CN106488405B

CN106488405B - 一种融合个体与近邻移动规律的位置预测方法

Info

Publication number: CN106488405B
Application number: CN201611249021.2A
Authority: CN
Inventors: 邵俊明; 吴睿智; 杨勤丽; 朱庆; 周艳
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2016-12-29
Filing date: 2016-12-29
Publication date: 2019-07-12
Anticipated expiration: 2036-12-29
Also published as: CN106488405A

Abstract

本发明公开了一种融合个体与近邻移动规律的位置预测方法，首先对用户移动数据中重要(关键)地点的时间位置信息进行提取，得到用户轨迹数据，然后通过映射，找出围绕预测用户且具有相似时空分布的K个用户，再通过挖掘历史用户轨迹数据中形如<A‑B‑C,T>的位置移动模式。在K个近邻中，搜索具有相同位置移动模式，将预测用户与近邻的相似度作为权重，与预测用户(个体)进行融合。考虑了K个近邻用户的相似度并作为权重对预测用户本身的影响，同时搜索相关的移动规律即位置移动模式进行位置预测，这样的技术思路相较与传统位置预测方法更加的鲁棒，抗噪声能力更强，也更加符合社会学规律，准确度更高。

Description

一种融合个体与近邻移动规律的位置预测方法

技术领域

本发明属于基于用户轨迹数据的位置预测技术领域，更为具体地讲，涉及一种融合个体与近邻移动规律的位置预测方法。

背景技术

随着卫星、无线网络以及定位设备的发展，大量用户轨迹数据呈急速增长的趋势，如车辆轨迹数据、人员移动轨迹数据等。通过用户轨迹数据挖掘发现隐含的知识，研究人类行为模式并做出预测，可以帮助政府和用户做出更好的决策，甚至可以成为解决城市交通、城市环境、突发应急事件等重大社会问题的有效手段。例如，在交通方面，通过分析车辆的轨迹数据可以得知道路的拥堵情况，从而可以根据推测的拥堵情况来向车辆提示路况堵塞情况和最佳导航，方便城市交通的协调；另外，通过分析用户轨迹数据，还可以挖掘出人们之间的社交关系，从而为人们提供旅游、好友推荐等服务；城市规划方面，通过分析市民的出行习惯，分析热点区域和出行习惯，更好的建立城市区域的功能划分与基础交通设施的建设。因此，近年来用户轨迹数据挖掘越来越受到各界的关注，包括计算机科学、社会学和地理学等在内的各个领域都将其列为重要研究课题。而移动对象(车辆、人员)的位置预测技术可以向用户提供更好的基于位置的服务，有助于分析和理解用户轨迹数据，具有深远的意义和巨大的发展空间。基于用户轨迹数据的位置预测技术，在城市规划、交通管控、用户位置预测、用户位置推荐、社会人类学研究等政府和商业应用中有着不可估量的作用。

传统的位置预测技术，分为对用户个人位置的预测和对群体位置分布的预测两类。基于个人历史用户轨迹数据，重点关注个人历史用户轨迹数据中所具有的周期性模式或地理分布模式，如挖掘个人移动规律等，但该类方法不仅忽略了用户作为具有社会属性特征的个体这一重要特点，而且在用户个人移动模式发现、时间与空间紧耦合等问题上存在缺陷。对群体位置分布的预测大多集中于分析一个地区范围内的车流量或用户密度较高的空间分布特点，忽略了群体的基础是个体，群体是由个体汇聚而成，这一基础社会学理论。

发明内容

本发明的目的在于克服现有技术的不足，提供一种融合个体与近邻移动规律的位置预测方法，以提高位置预测抗噪声能力，更加符合社会学规律即位置预测更加鲁棒，准确度更高。

为实现上述发明目的，本发明融合个体与近邻移动规律的位置预测方法，其特征在于，包括以下步骤：

(1)、用户移动数据收集与整理清洗

收集用户移动数据，根据分析需求对用户移动数据进行整理清洗，采用相关的关键地点信息提取技术(即POI，Point of Interest发现及提取)对隐藏在用户移动数据中重要(关键)地点的时间位置信息进行提取，得到用户轨迹数据。

(2)、K近邻发现

将每个用户的轨迹数据映射为一个带时空特征的网络即用户轨迹网络，对需要进行位置预测的用户即预测用户，将其用户轨迹网络与其他用户轨迹网络进行相似度度量，找到相似度最大的K个用户，这K个用户为预测用户的K个近邻；

