2018-Predicting future locations of moving objects with deep fuzzy-LSTM networks

[1] Mingxiao Li, Feng Lu, Hengcai Zhang & Jie Chen (2018): Predicting future locations of moving objects with deep fuzzy-LSTM networks, Transportmetrica A: Transport Science, DOI: 10.1080/23249935.2018.1552334.

To link to this article: https://doi.org/10.1080/23249935.2018.1552334

Abstract

Trajectory prediction plays an important role in supporting many advanced applications such as location-based services and advanced intelligent traffic managements. Most existing trajectory prediction methods employed fixed spatial division and focused on human closeness movement patterns. However, these methods could lead to a sharp boundary limitation and ignore the periodic characteristics of human mobility. This paper proposes a novel trajectory prediction method based on long short-term memory network (LSTM) called the trajectory predictor with fuzzy-long short-term memory network (TrjPre-FLSTM). First, we introduce a new fuzzy trajectory concept and extend the LSTM to a fuzzy-LSTM to overcome the sharp boundary limitation. Second, we explicitly incorporate the periodic movement patterns of moving objects in the trajectory prediction. Using a real-world mobile phone dataset, we evaluate the performance of TrjPre-FLSTM with two latest competitors. The case study results indicate that the proposed method outperforms the comparative methods in terms of the prediction accuracy.

🦓 现有的轨迹预测方法大多采用固定的空间划分方法，主要关注人的接近度运动模式。这些方法可能会导致一个尖锐的边界限制(两个相邻的轨迹点被划分到不同的grid中，丢失了它们的某些关系信息)，并忽略了人类移动的周期性特征。

---

🦓 提出了基于模糊长短时记忆网络的轨迹预测模型 —— TrjPre-FLSTM。
🦓 首先，我们引入了一个新的模糊轨迹概念，并将LSTM扩展为一种Fuzzy-LSTM来克服尖锐的边界限制。第二，我们明确地在轨迹预测中包含运动对象的周期性运动模式。

---

🦓 使用真实世界的手机数据集，我们用两个最新的方法评估TrjPre-FLSTM的性能。结果表明，该方法在预测精度上优于其他方法。

---

❀❀❀ 自己总结：
  对传统的输入到LSTM中的轨迹做了两点改进：1. 模糊轨迹 2. 通过周期性（periodic）和接近性(closeness)划分子轨迹，分别作为两个LSTM的输入；然后为了适应新的轨迹输入，将轨迹的邻居集合$N$-$Se{q}_{Traj}$作为新的输入，将隶属度集合$M$-$Se{q}_{Traj}$作为$N$-$Se{q}_{Traj}$的权重矩阵进行网络训练，将两个LSTM的结果进行融合，然后进行位置预测。

关键点：

1. fuzzy trajectory
2. fuzzy-LSTM
3. 周期性

---

KEYWORDS

• location prediction
• fuzzy space partition
• mobile phone data
• trajectory data mining
• deep learning

1 Introduction

  轨迹预测问题相关研究可以大致分为3类：
  A. 基于移动状态推导的方法：利用运动对象的基本运动特性，如位置、速度、运动方向和环境条件，来模拟未来的位置。
  B. 基于频繁模式挖掘的方法：依赖于对历史轨迹的先验知识挖掘来预测未来的位置。
  C. 基于机器学习的方法：从历史轨迹中探索运动物体的行为特征来改进模型，如Markov model, 概率图模型，SVM, 神经网络模型等。

---

$本文的贡献$：

1. 将$模糊空间划分$方法引入轨迹预测领域，生成模糊轨迹以解决边界的尖锐限制。这有助于发现更多潜在的空间近似频繁模式，从而显著提高轨迹预测的精度和可靠性。
2. 我们提出了一种改进的LSTM的单元结构，称为$Fuzzy-LSTM$。它能很好地适应模糊空间划分，并能有效地学习历史轨迹的长期时空格局。
3. 该方法考虑了人类运动行为的连续性和周期性特征，在预测过程中同时考虑了$时间接近性和周期性运动模式$，以获得更高的预测精度。
4. 我们使用一个真实的、连续的移动通信信令数据集来评估我们提出的方法，该数据集在现实世界中收集了10万名用户，在15天的时间内，定位点的数量超过了1亿。结果表明，与基于Markov模型的下一位置预测器(NLPMM)和naïve LSTM两种最新方法相比，我们的方法具有优势。

---

2. 问题陈述

• 传统的轨迹分割（将空间划分为多个网格单元，并将每个轨迹表示为一维序列）：
  如$Traj=(p_1,t_1),(p_2,t_2),...,(p_n,t_n)$，经过传统的轨迹网格分割后，轨迹被表示为$G_{Traj}=(s_1,t_1),(s_2,t_2),...,(s_n,t_n)$, 其中$s_i$表示grid cell ID.

• 预测问题可以看作是一个序列生成任务，目标是预测下一个最有可能的单元(cell)。

3. TrjPre-FLSTM方法

方法的处理过程：

1. 解释了$模糊轨迹$ 的生成，这有助于克服尖锐的边界限制。
2. 展示了$Fuzzy-LSTM网$