CN104680250A - 一种位置预测系统 - Google Patents

Abstract

本发明公开一种位置预测系统，所述系统包括：输入模块，用于在接收到用户的签到数据和/或位置预测请求之后，将所述签到数据和/或位置预测请求发送到位置预测模块；位置预测模块，用于根据所述签到数据和/或位置预测请求，以及预设的位置预测模型，对用户进行位置预测并将位置预测结果发送到输出模块；输出模块，用于显示所述位置预测结果。本发明的位置预测系统通过将用户的签到数据集合分为两部分：受社交关系影响的签到数据集合和不受社交关系影响的签到数据集合，分别在两个不同的签到数据集合中预测用户在某个时刻某个地点进行签到的概率，然后再将两部分概率进行融合，位置预测准确率较高。

Description

一种位置预测系统

技术领域

本发明涉及计算机网络技术领域，具体涉及一种位置预测系统。

背景技术

基于地理位置的社交网络(Location-based Social Network，LBSN)是社会网络的一种，除了社会网络中人与人的联系外，还可以跟踪和共享人的位置信息。用户通过手机等移动设备上安装的基于地理位置的社交网络应用程序可以进行签到，签到数据为四元组：{用户名，位置，时刻，内容}，签到数据表明用户在某个时刻某个位置进行过签到，内容表示用户签到时附加的图片或者文字评论信息。

基于用户的签到数据来预测用户的下一个移动位置是研究热点，现有技术主要采用用户与朋友签到位置的相似性进行社交关系建模并根据社交关系模型预测用户的移动位置。

现有技术建立的社交关系模型仅考虑了签到数据中的位置及时刻，没有充分研究社交关系对用户移动行为的影响，因此位置预测准确率较低。

发明内容

本发明所要解决的技术问题是现有技术建立的社交关系模型仅考虑了签到数据中的位置及时刻，没有充分研究社交因素对用户移动行为的影响，因此位置预测准确率较低的问题。

为此目的，本发明提出一种位置预测系统，所述系统包括：

输入模块，用于在接收到用户的签到数据和/或位置预测请求之后，将所述签到数据和/或位置预测请求发送到位置预测模块；

位置预测模块，用于根据所述签到数据和/或位置预测请求，以及预设的位置预测模型，对用户进行位置预测并将位置预测结果发送到输出模块；

输出模块，用于显示所述位置预测结果。

可选的，所述位置预测请求为用户指定时刻点的位置预测请求，所述位置预测结果为用户下一次签到的位置预测和/或用户指定时刻点的位置预测。

可选的，所述系统还包括：

存储模块，用于存储所述签到数据以及存储用户的社交关系影响因子；

相应地，所述输入模块还用于在接收到用户的签到数据之后，将所述签到数据发送到所述存储模块。

可选的，所述输入模块在接收到用户的签到数据之后，将所述签到数据以预设格式发送到所述存储模块。

可选的，所述系统还包括：

用户行为提取模块，用于从所述存储模块中提取用户的历史签到数据集合以及用户的社交关系影响因子，并将所述历史签到数据集合以及所述社交关系影响因子发送到所述位置预测模块。

可选的，所述系统还包括：朋友行为提取模块，用于从所述存储模块中提取与用户对应的预设朋友集合中每个朋友的历史签到数据集合，并发送到所述位置预测模块。

可选的，在所述位置预测模块中，所述位置预测模型为：

$\begin{array}{c}{P}_{u,t}^l=P\left(l\right|t,H_{u,t},{\mathrm{FH}}_{u,t})\\ =\frac{\left|H_{u,t}^{\′}\right|}{\left|H_{u,t}\right|}\×\frac{{\mathrm{\Σ}}_{v\∈F\left(u\right)}{\mathrm{\γ}}_{v,t}\·P\left(l\right|t,H_{v,t})}{{\mathrm{\Σ}}_{v\∈F\left(u\right)}{\mathrm{\γ}}_{v,t}}+\frac{\left|H_{u,t}^{\″}\right|}{\left|H_{u,t}\right|}\×P\left(l\right|t,H_{u,t}^{\″});\end{array}$

