CN111444243A - 一种基于轨迹信息的用户行为预测画像方法及系统 - Google Patents

一种基于轨迹信息的用户行为预测画像方法及系统 Download PDF

Info

Publication number
CN111444243A
CN111444243A CN202010241478.9A CN202010241478A CN111444243A CN 111444243 A CN111444243 A CN 111444243A CN 202010241478 A CN202010241478 A CN 202010241478A CN 111444243 A CN111444243 A CN 111444243A
Authority
CN
China
Prior art keywords
user
track
data
point set
frequent
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.)
Granted
Application number
CN202010241478.9A
Other languages
English (en)
Other versions
CN111444243B (zh
Inventor
康海燕
李�昊
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology 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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN202010241478.9A priority Critical patent/CN111444243B/zh
Publication of CN111444243A publication Critical patent/CN111444243A/zh
Application granted granted Critical
Publication of CN111444243B publication Critical patent/CN111444243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • 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
    • 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
    • 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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于轨迹信息的用户行为预测画像方法及系统，涉及用户出行轨迹预测领域，主要包括对用户原始轨迹数据集中的轨迹数据进行停留点检测，进而构建用户停留点集；采用频繁序列模式挖掘算法对用户停留点集中的数据进行处理，进而构建用户频繁序列轨迹点集；根据用户停留点集构建用户访问频数集；将用户停留点集、用户频繁序列轨迹点集和用户访问频数集输入到基于关键点的长短期记忆神经网络预测模型中以预测用户出行轨迹点；对预测的用户出行轨迹点进行可视化操作得到用户轨迹画像。本发明能够精准用户出行轨迹，并可视化。

