电子学报 ›› 2021, Vol. 49 ›› Issue (5): 894-903.DOI: 10.12263/DZXB.20200952

所属专题: 面向自动驾驶和智慧交通协同的通信与控制

• 面向自动驾驶和智慧交通协同的通信与控制 • 上一篇    下一篇

基于粒子群优化和LightGBM的情景感知多式联运推荐

孙全明, 曲志坚, 任崇广   

  1. 山东理工大学计算机科学与技术学院, 山东淄博 255049
  • 收稿日期:2020-08-31 修回日期:2021-03-17 出版日期:2021-05-25 发布日期:2021-05-25
  • 通讯作者: 曲志坚(通信作者) 男,1980年生于山东省青岛市.现为山东理工大学计算机科学与技术学院副教授、硕士生导师.主要研究方向为机器学习与数据分析. E-mail:zhijianqu@sdut.edu.cn
  • 作者简介:孙全明 男,1995年生于山东省潍坊市.现为山东理工大学计算机技术专业硕士研究生.主要研究方向为机器学习与数据挖掘. E-mail:quanming_sdut@163.com;任崇广 男,1982年生于山东省临沂市.现为山东理工大学计算机科学与技术学院教授、硕士生导师.主要研究方向为机器学习与智能信息处理. E-mail:renchg@sina.com
  • 基金资助:
    山东省高等学校优秀青年创新团队支持计划(No.2019KJN048);山东省自然科学基金(No.ZR2017LF004)

Context-Aware Multi-modal Transportation Recommendation Based on Particle Swarm Optimization and LightGBM

SUN Quan-ming, QU Zhi-jian, REN Chong-guang   

  1. School of Computer Science and Technology, Shandong University of Technology, Zibo, Shandong 255049, China
  • Received:2020-08-31 Revised:2021-03-17 Online:2021-05-25 Published:2021-05-25

摘要: 针对交通推荐服务中推荐的出行方式单一、忽略用户出行偏好以及多分类任务中样本类别不平衡等问题,本文提出一种基于粒子群优化和LightGBM的情景感知多式联运推荐方法.该方法综合考虑用户在时间、空间以及出行成本上的出行偏好,利用数理统计和表示学习方法捕捉用户出行与各要素之间的内在关系.同时,为了缓解样本类别不平衡带来的负面影响,利用基于粒子群优化算法的指标优化方法为每个类别搜索最优权重,对模型的预测结果进行修正,以实现最大化评价指标的目的.实验结果表明,与传统算法相比,本文提出的模型在时空特征提取、缓解类别不平衡和推荐准确性上均有较好的表现.

关键词: 多式联运, 个性化推荐, 网络表示学习, 粒子群算法, 特征工程

Abstract: In order to solve the problems of considering only one transportation mode and neglecting user preference in transportation recommendation problem,and class imbalance problem in multi-class task,a context-aware multi-modal transportation recommendation method based on particle swarm optimization and LightGBM is proposed.This method comprehensively considers the user’s travel preferences in terms of time,space and travel cost,and uses mathematical statistics and representation learning methods to capture the internal relationship between user travel and various elements.At the same time,in order to alleviate the negative impact caused by the imbalance of sample class,the index optimization method based on particle swarm optimization algorithm is used to search for the optimal weight for each class,and the prediction results of the model are modified to achieve the purpose of maximizing the evaluation index.Experimental results show that compared with traditional algorithms,the model proposed in this paper has better performance in spatio-temporal feature extraction,alleviating class imbalance and recommendation accuracy.

Key words: multi-modal transportation, personalized recommendation, network representation learning, particle swarm optimization, feature engineering

中图分类号: