CN113068131A

CN113068131A - 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质

Info

Publication number: CN113068131A
Application number: CN202110606114.0A
Authority: CN
Inventors: 潘澳涔; 张聪; 贾立峰
Original assignee: Zhejiang Non Line Digital Technology Co ltd
Current assignee: Zhejiang Non Line Digital Technology Co ltd
Priority date: 2021-06-01
Filing date: 2021-06-01
Publication date: 2021-07-02
Anticipated expiration: 2041-06-01
Also published as: CN113068131B

Abstract

本发明公开了一种用户移动方式和轨迹的预测方法，包括以下步骤：获取多源的移动数据集，并对所述移动数据集进行清洗融合处理；根据所述移动数据集的数据量构造不同的神经网络模型，并将残缺字段输入对应的神经网络模型中进行数据补全；滑动框取完整的数据集以进行特征提取，并将提取的特征按照预设规则输入预先训练好的预测模型中进行训练。该方法通过数据补全可以有效利用获取的多维度特征，对于预测结果合理性更强，同时从需补全的多字段和单字段两种角度出发训练了对应的神经网络模型，且利用测试集准确率高达90%，而最终预测使用的训练测试数据基于时序滑动提取，也有效提高了数据利用率。

Description

一种用户移动方式和轨迹的预测方法、装置、设备及存储介质

技术领域

本发明涉及数据挖掘处理技术领域，尤其涉及一种用户移动方式和轨迹的预测方法、装置、设备及存储介质。

背景技术

近年来，在信息通信技术的快速发展下，人类日常生活中的移动数据呈爆炸增长，被动生成的数据，如GPS数据和蜂窝数据，为人类的移动性分析和交通应用带来了巨大的机遇，由于它们的主要目的通常与运输无关，因此需要对被动生成的数据进行处理以提取行程，现在的大多数出行提取方法都依赖于单一定位技术如GPS或通过蜂窝塔进行三角测量生成的数据也就是所谓的单一来源数据，缺乏从多种定位技术生成的数据也就是多源数据中提取行程信息的方法。

现有技术中，对于移动数据的清洗，有面向多源数据融合的贝叶斯估计方法；对于用户移动模型的建立，有基于概率的用户移动预测、基于时序特征（马尔科夫）的移动模式预测和基于位置信息的运动模式方法分析；但针对移动模式的预测，现有技术通常只描述了轨迹信息，目前还没有对使用的交通方式、预计消耗或停留时间等信息进行预测的方法，也还没有一种成熟的研究可以同时对其中的任意两种进行预测。

现有对移动预测的神经网络模型有类RNN模型、时间序列（马尔科夫）模型等，往往都是通过少量信息素来获得单一的预测信息，缺乏对大量数据、多维度数据进行训练的预测模型，而对用户移动模式的预测又是构建基于公众信息服务平台、政务专网信息交换平台、企业信息服务平台与空间定位信息平台一体化中不可缺失的一部分，基于此，本发明提出了一种基于多源数据融合的用户移动方式和轨迹预测的方法。

发明内容

本发明提供的一种用户移动方式和轨迹的预测方法，旨在解决现有技术中无法利用多种方法获取多维度的数据信息实现精准的短期移动轨迹以及其他信息如停留时间、交通方式等预测的问题。

为实现上述目的，本发明采用以下技术方案：

本发明的一种用户移动方式和轨迹的预测方法，包括以下步骤：

获取多源移动数据集，按照时间顺序对所述移动数据集进行关联数据填充，并从填充后的移动数据集中提取时间节点与对应关联数据之间的映射关系；

基于所述映射关系构建神经网络模型，并利用所述神经网络模型补全所述填充后的移动数据集中关联信息不完整的字段；

对补全后的移动数据集进行特征提取，并利用预先训练好的预测模型对提取的特征做有限次的训练，以预测移动方式和轨迹。

获取不同来源的移动数据集，该来源可以是支付信息，也可以是监控信息，或者是其它相关信息，所述移动数据集主要用来记录用户的历史移动轨迹，所述移动数据集还包括带经纬度和时间节点的基础字段及用于补充不同需求数据的预留字段，并按照时间顺序统一移动数据集中字段的数据结构，并在对应的时间节点添加相应的关联数据，再对移动数据集做清洗处理，删除其中超过设定阈值的数据，处理完成后从移动数据集中提取包含时间节点及对应关联数据的字段即第一字段，当该字段包含了一段时间内经纬度变化、路径曲折度、路径耗时、海拔信息等信息，且需输出结果为经过该路段所用的交通方式时，就从该字段中提取特征以构造全连接网络，当该字段只有经纬度信息时，就将所述时间段内的移动轨迹在矩阵图中表示出来，并标记出交通方式，再基于图像识别构造卷积神经网络模型，最后根据运用场景的需要选择不同的网络模型对残缺字段即第二字段进行补充，输出包含了多个完整时间段的完整字段，对该完整字段进行滑动框取以提取特征，把提取的特征进行时间编码再按字段均匀分割为N份，将前M份作为输入放入由RNN残差+CNN卷积+循环网络+信息素递减网络构造的神经网络模型，后N-M份则作为预测结果，经过有限次的训练，最后输出预测的移动轨迹和移动方式，其中，N、M均为大于1的整数，且N大于M。通过不同方式来获取尽可能多的数据，并根据得到的数据量选择合适的网络模型进行训练提高了预测的准确性，使输出的移动轨迹和移动方式更加准确。

