[發明專利]一種預測出行位置的方法及裝置

在審

• 申請號: 202010887136.4
• 申請日: 2020-08-28
• 公開（公告）號: CN111915104A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 孫久虎;相恒茂;高浠艦;李浩;梁玉才;張恒才
• 申請（專利權）人: 山東省國土測繪院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N7/00
• 代理公司: 北京中政聯科專利代理事務所(普通合伙) 11489
• 代理人: 鄭久興

本申請公開了一種預測出行位置的方法及裝置，所述方法包括獲取出行軌跡數據集；對所述出行軌跡數據集進行語義化；利用k階馬爾科夫概率轉移矩陣，通過單個用戶u的語義軌跡序列，計算空間實體之間的轉移概率矩陣，并將所述轉移概率矩分解為k個一階馬爾科夫鏈；選擇用戶u的最優化k值，記為k_u；結合長短期記憶網絡對k_u個一階馬爾可夫鏈進行融合得到混合預測模型；根據所述混合預測模型構建出行位置預測結果集。本申請通過對人類出行活動產生的軌跡數據進行處理，通過提取用戶停留區域，確定該停留區域的語義位置，構建混合預測模型預測行人未來出行位置，為移動位置服務、城市交通、移動互聯網絡技術等領域提供支持。

技術領域

本申請涉及移動位置服務、出行位置預測及移動互聯網技術領域，尤其是涉及一種預測出行位置的方法及裝置。

背景技術

位置預測技術是根據用戶的歷史軌跡數據推斷用戶下一時刻位置，預測出行過程中在未來某個時間可能所在的位置是重要的基礎性研究工作，可為城市規劃、城市管理、智能交通、基于位置的信息服務、商業廣告投放等應用提供支撐。

近年來，隨著定位技術快速發展、移動終端設備不斷普及，移動用戶的軌跡數據呈爆發式增長，為室內外用戶位置預測與實時位置服務研究提供了重要的數據源。

目前被廣泛用于出行位置預測的經典統計模型中，如Sha等提出的高階馬爾科夫鏈模型，該模型假設下一時刻的位置與前k位置有關，但易造成維數災難的問題，即其狀態空間隨著n的增加呈現爆炸增長，此問題使得k-MC在位置預測領域實用性較低；Mathew等提出的利用隱馬爾可夫模型HMM來預測出行位置，但是不適用于預測長時序位置數據。為了解決時序數據中存在的長期依賴問題，深度學習模型被應用到位置預測中，如循環神經網絡(Recurrent Neural Network，RNN)、長短時記憶網絡(Long Short-Term Memory,LSTM)，門控循環單元網絡(Gated-Recurrent-Unit,GRU)等。與經典統計模型相比，深度學習模型取得了較好的預測精度。

然而,深度學習模型是一種數據驅動的經驗模型，難以解釋模型中的因果關系，或者說是放棄了對因果關系的解釋。此外，目前位置的研究多側重于位置點的預測，而沒有對語義位置的預測予以足夠重視，所以對人類基于主觀偏好的出行位置預測仍是一個具有挑戰性的問題。

發明內容

(一)發明目的

本申請的目的是提供一種預測出行位置的方法及裝置，以解決目前出行預測方法的統計模型無法提高預測精度或無法解釋前后位置關系，同時通過對出行軌跡數據集的語義化，利用統計模型與深度學習模型的結合，以解決出行軌跡預測準確率低的問題。

(二)技術方案

第一方面，本申請實施例提供了一種預測出行位置的方法，包括：

獲取出行軌跡數據集Traj；

對所述出行軌跡數據集Traj進行語義化；

利用k階馬爾科夫概率轉移矩陣，通過單個用戶u的語義軌跡序列locSeq^u，計算空間實體之間的轉移概率矩陣Y^u(k)；

將所述轉移概率矩陣Y^u(k)分解為k個一階馬爾科夫鏈；

選擇用戶u的最優化k值，記為k_u；

結合長短期記憶網絡對k_u個一階馬爾可夫鏈進行融合得到混合預測模型；

根據所述混合預測模型構建出行位置預測結果集。

第二方面，本申請實施例提供了一種預測出行位置的裝置，包括：

出行軌跡數據集預處理模塊，用于獲取出行軌跡數據集Traj；