对K个近邻的相似度进行归一化处理，并作为K个近邻对预测用户的影响权值：

其中，S_k为K个近邻中第k个的相似度，w_k为对应的影响权值；

(3)、位置移动模式确定

对于预测用户，在时间段T内，从位置A到位置B后所有可能到达的位置为C_i，则三个连续位置即位置A、位置B以及C_i构成一个位置移动模式<A-B-C_i,T>；其中，i为可能到达位置的序号，i＝1,2,…,I，I为所有可能到达位置的数量；

(4)、用户位置预测

在预测用户的K个近邻中，对于每个近邻，在其历史用户轨迹数据找到位置移动模式<A-B-C_i,T>，并计算该位置移动模式发生的可能性NPr_k<A-B-C_i,T>，则预测用户到达第i个位置的可能性为：

其中，Pr(＜A-B-C_i,T＞)为预测用户在时间段T内，从位置A到位置B后到达的位置C_i的可能性，UPr(＜A-B-C_i,T＞)为预测用户历史用户轨迹数据中位置移动模式<A-B-C_i,T>发生的可能性。

本发明的目的是这样实现的。

本发明融合个体与近邻移动规律的位置预测方法，首先提取用户移动数据中重要(关键)地点的时间位置信息进行提取，得到用户轨迹数据，然后通过映射，找出围绕预测用户且具有相似时空分布的K个用户，再通过挖掘历史用户轨迹数据中形如<A-B-C,T>(其中A,B,C代表提取出的位置，且A,B,C具有先后顺序性，T代表该A-B-C位置模式所具备的时间特征即时间段)的位置移动模式。在K个近邻中，搜索具有相同位置移动模式，将预测用户与近邻的相似度作为权重，与预测用户(个体)进行融合。考虑了K个近邻用户的相似度并作为权重对预测用户本身的影响，同时搜索相关的移动规律即位置移动模式进行位置预测，这样的技术思路相较与传统位置预测方法更加的鲁棒，抗噪声能力更强，也更加符合社会学规律，准确度更高。

附图说明

图1是本发明融合个体与近邻移动规律的位置预测方法的一种具体实施方式流程图；

图2是图1所示K近邻发现中用户轨迹数据映射的用户轨迹网络示意图；

图3是图1所示K近邻发现中位置时间分布示意图，其中(a)为到达地点1时间分布，(b)为离开地点1时间分布；

图4是本发明中K近邻搜索过程中所采用的近邻权重影响一具体实例示意图；

图5是本发明中对于用户的位置移动模式的挖掘，通过挖掘分析用户历史的移动数据提取形如<A-B-C_i,T>位置移动模式；

图6是图1中基于个体规律和近邻规律的位置预测示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

图1是本发明融合个体与近邻移动规律的位置预测方法的一种具体实施方式流程图。

在本实施例中，如图1所示，本发明融合个体与近邻移动规律的位置预测方法包括以下步骤：

S1：用户移动数据收集与整理清洗

用户移动数据，如：用户手机定位服务GPS数据、车辆定位仪的GPS数据、航空公司航班飞行数据、火车开行数据等。

GPS数据包括每个时间采样刻度，用户所在的经纬度信息。航空公司航班飞行数据即为每个用户的行程单数据，火车开行数据为用户乘坐的火车出行的数据。

在GPS数据中，由于GPS数据中冗余信息过多，需要提取具有时空分布特征的重要(关键)地点的时间位置信息，在此我们采用传统的POI(Point of Interest)提取方法，对隐藏在GPS数据中的重要(关键)地点的位置信息进行提取，并提取对应位置的时间分布信息，得到用户轨迹数据。

在具体实施过程中，也可以采用其他类似提取方法或是参考专家知识对位置数据中的重要地点的时间位置信息进行提取。

S2：K近邻发现

为了更好地反映预测用户与其他用户的相关性，在本实施例中，提出了一种新的用户轨迹距离度量函数，可以更好地度量出预测用户与其他用户轨迹的相似度。针对每个用户的轨迹数据，将其映射为一个带时空特征的网络即用户轨迹网络，将位置变为网络中的节点，每个节点存储关于这个位置的两个信息：1.这个位置在轨迹中出现的次数(作为节点的权重)；2.以及进入和离开这个地点的时间分布。这两者分别反映了该位置的空间信息和时间信息。用户轨迹的相似度的问题就转化为了用户轨迹网络的相似度。在本实施例中，采用巴氏距离来进行用户轨迹网络的相似度度量，巴氏距离是一种被广泛使用的度量离散变量或者连续变量概率分布之间的距离的指标。