作为优选，所述获取多源移动数据集，按照时间顺序对所述移动数据集进行关联数据填充，并从填充后的移动数据集中提取时间节点与对应关联数据之间的映射关系，包括：

获取不同来源的移动数据集，所述移动数据集用于表示用户的历史移动轨迹；

按照时间顺序对所述移动数据集中的全部字段进行排列，得到统一的数据结构，并在对应的时间节点添加相应的关联数据，同时对添加数据后的移动数据集中设定阈值的数据进行清洗；

从清洗后的移动数据集中提取第一字段，根据所述第一字段的数据量确定网络模型，并获取所述第一字段中时间节点与对应关联数据之间的映射关系，所述第一字段用于表示所述清洗后的移动数据集中包含关联信息的字段。

作为优选，所述基于所述映射关系构建神经网络模型，并利用所述神经网络模型补全所述填充后的移动数据集中关联信息不完整的字段，包括：

根据所述映射关系训练神经网络模型，所述神经网络模型用于数据补全；

将清洗后的移动数据集中的第二字段输入所述神经网络模型中，利用有监督学习补全所述第二字段中缺失的关联信息，所述第二字段用于表示所述清洗后的移动数据集中关联信息为空的字段。

作为优选，所述对补全后的移动数据集进行特征提取，并利用预先训练好的预测模型对提取的特征做有限次的训练，以预测移动方式和轨迹，包括：

利用固定大小的滑动框来提取补全后的移动数据集中的时间特征，每个时间特征包含L个字段，L为大于1的整数；

对提取的时间特征进行编码，将每个时间特征中第一个字段的特征值设为固定值，下一个字段的特征值设为到上一个字段特征值差的大小；

将编码后的时间特征均匀分割为N份，前M份作为所述预测模型的输入，后N-M份作为预测结果，利用所述预测模型分别对前M份时间特征做不同次数的训练得到训练结果，再将所述训练结果与前M份时间特征整合做整体训练，最后输出预测的移动方式和轨迹，其中，N、M均为大于1的整数，且N大于M。

一种用户移动方式和轨迹的预测装置，包括：

扩充模块，用于获取多源移动数据集，按照时间顺序对所述移动数据集进行关联数据填充，并从填充后的移动数据集中提取时间节点与对应关联数据之间的映射关系；

补全模块，用于基于所述扩充模块获取的所述映射关系构建神经网络模型，并利用所述神经网络模型补全所述填充后的移动数据集中关联信息不完整的字段；

预测模块，用于对所述补全模块补全后的移动数据集进行特征提取，并利用预先训练好的预测模型对提取的特征做有限次的训练，以预测移动方式和轨迹。

作为优选，所述扩充模块包括：

获取单元，用于获取不同来源的移动数据集，所述移动数据集用于表示用户的历史移动轨迹；

处理单元，用于按照时间顺序对所述获取单元获取的所述移动数据集中的全部字段进行排列，得到统一的数据结构，并在对应的时间节点添加相应的数据，同时对所述移动数据集中设定阈值的数据进行清洗；

提取单元，用于从所述处理单元清洗后的移动数据集中提取第一字段，并获取所述第一字段中时间节点与对应关联数据之间的映射关系，所述第一字段用于表示所述清洗后的移动数据集中包含关联信息的字段。

作为优选，所述补全模块包括：

构造单元，用于根据所述映射关系训练神经网络模型，所述神经网络模型用于数据补全；

学习单元，用于将清洗后的移动数据集中的第二字段输入所述构造单元训练的所述神经网络模型中，利用有监督学习补全所述第二字段中缺失的关联信息，所述第二字段用于表示所述清洗后的移动数据集中关联信息为空的字段。

作为优选，所述预测模块包括：

框取单元，用于利用固定大小的滑动框来提取补全后的移动数据集中的时间特征，每个时间特征包含L个字段，L为大于1的整数；

编码单元，用于对所述框取单元提取的时间特征进行编码，将每个时间特征中第一个字段的特征值设为固定值，下一个字段的特征值设为到上一个字段特征值差的大小；

训练单元，用于将所述编码单元编码后的时间特征均匀分割为N份，前M份作为所述预测模型的输入，后N-M份作为预测结果，利用所述预测模型分别对前M份时间特征做不同次数的训练得到训练结果，再将所述训练结果与前M份时间特征整合做整体训练，最后输出预测的移动方式和轨迹，其中，N、M均为大于1的整数，且N大于M。

一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种用户移动方式和轨迹的预测方法。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述中任一项所述的一种用户移动方式和轨迹的预测方法。

本发明具有如下有益效果：

本发明通过滑动模块方式构造神经网络的输入和有监督输出，其中没有人工标注的工作，降低了人为错误率，并充分利用原始数据，同时基于滑动块方式选取的输入和输出，做到了类似循环网络的作用，通过不同的卷积实现了越靠近结果的行为，对结果影响越大这一理论，使得该模型能自动确定影响输出的关键因素，通过残差和叠加网络的构造，使得该模型在预测下一段区间内信息时不抛弃原始信息累积，防止梯度消失和某一决策为误识的情况，充分模拟了移动轨迹的多样化决策因素，提高预测准确率。

附图说明

图1是本发明实施例实现一种用户移动方式和轨迹的预测方法第一流程图；

图2是本发明实施例实现一种用户移动方式和轨迹的预测方法第二流程图；

图3是本发明实施例实现一种用户移动方式和轨迹的预测方法第三流程图；

图4是本发明实施例实现一种用户移动方式和轨迹的预测方法第四流程图；

图5是本发明实施例实现一种用户移动方式和轨迹的预测方法的具体实施流程图；

图6是本发明实施例实现一种用户移动方式和轨迹的预测装置示意图；

图7是本发明实施例实现一种用户移动方式和轨迹的预测装置的扩充模块示意图；

图8是本发明实施例实现一种用户移动方式和轨迹的预测装置的补全模块示意图；

图9是本发明实施例实现一种用户移动方式和轨迹的预测装置的预测模块示意图；

图10是本发明实施例实现一种用户移动方式和轨迹的预测装置的具体实施模块图；

图11是本发明实施例实现一种用户移动方式和轨迹的预测方法的一种电子设备示意图。

具体实施方式

下面将结合附图，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。

本申请的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。

实施例1

如图1所示，一种用户移动方式和轨迹的预测方法，包括以下步骤：

S110、获取多源移动数据集，按照时间顺序对所述移动数据集进行关联数据填充，并从填充后的移动数据集中提取时间节点与对应关联数据之间的映射关系；

S120、基于所述映射关系构建神经网络模型，并利用所述神经网络模型补全所述填充后的移动数据集中关联信息不完整的字段；

S130、对补全后的移动数据集进行特征提取，并利用预先训练好的预测模型对提取的特征做有限次的训练，以预测移动方式和轨迹。

根据实施例1可知，本方案获取了不同来源的用户历史移动轨迹，这些轨迹都包含了经纬度和时间节点信息，将这些信息按照时间顺序进行排列，统一数据结构，在对应的时间节点添加相应的关联数据，同时删除其中出现频率和时间区间小于设定阈值的数据，并从其中提取出具有时间节点与对应关联数据的第一字段，根据第一字段的数据量选择构建全连接网络或基于图像识别的卷积神经网络模型，并根据场景运用需要将移动数据集中的第二字段输入对应的神经网络模型中利用有监督学习进行训练，补全第二字段中缺失的信息，用滑动框对补全后的移动数据集做特征提取，每个特征包含了L个字段，L为大于1的整数，将每个特征中的第一个字段的特征值设为0，下一个字段的特征值设为到上一个字段的特征值差的大小，将编码后的时间特征均匀分割为N份，前M份作为预测模型的输入，后N-M份作为有监督学习的输出结果，经过预测模型也就是由RNN残差+CNN卷积+循环网络+信息素递减网络构造的神经网络模型的有限次的训练，输出最终预测的用户移动方式和轨迹。本方案通过数据补全可以有效利用获取的多维度特征如购物、观光、远足、户外运动等数据，使预测结果的合理性更强，其他预测方案只用了一种维度的基础数据，缺少对多来源数据的融合，如经纬度时域特征、路径频域特征等，预测结果单一、可信度低；对于其他发明的单一的插值补全，本方案对应需补充多字段和单字段两种角度分别训练了对应的神经网络模型，且利用测试集准确率高达90%，而其他的补全手段往往通过拟合多项式等方法，对人的行为补全困难；同时本方案最终预测使用的训练测试数据是基于时序滑动提取的，数据利用率大于其他方案使用的如直接截取等方法，且利用卷积、残差、信息衰减等原理构造的复杂神经网络，不需要如其他时序模型一样，需要考虑平稳性，多做一步相关系数分析。

实施例2

如图2所示，一种用户移动方式和轨迹的预测方法，包括：

S210、获取不同来源的移动数据集，所述移动数据集用于表示用户的历史移动轨迹；

S220、按照时间顺序对所述移动数据集中的全部字段进行排列，得到统一的数据结构，并在对应的时间节点添加相应的关联数据，同时对添加数据后的移动数据集中设定阈值的数据进行清洗；

