CN113988203B 一种基于深度学习的轨迹序列聚类方法 （之江实验室）_第1页
CN113988203B 一种基于深度学习的轨迹序列聚类方法 （之江实验室）_第2页
CN113988203B 一种基于深度学习的轨迹序列聚类方法 （之江实验室）_第3页
CN113988203B 一种基于深度学习的轨迹序列聚类方法 （之江实验室）_第4页
CN113988203B 一种基于深度学习的轨迹序列聚类方法 （之江实验室）_第5页
已阅读5页，还剩16页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

于深度学习的轨迹序列聚类方法，包括以下步行多次K-Means聚类算法，并选择最优聚类结果提出结合序列到序列自编码器模型重构误差和2所述步骤1.1具体为：将研究区域划分为大小相等的空间网格并把每个网格视为离散所述步骤1.2具体为：预训练层使用序列到序列的自编码器模型学习轨迹数据的低维特征表示，该模型的训练等效于最小化重构轨迹特征分布Py和原始轨迹分布Pr之间的KL散其中，是在轨迹输入模型后重构的轨迹特征yt的分布，是原始轨迹rt的空间邻近分布，用于yt的解码过因此对于一个给定的数据集，总的重构损失是数据集中所有轨迹对象在公式(2)中误3i4yy5[0014]其中，是在轨迹输入模型后重构的轨迹特征yt[0015]因此对于一个给定的数据集，总的重构损失是数据集中所有轨迹对象在公式(2)定学习到的轨迹特征表示更加逼近于原始轨迹6[0032]图3(a)-3(c)是为证明本发明的基于深度学习的轨迹序列聚类方法有效性用到的记，落入相同网格的轨迹点可以用同一标记来表示。这些网格视为自然语言处理中的[0039]本发明使用高采样率的轨迹来代替真实轨迹，将低采样率的轨迹作为模型输的目标替换为最大化P(xb|xa)，基于序列到序列的自编码器模型使用编析，给定获取的采样轨迹集合对每一条采样轨迹xb进行下采样以创建成对的{xa，7yt失是数据集中所有轨迹对象在公式(2)中误差的累加和，记为其中N是数据集自编码器模型和K-Means聚类算法的优点，对预训练阶段获取的初始轨迹特征进行优化训8训练阶段学习到的轨迹特征向量执行K-Means聚类算法，将聚类结果的簇中心作为初始簇[0057]为了定量比较本发明提出方法和其他算法聚类结果的质量，使用归一化互信息法的有效性，选取深度轨迹特征提取的代表性算法T2VEC和广泛流行的传统轨迹聚类方法[0060]以数据集D1为例说明本方法提出的方法和其他对比方法的聚类结果差异，如图49

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论