CN115860179A - 轨迹预测方法、装置、设备、存储介质及程序产品 - Google Patents
轨迹预测方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN115860179A CN115860179A CN202211358510.7A CN202211358510A CN115860179A CN 115860179 A CN115860179 A CN 115860179A CN 202211358510 A CN202211358510 A CN 202211358510A CN 115860179 A CN115860179 A CN 115860179A
- Authority
- CN
- China
- Prior art keywords
- time
- space
- user
- relation
- knowledge graph
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000006870 function Effects 0.000 claims description 81
- 239000013598 vector Substances 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 15
- 230000002123 temporal effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 101001076613 Homo sapiens Immortalization up-regulated protein Proteins 0.000 description 1
- 102100025886 Immortalization up-regulated protein Human genes 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及城市计算技术领域，尤其涉及一种轨迹预测方法、装置、设备、存储介质及程序产品。方法包括：获取至少一个用户轨迹移动的历史数据，以及获取空间位置和/或时间节点之间的多步路径规则，其中，历史数据包括历史上空间位置和/或时间节点之间的直接访问路径；根据历史数据，构建时空知识图谱；将任意一个用户的预测时间节点和/或前次访问位置输入轨迹预测嵌入模型，获得轨迹预测嵌入模型输出的预测空间位置，其中，轨迹预测嵌入模型基于时空知识图谱和多步路径规则训练得到。本发明用以解决现有技术中忽略时间和/或空间位置之间复杂的依赖关系，导致轨迹预测结果准确性较低的缺陷，实现更准确的轨迹预测。
Description
技术领域
本发明涉及城市计算技术领域，尤其涉及一种轨迹预测方法、装置、设备、存储介质及程序产品。
背景技术
城市计算是一个通过不断获取、整合和分析城市中多种异构大数据来解决城市所面临挑战的过程。在城市计算领域，轨迹预测(Mobility Prediction)即建模用户历史轨迹行为预测用户的未来移动行为，是一个重要课题。对解决城市中服务智能推荐等具有重要意义。一方面，通过精确的用户移动预测可以帮助网络管理人员提前部署网络资源提高用户的使用质量；另一方面，准确的移动预测可以帮助商家提前更加智能的服务，比如商店或者饭店等。
现有技术中，主要使用机器学习算法来完成轨迹预测任务。一种具体的实现方法中，主要依据用户历史访问过的空间位置进行接下来的轨迹预测；另一种是依据用户历史数据中时间节点和空间位置之间的直接关系来完成轨迹预测。但是，用户移动行为其实与时间节点和空间位置具有复杂的依赖关系，例如，用户在每天上下班的时间节点上，所在的空间位置是相对固定的。而忽略时间和/或空间位置之间复杂的依赖关系，则会导致轨迹预测结果准确性较低，从而较低轨迹预测效果。
发明内容
本发明提供一种轨迹预测方法、装置、设备、存储介质及程序产品，用以解决现有技术中忽略时间和/或空间位置之间复杂的依赖关系，导致轨迹预测结果准确性较低的缺陷，实现更准确的轨迹预测。
本发明提供一种轨迹预测方法，包括：获取至少一个用户轨迹移动的历史数据，以及获取空间位置和/或时间节点之间的多步路径规则，其中，所述历史数据包括历史上所述空间位置和/或所述时间节点之间的直接访问路径；根据所述历史数据，构建时空知识图谱，其中，所述时空知识图谱包括所述空间位置和/或所述时间节点之间的关系事实，所述关系事实与所述直接访问路径一一对应；将任意一个所述用户的预测时间节点和/或前次访问位置输入轨迹预测嵌入模型，获得所述轨迹预测嵌入模型输出的预测空间位置，其中，所述轨迹预测嵌入模型基于所述时空知识图谱和所述多步路径规则训练得到。
根据本发明提供的一种轨迹预测方法，所述轨迹预测嵌入模型通过如下过程训练得到：基于所述时空知识图谱，构建原始嵌入模型；通过所述原始嵌入模型，计算所述时空知识图谱对应的第一误差函数；基于所述多步路径规则，计算所述时空知识图谱对应的第二误差函数；通过所述第一误差函数和所述第二误差函数，获得总误差函数；通过最小化所述总误差函数，对所述原始嵌入模型进行训练，获得训练完成的所述轨迹预测嵌入模型。
根据本发明提供的一种轨迹预测方法，所述基于所述时空知识图谱，构建原始嵌入模型，包括：通过每一个所述用户的超空间向量，将所述时空知识图谱中的每一个所述用户对应的关系事实，分别映射至所述用户对应的子图，其中，所述超空间向量为可学习参量；在每一个所述子图中，通过所述子图中的所述关系事实，计算每一个所述用户分别对应的评分函数；分别对每一个所述用户对应的所述评分函数进行交叉熵计算，获得每一个所述用户对应的所述原始嵌入模型。
根据本发明提供的一种轨迹预测方法，所述通过所述原始嵌入模型，计算所述时空知识图谱对应的第一误差函数，包括：累加每一个所述用户对应的所述原始嵌入模型，获得所述时空知识图谱对应的所述第一误差函数。
根据本发明提供的一种轨迹预测方法，所述基于所述多步路径规则，计算所述时空知识图谱对应的第二误差函数，包括：计算所述多步路径规则中，每一条多步路径的路径表征；基于所述路径表征，以及每一条所述多步路径在所述时空知识图谱中的所述关系事实，计算每一条所述多步路径分别对应的能量函数；累加每一条所述多步路径分别对应的所述能量函数，获得所述第二误差函数。
