CN104931041B - 一种基于用户轨迹数据的地点序列预测方法 - Google Patents

一种基于用户轨迹数据的地点序列预测方法 Download PDF

Info

Publication number
CN104931041B
CN104931041B CN201510227481.4A CN201510227481A CN104931041B CN 104931041 B CN104931041 B CN 104931041B CN 201510227481 A CN201510227481 A CN 201510227481A CN 104931041 B CN104931041 B CN 104931041B
Authority
CN
China
Prior art keywords
place
user
data
track
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510227481.4A
Other languages
English (en)
Other versions
CN104931041A (zh
Inventor
於志文
郭斌
王辉
弋飞
周兴社
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201510227481.4A priority Critical patent/CN104931041B/zh
Publication of CN104931041A publication Critical patent/CN104931041A/zh
Application granted granted Critical
Publication of CN104931041B publication Critical patent/CN104931041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Abstract

本发明公开了一种基于用户轨迹数据的地点序列预测方法，包括如下步骤：标定区域内的停留地点；进行轨迹中停留状态标定，将轨迹分段，计算用户的地点访问序列和访问时间；按一定时间粒度，将用户的轨迹划分为地点访问时间序列；结合当前情境特征信息的不同组合，从历史数据中划分出多个数据子集，根据数据子集，分别生成状态转移矩阵；以待用户的当前情境特征为输入，以多个状态转移矩阵为根据，计算出多个下一时刻地点分布，然后通过人为定义并调节权重做加权，最终预测出用户下一时刻的地点分布。本发明可以更加全面的考虑历史数据中的用户信息、轨迹的时空情境信息，从而获得更好的预测准确率，可更好的支撑相关的应用研究。

