[發明專利]一種基于深度學習的手機信令數據行人交通軌跡預測方法

在審

• 申請號: 201710504175.X
• 申請日: 2017-06-28
• 公開（公告）號: CN107480784A
• 公開（公告）日: 2017-12-15
• 發明（設計）人: 徐文進
• 申請（專利權）人: 青島科技大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06Q10/04
• 代理公司: 青島智地領創專利代理有限公司37252
• 代理人: 種艷麗

技術領域

本發明屬于手機信令數據行人交通軌跡預測領域，具體涉及一種基于深度學習的手機信令數據行人交通軌跡預測方法。

背景技術

手機信令數據是專門控制電路的信號，它允許程控交換、網絡數據庫、網絡中其它“智能”節點交換下列有關信息：呼叫建立、監控、拆除、分布式應用進程所需的信息(進程之間的詢問/響應或用戶到用戶的數據)、網絡管理信息。因此信令中包含通信的位置、時間、通信時長和通信方式等；其中通信位置的確定原理如下：用戶通信是必須要經過手機所在小區的基站，然后與交換機聯通達成通話或短信，這樣通信運行商就會在服務器上記錄該用戶在此時，通過此小區的基站進行通信，這樣就確定了手機用戶在通信時的所在的小區；因為在城區，通信基站所覆蓋的區域一般是半徑為1-2公里的正六邊形(甚至在人口密集區更小，基站覆蓋半徑變為0.5公里的正六邊形)，所以確定了用戶所在的小區，就可以大體確定了用戶在通信時的大體位置。

傳統的信令數據挖掘方法不能準確的預測行人的交通行為，如下一時間段會去哪里，因為信令數據本身有一些特點，比如數據在時空領域的稀疏性，時間上的稀疏性，可能用戶不活躍，很長時間都沒有通話記錄；空間上的稀疏性，對信令數據的定位是在有移動通信的小區，在有移動通信的城區小區，距離范圍一般是在直徑為1-2公里的正六邊形內，在有移動通信的郊區小區，距離范圍可能是在直徑為4-5公里的正六邊形內，所以很難判定其精確的位置。

信令數據有自身的特點，即每個人的日常出行是符合一定規律的，而記錄其時空位置的信令數據內在也是有邏輯聯系的；比如，某人早高峰時段上午7-9點工作日一般是在去單位的路上，那么其信令數據就會反映出在這一時間段，在上班路徑上的分布；還可能由于早高峰交通擁塞，在信令數據上反映出在特定小區內長期停留的特點；而工作日上班時間，其手機信令數據則反映出在單位內停留的特點；深夜12點到早晨6點，其信令數據反映出在居住地小區內停留的特點。

這些邏輯聯系，以前沒有深入的挖掘過；因為所用的數據挖掘技術往往是傳統的統計，或是一般的機器學習技術，如聚類中的K-means，或是簡單的分類算法，如線性回歸等。這些算法顯然沒有把信令數據時空關聯背后的邏輯關系利用起來，所以也就很難找到出行人真正具有的交通中的規律性。

發明內容

針對現有技術中存在的上述技術問題，本發明提出了一種基于深度學習的手機信令數據行人交通軌跡預測方法，設計合理，克服了現有技術的不足，具有良好的效果。

為了實現上述目的，本發明采用如下技術方案：

一種基于深度學習的手機信令數據行人交通軌跡預測方法，采用深度學習技術對手機信令數據進行處理，將手機信令數據中的出行數據映射為偽語言數據，通過對下一個詞語的預測實現對用戶下一個地理位置的預測，具體包括如下步驟：

步驟1：信令數據的輸入；

輸入用戶的信令數據對應的地理位置；

步驟2：信令數據的整合；

對用戶的信令數據對應的地理位置進行整合，將相鄰的位置整合為同一類；

步驟3：信令數據的處理；

利用深度學習循環神經網絡，獲取用戶下一個地理位置的預測結果；

步驟4：輸出用戶下一個地理位置的預測結果。

優選地，所述的深度學習技術主要是采用基于RNN深度學習網絡的技術，RNN深度學習網絡能夠對信令數據進行語義上、邏輯上的深度挖掘，并根據以前的語言和語義分析預測后面的語言內容。

優選地，其特征在于，深度學習網絡采用循環神經網絡(Recurrent Neural Networks，RNNs)。

優選地，其特征在于，所述循環神經網絡(Recurrent Neural Networks，RNNs)使用長短時記憶模型(Long Short-Term Memory，LSTMs)模型。

本發明所帶來的有益技術效果：