根据本发明提供的一种轨迹预测方法，所述根据所述历史数据，构建时空知识图谱，包括：根据所述历史数据，获得所述时间节点与所述空间位置之间的时空访问关系，以及获得所述空间位置与所述空间位置之间的空间转移关系，以及获得所述时间节点与所述时间节点之间的时间亲密度关系；将时空访问关系、空间转移关系和时间亲密度关系，作为所述时空知识图谱中的所述关系事实，构建所述时空知识图谱。
根据本发明提供的一种轨迹预测方法，所述在每一个所述子图中，通过所述子图中的所述关系事实，计算每一个所述用户分别对应的评分函数，包括：在每一个所述子图中，将每一个所述关系事实划分为向量维度相等的两个部分事实向量；通过每一个所述关系事实对应的所述两个部分事实向量，获得每一个所述关系事实对应的复数事实向量；基于每一个所述子图中的所述复数事实向量，计算每一个所述用户分别对应的所述评分函数。
本发明还提供一种轨迹预测装置，包括：获取模块，用于获取至少一个用户轨迹移动的历史数据，以及获取空间位置和/或时间节点之间的多步路径规则，其中，所述历史数据包括历史上所述空间位置和/或所述时间节点之间的直接访问路径；图谱构建模块，用于根据所述历史数据，构建时空知识图谱，其中，所述时空知识图谱包括所述空间位置和/或所述时间节点之间的关系事实，所述关系事实与所述直接访问路径一一对应；预测模块，用于将任意一个所述用户的预测时间节点和/或前次访问位置输入所述轨迹预测嵌入模型，获得所述轨迹预测嵌入模型输出的预测空间位置，其中，所述轨迹预测嵌入模型基于所述时空知识图谱和所述多步路径规则训练得到。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述轨迹预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述轨迹预测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述轨迹预测方法。
本发明提供的轨迹预测方法、装置、设备、存储介质及程序产品，根据用户轨迹移动的历史数据，构建时空知识图谱，而时空知识图谱中包括空间位置和/或时间节点之间的关系事实，避免单独采用空间位置预测。同时，通过具有丰富的关系事实的时空知识图谱和多步路径规则，训练得到轨迹预测嵌入模型，其中，多步路径规则进一步丰富了空间位置与时间节点之间的依赖关系。最终将预测时间节点和/或前次访问位置输入到轨迹预测嵌入模型中，由轨迹预测嵌入模型输出预测空间位置。上述过程中，通过包括时间节点和/或空间位置的时空知识图谱，以及多步路径规则，将忽略时间和/或空间位置之间复杂的依赖关系添加至轨迹预测的过程中，提高轨迹预测嵌入模型输出的预测空间位置的准确性，提升轨迹预测效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的轨迹预测方法的流程示意图之一；
图2是本发明提供的三元组事实超空间映射示意图；
图3是本发明提供的轨迹预测方法的流程示意图之二；
图4是本发明提供的轨迹预测装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
目前，轨迹预测(Mobility Prediction)主要使用机器学习算法来完成，主要包括传统的机器学习方法以及深度学习方法。常用的传统方法主要是马尔科夫模型(Markovmodel)以及它的变形等，Markov模型主要是将访问的位置看做状态、用户的移动行为由一系列状态构成从而利用转移矩阵进行轨迹预测。隐马尔科夫模型(Hidden Markov Models，HMMs)、使用地理标记社交媒体的组级移动建模(称为GMove)、多链(Multi-Chain)模型等模型主要对Markov模型进行改进，实现个体或群体预测。但这些模型主要依赖于正确的强假设，在假设正确的情况下会取得较好的性能，并且较多的用于捕捉序列的线性关系。
通常情况下，用户轨迹预测需要处理大量的历史信息，循环神经网络(recurrentneural networks，简称RNNs)被用来提取长时非线性序列特征。为兴趣点推荐建模长期和短期用户偏好(称为LSTPM)、深度-Move(DeepMove)等深度学习方法使用循环神经网络建模历史轨迹与当前轨迹的时间关系，通过建模用户的历史轨迹模式，预测用户在未来时间将会访问的地点。然而RNNs模型主要关注在建模序列模式上，而忽视了位置、时间以及用户行为之间的语义关系。
另一方面，知识图谱可以较好地整合多方面语义关系，现有一些技术开始应用知识图谱在用户轨迹预测上。联合移动性和时间预测的上下文感知深度模型(KGPMF)提出多视角学习框架建模城市用户移动，利用空间知识图对事件流建模的强化学习(IMUP)使用了强化学习框架构建了空间知识图谱，用于移动行为模式建模。但是这些方法主要构建了空间知识图谱，忽略了时空依赖性，并且上述构建的知识图谱只考虑了直接关系，也就是忽视了知识图谱中的关系事实之间的依赖关系。可微的学习知识库推理的逻辑规则(NeuralLP)和一种端到端的可微的知识图谱上的规则学习方法(DRUM)结合了一阶规则与循环神经网络捕捉知识图谱中的规则从而实现知识图谱补全。但是关系事实之间的依赖关系仍旧不够丰富。
基于上述，因此如何捕捉用户移动模式、捕捉位置以及时间之间的语义关系，合理设计网络结构预测用户的未来轨迹是一个亟待解决的问题。而现有技术中轨迹预测需要考虑以下几点：(1)不同用户移动存在不同的移动模式，基于知识图谱建模不同用户的时空移动行为极为重要；(2)用户的移动模式可以由多种类型的关系表示，如何正确的表征不同类型的行为模式进一步影响我们的预测结果。
下面结合图1-图3描述本发明的轨迹预测方法。
一个实施例中，如图1所示，轨迹预测方法实现的流程如下：
步骤101，获取至少一个用户轨迹移动的历史数据，以及获取空间位置和/或时间节点之间的多步路径规则，其中，历史数据包括历史上空间位置和/或时间节点之间的直接访问路径。
