CN114298421A - 用户的兴趣点预测模型的建模、使用方法及相关设备 - Google Patents
用户的兴趣点预测模型的建模、使用方法及相关设备 Download PDFInfo
- Publication number
- CN114298421A CN114298421A CN202111648665.XA CN202111648665A CN114298421A CN 114298421 A CN114298421 A CN 114298421A CN 202111648665 A CN202111648665 A CN 202111648665A CN 114298421 A CN114298421 A CN 114298421A
- Authority
- CN
- China
- Prior art keywords
- user
- data set
- interest
- point
- prediction 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施方式提供了用户的兴趣点预测模型的建模、使用方法及装置、计算机可读存储介质和电子设备,属于计算机和通信技术领域。所述建模方法包括:获取用户的第一时间段内的移动数据集;根据所述移动数据集获取所述用户的兴趣点;根据所述移动数据集和所述兴趣点获取所述用户的兴趣点数据集;使用所述兴趣点数据集对预测器进行训练以完成预测模型的建模。本公开的建模方法,能够实现用户的兴趣点预测模型的建模。
Description
技术领域
本公开涉及计算机和通信技术领域,具体而言,涉及用户的兴趣点预测模型的建模、使用方法及装置、计算机可读存储介质和电子设备。
背景技术
随着手机的普及,通信公司有了用户的手机信号及其移动轨迹。因此,公司可以了解用户的活动习惯,并预测用户下一步可能会去哪里,以满足网络资源和服务管理的需要。大数据预测使传统异构网络具备学习能力和知识,是实现网络智能化的有效途径,是现代网络架构的一个趋势。随着网络的广泛部署,用户可以通过蜂窝数据网络随时随地通过智能移动设备访问互联网、查看电子邮件、浏览网页、在线聊天以及执行各种移动应用程序。同时,网络提供商可以获得大量有价值的数据,尤其是与用户移动性相关的数据。我们可以利用这一优势开发基于位置的服务,例如基于位置的广告投放、警告系统和交通规划。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例提供用户的兴趣点预测模型的建模、使用方法及装置、计算机可读存储介质和电子设备,能够实现用户的兴趣点预测模型的建模。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种用户的兴趣点预测模型的建模方法,包括:
获取用户的第一时间段内的移动数据集;
根据所述移动数据集获取所述用户的兴趣点;
根据所述移动数据集和所述兴趣点获取所述用户的兴趣点数据集;
使用所述兴趣点数据集对预测器进行训练以完成预测模型的建模;
其中,所述预测器包括激活函数、N个LSTM、K个全连接层和自适应矩估计,其中N和K是大于1的整数。
在一个实施例中,建模方法还包括:
获取所述用户的第一时间段内的原始运动数据集;
根据所述原始运动数据集获取每个记录点的加速度。
在一个实施例中,获取用户的第一时间段内的移动数据集包括:
根据每个记录点的加速度获取所述用户的第一时间段内的移动数据集。
在一个实施例中,根据所述移动数据集获取所述用户的兴趣点包括:
根据所述移动数据集中每个记录的加速度对所述移动数据集进行筛选。
在一个实施例中,根据所述移动数据集获取所述用户的兴趣点包括:
根据所述移动数据集,通过密度的聚类算法获取所述用户的兴趣点。
在一个实施例中,使用所述兴趣点数据集对预测器进行训练以完成预测模型的建模包括:
通过最小最大缩放来标准化训练数据。
根据本公开的一个方面,提供一种用户的兴趣点预测模型的使用方法,包括:
获取用户的原始运动数据;
根据所述用户的原始运动数据,使用用户的兴趣点预测模型对所述用户的兴趣点进行预测;
其中,所述用户的兴趣点预测模型中的预测器包括激活函数、N个LSTM、K个全连接层和自适应矩估计,其中N和K是大于1的整数。
根据本公开的一个方面,提供一种用户的兴趣点的预测装置,包括:
获取模块,配置为获取用户的原始运动数据;
预测模块,配置为根据所述用户的原始运动数据,使用用户的兴趣点预测模型对所述用户的兴趣点进行预测;
其中,所述用户的兴趣点预测模型中的预测器包括激活函数、N个LSTM、K个全连接层和自适应矩估计,其中N和K是大于1的整数。
根据本公开的一个方面,提供一种电子设备,包括:
一个或多个处理器;