Description

一种基于用户轨迹数据的地点序列预测方法
技术领域
本发明属于基于用户轨迹数据的移动预测领域，涉及一种高阶移动与测试方法，具体地说，涉及一种基于用户轨迹数据的地点序列预测方法。
背景技术
近年来，基于历史轨迹数据进行移动预测是GPS数据研究领域的新主题，吸引了越来越多研究人员的关注。所谓移动预测，通常是指以大量的历史轨迹信息为基础，结合用户当前的位置、时间等情境特征信息，可以对用户接下来到达的地点做出预测。其中，历史轨迹信息主要来源于GPS传感器、手机等便携式记录设备。通过对历史轨迹的数据挖掘，包括对单个用户或群体用户的历史轨迹数据的挖掘，结合隐马尔科夫链、条件概率模型、图模型等算法，以用户当前的移动信息为基础，可以准确的预测用户将要到达的下一地点、到达时间，以及在当前位置的停留时间等信息。
通过观察不难发现，人们日常的生活轨迹中蕴含着丰富的时空规律，举例来说，人们总是来往于各个地点完成事项。以学生在大学校园的生活场景为例，学生每天早上到喜好的餐厅吃饭，然后按照课程表安排去教学楼上课，每天晚上去田径场锻炼身体，周末去超市购物等。
随着定位设备和无线通信技术的发展，移动预测研究逐渐成为近年来的热点。专利200810189561.5提出了一种预测移动对象位置的系统和方法，采用贝叶斯网络模型预测位置，但使用射频识别(RFlD)技术采集数据的适用范围比较受限。专利201310036220.5以小区为空间粒度，根据历史数据预测用户的驻留时间及接下来到达的小区，而无法预测用户未来的访问地点序列。专利201410104399.8提出了一种基于用户移动规则的位置预测方法，以基站覆盖 范围网格为空间粒度，通过挖掘用户模式进行位置预测，来提高通信系统资源分配效率；专利201310507337.7提出了一种基于支持向量机的无线异构网络移动用户位置预测方法，可以根据用户位置自适应的调整预测方法，优化资源分配，改善无线网络QoS。然而，上述两个专利中的预测位置粒度很难利用到以人为中心的应用服务中。专利201110308289.X提出了一种基于历史轨迹数据挖掘的位置预测方法，预测结果用于满足各类基于位置的服务，但网格型的空间划分并不符合实际物理空间地点分布的规律。
发明内容
为了解决在高阶移动预测中由于误差积累导致准确率下降的问题，本发明提供了一种基于用户轨迹数据的地点序列预测方法，可以更加全面的考虑历史数据中的用户信息、轨迹的时空情境信息，从而获得更好的预测准确率，可更好的支撑相关的应用研究。
为实现上述目的，本发明采取的技术方案为：
一种基于用户轨迹数据的地点序列预测方法，包括如下步骤：
S1、根据地图信息，标定数据采集范围内停留地点区域各个顶点的经纬度；
S2、通过判断轨迹中的点是否属于某个多边形区域，对轨迹中点赋予地点属性；并将连续属于同一地点的轨迹点标记为停留状态；停留状态标定后，将轨迹分段，计算用户的地点访问序列和访问时间；
S3、按一定时间粒度，将用户的轨迹划分为地点访问时间序列；
S4、结合当前情境特征信息，包括用户唯一标识、周几、时间、地点四种特征的不同组合，从历史数据中划分出多个数据子集，根据每个数据子集分别生成状态转移矩阵；
S5、以待用户的当前情境特征，包括用户唯一标识(UlD)、今天周几(DAY)，当前时间(TlME)、当前地点(LOCATlON)为输入，以多个状态转移矩阵为根据，计算出多个下一时刻地点分布，通过人为定义权重做加权，最终预测出用户下一时刻的地点分布；以分布中值最大的维度对应地点作为该时刻的预测地点；
S6、循环执行步骤S5，直至预测所需时刻的地点分布，并以每个时刻地点分布中值最大的维度对应地点作为该时刻的预测地点；
S7、汇总每个时刻的预测结果，输出。
本发明具有以下有益效果：
可以更加全面的考虑历史数据中的用户信息、轨迹的时空情境信息，从而获得更好的预测准确率，可更好的支撑相关的应用研究。
附图说明
图1为本发明实施例一种基于用户轨迹数据的地点序列预测方法的整体流程图。
图2为本发明实施例一种基于用户轨迹数据的地点序列预测方法中循环预测细节图。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供了一种基于用户轨迹数据的地点序列预测方法，包括如下步骤：
S1、根据地图信息，标定数据采集范围内停留地点区域各个顶点的经纬度；
S2、通过判断轨迹中的点是否属于某个多边形区域，对轨迹中点赋予地点属性；并将连续属于同一地点的轨迹点标记为停留状态；停留状态标定后，将轨迹分段，计算用户的地点访问序列和访问时间；
S3、按一定时间粒度，将用户的轨迹划分为地点访问时间序列；
S4、结合当前情境特征信息，包括用户唯一标识、周几、时间、地点四种特征的不同组合，从历史数据中划分出多个数据子集，根据数据子集，分别生成状态转移矩阵；
