[發(fā)明專(zhuān)利]一種基于自適應(yīng)時(shí)間戳與多尺度特征提取的軌跡預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011594675.5
• 申請(qǐng)日: 2020-12-29
• 公開(kāi)（公告）號(hào): CN112667763B
• 公開(kāi)（公告）日: 2022-09-13
• 發(fā)明（設(shè)計(jì)）人: 王瑞錦;李艾玲;趙蕓偉;張鳳荔
• 申請(qǐng)（專(zhuān)利權(quán)）人: 電子科技大學(xué);國(guó)家計(jì)算機(jī)網(wǎng)絡(luò)與信息安全管理中心
• 主分類(lèi)號(hào): G06F16/29
• 分類(lèi)號(hào): G06F16/29;G06K9/62;G06N3/04
• 代理公司: 成都金英專(zhuān)利代理事務(wù)所(普通合伙) 51218
• 代理人: 袁英

本發(fā)明公開(kāi)了一種基于自適應(yīng)時(shí)間戳與多尺度特征提取的軌跡預(yù)測(cè)方法，包括以下步驟：S1：構(gòu)建自適應(yīng)軌跡切割時(shí)間戳；S2：根據(jù)時(shí)間戳，對(duì)用戶(hù)軌跡進(jìn)行切割，來(lái)擬合用戶(hù)的運(yùn)動(dòng)模式；S3：對(duì)用戶(hù)歷史軌跡進(jìn)行特征提取；S4：對(duì)特征向量進(jìn)行歸一化處理，統(tǒng)一多尺度特征量綱；S5：通過(guò)LSTM網(wǎng)絡(luò)模型和分類(lèi)器預(yù)測(cè)下一個(gè)POI。本發(fā)明通過(guò)結(jié)合歷史軌跡數(shù)據(jù)的時(shí)間統(tǒng)計(jì)特性，自適應(yīng)地為每一個(gè)用戶(hù)定義個(gè)性化時(shí)間戳，關(guān)注不同用戶(hù)運(yùn)動(dòng)模式之間的差異性；并結(jié)合時(shí)間序列特征提取方法多尺度對(duì)用戶(hù)軌跡特征進(jìn)行提取，解決了人為固定時(shí)間戳定義、軌跡特征單一性以及特征向量嵌入量綱不統(tǒng)一給用戶(hù)軌跡預(yù)測(cè)帶來(lái)的問(wèn)題，提高了預(yù)測(cè)精度的效果。

技術(shù)領(lǐng)域

本發(fā)明涉及軌跡預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于自適應(yīng)時(shí)間戳與多尺度特征提取的軌跡預(yù)測(cè)方法。

背景技術(shù)

隨著基于位置社交網(wǎng)絡(luò)(Location based Social Network,LBSN)的快速發(fā)展，越來(lái)越多基于時(shí)空背景的可用信息能夠被收集起來(lái)用于研究人群移動(dòng)性。一般，時(shí)空背景下的可用信息指的是包含了用戶(hù)簽到時(shí)間和地點(diǎn)的數(shù)據(jù)，這些數(shù)據(jù)的產(chǎn)生催生了海量有價(jià)值的應(yīng)用，如用戶(hù)下一個(gè)地點(diǎn)預(yù)測(cè)。通常，用戶(hù)下一個(gè)地點(diǎn)預(yù)測(cè)旨在通過(guò)挖掘用戶(hù)歷史移動(dòng)信息預(yù)測(cè)未來(lái)移動(dòng)模式，近年來(lái)，根據(jù)用戶(hù)的歷史簽入數(shù)據(jù)預(yù)測(cè)用戶(hù)下一個(gè)足跡可以運(yùn)用于諸多應(yīng)用領(lǐng)域，例如為出租車(chē)司機(jī)預(yù)測(cè)下一個(gè)可能出現(xiàn)潛在客戶(hù)的地點(diǎn)，為私家車(chē)預(yù)測(cè)下一個(gè)可能發(fā)生交通擁堵的地點(diǎn)等。