S230、从清洗后的移动数据集中提取第一字段，并获取所述第一字段中时间节点与对应关联数据之间的映射关系，所述第一字段用于表示所述清洗后的移动数据集中包含关联信息的字段；

S240、基于所述映射关系构建神经网络模型，并利用所述神经网络模型补全所述填充后的移动数据集中关联信息不完整的字段；

S250、对补全后的移动数据集进行特征提取，并利用预先训练好的预测模型对提取的特征做有限次的训练，以预测移动方式和轨迹。

根据实施例2可知，由于不同的数据维度不同，如在本方案中，基础数据包括经纬度信息与时间节点构造的序列，其他数据包括多段时间内的交通方式，先按照时间顺序统一它们的数据结构，在对应的时间节点添加相应的关联数据，并用大时间跨度的数据去包含小时间跨度的数据，对于大跨度序列中出现对应交通方式为空的情况，根据已有填充的交通方式信息的时间段以及其对应的时序特征，通过神经网络模型补全称为融合，在此过程中，会出现少批量特征，如交通方式为飞机出行，对应区间小、时间跨度小的情况，为了预测准确性，时间区间和频率小于某阈值时，视作噪声直接删去，常用的数据处理方法是若存在大量稀疏数据，特征提取时直接忽略，因此本发明可以提高存在大量稀疏数据时数据的整体质量和利用率，其中，关联信息可以是时间节点与交通方式，也可以是时间节点与支付信息，同时也可以是其他具有特定关系的数据，在此处不做具体限定，且关联信息包含关联数据。

实施例3

如图3所示，一种用户移动方式和轨迹的预测方法，包括：

S310、获取多源移动数据集，按照时间顺序对所述移动数据集进行关联数据填充，并从填充后的移动数据集中提取时间节点与对应关联数据之间的映射关系；

S320、根据所述映射关系训练神经网络模型，所述神经网络模型用于数据补全；

S330、将清洗后的移动数据集中的第二字段输入所述神经网络模型中，利用有监督学习补全所述第二字段中缺失的关联信息，所述第二字段用于表示所述清洗后的移动数据集中关联信息为空的字段；

S340、对补全后的移动数据集进行特征提取，并利用预先训练好的预测模型对提取的特征做有限次的训练，以预测移动方式和轨迹。

根据实施例3可知，这里获取的历史轨迹数据包括两类，一类是训练集用于训练模型，一类是测试样本用于实际预测的，两者的预处理过程是相同的，下面以用于模型训练的数据为例对预处理过程进行说明：

现有技术或公开发明只提取相对完整的数据集，且只需要轨迹信息的时间序列，没有运用其他特征，即使运用，对于残缺部分也会选择性过滤，而本发明通过将已知的数据信息进行训练，构建一个用于补充数据的神经网络模型，根据这个神经网络模型对数据集中不完整的数据进行训练，补全其中缺失的部分，不仅可以扩大特征采集面，且对于数据残缺部分有较好的处理，并有效地提高了数据利用率。

数据补缺的常用技术手段为基于概率、函数法插值、直接选取中位数，其补缺的准确率较低，本发明提供了两种分别应对多对多，多对一的补缺神经网络模型，泛用性准确率都有较大提高。其中，对于单字段的补全，可以视作一个分类问题，由一段时间内路径信息来确定交通方式信息，考虑如公交出行、跑步、开车、火车出行等不同方式对应的路线轨迹不同，将该时间段内路线轨迹画出，通过数学变化标准化映射到固定大小的矩阵图上，基于图像识别构造卷积神经网络模型，并以此来判断是什么交通方式，同时通过手写数字识别模型提高该卷积网络模型的准确率；对于多字段的补全，简单的分类和回归已经不能满足，本例使用深度学习，添加多层中间的隐藏层，最后需要多少字段对应输出多少神经元，通过反向传播经多轮迭代后完成训练。

且传统的技术手段形式单一，通常仅仅支持轨迹预测或模式识别，本发明认为轨迹的变化与交通方式、路径耗时等移动中产生的其他数据之间存在较大关联性，故在传统的直接基于时间序列和经纬度信息基础上，提供预测模型的同时，使得该模型也能适用于可以预测多字段的场景，充分利用大数据优势和数据之间的关联性来提高移动预测的准确性和多元性。

实施例4

如图4所示，一种用户移动方式和轨迹的预测方法，包括：

S410、获取多源移动数据集，按照时间顺序对所述移动数据集进行关联数据填充，并从填充后的移动数据集中提取时间节点与对应关联数据之间的映射关系；

S420、基于所述映射关系构建神经网络模型，并利用所述神经网络模型补全所述填充后的移动数据集中关联信息不完整的字段；

S430、利用固定大小的滑动框来提取补全后的移动数据集中的时间特征，每个时间特征包含L个字段，L为大于1的整数；

S440、对提取的时间特征进行编码，将每个时间特征中第一个字段的特征值设为固定值，下一个字段的特征值设为到上一个字段特征值差的大小；

S450、将编码后的时间特征均匀分割为N份，前M份作为所述预测模型的输入，后N-M份作为预测结果，利用所述预测模型分别对前M份时间特征做不同次数的训练得到训练结果，再将所述训练结果与前M份时间特征整合做整体训练，最后输出预测的移动方式和轨迹，其中，N、M均为大于1的整数，且N大于M。

