摘 要

随着社会的高速发展，私家车已经成为人们日常生活出行必不可少的一部分。对车辆的历史轨迹进行分析，短时间内预测出车辆的目的地，可以为乘车用户提供更为精确的位置服务，再通过结合用户的兴趣爱好等额外信息，可以为用户针对性的提供定制的位置服务，景点推荐等等。由于深度学习技术的日益兴起，目的地预测方法从多层感知器，到复杂的循环神经网络，越来越多的神经网络模型被应用在车辆目的地的预测上。

论文主要研究了一种基于深度学习技术的多尺度卷积神经网络。在对车辆轨迹的预处理后，对用户的乘车日期通过one-hot编码进行特征嵌入。卷积神经网络的输入部分，将轨迹数据用网格化的方式表示。通过卷积神经网络的多尺度卷积与Squeeze-and-Excitation模块增强网络的表现能力。结合Mean-Shift算法聚类出的所有轨迹目的地的聚类点预测出车辆目的地活跃区域。

实验结果表明：在实际车辆目的地与网络预测目的地的距离差上，本文提出的多尺度卷积网络模型的预测效果要优于传统的多层感知机网络(3.30km)与基础的卷积神经网络(3.03km)，在实际车辆轨迹的目的地区域预测中有更好的应用价值与发展空间。

关键词：车辆目的地预测；深度学习；卷积神经网络；Mean-Shift算法

Abstract

With the rapid development of society, private cars have become an indispensable part of our daily life. Analyzing the historical trajectories of vehicles and predicting the destination of vehicles in a short time can provide users with accurate location services. Combining additional information such as users’ interests and hobbies can provide users with customized location services and scenic spot recommendations. In the wake of the development of deep learning technology, increasing neural network models are applied to vehicle destination prediction. These models from multi-layer perceptron to complex recurrent neural network are used for researching.

This thesis mainly researches a multi-scale convolutional neural network based on deep learning. After the pre-processing of vehicle trajectories, the user’s vehicle date is embedded to the network by one-hot coding. The input part of the convolutional neural network is the trajectories data in a grid way. By adding the multi-scale convolution and Squeeze-and-Excitation module of the convolutional neural network, the performance of the network will be enhanced. The final active area of vehicle destination is predicted by combining the clustering points of all trajectories’ destinations clustering by Mean-Shift algorithm.

The experimental results show that the multi-scale convolutional network model proposed in this thesis is better than the traditional multilayer perceptron network (3.30km) and the basic convolutional neural network (3.03km) in the distance difference between the actual vehicles’ destination and the predicting destination. This model will have better application value and development space in actual vehicle destination areas prediction.

Key Words： Vehicle destination prediction；Deep learning；Convolutional neural network；Mean-Shift algorithm

目 录

第1章 绪论 1

1.1 研究背景与意义 1

1.2 国内外研究现状 1

1.3 研究内容与组织结构 2

1.3.1主要研究内容 2

1.3.2论文章节安排 3

第2章 轨迹数据分析 4

2.1 轨迹数据预处理 4

2.1.1异常数据处理 4

2.1.2轨迹数据截断处理 5

2.2数据样本构造 5

2.2.1 网格化轨迹数据 5

2.2.2 轨迹数据目的地聚类方法 6

2.3 本章小结 7

第3章 基于轨迹局部特征的卷积网络预测算法 8

3.1 深度学习相关理论 8

3.1.1 多层感知器 8

3.1.2 卷积神经网络 9

3.1.3 激活函数 11

3.1.4 损失函数 12

3.2 多尺度卷积神经网络设计 13

3.3 实验设计 15

3.3.1 实验参数 15

3.3.2 评估标准 15

3.4 算法对比分析 15

3.4.1 对比网络算法 15

3.4.2 实验结果分析 16

3.5 其他参数对比分析 17

3.5.1 卷积模块效果对比 17

3.5.2 SE模块效果对比 18

3.6 本章小节 18

第4章 总结和展望 19

4.1 工作总结 19

4.2 下一步工作展望 19

参考文献 21

致谢 23

第1章 绪论

1.1 研究背景与意义

随着我国社会经济的高速发展，居民收入的不断提高，私家车已经成为人们日常出行中不可缺少的一部分。对车辆进行历史轨迹的分析，预测出车辆的目的地，可以为用户提供精确的位置服务。早期基于位置的服务并没有得到很好的发展，由于当时的技术原因，没有办法较为准确的获取到定位信息，导致GPS数据的时效性有所不足。其二是互联网地图的发展缓慢，没有形成规模，用户担心可能会暴露出自己的隐私。但随着近些年互联网地图的出现，很大程度上加速了基于位置服务的高速发展。同时，伴随人工智能与数据挖掘行业的兴起，工业界与学术界将关注点转移到了人类的社会活动中产生的大量数据。这些海量的不同来源的数据信息为基于位置服务的技术发展提供了充足的动力燃料。在当前的人们日常生活中，基于位置的服务无处不在。例如微信，陌陌，饿了吗等软件，在用户允许授权其位置信息后，将根据用户当前的位置信息，给用户提供更为便捷的服务。在微信中，用户可以通过摇一摇来搜索到附近的人，通过两人相近的位置，可以进一步的提高社交的有效性；陌陌中，用户可以看到附近的动态，附近的群组，更快更高效的获取到周围人的兴趣信息，再决定是否进行下一步接触；饿了吗软件则会根据用户的定位信息，筛选附近的商家再把结果显示给用户。这类软件都是基于位置服务在各个方面的应用，同样都依赖于用户提供的定位数据。

基于位置服务的核心点之一是获取用户的定位信息，所以在车辆轨迹的分析与挖掘的研究中，具有很好的相适性。在车辆的轨迹数据中蕴含着用户的各类信息，其中除了显而易见的用户位置信息外，在海量数据的支持下可以获得用户的行为偏好，兴趣点等信息。结合上述的用户信息，就可以有目的性的为各类用户定制位置服务，向用户推荐景点，投送附近店家的广告，提前为用户做好路径规划等等。并且随着各大打车软件的兴起，如滴滴，神州，优步等，通过大量的历史轨迹分析与用户行为分析，可以提前预测出用户的目的地，在预经路线拥堵的情况下，预先告知用户绕道，并且对出租车的调度更加灵活，提高出租车的使用率，避免出租车的高空载率，从而节省下更多的人力物力资源。