 本方法 | 4.705* | 0.217* | 0.295* |
*为最佳性能结果。
通过与各项验证指标进行对比，本实施例所提出的方法，可以更准确的获得时空轨迹表征结果。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种基于时空信息提取的轨迹表征挖掘方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的一种基于时空信息提取的轨迹表征挖掘方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
Claims (4)
1.一种基于时空信息提取的轨迹表征挖掘方法，其特征在于，包括以下步骤：
S1.获取时空轨迹数据，并对数据进行预处理；
S2.将预处理过的时空轨迹数据映射到对应的城市区域，方法是：
将每个轨迹点通过空间坐标与地图上的区域进行映射，使每个轨迹点都与一个区域关联；
将时间区间划分为24个时间段，分别统计用户在每个时间段内停留时长最长的区域，定义为用户在这个时间段内的访问区域；
将用户一天内的访问轨迹统计为24个访问区域，其用户i轨迹的数据格式为trajectory_i＝(region_1,region_2,…,region_24)；
S3.根据区域分布的属性和用户对每个区域的访问时间点，对用户轨迹进行初始时空特征编码，方法是包括：地理经纬度编码和关联访问区域编码的时间编码；
地理经纬度编码：将所有区域的经纬度数据前k位相同部分去掉，将余下的经纬度信息通过Geohash编码使用二进制数表示地理位置，将经度和纬度信息分别编码为二进制数；
关联访问区域编码的时间编码：将用户连续多个小时停留的区域与用户的连续访问时间进行合并，规则为第一位编码为对应时间段序列，第二位编码为用户在当前访问的第i个区域，根据当前访问区域重新排序编码；
S4.将地理编码和关联访问区域编码的时间编码拼接构成轨迹的时空特征编码，并映射为初始化的轨迹-区域向量表示，用于表示轨迹的初始特征输入到嵌入层，方法是：
对于用户的轨迹由原始表示trajectoryi＝[region1,region2,…,region24]转换为traj2regi＝([geocode1,timecode1],[geocode1,timecode1],…,[geocode24,timecode24])
其中，regioni为用户当前访问的i个区域，geocodei表示对应的地理编码，timecodei表示对应的时间编码，[·]表示两个向量的拼接；
S5.将初始化的轨迹-区域向量输入至双向LSTM网络中训练，捕捉上下文信息，方法是：
前向LSTM计算：
后向LSTM计算:
其中，和/>分别表示前向和后向LSTM的隐藏状态，traj2regt是输入向量；
S6.根据上下文信息计算每个区域对于轨迹经过其他区域的动态功能权重，方法是：
计算每个区域的注意力权重，表示区域对于轨迹中其他区域的重要性，计算不同区域之间的相似度获得每个区域对于轨迹经过其他区域的动态功能权重：
其中，score(traj2regi,traj2regj)是计算区域traj2regi和区域traj2regj之间的相似度分数；
S7.使用注意力权重对BiLSTM的输出进行加权，生成加权的上下文表示聚合每个区域在不同时段内的特征信息；
S8.使用K-means聚类将不同时段内各个区域的动态表征结果进行聚类，获得功能相似的区域划分集群。
2.根据权利要求1所述的一种基于时空信息提取的轨迹表征挖掘方法，其特征在于，使用注意力权重对BiLSTM的输出进行加权，生成加权的上下文表示聚合每个区域在不同时段内的特征信息的方法是：
式中，αij表示注意力权重，hi表示区域i经过前向和后向训练后的LSTM的输出状态，表示注意力权重加权后的区域结果。
3.一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1或2所述的一种基于时空信息提取的轨迹表征挖掘方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1或2所述的一种基于时空信息提取的轨迹表征挖掘方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311237696.5A CN117216614B (zh) | 2023-09-22 | 2023-09-22 | 一种基于时空信息提取的轨迹表征挖掘方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311237696.5A CN117216614B (zh) | 2023-09-22 | 2023-09-22 | 一种基于时空信息提取的轨迹表征挖掘方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117216614A CN117216614A (zh) | 2023-12-12 |
| CN117216614B true CN117216614B (zh) | 2024-03-08 |
Family
ID=89044088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311237696.5A Active CN117216614B (zh) | 2023-09-22 | 2023-09-22 | 一种基于时空信息提取的轨迹表征挖掘方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216614B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111400620A (zh) * | 2020-03-27 | 2020-07-10 | 东北大学 | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 |
| CN111488984A (zh) * | 2020-04-03 | 2020-08-04 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
| CN112686281A (zh) * | 2020-12-08 | 2021-04-20 | 深圳先进技术研究院 | 基于时空注意力和多级lstm信息表达的车辆轨迹预测方法 |
| CN114372116A (zh) * | 2021-12-30 | 2022-04-19 | 华南理工大学 | 一种基于lstm和时空注意力机制的车辆轨迹预测方法 |
| CN114741614A (zh) * | 2022-03-10 | 2022-07-12 | 东北大学 | 一种基于位置编码器和时空嵌入的位置推荐方法 |
