参考文献意译

结合个人字

1解决目的地预测中的数据稀疏性问题

目的地预测在新兴的很多热门应用中是基于位置服务的重点，常见方法是收集历史轨迹作为依据，预测某个位置可能成为目的地的概率。除了历史轨迹，能否利用其它数据作为辅助呢，答案是肯定的。几乎所有的现有技术都已经有使用额外信息（例如个人驾驶习惯，道路网络现状，他人旅行计划，当地政策规划）。但是获取这些额外信息，需要付出更多的时间，精力和金钱等代价，甚至会存在隐私红线等其他问题导致无法获取额外信息，所以对于小成本的可靠目的地预测，需要权衡信息质量及成本的投入，以及更大程度利用更少的信息获取更优的预测结果。

轨迹稀疏问题

当我们只有少量的额外数据时，轨迹数据就很大程度上决定着我们的数据质量，大多数时候，轨迹数据远远不足以覆盖所有的可查询轨迹，会出现“轨迹稀疏性问题”，轨迹稀疏问题会决定性得限制我们获取的预测目的地的精度。我们在数据处理中，为了处理稀疏问题，采取了大网格形式，使得估计重合。

模型始末描述

处理

转列表，按“，”取每一位追加到经纬度列表

始末5个轨迹经纬度

轨迹转化为矩阵

经度最小值=经度均值减去范围* train_lo_std

经度最大值

delta_latitude =（max_latitude - min_latitude）/ size

 matrixpos = np.zeros((len(longitude),2))matrixpos[:,1] = longitudematrixpos[:,0] = latitudematrixpos = matrixpos.astype('float32')matrixpos[:,1] = (matrixpos[:,1] - min_longtitude) // delta_longtitudematrixpos[:,0] = (matrixpos[:,0] - min_latitude) // delta_latitudematrixpos[matrixpos >= size] = size - 1matrixpos[matrixpos < 0] = 0matrixpos=matrixpos.astype(int)matrix = np.zeros((size, size),dtype=np.float32)for row in matrixpos:matrix[row[0],row[1]]=0.5matrix[matrixpos[-1][0],matrixpos[-1][1]]=1.0return matrix

新建0矩阵，取matrixpos的经度位置和纬度位置

转为浮动

归一化

超过边界的设置到边界上

转为INT

在轨迹上设置0.5，

在目的地上设置1.0

轨迹拆分

取轨迹的行[-1]，是经纬度

剔除轨迹点少于2的

#轨迹拆分
lst=[]
for row in tqdm(df.values,total=df.shape[0]):longitude,latitude=trace_str2list(row[-1])if len(longitude)<2:#剔除轨迹点少于2的continuedes_longitude=longitude[-1]des_latitude=latitude[-1]tmp=list(row[:-1])tmp.append(longitude)tmp.append(latitude)tmp.append(des_longitude)tmp.append(des_latitude)lst.append(tmp)
df=pd.DataFrame(lst,columns=list(df.columns[:-1])+['longitude','latitude','des_longitude','des_latitude'])
print(df.shape)
del lst

热点聚类

热点聚类作为一章节可以扩展，详细一下其它的聚类方法

模型

SENET与关注

多尺度卷积网络与N元语法

嵌入元数据原始特征数据

评估

Haversine距离损失函数erdist

    lat1 = a[:,1] * deg2radlon1 = a[:,0] * deg2radlat2 = b[:,1] * deg2radlon2 = b[:,0] * deg2radx = (lon2-lon1) * np.cos((lat1+lat2)/2)y = (lat2-lat1)return np.sqrt(np.square(x) + np.square(y)) * rearth

对比算法

MLP

CNN

模型相关算法概念

我们明确地将图层重新表述为参照图层输入学习未引用函数。我们提供了全面的经验证据，表明这些剩余网络更容易优化，并可以从显着增加的深度获得准确性[来源于深度残留学习的图像识别]

方式

论文凑字由三部分组成，参考文献自己语言翻译一遍，自己的模型描述一遍，模型相关的算法的理念翻译一遍。

字数分别三分之一;第一部分就作为后两个部分的补充填充增加专业性和研究背景上的扩展。

各300字，心情好就500字