CN108024205B - 基于深度学习的车联网移动广告传播方法 - Google Patents

Abstract

本发明涉及基于深度学习的车联网移动广告传播方法，属于车载自组织网络技术领域。在移动广告的信息传播过程中，种子车辆发挥着及其重要的作用。本发明提出了如何为移动广告技术找到最优的种子车辆的方法，以达到最大的覆盖率和最大的影响力。本发明根据大量已有的车辆的GPS信息，计算车辆在不同广告有效期的节点中心性，并基于车辆在前后不同广告有效期的节点中心性训练深度神经网络，然后使用该训练好的深度神经网络基于当前广告有效期的节点中心性预测车辆在下一广告有效期的节点中心性，并进而选取其中具有较大节点中心性的车辆作为种子节点进行广告的传播。对比现有技术，本发明提高了车辆在移动广告传播中的效率，节约了资源。

Description

基于深度学习的车联网移动广告传播方法

技术领域

本发明涉及一种车联网移动广告传播方法，具体涉及一种基于深度学习的车联网移动广告传播方法，属于车载自组织网络技术领域。

背景技术

现如今，随着自动驾驶的蓬勃发展，使得智能车辆以及车内辅助系统得以实现。配备了无线通信设备的智能车辆具备强大的功能。在车联网中，车辆之间通过内部通信机制实现信息的传输。车辆间的通信是一种更安全，更高效的通信方式，可以提供给司机以及乘客实时信息，如实时交通拥堵信息，广播以及广告等。车联网移动广告作为一种新的技术手段吸引着人们的关注，在这种机制下，移动的车辆可以被理解为广告的传播者和接收者，实现广告在车联网中的传播。广告在车联网中的使用，有效降低传统的广告传播的工作导致的资源浪费，提高工作完成效率。移动广告技术在车联网中的使用，在不通过互联网的前提下使得广告信息以及紧急事件等信息在车辆之间的高效率的传播得以实现。将广告传播与车载自组织网络相结合，利用车辆作为广告的传播者和接收者，能够高效的利用车辆资源，辅助智能交通的实现。

目前，关于车联网移动广告的研究较少，本发明主要涉及到了车节点中心性预测和车辆轨迹预测两方面的内容。在车辆节点中心性预测领域，基于车辆的GPS信息，通过深度神经网络预测车辆在下一广告有效期的节点中心性；在车辆轨迹预测领域，基于车辆的GPS信息，通过深层神经网络预测车辆未来的轨迹，进而预测车辆在下一广告有效期的节点中心性。移动广告技术中的种子车辆可以认为是影响力最大化问题，但该问题是NP难问题。深度学习已经在计算机视觉、语音识别、自然语言处理等众多领域取得成功。所谓机器学习的一个分支，深度学习可以基于高维数据进行建模，另外，随着GPU技术的不断发展与进步，使得深度学习得到广泛应用。因此，利用深度学习技术，使得对于通过车联网实现移动广告的应用得以实现。

发明内容

本发明的目的在于，充分利用车辆的行驶轨迹信息，利用其在时间上和空间上的特性，利用车联网在车辆之间实现广告以及应急广播等信息的传播，以取得高覆盖率以及高影响力。通过对车辆的GPS信息的分析以及处理，寻找到具有最大节点中心性的种子车辆实现车联网移动广告技术的实现。

本发明为了解决上述技术问题，提出了基于深度学习实现移动广告业务的方法。该方法的技术方案的思想是根据车辆的GPS信息，计算车辆在不同广告有效期的节点中心性，基于车辆在不同广告有效期的节点中心性，通过深度神经网络，预测车辆在下一广告有效期的节点中心性，并进而得到具有最大节点中心性的车辆作为种子节点。

本发明的是通过以下技术方案实现的：

一种基于深度学习的车联网移动广告传播方法，该方法包括以下步骤：

步骤一、利用车辆GPS信息，以天为单位，将车辆进行分组，以统计出所有车辆在某天内的行驶信息；

步骤二、按照车辆的GPS数据间隔Δt对其行驶信息进行整合，得到车辆的 GPS信息矩阵如下：

其中，v_i表示第i辆车，i＝1,2,…,n，n表示车辆的总数；t_j表示第j个时刻，j＝1,2,…,m，m表示时刻的总数，通过如下公式计算：m＝24*60*60/Δt，表示将一天24小时以Δt秒为间隔进行分割得到的分隔点总数；[Lon_ij,Lat_ij]表示车辆v_i在时刻t_j的GPS坐标，对于在某个时间点不存在GPS信息的车辆，将其在该时间点的值设置为[0,0]；根据广告业务的需求，设置广告有效期slot，将 GPS信息矩阵分割成以slot为单位的GPS信息子矩阵；

步骤三、根据步骤二所得到的GPS信息子矩阵，计算车辆v_i和车辆v_j之间的距离

设置距离参数阈值θ，根据如下公式计算车辆v_i和车辆v_j在 slot时间内的连接次数ζ_ij：

其中，I(·)表示指示函数；T表示GPS信息子矩阵内时刻的集合；在此规定，车辆与自身的连接次数为0，因此，该矩阵的对角线元素的值都为0；

得到连接次数矩阵U：

其中，v_i，v_j表示第i、第j辆车，i,j＝1,2,…,n；该矩阵统计的结果为所有车辆两两之间在广告有效期内的连接次数；

步骤四、设置连接次数的阈值参数ζ_threshold，对于连接次数ζ_ij大于ζ_threshold的连接次数进行统计。对步骤三得到的连接次数矩阵U，根据如下公式计算节点中心性：

其中，V表示车辆的集合；ζ_ij表示第i辆车与第j辆车的连接次数；ζ_threshold表示设置的连接次数的阈值；

步骤五、根据步骤四得到的每辆车的节点中心性，将所有车辆的节点中心性拼接起来，组成车辆节点中心性向量vec_centrality：

vec_centrality＝[centrality(v₁),centrality(v₂),…,centrality(v_n)]

将当前广告有效期内节点中心性向量vec_centrality_{slot_t}作为深度神经网络的输入，以下一个广告有效期内的节点中心性向量vec_centrality_{slot_(t+1)}作为深度神经网络的输出，即标签，训练深度神经网络；并应用该神经网络，以车辆当前广告有效期内的节点中心性作为输入，预测车辆在下一个广告有效期内的节点中心性。该模型称为MLP-W；

步骤六、设置选用车辆数目的参数N，根据深度神经网络训练得到的车辆的节点中心性的数值，选取节点中心性top-N的车辆作为种子节点进行广告的传播。

作为优选，所述车辆v_i和车辆v_j之间的距离

采用欧式距离函数计算。

作为优选，为使本方法更加有效，步骤三所述车辆v_i和车辆v_j之间的距离

采用如下充分考虑车辆前一刻及后一刻所在位置的计算公式计算：

其中，

表示车辆v_i在时刻t的GPS坐标；S_win是数据处理过程中的滑动窗口的大小，为奇数；t-是

的简写；t+是

的简写；D(G₁,G₂)表示欧氏距离函数。

作为优选，为使深度神经网络预测的一个广告有效期内的节点中心性更为准确，充分考虑时间性因素，将步骤五所述vec_centrality增加时间维度信息。

作为优选，为使深度神经网络预测的一个广告有效期内的节点中心性更为准确，充分考虑节点中心性的时序关系特征，设定滑动窗口的大小为S_win，使用当前广告有效期的前S_win个连续的vec_centrality作为深度神经网络的输入，下一个广告有效期的vec_centrality作为深度神经网络的标签对深度神经网络进行训练，并以此训练好的深度神经网络对包括当前广告有效期在内的S_win个连续的vec_centrality作为深度神经网络的输入，预测下一个广告有效期的节点中心性。

有益效果：

本发明针对车辆网中车辆在时间上和空间上的特性，利用车辆的GPS信息，通过计算车辆与车辆之间的节点中心性，训练深度神经网络模型，找到最优的种子车辆进行移动广告的传播。本发明提高了所选的种子车辆在移动广告的传播应用中的覆盖率和影响力，提高了车辆在移动广告的传播中的效率，充分利用车辆在道路行驶中的特点，能够节约资源。

