[發明專利]一種基于指數平滑的位置預測系統及方法

在審

• 申請號: 202210043900.9
• 申請日: 2022-01-14
• 公開（公告）號: CN114398566A
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 吳錫軍;劉潤然
• 申請（專利權）人: 杭州師范大學
• 主分類號: G06F16/9537
• 分類號: G06F16/9537;G06F17/18
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種基于指數平滑的位置預測系統，其特征在于，包括數據處理模塊和位置預測模塊；

所述的數據處理模塊用于獲取用戶的簽到數據，基于當前需要預測的時刻，提取前n天的簽到數據作為歷史數據；

所述的位置預測模塊包括參數擬合模塊、模型計算模塊和預測模塊；

所述的參數擬合模塊對數據處理模塊獲取的歷史簽到數據集以天為單位使用EM算法進行簽到狀態分類，計算相關一維時序高斯模型參數，使用指數平滑進行計算，獲得一維時序高斯模型最終參數，最后進行二維空間高斯模型參數計算；

所述的模型計算模塊根據預測的時間，通過一維時序高斯模型利用參數擬合模塊擬合出來的一維時序高斯參數計算響應度，根據二維空間高斯模型，計算出位置集中每一個位置出現的概率，獲取給定位置集中在空間模型中的得分；

所述的預測模塊根據得到的給定位置集中在空間模型中的得分獲取最佳預測位置。

2.一種基于指數平滑的位置預測方法，其特征在于，步驟如下：

步驟(1).獲取歷史數據集：

獲取用戶的簽到數據，基于當前需要預測的時刻，提取前n天的簽到數據作為歷史數據；

步驟(2).擬合參數：

獲取的歷史簽到數據集以天為單位使用EM算法進行簽到狀態分類，計算相關一維時序高斯模型參數，使用指數平滑進行計算，獲得一維時序高斯模型最終參數，最后進行二維空間高斯模型參數計算；

步驟(3).位置預測：

根據當前預測時間，使用一維時序高斯模型和二維空間高斯模型，得到預測經緯度坐標。

3.根據權利要求2所述的一種基于指數平滑的位置預測方法，其特征在于，步驟(1)中獲得的數據集包括：用戶，簽到時間，經緯度。

4.根據權利要求2所述的一種基于指數平滑的位置預測方法，其特征在于，步驟(2)具體方法如下：

將簽到點狀態分為Home狀態和Work狀態，同時采用兩個基于時序的一維高斯分模型和兩個基于空間的二維高斯模型進行位置預測；引入指數平滑方法，根據時間差合理的分配權重，真實的反應歷史數據的影響力和時間差的關系；將指數平滑公式進行推導，應用到模型參數的計算當中；

(2-1)、通過EM算法擬合時序高斯模型參數：

構建一維時序高斯分模型：

其中p_cH是指歷史數據集中某天Home狀態的占比，τ_H是Home狀態的平均時間，σ_H是Home狀態的方差；p_cW是指歷史數據集中某天Work狀態的占比，τ_W是Work狀態的平均時間，σ_W是Work狀態的方差；

a：將歷史數據集中每天的每一條簽到數據隨機標簽狀態，根據狀態不同，計算出一維時序高斯模型初始參數；

b：E步，根據當前模型參數，計算每個一維時序高斯分模型對每一條簽到數據的響應度；

其中N_H(t)和N_W(t)是表示該時刻在一維時序高斯分模型的響應度根據響應度的不同，對每一條簽到數據重新分配標簽；

c：M步，根據重新分配標簽的情況，計算出一維時序高斯分模型相關參數；

d：重復第b步和第c步，直至收斂；得到模型參數θ；

根據歷史數據集，以天為單位通過EM算法擬合時序高斯模型參數，獲得模型參數θ₀-θ_n-1，其中θ_i表示時間差為i(0≤i＜n)天的簽到數據擬合出來的模型參數；

(2-2)、通過指數平滑計算一維時序高斯模型的最終參數：

(1)基本公式：

S_t+1＝α*y_t+(1-α)*S_t

其中S_t+1是時間t+1的平滑值，y_t是時間t的實際值，S_t是時間t的平滑值，α是平滑指數，取值范圍(0，1)；

(2)指數平滑在一維時序高斯模型中的應用：

指數平滑公式經過推導，一維時序高斯模型最終參數為：

θ＝αθ₀+α(1-α)θ₁+α(1-α)²θ₂+...+α(1-α)^n-1θ_n-1

(2-3)、空間高斯模型參數計算：

構建基于空間的二維高斯模型：

其中μ_H是Home狀態下的經緯度的均值，Σ_H是Home狀態下的經緯度的協方差；μ_W是Work狀態下的經緯度的均值，Σ_W是Work狀態下的經緯度的協方差；

根據歷史數據集中的數據分類情況，計算出用戶在Home狀態下的均值μ_H和協方差矩陣Σ_H，在Work狀態下的均值μ_W和協方差矩陣Σ_W。

5.根據權利要求4所述的一種基于指數平滑的位置預測方法，其特征在于，所述的步驟(3)具體方法如下：

基于當前預測的時間，模型給出一個最優的位置，這個最優位置來自給定的位置集location中；location為歷史數據集中所有出現過的位置的經緯度的集合；

根據步驟(2)中擬合出來的一維時序高斯參數，計算出兩個時序分模型對時間點的響應度，根據二維空間高斯模型，計算出location中每一個位置在Home狀態或者Work狀態出現的概率；

根據公式計算出location中每一對經緯度的概率，概率最大的經緯度是模型預測的位置：

p[x(t)＝x]＝p[x_u(t)＝x|c_u(t)＝H]·p[c_u(t)＝H]+p[x_u(t)＝x|c_u(t)＝W]·p[c_u(t)＝W]。