其中，为用户u在时刻t时在位置l处的签到概率，所述位置l属于预设的位置集合，H_u,t为用户u在时刻t的历史签到数据集合，FH_u,t为用户u的朋友在时刻t的历史签到数据集合；所述H_u,t由H′_u,t和H″_u,t组成，所述H′_u,t为用户u在时刻t的受社交关系影响的历史签到数据集合，所述H″_u,t为用户u在时刻t的不受社交关系影响的历史签到数据集合，F(u)为用户u的朋友集合，v为用户u的朋友v，H_v,t为用户u的朋友v在时刻t的历史签到数据集合，γ_v,t为朋友v在时刻t对用户u的社交关系影响因子；绝对值符号表示求集合中元素的个数。

可选的，所述γ_v,t通过下式获得：

γ_v,t＝α_v,n·tⁿ+α_v,n-1·t^n-1+……+α_v,0·t⁰；

其中，n、α_v,n、α_v,n-1、……以及α_v,0由最小二乘法曲线拟合得到，所述最小二乘法曲线拟合的数据为：

用户u与朋友v在相同时刻的签到数据中位置相同的签到数据的个数与用户u签到数据的个数的比值。

可选的，所述P(l|t,H″_u,t)和P(l|t,H_v,t)通过一阶马尔科夫模型、MFC模型或MFT模型获得。

相比于现有技术，本发明的位置预测系统通过将用户的签到数据集合分为两部分：受社交关系影响的签到数据集合和不受社交关系影响的签到数据集合，分别在两个不同的签到数据集合中预测用户在某个时刻某个地点进行签到的概率，然后再将两部分概率进行融合，位置预测准确率较高。

附图说明

图1示出了一种位置预测系统结构图；

图2示出了一种位置预测系统结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本实施例公开一种位置预测系统，所述系统可包括以下模块：

输入模块，用于在接收到用户的签到数据和/或位置预测请求之后，将签到数据和/或位置预测请求发送到位置预测模块；

位置预测模块，用于根据签到数据和/或位置预测请求，以及预设的位置预测模型，对用户进行位置预测并将位置预测结果发送到输出模块；

输出模块，用于显示位置预测结果。

在位置预测模块中，位置预测模型为：

$\begin{array}{c}{P}_{u,t}^l=P\left(l\right|t,H_{u,t},{\mathrm{FH}}_{u,t})\\ =\frac{\left|H_{u,t}^{\′}\right|}{\left|H_{u,t}\right|}\×\frac{{\mathrm{\Σ}}_{v\∈F\left(u\right)}{\mathrm{\γ}}_{v,t}\·P\left(l\right|t,H_{v,t})}{{\mathrm{\Σ}}_{v\∈F\left(u\right)}{\mathrm{\γ}}_{v,t}}+\frac{\left|H_{u,t}^{\″}\right|}{\left|H_{u,t}\right|}\×P\left(l\right|t,H_{u,t}^{\″});\end{array}$

其中，为用户u在时刻t时在位置l处的签到概率，位置l属于预设的位置集合，H_u,t为用户u在时刻t的历史签到数据集合，FH_u,t为用户u的朋友在时刻t的历史签到数据集合；H_u,t由H′_u,t和H″_u,t组成，H′_u,t为用户u在时刻t的受社交关系影响的历史签到数据集合，即用户u在时刻t在预设的位置集合中的任一位置进行签到且用户u的朋友在时刻t之前在相同位置已签到，用户u的该位置的签到数据为用户u受社交关系影响的签到数据，H″_u,t为用户u在时刻t的不受社交关系影响的历史签到数据集合，即除受社交关系影响的签到记录以外的签到数据集合，F(u)为用户u的朋友集合，v为用户u的朋友v，H_v,t为用户u的朋友v在时刻t的历史签到数据集合，γ_v,t为朋友v在时刻t对用户u的社交关系影响因子；绝对值符号表示求集合中元素的个数。