根据实施例4可知，滑动框取字段，将原本少量的长区间不连续字段通过滑动框取的方式生成大量、连续的短区间字段，通过这个生成对应输入特征和监督结果，无需人为标注，充分利用原始数据，在一定程度上达到了扩充数据集的目的，且本文最终预测使用的训练测试数据基于时序滑动提取，数据利用率大于其他方案使用的如直接截取等方法，且利用卷积、残差、信息衰减等原理构造的复杂神经网络，不需要如其他时序模型一样需要考虑平稳性，多做一步相关系数分析。

实施例5

如图5所示，一种具体的实施方式可为：

S510、获取不同来源的移动数据集，所述移动数据集用于表示用户的历史移动轨迹；

获取多种来源的移动数据集，该移动数据集可以是通过监控收集到的多个时间段内的步行、开车信息，也可以是通过支付记录、火车票、公交卡等获取的交通方式数据，同时也可以是从其它来源获取的相关数据，所述移动数据集中都包含了经纬度信息和时间节点信息，记录了用户的历史移动轨迹。

S520、按照时间顺序对所述移动数据集中的全部字段进行排列，得到统一的数据结构，并在对应的时间节点添加相应的关联数据，同时对添加数据后的移动数据集中设定阈值的数据进行清洗；

根据时间顺序对所述移动数据集中的字段进行排列，统一它们的数据结构，统一之后的结构为“开始时间：xx，结束时间：xx，交通方式：xx”，也可以是“开始时间：xx，持续时长：xx，交通方式：xx”，还可以是其它结构，在此不一一列举，在对应的时间节点添加相应的关联数据，就是将获取的多源信息中与该时间节点相关的信息都填充到该时间节点上，这些信息可以是经纬度信息、海拔信息、交通方式信息等，并用大时间跨度的数据去包含小时间跨度的数据，其余未填充部分为空，同时根据设定阈值对所述移动数据集中的数据进行清洗，即删除其中交通方式对应的时间区间和出现频率小于阈值的数据、小区间内跨区域的经纬度信息及对应的时间节点和超过2倍标准差的数据，减少嘈杂数据的干扰，提高预测的准确性。

S530、从清洗后的移动数据集中提取第一字段，获取所述第一字段中时间节点与对应关联数据之间的映射关系，所述第一字段用于表示所述清洗后的移动数据集中包含关联信息的字段，并根据所述映射关系训练神经网络模型，所述神经网络模型用于数据补全；

从清洗后的移动数据集中提取出包含交通方式信息的第一字段，根据所述第一字段中的信息对移动数据集中的未填充部分进行补充，具体地为，当所述第一字段的数据量少时就构建卷积神经网咯模型，即若第一字段只包含经纬度信息及时间节点对应的交通方式信息，首先将交通方式信息对应的一段轨迹在地图上画出来，通过标准化映射的方式，映射到以0为中心，标准偏差为1的矩阵图中，并标记交通方式信息，再利用CV-图像识别方式进行卷积神经网络模型的构造和预测，通过手写数字识别网络模型来提高训练准确率；当所述第一字段的数据量多时就构建全连接网络，即若第一字段只包含了经纬度变化、路径曲折度、路径耗时和海拔等信息且输出结果为交通方式类时，就通过计算提取整段轨迹信息中的特征，包括：

（1）路径总长度：累加计算经纬度点之间距离；

（2）路径耗时：最后记录点位时间减第一个记得点位的时间；

（3）平均海拔：本例数据集中，海拔记录为-777的字段均为在火车上记录的点位，故将此特征加入到模型输入时，需提前做直接评判；

（4）路径曲折度，每相连的三个点位计算夹角，计算平均角度视作路径曲折度；

（5）路径经纬跨度；

（6）轨迹中心坐标。

把提取的特征构造成一个数据集，按列删除其中超过2倍标准差距离的样本，再做样本中心化处理，把所有特征都变为（0,1）之间的小数，计算公式为

，将处理好的特征输入神经网络模型中，在每层中间，添加BatchNormalization和ReLU激活层，输出层为交通方式类，从而构造全连接网络，适合训练输出为多字段的数据，并利用交叉熵损失函数评估当前训练得到的概率分布与真实分布的差异情况，再通过不断的迭代训练提高模型的准确率，其中，在本文中，所述神经网络模型的多个输入可以对应一个输出，也可以多个输出。

