基于半监督图嵌入框架的出行意图预测方法技术

本发明专利技术具体涉及基于半监督图嵌入框架的出行意图预测方法，包括：构建出行意图预测模型；训练出行意图预测模型时，出行意图预测模型首先对出行数据和POI签到数据进行聚合，刻画出语义增强的出行情境，包括起点和终点的POI情境以及时空情境；然后基于图注意力网络提取图结构的POI情境的隐空间特征，得到具备更高级别的POI活动语义的出行数据；最后在半监督框架中，对有标签的出行数据结合其时空情境进行预测，同时对有标签和无标签联合的出行数据进行特征重构，得到对应的预测结果和重构结果；分别计算对应的预测损失和重构损失，并联合训练出行意图预测模型；重复上述步骤，直至出行意图预测模型收敛。本发明专利技术能够提高预测模型训练的全面性和有效性。模型训练的全面性和有效性。模型训练的全面性和有效性。

【技术实现步骤摘要】
基于半监督图嵌入框架的出行意图预测方法


[0001]本专利技术涉互联网大数据
，具体涉及基于半监督图嵌入框架的出行意图预测方法。

技术介绍

[0002]用户的出行行为分析是智能出行和城市应用的基础，也是该领域中长期存在的课题，其包括交通、城市规划、疫情控制等等。近十年来，随着GPS轨迹数据的广泛使用，在揭示出行行为时空模式方面取得了很多成果，然而，对出行行为目的(即出行意图)的研究却相对较少。与明确地告诉用户何时何地移动的轨迹不同，出行意图是回答用户为何在城市出行的语义信息。
[0003]获取用户的出行意图信息将极大地促进以人为本的城市智能服务，如城市规划、个性化广告和推荐。近年来，出行意图被认为是出行行为分析的一个重要方面。例如，公开号为CN105512773A的中国专利公开了《一种用户出行意图预测方法》，其包括：从用户全景视图中读取用户出行行为记录；提取并计算所述用户出行行为记录的特征值；调用预测模型对所述特征值进行计算，得到用户出行意图的预测结果。
[0004]上述现有方案的用户出行目预测方法就是一种出行意图预测方法，其基于用户的乘机出行行为记录预测出用户每次出行的目的。但申请人发现，出行意图预测在实际应用时仍然面临以下挑战：1)用于描述多模态人类活动的有用信息非常有限，使得难以保证相关预测模型训练的全面性，导致出行意图预测的准确性不高。2)训练数据的标注工作(即调查)的成本非常高，并且质量不可控，使得在大多数情况下只有相当有限的标记出行数据可供预测模型的学习，难以保证预测模型训练的有效性，同样导致出行意图预测的准确性不高。因此，如何设计一种能够提高预测模型训练全面性和有效性的方法，以提高出行意图预测的准确性是亟需解决的技术问题。