附图说明

图1是本发明深度神经网络MLP-W的流程图。

图2是本发明联系图的空间特性示意图。

图3是本发明不同距离参数下平均节点中心性的变化情况示意图。

图4是本发明MLP-W的结构图。

图5是本发明上海数据集种子车辆的覆盖率实验结果对比。

图6是本发明上海数据集种子车辆的平均影响力实验结果对比。

图7是本发明上海数据集在不同距离参数下覆盖率实验结果对比。

图8是本发明上海数据集在不同距离参数下平均影响力实验结果对比。

图9是本发明上海数据集在不同有效期时长下覆盖率实验结果对比。

图10是本发明上海数据集在不同有效期时长下平均影响力实验结果对比。

图11是本发明在上海数据集上在线评估覆盖率实验结果对比。

图12是本发明在上海数据集上在线评估平均影响力实验结果对比。

具体实施方式

下面结合附图与实施例对本发明较优的实施方式进行详细介绍。

通过在道路上行驶的出租车的分析，发现一个城市的出租车时时刻刻都在道路上行驶，并且可以覆盖城市的大部分区域，且其行驶轨迹具有一定的周期性。图2为随机选取的100辆出租车在一个月内的联系图的空间特性。边的含义是该边的两个顶点，即出租车，之间的联系次数。从统计上看，超过30％的出租车有他们自己的“最熟悉的陌生人”。从图2可以明显看出，城市中行驶的出租车在时间上和空间上具有其固有的特性，可以充分利用在移动广告的传播。

图3所示为出租车在一个月内的每一天的平均节点中心性的变化情况。横坐标为日期，纵坐标为车辆的平均节点中心性。该图表明，出租车的平均节点中心性的变化很稳定，波动并不大。因此，针对广告业务的特性，广告有其固有的生存周期，可通过设置广告的有效期，将每天分成多个时间段，定义为slot，每个slot具有相同时间长度T。

(一)如图1所示，展示了深度神经网络MLP-W实现移动广告传播的整个流程，从图中可以看出，基于车辆的GPS数据对车辆信息进行预处理，通过距离计算公式，节点中心性计算公式以及不同超参数的设置，得到所有车辆在不同的时间段内的节点中心性的向量，进而训练深度神经网络，预测所有车辆在下一个时间段内的节点中心性并排序，找到top-N的车辆作为种子车辆，用于移动广告的传播。下面对该流程进行详细的介绍。

原始数据为所有车辆的一定时间内的所有行驶轨迹的GPS信息，该GPS信息为所有车辆在一定时间内的不同的时间点下的GPS坐标。因此需要对其进行处理，以挖掘出车辆的轨迹信息以及车辆之间的相互联系。具体步骤如下：

一、基于GPS信息，以天为单位对车辆进行分组：

对于包含n辆车的数据中，其中包括车辆ID，GPS坐标信息以及时间戳等信息。为了对不同车辆在不同时间和空间上的分析，按照不同的日期，将所有车辆进行分组，以便统计车辆在每天的行驶轨迹。即以天为单位，把所有车辆进行分组，统计出在每一天的所有的GPS信息。这样便得到了所有车辆的M天的GPS信息，其中M为天数；

二、对GPS信息进行整合：

由于车辆的GPS信息的时间间隔是15秒，因此，把每天24小时以15秒为单位进行分割。即一天24小时被分割后的长度m＝24*60*60/15＝5760个GPS单元。对于每一辆车，即可统计出该车在每天的每时每刻的GPS信息。对于没有 GPS信息的时刻，将其GPS值设置为0。对于已经按天进行分组的车辆的GPS 信息，对第i天的GPS信息按上述方法进行分割(i＝1,2,…,M)，这样便得到了第 i天的车辆的GPS信息矩阵。该矩阵的每一行r_j代表一辆车(j＝1,2,…,n)，表示该车辆在24小时内的所有的GPS信息。矩阵的行数即为所有车辆的数目。矩阵的列c_j即为GPS单元(j＝1,2,…,m)，列数为5760。得到GPS信息矩阵：

三、计算所有车辆的节点中心性：

根据广告的有效期slot，以该slot把GPS信息矩阵进行分割，得到每天的不同的slot内的GPS信息矩阵U_slot。

对于每个slot内的GPS信息矩阵U_slot，根据每辆车在不同时间点的GPS信息，即可通过步骤三中的距离公式计算出任意两辆车v_i和v_j在某一时刻t_j的距离得到距离

