CN104867015B - 一种基于用户移动预测的物品递送者推荐方法 - Google Patents

Abstract

本发明涉及一种基于用户移动预测的物品递送者推荐方法，该方法包括以下步骤：1、数据采集并整理：从移动用户的原始GPS数据中提取出有意义的地点，并对这些地点进行聚类，得到用户感兴趣的场所同时生成相应的轨迹；2、候选人选取：根据社交网络中用户间的关系程度，提取递送者的候选集；3、用户会面预测：通过用户历史轨迹的概率统计，计算用户和他朋友间会面的概率；4、用户位置预测：通过用户历史轨迹的概率统计，计算用户的朋友访问某个场所的概率；5、递送者推荐：计算用户的朋友在他们相遇之前访问某个场所的概率，并按其大小降序排列，选择前topK个朋友并展示出来。本发明为用户购物带来了方便。

Description

一种基于用户移动预测的物品递送者推荐方法

技术领域

本发明涉及一种基于用户移动预测的物品递送者推荐方法。

背景技术

随着移动终端设备、网络技术以及传感器的迅速发展，智能手机等移动终端设备集成了不同功能的传感器。利用移动终端设备中的传感器提供以人为中心的感知与计算已经成为了当今社会的发展趋势。在此背景下，提出了群智感知计算，它利用普通用户的移动设备作为基本感知单元，通过移动互联网进行有意识或无意识的协作,实现感知任务分发与感知数据收集处理，以完成大规模的、复杂的社会感知任务。群智感知计算与传统的基于静态传感设施相比，它的优势在于通过社会上大量人士共同协作完成一项几个人需要很长时间才能完成甚至不可能完成的庞大任务。因此，群智感知计算可以为用户减少一些不必要的开销和时间。

在传统的购物中，用户购买自己喜欢的商品都需要亲力亲为，这种购物方法不仅浪费用户的时间也浪费了他们的精力。为了解决这个问题，我们提出了一种基于用户移动预测的物品传送人推荐方法。用户只需要输入购物场所和完成任务的时间期限，该系统就会返回一些经过这个购物场所并在时间期限内与用户会面的朋友，用户就可以叫这些朋友帮忙购买。从而为用户节省了时间。

其中需要用到移动预测的方法，但目前研究的大多数移动预测算法都只考虑到空间这一因素来预测用户下一位置，不能有效的结合时间因素。而我们用概率统计的算法进行移动预测，该算法结合了空间和时间因素，有较高的准确率。

发明内容

本发明的目的在于提供一种基于用户移动预测的物品递送者推荐方法，为用户购物带来了方便。

为实现上述目的，本发明采用如下技术方案：一种基于用户移动预测的物品递送者推荐方法，其特征在于包括以下步骤：

步骤S1：原始GPS点g_i的预处理，包括地点p的提取和场所s的聚类；

步骤S2：候选人选取，即从社交网络中根据用户间的关系来确定用户的朋友，并从中选取50名作为候选人f；

步骤S3：用户会面预测，计算用户u和候选人f在同一时间片t_enc访问同一场所s的概率p_enc(u,f,t_enc)；

步骤S4：候选人位置预测，给定一个场所s及当前时间t_cur，计算候选人f未来会经过场所s的概率p_visit(f,s)；

步骤S5：递送者推荐，按概率p_enc(u,f,t_enc)与概率p_visit(f,s)乘积的大小从候选人f中选取topK个递送者，所述递送者为最有可能完成任务的候选人。

