CN113420333A - 一种隐私保护的网约车上车点推荐系统与方法 - Google Patents

一种隐私保护的网约车上车点推荐系统与方法 Download PDF

Info

Publication number
CN113420333A
CN113420333A CN202110804877.6A CN202110804877A CN113420333A CN 113420333 A CN113420333 A CN 113420333A CN 202110804877 A CN202110804877 A CN 202110804877A CN 113420333 A CN113420333 A CN 113420333A
Authority
CN
China
Prior art keywords
passenger
semantic
similarity
client
point
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
CN202110804877.6A
Other languages
English (en)
Other versions
CN113420333B (zh
Inventor
李萌
陈毅飞
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110804877.6A priority Critical patent/CN113420333B/zh
Publication of CN113420333A publication Critical patent/CN113420333A/zh
Application granted granted Critical
Publication of CN113420333B publication Critical patent/CN113420333B/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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0639—Item locations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioethics (AREA)
  • Evolutionary Biology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种隐私保护的网约车上车点推荐系统与方法，是应用于由轨迹特征生成模块、语义计算模块、上车点推荐模块构成的本地环境中；其中，轨迹特征生成模块收集真实轨迹数据，并利用马尔科夫链模型对轨迹进行建模并选取相似乘客发送给语义计算模块；语义计算模块计算相似乘客地理位置的语义数据，并综合多种语义数据计算与当前位置的相似度并发送给上车点推荐模块；上车点推荐模块综合计算结果，并将推荐地点呈现在地图应用中。本发明能在网约车服务中抵抗潜在攻击者的安全威胁，保护乘客的上车点隐私不被恶意约车应用获取，从而保护乘客的隐私，保证乘客的生命以及财产安全。

