在位置预测研究中,历史轨迹通常呈现分布稀疏和结构单一的特点,导致预测模型准确率下降。针对此问题,利用用户属性特征和历史轨迹特征度量用户相似性,对相似用户进行分簇;并提出基于相似用户簇的LSTM神经网络预测模型SG-LSTM(Similar Gr...在位置预测研究中,历史轨迹通常呈现分布稀疏和结构单一的特点,导致预测模型准确率下降。针对此问题,利用用户属性特征和历史轨迹特征度量用户相似性,对相似用户进行分簇;并提出基于相似用户簇的LSTM神经网络预测模型SG-LSTM(Similar Group based LSTM model),以改善轨迹数据的稀疏性问题。实验表明,模型能够较好地捕捉用户的移动规律,预测准确率超过87.90%,在准确率和时间复杂度方面均优于传统模型。展开更多
文摘在位置预测研究中,历史轨迹通常呈现分布稀疏和结构单一的特点,导致预测模型准确率下降。针对此问题,利用用户属性特征和历史轨迹特征度量用户相似性,对相似用户进行分簇;并提出基于相似用户簇的LSTM神经网络预测模型SG-LSTM(Similar Group based LSTM model),以改善轨迹数据的稀疏性问题。实验表明,模型能够较好地捕捉用户的移动规律,预测准确率超过87.90%,在准确率和时间复杂度方面均优于传统模型。
