CN114444794B - 基于双注意力图嵌入网络的出行意图预测方法 - Google Patents

基于双注意力图嵌入网络的出行意图预测方法 Download PDF

Info

Publication number
CN114444794B
CN114444794B CN202210075750.XA CN202210075750A CN114444794B CN 114444794 B CN114444794 B CN 114444794B CN 202210075750 A CN202210075750 A CN 202210075750A CN 114444794 B CN114444794 B CN 114444794B
Authority
CN
China
Prior art keywords
point
interest
attention
travel
context
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
Application number
CN202210075750.XA
Other languages
English (en)
Other versions
CN114444794A (zh
Inventor
陈超
吴杰
廖成武
王星辰
汪俊宇
赵杰
蒲华燕
罗军
郭松涛
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN202210075750.XA priority Critical patent/CN114444794B/zh
Publication of CN114444794A publication Critical patent/CN114444794A/zh
Application granted granted Critical
Publication of CN114444794B publication Critical patent/CN114444794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明具体涉及基于双注意力图嵌入网络的出行意图预测方法，包括：建并出行意图预测模型；获取用户的出行轨迹数据和对应的兴趣点签到数据；通过出行意图预测模型首先对出行轨迹数据和兴趣点签到数据进行聚合，以增强对应时空情境、起点兴趣点情境和终点兴趣点情境的活动语义；然后通过双注意力图嵌入基于时空情境、起点兴趣点情境和终点兴趣点情境在高级特征空间中提取的出行意图的综合活动语义；最后基于出行意图的综合活动语义计算各个候选活动的预测概率；将预测概率最高的候选活动作为用户的预测出行意图。本发明的出行意图预测方法无需获取用户的个人敏感信息，从而能够提高出行意图预测的隐私性和实用性。

Description

基于双注意力图嵌入网络的出行意图预测方法
技术领域
本发明涉及互联网大数据技术领域，具体涉及基于双注意力图嵌入网络的出行意图预测方法。
背景技术
用户的出行行为分析是智能出行和城市应用的基础，也是该领域中一个长期存在的课题，包括交通、城市规划、疫情控制等等。近十年来，随着GPS轨迹数据的广泛使用，在揭示出行行为时空模式方面取得了很多成果。然而，对用户出行行为目的(意图)，即出行意图的研究却相对较少。与明确地告诉用户何时何地移动的轨迹不同，出行意图是回答用户为何在城市出行的语义信息。
获取用户的出行意图信息将极大地促进以人为本的城市智能服务，如城市规划、个性化广告和推荐。近年来，出行意图被认为是出行行为分析的一个重要方面。例如，公开号为 CN105512773A的中国专利公开了《一种用户出行意图预测方法》，其包括：从用户全景视图中读取用户出行行为记录；提取并计算所述用户出行行为记录的特征值；调用预测模型对所述特征值进行计算，得到用户出行意图的预测结果。
上述现有方案的用户出行目预测方法就是一种出行意图预测方法，其基于用户的乘机出行行为记录预测出用户每次出行的目的。但是，上述现有方案需要获取用户的乘机出行行为记录，其与大多数方案一样，需要依赖用户的个人敏感信息完成预测。然而，一方面，获取用户个人敏感信息(如家庭结构、家庭地址、就业状况等)会导致严重的隐私问题，这在智慧城市应用中是应该避免的，因此现有方案的出行意图预测隐私性不好；另一方面，实际应用过程中，大多数应用程序无法获得用户的这些敏感信息，导致现有方案的出行意图预测实用性不好。因此，如何设计一种能够提高出行意图预测隐私性和实用性的方法是亟需解决的技术问题。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于双注意力图嵌入网络的出行意图预测方法，以无需获取用户的个人敏感信息，从而能够提高出行意图预测的隐私性和实用性。
为了解决上述技术问题，本发明采用了如下的技术方案：
基于双注意力图嵌入网络的出行意图预测方法，包括以下步骤：
S1：基于双注意力图嵌入网络构建并训练对应的出行意图预测模型；
S2：获取用户的出行轨迹数据和对应的兴趣点签到数据；
S3：将对应的出行轨迹数据和兴趣点签到数据输入出行意图预测模型中；
所述出行意图预测模型首先对出行轨迹数据和兴趣点签到数据进行聚合，以增强对应时空情境、起点兴趣点情境和终点兴趣点情境的活动语义；然后通过双注意力图嵌入基于时空情境、起点兴趣点情境和终点兴趣点情境在高级特征空间中提取的出行意图的综合活动语义；最后基于出行意图的综合活动语义计算各个候选活动的预测概率；
S4：将预测概率最高的候选活动作为用户的预测出行意图。
优选的，步骤S3中，通过如下公式表示活动语义增强后的时空情境：
Cst(tr)＝[TYP(tr),H(t0),H(td),td-t0,ld-l0]；
式中：TYP(tr)和H(t)分别表示对应的日期类型和小时时间；td-t0和ld-l0分别表示出行时间段和出行距离。
优选的，小时值t被转换为以(0,0)为圆心坐标的单位圆的弧度，小时时间由基于弧度θ的单位圆中的坐标表示为
优选的，步骤S3中，增强起点兴趣点情境和终点兴趣点情境的活动语义时，在起点兴趣点情境和终点兴趣点情境中增加兴趣点类别的时段流行度、距离和唯一性三个扩展特征。
优选的，通过如下公式计算兴趣点类别的时段流行度：
