System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及位置预测的,尤其是涉及一种基于历史数据的人员流动位置预测方法。
技术介绍
1、个人流动对我们的社会至关重要,也是理解许多显着社会挑战的重要组成部分,例如城市化、城市活动和流行病传播。人类流动性研究的核心是每天访问的地点,许多下游任务都需要正确预测个人将到达的下一个活动位置的能力,例如个性化推荐系统、流量优化、移动通信网络和可持续交通系统。因此,准确的位置预测对于移动应用是必不可少的。
2、尽管位置预测很重要,但它是一个具有挑战性的问题,目前尚未完全解决。人们普遍认为,在集体层面上,人类运动表现出明显的规则模式,可以用统计分布来描述。然而,专注于个人层面,流动性包含许多自发决策,并表现出影响预测性能的复杂模式。这个问题的另一个挑战在于流动性的高度上下文依赖性,以前的研究验证了上下文整合可以提高运动的可预测性,但是相关的上下文信息(例如时间、花费的持续时间和周围的城市功能)以多种格式表示。因此,总结流动性与环境之间的复杂和高维关系以及将背景纳入位置预测具有挑战性。
3、包含人类移动轨迹的数字数据集的出现和深度学习模型的发展为解决移动性预测问题提供了新的机会,与基于位置的社交网络应用程序生成的兴趣点签到序列相比,连续记录的gnss位置轨迹包含有关个人活动时间表和移动模式的完整信息,因此,这些数据集可以揭示位置访问序列中的复杂规律。
4、然而,目前在gnss跟踪数据集上进行下一个位置预测的主流方法只考虑了原始位置序列及其访问时间,而没有正确讨论可能影响性能的其他环境,缺乏对移动相关时空环
技术实现思路
1、根据现有技术存在的不足,本专利技术的目的是提供一种基于历史数据的人员流动位置预测方法,具有提高人员流动位置预测精准度的效果。
2、本专利技术的上述技术目的是通过以下技术方案得以实现的:
3、一种基于历史数据的人员流动位置预测方法,包括以下步骤:
4、1)、获取用户行为特征的历史数据以及用户的属性数据;
5、2)、对步骤1)中获取的数据进行预处理;
6、3)、构建位置预测模型,位置预测模型可对人员流动进行预测,且位置预测模型是基于多头自注意力机制所生成的神经网络模型;
7、4)、对位置预测模型进行评估。
8、本专利技术在一较佳示例中可以进一步配置为:所述步骤2)包括以下步骤:
9、21)、数据清洗,对步骤1)中获取的数据进行预过滤,去除观察时间较短或是明显存在异常的人员数据;
10、22)、对清洗后的数据进行特征提取,提取人员流动的关键特征字段;
11、23)、使用嵌入层来表示从分类类型到实值向量的特征。
12、本专利技术在一较佳示例中可以进一步配置为:所述步骤3)包括以下步骤:
13、31)、根据历史数据以及属性数据确定所述位置预测模型中自注意力层数;
14、32)、根据历史数据确定历史行为特征数据的位置编码;
15、33)、根据位置数据的维度确定所述位置预测模型中的前馈网络层;
16、34)、根据多个自注意力层、位置编码以及前馈网络层对初始模型进行训练,以生成所述位置预测模型。
17、本专利技术在一较佳示例中可以进一步配置为:所述步骤34)中的模型训练的具体方法为:
18、将原始数据拆分为非重叠的训练集、验证集和测试集,比例为6:2:2,用户前60%天内获取的数据位于训练集内,之后20%天内获取的数据位于验证集内,最后20%天内获取的数据位于测试集内;
19、根据多个自注意力层以及所述位置编码确定所述历史行为特征数据与所述历史目标事项之间的映射关系;
20、根据所述映射关系、目标事项以及预设的训练截止条件对所述初始模型进行训练,预测网络的参数拟合在训练集上。
21、本专利技术在一较佳示例中可以进一步配置为:所述映射关系确定多个自主力层中的键矩阵、值矩阵以及查询矩阵,根据所述键矩阵、值矩阵以及查询矩阵确定每个历史目标事项的权重,根据所述权重、所述目标事项以及所述训练截止条件对所述位置预测模型进行训练。
22、本专利技术在一较佳示例中可以进一步配置为:所述步骤4)包括构建评估模型,所述评估模型的构建方法为:
23、41)、构建样本数据u和样本输入数据v,所述u包括时间特征、活动特征、位置特征、运动特征和神经网络;所述样本数据u经模糊变换得到所述样本输入数据v,v=ω*u,其中ω为模糊量化的权重向量;
24、42)、基于所述样本数据u的实际位置数据,构建样本输出结果y;
25、43)、建立所述样本输入数据v与所述样本输出结果y之间神经网络映射关系;
26、44)、对所述评估模型的神经网络进行训练,将所述样本输入数据v作为所述评估模型的神经网络输入,所述样本输出结果y作为所述模型的神经网络输出,通过样本训练学习,确定所述模型的神经网络中的权值。
27、本专利技术在一较佳示例中可以进一步配置为:所述评估模型还包括模型修正,具体方法为:
28、将新采集到的用户数据u’经模糊转换为v’,输入到步骤43)训练后的评估模型中,输出结果y';
29、如果输出结果y'与实际位置数据不符,计算输出误差为输出结果y'与临床诊断结果的数值差值,将输出误差通过评估模型的神经网络的隐含层向输入层逐层反传,将输出误差分摊给模型的神经网络各层的所有单元。
30、本专利技术在一较佳示例中可以进一步配置为:所述步骤1)中用户的行为特征数据包括对于移动应用事项的点击、提交、搜索以及评论数据;用户的历史数据是指用户过去的行为特征数据;用户的属性数据是指用户画像特征以及用户自然属性特征,即为与一般人员有较大区别的数据。
31、综上所述,本专利技术包括以下至少一种有益技术效果:
32、本专利技术引入了基于多头自注意力神经网络的深度学习模型,从历史地点访问、访问时间和活动持续时间以及周边土地使用功能中学习地点转换模式,从而推断个人的下一个地点,大大提高了人员流动位置预测的准确性。
本文档来自技高网...【技术保护点】
1.一种基于历史数据的人员流动位置预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于历史数据的人员流动位置预测方法,其特征在于:所述步骤2)包括以下步骤:
3.根据权利要求2所述的一种基于历史数据的人员流动位置预测方法,其特征在于:所述步骤3)包括以下步骤:
4.根据权利要求3所述的一种基于历史数据的人员流动位置预测方法,其特征在于:所述步骤34)中的模型训练的具体方法为:
5.根据权利要求4所述的一种基于历史数据的人员流动位置预测方法,其特征在于:所述映射关系确定多个自主力层中的键矩阵、值矩阵以及查询矩阵,根据所述键矩阵、值矩阵以及查询矩阵确定每个历史目标事项的权重,根据所述权重、所述目标事项以及所述训练截止条件对所述位置预测模型进行训练。
6.根据权利要求1所述的一种基于历史数据的人员流动位置预测方法,其特征在于:所述步骤4)包括构建评估模型,所述评估模型的构建方法为:
7.根据权利要求6所述的一种基于历史数据的人员流动位置预测方法,其特征在于:所述评估模型还包括模型修正,具体方法为:
8.根据权利要求1所述的一种基于历史数据的人员流动位置预测方法,其特征在于:所述步骤1)中用户的行为特征数据包括对于移动应用事项的点击、提交、搜索以及评论数据;用户的历史数据是指用户过去的行为特征数据;用户的属性数据是指用户画像特征以及用户自然属性特征,即为与一般人员有较大区别的数据。
...【技术特征摘要】
1.一种基于历史数据的人员流动位置预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于历史数据的人员流动位置预测方法,其特征在于:所述步骤2)包括以下步骤:
3.根据权利要求2所述的一种基于历史数据的人员流动位置预测方法,其特征在于:所述步骤3)包括以下步骤:
4.根据权利要求3所述的一种基于历史数据的人员流动位置预测方法,其特征在于:所述步骤34)中的模型训练的具体方法为:
5.根据权利要求4所述的一种基于历史数据的人员流动位置预测方法,其特征在于:所述映射关系确定多个自主力层中的键矩阵、值矩阵以及查询矩阵,根据所述键矩阵、值矩阵以及查询矩阵确定每个历史目标事项的权重,根据...
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。