S5、以待用户的当前情境特征，包括用户唯一标识(UlD)、今天周几(DAY)， 当前时间(TlME)、当前地点(LOCATlON)为输入，以多个状态转移矩阵为根据，计算出多个下一时刻地点分布，根据实际情况人为地分配权重做加权，最终预测出用户下一时刻的地点分布。以分布中值最大的维度对应地点作为该时刻的预测地点；
S6、如图2所示，循环执行步骤S5，直至预测所需时刻的地点分布，并以每个时刻地点分布中值最大的维度对应地点作为该时刻的预测地点；
S7、汇总每个时刻的预测结果，输出。
实施例
步骤1、根据地图信息，标注数据采集范围内重要地点区域各个顶点的经纬度，如此一来，一个地点即为一个多边形，地点分别表示为L1，L2，……，LV，V表示地点总数；
步骤2、通过判断轨迹中的点是否属于某个多边形区域，对轨迹中点赋予地点属性；并将连续属于同一地点的轨迹点标记为停留状态。停留状态标定后，轨迹被停留状态分段，计算用户的地点访问序列和访问时间；
步骤3、按一定时间粒度to，将用户的停留状态分为地点访问时间序列，<t1，l1>，<t2，l2>，……，<tN，lN>。举例说明，to为10分钟，当前时刻为某个周三(DAY为周三)上午11：40：00，用户(UlD为0001)的当前位置是教学楼。其中，11：40：00表示11：40：00-11：50：00这一时间段；
步骤4、如步骤3中举例，当前情境特征信息为，用户唯一标识(UlD)、今天周几DAY、当前时间to、当前地点分布为(如举例中所述，这里分布中只有一个地点对应的维度值为1，即教学楼，其他地点对应的维度值均为0)。根据四种特征信息的不同组合，从而将总体数据划分出多个数据子集S1，S2，……，SK；根据数据子集，分别生成不同的状态转移矩阵M1，M2，……，MK。接下来，解释说明数据子集和状态转移矩阵：比如说，S1表示从总体数 据中划分出UlD为0001、DAY为周三、to为11：40：00的数据子集，然后统计其中从当前时刻(11：40：00)到下一时刻(即11：50：00)的地点转移矩阵，即M1；同理，S2表示从总体数据中划分出UlD为0001、to为11：40：00的数据子集(相较S1可以看出，数据子集S2不再限定DAY特征，且有)，并转化为状态转移矩阵M2；其他数据子集和转移矩阵来源同理，分别来自于不同的特征组合限定出的不同的数据子集并转为状态转移矩阵。需要说明的是，数据子集之间可能存在包含的关系(如S1，S2)，部分数据子集被多次计算(如S1)；由于后续步骤中存在加权计算，且权重由人工赋值，所以这种情况并不影响结果。
步骤5、以待用户的当前情境特征，以状态转移矩阵为基础，预测用户下一时刻的地点分布其中，以分布中值最大的维度对应地点作为该时刻的预测地点，用表示；
步骤6、循环执行第5步，其中pk为各部分数据集的权重，根据实际情况人为地分配权重(可多次调节取优)，且保证以分布中值最大的维度对应地点作为该时刻的预测地点，如其中ti+1为当前时刻，循环直至预测所需时刻的地点分布；
步骤7、汇总每个时刻的预测结果并输出，即指定的将来一段时间内用户的地点序列，即 ……，其中tT为最后一个时刻。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于用户轨迹数据的地点序列预测方法，其特征在于，包括如下步骤：
S1、根据地图信息，标定数据采集范围内停留地点区域各个顶点的经纬度；
S2、通过判断轨迹中的点是否属于某个多边形区域，对轨迹中点赋予地点属性；并将连续属于同一地点的轨迹点标记为停留状态；停留状态标定后，将轨迹分段，计算用户的地点访问序列和访问时间；
S3、按一定时间粒度，将用户的轨迹划分为地点访问时间序列；
S4、结合当前情境特征信息的不同组合，从历史数据中划分出多个数据子集，根据数据子集，分别生成状态转移矩阵；
S5、以待用户的当前情境特征为输入，以多个状态转移矩阵为根据，计算出多个下一时刻地点分布，通过人为定义权重做加权，最终预测出用户下一时刻的地点分布；以分布中值最大的维度对应地点作为该时刻的预测地点；
S6、循环执行步骤S5，直至预测完所需时刻的地点分布，并以每个时刻地点分布中值最大的维度对应地点作为该时刻的预测地点；
S7、汇总每个时刻的预测结果，输出。
CN201510227481.4A 2015-05-03 2015-05-03 一种基于用户轨迹数据的地点序列预测方法 Active CN104931041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510227481.4A CN104931041B (zh) 2015-05-03 2015-05-03 一种基于用户轨迹数据的地点序列预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510227481.4A CN104931041B (zh) 2015-05-03 2015-05-03 一种基于用户轨迹数据的地点序列预测方法