Description

一种基于轨迹信息的用户行为预测画像方法及系统
技术领域
本发明涉及用户出行轨迹预测领域，特别是涉及一种基于轨迹信息的用户行为预测画像方法及系统。
背景技术
黄文彬等人从周期性活动规律、频繁活动规律以及移动速度三方面构建了移动用户的用户画像，结合可视化展示用户地理的相关行为。但是该方法没有通过人工智能中深度学习的方法对用户的出行轨迹点进行预测。缺点如下：
(1)现有研究多为基于传统机器学习方法或轨迹处理方式对用户行为进行分析或预测，没有运用深度学习训练出用户特有的出行规律模型，对用户行为进行高度拟合的问题。
(2)没有将用户的出行同直接可视化，抽象可视化和特征可视化结合，综合描绘用户轨迹特征画像。
发明内容
本发明的目的是提供一种基于轨迹信息的用户行为预测画像方法及系统，能够精准用户出行轨迹，并可视化。
为实现上述目的，本发明提供了如下方案：
一种基于轨迹信息的用户行为预测画像方法，包括：
构建用户原始轨迹数据集；所述用户原始轨迹数据集中的每个元素均包括三个字段，分别为经度、纬度和时间戳；
对所述用户原始轨迹数据集中的轨迹数据进行停留点检测，构建用户停留点集；
采用频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，构建用户频繁序列轨迹点集；
根据所述用户停留点集，构建用户访问频数集；其中，所述用户访问频数集中的数据为所述用户停留点集中频数大于设定阈值的停留点；
将所述用户停留点集、所述用户频繁序列轨迹点集和所述用户访问频数集输入到基于关键点的长短期记忆神经网络预测模型中，以预测用户出行轨迹点；
对预测的所述用户出行轨迹点进行可视化操作，得到用户轨迹画像。
可选的，所述构建用户原始轨迹数据集，具体包括：
获取用户GPS轨迹数据；
对所述用户GPS轨迹数据进行格式转化和去除冗余特征处理，并根据处理后的用户GPS轨迹数据，构建用户原始轨迹数据集。
可选的，在对所述用户原始轨迹数据集中的轨迹数据进行停留点检测，构建用户停留点集之前，还包括：
对所述用户原始轨迹数据集中的轨迹数据进行噪音滤波、轨迹压缩和路网匹配处理，得到预处理后的用户原始轨迹数据集。
可选的，所述采用频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，构建用户频繁序列轨迹点集，具体包括：
采用时空轨迹频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，确定用户频繁访问序列；
根据所述用户频繁访问序列，结合语义化识别算法，挖掘用户频繁出行轨迹点，进而构建用户频繁序列轨迹点集。
可选的，所述基于关键点的长短期记忆神经网络预测模型是根据各个用户的历史出行轨迹关键数据点集训练基于关键点的长短期记忆神经网络得到的；所述历史出行轨迹关键数据点集包括用户历史停留点集、用户历史频繁序列轨迹点集和用户历史访问频数集。
一种基于轨迹信息的用户行为预测画像系统，包括：
用户原始轨迹数据集构建模块，用于构建用户原始轨迹数据集；所述用户原始轨迹数据集中的每个元素均包括三个字段，分别为经度、纬度和时间戳；
用户停留点集构建模块，用于对所述用户原始轨迹数据集中的轨迹数据进行停留点检测，构建用户停留点集；
用户频繁序列轨迹点集构建模块，用于采用频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，构建用户频繁序列轨迹点集；
用户访问频数集构建模块，用于根据所述用户停留点集，构建用户访问频数集；其中，所述用户访问频数集中的数据为所述用户停留点集中频数大于设定阈值的停留点；
预测模块，用于将所述用户停留点集、所述用户频繁序列轨迹点集和所述用户访问频数集输入到基于关键点的长短期记忆神经网络预测模型中，以预测用户出行轨迹点；
用户轨迹画像确定模块，用于对预测的所述用户出行轨迹点进行可视化操作，得到用户轨迹画像。
可选的，所述用户原始轨迹数据集构建模块，具体包括：
数据获取单元，用于获取用户GPS轨迹数据；
用户原始轨迹数据集构建单元，用于对所述用户GPS轨迹数据进行格式转化和去除冗余特征处理，并根据处理后的用户GPS轨迹数据，构建用户原始轨迹数据集。
可选的，还包括：
预处理模块，用于对所述用户原始轨迹数据集中的轨迹数据进行噪音滤波、轨迹压缩和路网匹配处理，得到预处理后的用户原始轨迹数据集。
可选的，所述用户频繁序列轨迹点集构建模块，具体包括：
用户频繁访问序列确定单元，用于采用时空轨迹频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，确定用户频繁访问序列；
用户频繁序列轨迹点集构建单元，用于根据所述用户频繁访问序列，结合语义化识别算法，挖掘用户频繁出行轨迹点，进而构建用户频繁序列轨迹点集。
可选的，所述预测模块中的基于关键点的长短期记忆神经网络预测模型是根据各个用户的历史出行轨迹关键数据点集训练基于关键点的长短期记忆神经网络得到的；所述历史出行轨迹关键数据点集包括用户历史停留点集、用户历史频繁序列轨迹点集和用户历史访问频数集。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于轨迹信息的用户行为预测画像方法及系统，主要包括两个部分。
(1)提出基于关键点的长短时记忆神经网络(KP-LSTM)，对深度学习中的时间序列LSTM网络进行改进，解决传统的基于细粒度的网格划分导致的边界尖锐问题，进而对用户的轨迹进行预测，进一步完善用户的属性特征。
(2)结合可视化的方法描绘用户的轨迹特征及人物出行的属性，构建用户轨迹特征画像，从而深入描绘用户日常的行为习惯。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于轨迹信息的用户行为预测画像方法的流程图；
图2为本发明用户轨迹画像模型架构图；
图3为本发明轨迹数据噪音点示例图；
图4为本发明轨迹数据压缩示例图；
图5为本发明轨迹数据停留点检测示例图；
图6为传统LSTM记忆单元结构图；
图7为本发明用户轨迹画像示意图；
图8为本发明基于轨迹信息的用户行为预测画像方法的结构图。
具体实施方式
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，所描述的实施例仅仅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。
针对现有研究多为基于传统机器学习方法或轨迹处理方式对用户行为进行分析或预测，没有运用深度学习训练出用户特有的出行规律模型，也未对用户行为进行高度拟合等问题，本发明提供了一种基于轨迹信息的用户行为预测画像方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
术语解释。
用户画像：一种标签化的用户特征表示模型，通过将用户的特征进行提取，以直观清晰的方式对用户所具有的重要特征进行可视化。
轨迹信息：用户出行中使用服务留存的移动轨迹数据信息，包括经度、纬度和时间戳。
轨迹预测：预测之后用户的出行位置坐标。
本发明提供了一种基于轨迹信息的用户行为预测画像方法及系统。主要步骤包括：(1)从数据清洗过后的GPS轨迹数据中提取用户移动数据中的停留点坐标，对用户停留点序列(即多个停留点坐标组成的集)进行语义化，结合频繁序列模式挖掘算法对其频繁活动规律等方面进行分析，找出用户频繁访问地点序列。(2)提出基于关键点的长短时记忆神经网络(KP-LSTM)，对深度学习中的时间序列LSTM网络进行改进，解决传统的基于细粒度的网格划分导致的边界尖锐问题，进而对用户的轨迹进行预测，进一步完善用户的属性特征。(3)最后结合可视化的方法描绘用户的轨迹特征及人物出行的属性，构建用户轨迹特征画像，从而深入描绘用户日常的行为习惯。
实施例1
如图1所示，本实施例提供的一种基于轨迹信息的用户行为预测画像方法，包括如下步骤。
步骤101：构建用户原始轨迹数据集；所述用户原始轨迹数据集中的每个元素均包括三个字段，分别为经度、纬度和时间戳；具体为：
首先获取用户GPS轨迹数据。然后对所述用户GPS轨迹数据进行格式转化和去除冗余特征处理，并根据处理后的用户GPS轨迹数据，构建用户原始轨迹数据集。
步骤102：对所述用户原始轨迹数据集中的轨迹数据进行停留点检测，构建用户停留点集。
在执行步骤102之前，需要对所述用户原始轨迹数据集中的轨迹数据进行预处理，即该方法还包括对所述用户原始轨迹数据集中的轨迹数据进行噪音滤波、轨迹压缩和路网匹配处理，得到预处理后的用户原始轨迹数据集。
步骤102具体包括：首先对所述预处理后的用户原始轨迹数据集的轨迹数据进行停留点检测，得到用户停留点信息。然后根据所述用户停留点信息，构建用户停留点集。
步骤103：采用频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，构建用户频繁序列轨迹点集。具体为：
首先，采用时空轨迹频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，确定用户频繁访问序列；其次，根据所述用户频繁访问序列，结合语义化识别算法，挖掘用户频繁出行轨迹点，进而构建用户频繁序列轨迹点集。
步骤104：根据所述用户停留点集，构建用户访问频数集；其中，所述用户访问频数集中的数据为所述用户停留点集中频数大于设定阈值的停留点。
步骤105：将所述用户停留点集、所述用户频繁序列轨迹点集和所述用户访问频数集输入到基于关键点的长短期记忆神经网络预测模型中，以预测用户出行轨迹点。
所述基于关键点的长短期记忆神经网络预测模型是根据各个用户的历史出行轨迹关键数据点集训练基于关键点的长短期记忆神经网络得到的，具体为：
构建各个用户的历史出行轨迹关键数据点集；所述历史出行轨迹关键数据点集包括用户历史停留点集、用户历史频繁序列轨迹点集和用户历史访问频数集。其中，用户历史停留点集的构建过程参考步骤102；用户历史频繁序列轨迹点集的构建过程参考步骤103；用户历史访问频数集的构建过程参考步骤 104。
根据各个用户的所述历史出行轨迹关键数据点集训练基于关键点的长短期记忆神经网络，得到基于关键点的长短期记忆神经网络预测模型；所述基于关键点的长短期记忆神经网络预测模型的输入为用户出行轨迹关键数据点集，该用户出行轨迹关键数据点集包括用户停留点集、用户频繁序列轨迹点集和用户访问频数集；所述基于关键点的长短期记忆神经网络预测模型的输出为用户预测出行轨迹点。
步骤106：对预测的所述用户出行轨迹点进行可视化操作，得到用户轨迹画像。
实施例2
本发明通过设计基于用户移动轨迹信息画像方法的架构，实现了从用户轨迹数据获取到用户轨迹特征画像展示的过程。基于轨迹信息的用户行为预测画像方法主要由四个步骤组成，分别为原始数据获取步骤、轨迹数据处理步骤、轨迹挖掘步骤和用户画像步骤。用户轨迹画像模型架构如图2所示。
原始数据获取步骤：先获取用户GPS轨迹数据；在得到用户GPS轨迹数据后，通过对用户GPS轨迹数据进行整理和格式转化，然后去除冗余特征，并根据处理后的轨迹数据，建立每一个用户对应的用户原始轨迹数据集。
使用的轨迹数据集具有以下特征：经度、纬度和时间戳等，如微软亚洲研究院Geolife数据集：39.984702，116.318417，0，492，39744.1201851852， 2008-10-23，02:53:04，提取出其中的经度、纬度和时间戳三个字段，变成 39.984702，116.318417，2008-10-23，02:53:04。
轨迹数据处理步骤：通过噪音滤波、轨迹压缩、路网匹配对用户原始轨迹数据集中的轨迹数据进行清洗，剔除噪音数据，压缩路径数据和映射路网位置，接着对经过上述处理后的轨迹数据进行停留点检测，并将得到的停留点进行停留点语义化，提取用户停留点中蕴含的知识，构建用户停留点集。
(1)噪音滤波
噪声数据点是受到传感器噪声、物体遮挡等因素的影响而产生的轨迹数据噪音，数据点相对轨迹距离过大，清洗此类噪音点的目的是避免影响后续轨迹数据分析。主要采用均值滤波方法，通过比较测量点z和其前n-1个轨迹点的均值来进行噪音滤波。在密集轨迹中，均值滤波或中值滤波均能够很好地处理单个噪音点。图3为轨迹数据噪音点示例图。
(2)轨迹压缩
对于移动对象，基于时间戳的轨迹数据可以采用秒级记录，但是由于存储设备、计算能力等的限制，轨迹数据挖掘不需要如此精细的位置定位。通常需要采用轨迹压缩的方法来处理轨迹数据以减少计算量，主要采用垂直欧式距离对轨迹数据进行压缩，减少冗余数据点。图4为轨迹数据压缩示例图。
(3)路网匹配
路网匹配是结合轨迹数据与数字地图，将GPS坐标下的采样序列转换成路网坐标序列，并经过路网匹配后，每个轨迹点都映射到一个路网位置上。
经过上述处理后，得到预处理后的用户原始轨迹数据集。
(4)停留点检测
时空轨迹数据中存在的轨迹点，其重要性并不相同，往往时空轨迹数据中的某些点反映了人们一段时间的行为，例如购物、观光某个旅游景点等。在轨迹数据中，将在某一时间区域或空间区域内产生某种行为的轨迹数据定义为停留点。对停留点进行检测有助于挖掘用户行为模式与用户行为习惯。图5为轨迹数据停留点检测示例图。
假设预处理后的用户原始轨迹数据集中的用户u共有n个基站请求记录，利用时间tsj依序标记该用户u的坐标，并将此坐标标记为locj，则该用户位置与时间序列可表示成：
Figure RE-GDA0002475570570000081
其中，将第k∈(0，n-m)段长度为m∈N的用户连续位置子序列表示为：
Figure RE-GDA0002475570570000082
如果用户连续位置子序列
Figure RE-GDA0002475570570000083
满足：
Figure RE-GDA0002475570570000084
则：
tsj-tsj+1≤Δt且tsm-1-ts0≥ΔT(3)；
该用户连续位置子序列
Figure RE-GDA0002475570570000091
所记录的移动坐标即为停留点信息，而ΔT 即是这个停留点信息当时连续的停留时间。
轨迹挖掘步骤：首先，使用时空轨迹频繁序列模式挖掘算法对预处理后的用户原始轨迹数据集中的数据进行处理，找出用户频繁访问序列；其次，结合语义化识别算法挖掘用户频繁出行轨迹。然后，基于KP-LSTM(Key Point Long Short-Term Memory networks，KP-LSTM)神经网络对用户行为预测，探索用户接下来可能访问的地点，挖掘出用户日常访问的地理位置。
(1)时空轨迹频繁序列模式挖掘算法
频繁序列模式挖掘是从大规模轨迹数据中发现的频繁时序模式，例如挖掘公共性规律或公共性频繁路径等。一般来说，轨迹数据中包含了位置、时间和语义信息，所以时空轨迹频繁序列模式挖掘算法与传统的频繁序列挖掘算法有一定的区别。时空轨迹频繁序列模式挖掘算法在旅游推荐、生活模式挖掘、地点预测、用户相似性估计等方面有很多应用。
对于时空轨迹频繁序列模式挖掘算法主要分为两种挖掘模式：一种是基于Apriori的频繁序列模式挖掘算法，另一种是基于树结构的频繁序列模式挖掘算法。基于Apriori的频繁序列模式挖掘算法，主要针对经典的Apriori算法进行改进，加入时序特征，并且根据不同应用场景进行相应的优化，例如GSP， PrefixSpan等；基于树结构的频繁序列模式挖掘算法，主要包括基于Suffix Tree，SubString Tree的结构树模式挖掘算法。
为了分析用户的频繁活动轨迹，首先将用户停留点坐标序列S_Tra转变成用户连续停留点坐标序列，其表示形式如下：
Figure RE-GDA0002475570570000092
S是用户所有停留点的个数，因为是以天为单位进行用户序列分析，因此 CS_Traju等于每天的子序列D_CS_Traju的组合。其表示形式如下：
Figure RE-GDA0002475570570000093
那么，可以将用户频繁活动轨迹的挖掘转化为频繁序列挖掘的问题。采用 GSP(Generralized Sequential Patterns)算法对用户连续停留点坐标序列进行挖掘，算法如下。
输入：用户每天的子序列D_CS_Traju。
输出：停留点坐标序列。
步骤1：设置k＝1。
步骤2：获取长度为k的子序列以及子序列的支持度，并删除支持度小于 minSup的子序列。
步骤3：利用长度为k的频繁序列生成长度为k+1的频繁序列。
步骤4：令k＝k+1，跳转到步骤2，直到找不到频繁序列或者不再有新的子序列。
其中，支持度是指在子序列D_CS_Traju中包含长度为k的子序列的频次，并且最小支持度是minSup实验参数。在获取频繁序列之后，再从中选择最长频繁序列作为序列挖掘的结果。
(2)关键点LSTM网络的用户地点预测
用户原始轨迹数据集是包含时间戳的序列数据集，因此通过频繁序列模式对其进行挖掘可以有效的对用户可能出现的地点进行预测。
针对具有时间上或顺序上的关联性的时序数据集，频繁序列模式就是挖掘相对时间或者其他模式出现频率高的模式。例如一个用户在昨天买了一台新手机，那么他很有可能在一个星期内买一个手机屏幕保护膜或者手机保护壳。很多数据都有这种发生时间的先后顺序，所以可以通过频繁序列模式来预测市场的走势，人的行为习惯等等。
长短期记忆(Long Short-Term Memory，LSTM)神经网络，由Hochreiter &Schmidhuber(1997)提出，是一种特殊类型的循环神经网络。该循环神经网络(RecurrentNeural Network，RNN)在用户轨迹预测方面大放异彩后，长短期记忆神经网络也更加受到了广大学者欢迎与关注，其具有信息保留或遗忘的能力，可以有效解决传统RNN中无法长距离依赖的问题，非常适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM神经网络被广泛地用于解决自然语言中情感分析等各类问题，并都取得了不错的效果。
轨迹数据中包含着用户的时间信息与空间信息，与用于处理时序数据的 LSTM神经网络有着天然的契合度。其传统LSTM记忆单元如图6所示。
LSTM神经网络通过“门”(gate)来控制丢弃信息或者增加信息，从而实现遗忘或记忆的功能。“门”是一种使信息选择性通过的结构，由一个sigmoid 函数和一个点乘操作组成。sigmoid函数的输出值在[0，1]区间，0代表完全丢弃，1代表完全通过。一个LSTM记忆单元有三个门，分别是遗忘门(forget gate)、输入门(input gate)、输出门(output gate)。
遗忘门(forget gate)：遗忘门是以上一个单元的输出ht-1和本单元的输入 xt为总输入的sigmoid函数，为Ct-1中的每一项产生一个在[0，1]内的值，来控制上一单元状态被遗忘的程度。
输入门(input gate)：通过输入门和一个tanh函数来配合控制有哪些新信息被加入。tanh函数产生一个新的候选向量
Figure RE-GDA0002475570570000111
输入门为
Figure RE-GDA0002475570570000112
中的每一项产生一个在[0，1]内的值，控制新信息被加入的数量。已经有了遗忘门的输出ft，用来控制上一单元被遗忘的程度，也有了输入门的输出it，用来控制新信息被加入的多少，就可以更新本记忆单元的单元状态了。
输出门(output gate)：输出门用来控制当前单元状态有多少被过滤掉。先将单元状态激活，输出门为其中每一项产生一个在[0，1]内的值，控制单元状态被过滤的程度。
LSTM神经网络在t时刻的遗忘门ft、输入门it、输出门ot、更新向量
Figure RE-GDA0002475570570000113
记忆细胞Ct和当前单元输出ht的计算公式，如公式(6)～(11)所示，其中Wf、Wi、 Wo和WC分别为遗忘门、输入门、输出门和更新向量的权重，bf、bi、bo和bC分别为遗忘门、输入门、输出门和更新向量的偏置，xt为当前单元输入。
ft＝σ(Wf·[ht-1,xt]+bf)(6)；