本实施例中，用户轨迹移动的历史数据，是通过历史上至少一个用户在任意一个时间节点访问对应的空间位置形成的数据，基于用户访问时对应的时间节点和/或空间位置形成一个直接访问路径，该直接访问路径是时间节点和/或空间位置之间直接关联的路径，例如，一个时间节点和该时间节点下用户访问的空间位置形成一个直接访问路径；又例如，用户访问一个空间位置后，紧接着访问下一个空间位置，形成又一个直接访问路径；又例如，用户接连访问两个空间时分别对应的时间节点，形成又一个直接访问路径。而多步路径规则包括至少一条多步路径，多步路径指的是时间节点与空间位置之间，可以通过两个或两个以上直接访问路径间接得到的路径。多步路径规则可以根据实验数据和/或需要预先设定。
步骤102，根据历史数据，构建时空知识图谱，其中，时空知识图谱包括空间位置和/或时间节点之间的关系事实，关系事实与直接访问路径一一对应。
本实施例中，将历史数据中的各个时间节点和空间位置作为知识图谱中的实体，通过空间位置和/或时间节点之间的直接访问路径建立知识图谱中对应的关系事实，从而构建时空知识图谱。
一个实施例中，根据历史数据，构建时空知识图谱，具体实现过程如下：根据历史数据，获得时间节点与空间位置之间的时空访问关系，以及获得空间位置与空间位置之间的空间转移关系，以及获得时间节点与时间节点之间的时间亲密度关系；将时空访问关系、空间转移关系和时间亲密度关系，作为时空知识图谱中的关系事实，构建时空知识图谱。
本实施例中，时空访问关系用于指示任意一个用户在任意一个时间节点访问对应的空间位置。空间转移关系用于指示任意一个用户在访问一个空间位置后，在下一个时间节点访问另一个空间位置。时间亲密度关系用于指示任意一个用户在相邻的时间节点内，访问了两个不同的空间位置。
具体的，基于用户轨迹移动的历史数据，设计时空移动行为的架构，并定义时空知识图谱中的实体和关系事实来表征用户的时空移动行为。
时空知识图谱中主要包含两种实体(空间位置和时间节点)。对于空间位置，空间位置可以为地理区域或者兴趣点(Point of Interest，POI)，兴趣点在地理信息系统中，一个兴趣点可以是一栋建筑、一个商铺、一家餐厅等。将所有的空间位置表示为
对于时间节点，将一天分成48个半小时的时间节点，当然，还可以根据实际情况和需要设定其他时长来划分时间节点。为更好的适应现代化工作，还可以进一步将时间节点划分为工作日和非工作日，由此，可以获得96个时间节点的集合，表示为
所有实体集合表示为ε，即集合/>
和集合/>
合并得到集合ε。
接下来建模实体之间的关系，具体的，定义三种不同的关系，包括时空访问关系、空间转移关系以及时间亲密度关系来表征用户的时空移动行为。
下面是三种关系的具体介绍。时空访问关系被用来描述不同时间在不同地理位置的访问行为，表征空间地点与时间节点的依赖关系，即当一个用户在t时刻访问了地点l时存在时空访问关系，可以用三元组事实(t,rV,l)表示，其中，rV表示时空访问关系。
空间转移关系描述了用户在不同空间位置之间的转移行为，表征空间位置的依赖关系，即当一个用户从地点l1到地点l2并且访问时间间隔小于24小时，即相邻的时间节点内访问了地点l1和地点l2，则地点l1和地点l2存在空间转移关系，可以用三元组事实(l1,rT,l2)表示，其中，rT表示空间转移关系。
时间亲密度关系被用来表征不同时间节点的细粒度的结构，通常意义下，两个时间相近的时间节点会有相似的表征向量，另外，时间亲密度关系可以作为构建不同移动行为关系路径的桥梁，即当时间节点t1和时间节点t2时间间隔小于24小时(t1≤t2)，则时间节点t1和时间节点t2存在时间亲密度关系，可以使用三元组事实(t1,rW(t2-t1),t2)表示，其中，rW表示时间亲密度关系。
基于上面定义的三种关系，我们可以从可观测到的用户轨迹移动的历史数据中提取啊u关系事实，而用户的未来移动可以由未观测到的关系事实来表征，也就是说，将用户的移动行为预测(即轨迹预测)转化为关系事实的真实性问题。例如，如果我们想要预测用户在t时刻的空间位置，那么只需要使关系事实(t,rV,l)取最大真实性的位置l，则位置l为预测空间位置。又例如，如果给定用户的先前访问位置l1，那么需要找到使关系事实(l1,rT,l2)取最大真实性的位置l2，则位置l2为预测空间位置。
进一步的，所有定义及相关描述如下表1所示：
表1实体与关系事实描述信息
本实施例中，通过上述定义的实体和关系事实，构建时空知识图谱。在时空知识图谱中，将用户的移动行为预测转化为时空知识图谱的补全问题，即将用户的移动行为预测(即轨迹预测)转化为关系事实的真实性问题。通过关系事实描述了空间位置和时间节点之间存在的多种依赖关系，并将多种依赖关系引入用户的轨迹预测当中，提升轨迹预测的准确性。
步骤103，将任意一个用户的预测时间节点和/或前次访问位置输入轨迹预测嵌入模型，获得轨迹预测嵌入模型输出的预测空间位置，其中，轨迹预测嵌入模型基于时空知识图谱和多步路径规则训练得到。
本实施例中，预先基于时空知识图谱和多步路径规则训练得到轨迹预测嵌入模型，然后再由轨迹预测嵌入模型对任意一个用户的轨迹进行预测。
一个实施例中，轨迹预测嵌入模型通过如下过程训练得到：基于时空知识图谱，构建原始嵌入模型；通过原始嵌入模型，计算时空知识图谱对应的第一误差函数；基于多步路径规则，计算时空知识图谱对应的第二误差函数；通过第一误差函数和第二误差函数，获得总误差函数；通过最小化总误差函数，对原始嵌入模型进行训练，获得训练完成的轨迹预测嵌入模型。
本实施例中，将时空知识图谱中的关系事实向量化，构建原始嵌入模型。然后通过最小化总误差函数，对原始嵌入模型进行训练，获得训练完成的轨迹预测嵌入模型。使用学习得到的轨迹预测嵌入模型通过计算对应关系事实的真实性预测未来的移动行为，即通过轨迹预测嵌入模型输出预测空间位置。由于总误差函数不仅包括由原始嵌入模型得到的第一误差函数，还包括由多步路径规则得到的第二误差函数，则原始嵌入模型训练的过程中，不仅包括了时空知识图谱中已经建立的空间位置与时间节点之间的关系事实，还包括了多步路径规则中空间位置与时间节点之间更加复杂的依赖关系，进一步建模了用户不同时空移动行为之间的关系，进而提高用户移动预测的准确率。
一个实施例中，基于时空知识图谱，构建原始嵌入模型，具体实现过程如下：通过每一个用户的超空间向量，将时空知识图谱中的每一个用户对应的关系事实，分别映射至用户对应的子图，其中，超空间向量为可学习参量；在每一个子图中，通过子图中的关系事实，计算每一个用户分别对应的评分函数；分别对每一个用户对应的评分函数进行交叉熵计算，获得每一个用户对应的原始嵌入模型。