Description

一种隐私保护的网约车上车点推荐系统与方法
技术领域
本发明涉及一种隐私保护的网约车上车点推荐系统与方法，属于位置隐私保护、网约车服务以及安卓应用技术领域。
背景技术
在车联网环境中，网约车服务应用越来越广。在网约车服务中，乘客根据自身位置上传上车点，网约车服务提供商根据乘客与司机信息完成匹配，将上车点发送给司机，最终司机接驾乘客后驶往目的地。
在一次网约车服务中，乘客根据自身位置选择上车点并提供给网约车服务提供商以匹配合适的司机，然而上车点与乘客自身的隐私信息高度相关，例如可能关联到乘客的家庭或工作地点。因此，乘客应对上车点进行适当的处理以防止隐私泄露问题的发生。
为了解决乘客隐私保护问题，近些年来出现了基于差分隐私技术的保护方案以及基于同态加密、安全可搜索加密技术的隐私保护方案。基于差分隐私的保护方案对位置增加一个噪音以达到保护效果并实现地理不可区分性，基于同态加密、安全可搜索加密技术的隐私保护方案利用密码学手段处理位置以抵抗恶意攻击者。然而由于以下三个原因，这些方法难以真正有效且高效地保护乘客隐私：
(1)基于差分隐私技术的保护方案具有随机性，可能输出一个无效的位置；
(2)基于同态加密、安全可搜索加密技术的隐私保护方案在服务器端及用户端消耗了大量计算资源，难以实现高效性；
(3)这两种方案没有考虑到乘客所处位置的语义信息。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种隐私保护的网约车上车点推荐系统与方法，以期能在网约车服务中抵抗潜在攻击者的安全威胁，保护乘客的上车点隐私不被恶意约车应用获取，从而保护乘客的隐私，保证乘客的生命以及财产安全。
本发明为达到上述发明目的采用如下技术方案：
本发明一种隐私保护的网约车上车点推荐系统的特点是应用于若干个客户端所组成的车联网中，每个客户端均包括：轨迹特征计算模块、语义计算模块以及上车点推荐模块；
所述轨迹特征计算模块包括：真实轨迹数据建模单元，轨迹相似度计算发送单元；
所述语义计算模块包括：语义数据提取单元，语义相似度计算发送单元；
当前客户端的真实轨迹数据建模单元对其他客户端中乘客地理位置的真实轨迹数据进行建模，并将建模结果发送给当前客户端的轨迹相似度计算发送单元；
当前客户端的轨迹相似度计算发送单元根据所接收的建模结果，计算建模结果的轨迹相似度并选取相似度高的若干个建模结果所对应的其他客户端的乘客地理位置发送至所述语义数据提取单元；
当前客户端的语义数据提取单元接收若干个其他客户端的乘客地理位置，并提取所有乘客地理位置的语义信息后，发送给当前客户端的语义相似度计算发送单元；
所述语义相似度计算发送单元根据所接收的乘客地理位置的语义信息，计算语义相似度并发送给当前客户端的上车点推荐模块；
所述上车点推荐模块根据语义相似度的计算结果选取若干地理位置并呈现在地图上以供当前客户端的乘客进行选择。
本发明一种隐私保护的网约车上车点推荐方法的特点是应用于若干个客户端所组成的车联网约车服务中，所述网约车上车点推荐方法是按如下步骤进行：
步骤一、轨迹特征计算：
步骤1.1收集其他客户端的乘客轨迹信息，并利用马尔科夫链模型进行建模，得到任一客户端的乘客移动模型，记为
Figure BDA0003166111590000021
其中，r表示任一其他客户端的乘客，l表示其他客户端的乘客当前地理位置，t表示当前时刻，t'表示下一时刻，l'表示其他客户端的乘客下一时刻的地理位置，
Figure BDA0003166111590000022
表示其他客户端的乘客r在当前时刻的地理位置l转移到下一时刻t'地理位置l'的概率，gl,t(r)表示其他客户端的乘客r在当前时刻t处于当前地理位置l的概率；
步骤1.2根据当前客户端的乘客s及其当前时刻的真实位置tl，利用Mallows距离计算乘客s与其他客户端的乘客r之间乘客移动模型的数学期望
Figure BDA0003166111590000023
其中，
Figure BDA0003166111590000024
表示数学期望计算，l”表示乘客下一时刻的地理位置，
Figure BDA0003166111590000025
表示当前客户端的乘客s在当前时刻t的地理位置l转移到下一时刻t'的地理位置l”的概率；再计算乘客r与乘客s间乘客移动模型的相似度
Figure BDA0003166111590000026
