【技术实现步骤摘要】
本专利技术涉及一种基于图神经网络与时空注意力机制的用户轨迹重建方法,属于深度学习领域以及轨迹数据挖掘领域。
技术介绍
1、人类的移动行为随着信息技术的发展而更易数字化,这对于理解和预测人类的流动性,以及提高用户日常生活质量有重要作用。基于位置的服务产生了大量的用户移动行为数据,这些数据在从个性化位置推荐到城市交通规划等领域有着广泛的应用价值。然而,移动数据往往存在数据质量问题,例如,位置信息缺失、不真实或稀疏等,这会影响下游应用的效果,增加了个体流动性预测和基于大数据的城市交通规划的难度。
2、用户轨迹重建是指利用已知的位置信息来估计用户在其他时间段下缺失的位置,从而构建用户的完整移动轨迹。这是轨迹数据挖掘领域的一个核心问题,也是许多下游任务的基础。目前,主流的轨迹重建方法可以分为以下几类:①基于插值的方法。这类方法将单个轨迹视为每个时间戳的二维时间序列,通过平滑滤波器或lstm等技术来插补缺失位置。这类方法在位置缺失比例较低时表现较好,但在高度稀疏的场景中,由于无法有效捕捉人类的流动模式,其性能会急剧下降。②基于行动预测的
...【技术保护点】
1.一种基于图神经网络与时空注意力机制的用户轨迹重建方法,其特征在于,该方法包括步骤如下:
2.根据权利要求1所述的方法,其特征在于,步骤一中,首先,基于用户历史签到数据集构建点位协同关联矩阵其中n表示点位集合L的大小,xij代表点位i和j同时出现在一条用户轨迹的次数,由于点位协同关联体现在不同点位间,矩阵对角线元素置为0,则生成协同关联概率矩阵的公式如下:
3.根据权利要求2所述的方法,其特征在于,步骤二中,在构建点位时空表示序列阶段,首先从全局轨迹流图Gco-visit中提取不依赖于用户特定转移模式的点位嵌入表示将用户身份信息编码为一个低维
...【技术特征摘要】
1.一种基于图神经网络与时空注意力机制的用户轨迹重建方法,其特征在于,该方法包括步骤如下:
2.根据权利要求1所述的方法,其特征在于,步骤一中,首先,基于用户历史签到数据集构建点位协同关联矩阵其中n表示点位集合l的大小,xij代表点位i和j同时出现在一条用户轨迹的次数,由于点位协同关联体现在不同点位间,矩阵对角线元素置为0,则生成协同关联概率矩阵的公式如下:
3.根据权利要求2所述的方法,...
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。