进一步的，所述步骤S1中地点p的提取的具体方法如下：

原始GPS点g_i包含经度g_i.Lgt、纬度g_i.Lat和记录g_i.T的时间，即g_i＝(g_i.Lgt,g_i.Lat,g_i.T)，用户的原始轨迹Traj_raw由若干连续的GPS点g_i组成，即Traj_raw＝<g₁,g₂,...,g_N>,地点p的提取由一时间阈值T_thred和一距离阈值D_thred决定，地点p是一个虚拟的点，用来表示一组连续的GPS点g_i的集合G＝{g_m,g_m+1,...,g_n},其中Distance(g_i,g_j)≤D_thred且|g_n.T-g_m.T|≥T_thred；p包含集合G的平均经度p.Lgt，集合G的平均纬度p.Lat,进入地点p的时间p.arvT,离开地点p的时间p.levT，即p＝(p.Lgt,p.Lat,p.arvT,p.levT)，其中：

p.arvT＝g_m.T(3)

p.levT＝g_n.T(4)。

进一步的，所述步骤S1中场所s的聚类的具体步骤如下：

步骤S11：从集合P中随机取一个地点p作为中心o_k并取一个半径阈值r_thred，所述集合P包含所有提取出来的地点p，令k＝1；

步骤S12：在以所述中心o_k为圆心以半径阈值r_thred为半径的范围内找出所有地点p并计算他们经纬度的平均值，把所述经纬度的平均值所在的点作为中点o_k+1；

步骤S13：若o_k+1＝o_k，则进行步骤S14；否则令k＝k+1，并返回步骤S12；

步骤S14：把以所述中心o_k+1为圆心以半径阈值r_thred为半径的范围内的所有地点标记成一个类，并从集合P中删除这些地点，若这些地点的数量大于或等于一最小量阈值min_p，则把这个类视为一个场所s,以唯一的标识符locID来标识；否则把这些地点标记成噪声点；

步骤S15：若集合P为空，则得到一个场所集合S＝(s₁,s₂,...,s_m),其中s_i是场所，1≤i≤m；否则返回步骤S11。

进一步的，经所述地点p的提取和场所s的聚类后，对用户一天内的轨迹进行定义如下：

trajectory_(u,date)＝<visit₁,visit₂,...,visit_n> (5)

其中visit_i＝(arvT,levT,locID)，1≤i≤n；arvT和levT分别表示用户到达和离开场所的时间，locID代表场所唯一的标识符。

进一步的，所述步骤S3中用户会面预测的具体方法如下：

将一天24h分成24个时间片t_i,其中0≤i≤23，时间片t_i表示i时至i+1时的时间段，在预测用户会面之前，先计算任一候选人f在时间片t访问场所s的概率p(f,t,s)：

其中Num(f,t,s)表示候选人f在时间片t访问场所s的轨迹数，Num(f,s)表示候选人f访问过场所s的轨迹数；

接着用公式(7)计算会面概率：

公式(7)表示用户u和候选人f在时间片t_enc会面的概率，S表示场所s的集合，由于用户u和候选人f可能会在多个时间片相遇，所以我们得到了一个相遇时间片的集合setT_enc，setT_enc＝{t_enc ¹，t_enc ²，...，t_enc ⁿ}。

进一步的，所述步骤S4中候选人位置预测的具体方法如下：

公式(8)表示候选人f在当前时间t_cur到会面时间t_enc内访问场所s的概率。

进一步的，所述步骤S5中递送者推荐的具体方法如下：

将所述用户和候选人在同一时间片t_enc访问同一场所s的概率p_enc(u,f,t_enc)和给定一个场所s及当前时间t_cur计算出的候选人f未来会经过场所s的概率p_visit(f,s)相乘，得到在某一时间片t_enc完成任务的概率p_deliv，公式如下：

再由此计算在所有相遇时间setT_enc完成任务的概率p_deliver，公式如下：

将所有候选人f按得出的相应概率p_deliver按降序排列，将排列靠前的topK个候选人作为递送者并将其信息展示给用户，用户联系所述递送者并让他们帮忙代购商品。

本发明与现有技术相比具有以下有益效果：本发明将移动预测算法和群智感知相结合，提出了一种基于用户移动预测的物品递送者推荐方法。在现实生活中，当用户想要购买一个自己喜欢的商品，但其销售场所却离用户的位置很远且用户并不想为此亲自去跑一趟，这时用户只需登入该系统，输入商品销售场所和完成任务的期限，系统就会返回一些可以完成传送商品的用户朋友，用户可以联系他们，让他们帮忙代购。因此该方法具有很强的实用性和广阔的应用前景。