式中：PP(k)表示第k个兴趣点类别的时段流行度；CI表示兴趣点签到数据；表示给定时间段T内第k个兴趣点类别被签到的总次数；
通过如下公式计算兴趣点类别的距离：
式中：Dis(k)表示第k个兴趣点类别与出行轨迹终点ld之间最小距离的比值；
通过如下公式计算兴趣点类别的唯一性：
式中：Uniq(k)表示第k个兴趣点类别的唯一性；POIsk表示第k类兴趣点。
优选的，步骤S3中，通过如下步骤生成出行意图的综合活动语义：
S301：将起点兴趣点情境和终点兴趣点情境转换为具有相同结构的图结构Go和Gd；
S302：通过图注意力网络结合时空情境捕获图结构Go和Gd中每个兴趣点类别的相邻活动语义，生成具有双重活动语义的起点兴趣点情境G′o和终点兴趣点情境G′d；
S303：通过soft-attention将时空情境、起点兴趣点情境G′o和终点兴趣点情境G′d进行融合，生成出行意图的综合活动语义。
优选的，步骤S302中，通过如下公式计算注意力系数：
式中：αuv表示注意力系数；attuv∈RF′表示中心节点u对特定邻居v的唯一权值矩阵；u 表示中心节点；Nu表示相邻节点；W∈RF′×F表示共享权重矩阵；||和.T表示连接和转置运算； g(g)表示激活函数，即LeakyReLU；T表示设置的时间段；hu表示中心节点u的邻居特征；hv表示中心节点u的一个邻居结点v的特征；hn表示中心节点u的一个邻居结点n的特征；
通过如下公式计算最终的邻域特征：
式中：表示最终的邻域特征；/>和Wm表示注意力系数和第m次注意力机制的线性变换权重矩阵；σ表示一个非线性函数；W′∈RF′×MF′表示一个权重矩阵。
优选的，步骤S303中，通过如下公式计算soft-attention查询：
host＝tanh(Wfc1[Flatten(G′o)||Cst]+bfc1)；
式中：host表示G′o和Cst非线性组合起来的在soft-attention里的query；G′o表示起点兴趣点情境；Cst表示时空情境；和bfc1表示使用的全连接层参数；Flatten表示Flatten操作；tanh表示非线性激活函数；
式中：h′表示自己本身特征加上邻居特征；
通过如下公式计算兴趣点类别u∈G′d的系数，即键：
式中：表示键；/>分别表示可学习的查询参数和密钥参数；b表示偏置；tanh表示非线性激活函数；h′表示终点兴趣点情境G′d中的节点特征；
通过如下公式计算综合活动语义：
式中：H表示综合活动语义；M′表示soft-attention中注意力头的数量；表示第M′次注意的学习系数；/>表示可学习的参数矩阵；h′u表示中心节点u的特征加上邻居特征。
优选的，步骤S3中，通过如下步骤生成候选活动的预测概率：
S311：在综合活动语义H上使用神经元的全连接层输出原始结果z；
其中，z＝Wfc2H+bfc2；式中：Wfc2和bfc2表示全连接层的可学习参数；表示候选出行意图；/>表示候选出行意图的数量；
S312：执行softmax函数，得到第i个候选活动为用户出行意图y的预测概率/>
其中，zi表示第i个神经元的结果；zj表示第i个神经元的结果；
S313：基于预测概率生成预测结果/>
其中，
优选的，步骤S1中，通过如下公式表示训练出行意图预测模型时的损失函数：
式中：L表示总成本；N代表样本数；yj和分别对应第j个候选活动的实际概率和预测概率。
本发明的出行意图预测方法与现有技术相比，具有如下有益效果：
本发明通过用户的出行轨迹数据和对应的兴趣点(POI)签到数据实现用户出行意图的预测，出行轨迹数据是一种“车轮”数据，可通过用户乘坐的出租车、网约车等获取，兴趣点签到数据可通过相关的LBSN(基于位置的社交网络)平台，这两种数据均不属于用户的个人敏感信息，即无需获取用户的个人敏感信息，从而能够提高出行意图预测的隐私性和实用性。同时，本发明通过聚合出行轨迹数据和兴趣点签到数据，增强了时空情境、起点兴趣点情境和终点兴趣点情境的活动语义，能够更好的体现兴趣点类型对用户的吸引力，从而能够有效提高用户出行意图预测的准确性。最后，本发明通过在高级特征空间中提取出行意图的综合活动语义，能够有效获取用户的潜在活动语义，即能够提高用户出行意图综合活动语义提取的全面性，从而能够进一步提高用户出行意图预测的准确性。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为基于双注意力图嵌入网络的出行意图预测方法的逻辑框图；
图2为出行意图预测模型的网络结构图；
图3(a)为起点/终点位置的兴趣点情境分布；图3(b)为对应的图结构；
图4为使用时间和POI情境，以及增强的时间和POI情境的ANN和RF模型的预测结果；
图5(a)为对9分类出行意图的预测；图5(b)为对4分类出行意图(b)预测；
图6为出行意图预测模型在现实场景中的实例。
具体实施方式
下面通过具体实施方式进一步详细的说明：
实施例：
本实施例中公开了一种基于双注意力图嵌入网络的出行意图预测方法。
如图1所示，基于双注意力图嵌入网络的出行意图预测方法，包括以下步骤：
S1：基于双注意力图嵌入网络构建并训练如图2所示的出行意图预测模型；
S2：获取用户的出行轨迹数据和对应的(区域)兴趣点(point-of-interest,POI)签到数据；
S3：将对应的出行轨迹数据和兴趣点签到数据输入出行意图预测模型中；
所述出行意图预测模型首先对出行轨迹数据和兴趣点签到数据行聚合，以增强对应时空情境、起点兴趣点情境和终点兴趣点情境的活动语义；然后通过双注意力图嵌入基于时空情境、起点兴趣点情境和终点兴趣点情境在高级特征空间中提取出行意图的综合活动语义；最后基于出行意图的综合活动语义计算各个候选活动的预测概率；
S4：将预测概率最高的候选活动作为用户的预测出行意图。
本发明通过用户的出行轨迹数据和对应的兴趣点(POI)签到数据实现用户出行意图的预测，出行轨迹数据是一种“车轮”数据，可通过用户乘坐的出租车、网约车等获取，兴趣点签到数据可通过相关的LBSN(基于位置的社交网络)平台，这两种数据均不属于用户的个人敏感信息，即无需获取用户的个人敏感信息，从而能够提高出行意图预测的隐私性和实用性。同时，本发明通过聚合出行轨迹数据和兴趣点签到数据，增强了时空情境、起点兴趣点情境和终点兴趣点情境的活动语义，能够更好的体现兴趣点类型对用户的吸引力，从而能够有效提高用户出行意图预测的准确性。最后，本发明通过在高级特征空间中提取出行意图的综合活动语义，能够有效获取用户的潜在活动语义，即能够提高用户出行意图综合活动语义提取的全面性，从而能够进一步提高用户出行意图预测的准确性。
