CN110944295B - 位置预测方法、装置、存储介质及终端 - Google Patents
位置预测方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN110944295B CN110944295B CN201911181313.0A CN201911181313A CN110944295B CN 110944295 B CN110944295 B CN 110944295B CN 201911181313 A CN201911181313 A CN 201911181313A CN 110944295 B CN110944295 B CN 110944295B
- Authority
- CN
- China
- Prior art keywords
- submodel
- user
- neural network
- preset
- model
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种位置预测方法、装置、存储介质及终端。所述方法包括:检测到位置预测事件被触发时,获取用户的当前位置序列;将所述当前位置序列输入至位置预测模型中,其中,所述位置预测模型包括根据样本位置序列对至少两个预设网络模型进行学习生成的混合网络模型;根据所述位置预测模型的输出结果预测出所述用户即将到达的位置。通过采用上述技术方案,不仅解决了现有的位置预测时间复杂度高的技术问题,而且通过采用混合网络模型,有效提高了对用户位置预测的准确性和效率。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及位置预测方法、装置、存储介质及终端。
背景技术
在移动互联网业务中,基于位置的服务迅速发展,给人们的生活带来很多便利。例如,提供用户行进的路径前方的交通路况信息,帮助用户提前做好出行路线规划,避免交通堵塞;为游客提供旅游路线推荐等。这些应用场景有一个共同的问题需要解决,即需要准确预测出用户未来的移动轨迹,也即用户即将到达的位置。
现有技术中用户位置预测的方法主要包括三大类:(1)基于欧式空间的预测方法;其中,基于欧式空间的预测方法又可以分为基于模式的预测方法和基于向量的预测方法。基于模式的预测方法的基本思想是通过频繁模式挖掘找出轨迹模式,再根据轨迹模式进行轨迹预测。基于向量的预测方法包括线性模型和非线性模型两类。线性模型预测主要根据移动用户的位置和速度预测当前时刻移动对象的位置。而非线性模型预测的主要思想是通过数学公式模拟移动用户的运动轨迹,但需构建前缀树和FP-tree,时间代价较高。(2)基于运动模型实现用户位置预测;该方法主要考虑到运动物体的运动方向等因素,通过拟合物体的运动函数从而达到预测位置的目的。针对传统轨迹预测方法在历史轨迹数目有限,预测准确度较低的问题,提出一种改进的贝叶斯推理(MBI)方法,MBI构建马尔可夫模型来量化相邻位置的相关性,并通过对历史轨迹进行分解来获得更准确的马尔可夫模型,进而提出TPMO轨迹算法。这一方法的不足之处在于时间消耗很大,因为TPMO算法训练过程中不但需要利用热点区域挖掘算法对轨迹进行聚类,并且需要构建轨迹时间连续贝叶斯网络,极其耗时。(3)马尔科夫链模型实现位置预测;其中,马尔可夫链模型利用移动对象的历史轨迹预测位置,考虑轨迹的顺序特征,使用马尔科夫链描述运动对象在位置之间的转移概率。其中,有人使用因式分解转移概率矩阵的方法扩展马尔可夫模型,并取得不错效果。也有人通过隐马尔科夫模型计算移动轨迹序列中的隐藏状态来计算移动对象概率最高的下一个位置。但是多阶马尔科夫链模型尤其是高阶马尔科夫链模型,当数据增加时,隐藏状态会呈爆炸式增长,转移概率矩阵的规模膨胀增加了位置预测的复杂度。
显然,现有的位置预测方法的时间复杂度都很高,并且仅利用了用户历史轨迹中的空间信息,没有充分利用用户出行的时间规律性,导致位置预测精确度较低。
发明内容
本发明实施例提供一种位置预测方法、装置、存储介质及终端,以提高位置预测的精确度和效率。
第一方面,本发明实施例提供了一种位置预测方法,该方法包括:
检测到位置预测事件被触发时,获取用户的当前位置序列;
将所述当前位置序列输入至位置预测模型中,其中,所述位置预测模型包括根据样本位置序列对至少两个预设网络模型进行学习生成的混合网络模型;
根据所述位置预测模型的输出结果预测出所述用户即将到达的位置。
第二方面,本发明实施例还提供了一种位置预测装置,该装置包括:
当前位置序列获取模块,用于检测到位置预测事件被触发时,获取用户的当前位置序列;
当前位置序列输入模块,用于将所述当前位置序列输入至位置预测模型中,其中,所述位置预测模型包括根据样本位置序列对至少两个预设网络模型进行学习生成的混合网络模型;
用户位置预测模块,用于根据所述位置预测模型的输出结果预测出所述用户即将到达的位置。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例提供的位置预测方法。
第四方面,本发明实施例提供了一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例提供的位置预测方法。
本发明实施例中提供的位置预测方法,检测到位置预测事件被触发时,获取用户的当前位置序列,并将所述当前位置序列输入至位置预测模型中,其中,所述位置预测模型包括根据样本位置序列对至少两个预设网络模型进行学习生成的混合网络模型,然后根据所述位置预测模型的输出结果预测出所述用户即将到达的位置。通过采用上述技术手段,优化了现有的位置预测方案,不仅解决了现有的位置预测时间复杂度高的技术问题,而且通过采用混合网络模型,有效提高了对用户位置预测的准确性和效率。
附图说明
图1为本发明实施例提供的一种位置预测方法的流程示意图;
图2为本发明实施例提供的混合网络模型的结构示意图;
图3为本发明实施例提供的另一种位置预测方法的流程示意图;