存储装置,配置为存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上实施例中任一项所述的方法。
根据本公开的一个方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上实施例中任一项所述的方法。
在本公开的一些实施方式所提供的技术方案中,能够实现用户的兴趣点预测模型的建模。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
以下附图描述了本公开的某些说明性实施方式,其中相同的附图标记表示相同的元件。这些描述的实施方式将是本公开的示例性实施方式,而不是以任何方式进行限制。
图1示出了可以应用本公开实施方式的用户的兴趣点预测模型的建模方法的示例性系统架构的示意图;
图2示出了适于用来实现本公开实施方式的电子设备的计算机系统的结构示意图;
图3示意性示出了根据本公开的一实施方式的用户的兴趣点预测模型的建模方法的流程图;
图4示出了本公开一个实施例的预测器的结构示意图;
图5示出了本公开一个实施例的流程示意图;
图6示意性示出了根据本公开的一实施方式的用户的兴趣点的预测装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本公开实施方式的用户的兴趣点预测模型的建模方法的示例性系统架构100的示意图。
如图1所示,系统架构100可以包括终端设备101、102、103中的一种或多种,网络104和服务器105。网络104是用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
工作人员可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、便携式计算机和台式计算机、数字电影放映机等等。
服务器105可以是提供各种服务的服务器。例如工作人员利用终端设备103(也可以是终端设备101或102)向服务器105发送用户的兴趣点预测模型的建模请求。服务器105可以获取用户的第一时间段内的移动数据集;根据所述移动数据集获取所述用户的兴趣点;根据所述移动数据集和所述兴趣点获取所述用户的兴趣点数据集;使用所述兴趣点数据集对预测器进行训练以完成预测模型的建模;其中,所述预测器包括激活函数、N个LSTM、K个全连接层和自适应矩估计,其中N和K是大于1的整数。服务器105可以将训练完成的用户的兴趣点预测模型显示于终端设备103,进而工作人员可以基于终端设备103上显示的内容查看用户的兴趣点预测模型。
图2示出了适于用来实现本公开实施方式的电子设备的计算机系统的结构示意图。
需要说明的是,图2示出的电子设备的计算机系统200仅是一个示例,不应对本公开实施方式的功能和使用范围带来任何限制。
如图2所示,计算机系统200包括中央处理单元(CPU,Central Processing Unit)201,其可以根据存储在只读存储器(ROM,Read-Only Memory)202中的程序或者从储存部分208加载到随机访问存储器(RAM,Random Access Memory)203中的程序而执行各种适当的动作和处理。在RAM 203中,还存储有系统操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205:包括键盘、鼠标等的输入部分206;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分207;包括硬盘等的储存部分208;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器210上,以便于从其上读出的计算机程序根据需要被安装入储存部分208。
特别地,根据本公开的实施方式,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分209从网络上被下载和安装,和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时,执行本申请的方法和/或装置中限定的各种功能。