S540、将清洗后的移动数据集中的第二字段输入所述神经网络模型中，利用有监督学习补全所述第二字段中缺失的关联信息；

当移动数据集中的第二字段需要补全信息为单字段时，就将所述第二字段输入基于图像识别的卷积神经网络模型模型中，利用有监督学习，通过输入与输出之间的关系，补全所述第二字段中缺失的信息，提高数据准确率，且通过正则化和dropout层，可以有效防止过拟合问题；当所述第二字段需要补全的信息为多字段即最终需补全字段可以多样化，复杂化时就将所述第二字段输入全连接网络中进行训练，当后续需要补全其他预留字段时，模型参数不需要做过多调节，训练速度快，其中，有监督学习是指既有训练集又有测试样本的学习方法，将在训练集中找到的规律应用到测试样本中，即由已知数据及对应的输出训练一个模型，再利用这个模型将所有的输入映射为对应的输出，在本文中，训练集就是第一字段，可以通过一段时间内经纬度信息与交通方式之间的对应规律，构建一个卷积神经网络模型，在这个模型中输入第二字段中一段时间内的经纬度信息，就可以根据学习结果输出对应的交通方式信息，提高数据利用率，同时，学习方法还包含半监督学习与无监督学习，半监督学习为已知数据和部分数据一一对应的标签，有一部分数据的标签未知，训练一个智能算法，学习已知标签和未知标签的数据，将输入数据映射到标签的过程，简单说就是用少量的有标注的样本和大量未标注的样本进行训练和分类；无监督学习为已知数据不知道任何标签，按照一定的偏好，训练一个智能算法，将所有的数据映射到多个不同标签的过程，就是只对数据本身进行分析，不对数据添加标签，这三种学习方法各有优缺点，但此处使用有监督学习是为了可以根据获取的数据补全缺失的关联信息，具有另外两种方法不可比拟的优越性。

S550、对补全后的移动数据集进行时间特征提取，每个时间特征包含L个字段，L为大于1的整数；

将处理好的每段数据按时序特征排序，采用滑动模块的方式重新框取，设置滑块的长度，如每个小正方形代表5个连续字段，矩形为滑块，滑块一次可以框取4个正方形，即一次特征选取的字段总长为20个基本字段，一个单位的字段Rn格式如下：

[‘id’, ’ Longitude’, ’ Latitude’, ’ Altitude’, ’ DateTime’, ’transportation’]

Array([60,’116.487885’,’39.8672866’,’95.1’,

Datetime.datetime(2008,6,20,6,22,32),’walk],dtype=object)

那么框取的第i组特征包含字段Ri，Ri+1，……，Ri+19，这样的一组特征记做Fi，本方案中，平均一组的持续时间为100s，可以按照不同数据集采用不同的框取方法，滑动块的大小则可以由时间跨度、距离跨度或确定数目的固定字段决定。

S560、对提取的所述时间特征进行编码；

对于每个Fi中的DateTime字段，将每个Fi都视为一个完整的时序链，考虑时间格式的字段输入不便，使用一种特殊的时间编码方式：每个Fi的第一个字段开始，第一个字段中的DateTime记做整数型0，若第二个字段距离第一个字段时间跨度为t秒，则第二个字段中的的DateTime记做整数型t，以此类推，依次修改所有DateTime，这样可以做到每一个时间特征序列的特征值都是从0开始，长度在可控范围内，基于这一条件，可以将时间特征输入预测模型中，并预测停留时间。

S570、将编码后的时间特征均匀分割为N份，其中，N为大于1的整数；

编码后的特征是一长串时间序列串，包括多个对象多条不连续的特征序列，其他大部分方案通过整体插值方法来进行时间序列回归预测，这类方案预测正确率通常较低，而本文为了更加精准预测短期内轨迹等信息，多次选取长度相似的序列放入神经网络中进行建模预测，即将每个Fi中的20个字段平均分割为4份：d1，d2，d3，res，每份长度都为5个字段，联立d1，d2，d3视为最终预测模型输入，res为有监督学习的输出部分，无论预测精确度，还是原始数据利用率，都有很大的提高。

S580、将分割的N份特征中的将前M份作为预测模型的输入，后N-M份作为有监督学习的输出结果，利用所述预测模型分别对前M份时间特征做不同次数的训练得到训练结果，再将所述训练结果与前M份时间特征整合做整体训练，最后输出预测的移动方式和轨迹，其中，M为大于1的整数，且N大于M。

在由RNN残差+CNN卷积+循环网络+信息素递减网络构造的神经网络模型中输入为15*4的张量inputs，将inputs拆分为5*4*3的张量，表示为d1、d2、d3，定义residual_block残差网络，再通过循环网络变形，将输入数据拆分成具有前后关系的多个小单元，每个小单元根据信息丢失情况，做不同次数的卷积，本方案中，对d1做一次卷积，为了不忽略d1本身所需传递的信息，将输入的d1张量与卷积后的张量直接相加，为了实现信息素衰减，本方案中对d2做2次卷积，d3做3次卷积，最后全部相加，输出5*4的张量，做一步卷积后输出，通过多次连续的训练，得到一段时间内用户的移动轨迹信息和其它信息，此处的由RNN残差+CNN卷积+循环网络+信息素递减网络构造的神经网络模型是现有技术中就有的，并非本方案发明的，因此不再赘述。

