[发明专利]基于深度回声状态网络的目的地预测方法

说明书

本发明公开了一种基于深度回声状态网络的目的地预测方法，属于轨迹目的地预测技术领域。本发明为了提升对目的地的预测准确率，本发明提出了一个新的深度回声状态网络的变体，即双输入深度回声状态网络，通过该变体解决原深度回声模型及其已有变体在大规模训练数据下时间消耗高的弊端，并达到了已知现存的最好的预测成绩；此外，在训练本发明用于目的地预测的预测模型时，本发明仅将目标的历史轨迹数据用于训练，未利用任何其他额外信息，应用条件宽泛，相较于传统的神经网络模型，该模型具有更强的时序数据处理能力，且易于训练。

技术领域

本发明属于轨迹目的地预测技术领域，具体涉及一种基于轨迹初始片段预测出最终目的地的方法。

背景技术

在过去十几年中，随着带有定位功能的移动设备的普及，产生了大量的轨迹数据。出租车目的地预测，就是基于初始的轨迹片段来预测最终的目的地。这个工作对其他领域的研究开发具有重要意义，可以用于提高出租车分配效率、区域广告投放等商业运作，也可以用于城市管理，提前预测大型集会事件以加强警备等。

最早的一些关于目的地预测问题的研究借助于额外信息，比如司机个人的身份、行为习惯和社交网络等。很显然，额外信息能够提高预测的准确率，但这些额外信息，在大多数情况下很难被获取，且训练出的模型没有很强的泛化能力。

现存的大多数解决方法都是基于各种各样的马尔科夫链模型。但这类模型都具有马尔可夫性(过程的未来状态的条件概率分布仅取决于当前状态，而与历史状态无关)，隐含的假设是车辆以无记忆随机行走的方式行驶，这使得历史轨迹在这类模型中不能发挥作用。

总体来说，基于神经网络的解决方法比上述几种方法更有效，其中递归神经网络(Recurrent Neural Network，RNN)为目的地预测提供了有效的时间处理能力，但传统的RNN模型因为梯度消失与爆炸的原因难以训练。以回声状态网络(Echo State Network，ESN) 为代表的蓄水池计算(Reservoir Computing，RC)已被证明是改进传统RNN训练效果的最先进的方法。有人曾将ESN应用于目的地预测问题，在小规模数据上有较好表现，但在大规模数据上存在局限。

发明内容

本发明的发明目的在于：为克服现有目的地预测方法的弊端，并发挥回声状态网络(Echo State Network，ESN)在大规模数据上预测有效性，本发明公开了一种新的基于深度回声状态网络(deep Echo State Network，deepESN)的目的地预测方法，并对传统网络结构进行了改进，降低了传统deepESN的训练复杂度，同时提高了预测准确率。

本发明的基于深度回声状态网络的目的地预测方法，包括下列步骤：

为目的地预测的目标对象设置预测模型，所述预测模型的网络结构为双输入深度回声状态网络；

所述双输入深度回声状态网络包括N_L层；其中，第一层包括两个神经元个数均为的蓄水池，第2至第N_L层分别包括一个神经元个数为N_R的蓄水池；且合并第一层的两个蓄水池的输出作为双输入深度回声状态网络的第一层的输出，并将每一层的输出作为下一层的输入；线性组合所有层的输出得到双输入深度回声状态网络的输出结果，即预测结果；

将目标对象在指定区域内的历史运行轨迹数据作为训练样本集，并对训练样本集进行轨迹数据预处理：将训练样本集中的每条轨迹的第一个点作为起点，最后一个点作为目的地；

并对每条轨迹进行切片处理，即对每条轨迹，保留从起始点开始的一段轨迹片段，作为训练片段；并保存每个训练片段的目的地信息；