【ECML-PKDD 2019】用于处理多维语义轨迹和预测未来语义位置的多通道卷积神经网络（Multi-Channel Convolutional Neural Networks for Handling Multi-Dimensional Semantic Trajectories and Predicting Future Semantic Locations）

题目： EvolvingClusters: Online Discovery of Group Patterns in Enriched Maritime Data

简介：

目前的位置感知系统越来越依赖于位置预测技术，以便及时提供服务。与此同时，已有研究表明，使用附加的上下文信息，即提高运动数据的语义丰富程度，可以在分析、建模和预测人体轨迹方面取得显著的效果。在这项工作中，我们提出了一种基于多通道卷积神经网络(CNN)的方法来捕获我们的语义轨迹数据集中所有现有的上下文维度，旨在获得比普通的单通道CNN更高的预测精度。此外，我们还调查了时间、活动、陪伴和用户的情绪状态是否以及在何种程度上对多维CNN的预测性能产生影响。我们在真实数据集上评估了我们的模型，并将其与概率马尔科夫链模型和普通CNN在两个语义表示级别上进行了比较。可以看出，特别是在高水平的情况下，本方法能够比基线模型获得更高的整体精度和f-Score。

作者简介：

Antonios Karatzoglou博士是罗伯特·博世高级工程部人工智能工程师，研究兴趣为语义轨迹:建模和预测、概率模型和机器学习模型的语义驱动优化、知识与本体工程、机器学习和概率建模、人机交互和个性化、语义增强预测。