it＝σ(Wi·[ht-1,xt]+bi)(7)；
ot＝σ(Wo·[ht-1,xt]+bo)(8)；
Figure RE-GDA0002475570570000121
Figure RE-GDA0002475570570000122
ht＝ot*tanh(Ct)(11)。
本实施例对繁多的轨迹数据进行挖掘时，着重于关注与用户出行中的关键数据点，预测用户之后最可能访问的地点。因此，为了避免细粒度模式处理轨迹数据而出现过多噪音数据以及基于传统的网格划分导致的边界尖锐问题，提出了基于关键点的长短期记忆神经网络(Key Point Long Short-Term Memory networks，KP-LSTM)。关键数据点是三类用户重要出行点的集，以此作为该关键点的长短期记忆神经网络的输入，输出层的结果是用户预测出行轨迹点。通过优化输入层中特征的粒度和选取特征高的轨迹点作为基于关键点的长短期记忆神经网络的输入，大幅减少冗余数据点对预测结果的影响，同时节省了计算空间和计算力，使该关键点的长短期记忆神经网络在迭代时通过优化函数更容易收敛，训练出良好的基于关键点的长短期记忆神经网络预测模型。基于关键点的长短期记忆神经网络预测模型的算法如下：
步骤1：将各用户历史GPS轨迹数据进行数据清洗，整理成每个用户的历史原始轨迹数据集，然后通过公式(1)～(3)进行停留点检测，计算各用户的历史停留点，进而构建历史停留点集p，并将用户的历史停留点集p中的数据(坐标点)作为第一类用户出行路径中的关键数据点。
步骤2：根据历史停留点集p，统计每个历史停留点的频数，并将大于设定阈值ε的频数所对应的历史停留点加入历史访问频数集m，进而得到各个用户的历史访问频数集m。其中，设定阈值ε为ε＝N/10000，N为历史停留点集中历史停留点的总数，历史访问频数集m中的数据(坐标点)作为第二类用户出行路径中的关键数据点。
步骤3：通过时空轨迹频繁序列模式挖掘算法计算出各用户的历史频繁序列轨迹点集g，并将历史频繁序列轨迹点集g中的数据(坐标点)作为第三类用户出行路径中的关键数据点。
步骤4：设置隐藏层，神经元数量，迭代次数，然后将各个用户的历史停留点集p，历史访问频数集m和历史频繁序列轨迹点集g整合，作为每个用户的历史出行轨迹关键数据点集K，输入到关键点的长短期记忆神经网络中，训练得到关键点的长短期记忆神经网络预测模型，并通过此预测模型对用户之后的出行轨迹点进行预测。
通过将用户轨迹序列输入到关键点的长短期记忆神经网络预测模型中，对用户未来可能出现的地点进行预测，保存用户未来出现的位置，再将用户未来出现的位置进行语义信息的转换，从而对用户的日常生活地点进行探索和理解。将用户未来出现的位置分布标注在地图上，可以从地图上进一步观察用户的出行密度，活动区域，地点特征和用户可能出现区域等用户出行的属性特征。
用户轨迹画像步骤：此步骤是将用户的轨迹信息特征进行可视化的重要途径。将用户的出行轨迹使用坐标图进行轨迹可视化，通过热力图可以发现用户出行的热点区域，然后在百度地图上绘制用户的出行路线，分析用户的出行规律。最后使用词云将用户轨迹数据中的特征信息进行可视化，直观清晰的展示出用户独特的轨迹画像特征。
轨迹数据可视化技术可以更加形象地展示轨迹数据挖掘效果，对于快速了解数据结果之间的关系具有非常直观的效果，将会帮助研究人员更好地找出移动对象的规律或行为特征信息。轨迹数据可视化分为直接可视化、抽象可视化和特征提取可视化。
直接可视化是最为基础的轨迹可视化方法，即轨迹数据直接导入后绘制每条轨迹。对于GPS原始数据集来说，其有固定的数据格式，当数据量不是很大时，可以借助第三方地图实现原始数据的可视化功能。直接可视化可以直接表达原始轨迹数据特点，但却不适用于大数据可视化，或者难以实现对原始数据的可视化。
抽象可视化，首先对轨迹数据进行聚集或聚类，保留重要轨迹数据，剔除冗余数据，然后根据处理结果进行可视化显示。轨迹数据将原始数据抽象化后，联合轨迹数据空间分布特征，形象化地展示轨迹空间特征。同时，根据空间划分策略，采用不同的图形表示方式辅助研究人员进行特征分析。
局部特征可视化，注重基于轨迹段的事件特征分析，其中，满足一定条件的时间段称为事件。一般地，轨迹段包含时间信息和空间信息。首先提取符合特定条件的轨迹段构成事件数据集，再对基于轨迹段的事件数据进行可视化显示与分析。最后将分析出的用户特征转化为用户特征标签，以用户轨迹画像的方式展示。
本实施例若选用直接可视化方式，则在百度地图上直接绘制用户的真实出行轨迹，在地图上将轨迹点进行时序性的描绘，将用户出行的轨迹路径表示在城市地图上，直观的分析单个用户出行的时空属性，并在地图上标注出用户具体停留的区域和商圈。本实施例若选用抽象可视化方式，则将空间维度的用户出行规律和用户出行路线展示在建立好的坐标图上，通过热力图展示用户出行的热点区域。本实施例若选用特征可视化方式，则抽取语义信息中的关键属性，即经过基于关键点的长短期记忆神经网络预测模型预测后的出行轨迹点，进行用户轨迹画像展示，描绘用户轨迹数据中提取的关键信息及重要特征。用户轨迹画像示意图如图7所示。
实施例3
为实现上述目的，本实施例还提供了一种基于轨迹信息的用户行为预测画像系统，如图8所示，包括：
用户原始轨迹数据集构建模块201，用于构建用户原始轨迹数据集；所述用户原始轨迹数据集中的每个元素均包括三个字段，分别为经度、纬度和时间戳；具体包括：
数据获取单元，用于获取用户GPS轨迹数据。
用户原始轨迹数据集构建单元，用于对所述用户GPS轨迹数据进行格式转化和去除冗余特征处理，并根据处理后的用户GPS轨迹数据，构建用户原始轨迹数据集。
用户停留点集构建模块202，用于对所述用户原始轨迹数据集中的轨迹数据进行停留点检测，构建用户停留点集。
在本实施例中，在执行用户停留点集构建模块202之前，先进行预处理模块，该预处理模块用于对所述用户原始轨迹数据集中的轨迹数据进行噪音滤波、轨迹压缩和路网匹配处理，得到预处理后的用户原始轨迹数据集。
用户频繁序列轨迹点集构建模块203，用于采用频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，构建用户频繁序列轨迹点集。具体包括：
用户频繁访问序列确定单元，用于采用时空轨迹频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，确定用户频繁访问序列。
用户频繁序列轨迹点集构建单元，用于根据所述用户频繁访问序列，结合语义化识别算法，挖掘用户频繁出行轨迹点，进而构建用户频繁序列轨迹点集。
用户访问频数集构建模块204，用于根据所述用户停留点集，构建用户访问频数集；其中，所述用户访问频数集中的数据为所述用户停留点集中频数大于设定阈值的停留点。