γ_v,t通过下式获得：

γ_v,t＝α_v,n·tⁿ+α_v,n-1·t^n-1+……+α_v,0·t⁰；

其中，n、α_v,n、α_v,n-1、……以及α_v,0由最小二乘法曲线拟合得到，所述最小二乘法曲线拟合的数据为：

用户u与朋友v在相同时刻的签到数据中位置相同的签到数据的个数与用户u签到数据的个数的比值。例如在时刻11:00，用户u在位置1、2和3进行了签到，而朋友v在位置2、3和4进行了签到，则在时刻11:00，用户u和朋友v在相同位置2和3进行了签到，那么，γ_v,11:00＝2/3。

P(l|t,H″_u,t)和P(l|t,H_v,t)通过一阶马尔科夫模型、MFC模型或MFT模型获得，具体地：

(1)一阶(order-1)马尔科夫模型

马尔可夫模型(Markov Model)是一种统计模型，主要挖掘序列中的频繁模式，一阶马尔科夫模型主要统计在用户的历史签到记录中满足某个模式的签到记录的比例，可以用如下公式表示：

$P_{\mathrm{order}-1}(c_n=l|t,H_{u,t})=P(c_n=l|H_{u,t})=\frac{\left|\right\{c_k|c_k\∈C,c_k=l,c_{k-1}=c_{n-1}\}|}{\left|\right\{c_k|c_k\∈C,c_{k-1}=c_{n-1}\}|}$

其中，c_n表示用户目前的签到位置，c_n-1表示用户的上一个签到位置，C为用户的签到记录的集合，由该公式可以看出，一阶马尔科夫模型就是统计频繁模式(上一个签到位置为c_n-1，当前的签到位置为l)的比例。

(2)MFC(most frequent check-in model)模型

已有研究表明，用户的历史签到记录中某个位置的签到频率是位置预测的重要指标，即用户以前经常在某个位置进行签到，则他在未来也会经常在该位置进行签到，所以，目标用户在某个位置处进行签到的概率即为该位置在用户的历史签到记录中出现的频率，可以用如下公式表示：

$P_{\mathrm{MFC}}(c_n=l|t,H_{u,t})=P(c_n=l|H_{u,t})=\frac{\left|\right\{c_k|c_k\∈C,c_k=l\}|}{\left|\right\{c_k|c_k\∈C\}|}$

其中，c_n表示用户目前的签到位置，C为用户的签到记录的集合。

(3)MFT(most frequent time model)模型

MFT模型考虑在用户的历史签到记录中，不同的时刻的签到位置的频率分布，认为频率最大的位置即为预测的位置，可以用如下公式表示：

$P_{\mathrm{MFT}}(c_n=l|t,H_{u,t})=P(c_n=l|{t,H}_{u,t})=\frac{\left|\right\{c_k|t,c_k\∈C,c_k=l\}|}{\left|\right\{c_k|t,c_k\∈C\}|}$

其中，c_n表示用户目前的签到位置，C为用户的签到记录的集合，t为签到时刻。例如要预测用户在8:00的位置时，需要统计用户的历史签到记录中签到时刻为8:00的签到位置的数目，把签到数最大的那个位置作为用户的预测位置。

如图2所示，本实施例公开一种位置预测系统，所述系统可包括以下模块：

输入模块，用于在接收到用户的签到数据和/或位置预测请求之后，将签到数据和/或位置预测请求发送到位置预测模块，并将签到数据以预设格式发送到存储模块；其中，位置预测请求为用户指定时刻点的位置预测请求，位置预测结果为用户下一次签到的位置预测和/或用户指定时刻点的位置预测。

