CN110322067A - 基于因子图模型的移动用户位置预测方法 - Google Patents

Abstract

本发明公开了一种基于因子图模型的移动用户位置预测方法，步骤如下：对用户的移动轨迹数据进行聚类，并剔除一些少见的位置点，得到用户的候选位置集合；从用户的历史记录日志中提取用户的时间特征，位置特征，网络状态特征和社交特征；对用户不同类型特征之间的关联情况用因子进行定义和表示，并构建因子图模型；训练该模型，并对用户下一时刻的位置进行预测。该发明综合考虑用户相邻时刻位置之间的时空关联性，以及用户的网络状态、社交行为对位置的影响，并用不同类型的因子来刻画不同类型特征对位置的影响，利用因子图模型将不同类型特征之间的关联进行有效地融合，该方法能显著提高移动用户位置预测的准确率。

Description

基于因子图模型的移动用户位置预测方法

技术领域

本发明涉及移动行为预测技术领域，具体涉及一种基于因子图模型的移动用户位置预测方法。

背景技术

随着移动通讯设备的快速发展和广泛普及，各种基于位置的服务，如导航、移动广告、个性化推荐等不断涌现，并渗透到人们的日常生活当中。为了给用户提供更加精准的基于位置的服务，位置预测变得尤为重要。例如，提前预知用户的位置可以及时提醒用户前方道路是否拥塞，以及重新帮助用户规划路线以避免拥堵，也可以进行相应的推荐等。而大规模人类行为轨迹数据的产生和采集促使越来越多的研究者投入到位置预测当中。

现有的位置预测方法主要关注于如何利用用户移动的时间和空间上的关联性以及用户的朋友等社交关系的移动轨迹。然而有很多因素都能反映用户的位置状况，比如用户在不同位置的不同网络状态和上网频率，这些因素不会涉及他人(用户的朋友等)的隐私，非常适合运用到实际的位置预测当中。此外，大部分现有方法假设用户的移动性服从马尔科夫性质，而没有考虑马尔可夫链假设在具体实践当中是否有效。综合上述两点，现有的位置预测方法没有能够充分利用影响用户移动性的特征，同时也需要一个能够整合不同类型特征的一般性的模型。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于因子图模型的移动用户位置预测方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于因子图模型的移动用户位置预测方法，所述的移动用户位置预测方法包括下列步骤：

S1、提取用户候选位置集合，即对用户的移动轨迹数据进行聚类，剔除用户不常去的位置点，从而产生该用户的候选位置点，组成候选位置集合；

S2、提取用户在不同时刻下的网络状态，不同社交行为类型的频率以及位置点，得到用户的时间特征，网络状态特征，社交特征以及位置特征；

S3、建立移动用户行为序列，即将提取到的用户特征按照时间顺序转化为序列，序列中每个元组的格式为[时间特征，位置特征，网络状态特征，社交特征]；

S4、对不同类型特征之间的关联情况进行定义，并利用因子图模型将所有特征有效地融合到一个统一的框架中；

S5、对构建的因子图模型进行训练，并预测用户下一时刻的位置点。

进一步地，所述的步骤S1中提取用户候选位置集合，即对用户的移动轨迹数据进行聚类，剔除用户不常去的位置点，组成候选位置集合，具体实现步骤如下：

S11、分析用户历史轨迹中位置点的经纬度信息，设定聚类区域之间的邻域半径和区域内最小样本个数；

S12、使用DBSCAN聚类算法将具有相似经纬度信息的位置点聚为一类，得到移动用户候选位置集合L，同时排除用户不常去位置点的干扰。DBSCAN(Density-based spatialclustering of applications with noise)算法是由Martin Ester提出的基于密度的聚类算法。该算法不仅可以将具有足够高密度的区域划分为簇，还可以在噪声空间中发现任意形状的簇，被广泛用于用户移动位置聚类中。

进一步地，所述的步骤S2中提取用户在不同时刻下的网络状态，不同社交行为类型的频率以及位置点，具体实现步骤如下：

S21、定义用户当前时刻t为其时间特征；

S22、对于时刻t，提取用户当前的网络状态，用0，1，2分别表示Wi-Fi、蜂窝流量和无网络三种网络状态特征；

S23、对于时刻t，统计用户在t时刻内不同社交行为类型的次数，并分别将其划分到高、中、低三个频率中，并用0，1，2进行表示，得到用户在时刻t下的社交特征。其中，社交行为类型包括点赞，取消点赞，刷新推文，阅读纯文本推文，预览视频，点击观看视频，发布纯文本推文，发布多媒体推文，转发纯文本推文，转发多媒体推文，点击用户个人信息文件和点击话题；

