一种基于表征学习的用户生活模式识别方法技术

本发明专利技术的一种基于表征学习的用户生活模式识别方法包括：第一步，特征选取步骤；首先将从原始轨迹数据中提取签到兴趣点类别转移序列。其次，签到兴趣点类别转移序列进入预处理层，输出每个用户的生活模式初级表征。第二步，表征学习步骤；利用word2vec CBOW表征学习方法学习用户的向量表征，同时保留用户移动的语义和时间信息。第三步，模块识别步骤；通过经典的聚类方法对生活模式进行聚类。通过分析用户移动数据，从具有丰富语义的时空数据中识别基于语义的用户时空行为模式，理解支配用户移动时空行为的根本原因，即用户的生活模式。理解用户的生活模式有助于理解人们的社会经济状况，了解社会资本在城市中的分布。该模型可用于推断职住分布、职业情况等。职业情况等。

【技术实现步骤摘要】
一种基于表征学习的用户生活模式识别方法


[0001]本专利技术属于移动数据分析领域，通过分析用户位置数据，从具有丰富语义的时空数据中识别基于语义的用户时空行为模式，理解支配用户移动时空行为的根本原因，即用户的生活模式。具体涉及一种基于表征学习的用户生活模式识别方法。

技术介绍

[0002]用户语义空间中的时空行为单元为时间片+行为，例如早上九点在办公室办公、中午12点在快餐店用餐均属于单元。如果一群人，在一天中的不同时间段有相同的时空语义行为，则这群人具有相同的生活模式，他们在移动的目的/语义层级上具有相似性，这种时空模式，不受物理空间的制约，较通常研究中的轨迹模式，更加深刻地展现出用户的基本属性，如职业、经济状况等。研究一种有效快速的算法，能够无监督地通过具有兴趣点签到信息的用户移动数据，有效耦合时间信息与行为信息（签到兴趣点类别），聚类得到用户典型的语义空间时空行为模式，理解用户的生活模式，并通过识别得到的时空行为模式，不同模式在城市中的分布，从而对于城市的人口职业分布与经济发展状况做出更可靠、更具时效的评估。
[0003]然而，从用户移动数据中识别典型生活模式具有很大的挑战性。主要需要解决的技术问题有以下几个方面，第一，没有从变长的签到记录中获取用户行为特征的现成方法，第二，签到兴趣点类别精度的选取十分困难，低精度的类别无法很好地表征用户习惯，高精度的类别则数量巨大，且类别之间存在不同程度的相似性，如“中餐”与“快餐”的相关性要远大于“中餐”与“工厂”，第三，定义用户间生活模式行为的相似性十分困难，因为有语义和时间两个维度需要同时考虑。现有的距离函数无法有效同时衡量两个因素的作用。

