基于卷积神经网络的轨迹热点预测.pdf

基于卷积神经网络的轨迹热点预测

摘要

随着导航定位、通信、传感等技术的快速发展，利用传感器收集移动对象随时

间变化的位置信息变得切实可行。作为一种时间序列数据，移动轨迹数据详细记录

了对象运动的时间、位置变化信息，以及自身特有的属性、状态和行为特征，能在

一定程度上反映对象与所处环境中各种要素之间的交互关系。通过对移动对象的运

动轨迹进行分析挖掘可以获得很多有意义的信息，其结果有效服务于智慧海洋、智

慧交通等领域。为了探索从海量时空轨迹数据中获取隐藏的信息与知识，并为未来

的决策和管理提供支持，本文以海洋渔船捕鱼轨迹和城市网约车出行轨迹为研究对

象，通过数据分析挖掘、人工智能等技术，对海量轨迹数据进行挖掘研究，实现了

对未来渔船捕捞热点作业时间和乘客出行热点乘车需求的预测。论文主要工作如下：

1.针对海洋渔船轨迹数据，首先我们采用基于规则的算法划分单次渔船出海

轨迹，使用DBSCAN算法加K-Means算法进行二次聚类获取渔船作业轨迹点。同

时针对渔船进行捕鱼时航向较自由的特点，本文利用蜂窝网格对研究区域进行划分，

然后在时间和空间维度统计了渔船的作业时长。此外，本文提出了基于蜂窝网格的

集成策略，通过采用区域预测的平均值作为最终的预测结果。集成策略的实施使得

RMSE和MAE分别降低了8.8%、9.8%，有效地提高了渔船捕捞热点预测的准确性

和鲁棒性。

2.在预测算法上，受益于Transformer在自然语言处理和图像识别领域的优异

效果，本文提出了时空Transformer预测模型。首先，位置嵌入层根据输入数据的

时空位置信息进行编码，随后被编码的数据进入时空Transformer模块进行空间依

赖和时间依赖特征的提取。同时，时空Transformer模块可以进行叠加，以提取深

度时空信息。通过对比经典的预测模型，本文算法在预测未来5天，10天和15天

RMSEMAE23.8%24.1%

的渔船作业时长数据时，和较最好的模型分别降低了、、

26.6%30.8%36.4%37.7%

和、、。

3.针对城市网约车轨迹数据，首先进行数据清洗，然后利用地图匹配算法对

偏离实际路网的轨迹点进行修正。通过乘客上下车数据提取算法获取乘客的上下车

时间和位置数据，同时利用方形网格对研究区域进行划分，通过将乘客上下车时间、

位置数据在时空维度进行投影聚合，得到表征各时间段各区域乘客乘车需求的OD

矩阵数据。

4.为验证时空Transformer在时空数据预测领域的有效性与适用性，我们将该

模型作用于由城市网约车轨迹数据获得的OD矩阵数据。通过历史乘客上下网约车

数据，对成都市未来时段的乘客乘车求量进行预测。通过模型对比试验，该模型在

短时预测（5steps）和长时预测（15steps）中RMSE损失分别降低了29.5%和

11.7%，证明了该模型可以应用于其他时空数据预测领域。

AISTransformer

关键词：渔船轨迹，城市网约车轨迹，神经网络，蜂窝网格，

目录

第一章绪论1

1.1引言1

1.2研究背景和意义1

1.3国内外研究现状2

1.4研究内容与创新点5

1.5论文组织与结构6

第二章基础理论与技术方法9

2.1时空轨迹相关概念9

2.1.1时空轨迹的基本定义9

2.1.2时空轨迹的基本特征10

2.2轨迹数据相关处理方法12

2.2.1轨迹清洗12

2.2.2轨迹分割12

2.2.3轨迹匹配12

2.3时空轨迹数据挖掘14