一种基于模糊长短期神经网络的移动对象轨迹预测算法

作者：李明晓; 张恒才^*; 仇培元; 程诗奋; 陈洁; 陆锋

来源：测绘学报, 2018, 47(12): 1660-1669.

• 位置预测
• 模糊空间划分
• LSTM
• 轨迹数据挖掘
• 深度学习

预测移动对象未来某时刻位置能够为城市规划与管理、城市公共安全、城市应急指挥等提供重要的决策依据,也可为个性化信息推荐、广告定投等基于位置的服务应用提供技术支持。已有预测算法多采用固定格网剖分,位置相近轨迹点常被划分至不同格网,使得潜在轨迹模式被忽略,降低了预测精度。此外,已有预测模型不能有效学习到长序列轨迹有效信息,造成长期依赖问题。本文提出一种基于模糊长短时记忆神经网络（fuzzy long short term memory network,Fuzzy-LSTM）模型的移动对象轨迹预测算法,引入模糊轨迹概念解决固定格网剖分所导致的尖锐边界问题,并对传统LSTM进行改进,综合利用移动对象历史轨迹邻近性和周期性出行特征,提高移动对象轨迹位置预测精度。最后,采用某市10万用户连续15个工作日的移动通讯信令轨迹数据集对方法进行试验分析。结果表明,本文方法在30min预测周期内的预测平均准确率达到83.98%,较经典的Na6ve-LSTM预测模型和NLPMM预测模型分别提高了4.36%和6.95%。

• 单位
  中国科学院大学; 江苏省地理信息资源开发与利用协同创新中心; 资源与环境信息系统国家重点实验室; 中国科学院地理科学与资源研究所