本实施例中，通过定义的超空间向量，构建基于用户超空间(user hyperplane)的嵌入模型(即原始嵌入模型)。
具体的，为了预测未观测的关系事实的真实性，基于知识图谱补全方法，利用一个嵌入模型将每个实体和关系事实映射到低维空间，基于实体和关系事实的嵌入向量，计算评分函数，该评分函数用户表征关系事实的真实性。通过在观测到的关系事实(通过历史数据得到)上进行训练，可以在任意未观测到的关系事实上评估真实性。
为了表征不同用户的移动行为模式，我们在不同用户分别对应的超空间里建模不同的用户行为，即通过每一个用户的超空间向量，将时空知识图谱中的每一个用户对应的关系事实，分别映射至用户对应的子图。每个子图就由所有被映射到对应的超空间内的该用户的所有关系事实组成。
具体的，对于属于用户u的子图
在子图/>
中任意一个关系事实(eh,r,et)，它的真实性就在用户u的超空间中进行评估。关系事实(eh,r,et)可以为上述实施例提到的任意一个三元组事实(t,rV,l)、三元组事实(l1,rT,l2)或三元组事实(t1,rW(t2-t1),t2)。
本实施例中，每一个用户对应的超空间向量仍用u表示。用户超空间是通过超空间向量u进行归一化，超空间向量u为预先定义的可学习参数。如图2所示的三元组事实(eh,r,et)超空间映射示意图，通过超空间向量u完成实体和关系事实映射时，采用的向量公式如下：
r(u)＝r-(uTr)u (3)；
其中，
表示在用户超空间中三元组事实中的头实体，/>
表示在用户超空间中三元组事实中的尾实体，r(u)表示在用户超空间中关系事实(可以为时空访问关系、空间转移关系或时间亲密度关系)，uT表示超空间向量u的转置。
一个实施例中，由于复数评分函数在捕捉非对称关系的高效性，采用复数评分函数评估关系事实的真实性。具体的，在每一个子图中，通过子图中的关系事实，计算每一个用户分别对应的评分函数，实现过程如下：在每一个子图中，将每一个关系事实划分为向量维度相等的两个部分事实向量；通过每一个关系事实对应的两个部分事实向量，获得每一个关系事实对应的复数事实向量；基于每一个子图中的复数事实向量，计算每一个用户分别对应的评分函数。
本实施例中，通过将嵌入向量
以向量维度为基础，划分成两个相同长度的向量分别表示实部和虚部部分，那么用户超空间u里的(eh,r,et)的评分函数即可表示为下述公式：
其中，f(u)(eh,r,et)表示任意一个用户，基于用户超空间u得到的三元组事实(eh,r,et)的评分函数，
表示头实体向量/>
以向量维度为基础划分的前半部分的部分事实向量；/>
表示头实体向量/>
以向量维度为基础划分的后半部分的部分事实向量；/>
表示关系事实r(u)以向量维度为基础划分的前半部分的部分事实向量；/>
表示关系事实r(u)以向量维度为基础划分的后半部分的部分事实向量；/>
表示尾实体向量/>
以向量维度为基础划分的前半部分的部分事实向量；/>
表示尾实体向量/>
以向量维度为基础划分的后半部分的部分事实向量；i表示虚部；/>
表示对复数/>
取共轭；Re表示取实数。
基于上述公式，任意一个用户对应的子图
中的三元组事实(eh,r,et)，即
存在的真实性通过评分函数f(u)(eh,r,et)建模。
进一步的，分别对每一个用户对应的评分函数进行交叉熵计算，获得每一个用户对应的原始嵌入模型，即原始嵌入模型基于评分函数f(u)(eh,r,et)，通过交叉熵函数计算误差得到，公式如下所示：
其中，l(u)(eh,r,et)表示用户u对应的原始嵌入模型的表征向量，et′表示与et不同的实体，也就是说，实体eh通过关系事实r不能得到实体et′，log表示取对数，e表示无理数。f(u)(eh,r,et′)表示任意一个用户，基于用户超空间u得到的三元组事实(eh,r,et′)的评分函数。
一个实施例中，分别获得每一个用户对应的原始嵌入模型的表征向量后，通过原始嵌入模型，计算时空知识图谱对应的第一误差函数，具体实现过程为：累加每一个用户对应的原始嵌入模型，获得时空知识图谱对应的第一误差函数。
具体的，对于时空知识图谱中所有关系事实的第一误差函数
可以表示为如下公式：/>
一个实施例中，一方面，仅基于上述实施例中得到的第一误差函数，学习原始嵌入模型，并不能很好的捕捉关系事实间的依赖关系，例如，多个关系事实的结合引出新的关系并没有考虑到。另一方面，关系事实之间的依赖关系应该很好地统一学习。例如，在实际应用中，预测时间节点和先前访问位置在预测任务中都可以给出，从而基于时空访问关系以及空间转移关系进行预测，然而不同关系导出的结果应具有一致性，而第一误差函数忽视了这种情况。因此，关系事实之间的依赖性应该被用来提取丰富的语义关系和实现一致性，多步路径规则就可以用来解决这个问题。例如，被多步路径连接的两个实体可以推导出新的关系事实，也就是知识图谱的多步路径包含丰富的语义信息，因此通过在时空知识图谱中插入多步路径规则可捕捉在推导的关系路径中可解释的依赖关系。
本实施例中，为了在时空知识图谱中插入多步路径规则，基于多步路径规则，计算时空知识图谱对应的第二误差函数，具体实现方式如下：计算多步路径规则中，每一条多步路径的路径表征；基于路径表征，以及每一条多步路径在时空知识图谱中的关系事实，计算每一条多步路径分别对应的能量函数；累加每一条多步路径分别对能量函数，获得第二误差函数。
更具体的，根据实验数据和实际需求，基于时空访问关系和空间转移关系，预先设置两条多步路径。时空访问关系和空间转移关系具有高度相关性，例如，用户u在时间间隔为24小时内的时间点t1和时间点t2访问了两个不同的地点l1和l2，则可以推断地点l1和l2存在空间访问关系，过程公式可以表示为：
其中，
是r1的反义关系，也就是尾实体是时间点。
另一方面，属于空间转移关系的两条相连事实可以推导出新的空间转移关系事实，例如，用户u访问连续访问了三个不同的地点l1、l2和l3，则可以推断地点l1和l3存在空间访问关系，过程公式可以表示为：
综合上述，本实施例采用的多步路径规则如下表2所示：
表2多步路径规则示例图
本实施例中，通过时空知识图谱学习不同关系事实对应的路径，但是仅考虑时空知识图谱路径中的关系则会导致预测准确性降低，而路径中实体也很重要。例如，在上表2中第一条路径，如果地点l1和l2分别为用户的家和工作地点，则时间间隔通常很大的概率是固定值，也就是在路径中的时间点t1和时间点t2在计算对应关系事实真实性时起到很大的作用，因此在计算路径表征时实体应该被考虑进去。