其中，con表示控制常量，从而得到当前客户端的乘客s与其他所有客户端的乘客间的乘客移动模型的相似度，并选取k-1个最高相似度的乘客移动模型所对应的客户端的乘客，k表示所需乘客数量；
步骤二、语义计算：
步骤2.1，提取k-1个最近似乘客的地理位置并与乘客s的真实位置tl进行合并，从而生成覆盖所有地理位置的最小圆，在最小圆内选取所有感兴趣的地理位置作为兴趣点并组成兴趣点集合ML，并获取兴趣点集合ML中每个地理位置的W个维度D＝[D1,D2,...,Dw,...,DW]上的特征信息，Dw表示第w个维度，兴趣点集合ML中第i个兴趣点li在第w个维度Dw上的特征向量表示为
Figure BDA0003166111590000031
表示特征向量中第Lw个特征值，Lw为特征向量的长度；
步骤2.2计算兴趣点集合ML中任意第i个兴趣点li与第j个兴趣点lj间的余弦相似度
Figure BDA0003166111590000032
计算第i个兴趣点li与第j个兴趣点lj的语义距离
Figure BDA0003166111590000033
并计算W个维度D下的距离平均值
Figure BDA0003166111590000034
步骤2.3利用超图模型与KNN算法计算综合相似度矩阵A，其中，综合相似度矩阵A中第i个兴趣点li与第j个兴趣点lj的综合相似值
Figure BDA0003166111590000035
将超图模型表示为拉普拉斯矩阵Δ，针对选择的兴趣点li生成第i个值置为1，其余值置为0的查询向量y∈R|ML|，其中，R表示实数域，|ML|表示兴趣点集合ML中点的数量；
利用(μI+Δ)fscore＝μy计算查询结果fscore，其中，μ表示一个常数值，I表示单位对角矩阵，从而得到第i个兴趣点li与第j个兴趣点lj间的语义相似度为Sims(li,lj)＝fscore[j]；fscore[j]表示查询结果fscore中第j个值；
步骤三、结果呈现：
步骤3.1根据所述语义相似度Sims(li,lj)，选择满足当前客户端输入的最大意愿行走距离wDis的若干个地理位置作为推荐上车点，并绘制在手机地图上以供当前客户端的用户进行选择。
与现有技术相比，本发明的有益效果在于：
1、本发明使用马尔科夫链模型对多个乘客的行为特征进行建模以计算不同乘客间的出行相似度，实现了当前乘客与其他若干乘客间的不可区分性以及推荐位置与当前位置间的地理不可区分性；
2、本发明使用统一框架下的超图模型对不同位置间的语义信息进行建模以计算不同位置间的语义相似度，选取语义相似度最低的点作为推荐点，实现了推荐位置的语义安全性；
3、本发明考虑到除隐私保护性外乘客的效用性需求，使乘客能够根据自身情况选择可接受行走距离并在此范围内推荐上车点，与此同时通过控制计算开销以实现上车点推荐方法的高效性；
附图说明
图1是本发明上车点推荐方法的流程图。
具体实施方式
本实施例中，一种隐私保护的网约车上车点推荐系统，是应用于若干个客户端所组成的车联网中，每个客户端均包括：轨迹特征计算模块、语义计算模块以及上车点推荐模块；并在安卓平台端进行实现；
以一次网约车服务中的上车点推荐为例，轨迹特征计算模块为移动应用程序中收集并处理周围其他乘客信息的代码段，并包括：真实轨迹数据建模单元，轨迹相似度计算发送单元；
语义计算模块为移动应用程序中借助高德API实现收集并处理周围地点语义信息的代码段，并包括：语义数据提取单元，语义相似度计算发送单元；
当前客户端的真实轨迹数据建模单元对其他客户端中乘客地理位置的真实轨迹数据进行建模，并将建模结果发送给当前客户端的轨迹相似度计算发送单元；
当前客户端的轨迹相似度计算发送单元根据所接收的建模结果，计算建模结果的轨迹相似度并选取相似度高的若干个建模结果所对应的其他客户端的乘客地理位置发送至语义数据提取单元；
当前客户端的语义数据提取单元接收若干个其他客户端的乘客地理位置，并提取所有乘客地理位置的语义信息后，发送给当前客户端的语义相似度计算发送单元；
语义相似度计算发送单元根据所接收的乘客地理位置的语义信息，计算语义相似度并发送给当前客户端的上车点推荐模块；
上车点推荐模块为移动应用程序中能够在地图上进行绘制的代码段，并根据语义相似度的计算结果选取若干地理位置并呈现在地图上以供当前客户端的乘客进行选择，其中，使用的地图利用高德地图安卓端SDK实现；
