近年來,隨著移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等新型技術的不斷發(fā)展,已經產生了大量的時空軌跡數(shù)據(jù),這些數(shù)據(jù)蘊含了移動物體的移動性。對軌跡數(shù)據(jù)中隱含的移動模式進行挖掘,可以發(fā)現(xiàn)新穎、有價值的信息和規(guī)律,提高它在公共交通、環(huán)境監(jiān)測以及公共安全等領域的應用價值。軌跡數(shù)據(jù)具有時空屬性和多源性,傳統(tǒng)的機器學習方法難以全面考慮時空屬性和軌跡其它特征。因此,如何快速、有效、自動且準確地從軌跡數(shù)據(jù)中挖掘出有用的信息,發(fā)現(xiàn)軌跡數(shù)據(jù)中隱含的移動模式,對軌跡研究至關重要。本文以移動對象的軌跡數(shù)據(jù)為研究對象,以深度學習為研究方法,以軌跡數(shù)據(jù)中移動模式的發(fā)現(xiàn)為研究目標,從軌跡聚類、軌跡分類以及交通流量預測三個角度來對移動模式進行發(fā)現(xiàn)和研究。研究內容如下所述:軌跡聚類將相似的軌跡聚到一個簇�，F(xiàn)有的軌跡聚類方法通常是提取能夠表示軌跡數(shù)據(jù)的移動行為特征,然后通過基于相似性度量的聚類方法來對軌跡進行聚類。但是,阻礙其廣泛應用的一個障礙是有限的傳感器設備、通信錯誤、傳感器錯誤或者傳感器空缺都會導致軌跡數(shù)據(jù)有噪聲或者缺失。對此,本文提出魯棒性深度注意力自編碼器Robust DAA來解決軌跡聚類中軌跡數(shù)據(jù)的噪聲問題,從而得到高質量的去噪的低... 

【文章來源】：武漢理工大學湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

模型RobustDAA框架圖

13圖2-2深度注意力自編碼器模型圖可以表示為：11=()enenXHXR（2-6）其中1enX為輸出的特征向量，1enH為全連接層和激活函數(shù)的組合。后續(xù)堆疊的全連接層進一步來提取特征，并且全連接層的神經元個數(shù)不斷減少，得到非線性且低維的特征向量，可以表示為：1121()(((...())))==kkkkkkenenenenenenenXHXHHHHXR（2-7）其中kenX為編碼器輸出的低維特征向量，編碼器由k個全連接層和Sigmoid層組成。接下來，kenX經過譯碼器的第一個全連接層和Sigmoid層，可以表示為：11=()kdedeenXHX（2-8）其中1deX為輸出的特征向量，1deH為全連接層和激活函數(shù)的組合。后續(xù)堆疊的全連接層進一步來對輸入的特征向量進行重構，可以表示為：1121231()(((...())))==kkkkkkkdededededededeenXHXHHHHX（2-9）其中k1deX為譯碼器輸出的重構特征向量，譯碼器由k1個全連接層與Sigmoid組成，譯碼器的每個全連接層的神經元的個數(shù)與相應編碼器的神經元個數(shù)相等，比如k1enH與1deH的神經元個數(shù)相等，也就是上標相加等于k。k1deX與模型上面的輸出進行注意力操作，可以表示為：1()=kattattdeXHXRX（2-10）其中attX為譯碼器的輸出經過注意力組件之后的輸出，attH為全連接層和Sigmoid層，為兩個張量之間點對點的元素之間的乘法。注意力機制能夠加強

18圖2-3是不同的高斯噪聲以及λ對RDAA模型的影響，左邊為不同程度的高斯噪聲對于模型的影響，橫軸為噪聲，縱軸為正確率�？梢钥吹诫S著噪聲的加大，RDAA和DAE的聚類正確率是不斷降低的，RDAA在噪聲為10時的正確率為96.38%，噪聲為100時的正確率為91.5%。DAE在噪聲為10時的正確率為96.22%，噪聲為100時的正確率為68.81%。另外，在噪聲小于50時，RDAA和DAE的正確率接近，噪聲大于50時，RDAA正確率略有下降，DAE則下降幅度很大，也表明了RDAA去噪的有效性。右邊為在輸入數(shù)據(jù)固定的情況下，聚類正確率隨著λ變化的曲線，可以看到噪聲為10時的正確率大部分要優(yōu)于噪聲為100時的正確率。另外，噪聲為10時，在λ為0.9時取得了最好的正確率，為96.39%。噪聲為100時，在λ為0.8時取得了最好的正確率，為91.5%。這是因為小的λ會導致更多的數(shù)據(jù)被劃分到S作為噪聲，因此最小化了自編碼器的重構誤差。而大的λ會阻止數(shù)據(jù)劃分到S作為噪聲，會增大自編碼器的重構誤差。圖2-3不同的噪聲程度和λ對于RDAA的影響2.4.5AIS數(shù)據(jù)集結果表2-2是本章提出的RDAA模型與其它軌跡聚類方法在AIS數(shù)據(jù)上的聚類結果對比。預處理軌跡數(shù)據(jù)時，網(wǎng)格的寬和高都是64，因此模型的輸入向量的維度為64，第一層全連接層的神經元個數(shù)為64，最后通過編碼器得到的低維特征向量的維度為60。貨輪、油輪、漁船以及客輪下面對應的數(shù)字分別是精確率,召回率和f1分數(shù)，最后一列為正確率�？梢钥吹�，本章的模型在以上評價指標上都是優(yōu)于DRL、GBC、DAE和DAA的。GBC、DAE、DAA和RDAA在貨輪上的召回率都是1.00，說明這些模型能夠很好的將移動對象類型為貨輪的軌

【參考文獻】：
期刊論文
[1]移動軌跡聚類方法研究綜述[J]. 牟乃夏,徐玉靜,張恒才,陳潔,張靈先,劉希亮.  測繪通報. 2018(01)
[2]基于出租車軌跡數(shù)據(jù)的城市熱點出行區(qū)域挖掘[J]. 鄭林江,趙欣,蔣朝輝,鄧建國,夏冬,劉衛(wèi)寧.  計算機應用與軟件. 2018(01)



本文編號：3387820