预测模块205，用于将所述用户停留点集、所述用户频繁序列轨迹点集和所述用户访问频数集输入到基于关键点的长短期记忆神经网络预测模型中，以预测用户出行轨迹点。所述预测模块205中的基于关键点的长短期记忆神经网络预测模型是根据各个用户的历史出行轨迹关键数据点集训练基于关键点的长短期记忆神经网络得到的；所述历史出行轨迹关键数据点集包括用户历史停留点集、用户历史频繁序列轨迹点集和用户历史访问频数集。
用户轨迹画像确定模块206，用于对预测的所述用户出行轨迹点进行可视化操作，得到用户轨迹画像。
本发明通过改进后深度学习模型KP-LSTM网络对用户的轨迹进行预测，构建用户轨迹画像，精准描绘用户存在的属性特征，提取用户移动轨迹“指纹”。最后通过可视化的方式将提取的用户画像结果进行清晰直观的展示，刻画用户特有的价值属性，为移动数据平台开发和用户位置行为分析提供了一种有效的方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于轨迹信息的用户行为预测画像方法，其特征在于，包括：
构建用户原始轨迹数据集；所述用户原始轨迹数据集中的每个元素均包括三个字段，分别为经度、纬度和时间戳；
对所述用户原始轨迹数据集中的轨迹数据进行停留点检测，构建用户停留点集；
采用频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，构建用户频繁序列轨迹点集；
根据所述用户停留点集，构建用户访问频数集；其中，所述用户访问频数集中的数据为所述用户停留点集中频数大于设定阈值的停留点；
将所述用户停留点集、所述用户频繁序列轨迹点集和所述用户访问频数集输入到基于关键点的长短期记忆神经网络预测模型中，以预测用户出行轨迹点；
对预测的所述用户出行轨迹点进行可视化操作，得到用户轨迹画像。
2.根据权利要求1所述的一种基于轨迹信息的用户行为预测画像方法，其特征在于，所述构建用户原始轨迹数据集，具体包括：
获取用户GPS轨迹数据；
对所述用户GPS轨迹数据进行格式转化和去除冗余特征处理，并根据处理后的用户GPS轨迹数据，构建用户原始轨迹数据集。
3.根据权利要求1所述的一种基于轨迹信息的用户行为预测画像方法，其特征在于，在对所述用户原始轨迹数据集中的轨迹数据进行停留点检测，构建用户停留点集之前，还包括：
对所述用户原始轨迹数据集中的轨迹数据进行噪音滤波、轨迹压缩和路网匹配处理，得到预处理后的用户原始轨迹数据集。
4.根据权利要求1所述的一种基于轨迹信息的用户行为预测画像方法，其特征在于，所述采用频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，构建用户频繁序列轨迹点集，具体包括：
采用时空轨迹频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，确定用户频繁访问序列；
根据所述用户频繁访问序列，结合语义化识别算法，挖掘用户频繁出行轨迹点，进而构建用户频繁序列轨迹点集。
5.根据权利要求1所述的一种基于轨迹信息的用户行为预测画像方法，其特征在于，所述基于关键点的长短期记忆神经网络预测模型是根据各个用户的历史出行轨迹关键数据点集训练基于关键点的长短期记忆神经网络得到的；所述历史出行轨迹关键数据点集包括用户历史停留点集、用户历史频繁序列轨迹点集和用户历史访问频数集。
6.一种基于轨迹信息的用户行为预测画像系统，其特征在于，包括：
用户原始轨迹数据集构建模块，用于构建用户原始轨迹数据集；所述用户原始轨迹数据集中的每个元素均包括三个字段，分别为经度、纬度和时间戳；
用户停留点集构建模块，用于对所述用户原始轨迹数据集中的轨迹数据进行停留点检测，构建用户停留点集；
用户频繁序列轨迹点集构建模块，用于采用频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，构建用户频繁序列轨迹点集；
用户访问频数集构建模块，用于根据所述用户停留点集，构建用户访问频数集；其中，所述用户访问频数集中的数据为所述用户停留点集中频数大于设定阈值的停留点；
预测模块，用于将所述用户停留点集、所述用户频繁序列轨迹点集和所述用户访问频数集输入到基于关键点的长短期记忆神经网络预测模型中，以预测用户出行轨迹点；
用户轨迹画像确定模块，用于对预测的所述用户出行轨迹点进行可视化操作，得到用户轨迹画像。
7.根据权利要求6所述的一种基于轨迹信息的用户行为预测画像系统，其特征在于，所述用户原始轨迹数据集构建模块，具体包括：
数据获取单元，用于获取用户GPS轨迹数据；
用户原始轨迹数据集构建单元，用于对所述用户GPS轨迹数据进行格式转化和去除冗余特征处理，并根据处理后的用户GPS轨迹数据，构建用户原始轨迹数据集。
8.根据权利要求6所述的一种基于轨迹信息的用户行为预测画像系统，其特征在于，还包括：
预处理模块，用于对所述用户原始轨迹数据集中的轨迹数据进行噪音滤波、轨迹压缩和路网匹配处理，得到预处理后的用户原始轨迹数据集。
9.根据权利要求6所述的一种基于轨迹信息的用户行为预测画像系统，其特征在于，所述用户频繁序列轨迹点集构建模块，具体包括：
用户频繁访问序列确定单元，用于采用时空轨迹频繁序列模式挖掘算法对所述用户停留点集中的数据进行处理，确定用户频繁访问序列；
用户频繁序列轨迹点集构建单元，用于根据所述用户频繁访问序列，结合语义化识别算法，挖掘用户频繁出行轨迹点，进而构建用户频繁序列轨迹点集。
10.根据权利要求6所述的一种基于轨迹信息的用户行为预测画像系统，其特征在于，所述预测模块中的基于关键点的长短期记忆神经网络预测模型是根据各个用户的历史出行轨迹关键数据点集训练基于关键点的长短期记忆神经网络得到的；所述历史出行轨迹关键数据点集包括用户历史停留点集、用户历史频繁序列轨迹点集和用户历史访问频数集。
CN202010241478.9A 2020-03-31 2020-03-31 一种基于轨迹信息的用户行为预测画像方法及系统 Active CN111444243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010241478.9A CN111444243B (zh) 2020-03-31 2020-03-31 一种基于轨迹信息的用户行为预测画像方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010241478.9A CN111444243B (zh) 2020-03-31 2020-03-31 一种基于轨迹信息的用户行为预测画像方法及系统