轨迹特征计算模块、语义计算模块与上车点推荐模块都使用安卓平台Java编程语言进行实现，模块间数据传递使用直接传递方式；
本实施例中，一种隐私保护的网约车上车点推荐方法，如图1所示，是应用于若干个客户端所组成的车联网约车服务中，并按如下步骤进行：
步骤一、轨迹特征计算：
步骤1.1收集其他客户端的乘客轨迹信息，并利用马尔科夫链模型进行建模，得到任一客户端的乘客移动模型，记为
Figure BDA0003166111590000051
其中，r表示任一其他客户端的乘客，l表示其他客户端的乘客当前地理位置，t表示当前时刻，t'表示下一时刻，l'表示其他客户端的乘客下一时刻的地理位置，
Figure BDA0003166111590000052
表示其他客户端的乘客r在当前时刻的地理位置l转移到下一时刻t'地理位置l'的概率，gl,t(r)表示其他客户端的乘客r在当前时刻t处于当前地理位置l的概率；
步骤1.2根据当前客户端的乘客s及其当前时刻的真实位置tl，利用Mallows距离计算乘客s与其他客户端的乘客r之间乘客移动模型的数学期望
Figure BDA0003166111590000053
其中，
Figure BDA0003166111590000054
表示数学期望计算，l”表示乘客下一时刻的地理位置，
Figure BDA0003166111590000055
表示当前客户端的乘客s在当前时刻t的地理位置l转移到下一时刻t'的地理位置l”的概率；再计算乘客r与乘客s间乘客移动模型的相似度
Figure BDA0003166111590000056
其中，con表示控制常量，控制常量用于将计算的得到的相似度固定在[0,1]范围内，从而得到当前客户端的乘客s与其他所有客户端的乘客间的乘客移动模型的相似度，并选取k-1个最高相似度的乘客移动模型所对应的客户端的乘客，k表示所需乘客数量；
步骤二、语义计算：
步骤2.1，提取k-1个最近似乘客的地理位置并与乘客s的真实位置tl进行合并，从而生成覆盖所有地理位置的最小圆，在最小圆内选取所有感兴趣的地理位置作为兴趣点并组成兴趣点集合ML，并获取兴趣点集合ML中每个地理位置的W个维度D＝[D1,D2,...,Dw,...,DW]上的特征信息，Dw表示第w个维度，在应用中维度可以选取为开放时间、评分、地点类型等，兴趣点集合ML中第i个兴趣点li在第w个维度Dw上的特征向量表示为
Figure BDA0003166111590000057
表示特征向量中第Lw个特征值，Lw为该特征向量的长度，例如在开放时间维度下，针对一天时间按每小时进行划分，生成长度为24的特征向量，营业时间对应值为1，非营业时间对应值为0；
步骤2.2计算兴趣点集合ML中任意第i个兴趣点li与第j个兴趣点lj间的余弦相似度
Figure BDA0003166111590000061
计算第i个兴趣点li与第j个兴趣点lj的语义距离
Figure BDA0003166111590000062
并计算W个维度D下的距离平均值
Figure BDA0003166111590000063
步骤2.3利用超图模型与KNN算法计算综合相似度矩阵A，其中，综合相似度矩阵A中第i个兴趣点li与第j个兴趣点lj的综合相似值
Figure BDA0003166111590000064
将超图模型表示为拉普拉斯矩阵Δ，针对选择的兴趣点li生成第i个值置为1，其余值置为0的查询向量y∈R|ML|，其中，R表示实数域，|ML|表示兴趣点集合ML中点的数量；
利用(μI+Δ)fscore＝μy计算查询结果fscore，其中，μ表示一个常数值，I表示单位对角矩阵，从而得到第i个兴趣点li与第j个兴趣点lj间的语义相似度为Sims(li,lj)＝fscore[j]；fscore[j]表示查询结果fscore中第j个值；
步骤三、结果呈现：
步骤3.1根据语义相似度Sims(li,lj)，选择满足当前客户端输入的最大意愿行走距离wDis的若干个地理位置作为推荐上车点，即用户步行到推荐上车点的行走距离不超过最大意愿行走距离，并绘制在手机地图上以供当前客户端的用户进行选择。
综上所述，本发明利用马尔科夫链模型与统一框架下的超图模型，实现了地理位置不可区分性与语义安全性，实现了隐私保护的网约车上车点推荐方法与系统，能够有效抵抗系统中潜在敌手的安全威胁，从而保护乘客的隐私安全与人身安全与财产安全。

