面向下一目的地预测的出租车司机行为建模
人工智能
2019-01-09 v2
摘要
本文研究如何为一个有趣且具挑战性的任务——出租车行程中的下一目的地预测——建模出租车司机行为与地理信息。下一位置预测是人类移动性中已被充分研究的问题，在现实场景中有诸多应用，从优化电子调度系统效率到预测并减少交通拥堵。该任务通常建模为多类分类问题，目标是从一组已知位置中选出出租车下一目的地。我们提出一种循环神经网络（RNN）方法，利用基于位置的社交网络（LBSNs）的地理信息对出租车司机行为建模并编码所访位置的语义。具体而言，RNN被训练用于预测下一目的地的精确坐标，克服了在输出中产生训练阶段所见有限位置集合的问题。所提方法在基于波尔图市的ECML/PKDD Discovery Challenge 2015数据集上进行了测试，相较于竞赛冠军以更少信息取得更优结果，并在曼哈顿和旧金山数据集上验证。
引用
@article{arxiv.1807.08173,
title = {Modeling Taxi Drivers' Behaviour for the Next Destination Prediction},
author = {Alberto Rossi and Gianni Barlacchi and Monica Bianchini and Bruno Lepri},
journal= {arXiv preprint arXiv:1807.08173},
year = {2019}
}
备注
preprint version of a paper submitted to IEEE Transactions on Intelligent Transportation Systems