Publications (2)

Publication Number Publication Date
CN111444243A true CN111444243A (zh) 2020-07-24
CN111444243B CN111444243B (zh) 2023-08-29

Family

ID=71649514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010241478.9A Active CN111444243B (zh) 2020-03-31 2020-03-31 一种基于轨迹信息的用户行为预测画像方法及系统

Country Status (1)

Country Link
CN (1) CN111444243B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182410A (zh) * 2020-11-05 2021-01-05 西南交通大学 基于时空轨迹知识图谱的用户出行模式挖掘方法
CN112463859A (zh) * 2020-12-14 2021-03-09 王玉华 基于大数据和业务分析的用户数据处理方法及大数据平台
CN112529284A (zh) * 2020-12-08 2021-03-19 湖南大学 基于神经网络的私家车停留时间预测方法、设备及介质
CN112579846A (zh) * 2020-12-30 2021-03-30 北京秒针人工智能科技有限公司 用户行为轨迹的可视化方法及系统
CN112966010A (zh) * 2021-02-09 2021-06-15 深圳大学 一种用户轨迹信息挖掘方法
CN113256405A (zh) * 2021-06-22 2021-08-13 平安科技（深圳）有限公司 欺诈用户集中区域的预测方法、装置、设备及存储介质
CN113610307A (zh) * 2021-08-12 2021-11-05 中国民用航空飞行学院 一种航班计划管理系统
CN113780665A (zh) * 2021-09-15 2021-12-10 湖南大学 一种基于增强循环神经网络的私家车停留位置预测方法和系统
CN113888867A (zh) * 2021-09-30 2022-01-04 洛阳远瞻信息科技有限公司 一种基于lstm位置预测的车位推荐方法及系统
CN114666391A (zh) * 2020-12-03 2022-06-24 中国移动通信集团广东有限公司 访问轨迹确定方法、装置、设备及存储介质
CN117319120A (zh) * 2023-11-24 2023-12-29 广州海盈电气技术有限公司 一种基于knx总线的智能家居数据传输处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017106779A (ja) * 2015-12-08 2017-06-15 日本電信電話株式会社 目的地予測装置、方法、及びプログラム
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
CN110570044A (zh) * 2019-09-16 2019-12-13 重庆大学 基于循环神经网络和注意力机制的下一个地点预测方法
CN110928993A (zh) * 2019-11-26 2020-03-27 重庆邮电大学 基于深度循环神经网络的用户位置预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017106779A (ja) * 2015-12-08 2017-06-15 日本電信電話株式会社 目的地予測装置、方法、及びプログラム
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
CN110570044A (zh) * 2019-09-16 2019-12-13 重庆大学 基于循环神经网络和注意力机制的下一个地点预测方法
CN110928993A (zh) * 2019-11-26 2020-03-27 重庆邮电大学 基于深度循环神经网络的用户位置预测方法及系统