根据设置的有效传输的距离参数阈值θ，认为距离

的两辆车处于有效传输距离内，可以实现广告的传播。在该发明中，考虑到灵活性，可通过参数设置一个大小为S_win的滑动窗口。因为从时间关系以及车辆的移动等特性考虑，针对某一时刻T，即使两辆车的距离超过了有效的传输距离，即

也有可能存在在上一时刻或下一时刻这两辆车由于其行驶的方向等因素使得其可以进入有效的传输距离。因此，设置一个大小为 S_win的滑动窗口在时间序列上滑动，用于捕获车辆在时间上以及在行驶轨迹上的特性。设置不同的S_win，根据距离公式

即可得到所有车辆之间在该slot 内的距离。

因此，通过步骤三中的连接次数计算公式ζ_ij，即可得到任意两辆车v_i和v_j之间的连接次数。如果车辆v_i和车辆v_j之间的距离

则表明车辆 v_i和车辆v_j在有效的传输距离之内，则指示函数

的值为1；否则

的值为0。由此便得到所有车辆之间在某一时刻T是否处于有效传输距离之内。连接次数矩阵U的元素值即为车辆v_i与所有其他车辆的距离通过指示函数所得到的值c_ij。在把所有车辆的c_ij合并到一起，得到了的连接次数矩阵U，即该连接次数矩阵U中的值表示车辆v_i和车辆v_j之间在该slot内的连接次数。

四、对于不同的slot的连接次数矩阵U，可以发现，该矩阵的每行或每列的和即为该车辆在该slot内的节点中心性。根据步骤四中的节点中心性的公式即可得到每辆车的节点中心性向量。考虑到时序性，可以把有效期索引slot index 也作为深度神经网络的输入，用以告诉深度神经网络当前输入的有效期索引信息。因此，将每辆车的节点中心性向量和有效期索引共同作为深度神经网络的输入。

五、以不同slot的节点中心性作为深度神经网络的输入和输出，训练深度神经网络MLP-W，并用其预测每辆车在下一个slot内所能达到的节点中心性。

图4所示为MLP-W的网络结构图。

1.输入层由有效期索引单元slot index和节点中心性单元Centrality i组成 (i＝1,2,…,N)，其中Centrality i，(i＝1,2,…,N)，即为节点中心性向量 vec_centrality。每一组由有效期索引单元slot index和节点中心性向量vec_centrality组成的部分称为slot-entity。受到回馈神经网络RNN 的启发，添加一个滑动窗口，在输入向量上滑动，用于捕获更多的关于节点中心性的时序关系。即设定滑动窗口的大小为S_win，MLP-W的输入为当前时刻的前S_win个连续的slot-entity，表示将所有车辆的前S_win个连续的slot-entity作为深度神经网络MLP-W的输入：

2.隐藏层中，除最后一层的每层神经元使用的激活函数是ReLU函数：

f(x)＝max(0,x)

以避免梯度消失问题。最后一层隐藏层的神经元使用的激活函数是 Sigmoid函数：

以加快神经网络的训练速度。

3.输出层是一个全连接层，输出值为所有车辆在下一个广告有效期的节点中心性向量vec_centrality_{slot_(t+1)}。

六、对深度神经网络MLP-W的结果进行排序，根据广告业务的需求，选取 top-N的车辆作为种子车辆进行移动广告的传播，即排名最高的N个车辆。

应用效果

1、评价指标：

本发明对通过出租车进行移动广告的传播的覆盖率和影响力进行评价，分别评估方法在广度和深度上的性能。

1.覆盖率可以用来评价方法在广度上的性能。覆盖率表明所选的种子车辆可以与多少其他车辆进行联系，即可以完成广告的传播。覆盖率越大，表示广告传播的性能越高。其公式如下：

其中，N表示所有车辆的数目；S表示选出来的种子车辆；

表示种子车辆v_i所联系的车辆的集合；|·|表示集合的大小。

2.平均影响力可以用来评价方法在深度上的性能。平均影响力得到的是在时间段T内，所选的种子车辆所传播的广告的强度。因此，平均影响力的值越大，表明方法的性能越好。其公式如下：