Publications (2)

Publication Number Publication Date
CN104931041A CN104931041A (zh) 2015-09-23
CN104931041B true CN104931041B (zh) 2017-12-01

Family

ID=54118319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510227481.4A Active CN104931041B (zh) 2015-05-03 2015-05-03 一种基于用户轨迹数据的地点序列预测方法

Country Status (1)

Country Link
CN (1) CN104931041B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111324680A (zh) * 2019-01-25 2020-06-23 北京嘀嘀无限科技发展有限公司 一种信息展示方法及装置

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105357638B (zh) * 2015-11-06 2019-10-22 百度在线网络技术（北京）有限公司 预测预定时刻的用户位置的方法和装置
WO2017124562A1 (zh) * 2016-01-24 2017-07-27 邓娟 根据定位服务自动推荐路线的方法以及路线系统
WO2017124560A1 (zh) * 2016-01-24 2017-07-27 邓娟 收集路线推荐技术的数据的方法以及路线系统
CN105760958A (zh) * 2016-02-24 2016-07-13 电子科技大学 一种基于车联网的车辆轨迹预测方法
CN106792517B (zh) * 2016-12-05 2019-05-24 武汉大学 基于手机位置时空转移概率的基站服务人数时序预测方法
CN107631731A (zh) * 2017-09-26 2018-01-26 重庆市智权之路科技有限公司 智能医用设备安全行驶路径规划提取方法
CN110070371B (zh) * 2017-11-20 2022-11-18 腾讯科技（深圳）有限公司 一种数据预测模型建立方法及其设备、存储介质、服务器
CN108230020B (zh) * 2017-12-28 2021-05-04 西北大学 一种基于多维时间粒度时空频繁区域挖掘的方法
CN109413587A (zh) * 2018-09-20 2019-03-01 广州纳斯威尔信息技术有限公司 基于WiFi日志的用户轨迹预测方法
CN109041217B (zh) * 2018-09-21 2020-01-10 北京邮电大学 一种异构网络中的分级移动性预测方法
CN109992726A (zh) * 2018-10-17 2019-07-09 招商银行股份有限公司 位置预测方法、装置及可读存储介质
CN109325635B (zh) * 2018-10-25 2022-02-15 电子科技大学中山学院 一种基于自动补全的位置预测方法
CN111126103B (zh) * 2018-10-30 2023-09-26 百度在线网络技术（北京）有限公司 用户人生阶段状态的判断方法和装置
CN109614450A (zh) * 2018-12-05 2019-04-12 武汉烽火众智数字技术有限责任公司 基于多维数据的人员去向分析的方法及系统
CN110750603B (zh) * 2019-09-06 2022-08-12 日立楼宇技术（广州）有限公司 楼宇服务预测方法、装置、系统、计算机设备和存储介质
CN110750605A (zh) * 2019-09-09 2020-02-04 西安工程大学 运动场景下多情境特征的手机用户下一地点预测方法
CN111578933B (zh) * 2020-05-09 2022-03-11 北京上下文系统软件有限公司 一种快速识别用户进入特定地理区域内的方法
CN111667099B (zh) * 2020-05-18 2023-10-10 东北大学 基于时间粒度提升的动态目标不确定运动轨迹预测方法
CN112101132B (zh) * 2020-08-24 2022-04-19 西北工业大学 一种基于图嵌入模型和度量学习的交通状况预测方法
CN112783950B (zh) * 2021-02-01 2024-04-23 西北工业大学 一种基于信息熵的人类移动可预测性量化方法
CN113486927B (zh) * 2021-06-15 2024-03-01 北京大学 一种基于先验概率的无监督轨迹访问地点标注方法
CN114265912A (zh) * 2021-12-27 2022-04-01 智慧足迹数据科技有限公司 驻留点生成方法及相关装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509170A (zh) * 2011-10-10 2012-06-20 浙江鸿程计算机系统有限公司 一种基于历史轨迹数据挖掘的位置预测系统及方法
CN103052022A (zh) * 2011-10-17 2013-04-17 中国移动通信集团公司 基于移动行为的用户稳定点发现方法和系统
CN103533648A (zh) * 2013-10-24 2014-01-22 哈尔滨工业大学 基于支持向量机的无线异构网络移动用户位置预测方法
CN103731916A (zh) * 2014-01-14 2014-04-16 上海河广信息科技有限公司 一种基于无线网络的用户位置预测系统和方法
CN103747523A (zh) * 2014-01-14 2014-04-23 上海河广信息科技有限公司 一种基于无线网络的用户位置预测系统和方法
CN103902829A (zh) * 2014-04-11 2014-07-02 深圳大学 传递边缘分布及存在概率的目标跟踪方法与目标跟踪系统
CN103929804A (zh) * 2014-03-20 2014-07-16 南京邮电大学 一种基于用户移动规则的位置预测方法
CN104239556A (zh) * 2014-09-25 2014-12-24 西安理工大学 基于密度聚类的自适应轨迹预测方法
CN104408203A (zh) * 2014-12-18 2015-03-11 西安电子科技大学宁波信息技术研究院 一种预测移动对象轨迹终点的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509170A (zh) * 2011-10-10 2012-06-20 浙江鸿程计算机系统有限公司 一种基于历史轨迹数据挖掘的位置预测系统及方法
CN103052022A (zh) * 2011-10-17 2013-04-17 中国移动通信集团公司 基于移动行为的用户稳定点发现方法和系统
CN103533648A (zh) * 2013-10-24 2014-01-22 哈尔滨工业大学 基于支持向量机的无线异构网络移动用户位置预测方法
CN103731916A (zh) * 2014-01-14 2014-04-16 上海河广信息科技有限公司 一种基于无线网络的用户位置预测系统和方法
CN103747523A (zh) * 2014-01-14 2014-04-23 上海河广信息科技有限公司 一种基于无线网络的用户位置预测系统和方法
CN103929804A (zh) * 2014-03-20 2014-07-16 南京邮电大学 一种基于用户移动规则的位置预测方法
CN103902829A (zh) * 2014-04-11 2014-07-02 深圳大学 传递边缘分布及存在概率的目标跟踪方法与目标跟踪系统
CN104239556A (zh) * 2014-09-25 2014-12-24 西安理工大学 基于密度聚类的自适应轨迹预测方法
CN104408203A (zh) * 2014-12-18 2015-03-11 西安电子科技大学宁波信息技术研究院 一种预测移动对象轨迹终点的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
参与式感知系统中基于社会关系的移动用户位置预测算法;于瑞云等;《计算机学报》;20150228;第38卷(第2期);374-385 *
基于改进贝叶斯方法的轨迹预测算法研究;李万高等;《计算机应用》;20130701;第33卷(第7期);1960-1963 *
基于马尔科夫链的轨迹预测;彭曲等;《计算机科学》;20100831;第37卷(第8期);189-193 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111324680A (zh) * 2019-01-25 2020-06-23 北京嘀嘀无限科技发展有限公司 一种信息展示方法及装置

