tod论文文献

Tod的读法为英[tɒd]；美[tɑːd]。名词，译为：托德。

例句：

1、Mike asked George to trade places with him so he could ride with Tod.

迈克要求乔治和他交换位置，让他和托德同坐一辆车。

2、Tod shook his head angrily and slung the coil of rope over his shoulder.

托德气愤地摇了摇头，然后把那卷绳子往肩上一搭。

3、The development strategy of urban public traffic in Xi'an based on TOD.

基于TOD的西安城市公共交通发展战略。

4、The Application of TOD in the IR Imaging System Performance Characterization.

TOD在红外成像系统性能表征中的应用。

5、A Research on Programming of Urban Mass Transit Based on TOD.

基于TOD的城市轨道交通规划及策略研究。

6、The World Machine Tod Industry is Coming Back to Life.

世界机床工业在复苏。

7、Method of Designing Urban Public Transportation Hub Based on TOD.

基于TOD的城市公共交通枢纽设计方法研究。

8、TOD Based Spatial Morphology Research Outside East Ring Road of Nanning.

基于TOD模式的南宁市外东环地区空间结构形态研究。

9、Construction of algorithm for frequency hopping code generator using counting TOD.

计数式TOD跳频码发生器算法的构造。

10、Do you have any ideas for a good way TOD spend time?

你有什么好方法度过时间吗？

11、Simply analysis of application of TOD model in Fuzhou.

TOD模式在福州市的应用浅析。

12、ANTIBIOTIC DATA MANAGEMENT SYSTEM& An Useful Reference Tod for The Research of New Antibiotics.

抗生素生物理化数据管理系统&新抗生素研究的有用参考工具。

13、First, the appearance, collection and research of Tod historical literature.

首先，阐述了托忒文历史文献的出现及整理研究情况。

14、Come, come, get him his change tod, let him going.