图4为本发明实施例提供的以滑动窗口的形式将样本位置序列生成样本位置子序列的过程示意图;
图5为本发明实施例提供的LSTM神经网络子模型的网络结构示意图;
图6为本发明实施例提供的卷积神经网络子模型的网络结构示意图;
图7为本发明实施例提供的卷积神经网络子模型的网络结构框图;
图8为本发明实施例提供的随机森林子模型的网络结构示意图;
图9为本发明实施例提供的另一种位置预测方法的流程示意图;
图10为本发明实施例提供的一种位置预测装置的结构框图;
图11为本发明实施例提供的一种终端的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的一种位置预测方法的流程示意图,该方法可以由位置预测装置执行,其中该装置可由软件和/或硬件实现,一般可集成在终端设备中。如图1所示,该方法包括:
步骤101、检测到位置预测事件被触发时,获取用户的当前位置序列。
示例性的,终端可以包括但不限于智能手机、平板电脑、笔记本电脑、掌上电脑等终端设备。其中,该终端的操作系统可以包括但不限于Android操作系统、IOS操作系统、Windows Phone8操作系统等。
在本发明实施例中,当检测到位置预测事件被触发时,获取用户的当前位置序列,从而进行位置预测的管控事件。
可选的,当检测到基于位置的应用程序被打开时,位置预测事件被触发,例如,当检测到高德地图或百度地图等导航类的应用程序被打开时,触发位置预测事件;又如,当检测到美团或饿了么等与用户位置密切有关的应用程序被打开时,触发位置预测事件;当用户主动点击打开位置预测权限时,表征位置预测事件被触发。需要说明的是,本申请实施例对位置预测事件被触发的具体表现形式不做限定。
其中,位置序列包括用户所处的各个位置区域的时序关系,或者位置序列包括用户的移动轨迹中涉及的位置区域的时序关系,而当前位置序列可以理解为包含用户当前所处位置的前序位置序列。示例性的,用户当前所处的位置区域为位置A,上一时刻用户所处的位置区域为位置B,在上一时刻的前一时刻用户所处的位置区域为位置C。可以理解的是,用户先由位置C行进到位置B,再由位置B行进到位置A,则用户的当前位置序列可以表示为:位置C→位置B→位置A。需要说明的是,本申请实施例对当前位置序列中包含的位置的数量不做限定,可以仅包括当前位置,也可以包括当前位置和行进到当前位置前用户运动轨迹中涉及到的位置区域。可以理解的是,本发明实施例对当前位置序列的长度不做限定,其中,当前位置序列的长度包括所述当前位置序列中包含的位置区域的数量。
步骤102、将所述当前位置序列输入至位置预测模型中,其中,所述位置预测模型包括根据样本位置序列对至少两个预设网络模型进行学习生成的混合网络模型。
在本发明实施例中,位置预测模型可以理解为在输入当前位置序列后快速确定用户即将到达的位置的学习模型。位置预测模型可以是基于样本位置序列对至少两个不同的预设网络模型进行学习生成的混合网络模型,即将样本位置序列作为训练样本,根据混合网络模型对该训练样本进行训练、学习,生成位置预测模型。可以理解的是,位置预测模型是通过根据多个用户的样本位置序列对用户出行规律进行学习的混合网络模型。
可选的,混合网络模型包括至少两个不同的机器学习模型构造的混合模型。可选的,混合网络模型还可以包括长短期记忆LSTM神经网络子模型和卷积神经网络子模型,所述LSTM神经网络子模型的输出层和所述卷积神经网络子模型的输出层基于预设连接关系连接形成混合网络模型。可选的,混合网络模型包括循环神经网络子模型和基于全连接层构建的全连接网络子模型,所述循环神经网络子模型的输出层与所述全连接网络子模型的输出层基于全连接关系形成所述混合网络模型。可选的,所述混合网络模型包括LSTM神经网络子模型、卷积神经网络子模型和随机森林子模型,所述LSTM神经网络子模型的输出层、所述卷积神经网络子模型的输出层和随机森林子模型的输出层基于预设处理单元连接形成所述混合网络模型。需要说明的是,本申请实施例对混合网络模型的结构组成不做具体限定。
步骤103、根据所述位置预测模型的输出结果预测出所述用户即将到达的位置。
在本发明实施例中,根据位置预测模型的输出结果,预测出用户即将到达的位置。可以理解的是,将当前位置序列输入至位置预测模型后,位置预测模型对所述当前位置序列进行分析,并根据分析结果确定目标位置,也即用户下一时刻将要去往的位置。示例性的,将当前位置序列输入至位置预测模型后,分别获取位置预测模型输出的用户将要达到的各个位置区域的概率值;将所得到的概率值中最大的概率值对应的位置区域作为目标位置(也即用户即将达到的位置)。
本发明实施例中提供的位置预测方法,检测到位置预测事件被触发时,获取用户的当前位置序列,并将当前位置序列输入至位置预测模型中,其中,位置预测模型包括根据样本位置序列对至少两个预设网络模型进行学习生成的混合网络模型,然后根据位置预测模型的输出结果预测出用户即将到达的位置。通过采用上述技术手段,优化了现有的位置预测方案,不仅解决了现有的位置预测时间复杂度高的技术问题,而且通过采用混合网络模型,有效提高了对用户位置预测的准确性和效率。
在一些实施例中,所述混合网络模型包括长短期记忆LSTM神经网络子模型、卷积神经网络子模型和随机森林子模型,所述LSTM神经网络子模型的输出层、所述卷积神经网络子模型的输出层和随机森林子模型的输出层基于预设处理单元连接形成所述混合网络模型;相应的,将所述当前位置序列输入至位置预测模型中,包括:同时将所述当前位置序列输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型。这样设置的好处在于,通过LSTM神经网络子模型、卷积神经网络子模块以及随机森林子模型构造的混合网络模型,可以进一步提高对用户将要达到的目标位置预测的准确性。
图2为本发明实施例提供的混合网络模型的结构示意图。