附图说明

图1是本发明地点p的提取示意图。

图2是本发明总流程图。

图3是本发明场所s的聚类流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参照图2，本发明提供一种基于用户移动预测的物品递送者推荐方法，其特征在于包括以下步骤：

步骤S1：原始GPS点g_i的预处理，包括地点p的提取和场所s的聚类；

于本实施例中，许多原始GPS点是没有意义的，例如马路上的GPS数据，为了让预测变得更加有意义，需要提取有意义的地点p，所述地点p的提取的具体方法如下：

原始GPS点g_i包含经度g_i.Lgt、纬度g_i.Lat和记录g_i.T的时间，即g_i＝(g_i.Lgt,g_i.Lat,g_i.T)，用户的原始轨迹Traj_raw由若干连续的GPS点g_i组成，即Traj_raw＝<g₁,g₂,...,g_N>,地点p的提取由一时间阈值T_thred和一距离阈值D_thred决定，地点p是一个虚拟的点，用来表示一组连续的GPS点g_i的集合G＝{g_m,g_m+1,...,g_n},如图1中所示的GPS点集合G＝{g₃,g₄,g₅,g₆}就可以表示一个地点；其中 Distance(g_i,g_j)≤D_thred且|g_n.T-g_m.T|≥T_thred；p包含集合G的平均经度p.Lgt，集合G的平均纬度p.Lat,进入地点p的时间p.arvT,离开地点p的时间p.levT，即p＝(p.Lgt,p.Lat,p.arvT,p.levT)，其中：

p.arvT＝g_m.T (3)

p.levT＝g_n.T (4)。

但是如果只对这些地点进行研究，就不具可行性，因为不同地点会出现在同一个场所里，地点与场所的关系类似于几何中点与面的关系，例如，超市是一个场所，而超市里的某个位置对应于一个地点，所以我们用一个变异的k-means聚类算法对这些地点进行聚类操作，每个类对应一个场所。请参照图3，所述步骤S1中场所s的聚类的具体步骤如下：

步骤S11：从集合P中随机取一个地点p作为中心o_k并取一个半径阈值r_thred，所述集合P包含所有提取出来的地点p，令k＝1；

步骤S12：在以所述中心o_k为圆心以半径阈值r_thred为半径的范围内找出所有地点p并计算他们经纬度的平均值，把所述经纬度的平均值所在的点作为中点o_k+1；

步骤S13：若o_k+1＝o_k，则进行步骤S14；否则令k＝k+1，并返回步骤S12；

步骤S14：把以所述中心o_k+1为圆心以半径阈值r_thred为半径的范围内的所有地点标记成一个类，并从集合P中删除这些地点，若这些地点的数量大于或等于一最小量阈值min_p，则把这个类视为一个场所s,以唯一的标识符locID来标识；否则把这些地点标记成噪声点；

步骤S15：若集合P为空，则得到一个场所集合S＝(s₁,s₂,...,s_m),其中s_i是场所，1≤i≤m；否则返回步骤S11。

于本实施例中，经所述地点p的提取和场所s的聚类后，对用户一天内的轨迹进行定义如下：

trajectory_(u,date)＝<visit₁,visit₂,...,visit_n> (5)

其中visit_i＝(arvT,levT,locID)，1≤i≤n；arvT和levT分别表示用户到达和离开场所的时间，locID代表场所唯一的标识符。

步骤S2：候选人选取，即从社交网络中根据用户间的关系来确定用户的朋友，并从中选取50名作为候选人f；

步骤S3：用户会面预测，计算用户和候选人f在同一时间片t_enc访问同一场所s的概率p_enc(u,f,t_enc)，时间片t_enc和场所s可以在允许的范围内存在误差；

