隨著智慧城市建設對城市交通信息分析利用需求的不斷增長和用戶時空軌跡數據的不斷積累,基于位置的數據挖掘開始被廣泛研究。人們希望能夠更加準確地掌握城市發(fā)展中存在的交通問題和需求,以便于更加有效地采取應對措施。此外,基于位置的數據挖掘還可以輔助進行與位置相關的商業(yè)活動。在基于位置的數據挖掘研究中,位置表示學習是一項十分重要的基礎研究任務。位置表示學習的目標是為每個位置學習一個嵌入的隱含特征向量表示。目前已有的大部分位置表示方法都只考慮了軌跡數據中位置的空間和序列關系,而忽略了在一條軌跡中用戶到達特定位置的時間信息的影響�？紤]到用戶的到達時間可以明確地反映位置的功能特征,所以將到達時間信息嵌入到位置表示學習中是非常有必要的。本文提出了一種融入時間信息的位置表示學習方法（Time-Aware Location Embedding,TALE）,從時空軌跡數據中對位置的分布式向量表示進行學習。在該方法中我們基于層次softmax模型設計了一種新穎的樹結構,將軌跡數據中的時間信息作為多叉樹的子節(jié)點加入到樹中。為了對TALE模型學習得到的向量效果進行驗證,我們進行了位置向量類比實驗,實驗結果表明TALE... 

【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數】：65 頁

【學位級別】：碩士

【部分圖文】：

SENNA基于窗口的方法網絡結構圖

sENNA基于句子的方法網絡結構圖

，CBOW的層次sonmax

【參考文獻】：
期刊論文
[1]基于LSTM循環(huán)神經網絡的故障時間序列預測[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學學報. 2018(04)
[2]Word2vec的工作原理及應用探究[J]. 周練.  科技情報開發(fā)與經濟. 2015(02)



本文編號：3078897