目前已提出一些解決方案來(lái)預(yù)測(cè)用戶(hù)下一個(gè)足跡(POI)，包括遞歸運(yùn)動(dòng)函數(shù)(RMF),矩陣分解(MF)，差分自回歸移動(dòng)平均模型(ARIMA),馬爾可夫鏈(MC)，個(gè)性化馬爾可夫鏈(FPMC),卡爾曼濾波器(KF),高斯混合模型和張量分解(TF)。除此之外，也可以使用諸如ST-RNN，POI2Vec，DeepMove,VANext等深度神經(jīng)網(wǎng)絡(luò)方法來(lái)預(yù)測(cè)用戶(hù)的下一個(gè)足跡，這些方法中利用遞歸神經(jīng)網(wǎng)絡(luò)(RNN)捕獲來(lái)自人類(lèi)活動(dòng)的順序運(yùn)動(dòng)模式。利用深度學(xué)習(xí)技術(shù)特別是遞歸神經(jīng)網(wǎng)絡(luò)模型能夠?qū)r(shí)序信息進(jìn)行良好的建模，因此廣泛應(yīng)用于預(yù)測(cè)用戶(hù)的下一個(gè)POI。雖然上述提到的方法已經(jīng)取得不錯(cuò)的結(jié)果，但是已有方法依然存在一些不可避免的挑戰(zhàn)：

(1)手工軌跡分割，地點(diǎn)預(yù)測(cè)需要通過(guò)將用戶(hù)歷史長(zhǎng)軌跡分割成若干子軌跡來(lái)進(jìn)行模式學(xué)習(xí)，然而已有工作對(duì)于軌跡分割的時(shí)間戳定義通常采用人為預(yù)定義方式，人為因素的介入可能影響模型預(yù)測(cè)的準(zhǔn)確度。

(2)無(wú)差別時(shí)間戳劃分，傳統(tǒng)方法通常對(duì)于不同用戶(hù)的移動(dòng)軌跡分割時(shí)間戳進(jìn)行無(wú)差別定義，從而忽略了不同用戶(hù)運(yùn)動(dòng)模式之間的差異性；

(3)特征單一性，傳統(tǒng)方法通常使用用戶(hù)軌跡數(shù)據(jù)中的地理位置作為當(dāng)前軌跡的特征，單一性的特征提取忽略了很多軌跡潛在信息；

(4)特征無(wú)量綱化，當(dāng)軌跡有多尺度特征時(shí)，無(wú)量綱化特征會(huì)忽略特征之間的優(yōu)先級(jí)；

(5)軌跡簽到稀疏性，用戶(hù)簽入行為與GPS采樣頻率相比有明顯差別，個(gè)性化簽入行為使得用戶(hù)移動(dòng)軌跡中可能只有少量的用戶(hù)簽入，因此存在影響預(yù)測(cè)準(zhǔn)確率的可能。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于自適應(yīng)時(shí)間戳與多尺度特征提取的軌跡預(yù)測(cè)方法。

本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：

一種基于自適應(yīng)時(shí)間戳與多尺度特征提取的軌跡預(yù)測(cè)方法，包括以下步驟：

S1：根據(jù)用戶(hù)的簽入點(diǎn)數(shù)據(jù)的特殊性，分析簽入點(diǎn)時(shí)間特性，確定用戶(hù)的自適應(yīng)軌跡切割時(shí)間戳；

S2：根據(jù)用戶(hù)的自適應(yīng)時(shí)間戳，對(duì)用戶(hù)軌跡進(jìn)行切割，來(lái)擬合用戶(hù)的運(yùn)動(dòng)模式；

S3：使用基于多方法集成的軌跡時(shí)間序列特征提取方法對(duì)用戶(hù)歷史軌跡進(jìn)行特征提取；

S4：對(duì)特征向量進(jìn)行歸一化處理，統(tǒng)一多尺度特征量綱；