需要说明的是,本公开所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM(Erasable Programmable Read Only Memory,可擦除可编程只读存储器)或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF(RadioFrequency,射频)等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施方式的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所框选的功能也可以以不同于附图中所框选的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的模块和/或单元和/或子单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的模块和/或单元和/或子单元也可以设置在处理器中。其中,这些模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如下述实施方式中所述的方法。例如,所述的电子设备可以实现如图3各个步骤。
相关技术中,例如可以采用机器学习方法、深度学习方法等进行用户的兴趣点预测模型的建模,不同方法适用的范围不同。
图3示意性示出了根据本公开的一实施方式的用户的兴趣点预测模型的建模方法的流程图。本公开实施方式的方法步骤可以由终端设备执行,也可以由服务器执行,或者由终端设备和服务器交互执行,例如,可以由上述图1中的服务器105执行,但本公开并不限定于此。
在步骤S310中,获取用户的第一时间段内的移动数据集。
在该步骤中,终端设备或服务器获取用户的第一时间段内的移动数据集。其中,第一时间段可以任意的时间段,例如一周,一月等,本公开不以此为限。
在步骤S320中,根据所述移动数据集获取所述用户的兴趣点。
在该步骤中,终端设备或服务器根据所述移动数据集获取所述用户的兴趣点。
在一个实施例中,根据所述移动数据集获取所述用户的兴趣点包括:
根据所述移动数据集,通过密度的聚类算法获取所述用户的兴趣点。
在步骤S330中,根据所述移动数据集和所述兴趣点获取所述用户的兴趣点数据集。
在该步骤中,终端设备或服务器根据所述移动数据集和所述兴趣点获取所述用户的兴趣点数据集。
在步骤S340中,使用所述兴趣点数据集对预测器进行训练以完成预测模型的建模;
其中,所述预测器包括激活函数、N个LSTM、K个全连接层和自适应矩估计,其中N和K是大于1的整数。
在该步骤中,终端设备或服务器使用所述兴趣点数据集对预测器进行训练以完成预测模型的建模。
在一个实施例中,使用所述兴趣点数据集对预测器进行训练以完成预测模型的建模包括:
通过最小最大缩放来标准化训练数据。
在一个实施例中,建模方法还包括:
获取所述用户的第一时间段内的原始运动数据集;
根据所述原始运动数据集获取每个记录点的加速度。
在一个实施例中,获取用户的第一时间段内的移动数据集包括:
根据每个记录点的加速度获取所述用户的第一时间段内的移动数据集。
在一个实施例中,根据所述移动数据集获取所述用户的兴趣点包括:
根据所述移动数据集中每个记录的加速度对所述移动数据集进行筛选。
在一个实施例中,本公开还包括一种用户的兴趣点预测模型的使用方法,包括:
获取用户的原始运动数据;
根据所述用户的原始运动数据,使用用户的兴趣点预测模型对所述用户的兴趣点进行预测;
其中,所述用户的兴趣点预测模型中的预测器包括激活函数、N个LSTM、K个全连接层和自适应矩估计,其中N和K是大于1的整数。
本公开的方案可以在用户授权或许可时使用。
下面结合具体事例对本公开进行说明:
POI(Point of Interest,兴趣点)识别和用户移动预测在网络资源和服务管理中具有重要意义。首先,它在5G网络中的资源分配是必不可少的。POI和移动性预测的结果可用于推导城市中的热点和人群。然后网络运营商可以为热点区域分配更多的信道和网络资源。在POI处对用户移动性进行建模可以提高对一般人类运动模式的理解。从用户的位置数据中提取出POI后,本公开可以通过一系列POI来表示用户的移动行为。
一般预测用户的POI包括两个步骤:POI的识别和流动性的预测。
(一)POI的识别
POI的识别即将GPS(Global Positioning System,全球位置测定系统)轨迹数据中识别出POI的数据,常规方法包括k-means(K就是将原始数据分为K类,Means即均值点)聚类算法和基于密度的聚类算法。k-means聚类算法流行且有效,但用户的POI数量必须是已知参数。然而,研究人员无法预先确定每个用户的POI数量。相比之下,基于密度的聚类算法对大型数据集的领域知识和效率要求最低。目前提出的有基于密度聚类算法的扩展,用于构建位置聚类以减少振荡效应并从用户轨迹中识别POI。还有一些用户使用的位置数据集来自蜂窝网络,因此,接入的基站(BS,base station)的位置被用作用户位置。最新的研究从原始GPS轨迹中提取用户长时间停留的位置(即停留点)来当做用户POI。
(二)流动性的预测
流动性的预测即识别用户的移动性,预测用户下一步POI。目前的预测方法是通过城市环境中的人群感知数据识别用户移动性,其他的一些工作也是使用外部获取的信息,例如行程时间分布和道路状况来辅助移动性预测。虽然外部获取的信息往往有助于提高预测精度,但获取外部获取的信息的成本很高。在本公开的方案中,本公开仅利用轨迹数据的方法来对流动性进行预测。目前用于流动性预测的方法有HMM(Hidden Markov Model,马尔科夫),旨在发现个人日常时间习惯并预测未来的个人活动。然而,HMM不能提供深入的参考,因为它是一个概率模型,并且存在对多样化和长运动轨迹的预测精度低的问题。还有研究分析了从蜂窝网络用户获得的日常旅行网络,这也是应用了一种改进的有限马尔可夫链嵌入技术来预测人类移动模式。也有使用机器学习的技术进行移动性预测,目的是预测大型活动中用户的访问者分布。在他们的工作中,K-means聚类算法用于识别POI,并且通过分类技术和回归技术得出移动性预测。最新的技术用到了深度学习的RNN(Recurrent NeuralNetwork,循环神经网络)模型,它可以在隐藏层中存储顺序信息并处理可变长度的轨迹。
本公开中,本公开对POI的识别和用户流动性的预测分别提出了自己的方法。
本公开目的,本公开是响应在当今大数据时代,通过相关的技术,从GPS数据集中可以了解用户的活动习惯,并预测用户下一步可能去哪里,以满足网络资源和服务管理的需要。兴趣点(Point of Interest,POI)数据的兴起带动了城市研究的革新,POI大数据在国内城市规划和发展研究中的热度不断上升,其应用前景十分可观。一是POI数据采集相对容易,利用电子地图API(Application Programming Interface,应用程序接口)接口可自由获得当前最新数据,便于研究者快速开展实践;二是应用范围广,不论是单一要素的业态集聚识别、各类资源的精确定位以及公共服务设施选址推荐,还是多种要素混合的城市。
功能区划分、中心区与边界识别以及城市圈层结构研究等,POI数据的应用范围逐渐扩大,且具有良好的表达效果;还可以提升城市研究的空间精度,以往的研究尺度多为街道、社区和路网一级,但借助POI数据可将城市研究的空间尺度深入到建筑单元一级,从而实现更为准确的空间干预,实施更为精细的空间治理。
本公开创造的技术方案:
本公开系统包括:用户移动数据的预处理、识别用户的兴趣点(POI)、预测用户的POI和模型训练。
1、用户移动数据的预处理
由于GPS信号的振荡,原始运动数据集存在一定的噪声。噪声通常是一个GPS点,它远离用户的正常运动轨迹。例如,用户正在地下隧道或小巷子里移动,而这些地方的GPS信号很脆弱。在本公开中,消除了与当前加速度相比具有突然大的加速度异常GPS点。让W表示用户的原始运动数据集。对于W中的每个记录Wi表示为(ti,lati,loni),这意味着用户在ti时刻处于纬度lati和经度loni的位置。本公开取连续三个数据Wi-1、Wi和Wi+1,计算Wi-1和Wi之间的速度Si和Wi和Wi+1之间的速度Si+1,公式如下:
其中Vincenty(Thaddeus Vincenty(1975a)开发了Vincenty公式,这是大地测量学中用于计算球体表面两点之间距离的两种相关的迭代方法)是用来计算球面上两点之间距离的方法。得到速度后,本公开可以通过以下公式计算Si和Si+1之间的加速度值Ai:
然后,本公开过滤掉加速度值Ai大于加速度阈值α的Wi。在本公开的模拟中,α被设置为1.2m/s2,这是公共交通系统中最快的加速度值。滤波后的GPS数据必须具有相同的采样频率,这样基于密度的聚类算法才能正确地识别出聚类。当采样频率较低时,会导致数据不足。相比之下,当采样频率较高时,会导致操作速度变慢。在本公开中,本公开观察到最合适的采样频率是每5秒一个记录。执行上述步骤后,本公开可以生成用户的移动性数据集D。对于每条记录,D中的Di表示为(ti,lati,loni,Si,Ai)。
2、识别用户的POI(兴趣点)
为了从GPS数据中识别出POI,本公开公开了一种POI挖掘方法,即加速度聚类。在加速度聚类的第一步,本公开选取速度小于1m/s和加速度大于0m/s的加速度点作为加速度集A。本公开观察到用户经常访问的地方有许多重叠或接近的加速度点。这是因为当用户离开停留的地方时,从低速开始会有一个显著的加速。如果它是一个经常被用户访问的地方,将观察到许多加速点。为了将地理上相似的加速度点分组为POI,本公开需要在第二步中使用聚类算法。
第二步,本公开将基于密度的聚类算法应用于加速度点集A来识别用户的POI。基于密度的聚类算法需要两个参数,即半径(eps)和形成聚类所需的最小点数(minPts)。一般来说,为了获得更好的聚类结果,需要调整基于密度的聚类算法的超参数eps和minPts。
3、预测用户的POI
在这里,本公开提出了自适应映射方法,以映射用户的移动到POI系列。本公开扫描数据集D,识别用户在P(兴趣点集合)中已经到达的POI区域,并计算用户在POI区域的停留时间。首先,本公开需要确定POI面积的大小。如果POI面积较小,则迁移率预测的精度较高,而GPS的误差范围约为5-10m。因此,POI的半径必须大于10m。此外,如果用户进入室内,本公开无法准确地探测到他们的位置。根据本公开的实验结果,50m最能覆盖用户的停留范围。因此,POI区域设置为POI位置周围半径为50m的区域。但是,用户可能不会进入任何POI区域,因为用户正在移动。此时,本公开将POI系列中的值设置为-1。计算完成后,将生成每个用户的POI数据集O。在O中的每个数据On是由(POIn,SWn,STn,EWn,ETn),其中POIn表示用户在哪个POI区域,SWn表示一周中某一天的停留开始时间,STn表示当天的停留开始时间,单位为分钟。EWn表示一周中某天的停留结束时间,ETn表示当天的停留结束时间,单位为分钟。POI的数量取决于用户的特征。行为模式较为稳定的普通上班族通常在工作日有2或3个POI(家庭、公司、食堂)。一个行为模式较多的用户,例如一个营业员,可能有超过20个POI,因为他一个工作日经常去很多地方。一般来说,POI的分布和数量会随着不同的调查对象而不同。如果他们的数据非常相似,具有相似系列POI的用户可能会采用相同的轨迹来实现。但是,通常情况下,由于移动过程中POI的顺序不同以及在POI处停留时间的不同,轨迹可能会有所不同。
4、模型训练
本公开将POI系列的数据O输入到预测器中以学习用户的移动模式。预测器具有三个阶段。在第一阶段,本公开对POI数据进行转换,生成训练数据。在第二阶段,本公开进行数据标准化,以规范化训练数据中所有特征的范围。在第三阶段,本公开实现了具有两个输出层的多对一LSTM(Long Short-Term Memory,长短期记忆)网络,并输入训练数据进行训练。
1)训练数据生成器
本公开使用多对一的LSTM模型来学习用户的移动模式并预测用户的下一个POI。首先,本公开调整POI系列O的数据格式,以满足多对一的LSTM的训练格式。在这里,本公开将LB定义为一个时间间隔,即将LB个时刻用于一次预测。每个训练数据TDn包含训练特征TFn和训练目标TTn。TFn可以表示为TFn=[On-LB,On-LB+1,…,On-2,On-1],其中n是当前要预测的时刻。训练目标TTn是TFn的真值,用于计算损失函数。TTn可以表示为TTn=[(POIn,Sln)],其中Sln为在该POI停留的时间级别。为了确定该停留时间级别,首先,本公开使用SWn、STn、EWn,ETn计算停留时间间隔Sin。然后,本公开使用以下规则来推导停留时间级别:
停留时间级别为0到6之间的整数。停留时间级别0表示用户的停留时间为0-9分钟,停留时间级别1表示用户的停留时间为10-19分钟,以此类推。停留时间等级6表示用户停留时间大于等于60分钟。
2)数据标准化
标准化训练数据可以加速训练过程并降低陷入局部最优解的概率。此外,使用标准化输入可以轻松实现权重衰减和贝叶斯估计。因此,本公开使用最小-最大缩放来标准化训练数据。最小-最大缩放通过以下等式完成:xstd=(x-xmin)/(xmax-xmin)
其中,min-max标准化也称为最小-最大缩放、归一化。归一化的逻辑是将数据缩放到0~1之间,实现方法很简单。是将值减去最小值并除以最大值和最小值之差。
3)预测器设计
图4示出了本公开一个实施例的预测器的结构示意图。
参考图4,多对一的LSTM模型是通过连接几个LSTM单元,只让最后一个LSTM单元输出神经元的计算值来实现的。然后,本公开需要添加一个激活函数,使输出信号不会变成一个简单的线性函数。在这里,本公开使用ReLU(Rectified Linear Unit,线性整流函数)作为激活函数。ReLU可以降低计算成本并使神经网络稀疏以缓解过拟合问题。然后,本公开添加两个全连接层来增加预测器的学习深度。神经元的数量从第一层到第二层逐渐减少。在产生输出之前,每个全连接层都将通过ReLU激活。最后,本公开添加POI输出层输出下一个POI的预测和停留级别。本公开选择自适应矩估计(Adam)作为优化器算法来调整训练流程中神经元之间的权重。
图5示出了本公开一个实施例的流程示意图。
本申请相对现有技术而言,所具有的优点和效果:
现有处理技术1:现有的POI识别包括K-means聚类算法和基于密度的聚类算法。K-means聚类算法需要事先已知用户的POI数量,但在很多情况下此条件并不满足。本公开的POI识别是在基于密度的聚类算法上进行改进。以加速度的角度去识别POI,当判断某一区域的加速度明显时,即可判定该区域是之前的一个停留点,即可识别该预期是一个POI区域。与之前的方法相比,该方法简单有效。
现有处理技术2:现有的流动性预测方法包括HMM、机器学习算法等。HMM算法不能提供深入的参考,因为它是一个概率模型,并且它存在对多样化和长运动轨迹的预测精度低的问题。机器学习算法需要手工设计特征,而本公开提出的基于LSTM的深度学习模型去预测用户的POI无须手动设计特征,由模型自动学习特征。
通过验证,与其他方案相比,本公开能够很好地预测用户的POI,在识别用户POI上也有较好的效果。
本公开设计出基于加速度的方案来识别用户的POI。为了从GPS数据中识别出POI,本公开公开了一种POI挖掘方法,即加速度聚类。在加速度聚类的第一步,本公开选取速度小于1m/s和加速度大于0m/s的加速度点作为加速度集A。本公开观察到用户经常访问的地方有许多重叠或接近的加速度点。这是因为当用户离开停留的地方时,从低速开始会有一个显著的加速。如果它是一个经常被用户访问的地方,将观察到许多加速点。为了将地理上相似的加速度点分组为POI,本公开提出基于密度的聚类算法应用于加速度点集A来识别用户的POI。基于密度的聚类算法需要两个参数,即半径(eps)和形成聚类所需的最小点数(minPts)。一般来说,为了获得更好的聚类结果,需要调整基于密度的聚类算法的超参数eps和minPts。
本公开提出了自适应映射方法,以映射用户的移动到POI系列。本公开扫描数据集D,识别用户在P中已经到达的POI区域,并计算用户在POI区域的停留时间。首先,本公开需要确定POI面积的大小。如果POI面积较小,则迁移率预测的精度较高,而GPS的误差范围约为5-10m。因此,POI的半径必须大于10m。此外,如果用户进入室内,本公开无法准确地探测到他们的位置。根据本公开的实验结果,50m最能覆盖用户的停留范围。因此,POI区域设置为POI位置周围半径为50m的区域。但是,用户可能不会进入任何POI区域,因为用户正在移动。此时,本公开将POI系列中的值设置为-1。计算完成后,将生成每个用户的POI数据集O。在O中的每个数据On是由(POIn,SWn,STn,EWn,ETn),其中POIn表示用户在哪个POI区域,SWn表示一周中某一天的停留开始时间,STn表示当天的停留开始时间,单位为分钟。EWn表示一周中某天的停留结束时间,ETn表示当天的停留结束时间,单位为分钟。POI的数量取决于用户的特征。行为模式较为稳定的普通上班族通常在工作日有2或3个POI(家庭、公司、食堂)。一个行为模式较多的用户,例如一个营业员,可能有超过20个POI,因为他一个工作日经常去很多地方。一般来说,POI的分布和数量会随着不同的调查对象而不同。如果他们的数据非常相似,具有相似系列POI的用户可能会采用相同的轨迹来实现。但是,通常情况下,由于移动过程中POI的顺序不同以及在POI处停留时间的不同,轨迹可能会有所不同。
图6示意性示出了根据本公开的一实施方式的用户的兴趣点的预测装置的框图。本公开实施方式提供的用户的兴趣点的预测装置600可以设置在终端设备上,也可以设置在服务器端上,或者部分设置在终端设备上,部分设置在服务器端上,例如,可以设置在图1中的服务器105,但本公开并不限定于此。
本公开实施方式提供的用户的兴趣点的预测装置600可以包括获取模块610和预测模块620。
其中,获取模块,配置为获取用户的原始运动数据;
预测模块,配置为根据所述用户的原始运动数据,使用用户的兴趣点预测模型对所述用户的兴趣点进行预测;
其中,所述用户的兴趣点预测模型中的预测器包括激活函数、N个LSTM、K个全连接层和自适应矩估计,其中N和K是大于1的整数。
根据本公开的实施方式,上述用户的兴趣点的预测装置600可以用于本公开描述的用户的兴趣点预测模型的使用方法。
可以理解的是,获取模块610和预测模块620可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施方式,获取模块610和预测模块620的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式的适当组合来实现。或者,获取模块610和预测模块620的至少一个可以至少被部分地实现为计算机程序模块,当该程序被计算机运行时,可以执行相应模块的功能。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块、单元和子单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块、单元和子单元的特征和功能可以在一个模块、单元和子单元中具体化。反之,上文描述的一个模块、单元和子单元的特征和功能可以进一步划分为由多个模块、单元和子单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种用户的兴趣点预测模型的建模方法,其特征在于,包括:
获取用户的第一时间段内的移动数据集;
根据所述移动数据集获取所述用户的兴趣点;
根据所述移动数据集和所述兴趣点获取所述用户的兴趣点数据集;
使用所述兴趣点数据集对预测器进行训练以完成预测模型的建模;
其中,所述预测器包括激活函数、N个LSTM、K个全连接层和自适应矩估计,其中N和K是大于1的整数。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取所述用户的第一时间段内的原始运动数据集;
根据所述原始运动数据集获取每个记录点的加速度。
3.根据权利要求2所述的方法,其特征在于,获取用户的第一时间段内的移动数据集包括:
根据每个记录点的加速度获取所述用户的第一时间段内的移动数据集。
4.根据权利要求2所述的方法,其特征在于,根据所述移动数据集获取所述用户的兴趣点包括:
根据所述移动数据集中每个记录的加速度对所述移动数据集进行筛选。
5.根据权利要求1所述的方法,其特征在于,根据所述移动数据集获取所述用户的兴趣点包括:
根据所述移动数据集,通过密度的聚类算法获取所述用户的兴趣点。
6.根据权利要求1所述的方法,其特征在于,使用所述兴趣点数据集对预测器进行训练以完成预测模型的建模包括:
通过最小最大缩放来标准化训练数据。
7.一种用户的兴趣点预测模型的使用方法,其特征在于,包括:
获取用户的原始运动数据;
根据所述用户的原始运动数据,使用用户的兴趣点预测模型对所述用户的兴趣点进行预测;
其中,所述用户的兴趣点预测模型中的预测器包括激活函数、N个LSTM、K个全连接层和自适应矩估计,其中N和K是大于1的整数。
8.一种用户的兴趣点的预测装置,其特征在于,包括:
获取模块,配置为获取用户的原始运动数据;
预测模块,配置为根据所述用户的原始运动数据,使用用户的兴趣点预测模型对所述用户的兴趣点进行预测;
其中,所述用户的兴趣点预测模型中的预测器包括激活函数、N个LSTM、K个全连接层和自适应矩估计,其中N和K是大于1的整数。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,配置为存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111648665.XA CN114298421A (zh) | 2021-12-30 | 2021-12-30 | 用户的兴趣点预测模型的建模、使用方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111648665.XA CN114298421A (zh) | 2021-12-30 | 2021-12-30 | 用户的兴趣点预测模型的建模、使用方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298421A true CN114298421A (zh) | 2022-04-08 |
Family
ID=80974490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111648665.XA Pending CN114298421A (zh) | 2021-12-30 | 2021-12-30 | 用户的兴趣点预测模型的建模、使用方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298421A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117979225A (zh) * | 2024-03-29 | 2024-05-03 | 北京大也智慧数据科技服务有限公司 | 健身步道的选址方法、装置、存储介质及电子设备 |
-
2021
- 2021-12-30 CN CN202111648665.XA patent/CN114298421A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117979225A (zh) * | 2024-03-29 | 2024-05-03 | 北京大也智慧数据科技服务有限公司 | 健身步道的选址方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Travel time prediction system based on data clustering for waste collection vehicles | |
US11669864B2 (en) | Determining locations of interest based on user visits | |
Li et al. | Predicting future locations of moving objects with deep fuzzy-LSTM networks | |
RU2406158C2 (ru) | Способы предсказания пунктов назначения из частичных траекторий, применяющие способы моделирования открытого и замкнутого мира | |
Jiao et al. | A novel next new point-of-interest recommendation system based on simulated user travel decision-making process | |
Fakhrmoosavi et al. | Impacts of connected and autonomous vehicles on traffic flow with heterogeneous drivers spatially distributed over large-scale networks | |
CN112435469B (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
CN105893537B (zh) | 地理信息点的确定方法和装置 | |
Du et al. | A geographical location prediction method based on continuous time series Markov model | |
WO2021189950A1 (zh) | 短时公交站客流预测方法、装置、计算机设备及存储介质 | |
EP3192061B1 (en) | Measuring and diagnosing noise in urban environment | |
Wong et al. | Long-term user location prediction using deep learning and periodic pattern mining | |
CN114298421A (zh) | 用户的兴趣点预测模型的建模、使用方法及相关设备 | |
CN112529294B (zh) | 个体随机出行目的地预测模型的训练方法、介质和设备 | |
CN110674208A (zh) | 用于确定用户的职住地信息的方法和装置 | |
CN112257924A (zh) | 位置预测方法、装置、电子设备及存储介质 | |
US20200245141A1 (en) | Privacy protection of entities in a transportation system | |
CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
Liao et al. | Location prediction through activity purpose: integrating temporal and sequential models | |
CN115495661A (zh) | 一种基于用户长短期偏好的自适应兴趣点推荐方法 | |
Rahman et al. | MDLpark: available parking prediction for smart parking through mobile deep learning | |
CN112685531A (zh) | 车辆匹配方法和装置、计算设备以及计算机可读存储介质 | |
Yang et al. | Towards dynamic urban bike usage prediction for station network reconfiguration | |
CN112632404A (zh) | 基于多粒度自注意力的下一个兴趣点推荐方法 | |
Zhang et al. | Dynamic pricing strategy for high occupancy toll lanes based on random forest and nested 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 |