在本实施例中，具体相似度度量方法如下：

为了能够更加清晰的描述本发明中的用户轨迹网络相似度度量方法给出如下几个定义:

定义1.用户轨迹。在本实施例中，用Γ表示所有用户轨迹构成的集合，用L表示一条用户轨迹数据，Γ中第j个用户的轨迹数据用L^(j)表示。用户轨迹数据L^(j)由一系列包含时间位置信息的点构成，可以是多天，甚至一个月的。

在本实施例中，用户轨迹数据L^(j)＝{<地点3，6:30,到达>，<地点3，7:00，离开>，<地点2，7:10,到达>，<地点2，7:30,离开>，<地点3，7:45，到达>，<地点3，8:05，离开>，<地点1，8:15，到达>，<地点1，8:35，离开>,…,<地点1，10:30，到达>，<地点1，11:00，离开>，<地点5，11:30，到达>，<地点5，12:00，离开>，<地点4，12:30，到达>,…}。相应映射的用户轨迹网络如图2所示。

定义2.用户轨迹网络。对每一条用户轨迹，我们可以将其轨迹数据映射为一个用户轨迹网络N，N＝(V,PV)，其中V是节点构成的集合，对于集合V中的任意一个节点v代表用户轨迹中的一个位置；每个节点包含两个属性：

(1)、进入和离开节点(位置)分别的权值。比如对于第j个用户的轨迹网络N^(j)中的第q个节点我们根据在轨迹中到达该位置和离开该位置次数赋予其权值和用户轨迹数据L^(j)出现位置的集合记为看作(离散)随机变量中到达第q个位置的概率作为进入q节点的权值，表示第j个用户轨迹数据所有位置到达次数之和；中离开第q个位置的概率作为离开该位置的权值，表示第j个用户轨迹数据所有位置离开次数之和。

(2)、进入和离开节点(位置)的时间分布，如图2中所示，节点地点1的时间分布，分为两部分：一是进入该节点的时间分布，二是离开该节点的时间分布。

第j个用户的轨迹网络N^(j)中的第q个节点的到达时间也可以看作随机变量，用表示，简记为离开时间用表示，简记为将所有节点的时间和离散化后，划分为H个位置时间段,出现在第h位置时间段内的次数为则出现在第h位置时间段内的概率其中，出现在各个即H个时间段内的次数为次数之和，也就是到达第q个节点的次数。

同理，出现在第h位置时间段内的次数为则现在第h位置时间段内的概率

在本实施例中，如图3所示，在到达位置即地点1时间分布主要集中在8:00-10:00位置时间段，为18次，其概率0.529，而离开的位置即地点1时间分布主要集中在10:00-12:00位置时间段，为16次，其概率为0.471。

两个用户轨迹网络相似度度量方法如下1、度量两个网络到达对应节点的时空分布，2度量两个网络离开对应节点的时空分布，将两者相加为两个轨迹相似度的度量结果。

到达对应节点的时空分布度量方法与离开对应节点的时空分布度量方法相同，在此仅以到达对应时间节点的时空分布度量方法为例，具体度量方法如下。

1、预测用户的用户轨迹数据为第m条，表示为L^(m)，其他与之进行相似度度量的用户轨迹数据为第n条，表示为L⁽ⁿ⁾，两个用户(预测用户和与之进行相似度度量的用户)轨迹网络到达节点的空间距离Dis_s(m,n)ⁱⁿ为：

其中为预测用户的用户轨迹数据中到达第q个位置的概率，为到达第q个位置的次数，表示预测用户的用户轨迹数据中所有位置到达次数之和；为与预测用户进行相似度度量的用户轨迹数据中到达第q个位置的概率，为到达第q个位置的次数，表示与预测用户进行相似度度量的用户轨迹数据中所有位置到达次数之和；表示位置q属于预测用户的用户轨迹数据或其他与之进行相似度度量用户的用户轨迹数据中的一个位置，并且其中的

表示所有属于两个用户轨迹数据中位置上到达概率乘积的平方根之和，其中，预测用户的用户轨迹数据中出现的位置集合，与预测用户进行相似度度量的用户的用户轨迹数据中出现的位置集合；

