科研之友
微信
新浪微博
Facebook
分享链接
摘要
现有的人群移动性研究对于较长的轨迹面临着预测精度较低的问题。对此,提出基于长短期神经网络(LSTM)的编码器-解码器模型来预测人群移动轨迹。同时考虑过去和当前的轨迹,且限制当前轨迹的长度,从而充分发挥LSTM的能力。将每个用户的全部轨迹划分为历史轨迹和当前轨迹;使用双向长短期神经网络(BiLSTM)和数据的逆置两个方法处理长的历史轨迹;使用编码器探索历史轨迹移动模式并编码生成信息;解码器解码获取的信息并对当前轨迹做预测。在公开数据集上的测试结果表明,与传统方法和近年的深度学习方法相比,该模型的精确度有明显提升。
- 单位