S24、对于时刻t，将用户轨迹数据中的位置信息用候选位置集合中相应的位置点进行替代，得到用户在时刻t的位置特征。

进一步地，所述的步骤S4中对不同类型特征之间的关联情况进行定义，并利用因子图模型将所有特征有效地融合到一个统一的框架中，具体实现步骤如下：

S41、对于相邻两个时刻的位置y^t和y^t+1，使用指数线性函数来表达两个位置之间的关联因子，表述式如下：该式也称为势函数，其中Φ是一个二值的指示函数向量，即当t时刻用户位置为a，t+1时刻用户位置为b时，Φ(y^t＝a，y^t+1＝b)＝1，其他情况下为0；β为权重向量，为所有情况下的(y^t，y^t+1)组合分配一个权重，Z^β是归一化项，保证所有可能出现情况的概率之和为1；

S42、对于在同一时刻t内，时间、网络状态和社交行为的频率对位置的影响因子表述式如下：该式也称为势函数，其中i∈{h，s，n}，分别代表时间、网络状态和社交行为，代表对应的特征，Φ是一个二值的指示函数向量，α_i为权重向量，是归一化项；

S43、给定前T时刻的所有特征，将不同类型的特征信息根据关联情况联系起来，得到因子图模型，根据Hammersley-Clifford定理，一个无向图模型的概率可以表示为定义在图上的所有最大团的势函数的乘积，得到用户下一时刻出现在位置y^T+1的概率，即：

其中，Z_θ为归一化系数，其中θ∈{α，β}。

进一步地，所述的步骤S5中对构建的因子图模型进行训练，并预测用户下一时刻的位置点，具体实现步骤如下：

S51、在对模型训练的过程中，引入正则化超参数λ以避免出现过拟合现象，最终的目标函数为：

S52、初始化参数θ，计算特征在训练集上的期望和E_D[Φ(y^t，y^t+1)]，采用置信传播算法计算在参数上的期望和E_θ[Φ(y^t，y^t+1)]，计算梯度和并对参数进行更新直至收敛或者达到预设的最大迭代次数；

S53、用户下一时刻出现概率最高的位置即为预测得到的用户下一时刻的位置，通过最大化后验概率即可得到预测的用户下一时刻出现概率最大的位置本发明相对于现有技术具有如下的优点及效果：

1、本发明公开的基于因子图模型的移动用户位置预测方法，不仅考虑了不同时刻下位置之间的关联性，也结合了时间，网络状态和社交行为等多维特征对位置的影响，更加精准和实用。

2、本发明公开的基于因子图模型的移动用户位置预测方法，很好地刻画了不同类型特征之间的不同关联情况，并将其进行有效地整合，从而能够有效地对用户下一时刻的位置进行预测。

附图说明

图1是本发明中公开的基于因子图模型的移动用户位置预测方法的实现步骤流程图；

图2是对不同类型特征信息进行有效整合的因子图模型图。

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、完整地描述，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。

实施例

本实施例公开了一种基于因子图模型的移动用户位置预测方法，该方法刻画了不同类型特征与位置之间的关联信息，并利用因子图模型来对其进行有效地整合，通过最大化后验概率对用户下一时刻的位置进行预测。本实施例结合说明书附图1和图2及表1，并以一个具体的基于因子图模型的移动用户位置预测方法实施例，对本发明提出的精准实用方法做详细的说明。

实际数据集来自用户使用TwidereAPP(一款Twitter客户端)所产生的日志。该日志不仅包含了用户在Twitter上的不同社交行为(如点赞，取消点赞，刷新推文，阅读纯文本推文，预览视频，点击观看视频，发布纯文本推文，发布多媒体推文，转发纯文本推文，转发多媒体推文，点击用户个人信息文件和点击话题等)及其发生的时间，也以10分钟为单位记录了用户的网络状态和地理位置信息。本发明中选取100名用户一个月内的使用数据，其中前20天作为训练集，后10天作为测试集。

