一种基于用户异步轨迹的身份识别智能方法

摘要：

针对传统的轨迹身份识别存在的特征选择主观性强、精度有限等问题,本文提出了一种融合双向循环神经网络模型(ConvGRU-Bidir).首先采用一维卷积和一维池化压缩轨迹数据,提取高维特征;然后采用双向GRU,分别从时间正序和时间逆序学习轨迹特征,最终实现用户身份ID识别.研究采用GeoLife轨迹数据集,来自122名用户的10837个轨迹样本参与模型训练及测试.结果表明,本文提出的模型对于异步轨迹数据的身份识别精度达97.28％,相比现有方法精度至少提高30％,由此证明了深度学习在此类问题上的可行性和有效性.

关键词：用户轨迹、循环神经网络、身份识别、深度学习、卷积神经网络

分类号：P208(一般性问题)

资助基金：国家重点研发计划2018YFB0505400

在线出版日期：2022-08-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：158-162,167