可选的,所述预设处理单元,用于:分别将所述LSTM神经网络子模型和所述卷积神经网络子模型作为目标网络子模型,判断所述目标网络子模型的输出层的输出向量中的最大概率值是否大于预设阈值,若否,则从所述输出向量中选取N个数值最大的概率值;其中,所述输出向量的维度与网格区域的个数相同,所述输出向量中的各个元素分别表示用户即将达到的位置落入对应的网格区域的概率值;根据所选取的N个概率值对应的网格区域的中心点的经纬度以及所选取的N个概率值计算目标质心点的经纬度;根据所述目标质心点的经纬度以及所述随机森林子模型的输出结果确定所述混合网络模型的输出结果。这样设置的好处在于,通过预设处理单元对LSTM神经网络子模型、卷积神经网络子模型和随机森林子模型的输出层的输出结果进行融合,将最后的融合结果作为混合模型的输出结果,能够进一步提高对用户位置预测的精度。
可选的,根据所选取的N个概率值对应的网格区域的中心点的经纬度以及所选取的N个概率值计算目标质心点的经纬度,包括:根据如下公式计算目标质心点的经纬度:
其中,αi表示所选取的第i个概率值,xi表示所选取的第i个概率值对应的网格区域的中心点的经度,yi表示所选取的第i个概率值对应的网格区域的中心点的纬度,X表示目标质心点的经度,Y表示目标质心点的纬度。
可选的,当所述目标网络子模型的输出层的输出向量中的最大概率值大于预设阈值时,将所述输出向量中的最大概率值对应的网格区域的中心点作为目标质心点。示例性的,以LSTM神经网络子模型作为目标网络子模型进行示例说明。判断LSTM神经网络子模型的输出层的输出向量的最大概率值是否大于预设阈值,若是,则将LSTM神经网络子模型的输出向量中的最大概率值对应的网格区域的中心点作为目标质心点;若否,则从LSTM神经网络子模型的输出向量中选取N个数值最大的概率值,并根据公式和计算目标质心点(X,Y)。例如,N=3,则从LSTM神经网络子模型的输出向量中选取前三大概率值,并按照上述公式根据前三大概率值及前三大概率值对应的网格区域的中心点的经纬度信息计算目标质心点的经纬度。可以理解的是,对前三大概率值对应的网格中心点的经纬度加权求质心,将质心作为LSTM神经网络子模型的预测结果。同样的,可以按照上述方法计算卷积神经网络子模型对应的目标质心点作为其预测结果。
可选的,根据所述目标质心点的经纬度以及所述随机森林子模型的输出结果确定所述混合网络模型的输出结果,包括:根据公式和计算混合网络模型的输出结果,其中,(X1,Y1)表示LSTM神经网络子模型对应的目标质心点,(X2,Y2)表示卷积神经网络子模型对应的目标质心点,(X3,Y3)表示随机森林子模型的输出结果对应的网络区域的中心点,β1、β2和β3分别表示LSTM神经网络子模型、卷积神经网络子模型和随机森林子模型对应的权重值,其中,LSTM神经网络子模型、卷积神经网络子模型和随机森林子模型对应的权重值分别为通过其在测试数据集上的准确率,(Z,W)表示混合网络模型的输出结果。
图3为本发明实施例提供的另一种位置预测方法的流程示意图,如图3所示,该方法包括如下步骤:
步骤301、获取预设时间段内至少两个用户在预设区域内的样本位置序列。
在本发明实施例中,采集预设时间段内至少两个用户在预设区域内包含用户位置信息的原始数据。示例性的,获取的包含用户位置信息的原始数据如下表所示:
由于原始数据未经处理,其包含的信息错综复杂,例如,原始数据中包含有精确位置(位置经度和纬度)和没有精确位置的位置数据,另外,每个用户的位置数据可能是交错出现。因此,可对原始数据进行预处理,预处理可以包括:从原始数据中筛选出包含精确位置信息的目标用户位置数据;对目标用户位置数据按照用户的不同进行分组得到每个用户对应的目标用户位置数据;按照定位时间对目标用户位置数据进行排序,生成样本位置序列。
可选的,获取预设时间段内至少两个用户在预设区域内的样本位置序列,包括:采集预设时间段内在预设区域内的用户位置数据;其中,所述用户位置数据包括定位时间、用户编号和经纬度信息;按照预设距离对所述预设区域进行网格化生成网格区域,并对每个网格区域进行编号;根据所述用户位置数据中的经纬度信息确定与所述用户位置数据对应的目标网格区域;基于所述目标网格区域的编号信息对所述用户位置数据进行标记;根据所述用户编号对标记好的用户位置数据进行分组,生成至少两组标记用户位置数据;根据所述定位时间对各组标记用户位置数据进行排序,生成至少两组样本位置序列。
在本发明实施例中,采集预设时间段内在预设区域内的用户位置数据,其中,用户位置数据反应了用户在预设时间段内在预设区域内的出行习惯。按照预设距离对预设区域进行网格化生成多个网格区域,并对每个网格区域进行编号,根据用户位置数据中的经纬度信息确定每条位置数据所处的网格区域,并用该网格区域的编号对落入该网络区域的位置数据进行标记。标记好各个位置数据后,根据用户编号将具有标记信息的位置数据分组,并基于定位时间对各组具有标记信息的位置数据排序,生成多组用户位置序列,并将其作为样本位置序列。
步骤302、将所述样本位置序列分别输入至LSTM神经网络子模型、卷积神经网络子模型和随机森林子模型,以对混合网络模型进行训练,得到位置预测模型。
可选的,将所述样本位置序列分别输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型,包括:针对每组样本位置序列,基于预设滑动窗口按照预设步长在所述样本位置序列上进行滑动,依次将所述预设滑动窗口内的样本位置序列作为样本位置子序列;将所述样本位置子序列分别输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型。
示例性的,用固定大小的滑动窗口以等距步长或不等距步长在样本位置序列上进行滑动,依次将每个滑动窗口对应的位置序列为一组样本位置子序列。图4为本发明实施例提供的以滑动窗口的形式将样本位置序列生成样本位置子序列的过程示意图。如图4所示,滑动窗口的大小固定,且滑动窗口移动的步长为1,其中,图4中,1,2,…,8,9均表示位置数据的标记(也即位置数据所处的网格区域的编号)。例如,样本位置序列的长度为n,滑动窗口的大小为m,当滑动窗口以步长为1在样本位置序列上进行滑动时,可将样本位置序列分为n-m+1个样本位置子序列。可选的,还可将滑动窗口做不同尺度的缩放,滑动窗口每滑动一次进行一次缩放,将多尺度缩放的滑动窗口以等距步长或不等距步长,在样本位置序列上进行滑动,每个滑动窗口对应的位置序列为一组样本位置子序列。