如图1所示，本发明中基于因子图模型的移动用户位置预测方法包括以下步骤：

S1、提取用户候选位置集合，即对用户的移动轨迹数据进行聚类，剔除用户不常去的位置点，组成候选位置集合；

S11、分析用户历史轨迹中位置点的经纬度信息，设定聚类区域之间的邻域半径和区域内最小样本个数；

S12、使用DBSCAN聚类算法将具有相似经纬度信息的位置点聚为一类，得到移动用户候选位置集合L，同时排除用户不常去位置点的干扰。

S2、提取用户在不同时刻下的网络状态，不同社交行为类型的频率以及位置点，具体实现步骤如下：

S21、定义用户当前时刻t为其时间特征；

S22、对于时刻t，提取用户当前的网络状态，用0，1，2分别表示Wi-Fi、蜂窝流量和无网络三种网络状态特征；

S23、对于时刻t，统计用户在t时刻内不同社交行为类型的次数，并分别将其划分到高、中、低三个频率中，并用0，1，2进行表示，得到用户在时刻t下的社交特征。其中，社交行为类型包括点赞，取消点赞，刷新推文，阅读纯文本推文，预览视频，点击观看视频，发布纯文本推文，发布多媒体推文，转发纯文本推文，转发多媒体推文，点击用户个人信息文件，点击话题。

S24、对于时刻t，将用户轨迹数据中的位置信息用候选位置集合中相应的位置点进行替代，得到用户在时刻t的位置特征。

S3、建立移动用户行为序列，即将提取到的用户特征按照时间顺序转化为序列，序列中每个元组的格式为[时间特征，位置特征，网络状态特征，社交特征]。

S4、对不同类型特征之间的关联情况进行定义，并利用因子图模型将所有特征有效地融合到一个统一的框架中，如图2所示：

S41、对于相邻两个时刻的位置y^t和y^t+1，使用指数线性函数来表达两个位置之间的关联因子，表述式如下：该式也称为势函数，其中Φ是一个二值的指示函数向量，即当t时刻用户位置为a，t+1时刻用户位置为b时，Φ(y^t＝a，y^t+1＝b)＝1，其他情况下为0；β为权重向量，为所有情况下的(y^t，y^t+1)组合分配一个权重，Z^β是归一化项，保证所有可能出现情况的概率之和为1；

S42、对于在同一时刻t内，时间、网络状态和社交行为的频率对位置的影响因子表述式如下：该式也称为势函数，其中i∈{h，s，n}，分别代表时间、网络状态和社交行为，代表对应的特征，Φ是一个二值的指示函数向量，α_i为权重向量，是归一化项；

S43、给定前T时刻的所有特征，将不同类型的特征信息根据关联情况联系起来，得到因子图模型，用户下一时刻出现在位置y^T+1的概率即为：

其中，Z_θ为归一化系数，其中θ∈{α，β}。

S5、对构建的因子图模型进行训练，并预测用户下一时刻的位置点，具体实现步骤如下：

S51、在对模型训练的过程中，引入正则化超参数λ以避免出现过拟合现象，最终的目标函数为：

S52、初始化参数θ，计算特征在训练集上的期望和E_D[Φ(y^t，y^t+1)]，采用置信传播算法计算在参数上的期望和E_θ[Φ(y^t，y^t+1)]，计算梯度和并对参数进行更新直至收敛或者达到预设的最大迭代次数；

S53、用户下一时刻出现概率最高的位置即为预测得到的用户下一时刻的位置，通过最大化后验概率即可得到预测的用户下一时刻出现概率最大的位置通过对100个用户进行实验，得到的结果如表1所示。

表1.不同方法的准确率对比表

方法	准确率
		逻辑回归	84.88％
K近邻	86.48％
		随机森林	86.66％
支持向量机	87.23％
		基于时间的马尔科夫模型	87.71％
因子图模型	93.87％

本发明采用准确率来对预测结果进行评价：

本发明提出的基于因子图模型的移动用户位置预测方法相比其他现有位置预测方法有6％～9％左右的准确率提升。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于因子图模型的移动用户位置预测方法，其特征在于，所述的移动用户位置预测方法包括下列步骤：