本实施例中，使用不同的多层感知器(Multilayer Perception，MLP)神经网络计算不同长度的路径。定义p作为除了第一个事实的头实体和最后事实的尾实体的全部实体和关系事实，例如，上表2中的路径
的p指的是/>
t1、t1、rW(Δt)、t2、t2和rV。
路径表征向量C(p)可以通过如下公式计算：
C(p)＝MLP(p) (9)；
基于上述计算得到的路径表征向量C(p)，每一个子图
中路径和关系事实的相似性可以由下式能量函数计算：
E(p,r)＝||C(u)(p)-r(u)|| (10)；
其中，C(u)(p)表示用户u对应的子图
中的路径表征向量。
累加每一个子图中，每一条多步路径分别对能量函数，获得第二误差函数
即将上述多步路径规则嵌入原始嵌入模型中，获得第二误差函数/>
如下：
其中，P(eh,et)表示多步路径规则对应的多步路径集合，
则表示每一个子图中的每一个三元组事实。
基于时空知识图谱和多步路径规则可以得到总误差函数
如下所示，并且使用参数α平衡不同部分的影响，如下：
通过最小化上述总误差函数得到时空知识图谱中所有实体表征向量，用来在移动预测任务中进一步计算。也就是说，通过最小化总误差函数，对原始嵌入模型进行训练，获得训练完成的轨迹预测嵌入模型。将任意一个用户的预测时间节点和/或前次访问位置输入轨迹预测嵌入模型，获得轨迹预测嵌入模型输出的预测空间位置。
一个实施例中，获得轨迹预测嵌入模型之后，将任意一个用户的预测时间节点和/或前次访问位置输入轨迹预测嵌入模型，获得轨迹预测嵌入模型输出的预测空间位置。
本实施例中，通过给定用户u对应的预测时间节点t0和/或先前访问位置l0，我们就可以通过不同类型的关系事实进行预测用户移动。具体的，如果给定预测时间节点，预测空间位置可以评估对应的时空访问关系的真实性进行预测；如果给定先前访问位置，可以根据空间转移关系计算真实性(计算评分函数)来得到预测空间位置；如果同时给定预测时间和先前访问空间位置，则根据上述总误差函数同时最大化时空访问关系和空间转移关系的真实性来得到预测空间位置，同时，由于时间亲密度关系的存在，保证了两个预测结果的一致性。
一个具体的实施例中，如图3所示整体的轨迹预测方法流程图，首先基于用户轨迹移动的历史数据，系统定义了移动行为的架构，其中包括事实公式和实体、关系的类型。然后将上述定义的框架提取构建时空知识图谱中对应的关系事实。基于用户超空间方法构建原始嵌入模型，在构建的知识图谱中使用多步路径规则，学习原始嵌入模型中路径和关系事实之间不同的移动模式以及语义信息，使用学习得到的轨迹预测嵌入模型通过计算对应关系事实的真实性预测未来的移动行为。
本实施例中，通过设计不同的关系类型来表征不同类型的时空移动行为，通过分析不同类型实体的关系捕捉不同的用户行为，使用用户超空间方法建模不同用户的移动空间(即超空间)从而表征不同用户的移动行为模式，通过以上设计可以将用户的移动行为预测转化为时空知识图谱的补全问题。另外，在时空知识图谱中提取多条多步路径从而捕捉不同类型实体之间可解释的关系和依赖，进一步建模了用户不同移动模式之间的关系，提高用户移动预测准确率。
一个具体的实施例中，利用用户轨迹移动的历史数据预测未来的行为移动，可以分为两种场景进行预测：基于空间位置预测也就是给定用户先前访问位置预测未来移动，基于时间节点预测意味着给定预测时间节点预测未来移动。如果给定预测时间节点，未来移动可以评估对应的时空访问关系事实的真实性进行预测，如果给定先前访问位置，可以根据空间转移关系计算关系事实真实性预测下个访问地点。
利用用户轨迹移动的历史数据预测未来移动，历史数据示例如下表3所示，每个用户轨迹长度不同且具有不同的移动模式。
表3用户轨迹移动的历史数据示例
其中，t1、t2、t3、t4、t5、t6和t7表示不同的时间节点，l1、l2和l3表示不同的空间位置。
根据用户的历史数据构建训练集数据，要预测t0时刻用户移动，需要使用用户在t0时刻之前的轨迹，筛选所有满足条件的用户(用户总轨迹条数不少于设定的轨迹阈值，且用户访问地点个数不少于地点阈值)，取半小时时间粒度的轨迹序列。首先使用用户历史轨迹构建知识图谱，分批量用户轨迹进行训练，
一方面，基于关系事实计算评分函数以及第一误差函数，另一方面查找关系事实中的头实体与尾实体存在的多步路径规则，基于多步路径规则，第二误差函数，进而获得总误差函数。使用梯度下降方法迭代更新原始嵌入模型，得到用户、空间位置、时间节点、关系事实构成的轨迹预测嵌入模型的表征向量。
通过上述训练得到的用户、预测时间节点或者前次访问位置的表征向量，预测用户移动。若给定预测时间节点，可以计算枚举所有空间位置构成的时空访问关系三元组事实的评分函数，取评分函数最大的地点即为要访问的下个地点，即预测空间位置；如果给定先前访问位置，可以计算枚举所有空间位置构成的空间转移关系三元组事实的评分函数，取评分函数最大的地点即为要访问的下个地点，即预测空间位置；如果同时给定预测时间节点和前次访问位置，则需要同时最大化两个三元组事实取其地点作为预测结果。在此过程中，同时，由于时间亲密度关系的存在，保证了两个预测结果的一致性。
本发明提供的轨迹预测方法，根据用户轨迹移动的历史数据，构建时空知识图谱，而时空知识图谱中包括空间位置和/或时间节点之间的关系事实，避免单独采用空间位置预测。同时，通过具有丰富的关系事实的时空知识图谱和多步路径规则，训练得到轨迹预测嵌入模型，其中，多步路径规则进一步丰富了空间位置与时间节点之间的依赖关系。最终将预测时间节点和/或前次访问位置输入到轨迹预测嵌入模型中，由轨迹预测嵌入模型输出预测空间位置。上述过程中，通过包括时间节点和/或空间位置的时空知识图谱，以及多步路径规则，将忽略时间和/或空间位置之间复杂的依赖关系添加至轨迹预测的过程中，提高轨迹预测嵌入模型输出的预测空间位置的准确性，提升轨迹预测效果。
下面对本发明提供的轨迹预测装置进行描述，下文描述的轨迹预测装置与上文描述的轨迹预测方法可相互对应参照。如图4所示，轨迹预测装置，包括：
获取模块401，用于获取至少一个用户轨迹移动的历史数据，以及获取空间位置和/或时间节点之间的多步路径规则，其中，历史数据包括历史上空间位置和/或时间节点之间的直接访问路径；