示例性的,图5为本发明实施例提供的LSTM神经网络子模型的网络结构示意图。如图5所示,LSTM神经网络子模型包括编码Encoding层、两个LSTM层、Dropout层和输出Softmax层。其中,在LSTM神经网络子模型中的第一层为Encoding层,用于对样本位置序列中的各个位置进行独立热编码,将样本位置序列向量化。第二层和第四层均为单向LSTM层,主要利用历史的位置信息和当前位置信息对用户的行为编码,其每个时间点的输出都包含了上一时刻的位置信息。第三层为Dropout层,该层能够防止模型过拟合,提高模型的泛化性能。第五层为输出层,这一层获取LSTM最后时刻的输出,在经过Dropout操作后进入Softmax层,Softmax的输出是一个向量,向量维度和网格区域的个数相同,向量中每个值可以理解为用户即将到达的位置落在对应网格区域的概率。
示例性的,图6为本发明实施例提供的卷积神经网络子模型的网络结构示意图。图7为本发明实施例提供的卷积神经网络子模型的网络结构框图。如图6所示,将样本位置子序列进行编码操作后可生成矩阵A∈Rs×d,其中,s表示样本位置子序列的长度,d表示样本位置子序列的个数,A[i:j]表示矩阵A的第i行到第j行,则在卷积层的卷积操作可用公式oi=w·A[i:i+h-1],i=1,2,…,s-h+1表示;在池化层的池化操作时将卷积计算的结果叠加上偏置b,然后通过激活函数f实现非线性化,可以得到最后输出层的结果。其中,池化层的池化操作通过公式ci=f(oi+b)表示。如图7所示,卷积神经网络子模型包括卷积和采样层、全连接层和输出层。其中,卷积神经网络子模型的第一层为卷积和采样层,用户对编码后的样本位置子序列进行卷积和池化操作。第一层中的卷积核的宽度和输入向量的维度等宽,每个卷积核用于提取相近位置之间的关系,其输出经过正则化函数BatchNormalization正则化;池化操作有两个目的,第一是降低特征维度,第二是规范卷积层的输出,使其输出向量大小和卷积核的大小相等。第二层也为卷积和采样层,用于对第一层输出的向量进行进一步的卷积和池化操作,这一层的卷积核的个数以及卷积核的大小和第一层的卷积核可以不同,能够进一步获取抽象特征,输出向量可再次经过正则化函数Batch Normalization正则化。第三层为全连接层,由于卷积操作提取的主要是局部特征,通过全连接层可把局部特征重新通过权值矩阵组装成完整的特征图。第四层为Softmax层,这一层的输出向量的维度和网格区域的数量相同,向量中每个值可以理解为用户即将到达的位置落在对应网格区域的概率。
示例性的,图8为本发明实施例提供的随机森林子模型的网络结构示意图。如图8所示,随机森林子模型包含数据编码、随机森林和输出层。通过随机森林子模型对样本位置子序列进行训练时可以高度并行化,具有明显的速度有优势,其可以随机选择决策树节点划分特征,即时样本位置子序列维度很高的时候,仍然能高效的训练模型。
可选的,针对每组样本位置序列,基于预设滑动窗口按照预设步长在所述样本位置序列上进行滑动,依次将所述预设滑动窗口内的样本位置序列作为样本位置子序列,包括:针对每组样本位置序列,将样本位置序列中时间间隔大于预设时间间隔的相邻两个位置切分开,生成与样本位置序列对应的样本位置序列片段;基于预设滑动窗口按照预设步长在所述样本位置序列片段上进行滑动,依次将所述预设滑动窗口内的样本位置序列片段作为样本位置子序列。这样设置的好处在于,可以将样本位置序列中关联性不强的两个位置切分开,避免对混合模型训练时造成干扰,可以进一步提高位置预测模型的预测精度。
示例性的,获取一个月内某用户在北京市朝阳区内的样本位置序列为L1→L2→L3→…→Ln-2→Ln-1→Ln,Ln表示不同时刻用户所处的位置,判断样本位置序列中相邻两个位置间的时间间隔是否大于预设时间间隔,若是,则说明两个位置关联性不大,可在将样本位置序列在这相邻的两个位置间切分开。例如样本位置序列为L1→L2→L3→L4→L5→L6中,位置L3与位置L4的时间间隔大于预设时间,则将样本位置序列为L1→L2→L3→L4→L5→L6切分为样本位置子序列L1→L2→L3和L4→L5→L6。
步骤303、检测到位置预测事件被触发时,获取用户的当前位置序列。
步骤304、同时将所述当前位置序列输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型。
步骤305、根据所述位置预测模型的输出结果预测出所述用户即将到达的位置。
本发明实施例提供的位置预测方法,能够进一步提高位置预测的准确性。
图9为本发明实施例提供的另一种位置预测方法的流程示意图,如图9所示,该方法包括如下步骤:
步骤901、采集预设时间段内在预设区域内的用户位置数据。
其中,所述用户位置数据包括定位时间、用户编号和经纬度信息。
步骤902、按照预设距离对所述预设区域进行网格化生成网格区域,并对每个网格区域进行编号。
步骤903、根据所述用户位置数据中的经纬度信息确定与所述用户位置数据对应的目标网格区域。
步骤904、基于所述目标网格区域的编号信息对所述用户位置数据进行标记。
步骤905、根据所述用户编号对标记好的用户位置数据进行分组,生成至少两组标记用户位置数据。
步骤906、根据所述定位时间对各组标记用户位置数据进行排序,生成至少两组样本位置序列。
步骤907、针对每组样本位置序列,将样本位置序列中时间间隔大于预设时间间隔的相邻两个位置切分开,生成与样本位置序列对应的样本位置序列片段。
