TTDM：用于下一位置预测的行程时间差模型
人工智能
2020-03-18 v1 社会与信息网络
摘要
下一位置预测对许多基于位置的应用至关重要，并为企业和政府提供关键智能。在现有研究中，下一位置预测的常用方法是基于条件概率利用海量历史轨迹学习序列转移。遗憾的是，由于时间和空间复杂度，这些方法（如马尔可夫模型）仅使用刚经过的位置来预测下一位置，而未考虑轨迹中所有已经过的位置。本文中，我们旨在通过考虑查询轨迹中所有已经过位置到候选下一位置的行程时间以提升预测性能。具体而言，我们提出一种称为行程时间差模型（TTDM）的新方法，其利用最短行程时间与实际行程时间之差来预测下一位置。进一步，我们通过线性插值将TTDM与马尔可夫模型集成以产生联合模型，该模型计算到达每个可能下一位置的概率并返回排名靠前的结果。我们在两个真实数据集上进行了广泛实验：车辆通行记录（VPR）数据和出租车轨迹数据。实验结果表明预测准确率较现有方案有显著提升。例如，与马尔可夫模型相比，VPR数据上top-1准确率提升40%，出租车数据上提升15.6%。
引用
@article{arxiv.2003.07781,
title = {TTDM: A Travel Time Difference Model for Next Location Prediction},
author = {Qingjie Liu and Yixuan Zuo and Xiaohui Yu and Meng Chen},
journal= {arXiv preprint arXiv:2003.07781},
year = {2020}
}