具体实施过程中，通过如下公式表示活动语义增强后的时空情境：
Cst(tr)＝[TYP(tr),H(t0),H(td),td-t0,ld-l0]；
式中：TYP(tr)和H(t)分别表示对应的日期类型和小时时间；td-t0和ld-l0分别表示出行时间段和出行距离。
人类活动具有很强的时间规律性，如工作、回家等。从这个意义上说，用户出行的时间情境对于理解用户为什么出行是至关重要的。因此，对于每一次出行，提取三种时间情境，包括日期类型(即工作日或非工作日)、出行开始和结束的时间以及出行时间段长短。
具体的，小时值t被转换为以(0,0)为圆心坐标的单位圆的弧度，小时时间由基于弧度θ的单位圆中的坐标表示为这样的表示可以保持00:00和23:00 之间的时间相似性。
此外，还计算起点和终点之间的球面距离，并将其与出行时间长短一起作为出行的时空代价。其根本原因是，用户经常因不寻常的活动(如商务)而长途出行。
具体实施过程中，增强起点兴趣点情境和终点兴趣点情境的活动语义时，在起点兴趣点情境和终点兴趣点情境中增加兴趣点类别的时段流行度、距离和唯一性三个扩展特征。
具体的，通过如下公式计算兴趣点类别的时段流行度：
式中：PP(k)表示第k个兴趣点类别的时段流行度；CI表示兴趣点签到数据；表示给定时间段T内第k个兴趣点类别被签到的总次数；
本实施例在动态POI(兴趣点)情境方面，使用POI的时间段流行度来描述O/D(起点/ 终点)位置的动态功能，这也明确地揭示了不同POI的吸引力。其中k代表所有POI类别的数量(即k＝9)。为了表明完成活动的用户，对起始位置，由于人类活动通常不会超过2小时，设置T∈[t0-2,t0]为用户开始出行前的两小时。对于终点位置，我们设置T∈[td,td+2]为用户下车后两个小时。
通过如下公式计算兴趣点类别的距离：
式中：Dis(k)表示第k个兴趣点类别与出行轨迹终点ld之间最小距离的比值；用户总是会选择离出发地和目的地尽可能近的上、下车点，离得越近的POI就应该分配更多的权重。
通过如下公式计算兴趣点类别的唯一性：
式中：Uniq(k)表示第k个兴趣点类别的唯一性；POIsk表示第k类兴趣点。一个POI类别可能会因为相应POI的数量比其他类别多而被错误地排名为比其他类别更受欢迎。
本发明通过聚合出行轨迹数据和兴趣点签到数据，并在起点兴趣点情境和终点兴趣点情境中增加兴趣点类别的时段流行度、距离和唯一性三个扩展特征，能够有效的增强时空情境、起点兴趣点情境和终点兴趣点情境的活动语义，使得能够更好的体现兴趣点类型对用户的吸引力，从而能够有效提高用户出行意图预测的准确性。
具体实施过程中，通过如下步骤生成出行意图的综合活动语义：
S301：将起点兴趣点情境和终点兴趣点情境转换为具有相同结构的图结构Go和Gd；
S302：通过图注意力网络结合时空情境捕获图结构Go和Gd中每个兴趣点类别的相邻活动语义，生成具有双重活动语义的起点兴趣点情境G′o和终点兴趣点情境G′d；
S303：通过soft-attention(软注意力机制)将时空情境、起点兴趣点情境G′o和终点兴趣点情境G′d进行融合，生成出行意图的综合活动语义。
具体的，将O/D POI(起点/终点兴趣点)情境转换为两个具有相同结构的图。如图3(a) 所示，在起点/终点附近250米半径范围内，有7类不同的POI。该POI情境的图结构由图3(b) 中的图形表示。图结构(无向完全图)被定义为G＝(V,E)，V是一组节点，代表9个POI 类别(用虚线画的2个节点指的是在标记圆圈内不存在的POI类别)，E是一组表示它们潜在相关性的边。此外，每个节点都包含自己的扩展特征h∈RF(时段流行度、距离和唯一性)，F＝3代表节点特征维数。O/DPOI起点/终点兴趣点)情境分别用Go和Gd表示。
由于POI类别之间的内在相关性，每个POI类别的活动语义有两个方面，即扩展特性和来自其他POI的邻近语义。我们重点关注相邻POI类别之间的相关性并进行建模，以捕获 O/D POI情境的双重活动语义。申请人发现GAT(图注意力网络)能够通过使用注意力机制对它们的相互关联进行建模来提取每个POI类别的相邻语义。在现实世界中，不同的活动通常有不同的相关性。例如，在“用餐”活动中，与“娱乐”的关联比与“健康”的关联更强，因为“用餐”和“娱乐”在人们的日常生活中更有可能联系在一起。因此，本发明修改了正常GAT中的注意机制，使其具有类别感知，从而处理POI情境G。此外，不同活动之间的相关性也表现出时间依赖性，因此注意系数的计算应进一步考虑时间特征T。
具体的，通过如下公式计算注意力系数：
式中：αuv表示注意力系数；attuv∈RF′表示中心节点u对特定邻居v的唯一权值矩阵；u 表示中心节点；Nu表示相邻节点；W∈RF′×F表示共享权重矩阵；||和.T表示连接和转置运算； g(g)表示激活函数，即LeakyReLU；T表示设置的时间段；hu表示中心节点u的邻居特征；hv表示中心节点u的一个邻居结点v的特征；hn表示中心节点u的一个邻居结点n的特征。
由于有K个不同的POI类别，并且每个类别都有K-1邻居，因此总共有K*(K-1)个唯一矩阵。att1∈RF′和att2∈R|TYP|+|H|是不同邻居和时间特征的共享注意力权重矩阵。我们利用注意系数加权和的方式将邻居的特征结合起来，并将结果作为u的邻居语义。此外，我们还采用了多头机制以提高GAT的表达能力，同时稳定了学习过程。具体来说，共使用M种独立的注意机制从不同角度提取相邻特征。
通过如下公式计算最终的邻域特征：
式中：表示最终的邻域特征；/>和Wm表示注意力系数和第m次注意力机制的线性变换权重矩阵；σ表示一个非线性函数；W′∈RF′×MF′表示一个权重矩阵。
图注意力网络包含两个堆叠的多头GATs。通过执行GATs,Go和Gd中的每个POI类别都可以获得其相邻的活动语义。可以将一个POI类别的邻近语义看作是从它自己的角度推导出来的。在这方面，对于每个POI类别，我们将其主要的增强特征与邻近语义结合起来(即)。最后，在起点和终点分别获得具有双重活动语义的POI情境(即G′o和 G′d)。
Soft-attention可以描述为将查询和一组键值对映射到一个输出，其中查询和键来自不同的域。输出是值的加权和，其中每个值的权重(即贡献)是通过对查询和特定键使用兼容性函数计算的。本实施例中，用户在目的地的活动可以看作是对一个特殊查询(即具有特定起点和时间的出行)的响应。因此，本文采用soft-attention从三种出行情境中提取综合的活动语义，同时建模它们对出行意图的依赖。该查询是起点兴趣点情境G′o和出行的时空成本Cst的结合。键与值相等，值由目的地的POI类别的活动语义组成，即Cst。
具体的，通过如下公式计算soft-attention查询：
host＝tanh(Wfc1[Flatten(G′o)||Cst]+bfc1)；
式中：host表示G′o和Cst非线性组合起来的在soft-attention里的query；G′o表示起点兴趣点情境；Cst表示时空情境；和bfc1表示使用的全连接层参数；Flatten表示Flatten操作；tanh表示非线性激活函数；
本实施例首先使用Flatten操作将G′o转换为一维向量，并将其与Cst连接，然后使用全连接层融合特征作为soft-attention查询。
通过如下公式计算兴趣点类别u∈G′d的系数，即键：
式中：表示键；/>分别表示可学习的查询参数和密钥参数；b表示偏置；tanh表示非线性激活函数；h′表示终点兴趣点情境G′d中的节点特征；
通过如下公式计算综合活动语义：
式中：H表示综合活动语义；M′表示soft-attention中注意力头的数量；表示第M′次注意的学习系数；/>表示可学习的参数矩阵；h′u表示中心节点u的特征加上邻居特征。
本实施例使用多头注意力机制从多个角度计算系数，利用系数聚合G′d中不同POI类别的活动语义，将其视为用户行程的综合活动语义H。
本发明在增强了时空情境、起点兴趣点情境和终点兴趣点情境的活动语义的前提下，通过建模相邻兴趣点之间的相关性，使用(类别感知的)图注意力网络来捕获每个兴趣点类别的相邻活动语义，通过不同出行背景对出行意图的依赖关系建模，使用soft-attention提取用户出行的综合活动语义，能够实现在高级特征空间中提取出行意图的综合活动语义，能够有效获取用户的潜在活动语义，使得能够保证用户出行意图综合活动语义提取的全面性，从而能够进一步提高用户出行意图预测的准确性。
具体实施过程中，通过如下步骤生成候选活动的预测概率：
S311：在综合活动语义H上使用个神经元的全连接层输出原始结果z；
其中，z＝Wfc2H+bfc2；式中：Wfc2和bfc2表示全连接层的可学习参数；表示候选出行意图；/>表示候选出行意图的数量；
S312：执行softmax函数，得到第i个候选活动为用户出行意图y的预测概率/>
其中，zi表示第i个神经元的结果；zj表示第i个神经元的结果；
S313：基于预测概率生成预测结果/>
其中，
本实施例采用具有softmax函数的全连接层作为分类器，输出不同候选出行意图的预测概率。
具体实施过程中，通过如下公式表示训练出行意图预测模型时的函数：
式中：L表示总成本；N代表样本数；yj和分别对应第j个候选活动的实际概率和预测概率。
为了更好的说明本发明出行意图预测方法的优势，本实施例公开了如下实验。
一、实验设置
1、数据准备
实验是基于两个真实数据集进行：
北京Ucar轨迹数据，该数据包含神州Ucar于2015年12月在中国北京收集的780,494 车辆行程。每条记录都是在一个任意匿名的用户使用RoD服务完成一次出行时生成的。它包含用户在道路上的接送点的GPS信息，以及用户实际前往的POI的描述(例如，北京餐馆或北京天坛医院)。这样的描述直观地揭示了这次出行的活动类型，作为该数据集中用户的出行意图(例如，“用餐”或“健康”)。
街旁POI签到数据，该数据由北京2011年8月至2012年9月超过11,080名使用街旁APP的用户生成。它包含511,133条POI签到，每条记录包含一个匿名用户ID、签到时间戳和相应的POI信息(即，经纬度，类别和名POI的名称)。
这两个数据集之间存在时间错位问题，这个问题反映了城市计算的客观挑战：在实践中通常很难甚至不可能找到具有精确时间一致性的完美数据源。本实验采用签到数据揭示北京不同区域的人类活动语义。由于北京是一个发达的城市，区域内人类活动的模式通常每年都会略有变化。此外，我们的模型侧重于不同POI类别的高级比率，这对于时间错位问题相对持久。最后，我们在北京市五环周围的一个正方形区域中选择了366,783条有目的的标记轨迹，并将它们以6:1:1的比例划分为训练、验证和测试集。
2、基线算法和评估指标
通过对比实验对我们模型的性能进行了评价，并采用了已有研究中的几种方法作为基线算法。这些方法的评估是基于与我们相同的数据源(即轨迹和POI签入数据)。
Nearest：(Wendy Bohte and Kees Maat在《Deriving and validating trippurposes and travel modes for multi-day GPS-based travel surveys:A large-scale application in the Netherlands》)中的一种基于规则的算法。它只是将离下车地点最近的POI设置为用户的最终目的地。因此，与该POI相关的人类活动被用作预测的出行意图。
贝叶斯规则：(Li Gong,Xi Liu,Lun Wu,and Yu Liu在《Inferring trippurposes and uncovering travel patterns from taxi trajectory data》)中基于概率的算法。它考虑一组空间和时间规则来计算下车点附近POI的访问概率。最后，人类活动与环境有关最有可能的POI被用作预测的出行意图。
人工神经网络(ANN)：(Guangnian Xiao,Zhicai Juan,and Chunqin Zhang在《Detecting trip purposes from smartphone-based travel surveys with artificialneural networks and particle swarm optimization》)中的机器学习算法。它由三层人工神经网络组成。输入是出行特征，包括出行的日期类型和出行终点的土地利用类型，它来自附近的POI类别(每个类别的二进制编码)。输出是一组用于候选出行意图的概率。
随机森林(RF)：(A.Ermagun,Y.Fan,J.Wolfson,G.Adomavicius,and K.Das在《Real-time trip purpose prediction using online location-based search anddiscovery services》)中的机器学习算法。输入变量包括附近地点特征(即不同POI类别的百分比)和时间特征(包括日期类型和时间段)。输出也是候选出行意图的一组概率。
此外，我们进行了一项消融研究，以评估本实验中四个重要组成部分的有效性模型。
Ours-GATS：删除模型中的GATS组件，以评估在O/DPOI情境中考虑POI类别的相邻语义的有效性。
Ours-G′0：删除起点POI情境，以评估在用户开始本次出行之前考虑活动语义的有效性。
Ours-Cst：在计算GATs和soft-attention中的注意力系数时删除时空情境，以评估其在模拟不同POI类别之间的相关性方面的有效性。
Ours-S_Att：删除soft-attention组件以评估其从三种出行情境中提取综合出行活动语义的有效性。
为了比较不同算法的性能，我们在以下实验中采用以下四种常用的指标，包括准确性、 macro-avg精度、macro-avg召回率和macro-avgF1-score。更具体地说，准确度是正确预测的样本与总样本的比率。精度和召回率通常用于评估二元分类任务。高精度意味着较低的错误率，以及高召回率意味着较高的真实的正确率。F1-score是精度和召回率的调和平均值，它是对不均匀类分布的评估的更通用的度量。这是一个更通用的指标，以评估一个不均匀的类分布。我们在多类别分类任务中使用了macro-avg精度、macro-avg召回率和macro-avgF1-score。
3、评估环境和参数设置
所有的实验都是使用Python3.7和TensorFlow-2.0编写的，并在一台配有4个NVIDIA GeForce RTX 2080Ti GPU和192GB RAM的PC上运行。
在训练阶段，我们使用Adam优化损失函数，学习率lr＝0.0001。GATs中特征变换F′的维数设置为50，GATs和soft-attention(M，M′)的注意力头的数量分别设置为10和20。融合原始POI情境和时空情境F′ost的维度设置为50。批量大小和正则化参数分别设置为64和0.0001。
二、出行情境增强的有效性
出行情境增强用于增强用户出行的主要语义。具体而言，{日期类型、小时时间、出行时间和出行距离}用于表示出行的时空情境，而{时段流行度、距离、唯一性}用于表示ODPOI 情境。这些增强的出行情境被用作我们的深度模型的输入特征。如前所述，基线算法RF和ANN也采用时间和POI情境进行出行意图预测，但具有不同的特征工程。为了强调我们的出行情境增强的有效性，我们进一步将这两种基线算法的性能分别与它们的原始特征(即ANN， RF)和我们的增强特征(即ANN+Our_F,RF+Our_F)进行比较。
如图4所述，这两种算法都可以通过使用我们增加的时间和POI特性来提高性能。尤其是人工神经网络模型的预测准确率、召回率和F1-值提高了20％以上，这些结果表明我们的特征工程(即出行情境增强)在预测出行意图方面更具识别性和有效性。此外，RF模型性能的提升相对较小。这可能是因为该模型的原始特征包含POI类别信息的百分比，这在本质上与唯一性非常相似。因此，我们可以得出结论，ANN对输入特征的丰富性更为敏感，RF模型在预测出行意图方面与ANN具有竞争力。
三、双注意力图嵌入模型的有效性
本实验建立了一个双注意力图嵌入模型，利用用户的非敏感信息预测出行意图。为了评估其有效性，将其性能与四种不同的基线算法进行了比较，即最近邻算法、贝叶斯规则、人工神经网络和RF。除了评估表中的9类出行意图外，我们进一步将候选类数设置为4(即“娱乐、购物、餐饮、其他”)。一方面，一小部分候选对象使预测任务更容易。另一方面，准确预测这四种出行意图对于真实场景中的商业服务更为有利，例如出租车行业的广告和推荐。
表1不同类型出行意图预测算法的预测结果
表1给出了GPS轨迹和全市POI签到的不同算法的预测结果。可以发现：
我们的模型(Ours)表现优于基线算法。我们的模型在预测出行意图方面显示出相当大的改进。特别是在9分类出行意图上，它在准确率(Accuracy)、召回率(Recall)和F1值方面取得了5％以上的领先。
机器学习算法更好。机器学习算法(即Ours，RF，ANN)优于基于概率和基于规则的算法(即贝叶斯规则、Nearest)。这是因为人类活动是复杂的，与许多因素相关联，而机器学习算法更能够以数据驱动的方式处理此类任务。
提出的图嵌入神经网络是有效的。ANN和我们的模型都是有效的神经网络，但ANN模型的性能比RF模型差。这些结果进一步证明了这一点我们的神经网络的有效性，以及使用图嵌入提取活动的意义来自用户出行情境的语义。
我们的预测模型是适用的。该模型对9分类出行意图的预测准确率为64.57％，对4分类出行意图的预测准确率为79.76％，表明该模型在现实生活中具有普遍适用性。
表2我们预测模型的混淆矩阵分析
表2给出了我们模型在测试数据集上的混淆矩阵。每行显示一组行程的预测结果(属于同一行程目的)。每列显示了出行标签的实际分布，这些标签被预测为给定的出行意图。我们可以观察到，“健康”和“工作”目的的F1-值都在70％以上，而“娱乐”和“户外”则在50％左右。可能是因为靠近“健康”和“工作”的活动的POI参数通常比“娱乐”和“户外”更简单。另外，一些人类活动通常在时间和空间上是相互关联的，因此模型无法很好地区分它们。正如我们在表中看到的，“娱乐”目的更有可能被预测为“购物”，因为它们对应的POIs经常一起出现在街道上。同样，许多“交通”意图被错误地预测为“工作”意图。我们还观察到“回家”的F1 score在 65％左右，不如我们的预期。这可能是因为我们的模型使用了来自社交网络来揭示城市中的人类活动，但相对较少的用户会留下“回家”活动的签到记录。因此，在某些情况下，用于“回家”目的的POI情境可能存在偏差。
四、消融研究
本实验进行了一项消融研究来评估不同组件和特征的有效性，即图注意力网络、soft-attention、起点POI情境和出行的时空情境。
结果如图5所示。可以发现：
图注意力网络扮演着最重要的角色。当删除GAT(即Ours-GAT)时，模型的性能显着下降(例如，F1-值在9分类和4分类预测上都降低了10％)。在这项研究中，GATs被用来通过对每个POI类别的相邻相关性进行建模来捕获每个POI类别的双重活动语义。这样的结果还证明了将POI情境转换为图形结构的有效性，以及对POI类别之间的相关性进行建模以预测出行意图的重要性。
考虑起点POI情境是必要的。Ours-G′0的性能在两组预测任务上均有所下降。然而，图 5(b)中的下降程度没有图5(a)中那么多，尤其是在预测召回方面。它表明起点POI情境对于4 类出行意图(即“娱乐，购物，餐饮，其他”)不是很有区分度。这样的结果可能是因为与其他活动相比，人们从事这些人类活动的起源位置相对随机。例如，人们通常从居民区出发前往“工作”，而对于“用餐”，出发地可能是他们的家、工作场所或任何娱乐设施。
时空情境有助于提高预测召回率。至于Ours-Cst的预测结果，预测召回率是四个指标中下降最严重的。这样的结果表明通过使用时空情境可以正确预测更多的出行意图，特别是在4分类出行意图(召回率减少了8％以上)。时空情境包括时间信息和出行成本。因此，那些与时间相关的人类活动将更容易被正确预测，例如“回家”、“工作”和“用餐”。相反，像“娱乐”这样的活动通常是不固定的时间段，时空情境可能会导致错误预测(即反向精度)。
Soft-attention在聚合出行情境以提取活动语义方面是有效的。在我们的模型中，使用 soft-attention来聚合三种出行情境，以推导得到出行的综合性活动语义。而在Ours-S_Att中，不同的出行情境由全连接层直接融合。正如我们所看到的，Ours-S_Att的整体性能在9分类和4分类预测上也有所下降，尤其是预测召回率有5％的差距。这是因为soft-attention进一步建模了不同出行情境对用户出行意图的依赖性，这对于预测很重要。
五、案例研究
图6显示了的出行意图预测模型在现实生活场景中的用例。出租车配备了推荐系统，包括GPS设备和我们的预测模型。它在非工作日接载了一名用户，并在14分钟内行驶了4.9 公里。在这次出行中，车载系统将用户视为一个黑匣子，只感知出租车在道路上的移动轨迹。
当出租车在下午3点停在下客点时，立即触发出行意图预测模型。根据时间、出行成本和POI情境，预测模型在0.31秒内输出4个候选出行意图概率。如图所示，“Shopping”的目的是这次出行的概率最大。它表明用户最有可能进行购物活动。相应地，车内推荐系统在该用户下出租车之前向该用户展示一些折扣信息(即附近购物中心的优惠券)。整个响应时间小于0.5秒。这个案例研究证明了我们的出行意图预测模型在实践中的可行性。
此外，它表明我们的模型从两个方面保护了用户的隐私：1)不需要任何用户的合作；2) 不使用任何个人身份信息，只涉及出租车轨迹道路(即车轮知道你为什么出行)。
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.基于双注意力图嵌入网络的出行意图预测方法，其特征在于，包括以下步骤：
S1：基于双注意力图嵌入网络构建并训练对应的出行意图预测模型；
S2：获取用户的出行轨迹数据和对应的兴趣点签到数据；
S3：将对应的出行轨迹数据和兴趣点签到数据输入出行意图预测模型中；
所述出行意图预测模型首先对出行轨迹数据和兴趣点签到数据进行聚合，以增强对应时空情境、起点兴趣点情境和终点兴趣点情境的活动语义；然后通过双注意力图嵌入基于时空情境、起点兴趣点情境和终点兴趣点情境在高级特征空间中提取的出行意图的综合活动语义；最后基于出行意图的综合活动语义计算各个候选活动的预测概率；
步骤S3中，增强起点兴趣点情境和终点兴趣点情境的活动语义时，在起点兴趣点情境和终点兴趣点情境中增加兴趣点类别的时段流行度、距离和唯一性三个扩展特征；
通过如下公式计算兴趣点类别的时段流行度：
式中：PP(k)表示第k个兴趣点类别的时段流行度；CI表示兴趣点签到数据；表示给定时间段T内第k个兴趣点类别被签到的总次数；
通过如下公式计算兴趣点类别的距离：
式中：Dis(k)表示第k个兴趣点类别与出行轨迹终点ld之间最小距离的比值；POIsk表示第k类兴趣点；
通过如下公式计算兴趣点类别的唯一性：
式中：Uniq(k)表示第k个兴趣点类别的唯一性；
步骤S3中，通过如下步骤生成出行意图的综合活动语义：
S301：将起点兴趣点情境和终点兴趣点情境转换为具有相同结构的图结构Go和Gd；
S302：通过图注意力网络结合时空情境捕获图结构Go和Gd中每个兴趣点类别的相邻活动语义，生成具有双重活动语义的起点兴趣点情境G′o和终点兴趣点情境G′d；
S303：通过soft-attention将时空情境、起点兴趣点情境G′o和终点兴趣点情境G′d进行融合，生成出行意图的综合活动语义；
步骤S302中，通过如下公式计算注意力系数：
式中：αuv表示注意力系数；attuv∈RF′表示中心节点u对特定邻居v的唯一权值矩阵；u表示中心节点；Nu表示相邻节点；W∈RF′×F表示共享权重矩阵；.T表示转置运算；g(·)表示激活函数，即LeakyReLU；T表示设置的时间段；hu表示中心节点u的邻居特征；hv表示中心节点u的一个邻居结点v的特征；hn表示中心节点u的一个邻居结点n的特征；
通过如下公式计算最终的邻域特征：
式中：表示最终的邻域特征；/>和Wm表示注意力系数和第m次注意力机制的线性变换权重矩阵；σ表示一个非线性函数；W′∈RF′×MF′表示一个权重矩阵；||表示连接运算；
步骤S303中，通过如下公式计算soft-attention查询：
host＝tanh(Wfc1[Flatten(G′o)||Cst]+bfc1)；
式中：host表示G′o和Cst非线性组合起来的在soft-attention里的query；G′o表示起点兴趣点情境；Cst表示时空情境；和bfc1表示使用的全连接层参数；Flatten表示Flatten操作；tanh表示非线性激活函数；
式中：h′u表示中心节点u的特征加上邻居特征；
通过如下公式计算兴趣点类别u∈G′d的系数，即键：
式中：表示键；/>分别表示可学习的查询参数和密钥参数；b表示偏置；tanh表示非线性激活函数；h′u表示表示中心节点u的特征加上邻居特征；
通过如下公式计算综合活动语义：
式中：Η表示综合活动语义；M′表示soft-attention中注意力头的数量；表示第m′次注意的学习系数；/>表示可学习的参数矩阵；h′u表示中心节点u的特征加上邻居特征；
S4：将预测概率最高的候选活动作为用户的预测出行意图。
2.如权利要求1所述的基于双注意力图嵌入网络的出行意图预测方法，其特征在于：步骤S3中，通过如下公式表示活动语义增强后的时空情境：
Cst(tr)＝[TYP(tr),H(t0),H(td),td-t0,ld-l0]；
式中：TYP(tr)表示对应的日期类型；td-t0和ld-l0分别表示出行时间段和出行距离。
3.如权利要求2所述的基于双注意力图嵌入网络的出行意图预测方法，其特征在于：小时值t被转换为以(0,0)为圆心坐标的单位圆的弧度，小时时间由基于弧度θ的单位圆中的坐标表示为H(t)＝(cosθ,sinθ),
4.如权利要求1所述的基于双注意力图嵌入网络的出行意图预测方法，其特征在于：步骤S3中，通过如下步骤生成候选活动的预测概率：
S311：在综合活动语义Η上使用神经元的全连接层输出原始结果z；/>表示候选出行意图；/>表示候选出行意图的数量；
其中，z＝Wfc2Η+bfc2；式中：Wfc2和bfc2表示全连接层的可学习参数；
S312：执行softmax函数，得到第i个候选活动ai为用户出行意图y的预测概率
其中，zi表示第i个神经元的结果；zj表示第i个神经元的结果；
S313：基于预测概率生成预测结果/>
其中，
5.如权利要求1所述的基于双注意力图嵌入网络的出行意图预测方法，其特征在于：步骤S1中，通过如下公式表示训练出行意图预测模型时的损失函数：
式中：L表示总成本；N代表样本数；和/>分别对应第j个候选活动的实际概率和预测概率。
CN202210075750.XA 2022-01-22 2022-01-22 基于双注意力图嵌入网络的出行意图预测方法 Active CN114444794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210075750.XA CN114444794B (zh) 2022-01-22 2022-01-22 基于双注意力图嵌入网络的出行意图预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210075750.XA CN114444794B (zh) 2022-01-22 2022-01-22 基于双注意力图嵌入网络的出行意图预测方法

Publications (2)

Publication Number Publication Date
CN114444794A CN114444794A (zh) 2022-05-06
CN114444794B true CN114444794B (zh) 2024-05-14

Family

ID=81369189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210075750.XA Active CN114444794B (zh) 2022-01-22 2022-01-22 基于双注意力图嵌入网络的出行意图预测方法

Country Status (1)

Country Link
CN (1) CN114444794B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114625971B (zh) * 2022-05-12 2022-09-09 湖南工商大学 一种基于用户签到的兴趣点推荐方法及设备
CN114925294B (zh) * 2022-06-04 2024-09-17 上海交通大学 基于图增强时间-空间模型的位置预测系统及方法
CN115545759B (zh) * 2022-09-27 2023-05-19 暨南大学 一种基于动态定价机制的乘客出行意图挖掘方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738370A (zh) * 2019-10-15 2020-01-31 南京航空航天大学 一种新颖的移动对象目的地预测算法
CN112488185A (zh) * 2020-11-27 2021-03-12 湖南大学 包含时空特性的车辆运行参数预测方法，系统，电子设备及可读存储介质
CN112966193A (zh) * 2021-03-05 2021-06-15 北京百度网讯科技有限公司 出行意图推断方法、模型训练方法、相关装置及电子设备
CN113032688A (zh) * 2021-05-26 2021-06-25 南京航空航天大学 针对社交网络用户在未来给定时间的访问位置预测方法
CN113204718A (zh) * 2021-04-22 2021-08-03 武汉大学 一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738370A (zh) * 2019-10-15 2020-01-31 南京航空航天大学 一种新颖的移动对象目的地预测算法
CN112488185A (zh) * 2020-11-27 2021-03-12 湖南大学 包含时空特性的车辆运行参数预测方法，系统，电子设备及可读存储介质
CN112966193A (zh) * 2021-03-05 2021-06-15 北京百度网讯科技有限公司 出行意图推断方法、模型训练方法、相关装置及电子设备
CN113204718A (zh) * 2021-04-22 2021-08-03 武汉大学 一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法
CN113032688A (zh) * 2021-05-26 2021-06-25 南京航空航天大学 针对社交网络用户在未来给定时间的访问位置预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多源数据的车流量时空预测方法;胡杰 等;《汽车工程》;20211125;第43卷(第11期);1662-1672 *
基于深度学习的个体出行目的地预测方法研究;段盈盈;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;20210315(第3期);C034-342 *

Also Published As

Publication number Publication date
CN114444794A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
Zhang et al. Measuring human perceptions of a large-scale urban region using machine learning
Gao et al. Generative adversarial networks for spatio-temporal data: A survey
CN114444794B (zh) 基于双注意力图嵌入网络的出行意图预测方法
Siła-Nowicka et al. Analysis of human mobility patterns from GPS trajectories and contextual information
Jiang et al. Geospatial analysis and modelling of urban structure and dynamics
Pappalardo et al. Future directions in human mobility science
Rosés et al. A data-driven agent-based simulation to predict crime patterns in an urban environment
CN114897444A (zh) 一种城市分区域内服务设施需求识别方法及系统
Alfeo et al. A stigmergy-based analysis of city hotspots to discover trends and anomalies in urban transportation usage
Gao et al. Identification of urban regions’ functions in Chengdu, China, based on vehicle trajectory data
CN112418696B (zh) 城市交通动态知识图谱的构建方法及装置
Aschwanden et al. Learning to walk: Modeling transportation mode choice distribution through neural networks
Rosés et al. Agent-Based Simulation of Offender Mobility: Integrating Activity Nodes from Location-Based Social Networks.
Yang et al. Pedestrian network generation based on crowdsourced tracking data
CN114692976B (zh) 基于半监督图嵌入框架的出行意图预测方法
Hashimoto et al. An agent-based model reveals lost person behavior based on data from wilderness search and rescue
Rosés et al. Simulating offender mobility: Modeling activity nodes from large-scale human activity data
Cohen et al. Machine‐learning prediction models for pedestrian traffic flow levels: Towards optimizing walking routes for blind pedestrians
Chen et al. Toiletbuilder: A pu-learning-based model for selecting new public toilet locations
Gupta et al. Prediction and anticipation features-based intellectual assistant in location-based services
Singh et al. Analytical review of map matching algorithms: analyzing the performance and efficiency using road dataset of the indian subcontinent
Liao et al. A bi-direction LSTM attention fusion model for the missing POI identification
Sharif et al. CaFIRST: A context-aware hybrid fuzzy inference system for the similarity measure of multivariate trajectories
Mohammadi et al. Probabilistic prediction of trip travel time and its variability using hierarchical Bayesian learning
Fisher “With a Little Help from My Friends”: The Influence of Co-offenders on the Journey to Crime

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