基于深度学习的人类移动建模与预测方法研究
文献类型：学位论文
| 作者 | 初晨 |
| 答辩日期 | 2024-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 陆锋 ; 张恒才 |
| 关键词 | 人类移动 时空预测 深度学习 生成式模型 可解释性 |
| 学位名称 | 硕士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 人类移动数据挖掘与模式识别是时空大数据分析的研究热点，是城市精细管理、交通规划与优化、商业智能分析、传染病扩散模拟等应用的核心技术。理解公众出行轨迹的内在模式是理解人类移动行为规律的重要手段。海量出行轨迹数据采集和人工智能方法的进步为人类移动数据分析提供了数据与技术支撑。本研究基于深度学习技术，针对人类移动过程表达、生成和预测开展了深入研究，将空间先验知识引入深度学习模型，提升了人类移动轨迹模型的效率和泛化能力。 首先，本研究分析了当前人类移动行为建模的主要方法和存在的问题，提出利用深度学习技术建模人类移动行为的关键在于空间位置关系和时间关系在深度学习模型中的表达方法。据此，本研究从人类移动轨迹表示方法出发，提出一种融合位置编码与语义信息的人类移动轨迹表示方法，通过学习海量历史轨迹中的用户移动行为规律，生成对空间位置的特征编码表示，将位置特征编码表示与基于人类移动轨迹的语义特征相结合，提取轨迹的多元特征表示。并通过轨迹数据聚类识别人类移动行为模式，利用模式识别结果和聚类轮廓系数，检验了轨迹表示方法的有效性，探究了不同位置编码方法的表示能力差异。 其次，本研究将学习到的空间对象位置特征作为先验知识引入人类活动预测模型，提出了一种融合语义-时序信息的人类活动流量可解释预测方法。该方法首先提出一种人类活动流量预测问题的普适化建模框架，在该框架支持下，通过空间先验知识增强的深度学习模型刻画区域人类活动流量规律，并通过多尺度时序规律学习提升学习效果。然后，提出了一种可解释的流量规律分析方法，实现活动流量模式的深度挖掘；同时，通过消融实验验证了通过空间编码方法引入先验知识对模型训练的指导作用，为引入空间先验的人类移动建模方法提供了依据。 最后，本研究提出了基于深度生成模型的人类移动轨迹建模方法，通过学习轨迹的生成过程，捕捉轨迹数据集中的普适移动模式，提升了模型针对人类移动轨迹生成与预测问题的泛化能力。模型通过学习数据集中的普适规律，无需任何额外训练即可同时完成轨迹生成、重构与预测任务，性能较之基准模型具有显著提升，且在业界首次实现针对多种轨迹任务的零次学习推断，证明了生成式模型在轨迹建模任务中的应用的潜力。此外，研究进一步探究了深度生成模型隐空间与人类移动行为模式的映射关系，揭示了深度学习模型建模人类移动行为的本质，实现了模型的可解释性。 本研究通过在多个真实数据集上开展的实验，证实了所提出方法的有效性和普适性，对深度学习方法在人类移动行为建模与预测中的应用推广具有借鉴意义。 |
| 语种 | 中文 |
| 页码 | 108 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/208101]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 初晨. 基于深度学习的人类移动建模与预测方法研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2024. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。