本公开提供了一种用户轨迹追踪预测方法、装置、电子设备及存储介质，涉及物联网技术领域。其中，方法包括：获取目标区域空间内用户通过RFID标签上报的行为监测数据，行为监测数据包含第一时刻之前的多个时刻信息，以及对应第一时刻之前用户的位置信息；将行为监测数据作为块数据存储至区块链网络；将区块链网络中的行为监测数据输入至已训练好的轨迹预测模型中，输出得到目标区域空间内用户在第二时刻下的预测位置信息，已训练好的轨迹预测模型为基于图神经网络的位置预测模型，第二时刻为第一时刻的下一个邻近时刻。本公开利用RFID电子标签获取精度较高的行为监测数据，再基于图神经网络和时间点过程，有效提高了用户轨迹预测的精确度。精确度。精确度。
【技术实现步骤摘要】
用户轨迹追踪预测方法、装置、电子设备及存储介质
[0001]本公开涉及物联网
，尤其涉及一种用户轨迹追踪预测方法、装置、电子设备及存储介质。
技术介绍
[0002]目前，移动便携设备的广泛普及、无线通信技术和全球定位技术的飞速发展，使得人们已经能够以相对低廉的代价获得大量用户实时的位置数据，各种基于位置的信息服务也越来越受到从业者的关注，用户轨迹预测技术也成为其中最受关注的热点问题之一。
[0003]现有技术中，在对有限空间内的用户进行轨迹预测的场景下，通常需要从有限空间内的监控摄像中对用户的行为进行分析和预判，但有限空间内的监控可能存在死角，且监控的识别效果与环境的复杂程度成反比，因而，现有对用户的轨迹预测方式受到环境的影响，轨迹预测结果的准确度往往不能满足实际需求。
[0004]基于此，如何提高用户轨迹预测的准确度成为了亟需解决的技术问题。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
[0006]本公开提供一种用户轨迹追踪预测方法、装置、电子设备及存储介质，至少在一定程度上克服相关技术中用户轨迹预测准确度较低的问题。
[0007]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0008]根据本公开的一个方面，提供一种用户轨迹追踪预测，包括：获取目标区域空间内多个用户通过RFID(Radio Frequency Identification，电子标签系统)标签上报的行为监测数据，其中，所述行为监测数据包含第一时刻之前的多个时刻信息，以及对应第一时刻之前用户的位置信息；将所述行为监测数据作为块数据存储至区块链网络；将所述区块链网络中的行为监测数据输入至已训练好的轨迹预测模型中，输出得到目标区域空间内用户在第二时刻下的预测位置信息，其中，所述已训练好的轨迹预测模型为基于图神经网络的位置预测模型，所述第二时刻为所述第一时刻的下一个邻近时刻。
[0009]在本公开的一个实施例中，通过以下步骤训练得到所述已训练好的轨迹预测模型，包括：获取第三时刻之前多个用户的行为监测数据样本；对所述行为监测数据样本进行轨迹分析，得到轨迹分析结果，其中，所述轨迹分析结果为多个用户在第三时刻之后的多个时刻的位置信息；基于所述轨迹分析结果训练所述轨迹预测模型，得到所述已训练好的轨迹预测模型。
[0010]在本公开的一个实施例中，所述轨迹分析结果中包含多个轨迹序列，其中，所述轨迹序列中的元素为由时间戳和位置坐标构成的二元组。
[0011]在本公开的一个实施例中，所述轨迹预测模型包含访问地点序列模型和访问时间
序列模型；基于所述轨迹分析结果训练所述轨迹预测模型，得到所述已训练好的轨迹预测模型，包括：将所述轨迹序列拆分为访问地点序列和访问时间序列；利用多个所述访问地点序列，训练所述访问地点序列模型，得到已训练好的访问地点序列模型，其中，所述访问地点序列模型采用双向循环神经网络且包含前向LSTM(Long Short
‑
Term Memory Network，长短期记忆网络)网络和后向LSTM网络；利用所述访问时间序列，训练所述访问时间序列模型，得到已训练好的访问时间序列模型，其中，所述访问时间序列模型采用双向循环神经网络且包含前向LSTM网络和后向LSTM网络；得到所述已训练好的轨迹预测模型，其中，所述已训练好的轨迹预测模型包含已训练好的访问地点序列模型和已训练好的访问时间序列模型。
[0012]在本公开的一个实施例中，所述行为监测数据样本中包含多个用户的训练轨迹集合、用户集合以及地点集合。
[0013]在本公开的一个实施例中，通过以下步骤更新所述轨迹预测模型中的模型参数，包括：随机初始化所述轨迹预测模型的模型参数；从所述训练轨迹集合中提取与所述用户集合对应的目标轨迹集合；基于所述目标轨迹集合，计算目标优化函数值；基于梯度下降算法优化所述目标优化函数值，得到优化后的目标优化函数值；基于所述优化后的目标优化函数值，更新所述轨迹预测模型中的模型参数。
[0014]在本公开的一个实施例中，所述方法还包括：根据所述预测位置信息，生成提示消息；将所述提示消息发送至终端设备。
