[发明专利]一种基于卷积神经网络的轨迹属主预测方法

权利要求书

1.一种基于卷积神经网络的轨迹属主预测方法，其特征在于，包括以下步骤：

(1)、数据预处理

(1.1)、将所有用户轨迹的历史位置经纬度按照时间顺序统计，形成经纬度集合，其中，若某一经纬度重复出现，则在经纬度集合中仅保留一次；

对经纬度集合中的每一个经纬度从1开始编号，给定唯一一个位置ID标识；

(1.2)、按时间顺序，用步骤(1.1)中给定的位置ID去替代用户轨迹历史位置经纬度，则每个用户轨迹用一串位置ID表示；同时，将每个用户用唯一的整数ID进行标识，从而用户及用户轨迹就可以形成形式为[用户ID，轨迹(位置ID，…，位置ID)]的属主轨迹；

(1.3)、根据属主轨迹形成一个有向无权图G＝V,E，其中，V是所有位置ID的集合，如果出现某个用户从ID_i到ID_j，则ID_i，ID_j表示一条有向边，所有这样的边构成图G的边集E；

(2)、轨迹表示

(2.1)、以构建的有向无权图G作为输入，通过Node2Vec算法学习出G中每一个位置ID的低维实值向量；

(2.2)、将步骤(1.2)中每个用户的轨迹按照固定时间间隔进行切片，从而将每一个用户轨迹分割成若干条位置ID序列，再用用户ID对切割后的位置ID序列进行属主标识；

(2.3)、对切割后的不定长轨迹用位置ID对应的低维实值向量来代替该位置ID，从而生成每个用户的轨迹矩阵；

然后通过截取或填充方式，构建每个用户固定维度的轨迹矩阵，从而形成数据集，其中，填充的向量为所有位置ID对应的低维 实值向量的平均值；

(3)、构建预测模型

构建一个四层卷积神经网络，其输入层为固定维度的轨迹矩阵；卷积层设置三个卷积核m*embedding_size，其中，m为常数，embedding size为Node2vec输出的低维实值向量的维度；池化层为k-max pooling，k表示卷积之后的前k个最大值；全连接层的输出输入至softmax函数，得到轨迹属主的概率分布；

(4)、训练预测模型

(4.1)、构建训练集

将数据集中部分用户固定维度的轨迹矩阵集X和与之对应的one-hot类别向量集Y作为训练集，其中X＝[Vec_x₁,Vec_x₂,...,Vec_x_n]，Vec_x_n表示第n个用户固定维度的轨迹矩阵，Y＝[Vec_t₁,Vec_t₂,...,Vec_t_n]，Vec_t_n表示第n个属主对应的one-hot类别向量，若第n个位置为1，则其余位置全为0；

(4.2)、初始化预测模型

初始化卷积层中每个卷积核的权重矩阵W_p的值为正态正态分布，其均值为0，方差为0.1；同时初始化卷积层中每个卷积核的偏置向量B_p为0.1，每个偏置向量的元素个数即为对应层神经元的个数；初始化全连接层的权重矩阵为W，其维度为[batch_size*k*卷积核个数，类别数]，同时初始化全连接层的偏置向量B值为0.1，元素个数为类别数；其中，batch_size为常数，p＝1,2,3，p表示卷积层中第几个卷积核；

(4.3)将训练集输入至初始化后的预测模型中，采用Adam算法优化损失函数，然后利用误差反向传播BP算法将误差传向前一层，更新卷积层的权重矩阵W_p、偏置向量B_p以及全连接层权重矩阵W、偏置向量B，经过若干次迭代后，得到收敛的神经网络模型，从而得到训练完成的预测模型；

(5)、轨迹属主预测

将待检测的用户位置经纬度按照步骤(1)、(2)所述方法，构建出该用户固定维度的轨迹矩阵，再将构建的轨迹矩阵输入到已经训练好的预测模型中，得到该轨迹对应所有属主类别的概率分布，概率分布中最大值的索引则为该轨迹对应的属主编号。

2.根据权利要求1所述的一种基于卷积神经网络的轨迹属主预测方法，其特征在于，所述的Adam算法优化的损失函数如下：

其中，N＝batch_size，y_j为Vec_t_j中的所有元素，a_j为softmax函数的输出值。