存储模块，用于存储签到数据以及存储用户的社交关系影响因子；本实施例中，存储模块可以为数据库，由于基于地理位置的社交网络LBSN中的签到一般通过移动设备完成，所以输入模块需要接收来自于不同移动设备的数据，并将数据处理成数据库表中的统一格式，输入到数据库中。由于在输入模块中已经进行过数据格式的处理，所以存储模块即数据库的主要功能为存储数据，实时更新数据库表。在数据库中存储的数据信息包括用户的签到数据{用户名，位置，时刻，内容}和用户的社交关系，社交关系以用户的社交关系影响因子表示。

用户行为提取模块，用于从存储模块中提取用户的历史签到数据集合以及用户的社交关系影响因子，并将历史签到数据集合以及社交关系影响因子发送到位置预测模块。

朋友行为提取模块，用于从存储模块中提取与用户对应的预设朋友集合中每个朋友的历史签到数据集合，并发送到位置预测模块。

位置预测模块，用于根据签到数据和/或位置预测请求，以及预设的位置预测模型，对用户进行位置预测并将位置预测结果发送到输出模块；其中，位置预测模型与上述实施例中的位置预测模型相同。

输出模块，用于显示位置预测结果。

在具体应用中，假设U＝{u₁，u₂，u₃，……，u_n}为用户集合，u_i，i∈{1,2,……,n}代表某个用户，n为用户总数，L＝{l₁，l₂，l₃，……，l_m}为位置集合，l_j，j∈{1,2,……,m}代表某个位置，m为位置总数。当一个用户在一个位置完成一次签到后，就会产生一条签到记录，如“1,1,2011-01-01 01:01:20”，表示id为1用户在id为1的位置处进行了一次签到，签到时刻为2011年1月1日凌晨1点1分20秒，该签到记录可以表示成三元组的形式<u_i，l_j，t_k>∈C_ui，表示用户u_i在位置l_j完成了一次签到，签到时刻是t_k，用户u_i的签到记录集合为C_ui＝{C_ui1,C_ui2,……,C_uiN}，N为用户u_i总的签到记录数。

H_u,t＝{<u_i，l_j，t_k>|<u_i，l_j，t_k>∈C_ui，u_i＝u，t_k＜t}表示用户u在时刻t以前的历史移动轨迹。令F(u_i)表示用户u_i的朋友集合，则FH_u,t＝{<u_i，l_j，t_k>|<u_i，l_j，t_k>∈C_ui，u_i∈F(u_i)u，t_k＜t}表示用户u的朋友在时刻t以前的历史移动轨迹。由此一个用户的移动模型可以表示成如下形式： $P_{u,t}^l=P\left(l\right|t,H_{u,t},{\mathrm{FH}}_{u,t})$

表示用户u在时刻t在位置l处的签到概率，H_u,t为用户u在时刻t的历史签到数据集合，FH_u,t为用户u的朋友在时刻t的历史签到数据集合。该模型为概率模型，综合考虑了影响用户移动性的空间、时刻及社交因素。由于用户总的签到记录集合可以分为两部分：受社交关系影响的签到记录集合和不受社交关系影响的签到记录集合，所以可以分别在两个不同的签到记录集合中预测用户在某个时刻某个地点进行签到的概率，然后再将两部分概率进行融合。

在建模以前，首先对社交影响进行定义。一个用户的历史签到记录可以分为两类：一类是已经发生过的签到，即用户当前的签到位置是用户以前曾签到过的位置，一类是新的签到，即用户当前的签到位置是用户以前从来没有签到过的位置。本课题认为社交影响发生在新的签到中，也就是说，朋友对目标用户的影响主要使得用户产生不符合日常生活惯例的行为。所以，社交影响是用户产生新移动模式的原因。

现实生活中存在两种场景：一是人们经常会去朋友推荐的地方，如餐馆、酒吧等等，一是人们经常会和朋友在相同的时刻去某个地方。基于上述事实，本课题将从两个角度出发研究社交关系对用户移动性的影响。空间-社交影响，即从空间角度研究社交关系对用户移动性的影响。时刻-社交影响，即从时刻角度研究社交关系对用户移动性的影响。