| CN115829171A (zh) * | 2023-02-24 | 2023-03-21 | 山东科技大学 | 一种联合时空信息和社交互动特征的行人轨迹预测方法 |
| CN116304987A (zh) * | 2023-03-28 | 2023-06-23 | 山东大学 | 一种移动用户时空轨迹的挖掘和预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230085296A1 (en) * | 2021-08-27 | 2023-03-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for predicting trajectories of multiple vehicles |
-
2023
- 2023-09-22 CN CN202311237696.5A patent/CN117216614B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111400620A (zh) * | 2020-03-27 | 2020-07-10 | 东北大学 | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 |
| CN111488984A (zh) * | 2020-04-03 | 2020-08-04 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
| CN112686281A (zh) * | 2020-12-08 | 2021-04-20 | 深圳先进技术研究院 | 基于时空注意力和多级lstm信息表达的车辆轨迹预测方法 |
| CN114372116A (zh) * | 2021-12-30 | 2022-04-19 | 华南理工大学 | 一种基于lstm和时空注意力机制的车辆轨迹预测方法 |
| CN114741614A (zh) * | 2022-03-10 | 2022-07-12 | 东北大学 | 一种基于位置编码器和时空嵌入的位置推荐方法 |
| CN115829171A (zh) * | 2023-02-24 | 2023-03-21 | 山东科技大学 | 一种联合时空信息和社交互动特征的行人轨迹预测方法 |
| CN116304987A (zh) * | 2023-03-28 | 2023-06-23 | 山东大学 | 一种移动用户时空轨迹的挖掘和预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 薛佳瑶 ; 陈海勇 ; 周刚 ; .基于卷积循环神经网络的城市区域车流量预测模型.信息工程大学学报.2019,(第02期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117216614A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103455542B (zh) | 多类识别器以及多类识别方法 | |
| CN111898696A (zh) | 伪标签及标签预测模型的生成方法、装置、介质及设备 | |
| CN107679082A (zh) | 问答搜索方法、装置以及电子设备 | |
| Spyrou et al. | Analyzing Flickr metadata to extract location-based information and semantically organize its photo content | |
| WO2022068745A1 (zh) | 数据处理方法及设备 | |
| CN112966053B (zh) | 一种基于知识图谱的海洋领域专家库构建方法及装置 | |
| CN109033148A (zh) | 一种面向多分类的不平衡数据预处理方法、装置及设备 | |
| CN111695019A (zh) | 一种识别关联账号的方法及装置 | |
| CN115083435A (zh) | 音频数据处理方法、装置、计算机设备和存储介质 | |
| CN113704373B (zh) | 基于移动轨迹数据的用户识别方法、装置及存储介质 | |
| CN112950079B (zh) | 绿地供需数据处理方法、系统、计算机设备及存储介质 | |
| CN117216614B (zh) | 一种基于时空信息提取的轨迹表征挖掘方法 | |
| CN111126422A (zh) | 行业模型的建立及行业的确定方法、装置、设备及介质 | |
| JP2023517518A (ja) | ヌル値又は同等の値を有するリレーショナル・テーブルのためのベクトル埋込モデル | |
| CN116049887A (zh) | 基于轨迹预测的隐私轨迹发布方法和装置 | |
| Yu et al. | An optimization model for landscape planning and environmental design of smart cities based on big data analysis | |
| Qin et al. | Statistical System of Cultural Heritage Tourism Information Based on Image Feature Extraction Technology | |
| CN111708745A (zh) | 一种跨媒体数据共享表示方法及用户行为分析方法、系统 | |
| CN117827961B (zh) | 一种基于大数据的国土空间规划方法及相关设备 | |
| CN114386078B (zh) | 一种基于bim的建设项目电子档案管理方法及装置 | |
| CN117314756B (zh) | 基于遥感图像的验保方法、装置、计算机设备及存储介质 | |
| CN113378223B (zh) | 基于双重编码和聚类映射的k-匿名数据处理方法及系统 | |
| CN112614024B (zh) | 基于案情事实的法条智能推荐方法及系统及装置及介质 | |
| Hall et al. | What matters in the new field of machine learning and satellite imagery-based poverty predictions? A review with relevance for potential downstream applications and development research | |
| CN117113390A (zh) | 一种基于rnn的差分隐私轨迹数据发布方法 |
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 |