一种基于深度学习的手机信令数据行人交通轨迹预测方法技术

本发明专利技术公开了一种基于深度学习的手机信令数据行人交通轨迹预测方法，属于手机信令数据行人交通轨迹预测领域。本发明专利技术将出行人地点周围的相邻小区合并成为区群，在地理位置上的相邻转化为自然语言上的相近，同时地理位置上的临近的小区也具有和逻辑相近词汇上一样的高可能性被行人选中作为目的地，这种区群的选择，又可以大大提高对出行模式挖掘的可靠性和真实性；所以可以利用RNN网络在自然语言预测上已经取得的优良的性能，高性能的挖掘出出行人的映射为语言模式的出行习惯；同时基于出行规律的理论基础，总结出其出行模式，得到了超出已有基于信令数据的行人行为模式挖掘，性能有了42％‑49％的提高。

A method of pedestrian traffic trajectory prediction based on depth learning for mobile signaling data

The invention discloses a prediction method for pedestrian traffic trajectories based on deep learning, and belongs to the field of pedestrian traffic trajectory prediction for mobile phone signaling data. The present invention will travel locations around the adjacent cells into clusters, adjacent geographically into natural language similar to that on the same location near the area also has a high likelihood of similar words and logic as is selected as the destination of the pedestrian area, group selection, and can greatly to improve the reliability of mining on travel patterns and authenticity; so you can have excellent performance in natural language prediction using RNN network mapping, high performance mining out pedestrian travel habits for language model; theoretical basis based on the travel law at the same time, summed up the travel mode, has been beyond the existing mining mode the pedestrian behavior based on signaling data, the performance has been improved 42% 49%.