(1)空间-社交影响

首先证明社交关系在空间方面对用户的移动性有影响，采用余弦相似度方法计算用户与朋友的签到位置的相似性，并对每一个用户求朋友相似度的平均值，结果发现超过95％用户与朋友的平均相似度大于0，也就是说，用户经常去他的朋友们曾去过的地方签到，所以社交关系的确在空间方面对用户的移动性有影响。

接下来进一步研究空间方面的社交影响是如何发挥作用的。

假设有两个用户u_A和u_B，用户u_A是用户u_B的朋友，N_A为用户u_A的签到总数，N_B为用户u_B的签到总数，N_A1为用户u_A受用户u_B影响的签到总数，则用户u_B对用户u_A的社交影响可以表示为N_A1/N_A。然后对每一个用户计算社交影响与签到位置相似度的皮尔逊相关系数，公式如下：

${\mathrm{sim}}_{\mathrm{Pearson}}(u,v)=\frac{{\mathrm{\&Sigma;}}_{k\&Element;r_u}(r_{u,k}-\stackrel{\&OverBar;}{r_u})\&CenterDot;(r_{v,k}-\stackrel{\&OverBar;}{r_v})}{{\mathrm{\&Sigma;}}_{k\&Element;r_u}\sqrt{{(r_{u,k}-\stackrel{\&OverBar;}{r_u})}^2}\&CenterDot;\sqrt{{(r_{v,k}-\stackrel{\&OverBar;}{r_v})}^2}}$

其中，r_u,k和r_v,k分别为向量u和v的第k个元素的值，和分别为向量u和v中各元素的平均值。皮尔逊相关系数是一种度量两个变量间相关程度的方法。它是一个介于1和-1之间的值，其中，1表示变量完全正相关，0表示无关，-1表示完全负相关。本文的结果表明，超过90％皮尔逊相关系数不小于0，超过60％皮尔逊相关系数大于0，所以签到位置相似度与社交影响是正相关关系，签到位置相似度越高，皮尔逊相关系数越大，即目标用户和朋友的重叠的签到位置越多，他的朋友对他的影响越大。

(2)时刻-社交影响

首先证明社交关系在时刻方面对用户的移动性有影响，计算用户与朋友签到时刻的相似性，并对每一个用户求朋友相似度的平均值，结果发现超过90％用户与他的朋友的平均相似度大于0，也就是说，用户和朋友经常在同一时刻段签到，所以社交关系的确在时刻方面对用户的移动性有影响。

接下来进一步研究时刻方面的社交影响是如何发挥作用的。同样计算社交影响与签到时刻相似度的皮尔逊相关系数，结果表明，超过90％皮尔逊相关系数不小于0，超过70％皮尔逊相关系数大于0，所以签到时刻相似度也与社交影响是正相关关系，签到时刻相似度越高，皮尔逊相关系数越大，即目标用户和朋友的重叠签到时刻越多，朋友对他的影响越大。

在了解了社交关系对用户移动行为的影响后，接下来需要寻找一种合适的方式对这种影响进行建模，该模型需要同时考虑社交关系在空间及时刻维度对用户的移动行为的影响。在本文中，采用目标用户与朋友在24小时内重叠位置的签到数分布建模朋友对用户的社交影响。由于用户与朋友并不是在每个小时内都存在重叠的位置签到，所以该影响因子在某些时刻处可能为0，本文采用平滑算法对该影响因子进行进一步处理，平滑算法采用最小二乘法曲线拟合方法。

上述实施例中的位置预测系统通过将用户的签到数据集合分为两部分：受社交关系影响的签到数据集合和不受社交关系影响的签到数据集合，分别在两个不同的签到数据集合中预测用户在某个时刻某个地点进行签到的概率，然后再将两部分概率进行融合，位置预测准确率较高。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (9)