快点快点把钱给他。

JUST团队-任慧敏  JUST时空数据         轨迹识别问题旨在验证传入的轨迹是否是由所要求的人员产生， 即给定一组单独的人员历史轨迹（例如行人，出租车司机）以及由特定人员生成 的一组新轨迹，判定两组轨迹是否由同一个人员生成。这个问题在许多实际应用中都很重要，例如出租车驾驶人员身份认证、汽车保险公司风险分析以及危险驾驶识别等。轨迹识别的现有工作除了需要轨迹数据之外，还需要其他来源的数据，如传感器、摄像头等，但这些数据无法普遍获得且成本较高。此外，目前的工作只能局限于已有的人员身份识别，无法扩展至未经训练的人员。为了应对这些挑战，在这项工作中，我们首次尝试通过提出一种新颖而有效的框架时空孪生网络（ST-SiameseNet），仅从观察到的轨迹数据匹配人员身份。对于每个人员，我们从他们的轨迹中提取特征，来预测每个人轨迹的相似性。 一、问题背景 线上打车在现代社会越来越多地被应用，甚至说成为主流。根据纽约出租车协会数据显示（图1），截止2020年6月，纽约市每天有超过10万人次使用打车服务，线上打车服务占比超过70%。然而，随着行业从业人员的增加，从业人员就显得鱼龙混杂，经常会有安全事故被报道（图2）。尽管现在的平台会对司机进行实名认证，但仍会发生李代桃僵的事情。 如图3所示，除了出租车安全认证之外，这项技术在汽车的保险行业也有着发展前景，比如投保人与肇事者是否是同一人，或者该驾驶员是否有危险驾驶行为，例如酒驾，等等。于是我们提出了“Human Mobility Signature Identification”，即通过轨迹信息的挖掘，进而分析驾驶人的驾驶行为，最终判断驾驶人是否是同一人。 驾驶人员身份识别问题有很多相关工作，然而前期工作仍存在诸多问题，1）很多工作在识别司机的身份时，除GPS轨迹之外还需要额外的数据，例如车载的摄像机，方向盘和刹车的传感器等，这类数据成本高昂，很难普遍获取。2）一些工作利用传统的聚类或者多分类模型去识别司机身份，但这类方法识别数量有限，无法满足现实中识别百万级司机身份的需要。3）就我们所知，前期工作普遍存在泛化性不足的问题，模型面对训练集外的司机往往束手无策。 基于以上问题，我们提出了基于时空孪生神经网络的轨迹识别模型。该模型只依赖于GPS轨迹信息，可处理大规模驾驶员的识别问题，并且有较强的泛化能力，可识别未在训练集出现的驾驶员身份。 二、背景知识 首先，我们介绍一些相关的背景知识。我们提出了基于时空孪生神经网络的轨迹识别模型（ST-SiameseNet），那么什么是Siamese Network呢？Siamese是“孪生，连体”的意思，SiameseNetwork就如同字面的意思，是孪生神经网络，这一过程是通过共享权重实现的。将两个实体输入到同一个神经网络中，随后映射到新的空间，从而计算两个输入的相似度，从而判断二者是否属于同一个实体。基本模型框架如图4所示： 之所以将孪生神经网络引用至我们的模型，是因为其适合用于大规模实体的相似度判断。其学习的内容是实体间的相似度，因此未被训练过的数据仍然可以被拿来判断是否相似。 孪生神经网络已经解决了上述的后两个问题，即分类数量和泛化性。那么接下来就要解决第一个问题，数据成本。我们采用了易于获得的GPS行驶轨迹作为数据源。每个GPS点由经纬度和时间构成，一条轨迹则由一组GPS点构成。轨迹数据具有很强的时序性，因此我们引入LSTM来学习轨迹特征。为进一步挖掘轨迹数据的特征，我们从GPS数据中提取出司机的个人偏好，如最经常出现的位置、出发及结束时间、平均路程长度等等。与此同时，我们根据驾驶轨迹的状态，将轨迹分为了两类，例如出租车轨迹可分为载客轨迹与空车轨迹，私家车轨迹可分为上下班通勤以及日常生活轨迹等。 三、解决方案 在模型实现中，我们将出租车司机身份识别作为应用。GPS数据采自于2016年7月深圳出租车行驶记录，我们共筛选出2197位司机在10个工作日的GPS数据。 图5展示了我们模型的基本流程。首先，我们将获得的GPS数据转化为一个个对应的格子，使得经纬度信息转化为更适合计算机处理的x,y坐标及对应的时间ID。而后，我们根据出租车是否载客将出租车轨迹分为载客轨迹与空车轨迹，并且从轨迹中提取了司机的个人偏好，如经常出现的位置、出车收车时间、平均寻客路程及时间、平均载客路程及时间、每日接单数量等。 为识别出租车司机身份，需要对一名司机两天的轨迹或者两名司机一天的轨迹进行比较，用以判断这些轨迹是否产生于同一个人。为此，我们选取了一个工作日内的5条空车轨迹和5条载客轨迹，这个数据的选择覆盖了所收集的司机的情况。图6显示了ST-SiameseNet模型具体框架： 从整体来看，模型目的在于判断两天的轨迹是否属于同一个司机，所以在模型输入中等概率的选择同一个司机不同天，或者不同司机不同天的数据，即输入数据的正负样本概率相同。 区别于传统孪生神经网络只共享一个神经网络，我们将其扩展至共享三个神经网络，即LSTMD，LSTMs和FCN。前两个模块分别学习载客轨迹和空车轨迹特征，FCN模块学习司机行为偏好。由此，我们得到6个embedding对应模型的6个输入。最后，通过embeddings后经由全卷积网络获得非相似度。其中数值越接近1，不是同一人的可能性越大。 四、实验结果 我们在2197名司机10天的轨迹数据上验证了方法的有效性。表1在对比不同模型中，我们采用了500位司机的前5天作为训练数据，另外的197位司机的后5天作为测试数据，保证了数据的充足性和独立性。 对于SVM，由于无法输入轨迹信息，所以输入数据为司机个人偏好特征信息，经过绝对值相减后输入SVM，获得非相似度。对于FNN，区别在于是否包含个人偏好特征，两个输入GPS数据连接成一个大的数据输入FCN中，获得非相似度。这个对比旨在获取神经网络在提取特征方面的能力。对于Naïve Siamese，与我们提出的模型相比，只有一个FCN网络，而输入的GPS数据首尾相连组成一个长数据，通过FCN和embeddings后得到非相似度。 最后对比结果可以看到，我们提出的模型结构在各个指标上都有着优异的表现。而在同类模型的对比中，加入个人偏好的模型要比不加入偏好的模型性能表现要好，这也证明了除去轨迹特征外，司机的个人偏好对于相似度识别也有贡献。 此外，我们对模型泛化能力，也进行了轨迹天数与司机数量两方面的测试。图7是固定了500位司机，以工作日为变量的结果；图8是固定为5天的工作量，以司机数量为变量的结果。以图7为例，所有的数据集总共包含697位司机10个工作日的轨迹数据，其中500名司机作为训练集，197名司机为验证和测试集，假设训练集采用了头3天的数据做训练，那么验证集和测试集则使用剩余的后7天作为测试，以此类推。图8逻辑同理。 从上面的两幅图可以看出，随着训练天数和训练人数的增加，模型的泛化能力得到了提升，有效的避免了过拟合的问题。而且模型性能的拐点分别出现在5天的训练天数和500位司机的训练数量，之后的测试集结果增长不明显。说明500位司机和5个工作日的训练数量就能够获得较好性能的模型。 我们还进一步对比了轨迹运行模式与司机偏好特征对模型的影响。首先对比了运行模式对模型的影响，图9展示了不同运行模式下的测试准确率，粉色线包含了空车模式和载客模式，灰线仅包含了空车模式，黄线仅包含了载客模式。可以看出即使只包含有单一的运行模式，在一定程度上能够判断轨迹是否属于同一位司机。空车模式轨迹的准确率普遍高于载客模式轨迹的准确率，这与人的直觉是一致的，因为载客时司机无法选择目的地，而空车时不同司机会有不同的策略寻找乘客，因此可以更好的体现司机的特征。当两种运行模型同时作用于模型时，我们得到了最好的结果（粉色线）。与图7图8趋势一致，随着司机数量及训练天数的增加，模型的测试准确率有了提高。 图10对比了司机个人偏好在模型训练中的作用。红色线展示了轨迹数据及个人偏好作为输入时的测试集准确率，棕色线展示了只有轨迹数据的测试准确率，紫色线代表只有个人偏好特征作为输入的测试准确率。同图7图8趋势一致，随着司机数量及训练天数的增加，模型的测试准确率有了提高。在对比三种输入中，我们发现如果只使用司机的个人偏好特征作为输入，模型得到了较差的结果，这说明高度抽象的特征虽然在一定程度上可以识别司机，但也损失了很多其他有效信息。而单纯使用轨迹数据作为输入（棕色线），其准确率仍低于我们的模型（红色线），很可能是因为模型在处理轨迹数据时，很难获取全局的统计信息，比如平均寻客路程与时间，平均载客路程及时间等。当轨迹信息与个人偏好特征结合起来时，我们的模型得到了最优结果。论文原文链接： 论文源码： 参考文献: [1] Taxi, Uber, andLyft Usage in New York City. . [2] A. MARSHALL. Uber’s New Features Put aFocus on Rider Safety . , 09 2019 . 鸣谢： AITIME论道 对论文解析的初次整理