步骤908、基于预设滑动窗口按照预设步长在所述样本位置序列片段上进行滑动,依次将所述预设滑动窗口内的样本位置序列片段作为样本位置子序列。
步骤909、将所述样本位置子序列分别输入至LSTM神经网络子模型、卷积神经网络子模型和随机森林子模型,以对混合网络模型进行训练,得到位置预测模型。
步骤910、检测到位置预测事件被触发时,获取用户的当前位置序列。
步骤911、同时将所述当前位置序列输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型。
步骤912、根据所述位置预测模型的输出结果预测出所述用户即将到达的位置。
本发明实施例提供的位置预测方法,能够充分对用户的位置行进规律,对由LSTM神经网络子模型、卷积神经网络子模型和随机森林子模型构造的混合模型进行训练,生成位置预测模型,同时不仅利用了用户历史轨迹中的空间信息,还充分利用用户出行的时间规律性,大大提高了用户位置预测的准确性。
图10为本发明实施例提供的一种位置预测装置的结构框图,该装置可由软件和/或硬件实现,一般集成在终端中,可通过执行位置预测方法来进行位置预测。如图10所示,该装置包括:
当前位置序列获取模块1001,用于检测到位置预测事件被触发时,获取用户的当前位置序列;
当前位置序列输入模块1002,用于将所述当前位置序列输入至位置预测模型中,其中,所述位置预测模型包括根据样本位置序列对至少两个预设网络模型进行学习生成的混合网络模型;
用户位置预测模块1003,用于根据所述位置预测模型的输出结果预测出所述用户即将到达的位置。
本发明实施例中提供的位置预测装置,检测到位置预测事件被触发时,获取用户的当前位置序列,并将当前位置序列输入至位置预测模型中,其中,位置预测模型包括根据样本位置序列对至少两个预设网络模型进行学习生成的混合网络模型,然后根据位置预测模型的输出结果预测出用户即将到达的位置。通过采用上述技术手段,优化了现有的位置预测方案,不仅解决了现有的位置预测时间复杂度高的技术问题,而且通过采用混合网络模型,有效提高了对用户位置预测的准确性和效率。
可选的,所述混合网络模型包括长短期记忆LSTM神经网络子模型、卷积神经网络子模型和随机森林子模型,所述LSTM神经网络子模型的输出层、所述卷积神经网络子模型的输出层和随机森林子模型的输出层基于预设处理单元连接形成所述混合网络模型;
相应的,所述当前位置序列输入模块,用于:
同时将所述当前位置序列输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型。
可选的,所述装置还包括:
样本位置序列获取模块,用于在检测到位置预测事件被触发之前,获取预设时间段内至少两个用户在预设区域内的样本位置序列;
位置预测模型生成模块,用于将所述样本位置序列分别输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型,以对所述混合网络模型进行训练,得到位置预测模型。
可选的,所述样本位置序列获取模块,用于:
采集预设时间段内在预设区域内的用户位置数据;其中,所述用户位置数据包括定位时间、用户编号和经纬度信息;
按照预设距离对所述预设区域进行网格化生成网格区域,并对每个网格区域进行编号;
根据所述用户位置数据中的经纬度信息确定与所述用户位置数据对应的目标网格区域;
基于所述目标网格区域的编号信息对所述用户位置数据进行标记;
根据所述用户编号对标记好的用户位置数据进行分组,生成至少两组标记用户位置数据;
根据所述定位时间对各组标记用户位置数据进行排序,生成至少两组样本位置序列。
可选的,位置预测模型生成模块,用于:
样本位置子序列获取单元,用于针对每组样本位置序列,基于预设滑动窗口按照预设步长在所述样本位置序列上进行滑动,依次将所述预设滑动窗口内的样本位置序列作为样本位置子序列;
样本位置子序列输入单元,用于将所述样本位置子序列分别输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型。
可选的,所述样本位置子序列获取单元,用于:
针对每组样本位置序列,将样本位置序列中时间间隔大于预设时间间隔的相邻两个位置切分开,生成与样本位置序列对应的样本位置序列片段;
基于预设滑动窗口按照预设步长在所述样本位置序列片段上进行滑动,依次将所述预设滑动窗口内的样本位置序列片段作为样本位置子序列。
可选的,所述预设处理单元,用于:
分别将所述LSTM神经网络子模型和所述卷积神经网络子模型作为目标网络子模型,判断所述目标网络子模型的输出层的输出向量中的最大概率值是否大于预设阈值,若否,则从所述输出向量中选取N个数值最大的概率值;其中,所述输出向量的维度与网格区域的个数相同,所述输出向量中的各个元素分别表示用户即将达到的位置落入对应的网格区域的概率值;
根据所选取的N个概率值对应的网格区域的中心点的经纬度以及所选取的N个概率值计算目标质心点的经纬度;
根据所述目标质心点的经纬度以及所述随机森林子模型的输出结果确定所述混合网络模型的输出结果。
可选的,根据所选取的N个概率值对应的网格区域的中心点的经纬度以及所选取的N个概率值计算目标质心点的经纬度,包括:
根据如下公式计算目标质心点的经纬度:
其中,αi表示所选取的第i个概率值,xi表示所选取的第i个概率值对应的网格区域的中心点的经度,yi表示所选取的第i个概率值对应的网格区域的中心点的纬度,X表示目标质心点的经度,Y表示目标质心点的纬度。
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行位置预测方法,该方法包括:
检测到位置预测事件被触发时,获取用户的当前位置序列;
将所述当前位置序列输入至位置预测模型中,其中,所述位置预测模型包括根据样本位置序列对至少两个预设网络模型进行学习生成的混合网络模型;
