轨迹预测面临着融合多源异构时空数据和捕捉个体移动模式等诸多挑战,现有方法大多采用概率、图论或深度学习技术,存在计算复杂度高、泛化能力差或对多源数据融合的适应性不足等问题。为了解决上述问题,提出基于时空索引动态图的车辆轨...轨迹预测面临着融合多源异构时空数据和捕捉个体移动模式等诸多挑战,现有方法大多采用概率、图论或深度学习技术,存在计算复杂度高、泛化能力差或对多源数据融合的适应性不足等问题。为了解决上述问题,提出基于时空索引动态图的车辆轨迹预测模型(spatio-temporal index dynamic graph-long short term memory,STIG-LSTM),利用时空索引构建交通场景动态图,结合LSTM编解码器、空间网络卷积层与重要性重采样粒子滤波策略,增强空间信息的提取与查询能力。使用高速公路行车真实数据集设计对比实验与消融实验,在车辆保持与换道2种典型轨迹预测场景下进行可视化分析。实验结果表明,STIG-LSTM在短期预测与长期预测均表现出良好的准确性与稳定性,平均均方误差RMSE为1.95,轨迹预测准确率最高达到98.12%。展开更多
为了缓解推荐系统中随机初始化用户和物品的嵌入、忽视不同卷积层的重要程度以及负样本数量太少且质量不高的问题,提出了一种基于邻接矩阵优化和负采样的图卷积推荐方法(graph convolution recommendation method based on adjacency ma...为了缓解推荐系统中随机初始化用户和物品的嵌入、忽视不同卷积层的重要程度以及负样本数量太少且质量不高的问题,提出了一种基于邻接矩阵优化和负采样的图卷积推荐方法(graph convolution recommendation method based on adjacency matrix optimization and negative sampling,AMONS)。具体来说,模型利用邻接矩阵对用户和物品进行嵌入优化,并在卷积层聚合时引入层衰减系数,区分不同层的重要程度。接着,为每对用户-正样本生成一组经过筛选的负样本,让模型能够充分利用用户-物品的历史交互数据,更好地学习用户偏好。在Gowalla和Amazon-Books两个公开数据集上进行了充分的实验,与相关方法相比,AMONS取得了最佳的性能表现,证明了方法的有效性。展开更多
文摘轨迹预测面临着融合多源异构时空数据和捕捉个体移动模式等诸多挑战,现有方法大多采用概率、图论或深度学习技术,存在计算复杂度高、泛化能力差或对多源数据融合的适应性不足等问题。为了解决上述问题,提出基于时空索引动态图的车辆轨迹预测模型(spatio-temporal index dynamic graph-long short term memory,STIG-LSTM),利用时空索引构建交通场景动态图,结合LSTM编解码器、空间网络卷积层与重要性重采样粒子滤波策略,增强空间信息的提取与查询能力。使用高速公路行车真实数据集设计对比实验与消融实验,在车辆保持与换道2种典型轨迹预测场景下进行可视化分析。实验结果表明,STIG-LSTM在短期预测与长期预测均表现出良好的准确性与稳定性,平均均方误差RMSE为1.95,轨迹预测准确率最高达到98.12%。
文摘为了缓解推荐系统中随机初始化用户和物品的嵌入、忽视不同卷积层的重要程度以及负样本数量太少且质量不高的问题,提出了一种基于邻接矩阵优化和负采样的图卷积推荐方法(graph convolution recommendation method based on adjacency matrix optimization and negative sampling,AMONS)。具体来说,模型利用邻接矩阵对用户和物品进行嵌入优化,并在卷积层聚合时引入层衰减系数,区分不同层的重要程度。接着,为每对用户-正样本生成一组经过筛选的负样本,让模型能够充分利用用户-物品的历史交互数据,更好地学习用户偏好。在Gowalla和Amazon-Books两个公开数据集上进行了充分的实验,与相关方法相比,AMONS取得了最佳的性能表现,证明了方法的有效性。
