针对现有位置预测研究多数忽略时间和空间之间关联性的问题,提出一种基于时空特性的长短期记忆模型(ST-LSTM)。基于LSTM网络添加单独处理用户移动行为时空信息的时空门,并考虑用户签到的时间及空间因素,从而使模型具有时空特性。在ST-L...针对现有位置预测研究多数忽略时间和空间之间关联性的问题,提出一种基于时空特性的长短期记忆模型(ST-LSTM)。基于LSTM网络添加单独处理用户移动行为时空信息的时空门,并考虑用户签到的时间及空间因素,从而使模型具有时空特性。在ST-LSTM网络中引入个人修正因子,对每类用户的输出结果进行修正,在确保基本特性的基础上突出个性化,更好地学习每类用户的行为轨迹特征,同时在保证ST-LSTM网络特性的前提下给出 2种 ST-LSTM网络的简化变体模型。在公开数据集上的测试结果表明,与主流位置预测方法相比,该预测模型精确率、召回率、 F 1值都有明显提升。展开更多
针对城市出租车供需失衡、运营效率低等问题,提出一种综合考虑寻客空载与相邻载客状态的优质客源量化评价模型,利用数理统计、地理统计等时空分析方法探究其时空特征,并结合兴趣点(point of interest, POI)数据构建多时段地理加权回归...针对城市出租车供需失衡、运营效率低等问题,提出一种综合考虑寻客空载与相邻载客状态的优质客源量化评价模型,利用数理统计、地理统计等时空分析方法探究其时空特征,并结合兴趣点(point of interest, POI)数据构建多时段地理加权回归模型分析其影响因素。以重庆市2019年“五一”假期4 d与后6 d工作日出租车轨迹数据展开研究。结果表明:节假日优质客源整体较多于工作日,呈节假日首日和工作日末日较多的“U”形分布;23:00—次日5:00优质客源先减少后增加再减少,5:00—9:00逐渐增加,此后呈波动趋势并于21:00—23:00达到峰值;优质客源在6:00—10:00聚集情况最差,其余时段主要围绕重庆市中心城区“1主、6副、21组团”的商业、娱乐及交通枢纽等区域聚集,并呈现粘连趋势;交通设施、医疗机构、休闲娱乐及宾馆酒店等是影响优质客源时空分布的主要因素;节假日相比于工作日,工作、服务较规律的设施其影响强度明显降低,而提供娱乐、交通出行的设施其影响强度及时间都有显著增加。研究结果对提高出租车精细化管理具有重要意义。展开更多
文摘针对现有位置预测研究多数忽略时间和空间之间关联性的问题,提出一种基于时空特性的长短期记忆模型(ST-LSTM)。基于LSTM网络添加单独处理用户移动行为时空信息的时空门,并考虑用户签到的时间及空间因素,从而使模型具有时空特性。在ST-LSTM网络中引入个人修正因子,对每类用户的输出结果进行修正,在确保基本特性的基础上突出个性化,更好地学习每类用户的行为轨迹特征,同时在保证ST-LSTM网络特性的前提下给出 2种 ST-LSTM网络的简化变体模型。在公开数据集上的测试结果表明,与主流位置预测方法相比,该预测模型精确率、召回率、 F 1值都有明显提升。