根据所述位置预测模型的输出结果预测出所述用户即将到达的位置。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDRRAM、SRAM、EDORAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的位置预测操作,还可以执行本发明任意实施例所提供的位置预测方法中的相关操作。
本发明实施例提供了一种终端,该终端中可集成本发明实施例提供的位置预测装置。图11为本发明实施例提供的一种终端的结构框图。终端1100可以包括:存储器1101,处理器1102及存储在存储器1101上并可在处理器运行的计算机程序,所述处理器1102执行所述计算机程序时实现如本发明实施例所述的位置预测方法。
本发明实施例中提供的终端,检测到位置预测事件被触发时,获取用户的当前位置序列,并将所述当前位置序列输入至位置预测模型中,其中,所述位置预测模型包括根据样本位置序列对至少两个预设网络模型进行学习生成的混合网络模型,然后根据所述位置预测模型的输出结果预测出所述用户即将到达的位置。通过采用上述技术手段,优化了现有的位置预测方案,不仅解决了现有的位置预测时间复杂度高的技术问题,而且通过采用混合网络模型,有效提高了对用户位置预测的准确性和效率。
上述实施例中提供的位置预测装置、存储介质及终端可执行本发明任意实施例所提供的位置预测方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的位置预测方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种位置预测方法,其特征在于,包括:
检测到位置预测事件被触发时,获取用户的当前位置序列;
将所述当前位置序列输入至位置预测模型中,其中,所述位置预测模型包括根据样本位置序列对至少两个预设网络模型进行学习生成的混合网络模型;
根据所述位置预测模型的输出结果预测出所述用户即将到达的位置;
其中,所述混合网络模型包括长短期记忆LSTM神经网络子模型、卷积神经网络子模型和随机森林子模型,所述LSTM神经网络子模型的输出层、所述卷积神经网络子模型的输出层和随机森林子模型的输出层基于预设处理单元连接形成所述混合网络模型;所述预设处理单元,用于:分别将所述LSTM神经网络子模型和所述卷积神经网络子模型作为目标网络子模型,判断所述目标网络子模型的输出层的输出向量中的最大概率值是否大于预设阈值,若否,则从所述输出向量中选取N个数值最大的概率值;其中,所述输出向量的维度与网格区域的个数相同,所述输出向量中的各个元素分别表示用户即将达到的位置落入对应的网格区域的概率值;根据所选取的N个概率值对应的网格区域的中心点的经纬度以及所选取的N个概率值计算目标质心点的经纬度;根据所述目标质心点的经纬度以及所述随机森林子模型的输出结果确定所述混合网络模型的输出结果;
相应的,将所述当前位置序列输入至位置预测模型中,包括:
同时将所述当前位置序列输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型。
2.根据权利要求1所述的方法,其特征在于,在检测到位置预测事件被触发之前,还包括:
获取预设时间段内至少两个用户在预设区域内的样本位置序列;
将所述样本位置序列分别输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型,以对所述混合网络模型进行训练,得到位置预测模型。
3.根据权利要求2所述的方法,其特征在于,获取预设时间段内至少两个用户在预设区域内的样本位置序列,包括:
采集预设时间段内在预设区域内的用户位置数据;其中,所述用户位置数据包括定位时间、用户编号和经纬度信息;
按照预设距离对所述预设区域进行网格化生成网格区域,并对每个网格区域进行编号;
根据所述用户位置数据中的经纬度信息确定与所述用户位置数据对应的目标网格区域;
基于所述目标网格区域的编号信息对所述用户位置数据进行标记;
根据所述用户编号对标记好的用户位置数据进行分组,生成至少两组标记用户位置数据;
根据所述定位时间对各组标记用户位置数据进行排序,生成至少两组样本位置序列。
4.根据权利要求1-3任一所述的方法,其特征在于,将所述样本位置序列分别输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型,包括:
针对每组样本位置序列,基于预设滑动窗口按照预设步长在所述样本位置序列上进行滑动,依次将所述预设滑动窗口内的样本位置序列作为样本位置子序列;
将所述样本位置子序列分别输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型。
5.根据权利要求4所述的方法,其特征在于,针对每组样本位置序列,基于预设滑动窗口按照预设步长在所述样本位置序列上进行滑动,依次将所述预设滑动窗口内的样本位置序列作为样本位置子序列,包括:
针对每组样本位置序列,将样本位置序列中时间间隔大于预设时间间隔的相邻两个位置切分开,生成与样本位置序列对应的样本位置序列片段;
基于预设滑动窗口按照预设步长在所述样本位置序列片段上进行滑动,依次将所述预设滑动窗口内的样本位置序列片段作为样本位置子序列。
7.一种位置预测装置,其特征在于,包括:
当前位置序列获取模块,用于检测到位置预测事件被触发时,获取用户的当前位置序列;
当前位置序列输入模块,用于将所述当前位置序列输入至位置预测模型中,其中,所述位置预测模型包括根据样本位置序列对至少两个预设网络模型进行学习生成的混合网络模型;
用户位置预测模块,用于根据所述位置预测模型的输出结果预测出所述用户即将到达的位置;