【技术实现步骤摘要】
一种基于深度学习的手机信令数据行人交通轨迹预测方法
本专利技术属于手机信令数据行人交通轨迹预测领域，具体涉及一种基于深度学习的手机信令数据行人交通轨迹预测方法。
技术介绍
手机信令数据是专门控制电路的信号，它允许程控交换、网络数据库、网络中其它“智能”节点交换下列有关信息：呼叫建立、监控、拆除、分布式应用进程所需的信息(进程之间的询问/响应或用户到用户的数据)、网络管理信息。因此信令中包含通信的位置、时间、通信时长和通信方式等；其中通信位置的确定原理如下：用户通信是必须要经过手机所在小区的基站，然后与交换机联通达成通话或短信，这样通信运行商就会在服务器上记录该用户在此时，通过此小区的基站进行通信，这样就确定了手机用户在通信时的所在的小区；因为在城区，通信基站所覆盖的区域一般是半径为1-2公里的正六边形(甚至在人口密集区更小，基站覆盖半径变为0.5公里的正六边形)，所以确定了用户所在的小区，就可以大体确定了用户在通信时的大体位置。传统的信令数据挖掘方法不能准确的预测行人的交通行为，如下一时间段会去哪里，因为信令数据本身有一些特点，比如数据在时空领域的稀疏性，时间上的稀疏性，可能用户不活跃，很长时间都没有通话记录；空间上的稀疏性，对信令数据的定位是在有移动通信的小区，在有移动通信的城区小区，距离范围一般是在直径为1-2公里的正六边形内，在有移动通信的郊区小区，距离范围可能是在直径为4-5公里的正六边形内，所以很难判定其精确的位置。信令数据有自身的特点，即每个人的日常出行是符合一定规律的，而记录其时空位置的信令数据内在也是有逻辑联系的；比如，某人早高峰时段上午7-9点工作日一般是在去单位的路上，那么其信令数据就会反映出在这一时间段，在上班路径上的分布；还可能由于早高峰交通拥塞，在信令数据上反映出在特定小区内长期停留的特点；而工作日上班时间，其手机信令数据则反映出在单位内停留的特点；深夜12点到早晨6点，其信令数据反映出在居住地小区内停留的特点。这些逻辑联系，以前没有深入的挖掘过；因为所用的数据挖掘技术往往是传统的统计，或是一般的机器学习技术，如聚类中的K-means，或是简单的分类算法，如线性回归等。这些算法显然没有把信令数据时空关联背后的逻辑关系利用起来，所以也就很难找到出行人真正具有的交通中的规律性。
技术实现思路
针对现有技术中存在的上述技术问题，本专利技术提出了一种基于深度学习的手机信令数据行人交通轨迹预测方法，设计合理，克服了现有技术的不足，具有良好的效果。为了实现上述目的，本专利技术采用如下技术方案：一种基于深度学习的手机信令数据行人交通轨迹预测方法，采用深度学习技术对手机信令数据进行处理，将手机信令数据中的出行数据映射为伪语言数据，通过对下一个词语的预测实现对用户下一个地理位置的预测，具体包括如下步骤：步骤1：信令数据的输入；输入用户的信令数据对应的地理位置；步骤2：信令数据的整合；对用户的信令数据对应的地理位置进行整合，将相邻的位置整合为同一类；步骤3：信令数据的处理；利用深度学习循环神经网络，获取用户下一个地理位置的预测结果；步骤4：输出用户下一个地理位置的预测结果。优选地，所述的深度学习技术主要是采用基于RNN深度学习网络的技术，RNN深度学习网络能够对信令数据进行语义上、逻辑上的深度挖掘，并根据以前的语言和语义分析预测后面的语言内容。优选地，其特征在于，深度学习网络采用循环神经网络(RecurrentNeuralNetworks，RNNs)。优选地，其特征在于，所述循环神经网络(RecurrentNeuralNetworks，RNNs)使用长短时记忆模型(LongShort-TermMemory，LSTMs)模型。本专利技术所带来的有益技术效果：本专利申请首先创新的在理论上分析得到信令数据时空上的关联性，这种逻辑上的关联本质上是由出行者由于其出行行为上内在的逻辑决定的；同时在技术上首先将信令数据映射为模拟自然语言数据，并创造性的改造传统的RNN网络，使其能够高性能的处理信令数据变换得到的模拟自然语言数据，把对行人出行模式的模式识别和模式挖掘转变为对特定人自然语言中的语言模式的识别和挖掘；由于我们可以利用深度学习技术RNN学习行人以前的出行数据，并利用映射把出行数据映射为模拟自然语言数据，就是学习出行人的语言习惯，挖掘出其特定的语言模式；由于人类语言是基于实际场景逻辑的，所以很可能对同一个事物会有相近的几个词语的选择，而本专利创新性的利用这一自然语言的特性，将出行人地点周围的相邻小区合并成为区群，在地理位置上的相邻转化为自然语言上的相近，同时地理位置上的临近的小区也具有和逻辑相近词汇上一样的高可能性被行人选中作为目的地，这种区群的选择，又可以大大提高对出行模式挖掘的可靠性和真实性；所以可以利用RNN网络在自然语言预测上已经取得的优良的性能，高性能的挖掘出出行人的映射为语言模式的出行习惯；同时基于出行规律的理论基础，总结出其出行模式，得到了超出已有基于信令数据的行人行为模式挖掘，性能有了42％-49％的提高。附图说明图1为一种基于深度学习的手机信令数据行人交通轨迹预测方法的流程框图。具体实施方式下面结合附图以及具体实施方式对本专利技术作进一步详细说明：引入深度学习技术，对信令数据进行语义处理，词汇的堆砌不是语言，语言的发展必然带来了词语的前后联系和使用方式，使用时机等，这就是语义，因此我们的语言是有逻辑性的，是为了表述我们的行为或是叙述某件事情而组织起来的，具有天然的内在联系和逻辑上的合理结构；由于我们已知信令数据时空上的关联性是出行人出行规律的客观反映，或者说出行人的信令数据其内部是有一定的逻辑联系的。将信令数据当作语言，其中信令数据单一数据作为单词或字，相连的几组信令数据作为短语，一天的信令数据作为句子；利用RNN深度学习网络对这些信令数据组成的语句进行语义挖掘和预测，深度学习中的RNN网络可以对语言进行语义上、逻辑上的深度挖掘，并根据以前的语言和语义分析预测下面的语言内容，循环神经网络(RecurrentNeuralNetworks，RNNs)已经在众多自然语言处理(NaturalLanguageProcessing,NLP)中取得了巨大成功以及广泛应用。RNNs已经被在实践中证明对自然语言处理NLP是非常成功的。如词向量表达、语句合法性检查、词性标注等。在RNN中，目前使用最广泛最成功的模型便是LSTMs(LongShort-TermMemory，长短时记忆模型)模型。本专利首先创新性的在理论上分析得到信令数据时空上的关联性本质上是由出行者出行行为上内在的逻辑决定的，同时在技术上首先将信令数据映射为语言数据，并创造性的改造传统的RNN网络，使其能够高性能的处理信令数据变换得到的伪语言数据，把对行人下一步可能的轨迹的预测转变为对语言中下一个词语的预测，由于我们可以利用深度学习技术学习行人以前的出行数据，并利用映射把出行数据映射为伪语言数据，所以可以利用RNN网络在自然语言预测上已经取得的优良的性能，将语言中对下一个词语的预测自然的转化为对出行者下一个出行目的的预测，同时经过参数调整，得到了超出已有基于信令数据的行人行为模式挖掘和出行预测结果，性能有了42％-49％的提高。行人的出行的轨迹是在时本文档来自技高网...

【技术保护点】
一种基于深度学习的手机信令数据行人交通轨迹预测方法，其特征在于，采用深度学习技术对手机信令数据进行处理，将手机信令数据中的出行数据映射为伪语言数据，通过对下一个词语的预测实现对用户下一个地理位置的预测，具体包括如下步骤：步骤1：信令数据的输入；输入用户的信令数据对应的地理位置；步骤2：信令数据的整合；对用户的信令数据对应的地理位置进行整合，将相邻的位置整合为同一类；步骤3：信令数据的处理；利用循环神经网络进行深度学习，获取用户下一个地理位置的预测结果；步骤4：输出用户下一个地理位置的预测结果。

【技术特征摘要】
1.一种基于深度学习的手机信令数据行人交通轨迹预测方法，其特征在于，采用深度学习技术对手机信令数据进行处理，将手机信令数据中的出行数据映射为伪语言数据，通过对下一个词语的预测实现对用户下一个地理位置的预测，具体包括如下步骤：步骤1：信令数据的输入；输入用户的信令数据对应的地理位置；步骤2：信令数据的整合；对用户的信令数据对应的地理位置进行整合，将相邻的位置整合为同一类；步骤3：信令数据的处理；利用循环神经网络进行深度学习，获取用户下一个地理位置的预测结果；步骤4：输出用户下一个地理位置的预测结果。2...

【专利技术属性】
技术研发人员：徐文进，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：山东,37