图谱构建模块402，用于根据历史数据，构建时空知识图谱，其中，时空知识图谱包括空间位置和/或时间节点之间的关系事实，关系事实与直接访问路径一一对应；
预测模块403，用于将任意一个用户的预测时间节点和/或前次访问位置输入轨迹预测嵌入模型，获得轨迹预测嵌入模型输出的预测空间位置，其中，轨迹预测嵌入模型基于时空知识图谱和多步路径规则训练得到。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行轨迹预测方法，该方法包括：获取至少一个用户轨迹移动的历史数据，以及获取空间位置和/或时间节点之间的多步路径规则，其中，历史数据包括历史上空间位置和/或时间节点之间的直接访问路径；根据历史数据，构建时空知识图谱，其中，时空知识图谱包括空间位置和/或时间节点之间的关系事实，关系事实与直接访问路径一一对应；将任意一个用户的预测时间节点和/或前次访问位置输入轨迹预测嵌入模型，获得轨迹预测嵌入模型输出的预测空间位置，其中，轨迹预测嵌入模型基于时空知识图谱和多步路径规则训练得到。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的轨迹预测方法，该方法包括：获取至少一个用户轨迹移动的历史数据，以及获取空间位置和/或时间节点之间的多步路径规则，其中，历史数据包括历史上空间位置和/或时间节点之间的直接访问路径；根据历史数据，构建时空知识图谱，其中，时空知识图谱包括空间位置和/或时间节点之间的关系事实，关系事实与直接访问路径一一对应；将任意一个用户的预测时间节点和/或前次访问位置输入轨迹预测嵌入模型，获得轨迹预测嵌入模型输出的预测空间位置，其中，轨迹预测嵌入模型基于时空知识图谱和多步路径规则训练得到。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的轨迹预测方法，该方法包括：获取至少一个用户轨迹移动的历史数据，以及获取空间位置和/或时间节点之间的多步路径规则，其中，历史数据包括历史上空间位置和/或时间节点之间的直接访问路径；根据历史数据，构建时空知识图谱，其中，时空知识图谱包括空间位置和/或时间节点之间的关系事实，关系事实与直接访问路径一一对应；将任意一个用户的预测时间节点和/或前次访问位置输入轨迹预测嵌入模型，获得轨迹预测嵌入模型输出的预测空间位置，其中，轨迹预测嵌入模型基于时空知识图谱和多步路径规则训练得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种轨迹预测方法，其特征在于，包括：
获取至少一个用户轨迹移动的历史数据，以及获取空间位置和/或时间节点之间的多步路径规则，其中，所述历史数据包括历史上所述空间位置和/或所述时间节点之间的直接访问路径；
根据所述历史数据，构建时空知识图谱，其中，所述时空知识图谱包括所述空间位置和/或所述时间节点之间的关系事实，所述关系事实与所述直接访问路径一一对应；
将任意一个所述用户的预测时间节点和/或前次访问位置输入轨迹预测嵌入模型，获得所述轨迹预测嵌入模型输出的预测空间位置，其中，所述轨迹预测嵌入模型基于所述时空知识图谱和所述多步路径规则训练得到。
2.根据权利要求1所述的轨迹预测方法，其特征在于，所述轨迹预测嵌入模型通过如下过程训练得到：
基于所述时空知识图谱，构建原始嵌入模型；
通过所述原始嵌入模型，计算所述时空知识图谱对应的第一误差函数；
基于所述多步路径规则，计算所述时空知识图谱对应的第二误差函数；
通过所述第一误差函数和所述第二误差函数，获得总误差函数；
通过最小化所述总误差函数，对所述原始嵌入模型进行训练，获得训练完成的所述轨迹预测嵌入模型。
3.根据权利要求2所述的轨迹预测方法，其特征在于，所述基于所述时空知识图谱，构建原始嵌入模型，包括：
通过每一个所述用户的超空间向量，将所述时空知识图谱中的每一个所述用户对应的关系事实，分别映射至所述用户对应的子图，其中，所述超空间向量为可学习参量；
在每一个所述子图中，通过所述子图中的所述关系事实，计算每一个所述用户分别对应的评分函数；
分别对每一个所述用户对应的所述评分函数进行交叉熵计算，获得每一个所述用户对应的所述原始嵌入模型。
4.根据权利要求3所述的轨迹预测方法，其特征在于，所述通过所述原始嵌入模型，计算所述时空知识图谱对应的第一误差函数，包括：
累加每一个所述用户对应的所述原始嵌入模型，获得所述时空知识图谱对应的所述第一误差函数。
5.根据权利要求2所述的轨迹预测方法，其特征在于，所述基于所述多步路径规则，计算所述时空知识图谱对应的第二误差函数，包括：
计算所述多步路径规则中，每一条多步路径的路径表征；
基于所述路径表征，以及每一条所述多步路径在所述时空知识图谱中的所述关系事实，计算每一条所述多步路径分别对应的能量函数；
累加每一条所述多步路径分别对应的所述能量函数，获得所述第二误差函数。
6.根据权利要求1所述的轨迹预测方法，其特征在于，所述根据所述历史数据，构建时空知识图谱，包括：
根据所述历史数据，获得所述时间节点与所述空间位置之间的时空访问关系，以及获得所述空间位置与所述空间位置之间的空间转移关系，以及获得所述时间节点与所述时间节点之间的时间亲密度关系；
将时空访问关系、空间转移关系和时间亲密度关系，作为所述时空知识图谱中的所述关系事实，构建所述时空知识图谱。
7.根据权利要求3所述的轨迹预测方法，其特征在于，所述在每一个所述子图中，通过所述子图中的所述关系事实，计算每一个所述用户分别对应的评分函数，包括：
在每一个所述子图中，将每一个所述关系事实划分为向量维度相等的两个部分事实向量；
通过每一个所述关系事实对应的所述两个部分事实向量，获得每一个所述关系事实对应的复数事实向量；
基于每一个所述子图中的所述复数事实向量，计算每一个所述用户分别对应的所述评分函数。
8.一种轨迹预测装置，其特征在于，包括：
获取模块，用于获取至少一个用户轨迹移动的历史数据，以及获取空间位置和/或时间节点之间的多步路径规则，其中，所述历史数据包括历史上所述空间位置和/或所述时间节点之间的直接访问路径；
图谱构建模块，用于根据所述历史数据，构建时空知识图谱，其中，所述时空知识图谱包括所述空间位置和/或所述时间节点之间的关系事实，所述关系事实与所述直接访问路径一一对应；