Claims (2)

1.一种隐私保护的网约车上车点推荐系统，其特征是应用于若干个客户端所组成的车联网中，每个客户端均包括：轨迹特征计算模块、语义计算模块以及上车点推荐模块；
所述轨迹特征计算模块包括：真实轨迹数据建模单元，轨迹相似度计算发送单元；
所述语义计算模块包括：语义数据提取单元，语义相似度计算发送单元；
当前客户端的真实轨迹数据建模单元对其他客户端中乘客地理位置的真实轨迹数据进行建模，并将建模结果发送给当前客户端的轨迹相似度计算发送单元；
当前客户端的轨迹相似度计算发送单元根据所接收的建模结果，计算建模结果的轨迹相似度并选取相似度高的若干个建模结果所对应的其他客户端的乘客地理位置发送至所述语义数据提取单元；
当前客户端的语义数据提取单元接收若干个其他客户端的乘客地理位置，并提取所有乘客地理位置的语义信息后，发送给当前客户端的语义相似度计算发送单元；
所述语义相似度计算发送单元根据所接收的乘客地理位置的语义信息，计算语义相似度并发送给当前客户端的上车点推荐模块；
所述上车点推荐模块根据语义相似度的计算结果选取若干地理位置并呈现在地图上以供当前客户端的乘客进行选择。
2.一种隐私保护的网约车上车点推荐方法，其特征是应用于若干个客户端所组成的车联网约车服务中，所述网约车上车点推荐方法是按如下步骤进行：
步骤一、轨迹特征计算：
步骤1.1收集其他客户端的乘客轨迹信息，并利用马尔科夫链模型进行建模，得到任一客户端的乘客移动模型，记为
Figure FDA0003166111580000011
其中，r表示任一其他客户端的乘客，l表示其他客户端的乘客当前地理位置，t表示当前时刻，t'表示下一时刻，l'表示其他客户端的乘客下一时刻的地理位置，
Figure FDA0003166111580000012
表示其他客户端的乘客r在当前时刻的地理位置l转移到下一时刻t'地理位置l'的概率，gl,t(r)表示其他客户端的乘客r在当前时刻t处于当前地理位置l的概率；
步骤1.2根据当前客户端的乘客s及其当前时刻的真实位置tl，利用Mallows距离计算乘客s与其他客户端的乘客r之间乘客移动模型的数学期望
Figure FDA0003166111580000013
其中，
Figure FDA0003166111580000014
表示数学期望计算，l”表示乘客下一时刻的地理位置，
Figure FDA0003166111580000015
表示当前客户端的乘客s在当前时刻t的地理位置l转移到下一时刻t'的地理位置l”的概率；再计算乘客r与乘客s间乘客移动模型的相似度
Figure FDA0003166111580000021
其中，con表示控制常量，从而得到当前客户端的乘客s与其他所有客户端的乘客间的乘客移动模型的相似度，并选取k-1个最高相似度的乘客移动模型所对应的客户端的乘客，k表示所需乘客数量；
步骤二、语义计算：
步骤2.1，提取k-1个最近似乘客的地理位置并与乘客s的真实位置tl进行合并，从而生成覆盖所有地理位置的最小圆，在最小圆内选取所有感兴趣的地理位置作为兴趣点并组成兴趣点集合ML，并获取兴趣点集合ML中每个地理位置的W个维度D＝[D1,D2,...,Dw,...,DW]上的特征信息，Dw表示第w个维度，兴趣点集合ML中第i个兴趣点li在第w个维度Dw上的特征向量表示为
Figure FDA0003166111580000022
Figure FDA0003166111580000023
表示特征向量中第Lw个特征值，Lw为特征向量的长度；
步骤2.2计算兴趣点集合ML中任意第i个兴趣点li与第j个兴趣点lj间的余弦相似度
Figure FDA0003166111580000024
计算第i个兴趣点li与第j个兴趣点lj的语义距离
Figure FDA0003166111580000025
并计算W个维度D下的距离平均值
Figure FDA0003166111580000026
步骤2.3利用超图模型与KNN算法计算综合相似度矩阵A，其中，综合相似度矩阵A中第i个兴趣点li与第j个兴趣点lj的综合相似值
Figure FDA0003166111580000027
将超图模型表示为拉普拉斯矩阵Δ，针对选择的兴趣点li生成第i个值置为1，其余值置为0的查询向量y∈R|ML|，其中，R表示实数域，|ML|表示兴趣点集合ML中点的数量；
利用(μI+Δ)fscore＝μy计算查询结果fscore，其中，μ表示一个常数值，I表示单位对角矩阵，从而得到第i个兴趣点li与第j个兴趣点lj间的语义相似度为Sims(li,lj)＝fscore[j]；fscore[j]表示查询结果fscore中第j个值；
步骤三、结果呈现：
步骤3.1根据所述语义相似度Sims(li,lj)，选择满足当前客户端输入的最大意愿行走距离wDis的若干个地理位置作为推荐上车点，并绘制在手机地图上以供当前客户端的用户进行选择。
CN202110804877.6A 2021-07-16 2021-07-16 一种隐私保护的网约车上车点推荐系统与方法 Active CN113420333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110804877.6A CN113420333B (zh) 2021-07-16 2021-07-16 一种隐私保护的网约车上车点推荐系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110804877.6A CN113420333B (zh) 2021-07-16 2021-07-16 一种隐私保护的网约车上车点推荐系统与方法

Publications (2)

Publication Number Publication Date
CN113420333A true CN113420333A (zh) 2021-09-21
CN113420333B CN113420333B (zh) 2022-10-04

Family

ID=77721034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110804877.6A Active CN113420333B (zh) 2021-07-16 2021-07-16 一种隐私保护的网约车上车点推荐系统与方法

Country Status (1)