其中，η_ij表示车辆v_i和车辆v_j之间总的连接次数。

2、数据集：

上海市出租车数据：2007年2月1日至2007年2月27日的出租车数据。选取数据集中在27天内都有行驶轨迹的共2106辆出租车。数据信息包括车辆 ID，当前位置(经纬度坐标)，移动速度和角度以及时间戳。空载的车辆每15 秒钟发送一次GPS坐标；载客的车辆每60秒钟发送一次GPS坐标。

参见表1：

表1 实验数据的基本统计

数据集	上海
		车辆数目	2106
开始日期	2007年2月1日
		结束日期	2007年2月27日
天数	27
		粒度	15/60
训练天数	25
		测试天数	2

3、实验结果：

在发明中，使用MLP-W模型来对车辆的节点中心性进行预测，用于移动广告的传播。

首先，有一种在车联网中用于移动广告传播的方法为POST，它是利用马尔科夫链来捕获车辆的节点中心性，其中马尔科夫链的状态就是车辆相应的节点中心性。一辆车在下一广告有效期的节点中心性是基于过去时间阶段的节点中心性预测出来的。然后POST通过贪心算法选择具有最大节点中心性的车辆作为种子节点。但是，POST无法解决只出现在测试集中而未出现在训练集中的数据。所以，当从训练集中抽取出来的样本不够丰富时，POST方法的性能会很差。

图5描述的是分别在slot为4小时和6小时的情况下，随着所选的种子车辆的数目的增加，所能达到的覆盖率的增长情况。从图中可以看到，MLP-W在两种slot的情况下都超过POST将近50％个百分点。图中表明，当种子车辆的数目少于9个的时候，覆盖率迅速增长。当种子车辆的数目超过9时，覆盖率的增长会很缓慢，主要原因是当一部分所选的种子车辆已经覆盖到了大部分的车辆后，另一部分的种子车辆对已经覆盖到了的车辆并不会产生作用。

图6描述的是分别在slot为4小时和6小时的情况下，随着所选的种子车辆的数目的增加，所能达到的平均影响力的增长情况。从图中可以看到，随着种子车辆的增加，平均影响力呈现出的是线性的增长。因此，如果广告运营商关注的是广告的强度，种子车辆的数目越多越好。

图7和图8描述的是上海数据集中15辆种子车辆在slot为4小时和6小时的情况下，在不同的距离参数下的覆盖率和平均影响力的情况。由该图可以发现，MLP-W在覆盖率和平均影响力上都要超过POST。对于真实情况，考虑到不同的广告的需求，表2列出了不同的slot和不同距离参数下，MLP-W和POST 的对比结果。

表2 MLP-W与POST的实验对比结果

图9、10是上海数据集中种子车辆在不同的时间跨度参数下，距离参数为 500米的情况下MLP-W的性能。从图9 可以看到，随着时间跨度参数的增加， MLP-W的覆盖率一直保持增长，但是POST从4小时之后就一直下降。图10 表明，MLP-W的平均影响力随着slot的增加一直保持增长，而POST在3小时以后则趋于平稳。

图11和图12是在上海数据集上，应用在线的方式评估MLP-W和POST的性能。该图的结论是在通过不断扩大数据集的大小，对覆盖率和平均影响力进行评估。该实验的具体细节为：

1、先通过前15天的车辆的轨迹预测第16天的节点中心性，查看其覆盖率和平均影响力；

2、再用前16天的车辆的轨迹预测第17天的节点中心性；

3、以此类推。

最终得到的是一系列的覆盖率和平均影响力。从该图可以发现，MLP-W优于POST并且在覆盖率上和平均影响力上的变化都比较平稳。

综上所述，本发明所提出的方法MLP-W，在车联网的移动广告传播中所能达到的效果优于现有的方法，从而证明本发明的有效性，可以用于车联网的移动广告传播应用中去。

为了说明本发明的内容及实施方法，本说明书给出了一个具体实施例。在实施例中引入细节的目的不是限制权利要求书的范围，而是帮助理解本发明所述方法。本领域的技术人员应理解：在不脱离本发明及其所附权利要求的精神和范围内，对最佳实施例步骤的各种修改、变化或替换都是可能的。因此，本发明不应局限于最佳实施例及附图所公开的内容。