其中,所述混合网络模型包括长短期记忆LSTM神经网络子模型、卷积神经网络子模型和随机森林子模型,所述LSTM神经网络子模型的输出层、所述卷积神经网络子模型的输出层和随机森林子模型的输出层基于预设处理单元连接形成所述混合网络模型;其中,所述预设处理单元,用于:分别将所述LSTM神经网络子模型和所述卷积神经网络子模型作为目标网络子模型,判断所述目标网络子模型的输出层的输出向量中的最大概率值是否大于预设阈值,若否,则从所述输出向量中选取N个数值最大的概率值;其中,所述输出向量的维度与网格区域的个数相同,所述输出向量中的各个元素分别表示用户即将达到的位置落入对应的网格区域的概率值;根据所选取的N个概率值对应的网格区域的中心点的经纬度以及所选取的N个概率值计算目标质心点的经纬度;根据所述目标质心点的经纬度以及所述随机森林子模型的输出结果确定所述混合网络模型的输出结果;
相应的,所述当前位置序列输入模块,用于:
同时将所述当前位置序列输入至所述LSTM神经网络子模型、所述卷积神经网络子模型和所述随机森林子模型。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6任一所述的位置预测方法。
9.一种终端,其特征在于,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6任一所述的位置预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911181313.0A CN110944295B (zh) | 2019-11-27 | 2019-11-27 | 位置预测方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911181313.0A CN110944295B (zh) | 2019-11-27 | 2019-11-27 | 位置预测方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110944295A CN110944295A (zh) | 2020-03-31 |
CN110944295B true CN110944295B (zh) | 2021-09-21 |
Family
ID=69908465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911181313.0A Active CN110944295B (zh) | 2019-11-27 | 2019-11-27 | 位置预测方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110944295B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112601174A (zh) * | 2020-12-08 | 2021-04-02 | 深圳供电局有限公司 | 一种基于uwb定位技术的楼宇节能方法及系统 |
CN112601175A (zh) * | 2020-12-08 | 2021-04-02 | 深圳供电局有限公司 | 一种基于蓝牙定位技术的楼宇节能方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106793082A (zh) * | 2017-02-13 | 2017-05-31 | 南京邮电大学 | 一种在wlan/蓝牙异构网络环境中的移动设备定位方法 |
CN107330920A (zh) * | 2017-06-28 | 2017-11-07 | 华中科技大学 | 一种基于深度学习的监控视频多目标追踪方法 |
CN107832400A (zh) * | 2017-11-01 | 2018-03-23 | 山东大学 | 一种基于位置的lstm和cnn联合模型进行关系分类的方法 |
CN109034152A (zh) * | 2018-07-17 | 2018-12-18 | 广东工业大学 | 基于lstm-cnn组合模型的车牌定位方法及装置 |
CN109814101A (zh) * | 2019-01-25 | 2019-05-28 | 北京邮电大学 | 一种航空器位置预测的方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10142794B1 (en) * | 2017-07-10 | 2018-11-27 | International Business Machines Corporation | Real-time, location-aware mobile device data breach prevention |
EP3495220B1 (en) * | 2017-12-11 | 2024-04-03 | Volvo Car Corporation | Path prediction for a vehicle |
CN109739234B (zh) * | 2019-01-02 | 2022-05-17 | 中电海康集团有限公司 | 一种基于gps轨迹数据的车辆实时图像追踪方法 |
CN109978026B (zh) * | 2019-03-11 | 2021-03-09 | 浙江新再灵科技股份有限公司 | 一种基于lstm网络的电梯位置检测方法及系统 |
-
2019
- 2019-11-27 CN CN201911181313.0A patent/CN110944295B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106793082A (zh) * | 2017-02-13 | 2017-05-31 | 南京邮电大学 | 一种在wlan/蓝牙异构网络环境中的移动设备定位方法 |
CN107330920A (zh) * | 2017-06-28 | 2017-11-07 | 华中科技大学 | 一种基于深度学习的监控视频多目标追踪方法 |
CN107832400A (zh) * | 2017-11-01 | 2018-03-23 | 山东大学 | 一种基于位置的lstm和cnn联合模型进行关系分类的方法 |
