当前的位置预测方法大多没有考虑到用户行为信息,由于用户的访问时间、行为模式等能够在很大程度上反映所处位置,因此在对位置潜在向量进行预训练时有必要使用该信息。进行位置预测时,采样粒度较细的序列长度较长,难以捕获长距离依赖。...当前的位置预测方法大多没有考虑到用户行为信息,由于用户的访问时间、行为模式等能够在很大程度上反映所处位置,因此在对位置潜在向量进行预训练时有必要使用该信息。进行位置预测时,采样粒度较细的序列长度较长,难以捕获长距离依赖。针对这2个问题,提出了基于用户行为和上下文语义的分层时空长短期记忆网络(Hierarchical Spatiotemporal Long Short-Term Memory Based on User Behavior and Contextual Semantics,CHST-LSTM)模型。该模型通过Transformer编码层处理轨迹数据,将用户相关行为信息考虑在内,融合位置的上下文语义信息,通过预训练得到位置的嵌入表征。根据用户的行为状态分割轨迹阶段,采用编码器-解码器方式对ST-LSTM进行分段分层扩展,利用BiLSTM对全局信息建模,同时处理轨迹的长短期变化,解决长序列的长距离依赖问题。对外卖员用户群体的真实移动轨迹数据进行分析和实验,通过聚类发现其特有的工作模式,在预训练时加入工作模式信息与到访时间信息,得到位置的特征向量并用于预测模型。结果表明CHST-LSTM模型在预测用户下一位置时精度更高。展开更多
针对狭水道航行等对位置信息精度与稳定性要求较高的场景,提出一种基于长短期记忆(Long Short Term Memory,LSTM)神经网络的舰船航行位置预测模型。完成模型构建的同时,结合导航系统、操控与推进系统、气象水文系统的航行试验历史数据,...针对狭水道航行等对位置信息精度与稳定性要求较高的场景,提出一种基于长短期记忆(Long Short Term Memory,LSTM)神经网络的舰船航行位置预测模型。完成模型构建的同时,结合导航系统、操控与推进系统、气象水文系统的航行试验历史数据,对模型进行了训练与测试,实现了对未来时刻舰船航行位置的预测。试验结果表明,舰位预测模型根据船舶航行历史数据对未来时刻航行位置的预测具有较高的准确性与稳定性,能够对船舶在狭水道航行等特殊场景下的安全航行提供辅助与支持。展开更多
文摘当前的位置预测方法大多没有考虑到用户行为信息,由于用户的访问时间、行为模式等能够在很大程度上反映所处位置,因此在对位置潜在向量进行预训练时有必要使用该信息。进行位置预测时,采样粒度较细的序列长度较长,难以捕获长距离依赖。针对这2个问题,提出了基于用户行为和上下文语义的分层时空长短期记忆网络(Hierarchical Spatiotemporal Long Short-Term Memory Based on User Behavior and Contextual Semantics,CHST-LSTM)模型。该模型通过Transformer编码层处理轨迹数据,将用户相关行为信息考虑在内,融合位置的上下文语义信息,通过预训练得到位置的嵌入表征。根据用户的行为状态分割轨迹阶段,采用编码器-解码器方式对ST-LSTM进行分段分层扩展,利用BiLSTM对全局信息建模,同时处理轨迹的长短期变化,解决长序列的长距离依赖问题。对外卖员用户群体的真实移动轨迹数据进行分析和实验,通过聚类发现其特有的工作模式,在预训练时加入工作模式信息与到访时间信息,得到位置的特征向量并用于预测模型。结果表明CHST-LSTM模型在预测用户下一位置时精度更高。
文摘针对狭水道航行等对位置信息精度与稳定性要求较高的场景,提出一种基于长短期记忆(Long Short Term Memory,LSTM)神经网络的舰船航行位置预测模型。完成模型构建的同时,结合导航系统、操控与推进系统、气象水文系统的航行试验历史数据,对模型进行了训练与测试,实现了对未来时刻舰船航行位置的预测。试验结果表明,舰位预测模型根据船舶航行历史数据对未来时刻航行位置的预测具有较高的准确性与稳定性,能够对船舶在狭水道航行等特殊场景下的安全航行提供辅助与支持。