Claims (5)

1.一种基于深度学习的车联网移动广告传播方法，其特征在于：该方法包括以下步骤：

步骤一、利用车辆GPS信息，以天为单位，将车辆进行分组，以统计出所有车辆在某天内的行驶信息；

步骤二、按照车辆的GPS数据间隔Δt对其行驶信息进行整合，得到车辆的GPS信息矩阵如下：

其中，v_i表示第i辆车，i＝1,2,…,n，n表示车辆的总数；t_j表示第j个时刻，j＝1,2,…,m，m表示时刻的总数，通过如下公式计算：m＝24*60*60/Δt，表示将一天24小时以Δt秒为间隔进行分割得到的分隔点总数；[Lon_ij,Lat_ij]表示车辆v_i在时刻t_j的GPS坐标，对于在某个时间点不存在GPS信息的车辆，将其在该时间点的值设置为[0,0]；根据广告业务的需求，设置广告有效期slot，将GPS信息矩阵分割成以slot为单位的GPS信息子矩阵；

步骤三、根据步骤二所得到的GPS信息子矩阵，计算车辆v_i和车辆v_j之间的距离

设置距离参数阈值θ，根据如下公式计算车辆v_i和车辆v_j在slot时间内的连接次数ζ_ij：

其中，I(·)表示指示函数；T表示GPS信息子矩阵内时刻的集合；

得到连接次数矩阵U：

其中，v_i，v_j表示第i、第j辆车，i,j＝1,2,…,n；

步骤四、设置连接次数的阈值参数ζ_threshold，根据如下公式计算车辆i的节点中心性centrality(v_i)：

其中，V表示车辆的集合；ζ_ij表示第i辆车与第j辆车的连接次数；ζ_threshold表示设置的连接次数的阈值；

步骤五、根据步骤四得到的每辆车的节点中心性，将所有车辆的节点中心性拼接起来，组成车辆节点中心性向量vec_centrality：

vec_centrality＝[centrality(v₁),centrality(v₂),…,centrality(v_n)]

将当前广告有效期内节点中心性向量vec_centrality_{slot_t}作为深度神经网络的输入，以下一个广告有效期内的节点中心性向量vec_centrality_{slot_(t+1)}作为深度神经网络的输出，即标签，训练深度神经网络；并应用该神经网络，以车辆当前广告有效期内的节点中心性作为输入，预测车辆在下一个广告有效期内的节点中心性；

步骤六、设置选用车辆数目的参数N，根据步骤五预测的下一个广告有效期内的节点中心性的数值，选取排名前N的车辆作为种子节点进行广告的传播。

2.根据权利要求1所述的一种基于深度学习的车联网移动广告传播方法，其特征在于：步骤三所述车辆v_i和车辆v_j之间的距离

采用欧式距离函数计算。

3.根据权利要求1所述的一种基于深度学习的车联网移动广告传播方法，其特征在于：为使本方法更加有效，步骤三所述车辆v_i和车辆v_j之间的距离

采用如下充分考虑车辆前一刻及后一刻所在位置的计算公式计算：

其中，

表示车辆v_i在时刻t的GPS坐标；S_win是数据处理过程中的滑动窗口的大小，为奇数；t-是

的简写；t+是

的简写；D(G₁,G₂)表示欧氏距离函数。

4.根据权利要求1所述的一种基于深度学习的车联网移动广告传播方法，其特征在于：为使深度神经网络预测的一个广告有效期内的节点中心性更为准确，充分考虑时间性因素，将步骤五所述vec_centrality增加时间维度信息。

5.根据权利要求1-4任一所述的一种基于深度学习的车联网移动广告传播方法，其特征在于：为使深度神经网络预测的一个广告有效期内的节点中心性更为准确，充分考虑节点中心性的时序关系特征，设定滑动窗口的大小为S_win，使用当前广告有效期的前S_win个连续的vec_centrality作为深度神经网络的输入，下一个广告有效期的vec_centrality作为深度神经网络的标签对深度神经网络进行训练，并以此训练好的深度神经网络对包括当前广告有效期在内的S_win个连续的vec_centrality作为深度神经网络的输入，预测下一个广告有效期的节点中心性。

Images