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182410A (zh) * 2020-11-05 2021-01-05 西南交通大学 基于时空轨迹知识图谱的用户出行模式挖掘方法
CN112182410B (zh) * 2020-11-05 2023-04-21 西南交通大学 基于时空轨迹知识图谱的用户出行模式挖掘方法
CN114666391A (zh) * 2020-12-03 2022-06-24 中国移动通信集团广东有限公司 访问轨迹确定方法、装置、设备及存储介质
CN114666391B (zh) * 2020-12-03 2023-09-19 中国移动通信集团广东有限公司 访问轨迹确定方法、装置、设备及存储介质
CN112529284A (zh) * 2020-12-08 2021-03-19 湖南大学 基于神经网络的私家车停留时间预测方法、设备及介质
CN112463859A (zh) * 2020-12-14 2021-03-09 王玉华 基于大数据和业务分析的用户数据处理方法及大数据平台
CN112463859B (zh) * 2020-12-14 2021-08-17 厦门蝉羽网络科技有限公司 基于大数据和业务分析的用户数据处理方法及服务器
CN112579846A (zh) * 2020-12-30 2021-03-30 北京秒针人工智能科技有限公司 用户行为轨迹的可视化方法及系统
CN112966010A (zh) * 2021-02-09 2021-06-15 深圳大学 一种用户轨迹信息挖掘方法
CN113256405B (zh) * 2021-06-22 2021-10-12 平安科技（深圳）有限公司 欺诈用户集中区域的预测方法、装置、设备及存储介质
CN113256405A (zh) * 2021-06-22 2021-08-13 平安科技（深圳）有限公司 欺诈用户集中区域的预测方法、装置、设备及存储介质
CN113610307A (zh) * 2021-08-12 2021-11-05 中国民用航空飞行学院 一种航班计划管理系统
CN113780665A (zh) * 2021-09-15 2021-12-10 湖南大学 一种基于增强循环神经网络的私家车停留位置预测方法和系统
CN113780665B (zh) * 2021-09-15 2023-09-29 湖南大学 一种基于增强循环神经网络的私家车停留位置预测方法和系统
CN113888867A (zh) * 2021-09-30 2022-01-04 洛阳远瞻信息科技有限公司 一种基于lstm位置预测的车位推荐方法及系统
CN117319120A (zh) * 2023-11-24 2023-12-29 广州海盈电气技术有限公司 一种基于knx总线的智能家居数据传输处理方法
CN117319120B (zh) * 2023-11-24 2024-01-26 广州海盈电气技术有限公司 一种基于knx总线的智能家居数据传输处理方法

Also Published As

Publication number Publication date
CN111444243B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN111444243B (zh) 一种基于轨迹信息的用户行为预测画像方法及系统
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
Endo et al. Deep feature extraction from trajectories for transportation mode estimation
He et al. Mining spatiotemporal association patterns from complex geographic phenomena
CN113378891B (zh) 基于轨迹分布表示的城市区域关系可视分析方法
Long et al. Moving ahead with computational movement analysis
Xu et al. HighAir: A hierarchical graph neural network-based air quality forecasting method
CN117035073B (zh) 一种基于分层事件发展模式归纳的未来气象事件预测方法
Zhang et al. City2vec: Urban knowledge discovery based on population mobile network
Bermingham et al. Mining place-matching patterns from spatio-temporal trajectories using complex real-world places
EP3192061B1 (en) Measuring and diagnosing noise in urban environment
Cao et al. Improving the spatial–temporal aware attention network with dynamic trajectory graph learning for next Point-Of-Interest recommendation
Wong et al. Long-term user location prediction using deep learning and periodic pattern mining
Liu et al. POI Recommendation Method Using Deep Learning in Location‐Based Social Networks
Lin et al. Extracting urban landmarks from geographical datasets using a random forests classifier
Yu et al. Using information entropy and a multi-layer neural network with trajectory data to identify transportation modes
CN113704373B (zh) 基于移动轨迹数据的用户识别方法、装置及存储介质
Wen et al. MSSRM: A multi-embedding based self-attention spatio-temporal recurrent model for human mobility prediction
Mou et al. Personalized tourist route recommendation model with a trajectory understanding via neural networks
Qian et al. Vehicle trajectory modelling with consideration of distant neighbouring dependencies for destination prediction
CN110944295B (zh) 位置预测方法、装置、存储介质及终端
Guo et al. Learning and integration of adaptive hybrid graph structures for multivariate time series forecasting
CN108009134A (zh) 一种人类活动信息挖掘方法
Chu et al. Simulating human mobility with a trajectory generation framework based on diffusion model

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