車輛軌跡目的地預(yù)測(cè),就是基于初始的軌跡片段來(lái)預(yù)測(cè)最終的目的地。這項(xiàng)工作對(duì)基于位置的服務(wù)（LBSs）和城市計(jì)算等領(lǐng)域的研究開(kāi)發(fā)具有重要意義。最初的一些目的地預(yù)測(cè)利用了一些額外的信息,但這些信息大多數(shù)很難獲取�，F(xiàn)有的大量目的地預(yù)測(cè)方法是基于各類馬爾可夫鏈模型的,但因?yàn)轳R爾可夫性的限制,這些方法存在明顯的弊端。總體來(lái)說(shuō),基于神經(jīng)網(wǎng)絡(luò)的方法比上述幾種方法的表現(xiàn)都要好,其中循環(huán)神經(jīng)網(wǎng)絡(luò)（RNNs）在目的地預(yù)測(cè)中具有較強(qiáng)的時(shí)序數(shù)據(jù)處理能力。回聲狀態(tài)網(wǎng)絡(luò)（ESN）是設(shè)計(jì)高效訓(xùn)練的循環(huán)神經(jīng)網(wǎng)絡(luò)的最新方法,它提供了一種體系結(jié)構(gòu)和監(jiān)督學(xué)習(xí)原理。在這項(xiàng)工作中,我們將深度回聲狀態(tài)網(wǎng)絡(luò)（deep ESN）模型應(yīng)用到了車輛目的地預(yù)測(cè)問(wèn)題中,只使用歷史軌跡數(shù)據(jù)并且取得了很好的效果。基于原始的深度回聲狀態(tài)網(wǎng)絡(luò),本文提出了一個(gè)新穎的模型,稱為雙輸入深度回聲狀態(tài)網(wǎng)絡(luò)（deep ESN-DI）,用于解決原始深度回聲狀態(tài)網(wǎng)絡(luò)在處理大量訓(xùn)練數(shù)據(jù)時(shí)耗較長(zhǎng)的局限,并取得了更好的預(yù)測(cè)結(jié)果。基于Kaggle出租車軌跡預(yù)測(cè)挑戰(zhàn)賽中提供的數(shù)據(jù)所得到的實(shí)驗(yàn)數(shù)據(jù)顯示,本文提出的雙輸入深度回聲狀態(tài)網(wǎng)絡(luò)的目的地預(yù)測(cè)方法,表現(xiàn)明顯優(yōu)于其他基于神經(jīng)網(wǎng)... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 研究問(wèn)題的數(shù)學(xué)定義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀和發(fā)展態(tài)勢(shì)
    1.4 工業(yè)界應(yīng)用案例
    1.5 本文的主要貢獻(xiàn)與創(chuàng)新
    1.6 本論文的結(jié)構(gòu)安排
第二章 深度回聲狀態(tài)網(wǎng)絡(luò)基礎(chǔ)
    2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)與蓄水池計(jì)算
    2.2 回聲狀態(tài)網(wǎng)絡(luò)
    2.3 深度回聲狀態(tài)網(wǎng)絡(luò)
        2.3.1 深度回聲狀態(tài)網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.2 深度回聲狀態(tài)網(wǎng)絡(luò)的兩種變體
    2.4 雙輸入深度回聲狀態(tài)網(wǎng)絡(luò)
        2.4.1 雙輸入深度回聲狀態(tài)網(wǎng)絡(luò)的動(dòng)機(jī)
        2.4.2 雙輸入深度回聲狀態(tài)網(wǎng)絡(luò)的細(xì)節(jié)
    2.5 深度回聲狀態(tài)網(wǎng)絡(luò)與多層感知機(jī)結(jié)合
        2.5.1 多層感知機(jī)結(jié)構(gòu)
        2.5.2 目的地聚類
    2.6 本章小結(jié)
第三章 車輛目的地預(yù)測(cè)實(shí)驗(yàn)驗(yàn)證
    3.1 數(shù)據(jù)描述
    3.2 評(píng)測(cè)標(biāo)準(zhǔn)
    3.3 基準(zhǔn)模型
        3.3.1 多層感知機(jī)模型
        3.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)模型
        3.3.3 回聲狀態(tài)網(wǎng)絡(luò)模型
    3.4 實(shí)驗(yàn)設(shè)置
        3.4.1 數(shù)據(jù)處理
        3.4.2 模型訓(xùn)練
    3.5 實(shí)驗(yàn)結(jié)果
        3.5.1 參數(shù)選擇
        3.5.2 表現(xiàn)對(duì)比
        3.5.3 誤差分析
        3.5.4 訓(xùn)練時(shí)間
    3.6 本章小結(jié)
第四章 基于軌跡特征的冒泡發(fā)單率預(yù)測(cè)
    4.1 項(xiàng)目背景及意義介紹
    4.2 工業(yè)界相關(guān)領(lǐng)域應(yīng)用現(xiàn)狀
        4.2.1 前深度學(xué)習(xí)時(shí)代的CTR預(yù)估模型
        4.2.2 深度學(xué)習(xí)時(shí)代的CTR預(yù)估模型
    4.3 特征數(shù)據(jù)構(gòu)造
    4.4 基于XGBoost建模
        4.4.1 XGBoost簡(jiǎn)介
        4.4.2 模型結(jié)構(gòu)
    4.5 基于真實(shí)數(shù)據(jù)的實(shí)驗(yàn)評(píng)估
        4.5.1 實(shí)驗(yàn)評(píng)估標(biāo)準(zhǔn)
        4.5.2 實(shí)驗(yàn)結(jié)果
    4.6 本章小結(jié)
第五章 全文總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]XGBoost算法在電子商務(wù)商品推薦中的應(yīng)用[J]. 張昊,紀(jì)宏超,張紅宇.  物聯(lián)網(wǎng)技術(shù). 2017(02)
[2]被寄予厚望的深度學(xué)習(xí)系統(tǒng)[J]. 張文韜.  世界科學(xué). 2014(03)
[3]基于回聲狀態(tài)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)方法研究[J]. 彭宇,王建民,彭喜元.  電子學(xué)報(bào). 2010(S1)

碩士論文
[1]基于聚類的城市交通路網(wǎng)分區(qū)和交通狀態(tài)判別[D]. 王曉軒.北京交通大學(xué) 2017
[2]基于馬爾科夫模型的出行目的地預(yù)測(cè)[D]. 何亞楠.吉林大學(xué) 2017
[3]基于多目標(biāo)多樣性回聲狀態(tài)網(wǎng)絡(luò)的時(shí)間序列分析[D]. 劉正夫.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[4]基于出租車軌跡的出行需求預(yù)測(cè)方法研究[D]. 康科.長(zhǎng)安大學(xué) 2017
[5]基于隱馬爾可夫模型的個(gè)性化推薦算法研究[D]. 陳俊偉.電子科技大學(xué) 2017
[6]基于Boosting思想的半監(jiān)督學(xué)習(xí)算法研究[D]. 吳繼民.吉林大學(xué) 2014



本文編號(hào)：2933106