预测模块，用于将任意一个所述用户的预测时间节点和/或前次访问位置输入所述轨迹预测嵌入模型，获得所述轨迹预测嵌入模型输出的预测空间位置，其中，所述轨迹预测嵌入模型基于所述时空知识图谱和所述多步路径规则训练得到。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的轨迹预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，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7任一项所述的轨迹预测方法。
11.一种计算机程序产品，包括计算机程序，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7任一项所述的轨迹预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211358510.7A CN115860179A (zh) | 2022-11-01 | 2022-11-01 | 轨迹预测方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211358510.7A CN115860179A (zh) | 2022-11-01 | 2022-11-01 | 轨迹预测方法、装置、设备、存储介质及程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115860179A true CN115860179A (zh) | 2023-03-28 |
Family
ID=85662271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211358510.7A Pending CN115860179A (zh) | 2022-11-01 | 2022-11-01 | 轨迹预测方法、装置、设备、存储介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115860179A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117671979A (zh) * | 2023-12-25 | 2024-03-08 | 中傲智能科技（苏州）有限公司 | 一种基于知识图谱的智慧城市数据管理系统与方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339769A (zh) * | 2015-07-08 | 2017-01-18 | 北京大学 | 一种面向移动社会网络的用户出行预测方法 |
| CN107844602A (zh) * | 2017-11-24 | 2018-03-27 | 重庆邮电大学 | 一种基于时空属性关联规则的预测方法 |
| CN110795573A (zh) * | 2019-10-31 | 2020-02-14 | 北京邮电大学 | 一种网页内容的地理位置预测方法及装置 |
| CN111400620A (zh) * | 2020-03-27 | 2020-07-10 | 东北大学 | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 |
| CN112287120A (zh) * | 2020-11-04 | 2021-01-29 | 山东省人工智能研究院 | 一种基于强化学习的双系统知识图谱的知识推理方法 |
| CN113239168A (zh) * | 2021-05-31 | 2021-08-10 | 湖南大学 | 一种基于知识图谱嵌入预测模型的可解释性方法和系统 |
| CN113761395A (zh) * | 2021-08-12 | 2021-12-07 | 清华大学 | 轨迹生成模型训练方法、轨迹生成方法及装置 |
| CN114239935A (zh) * | 2021-12-06 | 2022-03-25 | 中国电子科技集团公司第十五研究所 | 一种针对非均匀轨迹序列的预测方法 |
| WO2022217711A1 (zh) * | 2021-04-15 | 2022-10-20 | 平安科技（深圳）有限公司 | 基于多层关联知识图谱的信息预测方法、装置、设备及介质 |
-
2022
- 2022-11-01 CN CN202211358510.7A patent/CN115860179A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339769A (zh) * | 2015-07-08 | 2017-01-18 | 北京大学 | 一种面向移动社会网络的用户出行预测方法 |
| CN107844602A (zh) * | 2017-11-24 | 2018-03-27 | 重庆邮电大学 | 一种基于时空属性关联规则的预测方法 |
| CN110795573A (zh) * | 2019-10-31 | 2020-02-14 | 北京邮电大学 | 一种网页内容的地理位置预测方法及装置 |
| CN111400620A (zh) * | 2020-03-27 | 2020-07-10 | 东北大学 | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 |
| CN112287120A (zh) * | 2020-11-04 | 2021-01-29 | 山东省人工智能研究院 | 一种基于强化学习的双系统知识图谱的知识推理方法 |
| WO2022217711A1 (zh) * | 2021-04-15 | 2022-10-20 | 平安科技（深圳）有限公司 | 基于多层关联知识图谱的信息预测方法、装置、设备及介质 |
| CN113239168A (zh) * | 2021-05-31 | 2021-08-10 | 湖南大学 | 一种基于知识图谱嵌入预测模型的可解释性方法和系统 |
