[发明专利]一种基于多粒度神经网络的用户移动行为预测方法及装置

说明书

本发明公开了一种基于多粒度神经网络的用户移动行为预测方法、装置、设备及计算机可读存储介质，包括：将用户移动位置的预测空间映射至地图，得到与所述预测空间对应的地图区域；分别依据不同粒度对所述地图区域进行划分后，在所述不同粒度下分别将用户当前移动轨迹转换为与所述不同粒度对应的多个网格ID序列；利用多粒度神经网络模型，在所述不同粒度下分别利用不同的预测模型对所述多个网格ID序列进行预测，得到所述不同粒度下的所述用户移动位置的多个预测结果，对所述多个预测结果进行融合，得到所述用户移动位置的目标预测结果。本发明所提供的方法、装置、设备及计算机可读存储介质，提高了对用户移动行为预测的精确度。

技术领域

本发明涉及用户行为预测技术领域，特别是涉及一种基于多粒度神经网络的用户移动行为预测方法、装置、设备以及计算机可读存储介质。

背景技术

随着智能手机的广泛使用和车载导航系统的快速发展，它们已经成为人们日常生活的一部分。这导致了嵌入式GPS设备的普及以及定位技术的快速发展，我们也越来越多的受益于各种类型的基于位置服务(Location based Services，LBS)。用户移动行为预测，是在给定了用户的一部分子轨迹后，预测用户将来可能的移动位置。大量的LBS系统依赖于对用户移动行为的预测，例如对用户的景点和广告推荐，进行实时化的交通流分析，以及在导航系统中自动设置目的地等，从而提供更加精准、有效的位置服务。

如今有大规模的用户轨迹可供我们挖掘和分析，精准的用户移动行为的预测是可实现的。相关的方法主要分为传统预测方法，概率模型方法和深度学习方法。传统预测方法采用基于轨迹搜索的方式，即在轨迹数据库中搜索可以覆盖给定的子轨迹的历史轨迹，通过聚合的方式，选择前k个概率最大的地点作为用户下一步移动的位置。然而，我们经常最终在数据集中找不到或者找到很少的轨迹可以覆盖给定的子轨迹。概率模型方法中通常被广泛使用的是贝叶斯网络，有很多基于它的方法已经被提出来以提高预测的精确度，它们都是基于历史轨迹数据对个人用户进行移动行为的预测。此外，传统预测方法也应用了贝叶斯模型，并且将一些外部特征考虑在内来确保预测的精确度，例如轨迹的长度，用户旅行时间，驾驶的上下文信息和不同区域的分布等。值得一提的是，马尔可夫模型也被应用于此问题。同样地，它们也是预测特定对象的移动行为。此外，现有技术中也提出了一种最近邻轨迹(NNT)的方法，通过对轨迹间的距离进行分析来确保预测精确度。

近年来，有多种深度神经网络结构被设计出来，其中递归神经网络(RecurrentNeural Network，RNN)是一种被广泛应用于分析时间序列数据的神经网络结构。实证研究也表明，长短时记忆网络(Long Short-Term Memory，LSTM)，RNN的一个主要变体，可对不同长度的时间序列数据进行建模，并且能很好的解决长期时间依赖性问题。例如机器翻译，图像标注和语音识别等。因此对于我们的轨迹数据的预测，深度学习方法中也有许多的应用。例如，某文献中提出了双向LSTM模型和注意力机制的结合来减少数据稀疏问题，而现有技术中另外一种方法中则是使用了卷积神经网络(Convolutional Neural Network，CNN)和双向LSTM的结合来分析历史交通流数据以获得交通流周期性的特征。此外，现有技术中，还提出一种结合社交媒体语义的有效方案来预测交通状况和用户移动趋势。现有技术中还会使用LSTM对车辆轨迹进行时间行为的分析，并预测周围车辆的未来坐标。

随着技术的发展，对用户移动行为的预测的精确度要求更高、预测结果需要更加全面。但现有技术中的用户移动行为预测算法未在不同粒度下使用针对性的预测模型。传统预测方法和概率模型方法通常是在确定的某种粒度下进行预测，然而有效的移动行为的特征可能出现在不同的空间粒度中，因此不能只考虑用于预测的某一种空间粒度。现有的神经网络方法中，虽然有多层融合的模型被提出，但是在不同粒度下使用了相似的预测模型，没有根据不同粒度下的轨迹特征进行针对性的设计，因此降低了现有技术中所提供的用户行为预测算法的精度。

综上所述可以看出，如何提高用户移动行为预测结果的精确度是目前有待解决的问题。

发明内容