实施例6

如图6所示，一种用户移动方式和轨迹的预测装置，包括：

扩充模块10，用于获取多源移动数据集，按照时间顺序对所述移动数据集进行关联数据填充，并从填充后的移动数据集中提取时间节点与对应关联数据之间的映射关系；

补全模块20，用于基于所述扩充模块10获取的所述映射关系构建神经网络模型，并利用所述神经网络模型补全所述填充后的移动数据集中关联信息不完整的字段；

预测模块30，用于对所述补全模块20补全后的移动数据集进行特征提取，并利用预先训练好的预测模型对提取的特征做有限次的训练，以预测移动方式和轨迹。

上述装置的一种实施方式可为：扩充模块10获取多源移动数据集，按照时间顺序对所述移动数据集进行关联数据填充，并从填充后的移动数据集中提取时间节点与对应关联数据之间的映射关系，补全模块20基于所述扩充模块10获取的所述映射关系构建神经网络模型，并利用所述神经网络模型补全所述填充后的移动数据集中关联信息不完整的字段，预测模块30对所述补全模块20补全后的移动数据集进行特征提取，并利用预先训练好的预测模型对提取的特征做有限次的训练，以预测移动方式和轨迹。

实施例7

如图7所示，一种用户移动方式和轨迹的预测装置的扩充模块10包括：

获取单元12，用于获取不同来源的移动数据集，所述移动数据集用于表示用户的历史移动轨迹；

处理单元14，用于按照时间顺序对所述获取单元12获取的所述移动数据集中的全部字段进行排列，得到统一的数据结构，并在对应的时间节点添加相应的数据，同时对所述移动数据集中设定阈值的数据进行清洗；

提取单元16，用于从所述处理单元14清洗后的移动数据集中提取第一字段，并获取所述第一字段中时间节点与对应关联数据之间的映射关系，所述第一字段用于表示所述清洗后的移动数据集中包含关联信息的字段。

上述装置的扩充模块10的一种实施方式可为：获取单元12获取不同来源的移动数据集，所述移动数据集用于表示用户的历史移动轨迹，处理单元14按照时间顺序对所述获取单元12获取的所述移动数据集中的全部字段进行排列，得到统一的数据结构，并在对应的时间节点添加相应的关联数据，同时对添加数据后的移动数据集中设定阈值的数据进行清洗，提取单元16从所述处理单元14清洗后的移动数据集中提取第一字段，并获取所述第一字段中时间节点与对应关联数据之间的映射关系，所述第一字段用于表示所述清洗后的移动数据集中包含关联信息的字段。

实施例8

如图8所示，一种用户移动方式和轨迹的预测装置的补全模块20包括：

构造单元22，用于根据所述映射关系训练神经网络模型，所述神经网络模型用于数据补全；

学习单元24，用于将清洗后的移动数据集中的第二字段输入所述构造单元22训练的所述神经网络模型中，利用有监督学习补全所述第二字段中缺失的关联信息，所述第二字段用于表示所述清洗后的移动数据集中关联信息为空的字段。

上述装置的补全模块20的一种实施方式可为：构造单元22根据所述映射关系训练神经网络模型，所述神经网络模型用于数据补全，学习单元24将清洗后的移动数据集中的第二字段输入所述构造单元22训练的所述神经网络模型中，利用有监督学习补全所述第二字段中缺失的关联信息，所述第二字段用于表示所述清洗后的移动数据集中关联信息为空的字段。

实施例9

如图9所示，一种用户移动方式和轨迹的预测装置的预测模块30，包括：

框取单元32，用于利用固定大小的滑动框来提取补全后的移动数据集中的时间特征，每个时间特征包含L个字段，L为大于1的整数；

编码单元34，用于对所述框取单元32提取的时间特征进行编码，将每个时间特征中第一个字段的特征值设为固定值，下一个字段的特征值设为到上一个字段特征值差的大小；

训练单元36，用于将所述编码单元34编码后的时间特征均匀分割为N份，前M份作为所述预测模型的输入，后N-M份作为预测结果，利用所述预测模型分别对前M份时间特征做不同次数的训练得到训练结果，再将所述训练结果与前M份时间特征整合做整体训练，最后输出预测的移动方式和轨迹，其中，N、M均为大于1的整数，且N大于M。

