CN114882069B 基于lstm网络和注意力机制的出租车轨迹异常检测方法 （杭州电子科技大学）_第1页
CN114882069B 基于lstm网络和注意力机制的出租车轨迹异常检测方法 （杭州电子科技大学）_第2页
CN114882069B 基于lstm网络和注意力机制的出租车轨迹异常检测方法 （杭州电子科技大学）_第3页
CN114882069B 基于lstm网络和注意力机制的出租车轨迹异常检测方法 （杭州电子科技大学）_第4页
CN114882069B 基于lstm网络和注意力机制的出租车轨迹异常检测方法 （杭州电子科技大学）_第5页
已阅读5页，还剩17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

基于LSTM网络和注意力机制的出租车轨迹本发明公开了一种基于LSTM网络和注意力机制的出租车轨迹异常检测方法，包括如下步层的神经元会根据该误差对网络结构中的参数2-1i为可能的异常点，那么在Pi-1到Pi与Pi到Pi+1的平均速度差别较大；根据速度和时间得到距步骤1.3：将原始轨迹转换成离散序列，将整个地图划分为100*100m的等大小网格单32.如权利要求1所述的基于LSTM网络和注意力机制的出租车轨迹异常检测方法，其特4小网格的单元中识别异常的网格单元序列。[0008]LSTM是递归神经网络(RNN)在深度学习中的一种变体，可以通过门控网络来增加[0009]注意力机制借鉴了人类的视觉注意力，人类在观察外部事物时是有一种选择性5段轨迹所有点与这条直线的垂直距离,并找出最大距离值dmax,用dmax与预定义的阈值D相67障等原因造成的数据冗余问题，利用Douglas-Peucker算法过滤掉数据集中冗余采样点数的垂直距离,并找出最大距离值dmax,用dmax与预定义的阈值D相比:若dmax<D,这条曲线上的8城市特征速度与特征位置特征、时间特征相拼接经过word2vec转化成词向量序列构造tttt为经过遗忘后更新的细胞状态。长短期记忆神经网络即有捕捉长距离依赖信息的能9[0080]步骤3.4：构建输出层：输出[0087]所述出行频率特征表示给定区域和时段的情况下，从该

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