结合出行方式的Trans-BiLSTM移动目标位置预测方法.pdfVIP

小型微型计算机系统２０２４年３月第３期

ＤＯＩ：１０．２０００９／ｊ．ｃｎｋｉ．２１１１０６／ＴＰ．２０２３０４０６

ＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＣｏｍｐｕｔｅｒＳｙｓｔｅｍｓＶｏｌ．４５Ｎｏ．３２０２４

结合出行方式的ＴｒａｎｓＢｉＬＳＴＭ移动目标位置预测方法

姚子宣，魏东，冉义兵

（北京建筑大学电气与信息工程学院，北京１０００４４）

（建筑大数据智能处理方法研究北京市重点实验室，北京１０００４４）

Ｅｍａｉｌ：ｗｅｉｄｏｎｇ＠ｂｕｃｅａ．ｅｄｕ．ｃｎ

摘要：当前位置预测算法往往忽略用户出行方式的关键作用，并在处理长时间序列依赖问题中效果较差．针对这两个问题，

提出了一种结合出行方式的ＴｒａｎｓＢｉＬＳＴＭ目标位置预测模型．该模型首先提取轨迹段的运动学特征，然后构建基于ＸＧＢｏｏｓｔ

的出行方式识别算法，筛选影响出行方式的主要特征，和轨迹共同作为预测模型输入．最后为了增强轨迹特征的表征能力，引入

Ｔｒａｎｓｆｏｒｍｅｒ编码器，并结合ＢｉＬＳＴＭ深度挖掘轨迹的上下文关系．在真实ＧＰＳ轨迹数据集上进行的位置预测对比实验表明，

ＴｒａｎｓＢｉＬＳＴＭ模型与常用的ＬＳＴＭ和ＢｉＬＳＴＭ模型相比，目标位置预测的结果ＲＭＳＥ指标分别提升６７．４％和１７．７％．

关键词：ＧＰＳ轨迹；位置预测；出行方式识别；Ｔｒａｎｓｆｏｒｍｅｒ；双向长短时记忆网络

中图分类号：ＴＰ１８３文献标识码：Ａ文章编号：１０００１２２０（２０２４）０３０５９８０８

ＴｒａｎｓＢｉＬＳＴＭＭｏｖｉｎｇＴａｒｇｅｔＬｏｃａｔｉｏｎＰｒｅｄｉｃｔｉｏｎＭｅｔｈｏｄＣｏｍｂｉｎｉｎｇＴｒａｖｅｌＭｏｄｅｓ

ＹＡＯＺｉｘｕａｎ，ＷＥＩＤｏｎｇ，ＲＡＮＹｉｂｉｎｇ

（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＡｒｃｈｉｔｅｃｔｕｒｅ，Ｂｅｉｊｉｎｇ１０００４４，Ｃｈｉｎａ）

（ＢｅｉｊｉｎｇＫｅｙＬａｂｏｒａｔｏｒｙｏｆＲｅｓｅａｒｃｈｏｎＩｎｔｅｌｌｉｇｅｎｔＰｒｏｃｅｓｓｉｎｇＭｅｔｈｏｄｓｆｏｒＢｉｇＤａｔａｉｎＣｏｎｓｔｒｕｃｔｉｏｎ，Ｂｅｉｊｉｎｇ１０００４４，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｃｕｒｒｅｎｔｌｏｃａｔｉｏｎｐｒｅｄｉｃｔｉｏｎａｌｇｏｒｉｔｈｍｓｔｅｎｄｔｏｉｇｎｏｒｅｔｈｅｋｅｙｒｏｌｅｏｆｕｓｅｒ′ｓｔｒａｖｅｌｉｎｇｍｏｄｅａｎｄａｒｅｌｅｓｓｅｆｆｅｃｔｉｖｅｉｎｄｅａｌｉｎｇ

ｗｉｔｈｌｏｎｇｔｉｍｅｓｅｒｉｅｓｄｅｐｅｎｄｅｎｃｙｐｒｏｂｌｅｍｓ．Ａｉｍｉｎｇａｔｔｈｅｓｅｔｗｏｐｒｏｂｌｅｍｓ，ａＴｒａｎｓＢｉＬＳＴＭｔａｒｇｅｔｌｏｃａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｎｃｏｒｐｏ

ｒａｔｉｎｇｔｒａｖｅｌｍｏｄｅｓｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅｍｏｄｅｌｆｉｒｓｔｅｘｔｒａｃｔｓｔｈｅｋｉｎｅｍａｔｉｃｆｅａｔｕｒｅｓｏｆｔｈｅｔｒａｊｅｃｔｏｒｙｓｅｇｍｅｎｔｓ，ａｎｄｔｈｅｎｃｏｎｓｔｒｕｃｔｓａｎＸＧ

Ｂｏｏｓｔｂａｓｅｄｔｒａｖｅｌｍｏｄｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｔｏｆｉｌｔｅｒｔｈｅｍａｉｎｆｅａｔｕｒｅｓａｆｆｅｃｔｉｎｇｔｈｅｔｒａｖｅｌｍｏｄｅｓ，ｗｈｉｃｈｉｓｕｓｅｄｔｏｇｅｔｈｅｒｗｉｔｈｔｈｅ

ｔｒａｊｅｃｔｏｒｙａｓｔｈｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｎｐｕｔ．Ｆｉｎａｌｌｙ，ｉｎｏｒｄｅｒｔｏｅｎｈａｎｃｅｔｈｅｃｈａｒａｃｔｅｒｉｚａｔｉｏｎａｂｉｌｉｔｙｏｆｔｒａｊｅｃｔｏｒｙｆｅａｔｕｒｅｓ，ｔｈｅＴｒａｎｓｆｏｒｍｅｒ

ｅｎｃｏｄｅｒｉｓｉｎｔｒｏｄｕｃｅｄａｎｄｃｏｍｂｉｎｅｄｗｉｔｈＢｉＬＳＴＭｔｏｄｅｅｐｌｙｍｉｎｅｔｈｅｃｏｎｔｅｘｔｕａｌｒｅｌａｔｉｏｎｓｈｉｐｓｏｆｔｒａｊｅｃｔｏｒｉｅｓ．Ｃｏｍｐａｒａｔｉｖｅｌｏｃａｔｉｏｎｐｒｅ

ｄｉｃｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓｏｎｒｅａｌＧＰＳｔｒａｊｅｃｔｏｒｙｄａｔａｓｅｔｓｓｈｏｗｔｈａｔｔｈｅＴｒａｎｓＢｉＬＳＴＭｍｏｄｅｌｉｍｐｒｏｖｅｓｔｈｅｒｅｓｕｌｔａｎｔＲＭＳＥｍｅｔｒｉｃｓｏｆｔａｒｇｅｔ

ｌｏｃａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｂｙ６７．４％ａｎｄ１７．７％ｃｏｍｐａｒｅｄｔ