Country Link
CN (1) CN113420333B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909096A (zh) * 2019-10-31 2020-03-24 腾讯科技（深圳）有限公司 推荐上车点确定方法及装置、存储介质、电子设备
CN111083631A (zh) * 2019-12-02 2020-04-28 兰州交通大学 一种保护位置隐私和查询隐私的高效查询处理方法
CN111105053A (zh) * 2018-10-26 2020-05-05 阿里巴巴集团控股有限公司 待载客车辆的路线推荐方法及上车点推荐方法
CN112182645A (zh) * 2020-09-15 2021-01-05 湖南大学 一种针对目的地预测的可量化隐私保护方法、设备及介质
CN112765653A (zh) * 2021-01-06 2021-05-07 山财高新科技(山西)有限公司 一种多隐私策略组合优化的多源数据融合隐私保护方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105053A (zh) * 2018-10-26 2020-05-05 阿里巴巴集团控股有限公司 待载客车辆的路线推荐方法及上车点推荐方法
CN110909096A (zh) * 2019-10-31 2020-03-24 腾讯科技（深圳）有限公司 推荐上车点确定方法及装置、存储介质、电子设备
CN111083631A (zh) * 2019-12-02 2020-04-28 兰州交通大学 一种保护位置隐私和查询隐私的高效查询处理方法
CN112182645A (zh) * 2020-09-15 2021-01-05 湖南大学 一种针对目的地预测的可量化隐私保护方法、设备及介质
CN112765653A (zh) * 2021-01-06 2021-05-07 山财高新科技(山西)有限公司 一种多隐私策略组合优化的多源数据融合隐私保护方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MENG LI: "Privacy-Preserving Ride-Hailing with Verifiable Order-Linking in Vehicular Networks", 《2020 IEEE 19TH INTERNATIONAL CONFERENCE ON TRUST，SECURITY AND PRIVACY IN COMPUTING AND COMMUNICATIONS》 *
ZHOU MENG等: "On Preventing Location Attacks for Urban Vehicular Networks", 《MOBILE INFORMATION SYSTEMS》 *
吴宣够等: "基于路径上报的车联网轨迹隐私保护", 《计算机研究与发展》 *
左开中等: "基于语义空间匿名的轨迹移动模式挖掘算法", 《信息网络安全》 *

Also Published As

Publication number Publication date
CN113420333B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
Guo et al. Deep federated learning enhanced secure POI microservices for cyber-physical systems
Banabilah et al. Federated learning review: Fundamentals, enabling technologies, and future applications
Liu et al. Vertical federated learning: Concepts, advances, and challenges
Li et al. Drive2friends: Inferring social relationships from individual vehicle mobility data
CN113947215A (zh) 联邦学习管理方法、装置、计算机设备及存储介质
Yin et al. GANs Based Density Distribution Privacy‐Preservation on Mobility Data
CN110929806B (zh) 基于人工智能的图片处理方法、装置及电子设备
CN109104696B (zh) 一种基于差分隐私的移动用户的轨迹隐私保护方法及系统
Feng et al. Predicting human mobility with semantic motivation via multi-task attentional recurrent networks
CN110602631B (zh) Lbs中抵御推测攻击的位置数据的处理方法和处理装置
Sui et al. A study of enhancing privacy for intelligent transportation systems: $ k $-correlation privacy model against moving preference attacks for location trajectory data
CN113362852A (zh) 一种用户属性识别方法和装置
Gupta Some issues for location dependent information system query in mobile environment
Wen et al. Privacy preserving trajectory data publishing with personalized differential privacy
Saputra et al. Federated learning framework with straggling mitigation and privacy-awareness for AI-based mobile application services
Nishino et al. A location predictor based on dependencies between multiple lifelog data
Liu et al. Similarity-based label inference attack against training and inference of split learning
Kim Design of federated learning engagement method for autonomous vehicle privacy protection
CN113420333B (zh) 一种隐私保护的网约车上车点推荐系统与方法
Schuartz et al. Improving threat detection in networks using deep learning
CN109767337A (zh) 保险中逆选择用户的识别方法、装置及计算机设备
Vasant et al. Artificial Intelligence in Industry 4.0 and 5G Technology
Tang et al. Differentially private decentralized traffic flow prediction approach based on federated learning
Jiang et al. Fedvae: Trajectory privacy preserving based on federated variational autoencoder
CN110688469B (zh) 一种自动分析相似行为特征的方法和装置

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