[发明专利]一种基于神经网络的交通工具目的地区域范围预测方法

说明书

本发明涉及一种基于神经网络的交通工具目的地区域范围预测方法，与传统的轨迹预测模型相比，使用神经网络模型可以减少人为手工调整大量模型参数的工作量，神经网络内部可以根据优化算法自动调整参数，不仅提高了准确率，而且加快了算法实现速度；并且技术方案借鉴自然语言处理中词向量嵌入的方法，将时间、交通工具ID和客户信息等重要特征以固定格式大小嵌入到输入层，提高了模型预测的准确率；而且将训练集的目的地轨迹进行聚类，可以将目的地集中，减少输出层单元个数，减少了模型容量，同时提高了预测准确率。

技术领域

本发明涉及一种基于神经网络的交通工具目的地区域范围预测方法，属于数据挖掘技术领域。

背景技术

随着计算机技术、移动通讯设备的不断发展，日常生活中使用的智能手机、车载GPS以及智能家电等设备产生了大量的位置轨迹数据。这些数据不仅反映了移动物体的移动轨迹，而且还蕴含着丰富的信息^[1]，充分挖掘分析这些信息，可以给人类生活带来巨大的利益。因此越来越多的研究人员开始关注基于轨迹数据挖掘的智能服务，而移动对象的轨迹预测是智能交通服务的一个研究热点。

出租车是人类出行的一种重要交通工具，随着各种打车软件的兴起，打车越来越方便。与此同时基于车载GPS以及智能手机采集到的轨迹数据也越来越多，通过对出租车轨迹数据进行挖掘分析以及预测，可以了解人类出行规律，提高打车成功率，缩短打车时间，进行路线规划，不仅节省了人类出行的时间，而且可以减少环境污染。

人工神经网络是由大量处理单元连接组成的非线性、自适应信息处理系统，是对人脑神经网络的一种简化与模拟，通过模拟大脑神经网络处理、记忆信息的方式来进行信息处理^[2]。近年来，基于人工神经网络的深度学习成为人工智能领域的焦点，在计算机视觉、图象处理、自然语言处理等领域都取得了突破性的进展^[3、4]。传统的轨迹预测方法需要手动设置参数，提取模式，而基于人工神经网络的轨迹预测方法不仅可以自动调整参数，而且预测的准确率更高。

[1]Jiang Xiaorui,Tian Ya,Jiang Li et al.Visual analytics of urbanroad transporttation data:a survey[J].Chinese Journal of image graphics,2015,20(4):0454-0467.

[2]Xavier Glorot,Antoine Bordes,and Yoshua Bengio.Deep sparserectifier neural networks[J].In International Conference on ArtificialIntelligence and Statistics,2011,23(3):315–323.

[3]Brinkhoff T.A framework for generating network based movingobjects.Geoinformatica,2002,2(6):153-180.

[4]Sepp Hochreiter and Jürgen Schmidhuber.Long short-term memory[J].Neural computation,1997,9(8):1735–1780.

发明内容

本发明所要解决的技术问题是提供一种基于神经网络的交通工具目的地区域范围预测方法，一方面利用神经网络的自动化调参、提取特征提高了模型泛化能力；另一方面采用监督学习方法，提高了模型预测准确率。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于神经网络的交通工具目的地区域范围预测方法，用于针对目标交通工具，实现目的地区域范围的预测，包括如下步骤：