1.一种位置预测系统，其特征在于，所述系统包括：

输入模块，用于在接收到用户的签到数据和/或位置预测请求之后，将所述签到数据和/或位置预测请求发送到位置预测模块；

位置预测模块，用于根据所述签到数据和/或位置预测请求，以及预设的位置预测模型，对用户进行位置预测并将位置预测结果发送到输出模块；

输出模块，用于显示所述位置预测结果。

2.根据权利要求1所述的系统，其特征在于，所述位置预测请求为用户指定时刻点的位置预测请求，所述位置预测结果为用户下一次签到的位置预测和/或用户指定时刻点的位置预测。

3.根据权利要求1所述的系统，其特征还在于，所述系统还包括：

存储模块，用于存储所述签到数据以及存储用户的社交关系影响因子；

相应地，所述输入模块还用于在接收到用户的签到数据之后，将所述签到数据发送到所述存储模块。

4.根据权利要求3所述的系统，其特征在于，所述输入模块在接收到用户的签到数据之后，将所述签到数据以预设格式发送到所述存储模块。

5.根据权利要求3所述的系统，其特征还在于，所述系统还包括：

用户行为提取模块，用于从所述存储模块中提取用户的历史签到数据集合以及用户的社交关系影响因子，并将所述历史签到数据集合以及所述社交关系影响因子发送到所述位置预测模块。

6.根据权利要求5所述的系统，其特征还在于，所述系统还包括：朋友行为提取模块，用于从所述存储模块中提取与用户对应的预设朋友集合中每个朋友的历史签到数据集合，并发送到所述位置预测模块。

7.根据权利要求1所述的系统，其特征在于，在所述位置预测模块中，所述位置预测模型为：

$\begin{array}{c}{P}_{u,t}^l=P\left(l\right|t,H_{u,t},{\mathrm{FH}}_{u,t})\\ =\frac{\left|H_{u,t}^{\&prime;}\right|}{\left|H_{u,t}\right|}\&times;\frac{{\mathrm{\&Sigma;}}_{v\&Element;F\left(u\right)}{\mathrm{\&gamma;}}_{v,t}\&CenterDot;P\left(l\right|t,H_{v,t})}{{\mathrm{\&Sigma;}}_{v\&Element;F\left(u\right)}{\mathrm{\&gamma;}}_{v,t}}+\frac{\left|H_{u,t}^{\&prime;\&prime;}\right|}{\left|H_{u,t}\right|}\&times;P\left(l\right|t,H_{u,t}^{\&prime;\&prime;});\end{array}$

其中，为用户u在时刻t时在位置l处的签到概率，所述位置l属于预设的位置集合，H_u,t为用户u在时刻t的历史签到数据集合，FH_u,t为用户u的朋友在时刻t的历史签到数据集合；所述H_u,t由H′_u,t和H″_u,t组成，所述H′_u,t为用户u在时刻t的受社交关系影响的历史签到数据集合，所述H″_u,t为用户u在时刻t的不受社交关系影响的历史签到数据集合，F(u)为用户u的朋友集合，v为用户u的朋友v，H_v,t为用户u的朋友v在时刻t的历史签到数据集合，γ_v,t为朋友v在时刻t对用户u的社交关系影响因子；绝对值符号表示求集合中元素的个数。

8.根据权利要求7所述的系统，其特征在于，所述γ_v,t通过下式获得：

γ_v,t＝α_v,n·tⁿ+α_v,n-1·t^n-1+……+α_v,0·t⁰；

其中，n、α_v,n、α_v,n-1、……以及α_v,0由最小二乘法曲线拟合得到，所述最小二乘法曲线拟合的数据为：

用户u与朋友v在相同时刻的签到数据中位置相同的签到数据的个数与用户u签到数据的个数的比值。

9.根据权利要求7所述的系统，其特征在于，所述P(l|t,H_u″_,t)和P(l|t,H_v,t)通过一阶马尔科夫模型、MFC模型或MFT模型获得。