【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基于行动预测的方法。这类方法利用马尔可夫链或隐马尔可夫模型等技术来预测用户的下一个行动，从而生成缺失的位置。这类方法考虑了用户的历史行为，但忽略了用户的未来行为，当存在长时间段的位置缺失时，其准确性也会受到影响。③基于模型的方法。这类方法利用深度学习模型，如注意力机制和递归神经网络等，来学习用户的移动规律，并对不同位置之间的时空依赖性进行建模，从而生成缺失的位置。这类方法可以有效地挖掘复杂的人类移动模式，但也需
3、首先，常用轨迹重建数据集中的签到序列是用户自愿打卡的记录，可能非常稀疏，环境因素也会导致用户移动的周期性发生变化，对于大部分签到点较少的冷启动用户，仅依靠其自身的轨迹数据，难以捕捉完整的行为规律并完成轨迹重建。此外，图表示学习虽然能够整合各种点位间的信息，但如果在节点特征更新的过程中，忽略多样化点位间的时空关联语义，就会失去对节点间的复杂拓扑关系的捕捉。最后，人类流动性表现出复杂的位置转换模式，仅对连续位置间的移动模式进行建模的方法，会忽略轨迹内非连续点位间的信息相关性，而直接引入时序注意力机制又缺少对时空因素的考虑。综上，轨迹数据挖掘领域现有的用户轨迹重建方法仍有待进一步深入研究。
技术实现思路
1、在用户稀疏轨迹重建任务背景下，针对现有方法难以捕捉冷启动用户行为规律、点位间时空相关性没有被充分利用、难以支持稀疏轨迹的重建的问题，本专利技术要解决的技术问题为：1、如何利用轨迹数据中用户群体的共性特点，补充冷启动用户的行为规律；2、如何挖掘点位间复杂的拓扑关系，利用点位间的协同关联性，生成更鲁棒的点位表示；3、如何考虑轨迹点位间的周期性依赖关系，设计引入非连续、非邻接点位间的注意力机制，为缺失点位的补充提供时空特征支持。
2、本专利技术技术要解决的问题是：利用图神经网络构建全局位置关系，挖掘用户群体的共性行为；为了将位置之间的协同关系编码为特征向量，在位置表示阶段，提出了一种基于点位关联性的图注意力模块，增强了位置向量间的协作性；为了捕捉缺失点与其前后位置的时空语义信息，在轨迹内点位时空特征聚合阶段，强化了不同缺失位置对其前后时空信息的周期性依赖；在基于全局轨迹流图的轨迹恢复模块，结合群体的共性转移规律，实现了用户缺失位置的重建。
3、本专利技术采用的技术方案为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。首先，利用图神经网络和点位协同关联概率矩阵，学习不同点位间的相关性强度，增强点位向量间的协作性；其次，利用多头注意力机制和显式时空因素，融合缺失点前后的时空特征，强化缺失点的时空语义信息；最后，基于群体共性转移规律挖掘点位间的强相关性，保障缺失点预测结果的准确性，并提高对稀疏轨迹的重建效果。
4、该基于图神经网络与时空注意力机制的用户轨迹重建方法包括基于点位关联性的图注意力模块，点位时空特征聚合模块以及基于全局轨迹流图的轨迹恢复模块三个部分。
5、步骤一：基于点位关联性的图注意力模块
6、针对于将用户轨迹重建问题视为单纯的序列预测任务，会忽视点位之间的复杂拓扑结构的问题，本方法设计了基于点位关联性的图注意力模块，采用了一种基于图注意力网络和点位协同矩阵的点位嵌入方法，旨在利用点位间的协同关联性，生成更鲁棒的点位表示，构建全局轨迹流图。
7、用户签到数据中，通常包含记录编号、用户身份信息、地点经纬度、签到位置类别以及记录产生时间等字段。为了初始化点位表示向量，本模块使用经纬度的数值以及点位类别标签作为表示向量的前三个元素，采用基于三角函数的位置编码方式来生成表示向量的后续元素。基于上述点位初始化表示，使用图注意力网络来进一步捕获点位间的复杂拓扑关系，在可接受的计算复杂度下完成点位特征更新，并能够更好地建模地点表示间的相似性依赖。
8、本方法首先确保图注意力网络能够将每个点位的特征投影到一个更高的表示空间中。然后，基于多样化用户的签到数据挖掘不同点位在同一条轨迹中共同被访问的次数及频率，构建点位协同矩阵，在图注意力模块进行点位表示更新时，重新设计每一对邻居节点间的注意力评分机制，该评分同时考虑点位特征相似度与点位协同出现的概率，代表了不同点位间的相关性强度。最后，用基于点位协同的注意力评分对邻居节点的特征进行加权求和，得到新的点位特征表示，增强图注意力网络对地点间关联性的捕获，实现点位的嵌入表示。
9、步骤二：点位时空特征聚合模块
10、稀疏轨迹重建是一个难以解决的问题，因为它们只有有限的时空信息。为了补充不同时段下的缺失点，需要整合用户轨迹的时空特征。本方法的点位时空特征聚合模块的流程是，将轨迹内的点位序列映射为点位时空表示序列，然后根据缺失点的位置，调整其上下文时空信息的聚合，从而充分地描述缺失点前后的时空情况。
11、为了将输入的待补充稀疏轨迹映射为点位时空表示序列，本模块首先从全局轨迹流图中提取点位嵌入表示，这种向量表示反映的是用户群体的共性转移倾向，而不依赖于用户特定的转移模式；然后，为了增强用户轨迹重建与用户个人倾向的相关性，本模块将用户身份信息编码为一个低维向量；随后，为了捕获用户行为模式中的时间信息，本模块利用时间嵌入表示层将各签到点位的时间戳进行时段映射与嵌入表示；最后，通过点位嵌入表示与时间嵌入表示的融合、时空点位表示与用户身份向量的拼接，形成用户点位嵌入表示序列。
12、人类移动表现出复杂的转换模式，仅对连续位置间的移动模式进行建模，会忽略轨迹内非连续点位间的信息相关性。缺失点前后的点位不一定存在，且用户行为周期性往往体现在各种的非连续、非邻接点位间。针对该问题，点位时空特征聚合模块首先设计引入基于多头注意力机制，捕捉非连续点位间的时空相关性，将缺失点位前后位置的时空信息建模为特征向量。利用多头注意力机制使模型在不同位置上关注本文档来自技高网...
【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向量为捕获用户行为中的时间信息，利用时间嵌入表示层将各签到时间戳映射到以小时为单位的24个时段中，并对各时段进行如下嵌入表示：
4.根据权利要求3所述的方法，其特征在于，步骤三中，首先基于内积衡量用户u在缺失点时段t可能访问各点位的概率公式如下：
【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。