CN109034152A (zh) * | 2018-07-17 | 2018-12-18 | 广东工业大学 | 基于lstm-cnn组合模型的车牌定位方法及装置 |
CN109814101A (zh) * | 2019-01-25 | 2019-05-28 | 北京邮电大学 | 一种航空器位置预测的方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于长短记忆型卷积神经网络的犯罪地理位置预测方法;肖延辉;《数据分析与知识发现》;20181025(第22期);正文第1-4节,图1 * |
Also Published As
Publication number | Publication date |
---|---|
CN110944295A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gomez | Por una educación a distancia | |
Li et al. | A hierarchical temporal attention-based LSTM encoder-decoder model for individual mobility prediction | |
CN110928993B (zh) | 基于深度循环神经网络的用户位置预测方法及系统 | |
He et al. | STCNN: A spatio-temporal convolutional neural network for long-term traffic prediction | |
Zhao et al. | High-order Gaussian process dynamical models for traffic flow prediction | |
Laha et al. | Real time location prediction with taxi-GPS data streams | |
CN111444243A (zh) | 一种基于轨迹信息的用户行为预测画像方法及系统 | |
Liu et al. | A two-stage destination prediction framework of shared bicycles based on geographical position recommendation | |
Lu et al. | Lane-level traffic speed forecasting: A novel mixed deep learning model | |
CN110944295B (zh) | 位置预测方法、装置、存储介质及终端 | |
Moon et al. | A Large-Scale Study in Predictability of Daily Activities and Places. | |
Wang et al. | Reconstruction of missing trajectory data: a deep learning approach | |
Shao et al. | TrajForesee: How limited detailed trajectories enhance large-scale sparse information to predict vehicle trajectories? | |
Tsiligkaridis et al. | Personalized destination prediction using transformers in a contextless data setting | |
Xiong et al. | Access patterns mining from massive spatio-temporal data in a smart city | |
CN115952355A (zh) | 基于时空幂律注意力的下一兴趣点推荐系统 | |
Sun et al. | Road network metric learning for estimated time of arrival | |
Sun et al. | Trajectory-user link with attention recurrent networks | |
Chen et al. | Predicting human mobility via long short-term patterns | |
Hu et al. | Variational expectation maximization attention broad learning systems | |
Chu et al. | Simulating human mobility with a trajectory generation framework based on diffusion model | |
Zhao et al. | Urban traffic flow forecasting based on memory time-series network | |
Wei et al. | Diff-RNTraj: A Structure-aware Diffusion Model for Road Network-constrained Trajectory Generation | |
Ma et al. | A multi-parameter chaotic fusion approach for traffic flow forecasting | |
CN115600744A (zh) | 一种基于手机数据的共享时空注意力卷积网络人口数量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |