[发明专利]基于深度学习的车联网移动广告传播方法

权利要求书

1.一种基于深度学习的车联网移动广告传播方法，其特征在于：该方法包括以下步骤：

步骤一、利用车辆GPS信息，以天为单位，将车辆进行分组，以统计出所有车辆在某天内的行驶信息；

步骤二、按照车辆的GPS数据间隔Δt对其行驶信息进行整合，得到车辆的GPS信息矩阵如下：

其中，v_i表示第i辆车，i＝1,2,…,n，n表示车辆的总数；t_j表示第j个时刻，j＝1,2,…,m，m表示时刻的总数，通过如下公式计算：m＝24*60*60/Δt，表示将一天24小时以Δt秒为间隔进行分割得到的分隔点总数；[Lon_ij,Lat_ij]表示车辆v_i在时刻t_j的GPS坐标，对于在某个时间点不存在GPS信息的车辆，将其在该时间点的值设置为[0,0]；根据广告业务的需求，设置广告有效期slot，将GPS信息矩阵分割成以slot为单位的GPS信息子矩阵；

步骤三、根据步骤二所得到的GPS信息子矩阵，计算车辆v_i和车辆v_j之间的距离设置距离参数阈值θ，根据如下公式计算车辆v_i和车辆v_j在slot时间内的连接次数ζ_ij：

其中，I(·)表示指示函数；T表示GPS信息子矩阵内时刻的集合；

得到连接次数矩阵U：

其中，v_i，v_j表示第i、第j辆车，i,j＝1,2,…,n；

步骤四、设置连接次数的阈值参数ζ_threshold，根据如下公式计算车辆i的节点中心性centrality(v_i)：

其中，V表示车辆的集合；ζ_ij表示第i辆车与第j辆车的连接次数；ζ_threshold表示设置的连接次数的阈值；

步骤五、根据步骤四得到的每辆车的节点中心性，将所有车辆的节点中心性拼接起来，组成车辆节点中心性向量vec_centrality：

vec_centrality＝[centrality(v₁),centrality(v₂),…,centrality(v_n)]

将当前广告有效期内节点中心性向量vec_centrality_{slot_t}作为深度神经网络的输入，以下一个广告有效期内的节点中心性向量vec_centrality_{slot_(t+1)}作为深度神经网络的输出，即标签，训练深度神经网络；并应用该神经网络，以车辆当前广告有效期内的节点中心性作为输入，预测车辆在下一个广告有效期内的节点中心性；

步骤六、设置选用车辆数目的参数N，根据步骤五预测的下一个广告有效期内的节点中心性的数值，选取排名前N的车辆作为种子节点进行广告的传播。

2.根据权利要求1所述的一种基于深度学习的车联网移动广告传播方法，其特征在于：步骤三所述车辆v_i和车辆v_j之间的距离采用欧式距离函数计算。

3.根据权利要求1所述的一种基于深度学习的车联网移动广告传播方法，其特征在于：为使本方法更加有效，步骤三所述车辆v_i和车辆v_j之间的距离采用如下充分考虑车辆前一刻及后一刻所在位置的计算公式计算：

其中，表示车辆v_i在时刻t的GPS坐标；S_win是数据处理过程中的滑动窗口的大小，为奇数；t-是的简写；t+是的简写；D(G₁,G₂)表示欧氏距离函数。

4.根据权利要求1所述的一种基于深度学习的车联网移动广告传播方法，其特征在于：为使深度神经网络预测的一个广告有效期内的节点中心性更为准确，充分考虑时间性因素，将步骤五所述vec_centrality增加时间维度信息。

5.根据权利要求1-4任一所述的一种基于深度学习的车联网移动广告传播方法，其特征在于：为使深度神经网络预测的一个广告有效期内的节点中心性更为准确，充分考虑节点中心性的时序关系特征，设定滑动窗口的大小为S_win，使用当前广告有效期的前S_win个连续的vec_centrality作为深度神经网络的输入，下一个广告有效期的vec_centrality作为深度神经网络的标签对深度神经网络进行训练，并以此训练好的深度神经网络对包括当前广告有效期在内的S_win个连续的vec_centrality作为深度神经网络的输入，预测下一个广告有效期的节点中心性。