基于循环神经网络的轨迹压缩算法
随着定位技术和存储技术的发展,海量的轨迹被人类记录.如何有效地压缩轨迹中最被人关注的空间路径信息并无损地将原始信息还原,引起了人们的广泛关注.轨迹压缩算法主要分为基于简化线段的压缩和基于路网的轨迹压缩两类,现有算法存在算法假设不合理、压缩能力差等缺点.文中根据路网中轨迹的分布特性以及循环神经网络对变长时序序列的建模能力,提出了基于循环神经网络的轨迹压缩算法,通过深度学习模型高效地概括轨迹分布,同时利用路网结构进一步缩小压缩空间,定量分析了不同输入对算法压缩比的影响.最后通过实验证明,基于循环神经网络的轨迹压缩算法不仅具有比现有算法更高的压缩比,还能支持未经过训练的轨迹数据的压缩;同时验证了终点信息如何对算法压缩比产生影响的假设.
轨迹压缩、循环神经网络、深度学习、轨迹建模
47
TP301(计算技术、计算机技术)
国家自然科学基金;国家重点研发计划
2020-10-28(万方平台首次上网日期,不代表论文的发表时间)
共6页
102-107