[0015]根据本公开的另一个方面，提供一种用户轨迹追踪预测装置，包括：行为监测数据获取模块，用于获取目标区域空间内用户通过RFID标签上报的行为监测数据，其中，所述行为监测数据包含第一时刻之前的多个时刻信息，以及对应第一时刻之前用户的位置信息；行为监测数据存储模块，用于将所述行为监测数据作为块数据存储至区块链网络；预测位置信息输出模块，用于将所述区块链网络中的行为监测数据输入至已训练好的轨迹预测模型中，输出得到目标区域空间内用户在第二时刻下的预测位置信息，其中，所述已训练好的轨迹预测模型为基于图神经网络的位置预测模型，所述第二时刻为所述第一时刻的下一个邻近时刻。
[0016]在本公开的一个实施例中，上述装置还包括模型训练模块，该模型训练模块，用于通过以下步骤训练得到所述已训练好的轨迹预测模型，包括：获取第三时刻之前多个用户的行为监测数据样本；对所述行为监测数据样本进行轨迹分析，得到轨迹分析结果，其中，所述轨迹分析结果为多个用户在第三时刻之后的多个时刻的位置信息；基于所述轨迹分析结果训练所述轨迹预测模型，得到所述已训练好的轨迹预测模型。
[0017]在本公开的一个实施例中，所述轨迹分析结果中包含多个轨迹序列，其中，所述轨迹序列中的元素为由时间戳和位置坐标构成的二元组。
[0018]在本公开的一个实施例中，所述轨迹预测模型包含访问地点序列模型和访问时间序列模型；上述模型训练模块，还用于将所述轨迹序列拆分为访问地点序列和访问时间序列；利用多个所述访问地点序列，训练所述访问地点序列模型，得到已训练好的访问地点序列模型，其中，所述访问地点序列模型采用双向循环神经网络且包含前向长短期记忆网络LSTM网络和后向LSTM网络；利用所述访问时间序列，训练所述访问时间序列模型，得到已训练好的访问时间序列模型，其中，所述访问时间序列模型采用双向循环神经网络且包含前
向LSTM网络和后向LSTM网络；得到所述已训练好的轨迹预测模型，其中，所述已训练好的轨迹预测模型包含已训练好的访问地点序列模型和已训练好的访问时间序列模型。
[0019]在本公开的一个实施例中，所述行为监测数据样本中包含多个用户的训练轨迹集合、用户集合以及地点集合。
[0020]在本公开的一个实施例中，上述装置还包括模型参数更新模块，该模型参数更新模块，用于通过以下步骤更新所述轨迹预测模型中的模型参数，包括：随机初始化所述轨迹预测模型的模型参数；从所述训练轨迹集合中提取与所述用户集合对应的目标轨迹集合；基于所述目标轨迹集合，计算目标优化函数值；基于梯度下降算法优化所述目标优化函数值，得到优化后的目标优化函数值；基于所述优化后的目标优化函本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用户轨迹追踪预测方法，其特征在于，包括：获取目标区域空间内用户通过RFID标签上报的行为监测数据，其中，所述行为监测数据包含第一时刻之前的多个时刻信息，以及对应第一时刻之前用户的位置信息；将所述行为监测数据作为块数据存储至区块链网络；将所述区块链网络中的行为监测数据输入至已训练好的轨迹预测模型中，输出得到目标区域空间内用户在第二时刻下的预测位置信息，其中，所述已训练好的轨迹预测模型为基于图神经网络的位置预测模型，所述第二时刻为所述第一时刻的下一个邻近时刻。2.根据权利要求1所述的用户轨迹追踪预测方法，其特征在于，通过以下步骤训练得到所述已训练好的轨迹预测模型，包括：获取第三时刻之前多个用户的行为监测数据样本；对所述行为监测数据样本进行轨迹分析，得到轨迹分析结果，其中，所述轨迹分析结果为多个用户在第三时刻之后的多个时刻的位置信息；基于所述轨迹分析结果训练所述轨迹预测模型，得到所述已训练好的轨迹预测模型。3.根据权利要求2所述的用户轨迹追踪预测方法，其特征在于，所述轨迹分析结果中包含多个轨迹序列，其中，所述轨迹序列中的元素为由时间戳和位置坐标构成的二元组。4.根据权利要求1所述的用户轨迹追踪预测方法，其特征在于，所述轨迹预测模型包含访问地点序列模型和访问时间序列模型；基于所述轨迹分析结果训练所述轨迹预测模型，得到所述已训练好的轨迹预测模型，包括：将所述轨迹序列拆分为访问地点序列和访问时间序列；利用多个所述访问地点序列，训练所述访问地点序列模型，得到已训练好的访问地点序列模型，其中，所述访问地点序列模型采用双向循环神经网络且包含前向长短期记忆网络LSTM网络和后向LSTM网络；利用所述访问时间序列，训练所述访问时间序列模型，得到已训练好的访问时间序列模型，其中，所述访问时间序列模型采用双向循环神经网络且包含前向LSTM网络和后向LSTM网络；得到所述已训练好的轨迹预测模型，其中，所述已训练好的轨迹预...
【专利技术属性】
技术研发人员：刘希，李红平，付宗波，蒋绍杰，曾哲君，李洋洋，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。