技术实现思路

[0005]针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种基于半监督图嵌入框架的出行意图预测方法，以能够提高预测模型训练的全面性和有效性，从而能够提高出行意图预测的准确性。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]基于半监督图嵌入框架的出行意图预测方法，包括以下步骤：
[0008]S1：基于半监督神经网络和图注意力网络构建对应的出行意图预测模型；
[0009]S2：将有标签和无标签的出行数据以及POI签到数据输入出行意图预测模型中；
[0010]出行意图预测模型首先对出行数据和POI签到数据进行聚合，刻画出语义增强的出行情境，包括起点和终点的POI情境以及时空情境；然后基于图注意力网络提取图结构的POI情境的隐空间特征，得到具备更高级别的POI活动语义的出行数据；最后在半监督框架中，对有标签的出行数据结合其时空情境进行预测，同时对有标签和无标签联合的出行数
据进行特征重构，得到对应的预测结果和重构结果；
[0011]S3：分别基于预测结果和重构结果计算对应的预测损失和重构损失，通过预测损失和重构损失联合训练出行意图预测模型；
[0012]S4：重复执行步骤S2至步骤S3，直至出行意图预测模型收敛；
[0013]S5：通过训练后的出行意图预测模型完成出行意图的预测。
[0014]优选的，步骤S2中，时空情景C
st
(tr)＝[TYP(tr)，H(t
o
)，H(t
d
)，t
d
‑
t
o
，l
d
‑
l
o
]；
[0015]式中：C
st
(tr)表示时空情景；tr表示对应的出行数据，tr＝[(l
o
，t
o
)，(l
d
，t
d
)]，l
o
、l
d
表示起点和终点，t
o
、t
d
表示起点和终点的时间戳；TYP(tr)表示出行时间的类型；H(t)表示出行的持续时间；
[0016]POI情景包括静态特征和动态特征；
[0017]静态特征包括距离特征和唯一性特征；
[0018]距离特征
[0019]唯一性特征
[0020]式中：min(distance(POIs
k
，ld))表示POIs
k
和l
d
的最小距离；POIs
k
表示所有K个POI类别中的第k个POI类别；l
d
表示出行的终点；r表示设置的区域范围；
[0021]动态特征包括周期流行度；
[0022]周期流行度
[0023]式中：表示第k个POI类别POIs
k
在设置的时间段T内的总签到时间；对于出行的起点，T＝[t
o
‑
2，t
o
]；对于出行的终点，T＝[t
o
，t
o
+2]。
[0024]优选的，步骤S2中，通过如下步骤提取POI情境的隐空间特征：
[0025]S201：将起点的POI情景和终点的POI情景转换为具有相同结构的图结构G
o
和G
d
；
[0026]S202：通过图注意力网络捕获图结构G
o
和G
d
中每个POI类别的相邻活动特征，生成具有相邻活动特征的起点活动语义和终点活动语义即POI活动语义
[0027]优选的，步骤S202中，首先计算图结构G
o
和G
d
的中心节点u与相邻节点v∈N
u
之间的注意力系数α
uv
；
[0028][0029]式中：W∈R
F
′
*F
表示共享权重矩阵；W
uv
∈R
F
′
表示中心节点u对于特定邻居v的唯一权重矩阵；W1∈R
F
′
和W2∈R
|TYP|+|H|
表示不同邻居特征和时间特征的共享注意力权重矩阵；h
u
表示中心节点u的邻居特征；h
v
表示中心节点u的邻居节点v的特征；h
n
表示中心节点u的邻居结点n的特征；.
T
表示转置运算；R
F
′
和R
|TYP|+|H|
中，R表示实数，上标表示维度。
[0030]然后通过多头机制从多个角度提取节点相邻特征，进而将多头特征串联并转化为最终的相邻活动特征
[0031][0032]式中：M表示多头注意力的数量；和W
m
为第m次注意的注意力系数和线性变换权重矩阵；σ表示非线性函数；W
′
∈R
F
′
*MF
′
表示权重矩阵，用于将连接的特征变换本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于半监督图嵌入框架的出行意图预测方法，其特征在于，包括以下步骤：S1：基于半监督神经网络和图注意力网络构建对应的出行意图预测模型；S2：将有标签和无标签的出行数据以及POI签到数据输入出行意图预测模型中；出行意图预测模型首先对出行数据和POI签到数据进行聚合，刻画出语义增强的出行情境，包括起点和终点的POI情境以及时空情境；然后基于图注意力网络提取图结构的POI情境的隐空间特征，得到具备更高级别的POI活动语义的出行数据；最后在半监督框架中，对有标签的出行数据结合其时空情境进行预测，同时对有标签和无标签联合的出行数据进行特征重构，得到对应的预测结果和重构结果；S3：分别基于预测结果和重构结果计算对应的预测损失和重构损失，通过预测损失和重构损失联合训练出行意图预测模型；S4：重复执行步骤S2至步骤S3，直至出行意图预测模型收敛；S5：通过训练后的出行意图预测模型完成出行意图的预测。2.如权利要求1所述的基于半监督图嵌入框架的出行意图预测方法，其特征在于：步骤S2中，时空情景C
st
(tr)＝[TYP(tr),H(t
o
),H(t
d
),t
d
‑
t
o
,l
d
‑
l
o
]；式中：C
st
(tr)表示时空情景；tr表示对应的出行数据，tr＝[(l
o
,t
o
),(l
d
,t
d
)]，l
o
、l
d
表示起点和终点，t
o
、t
d
表示起点和终点的时间戳；TYP(tr)表示出行时间的类型；H(t)表示出行的持续时间；POI情景包括静态特征和动态特征；静态特征包括距离特征和唯一性特征；距离特征唯一性特征式中：min(distance(POIs
k
,l
d
))表示POIs
k
和l
d
的最小距离；POIs
k
表示所有K个POI类别中的第k个POI类别；l
d
表示出行的终点；r表示设置的区域范围；动态特征包括周期流行度；周期流行度式中：表示第k个POI类别POIs
k
在设置的时间段T内的总签到时间；对于出行的起点，T＝[t
o
‑
2,t
o
]；对于出行的终点，T＝[t
o
,t
o
+2]。3.如权利要求2所述的基于半监督图嵌入框架的出行意图预测方法，其特征在于：步骤S2中，通过如下步骤提取POI情境的隐空间特征：S201：将起点的POI情景和终点的POI情景转换为具有相同结构的图结构G
o
和G
d
；S202：通过图注意力网络捕获图结构G
o
和G
d
中每个POI类别的相邻活动特征，生成具有相邻活动特征的起点活动语义和终点活动语义即POI活动语义4.如权利要求3所述的基于半监督图嵌入框架的出行意图预测方法，其特征在于：步骤S202中，首先计算图结构G
o
和G
d
的中心节点u与相邻节点v∈N
u
之间的注意力系数α
uv
；
式中：W∈R
F
′
*F
表示共享权重矩阵；W
uv
∈R
F
′
表示中心节点u对于特定邻居v的唯一权重矩阵；W1∈R
F
′
和W2∈R
|TYP|+|H|
表示不同邻居特征和时间特征的共享注意力权重矩阵；h
u
表示中心节点u的邻居特征；h
v
表示中心节点u的邻居节点v的特征；h
n
表示中心节点u的邻居结点n的特征；.
T
表示转置运算；R
F
′
和R
|TYP|+|H|
中，R表示实数，上标表示维度。然后通过多头机制从多个角度提取节点相邻特征，进而将多头特征串联并转化为最终的相邻活动特征的相邻活动特征式中：M表示多头注意力的数量；和W
m
为第m次注意的注意力系数和线性变换权重矩阵；σ表示非线性函数；W
′
∈R
F
′
*MF
′
表示权重矩阵，用于将连接的特征变...

【专利技术属性】
技术研发人员：陈超，杨川，廖成武，古富强，李瑞远，蒲华燕，罗军，郭松涛，
申请(专利权)人：重庆大学，
类型：发明
国别省市：