科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的地预测可以帮助车辆辅助系统提前推荐相关服务,改善用户的驾驶体验,受到研究者的广泛关注.然而,相关研究主要是基于车辆的行驶轨迹来预测目的地,难以实现早期的目的地预测.为此,本论文提出了一个早期目的地预测模型DP-BPR,通过用户的出行时间和地点来预测目的地.该模型的实现有三个方面的挑战:1)稀疏的历史数据使得直接从原始数据中预测目的地非常困难;2)目的地不仅与出发点有关,而且与出发时间有关,在预测时应将两者都考虑在内;3)如何从历史数据中准确地学习目的地偏好.为了应对这些挑战,我们利用深度神经网络将稀疏的高维数据映射到稠密的低维空间,并学习用户、位置和时间的嵌入,然后,使用贝叶斯个性化排序学习并对目的地进行排名.在Zebra数据集上进行了实验,实验结果表明了DP-BPR的有效性.
