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】
本专利技术涉及移动用户轨迹预测,具体涉及一种基于图神经网络的移动用户位置预测方法。
技术介绍
1、随着物联网+人工智能技术的不断发展和普及,人们越来越多的使用移动智能终端设备满足自身的衣食住行需求。伴随着智能手机的广泛普及以及可穿戴设备的快速发展,基于位置的服务(lbs)成为生活中不可缺少的一部分。移动用户位置预测是lbs的重要组成部分,提出有效方法以分析和预测移动用户位置具有重要意义。
2、移动用户位置预测模型主要有基于各种移动模式的模型、马尔可夫链模型和深度学习模型。马尔可夫模型算法本身具有局限性,通常只依赖前一个状态信息,并不能记忆之前更多的历史状态。而且多阶马尔可夫模型随着转移概率矩阵规模的膨胀会导致计算空间的急剧增加。得益于人工智能的飞速发展,深度学习技术被广泛应用在机器翻译、语音识别、位置预测和推荐系统等领域。在神经网络模型中,循环神经网络rnn最适用于时序数据的预测,但rnn具有难以处理长期历史依赖关系的问题。
3、与传统的序列数据不同,gps轨迹数据具有时空特性,通常由一系列包含经度、维度和时间等信息的轨迹点构成,这些轨迹点采集时间间隔短,导致得到的轨迹点分布较为集中,局部变化不显著,且用户的移动规律和时空特性紧密相连。每天和每周的长期依赖性是个人移动规律的一个组成部分,用户行为在一个周期内是异质的,而在不同的周期中则是高度同质的。传统的移动用户位置预测,没有充分利用用户的移动行为规律和轨迹数据的时空特性,没有充分考虑用户的历史行为规律对用户下一个位置的影响。如何充分用户的移动规律利用时空
技术实现思路
1、本专利技术为解决上述问题,提出了一种基于图神经网络的移动用户位置预测方法。
2、本方法旨在捕捉用户的移动行为规律,刻画用户短期偏好和长期偏好之间的相关性,并结合两者实现移动用户位置预测。
3、为解决上述技术问题,本专利技术采用的技术方案是:
4、一种基于图神经网络的移动用户位置预测方法,包括以下步骤:
5、步骤s1:输入端中,针对目标区域内的移动用户,在各预设时间间隔采集用户轨迹数据,构建数据预处理模块,对用户轨迹数据进行预处理:
6、步骤s1中的预处理操作具体为:
7、步骤s101:删除用户轨迹数据中少于预设条数的用户,防止噪声数据和有用信息不足的数据干扰模型的训练;
8、步骤s102:对于每个用户,将时间阈值设置为n分钟,n为整数,预设用户每天的位置序列中包含m个重要位置,m=24×60÷n;
9、步骤s103:对于用户轨迹数据部分缺失的重要位置,使用-1表示缺失值,获取用户轨迹数据,用户i在t时刻的位置坐标为ki(t);
10、步骤s2:构建特征提取模块,将用户轨迹数据网格化,即将用户轨迹映射到网格编号集合,并在预设时间段内的各预设时间点提取重要位置序列。
11、步骤s201:采用geohash编码对用户轨迹数据ki(t)进行网格化,将用户轨迹数据ki(t)映射为网格编号gi(t),即使用geohash算法中的encode函数将该位置的经纬度坐标转换为对应的geohash值,然后使用geohash算法中的decode函数将该geohash值转换为对应的矩形坐标;最后,将矩形坐标映射到一个整数值,得到该位置所在的网格编号集合g i(t);
12、步骤s202:在预设时间段内的每个预设时间点提取出用户i当前所在的网格编号,然后将所有网格编号组成一个序列,作为用户i预设时间段内的重要位置序列l={gh1,gh2,....ght},t表示用户轨迹中重要位置的个数。
13、步骤s3:将重要位置序列转换为图结构,构建重要位置序列图;通过图神经网络对重要位置序列图进行嵌入,得到重要位置序列图的向量表示,获得重要位置特征序列:
14、步骤s301:将用户i的重要位置序列l建模为一个有向图,获得构建重要位置序列图gi=(ghi,ei),其中,ei表示由用户先后访问位置组成的边的集合;
15、步骤s302:利用门控图神经网络ggnn学习位置序列图中重要位置的向量表示,得到重要位置特征序列[c1,c2,....,ct]。