同理，可以得到两个用户(预测用户与之进行相似度度量的用户)轨迹网络离开节点的空间距离Dis_s(m,n)^out。

2、两个用户(预测用户与之进行相似度度量的用户)轨迹网络到达节点的时间距离Dis_t(m,n)ⁱⁿ可表示为：

其中，N为两个用户(预测用户与之进行相似度度量的用户)轨迹网络的节点数量，为预测用户的用户轨迹数据中到达第q个位置的时间出现在第h位置时间段内的概率，为与预测用户进行相似度度量用户的用户轨迹数据中到达第q个位置的时间出现在第h位置时间段内的概率；

并且其中的

表示两个用户轨迹数据中所有H个位置时间段到达第q个位置的出现在各个位置时间段内的概率乘积的平方根之和；

同理，可以得到得到两个用户(预测用户与之进行相似度度量的用户)轨迹网络离开节点的的时间距离Dis_t(m,n)^out可表示为：

其中为预测用户的用户轨迹数据中离开第q个位置的时间出现在第h位置时间段内的概率，为与预测用户进行相似度度量用户的用户轨迹数据中离开第q个位置的时间出现在第h位置时间段内的概率；

并且其中的

表示两个用户轨迹数据中所有H个位置时间段离开第q个位置出现在各个位置时间段内的概率乘积的平方根之和；

则到达节点的时空分布度量为Dis_s(m,n)ⁱⁿ与Dis_t(m,n)ⁱⁿ的积：

Dis(m,n)ⁱⁿ＝Dis_s(m,n)ⁱⁿ×Dis_t(m,n)ⁱⁿ

离开节点的时空分布度量方法与到达对应节点的时空分布度量方法相同，为Dis(m,n)^out＝Dis_s(m,n)^out×Dis_t(m,n)^out。

3、两个用户(预测用户与之进行相似度度量的用户)轨迹网络的距离Dis(m,n)最终由上述两部分距离共同决定，即：

Dis(m,n)＝Dis(m,n)ⁱⁿ+Dis(m,n)^out

两个用户(预测用户与之进行相似度度量的用户)轨迹网络的相似度S(m,n)可以简单地由Dis(m,n)得到：

S(m,n)＝e^-Dis(m,n)。

K近邻规律是本发明中重要的一步，根据前述方法，将用户轨迹网络与其他用户轨迹网络进行相似度度量，在K近邻发现中采用遍历的方法搜索K个相似度最高的用户，找到相似度最大的K个用户，这K个用户为预测用户的K个近邻。

K个近邻与预测用户的相似性度量作为与用户融合的权重值进行融合，在对位置进行预测时，将K近邻中的相似性影响权重归一化至[0-1]，且总和为1。

其中，S_k为K个近邻中第k个的相似度，w_k为对应的影响权值。

通过此种归一化方法，考虑了K近邻中每个用户与预测用户之间的关系，且更好的反映了近邻用户对预测用户的加权影响。在本实施例例中，如图4所示，预测用户有K＝4个近邻用户，其归一化后的权值分别为：用户1，w₁＝0.3；用户2，w₂＝0.1；用户3，w₃＝0.2；用户4，w₄＝0.4。

S3：位置移动模式确定

对于预测用户，在时间段T内，从位置A到位置B后所有可能到达的位置为C_i，则三个连续位置即位置A、位置B以及C_i构成一个位置移动模式<A-B-C_i,T>；其中，i为可能到达的位置序号，i＝1,2,…,I，I为所有可能到达位置的数量。在本实施例中，如图5所示，给出了一个8:00-9:00时间段，宿舍-食堂-实验室的位置移动模式。

S4：用户位置预测

本发明的核心内容之一是对用户位置预测，本发明考虑了预测用户自身的移动规律和身边最相似的K个用户(近邻)的活动规律，然后将两种规律进行融合最终汇聚成为带有K近邻特征的移动规律。在用户移动规律的模式中，着重发现具有三个连续地点的移动模式，这种模式符合实际的时间和空间约束。带有地点相关特征的预测主要表现为通过分析前一地点所具有的空间约束和时间约束分析未来可能到达地点约束的最大可能，如图6所示，具体用户位置预测为：

S401、首先找到位置集合Z，集合Z为所有预测用户可能到达位置C_i的集合，i为可能到达位置的序号，i＝1,2,…,I，I为所有可能到达位置的数量；

S402、在预测用户的K个近邻中，对于每个近邻，在其历史用户轨迹数据找到位置移动模式<A-B-C_i,T>，并计算该位置移动模式发生的可能性NPr_k<A-B-C_i,T>，所有近邻模式即所有近邻的影响为：