上述装置的预测模块30的一种实施方式可为：框取单元32利用固定大小的滑动框来提取补全后的移动数据集中的时间特征，每个时间特征包含L个字段，L为大于1的整数，编码单元34对所述框取单元32提取的时间特征进行编码，将每个时间特征中第一个字段的特征值设为固定值，下一个字段的特征值设为到上一个字段特征值差的大小，训练单元36将所述编码单元34编码后的时间特征均匀分割为N份，前M份作为所述预测模型的输入，后N-M份作为预测结果，利用所述预测模型分别对前M份时间特征做不同次数的训练得到训练结果，再将所述训练结果与前M份时间特征整合做整体训练，最后输出预测的移动方式和轨迹，其中，N、M均为大于1的整数，且N大于M。

实施例10

如图10所示，一种具体的实施模块为：

获取模块1，用于获取不同来源的移动数据集，所述移动数据集用于表示用户的历史移动轨迹；

填充模块2，用于按照时间顺序对所述获取模块1获取的所述移动数据集中的全部字段进行排列，得到统一的数据结构，并在对应的时间节点添加相应的关联数据，同时对添加数据后的移动数据集中设定阈值的数据进行清洗；

构建模块3，用于从所述填充模块2清洗后的移动数据集中提取第一字段，获取所述第一字段中时间节点与对应关联数据之间的映射关系，所述第一字段用于表示所述清洗后的移动数据集中包含关联信息的字段，并根据所述映射关系训练神经网络模型，所述神经网络模型用于数据补全；

补充模块4，用于将清洗后的移动数据集中的第二字段输入所述构建模块3训练的所述神经网络模型中，利用有监督学习补全所述第二字段中缺失的关联信息；

框取模块5，用于对所述填充模块4补全后的所述移动数据集进行时间特征提取，每个时间特征包含L个字段，L为大于1的整数；

编码模块6，用于对所述框取模块5提取的所述时间特征进行编码；

切分模块7，用于将所述编码模块6编码后的时间特征均匀分割为N份，其中，N为大于1的整数；

训练模块8，用于将所述切分模块7分割的N份特征中的前M份作为预测模型的输入，后N-M份作为有监督学习的输出结果，利用所述预测模型分别对前M份时间特征做不同次数的训练得到训练结果，再将所述训练结果与前M份时间特征整合做整体训练，最后输出预测的移动方式和轨迹，其中，M为大于1的整数，且N大于M。

实施例11

如图11所示，一种电子设备，包括存储器1101和处理器1102，所述存储器1101用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器1102执行以实现上述的一种用户移动方式和轨迹的预测方法。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的一种用户移动方式和轨迹的预测方法。示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1101中，并由处理器1102执行，并由输入接口1105和输出接口1106完成数据的I/O接口传输，以完成本发明,一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器1101、处理器1102,本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入器1107、网络接入设备、总线等。处理器1102可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器1102、数字信号处理器1102(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgRAM503mableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器1102可以是微处理器1102或者该处理器1102也可以是任何常规的处理器1102等。

存储器1101可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器1101也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡（SmartMediaCard,SMC），安全数字（SecureDigital,SD）卡，闪存卡（FlashCard）等,进一步地，存储器1101还可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器1101用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器1101还可以用于暂时地存储在输出器1108，而前述的存储介质包括U盘、移动硬盘、只读存储器ROM1103、随机存储器RAM1104、碟盘或光盘等各种可以存储程序代码的介质。

以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims

1.一种用户移动方式和轨迹的预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种用户移动方式和轨迹的预测方法，其特征在于，所述获取多源移动数据集，按照时间顺序对所述移动数据集进行关联数据填充，并从填充后的移动数据集中提取时间节点与对应关联数据之间的映射关系，包括：

从清洗后的移动数据集中提取第一字段，并获取所述第一字段中时间节点与对应关联数据之间的映射关系，所述第一字段用于表示所述清洗后的移动数据集中包含关联信息的字段。

3.根据权利要求1所述的一种用户移动方式和轨迹的预测方法，其特征在于，所述基于所述映射关系构建神经网络模型，并利用所述神经网络模型补全所述填充后的移动数据集中关联信息不完整的字段，包括：

4.根据权利要求1所述的一种用户移动方式和轨迹的预测方法，其特征在于，所述对补全后的移动数据集进行特征提取，并利用预先训练好的预测模型对提取的特征做有限次的训练，以预测移动方式和轨迹，包括：

5.一种用户移动方式和轨迹的预测装置，其特征在于，包括：

6.根据权利要求5所述的一种用户移动方式和轨迹的预测装置，其特征在于，所述扩充模块包括：

7.根据权利要求5所述的一种用户移动方式和轨迹的预测装置，其特征在于，所述补全模块包括：

8.根据权利要求5所述的一种用户移动方式和轨迹的预测装置，其特征在于，所述预测模块包括：

9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1～4中任一项所述的一种用户移动方式和轨迹的预测方法。

10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序使计算机执行时实现如权利要求1～4中任一项所述的一种用户移动方式和轨迹的预测方法。