S1、提取用户候选位置集合，即对用户的移动轨迹数据进行聚类，剔除用户不常去的位置点，从而产生该用户的候选位置点，组成候选位置集合；

S2、提取用户在不同时刻下的网络状态，不同社交行为类型的频率以及位置点，得到用户的时间特征、网络状态特征、社交特征以及位置特征；

S3、建立移动用户行为序列，即将提取到的用户特征按照时间顺序转化为序列，序列中每个元组的格式为[时间特征，位置特征，网络状态特征，社交特征]；

S4、对不同类型特征之间的关联情况进行定义，并利用因子图模型将所有特征有效地融合到一个统一的框架中；

S5、对构建的因子图模型进行训练，并预测用户下一时刻的位置点。

2.根据权利要求1所述的基于因子图模型的移动用户位置预测方法，其特征在于，所述的步骤S1中提取用户候选位置集合，即对用户的移动轨迹数据进行聚类，剔除用户不常去的位置点，组成候选位置集合，具体实现步骤如下：

S11、分析用户历史轨迹中位置点的经纬度信息，设定聚类区域之间的邻域半径和区域内最小样本个数；

S12、使用DBSCAN聚类算法将具有相似经纬度信息的位置点聚为一类，得到移动用户候选位置集合L，同时排除用户不常去位置点的干扰。

3.根据权利要求1所述的基于因子图模型的移动用户位置预测方法，其特征在于，所述的步骤S2中提取用户在不同时刻下的网络状态，不同社交行为类型的频率以及位置点，得到用户的时间特征，网络状态特征，社交特征以及位置特征，具体实现步骤如下：

S21、定义用户当前时刻t为其时间特征；

S22、对于时刻t，提取用户当前的网络状态，用0，1，2分别表示Wi-Fi、蜂窝流量和无网络三种网络状态特征；

S23、对于时刻t，统计用户在t时刻内不同社交行为类型的次数，并分别将其划分到高、中、低三个频率中，并用0，1，2进行表示，得到用户在时刻t下的社交特征；

S24、对于时刻t，将用户轨迹数据中的位置信息用候选位置集合中相应的位置点进行替代，得到用户在时刻t的位置特征。

4.根据权利要求1所述的基于因子图模型的移动用户位置预测方法，其特征在于，所述的步骤S4中对不同类型特征之间的关联情况进行定义，并利用因子图模型将所有特征有效地融合到一个统一的框架中，具体实现步骤如下：

S41、对于相邻两个时刻的位置y^t和y^t+1，使用指数线性函数来表达两个位置之间的关联因子，表述式如下：该式也称为势函数，其中Φ是一个二值的指示函数向量，即当t时刻用户位置为a，t+1时刻用户位置为b时，Φ(yt＝a，y^t+1＝b)＝1，其他情况下为0；β为权重向量，为所有情况下的(y^t，y^t+1)组合分配一个权重，Z^β是归一化项，保证所有可能出现情况的概率之和为1；

S42、对于在同一时刻t内，时间、网络状态和社交行为的频率对位置的影响因子表述式如下：该式也称为势函数，其中i∈{h，s，n}，分别代表时间、网络状态和社交行为，代表对应的特征，Φ是一个二值的指示函数向量，α_i为权重向量，是归一化项；

S43、给定前T时刻的所有特征，将不同类型的特征信息根据关联情况联系起来，构建因子图模型，用户下一时刻出现在位置y^T+1的概率即为：

其中，Z_θ为归一化系数，其中θ∈{α，β}。

5.根据权利要求1所述的基于因子图模型的移动用户位置预测方法，其特征在于，所述的步骤S5中对构建的因子图模型进行训练，并预测用户下一时刻的位置点，具体实现步骤如下：

S51、在对模型训练的过程中，引入正则化超参数λ以避免出现过拟合现象，最终的目标函数为：

S52、初始化参数θ，计算特征在训练集上的期望和E_D[Φ(y^t，y^t+1)]，采用置信传播算法计算在参数上的期望和E_θ[Φ(y^t，y^t+1)]，计算梯度和并对参数进行更新直至收敛或者达到预设的最大迭代次数；

S53、用户下一时刻出现概率最高的位置即为预测得到的用户下一时刻的位置，通过最大化后验概率即可得到预测的用户下一时刻出现概率最大的位置

6.根据权利要求1至5任一所述的基于因子图模型的移动用户位置预测方法，其特征在于，所述的社交行为类型包括点赞、取消点赞、刷新推文、阅读纯文本推文、预览视频、点击观看视频、发布纯文本推文、发布多媒体推文、转发纯文本推文、转发多媒体推文、点击用户个人信息文件和点击话题。