S403、个体模式下，计算预测用户历史用户轨迹数据中位置移动模式<A-B-C_i,T>发生的可能性UPr(＜A-B-C_i,T＞)；

S404、计算预测用户到达第i个位置的可能性为：

其中，Pr(＜A-B-C_i,T＞)为预测用户在时间段T内，从位置A到位置B后到达的位置C_i的可能性。

S405、找到可能性最大的位置C_max。

S5：群体分布规律预测

本发明中，群体位置分布预测的基础是群体内个体的移动模式。将群体内个体即各个用户位置预测结果相加后既为群体位置分布预测结果。在一定区域范围内共有R个预测用户，则群体位置分布预测如下：

其中，Pr_r(＜A-B-C_i,T＞)为第r个预测用户在时间段T内，从位置A到位置B后到达的位置C_i的可能性。

本发明首先提取轨迹数据中的重要地点，然后通过一种时空分布相关的距离度量函数，找出围绕用户且具有相似位置分布的K个用户。然后本发明通过挖掘用户历史信息中形如<A-B-C,T>(其中A,B,C代表提取出的位置，且A,B,C具有先后顺序性，T代表该A-B-C位置模式所具备的时间特征)的移动模式。在近邻模式中，搜索具有相同模式的近邻并且将与近邻的距离作为权重，与个体模式进行融合。对未来位置C进行预测时要注意先前到达的位置的移动模式。未来的群体位置分布针对群体是由每个小团体构建而成的社会特点，将K近邻中的所有模式视为位置分布，将群体中的所有K近邻的位置分布相加即为群体的位置分布。

本发明中，针对传统位置预测方法的不足提出了基于个体移动规律和K近邻规律的位置预测技术。本发明中提出了在用户相似性度量、用户移动模式发现、用户K近邻发现、用户位置预测和群体位置分布预测等关键技术上做出了创新。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims

1.一种融合个体与近邻移动规律的位置预测方法，其特征在于，包括以下步骤：

(1)、用户移动数据收集与整理清洗

收集用户移动数据，根据分析需求对用户移动数据进行整理清洗，采用相关的关键地点信息提取技术对隐藏在用户移动数据中关键地点的位置信息进行提取，并获取对应位置的时间分布信息，得到用户轨迹数据；

(2)、K近邻发现

(3)、位置移动模式确定

对于预测用户，在时间段T内，从位置A到位置B后所有可能到达的位置为C_i，则三个连续位置即位置A、位置B以及C_i构成一个位置移动模式<A-B-C_i,T>；其中，i为可能到达的位置序号，i＝1,2,…,I，I为所有可能到达位置的数量；

(4)、用户位置预测

2.根据权利要求1所述的位置预测方法，其特征在于，步骤(2)中，所述将其用户轨迹网络与其他用户轨迹网络进行相似度度量为：

2.1)、预测用户的用户轨迹数据为第m条，表示为L^(m)，其他与之进行相似度度量的用户的用户轨迹数据为第n条，表示为L⁽ⁿ⁾，两个用户轨迹网络到达节点的空间距离Dis_s(m,n)ⁱⁿ为：

表示所有属于两个用户轨迹数据中位置上到达概率乘积的平方根之和；

同理，可以得到两个用户轨迹网络离开节点的空间距离Dis_s(m,n)^out；

2.2)、两个用户轨迹网络到达节点的时间距离Dis_t(m,n)ⁱⁿ可表示为：

其中，N为两个用户轨迹网络的节点数量，为预测用户的用户轨迹数据中到达第q个位置的时间出现在第h位置时间段内的概率，为与预测用户进行相似度度量用户的用户轨迹数据中到达第q个位置的时间出现在第h位置时间段内的概率；

并且其中的

同理，可以得到得到两个用户轨迹网络离开节点的的时间距离Dis_t(m,n)^out可表示为：

并且其中的

Dis(m,n)ⁱⁿ＝Dis_s(m,n)ⁱⁿ×Dis_t(m,n)ⁱⁿ

离开节点的时空分布度量方法与到达对应节点的时空分布度量方法相同，为Dis(m,n)^out＝Dis_s(m,n)^out×Dis_t(m,n)^out；

2.3)、两个用户轨迹网络的距离Dis(m,n)最终由上述两部分距离共同决定，即：

Dis(m,n)＝Dis(m,n)ⁱⁿ+Dis(m,n)^out

两个用户轨迹网络的相似度S(m,n)可以简单地由Dis(m,n)得到：

S(m,n)＝e^-Dis(m,n)。