文章
184
标签
28
分类
11
首页
归类
标签
归档
分类
文艺
相册
书单
说说
友链
留言板
关于
孙云增的博客
再见2020，你好2021！
返回首页
首页
归类
标签
归档
分类
文艺
相册
书单
说说
友链
留言板
关于
再见2020，你好2021！
发表于
2021-01-01
|
更新于
2022-11-05
|
杂记
|
总字数:
11
|
阅读时长:
1分钟
|
浏览量:
这里需要密码才能访问。
文章作者:
孙云增
文章链接:
https://sunyunzeng.cn/%E5%86%8D%E8%A7%812020%EF%BC%8C%E4%BD%A0%E5%A5%BD2021%EF%BC%81/
版权声明:
本博客所有文章除特别声明外，均采用
CC BY-NC-SA 4.0
许可协议。转载请注明来源
孙云增的博客
！
总结
赞助
wechat
alipay
上一篇
自己第一篇SCI文章： LSI-LSTM——个体出行目的地预测模型
内容导读个体驾驶目的地预测对于个性化服务推荐、出行导航、交通调度等基于位置的服务具有重要的参考意义。然而，个体出行不仅具有长时间依赖性，而且受到出行空间上下文的影响，使得精准实时的驾驶目的地预测面临较大挑战。目前，长时间依赖关系建模已存在一定的技术手段，但空间因素对出行过程的影响仍然较少被考虑到。事实上，出发地与沿途的城市功能区、路网关键节点均一定程度反映并影响着司机的出行意图。为此，本文提出一种基于注意力机制和长短期记忆（LSTM）的个体驾驶目的地实时预测模型LSI-LSTM。该模型在兼顾个体出行长时间依赖性学习的同时，从轨迹点的位置语义、轨迹点与目的地间的空间关联关系两个维度建模空间上下文。具体来说，使用高德POI和TF-IDF算法建立轨迹语义提取方法t-LSE，以获得轨迹点所在区域的城市功能区类型；基于转向角、速度、已行驶距离三类驾驶状态评价轨迹点的位置重要性，并利用轨迹空间注意力机制t-SAM进一步捕获与潜在目的地有强空间关联的轨迹点。基于上述城市功能区类型和位置重要性，LSI-LSTM对轨迹点的空间上下文进行建模，在不需要外部路网数据的情况下实现细粒度空间出行特征的学习...
下一篇
卡尔曼滤波与粒子滤波
卡尔曼滤波卡尔曼滤波解决的是如何从多个不确定数据中提取相对精确的数据。 1) 实践前提是这些数据满足高斯分布。 2) 理论前提是一个高斯斑乘以另一个高斯斑可以得到第三个高斯斑，第三个高斯斑即为提取到相对精确的数据范围。 什么是卡尔曼滤波你可以在任何含有不确定因素的动态系统里使用卡尔曼滤波，而且你应该可以通过某种数学建模对系统下一步动向做一个大概的预测。尽管系统总是会受到一些未知的干扰，但是卡尔曼滤波总是可以派上用场来提高系统预估的精确度，这样你就可以更加准确地知道到底发生了什么事情(系统状态是如何转移的)。而且它可以有效利用多个粗糙数据之间的关系，而单独面对这些数据你可能都无从下手。 卡尔曼滤波尤其适合动态系统。它对于内存要求极低（它仅需要保留系统上一个状态的数据，而不是一段跨度很长的历史数据）。并且它运算很快，这使得它非常适合解决实时问题和应用于嵌入式系统。 卡尔曼滤波我们可以做什么?我们举一个玩具的栗子：你开发了一款小型机器人，它可以在树林里自主移动，并且这款机器人需要明确自己的位置以便进行导航。 我们可以通过一组状态变量 来描述机器人的状态，包括位置和速度： ...
相关推荐
2026-01-31
2025大事记
这里有东西被加密了，需要输入密码查看哦
2024-01-01
再见2023，你好2024！
这里有东西被加密了，需要输入密码查看哦
2023-01-01
再见2022，你好2023！
这里有东西被加密了，需要输入密码查看哦
2025-01-01
再见2024，你好2025！
这里有东西被加密了，需要输入密码查看哦
2019-01-01
再见2018，你好2019！
这里有东西被加密了，需要输入密码查看哦。
2020-01-01
再见2019，你好2020！
这里有东西被加密了，需要输入密码查看哦。
评论
孙云增
极简生活，极致内涵
文章
184
标签
28
分类
11
Follow Me
公告
欢迎访问孙云增的博客，这里有干货，有知识，也期待大家的分享~~
目录
1.
再见2020
2.
开来
最新文章
2025大事记
2026-01-31
再见2024，你好2025！
2025-01-01
再见2023，你好2024！
2024-01-01
关于中国人口的一点思考
2023-01-08
再见2022，你好2023！
2023-01-01