于本实施例中，所述步骤S3中用户会面预测的具体方法如下：

将一天24h分成24个时间片t_i,其中0≤i≤23，时间片t_i表示i时至i+1时的时间段，即时间片t₁₁表示11时到12时的时间段，在预测用户会面之前，先计算任一候选人f在时间片t访问场所s的概率p(f,t,s)：

其中Num(f,t,s)表示候选人f在时间片t访问场所s的轨迹数，Num(f,s)表示候选人f访问过场所s的轨迹数；

接着用公式(7)计算会面概率，该公式只关注他们是否会面，不关注他们在哪个场所见面：

公式(7)表示用户u和候选人f在时间片t_enc会面的概率，S表示场所s的集合，由于用户u和候选人f可能会在多个时间片相遇，所以我们得到了一个相遇时间片的集合setT_enc，setT_enc＝{t_enc ¹，t_enc ²，...，t_enc ⁿ}。

步骤S4：候选人位置预测，给定一个场所s及当前时间t_cur，计算候选人f未来会经过场所s的概率p_visit(f,s)；

于本实施例中，所述步骤S4中候选人位置预测的具体方法如下：

公式(8)表示候选人f在当前时间t_cur到会面时间t_enc内访问场所s的概率。步骤S5：递送者推荐，从候选人f中选取topK个递送者，所述递送者为最有可能完成任务的候选人f。

于本实施例中，所述步骤S5中递送者推荐的具体方法如下：

将所述用户和候选人在同一时间片t_enc访问同一场所s的概率p_enc(u,f,t_enc)和给定一个场所s及当前时间t_cur计算出的候选人f未来会经过场所s的概率p_visit(f,s)相乘，得到在某一时间片t_enc完成任务的概率p_deliv，条件是候选人f必须经过给定的场所，并在规定的任务期限内和用户相遇，否则，p_deliv为零，公式如下：

再由此计算在所有相遇时间setT_enc完成任务的概率p_deliver，公式如下：

将所有候选人f按得出的相应概率p_deliver按降序排列，将排列靠前的topK个候选人作为递送者并将其信息展示给用户，用户联系所述递送者并让他们帮忙代购商品。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种基于用户移动预测的物品递送者推荐方法，其特征在于包括以下步骤：

步骤S1：原始GPS点g_i的预处理，包括地点p的提取和场所s的聚类；

步骤S2：候选人选取，即从社交网络中根据用户间的关系来确定用户的朋友，并从中选取50名作为候选人f；

步骤S3：用户会面预测，计算用户u和候选人f在同一时间片t_enc访问同一场所s的概率p_enc(u,f,t_enc)；

步骤S4：候选人位置预测，给定一个场所s及当前时间t_cur，计算候选人f未来会经过场所s的概率p_visit(f,s)；

步骤S5：递送者推荐，按概率p_enc(u,f,t_enc)与概率p_visit(f,s)乘积的大小从候选人f中选取topK个递送者，所述递送者为最有可能完成任务的候选人。

2.根据权利要求1所述的基于用户移动预测的物品递送者推荐方法，其特征在于：所述步骤S1中地点p的提取的具体方法如下：

原始GPS点g_i包含经度g_i.Lgt、纬度g_i.Lat和记录g_i.T的时间，即g_i＝(g_i.Lgt,g_i.Lat,g_i.T)，用户的原始轨迹Traj_raw由若干连续的GPS点g_i组成，即Traj_raw＝<g₁,g₂,...,g_N>,地点p的提取由一时间阈值T_thred和一距离阈值D_thred决定，地点p是一个虚拟的点，用来表示一组连续的GPS点g_i的集合G＝{g_m,g_m+1,...,g_n},其中j；m≤i<j≤n,Distance(g_i,g_j)≤D_thred且|g_n.T-g_m.T|≥T_thred；p包含集合G的平均经度p.Lgt，集合G的平均纬度p.Lat,进入地点p的时间p.arvT,离开地点p的时间p.levT，即p＝(p.Lgt,p.Lat,p.arvT,p.levT)，其中：