| CN113761395A (zh) * | 2021-08-12 | 2021-12-07 | 清华大学 | 轨迹生成模型训练方法、轨迹生成方法及装置 |
| CN114239935A (zh) * | 2021-12-06 | 2022-03-25 | 中国电子科技集团公司第十五研究所 | 一种针对非均匀轨迹序列的预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| HUAN DONG WANG 等: "（"Spatio-Temporal Urban Knowledge Graph Enabled Mobility Prediction"", 《PROCEEDINGS OF THE ACM ON INTERACTIVE, MOBILE, WEARABLE AND UBIQUITOUS TECHNOLOGIES》, 30 December 2021 (2021-12-30), pages 2 - 3 * |
| 段鹏飞;王远;熊盛武;毛晶晶;: "基于空间投影和关系路径的地理知识图谱表示学习", 中文信息学报, no. 03, 15 March 2018 (2018-03-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117671979A (zh) * | 2023-12-25 | 2024-03-08 | 中傲智能科技（苏州）有限公司 | 一种基于知识图谱的智慧城市数据管理系统与方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | Deepmove: Predicting human mobility with attentional recurrent networks | |
| Chang et al. | Learning graph-based geographical latent representation for point-of-interest recommendation | |
| He et al. | Graph attention spatial-temporal network with collaborative global-local learning for citywide mobile traffic prediction | |
| Zhao et al. | Predictive task assignment in spatial crowdsourcing: a data-driven approach | |
| Yoon et al. | Building realistic mobility models from coarse-grained traces | |
| Quercia et al. | Friendsensing: recommending friends using mobile phones | |
| CN111159425A (zh) | 一种基于历史关系和双图卷积网络的时态知识图谱表示方法 | |
| Chen et al. | Constructing and comparing user mobility profiles | |
| Xia et al. | Attnmove: History enhanced trajectory recovery via attentional network | |
| CN110191416A (zh) | 用于分析目标实体的移动的装置、系统和方法 | |
| CN112910710B (zh) | 网络流量时空预测方法、装置、计算机设备和存储介质 | |
| Sun et al. | Mobile data traffic prediction by exploiting time-evolving user mobility patterns | |
| CN113139140B (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
| CN111695046B (zh) | 基于时空移动数据表征学习的用户画像推断方法及装置 | |
| CN113422801A (zh) | 边缘网络节点内容分配方法、系统、装置及计算机设备 | |
| Fan et al. | A Collaborative Filtering Approach to Citywide Human Mobility Completion from Sparse Call Records. | |
| CN113505310A (zh) | 一种基于时空注意网络的校园用户下一个位置推荐方法 | |
| CN111723305B (zh) | 一种预测用户下一轨迹点的方法 | |
| CN113487018A (zh) | 一种基于会话推荐的全局上下文增强图神经网络方法 | |
| CN115860179A (zh) | 轨迹预测方法、装置、设备、存储介质及程序产品 | |
| CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
| CN111783895A (zh) | 基于神经网络的旅行计划推荐方法、装置、计算机设备和存储介质 | |
| Liao et al. | A novel link prediction method for opportunistic networks based on random walk and a deep belief network | |
| Quan et al. | An optimized task assignment framework based on crowdsourcing knowledge graph and prediction | |
| Sun et al. | Tcsa-net: a temporal-context-based self-attention network for next location prediction |
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 |