融合Transformer和卷积LSTM的轨迹分类网络

摘要

为了减少原始轨迹数据的噪声，充分提取轨迹的时空特征，提高基于轨迹数据的交通模式分类精度，提出一种融合堆叠降噪自编码器、Transformer和卷积长短期记忆网络的轨迹分类网络(networks fusing stacked denoising auto-encoder, Transformer and ConvLSTM,SDAETC)。通过堆叠降噪自编码器减少原始轨迹数据中的噪声；利用结合了Transformer的递归图自编码器，提取到更为丰富的时间特征，同时利用特征图自编码器提取空间特征；改进卷积长短期记忆网络，充分提取轨迹中的时空特征，并与提取到的时间特征和空间特征相融合，从而实现交通模式分类。实验结果表明，提出的SDAETC与基线模型相比，在GeoLife和SHL数据集上的准确率分别提升了1.8%和2%。此外，消融实验结果和模型训练时间分析表明，引入堆叠降噪自编码器、Transfomer和ConvLSTM虽然增加了时间消耗，但是对分类精度有积极贡献。

关键词

轨迹数据 / 交通方式分类 / 时空特征 / 堆叠降噪自编码器 / Transformer / 卷积长短期记忆网络