技术实现思路

[0004]本专利技术的目的在于为解决以上上述存在的技术问题，提出基于表征学习的生活模式识别方法。首先，签到兴趣点类别转移序列由原始轨迹数据中提取。而后，为解决轨迹表征问题，签到兴趣点类别转移序列进入预处理层，输出每个用户的生活模式初级表征。之后，表征学习方法学习用户的向量表征，同时保留用户移动的语义和时间信息。最后，通过经典的聚类方法对生活模式进行聚类。
[0005]本专利技术的技术方案如下，第一步，特征选取步骤；首先将从原始轨迹数据中提取签到兴趣点类别转移序列。其次，签到兴趣点类别转移序列进入预处理层，输出每个用户的生活模式初级表征，第二步，表征学习步骤；利用word2vec CBOW表征学习方法学习用户的向量表征，同时保留用户移动的语义和时间信息，第三步，模块识别步骤；通过经典的聚类方法对生活模式进行聚类；优选的，特征选取
步骤包括以下步骤，S1：将轨迹中的GPS信息与行为信息分离，将行为信息和离散化的时间片作为表征学习的基本单元，所述的行为信息是兴趣点签到类别。S2：通过特征选取模块，获得每个用户具有代表性的周中与周末用户时空行为序列。而后，用户行为特征序列进入表征学习模块，该模块定义窗口宽度w，利用某一行为单元附近的状态学习行为单元的向量表征。
[0006]优选的，表征学习步骤包括以下步骤，S3：利用word2vec CBOW模型，首先随机初始化各单元向量的值，而后对某一基本单元窗口宽度内邻单元向量求和，并试图通过神经网络预测该行为单元。利用梯度下降法经过多轮训练后，神经网络可以较为准确地通过邻居向量重构目标单元，因此中间层权值即可作为状态的向量表征，该表征将基本状态的性质保留于隐空间中。S4：获得基本单元的向量表征后，类似word2vec中对于句子表征的处理，将每个用户的行为基本单元向量求均值，获得用户的语义时空行为表征。
[0007]优选的，模块识别步骤包括以下步骤，S5：对于各用户得到的语义时空行为向量进行聚类，由于隐空间为球面空间，可采用余弦距离作为距离度量，采取k-means，密度聚类等方法，发现特征向量聚类模式，并通过聚类中心向量返回用户行为习惯特征序列，获得典型的用户语义时空行为模式。S6:将数据中的位置信息加入分析，根据生活模式识别结果，可以研究属于不同生活模式的用户在城市中各个时间段的位置分布情况，了解各不同人群在城市中的通勤过程。S7：验证算法学习获得的表征向量可以度量不同类别POI在不同时间下的语义相似性，对一些特例进行分析，捕捉同一时间不同类别POI之间的相似性；衡量同类POI在不同时间的相似程度。S8：从整体上验证了表征向量对语义的捕捉。挑选POI种类，检测相似度，每一大类POI的向量表征取小类POI均值处理。S9：对获得的用户行为向量进行聚类，以获得城市中的典型生活模式；采取基于余弦距离的k-means算法，获得了13种周中生活模式。根据每一类的POI类别、以及每一类中心生活模式，确定此类生活模式的语义。
[0008]本专利技术的有益效果：为有效识别城市中基于语义的典型生活模式，提出基于深度表征学习的识别思路。本专利技术解决了语义时空模式识别中的两大挑战：1）基于语义时空行为中时间与行为的耦合：用户的生活习惯不仅与行为有关，也与用户从事该行为的时间有关。利用深度表征学习技术，通过网络自身训练学习，不需要领域知识，将传统方法很难合理融合的时间与行为融为一体；2）基于语义的时空行为表征与相似性度量：原始数据中各用户的时空数据序列长度不一；另外，行为的相似性利用传统方法难以定义，事实上，一些类别的访问行为相较另外的行为更为接近，直接利用签到兴趣点类别表征行为、基于传统统计方法选取特征，很难捕捉这种语义级别的相关性，会极大影响模式识别的准确性。利用深度表征学习技术，将时空行为投影至表征移动语义的隐空间，利用深度学习为生活习惯单元寻求数值向量表征，在隐空间中进行比较，可以从根本上解决表征与度量问题。
[0009]说明书附图图1为本专利技术的一种基于表征学习的用户生活模式识别方法的系统框架图；
具体实施方式
下面将结合本专利技术实施例中的附图，对本专利技术实施方式中的技术方案进行清楚、完整
的描述。
[0010] 如附图1所示，本专利技术的一种基于表征学习的用户生活模式识别方法包括：第一步，特征选取步骤；首先将从原始轨迹数据中提取签到兴趣点类别转移序列。其次，签到兴趣点类别转移序列进入预处理层，输出每个用户的生活模式初级表征。第二步，表征学习步骤；利用word2vec CBOW表征学习方法学习用户的向量表征，同时保留用户移动的语义和时间信息。第三步，模块识别步骤；通过经典的聚类方法对生活模式进行聚类。
[0011]其中，特征选取模块实现特征选取步骤，包括以下步骤，S1：将轨迹中的GPS信息与行为信息分离，将行为信息和离散化的时间片作为表征学习的基本单元，所述的行为信息是兴趣点签到类别。S2：通过特征选取模块，获得每个用户具有代表性的周中与周末用户时空行为序列。而后，用户行为特征序列进入表征学习模块，该模块定义窗口宽度w，利用某一行为单元附近的状态学习行为单元的向量表征。
[0012]表征学习模块实现表征学习步骤，包括以下步骤，S3：利用word2vec CBOW模型，首先随机初始化各单元向量的值，而后对某一基本单元窗口宽度内邻单元向量求和，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于表征学习的用户生活模式识别方法，其特征在于，包括以下步骤，第一步，特征选取步骤；首先将从原始轨迹数据中提取签到兴趣点类别转移序列；其次，签到兴趣点类别转移序列进入预处理层，输出每个用户的生活模式初级表征；第二步，表征学习步骤；利用word2vec CBOW表征学习方法学习用户的向量表征，同时保留用户移动的语义和时间信息；第三步，模块识别步骤；通过经典的聚类方法对生活模式进行聚类。2.根据权利要求1所述的一种基于表征学习的用户生活模式识别方法，其特征在于：所述的特征选取步骤包括以下步骤，S1：将轨迹中的GPS信息与行为信息分离，将行为信息和离散化的时间片作为表征学习的基本单元，所述的行为信息是兴趣点签到类别；S2：通过特征选取模块，获得每个用户具有代表性的周中与周末用户时空行为序列；而后，用户行为特征序列进入表征学习模块，该模块定义窗口宽度w，利用某一行为单元附近的状态学习行为单元的向量表征。3.根据权利要求1所述的一种基于表征学习的用户生活模式识别方法，其特征在于：所述的表征学习步骤包括以下步骤，S3：利用word2vec CBOW模型，首先随机初始化各单元向量的值，而后对某一基本单元窗口宽度内邻单元向量求和，并试图通过神经网络预测该行为单元；利用梯度下降法经过多轮训练后，神经网络可以较为准确地通过邻居向量重构目标单元，因此中间层权值即可作为状态的...

【专利技术属性】
技术研发人员：朱悦，戴吉秋，高兆庆，张宸瑞，路国平，
申请(专利权)人：北京智数时空科技有限公司，
类型：发明
国别省市：