16、步骤s4:构建将重要位置特征序列分段,得到预设数量个子序列,利用双向长短期记忆网络bi-lstm模型对每个子序列进行特征提取,获得重要位置特征向量:
17、步骤s401:按照时间顺序,以预设时间单位将重要位置序列l划分为多个子序列q,得到由子序列q组成的重要位置子序列lm={q1,q2,…,qn-1,qn},将子序列qn定义为其中,n表示用户轨迹的天数,m表示用户的子序列中重要位置的个数,由步骤s102中的m得到,代表用户第n天访问的第m个位置的向量表示;
18、步骤s402:将重要位置子序列lm作为bi-lstm模型的输入;
19、步骤s403:采用bi-lstm的隐藏状态ht表示子序列的特征。
20、步骤s403包括如下计算方法:
21、it=σ(wcict+whiht-1+wc′ict-1+bi)
22、ft=σ(wcfct+whfht-1+wc′fct-1+bf)
23、ct=ftct-1+ittanh(wccct+whcht-1+bc)
24、ot=σ(wcoct+whoht-1+wcoct+bo)
25、ht=ottanh(ct)
26、其中,it、ft、ct和ot分别代表输入门、遗忘门、控制单元和输出门,ht-1表示上一时刻隐含层的输出值,ht为表示当前时刻隐含层的输出值,ct为t时刻的输入特征;ct表示当前时刻更新之后的细胞单元状态值,将遗忘门的值ft与存储历史位置信息的旧细胞状态ct-1相乘,遗忘部分信息,然后将输入门it与候选向量相乘,存储当前时刻的部分信息,将二者相加,确定新的细胞单元状态值;σ(•)为非线性激活函数sigmoid,wci、whi、wc′i、wcf、whf、wc′f、wcc、whc、wco、who和wco均为权值矩阵,bi、bf、bc、bo为对应的偏置向量,均需通过模型训练获得最优值;
27、bi-lstm的隐藏状态ht表示子序列的特征,获得重要位置特征向量ht:
28、
29、其中,表示t时刻的正向隐藏层状态,表示t时刻的反向隐藏层状态。
30、步骤s5:构建特征融合模块,利用重要位置特征向量表示用户的短期行为偏好和长期行为偏好,并将短期行为偏好和长期行为偏好自适应融合,得到用户个性化的偏好:
31、步骤s501:将各子序列分别对应的嵌入向量,将用户的短期偏好定义为:
32、ps=hn
33、其中,hn表示最后一个子序列的隐藏状态;
34、步骤s502:将用户的长期偏好pl定义为:
本文档来自技高网...【技术保护点】
1.一种基于图神经网络的移动用户位置预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于图神经网络的移动用户位置预测方法,其特征在于,所述步骤s1中的预处理操作具体为:
3.根据权利要求1所述的基于图神经网络的移动用户位置预测方法,其特征在于,所述步骤s2具体为:
4.根据权利要求1所述的基于图神经网络的移动用户位置预测方法,其特征在于,所述步骤s3具体为:
5.根据权利要求1所述的基于图神经网络的移动用户位置预测方法,其特征在于,所述步骤s4具体为:
6.根据权利要求5所述的基于图神经网络的移动用户位置预测方法,其特征在于,基于Bi-LSTM模型包括输入门、遗忘门、控制单元和输出门,所述步骤s403包括如下计算方法:
7.根据权利要求1所述的基于图神经网络的移动用户位置预测方法,其特征在于,所述步骤s5具体为:
8.根据权利要求1所述的基于图神经网络的移动用户位置预测方法,其特征在于,所述步骤s6具体为:
【技术特征摘要】
1.一种基于图神经网络的移动用户位置预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于图神经网络的移动用户位置预测方法,其特征在于,所述步骤s1中的预处理操作具体为:
3.根据权利要求1所述的基于图神经网络的移动用户位置预测方法,其特征在于,所述步骤s2具体为:
4.根据权利要求1所述的基于图神经网络的移动用户位置预测方法,其特征在于,所述步骤s3具体为:
5.根据权利要求1所述的基于图神经...
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。