Also Published As

Publication number Publication date
CN104931041A (zh) 2015-09-23

Similar Documents

Publication Publication Date Title
CN104931041B (zh) 一种基于用户轨迹数据的地点序列预测方法
Qiao et al. A hybrid Markov-based model for human mobility prediction
US9620959B2 (en) Enhanced grid reliability through predictive analysis and dynamic action for stable power distribution
Zhao et al. Spatial-temporal aggregation graph convolution network for efficient mobile cellular traffic prediction
CN109803285A (zh) 一种小区处理方法、装置及网络设备
Piovesan et al. Joint load control and energy sharing for renewable powered small base stations: A machine learning approach
Ma et al. Optimal dynamic scheduling of wireless networked control systems
He et al. Graph attention spatial-temporal network for deep learning based mobile traffic prediction
Tosi Cell phone big data to compute mobility scenarios for future smart cities
EP4214640A1 (en) Methods and systems for updating machine learning models
Huang et al. A survey on next-cell prediction in cellular networks: Schemes and applications
Shimamoto et al. Evaluation of tsunami evacuation planning considering vehicle usage and start timing of evacuation
Tosi et al. Big data from cellular networks: real mobility scenarios for future smart cities
Klimek et al. Towards a better understanding and behavior recognition of inhabitants in smart cities. A public transport case
Zhu et al. Optimization of distance-based location management for PCS networks
Lee et al. BUCKET: scheduling of solar-powered sensor networks via cross-layer optimization
Nadembega et al. A path prediction model to support mobile multimedia streaming
Sricharan et al. An activity based mobility prediction strategy for next generation wireless networks
Lucic et al. A low complexity space-time algorithm for green ITS-roadside unit planning
Hernandez et al. Failed handoffs in collaborative Wi-Fi networks
Solmaz et al. Communication-constrained p-center problem for event coverage in theme parks
Lau et al. On the analysis of human mobility model for content broadcasting in 5g networks
Wang et al. Multi-dimensional prediction model for cell traffic in city scale
CN110121891B (zh) 用于预测蜂窝通信网络中的移动通信设备的移动性的方法和设备
Nadar et al. Ambulance location under temporal variation in demand using a mixed coded memetic algorithm

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
DD01 Delivery of document by public notice
DD01 Delivery of document by public notice

Addressee: Wu Zhiwen

Document name: Notification of Eligibility for Procedures