泰江-的盟,剑盟——林,范AU -风扇,金盟- Lv,挂盟——吴贾PY - 2019 DA - 2019/01/01 TI -目的地预测网络基于时空数据既SP - 7643905六世- 2019 AB -自行车是一种新的低碳、环保的公共交通方式基于“分享经济”。自2017年以来，共享单车市场在中国主要城市蓬勃发展。装有GPS发射器的自行车停靠在人行道上，可以很容易地通过智能手机应用程序访问。然而，这种新的交通方式也导致了一些问题，如非法停车、破坏公物和盗窃，每一种都是一个重大的行政挑战。此外，需要克服用户需求和自行车可用性的不平衡，以确保为客户提供方便、灵活的服务。因此，预测自行车使用者的目的地对共享单车运营商来说非常重要。在本文中，我们提出了一个创新的深度学习模型来预测每个用户最有可能的目的地。该模型称为基于时空数据的目的地预测网络(DPNst)，包括三个步骤。首先，对数据进行预处理，并基于频繁的项目挖掘生成一个可能的候选目的地池。然后利用该候选集构建DPNst模型:长短期记忆网络学习用户行为; a convolutional neural network learns the spatial relationships between the origin and the candidate destinations; and a fully connected neural network learns the external features. In the final step, DPNst dynamically aggregates the output of the three neural networks based on the given data and generates the predictions. In a series of experiments on real-world stationless bike-sharing data, DPNst returned an F1 score of 42.71% and demonstrated better performance overall than the compared baselines. SN - 1076-2787 UR - https://doi.org/10.1155/2019/7643905 DO - 10.1155/2019/7643905 JF - Complexity PB - Hindawi KW - ER -