一种基于多关系融合分析的用户轨迹预测方法和系统技术方案

本发明专利技术涉及一种基于多关系融合分析的用户轨迹预测方法和系统。该方法根据用户的历史轨迹相似关系和位置邻近关系，构建轨迹关系图，然后基于轨迹关系图中用户间的关系，利用融入注意力机制的轨迹预测模型对目标用户的未来轨迹进行预测。本发明专利技术充分考虑了用户出行具有的时间规律性特征，并充分挖掘了人群中的社会行为信息，预测精度具有明显的提高；本发明专利技术使用融入注意力机制的轨迹关系图来计算影响力大小，融入了不同用户对轨迹影响的差异，更加符合实际情况；本发明专利技术不仅利用了位置相邻的行人的轨迹行为信息，也考虑了历史轨迹相似用户的轨迹情况，将两种影响人群结合在一起构建轨迹关系图，解决了怎样对多种类型信息进行建模的问题。建模的问题。建模的问题。

【技术实现步骤摘要】
一种基于多关系融合分析的用户轨迹预测方法和系统


[0001]本专利技术涉及计算机数据挖掘分析
，尤其涉及流数据挖掘
，具体是指一种基于多关系融合分析的轨迹预测方法和系统。

技术介绍

[0002]人类的运动轨迹预测课题，由于其复杂性，近年来一直是国内外学者研究的热点问题。随着人工智能技术的兴起和普及，智能安全系统、自动驾驶汽车、机器人导航系统等智能应用逐渐走入大众视野。如果可以了解和预测复杂现实场景中的人群轨迹，实时动态地预测各个个体的未来位置，可以使智能应用针对实时位置提升上述智能应用的服务精准性、可用性，对智能应用的发展具有重要的意义。
[0003]现有的轨迹预测方法大多仅依赖用户的历史轨迹数据来预测，大体可分为基于传统数据挖掘的预测方法和基于深度学习的预测方法两类。
[0004]基于传统数据挖掘的预测方法，大多基于受限路网，需先将一个固定且较大的位置区划分为多个小区域。对于用户处于每个子区域的可能性，该方法把每种可能性建模为单独的状态，将位置预测问题抽象成状态转移和状态选择的问题。在该研究中，根据相互作用关系建模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多关系融合分析的用户轨迹预测方法，其特征在于，包括以下步骤：根据用户的历史轨迹相似关系和位置邻近关系，构建轨迹关系图；基于轨迹关系图中用户间的关系，利用融入注意力机制的轨迹预测模型对目标用户的未来轨迹进行预测。2.根据权利要求1所述的方法，其特征在于，所述根据用户的历史轨迹相似关系和位置邻近关系，构建轨迹关系图，包括：用户集合中每一个元素均被看作图中的一个顶点，如果某两个顶点所代表的用户被判定为历史轨迹相似关系，则在代表两用户的顶点之间添加一条边；对于当前时刻，如果时间片中某两个顶点代表的用户在当前时刻地理位置相邻，则在代表两用户的顶点之间添加一条边。3.根据权利要求1所述的方法，其特征在于，采用以下步骤进行历史轨迹相似用户筛选，以获取所述历史轨迹相似关系：对所有用户截取部分历史轨迹进行编码，作为用户初始编码；使用用户初始编码对用户进行聚类，并计算用户间初始编码相似度，根据相似度获得历史轨迹相似人群。4.根据权利要求3所述的方法，其特征在于，所述对所有用户截取部分历史轨迹进行编码，作为用户初始编码，包括：确定一个固定长度作为历史轨迹编码时所使用的历史轨迹长度，设置一个长度为该固定长度的LSTM网络，并在数据集中随机抽取多段该长度的轨迹段，使用这些轨迹段对LSTM进行训练；对每个用户，取前相等长度的时间片的轨迹数据作为用户的初始编码轨迹段，并将初始编码轨迹段输入训练完成的LSTM序列中，将轨迹点按顺序依次输入，其中每个LSTM单元的输出监督数据为下一个轨迹点的向量；用户的初始编码即为用户的初始编码轨迹段输入LSTM序列后，最后一个单元输出的隐状态。5.根据权利要求3所述的方法，其特征在于，所述使用用户初始编码对用户进行聚类，并计算用户间初始编码相似度，根据相似度获得历史轨迹相似人群，包括：在初始时刻采用获取的初始编码作为判断用户间历史轨迹相似度的依据，采用余弦相似度计算两两用户编码的相似度，作为用户对历史轨迹的相似度；对于获取的历史轨迹相似度，取一个阈值，当某对用户相似度大于阈值时，认为该对用户互为历史轨迹相似的用户；在实际预测过程中选择合适的时间间隔，每隔一段时间对历史轨迹相似情况进行一次更新。6.根据权利要求1所述的方法，其特征在于，所述基于轨迹关系图中用户间的关系，利用融入注意力机制的轨迹预测模型对目标用户的未来轨迹进行预测，包括轨迹独立序列预测和关系融合预测：在轨迹独立...

【专利技术属性】
技术研发人员：井雅琪，佟玲玲，方芳，段东圣，任博雅，段运强，时磊，曹亚男，尚燕敏，
申请(专利权)人：中国科学院信息工程研究所，
类型：发明
国别省市：