p.arvT＝g_m.T (3)

p.levT＝g_n.T (4)。

3.根据权利要求1所述的基于用户移动预测的物品递送者推荐方法，其特征在于：所述步骤S1中场所s的聚类的具体步骤如下：

步骤S11：从集合P中随机取一个地点p作为中心o_k并取一个半径阈值r_thred，所述集合P包含所有提取出来的地点p，令k＝1；

步骤S12：在以所述中心o_k为圆心以半径阈值r_thred为半径的范围内找出所有地点p并计算他们经纬度的平均值，把所述经纬度的平均值所在的点作为中点o_k+1；

步骤S13：若o_k+1＝o_k，则进行步骤S14；否则令k＝k+1，并返回步骤S12；

步骤S14：把以所述中心o_k+1为圆心以半径阈值r_thred为半径的范围内的所有地点标记成一个类，并从集合P中删除这些地点，若这些地点的数量大于或等于一最小量阈值min_p，则把这个类视为一个场所s,以唯一的标识符locID来标识；否则把这些地点标记成噪声点；

步骤S15：若集合P为空，则得到一个场所集合S＝(s₁,s₂,...,s_m),其中s_i是场所，1≤i≤m；否则返回步骤S11。

4.根据权利要求2或3所述的基于用户移动预测的物品递送者推荐方法，其特征在于：经所述地点p的提取和场所s的聚类后，对用户一天内的轨迹进行定义如下：

trajectory_(u,date)＝<visit₁,visit₂,...,visit_n> (5)

其中visit_i＝(arvT,levT,locID)，1≤i≤n；arvT和levT分别表示用户到达和离开场所的时间，locID代表场所唯一的标识符。

5.根据权利要求1所述的基于用户移动预测的物品递送者推荐方法，其特征在于：所述步骤S3中用户会面预测的具体方法如下：

将一天24h分成24个时间片t_i,其中0≤i≤23，时间片t_i表示i时至i+1时的时间段，在预测用户会面之前，先计算任一候选人f在时间片t访问场所s的概率p(f,t,s)：

其中Num(f,t,s)表示候选人f在时间片t访问场所s的轨迹数，Num(f,s)表示候选人f访问过场所s的轨迹数；

接着用公式(7)计算会面概率：

公式(7)表示用户u和候选人f在时间片t_enc会面的概率，S表示场所s的集合，由于用户u和候选人f可能会在多个时间片相遇，所以我们得到了一个相遇时间片的集合setT_enc，setT_enc＝{t_enc ¹，t_enc ²，...，t_enc ⁿ}。

6.根据权利要求1所述的基于用户移动预测的物品递送者推荐方法，其特征在于：所述步骤S4中候选人位置预测的具体方法如下：

公式(8)表示候选人f在当前时间t_cur到会面时间t_enc内访问场所s的概率。

7.根据权利要求1所述的基于用户移动预测的物品递送者推荐方法，其特征在于：所述步骤S5中递送者推荐的具体方法如下：

将所述用户和候选人在同一时间片t_enc访问同一场所s的概率p_enc(u,f,t_enc)和给定一个场所s及当前时间t_cur计算出的候选人f未来会经过场所s的概率p_visit(f,s)相乘，得到在某一时间片t_enc完成任务的概率p_deliv，公式如下：

再由此计算在所有相遇时间setT_enc完成任务的概率p_deliver，公式如下：

将所有候选人f按得出的相应概率p_deliver按降序排列，将排列靠前的topK个候选人作为递送者并将其信息展示给用户，用户联系所述递送者并让他们帮忙代购商品。